【技术实现步骤摘要】
本专利技术属于电气自动化领域，具体涉及一种用于电力行业的碳排放预测方法及系统。
技术介绍
1、随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。
2、目前，世界范围内，电能的来源主要还是火力发电。火力发电的主要原料是煤炭等化石能源。因此，伴随着大量的火力发电系统，化石能源也被大量使用，进而使得碳排放量逐年增高，环境问题也开始逐步显现。因此，对于电力行业的碳排放量进行预测，能够辅助电力行业进行未来的发展规划，同时也有助于电力行业制定相应的应对策略来控制碳排放的增长。
3、目前，传统的用于电力行业的碳排放量预测方案，主要采用的是基于支持向量机的方案。这类方案能够根据有限的电力行业样本数据，较好的对电力行业的碳排放量进行预测。但是，这类基于支持向量机的方案，极易出现陷入局部最优解的情况，从而导致预测精确度和可靠性的下降。
技术实现思路
1、本专利技术的目的之一在于提供一种可靠性高、精确性好且客观科学的用于电力行业的碳排放预测方法。
2、本专利技术的目的之二在于提供一种实现所述用于电力行业的碳排放预测方法的系统。
3、本专利技术提供的这种用于电力行业的碳排放预测方法，包括如下步骤：
4、s1.获取目标区域电力行业的历史碳排放量数据信息；
5、s2.对步骤s1获取的数据信息进行预处理，得到训练数据集；
6、s3.基于支持向量机回归模型
7、s4.采用遗传算法对构建的碳排放预测基础模型进行修正，并采用步骤s2得到的训练数据集对修正后的碳排放预测基础模型进行训练，得到碳排放预测模型；
8、s5.采用步骤s5得到的碳排放预测模型，针对目标区域的电力行业，进行碳排放的预测。
9、步骤s1所述的获取目标区域电力行业的历史碳排放量数据信息，具体包括如下步骤：
10、确定目标区域电力行业的碳排放源为燃烧的化石能源和购入使用的电能；
11、获取目标区域电力行业各个历史年份的燃煤量和对应的碳排放数据，购电量和对应的碳排放数据，以及售电量。
12、步骤s2所述的对步骤s1获取的数据信息进行预处理，得到训练数据集，具体包括如下步骤：
13、对步骤s1获取的数据信息，进行数据清洗和归一化处理，从而得到训练数据集。
14、步骤s3所述的基于支持向量机回归模型，构建碳排放预测基础模型，具体包括如下步骤：
15、根据各个碳排放源和碳排放数据的关系，分别选定支持向量机回归模型，并选取对应的核函数及参数；
16、选定支持向量机回归模型的核函数为高斯径向基核函数，并采用σ行径向作用限制；高斯径向基核函数表示为：
17、
18、式中k(xi,xj)为高斯径向基核函数；σ为径向范围限制参数；xi为第i个样本点；xj为第j个样本点；|| ||为取两样本之间的距离；
19、设定核函数参数g为
20、引入拉格朗日函数，得到支持向量机回归模型的目标函数为：
21、
22、式中φ(δ,δ*)为支持向量机目标函数；l为样本数；δi为第i个样本点的松弛变量；δi*为第i个样本点的对称松弛变量；δj为第j个样本点的松弛变量；δj*为第j个样本点的对称松弛变量；ε为范围系数；yi为样本点二维纵坐标。
23、步骤s4所述的采用遗传算法对构建的碳排放预测基础模型进行修正，并采用步骤s2得到的训练数据集对修正后的碳排放预测基础模型进行训练，得到碳排放预测模型，具体包括如下步骤：
24、采用遗传算法对构建的碳排放预测基础模型进行修正：
25、对遗传算法进行种群初始化，核函数参数g和惩罚参数c作为目标函数，并进行染色体编码；
26、计算适应度函数值，用于判断种群个体的优劣：将模型的预测准确率作为适应度函数值，得到适应度函数f为n为个体个数，yi为模型的预测值，yi为实际值，abs()为绝对值函数；
27、采用轮盘赌方式进行选择，均匀变异法进行变异，线性组合方式进行交叉，通过对种群进行选择、交叉、变异的操作进行反复迭代；
28、进行判定：若迭代次数满足设定要求，则选出最有个体，得到对应的最优的核函数参数g和惩罚参数c；若迭代次数不满足设定要求，则继续进行下一轮迭代；
29、最终，得到的修正后的碳排放预测基础模型表示为：
30、
31、式中f(x)为碳排放基础模型；b为修正常数；
32、最后，采用步骤s2得到的训练数据集对修正后的碳排放预测基础模型进行训练，得到碳排放预测模型。
33、步骤s5所述的采用步骤s5得到的碳排放预测模型，针对目标区域的电力行业，进行碳排放的预测，具体包括如下步骤：
34、根据步骤s1获取的数据信息，确定各个数据信息的增长率；
35、按照增长率确定目标区域电力行业在预测年份的预测数据信息；
36、将预测数据信息输入到步骤s5得到的碳排放预测模型，完成针对目标区域的电力行业的碳排放预测。
37、本专利技术还提供了一种实现所述用于电力行业的碳排放预测方法的系统，包括数据获取模块、数据处理模块、模型构建模块、模型训练模块和碳排放预测模块；数据获取模块、数据处理模块、模型构建模块、模型训练模块和碳排放预测模块依次串接；数据获取模块用于获取目标区域电力行业的历史碳排放量数据信息，并将数据上传数据处理模块；数据处理模块用于根据接收到的数据，对数据信息进行预处理，得到训练数据集，并将数据上传模型构建模块；模型构建模块用于根据接收到的数据，基于支持向量机回归模型，构建碳排放预测基础模型，并将数据上传模型训练模块；模型训练模块用于根据接收到的数据，采用遗传算法对构建的碳排放预测基础模型进行修正，并采用训练数据集对修正后的碳排放预测基础模型进行训练，得到碳排放预测模型，并将数据上传碳排放预测模块；碳排放预测模块用于根据接收到的数据，采用碳排放预测模型，针对目标区域的电力行业，进行碳排放的预测。
38、本专利技术提供的这种用于电力行业的碳排放预测方法及系统，通过采用遗传算法对支持向量机回归模型进行修正，能够避免出现陷入局部最优解的情况，因此本专利技术的可靠性更高，精确性更好，而且更加客观科学。
本文档来自技高网...【技术保护点】
1.一种用于电力行业的碳排放预测方法，包括如下步骤：
2.根据权利要求1所述的用于电力行业的碳排放预测方法，其特征在于步骤S1所述的获取目标区域电力行业的历史碳排放量数据信息，具体包括如下步骤：
3.根据权利要求1所述的用于电力行业的碳排放预测方法，其特征在于步骤S2所述的对步骤S1获取的数据信息进行预处理，得到训练数据集，具体包括如下步骤：
4.根据权利要求3所述的用于电力行业的碳排放预测方法，其特征在于步骤S3所述的基于支持向量机回归模型，构建碳排放预测基础模型，具体包括如下步骤：
5.根据权利要求4所述的用于电力行业的碳排放预测方法，其特征在于步骤S4所述的采用遗传算法对构建的碳排放预测基础模型进行修正，并采用步骤S2得到的训练数据集对修正后的碳排放预测基础模型进行训练，得到碳排放预测模型，具体包括如下步骤：
6.根据权利要求5所述的用于电力行业的碳排放预测方法，其特征在于步骤S5所述的采用步骤S5得到的碳排放预测模型，针对目标区域的电力行业，进行碳排放的预测，具体包括如下步骤：
7.一种实现权利要求1
...【技术特征摘要】
1.一种用于电力行业的碳排放预测方法，包括如下步骤：
2.根据权利要求1所述的用于电力行业的碳排放预测方法，其特征在于步骤s1所述的获取目标区域电力行业的历史碳排放量数据信息，具体包括如下步骤：
3.根据权利要求1所述的用于电力行业的碳排放预测方法，其特征在于步骤s2所述的对步骤s1获取的数据信息进行预处理，得到训练数据集，具体包括如下步骤：
4.根据权利要求3所述的用于电力行业的碳排放预测方法，其特征在于步骤s3所述的基于支持向量机回归模型，构建碳排放预测基础模型，具体包括如下步骤：
5.根据权利要求4所述的用于电力行业的碳排放预测方法，其特征在于步骤s4所述的采用遗传算法对构建的碳排放预测基础模型进行修正，并采用步骤s2得到的训练数据集对修正后的碳排放预测基础模型进行训练，得到碳排放预测模型，具体包括如下步骤：
6.根据权利要求5所述的用于电力行业的碳排放预测方法，其特征在于步骤s5所述的采用步骤s5得到的碳排放预测...
【专利技术属性】
技术研发人员：文博，文明，于宗超，黄鸿奕，张欣杨，李家熙，梁海维，冯秋辉，张鹏，周卓敏，刘政，
申请(专利权)人：国网湖南省电力有限公司，
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。