火电厂碳排放量的确定方法及装置

技术领域

本发明涉及碳排放量计算技术领域，尤其涉及一种火电厂碳排放量的确定方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

火力发电厂作为一次能源向二次能源的转换站，其运行消耗了大量的一次能源，且是工业行业主要碳排放源。目前，现有技术中计算碳排放量(二氧化碳排放量)的方法是根据燃料特性直接获得碳的缺省排放因子，再乘上各煤电厂实际原煤耗量，从而估算二氧化碳排放量。

然而，影响碳排放量的主要因素除燃料类型外，还包括机组装机容量、发电负荷等火电厂设备的运行工况，根据缺省因子计算碳排放量只能得到相当粗糙的结果；而且火力发电完整流程涉及设备种类多，运行工况复杂，火力发电参数与碳排放之间存在非线性、强耦合的复杂关系，现有技术方案即使考虑到结合多种参数计算碳排放量，也无法明显提高碳排放量的计算精度，而且火力发电参数体量庞大，大大降低了碳排放量的计算效率。

发明内容

本发明实施例提供一种火电厂碳排放量的确定方法，用以提高碳排放量的计算精度和计算效率，该方法包括：

获取火电厂的历史运行参数，以及历史运行参数对应的实际碳排放量，其中历史运行参数包括火力发电过程中最大涵盖范围内的多个运行参数；

将火电厂的历史运行参数及实际碳排放量作为样本数据，对机器学习模型训练，得到第一碳排放量预测模型；在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度；根据每个运行参数对第一碳排放量预测模型预测结果的影响程度，确定每个运行参数的第一权重；

根据火力发电的操作特点和效果特点，对火电厂的历史运行参数进行分类，将运行参数划分为多个类别；确定每两类运行参数之间的重要性相对关系，根据所述重要性相对关系和预先设定的重要度量化值，构建重要性判断矩阵；将重要性判断矩阵中最大特征值对应的特征向量作为权向量，其中权向量中的每个数值代表一类运行参数及该类运行参数包含的每个运行参数的第二权重；

根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数；根据多个关键运行参数，以及多个关键运行参数对应的实际碳排放量，对机器学习模型训练，得到第二碳排放量预测模型；利用所述第二碳排放量预测模型，对火电厂的碳排放量进行预测。

可选的，获取火电厂的历史运行参数，包括：剔除历史运行参数中的重复数据和异常数据。

可选的，获取火电厂的历史运行参数，包括：采用线性插值方法，补充历史运行参数中的缺失数据。

可选的，在获取火电厂的历史运行参数之后，还包括：确定历史运行参数的稳定值，所述稳定值代表运行参数在预设时长内的波动情况；在有历史运行参数的稳定值超出稳态判定阈值时，去除对应的历史运行参数；所述稳态判定阈值代表运行参数处于稳定状态的临界值。

可选的，按照如下公式，确定历史运行参数的稳定值：

其中，A

可选的，在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度，包括：

将火电厂的历史运行参数及实际的碳排放量作为样本数据，对随机森林模型训练，得到第一碳排放量预测模型，其中随机森林模型包含多个决策树；

计算第一碳排放量预测模型输出的预测碳排放量，与历史运行参数对应的实际碳排放量之间的误差值；

对于每个运行参数，根据所述误差值，计算该运行参数的基尼系数，所述基尼系数表征该运行参数在多个决策树中的贡献值；

比较多个运行参数的基尼系数大小，根据比较结果，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度。

可选的，确定每两类运行参数之间的重要性相对关系，包括：基于层次分析法，确定每两类运行参数之间的重要性相对关系。

可选的，根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数，包括：

根据每个运行参数的第一权重和第二权重，得到每个运行参数的总权重；

按照总权重从大到小的顺序和预设的运行参数选取数量，确定保留的多个关键运行参数。

可选的，所述第二碳排放量预测模型的训练与测试过程包括：

将多个关键运行参数，以及多个关键运行参数对应的实际碳排放量作为样本数据，构建训练集和测试集；

利用训练集对机器学习模型进行训练，得到所述第二碳排放量预测模型；

利用测试集对所述第二碳排放量预测模型进行测试。

可选的，所述方法还包括：

在历史运行参数范围内，对多个关键运行参数进行蒙特卡洛取样；

根据每个关键运行参数的取样结果，计算该关键运行参数的全局敏感性指数；

按照全局敏感性指数从大到小的顺序，确定多个关键运行参数的优先级；

根据多个关键运行参数的优先级，确定包含每个关键运行参数的数据在样本数据中的占比。

本发明实施例还提供一种火电厂碳排放量的确定装置，用以提高碳排放量的计算精度和计算效率，该装置包括：

历史运行参数获取模块，用于获取火电厂的历史运行参数，以及历史运行参数对应的实际碳排放量，其中历史运行参数包括火力发电过程中最大涵盖范围内的多个运行参数；

第一权重确定模块，用于将火电厂的历史运行参数及实际的碳排放量作为样本数据，对机器学习模型训练，得到第一碳排放量预测模型；在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度；根据每个运行参数对第一碳排放量预测模型预测结果的影响程度，确定每个运行参数的第一权重；

第二权重确定模块，用于根据火力发电的操作特点和效果特点，对火电厂的历史运行参数进行分类，将运行参数划分为多个类别；确定每两类运行参数之间的重要性相对关系，根据所述重要性相对关系和预先设定的重要度量化值，构建重要性判断矩阵；将重要性判断矩阵中最大特征值对应的特征向量作为权向量，其中权向量中的每个数值代表一类运行参数及该类运行参数包含的每个运行参数的第二权重；

碳排放量预测模块，用于根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数；根据多个关键运行参数，以及多个关键运行参数对应的实际碳排放量，对机器学习模型训练，得到第二碳排放量预测模型；利用所述第二碳排放量预测模型，对火电厂的碳排放量进行预测。

可选的，历史运行参数获取模块具体用于：剔除历史运行参数中的重复数据和异常数据。

可选的，历史运行参数获取模块具体用于：采用线性插值方法，补充历史运行参数中的缺失数据。

可选的，所述装置还包括稳定值确定模块，用于在历史运行参数获取模块获取火电厂的历史运行参数之后：

确定历史运行参数的稳定值，所述稳定值代表运行参数在预设时长内的波动情况；

在有历史运行参数的稳定值超出稳态判定阈值时，去除对应的历史运行参数；所述稳态判定阈值代表运行参数处于稳定状态的临界值。

可选的，稳定值确定模块具体按照如下公式，确定历史运行参数的稳定值：

其中，A

可选的，第一权重确定模块具体用于：

将火电厂的历史运行参数及实际的碳排放量作为样本数据，对随机森林模型训练，得到第一碳排放量预测模型，其中随机森林模型包含多个决策树；

计算第一碳排放量预测模型输出的预测碳排放量，与历史运行参数对应的实际碳排放量之间的误差值；

对于每个运行参数，根据所述误差值，计算该运行参数的基尼系数，所述基尼系数表征该运行参数在多个决策树中的贡献值；

比较多个运行参数的基尼系数大小，根据比较结果，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度。

可选的，第二权重确定模块具体用于：

基于层次分析法，确定每两类运行参数之间的重要性相对关系。

可选的，碳排放量预测模块具体用于：

根据每个运行参数的第一权重和第二权重，得到每个运行参数的总权重；

按照总权重从大到小的顺序和预设的运行参数选取数量，确定保留的多个关键运行参数。

可选的，所述第二碳排放量预测模型的训练与测试过程包括：

将多个关键运行参数，以及多个关键运行参数对应的实际碳排放量作为样本数据，构建训练集和测试集；

利用训练集对机器学习模型进行训练，得到所述第二碳排放量预测模型；

利用测试集对所述第二碳排放量预测模型进行测试。

可选的，所述装置还包括：

在历史运行参数范围内，对多个关键运行参数进行蒙特卡洛取样；

根据每个关键运行参数的取样结果，计算该关键运行参数的全局敏感性指数；

按照全局敏感性指数从大到小的顺序，确定多个关键运行参数的优先级；

根据多个关键运行参数的优先级，确定包含每个关键运行参数的数据在样本数据中的占比。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述火电厂碳排放量的确定方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述火电厂碳排放量的确定方法。

本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述火电厂碳排放量的确定方法。

本发明实施例中，获取火电厂的历史运行参数，以及历史运行参数对应的实际碳排放量，其中历史运行参数包括火力发电过程中最大涵盖范围内的多个运行参数；将火电厂的历史运行参数及实际碳排放量作为样本数据，对机器学习模型训练，得到第一碳排放量预测模型；在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度；根据每个运行参数对第一碳排放量预测模型预测结果的影响程度，确定每个运行参数的第一权重；根据火力发电的操作特点和效果特点，对火电厂的历史运行参数进行分类，将运行参数划分为多个类别；确定每两类运行参数之间的重要性相对关系，根据所述重要性相对关系和预先设定的重要度量化值，构建重要性判断矩阵；将重要性判断矩阵中最大特征值对应的特征向量作为权向量，其中权向量中的每个数值代表一类运行参数及该类运行参数包含的每个运行参数的第二权重；根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数；根据多个关键运行参数，以及多个关键运行参数对应的实际碳排放量，对机器学习模型训练，得到第二碳排放量预测模型；利用所述第二碳排放量预测模型，对火电厂的碳排放量进行预测。

通过采用大数据和人工智能技术，对火电厂的发电运行参数与碳排放量之间的关系进行分析，得到影响碳排放量多个关键运行参数，进而可以提高碳排放量的计算精度和计算效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中火电厂碳排放量的确定方法的处理流程图；

图2为本发明实施例中去除不稳定历史运行参数的方法流程图；

图3为本发明实施例中确定运行参数第一权重的方法流程图；

图4为本发明实施例中碳排放量预测模型的训练与测试过程的方法流程图；

图5为本发明实施例中火电厂碳排放量的确定装置的一具体实例结构示意图；

图6为本发明一实施例的计算机设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

图1为本发明实施例中火电厂碳排放量的确定方法的处理流程图。如图1所示，本发明实施例中火电厂碳排放量的确定方法可以包括：

步骤101、获取火电厂的历史运行参数，以及历史运行参数对应的实际碳排放量，其中历史运行参数包括火力发电过程中最大涵盖范围内的多个运行参数；

步骤102、将火电厂的历史运行参数及实际碳排放量作为样本数据，对机器学习模型训练，得到第一碳排放量预测模型；在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度；根据每个运行参数对第一碳排放量预测模型预测结果的影响程度，确定每个运行参数的第一权重；

步骤103、根据火力发电的操作特点和效果特点，对火电厂的历史运行参数进行分类，将运行参数划分为多个类别；确定每两类运行参数之间的重要性相对关系，根据所述重要性相对关系和预先设定的重要度量化值，构建重要性判断矩阵；将重要性判断矩阵中最大特征值对应的特征向量作为权向量，其中权向量中的每个数值代表一类运行参数及该类运行参数包含的每个运行参数的第二权重；

步骤104、根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数；根据多个关键运行参数，以及多个关键运行参数对应的实际碳排放量，对机器学习模型训练，得到第二碳排放量预测模型；利用所述第二碳排放量预测模型，对火电厂的碳排放量进行预测。

下面介绍本发明实施例中火电厂碳排放量的确定方法的具体执行步骤：

首先可以获取火电厂的历史运行参数，以及历史运行参数对应的实际碳排放量，其中历史运行参数包括火力发电过程中最大涵盖范围内的多个运行参数，也即尽可能多的获取可以影响碳排放量的运行参数，有利于扩大关键运行参数的确定范围，进而提高碳排放量预测模型的精度。

在一个实施例中，获取火电厂的历史运行参数，可以包括：剔除历史运行参数中的重复数据和异常数据。

在一个实施例中，获取火电厂的历史运行参数，可以包括：采用线性插值方法，补充历史运行参数中的缺失数据。

具体实施时，在步骤101中，可以从火电厂的DCS、SIS等系统中提取火电厂的历史运行参数，为提高运行参数的数据质量，可以利用搜索定位手段剔除运行参数中的无效重复值和异常值等；还可以利用线性插值法，补全运行参数中小范围的缺失值；还可以根据系统运行机理，排除正负错误、数值明显超限的参数值。

为了进一步提高运行参数的数据质量，还可以检验运行参数在预设时长内的波动情况是否稳定，并去除不稳定的运行参数。

图2为本发明实施例中去除不稳定历史运行参数的方法流程图。如图2所示，在一个实施例中，在获取火电厂的历史运行参数之后，还可以包括：

步骤201、确定历史运行参数的稳定值，所述稳定值代表运行参数在预设时长内的波动情况所述稳定值代表运行参数在预设时长内的波动情况；

步骤202、在有历史运行参数的稳定值超出稳态判定阈值时，去除对应的历史运行参数；所述稳态判定阈值代表运行参数处于稳定状态的临界值。

在一个实施例中，可以按照如下公式，确定历史运行参数的稳定值：

其中，A

为兼顾保留运行经验与充分挖掘历史运行参数中包含的内在相关关系，可以采用主观赋权与客观赋权相结合的综合集成赋权法对关键运行参数进行筛选。

下面介绍基于客观赋权的运行参数权重确定方法：

在得到高质量的历史运行参数之后，执行步骤102，可以将火电厂的历史运行参数及实际的碳排放量作为样本数据，对机器学习模型训练；在训练过程中，确定剔除每个运行参数时对碳排放量预测模型预测结果的影响程度；根据每个运行参数对碳排放量预测模型预测结果的影响程度，确定每个运行参数的第一权重。

图3为本发明实施例中确定每个运行参数对第一碳排放量预测模型预测结果的影响程度的方法流程图。如图3所示，在一个实施例中，在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度，可以包括：

步骤301、将火电厂的历史运行参数及实际的碳排放量作为样本数据，对随机森林模型训练，得到第一碳排放量预测模型，其中随机森林模型包含多个决策树；

步骤302、计算第一碳排放量预测模型输出的预测碳排放量，与历史运行参数对应的实际碳排放量之间的误差值；

步骤303、对于每个运行参数，根据所述误差值，计算该运行参数的基尼系数，所述基尼系数表征该运行参数在多个决策树中的贡献值；

步骤304、比较多个运行参数的基尼系数大小，根据比较结果，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度。

需要说明的是，第一碳排放量预测模型训练过程中，可以依据模型输出的建模贡献度指标，即基尼系数的变化，衡量每个特征变量(运行参数)对模型结果精度提升的贡献程度的大小。基尼指数越大表明该变量的变化对模型最终分类结果的影响程度越大从而能够表明在参与训练的数据集中，该特征变量中包含的可用信息越高，在建模中应尽量予以保留。

具体实施时，可以利用随机森林法，通过将所要进行筛选的碳排放影响变量(多个历史运行参数)作为模型输入；还可以将发电碳排放根据高低分为若干等级，将所分的碳排放等级作为模型输出进行模型的构建。决策树是随机森林中的基本单位，每一个都是用于分类的二叉树，称为分类树，每棵分类树由相同容量的样本集训练。取样本容量为N与原始数据集规模相同，再对其有放回地随机抽样得到样本集，将这个过程重复次(为决策树的数目)后就可得到多个容量相同的样本集。对于每个分类树，若设特征数据共有M个输入模型，在分类树的每个节点处从M个特征中随机选择m个，为使每个节点不纯度达到最小，根据基尼准则从随机选出的m个特征中再选出一个进行分枝操作。之后重复上述过程不断进行分枝，直到满足训练要求后停止上述操作，在整个训练和分枝的过程中m的大小不变。根据训练过程中若剔除某参数时候对结果误差变动影响的大小，衡量其对于模型输出的影响程度，即任一分类树节点不纯度的计算，而所建立模型的节点不纯度，基于基尼系数I(n)计算。

其中P(w

下面介绍基于主观赋权的运行参数权重确定方法：

在确定每个运行参数的第一权重之后，执行步骤103，可以先根据火力发电的操作特点和效果特点，对火电厂的历史运行参数进行分类，再将运行参数划分为多个类别；确定每两类运行参数之间的重要性相对关系，然后根据所述重要性相对关系和预先设定的重要度量化值，构建重要性判断矩阵；最后将重要性判断矩阵中最大特征值对应的特征向量作为权向量，其中权向量中的每个数值代表一类运行参数及该类运行参数包含的每个运行参数的第二权重；

在一个实施例中，确定每两类运行参数之间的重要性相对关系，可以包括：基于层次分析法，确定每两类运行参数之间的重要性相对关系。

具体实施时，针对火力发电过程中在操作和效果方面的特点，可以将火电厂的历史运行参数分为三个类型，例如效益评估类型、运行监控类别和运行调整类型，其中每个类型可以包含多个火力发电运行参数，详细分类标准如表1所示：

表1运行参数分类

将上述三个类型包含的运行参数根据表2的评判准则，在咨询相关专家意见后进行两两比较，评估其相对重要程度。

表2相对重要性量化评判准则

表3不同类型间相对重要性判断结果

将表3所得结果整理为矩阵A，矩阵A所对应的最大特征值λ

在通过上述方法得到每个运行参数的第一权重和第二权重之后，可以执行步骤104，根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数；根据多个关键运行参数，以及多个关键运行参数对应的实际碳排放量，对机器学习模型训练，得到碳排放量预测模型；利用所述碳排放量预测模型，对火电厂的碳排放量进行预测。

在一个实施例中，根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数，可以包括：根据每个运行参数的第一权重和第二权重，得到每个运行参数的总权重；按照总权重从大到小的顺序和预设的运行参数选取数量，确定保留的多个关键运行参数。

具体实施时，还可以以建模贡献度得分的形式表示总权重，将随机森林法得到的第一权重与层次分析法所得的第二权重相结合，计算后所得最终结果为参数建模贡献度总得分,根据建模贡献度总得分的高低，选择保留若干关键运行参数，并将其作为火力发电碳监测因子矩阵中的运行矩阵因子，其中运行矩阵因子与对应的建模贡献度总得分，如表4所示。

表4运行矩阵因子建模贡献度得分

图4为本发明实施例中第二碳排放量预测模型的训练与测试过程的方法流程图。如图4所示，在一个实施例中，所述第二碳排放量预测模型的训练与测试过程包括：

步骤401、将多个关键运行参数，以及多个关键运行参数对应的实际碳排放量作为样本数据，构建训练集和测试集；

步骤402、利用训练集对机器学习模型进行训练，得到所述第二碳排放量预测模型；

步骤403、利用测试集对所述第二碳排放量预测模型进行测试。

具体实施时，例如提取已保存的历史运行参数中运行负荷处于300-600MW的9252组数据，经过上述的筛选步骤后，可以保留表4中的10个变量作为模型训练时的输入部分，输出为对应条件下的实际碳排放量。为使得训练过程效果更佳，还可以先将数据排列随机打乱后，划分为训练集和测试集，数据量的比例为8：2，训练集包含的数据用于模型的训练，测试集包含的数据用于进行训练完成后模型准确性的验证。

为进一步提高模型训练的准确性，在一个实施例中，还可以包括：

在历史运行参数范围内，对多个关键运行参数进行蒙特卡洛取样；

根据每个关键运行参数的取样结果，计算该关键运行参数的全局敏感性指数；

按照全局敏感性指数从大到小的顺序，确定多个关键运行参数的优先级；

根据多个关键运行参数的优先级，确定包含每个关键运行参数的数据在样本数据中的占比。

具体实施时，为进一步确定关键运行参数的优先级顺序，还可以将对应表4中的运行矩阵因子(关键运行参数)进行蒙特卡洛取样，在各个历史运行参数范围内各取值8000次，利用其进行全局敏感性指数计算，表4中运行矩阵因子的全局敏感性指数大小排序如表5所示。

表5运行矩阵因子全局敏感性分析排序结果

将全局敏感性指数最大的因子火电机组负荷作为矩阵中优先级最高的运行矩阵因子，将火电机组负荷从50％-100％分为五段区间，补充各区间火电厂运行的其他运行矩阵因子(关键运行参数)范围，并将每一区间内运行矩阵因子参数输入前述训练好的碳排放量预测模块，计算出运行矩阵因子变化区间内相应的能耗变化区间范围，火电厂能耗因子矩阵如表6所示。

表6火电厂能耗因子矩阵

经过进一步研究可以发现，影响碳排放量预测精确度的除运行参数外，还可以包括燃料参数。基于此，还可以针对发电消耗的不同煤种、燃气、燃油等燃料，根据《企业温室气体排放核算方法与报告指南发电设施(2022修订版)》与燃料化学成分分析参考值，由火电厂所消耗燃料的IPCC碳排放因子与燃料中各类燃料占比乘积构成，建立燃料因子集合C

其中，C

具体实施时，可以根据研究对象对应燃料与机组情况，从燃料因子集合C

本发明实施例中还提供了一种火电厂碳排放量的确定装置，如下面的实施例所述。由于该装置解决问题的原理与火电厂碳排放量的确定方法相似，因此该装置的实施可以参见火电厂碳排放量的确定方法的实施，重复之处不再赘述。

图5为本发明实施例中火电厂碳排放量的确定装置的一具体实例结构示意图。如图5所示，本发明实施例中火电厂碳排放量的确定装置具体可以包括：

历史运行参数获取模块501，用于获取火电厂的历史运行参数，以及历史运行参数对应的实际碳排放量，其中历史运行参数包括火力发电过程中最大涵盖范围内的多个运行参数；

第一权重确定模块502，用于将火电厂的历史运行参数及实际的碳排放量作为样本数据，对机器学习模型训练，得到第一碳排放量预测模型；在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度；根据每个运行参数对第一碳排放量预测模型预测结果的影响程度，确定每个运行参数的第一权重；

第二权重确定模块503，用于根据火力发电的操作特点和效果特点，对火电厂的历史运行参数进行分类，将运行参数划分为多个类别；确定每两类运行参数之间的重要性相对关系，根据所述重要性相对关系和预先设定的重要度量化值，构建重要性判断矩阵；将重要性判断矩阵中最大特征值对应的特征向量作为权向量，其中权向量中的每个数值代表一类运行参数及该类运行参数包含的每个运行参数的第二权重；

碳排放量预测模块504，用于根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数；根据多个关键运行参数，以及多个关键运行参数对应的实际碳排放量，对机器学习模型训练，得到第二碳排放量预测模型；利用所述第二碳排放量预测模型，对火电厂的碳排放量进行预测。

在一个实施例中，历史运行参数获取模块具体用于：

剔除历史运行参数中的重复数据和异常数据。

在一个实施例中历史运行参数获取模块具体用于：

采用线性插值方法，补充历史运行参数中的缺失数据。

在一个实施例中，还包括稳定值确定模块，用于在历史运行参数获取模块501获取火电厂的历史运行参数之后：

确定历史运行参数的稳定值，所述稳定值代表运行参数在预设时长内的波动情况；

在有历史运行参数的稳定值超出稳态判定阈值时，去除对应的历史运行参数；所述稳态判定阈值代表运行参数处于稳定状态的临界值。

在一个实施例中，稳定值确定模块具体按照如下公式，确定历史运行参数的稳定值：

其中，A

在一个实施例中，第一权重确定模块具体用于：

将火电厂的历史运行参数及实际的碳排放量作为样本数据，对随机森林模型训练，得到第一碳排放量预测模型，其中随机森林模型包含多个决策树；

计算第一碳排放量预测模型输出的预测碳排放量，与历史运行参数对应的实际碳排放量之间的误差值；

对于每个运行参数，根据所述误差值，计算该运行参数的基尼系数，所述基尼系数表征该运行参数在多个决策树中的贡献值；

比较多个运行参数的基尼系数大小，根据比较结果，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度。

在一个实施例中，第二权重确定模块具体用于：

基于层次分析法，确定每两类运行参数之间的重要性相对关系。

在一个实施例中，碳排放量预测模块具体用于：

根据每个运行参数的第一权重和第二权重，得到每个运行参数的总权重；

按照总权重从大到小的顺序和预设的运行参数选取数量，确定保留的多个关键运行参数。

在一个实施例中，所述碳排放量预测模型的训练与测试过程包括：

将多个关键运行参数，以及多个关键运行参数对应的实际碳排放量作为样本数据，构建训练集和测试集；

利用训练集对机器学习模型进行训练，得到所述第二碳排放量预测模型；

利用测试集对所述第二碳排放量预测模型进行测试。

在一个实施例中，还包括全局敏感性指数计算模块，用于：

在历史运行参数范围内，对多个关键运行参数进行蒙特卡洛取样；

根据每个关键运行参数的取样结果，计算该关键运行参数的全局敏感性指数；

按照全局敏感性指数从大到小的顺序，确定多个关键运行参数的优先级；

根据多个关键运行参数的优先级，确定包含每个关键运行参数的数据在样本数据中的占比。

基于前述发明构思，如图6所示，本发明还提出了一种计算机设备600，包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630，所述处理器620执行所述计算机程序630时实现前述火电厂碳排放量的确定方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述火电厂碳排放量的确定方法。

本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述火电厂碳排放量的确定方法。

综上所述，获取火电厂的历史运行参数，以及历史运行参数对应的实际碳排放量，其中历史运行参数包括火力发电过程中最大涵盖范围内的多个运行参数；将火电厂的历史运行参数及实际碳排放量作为样本数据，对机器学习模型训练，得到第一碳排放量预测模型；在训练过程中，确定每个运行参数对第一碳排放量预测模型预测结果的影响程度；根据每个运行参数对第一碳排放量预测模型预测结果的影响程度，确定每个运行参数的第一权重；根据火力发电的操作特点和效果特点，对火电厂的历史运行参数进行分类，将运行参数划分为多个类别；确定每两类运行参数之间的重要性相对关系，根据所述重要性相对关系和预先设定的重要度量化值，构建重要性判断矩阵；将重要性判断矩阵中最大特征值对应的特征向量作为权向量，其中权向量中的每个数值代表一类运行参数及该类运行参数包含的每个运行参数的第二权重；根据每个运行参数的第一权重和第二权重，确定保留的多个关键运行参数；根据多个关键运行参数，以及多个关键运行参数对应的实际碳排放量，对机器学习模型训练，得到第二碳排放量预测模型；利用所述第二碳排放量预测模型，对火电厂的碳排放量进行预测。

通过采用大数据和人工智能技术，对火电厂的发电运行参数与碳排放量之间的关系进行分析，得到影响碳排放量多个关键运行参数，进而可以提高碳排放量的计算精度和计算效率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

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。

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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。