[发明专利]基于电力大脑中枢的用能数据与碳排放量关联分析方法

说明书

本发明提出了一种基于电力大脑中枢的用能数据与碳排放量关联分析方法，包括：由常规关联特征组成初始关联体系；通过电力大脑中枢获取用能数据和碳排放数据；生成三维特征图像，通过比较三维特征图像与碳排放数据生成附加关联特征；计算各个常规关联特征和附加关联特征在当前采样时刻的关联系数；将关联系数与最终训练集相乘后的结果输入LSTM模型，当输出结果的误差符合预设条件时，根据此时关联系数的大小确定用能数据与碳排放量的关联程度。本发明能够生成不同的附加关联特征，并结合了注意力机制，提高用能数据与碳排放量之间关联结果的精确度，进而能够更及时的针对关联程度较高的影响因素，制定更具有针对性的碳排放调控策略。

技术领域

本发明属于能源数据处理领域，尤其涉及一种基于电力大脑中枢的用能数据与碳排放量关联分析方法。

背景技术

随着人工智能技术的快速发展，为了有效控制碳排放，通常直接利用碳排放量的历史时序数据进行机器学习模型的训练，并利用训练好的机器学习模型预测实时碳排放量，例如，在公开号为CN112906974A的专利中，提出了利用LSTM预测模型和GM预测模型，根据能源碳排放量和电力消耗量的历史数据预测总碳排放量的技术方案。

上述传统的碳排放监控方式虽然能够实现碳排放量的实时监控，进而根据实时碳排放量的预测结果调整碳排放调控策略。但由于不同分析对象的能源类型、用能情况等对碳排放量的变化造成影响的因素复杂又多变，现有技术手段仅依靠预测碳排放量的方式，无法针对不同的分析对象及时并准确的分析出与碳排放量关联程度较高的影响因素。一方面使得碳排放调控策略难以有效针对关键的影响因素进行调整，另一方面依赖碳排放量的预测结果将导致碳排放调控策略的调整存在滞后性。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种基于电力大脑中枢的用能数据与碳排放量关联分析方法，包括：

S100：将分析对象的用电量、用热量、用气量和新能源机组出力作为碳排放量的常规关联特征，由常规关联特征组成初始关联体系；

S200：通过电力大脑中枢基于预设采样频率获取各种类型的分析对象的用能数据和碳排放数据，将用能数据填充到初始关联体系中形成初始训练集；

S300：基于初始训练集中用能数据的特征生成三维特征图像，通过比较三维特征图像与S200中获取的碳排放数据生成附加关联特征，将附加关联特征加入初始关联体系中，得到典型关联体系；

S400：在LSTM模型的输入层基于注意力机制建立多层感知机，将当前采样时刻的用能数据填充到典型关联体系中形成最终训练集，结合LSTM模型在上一个采样时刻的输出结果输入多层感知机中，计算典型关联体系中各个常规关联特征和附加关联特征在当前采样时刻的关联系数；

S500：将关联系数与最终训练集相乘后的结果输入LSTM模型，当LSTM模型的输出结果与S200中获取的碳排放数据之间的误差符合预设条件时，根据此时关联系数的大小确定用能数据与碳排放量的关联程度，若不符合预设条件，则调整多层感知机后重复S400直至符合预设条件。

可选的，所述S200包括：

通过电力大脑中枢基于预设采样频率访问电力系统，对新能源机组出力与分析对象的用电量进行采样，得到用能数据中的新能源机组出力p和用电数据z；

通过电力大脑中枢基于预设采样频率访问热力系统，对分析对象的化石能源消耗量进行采样，根据采样结果得到用能数据中的用热数据h和用气数据g；

通过电力大脑中枢基于预设采样频率访问政务系统，获取分析对象的碳排放量数据；

将用电数据、用热数据、用气数据和新能源机组出力输入初始关联体系，生成初始训练集X’=[ z，h，g，p]^T。

可选的，所述S300包括：