本发明涉及碳排放,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:
1、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,尤其在电力系统规划和运营中,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。
2、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。
3、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。
技术实现思路
1、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,通过充分分析了当前碳排放因子的时序数据的各类特性,来预测电力系统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。
2、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:
3、获取电力系统在连续的若干时间节点下的碳排放因子,生成时序数据;
4、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;
5、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;
6、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;
7、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;
8、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;
9、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,生成电力系统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。
10、进一步的,所述获取电力系统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:
11、获取电力系统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;
12、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:
13、;
14、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;
15、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:
16、;
17、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,为与所述标时间节点相邻的后一时间节点的碳排放因子;
18、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。
19、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:
20、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,获取电力系统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;
21、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:
22、;
23、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,为与所述标时间节点相邻的后一时间节点的碳排放因子;
24、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。
25、进一步的,所述特征分量,包括:趋势分量;
26、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:
27、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;
28、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:
29、;
30、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。
31、进一步的,所述特征分量,还包括:周期分量;
32、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:
33、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:
34、;
35、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。
36、进一步的,所述特征分量,还包括:典型事件分量;
37、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:
38、获取对电力系统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系统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;
39、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:
40、;
41、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。
42、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;
43、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:
44、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;
45、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。
46、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,生成电力系统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:
47、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;
48、将各未来时间节点的碳排放因子总和分别作为电力系统在对应的未来时间节点下的碳排放因子的点预测结果;
49、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,生成电力系统在对应未来时间节点下的碳排放因子的预测区间。
50、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:
51、数据获取模块,用于获取电力系统在连续的若干时间节点下的碳排放因子,生成时序数据;
52、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;
53、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;
54、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;
55、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;
56、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;
57、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,生成电力系统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。
58、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。
59、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。
60、通过实施本发明具有如下有益效果:
61、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,通过将电力系统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,最终整合生成电力系统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,来预测电力系统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。