基于灰色BP神經網絡的電力碳排放峰值預測方法及系統技術方案

本發明專利技術提供一種基于灰色BP神經網絡的電力碳排放峰值預測方法及系統，該方法包括步驟：S101、將電力碳排放量作為隨機變量視為一定區間內變動的灰色變量，獲得相應的原始數據序列，對原始數據序列進行處理后獲得呈現指數增長趨勢的累加序列；S102、將原始數據序列和累加序列作為輸入值，構建基于灰色BP神經網絡的碳排放峰值預測模型；S103、對碳排放峰值預測模型進行訓練；S104、在灰色BP神經網絡中引入遞推算法，對碳排放峰值預測模型進行求解，獲得碳排放峰值預測值，相較于傳統預測方法，本發明專利技術預測的碳排放峰值結果更加準確。本發明專利技術預測的碳排放峰值結果更加準確。本發明專利技術預測的碳排放峰值結果更加準確。

【技術實現步驟摘要】
基于灰色BP神經網絡的電力碳排放峰值預測方法及系統


[0001]本專利技術涉及碳排放計算
，尤其涉及一種基于灰色BP神經網絡的電力碳排放峰值預測方法及系統。

技術介紹

[0002]目前，我國的經濟發展過程中面臨著許多環境問題，最為緊要的問題是發電公司的二氧化碳排放問題。因此，如何正確地預測碳排放峰值，為其制定碳減排途徑，并在短時間內控制碳排放峰值，是一個迫切需要解決的問題。目前，學者們從不同的角度和理論依據出發，運用了不同的模式來研究碳排放峰值預測方法。關敏捷等人在《基于STIRPAT模型的山西省能源碳排放影響因素及峰值預測》中提出了基于STIRPAT模型的峰值預測方法(以下簡稱為方法A)，在能源結構優化模式下構建了STIRPAT模型。模型結合VSTE算法計算電力碳排放平均值，進而預測碳排放峰值。然而，該方法過分依賴人工操作，使得構建的模型在求解過程中受到不同因素影響，出現了較大預測偏差。王思琪等人在《基于雙回歸預測模型的公共建筑運行階段碳排放現狀研究》中構建了電力碳排放雙回歸預測模型(以下簡稱為方法B)，根據電力耗能情況，將各種不同電力設備運行方式進行了參數化處理，并將其輸入到預測模型中，實現電力碳排放峰值精準預測。該方法雖然能夠快速取得預測結果，但在實際操作過程中無法很好控制碳排放總量，因此推算結果還是存在一定誤差。

技術實現思路

[0003]鑒于此，本專利技術的目的在于提供一種基于灰色BP神經網絡的電力碳排放峰值預測方法及系統，以更準確地預測電力碳排放量。
[0004]為實現上述專利技術目的，本專利技術第一方面提供一種基于灰色BP神經網絡的電力碳排放峰值預測方法，所述方法包括以下步驟：
[0005]S101、將電力碳排放量作為隨機變量視為一定區間內變動的灰色變量，獲得相應的原始數據序列，對原始數據序列進行處理后獲得呈現指數增長趨勢的累加序列；
[0006]S102、將原始數據序列和累加序列作為輸入值，構建基于灰色BP神經網絡的碳排放峰值預測模型；
[0007]S103、對碳排放峰值預測模型進行訓練；
[0008]S104、在灰色BP神經網絡中引入遞推算法，對碳排放峰值預測模型進行求解，獲得碳排放峰值預測值。
[0009]進一步的，步驟S103中，對碳排放峰值預測模型進行訓練，具體包括以下步驟：
[0010]S201、通過灰色BP神經網絡的各個節點進行初始化，隨機分配各個節點權重和門限；
[0011]S202、在給定的輸入和輸出模式下，分別對輸入層和輸出層連接權重和閾值進行計算；
[0012]S203、選擇下一種輸入模式，反復迭代，直至網絡輸出結果符合預設條件為止完成
訓練。
[0013]進一步的，所述步驟S104具體包括以下步驟：
[0014]S301、隨機獲取各路徑碳排放量，通過引入微分方程參數，對其進行加權處理，得到新的灰色BP神經網絡模型；
[0015]S302、剔除輸入數據之間的非線性關系，將其引入到新的灰色BP神經網絡模型中，通過Lasso回歸分析方法，分析各因素對碳排放峰值預測的影響；
[0016]S303、利用有限遞推方法，求出網絡中全部節點的碳勢；
[0017]S304、在偏差允許的條件下，使用遞推算法計算電力碳排放量，對碳排放峰值預測模型求解，獲得電力碳排放量峰值預測結果。
[0018]進一步的，步驟S301中，隨機選取的碳排放路徑為：
[0019][0020]其中，L
i
表示電力第i中碳排放路徑，λ表示碳排放系數，L
′
()表示碳排放路徑抽取函數。
[0021]進一步的，所述步驟S302具體包括：
[0022]設a為自變量，b為隱變量，經過m次取樣后得到的預測樣本標準值為(a,b)，自變量a的第k個預測值為：
[0023]x
k
＝(x
k1
,x
k2
,
…
,x
km
)
T
[0024]其中，T表示預測周期，因變量對自變量的回歸模型表示為：
[0025]b
i
＝∑a
i
+ε
i
[0026]其中，ε
i
表示隨機自然數，為了篩選出影響顯著變量，為上式添加約束條件，約束條件表達式為：
[0027][0028]其中，t表示調和參數，φ表示最佳調整閾值，Lasso回歸分析方法通過不斷調整調和參數值，降低回歸系數，壓縮變量系數直到為0，以此獲取顯著變量，即碳排放量峰值。
[0029]進一步的，步驟S303中，依次求取網絡初始節點到發電機節點的碳勢，在每次遞推時，根據電網碳排放鄰接性，在確定某一節點的碳勢后，可求取全部節點碳勢，具體計算公式如下：
[0030][0031]其中，P
i
表示節點注入的有功功率，G
j
表示電力機組支路有功功率，Ω
i
、Ω
j
分別表示第i、j兩個電力碳排放節點注入的集合。
[0032]本專利技術第二方面提供一種基于灰色BP神經網絡的電力碳排放峰值預測系統，所述系統用于執行前述第一方面所提供的方法。
[0033]與現有技術相比，本專利技術的有益效果是：
[0034]本專利技術提供的一種基于灰色BP神經網絡的電力碳排放峰值預測方法及系統，通過分析原始數據序列和累加序列，利用灰色BP神經網絡構建碳排放峰值預測模型，分析電力碳排放影響因素，使用遞推算法計算電力碳排放量，篩選出顯著變量，通過有限次遞推計算節點碳勢，在誤差允許范圍內進行迭代訓練，實現模型求解，得到電力碳排放峰值預測結果，相較于傳統預測方法，本專利技術預測結果更加準確。
附圖說明
[0035]為了更清楚地說明本專利技術實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的優選實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0036]圖1是本專利技術實施例提供的一種基于灰色BP神經網絡的電力碳排放峰值預測方法整體流程示意圖。
[0037]圖2是本專利技術實施例提供的碳排放峰值預測模型結構示意圖。
[0038]圖3是使用方法A預測碳排放峰值結果示意圖。
[0039]圖4是使用方法B預測碳排放峰值結果示意圖。
[0040]圖5是使用本專利技術實施例提供的方法預測碳排放峰值結果示意圖。
具體實施方式
[0041]以下結合附圖對本專利技術的原理和特征進行描述，所列舉實施例只用于解釋本專利技術，并非用于限定本專利技術的范圍。
[0042]參照圖1和圖2，本實施例提供一種基于灰色BP神經網絡的電力碳排放峰值預測方法，所述方法包括以下步驟：
[0043]S101、將電力碳排放量作為隨機變量視為一定區間內變動的灰色變量，獲得相本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于灰色BP神經網絡的電力碳排放峰值預測方法，其特征在于，所述方法包括：S101、將電力碳排放量作為隨機變量視為一定區間內變動的灰色變量，獲得相應的原始數據序列，對原始數據序列進行處理后獲得呈現指數增長趨勢的累加序列；S102、將原始數據序列和累加序列作為輸入值，構建基于灰色BP神經網絡的碳排放峰值預測模型；S103、對碳排放峰值預測模型進行訓練；S104、在灰色BP神經網絡中引入遞推算法，對碳排放峰值預測模型進行求解，獲得碳排放峰值預測值。2.根據權利要求1所述的一種基于灰色BP神經網絡的電力碳排放峰值預測方法，其特征在于，步驟S103中，對碳排放峰值預測模型進行訓練，具體包括以下步驟：S201、通過灰色BP神經網絡的各個節點進行初始化，隨機分配各個節點權重和門限；S202、在給定的輸入和輸出模式下，分別對輸入層和輸出層連接權重和閾值進行計算；S203、選擇下一種輸入模式，反復迭代，直至網絡輸出結果符合預設條件為止完成訓練。3.根據權利要求1所述的一種基于灰色BP神經網絡的電力碳排放峰值預測方法，其特征在于，所述步驟S104具體包括以下步驟：S301、隨機獲取各路徑碳排放量，通過引入微分方程參數，對其進行加權處理，得到新的灰色BP神經網絡模型；S302、剔除輸入數據之間的非線性關系，將其引入到新的灰色BP神經網絡模型中，通過Lasso回歸分析方法，分析各因素對碳排放峰值預測的影響；S303、利用有限遞推方法，求出網絡中全部節點的碳勢；S304、在偏差允許的條件下，使用遞推算法計算電力碳排放量，對碳排放峰值預測模型求解，獲得電力碳排放量峰值預測結果。4.根據權利要求3所述的一種基于灰色BP神經網絡的電力碳排放峰值預測方法，其特征在于，步驟S301中，隨機選取的碳排放路徑為：其中，L
i
表示電力第i中碳排放路徑...

【專利技術屬性】
技術研發人員：陳澤維，林才佳，方兵，王善立，張佳藝，馮開健，
申請(專利權)人：海南電網有限責任公司，
類型：發明
國別省市：