CN117010723A - 碳排放量预测方法、***、设备及计算机可读存储介质 - Google Patents
碳排放量预测方法、***、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117010723A CN117010723A CN202311055481.1A CN202311055481A CN117010723A CN 117010723 A CN117010723 A CN 117010723A CN 202311055481 A CN202311055481 A CN 202311055481A CN 117010723 A CN117010723 A CN 117010723A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- thermal power
- data
- time series
- series data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 227
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004519 manufacturing process Methods 0.000 claims abstract description 100
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006386 neutralization reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明属于火电生产技术领域,公开了一种碳排放量预测方法、***、设备及计算机可读存储介质;所述碳排放量预测方法包括:获取火电生产企业碳排放量历史时间序列数据;基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据。本发明提供的技术方案,依据基于机器学习的火电生产企业的碳排放量预测模型,可自动处理待预测的火电生产企业碳排放量历史时间序列数据,实现多时间尺度下的火电生产企业碳排放量预测。
Description
技术领域
本发明属于火电生产技术领域,特别涉及一种碳排放量预测方法、***、设备及计算机可读存储介质。
背景技术
电力生产对于煤炭等化石能源具有高度依赖性,火电生产企业所产生的碳排放在目前电力行业的碳排放中占据主要地位;因此,摸清火电企业碳排放的关键影响因素,预测未来碳排放情况的变化趋势,是促进电力行业低碳发展的重要举措。
然而,目前尚无对火电机组在生产全链条过程中的短期碳排放情况的预测方案,无法掌握在未来多个时间尺度内(示例性的,如短、中、长期等)碳排放量的变化情况,难以制定相应的碳减排措施;因此,对火电机组及全***短、中长期碳排放的预测方法亟待研究。
发明内容
本发明的目的在于提供一种碳排放量预测方法、***、设备及计算机可读存储介质,以解决上述存在的一个或多个技术问题。本发明提供的技术方案,可实现多时间尺度下的火电生产企业碳排放量预测。
为达到上述目的,本发明采用以下技术方案:
本发明第一方面提供的一种碳排放量预测方法,包括以下步骤:
获取火电生产企业碳排放量历史时间序列数据;
基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据;
其中,所述预先训练好的碳排放量预测模型的训练步骤包括:
基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据;
切分所述矩阵数据,获得划分特征量和目标量的样本数据;
基于划分特征量和目标量的样本数据,训练有监督机器学习模型,学习特征量和目标量之间的映射关系,最终获得所述预先训练好的碳排放量预测模型。
本发明方法的进一步改进在于,所述基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据的步骤包括:
确定滑动窗口长度T;
将火电生产企业原始采集的碳排放量时间序列数据样本(t1,t2,…tn-1,tn)复制T份;其中,n为碳排放量时间序列数据样本长度;
定义碳排放量时间序列数据样本中相邻两数据点间隔的时间为1个时间长度,定义虚拟二维平面坐标系xOy,x坐标轴单位为时间长度,y坐标轴无量纲;将T份碳排放量时间序列数据样本置入虚拟二维平面坐标系xOy;在虚拟二维平面坐标系xOy中,截取(T-1,0),(n,0),(T-1,T-1),(n,T-1)四点围成的矩形,矩形上填充的数据为所需的矩阵数据。
本发明方法的进一步改进在于,所述将T份碳排放量时间序列数据样本置入虚拟二维平面坐标系xOy的方法为,
对于第Q份碳排放量时间序列数据样本(tQ 1,tQ 2,…tQ n-1,tQ n),首个数据tQ 1放置于坐标点(Q-1,Q-1),后续数据依次放于坐标点(i+Q-1,Q-1);其中,i为要放置的数据在当前序列中的序号,1≤i≤n;1≤Q≤T。
本发明方法的进一步改进在于,所述切分所述矩阵数据,获得划分特征量和目标量的样本数据的步骤包括:
1)切分矩阵A为特征量X和目标量Y;其中,将矩阵A按行方向进行切分,前n-1行构成特征量X,最后1行构成目标量Y;
2)基于步骤1)的结果,将特征量X和目标量Y按列方向进行切分,得到作为样本数据的机器学习训练数据集(Xtrain,Ytrain)和机器学习测试数据集(Xtest,Ytest)。
本发明方法的进一步改进在于,所述基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据的步骤包括:
获取一段火电生产企业碳排放量历史时间序列数据,并从末端截取长度为T-1的序列;
将截取的长度为T-1的序列输入所述预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量单步预测值。
本发明方法的进一步改进在于,所述基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据的步骤中,
在获得火电生产企业碳排放量单步预测值之后,还包括:
将火电生产企业碳排放量单步预测值,拼接至所述一段火电生产企业碳排放量历史时间序列数据的末端,得到新火电生产企业碳排放量历史时间序列数据,并预先训练好的碳排放量预测模型进行碳排放量预测,得到新的火电生产企业碳排放量单步预测值;
重复迭代上述步骤,得到任意预设长度的火电生产企业碳排放量预测序列。
本发明方法的进一步改进在于,所述有监督机器学习模型为支持向量机回归、极限梯度提升回归、轻量级梯度提升机回归、多层感知机和长短期记忆网络中的一种。
本发明第二方面提供的一种碳排放量预测***,包括:
数据获取模块,用于获取火电生产企业碳排放量历史时间序列数据;
预测模块,用于基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据;
其中,所述预先训练好的碳排放量预测模型的训练步骤包括:
基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据;
切分所述矩阵数据,获得划分特征量和目标量的样本数据;
基于划分特征量和目标量的样本数据,训练有监督机器学习模型,学习特征量和目标量之间的映射关系,最终获得所述预先训练好的碳排放量预测模型。
本发明第三方面提供的一种设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如本发明第一方面中任一项所述的碳排放量预测方法。
本发明第四方面提供的一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面中任一项所述的碳排放量预测方法。
与现有技术相比,本发明具有以下有益效果:
本发明提供的碳排放量预测方法,具体是一种火电生产企业碳排放量预测方法,其依据基于机器学习的火电生产企业的碳排放量预测模型,自动处理火电生产企业碳排放量历史时间序列数据,实现了多时间尺度下的火电生产企业碳排放量预测,为“碳达峰,碳中和”背景下火电生产企业评估自身碳排放量发展趋势提供数据支撑,为火电生产企业乃至整个电力部门制定降碳减碳政策、探索低碳发展路径提供新的思路。
具体的,本发明提出了滑动窗口法,该方法能够将火电生产企业碳排放量预测这个时间序列预测问题转化为对数据更为鲁棒的有监督机器学习问题,降低对火电生产企业数据采集装置要求,降低***部署成本,方便工程实践,提高火电生产企业参与积极性。
具体的,本发明的碳排放量预测模型处理火电生产企业碳排放量历史时间序列数据时,能够以火电生产企业碳排放量单步预测和多步预测的形式,实现多时间尺度下的火电生产企业碳排放量预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,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是本发明实施例提供的一种碳排放量预测方法的流程示意图;
图2是本发明实施例中,火电生产企业碳排放量预测的流程示意图;
图3是本发明实施例中,西北某火电厂碳排放量七日预测值与实测值对比示意图;
图4是本发明实施例提供的一种碳排放量预测***的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,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”等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。此外,术语“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。
下面结合附图对本发明做进一步详细描述:
请参阅图1,本发明实施例提供的一种碳排放量预测方法,包括以下步骤:
步骤1,获取火电生产企业碳排放量历史时间序列数据;
步骤2,基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行预测,获得火电生产企业碳排放量预测时间序列数据;
其中,所述预先训练好的碳排放量预测模型的获取步骤包括:
1)基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据;
2)切分所述矩阵数据,获得划分特征量和目标量的样本数据;
3)基于划分特征量和目标量的样本数据,训练有监督机器学习模型,学习特征量和目标量之间的映射关系,最终获得所述预先训练好的碳排放量预测模型。
本发明实施例具体公开了一种火电生产企业碳排放量预测方法,其依据基于机器学习的火电生产企业的碳排放量预测模型,可自动处理待预测的火电生产企业碳排放量历史时间序列数据,实现了多时间尺度下的火电生产企业碳排放量预测。
本发明实施例提供的一种火电生产企业碳排放量预测方法,包括以下步骤:
(1)设计滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据,转化成矩阵数据;
(2)设计有监督机器学习方案,首先切分矩阵数据,先将其划分为特征量和目标量,得到机器学习训练数据集和机器学习测试数据集;在所得数据集上训练有监督机器学习模型,学习特征量和目标量之间的映射关系;
(3)设计基于机器学习的火电生产企业碳排放量预测***,该***接受火电生产企业碳排放量历史时间序列数据,导入训练好的有监督机器学习模型,最终得到火电生产企业碳排放量预测时间序列数据。
请参阅图2,本发明实施例的步骤(1)中,滑动窗口法的具体步骤包括:
(101)确定滑动窗口长度T;
(102)将原始火电生产企业碳排放量历史时间序列数据(t1,t2,…tn-1,tn)复制T份;其中,n为原始火电生产企业碳排放量历史时间序列数据长度;
(103)定义原始火电生产企业碳排放量历史时间序列数据中相邻两数据点间隔的时间为1个时间长度,定义虚拟二维平面坐标系xOy,x坐标轴单位为时间长度,y坐标轴无量纲;
(104)将T份火电生产企业碳排放量历史时间序列数据置入虚拟二维平面坐标系xOy;其中,具体示例性的放置方法包括:
第一份火电生产企业碳排放量历史时间序列数据(t1 1,t1 2,…t1 n-1,t1 n),首个数据t1 1放置于坐标点(0,0),后续数据依次放于坐标点(i,0),i为要放置的数据在当前序列中的序号,1≤i≤n;
第二份火电生产企业碳排放量历史时间序列数据(t2 1,t2 2,…t2 n-1,t2 n),首个数据t2 1放置于坐标点(1,1),后续数据依次放于坐标点(i+1,1),i为要放置的数据在当前序列中的序号,1≤i≤n;
…
第T份火电生产企业碳排放量历史时间序列数据(tT 1,tT 2,…tT n-1,tT n),首个数据tT 1放置于坐标点(T-1,T-1),后续数据依次放于坐标点(i+T-1,T-1),i为要放置的数据在当前序列中的序号,1≤i≤n;
(105)在坐标平面xOy中,截取(T-1,0),(n,0),(T-1,T-1),(n,T-1)四点围成的矩形,该矩形上填充的数据为所需矩阵数据A(包括边界),A是一个大小为T*n-T+1的矩阵。
本发明实施例的步骤(2)中,所述有监督机器学习方案包括:
(201)切分矩阵A为特征量X和目标量Y;其中,将矩阵A按行方向进行切分,前T-1行构成特征量X,最后1行构成目标量Y;
(202)得到机器学习训练数据集(Xtrain,Ytrain)和机器学习测试数据集(Xtest,Ytest)。将特征量X和目标量Y按列方向进行切分,得到Xtrain,Xtest,Ytrain,Ytest;示例性的,切分点可根据实际数据情况进行调整,一般控制机器学习训练数据集样本个数为机器学习测试数据集样本个数的4到5倍;
(203)训练有监督机器学习模型;其中,选取合适的有监督机器学习模型,学习Xtrain到Ytrain的映射关系,并在机器学习测试数据集(Xtest,Ytest)上检验模型性能,符合要求后完成训练。具体示例性的,所述有监督机器学习模型为支持向量机(Support VectorMachine,SVM)回归、极限梯度提升(eXtreme Gradient Boosting,XGBoost)回归、轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)回归、多层感知机(Multi-layerPerceptron,MLP)、长短期记忆网络(Long Short-Term Memory,LSTM)中的任意一种。
本发明实施例的步骤(3)中,所述基于机器学习的火电生产企业碳排放量预测***为:
(301)使用上述方法,将时间序列预测问题转化为有监督学习问题,使用单一有监督机器学习模型搭建火电生产企业碳排放量预测模型,学习序列(t1,t2,…tT-2,tT-1)到标量tT的映射关系;
(302)使用得到的机器学习训练数据集(Xtrain,Ytrain)和机器学习测试数据集(Xtest,Ytest)训练模型;
(303)火电生产企业碳排放量预测***可以进行单步预测;其中,火电生产企业碳排放量预测***接收含有一段火电生产企业碳排放量历史时间序列数据(t1,t2,…tn-1,tn),从末端截取长度为T-1的序列(tn-T+1,tn-T+2,…tn-1,tn),输入训练好的火电生产企业碳排放量预测模型,自动输出火电生产企业碳排放量单步预测值tn+1;
(304)火电生产企业碳排放量预测***可以进行多步预测;其中,火电生产企业碳排放量预测***接收含有一段火电生产企业碳排放量历史时间序列数据(t1,t2,…tn-1,tn),按步骤(303)得到火电生产企业碳排放量单步预测值tn+1,将该预测值拼接至原火电生产企业碳排放量历史时间序列数据末端,得到新火电生产企业碳排放量历史时间序列数据(t1,t2,…tn,tn+1);将(t1,t2,…tn,tn+1)再次输入火电生产企业碳排放量预测***,执行步骤(303)即可得到火电生产企业碳排放量单步预测值tn+2。重复上述步骤,即可得到任意长度的火电生产企业碳排放量预测序列(tn+1,tn+2,…tn+m),m为任意正整数。
综上所述,本发明实施例提供了一种火电生产企业碳排放量预测方法,首先提出滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据,转化成矩阵数据;接下来设计一套有监督机器学习方案,切分矩阵数据,得到特征量和目标量,进一步划分得到机器学习训练数据集和机器学习测试数据集,并在此基础上训练机器学习模型,学习火电生产企业碳排放量;最后设计基于机器学习的火电生产企业碳排放量预测***,使用训练完成的机器学习模型,输入一段已知的火电生产企业碳排放量时间序列历史数据,自动输出任意指定长度的碳排放量时间序列预测数据。本发明实施例公开的技术方案,依据基于机器学习的火电生产企业的碳排放量预测模型,可自动处理待预测的火电生产企业碳排放量历史时间序列数据,以火电生产企业碳排放量单步预测和多步预测的形式,实现了多时间尺度下的火电生产企业碳排放量预测,能够为“碳达峰,碳中和”背景下火电生产企业评估自身碳排放量发展趋势提供数据支撑,可为火电生产企业乃至整个电力部门制定降碳减碳政策、探索低碳发展路径提供新的思路。
本发明实施例中,关于滑动窗口法具体解释性的,
火电生产企业碳排放量预测问题本质上是一个时间序列预测问题;火电生产企业碳排放量历史数据按照时间顺序排列,是一个时间序列;已知该序列的前n项,希望预测第n+1项,是一个典型的时间序列预测问题。然而,当前的时间序列预测模型存在两大缺点,导致在火电生产企业碳排放量预测问题上应用时间序列预测模型的难度较大;其中,
首先,时间序列预测模型对于数据量的要求较高。时间序列数据较普通样本数据,增加了数据先后顺序上的联系,机器学习模型要学习到这种联系,需要比同规模有监督机器学习问题更大的样本量。“双碳”目标于2020年9月被提出,火电生产企业乃至整个电力部门的低碳化技术改造工作刚刚起步,能采集到的碳排放量历史数据严重匮乏;其中,有些机组甚至只有个位数的碳排放量历史数据样本;
其次,时间序列模型对于噪声的鲁棒性较低。以长短时记忆网络为例,时间序列模型多使用一种“遗忘”机制,即历史数据对于当前预测值的影响随着时间推移而衰减,距离当前时刻越近的历史数据,对当前时刻预测值的影响越大。该机制的引入是为了增强时间序列模型的迁移能力,使其具有学习到长期变化趋势的能力,但这也导致模型对于噪声的容忍度较低。在当前技术条件下,火电生产企业安装的碳排放量测量装置尚不成熟,较易出现“零漂”等现象。
本发明实施例提供的滑动法的好处在于,能够将时间序列预测问题转化为有监督机器学习问题,其需要将原始数据复制多份增大数据样本量,同时适配更为鲁棒的有监督机器学习模型,降低对火电生产企业碳排放量测量装置要求。
本发明实施例的具体算例分析:
将本发明实施例的方法使用Python语言实现后,设置如下算例:使用西北某火电厂碳排放量历史数据时间序列;该数据以1日为时间长度单位,自2022年1月1日起,2022年5月25日止,共计145个数据点;滑动窗口长度设为3;矩阵A大小为3*143;机器学习训练数据集(Xtrain,Ytrain)包含114个样本,机器学习测试数据集(Xtest,Ytest)包含29个样本;有监督机器学习模型选用XGboost回归;绘制2022年5月19日至2022年5月25日碳排放量预测值与实测值对比图。
图3为西北某火电厂碳排放量七日预测值与实测值对比图,图3中绘制了西北某火电厂2022年5月19日至2022年5月25日碳排放量预测值(虚线)和实测值(实线),同时标注了碳排放量预测值与碳排放量实测值的平均相对误差。
图3可以看出,2022年5月19日至2022年5月25日,西北某火电厂碳排放量预测值与实测值平均相对误差为13.28%,预测结果与实测值偏差较小。
本发明实施例中,该火电企业碳排放量预测***能够较好地预测火电生产企业碳排放量的变化趋势,提供偏差较低的火电生产企业碳排放量预测结果,为“碳达峰,碳中和”背景下火电生产企业评估自身碳排放量发展趋势提供数据支撑,为火电生产企业乃至整个电力部门制定降碳减碳政策、探索低碳发展路径提供新的思路。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未披露的细节,请参照本发明方法实施例。
请参阅图4,本发明再一实施例中,提供一种碳排放量预测***,包括:
数据获取模块,用于获取火电生产企业碳排放量历史时间序列数据;
预测模块,用于基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据;
其中,所述预先训练好的碳排放量预测模型的训练步骤包括:
基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据;
切分所述矩阵数据,获得划分特征量和目标量的样本数据;
基于划分特征量和目标量的样本数据,训练有监督机器学习模型,学习特征量和目标量之间的映射关系,最终获得所述预先训练好的碳排放量预测模型。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于碳排放量预测方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关碳排放量预测方法的相应步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种碳排放量预测方法,其特征在于,包括以下步骤:
获取火电生产企业碳排放量历史时间序列数据;
基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据;
其中,所述预先训练好的碳排放量预测模型的训练步骤包括:
基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据;
切分所述矩阵数据,获得划分特征量和目标量的样本数据;
基于划分特征量和目标量的样本数据,训练有监督机器学习模型,学习特征量和目标量之间的映射关系,最终获得所述预先训练好的碳排放量预测模型。
2.根据权利要求1所述的一种碳排放量预测方法,其特征在于,所述基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据的步骤包括:
确定滑动窗口长度T;
将火电生产企业原始采集的碳排放量时间序列数据样本(t1,t2,…tn-1,tn)复制T份;其中,n为碳排放量时间序列数据样本长度;
定义碳排放量时间序列数据样本中相邻两数据点间隔的时间为1个时间长度,定义虚拟二维平面坐标系xOy,x坐标轴单位为时间长度,y坐标轴无量纲;将T份碳排放量时间序列数据样本置入虚拟二维平面坐标系xOy;在虚拟二维平面坐标系xOy中,截取(T-1,0),(n,0),(T-1,T-1),(n,T-1)四点围成的矩形,矩形上填充的数据为所需的矩阵数据。
3.根据权利要求2所述的一种碳排放量预测方法,其特征在于,所述将T份碳排放量时间序列数据样本置入虚拟二维平面坐标系xOy的方法为,
对于第Q份碳排放量时间序列数据样本(tQ 1,tQ 2,…tQ n-1,tQ n),首个数据tQ 1放置于坐标点(Q-1,Q-1),后续数据依次放于坐标点(i+Q-1,Q-1);其中,i为要放置的数据在当前序列中的序号,1≤i≤n;1≤Q≤T。
4.根据权利要求2所述的一种碳排放量预测方法,其特征在于,所述切分所述矩阵数据,获得划分特征量和目标量的样本数据的步骤包括:
1)切分矩阵A为特征量X和目标量Y;其中,将矩阵A按行方向进行切分,前T-1行构成特征量X,最后1行构成目标量Y;
2)基于步骤1)的结果,将特征量X和目标量Y按列方向进行切分,得到作为样本数据的机器学习训练数据集(Xtrain,Ytrain)和机器学习测试数据集(Xtest,Ytest)。
5.根据权利要求1所述的一种碳排放量预测方法,其特征在于,所述基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据的步骤包括:
获取一段火电生产企业碳排放量历史时间序列数据,并从末端截取长度为T-1的序列;
将截取的长度为T-1的序列输入所述预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量单步预测值。
6.根据权利要求5所述的一种碳排放量预测方法,其特征在于,所述基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据的步骤中,
在获得火电生产企业碳排放量单步预测值之后,还包括:
将火电生产企业碳排放量单步预测值,拼接至所述一段火电生产企业碳排放量历史时间序列数据的末端,得到新火电生产企业碳排放量历史时间序列数据,并预先训练好的碳排放量预测模型进行碳排放量预测,得到新的火电生产企业碳排放量单步预测值;
重复迭代上述步骤,得到任意预设长度的火电生产企业碳排放量预测序列。
7.根据权利要求1所述的一种碳排放量预测方法,其特征在于,所述有监督机器学习模型为支持向量机回归、极限梯度提升回归、轻量级梯度提升机回归、多层感知机和长短期记忆网络中的一种。
8.一种碳排放量预测***,其特征在于,包括:
数据获取模块,用于获取火电生产企业碳排放量历史时间序列数据;
预测模块,用于基于获取的所述火电生产企业碳排放量历史时间序列数据,利用预先训练好的碳排放量预测模型进行碳排放量预测,获得火电生产企业碳排放量预测时间序列数据;
其中,所述预先训练好的碳排放量预测模型的训练步骤包括:
基于滑动窗口法,将火电生产企业原始采集的碳排放量时间序列数据样本,转化成矩阵数据;
切分所述矩阵数据,获得划分特征量和目标量的样本数据;
基于划分特征量和目标量的样本数据,训练有监督机器学习模型,学习特征量和目标量之间的映射关系,最终获得所述预先训练好的碳排放量预测模型。
9.一种设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的碳排放量预测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的碳排放量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055481.1A CN117010723A (zh) | 2023-08-21 | 2023-08-21 | 碳排放量预测方法、***、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055481.1A CN117010723A (zh) | 2023-08-21 | 2023-08-21 | 碳排放量预测方法、***、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010723A true CN117010723A (zh) | 2023-11-07 |
Family
ID=88576218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055481.1A Pending CN117010723A (zh) | 2023-08-21 | 2023-08-21 | 碳排放量预测方法、***、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010723A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933493A (zh) * | 2024-03-21 | 2024-04-26 | 广东电网有限责任公司 | 多时间颗粒度数据协调的碳排放因子预测方法及*** |
-
2023
- 2023-08-21 CN CN202311055481.1A patent/CN117010723A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117933493A (zh) * | 2024-03-21 | 2024-04-26 | 广东电网有限责任公司 | 多时间颗粒度数据协调的碳排放因子预测方法及*** |
CN117933493B (zh) * | 2024-03-21 | 2024-06-07 | 广东电网有限责任公司 | 多时间颗粒度数据协调的碳排放因子预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110232483B (zh) | 深度学习负荷预测方法、装置及终端设备 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及*** | |
CN112001556B (zh) | 一种基于深度学习模型的水库下游水位预测方法 | |
US20210264240A1 (en) | Method and device for neural architecture search optimized for binary neural network | |
CN117010723A (zh) | 碳排放量预测方法、***、设备及计算机可读存储介质 | |
CN113065703A (zh) | 一种结合多种模型的时间序列预测方法 | |
CN113837488B (zh) | 能源消耗数据预测方法、***、设备 | |
CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与*** | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN115859584A (zh) | 一种电池寿命预测方法、预测***及计算机设备 | |
Lungu et al. | PREDICTION INTELLIGENT SYSTEM IN THE FIELD OF RENEWABLE ENERGIES THROUGH NEURAL NETWORKS. | |
CN116432543A (zh) | 功率半导体模块剩余寿命预测方法、终端设备及存储介质 | |
CN114239990A (zh) | 一种基于时间序列分解和lstm的时间序列数据预测方法 | |
Zong et al. | Embedded software fault prediction based on back propagation neural network | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及*** | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN117196665A (zh) | 预测对象的价值参数的方法、设备及装置 | |
CN117035155A (zh) | 一种水质预测方法 | |
Lin et al. | A Kernel-Density based Semi-Parametric stochastic degradation model with dependent increments | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及*** | |
Ragozin et al. | State Prediction in Compound Control Systems via Time Series: Neural Network Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |