一种碳排放量计算方法及系统技术方案

本发明专利技术公开了一种碳排放量计算方法及系统，归一化预设的多组碳排放量影响参数和相应碳排放量数据，得到多组归一化数据，其中，碳排放量影响参数包括：机组负荷、一次风率和锅炉效率等；将多组归一化数据分为训练样本和测试样本；基于训练样本和预设神经元传递函数对BP神经网络进行训练，获取网络训练模型；依据测试样本对网络训练模型进行测试，获取并判断测试结果是否在预设范围内；若否，返回执行上述获取网络训练模型这一步骤；若是，将网络训练模型确定为BP神经网络计算模型并反归一化测试结果；基于BP神经网络计算模型，根据当前碳排放量影响参数进行计算，得到相应反归一化碳排放量计算值。基于上述方法，提高碳排放量计算结果的准确度。

【技术实现步骤摘要】

本专利技术涉及测量
，尤其涉及一种碳排放量计算方法及系统。
技术介绍
今年来全球温室效应加剧，气温上升、冰川融化、海洋风暴、土地沙漠化等自然灾害不断显现。据国际环境保护组织数据，相较于二十年前世界气温以上升0.75℃，其罪魁祸首即大气中的二氧化碳的含量逐年攀升，其中随锅炉烟气排入环境的二氧化碳约占总量的30％。作为以化石燃料为能源消耗主要体的我国来说，碳排放量计算问题已经成为大家共同关注的焦点。目前关于碳排放量的计算都是利用经验公式进行粗略估算，忽略了燃煤品质、锅炉效率、机组负荷、一次风率和过量空气系数等因素对碳排放的影响，造成计算误差很大。由上述可知，现有的技术方案在对碳排放量进行计算时无法保证计算结果的准确度。
技术实现思路
有鉴于此，本专利技术提供一种碳排放量计算方法及系统，以解决现有的技术方案在对碳排放量进行预算时无法保证预算结果的准确度的问题。技术方案如下：一种碳排放量计算方法，应用于碳排放量计算系统，包括：获取预设的多组碳排放量影响参数下各自生成的碳排放量数据，将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理，得到多组归一化数据；将所述多组归一化数据划分为训练样本和测试样本；基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型；依据所述测试样本对所述网络训练模型进行测试，获取并判断测试结果是否在预设范围内；若否，返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型这一步骤；若是，将所述网络训练模型确定为BP神经网络计算模型，并将所述测试结果反归一化；基于所述BP神经网络计算模型，根据当前碳排放量影响参数进行计算，得到相应反归一化的碳排放量计算值。优选的，所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型，包括：构建碳排放神经元计算数学模型其中，ωpq为神经元p到神经元q的权重值，xp(t)表示t时刻神经元q接收的来自神经元p的输入信息，f(x)为所述预设神经元传递函数；基于BP神经网络，将所述训练样本中包含的各组归一化碳排放量影响参数作为所述BP神经网络的输入层向量X＝(x1,x2,…,xi,…,xn)T，其中，xi为一组归一化碳排放量影响参数n个中的第i个；基于所述碳排放神经元计算数学模型、所述训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X＝(x1,x2,…,xi,…,xn)T，获取所述BP神经网络的隐层向量Y＝(y1,y2,…,yj,…,ym)T，其中，yj为隐层m个神经元中的第j个神经元向量，vij为输入层第i个神经元到隐层第j个神经元的权重值；基于所述隐层向量Y＝(y1,y2,…,yj,…,ym)T和所述预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的所述BP神经网络的输出层输出的碳排放量预算值其中，ωjk为隐层第j个神经元到输出层第k个神经元权重值，k的取值为1；根据所述训练样本中包含的各组归一化碳排放量数据，获取所述各组归一化碳排放量影响参数对应的实际碳排放量值b，并计算所述各组归一化碳排放量影响参数相应的输出误差e，e＝1/2(b-a)2；取所述各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差，并判断所述参数误差是否在预设误差允许范围内；若是，将所述BP神经网络确定为网络训练模型；若否，根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X＝(x1,x2,…,xi,…,xn)T、所述隐层向量Y＝(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk，并对所述BP神经网络进行修正，将修正后的BP神经网络确定为网络训练模型。优选的，所述隐层层数的取值范围为大于0的整数，具体为1。优选的，所述根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X＝(x1，x2，…，xi，…，xn)T、所述隐层向量Y＝(y1，y2，…，yj，…，ym)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk，包括：根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X＝(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij，其中，为所述各组归一化碳排放量影响参数对应的输入层到隐层误差信号，η为预设学习率，η的取值为0到1之间的常数；根据所述各组归一化碳排放量影响参数对应的输出误差e、所述隐层向量Y＝(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk，其中，为所述各组归一化碳排放量影响参数对应的隐层到输出层误差信号。优选的，所述预设神经元传递函数f(x)为函数sigmoid，相应的，隐层权值修正量Δwjk＝-ηa(1-a)yj，输出层权值修正量Δvij＝-η(b-a)a(1-a)wijyj(1-yj)xi。一种碳排放量计算系统，包括：归一化模块，用于获取预设的多组碳排放量影响参数下各自生成的碳排放量数据，将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理，得到多组归一化数据；样本划分模块，用于将所述多组归一化数据划分为训练样本和测试样本；网络训练模型获取模块，用于基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型；获取判断模块，用于依据所述测试样本对所述网络训练模型进行测试，获取并判断测试结果是否在预设范围内；若否，向第一控制模块发送第一执行信号；若是，向第二控制模块发送第二执行信号；所述第一控制模块，用于接收所述第一执行信号，返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型这一步骤；所述第二控制模块，用于接收所述第二执行信号，将所述网络训练模型确定为BP神经网络计算模型，并将所述测试结果反归一化；计算模块，用于基于所述BP神经网络计算模型，根据当前碳排放量影响参数进行计算，得到相应反归一化的碳排放量计算值。优选的，所述网络训练模型获取模块包括：碳排放神经元计算数学模型构建单元，用于构建碳排放神经元计算数学模型其中，ωpq为神经元p到神经元q的权重值，xp(t)表示t时刻神经元q接收的来自神经元p的输入信息，f(x)为所述预设神经元传递函数；输入层获取单元，用于基于BP神经网络，将所述训练样本中包含的各组归一化碳排放量影响参数作为所述BP神经网络的输入层向量X＝(x1,x2,…,xi,…,xn)T，其中，xi为一组归一化碳排放量影响参数n个中的第i个；隐层获取单元，用于基于所述碳排放神经元计算数学模型、所述训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X＝(x1,本文档来自技高网...

【技术保护点】
一种碳排放量计算方法，其特征在于，应用于碳排放量计算系统，包括：获取预设的多组碳排放量影响参数下各自生成的碳排放量数据，将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理，得到多组归一化数据；将所述多组归一化数据划分为训练样本和测试样本；基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型；依据所述测试样本对所述网络训练模型进行测试，获取并判断测试结果是否在预设范围内；若否，返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型这一步骤；若是，将所述网络训练模型确定为BP神经网络计算模型，并将所述测试结果反归一化；基于所述BP神经网络计算模型，根据当前碳排放量影响参数进行计算，得到相应反归一化的碳排放量计算值。

【技术特征摘要】
1.一种碳排放量计算方法，其特征在于，应用于碳排放量计算系统，包括：获取预设的多组碳排放量影响参数下各自生成的碳排放量数据，将所述多组碳排放量影响参数和相应的碳排放量数据进行归一化处理，得到多组归一化数据；将所述多组归一化数据划分为训练样本和测试样本；基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型；依据所述测试样本对所述网络训练模型进行测试，获取并判断测试结果是否在预设范围内；若否，返回执行所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型这一步骤；若是，将所述网络训练模型确定为BP神经网络计算模型，并将所述测试结果反归一化；基于所述BP神经网络计算模型，根据当前碳排放量影响参数进行计算，得到相应反归一化的碳排放量计算值。2.根据权利要求1所述的方法，其特征在于，所述基于所述训练样本和预设神经元传递函数f(x)对BP神经网络进行训练，获取网络训练模型，包括：构建碳排放神经元计算数学模型其中，ωpq为神经元p到神经元q的权重值，xp(t)表示t时刻神经元q接收的来自神经元p的输入信息，f(x)为所述预设神经元传递函数；基于BP神经网络，将所述训练样本中包含的各组归一化碳排放量影响参数作为所述BP神经网络的输入层向量X＝(x1,x2,…,xi,…,xn)T，其中，xi为一组归一化碳排放量影响参数n个中的第i个；基于所述碳排放神经元计算数学模型、所述训练样本中包含的各组归一化碳排放量影响参数对应的输入层向量X＝(x1,x2,…,xi,…,xn)T，获取所述BP神经网络的隐层向量Y＝(y1,y2,…,yj,…,ym)T，其中，yj为隐层m个神经元中的第j个神经元向量，vij为输入层第i个神经元到隐层第j个神经元的权重值；基于所述隐层向量Y＝(y1,y2,…,yj,…,ym)T和所述预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的所述BP神经网络的输出层输出的碳排放量预算值其中，ωjk为隐层第j个神经元到输出层第k个神经元权重值，k的取值为1；根据所述训练样本中包含的各组归一化碳排放量数据，获取所述各组归一化碳排放量影响参数对应的实际碳排放量值b，并计算所述各组归一化碳排放量影响参数相应的输出误差e，e＝1/2(b-a)2；取所述各组归一化碳排放量影响参数对应的输出误差e的平方和作为参数误差，并判断所述参数误差是否在预设误差允许范围内；若是，将所述BP神经网络确定为网络训练模型；若否，根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X＝(x1,x2,…,xi,…,xn)T、所述隐层向量Y＝(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk，并对所述BP神经网络进行修正，将修正后的BP神经网络确定为网络训练模型。3.根据权利要求2所述的方法，其特征在于，所述隐层层数的取值范围为大于0的整数，具体为1。4.根据权利要求2所述的方法，其特征在于，所述根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X＝(x1,x2,…,xi,…,xn)T、所述隐层向量Y＝(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij和隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk，包括：根据所述各组归一化碳排放量影响参数对应的输出误差e、所述输入层向量X＝(x1,x2,…,xi,…,xn)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的输入层第i个神经元到隐层第j个神经元的权重值修正量Δvij，其中，为所述各组归一化碳排放量影响参数对应的输入层到隐层误差信号，η为预设学习率，η的取值为0到1之间的常数；根据所述各组归一化碳排放量影响参数对应的输出误差e、所述隐层向量Y＝(y1,y2,…,yj,…,ym)T和预设神经元传递函数f(x)，计算所述各组归一化碳排放量影响参数对应的隐层第j个神经元到输出层第k个神经元权重值修正量Δwjk，其中，为所述各组归一化碳排放量影响参数对应的隐层到输出层误差信号。5.根据权利要求2所述的方法，其特征在于，所述预设神经元传递函数f(x)为函数sigmoid，相应的，隐层权值修正量Δwjk＝-ηa(1-a)...

【专利技术属性】
技术研发人员：殷立宝，陈启召，刘彦丰，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：广东;44