(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 202210846396.6 (22)申请日 2022.07.19 (71)申请人 东南大学溧阳研究院 地址 213300 江苏省常州市溧阳市昆仑街 道泓口路218号A幢428室 （江苏中关村 科技产业园内） 申请人 南京东博智慧能源研究院有限公司 (72)发明人 刘盼盼　章锐　周吉　钱俊良　 邰伟　 (74)专利代理 机构 南京鑫之航知识产权代理事 务所(特殊普通 合伙) 32410 专利代理师 姚兰兰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) G01D 21/02(2006.01) (54)发明名称 基于BP神经网络的专变用户有功无功碳排 放预测方法 (57)摘要 本发明公开了一种基于BP神经网络的专变 用户有功无功碳排放预测方法， 本发 明面向专变 用户， 提出基于BP神经网络的专变用户有功/无 功碳排放预测技术； 本发明主要采用基于传感装 置的专变用户电碳和环境信息采集技术， 归一化 处理， 构建训练得到基于BP神经网络的专 变用户 有功负荷/无功负荷预测模型以及有功/无功综 合碳排放因子预测模型， 最终实现对专变用户有 功、 无功碳排放量的有效预测； 本发明克服了有 功、 无功交互影响， 专变用户内部碳排放难以有 效计算的技术难题； 本发明提高预测计算结果， 实现对趋势预测， 有利于给出专 变用户碳排放规 律， 为专变用户掌握自身碳排放趋势， 制定专变 用户低碳用能策略， 助理电网碳减排， 具有重要 意义。 权利要求书4页 说明书9页 附图2页 CN 115099522 A 2022.09.23 CN 115099522 A 1.基于BP神经网络的专变用户有功无功碳 排放预测方法， 其特 征在于， 包括如下步骤： S1.采集专变用户的电碳信息数据以及环境信息数据， 形成基础数据库； S2.归一化预处理S1中基础数据库的电碳信息数据以及环境信息数据， 构建用于负荷、 碳排放因子预测的训练和测试集； 用于负荷预测的训练和测试集划分为有功负荷以及无功 负荷； 碳排放因子预测的训练和 测试集划分为有功集以及无功集； S3.构建基于BP神经网络的专变用户有功/无功负荷预测模型， 并利用S2中相应的训练 和测试集， 进行训练和 测试得到专变用户有功/无功负荷预测模型； S4.构建专变用户综合有功/无功碳排放因子模型， 利用S2中电碳信息数据计算获得专 变用户综合有功和无功碳 排放因子数据集， 并划分为训练和 测试样本； 构建基于BP神经网络的专变用户综合有功/无功碳排放因子预测模型， 利用S2中相应 的训练和测试集以及所述专变用户综合有功和无功 碳排放因子数据集， 进 行训练和测试得 到专变用户综合有功/无功碳 排放因子预测模型； S5.基于S3中得到的专变用户有功/无功负荷预测模型和S4中得到的专变用户综合有 功/无功碳 排放因子预测模型， 预测得到专变用户的有功和无功负荷以及 综合有功和无功碳 排放因子； 并据此计算专变用户有功和无功源碳 排放量， 并实现对其趋势预测。 2.根据权利要求1所述的基于BP神经网络的专变用户有功无功碳排放预测方法， 其特 征在于， 步骤S1 中， 利用基于传感装置的采集技术， 采集专变用户的电碳信息数据以及环 境 信息数据如公式 （1） 所示：   （1） 式中： 为t时刻专变用户采集的信息； 、 分别为t时刻专变用户 外部进线单位有功、 无功碳排放因子； 、 分别为t时刻专变用户内部单位有 功、 无功碳排放因子； 、 分别为t时刻专变用户有功负荷、 无功负荷； 、 、 分别为t时刻天气温度、 光照强度以及风速信息 。 3.根据权利要求2所述的基于BP神经网络的专变用户有功无功碳排放预测方法， 其特 征在于， 步骤S2中， 归一 化预处理采用如公式 （2） 所示：   （2） 式中： 为预处理后的第 i个元素值， 为向量 的第i个元素， 如 果i=2， 则 ； 、 分别为向量 的第i个元素的最大 值、 最小值； 按照公式 （2） 的预处 理方法， 预处 理后的向量如公式 （3） 所示权　利　要　求　书 1/4 页 2 CN 115099522 A 2  （3） 式中： 为归一化预处理后的t时刻专变用户信息； 、 分别为归一 化预处理后的t时刻专变用户外部进线单位有功、 无功碳排放因子； 、 分别 为归一化预处理后的t时刻专变用户内部单位有功、 无功碳排放因子； 、 分别 为归一化预处理后的t时刻专变用户有功负荷、 无功负荷； 、 、 分别 为归一化预处理后的t时刻天气温度、 光照强度以及风速信息 。 4.根据权利要求3所述的基于BP神经网络的专变用户有功无功碳排放预测方法， 其特 征在于， 步骤S3中， 专变用户有功/无功负荷预测模型中BP神经网络有输入层、 隐含层和 输 出层； 输入层有5  个输入； 输出层有  2个输出； 5个输入分别为： 为t时刻专变用户有功负荷； 为t时刻专变用户无功负 荷； 为t时刻专变用户温度； 为t时刻光照强度； 为t时刻风速； 2个输 出分别为： 为预测的 时间内的有功负荷值， 为预测的 时间内的无功负荷值； 所述隐含层采用tansig函数， 经过训练后， 输出的BP神经网络有功/无功负荷预测模型 如公式 （4） 所示：   （4） 式中： 为训练后的专变用户BP神经网络有功负荷预测模型， 为训练后的 专变用户BP神经网络无功负荷预测模型。 5.根据权利要求4所述的基于BP神经网络的专变用户有功无功碳排放预测方法， 其特 征在于， 步骤S4中， 专变用户综合有功/无功碳排放因子预测模型中计算过程如公式 （5） 所 示：    （5）权　利　要　求　书 2/4 页 3 CN 115099522 A 3