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】
本专利技术涉及碳排放,尤其涉及一种基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质。
技术介绍
1、碳排放因子是指在生产生活过程中,每单位产出(如电力/热能产品)或能源消耗(如燃烧煤/天然气)所产生的二氧化碳排放量。它是衡量各类活动碳足迹的关键指标,对于评估和管理温室气体排放具有基础性作用。碳排放因子预测对于多个领域具有广泛的应用价值,尤其在电力系统规划和运营中,碳排放因子预测不仅能够辅助评估电力生产的环境成本,优化能源消费结构,促进可再生能源消纳,而且有助于碳交易市场政策和企业的碳管理策略的制定。鉴于全球气候变化问题日益严重,提高碳排放因子预测的准确性已变得至关重要。目前,人们通常采用三类方法进行碳排放因子预测:(1)通过统计学模型对碳排放因子进行预测;(2)通过机器学习模型对碳排放因子进行预测;(3)通过深度学习模型对碳排放因子进行预测。
2、而随着新能源占比的不断增长,不同时间尺度下的碳排放因子受天气和气候的影响越来越大,呈现出更显著的典型事件特性和周期特性,并在更大尺度下呈现出整体的趋势特性。然而,当前碳排放因子预测方法在处理典型事件特性、趋势性和周期性等时间序列特性时,往往缺乏足够的灵活性、适应性和精确度。这意味着这些方法在分析和预测碳排放因子的变化时,可能无法充分捕捉到时间序列数据中的这些重要特性,从而影响预测结果的准确性和可靠性。
3、因此,如何充分对碳排放因子的时间序列数据的特性进行识别分析,来进一步提高碳排放因子预测的准确性和可靠性已成为当前亟需解决的问题。
【技术保护点】
1.一种基于时序分解的碳排放因子预测方法,其特征在于,包括:
2.如权利要求1所述的基于时序分解的碳排放因子预测方法,其特征在于,所述获取电力系统在连续的若干时间节点下的碳排放因子,生成时序数据,包括:
3.如权利要求2所述的基于时序分解的碳排放因子预测方法,其特征在于,所述特征分量,包括:趋势分量;
4.如权利要求3所述的基于时序分解的碳排放因子预测方法,其特征在于,所述特征分量,还包括:周期分量;
5.如权利要求4所述的基于时序分解的碳排放因子预测方法,其特征在于,所述特征分量,还包括:典型事件分量;
6.如权利要求5所述的基于时序分解的碳排放因子预测方法,其特征在于,所述置信比例阈值,包括:上界置信比例阈值以及下界置信比例阈值;
7.如权利要求6所述的基于时序分解的碳排放因子预测方法,其特征在于,所述根据各未来时间节点,分别将各点预测序列以及各分量预测区间进行整合,生成电力系统在未来若干时间节点下的碳排放因子的点预测结果以及预测区间,包括:
8.一种基于时序分解的碳排放因子预测装置,其特征在
9.一种电子设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于时序分解的碳排放因子预测方法。
10.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至7中任意一项所述的基于时序分解的碳排放因子预测方法。
...【技术特征摘要】
1.一种基于时序分解的碳排放因子预测方法,其特征在于,包括:
2.如权利要求1所述的基于时序分解的碳排放因子预测方法,其特征在于,所述获取电力系统在连续的若干时间节点下的碳排放因子,生成时序数据,包括:
3.如权利要求2所述的基于时序分解的碳排放因子预测方法,其特征在于,所述特征分量,包括:趋势分量;
4.如权利要求3所述的基于时序分解的碳排放因子预测方法,其特征在于,所述特征分量,还包括:周期分量;
5.如权利要求4所述的基于时序分解的碳排放因子预测方法,其特征在于,所述特征分量,还包括:典型事件分量;
6.如权利要求5所述的基于时序分解的碳排放因子预测方法,其特征在于,所述置信比例阈值,包括:上界置信比例阈值以及下界置信比例阈值;
...
【专利技术属性】
技术研发人员:彭勃,龚贤夫,李耀东,杨晨,冯皓然,刘正超,左婧,黄欣,钟俊琛,李作红,金楚,刘若平,王长伟,靳冰洁,罗澍忻,徐蔚,
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。