[发明专利]一种基于深度神经网络的电网企业度电碳耗预测方法

说明书

本发明涉及电网企业碳耗预测技术领域，公开了一种基于深度神经网络的电网企业度电碳耗预测方法，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，输入深度神经网络预测模型，预测未来时刻度电碳耗；其中，度电碳耗指电网企业每发电一度的碳耗。本发明解决了现有技术存在的不能针对电网企业的全流程度电碳耗计算、预测结果与实际偏差较大等问题。

技术领域

本发明涉及电网企业碳耗预测技术领域，具体是一种基于深度神经网络的电网企业度电碳耗预测方法。

背景技术

度电碳耗计算与预测，可以帮助企业科学核算和规范报告自身的温室气体排放，制定企业温室气体排放控制计划，积极参与碳排放交易，强化企业社会责任。同时也为主管部门建立并实施重点企业温室气体报告制度奠定基础，为掌握重点企业温室气体排放情况，制定相关政策提供支撑。现有度电碳耗计算模型多为理论分析与定性评估，缺少一种针对电网企业的全流程度电碳耗计算方法，同时，现有度电碳耗预测模型仅基于历史度电碳耗记录数据进行计算分析，预测结果往往与实际偏差较大。

发明内容

为克服现有技术的不足，本发明提供了一种基于深度神经网络的电网企业度电碳耗预测方法，解决现有技术存在的不能针对电网企业的全流程度电碳耗计算、预测结果与实际偏差较大等问题。

本发明解决上述问题所采用的技术方案是：

一种基于深度神经网络的电网企业度电碳耗预测方法，

一种基于深度神经网络的电网企业度电碳耗预测方法，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，输入深度神经网络预测模型，预测未来时刻度电碳耗；其中，度电碳耗指电网企业每发电一度的碳耗。

作为一种优选的技术方案，包括以下步骤：

S1，分别计算当前时段电网企业发电侧度电碳耗、输电侧度电碳耗；

S2，根据天气特征变量与电网企业度电碳耗间的相关系数，结合天气特征变量对应的历史天气特征数据，从多个天气特征变量中选取预测所需的天气特征变量；其中，电网企业度电碳耗指发电侧度电碳耗、输电侧度电碳耗之和；

S3，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，作为深度神经网络预测模型的输入，预测未来时刻度电碳耗；其中，历史度电碳耗数据指步骤S1计算的当前时段电网企业发电侧度电碳耗、输电侧度电碳耗之和。

作为一种优选的技术方案，天气特征变量包括日照强度、温度、风速、降水量、相对湿度、气压中的一种或多种。

作为一种优选的技术方案，步骤S2还包括以下步骤：若选取预测所需的天气特征变量为日照强度，则将的日照强度数据预处理后再作为预测所需的天气特征数据，预处理具体过程如下：将天气状况分为晴、多云、阴三个天气类别，对每个天气类别下全天24小时的日照强度数据采用K-means进行聚类，得到全天各小时晴、多云、阴三个天气类别的聚类集合[z₁]、[z₂]、[z₃]；然后根据气象发布的天气类别预测，采用对应天气类别聚类集合的中心点作为未来时段各小时的日照强度数据；其中，采用下式计算聚类集合中心点，

式中：C₁、C₂、C₃分别为集合[z₁]、[z₂]、[z₃]的聚类中心点，m为聚类集合内参数数量，z_j为集合内第j个参数；

温度数据、风速数据、降水量数据、相对湿度数据和气压数据均取气象预测发布的参数值。

作为一种优选的技术方案，步骤S2中，电网企业度电碳耗与各天气特征变量间的相关系数采用下式计算：