(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111606177.2 (22)申请日 2021.12.26 (65)同一申请的已公布的文献号 申请公布号 CN 114548481 A (43)申请公布日 2022.05.27 (73)专利权人 特斯联科技 集团有限公司 地址 100027 北京市朝阳区新源南路8号启 皓北京西塔1 1层 (72)发明人 张大鹏　 (74)专利代理 机构 北京春江专利商标代理事务 所(普通合伙) 11835 专利代理师 向志杰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 108604310 A,2018.09.28CN 113626766 A,2021.1 1.09 CN 113657661 A,2021.1 1.16 CN 113763219 A,2021.12.07 CN 105473207 A,2016.04.0 6 CN 215027526 U,2021.12.07 US 2017091615 A1,2017.0 3.30 US 2011208621 A1,201 1.08.25 孟恩隆等.基 于前馈和反馈的碳捕集智能控 制技术研究. 《控制工程》 .2020,(第0 5期), 黄雨涵等.碳中和背景 下能源低碳 化技术综 述及对新型电力系统发展的启示. 《中国电机 工 程学报》 .2021,第41卷 梁海文等.基于流程模拟与Elman神经网络 的燃煤电厂CO_2吸收系统动态数据检验方法. 《华东电力》 .2010,(第07期), 孙秋野等.智慧能源―人工智能技 术在电力 系统中的应用与展望. 《控制与决策》 .2018,(第 05期), 王珂珂等.基于WOA-ELM模型的中国碳 排放 预测研究. 《生态经济》 .2020,(第08 期), 审查员 何钟莉 (54)发明名称 基于强化学习的电力设备碳中和处 理装置 (57)摘要 本发明涉及一种基于强化学习的电力设备 碳中和处理装置， 所述装置包括： 网络应用部件， 用于将次日之前设定数量的多天的工业园区在 与某一预测时刻相同时刻排放的多个碳排放总 量作为开展智能体学习过程后的前馈神经网络 的输入层的输入 数据， 并执行所述前馈神经网络 以获得次日所述工业园区在所述某一预测时刻 排放的碳排量总量； 策略辨识部件， 与所述网络 应用部件 连接， 用于基于接收到的次日所述工业 园区在所述某一预测时刻排放的碳排放总量确 定次日所述工业园区在所述某一预测时刻 的碳 中和策略。 通过本发明， 能够替换原有的电力设 备碳排放总量的实地测量机制， 通过形成碳排放总量的提前预测机制， 从而形成可靠有效的园区 碳中和实施策略。 权利要求书2页 说明书7页 附图5页 CN 114548481 B 2022.08.23 CN 114548481 B 1.一种基于强化学习的电力设备碳中和处 理装置， 其特 征在于， 所述装置包括： 数据采集部件， 用于采集同一工业园区各个电力设备在过往每一 时刻排放的各个碳排 量数值； 信息统计部件， 与所述数据采集部件连接， 用于将所述工业园区各个电力设备在过往 每一时刻排放的各个碳排量数值进行累计操作以获得所述工业园区在过往每一时刻排放 的碳排放总量； 前端解析部件， 与所述数据采集部件连接， 与所述信息统计部件连接， 用于将待预测日 期的所述工业园区在设定预测时刻排放的碳排放总量作为前馈神经网络的输出层的输出 数据， 将所述待 预测日期之前设定数量的多天的所述工业园区在与设定预测时刻相同时刻 排放的多个碳 排放总量作为前馈神经网络的输入层的输入数据， 建立前馈神经网络； 末端解析部件， 与所述前端解析部件连接， 用于以所述工业园区在历史日期的某一设 定时刻排放的碳排放总量的倒数作为对所述前馈神经网络进行强化学习的奖励信号对所 述前馈神经网络进行单次强化学习操作， 并将经过固定次数的多次强化学习操作后的前馈 神经网络作为强化学习后的前馈神经网络 输出； 网络应用部件， 与所述末端解析部件连接， 用于将次日之前设定数量的多天的所述工 业园区在与某一预测时刻相同时刻排放的多个碳排放总量作为强化学习后的前馈神经网 络的输入层的输入数据以执行所述强化学习后的前馈神经网络， 获得所述强化学习后的前 馈神经网络的输出层的输出数据即次日所述工业园区在所述某一预测时刻排放的碳排放 总量； 策略辨识部件， 与所述网络应用部件连接， 用于基于接收到的次日所述工业园区在所 述某一预测时刻排放的碳排放总量确定次日所述工业园区在所述某一预测时刻的碳中和 策略， 所述碳中和策略是引入均匀分布在工业园区的多个二氧化碳吸收塔以根据预测的碳 排放总量采取相应的开关控制策略和档位调节策略实现自适应的工业园区碳中和处理， 其 中， 所述多个二氧化碳吸收塔的结构相同且每一二氧化碳吸收塔管控的园区区域的面积相 等； 其中， 将经过固定次数的多次强化学习操作后的前馈神经网络作为强化学习后的前馈 神经网络 输出包括： 所述工业园区的电力设备的数量越多， 设定的固定次数的取值越大。 2.如权利要求1所述的基于强化学习的电力设备碳中和处理装置， 其特征在于， 所述装 置还包括： 中和吸收机构， 包括均匀分布在所述工业园区的多个二氧化碳吸收塔， 每一个二氧化 碳吸收塔具有不同的运行档位。 3.如权利要求2所述的基于强化学习的电力设备碳中和处理装置， 其特征在于， 所述装 置还包括： 开关控制机构， 分别与所述多个二氧化碳吸收塔连接， 用于分别调节所述多个二氧化 碳吸收塔中每一个二氧化 碳吸收塔的开关状态。 4.如权利要求3所述的基于强化学习的电力设备碳中和处理装置， 其特征在于， 所述装 置还包括： 档位调控机构， 分别与所述多个二氧化碳吸收塔连接， 用于分别调节所述多个二氧化 碳吸收塔中每一个处于打开状态中的二氧化 碳吸收塔的运行档位。权　利　要　求　书 1/2 页 2 CN 114548481 B 25.如权利要求1 ‑4任一所述的基于强化学习的电力设备碳中和处 理装置， 其特 征在于： 将所述待预测日期之前设定数量的多天的所述工业园区在与设定预测时刻相同时刻 排放的多个碳排放总量作为前馈神经网络的输入层的输入数据， 建立前馈神经网络包括： 所述设定数量的取值与所述工业园区的占地 面积呈正向关联的关系。 6.如权利要求1 ‑4任一所述的基于强化学习的电力设备碳中和处 理装置， 其特 征在于： 基于接收到的次日所述工业园区在所述某一预测时刻排放的碳排放总量确定次日所 述工业园区在所述某 一预测时刻的碳中和策略包括： 接收到的次日所述工业园区在所述某 一预测时刻排放的碳排放总量的数值越大， 确定的次日所述工业园区在所述某一预测时刻 需要执行碳中和的强度越大。 7.如权利要求6所述的基于强化学习的电力设备碳中和处 理装置， 其特 征在于： 接收到的次日所述工业园区在所述某一预测时刻排放的碳排放总量的数值越大， 确定 的次日所述工业园区在所述某一预测时刻需要 执行碳中和的强度越大包括： 在 采用二氧化 碳吸收模式执行碳中和处理 时， 接收到的次日所述工业园区在所述某一预测时刻排放的碳 排放总量的数值越大， 确定的次日所述工业园区在所述某一预测时刻需要 执行的二氧化碳 吸收强度越大。 8.如权利要求7 所述的基于强化学习的电力设备碳中和处 理装置， 其特 征在于： 在采用二氧化碳吸收模式执行碳中和处理时， 接收到的次日所述工业园区在所述某一 预测时刻排放的碳排放总量的数值越大， 确定的次日所述工业园区在所述某一预测时刻需 要执行的二氧化碳吸收强度越大包括： 在采用二氧化碳吸收模式执行碳中和处理时， 接 收 到的次日所述工业园区在所述某一预测时刻排放的碳排放总量的数值越大， 确定的次日所 述工业园区内开启的二氧化 碳吸收塔的数量越多； 或者， 在采用二氧化碳吸收模式执行碳中和 处理时， 接收到的次日所述工业园区在所 述某一预测时刻排放的碳排放总量的数值越大， 确定的次日所述工业园区在所述某一预测 时刻需要执行的二氧化碳吸收强度越大包括： 在采用二氧化碳吸收模式执行碳中和处理 时， 接收到的次日所述工业园区在所述某一预测时刻排放的碳排放总量的数值越大， 确定 的次日所述工业园区内开启的二氧化 碳吸收塔的运行档位越高。 9.一种基于强化学习的 电力设备碳中和 处理方法， 所述方法包括使用 如权利要求1 ‑8 任一所述的基于强化学习的电力设备碳中和处理装置， 使其根据次日之前设定数量的多天 的工业园区在与 某一预测时刻相同时刻排放的多个碳排放总量， 通过基于强化学习后的前 馈神经网络， 实现了次日所述工业园区在所述某一预测时刻排放的碳排放总量的预测， 并 结合提前设置相应的碳中和策略， 以提升碳中和应对的实时性。 10.一种计算机可读存储介质， 其特征在于， 所述可读存储介质上存储有计算机程序， 所述计算机程序在被执行时实现如权利要求9所述的基于强化学习的电力设备碳中和处理 方法的各个步骤。权　利　要　求　书 2/2 页 3 CN 114548481 B 3