【技术实现步骤摘要】
本专利技术涉及量化模型领域，尤其涉及一种基于量化模型的低碳园区碳减排量估算方法。
技术介绍
1、碳减排量估算技术在量化模型领域的应用越来越广泛，可以帮助低碳园区的碳减排量估算的管理者及时、高效地获取低碳园区的碳减排量估算结果，实现低碳园区的碳减排量估算的智能获取。目前，碳减排量估算具有用户信息量庞大、数据种类多样、信息密度大等特点，碳减排量估算方法存在较多的不确定因素，导致低碳园区的碳减排量估算方法存在较大的不确定性。虽然已经专利技术了一些一种基于量化模型的低碳园区碳减排量估算方法，但是仍不能有效解决低碳园区的碳减排量估算方法的不确定问题。
技术实现思路
1、本专利技术的目的是要提供一种基于量化模型的低碳园区碳减排量估算方法。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括以下步骤：
4、获取低碳园区的碳数据，对所述碳数据进行预处理，对所述碳数据进行特征提取获得碳减排特征，对所述碳减排特征进行异常筛选获得差异特征；
5、对所述碳减排特征进行异常筛选获得差异特征的方法，包括：
6、计算碳减排特征的差异系数：
7、
8、其中碳减排特征e的差异系数为碳减排特征e的相关系数为变化系数为σ，碳数据i特征e的数量为碳数据i特征为e的数量表示为g，第i个碳数据特征e的变化熵为第i+1个碳数据特征e的变化熵为特征e的调整系数为μe，将差异系数范围在0.3到1之前的碳减排特征输出为差异特
9、根据所述差异特征对所述碳数据进行分类获得差异分类数据，对所述差异分类数据进行异常识别获得估算数据；包括：
10、构建核函数，核函数的表达式为：
11、
12、其中差异分类数据v的向量为映射到特征空间的特征函数为χ(·)，差异分类数据d的向量为根据超平面到特征空间原点距离的最大值问题转化为最小值问题，转化为最小值问题的表达式为：
13、
14、
15、∑uγu＝1
16、其中第u个拉格朗日乘子为γu，第d个拉格朗日乘子为γd，训练异常分类数据集的数量为e，训练数据集中异常比例上限为g，最小值问题为c，计算平均偏移距离：
17、
18、其中平均偏移距离为η，计算决策函数值：
19、
20、其中差异分类数据向量为的决策函数为当决策函数值为1时则数据为正常数据，当决策函数值为-1时数据为估算数据；
21、根据所述估算数据构建碳减排量估算模型，优化所述碳减排量估算模型；
22、将待评估的碳数据输入所述碳减排量估算模型，输出估算结果。
23、进一步的，在步骤a中所述预处理的方法包括去除重复数据、处理异常值、时间排序、数据标准化、数据转换和数据规约。
24、进一步的，对所述碳数据进行特征提取获得碳减排特征的方法，包括：
25、输入碳数据，使用滑动窗口输入数据映射到轨迹矩阵上；
26、利用循环矩阵的特征向量将轨迹矩阵分解为多个代表不同频段的秩为1的基本矩阵，计算过程为：
27、
28、
29、
30、
31、其中窗口的长度为m，第i个循环矩阵的元素为ui，循环矩阵第s列的特征值为ηs，循环矩阵第s列的特征向量为vs，第r个循环矩阵元素的值为ur，第r个序列样本协方差为ρr，第m-r个序列样本协方差为ρm-r，循环矩阵第s列j行的元素值为zs,j，矩阵的转置为(·)h，提取常数为r，通过分组配对将复矩阵转化为实矩阵，转化的计算过程为：
32、
33、
34、其中轨迹矩阵为x，第qs个子矩阵为复矩阵为xi，将分组得到的子矩阵沿左下至右上方向进行角线平均化得到输入时序数据分量：
35、
36、其中第j个时序数据xj第s个元素的分量为碳数据的数量为e，时序数据的分量数量为b，将时序数据分量输出为碳减排特征。
37、进一步的，根据所述差异特征对所述碳数据进行分类获得差异分类数据的方法，包括：
38、随机选择差异特征，根据随机选取的差异特征设定碳数据训练集和总样本数量，将训练集随机划分成m份；
39、给定目标函数：
40、
41、其中第s个碳数据的差异特征为第g个碳数据的差异特征为第s个碳数据的差异为ks，第g个碳数据的差异为kg，碳数据s的数量为p，第s个碳数据的差异输出为us，第g个碳数据的差异输出为ug；
42、确定分类超平面，选取样本集，在样本集提取负类样本，获取合成的负类样本集；
43、将正类样本和负类样本结合组建平衡数据集，通过支持向量机算法进行分类，得到训练好的分类器，对剩余的训练集进行重复分类，直到遍历所有碳数据；
44、使用分类器对碳数据进行分类，计算碳数据的归属值：
45、
46、其中邻域为m，第s个碳数据的归属值为ρ(s)，第1个碳数据选中概率为c(1)，第个碳数据差异特征的选中概率为将归属值最低的碳数据进行标注，输出最终的分类结果为差异分类数据。
47、进一步的，根据所述估算数据构建碳减排量估算模型的方法，包括：
48、碳减排量估算模型基于神经网络算法和时间序列分析算法构建，采用随机森林算法将估算数据分成训练集和测试集，使用时间序列分析算法分析历史数据的变化趋势和模式，根据神经网络算法进行数据中的特征，将提取训练集的特征和时间序列输入，训练构建碳减排量估算模型，将测试集输入训练后的碳减排量估算模型，估算碳减排量。
49、进一步的，优化所述碳减排量估算模型的方法，包括：
50、输入估算数据，采用随机森林算法按照7:3的比例将估算数据划分成测试集和训练集，初始化优化算法迭代次数、种群大小、初始位置和速度参数；计算适应度函数：
51、
52、其中数据x的适应度函数为q(x)，输入的数据数量为m，数据x估算正确的数量为根据适应度函数值对搜索群体历史最优位置和搜索个体历史最优位置进行更新，更新的表达式为：
53、
54、
55、其中搜索个体i在u+1时刻的速度为搜索个体i在d维度在u时刻的速度为随机搜索系数为s，随机数为e，雌性搜索个体与雄性搜索个体的距离为ρms，搜索个体的搜索距离系数为θ，第i个雄性搜索个体hi的适应度值为q(hi)，第i个雌性搜索个体wi的适应度值为q(wi)，雌性搜索个体i在u+1次迭代的搜索空间位置为雌性搜索个体i在u次迭代的搜索空间位置为
56、根据非线性惯性权重因子对搜索个的速度和位置进行更新，更新的表达式为：
57、
58、
59、其中雄性搜索个体i在u次迭代的搜索空间位置为雄性搜索个体i在u+1次迭代的搜索空间位置为迭代次本文档来自技高网...
【技术保护点】
1.一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，在步骤A中所述预处理的方法包括去除重复数据、处理异常值、时间排序、数据标准化、数据转换和数据规约。
3.根据权利要求1所述的一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，对所述碳数据进行特征提取获得碳减排特征的方法，包括：
4.根据权利要求1所述的一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，根据所述差异特征对所述碳数据进行分类获得差异分类数据的方法，包括：
5.根据权利要求1所述的一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，根据所述估算数据构建碳减排量估算模型的方法，包括：
6.根据权利要求1所述的一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，优化所述碳减排量估算模型的方法，包括：
【技术特征摘要】
1.一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，在步骤a中所述预处理的方法包括去除重复数据、处理异常值、时间排序、数据标准化、数据转换和数据规约。
3.根据权利要求1所述的一种基于量化模型的低碳园区碳减排量估算方法，其特征在于，对所述碳数据进行特征提取获得碳减排特征的方法，包括：
【专利技术属性】
技术研发人员：王扬，谈竹奎，蔡永翔，王卓月，肖小兵，付宇，刘安茳，郝树青，郑友卓，张洋，李前敏，陈宇，何明君，宋子宏，乔镖，孙宗宇，张广秋，
申请(专利权)人：贵州电网有限责任公司，
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。