(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 202211044146.7 (22)申请日 2022.08.30 (71)申请人 厦门理工学院 地址 361000 福建省厦门市集美区后溪镇 理工路600号 (72)发明人 吕志盛　温诗恬　 (74)专利代理 机构 厦门市精诚新创知识产权代 理有限公司 3 5218 专利代理师 吴金森 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06Q 50/26(2012.01) G06N 3/08(2006.01) H02J 3/38(2006.01) (54)发明名称 一种预测含微电网的楼 宇碳达峰 的方法、 装 置及存储介质 (57)摘要 本发明提供一种预测楼宇用电及碳达峰的 方法、 装置及存储介质， 涉及碳排放计算领域， 首 先构建楼 宇预测模型， 用于预测未来各时段楼宇 用电消耗量， 其次构建碳排放模型， 用于预测楼 宇未来碳排放量， 确定碳达峰的时间， 具体包括： 获得历史样 本数据； 采用BP神经网络算法训练所 述样本数据， 确定目标神经网络模型； 预测获得 各影响因素的未来数据， 并使用所述目标神经网 络模型计算得到未来电能总消耗， 进一步计算未 来电网供电量； 根据未来的相关碳排放因子和楼 宇绿化因素， 计算未来的实际碳排放量， 确定碳 达峰时间。 本方法准确地预测楼 宇长期电能消耗 和碳达峰时间， 对 “双碳”目标实现具有重要的参 考意义。 权利要求书3页 说明书8页 附图4页 CN 115293456 A 2022.11.04 CN 115293456 A 1.一种预测含微电网的楼宇 碳达峰的方法， 其特 征在于， 包括： S1,利用BP神经网络构建含微电网的楼宇电能消耗预测模型， 并根据所述楼宇电能消 耗预测模型 预测含微电网的楼宇的未来电网供电量； S2,构建碳排放模型， 并利用所述未来电网供电量和所述碳排放模型确定所述楼宇未 来的实际碳 排放量， 从而确定所述楼宇的碳达峰时间； 其中， 所述 步骤S1中， 构建含微电网的楼宇电能消耗预测模型包括： S11,获取与所述楼宇相关的历史电能数据， 所述历史电能数据包括历史电能消耗及包 含预定的各约束条件的历史约束数据集， 归一 化所述历史约束数据集， 得到样本数据； S12,利用所述BP神经网络训练所述样本数据， 确定误差最小的BP神经网络为目标神经 网络， 其中， 所述 误差为每一次神经网络计算结果与相应的所述历史电能消耗的误差； S13,确定所述各约束条件 对应的节能措施； 所述步骤S1中， 预测含微电网的楼宇的未来电网供电量的步骤 包括： S14,获取 所述各约束条件的未来的预测数据， 确定未来约束数据集； S15,将所述未来约束数据集输入所述目标神经网络进行计算， 获得预测的未来电能消 耗总量； S16,根据 所述预测的未来电能消耗总量来确定所述楼宇确定未来电网供电量， 计算公 式为： 未来电网供电量 ＝未来电能消耗总量 ‑未来微电网发电量 ‑未来总共节约的电能消耗， 其中， 所述未来微电网发电量根据未来年日照 时数计算获得,所述未来总共节约的 电 能消耗根据所述节能措施的更新获得； 所述步骤S2包括： S21,确定所述 碳排放模型的约束条件， 包括： j年份碳排放因子Aj＝Cg,j/Eg,j， 其中， Cg,j为j年份全国电网总碳排放量， Eg， j为j年份全 国电网上网的总电量； j年份绿化固碳量CP， j＝∑Ci， j·Ki， j， 其中， i为不同种类的植被的编号， Ci， j为第i类植 被在j年份的单位绿地 面积固碳 量， Ki， j为第i类植被在j年份的绿地 面积； S22， 根据所述未来电网供电量和所述碳排放因子Aj计算未来电网碳排放量CE， j， 计算公 式为： CE， j＝Ej·Aj， 其中， Ej为未来电网供电量中j年份电网供电量； S23， 根据所述碳排放模型的目标函数CR， j＝CE， j‑CP， j， 计算所述楼宇的未来实际碳排放 量， 其中， CR， j为未来第j年份的实际碳 排放量； S24， 根据各 所述实际碳 排放量CR， j， 确定碳达峰时间。 2.根据权利要求1所述的方法， 其特征在于， 步骤S1中， 所述约束条件包括如下中的一 项或多项： 微电网发电量、 建筑材料、 全球变暖趋势、 人员密度、 空调能效比、 电梯节能、 灯具 效能、 设备能耗， 所述人员密度包含班级个数和居家办公比例， 所述设备能耗包括办公设备 能耗和实验设备能耗， 所述约束条件根据具体楼宇功能的不同而调整， 所述约束条件为： 微网发电量Ec， j＝Epv， j＝0.7·Pc·Ys， j·ηj， 其中， j年份的微电网发电量Ec， j为j年份光 伏发电量Epv， j， Pc为光伏装机容量， Ys， j为j年份当地的日照时数， ηj为j年份光伏组件的发电 效率系数， 数字 0.7为充电效率；权　利　要　求　书 1/3 页 2 CN 115293456 A 2建筑材料Emt＝∑ξiEj， 其中， ξi为第i类建筑节能材料的节能效率， Ej为j年份空调的电 能消耗； 人员密度： 0≤ρj， h≤maxρj， h， 0≤βj， h≤1， 其中， ρj， h为j年份人员密度中的份班级个数， maxρj， h为j年份人员密度中最大班级个数， βj， h为j年份人员密度中的居家办公比例； 空调能效比： 其中， Ej， ac为j年份空调能 耗， Rt为单位面积所需制冷量， S为面积， ERRj， max为j年份最大的空调能效比， ERRj， now为j年 份未改变时的空调效能比， ER Rj， min为j年份最小空调能效比， Tj， ac为j年份空调运行时长； 灯具效能： 其中， Ej， lgt为j年份灯具能耗， Lx 为单位面积的照度， S 为面积， LMj， max为j年份最大灯具 效能， LMj， now为j年份未采取节能措施 时的灯具效能， Tj， lgt为j年份灯具运行时长； 电梯节能Ej， ev＝∑ δi·Eev， 其中， j为年份， δi为楼宇中第i台电梯节能效率， Eev为未节能 的电梯电能消耗； 办公设备能耗： Sw·Ej， w， min≤Ej， w≤Sw·Ej， w， max， 其中， Sw为办公室面积， Ej， w为j年份办公 设备电能消耗， Ej， w， min为j年份办公设备最小电能消耗， Ej， w， max为j年份办 公设备最 大电能消 耗； 实验设备能耗： Sw·Ej， l， min≤Ej， w≤Sw·Ej， l， max， 其中， Sw为办公室面积， Ej， l为j年份实验 设备电能消耗， Ej， l， min为j年份实验设备最小电能消耗， Ej， l， max为j年份实验设备最 大电能消 耗。 3.根据权利要求1所述的方法， 其特征在于， 步骤S12中， 确定目标神经网络模型的步骤 包括： S1201， 设置BP神经网络模型， 所述BP神经网络模型中设置有输入层、 8个节点的隐藏层 和1个节点的输出层， 所述输入层的节点根据所述约束 条件确定， 所述输出层用于输出电能 消耗； S1202， 调整输入层与隐藏层之间、 隐藏层与输出层之间各节点的权值与阈值， 训练所 述样本数据； S1203， 计算每次训练完所得的电能消耗与实际电能消耗的误差及训练迭代次数， 当所 述误差与所述迭代次数均达 到预设要求后， 停止神经网络训练； S1204， 取最小的所述误差所对应的权值与阈值， 根据所述权值与所述 阈值确定所述目 标神经网络 。 4.根据权利要 求1所述的方法， 其特征在于， 步骤S12所述目标神经网络的目标函数为Ej ＝Ej， fcst‑Ec， j， 其中， Ej为j年份未更新节能措施状态下楼宇电能消耗量， Ej， fcst为所述目标 神经网络预测的j年份电能总消耗， Ec， j为j年份微电网发电量。 5.根据权利要求2所述的方法， 其特征在于， 利用高斯曲线对所述人员密度进行拟合并 预测。 6.根据权利要求2所述的方法， 其特征在于， 所述全球变暖趋势体现为年平均气温， 所 述年平均气温与步骤S15中所述年日照时数为时间数据序列， 两个约束条件的未来预测值权　利　要　求　书 2/3 页 3 CN 115293456 A 3