[发明专利]基于电力大脑中枢的碳达峰实时可视化测算方法

说明书

本发明提出了一种基于电力大脑中枢的碳达峰实时可视化测算方法，包括：通过电力大脑中枢获取电力终端的实时用电数据；根据实时用电数据，结合与电力终端对应的碳排放因子计算各个电力终端的碳排放序列；通过分级聚类分析碳排放序列是否存在异常序列，若存在则对异常序列进行调整，将调整后的碳排放序列叠加得到总序列；根据总序列计算碳排放峰度以及动态峰值，基于Mann‑Kendall趋势分析检验法对总序列进行趋势分析，将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出。本发明直接利用实时用电数据进行测算，提高了碳达峰测算的实时性，从而能够及时有效的反馈碳排放情况。

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碳达峰实时可视化测算方法。

背景技术

现有的碳达峰测算通常是基于相关的历史数据，建立相应的机器学习模型，将与碳排放量相关的历史数据输入机器学习模型，通过人工智能手段对碳达峰距离进行预测。

采用现有技术进行预测的准确性取决于机器学习模型中参数的设置，而模型参数的设置与地区的经济发展情况密切相关，碳排放的峰值也会随着地区经济形势而变化，因此在对不同地区持续进行碳达峰距离测算时，预先获取的历史数据可能存在不再适用于当前的碳达峰测算环境，需要不断调整机器学习模型的参数，导致一个机器学习模型的适用范围很小，也降低了测算效率。

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碳达峰实时可视化测算方法，包括：

S100、通过电力大脑中枢获取用电设备的实时用电数据；

S200、根据实时用电数据，结合与用电设备对应的碳排放因子计算各个用电设备的碳排放序列；

S300、通过分级聚类分析碳排放序列是否存在异常序列，若不存在异常序列则将碳排放序列叠加得到总序列，若存在则对异常序列进行调整，将调整后的碳排放序列叠加得到总序列；

S400、根据总序列计算碳排放峰度以及动态峰值，基于Mann-Kendall趋势分析检验法对总序列进行趋势分析，将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出。

可选的，所述电力大脑中枢为电力数据采集系统，通过访问用电设备的数据接口获取实时用电数据。

可选的，所述S200包括：

根据用电设备的能源类型确定碳排放因子，所述碳排放因子为单位用电量的二氧化碳排放量；

基于预设采样频率对实时用电数据进行采样，得到用电设备在每个采样时刻的用电量，计算用电量序列与碳排放因子的乘积得到碳排放序列。

可选的，所述S300包括：

将用电设备的类型、碳排放因子以及实时用电数据作为第一特征，根据第一特征对用电设备对应的碳排放序列进行一级聚类，得到若干个一级类；

分别在每个一级聚类聚合中，计算碳排放序列中相邻两个序列值的变化率，将变化率作为第二特征对碳排放序列进行二级聚类，得到若干个二级类；

根据各个二级类包含的碳排放序列数量，结合二级类的聚类中心之间的距离分析是否有离群的聚类中心，若没有离群的聚类中心则判定不存在异常序列，将碳排放序列叠加得到总序列；

若有离群的聚类中心，根据与离群的聚类中心距离最近的聚类中心，调整离群的聚类中心所属二级类中的所有碳排放序列，调整完成后将所有用电设备的碳排放序列叠加得到总序列。

可选的，所述根据各个二级类包含的碳排放序列数量，结合二级类的聚类中心之间的距离分析是否有离群的聚类中心，包括：