一种基于设备识别的企业实时碳排放计量方法与流程

1.本发明涉及碳足迹估算技术领域，具体涉及一种基于设备识别的企业实时碳排放计量方法。


背景技术：

2.碳排放估算是减缓气候变化、实现碳中和、建设可持续发展社会等目标的基础，能够有效推动低碳经济转型。企业碳足迹估算可以获得具体的碳排放量，从而为减排提供支持。现有的企业碳足迹估算过程有以下五个步骤：1)明确目标，绘制过程图；2)界定边界，确定计算方法；3)收集数据，确定排放因子和强度；4)计算；5)验证与发现。一般步骤4中的计算方法有三种：自下向上、自上向下和混合计算方法。上述的企业碳足迹估算方法仍然有不足的地方，例如：1)目前这些方法大多只考虑企业生产过程中的直接碳排放，没有考虑用电时引起的间接碳排放；2)自下向上的计算方法对小型企业更精确，但对包含多种碳排放方式的大型公司来说，过程非常复杂并且成本高昂；3)自上向下的计算方法简单但是粗略，精确度无法得到保证；4)混合方法结合了上述两种方法，但是由于采用的国家或地区碳排放因子过于粗糙且长期稳定，无法反应小区域内的实时碳排放变化，因此存在一定的不确定性和误差；5)当前的使用不同模型和算法的研究大多是专门为单个企业或者是行业设计的，并不具有普适性。


技术实现要素：

3.针对上述不足，本发明提供了一种基于设备识别的企业实时碳排放计量方法，首先通过智能电表采集负荷数据，负荷数据作为电力消耗计算和设备识别的输入，分别获得电力消耗和设备状态；然后根据设备状态和已知的设备直接碳排放强度，计算直接碳排放；再根据边际碳排放因子和电力消耗，计算间接碳排放；最后企业实时总碳排放为直接碳排放和间接碳排放的和。本发明实现对企业碳排放的实时、准确估计，提高碳排放信息的可信度，同时增强企业的社会责任感；有利于更好地制定和调整减少碳排放的相关政策和措施；有利于更准切地监控和协助低碳经济的运行和转型，提高低碳经济的活力；适用于不同行业，具有普适性。
4.为了实现上述目的，本发明采用以下技术方案：
5.一种基于设备识别的企业实时碳排放计量方法，包括以下步骤：步骤s1：通过智能电表采集负荷数据；步骤s2：根据负荷数据进行设备识别，获得设备状态s；步骤s3：根据设备状态s和已知的设备直接碳排放强度α，计算直接碳排放c
direct
；步骤s4：根据负荷数据计算电力消耗e；步骤s5：根据边际碳排放因子β和电力消耗e，计算间接碳排放c
indirect
；步骤s6：根据直接碳排放c
direct
和间接碳排放c
indirect
，计算企业实时总碳排放c
total
。
6.对企业碳足迹进行实时估计的关键在于获得设备的状态s，相对应设备的直接碳排放强度α，边际碳排放因子β和电力消耗e。总的来说，工厂内设备有他们固定的状态，相同类型的工厂有相同或相似的设备。因此设备状态s可以通过设备识别方式来监测，设备直接碳排放强度α也可轻易获得，边际碳排放因子β通过求解最优潮流获得，电力消耗e通过智能电表直接获得。对于给定的b间隔的时间段t，通过一个定位在接入口的智能电表获得负荷数据，首先用负荷数据作为设备识别和电力消耗计算的输入，通过利用基于多头自注意力机制和门控循环单元的设备识别方法，获得设备状态s，根据设备状态s和设备直接碳排放强度α估计出直接碳排放c
direct
。对于给定电力系统中因电力消耗造成的间接碳排放c
indirect
，用直流最优潮流方法获得调度方案，再加上相应的发电机碳排放因子，获得发电机的碳排放cg；然后，在连接的总线上增加一个单元，再次求解直流最优潮流，基于这个新的分配方案和相应的发动机碳排放因子，获得新的发动机碳排放c
′g；连接总线的边际碳排放因子β可以通过公式β＝c
′
g-cg计算出来。电力消耗e可以直接用负荷数据算出来。根据边际碳排放因子β和电力消耗e计算获得间接碳排放c
indirect
。最终，企业碳排放实时总量c
total
是c
direct
和c
indirect
的和。本技术实现对企业碳排放的实时、准确估计，提高碳排放信息的可信度，同时增强企业的社会责任感；有利于更好地制定和调整减少碳排放的相关政策和措施；有利于更准切地监控和协助低碳经济的运行和转型，提高低碳经济的活力；适用于不同行业，具有普适性。
7.作为优选，步骤s4中，所述直接碳排放c
direct
的计算公式为：其中，是设备i在时间区间j内的直接碳排放强度，s
i,j
是设备i在时间区间j内的状态。
8.对于给定的b间隔的时间段t，通过一个定位在接入口的智能电表获得负荷数据，首先用负荷数据作为设备识别的输入，通过利用基于多头自注意力机制和门控循环单元的设备识别方法，获得设备状态s；然后根据设备状态s和设备直接碳排放强度α估计出直接碳排放c
direct
。
9.作为优选，步骤s5中，所述间接碳排放c
indirect
的计算公式为：其中，βj是时间区间j内连接到工厂总线的边际碳排放因子，ej是时间区间j内工厂的电力消耗。
10.对于给定的b间隔的时间段t，首先通过求解最优潮流来计算连接总线的边际碳排放因子β，然后用智能电表直接获得电力消耗e，最后根据边际碳排放因子β和电力消耗e计算给定电力系统中因电力消耗造成的间接碳排放c
indirect
。
11.作为优选，步骤s6中，所述企业实时总碳排放c
total
的计算公式为：c
total
＝c
direct
c
indirect
。
12.最终，企业碳排放实时总量c
total
是c
direct
和c
indirect
的和。
13.作为优选，步骤s5中，通过求解最优潮流获得连接总线的边际碳排放因子β，所述边际碳排放因子β的计算公式为：β＝c
′
g-cg其中，c
′g表示发动机碳排放，cg表示发电机碳排放。
14.对于给定电力系统中因电力消耗造成的间接碳排放c
indirect
，用直流最优潮流方法获得调度方案，再加上相应的发电机碳排放因子，获得发电机的碳排放cg；然后，在连接的总线上增加一个单元，再次求解直流最优潮流，基于这个新的分配方案和相应的发动机碳排放因子，获得新的发动机碳排放c
′g；最后，连接总线的边际碳排放因子β通过公式β＝c
′
g-cg计算出来。
15.作为优选，步骤s2中，所述设备识别基于多头自注意力机制和门控循环单元，具体过程包括数据嵌入、关系学习和状态识别。本技术使用了一种基于多头自注意力机制和门控循环单元的非侵入式负荷检测方法进行设备识别，这个方法由三个部分组成：数据嵌入、关系学习和状态识别，用工厂聚合功率序列x作为输入。门控循环单元作为循环神经网络的一种变体，与标准循环神经网络变体相比，能够捕获和记忆时间序列中的长期信息，同时与长短期记忆人工神经网络相比，性能相似，但门结构更简单，计算效率更高。多头自注意力机制关注并学习与目标关系更密切的关键信息，能够准确提取出时间序列中相关的上下文信息，从而更有效地识别设备。
16.作为优选，所述数据嵌入的具体过程，包括以下步骤：步骤a1：利用公式将输入序列x转化为具有整数值的x，其中min(x)是x中的最小值，代表了获取整数值部分的操作；步骤a2：将x分成子序列集合每一个子序列的长度是l；步骤a3：将每一个在子序列中的值嵌入到g维超空间中，获得子序列的向量表示矩阵u。
17.在数据嵌入部分，首先利用公式将输入序列x转化成具有整数值的x，其中min(x)是x中的最小值，代表了获取整数值部分的操作；然后，将x分成子序列集合每一个子序列的长度是l；在这之后，将每一个在子序列中的值嵌入到g维超空间中，本技术使用词嵌入技术获得其向量表示，这个向量表示被用于替换相应的值。因此，这个子序列集合可以被矩阵u表示。
18.作为优选，所述关系学习的具体过程，包括以下步骤：步骤b1：矩阵u作为关系学习环节的输入，利用n个门控循环单元层提取其中的文本信息，并将这些信息输出为隐藏状态h；步骤b2：使用由m个点积注意块组成的多头自注意力机制模块学习向量的内在关系，输出mhao；步骤b3：将m个点积注意块的输出串接起来获得head，使用一个全连接层将head连接到mhao；步骤b4：使用一个归一层对head与mhao的和进行归一化处理，得到out1；
步骤b5：使用具有两个线性转换的全连接前馈层以out2＝f(out1)＝max(0,out1w1 bs1)w2 bs2的方式应用至out1，其中w1和w2表示权重，bs1和bs2表示偏离；步骤b6：使用另一个归一层对out1与out2的和进行归一化处理，得到关系学习的结果out3。
19.在关系学习部分，矩阵u是这个部分的输入。首先，本技术用n个门控循环单元层提取矩阵u中向量的文本信息，并将这些信息输出为隐藏状态h。然后，使用一个由m个点积注意块组成的多头子注意力机制模块(mha)学习这些向量的内在关系。在mha中，h作为输入，并通过全连接层分别匹配至q、k、v。q、k、v按列等分为m个部分，作为m个点积注意块的输入。在mha的第z个块中，使用公式计算qz和kz之间的相似度simz(qz,kz)，然后通过公式将simz(qz,kz)缩放到sim
zscaled
(qz,kz)，其中dim
kz
表示了kz中的列数。随后，用归一化指数函数归一化处理sim
zscaled
(qz,kz)，以获得权重γz，再使用公式计算出第z个块的输出然后将m个点积注意块的输出串接起来获得head，一个全连接层将head连接到mha的输出mhao，一个归一层对head与mhao的和进行归一化处理，得到out1。然后使用一个具有两个线性转换的全连接前馈层以out2＝f(out1)＝max(0,out1w1 bs1)w2 bs2的方式应用至out1，其中w1和w2表示权重，bs1和bs2表示偏离。out1和out2相加，使用另一个归一层处理out1与out2的和得出关系学习的结果out3。
20.作为优选，所述状态识别的具体过程为：out3被用作另一个全连接层的输入，并使用softmax函数作为激活函数，以此获得相应设备不同状态的概率，取概率大于阈值的设备状态作为设备的运行状态，从而形成设备状态集合s。
21.因此，本发明的优点是：(1)实现对企业碳排放的实时、准确估计；(2)提高碳排放信息的可信度，同时增强企业的社会责任感；(3)有利于更好地制定和调整减少碳排放的相关政策和措施；(4)有利于更准切地监控和协助低碳经济的运行和转型，提高低碳经济的活力；(5)适用于不同行业，具有普适性。
附图说明
22.图1是本发明实施例一中一种基于设备识别的企业实时碳排放计量方法的流程图。
23.图2是本发明实施例一中一种基于多头自注意力机制和门控循环单元的非侵入式负荷检测方法的流程图。
24.图3是本发明实施例二中一种基于设备识别的企业实时碳排放计量装置的结构示意图。
25.1、智能电表2、电力系统3、云服务器4、离线gpu 5、设备识别模型生成模块6、直接碳排放计算模块7、间接碳排放计算模块。
具体实施方式
26.下面结合附图与具体实施方式对本发明做进一步的描述。
27.实施例一：
28.一种基于设备识别的企业实时碳排放计量方法，如图1所示，包括以下步骤：步骤s1：通过智能电表采集负荷数据；步骤s2：根据负荷数据进行设备识别，获得设备状态s；步骤s3：根据设备状态s和已知的设备直接碳排放强度α，计算直接碳排放c
direct
；步骤s4：根据负荷数据计算电力消耗e；步骤s5：根据边际碳排放因子β和电力消耗e，计算间接碳排放c
indirect
；步骤s6：根据直接碳排放c
direct
和间接碳排放c
indirect
，计算企业实时总碳排放c
total
。
29.对企业碳足迹进行实时估计的关键在于获得设备的状态s，相对应设备的直接碳排放强度α，边际碳排放因子β和电力消耗e。总的来说，工厂内设备有他们固定的状态，相同类型的工厂有相同或相似的设备。因此设备状态s可以通过设备识别方式来监测，设备直接碳排放强度α也可轻易获得，边际碳排放因子β通过求解最优潮流获得，电力消耗e通过智能电表直接获得。对于给定的b间隔的时间段t，通过一个定位在接入口的智能电表获得负荷数据，首先用负荷数据作为设备识别和电力消耗计算的输入，通过利用基于多头自注意力机制和门控循环单元的设备识别方法，获得设备状态s，根据设备状态s和设备直接碳排放强度α估计出直接碳排放c
direct
。对于给定电力系统中因电力消耗造成的间接碳排放c
indirect
，用直流最优潮流方法获得调度方案，再加上相应的发电机碳排放因子，获得发电机的碳排放cg；然后，在连接的总线上增加一个单元，再次求解直流最优潮流，基于这个新的分配方案和相应的发动机碳排放因子，获得新的发动机碳排放c
′g；连接总线的边际碳排放因子β可以通过公式β＝c
′
g-cg计算出来。电力消耗e可以直接用负荷数据算出来。根据边际碳排放因子β和电力消耗e计算获得间接碳排放c
indirect
。最终，企业碳排放实时总量c
total
是c
direct
和c
indirect
的和。
30.对于一个拥有φ个设备的工厂f，其设备为d＝{d1,d2,
…
,d
φ
}，碳足迹总量c
total
可以表示为c
total
＝c
direct
c
indirect
，其中c
direct
是设备的直接碳排放估计，c
indirect
是通过电力消耗造成的间接碳排放；c
direct
可以用如下公式估算：其中是设备i在时间区间j内的直接碳排放强度，s
i,j
是设备i在时间区间j内的状态；c
indirect
可以用如下公式估算：其中βj是时间区间j内连接到工厂总线的边际碳排放因子，ej是时间区间j内工厂的电力消耗。
31.步骤s2中，本实施例使用了一种基于多头自注意力机制和门控循环单元的非侵入
式负荷检测方法进行设备识别，如图2所示，这个方法由三个部分组成：数据嵌入、关系学习和状态识别，用工厂聚合功率序列x作为输入。
32.在数据嵌入部分，首先利用公式将输入序列x转化成具有整数值的x，其中min(x)是x中的最小值，代表了获取整数值部分的操作；然后，将x分成子序列集合每一个子序列的长度是l；在这之后，将每一个在子序列中的值嵌入到g维超空间中，本实施例使用词嵌入技术获得其向量表示，这个向量表示被用于替换相应的值。因此，这个子序列集合可以被矩阵u表示。
33.在关系学习部分，矩阵u是这个部分的输入。首先，本技术用n个门控循环单元层提取矩阵u中向量的文本信息，并将这些信息输出为隐藏状态h。然后，使用一个由m个点积注意块组成的多头子注意力机制模块(mha)学习这些向量的内在关系。在mha中，h作为输入，并通过全连接层分别匹配至q、k、v。q、k、v按列等分为m个部分，作为m个点积注意块的输入。在mha的第z个块中，使用公式计算qz和kz之间的相似度simz(qz,kz)，然后通过公式将simz(qz,kz)缩放到sim
zscaled
(qz,kz)，其中dim
kz
表示了kz中的列数。随后，用归一化指数函数归一化处理sim
zscaled
(qz,kz)，以获得权重γz，再使用公式计算出第z个块的输出然后将m个点积注意块的输出串接起来获得head，一个全连接层将head连接到mha的输出mhao，一个归一层对head与mhao的和进行归一化处理，得到out1。然后使用一个具有两个线性转换的全连接前馈层以out2＝f(out1)＝max(0,out1w1 bs1)w2 bs2的方式应用至out1，其中w1和w2表示权重，bs1和bs2表示偏离。out1和out2相加，使用另一个归一层处理out1与out2的和得出关系学习的结果out3。
34.在状态识别部分，out3被用作另一个全连接层的输入，并使用softmax函数作为激活函数，以此获得相应设备不同状态的概率，取概率大于阈值的设备状态作为设备的运行状态，从而形成设备状态集合s。
35.实施例二：
36.本实施例公开了一种基于设备识别的企业实时碳排放计量装置，如图3所示，包括智能电表1、电力系统2、云服务器3和离线gpu4，智能电表1用于采集实时负荷数据，离线gpu4用于提供历史负荷数据，云服务器3包括设备识别模型生成模块5、直接碳排放计算模块6和间接碳排放计算模块7，一些历史负荷数据首先在云服务器3被用于训练设备识别模型，训练完成后将所得模型存储在云端；然后，从安装在工厂里的智能电表1中获得实时负荷数据并传输到云服务器3，实时负荷数据被用来计算电力消耗，并被用作设备识别模型的输入，以此获得相应时间段内的设备状态；基于给定的电力系统模式，通过计算两次特定时间段内直流最优潮流来获得每个总线的边际碳排放因子。在本实施例中，数据收集和上传至云端消耗的时间小于0.5秒；识别出设备状态消耗的时间小于1秒；解决两次直流最优潮流消耗5秒，整个估算过程大约消耗6秒。在较短时间间隔内，总线的边际碳排放因子不会有明显的变化。如果假设总线的边际碳排放因子在一段固定时间区间内保持不变，直流最优潮流只需要在这个时间区间内被解决两次。在这个时间区间内的剩余时间内，整个计算时间可以小于2秒。此外，在计算性能越高的情况下，计算所消耗的时间也会越短。本装置已经
过实际测试，是高效、准确、稳定的。
37.以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。