DACF: day-ahead carbon intensity forecasting of power grids using machine learning
DACF: day-ahead carbon intensity forecasting of power grids using machine learning
复制标题
DACF：使用机器学习对电网日前碳强度进行预测
DOI：
10.1145/3538637.3538849
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Shenoy, Prashant
中科院分区：
文献类型：
--
作者：
Maji, Diptyaroop;Sitaraman, Ramesh K.;Shenoy, Prashant
电力使用是全球碳排放的重要来源。人们对通过供应方转向更清洁的发电来源以及通过需求方优化来减少碳使用来减少能源使用的碳影响有着浓厚的兴趣。这些优化的一个重要组成部分是未来对所供应电力的碳强度的了解。在本文中，我们提出了一种日前碳预测系统 (DACF)，该系统使用机器学习来预测电网中范围 2 排放的碳强度。 DACF 首先计算所有发电来源的产量预测，然后将其与每个来源的碳排放率相结合，生成碳强度预测。 DACF 提供了一种适用于一系列地理分布区域的通用方法。 DACF 各地区的平均 MAPE 为 6.4%。与现有技术相比，它的 MAPE 平均降低了 6.4%，最大降低了 8.6%。我们将 DACF 公开，以便研究人员可以轻松访问。
Electricity usage is a substantial source of carbon emissions worldwide. There has been significant interest in reducing the carbon impact of energy usage through supply-side shifts to cleaner generation sources and through demand-side optimizations to reduce carbon usage. An essential building block for these optimizations is future knowledge of the carbon intensity of the supplied electricity. In this paper, we present a Day-Ahead Carbon Forecasting system (DACF) that predicts the carbon intensity from scope 2 emissions in the power grids using machine learning. DACF first computes production forecasts for all the electricity-generating sources and then combines them with the carbon-emission rate of each source to generate a carbon intensity forecast. DACF provides a general approach that works well across a range of geographically distributed regions. DACF has a mean MAPE of 6.4% across the regions. It also achieves an average decrease of 6.4% and a maximum decrease of 8.6% in MAPE compared to the state-of-the-art. We make DACF publicly available so that it is easily accessible to researchers.
登录
查看更多内容
DOI：
--
发表时间：
2001
期刊：
--
影响因子：
--
作者：
J. Sathaye;S. Schneider;T. Stocker;B. Robinson;R. Scholes;G. Richels;R. Pachauri;B. Pittock
通讯作者：
J. Sathaye;S. Schneider;T. Stocker;B. Robinson;R. Scholes;G. Richels;R. Pachauri;B. Pittock
电网碳强度日前预测，支持供热、通风和空调工厂需求响应决策，减少碳排放
DOI：
--
发表时间：
2018
期刊：
影响因子：
--
作者：
G. Lowry
通讯作者：
G. Lowry
使用边际排放因子预测的碳高效智能充电
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
Julian Huber;K. Lohmann;M. Schmidt;Christof Weinhardt
通讯作者：
Christof Weinhardt
纽约开放存取同步信息系统 (OASIS)
DOI：
--
发表时间：
2021
期刊：
Lecture Notes in Electrical Engineering
影响因子：
--
作者：
C. Singh;Y. Sood
通讯作者：
Y. Sood