一种数据特征有限场景下的碳排放预测方法

技术领域

本发明属于电力系统技术领域，具体的，涉及一种数据特征有限场景下的碳排放预测方法。

背景技术

随着时代的发展，人们开始越来越对场景的保护，现如今，新能源发展的边界条件、发展逻辑以及发展机制都发生了一系列重大变化，对大能耗用户实施碳排放核准，尤其对大工业用户、工业园区的碳排放待测算对象实现精准碳排放管理，是实现“双碳”目标必不可少的途径。

目前较为成熟的碳排放测算方法主要可以分为：一是碳排放因子法，具体表现为排放量等于活动水平数据与排放因子的乘积，其计算数据质量主要取决于排放因子的选取情况。二是物料守恒法，该方法通过测算碳的投入量和输出量计算碳排放，但该方法对产品方案、工艺流程、生产规模、原材料消耗量等数据都有极高的精度要求。三是在线检测法，通过安装烟气自动监控系统，对二氧化碳浓度和烟气流量进行实时检测，并自动测算碳排放量，初期由于安装测量仪器等成本较高，但数据及时性、精确性高。因此亟需开发一种数据易获得、可实时采集、运行成本低碳排放预测方法。

由于各行业关于碳排放的数据质量、数据规模存在较大的差异性。因此，需要提出一种在信息贫乏、样本少场景下碳排放预测模型。如专利CN 115760481 A需要基于能源、电力、产值、经济等数据特征进行碳排放测算，如专利CN115730729A需要获取地区生产总值、初始电力数据和初始能源数据特征得出目标碳排放总量。

发明内容

由于电量数据相对容易获得、实时性好，采用电量数据折算，相较于前面三种方法有实时性强、监测频度高、监测成本低等优势。本发明旨在利用电量数据等有限数据特征基础上，提出一种碳排放预测方法。

根据本发明第一方面，本发明请求保护一种数据特征有限场景下的碳排放预测方法，包括：

获取碳排放待测算对象的电量数据，并获取所述碳排放待测算对象相关的能源消费、经济、产量数据，作为候选监测数据；

对所述候选监测数据进行异常检测，找出所述候选监测数据的奇异和异常值，并进行裁剪、补全处理；

根据所述碳排放待测算对象的属性信息，以能源消费、经济、产量、用电量四个方面构建影响因素指标体系，并依据获取的所述候选监测数据进行特征分析；

基于数据有限条件下构建碳排放预测模型，将所述候选监测数据输入所述碳排放预测模型，得到碳排放预测结果。

进一步的，所述获取碳排放待测算对象的电量数据，并获取所述碳排放待测算对象相关的能源消费、经济、产量数据，作为候选监测数据，具体包括：

明确监测维度：对碳排放待测算对象用能业务监测维度进行分解，定义具体业务场景中用户场景监测维度，对监测维度进行汇总，提炼出碳排放待测算对象用能业务监测维度监测指标；

监测指标拆解：确定所得的监测指标的预计输出场景，从所得的预计输出场景中分析出所需电量场景，并筛选出关键电量场景；

调研数据：梳理电量场景数据来源，调研数据质量，并对具有该数据的用户水平进行分级；明确缺少的关键电量场景，制定相应的获取计划，并明确所需电量场景获取时间；

降低风险：详细分解碳排放待测算对象候选监测数据构建方案，落实到具体负责单位，按照不同技术特点，对不同外部数据供应商采取不同合作方式；

监测指标评估：评估碳排放待测算对象候选监测数据的可行性，并制定监测指标开发计划，对监测指标和应用产品进行集成，并进行监测指标效果评估。

进一步的，所述对所述候选监测数据进行异常检测，找出所述候选监测数据的奇异和异常值，并进行裁剪、补全处理，具体包括：

针对电力、经济、能源、人口的场景有关数据进行异常检测，找出奇异和异常；

对所述候选监测数据的错误值进行删除、较多缺失值特征进行删除，对异常、缺失和错误数据进行填补。

进一步的，所述对所述候选监测数据进行异常检测，找出所述候选监测数据的奇异和异常值，并进行裁剪、补全处理，还包括：

服务器检测候选监测数据获取的时间段，根据该时间段检索对终端存储的所有监测数据进行筛选，得到初始监测数据，在所有监测数据中删除初始监测数据得到历史监测数据；

读取历史监测数据的历史监测数据和目标监测点的候选监测数据，该历史监测数据为在终端中对历史监测数据的获取、检测和分析等操作的日志信息，以及该历史监测数据与终端的距离信息，该候选监测数据为在终端中对候选监测数据的获取、检测和分析等操作的日志信息，以及该候选监测数据与终端的距离信息；

历史监测数据和候选监测数据为终端基于历史监测数据和候选监测数据的操作数据，通过线性判别式分析算法或奇异值分解算法或其他特征提取算法对操作数据进行特征提取，得到数据特征，该数据特征包括但不限于使用频率和地理位置信息；

根据数据特征中的地理位置信息是否与终端位置处于同一预置区域创建二叉树的第一层；根据使用频次是否大于预设阈值构建二叉树的第二层；

根据数据特征中的地理位置信息与终端位置之间的距离值是否为最小构建二叉树的第三层，得到二叉树；通过构建二叉树能够清晰明了且快速地历史监测数据和候选监测数据进行裁剪和补全。

进一步的，所述根据所述碳排放待测算对象的属性信息，以能源消费、经济、产量、用电量四个方面构建影响因素指标体系，并依据获取的所述候选监测数据进行特征分析，具体包括：

以能源消费、经济、产量、用电量四个方面构建影响因素指标体系，采用综合评价方法确定评价指标权重；

针对重点控排影响因素指标所拥有的n个经济效益值，对所述重点控排影响因素指标的全流程生产过程中每个经济效益值的p个碳排放来源进行观测，得到与p个碳排放来源相关的经济效益值观测矩阵X；

利用相关性分析构建碳排放来源之间的关联性，用于对重点控排影响因素指标的碳排放来源进行综合评价。

进一步的，所述基于数据有限条件下构建碳排放预测模型，将所述候选监测数据输入所述碳排放预测模型，得到碳排放预测结果，具体包括：

在数据特征有限场景下，对序列进行累加生成，构建GM(1，1)灰色预测模型对碳排放进行预测；

GM(1，1)在进行预测时，需要对原始数据进行一次累加生成处理，降低原始数据的不确定性和扰动；

利用生成数据建立GM(1，1)模型，对GM(1，1)模型求解得到时间响应序列；

利用一阶累减生成算子处理时间响应序列得到还原值，从而完成对未来的预测，得到碳排放预测结果。

本发明请求保护一种数据特征有限场景下的碳排放预测方法，获取碳排放待测算对象的电量数据，并获取碳排放待测算对象相关的能源消费、经济、产量数据，作为候选监测数据；对候选监测数据进行异常检测，找出候选监测数据的奇异和异常值，并进行裁剪、补全处理；根据碳排放待测算对象的属性信息，以能源消费、经济、产量、用电量四个方面构建影响因素指标体系，并依据获取的候选监测数据进行特征分析；基于数据有限条件下构建碳排放预测模型，将候选监测数据输入碳排放预测模型，得到碳排放预测结果。本发明依据被测对象碳排放特征，构建碳排放影响因素指标体系，在数据特征有限场景下，可以用于可获取数据特征有限、样本少的行业碳排放测算和预测

附图说明

图1为本发明所请求保护的一种数据特征有限场景下的碳排放预测方法的工作流程图；

图2为本发明所请求保护的一种数据特征有限场景下的碳排放预测方法的第二工作流程图；

图3为本发明所请求保护的一种数据特征有限场景下的碳排放预测方法的第三工作流程图；

图4为本发明所请求保护的一种数据特征有限场景下的碳排放预测方法的第四工作流程图。

具体实施方式

根据本发明第一实施例，参照附图1，本发明请求保护一种数据特征有限场景下的碳排放预测方法，包括：

获取碳排放待测算对象的电量数据，并获取所述碳排放待测算对象相关的能源消费、经济、产量数据，作为候选监测数据；

对所述候选监测数据进行异常检测，找出所述候选监测数据的奇异和异常值，并进行裁剪、补全处理；

根据所述碳排放待测算对象的属性信息，以能源消费、经济、产量、用电量四个方面构建影响因素指标体系，并依据获取的所述候选监测数据进行特征分析；

基于数据有限条件下构建碳排放预测模型，将所述候选监测数据输入所述碳排放预测模型，得到碳排放预测结果。

进一步的，参照附图2，所述获取碳排放待测算对象的电量数据，并获取所述碳排放待测算对象相关的能源消费、经济、产量数据，作为候选监测数据，具体包括：

明确监测维度：对碳排放待测算对象用能业务监测维度进行分解，定义具体业务场景中用户场景监测维度，对监测维度进行汇总，提炼出碳排放待测算对象用能业务监测维度监测指标；

监测指标拆解：确定所得的监测指标的预计输出场景，从所得的预计输出场景中分析出所需电量场景，并筛选出关键电量场景；

调研数据：梳理电量场景数据来源，调研数据质量，并对具有该数据的用户水平进行分级；明确缺少的关键电量场景，制定相应的获取计划，并明确所需电量场景获取时间；

降低风险：详细分解碳排放待测算对象候选监测数据构建方案，落实到具体负责单位，按照不同技术特点，对不同外部数据供应商采取不同合作方式；

监测指标评估：评估碳排放待测算对象候选监测数据的可行性，并制定监测指标开发计划，对监测指标和应用产品进行集成，并进行监测指标效果评估。

进一步的，所述对所述候选监测数据进行异常检测，找出所述候选监测数据的奇异和异常值，并进行裁剪、补全处理，具体包括：

针对电力、经济、能源、人口的场景有关数据进行异常检测，找出奇异和异常；

对所述候选监测数据的错误值进行删除、较多缺失值特征进行删除，对异常、缺失和错误数据进行填补。

进一步的，参照附图3，所述对所述候选监测数据进行异常检测，找出所述候选监测数据的奇异和异常值，并进行裁剪、补全处理，还包括：

服务器检测候选监测数据获取的时间段，根据该时间段检索对终端存储的所有监测数据进行筛选，得到初始监测数据，在所有监测数据中删除初始监测数据得到历史监测数据；

读取历史监测数据的历史监测数据和目标监测点的候选监测数据，该历史监测数据为在终端中对历史监测数据的获取、检测和分析等操作的日志信息，以及该历史监测数据与终端的距离信息，该候选监测数据为在终端中对候选监测数据的获取、检测和分析等操作的日志信息，以及该候选监测数据与终端的距离信息；

历史监测数据和候选监测数据为终端基于历史监测数据和候选监测数据的操作数据，通过线性判别式分析算法或奇异值分解算法或其他特征提取算法对操作数据进行特征提取，得到数据特征，该数据特征包括但不限于使用频率和地理位置信息；

根据数据特征中的地理位置信息是否与终端位置处于同一预置区域创建二叉树的第一层；根据使用频次是否大于预设阈值构建二叉树的第二层；

根据数据特征中的地理位置信息与终端位置之间的距离值是否为最小构建二叉树的第三层，得到二叉树；通过构建二叉树能够清晰明了且快速地历史监测数据和候选监测数据进行裁剪和补全。

进一步的，参照附图4，所述根据所述碳排放待测算对象的属性信息，以能源消费、经济、产量、用电量四个方面构建影响因素指标体系，并依据获取的所述候选监测数据进行特征分析，具体包括：

以能源消费、经济、产量、用电量四个方面构建影响因素指标体系，采用综合评价方法确定评价指标权重；

针对重点控排影响因素指标所拥有的n个经济效益值，对所述重点控排影响因素指标的全流程生产过程中每个经济效益值的p个碳排放来源进行观测，得到与p个碳排放来源相关的经济效益值观测矩阵X；

利用相关性分析构建碳排放来源之间的关联性，用于对重点控排影响因素指标的碳排放来源进行综合评价。

下面表1和2分别选取橡胶行业和石化行业的指标体系进行说明。

表1橡胶行业影响因素指标体系

表2石化行业影响因素指标体系：

进一步的，所述基于数据有限条件下构建碳排放预测模型，将所述候选监测数据输入所述碳排放预测模型，得到碳排放预测结果，具体包括：

在数据特征有限场景下，对序列进行累加生成，构建GM(1，1)灰色预测模型对碳排放进行预测；

GM(1，1)在进行预测时，需要对原始数据进行一次累加生成处理，降低原始数据的不确定性和扰动；

利用生成数据建立GM(1，1)模型，对GM(1，1)模型求解得到时间响应序列；

利用一阶累减生成算子处理时间响应序列得到还原值，从而完成对未来的预测，得到碳排放预测结果。

下面主要介绍GM(1,1)模型的理论基础，首先给出一阶累加生成算子和一阶累减生成算子的定义：

首先，已知原始序列为X

X

其中，

Z

其中z

已知序列X

X

其中，x

已知原始序列X

其中，

得到GM(1,1)模型的参数之后，对GM(1,1)模型的白化方程求解得到其时间响应序列为：

利用一阶累减生成算子对时间响应序列进行处理，得到GM(1,1)的还原值序列为：

可以求得模型的模拟值和预测值。

本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种经济效益值或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。

本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。

本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。

除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。

在本说明书的描述中，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。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。