基于ISSA-LSTM的企业碳排放预测方法及系统技术方案

本发明专利技术公开了基于ISSA

【技术实现步骤摘要】
基于ISSA
‑
LSTM的企业碳排放预测方法及系统


[0001]本专利技术涉及适用于预测目的的数据处理系统或方法领域，更具体涉及基于ISSA
‑
LSTM的企业碳排放预测方法及系统。

技术介绍

[0002]碳排放的持续增加将会造成全球气候变暖，海平面上升，同时会造成气候反常，土地干旱，沙漠化面积增大，病虫害增加等问题。如果任由温室气体排放将给人类造成不可挽回的损失。因此减少室温气体排放成为一件重要的大事。碳排放包括化石燃料燃烧、汽车尾气、工业生产、动物和人的生活排放、植物排放等。减少工业生产中的碳排放是促进低碳环保的一项重要措施，工业生产中需要了解该企业的碳排放指标，并且判断是否超标，如果超标将进行整改，而对控排企业的碳排放预测能够有效判断其碳排放是否超标，从而及时采取有效措施。
[0003]由于生产计划改变、环保政策调整、生产设备损耗等方面的原因，控排企业碳排放表现出非线性特征，难以利用一般线性数据预测方法对碳排放进行预测。碳排放数据为时间序列，考虑到LSTM网络适合处理序列数据，建立基于LSTM的碳排放预测模型具有可行性。例如中国专利公开号CN114936681A，公开了一种基于深度学习的碳排放预测方法，其构建并训练过的LSTM预测模型，利用该模型进行碳排放预测。然而其在训练过程中单一的选取学习率作为LSTM模型的关键参数，模型容易陷入局部最优，从而导致最终预测结果不准确。

技术实现思路

[0004]本专利技术所要解决的技术问题在于现有技术控排企业碳排放预测方法中LSTM模型容易陷入局部最优，从而导致最终预测结果不准确的问题。
[0005]本专利技术通过以下技术手段实现解决上述技术问题的：基于ISSA
‑
LSTM的企业碳排放预测方法，包括以下步骤：
[0006]S1、对历史碳排放数据进行预处理；
[0007]S2、构建碳排放LSTM模型；
[0008]S3、将碳排放LSTM模型的多个关键参数作为改进的麻雀搜索算法中麻雀的多维位置，对所述多个关键参数进行寻优，得到最优关键参数；
[0009]S4、利用最优关键参数构建碳排放LSTM模型，作为最优的碳排放LSTM模型；
[0010]S5、将预处理后的历史碳排放数据输入最优的碳排放LSTM模型，进行碳排放预测。
[0011]进一步地，所述S1包括：
[0012]S1.1、采集历史多个采样时刻的碳排放数据作为数据集，并划分为训练集和测试集；
[0013]S1.2、利用公式对数据集的数据进行归一化处理；
[0014]其中，为归一化处理前的数据，x为归一化处理后的数据，为数据集中的最
小数据，为数据集中的最大数据。
[0015]进一步地，所述S2包括：
[0016]构建碳排放LSTM模型，所述碳排放LSTM模型的公式表达形式如下
[0017]f
t
＝σ(W
fx
x
t
+W
fh
h
t
‑1+b
f
)
[0018]i
t
＝σ(W
ix
x
t
+W
ih
h
t
‑1+b
i
)
[0019]o
t
＝σ(W
ox
x
t
+W
oh
h
t
‑1+b
o
)
[0020][0021][0022]h
t
＝o
t
*tanh(c
t
)
[0023]其中，t是当前时刻，t
‑
1是当前时刻的上一时刻，f
t
是遗忘门，i
t
是输入门，o
t
是输出门，c
t
是当前单元状态，是当前的输入状态，x
t
是当前输入的碳排放数据，h
t
是当前输出的碳排放数据；W
fx
、W
fh
、W
ix
、W
ih
、W
ox
、W
oh
、W
cx
、W
ch
均是权重矩阵，b
f
、b
i
、b
o
、b
c
均是偏置向量；σ(
·
)、tanh(
·
)均是激活函数，两个激活函数的具体计算公式为
[0024][0025][0026]其中，x
a
是输入激活函数σ(
·
)中的数据，x
b
是输入激活函数tanh(
·
)中的数据，e
(
·
)
是以自然常数e为底的指数函数。
[0027]进一步地，所述S3包括：
[0028]S3.1、初始化麻雀种群参数；
[0029]S3.2、利用sin混沌映射初始化麻雀种群初始位置；
[0030]S3.3、计算麻雀种群中各麻雀的适应度值，将适应度值从小到大的顺序排序，并取适应度值前20％的麻雀作为发现者，适应度值后80％的麻雀作为加入者；
[0031]S3.4、更新发现者位置；
[0032]S3.5、更新加入者位置；
[0033]S3.6、随机选取种群中20只麻雀作为警戒者，更新警戒者位置；
[0034]S3.7、判断是否达到最大搜索次数，若达到，则结束搜索过程，将最小的适应度值对应的麻雀的位置作为碳排放LSTM模型的最优关键参数；否则，返回S3.3，继续搜索过程。
[0035]更进一步地，所述S3.2包括：
[0036]根据sin混沌映射，利用公式
[0037][0038]初始化麻雀种群初始位置；
[0039]其中，X
i+1
为第i+1只麻雀的位置；X
i
为第i只麻雀的位置且X
i
＝[x
i，1
，x
i，2
，x
i，3
]，隐含层神经元个数L、学习率ε以及迭代轮数k映射为麻雀的三维位置；H为元素全为1的第一行
向量，sin(
·
)为正弦函数。
[0040]更进一步地，所述S3.4包括：
[0041]利用公式更新发现者位置；
[0042]其中，t为迭代轮数；为第t+1轮迭代时第i只发现者的位置，为第t轮迭代时第i只发现者的位置；P1为随机数，其值服从于均值为0，标准差为1的高斯分布；R2为预警值随机数；ST为安全值；Q1为服从正态分布的随机数；L为元素全为1的第二行向量。
[0043]更进一步地，所述S3.5包括：
[0044]利用公式更新本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ISSA
‑
LSTM的企业碳排放预测方法，其特征在于，包括以下步骤：S1、对历史碳排放数据进行预处理；S2、构建碳排放LSTM模型；S3、将碳排放LSTM模型的多个关键参数作为改进的麻雀搜索算法中麻雀的多维位置，对所述多个关键参数进行寻优，得到最优关键参数；S4、利用最优关键参数构建碳排放LSTM模型，作为最优的碳排放LSTM模型；S5、将预处理后的历史碳排放数据输入最优的碳排放LSTM模型，进行碳排放预测。2.根据权利要求1所述的基于ISSA
‑
LSTM的企业碳排放预测方法，其特征在于，所述S1包括：S1.1、采集历史多个采样时刻的碳排放数据作为数据集，并划分为训练集和测试集；S1.2、利用公式对数据集的数据进行归一化处理；其中，为归一化处理前的数据，x为归一化处理后的数据，为数据集中的最小数据，为数据集中的最大数据。3.根据权利要求1所述的基于ISSA
‑
LSTM的企业碳排放预测方法，其特征在于，所述S2包括：构建碳排放LSTM模型，所述碳排放LSTM模型的公式表达形式如下f
t
＝σ(W
fx
x
t
+W
fh
h
t
‑1+b
f
)i
t
＝σ(W
ix
x
t
+W
ih
h
t
‑1+b
i
)o
t
＝σ(W
ox
x
t
+W
oh
h
t
‑1+b
o
))h
t
＝o
t
*tanh(c
t
)其中，t是当前时刻，t
‑
1是当前时刻的上一时刻，f
t
是遗忘门，i
t
是输入门，o
t
是输出门，c
t
是当前单元状态，是当前的输入状态，x
t
是当前输入的碳排放数据，h
t
是当前输出的碳排放数据；W
fx
、W
fh
、W
ix
、W
ih
、W
ox
、W
oh
、W
cx
、W
ch
均是权重矩阵，b
f
、b
i
、b
o
、b
c
均是偏置向量；σ(
·
)、tanh(
·
)均是激活函数，两个激活函数的具体计算公式为)均是激活函数，两个激活函数的具体计算公式为其中，x
a
是输入激活函数σ(
·
)中的数据，x
b
是输入激活函数tanh(
·
)中的数据，e
(
·
)
是以自然常数e为底的指数函数。4.根据权利要求1所述的基于ISSA
‑
LSTM的企业碳排放预测方法，其特征在于，所述S3包括：S3.1、初始化麻雀种群参数；S3.2、利用sin混沌映射初始化麻雀种群初始位置；
S3.3、计算麻雀种群中各麻雀的适应度值，将适应度值从小到大的顺序排序，并取适应度值前20％的麻雀作为发现者，适应度值后80％的麻雀作为加入者；S3.4、更新发现者位置；S3.5、更新加入者位置；S3.6、随机选取种群中20只麻雀作为警戒者，更新警戒者位置；S3.7、判断是否达到最大搜索次数，若达到，则结束搜索过程，将最小的适应度值对应的麻雀的位置作为碳排放LSTM模型的最优关键参数；否则，返回S3.3，继续搜索过程。5.根据权利要求4所述的基于ISSA
‑
LSTM的企业碳排放预测方法，其特征在于，所述S3.2包括：根据sin混沌映射，利用公式初始化麻雀种群初始位置；其中，X
i+1
为第i+1只麻雀的位置；X
i
为第i只麻雀的位置且X
i
＝[x
i,1
,x
i,2
,x
i,3
]，隐含层神经元个数L、学习...

【专利技术属性】
技术研发人员：孙伟，林肖，李帷韬，李奇越，陈艺，杨瑞雪，包佳佳，丁洁，秦琪，赵龙，汪玉，李宾宾，陈庆涛，黄杰，刘鑫，杨孝忠，金义，尹睿涵，马路遥，陈清兵，范明豪，马亚彬，翟玥，苏文，吕鹏飞，刘耕云，宁杨，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：