一种电力生命周期碳排放的计算方法及系统与流程

1.本发明属于发电碳排放分析技术领域，具体是涉及到一种电力生命周期碳排放的计算方法及系统。


背景技术：

2.大型电力项目的发电碳排放常使用生命周期法进行计算，由于所涉及的大量参数和输入数据具有不确定性，因此计算结果往往具有较大的不确定性。不确定性在生命周期评价中定义为“在过程中存在的由于测量的不准确、数据缺失、模型假设等所引起的对输出结果的影响”，不确定性广泛存在于生命周期评价过程中，对于那些子过程多，持续时间长的研究对象，由于不确定性在分析过程中会层层叠加，累加至最终的评价结果，不确定性问题尤为严重，甚至直接导致不准确甚至完全错误的结论。
3.大型发电项目的碳足迹的生命周期评估一般基于设计数据与参数进行计算，设计数据与实际数据不可避免存在误差，设计书的准确性受到多方因素影响，具备较大的不确定性，参数是碳足迹评估过程的单位活动强度碳足迹，是碳足迹评估过程的基本参数，参数不确定性体现在技术、时间、地域和数据获得方式等多方面，参数的不确定性直接影响评估结果。大型发电项目碳足迹评估过程不确定性表现尤为突出。
4.目前针对数据的不确定性产生了数据质量评分，蒙特卡洛(monte carlo)模拟等方法。数据质量指标可用来评价数据质量，可将生命周期评价数据定性或定量的使用数据质量评分进行评价。数据质量要求包含下列几方面要求：时间代表性、地理代表性、技术代表性、数据的精密度、完整性及代表性等。蒙特卡洛是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数(或更常见的伪随机数)来进行抽样后计算得到结算结果。使数据的不确定性在计算中传播叠加到输出结果之中，最终量化计算结果的不确定性。
5.然而数据质量评分只对数据质量进行定性评价，且评分过程受到操作者主观性的影响，不同的主体会对不同的指标产生不同的看法，进而影响最终的评价结果。这种局限性主要体现在操作者的主观性层面，同时也导致了评价结果的弱可再现性。蒙特卡洛分析只能得到趋势分布，仅考虑到了数据的不确定性。但整个计算过程中，除了数据的不确定性，还存在参数的不确定性、模型的不确定性等其他不确定性来源。所以上述现有的计算方法所计算得到的碳排放计算结果较为不准确且不具备可重复性。


技术实现要素：

6.本发明提供一种电力生命周期碳排放的计算方法及系统，以解决碳排放计算结果较为不准确且不具备可重复性的问题。
7.第一方面，本发明提供一种一种电力生命周期碳排放的计算方法，该方法包括如下步骤：
8.获取目标项目中的碳足迹评估参数以及与碳排放相关的基础数据；
9.利用贝叶斯网络方法计算所述基础数据与碳排放真实数据之间的数据偏差值；
10.结合所述基础数据和所述数据偏差值的上下限构造计划评审技术分布，以拟合所述基础数据的数据分布情况；
11.将持续变化的所述碳足迹评估参数统一简化为三角分布，以模拟所述碳足迹评估参数的参数分布情况；
12.结合所述数据分布情况和所述参数分布情况并通过蒙特卡洛模拟法进行计算，得到所述目标项目中的碳足迹分布情况；
13.基于所述碳足迹分布情况计算所述目标项目的碳排放。
14.可选的，所述利用贝叶斯网络方法计算所述基础数据与碳排放真实数据之间的数据偏差值包括如下步骤：
15.基于所述基础数据的客观影响因素构建贝叶斯网络节点；
16.通过解释结构模型法构造所有所述贝叶斯网络节点之间的拓扑结构模型；
17.获取所述目标项目中与所述碳排放相关的历史基础数据；
18.基于所述历史基础数据分析计算所述拓扑结构模型中各个所述贝叶斯网络节点的条件概率；
19.结合所述拓扑结构模型和所述条件概率构建贝叶斯网络；
20.基于所述条件概率在所述贝叶斯网络中的传递作用计算得到所述基础数据与碳排放真实数据之间的数据偏差值。
21.可选的，所述通过解释结构模型法构造所有所述客观影响因素之间的拓扑结构模型包括如下步骤：
22.基于所有所述客观影响因素之间的相关性构建所有所述客观影响因素之间的邻接矩阵；
23.结合所述邻接矩阵和预设的单位矩阵计算得到所有所述客观影响因素之间的可达矩阵；
24.求解所述可达矩阵并计算得到所述可达矩阵中不同类型的所述客观影响因素的集合分类结果；
25.基于所述集合分类结果对所述可达矩阵中的所有所述客观影响因素进行级间分解，得到级间分解结果；
26.结合所述集合分类结果和所述级间分解结果构造所有所述客观影响因素之间的拓扑结构模型。
27.可选的，所述数据偏差值的计算公式如下：
[0028][0029]
式中：ai表示所述贝叶斯网络节点，
±
p表示所述贝叶斯网络节点ai对应所述基础数据的数据偏差值，x1，x2，...，xn表示所述基础数据的各个偏差层次，表示所述贝叶斯网络节点ai在第n个所述偏差层次中的条件概率
[0030]
所述条件概率的计算公式如下：
[0031][0032]
式中：
[0033][0034]
式中：k表示ai有k个影响因素aj存在，表示在影响因素aj影响下ai的条件概率，y1，y2，...，ym表示所述贝叶斯网络节点的m种取值状态，f
ym，j
表示aj为第m种取值状态的概率，f
ym|ym，j
表示在aj为第m种取值状态时ai出现第m种取值状态的概率。
[0035]
可选的，所述基于所述历史基础数据分析计算所述拓扑结构模型中各个所述贝叶斯网络节点的条件概率包括如下步骤：
[0036]
对所述历史基础数据进行数据预处理，得到预处理历史数据；
[0037]
分别计算各个所述贝叶斯网络节点对于所述预处理历史数据的取值频率；
[0038]
基于所述取值频率计算所述贝叶斯网络节点的边缘概率分布和条件概率分布；
[0039]
根据所述拓扑结构模型并结合所述边缘概率分布和所述条件概率分布计算得到各个所述贝叶斯网络节点的条件概率。
[0040]
第二方面，本发明还提供一种电力生命周期碳排放的计算系统，所述系统包括：
[0041]
数据获取子系统，用于获取目标项目中的碳足迹评估参数以及与碳排放相关的基础数据；
[0042]
偏差值计算子系统，用于利用贝叶斯网络方法计算所述基础数据与碳排放真实数据之间的数据偏差值；
[0043]
数据分布模拟子系统，用于结合所述基础数据和所述数据偏差值的上下限构造计划评审技术分布，以拟合所述基础数据的数据分布情况；
[0044]
参数分布模拟子系统，用于将持续变化的所述碳足迹评估参数统一简化为三角分布，以模拟所述碳足迹评估参数的参数分布情况；
[0045]
碳足迹分布模拟子系统，用于结合所述数据分布情况和所述参数分布情况并通过蒙特卡洛模拟法进行计算，得到所述目标项目中的碳足迹分布情况；
[0046]
碳排放计算子系统，用于根据所述碳足迹分布情况计算所述目标项目的碳排放。
[0047]
可选的，所述偏差值计算子系统包括：
[0048]
节点构建模块，用于根据所述基础数据的客观影响因素构建贝叶斯网络节点；
[0049]
模型构建模块，用于通过解释结构模型法构造所有所述贝叶斯网络节点之间的拓扑结构模型；
[0050]
历史数据获取模块，用于获取所述目标项目中与所述碳排放相关的历史基础数据；
[0051]
概率计算模块，用于根据所述历史基础数据分析计算所述拓扑结构模型中各个所
述贝叶斯网络节点的条件概率；
[0052]
网络构建模块，用于结合所述拓扑结构模型和所述条件概率构建贝叶斯网络；
[0053]
偏差值计算模块，用于基于所述条件概率在所述贝叶斯网络中的传递作用计算得到所述基础数据与碳排放真实数据之间的数据偏差值。
[0054]
可选的，所述模型构建模块包括：
[0055]
第一矩阵构建单元，用于根据所有所述客观影响因素之间的相关性构建所有所述客观影响因素之间的邻接矩阵；
[0056]
第二矩阵构建单元，用于结合所述邻接矩阵和预设的单位矩阵计算得到所有所述客观影响因素之间的可达矩阵；
[0057]
矩阵求解单元，用于求解所述可达矩阵并计算得到所述可达矩阵中不同类型的所述客观影响因素的集合分类结果；
[0058]
因素分解单元，用于根据所述集合分类结果对所述可达矩阵中的所有所述客观影响因素进行级间分解，得到级间分解结果；
[0059]
模型构建单元，用于结合所述集合分类结果和所述级间分解结果构造所有所述客观影响因素之间的拓扑结构模型。
[0060]
可选的，所述数据偏差值的计算公式如下：
[0061][0062]
式中：ai表示所述贝叶斯网络节点，
±
p表示所述贝叶斯网络节点ai对应所述基础数据的数据偏差值，x1，x2，...，xn表示所述基础数据的各个偏差层次，表示所述贝叶斯网络节点ai在第n个所述偏差层次中的条件概率
[0063]
所述条件概率的计算公式如下：
[0064][0065]
式中：
[0066][0067]
式中：k表示ai有k个影响因素aj存在，表示在影响因素aj影响下ai的条件概率，y1，y2，...，ym表示所述贝叶斯网络节点的m种取值状态，f
ym，j
表示aj为第m种取值状态的概率，f
ym|ym，j
表示在aj为第m种取值状态时ai出现第m种取值状态的概率。
[0068]
可选的，所述概率计算模块包括：
[0069]
预处理单元，用于对所述历史基础数据进行数据预处理，得到预处理历史数据；
[0070]
频率计算单元，用于分别计算各个所述贝叶斯网络节点对于所述预处理历史数据
的取值频率；
[0071]
概率分布计算单元，用于根据所述取值频率计算所述贝叶斯网络节点的边缘概率分布和条件概率分布；
[0072]
条件概率计算单元，用于根据所述拓扑结构模型并结合所述边缘概率分布和所述条件概率分布计算得到各个所述贝叶斯网络节点的条件概率。
[0073]
本发明的有益效果是：
[0074]
本方法将碳排放的计算过程分为参数与数据两大部分，并分别评估两者的分布情况，利用随机模拟方法进行拟合后进行计算已获得全局数据的不确定性。对输入的基础数据构造出贝叶斯网络模型，将影响输入数据准确性的各个因素纳入其中，从而计算出基础数据与碳排放真实数据之间的数据偏差值。另一方面对碳足迹评估参数进行处理，获取参数在各种情况下的取值，以区间参数值代替单一参数值；随后以三角分布拟合处参数的区间分布值，最终蒙特卡洛模拟进行多次抽样拟合得到输出数据的分布情况。相较于现有的数据质量评分方法，在一定程度上降低了主观评价数据质量的主观性，使得计算结果具备了一定的可重复性。而且相较于仅采用蒙特卡洛法进行计算分析，考虑到了全局数据的不确定性，使得计算结果更为准确。
附图说明
[0075]
图1为本发明中电力生命周期碳排放的计算方法的流程示意图。
[0076]
图2为本发明中解释结构模型法的原理示意图。
具体实施方式
[0077]
本发明公开一种电力生命周期碳排放的计算方法。
[0078]
参照图1，电力生命周期碳排放的计算方法具体包括如下步骤：
[0079]
s101.获取目标项目中的碳足迹评估参数以及与碳排放相关的基础数据。
[0080]
其中，目标项目主要指需要进行碳排放核算的大型电力项目等一系列工程项目。在碳足迹评估过程中，单位活动强度(unit activity intensity)是指在特定活动或过程中，单位产出或单位消耗所产生的碳足迹评估参数。这个参数可以用来衡量特定活动对碳排放的贡献程度。单位活动强度的碳足迹评估参数可以是各种形式的指标，常见的包括以下几种：
[0081]
单位能源消耗碳足迹：衡量在特定活动中每消耗一定能源量所产生的碳排放量。例如，单位电力消耗碳足迹表示每消耗一千瓦时电力所产生的碳排放量。
[0082]
单位产值碳足迹：衡量在特定活动中每产生一定价值的产品或服务所产生的碳排放量。例如，单位gdp碳足迹表示每产生一万元gdp所产生的碳排放量。
[0083]
单位交通运输距离碳足迹：衡量在特定交通运输活动中每运输一定距离所产生的碳排放量。例如，单位公里碳足迹表示每运输一公里货物或乘客所产生的碳排放量。
[0084]
单位面积碳足迹：衡量在特定土地利用活动中每单位面积所产生的碳排放量。例如，单位公顷碳足迹表示每公顷土地利用所产生的碳排放量。
[0085]
与碳排放相关的基础数据主要包括电力消耗数据、燃料消耗数据、产业活动数据、运输数据、废弃物处理数据、能源消耗结构数据、温室气体排放因子数据、项目设计之初的
设计数据等。
[0086]
s102.利用贝叶斯网络方法计算基础数据与碳排放真实数据之间的数据偏差值。
[0087]
其中，可以通过构建贝叶斯网络模型，确定节点的父节点和拓扑结构。再基于基础数据和碳排放真实数据，估计贝叶斯网络模型中各个节点的条件概率表。条件概率表反映了基础数据和碳排放真实数据之间的关系。根据贝叶斯网络模型和条件概率表，计算基础数据与碳排放真实数据之间的数据偏差值。可以通过计算基础数据在贝叶斯网络模型中的传递作用，得到基础数据与碳排放真实数据之间的概率差异。分析计算得到的数据偏差值，了解基础数据与碳排放真实数据之间的差异程度和影响因素。可以通过对数据偏差值的统计分析和可视化来进行进一步的探索和解释。
[0088]
s103.结合基础数据和数据偏差值的上下限构造计划评审技术分布，以拟合基础数据的数据分布情况。
[0089]
其中，利用基础数据和计划评审技术(program evaluation and review technique,pert)的数据偏差值，计算每个基础数据的偏差值。偏差值可以是实际执行数据与计划数据之间的差异，或者是其他衡量指标。根据数据偏差值的分布情况，确定数据的分布类型。常见的分布类型包括正态分布、指数分布、均匀分布等。根据数据偏差值的上下限和确定的分布类型，估计分布的参数。对于正态分布，可以估计均值和标准差；对于指数分布，可以估计参数λ；对于均匀分布，可以估计上下限。根据估计的分布参数，构造计划评审技术分布。可以使用概率密度函数或累积分布函数来表示分布。将基础数据与计划评审技术分布进行比较和拟合。可以通过计算基础数据在计划评审技术分布中的概率密度或累积概率来评估基础数据的分布情况。
[0090]
s104.将持续变化的碳足迹评估参数统一简化为三角分布，以模拟碳足迹评估参数的参数分布情况。
[0091]
其中，碳足迹评估参数作为碳足迹评估过程的直接计算数据，其准确性直接决定计算结果的准确度。由于时间、地理、技术等的差异性，碳足迹评估参数无法准确表示具体的活动单位碳足迹情况，特别针对大型大型发电项目站工作，工期长，工序复杂，单一参数几乎无法模拟一项活动的碳足迹情况。由于碳足迹评估参数并非一成不变，随着实际情况的不同，参数处于持续变化之中，故而单一参数对于计算过程并不适用。将碳足迹评估参数统一简化成一种三角分布，通过三角型分布，可从中预测最大、最小及最可能的值，靠近最大值和最小值的值出现的可能性要小于靠近最可能值的值，能够模拟参数的分布情况，可以一定程度减小参数的不确定性。
[0092]
s105.结合数据分布情况和参数分布情况并通过蒙特卡洛模拟法进行计算，得到目标项目中的碳足迹分布情况。
[0093]
其中，蒙特卡洛模拟(monte carlo,mc)将求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。其原理在于通过构造数据的近似分布，在分布区间中大量抽样进行计算，最终得到趋近真实值的计算值。蒙特卡洛模拟方法常应用于不确定性分析中，其由于在于得到输出数据的分布情况，使其具备较强的可视性。在本实施方式中，在以pert分布拟合基础数据与参数的基本分布情况后，对计算过程用蒙特卡洛模拟方法进行计算，经过多次抽样，最终得出与真实情况接近的结果，有效避免单一数据引起的误差，最终得到输出数据分布情况，明确碳足迹的分布情况。
[0094]
s106.基于碳足迹分布情况计算目标项目的碳排放。
[0095]
在本实施方式中，将碳排放的计算过程分为参数与数据两大部分，并分别评估两者的分布情况，利用随机模拟方法进行拟合后进行计算已获得全局数据的不确定性。对输入的基础数据构造出贝叶斯网络模型，将影响输入数据准确性的各个因素纳入其中，从而计算出基础数据与碳排放真实数据之间的数据偏差值。另一方面对碳足迹评估参数进行处理，获取参数在各种情况下的取值，以区间参数值代替单一参数值；随后以三角分布拟合处参数的区间分布值，最终蒙特卡洛模拟进行多次抽样拟合得到输出数据的分布情况。相较于现有的数据质量评分方法，在一定程度上降低了主观评价数据质量的主观性，使得计算结果具备了一定的可重复性。而且相较于仅采用蒙特卡洛法进行计算分析，考虑到了全局数据的不确定性，使得计算结果更为准确。
[0096]
在其中一种实施方式中，步骤s102即利用贝叶斯网络方法计算基础数据与碳排放真实数据之间的数据偏差值具体包括如下步骤：
[0097]
基于基础数据的客观影响因素构建贝叶斯网络节点；
[0098]
通过解释结构模型法构造所有贝叶斯网络节点之间的拓扑结构模型；
[0099]
获取目标项目中与碳排放相关的历史基础数据；
[0100]
基于历史基础数据分析计算拓扑结构模型中各个贝叶斯网络节点的条件概率；
[0101]
结合拓扑结构模型和条件概率构建贝叶斯网络；
[0102]
基于条件概率在贝叶斯网络中的传递作用计算得到基础数据与碳排放真实数据之间的数据偏差值。
[0103]
在本实施方式中，主要包括以下三步：确定节点、贝叶斯网络结构学习、贝叶斯网络参数学习。确定节点阶段根据输入数据的特点，选取影响其准确性的影响因素作为基本节点，并进行定义；网络结构学习阶段，采用解释结构模型方法(interpretative structural modeling method，简称ism方法)的结构学习方法，采用该方法对各个节点进行分析，理清因果关系，构造有向无环图；参数学习阶段在有向无环图基础上对节点各种状态下概率进行调查，得到条件概率集合。
[0104]
每个贝叶斯网络节点代表一个随机变量，在本实施方式中贝叶斯网络节点代表输入数据各个客观影响因素，客观影响因素主要包括项目复杂度、项目规模、容量利用率、能源结构、电力消耗量等。贝叶斯网络结构学习可理清各客观影响因素之间的关系，探索客观影响因素的结构关系，构造出多级递阶的结构模型，确定拓扑结构模型。
[0105]
数据偏差值的计算公式如下：
[0106][0107]
式中：ai表示贝叶斯网络节点，
±
p表示贝叶斯网络节点ai对应基础数据的数据偏差值，x1，x2，...，xn表示基础数据的各个偏差层次，表示贝叶斯网络节点ai在第n个偏差层次中的条件概率
[0108]
条件概率的计算公式如下：
[0109][0110]
式中：
[0111][0112]
式中：k表示ai有k个影响因素aj存在，表示在影响因素aj影响下ai的条件概率，y1，y2，...，ym表示贝叶斯网络节点的m种取值状态，f
ym，j
表示aj为第m种取值状态的概率，f
ym|ym，j
表示在aj为第m种取值状态时ai出现第m种取值状态的概率。
[0113]
在其中一种是实施方式中，步骤通过解释结构模型法构造所有贝叶斯网络节点之间的拓扑结构模型具体包括如下步骤：
[0114]
基于所有客观影响因素之间的相关性构建所有客观影响因素之间的邻接矩阵；
[0115]
结合邻接矩阵和预设的单位矩阵计算得到所有客观影响因素之间的可达矩阵；
[0116]
求解可达矩阵并计算得到可达矩阵中不同类型的客观影响因素的集合分类结果；
[0117]
基于集合分类结果对可达矩阵中的所有客观影响因素进行级间分解，得到级间分解结果；
[0118]
结合集合分类结果和级间分解结果构造所有客观影响因素之间的拓扑结构模型。
[0119]
在本实施方式中，参照图2，图2为解释结构模型法(interpretative structural modeling method，ism)的原理示意图。
[0120]
对于邻接矩阵中第i行第j列的矩阵元素a
ij
，当a
ij
为0时，表示客观影响因素ai和客观影响因素aj之间不存在相关性；当a
ij
为1时，代表ai到aj之间有长度为1的通道，可以直接到达，表示客观影响因素ai和客观影响因素aj之间存在相关性。可达矩阵表示元素之间是否存在可以连通的通道，能够有效反映影响因素的相关关系。
[0121]
可达矩阵具有推移性质，如果ai到aj为1，aj到an为1，那么ai到an必定存在通道。所以可达矩阵通过推移性质分析得到，也可以用邻接矩阵加上预设的单位矩阵经过一定运算后求得。单位矩阵指仅对角元素为1，其余元素均为0的矩阵。假设单位矩阵为l，邻接矩阵为a，根据布尔运算法则，可以证明：
[0122]
(a+l)2＝l+a+a2[0123]
↓
[0124]
(a+l)k＝l+a+a2+...+ak[0125]
如果邻接矩阵a满足条件：(a+l)
k-1
≠(a+l)k＝(a+l)
k+1
＝m，那么m即为邻接矩阵a的可达矩阵。
[0126]
集合分类结果包括可达矩阵中的可达集r(ai)、先行集a(ai)、共同集t和底层元素n。其中，可达集r(ai)＝{ai＝1}，表示可达矩阵中元素ai对应行中显示为1的列元素，表明元素ai可到达的元素。先行集a(ai)＝{aj＝1}，表示可达矩阵中元素ai对应列中显示为1的行
元素，表明可到达元素ai的元素。共同集t＝{ai∈r(ai)∩a(ai)}。底层元素n＝{ai|r(ai)∩a(ai)＝a(ai)}，表示该元素处于底层，不存在可到达该元素的元素。
[0127]
在级间分解之前需要先进行区域分解，当时，元素ai与aj属于同一区域，反之则不属于同一个区域。矩阵中元素均属于同一区域内，不存在不同区域的子系统。级间分解主要是为了清晰的了解系统中各元素的层级关系，最顶层表示系统终极目标，下一层为上一层的影响因子。级间分解步骤如下：
[0128]
令l0＝φ，lj＝{ai∈p-l
0-l
1-...-l
j-1
|r
i-1
(ai)∩a
j-1
(ai)＝r
i-1
(ai)}，其中，j＝1，2，...，n，lj表示第j层的客观影响因素，p表示客观影响因素的总数量，φ表示空集。当p-l
0-l
1-...-lj＝φ时级间分解完毕，级间分解期间，若r(ai)∩a(ai)＝r(ai)，则将元素ai抽出，并持续进行直到最后一个元素。通过级间分解将多个客观影响因素划分为多层结构模型，该多层结构模型即为所有客观影响因素之间的拓扑结构模型。
[0129]
在其中一种实施方式中，步骤基于历史基础数据分析计算拓扑结构模型中各个贝叶斯网络节点的条件概率具体包括如下步骤：
[0130]
对历史基础数据进行数据预处理，得到预处理历史数据；
[0131]
分别计算各个贝叶斯网络节点对于预处理历史数据的取值频率；
[0132]
基于取值频率计算贝叶斯网络节点的边缘概率分布和条件概率分布；
[0133]
根据拓扑结构模型并结合边缘概率分布和条件概率分布计算得到各个贝叶斯网络节点的条件概率。
[0134]
在本实施方式中，数据预处理主要包括清晰数据步骤和处理缺失值步骤，清洗数据可以检查数据中的错误或异常值，并进行修正或删除。对于缺失值，可以选择填充缺失值、删除缺失值或使用插值方法进行填充。通过数据预处理得到预处理后的历史数据，然后对于每个贝叶斯网络节点，计算每个取值出现的频率。同时统计每个节点的取值频率，并计算每个取值的概率。对于每个节点，再根据取值频率计算边缘概率分布，边缘概率分布表示节点在不考虑其他节点的情况下的概率分布。根据拓扑结构模型和边缘概率分布，计算条件概率分布。即对于每个节点，计算在给定父节点的取值条件下，该节点取值的概率分布。最后结合拓扑结构模型、边缘概率分布和条件概率分布，计算每个贝叶斯网络节点的条件概率。即根据节点的父节点和条件概率分布，计算每个节点在给定父节点取值条件下的概率。
[0135]
在其中一种实施方式中，步骤基于历史基础数据分析计算拓扑结构模型中各个贝叶斯网络节点的条件概率具体还可以包括如下步骤：
[0136]
获取历史基础数据的历史数据质量评分；
[0137]
基于历史数据质量评分并通过构建贝塔分布拟合出历史基础数据的数据随机分布情况；
[0138]
根据数据随机分布情况计算拓扑结构模型中各个贝叶斯网络节点的条件概率。
[0139]
在本实施方式中，由于基础数据无论来源多么精确，基础数据与真实情况均呈现一定的偏差性，因此数据存在一定的分布区间，可利用概率分布对数据进行拟合。
[0140]
贝塔分布是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数。贝塔分布的概率密度函数由端点a，b以及形态参数α，β决定，不同的形态参数情况下，贝塔分布呈现出不同的分布形态，因此不同的端点和形态参数几乎能够近似模拟正态、对数正态、均
匀和指数分布等各种形态的分布。因此在获取到历史基础数据的历史数据质量评分后，可以在历史数据质量得分的基础上可将历史基础数据转化为各种形态的概率分布，以此近似模拟数据真实的分布情况，从而减小数据的不确定性。具体公式如下：
[0141][0142]
式中：x为历史基础数据，f表示历史基础数据的概率分布，γ表示γ函数。
[0143]
本发明还公开一种电力生命周期碳排放的计算系统，系统包括：
[0144]
数据获取子系统，用于获取目标项目中的碳足迹评估参数以及与碳排放相关的基础数据；
[0145]
偏差值计算子系统，用于利用贝叶斯网络方法计算基础数据与碳排放真实数据之间的数据偏差值；
[0146]
数据分布模拟子系统，用于结合基础数据和数据偏差值的上下限构造计划评审技术分布，以拟合基础数据的数据分布情况；
[0147]
参数分布模拟子系统，用于将持续变化的碳足迹评估参数统一简化为三角分布，以模拟碳足迹评估参数的参数分布情况；
[0148]
碳足迹分布模拟子系统，用于结合数据分布情况和参数分布情况并通过蒙特卡洛模拟法进行计算，得到目标项目中的碳足迹分布情况；
[0149]
碳排放计算子系统，用于根据碳足迹分布情况计算目标项目的碳排放。
[0150]
在本实施方式中，将碳排放的计算过程分为参数与数据两大部分，并分别评估两者的分布情况，利用随机模拟方法进行拟合后进行计算已获得全局数据的不确定性。对输入的基础数据构造出贝叶斯网络模型，将影响输入数据准确性的各个因素纳入其中，从而计算出基础数据与碳排放真实数据之间的数据偏差值。另一方面对碳足迹评估参数进行处理，获取参数在各种情况下的取值，以区间参数值代替单一参数值；随后以三角分布拟合处参数的区间分布值，最终蒙特卡洛模拟进行多次抽样拟合得到输出数据的分布情况。相较于现有的数据质量评分方法，在一定程度上降低了主观评价数据质量的主观性，使得计算结果具备了一定的可重复性。而且相较于仅采用蒙特卡洛法进行计算分析，考虑到了全局数据的不确定性，使得计算结果更为准确。
[0151]
在其中一种实施方式中，偏差值计算子系统包括：
[0152]
节点构建模块，用于根据基础数据的客观影响因素构建贝叶斯网络节点；
[0153]
模型构建模块，用于通过解释结构模型法构造所有贝叶斯网络节点之间的拓扑结构模型；
[0154]
历史数据获取模块，用于获取目标项目中与碳排放相关的历史基础数据；
[0155]
概率计算模块，用于根据历史基础数据分析计算拓扑结构模型中各个贝叶斯网络节点的条件概率；
[0156]
网络构建模块，用于结合拓扑结构模型和条件概率构建贝叶斯网络；
[0157]
偏差值计算模块，用于基于条件概率在贝叶斯网络中的传递作用计算得到基础数据与碳排放真实数据之间的数据偏差值。
[0158]
在本实施方式中，每个贝叶斯网络节点代表一个随机变量，在本实施方式中贝叶斯网络节点代表输入数据各个客观影响因素，客观影响因素主要包括项目复杂度、项目规
模、容量利用率、能源结构、电力消耗量等。贝叶斯网络结构学习可理清各客观影响因素之间的关系，探索客观影响因素的结构关系，构造出多级递阶的结构模型，确定拓扑结构模型。
[0159]
数据偏差值的计算公式如下：
[0160][0161]
式中：ai表示贝叶斯网络节点，
±
p表示贝叶斯网络节点ai对应基础数据的数据偏差值，x1，x2，...，xn表示基础数据的各个偏差层次，表示贝叶斯网络节点ai在第n个偏差层次中的条件概率
[0162]
条件概率的计算公式如下：
[0163][0164]
式中：
[0165][0166]
式中：k表示ai有k个影响因素aj存在，fai|aj表示在影响因素aj影响下ai的条件概率，y1，y2，...，ym表示贝叶斯网络节点的m种取值状态，f
ym，j
表示aj为第m种取值状态的概率，fym|
ym，j
表示在aj为第m种取值状态时ai出现第m种取值状态的概率。
[0167]
在其中一种实施方式中，模型构建模块包括：
[0168]
第一矩阵构建单元，用于根据所有客观影响因素之间的相关性构建所有客观影响因素之间的邻接矩阵；
[0169]
第二矩阵构建单元，用于结合邻接矩阵和预设的单位矩阵计算得到所有客观影响因素之间的可达矩阵；
[0170]
矩阵求解单元，用于求解可达矩阵并计算得到可达矩阵中不同类型的客观影响因素的集合分类结果；
[0171]
因素分解单元，用于根据集合分类结果对可达矩阵中的所有客观影响因素进行级间分解，得到级间分解结果；
[0172]
模型构建单元，用于结合集合分类结果和级间分解结果构造所有客观影响因素之间的拓扑结构模型。
[0173]
在本实施方式中，对于邻接矩阵中第i行第j列的矩阵元素a
ij
，当a
ij
为0时，表示客观影响因素ai和客观影响因素aj之间不存在相关性；当a
ij
为1时，代表ai到aj之间有长度为1的通道，可以直接到达，表示客观影响因素ai和客观影响因素aj之间存在相关性。可达矩阵表示元素之间是否存在可以连通的通道，能够有效反映影响因素的相关关系。
[0174]
可达矩阵具有推移性质，如果ai到aj为1，aj到an为1，那么ai到an必定存在通道。所以可达矩阵通过推移性质分析得到，也可以用邻接矩阵加上预设的单位矩阵经过一定运算
后求得。单位矩阵指仅对角元素为1，其余元素均为0的矩阵。假设单位矩阵为l，邻接矩阵为a，根据布尔运算法则，可以证明：
[0175]
(a+l)2＝l+a+a2[0176]
↓
[0177]
(a+l)k＝l+a+a2+
…
+ak[0178]
如果邻接矩阵a满足条件：(a+l)
k-1
≠(a+l)k＝(a+l)
k+1
＝m，那么m即为邻接矩阵a的可达矩阵。
[0179]
集合分类结果包括可达矩阵中的可达集r(ai)、先行集a(ai)、共同集t和底层元素n。其中，可达集r(ai)＝{ai＝1}，表示可达矩阵中元素ai对应行中显示为1的列元素，表明元素ai可到达的元素。先行集a(ai)＝{aj＝1}，表示可达矩阵中元素ai对应列中显示为1的行元素，表明可到达元素ai的元素。共同集t＝{ai∈r(ai)∩a(ai)}。底层元素n＝{ai|r(ai)∩a(ai)＝a(ai)}，表示该元素处于底层，不存在可到达该元素的元素。
[0180]
在级间分解之前需要先进行区域分解，当r(ai)∩r(aj)≠φ时，元素ai与aj属于同一区域，反之则不属于同一个区域。矩阵中元素均属于同一区域内，不存在不同区域的子系统。级间分解主要是为了清晰的了解系统中各元素的层级关系，最顶层表示系统终极目标，下一层为上一层的影响因子。级间分解步骤如下：
[0181]
令l0＝φ，lj＝{ai∈p-l
0-l
1-...-l
j-1
|r
i-1
(ai)∩a
j-1
(ai)＝r
i-1
(ai)}，其中，j＝1，2，...，n，lj表示第j层的客观影响因素，p表示客观影响因素的总数量，φ表示空集。当p-l
0-l
1-...-lj＝φ时级间分解完毕，级间分解期间，若r(ai)∩a(ai)＝r(ai)，则将元素ai抽出，并持续进行直到最后一个元素。通过级间分解将多个客观影响因素划分为多层结构模型，该多层结构模型即为所有客观影响因素之间的拓扑结构模型。
[0182]
在其中一种实施方式中，概率计算模块包括：
[0183]
预处理单元，用于对历史基础数据进行数据预处理，得到预处理历史数据；
[0184]
频率计算单元，用于分别计算各个贝叶斯网络节点对于预处理历史数据的取值频率；
[0185]
概率分布计算单元，用于根据取值频率计算贝叶斯网络节点的边缘概率分布和条件概率分布；
[0186]
条件概率计算单元，用于根据拓扑结构模型并结合边缘概率分布和条件概率分布计算得到各个贝叶斯网络节点的条件概率。
[0187]
在本实施方式中，数据预处理主要包括清晰数据步骤和处理缺失值步骤，清洗数据可以检查数据中的错误或异常值，并进行修正或删除。对于缺失值，可以选择填充缺失值、删除缺失值或使用插值方法进行填充。通过数据预处理得到预处理后的历史数据，然后对于每个贝叶斯网络节点，计算每个取值出现的频率。同时统计每个节点的取值频率，并计算每个取值的概率。对于每个节点，再根据取值频率计算边缘概率分布，边缘概率分布表示节点在不考虑其他节点的情况下的概率分布。根据拓扑结构模型和边缘概率分布，计算条件概率分布。即对于每个节点，计算在给定父节点的取值条件下，该节点取值的概率分布。最后结合拓扑结构模型、边缘概率分布和条件概率分布，计算每个贝叶斯网络节点的条件概率。即根据节点的父节点和条件概率分布，计算每个节点在给定父节点取值条件下的概率。
[0188]
在其中一种实施方式中，概率计算模块还可以包括：
[0189]
历史评分获取单元，用于获取历史基础数据的历史数据质量评分。
[0190]
随机分布拟合单元，用于根据历史数据质量评分并通过构建贝塔分布拟合出历史基础数据的数据随机分布情况。
[0191]
概率计算单元，用于根据数据随机分布情况计算拓扑结构模型中各个贝叶斯网络节点的条件概率。
[0192]
在本实施方式中，贝塔分布是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数。贝塔分布的概率密度函数由端点a，b以及形态参数α，β决定，不同的形态参数情况下，贝塔分布呈现出不同的分布形态，因此不同的端点和形态参数几乎能够近似模拟正态、对数正态、均匀和指数分布等各种形态的分布。因此在获取到历史基础数据的历史数据质量评分后，可以在历史数据质量得分的基础上可将历史基础数据转化为各种形态的概率分布，以此近似模拟数据真实的分布情况，从而减小数据的不确定性。具体公式如下：
[0193][0194]
式中：x为历史基础数据，f表示历史基础数据的概率分布，γ表示γ函数。
[0195]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的保护范围限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上的本技术中一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0196]
本技术中一个或多个实施例旨在涵盖落入本技术的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术中一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种电力生命周期碳排放的计算方法，其特征在于，包括如下步骤：获取目标项目中的碳足迹评估参数以及与碳排放相关的基础数据；利用贝叶斯网络方法计算所述基础数据与碳排放真实数据之间的数据偏差值；结合所述基础数据和所述数据偏差值的上下限构造计划评审技术分布，以拟合所述基础数据的数据分布情况；将持续变化的所述碳足迹评估参数统一简化为三角分布，以模拟所述碳足迹评估参数的参数分布情况；结合所述数据分布情况和所述参数分布情况并通过蒙特卡洛模拟法进行计算，得到所述目标项目中的碳足迹分布情况；基于所述碳足迹分布情况计算所述目标项目的碳排放。2.根据权利要求1所述的电力生命周期碳排放的计算方法，其特征在于，所述利用贝叶斯网络方法计算所述基础数据与碳排放真实数据之间的数据偏差值包括如下步骤：基于所述基础数据的客观影响因素构建贝叶斯网络节点；通过解释结构模型法构造所有所述贝叶斯网络节点之间的拓扑结构模型；获取所述目标项目中与所述碳排放相关的历史基础数据；基于所述历史基础数据分析计算所述拓扑结构模型中各个所述贝叶斯网络节点的条件概率；结合所述拓扑结构模型和所述条件概率构建贝叶斯网络；基于所述条件概率在所述贝叶斯网络中的传递作用计算得到所述基础数据与碳排放真实数据之间的数据偏差值。3.根据权利要求2所述的电力生命周期碳排放的计算方法，其特征在于，所述通过解释结构模型法构造所有所述客观影响因素之间的拓扑结构模型包括如下步骤：基于所有所述客观影响因素之间的相关性构建所有所述客观影响因素之间的邻接矩阵；结合所述邻接矩阵和预设的单位矩阵计算得到所有所述客观影响因素之间的可达矩阵；求解所述可达矩阵并计算得到所述可达矩阵中不同类型的所述客观影响因素的集合分类结果；基于所述集合分类结果对所述可达矩阵中的所有所述客观影响因素进行级间分解，得到级间分解结果；结合所述集合分类结果和所述级间分解结果构造所有所述客观影响因素之间的拓扑结构模型。4.根据权利要求2所述的电力生命周期碳排放的计算方法，其特征在于，所述数据偏差值的计算公式如下：式中：a
i
表示所述贝叶斯网络节点，
±
p表示所述贝叶斯网络节点a
i
对应所述基础数据的数据偏差值，x1，x2，...，x
n
表示所述基础数据的各个偏差层次，表示所述贝叶斯网络节点a
i
在第n个所述偏差层次中的条件概率
所述条件概率的计算公式如下：式中：式中：k表示a
i
有k个影响因素a
j
存在，表示在影响因素a
j
影响下a
i
的条件概率，y1，y2，...，ym表示所述贝叶斯网络节点的m种取值状态，f
ym，j
表示a
j
为第m种取值状态的概率，f
ym|ym，j
表示在a
j
为第m种取值状态时a
i
出现第m种取值状态的概率。5.根据权利要求2所述的电力生命周期碳排放的计算方法，其特征在于，所述基于所述历史基础数据分析计算所述拓扑结构模型中各个所述贝叶斯网络节点的条件概率包括如下步骤：对所述历史基础数据进行数据预处理，得到预处理历史数据；分别计算各个所述贝叶斯网络节点对于所述预处理历史数据的取值频率；基于所述取值频率计算所述贝叶斯网络节点的边缘概率分布和条件概率分布；根据所述拓扑结构模型并结合所述边缘概率分布和所述条件概率分布计算得到各个所述贝叶斯网络节点的条件概率。6.一种电力生命周期碳排放的计算系统，其特征在于，所述系统包括：数据获取子系统，用于获取目标项目中的碳足迹评估参数以及与碳排放相关的基础数据；偏差值计算子系统，用于利用贝叶斯网络方法计算所述基础数据与碳排放真实数据之间的数据偏差值；数据分布模拟子系统，用于结合所述基础数据和所述数据偏差值的上下限构造计划评审技术分布，以拟合所述基础数据的数据分布情况；参数分布模拟子系统，用于将持续变化的所述碳足迹评估参数统一简化为三角分布，以模拟所述碳足迹评估参数的参数分布情况；碳足迹分布模拟子系统，用于结合所述数据分布情况和所述参数分布情况并通过蒙特卡洛模拟法进行计算，得到所述目标项目中的碳足迹分布情况；碳排放计算子系统，用于根据所述碳足迹分布情况计算所述目标项目的碳排放。7.根据权利要求6所述的电力生命周期碳排放的计算系统，其特征在于，所述偏差值计算子系统包括：节点构建模块，用于根据所述基础数据的客观影响因素构建贝叶斯网络节点；模型构建模块，用于通过解释结构模型法构造所有所述贝叶斯网络节点之间的拓扑结构模型；
历史数据获取模块，用于获取所述目标项目中与所述碳排放相关的历史基础数据；概率计算模块，用于根据所述历史基础数据分析计算所述拓扑结构模型中各个所述贝叶斯网络节点的条件概率；网络构建模块，用于结合所述拓扑结构模型和所述条件概率构建贝叶斯网络；偏差值计算模块，用于基于所述条件概率在所述贝叶斯网络中的传递作用计算得到所述基础数据与碳排放真实数据之间的数据偏差值。8.根据权利要求7所述的电力生命周期碳排放的计算系统，其特征在于，所述模型构建模块包括：第一矩阵构建单元，用于根据所有所述客观影响因素之间的相关性构建所有所述客观影响因素之间的邻接矩阵；第二矩阵构建单元，用于结合所述邻接矩阵和预设的单位矩阵计算得到所有所述客观影响因素之间的可达矩阵；矩阵求解单元，用于求解所述可达矩阵并计算得到所述可达矩阵中不同类型的所述客观影响因素的集合分类结果；因素分解单元，用于根据所述集合分类结果对所述可达矩阵中的所有所述客观影响因素进行级间分解，得到级间分解结果；模型构建单元，用于结合所述集合分类结果和所述级间分解结果构造所有所述客观影响因素之间的拓扑结构模型。9.根据权利要求7所述的电力生命周期碳排放的计算系统，其特征在于，所述数据偏差值的计算公式如下：式中：a
i
表示所述贝叶斯网络节点，
±
p表示所述贝叶斯网络节点a
i
对应所述基础数据的数据偏差值，x1，x2，...，x
n
表示所述基础数据的各个偏差层次，表示所述贝叶斯网络节点a
i
在第n个所述偏差层次中的条件概率所述条件概率的计算公式如下：式中：式中：k表示a
i
有k个影响因素a
j
存在，表示在影响因素a
j
影响下a
i
的条件概率，y1，y2,...，ym表示所述贝叶斯网络节点的m种取值状态，f
ym，j
表示a
j
为第m种取值状态的概率，f
ym|ym，j
表示在a
j
为第m种取值状态时a
i
出现第m种取值状态的概率。10.根据权利要求7所述的电力生命周期碳排放的计算系统，其特征在于，所述概率计
算模块包括：预处理单元，用于对所述历史基础数据进行数据预处理，得到预处理历史数据；频率计算单元，用于分别计算各个所述贝叶斯网络节点对于所述预处理历史数据的取值频率；概率分布计算单元，用于根据所述取值频率计算所述贝叶斯网络节点的边缘概率分布和条件概率分布；条件概率计算单元，用于根据所述拓扑结构模型并结合所述边缘概率分布和所述条件概率分布计算得到各个所述贝叶斯网络节点的条件概率。

技术总结
本发明提供一种电力生命周期碳排放的计算方法及系统，该方法包括如下步骤：获取电力项目中的碳足迹评估参数以及与碳排放相关的基础数据；利用贝叶斯网络方法计算所述基础数据与碳排放真实数据之间的数据偏差值；结合所述基础数据和所述数据偏差值的上下限构造计划评审技术分布，以拟合所述基础数据的数据分布情况；将持续变化的所述碳足迹评估参数统一简化为三角分布，以模拟所述碳足迹评估参数的参数分布情况；结合所述数据分布情况和所述参数分布情况并通过蒙特卡洛模拟法进行计算，得到所述电力项目中的碳足迹分布情况；基于所述碳足迹分布情况计算所述电力项目的碳排放。本发明具有计算得到的碳排放结果具有可重复性且更为准确的效果。且更为准确的效果。且更为准确的效果。


技术研发人员：杜海龙 林丹瀛 万楚韫 夏功辉
受保护的技术使用者：国电投（广东）综合智慧能源创新研究院有限公司
技术研发日：2023.06.20
技术公布日：2023/9/13