CN117934247B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117934247B CN117934247B CN202410330667.1A CN202410330667A CN117934247B CN 117934247 B CN117934247 B CN 117934247B CN 202410330667 A CN202410330667 A CN 202410330667A CN 117934247 B CN117934247 B CN 117934247B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- time
- prediction
- sequence
- emission factor
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 232
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000008859 change Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine 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
- 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
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的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,通过将电力***在连续时间节点下的碳排放因子所构成的时序数据进行时序分解,生成分别具备趋势特性、周期特性、以及典型事件特性的各类特征分量,并利用共型预测模型评估点预测模型输出的各特征分量在未来时间节点下的碳排放因子的预测精准度,继而根据置信比例阈值计算各类特征分量的碳排放因子的分量预测区间,最终生成电力***在各未来时间节点下的碳排放因子的点预测结果以及预测区间。因此,本发明通过分析当前碳排放因子的时序数据的各类特性,预测处电力***在未来时间节点的碳排放因子的预测结果和预测区间,有效地提高碳排放因子预测结果的准确性和可靠性。
Description
技术领域
本发明涉及碳排放技术领域,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。
背景技术
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***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。
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。
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。
发明内容
本发明实施例提供一种基于时序分解的碳排放因子预测方法、装置及电子设备,通过充分分析当前碳排放因子的时序数据的各类特性,来预测电力***在未来的各时间节点下的碳排放因子的预测结果和预测区间,有效地提高碳排放因子预测结果的准确性和可靠性。
本发明一实施例提供一种基于时序分解的碳排放因子预测方法,包括:
获取电力***在连续的若干时间节点下的碳排放因子,生成时序数据;
分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量;
将每一所述特征分量依次输入至预设的点预测模型中,以使所述点预测模型根据各特征分量预测在若干未来时间节点下的碳排放因子,继而输出每一特征分量对应的点预测序列;
将各所述点预测序列依次输入至预设的共型预测模型中,以使所述共型预测模型评估点预测序列中各未来时间节点下的碳排放因子的预测精准度,继而输出对应的非一致性序列;
根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值;
根据各所述点预测序列、各预测区间上界值以及各预测区间下界值,生成在若干未来时间节点下,各类特征分量对应的碳排放因子的分量预测区间;
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***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。
进一步的,所述获取电力***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:
获取电力***在若干时间节点下的碳排放因子,并从若干所述时间节点中,确定碳排放因子缺失的若干目标时间节点;
在确定若干目标时间节点中存在连续的若干目标时间节点时,根据预设的滚动窗口的长度,获取位于各所述目标时间节点前后的若干时间节点的碳排放因子,并通过以下公式,依次计算各所述目标时间节点的第一碳排放因子估值:
;
其中,为所述第一碳排放因子估值,/>为所述滚动窗口的长度,/>为第j个时间节点的碳排放因子;
在确定若干目标时间节点中存在间断的若干目标时间节点时,获取分别与所述目标时间节点前后相邻的时间节点的碳排放因子,并通过以下公式,计算所述目标时间节点的第二碳排放因子估值:
;
其中,为所述第二碳排放因子估值,/>为与所述目标时间节点相邻的前一时间节点的碳排放因子,/>为与所述目标时间节点相邻的后一时间节点的碳排放因子;
将所述碳排放因子估值、所述第一碳排放因子估值以及所述第二碳排放因子进行归一化,生成所述时序数据。
进一步的,所述基于时序分解的碳排放因子预测方法,还包括:
在确定若干目标时间节点中存在间断的若干目标时间节点时,获取电力***在若干时间节点下的碳排放因子,并从若干所述时间节点中,确定碳排放因子缺失的若干目标时间节点;
获取分别与所述目标时间节点前后相邻的时间节点的碳排放因子,并通过以下公式,计算所述目标时间节点的碳排放因子估值:
;
其中,为与所述目标时间节点相邻的前一时间节点的碳排放因子,/>为与所述目标时间节点相邻的后一时间节点的碳排放因子;
将所述碳排放因子估值、所述第一碳排放因子估值以及所述第二碳排放因子进行归一化,生成所述时序数据。
进一步的,所述特征分量,包括:趋势分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,包括:
根据预设的变化率阈值,从所述时序数据中确定若干数值变化点;
根据若干所述数值变化点,将所述时序数据拆分为若干趋势数据集,并对各趋势数据集进行建模,生成所述时序数据的趋势分量:
;
其中,为第/>个时间节点的碳排放因子的趋势分量,/>为第/>个时间节点所在趋势数据集中的初始数值变化点,/>为第/>个时间节点所在趋势数据集中的终止数值变化点,/>为第/>时间节点所在趋势数据集的偏移量;/>为第/>时间节点所在趋势数据集的数据变化率。
进一步的,所述特征分量,还包括:周期分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,还包括:
根据预设的周期长度,采用傅里叶级数对所述时序数据进行建模,生成所述时序数据的周期分量:
;
其中,为第/>个时间节点的碳排放因子的周期分量,/>为所述时序数据的平均值,/>以及/>均为傅里叶系数,/>为傅里叶级数的阶数,/>为所述周期长度。
进一步的,所述特征分量,还包括:典型事件分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,还包括:
获取对电力***的碳排放因子有影响的若干典型事件,并根据每一典型事件对电力***的碳排放因子的影响力,为每一典型事件预设一对应的事件影响系数;
采用二元指示变量以及所述事件影响系数,对所述时序数据进行建模,生成所述时序数据的典型事件分量:
;
其中,为第/>个时间节点的碳排放因子的典型事件分量,/>为典型事件的数量,为所述事件影响系数,/>为所述二元指示变量。
进一步的,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;
所述根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值,包括:
将所述非一致性序列中的若干预测精准度从小到大进行排序;
根据所述上界置信比例阈值以及所述下界置信比例阈值,从所述非一致性序列中确定对应位置的预测精准度分别作为预测区间上界值以及预测区间下界值。
进一步的,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***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:
将各所述点预测序列中同一未来时间节点下的碳排放因子进行相加,生成各未来时间节点的碳排放因子总和;
将各未来时间节点的碳排放因子总和分别作为电力***在对应的未来时间节点下的碳排放因子的点预测结果;
将同一未来时间节点下的分量预测区间的上界进行相加,以及将同一未来时间节点下的各分量预测区间的下界进行相加,生成电力***在对应未来时间节点下的碳排放因子的预测区间。
本发明另一实施例提供了一种基于时序分解的碳排放因子预测装置,包括:
数据获取模块,用于获取电力***在连续的若干时间节点下的碳排放因子,生成时序数据;
时序分解模块,用于分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量;
点预测模块,用于将每一所述特征分量依次输入至预设的点预测模型中,以使所述点预测模型根据各特征分量预测在未来若干时间节点下的碳排放因子,继而输出每一特征分量对应的点预测序列;
精准度评估模块,用于将各所述点预测序列依次输入至预设的共型预测模型中,以使所述共型预测模型评估点预测序列中未来各时间节点下的碳排放因子的预测精准度,继而输出对应的非一致性序列;
临界值获取模块,用于根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值;
区间预测模块,用于根据各所述点预测序列、各预测区间上界值以及各预测区间下界值,生成在若干未来时间节点下,各类特征分量对应的碳排放因子的分量预测区间;
数据整合模块,用于根据未来时间节点,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***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。
本发明另一实施例提供了一种电子设备,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上述发明实施例所述的基于时序分解的碳排放因子预测方法。
本发明另一实施例提供了一种存储介质,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上述发明实施例所述的基于时序分解的碳排放因子预测方法。
通过实施本发明具有如下有益效果:
本发明公开了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,通过将电力***在连续的若干时间节点下的碳排放因子所构成的时序数据进行时序分解,生成分别具备趋势特性、周期特性、以及典型事件特性的各类特征分量,并利用共型预测模型评估点预测模型输出的各特征分量在未来若干时间节点下的碳排放因子的预测精准度,继而根据预设的置信比例阈值以及碳排放因子的预测精准度,计算在未来若干时间节点下,各类特征分量对应的碳排放因子的分量预测区间,最终整合生成电力***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。因此,本发明充分分析了当前碳排放因子的时序数据的各类特性,来预测电力***在未来的各时间节点下的碳排放因子的预测结果和预测区间,有效地提高碳排放因子预测结果的准确性和可靠性。
附图说明
图1是本发明一实施例提供的一种基于时序分解的碳排放因子预测方法的流程示意图。
图2是本发明一实施例提供的一种基于时序分解的碳排放因子预测装置的结构示意图。
图3是本发明另一实施例提供的一种基于时序分解的碳排放因子预测方法的流程示意图。
具体实施方式
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。
参见图1,是本发明一实施例提供的一种基于时序分解的碳排放因子预测方法的流程示意图,包括:
S1、获取电力***在连续的若干时间节点下的碳排放因子,生成时序数据;
在本发明一优选的实施例中,时序数据以的形式进行表示,其中,/>表示电力***在/>时间节点下的碳排放因子。进一步的,将时序数据所对应的时间节点序列表示为/>。
优选的,所述获取电力***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:
S11、获取电力***在若干时间节点下的碳排放因子,并从若干所述时间节点中,确定碳排放因子缺失的若干目标时间节点;
在本发明一优选的实施例中,获取电力***在时间节点序列下对应的碳排放因子/>。但由于在实际生产中,收集碳排放因子数据难免存在数据缺失。因此,从中确定出碳排放因子缺失的若干时间节点作为目标时间节点,以使后续为其进行补全。
S12、在确定若干目标时间节点中存在连续的若干目标时间节点时,根据预设的滚动窗口的长度,获取位于各所述目标时间节点前后的若干时间节点的碳排放因子,并通过以下公式,依次计算各所述目标时间节点的第一碳排放因子估值:
;
其中,为所述第一碳排放因子估值,/>为所述滚动窗口的长度,/>为第j个时间节点的碳排放因子;
在本发明一优选的实施例中,当若干目标时间节点中存在连续的若干目标时间节点,即存在连续的时间节点的碳排放因子均缺失时,采用中心滚动平均的方法对连续的若干目标时间节点的碳排放因子进行补全。
具体的,设置一长度为30的滚动窗口,当要估算第时间节点的第一碳排放因子估值时,滚动窗口获取时间节点为/>到/>的碳排放因子并通过以下公式进行计算出第一碳排放因子估值:
;
需要说明的是,当滚动窗口的长度为30时,为保证数据补全的质量,以及后续预测的准确性,最多对20个连续的目标时间节点进行补全。
S13、在确定若干目标时间节点中存在间断的若干目标时间节点时,获取分别与所述目标时间节点前后相邻的时间节点的碳排放因子,并通过以下公式,计算所述目标时间节点的第二碳排放因子估值:
;
其中,为所述第二碳排放因子估值,/>为与所述目标时间节点相邻的前一时间节点的碳排放因子,/>为与所述目标时间节点相邻的后一时间节点的碳排放因子;
在本发明一优选的实施例中,在确定若干目标时间节点中存在间断的若干目标时间节点,即与目标时间节点相邻的时间节点的碳排放因子均未缺失时,采用双向线性插值的方法对目标时间节点的碳排放因子进行补全。
可以理解的是,本发明通过对缺失的碳排放因子进行补全,可以为后续步骤的碳排放因子预测提供高质量的数据基础,既避免了由于缺失数据造成的预测精准度下降,又保持了碳排放因子数据的完整性和质量。
S14、将所述碳排放因子估值、所述第一碳排放因子估值以及所述第二碳排放因子进行归一化,生成所述时序数据。
在本发明一优选的实施例中,满足后续预测模型的输入,采用最小-最大归一化方法,即是将时序数据中的碳排放因子最小值缩放到,最大值缩放到/>。
具体的,对于时序数据中的第时间节点的碳排放因子/>,通过公式进行归一化后计算,其中 ,/>为时序数据,/>和/>分别为/>中的最小值和最大值。
进一步的,经过缺失值补全和归一化处理后所生成的时序数据表示为,对应的时刻序列表示为/>。
S2、分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量;
在本发明一优选的实施例中,通过时序分解将碳排放因子的时序数据分解为多个特征分量。基于经过数据预处理的碳排放因子时序数据在时序分解阶段被分解为三个特征分量,包括趋势分量/>、周期分量/>和典型事件分量/>,以及一个随机误差项/>。需要说明的是,通过时序分解,碳排放因子时序数据中的异常值和震荡噪声均包含在随机误差项/>中。该分解方式被称为时间序列的加性模型,具体经过时序分解后的时序数据可表示为:
;
优选的,所述特征分量,包括:趋势分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,包括:
S21、根据预设的变化率阈值,从所述时序数据中确定若干数值变化点;
S22、根据若干所述数值变化点,将所述时序数据拆分为若干趋势数据集,并对各趋势数据集进行建模,生成所述时序数据的趋势分量:
;
其中,为第/>个时间节点的碳排放因子的趋势分量,/>为第/>个时间节点所在趋势数据集中的初始数值变化点,/>为第/>个时间节点所在趋势数据集中的终止数值变化点,/>为第/>时间节点所在趋势数据集的偏移量;/>为第/>时间节点所在趋势数据集的数据变化率。
在本发明一优选的实施例中,采用分段线性方法对时序数据的趋势特性进行建模。这种趋势建模方法既能提供可解释性,又能适应非线性变化。
具体的,在建模之前,根据预设的变化率阈值,从所述时序数据中确定若干数值变化点,,其中/>表示第/>个变化点,/>且为具体时间节点。具体而言,基于时序数据中的变化趋势,将时序数据中碳排放因子变化趋势较大的转折时间节点作为数值变化点。
进一步的,将时序数据中两个相邻的数值变化点之间的若干碳排放因子作为一趋势数据集,继而将每一趋势数据集建模为偏移量和变化率/>的组合,即对于任一数值变化点/>,趋势分量可表示为:
;
根据上式,可推导出时间节点的趋势分量为:
;
需要说明的是,为了避免在少量最终点上过拟合,在确定数值变化点时,不止要考虑碳排放因子的变化趋势,还需要考虑两两相邻的数值变化点之间的碳排放因子的长度不小于,其中,/>为时序数据的长度。
优选的,所述特征分量,还包括:周期分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,还包括:
S23、根据预设的周期长度,采用傅里叶级数对所述时序数据进行建模,生成所述时序数据的周期分量:
;
其中,为第/>个时间节点的碳排放因子的周期分量,/>为所述时序数据的平均值,/>以及/>均为傅里叶系数,/>为傅里叶级数的阶数,/>为所述周期长度。
在本发明一有优选是实施例中,本发明采用傅里叶级数对周期特性进行建模,该方法可以将周期性模式分解为一系列的正弦和余弦函数。在周期分量中,周期用于定义碳排放因子时间序列的周期长度。在实际应用中,可根据具体数据的年/月/日周期性模式,设定周期/>的大小。例如,若数据既存在年度周期性模式又存在月度周期性模式,/>可以分别设置为365或30以进行对应周期分量分解。
优选的,所述特征分量,还包括:典型事件分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,还包括:
S24、获取对电力***的碳排放因子有影响的若干典型事件,并根据每一典型事件对电力***的碳排放因子的影响力,为每一典型事件预设一对应的事件影响系数;
S25、采用二元指示变量以及所述事件影响系数,对所述时序数据进行建模,生成所述时序数据的典型事件分量:
;
其中,为第/>个时间节点的碳排放因子的典型事件分量,/>为典型事件的数量,为所述事件影响系数,/>为所述二元指示变量。
在本发明一有优选是实施例中,典型事件是指在特定日期必定发生的事件,例如节假日和突发事件。对事件和节假日分量的分解是通过添加特定的指示变量来实现的。对于每个事件或节假日,引入一个二元指示变量,当事件发生时该变量为1,否则为0。
进一步的,本发明通过基于梯度下降法的监督训练过程找到最佳拟合历史数据的影响系数,以此来量化每个事件或假期对所对应时间节点的碳排放因子的影响。
因此,通过对中每一个时间节点/>进行趋势性、周期性、典型事件的分解,可获得对整个时间序列/>的三个分量序列/>、/>、。
S3、将每一所述特征分量依次输入至预设的点预测模型中,以使所述点预测模型根据各特征分量预测在若干未来时间节点下的碳排放因子,继而输出每一特征分量对应的点预测序列;
在本发明一有优选是实施例中,预先构建有一点预测模型,用于根据输入的趋势分量、周期分量/>和典型事件分量/>,预测在若干未来时间节点下的碳排放因子,继而输出每一特征分量对应的点预测序列。
为了后续描述的方便,以表示任意的分量序列,以/>表示序列长度,并假设预测的未来时间节点长度为/>。具体的,点预测模型的构建步骤如下:
S31、构建训练数据集。具体的,获取电力***的若干历史碳排放因子,并通过步骤S21~S25所述的方法对其进行数据分解,获取历史碳排放因子的若干特征分量,根据/>的比值,按时间顺序将各特征分量分为输入序列以及预测/>。
S32、构建一神经网络模型。具体的,构建一基于LSTM的神经网络模型。
S33、模型训练。具体的,采用训练数据集对神经网络模型进行训练,并将模型输出的点预测序列,与对应的预测值/>进行比对,直至模型输出的点预测序列的准确率与对应的预测序列的误差率最低且稳定,得到所述点预测模型。
需要说明的是,还可以通过ARIMA以及XGBoost等用于时间序列数据处理的数学模型构建点预测模型。
S4、将各所述点预测序列依次输入至预设的共型预测模型中,以使所述共型预测模型评估点预测序列中各未来时间节点下的碳排放因子的预测精准度,继而输出对应的非一致性序列;
在本发明一优选的实施例中,由于电力***的碳排放因子受许多不确定性因素的影响,以至于点预测结果与电力***实际的碳排放因子必定存在一定的误差。因此,为提高碳排放因子预测的可靠性,构建一共型预测模型,来评估点预测模型输出的点预测序列中各未来时间节点下的碳排放因子的预测精准度。
具体的,共型预测模型的构建步骤如下:
S41、构建训练数据集。具体的,获取电力***的若干历史碳排放因子,并通过步骤S21~S25所述的方法对其进行数据分解,获取历史碳排放因子的若干特征分量,继而将各特征分量输入至训练完成的点预测模型中,以使点预测模型输出对应的点预测序列,继而采用平方误差法,评估点预测序列中的预测值与实际碳排放因子的差异,得到对应的非一致性序列。最终根据点预测序列和对应的非一致性序列,构建共型预测模型的训练数据集。
具体的,平方误差法如下公式所示:
;
其中,为第/>时间节点的预测精准度,/>为点预测模型预测的电力***在第/>时间节点的碳排放因子,/>为电力***在第/>时间节点实际的碳排放因子。
S42、构建一监督学习模型。具体的,可以是决策树、支持向量机、神经网络等模型。
S43、模型训练。具体的,通过训练数据集对模型进行训练,直至模型输出的非一致性序列与计算得到的非一致性序列的误差最小,得到所述共型预测模型。
S5、根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值;
优选的,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;
所述根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值,包括:
S51、将所述非一致性序列中的若干预测精准度从小到大进行排序;
S53、根据所述上界置信比例阈值以及所述下界置信比例阈值,从所述非一致性序列中确定对应位置的预测精准度分别作为预测区间上界值以及预测区间下界值。
在本发明一优选的实施例中,设置上界置信比例阈值为95%,以及下界置信比例阈值5%。具体的,将非一致性序列的预测精准度从小到大排序,继而取位置处的非一致性,作为预测区间下界值,取/>位置处的非一致性,作为预测区间上界值。
需要说明的是,当根据置信比例阈值计算出的数值为非整数时,则取相连两个整数位置的非一致性的平均值,作为对应的预测区间上界值或预测区间下界值。
S6、根据各所述点预测序列、各预测区间上界值以及各预测区间下界值,生成在若干未来时间节点下,各类特征分量对应的碳排放因子的分量预测区间;
在本发明一优选的实施例中,对于各特征分量在个未来时间节点的点预测序列,均表示为/>,且预测区间上界值均表示为/>,预测区间下界值表示均为/>。
因此,对于第时间节点的分量预测区间,表示为(/>),且在/>个未来时间节点的分量预测区间如下式所示:
。
因此各特征分量的分量预测区间可分别表示:;
S7、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***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。
优选的,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***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:
S71、将各所述点预测序列中同一未来时间节点下的碳排放因子进行相加,生成各未来时间节点的碳排放因子总和;
S72、将各未来时间节点的碳排放因子总和分别作为电力***在对应的未来时间节点下的碳排放因子的点预测结果;
S73、将同一未来时间节点下的分量预测区间的上界进行相加,以及将同一未来时间节点下的各分量预测区间的下界进行相加,生成电力***在对应未来时间节点下的碳排放因子的预测区间。
在本发明一优选的实施例中,如图3所示,基于步骤S2所示的时序分解的加性模型,将三个分量的概率预测结果进行相加,以获得碳排放因子在未来个时间节点的概率预测结果。
具体的,对于未来时间节点,其碳排放因子预测上界为,下界为/>。
同理,对于三个分量的点预测结果、/>和/>进行相加,也可以获得碳排放因子的点预测结果。综上所述,碳排放因子未来/>个时间节点的点预测结果为:
。
碳排放因子未来个时间节点的预测区间为:
。
本发明公开了一种基于时序分解的碳排放因子预测方法,通过将电力***在连续的若干时间节点下的碳排放因子所构成的时序数据进行时序分解,生成分别具备趋势特性、周期特性、以及典型事件特性的各类特征分量,并利用共型预测模型评估点预测模型输出的各特征分量在未来若干时间节点下的碳排放因子的预测精准度,继而根据预设的置信比例阈值以及碳排放因子的预测精准度,计算在未来若干时间节点下,各类特征分量对应的碳排放因子的分量预测区间,最终整合生成电力***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。因此,本发明充分分析了当前碳排放因子的时序数据的各类特性,来预测电力***在未来的各时间节点下的碳排放因子的预测结果和预测区间,有效地提高碳排放因子预测结果的准确性和可靠性。
参见图2,是本发明一实施例提供的一种基于时序分解的碳排放因子预测装置,包括:
数据获取模块,用于获取电力***在连续的若干时间节点下的碳排放因子,生成时序数据;
时序分解模块,用于分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量;
点预测模块,用于将每一所述特征分量依次输入至预设的点预测模型中,以使所述点预测模型根据各特征分量预测在未来若干时间节点下的碳排放因子,继而输出每一特征分量对应的点预测序列;
精准度评估模块,用于将各所述点预测序列依次输入至预设的共型预测模型中,以使所述共型预测模型评估点预测序列中未来各时间节点下的碳排放因子的预测精准度,继而输出对应的非一致性序列;
临界值获取模块,用于根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值;
区间预测模块,用于根据各所述点预测序列、各预测区间上界值以及各预测区间下界值,生成在若干未来时间节点下,各类特征分量对应的碳排放因子的分量预测区间;
数据整合模块,用于根据未来时间节点,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***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。
本发明实施例提供的一种基于时序分解的碳排放因子预测装置。通过将电力***在连续的若干时间节点下的碳排放因子所构成的时序数据进行时序分解,生成分别具备趋势特性、周期特性、以及典型事件特性的各类特征分量,并利用共型预测模型评估点预测模型输出的各特征分量在未来若干时间节点下的碳排放因子的预测精准度,继而根据预设的置信比例阈值以及碳排放因子的预测精准度,计算在未来若干时间节点下,各类特征分量对应的碳排放因子的分量预测区间,最终整合生成电力***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。因此,本发明充分分析了当前碳排放因子的时序数据的各类特性,来预测电力***在未来的各时间节点下的碳排放因子的预测结果和预测区间,有效地提高碳排放因子预测结果的准确性和可靠性。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
所述领域的技术人员可以清楚地了解到,为了方便和简洁,上述描述的装置的具体工作过程,可参考前述方法实施例中对应的过程,在此不再赘述。
本发明另一实施例提供了一种电子设备,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上述发明实施例所述的基于时序分解的碳排放因子预测方法。
电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
所述存储器可用于存储所述计算机程序,所述处理器通过运行或执行存储在所述存储器内的计算机程序,以及调用存储在存储器内的数据,实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明另一实施例提供了一种存储介质,所述存储介质为计算机可读存储介质,所述计算机程序存储在所述计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
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:
获取电力***在若干时间节点下的碳排放因子,并从若干所述时间节点中,确定碳排放因子缺失的若干目标时间节点;
在确定若干目标时间节点中存在连续的若干目标时间节点时,根据预设的滚动窗口的长度,获取位于各所述目标时间节点前后的若干时间节点的碳排放因子,并通过以下公式,依次计算各所述目标时间节点的第一碳排放因子估值:
;
其中,为第/>个第一碳排放因子估值,/>为所述滚动窗口的长度,/>为第j个时间节点的碳排放因子,/>为/>所对应的目标时间节点;
在确定若干目标时间节点中存在间断的若干目标时间节点时,获取分别与所述目标时间节点前后相邻的时间节点的碳排放因子,并通过以下公式,计算所述目标时间节点的第二碳排放因子估值:
;
其中,为所述第二碳排放因子估值,/>为与所述目标时间节点相邻的前一时间节点的碳排放因子,/>为与所述目标时间节点相邻的后一时间节点的碳排放因子;
将所述碳排放因子、所述第一碳排放因子估值以及所述第二碳排放因子进行归一化,生成时序数据;
分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量;
将每一所述特征分量依次输入至预设的点预测模型中,以使所述点预测模型根据各特征分量预测在若干未来时间节点下的碳排放因子,继而输出每一特征分量对应的点预测序列;
将各所述点预测序列依次输入至预设的共型预测模型中,以使所述共型预测模型评估点预测序列中各未来时间节点下的碳排放因子的预测精准度,继而输出对应的非一致性序列;
根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值;
根据各所述点预测序列、各预测区间上界值以及各预测区间下界值,生成在若干未来时间节点下,各类特征分量对应的碳排放因子的分量预测区间;
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***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。
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,所述特征分量,包括:趋势分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,包括:
根据预设的变化率阈值,从所述时序数据中确定若干数值变化点;
根据若干所述数值变化点,将所述时序数据拆分为若干趋势数据集,并对各趋势数据集进行建模,生成所述时序数据的趋势分量:
;
其中,为第/>个时间节点的碳排放因子的趋势分量,/>为第/>个时间节点所在趋势数据集中的初始数值变化点,/>为第/>个时间节点所在趋势数据集中的终止数值变化点,为第/>时间节点所在趋势数据集的偏移量;/>为第/>时间节点所在趋势数据集的数据变化率。
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,还包括:周期分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,还包括:
根据预设的周期长度,采用傅里叶级数对所述时序数据进行建模,生成所述时序数据的周期分量:
;
其中,为第/>个时间节点的碳排放因子的周期分量,/>为所述时序数据的平均值,/>以及/>均为傅里叶系数,/>为傅里叶级数的阶数,/>为所述周期长度,/>为傅里叶级数中正弦函数和余弦函数的频率阶数,且/>。
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:典型事件分量;
所述分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量,还包括:
获取对电力***的碳排放因子有影响的若干典型事件,并根据每一典型事件对电力***的碳排放因子的影响力,为每一典型事件预设一对应的事件影响系数;
采用二元指示变量以及所述事件影响系数,对所述时序数据进行建模,生成所述时序数据的典型事件分量:
;
其中,为第/>个时间节点的碳排放因子的典型事件分量,/>为典型事件的数量,/>为所述事件影响系数,/>为所述二元指示变量。
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;
所述根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值,包括:
将所述非一致性序列中的若干预测精准度从小到大进行排序;
根据所述上界置信比例阈值以及所述下界置信比例阈值,从所述非一致性序列中确定对应位置的预测精准度分别作为预测区间上界值以及预测区间下界值。
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***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:
将各所述点预测序列中同一未来时间节点下的碳排放因子进行相加,生成各未来时间节点的碳排放因子总和;
将各未来时间节点的碳排放因子总和分别作为电力***在对应的未来时间节点下的碳排放因子的点预测结果;
将同一未来时间节点下的分量预测区间的上界进行相加,以及将同一未来时间节点下的各分量预测区间的下界进行相加,生成电力***在对应未来时间节点下的碳排放因子的预测区间。
7.一种基于时序分解的碳排放因子预测装置,其特征在于,包括:
数据获取模块,用于获取电力***在连续的若干时间节点下的碳排放因子,生成时序数据;
时序分解模块,用于分别根据所述时序数据的趋势特性、周期特性、以及典型事件特性,对所述时序数据进行时序分解,生成所述时序数据的各类特征分量;
点预测模块,用于将每一所述特征分量依次输入至预设的点预测模型中,以使所述点预测模型根据各特征分量预测在未来若干时间节点下的碳排放因子,继而输出每一特征分量对应的点预测序列;
精准度评估模块,用于将各所述点预测序列依次输入至预设的共型预测模型中,以使所述共型预测模型评估点预测序列中未来各时间节点下的碳排放因子的预测精准度,继而输出对应的非一致性序列;
临界值获取模块,用于根据预设的置信比例阈值,从每一所述非一致性序列中获取对应的点预测序列的预测区间上界值以及预测区间下界值;
区间预测模块,用于根据各所述点预测序列、各预测区间上界值以及各预测区间下界值,生成在若干未来时间节点下,各类特征分量对应的碳排放因子的分量预测区间;
数据整合模块,用于根据未来时间节点,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***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。
8.一种电子设备,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6中任意一项所述的基于时序分解的碳排放因子预测方法。
9.一种存储介质,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6中任意一项所述的基于时序分解的碳排放因子预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330667.1A CN117934247B (zh) | 2024-03-22 | 2024-03-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410330667.1A CN117934247B (zh) | 2024-03-22 | 2024-03-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934247A CN117934247A (zh) | 2024-04-26 |
CN117934247B true CN117934247B (zh) | 2024-06-25 |
Family
ID=90751112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410330667.1A Active CN117934247B (zh) | 2024-03-22 | 2024-03-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934247B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494931A (zh) * | 2023-09-22 | 2024-02-02 | 国网湖北省电力有限公司经济技术研究院 | 基于电网节点的边际碳排放因子确定方法、***及设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12001968B2 (en) * | 2021-01-05 | 2024-06-04 | Dell Products, L.P. | Using prediction uncertainty quantifier with machine learning classifier to predict the survival of a storage device |
CN113947150A (zh) * | 2021-10-19 | 2022-01-18 | 辽宁工程技术大学 | 一种基于共形预测的高可靠入侵检测方法 |
CN115098829A (zh) * | 2022-05-20 | 2022-09-23 | 福建省计量科学研究院(福建省眼镜质量检验站) | 一种基于多源计量数据的碳排放量在线分析方法 |
CN115222214A (zh) * | 2022-06-24 | 2022-10-21 | 成都佳华物链云科技有限公司 | 碳排放核验方法、装置、电子设备及存储介质 |
CN115907070A (zh) * | 2022-09-06 | 2023-04-04 | 国网安徽省电力有限公司 | 一种基于电力数据的区域碳排放量预测方法 |
CN115879619A (zh) * | 2022-12-08 | 2023-03-31 | 广东电网有限责任公司 | 一种变电站日前碳排放因子预测方法及*** |
CN116468152A (zh) * | 2023-03-23 | 2023-07-21 | 东南大学 | 高速公路交通运输污染物排放量多情景区间预测方法 |
CN117610737A (zh) * | 2023-12-07 | 2024-02-27 | 广东技术师范大学 | 一种基于astgcn的碳排放因子预测方法和*** |
-
2024
- 2024-03-22 CN CN202410330667.1A patent/CN117934247B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494931A (zh) * | 2023-09-22 | 2024-02-02 | 国网湖北省电力有限公司经济技术研究院 | 基于电网节点的边际碳排放因子确定方法、***及设备 |
Non-Patent Citations (1)
Title |
---|
一种错误率可控的混沌时间序列区间预测算法;王迪;控制与决策;20180425(第5期);956~964 * |
Also Published As
Publication number | Publication date |
---|---|
CN117934247A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patterson et al. | Multivariate singular spectrum analysis for forecasting revisions to real-time data | |
CN111625516B (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
Singh et al. | Integrated forecasting using the discrete wavelet theory and artificial intelligence techniques to reduce the bullwhip effect in a supply chain | |
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
Junior et al. | Optimized hybrid ensemble learning approaches applied to very short-term load forecasting | |
Wang et al. | Prediction of traffic flow at the boundary of a motorway network | |
CN112308414A (zh) | 收入异常检测的方法、装置、电子设备及存储介质 | |
CN113256036B (zh) | 基于Prophet-LSTNet组合模型的供电成本分析预测方法 | |
CN114169625A (zh) | 电力***的短期负荷预测方法及装置 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
Verma et al. | Handling imprecision in inputs using fuzzy logic to predict effort in software development | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
Nolting et al. | Can energy system modeling benefit from artificial neural networks? Application of two-stage metamodels to reduce computation of security of supply assessments | |
CN112651817A (zh) | 一种智能财务决策大数据分析*** | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
Huang et al. | A class of Markov chain models for average run length computations for autocorrelated processes | |
Overbeck et al. | Development and analysis of digital twins of production systems | |
CN111783487B (zh) | 一种读卡器设备的故障预警方法及装置 | |
CN117934247B (zh) | 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 | |
CN116865254A (zh) | 一种电力负荷指标预测方法、***、设备及介质 | |
CN117237085A (zh) | 一种信息处理方法、设备及计算机可读存储介质 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN113837782B (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |