一种基于电力数据驱动的钢铁行业碳排放监测方法与流程

本发明涉及碳排放监测，特别涉及一种基于电力数据驱动的钢铁行业碳排放监测方法。

背景技术：

1、钢铁行业的用电数据与碳排放数据存在一定的关联关系。以长流程的钢铁制造为例，主要包括焦化、烧结、炼铁、炼钢和热轧等生产工序。钢铁企业主要的用能介质是煤、焦炭、煤气、电及蒸汽，主要的用能设备有焦炉、烧结机、高炉、热风炉、转炉、加热炉。钢铁制造过程中所有设备都涉及电力系统的应用，其中高炉鼓风、烧结、轧钢和转炉系统所占比率较大，合计在60％以上，其他设备相对较低。电力系统可分为工艺电、生产电及生活电。工艺电是将电能转化成为热能、机械能和风能等，包括轧钢系统的轧机、烧结系统的主抽风机及环冷鼓风机、除尘风机、工艺热处理电炉等，其特点是电能消耗由工艺参数决定，可通过工艺参数的变化及工序之间的耦合来实现工艺电的节能；生产电针对物料的移动、提升以及相关介质的加压等，主要包括吊车运行、提升泵站运行等等，节能方式主要在于强化工作效率，降低空载、空转问题，并对大型运行设备使用变频技术；生活电主要为照明、洗浴等生活用电，强化管理、实现绿色照明等是节电的主要措施。钢铁行业直接碳排放和用电量历年数据显示：企业用电量和碳排放量存在显著的正相关线性关系。现有的企业碳排放数据主要依托碳核查工作获取，存在时效上的一个自然年度的滞后性问题，因此提出一种基于电力数据驱动的钢铁行业碳排放监测方法，利用电力数据精确计量、实时获取、统一管理等特点对钢铁行业碳排放监测十分必要。

技术实现思路

1、为了解决上述背景技术中提到的现有的企业碳排放数据主要依托碳核查工作获取，存在时效上的一个自然年度的滞后性问题，本发明提供了一种基于电力数据驱动的钢铁行业碳排放监测方法，包括以下步骤：

2、s1：电力设备数据采集，建立电-碳实时数据集；

3、s2：输入电-碳实时数据集，依据知识图谱算法建立电-碳关系函数；

4、s3：通过电-碳关系函数，运用机器学习算法建立基于电力数据的碳排放转换模型；

5、s4：通过融合优化算法和交叉验证算法对碳排放转换模型进行优化，构建不同时间维度的电-碳监测模型。

6、优选的是，s2中：知识图谱算法将电力数据和碳排放量构建电力-关系-碳排放量三元组得到电-碳关系函数。

7、优选的是，s4中，交叉验证算法具体为将电-碳实时数据进行分组,一部分做为训练集，另一部分做为验证集，首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型。

8、优选的是，s4中，融合优化算法包括基信息熵定权法的多模型融合预测和基于神经网络的多模型非线性融合预测。基信息熵定权法的多模型融合预测使用多个预测模型进行预报，需要通过给每个模型分配权重的方式使每个模型的优势得到全面发挥，实现组合预报；基于神经网络的多模型非线性融合预测将多个模型的预报结果作为bp神经网络的输入，对碳排放数据做进一步模拟，从而实现多模型预报信息的融合。

9、优选的是，利用马尔科夫链误差修正技术对电-碳监测模型，根据历史预测误差的分布情况对其进行分类，统计出属于不同类别误差之间的状态转移概率。

10、本发明实施例提供的技术方案带来的有益效果至少包括：

11、本发明对钢铁行业碳排放特征进行深入分析，确定符合典型用能企业情况的行业碳排放量核算方法，充分考虑行业产品结构、管理水平、技术现状与政策环境建立减碳潜力分析行业模型。引入电-碳实时数据，通过大数据驱动与模型驱动结合方式重构碳减排潜力评估方法，提出适合中国国情和典型企业情况的精细化碳减排增值服务，结合地方政府、用能企业、投资服务方等多主体的利益均衡进行分析和服务模式的优化。

技术特征：

1.一种基于电力数据驱动的钢铁行业碳排放监测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于电力数据驱动的钢铁行业碳排放监测方法，其特征在于，s2中：知识图谱算法将电力数据和碳排放量构建电力-关系-碳排放量三元组得到电-碳关系函数。

3.根据权利要求1所述的一种基于电力数据驱动的钢铁行业碳排放监测方法，其特征在于，s4中，交叉验证算法具体为将电-碳实时数据进行分组,一部分做为训练集，另一部分做为验证集，首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型。

4.根据权利要求1所述的一种基于电力数据驱动的钢铁行业碳排放监测方法，其特征在于，s4中，融合优化算法包括基信息熵定权法的多模型融合预测和基于神经网络的多模型非线性融合预测。基信息熵定权法的多模型融合预测使用多个预测模型进行预报，需要通过给每个模型分配权重的方式使每个模型的优势得到全面发挥，实现组合预报；基于神经网络的多模型非线性融合预测将多个模型的预报结果作为bp神经网络的输入，对碳排放数据做进一步模拟，从而实现多模型预报信息的融合。

5.根据权利要求1所述的一种基于电力数据驱动的钢铁行业碳排放监测方法，其特征在于，利用马尔科夫链误差修正技术对电-碳监测模型，根据历史预测误差的分布情况对其进行分类，统计出属于不同类别误差之间的状态转移概率。

技术总结
本发明公开了一种基于电力数据驱动的钢铁行业碳排放监测方法，包括以下步骤：S1：电力设备数据采集，建立电‑碳实时数据集；S2：输入电‑碳实时数据集，依据知识图谱算法建立电‑碳关系函数；S3：通过电‑碳关系函数，运用机器学习算法建立基于电力数据的碳排放转换模型；S4：通过融合优化算法和交叉验证算法对碳排放转换模型进行优化，构建不同时间维度的电‑碳监测模型。本发明通过企业电力数据，挖掘“电力‑能源消费‑碳排放”的深层次关联体系，应用关联知识图谱理论、机器学习算法、交叉验证与融合优化算法构建基于电力数据驱动的钢铁行业碳排放监测的预测模型，对钢铁企业的碳减排潜力进行挖掘。

技术研发人员：何海,赵郁婷,祝湘博,陈昱达,陶义,孟令卿,陈卉雯,潘媛,金佳星,商梦洋,李广地,王迎春,周博文,谷鹏,李子文
受保护的技术使用者：国网辽宁省电力有限公司鞍山供电公司
技术研发日：
技术公布日：2024/3/12