【技术实现步骤摘要】
本专利技术涉及碳排放，尤其涉及多时间颗粒度数据协调的碳排放因子预测方法及系统。
技术介绍
1、当前，在加快推进碳市场的建设的进程中，通过经济激励机制，推动企业和组织减少碳排放，进而加速实现双碳目标。在此市场中，碳排放因子这一数值指标提供了对碳排放水平的量化和评估，为碳市场的设计和运作提供了基础数据和指导。而碳排放因子的预测可以使得市场管理者了解不同活动和产业的碳排放因子变化趋势，设定合理的碳排放限额和定价，从而引导和推动减排行动。
2、然而，碳排放因子的数据存在时间颗粒度问题：公布的碳排放因子以“年度”记录；而地方可能持有更细粒度（如“月度”）的碳排放因子数据。因此，倘若用现有的碳排放因子预测方法分别对不同时间颗粒的数据进行预测，产生的预测结果往往难以自洽，即聚合后的细粒度预测结果与粗粒度预测不一致。这使得现有的碳排放因子预测方法对不同时间颗粒度的数据利用率低，且往往忽略了时间层次的耦合关系，导致得到的碳排放因子精确度低。
技术实现思路
1、本专利技术的目的是针对上述现有的相关技术的不足，提出多时间颗粒度数据协调的碳排放因子预测方法及系统，能够提高碳排放因子的精确度。
2、第一方面，本专利技术提供了一种多时间颗粒度数据协调的碳排放因子预测方法，包括：
3、采集待预测区域的第一碳排放数据，并将所述第一碳排放数据按照时间颗粒度，建立多个对碳排放因子进行预测初始的第一预测模型；其中，每个时间颗粒度都对应一个第一预测模型；
4、根据所述时间颗
5、根据所述第一碳排放数据对所述第一协调预测模型进行参数更新，得到训练好的第二协调预测模型，以使通过所述第二协调预测模型预测碳排放因子。
6、本专利技术采用为不同的时间颗粒度分别建立一个预测模型，能够提高多元时序数据的利用率，并根据时间颗粒度和待预测时段，建立时间层次矩阵，用时间层次矩阵对多个预测模型进行融合，能够聚合不同细粒度的预测结果，加强时间层次的耦合关系对碳排放因子预测的隐式影响，构建出自洽协调的碳排放因子协调预测模型，能够形成一致的多时间层次预测结果，从而提高碳排放因子预测精度，进而为不同时间尺度下碳排放因子变化趋势的洞察分析提供基础。
7、进一步，所述根据所述时间层次矩阵对多个第一预测模型进行融合，得到初始的第一协调预测模型，包括：
8、根据最细时间颗粒度下的碳排放因子预测值数量，构建初始协调矩阵，并获取多个第一预测模型的输出组成的输出矩阵，以所述时间层次矩阵、所述初始协调矩阵和所述输出矩阵的点乘顺序，构建初始的第一协调预测模型。
9、本专利技术采用以时间层次矩阵和协调矩阵对多个预测模型输出组成的输出矩阵进行融合，能够聚合不同预测模型的预测结果，加强时间层次的耦合关系对碳排放因子预测的隐式影响，构建出自洽协调的碳排放因子协调预测模型，从而提高碳排放因子预测精度。
10、进一步，所述根据最细时间颗粒度下的碳排放因子预测值数量，构建初始协调矩阵，包括：
11、以最细时间颗粒度下的碳排放因子预测值数量，构造单位方阵，并以所述碳排放因子预测值数量为行，以及所有时间颗粒度下的碳排放因子总预测值数量与所述碳排放因子预测值数量的差为列，构造零矩阵，根据所述零矩阵与所述单位方阵的组成的分块矩阵为初始协调矩阵。
12、进一步，所述根据所述时间颗粒度和待预测时段，建立时间层次矩阵，包括：
13、若所述时间颗粒度包括：年、季和月，则所述时间颗粒度，若且所述待预测时段为未来的12个月，则时间层次矩阵表示为：
14、
15、其中，，；，i为单位矩阵。
16、本专利技术通过年、季和月建立3种时间颗粒度，并通过待预测时段，构建出3种时间颗粒度组成的时间层次矩阵，从而便于聚合不同细粒度的预测结果，能够提高碳排放因子的预测精确度，提高碳排放因子预测的可靠性和可信性。
17、进一步，所述根据所述第一碳排放数据对所述第一协调预测模型进行参数更新，包括：
18、依次将多个第一预测模型的第二碳排放数据，按比例划分为训练集和验证集；所述第一碳排放数据包括：每个第一预测模型对应的第二碳排放数据；
19、根据所述训练集、所述验证集和预先构建的双层优化模型，对所述第一协调预测模型的初始参数和初始协调矩阵进行更新；其中，所述双层优化模型包括：下层优化模型和上层优化模型；所述下层优化模型根据所述训练集，优化所述初始参数，得到最优参数；所述上层优化模型根据所述验证集和最优参数，优化所述初始协调矩阵。
20、进一步，所述双层优化模型表示为：
21、，
22、其中，是下层优化模型，表示为第个第一预测模型的训练集样本数量，；是第个训练样本的真实负荷；是初始协调矩阵是个第一预测模型的初始参数集合；是训练集输入到第一协调预测模型的预测结果；，是测试集到第一协调预测模型的预测结果；表示为第个第一预测模型的验证集样本数量；是第个验证样本的真实负荷。
23、进一步，所述依次将多个第一预测模型的第二碳排放数据，按比例划分为训练集和验证集，包括：
24、依次将多个第一预测模型的第二碳排放数据的特征进行筛选，得到特征筛选结果，将所述特征筛选结果按比例划分为训练集、验证集和测试集，并对所述训练集、所述验证集和所述测试集分别按列进行归一化，分别得到归一化训练集、归一化验证集和归一化测试集，以使最终根据所述归一化训练集、所述归一化验证集和所述归一化测试集分别进行训练、验证和测试；其中，每个第一预测模型都对应一个归一化训练集、一个归一化验证集和一个归一化测试集。
25、进一步，根据归一化测试集进行测试，包括：
26、将多个归一化测试集分别输入到对应的优化后的第二预测模型中，根据优化后得到的最优参数，分别输出对应的预测结果，并将多个预测结果输入到第二预测模型中，根据优化后得到的最优协调矩阵，输出总预测结果；
27、根据每个归一化测试集的真实负荷和所述总预测结果，对每个第二预测模型进行预测精度评价。
28、进一步，所述对每个第二预测模型进行预测精度评价，包括：
29、将平均绝对百分数误差作为第二预测模型的预测精度的评价指标，所述评价指标表示为：
30、，
31、其中，为测试样本序号，为待预测时段的时间点序号，为归一化测试集的预测结果，为测试样本对应的真实负荷，为第个第二预测模型的测试集样本数量，为待预测时段的时间点总数。
32、第二方面，本专利技术提供了一种多时间颗粒度数据协调的碳排放因子预测系统，包括：建立预测模型模块、建立协调预测模型模块和训练模块；其中，
33、所述建立预测模型模块，用于采集待预测区域的第一碳排放数据，并将所述第一碳排放数据按照时间颗粒度，建立多个对碳排放因子本文档来自技高网...
【技术保护点】
1.一种多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，包括：
2.如权利要求1所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据所述时间层次矩阵对多个第一预测模型进行融合，得到初始的第一协调预测模型，包括：
3.如权利要求2所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据最细时间颗粒度下的碳排放因子预测值数量，构建初始协调矩阵，包括：
4.如权利要求1所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据所述时间颗粒度和待预测时段，建立时间层次矩阵，包括：
5.如权利要求1所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据所述第一碳排放数据对所述第一协调预测模型进行参数更新，包括：
6.如权利要求5所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述双层优化模型表示为：
7.如权利要求5所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述依次将多个第一预测模型的第二碳排放数据，按比例划分为训练集和验证集，包括
8.如权利要求7所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，根据归一化测试集进行测试，包括：
9.如权利要求8所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述对每个第二预测模型进行预测精度评价，包括：
10.一种多时间颗粒度数据协调的碳排放因子预测系统，其特征在于，包括：建立预测模型模块、建立协调预测模型模块和训练模块；其中，
...【技术特征摘要】
1.一种多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，包括：
2.如权利要求1所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据所述时间层次矩阵对多个第一预测模型进行融合，得到初始的第一协调预测模型，包括：
3.如权利要求2所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据最细时间颗粒度下的碳排放因子预测值数量，构建初始协调矩阵，包括：
4.如权利要求1所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据所述时间颗粒度和待预测时段，建立时间层次矩阵，包括：
5.如权利要求1所述的多时间颗粒度数据协调的碳排放因子预测方法，其特征在于，所述根据所述第一碳排放数据对所述第一协调预测模型进行...
【专利技术属性】
技术研发人员：彭勃，龚贤夫，李耀东，李峰，杨晨，冯皓然，王长伟，钟俊琛，郇嘉嘉，黄欣，李作红，刘若平，金楚，靳冰洁，罗澍忻，
申请(专利权)人：广东电网有限责任公司，
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。