基于灰色BP神经网络的电力碳排放峰值预测方法及系统技术方案

本发明专利技术提供一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统，该方法包括步骤：S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相应的原始数据序列，对原始数据序列进行处理后获得呈现指数增长趋势的累加序列；S102、将原始数据序列和累加序列作为输入值，构建基于灰色BP神经网络的碳排放峰值预测模型；S103、对碳排放峰值预测模型进行训练；S104、在灰色BP神经网络中引入递推算法，对碳排放峰值预测模型进行求解，获得碳排放峰值预测值，相较于传统预测方法，本发明专利技术预测的碳排放峰值结果更加准确。本发明专利技术预测的碳排放峰值结果更加准确。本发明专利技术预测的碳排放峰值结果更加准确。

【技术实现步骤摘要】
基于灰色BP神经网络的电力碳排放峰值预测方法及系统


[0001]本专利技术涉及碳排放计算
，尤其涉及一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统。

技术介绍

[0002]目前，我国的经济发展过程中面临着许多环境问题，最为紧要的问题是发电公司的二氧化碳排放问题。因此，如何正确地预测碳排放峰值，为其制定碳减排途径，并在短时间内控制碳排放峰值，是一个迫切需要解决的问题。目前，学者们从不同的角度和理论依据出发，运用了不同的模式来研究碳排放峰值预测方法。关敏捷等人在《基于STIRPAT模型的山西省能源碳排放影响因素及峰值预测》中提出了基于STIRPAT模型的峰值预测方法(以下简称为方法A)，在能源结构优化模式下构建了STIRPAT模型。模型结合VSTE算法计算电力碳排放平均值，进而预测碳排放峰值。然而，该方法过分依赖人工操作，使得构建的模型在求解过程中受到不同因素影响，出现了较大预测偏差。王思琪等人在《基于双回归预测模型的公共建筑运行阶段碳排放现状研究》中构建了电力碳排放双回归预测模型(以下简称为方法B)，根据电力耗能情况，将各种不同电力设备运行方式进行了参数化处理，并将其输入到预测模型中，实现电力碳排放峰值精准预测。该方法虽然能够快速取得预测结果，但在实际操作过程中无法很好控制碳排放总量，因此推算结果还是存在一定误差。

技术实现思路

[0003]鉴于此，本专利技术的目的在于提供一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统，以更准确地预测电力碳排放量。
[0004]为实现上述专利技术目的，本专利技术第一方面提供一种基于灰色BP神经网络的电力碳排放峰值预测方法，所述方法包括以下步骤：
[0005]S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相应的原始数据序列，对原始数据序列进行处理后获得呈现指数增长趋势的累加序列；
[0006]S102、将原始数据序列和累加序列作为输入值，构建基于灰色BP神经网络的碳排放峰值预测模型；
[0007]S103、对碳排放峰值预测模型进行训练；
[0008]S104、在灰色BP神经网络中引入递推算法，对碳排放峰值预测模型进行求解，获得碳排放峰值预测值。
[0009]进一步的，步骤S103中，对碳排放峰值预测模型进行训练，具体包括以下步骤：
[0010]S201、通过灰色BP神经网络的各个节点进行初始化，随机分配各个节点权重和门限；
[0011]S202、在给定的输入和输出模式下，分别对输入层和输出层连接权重和阈值进行计算；
[0012]S203、选择下一种输入模式，反复迭代，直至网络输出结果符合预设条件为止完成
训练。
[0013]进一步的，所述步骤S104具体包括以下步骤：
[0014]S301、随机获取各路径碳排放量，通过引入微分方程参数，对其进行加权处理，得到新的灰色BP神经网络模型；
[0015]S302、剔除输入数据之间的非线性关系，将其引入到新的灰色BP神经网络模型中，通过Lasso回归分析方法，分析各因素对碳排放峰值预测的影响；
[0016]S303、利用有限递推方法，求出网络中全部节点的碳势；
[0017]S304、在偏差允许的条件下，使用递推算法计算电力碳排放量，对碳排放峰值预测模型求解，获得电力碳排放量峰值预测结果。
[0018]进一步的，步骤S301中，随机选取的碳排放路径为：
[0019][0020]其中，L
i
表示电力第i中碳排放路径，λ表示碳排放系数，L
′
()表示碳排放路径抽取函数。
[0021]进一步的，所述步骤S302具体包括：
[0022]设a为自变量，b为隐变量，经过m次取样后得到的预测样本标准值为(a,b)，自变量a的第k个预测值为：
[0023]x
k
＝(x
k1
,x
k2
,
…
,x
km
)
T
[0024]其中，T表示预测周期，因变量对自变量的回归模型表示为：
[0025]b
i
＝∑a
i
+ε
i
[0026]其中，ε
i
表示随机自然数，为了筛选出影响显著变量，为上式添加约束条件，约束条件表达式为：
[0027][0028]其中，t表示调和参数，φ表示最佳调整阈值，Lasso回归分析方法通过不断调整调和参数值，降低回归系数，压缩变量系数直到为0，以此获取显著变量，即碳排放量峰值。
[0029]进一步的，步骤S303中，依次求取网络初始节点到发电机节点的碳势，在每次递推时，根据电网碳排放邻接性，在确定某一节点的碳势后，可求取全部节点碳势，具体计算公式如下：
[0030][0031]其中，P
i
表示节点注入的有功功率，G
j
表示电力机组支路有功功率，Ω
i
、Ω
j
分别表示第i、j两个电力碳排放节点注入的集合。
[0032]本专利技术第二方面提供一种基于灰色BP神经网络的电力碳排放峰值预测系统，所述系统用于执行前述第一方面所提供的方法。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]本专利技术提供的一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统，通过分析原始数据序列和累加序列，利用灰色BP神经网络构建碳排放峰值预测模型，分析电力碳排放影响因素，使用递推算法计算电力碳排放量，筛选出显著变量，通过有限次递推计算节点碳势，在误差允许范围内进行迭代训练，实现模型求解，得到电力碳排放峰值预测结果，相较于传统预测方法，本专利技术预测结果更加准确。
附图说明
[0035]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的优选实施例，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。
[0036]图1是本专利技术实施例提供的一种基于灰色BP神经网络的电力碳排放峰值预测方法整体流程示意图。
[0037]图2是本专利技术实施例提供的碳排放峰值预测模型结构示意图。
[0038]图3是使用方法A预测碳排放峰值结果示意图。
[0039]图4是使用方法B预测碳排放峰值结果示意图。
[0040]图5是使用本专利技术实施例提供的方法预测碳排放峰值结果示意图。
具体实施方式
[0041]以下结合附图对本专利技术的原理和特征进行描述，所列举实施例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0042]参照图1和图2，本实施例提供一种基于灰色BP神经网络的电力碳排放峰值预测方法，所述方法包括以下步骤：
[0043]S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，所述方法包括：S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相应的原始数据序列，对原始数据序列进行处理后获得呈现指数增长趋势的累加序列；S102、将原始数据序列和累加序列作为输入值，构建基于灰色BP神经网络的碳排放峰值预测模型；S103、对碳排放峰值预测模型进行训练；S104、在灰色BP神经网络中引入递推算法，对碳排放峰值预测模型进行求解，获得碳排放峰值预测值。2.根据权利要求1所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，步骤S103中，对碳排放峰值预测模型进行训练，具体包括以下步骤：S201、通过灰色BP神经网络的各个节点进行初始化，随机分配各个节点权重和门限；S202、在给定的输入和输出模式下，分别对输入层和输出层连接权重和阈值进行计算；S203、选择下一种输入模式，反复迭代，直至网络输出结果符合预设条件为止完成训练。3.根据权利要求1所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，所述步骤S104具体包括以下步骤：S301、随机获取各路径碳排放量，通过引入微分方程参数，对其进行加权处理，得到新的灰色BP神经网络模型；S302、剔除输入数据之间的非线性关系，将其引入到新的灰色BP神经网络模型中，通过Lasso回归分析方法，分析各因素对碳排放峰值预测的影响；S303、利用有限递推方法，求出网络中全部节点的碳势；S304、在偏差允许的条件下，使用递推算法计算电力碳排放量，对碳排放峰值预测模型求解，获得电力碳排放量峰值预测结果。4.根据权利要求3所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，步骤S301中，随机选取的碳排放路径为：其中，L
i
表示电力第i中碳排放路径...

【专利技术属性】
技术研发人员：陈泽维，林才佳，方兵，王善立，张佳艺，冯开健，
申请(专利权)人：海南电网有限责任公司，
类型：发明
国别省市：