基于LSSVM算法的商業樓宇碳排放量動態監測方法

王雅 周俊超 張丹丹 王婷婷

摘要： 現階段對商業樓宇碳排放監測的精準度較低，為此提出基于最小二乘支持向量機的分類和回歸算法（LSSVM）的商業樓宇碳排放量動態監測方法。獲取碳排放量數據并計算碳排放指標，設計基于LSSVM算法的商業樓宇碳排放量動態監測流程，實現對商業樓宇碳排放量的動態監測。通過設計對比實驗，表明該研究方法監測精準度更高，具有更好的監測效果。

關鍵詞：回歸算法 碳排放量動態監測 指標計算 監測方法

中圖分類號G642

Dynamic Monitoring Methods for Carbon Emissions in Commercial Buildings Based on the LSSVM Algorithm

WANG Ya? ZHOU Junchao? ZHANG Dandan? WANG Tingting

（Harbin Puhua Electric Power Design Co.， Ltd.， Harbin， Heilongjiang Province， 150000 China）

Abstract： By mining the carbon emission data of existing monitoring methods for carbon emissions in commercial buildings， it is found that the monitoring accuracy of carbon emissions is low， so a dynamic monitoring method for carbon emissions in commercial buildings based on the classification and regression algorithm of the least squares support vector machine （LSSVM） is proposed. By this method， carbon emission data is obtained， carbon emission indicators are? calculated based on the obtained results， and the dynamic monitoring process for carbon emissions in commercial buildings based on the LSSVM algorithm is designed in combination with indicators， in order to achieve the dynamic monitoring of carbon emissions in commercial buildings. By designing comparative experiments， it is shown that this research method has higher monitoring accuracy and better monitoring effect.

Key Words： Regression algorithm; Dynamic monitoring of carbon emissions; Indicator calculation; Monitoring method

全球變暖已成為人類社會的共識，這對人類生存構成嚴重風險[1-2]。建筑業是全球主要的能源消耗和溫室氣體排放部門[3]。因此本文提出一種基于最小二乘支持向量機的分類和回歸算法（Least Squares Support Vector Machine，LSSVM）的商業樓宇碳排放量動態監測方法，并通過測試驗證該設計方法的可靠性。

1基于LSSVM算法的商業樓宇碳排放量的動態監測方法設計

1.1基于LSSVM算法的碳排放量數據挖掘

利用LSSVM算法計算相關指標，挖掘所需要碳排放數據[4]。存在＝{p1，p2}，其中為樣本對應的商業樓宇覆蓋的用戶數量。假設用戶負載數據的增加周期性在LSSVM算法確定日期的前7天，LSSVM算法通過多種方式分發日負荷數據，計算公式為

式（1）中：為日負荷數據的序列是子序列步驟，是樣本數據的不同變量的相關系數。使用LSSVM算法為分段序列構建獨特的附加信息標簽，包括日期、時間和溫度[5]。用LSSVM算法建立用戶碳排放消耗和溫度條件之間的關系，對應子序列日負荷數據為

式（2）中：是日負荷量數據及其子集相對應的特殊負荷信息，是日負荷數據和子子集對應的溫度信息標簽，是日負荷數據及其子集對應的氣象信息標簽， 為日負荷數據和子集對應的日信息標簽[6]。碳排放的發電方式將開始運行標志是的碳排放負擔大于商業樓宇產出功率。滿足電能輸出用電負荷計算公式為

式（3）中：為碳排放負荷要求對應的碳排放容量，是碳排放動態監測源總容量，與氣象和溫度直接相關。是基于碳排放的總能源容量，可用LSSVM算法分析。

式（4）中：和分別是天氣狀況和溫度的能量轉換參數，是商業樓宇中發電機組轉換系數。

利用LSSVM算法獲取商業樓宇退出機制與自然因素間的關系，驗證日期的相關參數可在LSSVM算法的基礎上使用，以實現碳排放監測。假設測量對象的日負荷為，街道為，氣象和溫度情況分別為和，則總功率為

式（5）中：當時，商業樓宇的輸出均為合格值，總碳排放量為0。當時，商業樓宇的最大碳排放動態監測容量無法滿足負荷需求[7]。因此，引入碳排放策略，計算碳排放總量的公式為

式（6）中：為總碳排放量，是基于碳排放量的碳排放單位數量，是容量過程的轉換因子。如果最大負載大于，則能量存儲系統僅是能量源；如果最大負載超過，則默認碳排放量為0。

1.2碳排放指標計算

（1） 根據上述數據挖掘結果，結合二氧化碳分析儀測量的氣體濃度為體積濃度，計算碳濃度指標，計算公式為

式（7）中：為二氧化碳濃度換算值，mg/Nm3 ；為碳排放總量，ppm；為二氧化碳分數；為純排氣溫度，℃；為純排氣壓力，Pa。

（2）碳排放量的計算公式為

式（8）中：為期間累計CO2排放量，；為純排氣流量，Nm3/h；為CO2濃度換算值，mg/Nm3； 10-9為質量換算系數。

（3）單位電量碳排放強度和國民經濟生產的增長密切相關。碳排放行業最重要的CO2減排指標是單位電量的CO2排放強度，計算公式為

式（9）中：為單位碳排放的碳強度，g/kWh；表為二氧化碳排放總量；tg為單位發電量，kWh；106為克與噸質量單位間的換算系數。

（4）碳排放的預期盈余可根據現有碳排放生產和當前碳強度評估，每年二氧化碳排放的盈余或平衡使用以下公式計算。

式（10）中：為超過年碳配額的二氧化碳減排當量，t；為機組年度碳配位量，t；為單位容量碳強度，g/kWh；為設備年計劃容量。

1.3商業樓宇碳排放量預測實現

商業樓宇的排放量與營業時間、人流量、商業規模、碳排放過程、排放源和運行條件有關。建立綜合計算公式為

式（11）中：是營業商鋪范圍，是碳排放率，是商鋪碳排放的特性，是校正系數。為進一步預測商業樓宇的排放量，應用時間相關理論計算商業樓宇運營期間產生的排放量并分析商鋪在道路擁堵期間的時間相關因素：

式（12）中：和為區間和區間的時間方差，客流量預測時間公式為

式（13）中：、和分別為正常營業時間、隨機店鋪和客流擁堵時段的相應時間；為針對總行程時間制定的置信度參數；E是隨機狀況參數。計算商業樓宇排放量增加公式為

式（14）中：是商業樓宇運行的時間，單位為小時；和是樓宇碳排放負擔和最大容量能力；為產生參數?；贚SSVM算法的商業樓宇碳排放量動態監測流程圖如圖1所示。

2實驗論證

2.1實驗準備

測試對象為某商業樓宇，該商業樓宇平均小時用電量約120 MW，單位使用生產的最大和最小電量分別為80 kW·h和320 kW· h。光伏系統的標稱輸出容量為1 520 MW，太陽能系統的能量轉換效率為20%，電池存儲系統為100 kW·h，最大輸出容量為4 000 kW·h。輸出容量為100 kW，轉換效率為90%。對該商業樓宇覆蓋的供電區用電量進行統計分析，當日最大負荷為1 489.5kW，入口負荷為76.2kW。使用三種方法進行持續5日的碳排放監測，記錄碳排放結果。

2.2對比實驗

碳排放檢測結果對比如表1所示。

由表1可知，本文的方法相比傳統方法得出的監測誤差最小，而傳統方法1和傳統方法2的監測誤差較為明顯。實驗結果表明：本文研究方法監測精準度更高，具有更好的監測效果。

3結語

傳統商業樓宇的碳排放總量跟蹤統計需要大量的時間和人力，無法達到碳排放超標的預警。本文研究的方法可提供全面詳細的碳排放檢測預警功能，管理節能發電計劃，減輕變電器的排放負擔。本文設計的方法確保了碳排放數據的完整性、準確性和可驗證性，為實施國家碳排放監測提供了支持。

參考文獻

[1] 盧陽，楊理，甘萍萍，等.碳稅征收對我國汽車制造業的影響：基于CGE模型[J].湖南稅務高等專科學校學報，2023，36（4）：3-12.

[2] 裴國斐，希望·阿不都瓦依提，晁勤，等.計及CCS-P2G耦合運行的綜合能源系統低碳經濟調度[J].現代電子技術，2023，46（15）：128-134.

[3] 韓金寶，蔡雯霞，諸葛瑞陽.碳排放權交易政策對地區碳績效的影響：基于鏈式中介效應的檢驗[J].金融理論與實踐，2023（7）：60-70.

[4] 袁嫚.數字普惠金融對城市碳排放的影響研究：基于長三角區域面板數據的實證分析[J].長春金融高等專科學校學報，2023（4）：10-17.

[5] 劉佳怡，安圣濤，彭心悅，等.鄉村振興背景下綠色普惠金融對農業碳減排影響研究：基于STIRPAT模型[J].科技創業月刊，2023，36（7）：15-20.

[6] 項康利，陳津莼，陳思敏.基于Stacking集成學習的福建省火電行業碳足跡情景預測[J].福州大學學報（自然科學版），2023，51（4）：558-565.