一种基于深度学习的碳排放预测方法技术

本发明专利技术公开了一种基于深度学习的碳排放预测方法，包括以下步骤：采集与二氧化碳有关的数据；对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；从采集到的数据中分析预测变量；将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；构建LSTM碳排放预测模型；通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。本发明专利技术一方面提出灰色关联分析来选择城市历史碳排放复杂的多维特征和短期近邻性特征，另一方面使用了神经网络来进行预测，不仅预测时间跨度较长，而且预测精度较高。较高。较高。

【技术实现步骤摘要】
一种基于深度学习的碳排放预测方法


[0001]本专利技术涉及碳排放预测的
，尤其涉及到一种基于深度学习的碳排放预测方法。

技术介绍

[0002]自工业革命以来，大气CO2增加到400ppm以上。自19世纪末以来，全球平均地表温度上升了0.4
‑
0.8℃。随着全球气温逐渐上升，二氧化碳排放预测已成为热点问题。准确预测所在城市的二氧化碳排放不仅可以为城市的政策制定者提供依据，特别是在人工智能广泛运用的今天，还可以帮助政府和企业改善碳排放的管理。但现有的碳排放预测方法集中在单步预测上，只能预测下一时间段的碳排放量，预测时间跨度较短，而且预测精度不高。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种预测时间跨度较长、预测精度较高的基于深度学习的碳排放预测方法。
[0004]为实现上述目的，本专利技术所提供的技术方案为：
[0005]一种基于深度学习的碳排放预测方法，包括以下步骤：
[0006]采集与二氧化碳有关的数据；
[0007]对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；
[0008]从采集到的数据中分析预测变量；
[0009]将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；
[0010]构建LSTM碳排放预测模型；
[0011]通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；
[0012]将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。
[0013]进一步地，采集与二氧化碳有关的数据包括：所在城市的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据。
[0014]进一步地，城市历年的碳排放数据通过碳排放系数法计算求得，碳排放量计算公式如下：
[0015][0016]式中：E
dir
指产生的直接碳排放量；i指能源的类型；f
i
指居民直接生活第i类能源的消耗量；e
i
指居民直接生活第i类能源的平均低位发热量；c
i
指居民直接生活第i类能源的单位热值含碳量；o
i
指居民直接生活第i类能源的碳氧化率；44/12为碳转换为二氧化碳的系数。
[0017]进一步地，对采集到的数据进行预处理包括：导入原始碳排放时间序列数据，将训
练集与测试集进行划分；归一化处理原始数据，利用四分位异常检测算法，对原始数据进行检测；构造城市逐年的历史碳排放数据。
[0018]进一步地，采用灰色关联分析方法，从采集到的数据中分析预测变量，具体包括：
[0019]A1、数据标准化；
[0020]采用最大最小值标准化方法：
[0021][0022]其中，x'
ij
表示第i行第j列的原数值，min(x'
j
)表示第j列数据中的最小值，max(x'
j
)表示第j列数据中的最大值，r
ij
表示标准化数值；
[0023]A2、计算灰色关联度：
[0024][0025]其中，分别为极差最小值和极差最大值，ρ为分辨率。
[0026]进一步地，卷积神经网络包括卷积层与池化层；
[0027]卷积层的特征图C表示如下：
[0028][0029]其中，X为输入的数据，为卷积操作，W为卷积核的权重向量，b表示偏移量，f()为激活函数；
[0030]池化层对卷积层的输出施行下采样操作,保留强特征,去除弱特征,同时减少参数数量。
[0031]进一步地，LSTM碳排放预测模型包括输入门、遗忘门、输出门和记忆单元；
[0032]其中，
[0033]输入门
[0034]遗忘门
[0035]输出门
[0036]当前隐藏状态的输出
[0037]单元状态值
[0038]输入门相关状态值
[0039]同一时刻t的输入门i
(t)
、遗忘门f
(t)
和输出门o
(t)
形式一致，有共同的输入，权重矩阵参数不同；σ代表Sigmoid函数，将原始数据映射至[0，1]；而公式中c
(t)
为卷积神经网络的
结构，将当前时刻的c
(t)
与输入门i
(t)
进行元素相乘，前一时刻的c
(t
‑
1)
与遗忘门f
(t)
进行元素相乘，再将两者叠加起来，得到当前时刻的单元状态值c
(t)
；通过输入门和遗忘门控制新状态值的“通过”和前一状态值的“遗忘”；最后再通过输出门o
(t)
来控制当前状态值的输出。
[0040]与现有技术相比，本方案原理及优点如下：
[0041]本方案通过一种基于灰色关联分析
‑
卷积神经网络
‑
长短期神经网络的方法来进行碳排放多步预测。一方面提出灰色关联分析来选择城市历史碳排放复杂的多维特征和短期近邻性特征，另一方面使用了神经网络来进行预测，不仅预测时间跨度较长，而且预测精度较高。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为本专利技术一种基于深度学习的碳排放预测方法的原理流程图；
[0044]图2为广州市碳排放灰色关联分析示意图；
[0045]图3为广州市实际的碳排放总量及各模型预测的碳排放总量融合后的示意图(按时间序列排列)；
[0046]图4为不同模型下的MAE误差指标图；
[0047]图5为不同模型下的MAPE误差指标图；
[0048]图6为不同模型下的RMSE误差指标图。
具体实施方式
[0049]下面结合具体实施例对本专利技术作进一步说明：
[0050]本实施例通过一种基于深度学习的碳排放预测方法，对广州市的碳排放总量进行预测，具体包括如下步骤：
[0051]S1、采集与二氧化碳有关的数据，数据包括广州市1997
‑
2019年的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据；
[0052]其中，经济和能源数据来自中国能源统计年鉴、中国统计年鉴、广东统计年鉴和广州统计年鉴；气象监测站监测得到的历史数据来自国家气象信息中心；城市历年的碳排放数据通过碳排放系数法计算求得，涉及到的化石能源能源有17种，包括原煤、洗精煤、其他洗煤、型煤、焦炭、焦炉煤气、其他煤气、原油、汽油、煤油、柴油、液化石油气、燃料油、天然气、炼厂干气、其他石油制品、其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的碳排放预测方法，其特征在于，包括以下步骤：采集与二氧化碳有关的数据；对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；从采集到的数据中分析预测变量；将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；构建LSTM碳排放预测模型；通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。2.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，采集与二氧化碳有关的数据包括：所在城市的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据。3.根据权利要求2所述的一种基于深度学习的碳排放预测方法，其特征在于，城市历年的碳排放数据通过碳排放系数法计算求得，碳排放量计算公式如下：式中：E
dir
指产生的直接碳排放量；i指能源的类型；f
i
指居民直接生活第i类能源的消耗量；e
i
指居民直接生活第i类能源的平均低位发热量；c
i
指居民直接生活第i类能源的单位热值含碳量；o
i
指居民直接生活第i类能源的碳氧化率；44/12为碳转换为二氧化碳的系数。4.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，对采集到的数据进行预处理包括：导入原始碳排放时间序列数据，将训练集与测试集进行划分；归一化处理原始数据，利用四分位异常检测算法，对原始数据进行检测；构造城市逐年的历史碳排放数据。5.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，采用灰色关联分析方法，从采集到的数据中分析预测变量，具体包括：A1、数据标准化；采用最大最小值标准化方法：其中，x
′
ij
...

【专利技术属性】
技术研发人员：李志生，金宇凯，杨志超，李泽宇，王晓霞，林明浩，赵嘉，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：