一种高耗能企业电碳因子动态预测方法、装置、电子设备及存储介质与流程

本发明涉及电碳因子动态预测，具体涉及一种高耗能企业电碳因子动态预测方法、装置、电子设备及存储介质。

背景技术：

1、高耗能企业作为碳排放管理的重点对象，面临着逐渐严格的碳配额履约与碳资产管理压力。电碳因子即单位电力的二氧化碳排放量，是核算企业间接排放的关键指标。对于拥有自备电厂且同时外购电力的复杂能源结构企业而言，电碳因子受到自备电厂发电策略、外部电网电源结构、企业生产工况以及气象条件等多重因素的耦合影响，呈现出较强的非线性与动态波动特征。

2、然而，现有技术多采用基于深度学习的时序预测模型。深度学习时序预测模型的预测性能在较大程度上依赖于学习率、神经元数量以及窗口大小等超参数的配置。目前针对超参数的选取，主要依赖人工经验试错或传统的网格搜索、常规进化算法等方式。人工经验通常缺乏普适性且效率受限；而常规的进化算法在搜索过程中，缺乏对种群中不同质量个体例如较优与较差个体之间差异信息的有效利用，导致算法在寻优后期容易陷入局部较优解，较难找到更优的超参数组合，从而造成最终生成的电碳因子预测结果精度受限，难以满足精细化管理的需要。

技术实现思路

1、本发明实施例提供一种高耗能企业电碳因子动态预测方法、装置、电子设备及存储介质，能够解决现有技术中缺乏对种群中优劣个体差异信息的有效利用，导致电碳因子预测模型的超参数寻优过程极易陷入局部最优，难以获取全局最优解，从而造成预测精度不足的问题。

2、本发明一实施例提供了一种高耗能企业电碳因子动态预测方法，包括：

3、获取目标企业待预测时段的自备电厂发电计划数据、外部电源购电计划数据、生产工况计划参数以及周边气象预测数据；

4、根据自备电厂发电计划数据、外部电源购电计划数据、生产工况计划参数以及周边气象预测数据，构建待预测时段的多变量时序特征集；

5、将多变量时序特征集输入至预设的电碳因子预测模型，生成目标企业待预测时段的电碳因子；

6、基于电碳因子，调整所述自备电厂发电计划数据、所述外部电源购电计划数据以及所述生产工况计划参数中的至少一项，以对目标企业进行用能优化；

7、所述电碳因子预测模型的训练，包括：

8、获取目标企业历史时段的多变量时序特征集以及对应的历史电碳因子；初始化电碳因子预测模型，生成超参数种群；其中，超参数种群包含多组超参数；

9、根据历史时段的多变量时序特征集以及超参数种群对电碳因子预测模型进行迭代进化训练，直至满足预设的迭代终止条件，确定全局最优超参数组合；其中，在每次迭代中，将历史时段的多变量时序特征集输入由超参数种群中各组超参数配置的电碳因子预测模型，以获得训练预测结果；根据训练预测结果与对应的历史电碳因子的误差确定适应度值，并基于适应度值筛选优势个体以及劣势个体；根据优势个体与劣势个体之间的数值差异信息生成新一代超参数种群以更新超参数种群；

10、根据全局最优超参数组合配置电碳因子预测模型，生成训练后的电碳因子预测模型。

11、进一步的，所述根据自备电厂发电计划数据、外部电源购电计划数据、生产工况计划参数以及周边气象预测数据，构建待预测时段的多变量时序特征集，包括：

12、以预设的时间戳为基准，对自备电厂发电计划数据、外部电源购电计划数据、生产工况计划参数以及周边气象预测数据进行重采样处理，生成对应的具有统一时间颗粒度的时序数据；

13、对所述时序数据进行无量纲化标准化处理，生成去量纲时序数据；

14、基于预设的时间窗口，利用去量纲时序数据构建待预测时段的多变量时序特征集。

15、进一步的，所述根据历史时段的多变量时序特征集以及超参数种群对电碳因子预测模型进行迭代进化训练，直至满足预设的迭代终止条件，确定全局最优超参数组合，包括：

16、利用所述初始化电碳因子预测模型后生成的超参数种群中的每一超参数个体分别对电碳因子预测模型进行配置，将历史时段的多变量时序特征集输入配置后的电碳因子预测模型以获得初始训练预测结果，根据所述初始训练预测结果与所述历史电碳因子的误差确定每一超参数个体的适应度值；

17、重复执行参数进化迭代操作，直至满足预设的迭代终止条件，将当前的超参数种群中适应度值最优的个体确定为全局最优超参数组合；

18、所述参数进化迭代操作，包括：

19、针对当前的超参数种群中的每一超参数个体，从当前的超参数种群中随机抽取预设数量的样本个体，将所述样本个体中适应度值最优的个体确定为优势个体，并将适应度值最差的个体确定为劣势个体；其中，初始的超参数种群为所述初始化电碳因子预测模型后生成的超参数种群；

20、根据当前的迭代次数确定衰减因子并生成随机步长向量，同时根据预设的概率策略从当前的超参数种群中确定基演化向量；

21、利用所述基演化向量、所述衰减因子、所述随机步长向量、当前超参数个体、所述优势个体以及所述劣势个体，生成候选超参数个体；

22、利用所述候选超参数个体对电碳因子预测模型进行配置，并将历史时段的多变量时序特征集输入配置后的电碳因子预测模型，以获得候选训练预测结果；

23、根据所述候选训练预测结果与对应的历史电碳因子的误差确定候选超参数个体的候选适应度值；

24、若所述候选适应度值与当前超参数种群中的最优适应度值的差值满足预设的动态选择阈值条件，则将候选超参数个体确定为对应的下一代超参数个体；否则，将当前的超参数个体确定为对应的下一代超参数个体；

25、当确定完当前的超参数种群中所有超参数个体的下一代超参数个体后，根据确定的各下一代超参数个体组成下一代超参数种群，并利用所述下一代超参数种群更新当前的超参数种群。

26、进一步的，所述根据所述初始训练预测结果与所述历史电碳因子的误差确定每一超参数个体的适应度值，包括：

27、针对每一所述超参数个体，分别计算当前的超参数个体对应的所述初始训练预测结果与所述历史电碳因子之间的平均绝对误差、均方根误差以及平均绝对百分比误差；

28、计算所述平均绝对误差、所述均方根误差以及所述平均绝对百分比误差的和值，并将所述和值确定为当前的超参数个体的适应度值。

29、进一步的，所述根据当前的迭代次数确定衰减因子并生成随机步长向量，同时根据预设的概率策略从当前的超参数种群中确定基演化向量，包括：

30、根据当前的迭代次数与预设的最大迭代次数的比值计算迭代进度值；

31、基于预设的衰减函数，根据迭代进度值计算衰减因子；

32、基于预设的随机分布函数生成包含随机扰动信息的随机向量，并将所述随机向量确定为随机步长向量；其中，所述随机向量的维度与当前的超参数个体的维度一致；

33、根据预设的均匀分布函数生成一介于0至1之间的策略选择随机数，并判断所述策略选择随机数是否落入预设的优势引导概率区间；

34、若所述策略选择随机数落入所述优势引导概率区间，则将当前的超参数种群中适应度值最优的个体确定为基演化向量；

35、若所述策略选择随机数未落入所述优势引导概率区间，则从当前的超参数种群中随机选取一个超参数个体确定为基演化向量。

36、进一步的，所述利用所述基演化向量、所述衰减因子、所述随机步长向量、当前超参数个体、所述优势个体以及所述劣势个体，生成候选超参数个体，包括：

37、计算所述优势个体与所述劣势个体之间的数值差异，生成进化差异向量；

38、根据所述衰减因子，对所述进化差异向量进行加权计算，得到加权进化向量；

39、计算所述基演化向量、所述加权进化向量以及所述随机步长向量的向量和，并将计算得到的向量确定为候选超参数个体。

40、进一步的，通过以下方式获取目标企业历史时段的历史电碳因子：

41、获取所述目标企业在历史时段内的自备电厂发电历史数据、自备电厂碳排放因子、外部电源购电历史数据以及外部电源碳排放因子；

42、计算所述自备电厂发电历史数据与所述自备电厂碳排放因子的乘积，生成自备电厂碳排放量；

43、计算所述外部电源购电历史数据与所述外部电源碳排放因子的乘积，生成外部电源碳排放量；

44、计算所述自备电厂碳排放量与所述外部电源碳排放量的和，生成第一计算结果；

45、计算所述自备电厂发电历史数据与所述外部电源购电历史数据的和，生成第二计算结果；

46、计算第一计算结果与第二计算结果的比值，生成历史时段的历史电碳因子。

47、在上述方法项实施例的基础上，本发明对应提供了装置项实施例。

48、本发明一实施例提供了一种高耗能企业电碳因子动态预测装置，包括：数据获取模块、特征构建模块、预测生成模块、用能优化模块以及模型训练模块；

49、所述数据获取模块，用于获取目标企业待预测时段的自备电厂发电计划数据、外部电源购电计划数据、生产工况计划参数以及周边气象预测数据；

50、所述特征构建模块，用于根据自备电厂发电计划数据、外部电源购电计划数据、生产工况计划参数以及周边气象预测数据，构建待预测时段的多变量时序特征集；

51、所述预测生成模块，用于将多变量时序特征集输入至预设的电碳因子预测模型，生成目标企业待预测时段的电碳因子；

52、所述用能优化模块，用于基于电碳因子，调整所述自备电厂发电计划数据、所述外部电源购电计划数据以及所述生产工况计划参数中的至少一项，以对目标企业进行用能优化；

53、所述模型训练模块，用于获取目标企业历史时段的多变量时序特征集以及对应的历史电碳因子；初始化电碳因子预测模型，生成超参数种群；其中，超参数种群包含多组超参数；根据历史时段的多变量时序特征集以及超参数种群对电碳因子预测模型进行迭代进化训练，直至满足预设的迭代终止条件，确定全局最优超参数组合；其中，在每次迭代中，将历史时段的多变量时序特征集输入由超参数种群中各组超参数配置的电碳因子预测模型，以获得训练预测结果；根据训练预测结果与对应的历史电碳因子的误差确定适应度值，并基于适应度值筛选优势个体以及劣势个体；根据优势个体与劣势个体之间的数值差异信息生成新一代超参数种群以更新超参数种群；根据全局最优超参数组合配置电碳因子预测模型，生成训练后的电碳因子预测模型。

54、在上述方法项实施例的基础上，本发明对应提供了电子设备项实施例。

55、本发明一实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述方法项实施例中任一项所述高耗能企业电碳因子动态预测方法。

56、在上述方法项实施例的基础上，本发明对应提供了存储介质项实施例。

57、本发明一实施例提供了一种存储介质，其上存储有计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行上述方法项实施例中任一项所述高耗能企业电碳因子动态预测方法。

58、与现有技术对比，本发明具有如下有益效果：

59、本发明实施例提供一种高耗能企业电碳因子动态预测方法、装置、电子设备及存储介质。所述方法获取目标企业待预测时段的自备电厂发电计划数据、外部电源购电计划数据、生产工况计划参数及周边气象预测数据，构建多变量时序特征集；将多变量时序特征集输入电碳因子预测模型，预测目标企业待预测时段的电碳因子；基于预测得到的电碳因子，对自备电厂发电计划、外部电源购电计划及生产工况计划进行优化调整，实现目标企业用能优化；其中，通过历史多变量时序特征集和历史电碳因子，采用超参数迭代进化训练方式对电碳因子预测模型进行优化，确定全局最优超参数组合，得到训练后的电碳因子预测模型。

60、本发明针对现有电碳因子预测模型在超参数寻优过程中缺乏对种群差异信息有效利用、容易陷入局部较优解的问题，通过在迭代进化训练中引入基于优势个体与劣势个体之间数值差异信息的种群更新机制，利用优劣差异指导搜索方向以跳出局部搜索陷阱。该种群更新机制有助于模型较快收敛至更佳的超参数组合，从而改善了人工经验或常规算法配置参数的局限性，有效提升了高耗能企业电碳因子动态预测的精度与鲁棒性；同时，基于预测的电碳因子对自备电厂发电计划数据、外部电源购电计划数据以及生产工况计划参数进行调整，实现了预测结果在工业系统中的物理反馈，为高耗能企业的用能优化提供了可靠的技术支持。