本发明涉及数据处理，具体涉及一种考虑多区域火电厂的碳排放联合预测方法和系统。
背景技术：
1、随着科技的发展，人们的工作生活越发离不开电力的使用。目前，发电技术主要是靠火力发电厂进行发电，从而提供给人们使用。中国火电行业的碳排放占总量的45％。为此，对发电情况，例如碳排放量数据进行预测，对于火力发电厂具有重大意义。
2、现有技术通过以能源碳排放量为对象，利用多变量灰色模型，通过利用碳排放区域的数据信息作为碳排放影响因素和能源消耗数据预测了目标区域的碳排放量。
3、然而，现有技术仅仅研究单个区域的碳排放，不同区域工厂之间在达到碳达峰目标方面存在显着的区域差异，这在当前的研究中被忽视了。碳排放不仅与区域自身相关，还受到其周围区域的影响。因此，现有技术未考虑到其他区域的影响，预测碳排放量的准确性较差。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种多区域火电厂的碳排放联合预测方法和系统，解决了现有技术中未考虑到区域之间空间相关性，预测碳排放量的准确性较差的技术问题。
3、(二)技术方案
4、本发明解决其技术问题所提供的一种多区域火电厂的碳排放联合预测方法，包括以下步骤：
5、获取多个区域的碳排放量数据，所述碳排放量数据为每个区域的多个火力发电厂在预设时间内的碳排放量；对所述碳排放量数据进行数据分解处理，以获取多个区域的碳排放量趋势分量数据；对所述碳排放量趋势分量数据进行区域空间关联处理，以得到多个区域对应的碳排放量空间特征；对所述碳排放量空间特征进行时间关联处理，得到多个区域对应的碳排放量时间特征；基于所述碳排放量时间特征获取多个区域的碳排放量预测数据。
6、优选的，所述获取多个区域的碳排放量数据，包括：
7、
8、其中，xa表示a区域中所有火力发电厂对应的碳排放量数据，a区域共有i个火力发电厂；ci表示第i个火力发电厂的电站容量；ti表示第i个火力发电厂的机组在一天中的利用时间；f表示火力发电厂的燃料，pi,f表示第i个火力发电厂的燃料f的燃料强度；eff表示燃料f的碳排放系数；eci表示第i个火力发电厂的节能参数；pri表示第i个火力发电厂的平均渗透率。
9、优选的，所述对所述碳排放量数据进行数据分解处理，包括：
10、基于所述碳排放量数据构建轨迹矩阵；对所述轨迹矩阵执行奇异值分解处理，以得到主成分；基于预设的迭代条件，对所述主成分进行分组重建处理，得到碳排放量趋势分量数据。
11、优选的，所述基于所述碳排放量数据构建轨迹矩阵，包括：
12、获取所述碳排放量数据的功率谱，并基于所述功率谱获取最大频率和采样频率；计算所述最大频率和所述采样频率的频率比值并进行归一化处理；如果归一化处理结果小于预设阈值，将嵌入窗口的大小设置为所述碳排放量数据的长度的三分之一；如果归一化处理结果大于或等于预设阈值，将嵌入窗口的大小设置为所述频率比值的倒数的二倍大小；基于所述嵌入窗口的大小，构建轨迹矩阵；
13、所述基于预设的迭代条件，对所述主成分进行分组重建处理，包括：
14、对特征值最大的主成分进行重建处理，得到碳排放量趋势分量数据；
15、计算残差归一化均方误差，包括：
16、
17、其中，vq+1(t)表示第q+1个主成分的残差，q表示迭代轮次，x(t)表示碳排放量数据；
18、如果所述残差归一化均方误差小于预设的误差阈值，则迭代终止，以输出碳排放量趋势分量数据。如果所述残差归一化均方误差大于或等于预设的误差阈值，则将所述碳排放量数据减去所述碳排放量趋势分量数据，以更新碳排放量数据；并基于更新后的碳排放量数据重新执行基于所述碳排放量数据构建轨迹矩阵的步骤，以进行下一轮迭代。
19、优选的，对碳排放量趋势分量数据进行区域空间关联处理，包括：
20、基于注意力机制对多个区域的碳排放量趋势分量数据进行处理，以获取虚拟动态空间矩阵；所述虚拟动态空间矩阵包括：
21、a＝softmax(reshape(x(q)(t))(reshape(x(q)(t+t')))t)
22、其中，x(q)(t)表示在时间t内的第q个碳排放量趋势分量数据，x(q)(t+t')表示在时间t+t'内的第q个碳排放量趋势分量数据；
23、基于预设的多个图神经网络对所述虚拟动态空间矩阵进行处理，得到多个空间特征结果；基于nas策略对所述多个动态空间特征结果进行搜索筛选，得到最优的碳排放量空间特征。
24、优选的，对所述碳排放量空间特征进行时间关联处理，包括：
25、对所述碳排放量空间特征和所述碳排放量趋势分量数据进行混淆处理，得到碳排放量混合特征；将所述碳排放量混合特征输入至预先构建的神经网络模型中，以使所述神经网络模型的多个特征提取模块依次对所述碳排放量混合特征进行处理，得到碳排放量时间特征。
26、优选的，对所述碳排放量空间特征和所述碳排放量趋势分量数据进行混淆处理，包括：
27、
28、其中，x(q)表示碳排放量趋势分量数据，x(q)'表示碳排放量空间特征；λa∈[0,1]，表示从beta分布中获取的随机数。
29、优选的，所述特征提取模块包括第一变压器编码器和第二变压器编码器；一个特征提取模块对所述碳排放量混合特征进行处理，包括：
30、将所述碳排放量混合特征输入至第一变压器编码器中；
31、所述第一变压器编码器基于多头自我注意机制对所述碳排放量混合特征进行处理，包括：
32、
33、
34、其中，表示注意力输出；是变换矩阵；dk表示比例因子；qi，ki，vi分别表示每个头的查询、键和值；
35、基于所述注意力输出获取多头自我注意输出，包括：
36、
37、其中，wo表示线性变换矩阵；
38、所述第一变压器编码器对所述多头自我注意输出进行残差连接和层归一化处理，包括：
39、
40、其中，xmid是第一ln输出；
41、所述第一变压器编码器将所述第一ln输出输入至前馈网络进行非线性处理，包括：
42、xffn＝ffn(xmid)
43、其中，xffn表示非线性处理结果；
44、所述第一变压器编码器对所述非线性处理结果进行残差连接和层归一化处理，包括：
45、
46、其中，表示第一变压器编码器输出；
47、对第一变压器编码器输出进行转置，并将转置结果输入至第二变压器编码器中，以使第二变压器编码器对所述转置结果进行处理，包括：
48、
49、其中，是第二变压器编码器输出；
50、表示第二变压器编码器的映射过程。
51、优选的，还包括：基于预先构建的成本预测模型对所述碳排放量预测数据进行处理，得到最小预测成本；所述成本预测模型包括目标函数和约束条件；所述目标函数为：
52、
53、其中，i表示技术，t表示年，n和n’表示区域，r表示折扣率；
54、
55、其中，ini,t,n表示投资成本，表示第n个区域在第t年的第i个技术的新建容量，表示第i个技术的新建投资成本；第n个区域在第t年的第i个技术的改造容量，表示第i个技术的改造成本；
56、leni表示技术寿命；αi表示投资成本降低率；
57、omi,t,n＝omi,t·di,t,n·hi,n
58、其中，omi,t,n表示运维成本，omi,t，di,t,n，hi,n分别表示第n个区域在第t年的第i个技术的运维成本，技术实际运行能力，年运行小时数；
59、fci,t,n＝fpi,t,n·di,t,n·hi,n·ξi,n
60、其中，fci,t,n表示燃料成本；fpi,t,n和ξi,n分别表示燃油价格和油耗率；
61、eci,t,n＝(di,t,n·hi,n·ξi,n+xt,n)·efk·(1-wk)·prk
62、其中，eci,t,n表示环境成本；efk和prk分别代表排放系数和排放成本，xt,n是第n个区域在第t年的碳排量，wk是碳捕获率；
63、trci,n,n'＝tpt,n,n'·luct,n,n'
64、其中，trct,n,n'表示传输成本；tpt,n,n'和luct,n,n'分别是在第t年从第n个区域到第n’个区域的输电功率和线路使用成本；
65、
66、其中，vci,t,n表示ccs的可变成本；ηi,t是ccs的可变成本系数；
67、所述约束条件包括：
68、
69、其中，θn为用电量自耗率，δn为传输线损率，表示对火力发电的需求；
70、
71、
72、di,t,n≤si,t,n
73、其中，si,t,n表示第n个区域在第t年的第i个技术的总装机容量，表示第n个区域在第t年的第i个技术的淘汰容量；
74、
75、
76、其中，ccapacity为年最小淘汰容量；
77、
78、其中，cap表示二氧化碳的量捕获；
79、基于预先构建的多变量预测模型对所述最小预测成本进行处理，得到成本预测区间数据。
80、第二方面，本技术解决其技术问题所提供的一种多区域火电厂的碳排放联合预测系统，所述系统包括：
81、数据获取模块，被配置为获取多个区域的碳排放量数据，所述碳排放量数据为每个区域的多个火力发电厂在预设时间内的碳排放量；
82、数据联合分解模块，被配置为对所述碳排放量数据进行数据分解处理，以获取多个区域的碳排放量趋势分量数据；
83、空间特征联合获取模块，被配置为对所述碳排放量趋势分量数据进行区域空间关联处理，以得到多个区域对应的碳排放量空间特征；
84、时间特征联合获取模块，被配置为对所述碳排放量空间特征进行时间关联处理，得到多个区域对应的碳排放量时间特征；
85、预测模块，被配置为基于所述碳排放量时间特征获取多个区域的碳排放量预测数据。
86、(三)有益效果
87、本发明提供了一种多区域火电厂的碳排放联合预测方法和系统。与现有技术相比，具备以下有益效果：
88、本发明通过获取多个区域的碳排放量数据，对碳排放量数据进行数据分解处理，以获取多个区域的碳排放量趋势分量数据。对碳排放量趋势分量数据进行区域空间关联处理，以得到多个区域对应的碳排放量空间特征；对碳排放量空间特征进行时间关联处理，得到多个区域对应的碳排放量时间特征；基于碳排放量时间特征获取多个区域的碳排放量预测数据。本发明考虑到多个区域之间的空间性影响，对碳排放量进行预测，预测结果的准确性较高。