CN113469470A - 基于电力大脑中枢的用能数据与碳排放量关联分析方法 - Google Patents

Abstract

本发明提出了一种基于电力大脑中枢的用能数据与碳排放量关联分析方法，包括：由常规关联特征组成初始关联体系；通过电力大脑中枢获取用能数据和碳排放数据；生成三维特征图像，通过比较三维特征图像与碳排放数据生成附加关联特征；计算各个常规关联特征和附加关联特征在当前采样时刻的关联系数；将关联系数与最终训练集相乘后的结果输入LSTM模型，当输出结果的误差符合预设条件时，根据此时关联系数的大小确定用能数据与碳排放量的关联程度。本发明能够生成不同的附加关联特征，并结合了注意力机制，提高用能数据与碳排放量之间关联结果的精确度，进而能够更及时的针对关联程度较高的影响因素，制定更具有针对性的碳排放调控策略。

Description

基于电力大脑中枢的用能数据与碳排放量关联分析方法

技术领域

本发明属于能源数据处理领域，尤其涉及一种基于电力大脑中枢的用能数据与碳排放量关联分析方法。

背景技术

随着人工智能技术的快速发展，为了有效控制碳排放，通常直接利用碳排放量的历史时序数据进行机器学习模型的训练，并利用训练好的机器学习模型预测实时碳排放量，例如，在公开号为CN112906974A的专利中，提出了利用LSTM预测模型和GM预测模型，根据能源碳排放量和电力消耗量的历史数据预测总碳排放量的技术方案。

上述传统的碳排放监控方式虽然能够实现碳排放量的实时监控，进而根据实时碳排放量的预测结果调整碳排放调控策略。但由于不同分析对象的能源类型、用能情况等对碳排放量的变化造成影响的因素复杂又多变，现有技术手段仅依靠预测碳排放量的方式，无法针对不同的分析对象及时并准确的分析出与碳排放量关联程度较高的影响因素。一方面使得碳排放调控策略难以有效针对关键的影响因素进行调整，另一方面依赖碳排放量的预测结果将导致碳排放调控策略的调整存在滞后性。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种基于电力大脑中枢的用能数据与碳排放量关联分析方法，包括：

S100：将分析对象的用电量、用热量、用气量和新能源机组出力作为碳排放量的常规关联特征，由常规关联特征组成初始关联体系；

S200：通过电力大脑中枢基于预设采样频率获取各种类型的分析对象的用能数据和碳排放数据，将用能数据填充到初始关联体系中形成初始训练集；

S300：基于初始训练集中用能数据的特征生成三维特征图像，通过比较三维特征图像与S200中获取的碳排放数据生成附加关联特征，将附加关联特征加入初始关联体系中，得到典型关联体系；

S400：在LSTM模型的输入层基于注意力机制建立多层感知机，将当前采样时刻的用能数据填充到典型关联体系中形成最终训练集，结合LSTM模型在上一个采样时刻的输出结果输入多层感知机中，计算典型关联体系中各个常规关联特征和附加关联特征在当前采样时刻的关联系数；

S500：将关联系数与最终训练集相乘后的结果输入LSTM模型，当LSTM模型的输出结果与S200中获取的碳排放数据之间的误差符合预设条件时，根据此时关联系数的大小确定用能数据与碳排放量的关联程度，若不符合预设条件，则调整多层感知机后重复S400直至符合预设条件。

可选的，所述S200包括：

通过电力大脑中枢基于预设采样频率访问电力***，对新能源机组出力与分析对象的用电量进行采样，得到用能数据中的新能源机组出力p和用电数据z；

通过电力大脑中枢基于预设采样频率访问热力***，对分析对象的化石能源消耗量进行采样，根据采样结果得到用能数据中的用热数据h和用气数据g；

通过电力大脑中枢基于预设采样频率访问政务***，获取分析对象的碳排放量数据；

将用电数据、用热数据、用气数据和新能源机组出力输入初始关联体系，生成初始训练集X’=[ z，h，g，p]^T。

可选的，所述S300包括：

S301：对初始训练集中的用能数据进行特征提取，得到若干个特征值；

S302：分别对碳排放数据和特征值进行标准化处理，使标准化处理后的碳排放数据和特征值具有统一的量纲；

S303：建立包含x轴、y轴、z轴的三维坐标系，其中x轴表示采样时刻，y轴表示提取的特征，z轴表示采样时刻对应的特征值；

S304：根据特征值在三维坐标系中绘制特征曲线，得到三维特征图像；

S305：根据碳排放数据绘制碳排放曲线，将特征曲线一一与碳排放曲线进行对比，选取重合率高于预设阈值的特征曲线，根据特征曲线在y轴的位置确定与特征曲线对应的特征，将所述特征确定为附加关联特征。

可选的，所述S301中提取的特征包括能源类型、用能峰谷值、峰谷时段以及与分析对象的类型对应的用能特征；

当分析对象类型为居民时，对应的用能特征为电动汽车充电量；

当分析对象类型为企业时，对应的用能特征为化石能源的消耗量；

当分析对象类型为区域时，对应的用能特征为化石能源消费量占比和新能源出力占比。

可选的，所述S302包括：基于min-max算法对碳排放数据和特征值进行标准化处理。

可选的，所述S400包括：

将采样时刻t时的用能数据填充到典型关联体系中，形成最终训练集X_t=[z，h，g，p，e]^T，其中e表示附加关联特征；

基于注意力机制建立多层感知矩阵，建立多层感知机，将最终训练集X_t输入多层感知机中计算各个常规关联特征和附加关联特征的关联系数，采样时刻t时的关联系数e_t ^(m)的计算过程如下：

e_t ^(m)=V_e ^Ttanh(W_e[h_t-1;S_t-1]+U_e·X_t ^(m)+b_e)；

其中，tanh为双曲正切激活函数，x_t ^(m)为最终训练集X_t中第m个元素的数值，V_e、W_e、U_e为多层感知机的预设权重矩阵，b_e为预设偏置项，V_e ^T表示V_e的转置，h_t-1、S_t-1均为采样时刻t-1时LSTM模型输出的记忆信息；

使用SoftMax函数对e_t ^(m)进行归一化处理，使常规关联特征和附加关联特的关联系数之和为1。

可选的，所述S500包括：

计算LSTM的输出层输出的碳排放测量值与S200中获取的碳排放数据的绝对误差；

若所述绝对误差小于预设阈值，则按照此时关联系数由大到小的顺序，输出关联系数对应的常规关联特征和附加关联特征排序结果；

若所述绝对误差不小于预设阈值，则调整多层感知机中的V_e、W_e、U_e，重复S400直至绝对误差小于预设阈值。

可选的，所述LSTM模型由输入层、隐藏层以及输出层组成；

其中，所述输入层将上一个采样时刻t-1时隐藏层输出的记忆信息S_t-1、h_t-1以及当前时刻t时输入的最终训练集传输给隐藏层；

所述隐藏层由4个相互连接的神经网络组成，将记忆信息与当前输入的最终训练集进行比较，通过神经网络中的遗忘门、输入门、更新门和输出门进行学习；

所述输出层以当前采样时刻t时最终训练集对应的碳排放测量值C_t以及隐藏层获得的记忆信息S_t、h_t为输出。

本发明提供的技术方案带来的有益效果是：

本发明能够针对分析对象的不同用能情况生成不同的附加关联特征，由常规关联特征和附加关联特征共同构成多种不同的典型关联体系，并在LSTM模型的输入层结合了注意力机制，实现对不同的典型关联体系中的关联特征进行灵活赋权，通过LSTM模型验证赋予的权重是否准确，从而提高用能数据与碳排放量之间关联结果的精确度，进而能够更及时的针对关联程度较高的关联特征，制定更具有针对性的碳排放调控策略。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提出的基于电力大脑中枢的用能数据与碳排放量关联分析方法的流程示意图；

图2为LSTM模型的神经网络拓扑图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。 应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。 应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。 应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。 取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例一

如图1所示，本实施例提出了一种基于电力大脑中枢的用能数据与碳排放量关联分析方法，包括：

S100：将分析对象的用电量、用热量、用气量和新能源机组出力作为碳排放量的常规关联特征，由常规关联特征组成初始关联体系；

S200：通过电力大脑中枢基于预设采样频率获取各种类型的分析对象的用能数据和碳排放数据，将用能数据填充到初始关联体系中形成初始训练集；

S300：基于初始训练集中用能数据的特征生成三维特征图像，通过比较三维特征图像与S200中获取的碳排放数据生成附加关联特征，将附加关联特征加入初始关联体系中，得到典型关联体系；

S400：在LSTM模型的输入层基于注意力机制建立多层感知机，将当前采样时刻的用能数据填充到典型关联体系中形成最终训练集，结合LSTM模型在上一个采样时刻的输出结果输入多层感知机中，计算典型关联体系中各个常规关联特征和附加关联特征在当前采样时刻的关联系数；

S500：将关联系数与最终训练集相乘后的结果输入LSTM模型，当LSTM模型的输出结果与S200中获取的碳排放数据之间的误差符合预设条件时，根据此时关联系数的大小确定用能数据与碳排放量的关联程度，若不符合预设条件，则调整多层感知机后重复S400直至符合预设条件。

现有对碳排放影响因素的研究中，普遍使用指数分析法解析各影响因素的与碳排放量的关联程度，鲜少有通过人工智能技术进行精确分析的研究。而随着人工智能技术的快速发展，本实施例利用带有注意力机制的LSTM模型对代表影响因素的关联特征进行关联程度的分析，利用LSTM模型具有长期记忆功能的特点，提高影响因素与碳排放关联程度分析结果的精度。

在本实施例中，分析对象的用电量、用热量、用气量和新能源机组出力作为碳排放量的常规关联特征，由常规关联特征组成初始关联体系，并通过电力大脑中枢记忆预设采样频率获取来自不同***的用能数据。

电力大脑中枢提供了电力***数据与外部数据汇集的平台，是融合了物联网、人工智能、大数据以及可视化技术的智能运维平台。通过物联网关技术，基于ZigBee、RS串口等通信技术接入电力***、热力***、天然气***等能源相关的政务***的服务器，获取用户消耗电能、煤炭、焦炭、石油、原油、汽油、煤油、柴油、液化石油气、天然气等能源时产生的用能数据，将其汇集在一起并存储到电力大脑中枢的数据库中，以便后续对用能数据进行关联分析。

具体来说，通过电力大脑中枢基于预设采样频率对分析对象，即注册在电力***等政务***中的用户的用电数据进行采样，得到电力***用户在每个采样时刻的用电量，所有采样时刻的用电量时间序列记为Z=[Z₁,Z₂,…,Z_T]，来自其他政务***的用户用热量时间序列记为h={h₁,h₂,…h_T]、用气数据时间序列记录为g=[g₁,g₂,…g_T]，用户对应的碳排放量时间序列记为C=[C₁,C₂,…,C_T]。另外考虑新能源出力对碳排放量的影响，在 本实施例中电力大脑中枢还基于预设的采样时刻获取电力***中新能源机组出力的时间序列P=[P₁,P₂,…P_T]，P_t为采样时刻t的新能源机组瞬时有功功率。因为分析对象的用电量、用热量、用气量以及新能源机组出力均能够对碳排放量的变化产生确定的影响，因此将上述变量作为常规关联特征共同构成初始关联体系，并将电力大脑中枢获取到的时间序列填充到初始关联体系中形成初始训练集X’=[z，h，g，p]^T。以X’对应的采样数据为特征序列，建立学习电力数据及其他用能数据与碳排放关联关系的 LSTM模型，并通过LSTM模型的输出结果与实际碳排放量c的误差情况验证其神经网络回归结构对关联关系描述的准确性。

考虑到不同用户的用能习惯存在差异，为了进一步提高用能数据与碳排放量之间关联分析的精确度，本实施例在常规关联特征的基础上，针对不同的分析对象生成对应的附加关联特征，通过附加关联特征更精确的描述用户的用能习惯。具体包括：

S301：对初始训练集中的用能数据进行特征提取，得到若干个特征值。其中提取的特征包括但不限于：能源类型、用能峰谷值、峰谷时段以及与分析对象的类型对应的用能特征。本实施例中，所述分析对象分为三种注册在政务***中的用户类型，分别居民、企业和区域。

对于与分析对象的类型对应的用能特征，当分析对象类型为居民时，考虑到部分居民的用能习惯中，电动汽车充电产生的碳排放量占居民自身总碳排放的比重越来越高，因此设置居民对应的用能特征为电动汽车充电量；

当分析对象类型为企业时，考虑到大多数企业需要大量消耗高碳能源，其与碳排放量密切相关，因此设置企业对应的用能特征为化石能源的消耗量e，将其消耗量的时间序列记为e=[e₁,e₂,…,e_T]，其中化石能源包括煤炭、焦炭、石油、原油、汽油、煤油、柴油、液化石油气、天然气中的一种或多种；

当分析对象类型为区域时，对应的用能特征为化石能源消费量占比和新能源出力占比，其中，化石能源消耗量占比定义为煤炭、石油、天然气的总消费量占能源消费总量的比值，新能源出力占比定义为各采样时刻的新能源出力占总负荷的比值。

通过上述过程，基于不同维度的用户在关联体系中加入具有针对性的附加关联特征，从而构建更精确的用能数据与碳排放关联关系。

S302：分别对碳排放数据和特征值进行标准化处理，使标准化处理后的碳排放数据和特征值具有统一的量纲。在本实施例中，基于min-max算法对碳排放数据和特征值进行标准化处理。这里将碳排放数据和特征值处理为相同的量纲，一方面能够实现在同一个三维坐标系中采用相同的算法绘制特征曲线，另一方面便于后续将碳排放数据和特征值对应的曲线重合度进行比较。

S303：建立包含x轴、y轴、z轴的三维坐标系，其中x轴表示采样时刻，y轴表示提取的特征，z轴表示采样时刻对应的特征值；

S304：根据特征值在三维坐标系中绘制特征曲线，得到三维特征图像；

S305：根据碳排放数据绘制碳排放曲线，在本实施例中碳排放曲线的绘制于特征曲线同理，在y 轴上选取一个不同于S301 中各个特征对应的y 值，在这个y 值对应的垂直于x-y 平面的二维空间上绘制碳排放曲线，此时x 轴代表碳排放量的采样时刻，z 轴表示采样时刻对应的碳排放量数据。至此可见，所有绘制出的特征曲线与碳排放曲线沿y 轴方向依次排列，这些曲线均处于相同的三维坐标系中，因此便于后续将特征曲线与碳排放曲线一一比较。例如，设定y 值取正整数，y=[1,10]的位置依次为能源类型、用能峰谷值、峰谷时段以及与分析对象的类型对应的用能特征等预设特征的特征曲线，y=11 的位置为碳排放曲线。将特征曲线一一与碳排放曲线进行对比，选取重合率高于预设阈值的特征曲线。当一条特征曲线与碳排放曲线的重合率高于预设阈值时，其变化率与碳排放曲线的变化率程近似线性相关。需要注意的是，所述重合率的含义即可以指特征曲线与碳排放曲线直接近似重合，因此此时特征曲线对应的特征与碳排放量大致呈线性正相关；所述重合率的含义也可以指将特征曲线垂直翻转180度后与碳排放曲线近似重合，此时特征曲线的变化率的相反数与碳排放曲线的变化率大致相同，因此此时特征曲线对应的特征与碳排放量大致呈线性负相关。

在本实施例中，一条特征曲线与碳排放曲线的重合率的计算过程包括：分别将特征曲线和碳排放曲线分割为若干个曲线段，计算每段曲线的变化率，依次比较特征曲线中每段曲线段的变化率和碳排放曲线中对应曲线段的变化率，将比较误差在预设范围内的曲线段个数与曲线段总个数的比值即为第一重合率；依次比较特征曲线中每段曲线段的变化率的相反值和碳排放曲线中对应曲线段的变化率，将比较误差在预设范围内的曲线段个数与曲线段总个数的比值即为第二重合率；在第一重合率和第二重合率中取数值更大的一方作为最终的重合了。当第一重合率大于第二重合率时，可认为该特征与碳排放量呈正相关，当第一重合率小于第二重合率时，可认为该特征与碳排放量呈负相关。

最后，根据特征曲线在y轴的位置确定与特征曲线对应的特征，将所述特征确定为附加关联特征。可以注意到，若特征对应的特征曲线的形状与碳排放曲线基本重合，则说明该特征与碳排放量的变化密切相关，可以作为附加关联特征加入关联体系。将采样时刻t时的用能数据填充到典型关联体系中，形成最终训练集X_t=[z，h，g，p，e]^T，其中e表示附加关联特征，本实施例中e可代表多个附加关联特征。

为了适应碳排放量影响因素的多变性，本实施例在LSTM模型的输入侧引入注意力机制，对输入变量分配权重系数，提高模型精度。注意力机制通过算法实现对生物注意力的模拟，类似于人们由于视觉资源有限而集中注意力选择特定区域，目前大多应用于机器翻译等自然语言识别领域和图像识别领域中。在本实施例中将注意力机制应用到碳排放与影响因素的关联分析领域中，能够动态调整输入特征的权重，改变不同特征对输出的贡献率，得到更精确的确定关联情况。具体包括：

基于注意力机制建立多层感知机，多层感知机是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。将最终训练集X_t输入多层感知机中计算各个常规关联特征和附加关联特征的关联系数，采样时刻t时的关联系数e_t ^(m)的计算过程如下：

e_t ^(m)=V_e ^Ttanh(W_e[h_t-1;S_t-1]+U_e·x_t ^(m)+b_e)；

其中，tanh为双曲正切激活函数，x_t ^(m)为最终训练集X_t中第m个元素的数值，即特征m的特征值，V_e、W_e、U_e为多层感知机的预设权重矩阵，b_e为预设偏置项，V_e ^T表示V_e的转置，h_t-1、S_t-1均为采样时刻t-1时LSTM模型输出的记忆信息；

使用SoftMax函数对e_t ^(m)进行归一化处理，使常规关联特征和附加关联特征的关联系数之和为1，具体的归一化公式为：

α_t ^(m)=[exp(e_t ^(m))]/[Σⁿ _i=1exp(e_t ⁽ⁱ⁾)]；

其中，α_t ^(m)表示采样时刻t时归一化后特征m的关联系数，exp表示以e为底的函数，i表示特征的序号，n为常规关联特征和附加关联特征的总个数。

得到动态的关联系数后，计算LSTM的输出层输出的碳排放测量值与S200中获取的碳排放数据的绝对误差。

如图2所示，本实施例中LSTM模型由输入层、隐藏层以及输出层组成；

其中，所述输入层将上一个采样时刻t-1时隐藏层输出的记忆信息S_t-1、h_t-1以及当前时刻t时输入的最终训练集中的各个元素x_t传输给隐藏层；

所述隐藏层由4个相互连接的神经网络组成，将记忆信息与当前输入的最终训练集进行比较，通过神经网络中的遗忘门f_t、输入门i_t、更新门和输出门o_t进行学习，本实施例中LSTM模型中的遗忘门f_t、输入门i_t、更新门和输出门O_t是预先训练好的，本领域技术人员应当知道如何设置隐藏层中的神经网络，此处不再赘述。其中，σ为Sigmoid激活函数，将输出变换到[0,1]区间中；tanh为双曲正切激活函数，将输出的元素变换到[-1,1]区间中，从而使隐藏层通过自我衡量、选择忘记的机制进行学习。

所述输出层以当前采样时刻t时最终训练集对应的碳排放测量值c_t以及隐藏层获得的记忆信息S_t、h_t为输出。

LSTM模型具有长期记忆功能，采用门的机制，能够一定程度上解决梯度***，梯度消失问题，可作为复杂的非线性单元构造大型深度神经网络，为时序序列关联分析提供了解决方案。本实施例中，LSTM模型根据S400中计算处的关联系数对输入的最终训练集加权，加权后的最终训练集记为[α_t ⁽¹⁾x_t ⁽¹⁾, α_t ⁽²⁾x_t ⁽²⁾,…, α_t ^(m)x_t ^(m),…, α_t ⁽ⁿ⁾x_t ⁽ⁿ⁾]，α_t ^(m)表示第m个特征的关联系数，x_t ^(m)表示第m个特征的特征值。

LSTM模型将基于最终训练集输出碳排放量测量值，并计算LSTM的输出层输出的碳排放测量值与S200中获取的碳排放数据的绝对误差。若所述绝对误差小于预设阈值，说明此时的关联系数能够较为准确的反映常规关联特征和附加关联特征与碳排放量之间的关联程度，则按照此时关联系数由大到小的顺序，输出关联系数对应的常规关联特征和附加关联特征排序结果，关联系数越高，则对应的关联特征与碳排放量的关联程度越高，即影响效果越大，决策者可在后续根据输出的排序结果确定各个关联特征与碳排放量的关联程度，更有效的针对具体关联特征调整碳排放策略。若所述绝对误差不小于预设阈值，则调整多层感知机中的V_e、W_e、U_e，重复S400直至绝对误差小于预设阈值。由此可见，本实施例实质上是利用LSTM模型对关联系数的准确性进行验证。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，包括：

S100：将分析对象的用电量、用热量、用气量和新能源机组出力作为碳排放量的常规关联特征，由常规关联特征组成初始关联体系；

S200：通过电力大脑中枢基于预设采样频率获取各种类型的分析对象的用能数据和碳排放数据，将用能数据填充到初始关联体系中形成初始训练集；

S300：基于初始训练集中用能数据的特征生成三维特征图像，通过比较三维特征图像与S200中获取的碳排放数据生成附加关联特征，将附加关联特征加入初始关联体系中，得到典型关联体系；

S400：在LSTM模型的输入层基于注意力机制建立多层感知机，将当前采样时刻的用能数据填充到典型关联体系中形成最终训练集，结合LSTM模型在上一个采样时刻的输出结果输入多层感知机中，计算典型关联体系中各个常规关联特征和附加关联特征在当前采样时刻的关联系数；

S500：将关联系数与最终训练集相乘后的结果输入LSTM模型，当LSTM模型的输出结果与S200中获取的碳排放数据之间的误差符合预设条件时，根据此时关联系数的大小确定用能数据与碳排放量的关联程度，若不符合预设条件，则调整多层感知机后重复S400直至符合预设条件。

2.根据权利要求1所述基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，所述S200包括：

通过电力大脑中枢基于预设采样频率访问电力***，对新能源机组出力与分析对象的用电量进行采样，得到用能数据中的新能源机组出力p和用电数据z；

通过电力大脑中枢基于预设采样频率访问热力***，对分析对象的化石能源消耗量进行采样，根据采样结果得到用能数据中的用热数据h和用气数据g；

通过电力大脑中枢基于预设采样频率访问政务***，获取分析对象的碳排放量数据；

将用电数据、用热数据、用气数据和新能源机组出力输入初始关联体系，生成初始训练集X^’=[ z，h，g，p]^T。

3.根据权利要求1所述的基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，所述S300包括：

S301：对初始训练集中的用能数据进行特征提取，得到若干个特征值；

S302：分别对碳排放数据和特征值进行标准化处理，使标准化处理后的碳排放数据和特征值具有统一的量纲；

S303：建立包含x轴、y轴、z轴的三维坐标系，其中x轴表示采样时刻，y轴表示提取的特征，z轴表示采样时刻对应的特征值；

S304：根据特征值在三维坐标系中绘制特征曲线，得到三维特征图像；

S305：根据碳排放数据绘制碳排放曲线，将特征曲线一一与碳排放曲线进行对比，选取重合率高于预设阈值的特征曲线，根据特征曲线在y轴的位置确定与特征曲线对应的特征，将所述特征确定为附加关联特征。

4.根据权利要求3所述的基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，所述S301中提取的特征包括能源类型、用能峰谷值、峰谷时段以及与分析对象的类型对应的用能特征；

当分析对象类型为居民时，对应的用能特征为电动汽车充电量；

当分析对象类型为企业时，对应的用能特征为化石能源的消耗量；

当分析对象类型为区域时，对应的用能特征为化石能源消费量占比和新能源出力占比。

5.根据权利要求3所述的基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，所述S302包括：基于min-max算法对碳排放数据和特征值进行标准化处理。

6.根据权利要求2所述的基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，所述S400包括：

将采样时刻t时的用能数据填充到典型关联体系中，形成最终训练集X_t=[z，h，g，p，e]^T，其中e表示附加关联特征；

基于注意力机制建立多层感知矩阵，建立多层感知机，将最终训练集X_t输入多层感知机中计算各个常规关联特征和附加关联特征的关联系数，采样时刻t时的关联系数e_t ^(m)的计算过程如下：

e_t ^(m)=V_e ^Ttanh(W_e[h_t-1;S_t-1]+U_e·x_t ^(m)+b_e)；

其中，tanh为双曲正切激活函数，x_t ^(m)为最终训练集X_t中第m个元素的数值，V_e、W_e、U_e为多层感知机的预设权重矩阵，b_e为预设偏置项，V_e ^T表示V_e的转置，h_t-1、S_t-1均为采样时刻t-1时LSTM模型输出的记忆信息；

使用SoftMax函数对e_t(m)进行归一化处理，使常规关联特征和附加关联特的关联系数之和为1。

7.根据权利要求6所述的基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，所述S500包括：

计算LSTM的输出层输出的碳排放测量值与S200中获取的碳排放数据的绝对误差；

若所述绝对误差小于预设阈值，则按照此时关联系数由大到小的顺序，输出关联系数对应的常规关联特征和附加关联特征排序结果；

若所述绝对误差不小于预设阈值，则调整多层感知机中的V_e、W_e、U_e，重复S400直至绝对误差小于预设阈值。

8.根据权利要求1所述的基于电力大脑中枢的用能数据与碳排放量关联分析方法，其特征在于，所述LSTM模型由输入层、隐藏层以及输出层组成；

其中，所述输入层将上一个采样时刻t-1时隐藏层输出的记忆信息S_t-1、h_t-1以及当前时刻t时输入的最终训练集传输给隐藏层；

所述隐藏层由4个相互连接的神经网络组成，将记忆信息与当前输入的最终训练集进行比较，通过神经网络中的遗忘门、输入门、更新门和输出门进行学习；

所述输出层以当前采样时刻t时最终训练集对应的碳排放测量值C_t以及隐藏层获得的记忆信息S_t、h_t为输出。

Images