王雅 周俊超 張丹丹 王婷婷

摘要： 現(xiàn)階段對商業(yè)樓宇碳排放監(jiān)測的精準(zhǔn)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(yè)樓宇碳排放量動態(tài)監(jiān)測方法。獲取碳排放量數(shù)據(jù)并計算碳排放指標(biāo)，設(shè)計基于LSSVM算法的商業(yè)樓宇碳排放量動態(tài)監(jiān)測流程，實現(xiàn)對商業(yè)樓宇碳排放量的動態(tài)監(jiān)測。通過設(shè)計對比實驗，表明該研究方法監(jiān)測精準(zhǔn)度更高，具有更好的監(jiān)測效果。

關(guān)鍵詞：回歸算法 碳排放量動態(tài)監(jiān)測 指標(biāo)計算 監(jiān)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(gòu)成嚴(yán)重風(fēng)險[1-2]。建筑業(yè)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(yè)樓宇碳排放量動態(tài)監(jiān)測方法，并通過測試驗證該設(shè)計方法的可靠性。

1基于LSSVM算法的商業(yè)樓宇碳排放量的動態(tài)監(jiān)測方法設(shè)計

1.1基于LSSVM算法的碳排放量數(shù)據(jù)挖掘

利用LSSVM算法計算相關(guān)指標(biāo)，挖掘所需要碳排放數(shù)據(jù)[4]。存在＝{p1，p2}，其中為樣本對應(yīng)的商業(yè)樓宇覆蓋的用戶數(shù)量。假設(shè)用戶負載數(shù)據(jù)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(fā)日負荷數(shù)據(jù)，計算公式為

式（1）中：為日負荷數(shù)據(jù)的序列是子序列步驟，是樣本數(shù)據(jù)的不同變量的相關(guān)系數(shù)。使用LSSVM算法為分段序列構(gòu)建獨特的附加信息標(biāo)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(guān)系，對應(yīng)子序列日負荷數(shù)據(jù)為

式（2）中：是日負荷量數(shù)據(jù)及其子集相對應(yīng)的特殊負荷信息，是日負荷數(shù)據(jù)和子子集對應(yīng)的溫度信息標(biāo)簽，是日負荷數(shù)據(jù)及其子集對應(yīng)的氣象信息標(biāo)簽， 為日負荷數(shù)據(jù)和子集對應(yīng)的日信息標(biāo)簽[6]。碳排放的發(fā)電方式將開始運行標(biāo)志是的碳排放負擔(dān)大于商業(yè)樓宇產(chǎn)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(yīng)的碳排放容量，是碳排放動態(tài)監(jiān)測源總?cè)萘?，與氣象和溫度直接相關(guān)。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(zhuǎn)換參數(shù)，是商業(yè)樓宇中發(fā)電機組轉(zhuǎn)換系數(shù)。

利用LSSVM算法獲取商業(yè)樓宇退出機制與自然因素間的關(guān)系，驗證日期的相關(guān)參數(shù)可在LSSVM算法的基礎(chǔ)上使用，以實現(xiàn)碳排放監(jiān)測。假設(shè)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(dāng)時，商業(yè)樓宇的輸出均為合格值，總碳排放量為0。當(dāng)時，商業(yè)樓宇的最大碳排放動態(tài)監(jiān)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(shù)量，是容量過程的轉(zhuǎn)換因子。如果最大負載大于，則能量存儲系統(tǒng)僅是能量源；如果最大負載超過，則默認(rèn)碳排放量為0。

1.2碳排放指標(biāo)計算

（1） 根據(jù)上述數(shù)據(jù)挖掘結(jié)果，結(jié)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(biāo)，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?jǐn)?shù)；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(zhì)量換算系數(shù)。

（3）單位電量碳排放強度和國民經(jīng)濟生產(chǎn)的增長密切相關(guān)。碳排放行業(yè)最重要的CO2減排指標(biāo)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(fā)電量，kWh；106為克與噸質(zhì)量單位間的換算系數(shù)。

（4）碳排放的預(yù)期盈余可根據(jù)現(xiàn)有碳排放生產(chǎn)和當(dāng)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(dāng)量，t；為機組年度碳配位量，t；為單位容量碳強度，g/kWh；為設(shè)備年計劃容量。

1.3商業(yè)樓宇碳排放量預(yù)測實現(xiàn)

商業(yè)樓宇的排放量與營業(yè)時間、人流量、商業(yè)規(guī)模、碳排放過程、排放源和運行條件有關(guān)。建立綜合計算公式為

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

式（12）中：和為區(qū)間和區(qū)間的時間方差，客流量預(yù)測時間公式為

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

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

2實驗論證

2.1實驗準(zhǔn)備

測試對象為某商業(yè)樓宇，該商業(yè)樓宇平均小時用電量約120 MW，單位使用生產(chǎn)的最大和最小電量分別為80 kW·h和320 kW· h。光伏系統(tǒng)的標(biāo)稱輸出容量為1 520 MW，太陽能系統(tǒng)的能量轉(zhuǎn)換效率為20%，電池存儲系統(tǒng)為100 kW·h，最大輸出容量為4 000 kW·h。輸出容量為100 kW，轉(zhuǎn)換效率為90%。對該商業(yè)樓宇覆蓋的供電區(qū)用電量進行統(tǒng)計分析，當(dāng)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(xù)5日的碳排放監(jiān)測，記錄碳排放結(jié)果。

2.2對比實驗

碳排放檢測結(jié)果對比如表1所示。

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

3結(jié)語

傳統(tǒng)商業(yè)樓宇的碳排放總量跟蹤統(tǒng)計需要大量的時間和人力，無法達到碳排放超標(biāo)的預(yù)警。本文研究的方法可提供全面詳細的碳排放檢測預(yù)警功能，管理節(jié)能發(fā)電計劃，減輕變電器的排放負擔(dān)。本文設(shè)計的方法確保了碳排放數(shù)據(jù)的完整性、準(zhǔn)確性和可驗證性，為實施國家碳排放監(jiān)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(yè)的影響：基于CGE模型[J].湖南稅務(wù)高等?？茖W(xué)校學(xué)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(tǒng)低碳經(jīng)濟調(diào)度[J].現(xiàn)代電子技術(shù)，2023，46（15）：128-134.

[3] 韓金寶，蔡雯霞，諸葛瑞陽.碳排放權(quán)交易政策對地區(qū)碳績效的影響：基于鏈?zhǔn)街薪樾?yīng)的檢驗[J].金融理論與實踐，2023（7）：60-70.

[4] 袁嫚.數(shù)字普惠金融對城市碳排放的影響研究：基于長三角區(qū)域面板數(shù)據(jù)的實證分析[J].長春金融高等專科學(xué)校學(xué)報，2023（4）：10-17.

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

[6] 項康利，陳津莼，陳思敏.基于Stacking集成學(xué)習(xí)的福建省火電行業(yè)碳足跡情景預(yù)測[J].福州大學(xué)學(xué)報（自然科學(xué)版），2023，51（4）：558-565.