System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电气自动化领域,具体涉及一种基于加权组合的电力系统碳排放预测方法及系统。
技术介绍
1、随着经济技术的发展,人们对于环境问题的关注程度也越来越高;碳排放量的预测,也成为了人们关注的重点。
2、此外,碳排放量的预测,对于电力系统而言,也具有重要的作用。准确的碳排放量预测结果,能够有效帮助电力系统进行更为可靠的运行方案的制定、发电调度计划的制定,以及电力系统未来规划方案的制定。因此,保证电力系统碳排放量预测的准确性,对于电力系统而言,意义重大。
3、但是,目前常用的电力系统碳排放量预测方案,一般都是基于单个模型的预测方案;但是,单模型的预测方案,其并无法适用于各个类型的电力系统;因此,单模型预测方案存在可靠性较差、精确性较差的问题。
技术实现思路
1、本专利技术的目的之一在于提供一种可靠性高且精确性好的基于加权组合的电力系统碳排放预测方法。
2、本专利技术的目的之二在于提供一种实现所述基于加权组合的电力系统碳排放预测方法的系统。
3、本专利技术提供的这种基于加权组合的电力系统碳排放预测方法,包括如下步骤:
4、s1.获取目标电力系统的历史数据信息;
5、s2.对步骤s1获取的数据信息进行处理,得到总量训练数据集;
6、s3.基于多元线性回归模型,构建碳排放频度转换模型,并采用步骤s2得到的总量训练数据集进行训练,从而得到分量训练数据集;
7、s4.基于bp神经网络、k近邻回归模
8、s5.采用步骤s3得到的分量训练数据集,对步骤s4构建的碳排放预测初始模型进行训练,得到碳排放预测模型;
9、s6.采用步骤s5得到的碳排放预测模型,对目标电力系统进行实际的碳排放预测。
10、步骤s1所述的获取目标电力系统的历史数据信息,具体包括如下步骤:
11、获取目标电力系统的历史数据信息;所述的历史数据信息包括目标电力系统的月度总用电量、月度火电发电量、月度水电发电量、月度风电发电量、月度光伏发电量、月度生物质发电量和年度碳排放量。
12、步骤s2所述的对步骤s1获取的数据信息进行处理,得到总量训练数据集,具体包括如下步骤:
13、对获取的月度总用电量数据,采用如下算式进行归一化:
14、
15、式中xcons为归一化后的月度总用电量;ccons为归一化前的月度总用电量;min(ccons)为归一化前的月度总用电量的最小值;max(ccons)为归一化前的月度总用电量的最大值;
16、对获取的月度火电发电量数据,采用如下算式进行归一化:
17、
18、式中xther为归一化后的火电发电量;cther为归一化前的火电发电量;min(cther)为归一化前的火电发电量的最小值;max(cther)为归一化前的火电发电量的最大值;
19、对获取的月度水电发电量数据,采用如下算式进行归一化:
20、
21、式中xwater为归一化后的水电发电量;cwater为归一化前的水电发电量;min(cwater)为归一化前的水电发电量的最小值;max(cwater)为归一化前的水电发电量的最大值;
22、对获取的月度风电发电量数据,采用如下算式进行归一化:
23、
24、式中xwind为归一化后的风电发电量;cwind为归一化前的风电发电量;min(cwind)为归一化前的风电发电量的最小值;max(cwind)为归一化前的风电发电量的最大值;
25、对获取的月度光伏发电量数据,采用如下算式进行归一化:
26、
27、式中xpv为归一化后的光伏发电量;cpv为归一化前的光伏发电量;min(cpv)为归一化前的光伏发电量的最小值;max(cpv)为归一化前的光伏发电量的最大值;
28、对获取的月度生物质发电量数据,采用如下算式进行归一化:
29、
30、式中xbiom为归一化后的生物质发电量;cbiom为归一化前的生物质发电量;min(cbiom)为归一化前的生物质发电量的最小值;max(cbiom)为归一化前的生物质发电量的最大值;
31、对获取的年度碳排放量数据,采用如下算式进行归一化:
32、
33、式中为归一化后的年度碳排放量;为归一化前的年度碳排放量;为归一化前的年度碳排放量最小值;为归一化后的年度碳排放量最小值。
34、步骤s3所述的基于多元线性回归模型,构建碳排放频度转换模型,并采用步骤s2得到的总量训练数据集进行训练,从而得到分量训练数据集,具体包括如下步骤:
35、以归一化后的月度总用电量、归一化后的月度火电发电量、归一化后的月度水电发电量、归一化后的月度风电发电量、归一化后的月度光伏发电量和归一化后的月度生物质发电量为自变量,以归一化后的月度碳排放量为因变量,采用如下算式构建多元线性回归模型:
36、
37、式中αcons为用电量参数;αther为火电参数;αwater为水电参数;αwind为风电参数;αpv为光伏参数;αbiom为生物质参数;αconstant为常数参数;为归一化后的月度碳排放量;
38、采用多元线性回归模型计算得到第i个月的归一化后的月度碳排放量i取值为1~12;
39、归一化前的年度碳排放量表示为:
40、
41、式中为第i个月的归一化前的月度碳排放量;
42、采用如下算式作为优化目标:
43、
44、式中为常数项且满足
45、采用步骤s2得到的总量训练数据集,对优化目标进行训练和求解,得到第i个月的归一化前的月度碳排放量从而构建得到分量训练数据集。
46、步骤s4所述的基于bp神经网络、k近邻回归模型和支持向量机回归模型,构建碳排放预测初始模型,具体包括如下步骤:
47、基于蚁群-模拟退火优化bp神经网络预测模型,构建第一预测初始模型;
48、基于k近邻回归模型,构建第二预测初始模型;
49、基于支持向量机回归模型,构建第三预测初始模型;
50、对第一预测初始模型、第二预测初始模型和第三预测初始模型进行加权求和,从而构建碳排放预测初始模型。
51、所述的基于蚁群-模拟退火优化bp神经网络预测模型,构建第一预测初始模型,具体包括如下步骤:
52、初始化网络参数,生成bp神经网络权值初始值和bp神经网络阈值初始值;
53、将bp神经网络的当前权值、阈值输入蚁群算法,并初始化蚁群规模和信息素分布;
54、构造蚂蚁搜索空间,蚂蚁移动并更新信息素浓度,对bp神经网络当前的权值和阈值进行适应度计算,并判断是否满足适应度条件本文档来自技高网...
【技术保护点】
1.一种基于加权组合的电力系统碳排放预测方法,包括如下步骤:
2.根据权利要求1所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤S1所述的获取目标电力系统的历史数据信息,具体包括如下步骤:
3.根据权利要求2所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤S2所述的对步骤S1获取的数据信息进行处理,得到总量训练数据集,具体包括如下步骤:
4.根据权利要求3所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤S3所述的基于多元线性回归模型,构建碳排放频度转换模型,并采用步骤S2得到的总量训练数据集进行训练,从而得到分量训练数据集,具体包括如下步骤:
5.根据权利要求4所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤S4所述的基于BP神经网络、K近邻回归模型和支持向量机回归模型,构建碳排放预测初始模型,具体包括如下步骤:
6.根据权利要求5所述的基于加权组合的电力系统碳排放预测方法,其特征在于所述的基于蚁群-模拟退火优化BP神经网络预测模型,构建第一预测初始模型,具体包括如下步骤:
...【技术特征摘要】
1.一种基于加权组合的电力系统碳排放预测方法,包括如下步骤:
2.根据权利要求1所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤s1所述的获取目标电力系统的历史数据信息,具体包括如下步骤:
3.根据权利要求2所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤s2所述的对步骤s1获取的数据信息进行处理,得到总量训练数据集,具体包括如下步骤:
4.根据权利要求3所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤s3所述的基于多元线性回归模型,构建碳排放频度转换模型,并采用步骤s2得到的总量训练数据集进行训练,从而得到分量训练数据集,具体包括如下步骤:
5.根据权利要求4所述的基于加权组合的电力系统碳排放预测方法,其特征在于步骤s4所述的基于bp神经网络、k近邻回归模型和支持向量机回归模型,构建碳排放预测初始模型,具体包括如下步骤:
6.根据权利要求5所述的基于加权组合的电力系统碳排放预测方法,其特征在于所述的基于蚁群-模拟退火优化bp神经网络预测模型,构建第一预测初始模型,具体包括如下步骤:
7.根据权利要求6所述的基于加权组合的电力系统碳排放预测方法,其特征在于所述的基于k近邻回归模型,构建第二预测初始模型,具体包括如下步骤:
8.根据权利要求7所述的基于加权组合的电力系统碳排放预测方法,其特征在于所述的基于支持向量机回归模型,构建第三预测初始模型,具体...
【专利技术属性】
技术研发人员:文博,文明,于宗超,张欣杨,梁海维,李家熙,刘书彦,许加柱,沈梦如,叶映婷,
申请(专利权)人:国网湖南省电力有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。