CN117851767A - 一种基于电力大数据和机器学习的建筑碳排放测算方法 - Google Patents
一种基于电力大数据和机器学习的建筑碳排放测算方法 Download PDFInfo
- Publication number
- CN117851767A CN117851767A CN202310785096.6A CN202310785096A CN117851767A CN 117851767 A CN117851767 A CN 117851767A CN 202310785096 A CN202310785096 A CN 202310785096A CN 117851767 A CN117851767 A CN 117851767A
- Authority
- CN
- China
- Prior art keywords
- building
- model
- carbon
- carbon emission
- electric power
- 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 91
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000005611 electricity Effects 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 22
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 9
- 239000003915 liquefied petroleum gas Substances 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 5
- 239000003345 natural gas Substances 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 101100153582 Bacillus subtilis (strain 168) topA gene Proteins 0.000 description 1
- 241000283715 Damaliscus lunatus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06Q50/08—Construction
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力大数据和机器学习的建筑碳排放测算方法,涉及碳排放技术领域,包括建立包含建筑类型、建筑运行能耗碳排放BECCE、建筑用电量、建筑面积、建筑楼层的建筑样本数据集,将建筑样本数据集分为训练集、验证集和测试集;提取建筑用电量、建筑面积、建筑楼层3个指标作为影响因子,结合PSO‑SVM模型建立3类建筑的“电‑碳”模型;将训练集数据输入“电‑碳”模型进行训练,用验证集进行验证模型精度,利用测试集测试模型泛化能力;根据待测算建筑的建筑类型,将建筑用电量、建筑面积、建筑楼层输入训练后的“电‑碳”模型,输出待测算建筑碳排放量;综合来看,本发明能通过用电量快速对每栋建筑BECCE进行快速、精确测算。
Description
技术领域
本发明涉及碳排放技术领域,具体为一种基于电力大数据和机器学习的建筑碳排放测算方法。
背景技术
在建筑全生命周期中,BECCE占建筑全生命周期碳排放的70%,并且由于建筑能耗还在不断增长,该数值预计还将继续上升。为及时调整建筑节能减排政策,BECCE快速、精确测算逐渐受到人们的关注。如今,对于估算BECCE的方法可以分为“自下而上”以及“自上而下”两类,由于难以提取到单个建筑相关结构特征以及详细能源消耗数据。因此,前人大部分研究采用“自上而下”方法对BECCE进行估计。
对于碳排放测算的方法可以分为“自下而上”以及“自上而下”两类。一般来说,自下而上的方法是一种理想的地方尺度CO2估算方法,它能提供准确的估算结果,是地方当局的首选方法,但是该方法对数据要求较高。因此,大部分研究者采用“自上而下”方法对BECCE进行估计,但是该方法所收集社会经济环境的数据具有时间滞后性,以及一定的误差,只能对BECCE进行估计,难以对BECCE进行快速、准确测算,到目前为止,还没有具有普适性的BECCE实时测算方法。
发明内容
针对现有技术中存在的没有具有普适性的BECCE实时测算方法问题,本发明提供了一种基于电力大数据和机器学习的建筑碳排放测算方法,包括以下步骤:
建立包含建筑类型、建筑运行能耗碳排放BECCE、建筑用电量、建筑面积、建筑楼层的建筑样本数据集;其中建筑类型包括3类:大型公共建筑、中小型公共建筑、政府机关以及住宅建筑;
构建SVM模型,确定SVM模型中需要优化的对象,利用粒子群算法对SVM模型进行优化,构建PSO-SVM模型;提取建筑用电量、建筑面积、建筑楼层3个指标作为影响因子,结合PSO-SVM模型分别建立3类建筑类型的“电-碳”模型;
将建筑样本数据集输入3类建筑类型的“电-碳”模型进行训练;
将待测算建筑的建筑用电量、建筑面积、建筑楼层输入训练后的符合待测算建筑类型的“电-碳”模型,输出待测算建筑的建筑碳排放量。
进一步的,本发明提供的一种基于电力大数据和机器学习的建筑碳排放测算方法,还包括:
并将建筑样本数据集分为训练集、验证集以及测试集;
将训练集输入3类建筑类型的“电-碳”模型进行训练,利用验证集分别验证3类建筑类型的“电-碳”模型的精度;并利用测试集测试3类建筑类型的电-碳模型的泛化能力。
进一步的,所述建筑样本数据集中的建筑运行能耗碳排放BECCE的计算,具体包括以下步骤:
分别收集大型公共建筑、中小型公共建筑、政府机关以及住宅建筑的煤炭、天然气、液化石油气、人工煤气、电力的消耗量,并根据各能源的碳排放因子计算每栋建筑的建筑运行能耗碳排放BECCE:
CTOTAL,i=CCOAL,i+CNG,i+CLPG,i+CAG,i+CEP,i;
其中,CTOTAL,i表示为某区第i种类型建筑的BECCE;CCOAL,i、CNG,i、CLPG,i、CAG,i和CEP,i分别表示为由成都市某区第i种类型建筑利用煤炭、天然气、液化石油气、人工煤气和电力而产生的二氧化碳排放量;
各区使用能源产生的碳排放量具体计算如下:
Cj,i=Nj,iFj,i;
式中:Cj,i表示某区第i种类型建筑使用第j类能源在建筑运营阶段所产生的碳排放量;Nj为第j类能源的消耗量;Fj为第j类能源的碳排放系数。
进一步的,所述构建SVM模型,具体包括:
设训练集由N个数据样本组成,SVM中关联的回归模型描述为:
f(x)=ωψ(x)+b;
其中,ψ(x)是映射函数,ω和b分别是权重和偏差;
SVM模型的计算通过用ε不敏感损失函数求解以下凸优化方程模型来获得:
其中,c是用于控制经验误差的正参数,ξi和是用于控制训练误差的松弛变量,xi和yi分别代表输入变量和输出变量,N为样本数;
凸优化方程模型通过基于拉格朗日函数构造原始优化问题来解决,如下所示:
其中,ai、βi、/>是拉格朗日倍数的值;
基于Karush-Kuhn-Tucker理论,目标函数推导为:
计算拉格朗日乘数后,最佳权重向量如下:
其中,K(x,xi)表示满足Mercer条件的核函数,选择径向基函数RBF作为核函数,如下所述:
SVM模型的回归函数描述如下:
进一步的,所述确定SVM模型中需要优化的对象,利用粒子群算法对SVM模型进行优化,具体包括:
利用粒子群优化算法PSO对SVM最佳惩罚参数c、核函数参数g以及核函数进行优化;
采用粒子群优化算法PSO,将每一个粒子都视为一个潜在解,每个粒子都由位置、速度和适应度值三个参数表征,粒子的速度决定了移动方向及距离,速度随自身及其他粒子的移动经验进行动态调整,从而实现个体在空间中的寻优;
其中第i个粒子的位置和速度分别为:
其中,ω、c1、c2分别代表惯性权重、加速因子1、加速因子2;r1、r2均为分布于[0,1]的随机数;k为当前迭代数;Vi为第i个粒子的速度;是第k次更新时全局最优位置;gk为第k次更新时的全局最优位置。
进一步的,所述构建PSO-SVM模型,具体包括:
将PSO优化得到的超参数输入SVM模型中,对SVM模型测算,构建PSO-SVM模型。
与现有技术相比,本发明提供的一种基于电力大数据和机器学习的建筑碳排放测算方法,其有益效果是:
本发明立足于建筑减排视角,为实时检测建筑运行阶段的碳排放状况,提出精准、快速测算BECCE的方法。首先,采用碳排放因子法,根据碳排放系数测算建筑碳排放量;其次,从电力数据和建筑特征两方面构建了建筑碳测算指标体系,结合机器学习方法,建立“电-碳”模型;最后,根据“电-碳”模型计算的BECCE,并对模型结果进行分析;“电碳模型”的提出能通过用电量快速对每栋建筑BECCE进行快速、精确测算,对建筑运行阶段的减排具有重要意义,可为建筑减排政策提供科学参考,同时具有较大的推广应用前景。
附图说明
图1为本发明提供的一种基于电力大数据和机器学习的建筑碳排放测算方法的技术流程图;
图2为本发明实施例提供的成都市23个区建筑的BECCE和电力数据图;
图3为本发明实施例提供的4种类型建筑的建筑形体与碳排放量的箱线图;
图4为本发明实施例提供的PSO-SVM模型拟合情况示意图;
图5为本发明实施例提供的BECCE测算结果示意图。
具体实施方式
下面结合附图1-5,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1:
SVM是一种基于结构风险最小化理论的监督学***面,可以将问题化为一个求解凸二次规划的问题。与神经网络相比,支持向量机,在学习复杂的非线性方程时提供了一种更为清晰,更加强大的方式。具体步骤如下:
假设训练集由N个数据样本组成,那么SVM中关联的回归模型可以描述如下:
f(x)=ωψ(x)+b (1)
其中ψ(x)是映射函数,ω和b分别是权重和偏差。SVM模型的计算可以通过用ε不敏感损失函数求解以下凸优化问题来获得:
其中:c是用于控制经验误差的正参数,ξi和是用于控制训练误差的松弛变量。xi和yi分别代表输入变量和输出变量;N为样本数;上述凸优化方程模型可以通过基于拉格朗日函数构造原始优化问题来解决,如下所示:
其中:ai、βi、/>是拉格朗日倍数的值。
基于著名的Karush-Kuhn-Tucker理论,目标函数可推导为:
从数学上讲,上述优化问题是一个典型的二次规划问题,通常需要大量的内存使用和较长的执行时间。选择顺序最小优化来解决:计算拉格朗日乘数后,最佳权重向量如下:
其中:K(x,xi)表示满足Mercer条件的核函数。选择著名的径向基函数(RBF)作为核函数,如下所述:
所以SVM模型的回归函数可以描述如下:
本发明采用由Kenndy和Eberhar(1995)年提出的粒子群优化算法,是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索方法。该算法将优化问题中的每一个粒子都视为一个潜在解,并且每个粒子都由位置、速度和适应度值三个参数表征。粒子的速度决定了移动方向及距离,速度随自身及其他粒子的移动经验进行动态调整,从而实现个体在空间中的寻优。其中第i个粒子的位置和速度分别由式(8)和式(9)表示。
其中,ω、c1、c2分别代表惯性权重、加速因子1、加速因子2;r1、r2均为分布于[0,1]的随机数;k为当前迭代数;Vi为第i个粒子的速度;是第k次更新时全局最优位置;gk为第k次更新时的全局最优位置。本发明利用PSO算法对SVM最佳惩罚参数c、核函数参数g以及核函数进行优化。PSO参数如表1所示。
表1 PSO参数设置
参数 | 值 |
最大进化次数 | 20 |
粒子群规模n | 50 |
局部搜索能力c1 | 1.5 |
全局搜索能力c2 | 1.5 |
本发明立足于建筑减排视角,为实时检测建筑运行阶段的碳排放状况,提出精准、快速测算BECCE的方法。首先,采用传统方法(碳排放因子法),根据碳排放系数测算建筑碳排放量。其次,从电力数据和建筑特征两方面构建了建筑碳测算指标体系,结合机器学习方法,建立“电-碳”模型。最后,根据“电-碳”模型计算的BECCE,并对模型结果进行分析,技术路线图如图1所示。具体步骤如下:
(1)传统方法测算碳排放量。分别收集成都市大型公共建筑、中小型公共建筑、政府机关以及住宅建筑5种能源(煤炭、天然气、液化石油气、人工煤气、电力)的消耗量,并根据各能源的碳排放因子计算每栋建筑的BECCE。
(2)构建基于PSO-SVM的电-碳模型。提取建筑用电量、建筑面积、建筑楼层3个影响因子作为指标,结合PSO-SVM模型建立电-碳模型,构造训练集和验证集,根据评价指标对模型进行评价。
(3)验证电-碳模型的泛化能力。基于测试集中的建筑样本数据,利用电-碳模型测算碳排放量,并与实际数据进行对比,检验“电碳模型”的有效性。
考虑到成都市4种建筑类型的实际分布情况,本发明在23个区中收集各类建筑共2526个样本,包括大型公建199栋、中小型公建969栋、国家机关374栋、住宅建筑984栋,每个样本都包含了建筑名称、地址、所属行政区划、以及2021年5种能源的消耗量、以及建筑面积和建筑层数,样本能源消耗的统计数据及建筑结构数据由四川省住房和城乡建筑厅提供。2526栋建筑总用电量数据以及碳排放量如图2所示。
由于建筑类型的差异,建筑形体(建筑楼层、建筑面积)必然是不同的,从而自然会导致碳排放的差异,为了提高建筑碳排放测算的准确性,进行更有针对性的建筑碳排放测算,对4种类型建筑的建筑形体与总排放之间关系进行研究,大型建筑、政府机关、住宅建筑、中小型建筑的建筑楼层、建筑面积与碳排放量的箱线图统计,如图3所示。
根据大型公共建筑、中小型公共建筑、住宅建筑三个的最优“电碳模型”,将它们各自验证集的预测结果与实际观测值之间的拟合情况可视化,如图4所示。然后根据MAE、MSE、R2等3个模型评估指标,将PSO-SVM与未进行参数优化的SVR进行对比,验证模型的可靠性。
由图4可知:“电碳模型”对于中小型建筑的BECCE测算的效果较好,对于BECCE的测算值与实际观测值基本一致,同时R2=0.92,也表明预测数据与实际观测数据之间存在相当显著的相关性;模型对于大型公共建筑也有较好的预测效果,预测值和实际观测值的折线图趋势基本相同;模型对于住宅建筑的预测效果相对较差,R2=0.65,“电碳模型”的测算值和实际观测值的趋势大致吻合。PSO-SVM与SVR模型性能指标评价结果如表2所示。
表2模型性能评价结果
从表2可知,PSO优化是模型性能提升中一个必不可少的部分。经过PSO优化之后,MAE和RMSE这两个指标相比之前有较为明显的减少,并且平均R2上升了0.1,表明BECCE测算值与实际值相关性有较为显著的提升。
根据所确定3个模型的最优超参数,接下来分别构建了大型公共建筑、中小型公共建、住宅建筑的“电碳模型”,通过对比未进行优化的SVR模型,PSO-SVM展现出了良好的模型性能,但是模型泛化能力的好坏仍难以确定。为检验“电碳模型”是否能对BECCE进行快速、准确的测算,为此,本文重新提取各类型建筑的数据,其中,大型建筑21栋、中小型公共建筑100栋、住宅建筑100栋。将上述数据带入到构建的“电碳模型”中,对BECCE进行测算,测算值与实际值的对比图,如图5所示。
图5清晰的显示了测算值与实际值的分布区域,可以很好的判断测算的结果与实际结果之间是否接近。根据图5(a),(b),(c),测算值与实际值之间的分布区域基本一致。其次,中小型公共建筑、住宅建筑以及大型公共建筑测算值与真实值的R2分别为0.65、0.79、0.91,表明“电-碳模型”具有良好的泛化能力。
表3泛化能力评价结果
MAE | RMSE | R2 | |
LP building | 858.7 | 1108.6 | 0.91 |
SP and MP building | 182.1 | 286.2 | 0.65 |
R building | 80.0 | 230.0 | 0.79 |
由表3可知,根据MAE、RMSE评价结果以及对图5的分析,表明测算结果的误差也在可接受的范围内,因此它是可行的。
综合来看,“电碳模型”的提出能通过用电量快速对每栋建筑BECCE进行快速、精确测算,对建筑运行阶段的减排具有重要意义,可为建筑减排政策提供科学参考,同时具有较大的推广应用前景。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于电力大数据和机器学习的建筑碳排放测算方法,其特征在于,包括以下步骤:
建立包含建筑类型、建筑运行能耗碳排放BECCE、建筑用电量、建筑面积、建筑楼层的建筑样本数据集;其中建筑类型包括3类:大型公共建筑、中小型公共建筑、政府机关以及住宅建筑;
构建SVM模型,确定SVM模型中需要优化的对象,利用粒子群算法对SVM模型进行优化,构建PSO-SVM模型;提取建筑用电量、建筑面积、建筑楼层3个指标作为影响因子,结合PSO-SVM模型分别建立3类建筑类型的“电-碳”模型;
将建筑样本数据集输入3类建筑类型的“电-碳”模型进行训练;
将待测算建筑的建筑用电量、建筑面积、建筑楼层输入训练后的符合待测算建筑类型的“电-碳”模型,输出待测算建筑的建筑碳排放量。
2.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法,其特征在于,还包括:
并将建筑样本数据集分为训练集、验证集以及测试集;
将训练集输入3类建筑类型的“电-碳”模型进行训练,利用验证集分别验证3类建筑类型的“电-碳”模型的精度;并利用测试集测试3类建筑类型的电-碳模型的泛化能力。
3.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法,其特征在于,所述建筑样本数据集中的建筑运行能耗碳排放BECCE的计算,具体包括以下步骤:
分别收集大型公共建筑、中小型公共建筑、政府机关以及住宅建筑的煤炭、天然气、液化石油气、人工煤气、电力的消耗量,并根据各能源的碳排放因子计算每栋建筑的建筑运行能耗碳排放BECCE:
CTOTAL,i=CCOAL,i+CNG,i+CLPG,i+CAG,i+CEP,i;
其中,CTOTAL,i表示为某区第i种类型建筑的BECCE;CCOAL,i、CNG,i、CLPG,i、CAG,i和CEP,i分别表示为由成都市某区第i种类型建筑利用煤炭、天然气、液化石油气、人工煤气和电力而产生的二氧化碳排放量;
各区使用能源产生的碳排放量具体计算如下:
Cj,i=Nj,iFj,i;
式中:Cj,i表示某区第i种类型建筑使用第j类能源在建筑运营阶段所产生的碳排放量;Nj为第j类能源的消耗量;Fj为第j类能源的碳排放系数。
4.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法,其特征在于,所述构建SVM模型,具体包括:
设训练集由N个数据样本组成,SVM中关联的回归模型描述为:
其中,ψ(x)是映射函数,ω和b分别是权重和偏差;
SVM模型的计算通过用ε不敏感损失函数求解以下凸优化方程模型来获得:
其中,c是用于控制经验误差的正参数,ξi和是用于控制训练误差的松弛变量,xi和yi分别代表输入变量和输出变量,N为样本数;
凸优化方程模型通过基于拉格朗日函数构造原始优化问题来解决,如下所示:
其中,ai、βi、/>是拉格朗日倍数的值;
基于Karush-Kuhn-Tucker理论,目标函数推导为:
计算拉格朗日乘数后,最佳权重向量如下:
其中,K(x,xi)表示满足Mercer条件的核函数,选择径向基函数RBF作为核函数,如下所述:
SVM模型的回归函数描述如下:
5.如权利要求4所述的一种基于电力大数据和机器学习的建筑碳排放测算方法,其特征在于,所述确定SVM模型中需要优化的对象,利用粒子群算法对SVM模型进行优化,具体包括:
利用粒子群优化算法PSO对SVM最佳惩罚参数c、核函数参数g以及核函数进行优化;
采用粒子群优化算法PSO,将每一个粒子都视为一个潜在解,每个粒子都由位置、速度和适应度值三个参数表征,粒子的速度决定了移动方向及距离,速度随自身及其他粒子的移动经验进行动态调整,从而实现个体在空间中的寻优;
其中第i个粒子的位置和速度分别为:
其中,ω、c1、c2分别代表惯性权重、加速因子1、加速因子2;r1、r2均为分布于[0,1]的随机数;k为当前迭代数;Vi为第i个粒子的速度;Pi k是第k次更新时全局最优位置;gk为第k次更新时的全局最优位置。
6.如权利要求5所述的一种基于电力大数据和机器学习的建筑碳排放测算方法,其特征在于,所述构建PSO-SVM模型,具体包括:
将PSO优化得到的超参数输入SVM模型中,对SVM模型测算,构建PSO-SVM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310785096.6A CN117851767A (zh) | 2023-06-29 | 2023-06-29 | 一种基于电力大数据和机器学习的建筑碳排放测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310785096.6A CN117851767A (zh) | 2023-06-29 | 2023-06-29 | 一种基于电力大数据和机器学习的建筑碳排放测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117851767A true CN117851767A (zh) | 2024-04-09 |
Family
ID=90540755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310785096.6A Pending CN117851767A (zh) | 2023-06-29 | 2023-06-29 | 一种基于电力大数据和机器学习的建筑碳排放测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851767A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049052A (zh) * | 2022-01-12 | 2022-02-15 | 北京英视睿达科技股份有限公司 | 一种某行政区域内的碳排放计算方法及可视化方法 |
CN114692265A (zh) * | 2022-02-23 | 2022-07-01 | 山东建筑大学 | 一种基于深度强化学习的零碳建筑优化设计方法 |
KR102478684B1 (ko) * | 2022-05-11 | 2022-12-19 | 경북대학교 산학협력단 | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 |
CN115719123A (zh) * | 2022-11-30 | 2023-02-28 | 西安交通大学 | 一种建筑碳排放预测方法 |
-
2023
- 2023-06-29 CN CN202310785096.6A patent/CN117851767A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049052A (zh) * | 2022-01-12 | 2022-02-15 | 北京英视睿达科技股份有限公司 | 一种某行政区域内的碳排放计算方法及可视化方法 |
CN114692265A (zh) * | 2022-02-23 | 2022-07-01 | 山东建筑大学 | 一种基于深度强化学习的零碳建筑优化设计方法 |
KR102478684B1 (ko) * | 2022-05-11 | 2022-12-19 | 경북대학교 산학협력단 | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 |
CN115719123A (zh) * | 2022-11-30 | 2023-02-28 | 西安交通大学 | 一种建筑碳排放预测方法 |
Non-Patent Citations (1)
Title |
---|
高金贺等: "城市交通碳排放预测的多模型对比分析", 《重庆交通大学学报(自然科学版)》, 13 November 2019 (2019-11-13), pages 33 - 39 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
Zhang et al. | A comprehensive wind speed prediction system based on Monte Carlo and artificial intelligence algorithms | |
Huang et al. | Air quality prediction using improved PSO-BP neural network | |
CN102778538B (zh) | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 | |
CN109657881A (zh) | 一种适用于小样本的神经网络光伏发电预测方法及*** | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN103730006A (zh) | 一种短时交通流量的组合预测方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN109118120B (zh) | 考虑水库调度方案可持续性利用的多目标决策方法 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN109494716A (zh) | 基于Bootstrap的风电输出功率置信区间预测方法 | |
CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN117878979A (zh) | 基于电储能的功率平衡及动态补偿*** | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN117851767A (zh) | 一种基于电力大数据和机器学习的建筑碳排放测算方法 |
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 |