(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211009348.8 (22)申请日 2022.08.23 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 (72)发明人 李德智　陈洪银　王松岑　梅文明　 钟鸣　金璐　郭毅　芋耀贤　 霍永峰　黄伟　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文 (51)Int.Cl. G06N 3/04(2006.01) G06N 20/00(2019.01) G06Q 10/06(2012.01)G06F 16/21(2019.01) G06F 16/215(2019.01) G06Q 50/06(2012.01) (54)发明名称 一种基于机器学习的以电核碳方法、 系统、 设备和介质 (57)摘要 本发明属于用户碳排放测算技术领域， 具体 涉及一种基于机器学习的以电核碳方法、 系统、 设备和介质， 包括： 采集用户的电力相关输入数 据； 将电力相关输入数据输入预先建立的量化模 型， 得到用户的用能结构数据； 基于用能结构数 据与预设的各类能源的能源碳排放因子， 计算用 户的碳排放量； 其中， 量化模型包括基于机器学 习建立的用户的电力相关输入数据与用能结构 数据间的对应关系； 本发明通过量化模型， 使用 电力相关输入 数据获取用户的碳排放量， 进而实 现广覆盖、 高频率的用户碳排放测算， 本发明降 低对用户碳排放测算的用能数据完备性要求， 提 升了算法对场景的适用性， 提高了测算的覆盖广 度和更新频率。 权利要求书3页 说明书9页 附图4页 CN 115081597 A 2022.09.20 CN 115081597 A 1.一种基于 机器学习的以电核碳方法， 其特 征在于， 包括： 采集用户的电力相关输入数据； 将所述电力相关输入数据输入预 先建立的量 化模型， 得到用户的用能结构数据； 基于所述用能结构数据与预设的各类能源的能源碳 排放因子， 计算用户的碳 排放量； 其中， 所述量化模型包括基于机器学习建立的用户的电力相关输入数据与用能结构数 据间的对应关系， 所述用能结构数据包括用户各类能源的使用量。 2.如权利要求1所述的方法， 其特 征在于， 所述 量化模型的建立， 包括： 采集历史时刻用户的用能结构数据和电力相关输入数据； 对所述历史时刻用户的电力相关输入数据进行特征提取与降维， 得到用户的电力相关 输入数据对应的特 征参数； 以所述特征参数对应的 电力相关输入数据为输入， 以用户的用能结构数据为输出， 采 用机器学习算法构建并训练量 化模型。 3.如权利要求2所述的方法， 其特征在于， 所述对所述历史时刻用户的电力相关输入数 据进行特征提取与降维， 得到用户的电力相关输入数据对应的特 征参数， 包括： 将历史时刻用户的电力相关输入数据输入深度置信网络编码器， 通过对所述历史时刻 用户的电力相关输入数据进行多层训练获取对应的待定特 征参数； 将所述待定特 征参数输入深度置信网络解码器， 输出还原的电力相关输入数据； 以所述历史时刻用户的电力相关输入数据与还原的电力相关输入数据间的偏差最小 为目标， 对所述深度置信网络编码器和深度置信网络解码器进行优化训练， 得到符合要求 的深度置信网络编码器； 将所述电力相关输入数据输入所述深度置信网络编码器， 得到用户的电力相关输入数 据对应的特 征参数。 4.如权利要求3所述的方法， 其特征在于， 所述以所述特征参数对应的电力相关输入数 据为输入， 以用户的用能结构数据为输出， 采用机器学习算法构建并训练量 化模型， 包括： 在所述深度置信网络编码器之外添加机器学习算法的回归模型， 构建量化模型， 所述 回归模型的输出为所述回归 模型的输入； 以所述特征参数对应的 电力相关输入数据为输入， 以用户的用能结构数据为输出， 以 用户的用能结构数据输出偏差为损失函数对所述量化模型进 行训练， 得到包括用户的电力 相关输入数据与用能结构数据间的对应关系的量 化模型。 5.如权利要求4所述的方法， 其特征在于， 所述机器学习算法至少包括下述中的一种或 多种： 人工神经网络、 并行树 提升、 循环神经网络、 长短期记 忆和时间卷积神经网络模型。 6.如权利要求2所述的方法， 其特征在于， 所述采集历史时刻用户的用能结构数据和电 力相关输入数据之后， 且对所述历史时刻用户的电力相关输入数据进 行特征提取与降维之 前， 还包括： 对所述历史时刻用户的用能结构数据和电力相关输入数据进行样本清洗和数据质量 检查， 并对所述历史时刻用户的用能结构数据和电力相关输入数据进行 无量纲化处 理。 7.如权利要求1所述的方法， 其特征在于， 所述电力相关输入数据至少包括下述中的一 种或多种：权　利　要　求　书 1/3 页 2 CN 115081597 A 2电力消费数据、 工艺特 征数据、 行业类型 数据以及气象参数。 8.如权利要求1所述的方法， 其特征在于， 所述基于所述用能结构数据与预设的各类能 源的能源碳 排放因子， 计算用户的碳 排放量， 包括： 分别将各类能源的使用量与 预设的对应各类能源的能源碳排放因子相乘并求和， 得到 用户的碳 排放量。 9.一种基于机器学习的以电核碳系统， 其特征在于， 包括： 数据采集模块、 用能结构模 块和碳排放量模块； 所述数据采集模块， 用于采集用户的电力相关输入数据； 所述用能结构模块， 用于将所述电力相关输入数据输入预先建立的量化模型， 得到用 户的用能结构数据； 所述碳排放量模块， 用于基于所述用能结构数据与预设的各类能源的能源碳排放因 子， 计算用户的碳 排放量； 其中， 所述量化模型包括基于机器学习建立的用户的电力相关输入数据与用能结构数 据间的对应关系， 所述用能结构数据包括用户各类能源的使用量。 10.如权利要求9所述的系统， 其特征在于， 还包括量化模型建立模块， 所述量化模型建 立模块包括： 采集单元， 用于采集历史时刻用户的用能结构数据和电力相关输入数据； 特征参数提取单元， 用于对所述历史时刻用户的电力相关输入数据进行特征提取与降 维， 得到用户的电力相关输入数据对应的特 征参数； 训练单元， 用于以所述特征参数对应的 电力相关输入数据为输入， 以用户的用能结构 数据为输出， 采用机器学习算法构建并训练量 化模型。 11.如权利要求10所述的系统， 其特 征在于， 所述特 征参数提取 单元具体用于： 将历史时刻用户的电力相关输入数据输入深度置信网络编码器， 通过对所述历史时刻 用户的电力相关输入数据进行多层训练获取对应的待定特 征参数； 将所述待定特 征参数输入深度置信网络解码器， 输出还原的电力相关输入数据； 以所述历史时刻用户的电力相关输入数据与还原的电力相关输入数据间的偏差最小 为目标， 对所述深度置信网络编码器和深度置信网络解码器进行优化训练， 得到符合要求 的深度置信网络编码器； 将所述电力相关输入数据输入所述深度置信网络编码器， 得到用户的电力相关输入数 据对应的特 征参数。 12.如权利要求1 1所述的系统， 其特 征在于， 所述训练单 元具体用于： 在所述深度置信网络编码器之外添加机器学习算法的回归模型， 构建量化模型， 所述 回归模型的输出为所述回归 模型的输入； 以所述特征参数对应的 电力相关输入数据为输入， 以用户的用能结构数据为输出， 以 用户的用能结构数据输出偏差为损失函数对所述量化模型进 行训练， 得到包括用户的电力 相关输入数据与用能结构数据间的对应关系的量 化模型。 13.如权利要求9所述的系统， 其特 征在于， 所述 碳排放量模块具体用于： 分别将各类能源的使用量与 预设的对应各类能源的能源碳排放因子相乘并求和， 得到 用户的碳 排放量。权　利　要　求　书 2/3 页 3 CN 115081597 A 3