基于大数据环境下神经网络碳排放预测方法及应用与流程

阅读：评论：0

1.本发明涉及大数据分析领域，尤其涉及一种基于大数据环境下神经网络碳排放预测方法及应用。

背景技术：

2.由于全球变暖和温室效应，当今社会对于多个领域的碳排放和碳吸收的研究已经提上日程，从而实现碳中和和碳达峰提供理论支撑，如何有效的预测碳排放机制给本领域技术人员带来了极大的挑战。根据研究现状，在电力系统以及燃气领域的使用调度是集控式的，通过传统的神经网络学习对碳排放的响应速度慢，理论数据并不能有效进行预测碳排放的总量，通过集控式的调度虽然能够得出碳排放的结果，但是对外界使用时间，空闲状态，占用状态、负荷的约束条件较少，因此很难建立准确的碳排放预测模型。这就亟需本领域技术人员解决相应的技术问题。

技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于大数据环境下神经网络碳排放预测方法。
4.为了实现本发明的上述目的，本发明提供了一种基于大数据环境下神经网络碳排放预测方法，包括如下步骤：
5.s1，通过物联平台网络获取多渠道碳排放数据，将多渠道排放数据形成相应排放数据集，进行归一化处理；
6.s2，测算碳排放数据的偏移，并对数据进行动态修正处理，通过tcn时间卷积神经网络计算相应的映射变换函数，
7.s3，通过映射变换函数获取多渠道碳排放数据融合，通过预测精度模型进行碳排放预测区间判断，并上传至物联平台网络。
8.根据上述技术方案优选的，所述s1包括：
9.s1-1，在物联平台网络获取相应的电力碳排放数据、燃气碳排放数据，根据碳排放数据进行目标函数计算，
10.获取单位时间电力的输出功率和单位时间燃气功率的碳排放量目标函数p(i)，通过计算的结果训练电力和燃气碳排放的网络节点，
[0011][0012]
其中，u为电力碳排放调节系数，a
elec
为单位时间电力使用功率，v为燃气碳排放调节系数，a
gas
为单位时间电力使用功率，t为单位时间；根据网络节点得到碳排放数据的预存数据。
[0013]
根据上述技术方案优选的，所述s1还包括：
[0014]
s1-2，根据目标函数确定碳排放数据的概率分布，
[0015]
首先，根据电力碳排放数据向量b＝(b1,b2,...,bm)
t
以及燃气碳排放数据向量c＝(c1,c2,...,cm)
t
进行概率分布计算，其中上标t为转置，
[0016]
然后，得到的概率分布公式为：
[0017][0018]
碳排放概率分布序号k，exp(*)为指数函数，f(b,c)为碳排放能量函数，β为目标调节系数，l(k)为碳排放目标的分布尺度。
[0019]
根据上述技术方案优选的，所述s2包括：
[0020]
s2-1，根据概率分布对碳排放数据进行尺度划分，形成碳排放数据的偏移公式，根据尺度公式，
[0021]
e＝a
·
e0+mj·
λ，其中，e为碳排放尺度计算表达公式，a为碳排放尺度的调节系数，e0为预存的相应周期历史碳排放数据，mj为j周的实时碳排放数据累加值，λ为碳排放因子，
[0022]
s2-2，通过尺度公式，计算碳排放概率分布的位移公式，
[0023]
d＝e+δe0，根据尺度公式的计算结果，通过预存的相应周期历史碳排放数据的变化值δe0，得到碳排放数据的位移值；
[0024]
根据位移值能够得出碳排放数据的偏移量，通过偏移公式进行计算，
[0025]
其中对全部j周的预存的相应周期历史碳排放数据进行求和，除以相应j个周。
[0026]
根据上述技术方案优选的，所述s2还包括：
[0027]
s2-3，根据j轴的偏移公式计算的偏移量，其动态性和约束性需要进行重调整，通过碳排放数据的约束条件进行动态约束，从而达到偏移量的重调整；
[0028]
碳排放数据的动态公式为，
[0029]
g＝gj+η
·
pj+z，其中，gj为j周碳排放数据中能源消耗量，η为动态调节因子，pj为j周碳排放数据的总体变化量，
[0030]
当η＞0时，其碳排放数据动态公式的表达式能够体现其动态的碳排放数据实际数值，当η≤0时，其没有涉及碳排放数据的总体变化量，该动态公式不成立。
[0031]
根据上述技术方案优选的，所述s2还包括：
[0032]
s2-4，根据获取的碳排放数据动态值，对实时碳排放数据进行tcn神经网络训练，并对碳排放过程中的动态值进行训练调整，
[0033]
采用高斯函数进行神经网络中神经元基函数对输入的碳排放数据动态值进行空间映射变换，
[0034]
其中μ为神经元基函数的标准常数，g为动态值，hg为高斯向量的分布函数，下标g为正整数，用于输入动态值的递增序号；
[0035]
根据映射变换得到神经网络的预测误差，
[0036]
其中，σ为动态值qg的权重，dg为神经元基函数的调节系数，h为预测误差调节参数。
[0037]
根据上述技术方案优选的，所述s3包括：
[0038]
s3-1，根据碳排放数据动态值形成的序列，得到预测误差后根据数据回归模型进行碳排放数据统计，在碳排放数据预测区间内对于碳排放数据实际产生值来判断碳排放动态变化分量，使n
energy
能够预先预测；预测过程的回归模型为f(x)，通过碳排放动态值中提取训练样本，经过预测误差判断，获取在碳排放过程中形成最小方差标准用于估算预测精度。
[0039]
根据上述技术方案优选的，所述s3还包括：
[0040]
s3-2，使用的预测精度公式为
[0041]
x为训练样本数量，且大于等于2，s
x
为碳排放预测训练值，y
x
为经过训练之后碳排放观测值，为观测均值，ε为置信度，
[0042]
在根据预测精度计算之后，给出相应碳排放数据的预测置信区间，对于在区间范围之内的碳排放数据进行能耗预警，从而预测碳排放数据的分布情况，该预测区间根据训练的精度值进行实时调节。
[0043]
本发明还公开一种基于大数据环境下神经网络碳排放预测方法的应用，包括：通过权利要求1的方法用于化石燃料燃烧、生物质燃烧、石油和天然气系统逃逸、稻田甲烷、农用地氧化亚氮、动物肠道发酵、固体废弃物处理、废水处理过程中碳排放数据的预测。
[0044]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0045]
在一定时间周期中，通过碳排放数据进行映射变换函数的计算，获取碳排放的相关度，从而知晓碳排放的偏差，根据多渠道碳排放数据变化度，以及获取碳排放数据情况下对碳排放类型偏好的依赖性；根据预测模型得到碳排放预测强度和碳排放类型预测排放频率，通过神经网络不断训练收敛数值，通过预测精度模型进行碳排放的后期预测工作，从而为碳中和提供数据参考。
[0046]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0047]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0048]
图1是本发明总体示意图；
[0049]
图2是本发明实施示意图。
具体实施方式
[0050]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0051]
如图1和2所示，本发明公开一种基于大数据环境下神经网络碳排放预测方法，包括：
[0052]
s1，通过物联平台网络获取多渠道碳排放数据，将多渠道排放数据形成相应排放数据集，进行归一化处理；
[0053]
s2，测算碳排放数据的偏移，并对数据进行动态修正处理，通过tcn时间卷积神经网络计算相应的映射变换函数，
[0054]
s3，通过映射变换函数获取多渠道碳排放数据融合，通过预测精度模型进行碳排放预测区间判断，并上传至物联平台网络。
[0055]
该物联平台能够通过有线或者无线网络接入到相应的电力和燃气以及其它的数据采集设备中，进行相关的数据采集操作。
[0056]
根据上述技术方案优选的，所述s1包括：
[0057]
s1-1，在云端网络获取相应的电力碳排放数据、燃气碳排放数据，根据碳排放数据进行目标函数计算，
[0058]
获取单位时间电力的输出功率和单位时间燃气功率的碳排放量目标函数p(i)，通过计算的结果训练电力和燃气碳排放的网络节点，
[0059][0060]
其中，u为电力碳排放调节系数，a
elec
为单位时间电力使用功率，v为燃气碳排放调节系数，a
gas
为单位时间电力使用功率，t为单位时间；根据网络节点得到碳排放数据的预存数据，从而将离散数据进行线性划分；
[0061]
s1-2，根据目标函数确定碳排放数据的概率分布，
[0062]
首先，根据电力碳排放数据向量b＝(b1,b2,...,bm)
t
以及燃气碳排放数据向量c＝(c1,c2,...,cm)
t
进行概率分布计算，其中上标t为转置，
[0063]
然后，得到的概率分布公式为：
[0064][0065]
碳排放概率分布序号k，exp(*)为指数函数，f(b,c)为碳排放能量函数，β为目标调节系数，l(k)为碳排放目标的分布尺度，该分布尺度能够对碳排放的数据趋势进行分布量化，通过目标调节系数对分布尺度进行参数调节，然后进行归一化处理，从而能够将碳排放数据进行收敛，
[0066]
根据上述技术方案优选的，所述s2包括：
[0067]
s2-1，根据概率分布对碳排放数据进行尺度划分，形成碳排放数据的偏移公式，根据尺度公式，
[0068]
e＝a
·
e0+mj·
λ，其中，e为碳排放尺度计算表达公式，a为碳排放尺度的调节系数，
e0为预存的相应周期历史碳排放数据，mj为j周的实时碳排放数据累加值，λ为碳排放因子，
[0069]
s2-2，通过尺度公式，计算碳排放概率分布的位移公式，
[0070]
d＝e+δe0，根据尺度公式的计算结果，通过预存的相应周期历史碳排放数据的变化值δe0，得到碳排放数据的位移值；
[0071]
根据位移值能够得出碳排放数据的偏移量，通过偏移公式进行计算，
[0072]
其中对全部j周的预存的相应周期历史碳排放数据进行求和，除以相应j个周，这里的周为7天，得到相应预存的碳排放数据平均值，通过e0减去该平均值得到该预存碳排放数据的偏移量，通过碳排放尺度的调节系数进行调节，该预存的碳排放数据为每周实时采集的碳排放数据进行整理后存储在物联平台网络用于进行分析处理的碳排放数据；
[0073]
对于数据采集的周期能够扩展为一个月，一个季度或者一年，根据用户对数据的精确程度进行适时调整，满足不同的数据预测需求。
[0074]
s2-3，根据j轴的偏移公式计算的偏移量，其动态性和约束性需要进行重调整，通过碳排放数据的约束条件进行动态约束，从而达到偏移量的重调整；
[0075]
碳排放数据的动态公式为，
[0076]
g＝gj+η
·
pj+z，其中，gj为j周碳排放数据中能源消耗量，该能源消耗量中包括了电力能源和燃气能源综合数据，通过该综合数据能够知晓理论中碳排放的总值，从而为实际在j周中得到的碳排放数据作为动态调节的依据和来源，η为动态调节因子，pj为j周碳排放数据的总体变化量，
[0077]
当η＞0时，其碳排放数据动态公式的表达式能够体现其动态的碳排放数据实际数值，当η≤0时，其没有涉及碳排放数据的总体变化量，该动态公式不成立，
[0078]
s2-4，根据获取的碳排放数据动态值，对实时碳排放数据进行tcn神经网络训练，并对碳排放过程中的动态值进行训练调整，从而为下一周的碳排放数据进行预测做准备，
[0079]
采用高斯函数进行神经网络中神经元基函数对输入的碳排放数据动态值进行空间映射变换，
[0080]
其中μ为神经元基函数的标准常数，g为动态值，hg为高斯向量的分布函数，下标g为正整数，用于输入动态值的递增序号；
[0081]
根据映射变换得到神经网络的预测误差，
[0082]
其中，σ为动态值qg的权重，dg为神经元基函数的调节系数，h为预测误差调节参数，
[0083]
其采集的一周碳排放数据根据动态值的调整之后，与上一周的碳排放数据进行比较，将相应的差值进行分量序列表示，作为碳排放数据预测的准备；
[0084]
根据上述技术方案优选的，所述s3包括：
[0085]
s3-1，根据碳排放数据动态值形成的序列，得到预测误差后根据数据回归模型进行碳排放数据统计，在碳排放数据预测区间内对于碳排放数据实际产生值来判断碳排放动态变化分量，使n
energy
能够预先预测；预测过程的回归模型为f(x)，通过碳排放动态值中提取训练样本，经过预测误差判断，获取在碳排放过程中形成最小方差标准用于估算预测精度；
[0086]
s3-2，使用的预测精度公式为
[0087]
x为训练样本数量，且大于等于2，s
x
为碳排放预测训练值，y
x
为经过训练之后碳排放观测值，为观测均值，ε为置信度，
[0088]
在根据预测精度计算之后，给出相应碳排放数据的预测置信区间，对于在区间范围之内的碳排放数据进行能耗预警，从而预测碳排放数据的分布情况，该预测区间根据训练的精度值进行实时调节。
[0089]
本技术中对于碳排放考虑了电力和燃气的碳排放数据，对于化石燃料燃烧、生物质燃烧、石油和天然气系统逃逸、稻田甲烷、农用地氧化亚氮、动物肠道发酵、固体废弃物处理、废水处理过程中碳排放数据也能够进行数据采集，并通过神经网络学习相应的数据内容，并进行碳排放预测。
[0090]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解，在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：

1.一种基于大数据环境下神经网络碳排放预测方法，其特征在于，包括如下步骤：s1，通过物联平台网络获取多渠道碳排放数据，将多渠道排放数据形成相应排放数据集，进行归一化处理；s2，测算碳排放数据的偏移，并对数据进行动态修正处理，通过tcn时间卷积神经网络计算相应的映射变换函数，s3，通过映射变换函数获取多渠道碳排放数据融合，通过预测精度模型进行碳排放预测区间判断，并上传至物联平台网络。2.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法，其特征在于，所述s1包括：s1-1，在物联平台网络获取相应的电力碳排放数据、燃气碳排放数据，根据碳排放数据进行目标函数计算，获取单位时间电力的输出功率和单位时间燃气功率的碳排放量目标函数p(i)，通过计算的结果训练电力和燃气碳排放的网络节点，其中，u为电力碳排放调节系数，a
elec
为单位时间电力使用功率，v为燃气碳排放调节系数，a
gas
为单位时间电力使用功率，t为单位时间；根据网络节点得到碳排放数据的预存数据。3.根据权利要求2所述的基于大数据环境下神经网络碳排放预测方法，其特征在于，所述s1还包括：s1-2，根据目标函数确定碳排放数据的概率分布，首先，根据电力碳排放数据向量b＝(b1,b2,...,b
m
)
t
以及燃气碳排放数据向量c＝(c1,c2,...,c
m
)
t
进行概率分布计算，其中上标t为转置，然后，得到的概率分布公式为：碳排放概率分布序号k，exp(*)为指数函数，f(b,c)为碳排放能量函数，β为目标调节系数，l(k)为碳排放目标的分布尺度。4.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法，其特征在于，所述s2包括：s2-1，根据概率分布对碳排放数据进行尺度划分，形成碳排放数据的偏移公式，根据尺度公式，e＝a
·
e0+m
j
·
λ，其中，e为碳排放尺度计算表达公式，a为碳排放尺度的调节系数，e0为预存的相应周期历史碳排放数据，m
j
为j周的实时碳排放数据累加值，λ为碳排放因子，s2-2，通过尺度公式，计算碳排放概率分布的位移公式，d＝e+δe0，根据尺度公式的计算结果，通过预存的相应周期历史碳排放数据的变化值δe0，得到碳排放数据的位移值；
根据位移值能够得出碳排放数据的偏移量，通过偏移公式进行计算，其中对全部j周的预存的相应周期历史碳排放数据进行求和，除以相应j个周。5.根据权利要求4所述的基于大数据环境下神经网络碳排放预测方法，其特征在于，所述s2还包括：s2-3，根据j轴的偏移公式计算的偏移量，其动态性和约束性需要进行重调整，通过碳排放数据的约束条件进行动态约束，从而达到偏移量的重调整；碳排放数据的动态公式为，g＝g
j
+η
·
p
j
+z，其中，g
j
为j周碳排放数据中能源消耗量，η为动态调节因子，p
j
为j周碳排放数据的总体变化量，当η＞0时，其碳排放数据动态公式的表达式能够体现其动态的碳排放数据实际数值，当η≤0时，其没有涉及碳排放数据的总体变化量，该动态公式不成立。6.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法，其特征在于，所述s2还包括：s2-4，根据获取的碳排放数据动态值，对实时碳排放数据进行tcn神经网络训练，并对碳排放过程中的动态值进行训练调整，采用高斯函数进行神经网络中神经元基函数对输入的碳排放数据动态值进行空间映射变换，其中μ为神经元基函数的标准常数，g为动态值，h
g
为高斯向量的分布函数，下标g为正整数，用于输入动态值的递增序号；根据映射变换得到神经网络的预测误差，其中，σ为动态值q
g
的权重，d
g
为神经元基函数的调节系数，h为预测误差调节参数。7.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法，其特征在于，所述s3包括：s3-1，根据碳排放数据动态值形成的序列，得到预测误差后根据数据回归模型进行碳排放数据统计，在碳排放数据预测区间内对于碳排放数据实际产生值来判断碳排放动态变化分量，使n
energy
能够预先预测；预测过程的回归模型为f(x)，通过碳排放动态值中提取训练样本，经过预测误差判断，获取在碳排放过程中形成最小方差标准用于估算预测精度。8.根据权利要求7所述的基于大数据环境下神经网络碳排放预测方法，其特征在于，所述s3还包括：s3-2，使用的预测精度公式为
x为训练样本数量，且大于等于2，s
x
为碳排放预测训练值，y
x
为经过训练之后碳排放观测值，为观测均值，ε为置信度，在根据预测精度计算之后，给出相应碳排放数据的预测置信区间，对于在区间范围之内的碳排放数据进行能耗预警，从而预测碳排放数据的分布情况，该预测区间根据训练的精度值进行实时调节。9.一种基于大数据环境下神经网络碳排放预测方法的应用，其特征在于，包括：通过权利要求1的方法用于化石燃料燃烧、生物质燃烧、石油和天然气系统逃逸、稻田甲烷、农用地氧化亚氮、动物肠道发酵、固体废弃物处理、废水处理过程中碳排放数据的预测。

技术总结

本发明提出了一种基于大数据环境下神经网络碳排放预测方法，包括：S1，通过物联平台网络获取多渠道碳排放数据，将多渠道排放数据形成相应排放数据集，进行归一化处理；S2，测算碳排放数据的偏移，并对数据进行动态修正处理，通过TCN时间卷积神经网络计算相应的映射变换函数，S3，通过映射变换函数获取多渠道碳排放数据融合，通过预测精度模型进行碳排放预测区间判断，并上传至物联平台网络。并上传至物联平台网络。并上传至物联平台网络。