本發(fā)明涉及碳排放，具體是涉及一種基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法。

背景技術(shù)：

1、電力碳足跡核算通過電網(wǎng)碳排放因子，即單位電量的含碳量，量化產(chǎn)品生產(chǎn)過程中的間接碳排放。電網(wǎng)碳排放因子的時(shí)空分布特征直接影響核算結(jié)果的準(zhǔn)確性。實(shí)現(xiàn)電力消費(fèi)的短期碳足跡預(yù)測，對(duì)于指導(dǎo)能源轉(zhuǎn)型、促進(jìn)清潔能源消納以及企業(yè)低碳決策具有重要意義。然而，傳統(tǒng)按年度統(tǒng)計(jì)的電碳因子數(shù)據(jù)無法滿足當(dāng)前對(duì)碳足跡核算的實(shí)時(shí)性、準(zhǔn)確性和精細(xì)化要求。

2、基于全國電網(wǎng)平均碳排放因子核算碳足跡是通過負(fù)荷和電網(wǎng)碳排放因子的乘積來計(jì)算間接碳排放量。目前會(huì)綜合考慮年度的發(fā)電量、發(fā)電燃料消費(fèi)量以及發(fā)電燃料的平均低位發(fā)熱值、區(qū)域間電力輸送情況等關(guān)鍵數(shù)據(jù)，根據(jù)電網(wǎng)的分布現(xiàn)狀，從三個(gè)層級(jí)：全國電網(wǎng)、區(qū)域電網(wǎng)和省級(jí)電網(wǎng)提供了平均碳排放因子用于核算用戶端電力消費(fèi)的碳足跡。

3、但是，上述方案的適用范圍有限：電網(wǎng)平均碳排放因子更適用于對(duì)電力系統(tǒng)整體碳排放的宏觀分析和評(píng)估，但在具體到某一區(qū)域、某一類型設(shè)備或某一時(shí)間段內(nèi)的碳排放分析時(shí)，其適用性可能受到限制。難以應(yīng)對(duì)復(fù)雜情況：電力系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng)，其中包含多種類型的設(shè)備和多種能源形式。在面臨復(fù)雜情況時(shí)(如可再生能源接入、虛擬電廠調(diào)峰等)，電網(wǎng)平均碳排放因子的碳足跡核算方法可能難以提供準(zhǔn)確的碳排放分析和評(píng)估。動(dòng)態(tài)性的不足：電力系統(tǒng)的運(yùn)行狀態(tài)是動(dòng)態(tài)變化的，而電網(wǎng)平均碳排放因子在相關(guān)部門公布時(shí)往往基于某一歷史時(shí)期。這種靜態(tài)分析可能無法準(zhǔn)確反映電力系統(tǒng)發(fā)展和運(yùn)行過程中的動(dòng)態(tài)變化對(duì)碳排放的影響，也無法滿足配用電客戶對(duì)降低碳足跡的用電分析需求。

4、因此，需要提供一種基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，旨在解決上述問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，以解決上述背景技術(shù)中存在的問題。

2、本發(fā)明是這樣實(shí)現(xiàn)的，一種基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，所述方法包括以下步驟：

3、采集歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括歷史新能源場站與用電客戶的中長期電力交易合約及約定交易曲線、場站天氣條件和運(yùn)行工況，基于歷史數(shù)據(jù)訓(xùn)練lstm-adaboost神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行新能源場站出力和配用電用戶負(fù)荷預(yù)測；

4、采集未來氣象預(yù)報(bào)參數(shù)，使用lstm-adaboost神經(jīng)網(wǎng)絡(luò)模型預(yù)測未來的新能源場站出力和配用電用戶負(fù)荷大小；

5、基于電力交易合約與交易曲線，進(jìn)行發(fā)電側(cè)出力和配用電客戶負(fù)荷匹配；

6、基于火電機(jī)組碳排放因子數(shù)據(jù)，進(jìn)行配用電客戶未來碳足跡變化趨勢預(yù)測。

7、作為本發(fā)明進(jìn)一步的方案：所述基于歷史數(shù)據(jù)訓(xùn)練lstm-adaboost神經(jīng)網(wǎng)絡(luò)模型的步驟，具體包括：

8、基于adaboost集成算法串行訓(xùn)練多個(gè)lstm網(wǎng)絡(luò)作為基學(xué)習(xí)器；

9、對(duì)歷史數(shù)據(jù)進(jìn)行清洗和歸一化處理，得到訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

10、進(jìn)行l(wèi)stm-adaboost神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，在模型訓(xùn)練過程中，采用一個(gè)三層lstm網(wǎng)絡(luò)模型，每層包含128個(gè)單元，并使用均方誤差作為損失函數(shù)，采用adam優(yōu)化器進(jìn)行優(yōu)化，為了防止模型過擬合，在訓(xùn)練過程中采用早停法和dropout技術(shù)。

11、作為本發(fā)明進(jìn)一步的方案：當(dāng)訓(xùn)練多個(gè)lstm網(wǎng)絡(luò)作為基學(xué)習(xí)器時(shí)，訓(xùn)練過程從初始化訓(xùn)練集權(quán)重和設(shè)定基學(xué)習(xí)器數(shù)量t開始，隨后逐一將訓(xùn)練集輸入到lstm網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，每輪訓(xùn)練后，計(jì)算樣本的相對(duì)誤差eti、lstm網(wǎng)絡(luò)的回歸誤差率εt以及基學(xué)習(xí)器的權(quán)重系數(shù)αt，更新訓(xùn)練集的權(quán)重分布，重復(fù)上述步驟，直至達(dá)到預(yù)設(shè)的基學(xué)習(xí)器數(shù)量t，將所有訓(xùn)練好的基學(xué)習(xí)器通過其權(quán)重系數(shù)進(jìn)行線性組合，形成lstm-adaboost神經(jīng)網(wǎng)絡(luò)模型。

12、作為本發(fā)明進(jìn)一步的方案：所述進(jìn)行l(wèi)stm-adaboost神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練的步驟，具體包括：

13、初始化權(quán)值向量，訓(xùn)練數(shù)據(jù)的權(quán)值分布初始化為：

14、對(duì)k＝1,2,…,k：當(dāng)權(quán)值分布為dk時(shí)，通過lstm神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到基于lstm模型的預(yù)測器：hk:s→y；

15、計(jì)算hk在訓(xùn)練數(shù)據(jù)集上的預(yù)測誤差：其中m＝supi(|hk(xi)-yi|)，函數(shù)的輸出區(qū)間為[0,1]；計(jì)算訓(xùn)練樣本集的總誤差:計(jì)算當(dāng)前預(yù)測器hk的系數(shù)其中更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布：其中

16、循環(huán)結(jié)束，記錄lstm預(yù)測器的連接權(quán)值w＝(w1,w2,…,wk),其中

17、構(gòu)建最終預(yù)測器，將訓(xùn)練完成的預(yù)測器按照連接權(quán)值進(jìn)行集成得到最終的強(qiáng)預(yù)測器：h(x)＝w1h1(x)+w2h2(x)+…+wkhk(x)。

18、作為本發(fā)明進(jìn)一步的方案：所述進(jìn)行發(fā)電側(cè)出力和配用電客戶負(fù)荷匹配的步驟，具體包括：

19、基于合約矩陣，構(gòu)建供需匹配的約束矩陣形式，矩陣p表示所有供需匹配的電力交易關(guān)系，其中，行代表電力需求方，列代表電力供給方；

20、基于總需求量、總供給量和短缺電力來源確定約束條件，進(jìn)行發(fā)電側(cè)出力和配用電客戶負(fù)荷匹配。

21、作為本發(fā)明進(jìn)一步的方案：所述基于火電機(jī)組碳排放因子數(shù)據(jù)，進(jìn)行配用電客戶未來碳足跡變化趨勢預(yù)測的步驟，具體包括：

22、基于火電機(jī)組碳排放因子數(shù)據(jù)，結(jié)合發(fā)電側(cè)出力和需求側(cè)負(fù)荷實(shí)時(shí)匹配，計(jì)算用戶的碳足跡：

23、將各類電力的碳排放量進(jìn)行匯總，預(yù)測配用電客戶碳足跡，計(jì)算公式為：總碳足跡＝∑電量i×efi，其中，i代表不同類型的電力，電量i為對(duì)應(yīng)類型的用電量，efi為對(duì)應(yīng)的排放因子。

24、作為本發(fā)明進(jìn)一步的方案：所述電力類型包括光伏電、風(fēng)電和火電，對(duì)于光伏電和風(fēng)電，排放因子取0；對(duì)于火電，ef為火電機(jī)組實(shí)時(shí)排放因子。

25、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

26、本發(fā)明采用基于電能供需預(yù)測與電力交易合約的配用電客戶碳足跡預(yù)測方法，實(shí)現(xiàn)未來一周配用電客戶電力消費(fèi)碳足跡的變化趨勢預(yù)測，有利于引導(dǎo)企業(yè)優(yōu)先消納新能源發(fā)電，通過科學(xué)安排生產(chǎn)、優(yōu)化用電行為開展電碳需求響應(yīng)，降低綜合用電成本和碳排放環(huán)境負(fù)面影響。

技術(shù)特征：

1.基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，其特征在于，所述基于歷史數(shù)據(jù)訓(xùn)練lstm-adaboost神經(jīng)網(wǎng)絡(luò)模型的步驟，具體包括：

3.根據(jù)權(quán)利要求2所述的基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，其特征在于，當(dāng)訓(xùn)練多個(gè)lstm網(wǎng)絡(luò)作為基學(xué)習(xí)器時(shí)，訓(xùn)練過程從初始化訓(xùn)練集權(quán)重和設(shè)定基學(xué)習(xí)器數(shù)量t開始，隨后逐一將訓(xùn)練集輸入到lstm網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，每輪訓(xùn)練后，計(jì)算樣本的相對(duì)誤差eti、lstm網(wǎng)絡(luò)的回歸誤差率εt以及基學(xué)習(xí)器的權(quán)重系數(shù)αt，更新訓(xùn)練集的權(quán)重分布，重復(fù)上述步驟，直至達(dá)到預(yù)設(shè)的基學(xué)習(xí)器數(shù)量t，將所有訓(xùn)練好的基學(xué)習(xí)器通過其權(quán)重系數(shù)進(jìn)行線性組合，形成lstm-adaboost神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求2所述的基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，其特征在于，所述進(jìn)行l(wèi)stm-adaboost神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練的步驟，具體包括：

5.根據(jù)權(quán)利要求1所述的基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，其特征在于，所述進(jìn)行發(fā)電側(cè)出力和配用電客戶負(fù)荷匹配的步驟，具體包括：

6.根據(jù)權(quán)利要求1所述的基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，其特征在于，所述基于火電機(jī)組碳排放因子數(shù)據(jù)，進(jìn)行配用電客戶未來碳足跡變化趨勢預(yù)測的步驟，具體包括：

7.根據(jù)權(quán)利要求6所述的基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，其特征在于，所述電力類型包括光伏電、風(fēng)電和火電，對(duì)于光伏電和風(fēng)電，排放因子取0；對(duì)于火電，ef為火電機(jī)組實(shí)時(shí)排放因子。

技術(shù)總結(jié)
本發(fā)明適用于碳排放技術(shù)領(lǐng)域，提供了基于電能供需預(yù)測與電力交易合約的客戶碳足跡預(yù)測方法，所述方法包括以下步驟：采集歷史數(shù)據(jù)，基于歷史數(shù)據(jù)訓(xùn)練LSTM?AdaBoost神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行新能源場站出力和配用電用戶負(fù)荷預(yù)測；采集未來氣象預(yù)報(bào)參數(shù)，使用LSTM?AdaBoost神經(jīng)網(wǎng)絡(luò)模型預(yù)測未來的新能源場站出力和配用電用戶負(fù)荷大??；基于電力交易合約與交易曲線，進(jìn)行發(fā)電側(cè)出力和配用電客戶負(fù)荷匹配；基于火電機(jī)組碳排放因子數(shù)據(jù)，進(jìn)行配用電客戶未來碳足跡變化趨勢預(yù)測。本發(fā)明實(shí)現(xiàn)未來一周配用電客戶電力消費(fèi)碳足跡的變化趨勢預(yù)測，有利于引導(dǎo)企業(yè)優(yōu)先消納新能源發(fā)電，通過科學(xué)安排生產(chǎn)、優(yōu)化用電行為開展電碳需求響應(yīng)。

技術(shù)研發(fā)人員：劉宇鵬,肖斌,王亞春,張煒,黃欣,劉敏,齊勇,董子慧,高岳達(dá),耿涌,魏文棟,高鎮(zhèn),楊也,邢培學(xué)
受保護(hù)的技術(shù)使用者：內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司電能計(jì)量分公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26