[发明专利]基于发电量的碳排放量预测方法、装置及存储介质

权利要求书

1.一种基于发电量的碳排放量预测方法，其特征在于，所述方法包括：

利用二叉树构建发电厂k种不同的单一发电场景，并获取每个所述单一发电场景对应的输入特征，根据每个所述单一发电场景对应的输入特征，并基于碳排放量预测模型获得每个所述单一发电场景对应的三元组预测结果，其中，所述k为正整数，所述k为不同功率火电机组的不同负荷率组合数，所述单一发电场景的输入特征包括机组功率、负荷率，所述三元组预测结果包括每个所述单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值；

根据每个所述单一发电场景对应的所述机组功率、所述负荷率以及所述发电转换率预估值，计算得到每个所述单一发电场景对应的发电量预估值，并对每个所述单一发电场景的作业状态进行标记，获得2^k种发电组合的预估数据，其中，所述单一发电场景的作业状态包括开启状态和关闭状态，每种所述发电组合的预估数据包括每种所述发电组合的总发电量预估值、总碳排放量预估值和总煤耗量预估值；

遍历2^k种所述发电组合的预估数据，每种所述发电组合的预估数据的遍历过程包括：根据所述发电组合的所述总发电量预估值和所述发电厂的每秒钟发电量，计算得到所述发电组合的可行解精度，若所述可行解精度小于预设阈值，则将所述发电组合的预估数据和所述可行解精度存储于可行解候选序列中；

针对所述可行解候选序列中的第一维度按照数值大小进行升序排序，获得可行解精度最高的碳排放量预测值，针对所述可行解候选序列中的第三维度按照数值大小进行升序排序，获得最小的碳排放量预测值，针对所述可行解候选序列中的第四维度按照数值大小进行升序排序，获得最小煤耗对应的碳排放量预测值，其中，所述第一维度为所述可行解精度所在的维度，所述第三维度为所述总碳排放量预估值所在的维度，所述第四维度为所述总煤耗量预估值所在的维度。

2.根据权利要求1所述的方法，其特征在于，所述单一发电场景的输入特征还包括烟气流量、烟气温度、烟气压力和烟气含湿量，所述方法还包括：实时在线获取所述发电厂的特征参数，并对所述发电厂的特征参数进行数据的归一化处理，将数据处理后的特征参数作为所述单一发电场景的输入特征。

3.根据权利要求1所述的方法，其特征在于，所述碳排放量预测模型设置三个预测分支，分别用于预估所述单一发电场景的碳排放量、煤耗量和发电转换率；每个预测分支均利用自注意力机制Self–Attention模型提取特征，第一预测分支利用卷积神经网络CNN1模型和前馈神经网络Feed–Forword1模型，获得碳排放量初始预估值，第二预测分支利用CNN2模型和Feed–Forword2模型，获得煤耗量初始预估值，第三预测分支利用CNN3模型和Feed–Forword3模型，获得发电转换率初始预估值，将所述碳排放量初始预估值、所述煤耗量初始预估值和所述发电转换率初始预估值进行特征融合，根据融合后的特征并基于Feed–Forword4模型预测所述单一发电场景的所述碳排放量预估值、所述煤耗量预估值和所述发电转换率预估值，其中，所述Self–Attention模型设置为N重网络结构，所述N为正整数，所述N为所述发电厂的不同功率火电机组的数量。

4.根据权利要求3所述的方法，其特征在于，在所述CNN1模型、所述CNN2模型、所述CNN3模型、所述Feed–Forword1模型、所述Feed–Forword2模型以及所述Feed–Forword3模型的训练阶段，分别采用各自独立的损失函数求导后进行反向传播；在所述Self–Attention模型的训练阶段，对反向传播过来的三个分支数据进行加权平均处理。