基于电-能源-碳关联模型的碳排放近实时计算方法

1.本发明涉及碳排放领域，尤其涉及一种基于电-能源-碳关联模型的碳排放近实时计算方法。


背景技术：

2.随着社会经济的发展，能源利用问题和环境污染问题备受关注。碳排放核算是一项重要的基础性工作。
3.当前的碳排放核算方法，主要分为生产侧碳排放核算方法，通过能源活动水平数据与含碳量、碳氧化率等参数进行碳排放量估算的方法；消费侧碳排放核算方法，多指通过全生命周期评价方法获得产品的碳排放足迹，估算消费侧产品整个生命周期的碳排放量。
4.由于基础统计数据发布滞后，当前的碳排放核算方法具有以下几个缺点：
5.1)依赖于年度的能源统计；无法区分细致的行业差异；2)缺乏对实时事件的准确响应；3)监测频度低、实时性差，使对数据更可靠、延迟性更低的碳排放数据需求更高。


技术实现要素：

6.本发明提供了一种基于电-能源-碳关联模型的碳排放近实时计算方法，本发明充分利用历史信息，充分且及时地反映碳排放的变动情况，实时监测高排放行业碳排放的影响，减轻对环境的污染，详见下文描述：
7.一种基于电-能源-碳关联模型的碳排放近实时计算方法，所述方法包括以下步骤：
8.使用scv-lv的碳排放相关用电用户聚类，将聚类的用户组数据经过eemd处理后，作为pso-lstm模型的输入变量；
9.使用eemd的用电数据时序特征获取用户类用电时序数据的规律性分量、趋势性分量与随机分量；
10.基于规律性分量、趋势性分量与随机分量分别进行工业生产过程碳排放估算、购入电力隐含的间接碳排放估算、及化石能源消耗碳排放估算。
11.其中，所述工业生产过程碳排放估算为：采用自回归分布滞后模型对工业产品产量进行短期预测；
12.y
t,γ
＝a0+a1t+φ1y
t-1,γ
+φ2y
t-2,γ
…
φ
pyt-p,γ
+β0x
t,γ
+β1x
t-1
…
βqx
t-q
+u
t,γ
13.式中，y
t,γ
表示主要工业产品的产量；a0表示主要工业产品基础产量；a1t表示时间对产品产量的影响率；φ1y
t-1,γ
+φ2y
t-2,γ
…
φ
pyt-p,γ
表示历史产品产量对当期产品产量的综合影响；β0x
t,γ
+β1x
t-1
…
βqx
t-q
表示当前和历史用电量对当前产品产量的综合影响；u
t,γ
表示对应的随机变量。
14.其中，所述购入电力隐含的间接碳排放估算为：输入节点的碳流量等于输出节点的碳流量，通过求解碳流平衡方程，计算出各区域电网的电力碳排放因子；
[0015][0016]
式中，ef
el,m
表示当月区域电力碳排放因子；e
eg,m
表示当月发电碳排放；psm表示所在区域当月供电量；表示i省向外调出电量之和；表示向i省输送电量隐含的碳排放；efj表示j省电网平均碳排放因子。
[0017]
进一步地，所述化石能源消耗碳排放估算包括：基于pso-lstm算法的碳排放估算；
[0018]
综合考虑时间点在前几年的同时间点的”电-能“季节性特征，提高对应预测精度：
[0019]fi,m
＝psolstm
θ
(p
regular,m
,p
trend,m
,p
random,m
,po
s,m
)
[0020]
式中，f
i,m
表示当月不同化石能源消耗量估算；po
s,m
表示不同行业当月产品产量数据，psolstm
θ
表示pso-lstm算法程序。
[0021]
本发明提供的技术方案的有益效果是：
[0022]
(1)相较于现有技术中单纯利用能源统计数据进行核算的技术方案，本发明通过结合pso-lstm(基于粒子群算法优化的长短期记忆网络)强大的预测能力，基于用电特征数据、碳排放数据、行业活动水平相关数据，构建“电-能源-碳”关联模型，可以有效利用用户历史数据信息，从而达到能源碳排放精准近实时估算的目的；
[0023]
(2)相对于现有技术中的聚类方法，本发明利用有监督聚类方法，针对不同行业海量用电用户进行有目标聚类分析，寻找对行业碳排放估算起关键作用的用户类，并利用eemd(集成经验模态分解方法)方法提取其用电特征数据，为后续构建模型奠定基础。
[0024]
因此，本发明可以充分利用已有的历史数据信息，碳排放估算方法可以帮助了解区域内高排放行业的实时变化情况，支撑制定有效的碳减排决策建议，实时监测高排放行业碳排放的影响，减轻对环境的污染。
附图说明
[0025]
图1为一种基于电-能源-碳关联模型的碳排放近实时计算方法的流程图；
[0026]
图2为本发明提出的eemd算法流程图；
[0027]
图3为pso-lstm网络的训练和预测过程示意图；
[0028]
图4为“电-能源-碳”构建图；
[0029]
图5为利用本发明方法以天津市实际数据为算例，计算的实例图，依次分别为钢铁行业、化工行业、建材行业、造纸行业的碳排放示意图。
具体实施方式
[0030]
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
[0031]
为了解决背景技术中存在的问题，经本发明实施例研究发现化石能源燃烧产生的碳排放与购入电力产生的碳排放是碳排放主要构成部分。电力与这两者存在较强的相关关系，可以及时、准确地反映碳排放情况。同时，电力数据具备实时性强、数据质量高、统计口径一致等特点，数据获取容易且采集范围广，能为碳排放估算提供海量数据进行分析。
[0032]
本发明实施例构建的“电-能源-碳”关联模型，充分考虑了不同用户类与行业碳排放之间的关联关系以及生产活动水平对碳排放的影响，采用的有监督聚类方法可以有效地选择使模型估算效果最佳的用户类，pso-lstm方法可以有效识别并利用数据的时序特征，提高模型的估算精度与可靠性。
[0033]
实施例
[0034]
一种基于电-能源-碳关联模型的碳排放近实时计算方法，该方法包括以下步骤：
[0035]
101：使用scv-lv(围绕潜变量的有监督聚类方法)的碳排放相关用电用户聚类，将聚类的用户组数据经过eemd的处理后，作为pso-lstm模型的输入变量；
[0036]
该步骤即利用层次聚类法，通过最大化提取出的变量组的组内相关性以及最大化变量组对响应变量的贡献，依次迭代提取出一系列变量组。聚类准则为：最大化变量组的全局同一性，同时根据响应变量来控制变量组局部同一性的损失。
[0037]
聚类目标是：得到变量之间的聚类信息，提升模型的预测能力，同时提升模型的可解释性。做法是：首先将响应变量y和所有解释变量{x1,x2,x3,
…
,x
p
}放一起，然后进行层次聚类。得到多层聚类结果后，接着确定最佳聚合水平，即选出满足要求的最优一层聚类结果。具体做法如下：
[0038]
1)初始化；
[0039]
将响应变量y和所有解释变量{x1,x2,x3,
…
,x
p
}放一起，即u＝{y,x1,x2,x3,
…
,x
p
}，x
p
表示一共p个解释变量。
[0040]
2)层次聚类；
[0041]
需将初始的p个类，一层一层聚类，直到所有p+1个变量成为一类。从上一层到下一层的过程中(例如，从p+1个类到p个类的过程)，有种可能性，此时需选取全局同一性下降最小的那一种。假设当前层有k个变量类，记作g1,g2,g3,
…
,gk，则全局同一性定义为该层各组所得潜变量ck与对应各组中各个变量之间的相关性之和，其中潜变量是对应变量组中所含变量的线性组合ck＝gkvk，vk为组合系数向量。
[0042]
全局同一性准则t的表达式为：
[0043][0044]
式中：|gk|为变量组gk中所含变量的个数，xj为第j个解释变量。
[0045]
容易证明最大化准则t所得潜变量ck恰好为gk中变量所得的第一主成分，因此该准则等价于最大化各变量组协方差矩阵的第一特征值，即λ1为第一特征值。考虑当前聚合层中的任意2个变量类gac
*/j
和gb，则将ga与gb合并为同一类的过程中，同一性的下降量为：
[0046][0047]
因此，从当前聚类层到下一聚类层的划分依据为：将
△
取最小值时对应的2个类合并为一类。即该部分体现了上述的通过最大化提取出的变量组的组内相关性以及最大化变量组对响应变量的贡献。
[0048]
3)确定最佳聚合水平。
[0049]
得到各个层的聚类结果后，为了确定最佳一层聚合水平，需要选取局部同一性变化最小的一层。考虑第l-1层及第l层中y所在的变量组，并记对应的潜变量为c
l-1
和c
l
。则局部同一性准则定义为：
[0050][0051]
式中：n为样本容量；c
*/j
为变量在xj与y合并(第l层)之前(第l-1层)所在的变量组对应的潜变量；j∣al-1,j＝1表示使xj属于g
l-1
的j取值；j∣al-1,j＝0表示使xj不属于g
l-1
的j取值；jalj＝1表示使xj属于g
l
的j取值。
[0052]
于是相邻两层之间的局部同一性变化率为：
[0053][0054]
其中，为第l-1层局部同一性，为第l层局部同一性。
[0055]
可以看出局部同一性准则反映了2个相邻聚合水平同一性的损失比率。给定损失阈值，最佳聚合水平定义为：l
*
＝maxl(γ
l
≤γ)，γ通常设为5％。
[0056]
本发明实施例确定响应变量为行业月度碳排放量y，解释变量{x1,x2,x3,
…
,x
p
}为行业用户月度用电数据。
[0057]
102：使用eemd的用电数据时序特征获取用户类用电时序数据的规律性分量、趋势性分量与随机分量；
[0058]
由于受到产业规模、电力季节消费习惯、电力随机消费波动影响，各行业之间用电行为曲线复杂且差异大。需要基于上文用户聚类情况，对与碳排放关联性较强的用户用电数据进行时序特征提取。本发明实施例利用eemd方法实现各行业用电曲线的整体趋势特征、季节特征和随机波动特征的获取。
[0059]
其中，该步骤具体包括：
[0060]
1)白噪声添加；
[0061]
使用eemd方法，需要向初始时间序列中加入不同的白噪声，将用电功率时序数据x
k,t
分解为一系列本征模态分量(intrinsic mode fuction,imf)分量。
[0062][0063]
式中，imf
k,i
表示对第k个用户类用电时序数据使用eemd经过分解得到的第i个本征模态分量；r
k,n
是将原始时序数据分解后的残余分量，n为样本容量。
[0064]
2)求取分量。
[0065]
eemd对时序数据分解是通过对局部极大、极小值用三次样条曲线连接起来形成上下包络线，并取其均值m
j-1
，接着从初始序列x
k,t
中减去这些包络线的平均值得到剩余序列r
k,i
，从而在求取各imf过程时，有：
[0066]rk,i
＝r
k,i-1-imf
k,i
ꢀꢀꢀꢀꢀ
(6)
[0067]
式中，当i＝1时，有r
k,0
＝x
k,t
。
[0068]
不断迭代，对剩余序列r
k,i
提取第i+1个imf，直到剩余序列r
k,n
无法再分解，最后求取加入不同白噪声获得的imf的均值。最后获得用户类用电时序数据的规律性分量、趋势性分量与随机分量，p
regular,m
,p
trend,m
,p
random,m
。
[0069][0070]
式中，eemd代表eemd算法程序，pm代表用户组月度用电量。即通过上述eemd算法，将用户组用电量数据分解为三类时序变量，p
regular,m
,p
trend,m
,p
random,m
，特征为三类变量之和等于用电量数据。
[0071]
103：工业生产过程碳排放估算；
[0072]
1)碳排放估算；
[0073]
工业生产过程碳排放，主要指在工业产品的生产过程中，由于使用催化剂、反应剂等产生的中间过程碳排放。根据ipcc温室气体排放清单统计，可以根据对应的工业产品产量数据与碳排放因子计算得到工业生产过程碳排放。
[0074]
以钢铁行业为例：
[0075]eprocess,steel
＝∑po
steel
×
ef
steel
ꢀꢀꢀꢀ
(8)
[0076]
式中，e
process,steel
表示钢铁行业工业生产过程碳排放；po
steel
表示钢铁行业主要工业产品产量，例如：钢材、生铁；ef
steel
表示产品对应的工业生产过程碳排放因子。
[0077]
2)工业产品产量预测。
[0078]
需要注意的是，由于工业产品产量数据同样存在一定滞后性(通常会滞后1到2个月)。因此采用自回归分布滞后模型(ardl)对工业产品产量进行短期预测。
[0079]yt,γ
＝a0+a1t+φ1y
t-1,γ
+φ2y
t-2,γ
…
φ
pyt-p,γ
+β0x
t,γ
+β1x
t-1
…
βqx
t-q
+u
t,γ
ꢀꢀꢀ
(9)
[0080]
式中，y
t,γ
表示主要工业产品的产量；a0表示主要工业产品基础产量；a1t表示时间对产品产量的影响率；φ1y
t-1,γ
+φ2y
t-2,γ
…
φ
pyt-p,γ
表示历史产品产量对当期产品产量的综合影响(自回归部分)；β0x
t,γ
+β1x
t-1
…
βqx
t-q
表示当前和历史用电量对当前产品产量的综合影响(滞后影响部分)；u
t,γ
表示对应的随机变量。
[0081]
104：购入电力隐含的间接碳排放估算；
[0082]
其中，该步骤包括：
[0083]
1)碳排放估算；
[0084]
电力生产的碳排放主要来自发电侧，但是碳排放责任需要由消费侧承担。因此在计算行业能源碳排放时，需要考虑购入电力的隐含碳排放。
[0085]eel,m
＝pm×
ef
el,m
ꢀꢀꢀꢀꢀꢀ
(10)
[0086]
式中，e
el,m
表示电力隐含碳排放；pm表示月度用电量；ef
el,m
表示所在区域当月的电力碳排放因子。
[0087]
2)碳排放因子计算。
[0088]
本发明实施例采用考虑碳流的电力碳排放因子计算方法。即输入节点的碳流量等于输出节点的碳流量。通过求解碳流平衡方程，可以计算出各区域电网的电力碳排放因子。
[0089][0090]
式中，ef
el,m
表示当月区域电力碳排放因子；e
eg,m
表示当月发电碳排放；psm表示所在区域当月供电量；表示i省向外调出电量之和；表示向i省输送电量隐含的碳排放；efj表示j省电网平均碳排放因子。
[0091]
105：化石能源消耗碳排放估算；
[0092]
其中，该步骤包括：
[0093]
1)训练数据集设置；
[0094]
本发明实施例采用选取历史化石能源消耗、历史用电特征数据、历史产品产量数据作为训练集。构建电-能源关联模型，通过实时电力数据与产量数据估算行业实时能耗数据。采用排放因子法估算实时碳排放。
[0095]
2)排放因子法计算历史碳排放；
[0096]
采用排放因子法计算当月化石能源碳排放，具体为：
[0097]ei,m
＝∑f
i,m
×
efiꢀꢀꢀꢀꢀ
(12)
[0098][0099]
式中，e
i,m
表示当月不同化石能源消耗带来的碳排放；efi表示不同化石能源的碳排放因子；cci表示第i种化石燃料的单位热值含碳量；ofi表示第i种化石燃料的碳氧化率；表示co2与c的原子数之比，f
i,m
表示当月不同化石能源消耗量。
[0100]
3)基于pso-lstm算法的碳排放估算。
[0101]
模型训练采用pso-lstm算法，该算法可以综合考虑时间点在前几年的同时间点的”电-能“季节性特征，从而提高对应预测精度。
[0102]fi,m
＝psolstm
θ
(p
regular,m
,p
trend,m
,p
random,m
,po
s,m
)
ꢀꢀꢀꢀ
(14)
[0103]
式中，f
i,m
表示当月不同化石能源消耗量估算；po
s,m
表示不同行业当月产品产量数据，psolstm
θ
表示pso-lstm算法程序。
[0104]
具体流程如图4所示。
[0105]
实施例2
[0106]
下面结合具体的算例对实施例1中的方案进行可行性验证，详见下文描述：
[0107]
通过天津市实际数据，对以上实施例进行仿真分析，本发明实施例得到的有益效果如图5所示。通过本发明实施例提出的模型对天津市月度碳排放进行了估算。估算值与真实值之间的误差率基本保持在3％左右，且在碳排放数据发生剧烈波动时能保持良好的估算能力。可以认为使用本发明实施例得出的估算值足够合理，具有实用性和信息性。帮助分析许多突发事件对碳排放的影响。
[0108]
综上所述，本发明实施例提供了一种基于有监督聚类方法和“电-能源-碳”关联模型的碳排放近实时估算方法，本发明实施例充分利用历史信息，充分且及时地反映碳排放的变动情况，实时监测高排放行业碳排放的影响，采取相应的节能减排措施，进行高碳环节
改造，提高清洁能源使用率，避免环境污染，，比如钢铁行业进行短程炼钢改造，即电炉炼钢等措施。
[0109]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0110]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于电-能源-碳关联模型的碳排放近实时计算方法，其特征在于，所述方法包括以下步骤：使用scv-lv的碳排放相关用电用户聚类，将聚类的用户组数据经过eemd处理后，作为pso-lstm模型的输入变量；使用eemd的用电数据时序特征获取用户类用电时序数据的规律性分量、趋势性分量与随机分量；基于规律性分量、趋势性分量与随机分量分别进行工业生产过程碳排放估算、购入电力隐含的间接碳排放估算、及化石能源消耗碳排放估算。2.根据权利要求1所述的一种基于电-能源-碳关联模型的碳排放近实时计算方法，其特征在于，所述工业生产过程碳排放估算为：采用自回归分布滞后模型对工业产品产量进行短期预测；y
t,γ
＝a0+a1t+φ1y
t-1,γ
+φ2y
t-2,γ
…
φ
p
y
t-p,γ
+β0x
t,γ
+β1x
t-1
…
β
q
x
t-q
+u
t,γ
式中，y
t,γ
表示主要工业产品的产量；a0表示主要工业产品基础产量；a1t表示时间对产品产量的影响率；φ1y
t-1,γ
+φ2y
t-2,γ
…
φ
p
y
t-p,γ
表示历史产品产量对当期产品产量的综合影响；β0x
t,γ
+β1x
t-1
…
β
q
x
t-q
表示当前和历史用电量对当前产品产量的综合影响；u
t,γ
表示对应的随机变量。3.根据权利要求1所述的一种基于电-能源-碳关联模型的碳排放近实时计算方法，其特征在于，所述购入电力隐含的间接碳排放估算为：输入节点的碳流量等于输出节点的碳流量，通过求解碳流平衡方程，计算出各区域电网的电力碳排放因子；式中，ef
el,m
表示当月区域电力碳排放因子；e
eg,m
表示当月发电碳排放；ps
m
表示所在区域当月供电量；表示i省向外调出电量之和；表示向i省输送电量隐含的碳排放；ef
j
表示j省电网平均碳排放因子。4.根据权利要求1所述的一种基于电-能源-碳关联模型的碳排放近实时计算方法，其特征在于，所述化石能源消耗碳排放估算包括：基于pso-lstm算法的碳排放估算；综合考虑时间点在前几年的同时间点的”电-能“季节性特征，提高对应预测精度：f
i,m
＝psolstm
θ
(p
regular,m
,p
trend,m
,p
random,m
,po
s,m
)式中，f
i,m
表示当月不同化石能源消耗量估算；po
s,m
表示不同行业当月产品产量数据，psolstm
θ
表示pso-lstm算法程序。

技术总结
本发明公开了一种基于电-能源-碳关联模型的碳排放近实时计算方法，包括以下步骤：使用SCV-LV的碳排放相关用电用户聚类，将聚类的用户组数据经过EEMD处理后，作为PSO-LSTM模型的输入变量；使用EEMD的用电数据时序特征获取用户类用电时序数据的规律性分量、趋势性分量与随机分量；基于规律性分量、趋势性分量与随机分量分别进行工业生产过程碳排放估算、购入电力隐含的间接碳排放估算、及化石能源消耗碳排放估算。本发明充分利用历史信息，充分且及时地反映碳排放的变动情况，实时监测高排放行业碳排放的影响，减轻对环境的污染。减轻对环境的污染。减轻对环境的污染。


技术研发人员：李尚泽 孔祥玉 陈一 刘高华 高碧轩
受保护的技术使用者：天津大学
技术研发日：2023.06.30
技术公布日：2023/10/11