基于发电量的碳排放量预测方法、装置及存储介质制造方法及图纸

本申请公开了一种基于发电量的碳排放量预测方法、装置及存储介质，涉及碳排放预测技术领域，方法包括：获得每个单一发电场景对应的三元组预测结果，并计算发电量预估值，标记每个单一发电场景的作业状态，获得并遍历2

【技术实现步骤摘要】
基于发电量的碳排放量预测方法、装置及存储介质


[0001]本申请涉及碳排放预测
，具体而言，涉及一种基于发电量的碳排放量预测方法、装置及存储介质。

技术介绍

[0002]电能的获取主要依靠火电，火电是通过矿物燃烧转换而来的，这个过程中会排放二氧化碳等含碳气体，称为碳排放。当前绿色发展是社会发展的主要方向，过量的碳排放容易导致臭氧层被破坏、全球气候变暖，进而导致极端天气出现的概率增加，故而控制碳排放是绿色发展的重要内容之一，控制碳排放首先便是进行碳排放估算。
[0003]目前，现有的碳排放估算方案分为两种：一种是核算方法，主要是根据能源消耗通过与乘积因子相乘进行估算，该方法操作简单，但误差很大，估算结果基本没有参考意义；另一种是基于连续监测的方法，通过直接测量烟气流速和烟气中二氧化碳（CO2）浓度来计算温室气体的排放量。其中，连续监测方法与核算方法的监测结果具有等效性，2019年有155个设施采用连续监测方法，主要集中于德国、法国、捷克等。我国尚在摸索阶段，在北京市、上海市、广东省、深圳市和湖北省的核算和报告指南中提到，允许使用连续监测的方法来确定温室气体排放量，但由于缺乏具体的监测和报告要求，如监测参数、监测要求、质量保证和质量控制措施等，导致实际上难以实施，更难以进行碳排放估算。

技术实现思路

[0004]本申请提供一种基于发电量的碳排放量预测方法、装置及存储介质，能够利用发电厂在线电量和相关参数估算二氧化碳的实时排放量。
[0005]具体的技术方案如下：第一方面，本申请实施例提供了一种基于发电量的碳排放量预测方法，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。
[0006]在一种实施方式中，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。
[0007]在一种实施方式中，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。
[0008]在一种实施方式中，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。
[0009]在一种实施方式中，在所述CNN1模型和所述Feed
–
Forword1模型的训练阶段，第一预测分支根据碳排放量最大值和碳排放量最小值对所述碳排放量初始预估值进行归一化处理，将归一化处理后的数值作为所述CNN1模型和所述Feed
–
Forword1模型的预测输出；和/或，在所述CNN2模型和所述Feed
–
Forword2模型的训练阶段，第二预测分支根据煤耗量最大值和煤耗量最小值对所述煤耗量初始预估值进行归一化处理，将归一化处理后的数值作为所述CNN2模型和所述Feed
–
Forword2模型的预测输出；和/或，在所述CNN3模型和所述Feed
–
Forword3模型的训练阶段，第三预测分支根据发电转换率最大值和发电转换率最小值对所述发电转换率初始预估值进行归一化处理，将归一化处理后的数值作为所述CNN3模型和所述Feed
–
Forword3模型的预测输出。
[0010]在一种实施方式中，在所述Feed
–
Forword4模型的训练阶段，所述Feed
–
Forword4模型的输入数据包括三个预测分支的输出特征提取后进行顺序拼接的特征数据。
[0011]第二方面，本申请实施例提供了一种基于发电量的碳排放量预测装置，所述装置包括：三元组预测模块，用于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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。5.根据权利要求4所述的方法，其特征在于，在所述CNN1模型和所述Feed
–
Forword1模型的训练阶段，第一预测分支根据碳排放量最大值和碳排放量最小值对所述碳排放量初始预估值进行归一化处理，将归一化处理后的数值作为所述CNN1模型和所述Feed
–
Forword1模型的预测输出；和/或，在所述CNN2模型和所述Feed
–
Forword2模型的训练阶段，第二预测分支根据煤耗量最大值和煤耗量最小值对所述...

【专利技术属性】
技术研发人员：刘志，齐欣，
申请(专利权)人：北京壹清能环科技有限公司，
类型：发明
国别省市：