一种基于电网潮流的碳排放计算方法及装置与流程

1.本发明属于碳排放技术领域，涉及一种基于电网潮流的碳排放计算方法及装置。


背景技术：

2.碳排放计算主要包含模型研究、算法验证、软件功能描述以及碳核算能力展示等几个环节。由于传统的碳排放计算指标较多，计算困难。这为碳排放计算的落地推广制造了一定的障碍。
3.此外，不同的碳排放计算项目，其目标各异。需要设计一种能够自适应不同碳排放计算场景的，用户接受度高的碳成分参数生成算法，对推动碳排放计算的落地和实施，大有好处。


技术实现要素：

4.目的：为了克服现有技术中存在的不足，解决传统分析算法普适性差，用户接受度低等问题，本发明提供一种基于电网潮流的碳排放计算方法及装置。
5.技术方案：为解决上述技术问题，本发明采用的技术方案为：
6.第一方面，提供一种基于电网潮流的碳排放计算方法，包括：
7.获取历史碳排放计算事件数据；
8.基于所述历史碳排放计算事件数据，对预构建的电网bp神经网络模型更新参数，直至模型输出的当前参数得到的碳排放量与期望碳排放量的方差e小于设定值，得到确定的参数和训练好的电网bp神经网络模型；其中所述参数包括各时间点的权重wi和逐点距离的放大指数m；
9.获取当前时间点的用电量及参照用电量，输入训练好的电网bp神经网络模型，根据所述网bp神经网络模型的输出，确定碳排放计算结果。
10.在一些实施例中，所述的基于电网潮流的碳排放计算方法，还包括：
11.基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离；
12.基于用电曲线与参照用电曲线的距离，计算电力与典型事件的用户的差异化得分。
13.在一些实施例中，逐点距离计算公式包括：
[0014][0015]
其中pi、分别表示时间点i的用电量以及时间点i的参照用电量。
[0016]
在一些实施例中，基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离包括：
[0017]
[0018]
其中wi为各时间点的权重；为逐点距离计算公式，表示在时间点i用电量与参照用电量的距离；m是逐点距离的放大指数；l是量测的时间点数目。
[0019]
在一些实施例中，用户的差异化得分s的计算方法包括：
[0020][0021]
其中为用电曲线与参照用电曲线的距离。
[0022]
根据所述用户的差异化得分s，可以判断用户的用电情况是否异常。
[0023]
在一些实施例中，所述电网bp神经网络模型包括输入层、隐含层和输出层；
[0024]
将历史碳排放计算事件数据输入电网bp神经网络模型；
[0025]
经过所述输入层处理得到并送入隐含层，其中pi、分别表示时间点i的用电量以及参照用电量；
[0026]
各隐含层的输出hi为m是逐点距离的放大指数；
[0027]
所述输出层输出计算得出的碳排放量o
cal
：
[0028]
其中n为隐含层的个数，wi为各时间点的权重。
[0029]
在一些实施例中，当前参数得到的评价值与期望的方差e的计算方法：包括：
[0030][0031]
其中，e表示当前参数得到的碳排放量与真实碳排放量的方差，o
real
表示真实的碳排放量，o
cal
表示计算得出的碳排放量。
[0032]
在一些实施例中，对预构建的电网bp神经网络模型更新参数，包括：
[0033]
wi按照下述公式更新：
[0034][0035]
其中，为方差e关于各隐含层的权重wi的偏导，为更新后的权重；ηw为学习速率；o
cal
表示计算得到的碳排放量，o
real
表示真实的碳排放量；hi表示各隐含层的输出，m是逐点距离的放大指数；
[0036]
更新速度按照下述公式计算得到：
[0037][0038]
逐点距离的放大指数m按照下列公式更新：
[0039][0040]
其中m
+
为更新后的放大指数，ηm为关于放大指数的学习速率。
[0041]
进一步地，学习速率ηw、ηm默认为0.1。
[0042]
第二方面，本发明提供了一种基于电网潮流的碳排放计算装置，包括处理器及存储介质；
[0043]
所述存储介质用于存储指令；
[0044]
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
[0045]
第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
[0046]
有益效果：本发明提供的基于电网潮流的碳排放计算方法及装置，具有以下优点：本发明利用改进思维进化算法优化后的初始权值和阀值，bp神经网络的泛化性能更高，预测误差更低。
附图说明
[0047]
图1为根据本发明一实施例的基于电网潮流的碳排放计算方法流程图；
[0048]
图2为根据本发明一实施例的电网网络示意图；
[0049]
图3为根据本发明一实施例中权重优化前后示意图。
具体实施方式
[0050]
下面结合附图和实施例对本发明作进一步描述。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。
[0051]
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0052]
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0053]
实施例1
[0054]
一种基于电网潮流的碳排放计算方法，包括：
[0055]
获取历史碳排放计算事件数据；
[0056]
基于所述历史碳排放计算事件数据，对预构建的电网bp神经网络模型更新参数，直至模型输出的当前参数得到的碳排放量与期望碳排放量的方差e小于设定值，得到确定的参数和训练好的电网bp神经网络模型；其中所述参数包括各时间点的权重wi和逐点距离的放大指数m；
[0057]
获取当前时间点的用电量及参照用电量，输入训练好的电网bp神经网络模型，根据所述网bp神经网络模型的输出，确定碳排放计算结果。
[0058]
在一些实施例中，所述的基于电网潮流的碳排放计算方法，还包括：
[0059]
基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离；
[0060]
基于用电曲线与参照用电曲线的距离，计算电力与典型事件的用户的差异化得分。
[0061]
在一些实施例中，逐点距离计算公式包括：
[0062][0063]
其中pi、分别表示时间点i的用电量以及时间点i的参照用电量。
[0064]
在一些实施例中，基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离包括：
[0065][0066]
其中wi为各时间点的权重；为逐点距离计算公式，表示在时间点i用电量与参照用电量的距离；m是逐点距离的放大指数；l是量测的时间点数目。
[0067]
在一些实施例中，用户的差异化得分s的计算方法包括：
[0068][0069]
其中为用电曲线与参照用电曲线的距离。
[0070]
根据所述用户的差异化得分s，可以判断用户的用电情况是否异常。
[0071]
在一些实施例中，如图2所示，所述电网bp神经网络模型包括输入层、隐含层和输出层；
[0072]
将历史碳排放计算事件数据输入电网bp神经网络模型；
[0073]
经过所述输入层处理得到并送入隐含层，其中pi、分别表示时间点i的用电量以及参照用电量；
[0074]
各隐含层的输出hi为m是逐点距离的放大指数；
[0075]
所述输出层输出计算得出的碳排放量o
cal
：
[0076]
其中n为隐含层的个数，wi为各时间点的权重。
[0077]
在一些实施例中，当前参数得到的评价值与期望的方差e的计算方法：包括：
[0078][0079]
其中，e表示当前参数得到的碳排放量与真实碳排放量的方差，o
real
表示真实的碳排放量，o
cal
表示计算得出的碳排放量。
[0080]
在一些实施例中，对预构建的电网bp神经网络模型更新参数，包括：
[0081]
wi按照下述公式更新：
[0082][0083]
其中，为方差e关于各隐含层的权重wi的偏导，为更新后的权重；ηw为学习速率；o
cal
表示计算得到的碳排放量，o
real
表示真实的碳排放量；hi表示各隐含层的输出，m是逐点距离的放大指数；
[0084]
更新速度按照下述公式计算得到：
[0085][0086]
逐点距离的放大指数m按照下列公式更新：
[0087][0088]
其中m
+
为更新后的放大指数，ηm为关于放大指数的学习速率。
[0089]
进一步地，学习速率ηw、ηm默认为0.1。
[0090]
在一些实施例中，初始阶段wi设置为1，m设置为2。
[0091]
当e的值小于设定值时，更新结束；当e的值大于设定值时，重复更新过程，直至参数收敛。
[0092]
在一些实施例中，本实施例仿真取北京大兴区某公司，分析碳排放状况。以每五分钟采集一次数据来考虑，那么神经网络的模型中，由于一次碳排放事件计算周期一般不超
过24小时，因此n的值为288。选择129个用户作为分析对象。在这些用户中，2017年经历了3次碳排放计算事件。每起事件中，都对参与提升的各用户，单独进行分析评价。这3起事件，合计用户分析计算267次。
[0093]
在这些碳排放量计算事件中，以最初的9次碳排放计算事件作为训练样本。经过计算，得到一个288点(图3仅标注24点)的递增权重向量。m调整为5.7。
[0094]
对比仿真结果不难发现，利用改进思维进化算法优化后的初始权值和阀值，bp神经网络的泛化性能更高，测试集的预测误差更低。
[0095]
本实施例针对北京大兴区碳排放计算系统进行仿真测试，提出最为准确可靠的碳排放计算方法，计算结果的准确性很高。本方法是可以推广到智能电网园区其它大型用能机构的碳排放计算实施中，有利于推动碳排放计算的落地应用，推动国家双碳目标的完成。
[0096]
实施例2
[0097]
第二方面，本实施例提供了一种基于电网潮流的碳排放计算装置，包括处理器及存储介质；
[0098]
所述存储介质用于存储指令；
[0099]
所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。
[0100]
实施例3
[0101]
第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
[0102]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0103]
本技术是参照根据本技术实施例的方法、设备(系统)、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。
[0104]
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。
[0105]
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。
[0106]
以上所述仅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，这些改进和润饰也应
视为本发明的保护范围。