一种基于电力数据的区域碳排放量预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115907070A(43)申请公布日2023.04.04(21)申请号202211097272.9(51)Int.Cl.(22)申请日2022.09.06G06Q10/04(2023.01)G06Q10/067(2023.01)(71)申请人国网安徽省电力有限公司G06Q50/06(2012.01)地址230000安徽省合肥市包河区黄山路9G06N3/0499(2023.01)号G06N3/048(2023.01)申请人国网安徽省电力有限公司电力科学G06N3/084(2023.01)研究院美林数据技术股份有限公司(72)发明人王峰王鑫刘丽韩学民汪玉赵龙张敏秦丹丹李周蔡翔孙伟陈艺程宏亮陈元庆蓝武春(74)专利代理机构陕西佳禾宏盛知识产权代理事务所(特殊普通合伙)61280专利代理师宁文涛权利要求书3页说明书11页附图2页(54)发明名称一种基于电力数据的区域碳排放量预测方法(57)摘要本发明公开了一种基于电力数据的区域碳排放量预测方法。该方法包括：根据企业历史电量数据，构建企业用电量预测模型，得出企业用电量预测数据；根据企业用电量预测数据，结合碳排放系数，得出行业碳排放量预测数据；建立区域碳排放量预测模型，输出区域未来一段时间碳排放量的预测结果及各相关行业的影响程度；根据各行业碳排放相对贡献度及企业用电量预测占比，分析企业对碳排放的贡献度，形成治理企业清单。本发明对应到相应的碳排放企业，更为精准的对区域二氧化碳排放趋势进行预测，助力节能减排。CN115907070ACN115907070A权利要求书1/3页1.一种基于电力数据的区域碳排放量预测方法，其特征在于，包括：根据企业历史电量数据，构建企业用电量预测模型，得出企业用电量预测数据；根据企业用电量预测数据，结合碳排放系数，得出行业碳排放量预测数据；根据所述碳排放量预测数据，以及区域现有行业用电信息建立区域碳排放量预测模型，输出区域未来一段时间碳排放量的预测结果及各相关行业的影响贡献度；根据各行业碳排放相对贡献度及企业用电量预测占比，分析企业对碳排放的贡献度。2.根据权利要求1所述的一种基于电力数据的区域碳排放量预测方法，其特征在于，根据企业历史电量数据，构建企业用电量预测模型，得出企业用电量预测数据，包括：构造算法一，由自回归模型拟合企业用电量曲线，并利用LightGBM集成学习算法预测企业用电量；由自回归模型拟合企业用电量曲线，并利用LightGBM集成学习算法预测企业用电量，是指：建立自回归模型：f(Xt‑1,Xt‑2,...,Xt‑p)＝Xt其中，序列值随机变量Xt由前p个时刻的序列值得到，基于计算得到的自回归模型，利用LightGBM算法预测企业用电量；构造算法二，利用X13季节分解算法分解企业用电量曲线处理，以得到预测后的企业用电量曲线；用X13季节分解算法分解企业用电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的企业用电量曲线。3.根据权利要求2所述的一种基于电力数据的区域碳排放量预测方法，其特征在于，构造算法二具体包括：在预处理的基础上，采用X13季节调整算法将历史企业用电量数据分解为趋势项、季节项和随机项三个序列：Yt＝Tt+St+It其中Yt表示预处理之后的历史企业用电量数据，Tt表示企业用电量趋势项，St表示企业用电量季节项，It表示企业用电量随机项；基于分解的企业用电量，利用ARIMA模型对趋势项进行预测，将预测后的三部分加和，得到最终的预测企业用电量；结合差分自回归移动平均(ARIMA)算法，对企业用电量的趋势项进行预测，再将三部分预测结果进行加和，得到最终的预测结果；对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果。4.根据权利要求3所述的一种基于电力数据的区域碳排放量预测方法，其特征在于，用卡尔曼滤波算法，基于历史企业用电量，对算法一结果以及算法二结果进行优化估计，得到正常情况下模型最优预测结果，是指：根据历史企业用电量值，利用卡尔曼滤波对算法一结果和算法二结果进行优化估计，得到现在状态(k)的最优化估算值X(k|k)：X(k|k)＝X(k|k‑1)+Kg(k)(Z(k)‑H*X(k|k‑1))2CN115907070A权利要求书2/3页其中，Kg为卡尔曼增益，H为状态系统参数，Z是k时刻测量值/真实值，需要对其方差进行递归更新，得到最优的加权结果。5.根据权利要求1所述的方法，其特征在于，根据企业用电量预测数据，结合碳排放系数，得出行业碳排放量预测数据，方法如下：根据电网数据平台中企业的所属行业，对重点污染企业用电量预测数据相加，得出重点碳排放行业用电量预测数据