一种基于大数据的碳排放测算方法及装置与流程

1.本技术请求保护一种大数据预测方法，尤其涉及一种基于大数据的碳排放测算方法。本技术还涉及一种基于大数据的碳排放测算装置。


背景技术：

2.电能的获取主要是火电，火电是通过矿物燃料燃烧转换的，这个过程中会排放二氧化碳等含碳气体，称为碳排放。
3.目前，绿色发展称为社会发展的主要方向，而控制碳排放则是绿色发展的重要内容之一，控制碳排放首先便是进行碳排放测算。
4.现有技术中，碳排放通过一系列检测测算出来的，需要极为精确的测量方法以及大量的计算才能获取，这对于普通企业来水是非常困难的，因此急需一种简易直接的方法进行碳排放的测算。


技术实现要素：

5.为了解决上述技术方案中的一个或者多个技术问题，本技术提供一种基于大数据的碳排放测算方法。本技术还涉及一种基于大数据的碳排放测算方装置。
6.本技术提供一种基于大数据的碳排放测算方法，包括：
7.获取电网的负载功率信息、电网电压信息和电网电流信息；
8.根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；
9.将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；
10.根据融合图计算碳排放。
11.可选的，所述电网包括，公共电网、局域电网以及家庭电网；
12.可选的，所述卷积神经网络的训练方法包括：
13.提取所述电网负载功率、电网电压和电网电流的历史数据；
14.基于所述历史数据配置参数后生成样本集；
15.基于所述样本集的数据输入到所述卷积神经网络模型中，训练并获得融合图；
16.基于所述融合图调整所述卷积神经网络参数，并重复上述步骤，到所述融合图符合预期。
17.可选的，所述配置参数为所述电网中发电量与电量比值。
18.可选的，所述配置参数为所述电网中电量的化石能源电量和清洁能源电量的比值。
19.本技术还提供一种基于大数据的碳排放测算装置，包括：
20.获取模块，用于获取电网的负载功率信息、电网电压信息和电网电流信息；
21.预处理模块，用于根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；
22.分析模块，用于将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；
23.计算模块，用于根据融合图计算碳排放。
24.可选的，所述电网包括，公共电网、局域电网以及家庭电网；
25.可选的，还包括训练模块；
26.所述训练模块包括：
27.提取单元，用于提取所述电网负载功率、电网电压和电网电流的历史数据；
28.样本单元，用于基于所述历史数据配置参数后生成样本集；
29.训练单元，用于基于所述样本集的数据输入到所述卷积神经网络模型中，训练并获得融合图；
30.调整单元，用于基于所述融合图调整所述卷积神经网络参数，并重复上述步骤，到所述融合图符合预期。
31.可选的，所述配置参数为所述电网中发电量与电量比值。
32.可选的，所述配置参数为所述电网中电量的化石能源电量和清洁能源电量的比值。
33.本技术相较于现有技术的优点是：
34.本技术提供一种基于大数据的碳排放测算方法，包括：获取电网的负载功率信息、电网电压信息和电网电流信息；根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；根据融合图计算碳排放。本技术采用卷积神经网络模型直接对电网电压、电流和负载数据进行碳排放的测算，数据获取简单，并且测算较为精准，适合性强。
附图说明
35.图1是本技术中基于大数据的碳排放测算流程图。
36.图2是本技术中卷积神经网络训练流程图。
37.图3是本技术中基于大数据的碳排放测算装置示意图。
具体实施方式
38.以下内容均是为了详细说明本技术要保护的技术方案所提供的具体实施过程的示例，但是本技术还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本技术构思的指引下，采用不同的技术手段实现本技术，因此本技术不受下面具体实施例的
限制。
39.本技术提供一种基于大数据的碳排放测算方法，包括：获取电网的负载功率信息、电网电压信息和电网电流信息；根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；根据融合图计算碳排放。本技术采用卷积神经网络模型直接对电网电压、电流和负载数据进行碳排放的测算，数据获取简单，并且测算较为精准，适合性强。
40.图1是本技术中基于大数据的碳排放测算流程图。
41.请参照图1所示，s101获取电网的负载功率信息、电网电压信息和电网电流信息。
42.所示负载功率信息、电网电压信息以及电网电流信息主要是数据的值。例如：所示负载功率的大小，电网电压的大小，电网电流的大小等。获取所述负载功率信息，电网电压信息和电网电流信息可以采用直接读取的方式，例如读取所述负载的功率信息，直接读取该负载的功率参数即可。读取所述电网电压信息和电网电流信息，可以通过电压互感器和电流互感器读取，并经过ad转换成为数字信息。
43.优选的，所述电网包括，公共电网、局域电网以及家庭电网。
44.请参照图1所示，s102根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集。
45.具体的，所述属性特征是指电网中电量的碳含量，具体而言，所述电网中的电量可能是由多种电源产生的，其中包含有火电、也可能还包含有新能源，例如风电、水电等，而会产生碳排放的，只有火电，新能源不会产生碳排放，因此所述属性特征是指一个比例，既电量的含碳量。
46.具体的，所述新能源与火电电量的比值就是所述属性特征，基于所述属性特征，进行碳排放分析更为精确。
47.将所述电网中电量的含碳量作为所述参数进行计算，分别将所述电网电压、电网电流以及负载功率进行等比例减小，形成预测数据，将全部预测数据的集合作为预测集。
48.请参照图1所示，s103将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图。
49.图2是本技术中卷积神经网络训练流程图。
50.请参照图2所示，s201提取所述电网负载功率、电网电压和电网电流的历史数据；
51.s202基于所述历史数据配置参数后生成样本集；
52.s203基于所述样本集的数据输入到所述卷积神经网络模型中，训练并获得融合图；
53.s204基于所述融合图调整所述卷积神经网络参数，并重复上述步骤，到所述融合图符合预期。
54.所述配置参数为所述电网中发电量与电量比值，或者所述配置参数为所述电网中
电量的化石能源电量和清洁能源电量的比值。本技术中，所述配置参数还可以是上述两种比值的积。
55.所述卷积神经网络具有第一卷积层、第二卷积层和第三卷积层。所述预测集输入到所述第一卷积层后，根据所述电网电压信息和电网电流信息生成电网的功率信息，将所述功率信息按照时间顺序排列，并提取关键点，该关键点的确定表达式如下：
56.a(x，y)＝(ti，pi)，p
i-p
i-1《b，p
i-pi+1《b
57.其中，所述a表示关键点，所述ti表示按照预设间隔取的时间点，所述pi表示ti时间点时的功率信息，所述b表示功率差阈值，既两个相邻时间点的功率差值。
58.通过上述表达式选取关键点是选择最具代表性的功率信息，选出的关键点作为输入第二卷积层的第一输入数据。在具体的执行中，第一卷积层还需要进行负载功率的关键点选择，以相同的方式进行关键点选择后，将选出的负载功率关键点作为第二卷积层的第二输入数据。
59.所述第二卷积层对所述第一输入数据和第二输入数据进行再次筛选关键点，生成地三输入数据和第四输入数据输入到第三卷积层中。
60.所述第三卷积层对所述第三输入数据和第四输入数据进行再次筛选关键点，并生成功率关键点和负载关键点。
61.所述融合层输入所述功率关键点和负载关键点，然后基于时间顺序进行所述功率关键点和负载关键点的融合，其中所述负载关键点将根据电网本身的电能损耗，进行数值调整。将相同时间点处于重合的所述功率关键点和所述负载关键点融合，并删除未重合的关键点，生成碳排放趋势的点集合。
62.请参照图1所示，s104根据融合图计算碳排放。
63.具体的，根据所述碳排放趋势点集合在时间轴上的坐标，生成碳排放趋势图，根据所述趋势图可以确定所述电网能耗，此时为所述能耗乘以碳排放因子，获得碳排放量。
64.本技术还提供一种基于大数据的碳排放测算装置，包括获取模块301、预处理模块302、分析模块303和计算模块304。
65.图3是本技术中基于大数据的碳排放测算装置示意图。
66.获取模块301，用于获取电网的负载功率信息、电网电压信息和电网电流信息。
67.所示负载功率信息、电网电压信息以及电网电流信息主要是数据的值。例如：所示负载功率的大小，电网电压的大小，电网电流的大小等。获取所述负载功率信息，电网电压信息和电网电流信息可以采用直接读取的方式，例如读取所述负载的功率信息，直接读取该负载的功率参数即可。读取所述电网电压信息和电网电流信息，可以通过电压互感器和电流互感器读取，并经过ad转换成为数字信息。
68.优选的，所述电网包括，公共电网、局域电网以及家庭电网。
69.请参照图3所示，预处理模块302，用于根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集。
70.具体的，所述属性特征是指电网中电量的碳含量，具体而言，所述电网中的电量可能是由多种电源产生的，其中包含有火电、也可能还包含有新能源，例如风电、水电等，而会产生碳排放的，只有火电，新能源不会产生碳排放，因此所述属性特征是指一个比例，既电量的含碳量。
71.具体的，所述新能源与火电电量的比值就是所述属性特征，基于所述属性特征，进行碳排放分析更为精确。
72.将所述电网中电量的含碳量作为所述参数进行计算，分别将所述电网电压、电网电流以及负载功率进行等比例减小，形成预测数据，将全部预测数据的集合作为预测集。
73.请参照图3所示，分析模块303，用于将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图。
74.本技术中的卷积神经网络通过训练模块预先训练，所述训练模块包括：
75.提取单元，用于提取所述电网负载功率、电网电压和电网电流的历史数据；
76.样本单元，用于基于所述历史数据配置参数后生成样本集；
77.训练单元，用于基于所述样本集的数据输入到所述卷积神经网络模型中，训练并获得融合图；
78.调整单元，用于基于所述融合图调整所述卷积神经网络参数，并重复上述步骤，到所述融合图符合预期。
79.所述配置参数为所述电网中发电量与电量比值，或者所述配置参数为所述电网中电量的化石能源电量和清洁能源电量的比值。本技术中，所述配置参数还可以是上述两种比值的积。
80.所述卷积神经网络具有第一卷积层、第二卷积层和第三卷积层。所述预测集输入到所述第一卷积层后，根据所述电网电压信息和电网电流信息生成电网的功率信息，将所述功率信息按照时间顺序排列，并提取关键点，该关键点的确定表达式如下：
81.a(x，y)＝(ti，pi)，p
i-p
i-1《b，p
i-pi+1《b
82.其中，所述a表示关键点，所述ti表示按照预设间隔取的时间点，所述pi表示ti时间点时的功率信息，所述b表示功率差阈值，既两个相邻时间点的功率差值。
83.通过上述表达式选取关键点是选择最具代表性的功率信息，选出的关键点作为输入第二卷积层的第一输入数据。在具体的执行中，第一卷积层还需要进行负载功率的关键点选择，以相同的方式进行关键点选择后，将选出的负载功率关键点作为第二卷积层的第二输入数据。
84.所述第二卷积层对所述第一输入数据和第二输入数据进行再次筛选关键点，生成地三输入数据和第四输入数据输入到第三卷积层中。
85.所述第三卷积层对所述第三输入数据和第四输入数据进行再次筛选关键点，并生成功率关键点和负载关键点。
86.所述融合层输入所述功率关键点和负载关键点，然后基于时间顺序进行所述功率关键点和负载关键点的融合，其中所述负载关键点将根据电网本身的电能损耗，进行数值调整。将相同时间点处于重合的所述功率关键点和所述负载关键点融合，并删除未重合的的关键点，生成碳排放趋势的点集合。
87.请参照图3所示，计算模块303，用于根据融合图计算碳排放。
88.具体的，根据所述碳排放趋势点集合在时间轴上的坐标，生成碳排放趋势图，根据所述趋势图可以确定所述电网能耗，此时为所述能耗乘以碳排放因子，获得碳排放量。