本申请提供的一种碳排放预测输入端数据处理方法，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除CEEMD加入的随机噪声；重构并输出处理后的输入端数据。本申请通过分解去噪实现数据的去噪处理，提高了碳排放预测的精度。度。度。
【技术实现步骤摘要】
碳排放预测输入端数据处理方法、碳排放预测方法及装置
[0001]本申请涉及数据处理领域，尤其涉及一种碳排放预测输入端数据处理方法。本申请还涉及一种碳排放预测输入端数据处理装置，以及碳排放预测方法及装置。
技术介绍
[0002]随着碳排放与日俱增导致全球气候变暖从而对人们生活发展产生了直接而恒久的负面影响。因此，站在国家层面而言，科学地预测碳排放量走势并积极制定相关政策，进而实现绿色可持续性发展开始变得至关重要。
[0003]能源消耗碳排放影响因素研究是预测未来能源消耗碳排放量的一个重要基础。能源消耗碳排放影响因素研究主要是为了探讨能源消耗碳排放与其影响因素之间的关系，主要包括人口规模、产业结构、经济产出、能源结构、运输结构、技术进步等因素。
[0004]随着中国节能减排工作的积极开展以及低碳化的推广，许多学者对碳排放问题予以关注和研究，对碳排放影响因素的研究成果也逐渐增多。关于碳排放的影响因素，大量研究认为收入水平、人口、货物贸易出口和单位GDP与碳排放量具有强相关性。在碳排放预测领域，智能神经网络作为一种经典方法已经被广泛应用，如极限学习机、自回归模型、BP神经网络等。
[0005]上述方法优化了检测模型，提升了预测模型的准确性记忆神经网络的训练速度，达到了良好的预测效果，但以上方法往往忽视了对模型输入端数据的处理环节，因数据噪声过大造成预测误差过大的问题。
技术实现思路
[0006]本专利技术的目的在于克服现有技术中的缺陷，提供一种碳排放预测输入端数据处理方法。本申请还涉及一种碳排放预测输入端数据处理装置，以及碳排放预测方法及装置。
[0007]本申请提供的一种碳排放预测输入端数据处理方法，包括：
[0008]获取碳排放的原始数据，对各指标数据进行归一化处理；
[0009]将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除CEEMD加入的随机噪声；
[0010]重构并输出处理后的输入端数据。
[0011]可选的，所述进行多层信息分量的分解，包括：
[0012]将正负白噪声加入原始数据Y(t)，其中，Y(t)是原始信号；W
t
是辅助白噪声，t＝1,2,...,n；产生了2I个序列，D
I1
与D
I2
为加入白噪声后的数据；如下式所示；
[0013][0014]对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,M，其中，M是需要分解分量信号个数，第M个分量信号和第M个参与序列如下式所示：
[0015][0016][0017]进行均值计算，如下式所示：
[0018][0019]其中，X表示分量信号的值。
[0020]可选的，所述去噪处理的表达式如下：
[0021][0022]其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。
[0023]本申请还提供一种碳排放预测方法，包括：
[0024]基于上述碳排放预测输入端数据处理方法获取输入数据；
[0025]将所述输入数据输入到预训练的BP神经网络模型中，获得碳排放预测结果。
[0026]本申请还提供一种碳排放预测方法，包括：
[0027]基于上述碳排放预测输入端数据处理方法获取输入数据；
[0028]将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。
[0029]本申请还提供一种碳排放预测输入端数据处理装置，包括：
[0030]获取模块，用于获取碳排放的原始数据，对各指标数据进行归一化处理；
[0031]处理模块，用于将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除CEEMD加入的随机噪声；
[0032]输出模块，用于重构并输出处理后的输入端数据。
[0033]可选的，所述处理模块进行多层信息分量的分解，包括：
[0034]将正负白噪声加入原始数据Y(t)，其中，Y(t)是原始信号；W
t
是辅助白噪声，t＝1,2,...,n；产生了2I个序列，D
I1
与D
I2
为加入白噪声后的数据；如下式所示；
[0035][0036]对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,M，其中，M是需要分解分量信号个数，第M个分量信号和第M个参与序列如下式所示：
[0037][0038][0039]进行均值计算，如下式所示：
[0040][0041]其中，X表示分量信号的值。
[0042]可选的，所述处理模块去噪处理的表达式如下：
[0043][0044]其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。
[0045]本申请还提供一种碳排放预测装置，包括：
[0046]获取模块，用于上述碳排放预测输入端数据处理装置获取输入数据；
[0047]执行模块，用于将所述输入数据输入到预训练的BP神经网络模型中，获得碳排放预测结果。
[0048]本申请提供一种碳排放预测装置，包括：
[0049]获取模块，用于上述碳排放预测输入端数据处理装置获取输入数据；
[0050]执行模块，用于将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。
[0051]本申请的优点和有益效果：
[0052]本申请提供的一种碳排放预测输入端数据处理方法，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除CEEMD加入的随机噪声；重构并输出处理后的输入端数据。本申请通过分解去噪实现数据的去噪处理，提高了碳排放预测的精度。
附图说明
[0053]图1是本申请中碳排放预测输入端数据处理流程示意图。
[0054]图2是本申请中碳排放预测流程示意图。
[0055]图3是本申请中碳排放预测输入端数据处理装置示意图。
[0056]图4是本申请中碳排放预测装置示意图。
具体实施方式
[0057]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施。
[0058]以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的
示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
[0059]本申请提供的一种碳排放预测输入端数据处理方法，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种碳排放预测输入端数据处理方法，其特征在于，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除CEEMD加入的随机噪声；重构并输出处理后的输入端数据。2.根据权利要求1所述碳排放预测输入端数据处理方法，其特征在于，所述进行多层信息分量的分解，包括：将正负白噪声加入原始数据Y(t)，其中，Y(t)是原始信号；W
t
是辅助白噪声，t＝1,2,...,n；产生了2I个序列，D
I1
与D
I2
为加入白噪声后的数据；如下式所示；对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,M，其中，M是需要分解分量信号个数，第M个分量信号和第M个参与序列如下式所示：是需要分解分量信号个数，第M个分量信号和第M个参与序列如下式所示：进行均值计算，如下式所示：其中，X表示分量信号的值。3.根据权利要求1所述碳排放预测输入端数据处理方法，其特征在于，所述去噪处理的表达式如下：其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。4.一种碳排放预测方法，其特征在于，包括：基于权利要求1～3任一所述碳排放预测输入端数据处理方法获取输入数据；将所述输入数据输入到预训练的BP神经网络模型中，获得碳排放预测结果。5.一种碳排放预测方法，其特征在于，包括：基于权利要求1～3任一所述碳排放预测输入端数据处理方法获取输入数据；将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。6.一种碳排放预测输入端数据处理装置，其特征在于，包括：获取模块，用于获...
【专利技术属性】
技术研发人员：曹文斌，张晓明，孙志鑫，李宏涛，孙徐，刘英，孙宇航，任立阳，吕昕昕，柴琦，王玉龙，秦海宇，李佳星，王曈譞，张小龙，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。