【技术实现步骤摘要】
本专利技术属于环保工程，涉及一种碳排放预测方法及系统。
技术介绍
1、二氧化碳排放持续增加是导致全球气候变暖、海平面上升、极端天气恶化的主要原因之一，进一步推动二氧化碳减排已经成为环境保护和未来可持续发展的重要任务。由于城市区域人口密度大，人员活动和工业生产密集，使得大部分的碳排放主要集中在城市区域。为减少碳排放，对城市全域的碳排放进行预测是十分必要的。
2、目前，城市全域碳排放预测一般采用城市全域碳排放预测一般采用区块链法、灰色预测模型法、线性回归模型法，这些方法虽然在一定程度上可以预测碳排放，但是在处理高维数据、海量数据时，数据处理能力较差，预测结果不精准。
技术实现思路
1、为了解决
技术介绍
中所述的问题，本专利技术提出了一种城市全域碳排放预测方法及系统。
2、本专利技术的方法包括以下步骤：
3、s1、确定影响城市全域的碳排放参数，将碳排放参数作为输入变量，将城市全域碳排放作为输出变量；
4、s2、采集城市全域的碳排放参数日间、月度、季度、年度数据；
5、s3、对碳排放参数日间、月度、季度、年度数据使用归一化方法进行预处理，得到预处理后的碳排放参数数据；
6、s4、基于bp神经网络模型，依据预处理后的碳排放参数数据，分别构建基于日间、月度、季度、年度不同时间维度的城市全域碳排放预测模型；
7、s5、输入新的碳排放参数作为输入变量，使用城市全域碳排放预测模型对城市全域进行日间、月度、季度、年度的碳
8、进一步地，所述步骤s1中，碳排放参数包括：城市的经济总量x1、人口规模x2、碳排放系数x3、煤炭使用量x4；洗精煤使用量x5、焦煤使用量x6、型煤使用量x7、原油使用量x8、汽油使用量x9、柴油使用量x10、燃料油使用量x11、液化气使用量x12、天然气使用量x13、热力使用量x14、电力使用量x15、城市化率x16、人均可支配收入x17、城镇居民消费结构x18、家庭户总数x19、平太阳能装机容量x20。
9、更进一步地，所述步骤s2中，通过能源互联网对城市全域的碳排放参数数据进行实时采集。
10、更进一步地，所述步骤s3中，使用归一化方法对原始数据进行预处理，形成归一化数据集，表示为：
11、
12、其中，x代表原始数据，xmin和xmax分别表示原始数据的最大值和最小值，y代表归一化数据集。
13、进一步地，所述步骤s4中，城市全域碳排放预测模型的建立方法为：
14、s41、确定bp神经网络模型的前馈网络函数；
15、s42、根据输入输出序列(x,y)，确定bp神经网络的输入层节点数n、隐含层节点数p，输出层节点数m；
16、s43、初始化bp神经网络模型的连接权值ω；
17、s44、初始化bp神经网络模型的隐含层偏置c，输出层偏置d；
18、s45、确bp神经网络模型的激活函数；
19、s46、采用梯度下降bp训练函数作为bp神经网络模型的训练函数；
20、s47、根据输入变量，采用激活函数计算bp神经网络模型的隐含层输出；
21、s48、确定bp神经网络模型的参数误差e；
22、s49、基于上述bp神经网络模型，将城市的日间、月度、季度、年度的碳排放参数数据输入到模型中，分别构建基于日间、月度、季度、年度不同时间维度的城市全域碳排放预测模型；
23、s410、根据预测结果和实际值的偏差，对bp神经网络模型进行调整，通过迭代运算，最终确定得到城市全域碳排放预测模型。
24、更进一步地，所述步骤s41中，采用newff函数作为bp神经网络模型的前馈函数，表示如下：
25、net＝newff(a,b,{c},‘trainfun’)，
26、其中，a表示n×2的矩阵，第i行元素为输入信号xi的最小值和最大值；b表示k维行向量，其元素为网络中各层节点数；c表示k维字符串行向量，每一分量为对应层神经元的激活函数；trainfun表示为学习规则采用的训练算法。
27、更进一步地，所述步骤s45中，采用对数s形转移函数作为激活函数，表示为：
28、更进一步地，所述步骤s48中，根据bp神经网络模型的实际输出和期望输出，e误差训练精度要求小于1×10－45，得到最佳权值和阈值，训练次数不超过1000次；
29、训练误差e计算方法为：
30、其中，e是误差，n表示输出层节点数量，ok表示实际输出，yk表示期望输出。
31、更进一步地，所述步骤s410中，根据预测结果和实际值的偏差，根据预测结果和实际值的偏差，通过调整输入层、隐含层、输出层的节点数和连接权重对bp神经网络模型进行调整，并再一次进行迭代运算。
32、本专利技术还提出了一种城市全域碳排放预测系统，包括碳排放参数确定模块、数据采集模块、数据处理模块、模型构建模块、碳排放预测模块。
33、所述碳排放参数确定模块用于确定影响城市全域的碳排放参数，将碳排放参数作为输入变量，将城市全域碳排放作为输出变量。
34、所述数据采集模块用于采集城市全域的碳排放参数日间、月度、季度、年度数据。
35、所述数据处理模块用于对碳排放参数日间、月度、季度、年度数据使用归一化方法进行预处理，得到预处理后的碳排放参数数据。
36、所述模型构建模块基于bp神经网络模型，依据预处理后的碳排放参数数据，分别构建基于日间、月度、季度、年度不同时间维度的城市全域碳排放预测模型。
37、所述碳排放预测模块将输入的新的碳排放参数作为输入变量，使用城市全域碳排放预测模型对城市全域进行日间、月度、季度、年度的碳排放预测。
38、本专利技术与现有技术相比，首先确定并采集影响城市全域的碳排放参数，并对其使用归一化方法进行预处理，然后基于bp神经网络模型，构建不同时间维度的城市全域碳排放预测模型，最后往预测模型中输入新的碳排放参数作为输入变量，即可对城市全域进行不同时间维度的碳排放预测。本专利技术采用的bp神经网络具有很强的非线性映射能力，神经网络中间层数、神经元个数可根据实际情况任意设定，适用于数据量较大的城市全域碳排放预测，预测速度快，结果精准，大大提高了碳排放参数数据的处理能力，大大提升了城市全域碳排放的预测精度。
本文档来自技高网...【技术保护点】
1.一种城市全域碳排放预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种城市全域碳排放预测方法，其特征在于：所述步骤S1中，碳排放参数包括：城市的经济总量x1、人口规模x2、碳排放系数x3、煤炭使用量x4；洗精煤使用量x5、焦煤使用量x6、型煤使用量x7、原油使用量x8、汽油使用量x9、柴油使用量x10、燃料油使用量x11、液化气使用量x12、天然气使用量x13、热力使用量x14、电力使用量x15、城市化率x16、人均可支配收入x17、城镇居民消费结构x18、家庭户总数x19、平太阳能装机容量x20。
3.根据权利要求2所述的一种城市全域碳排放预测方法，其特征在于：所述步骤S2中，通过能源互联网对城市全域的碳排放参数数据进行实时采集。
4.根据权利要求3所述的一种城市全域碳排放预测方法，其特征在于：所述步骤S3中，使用归一化方法对原始数据进行预处理，形成归一化数据集，表示为：
5.根据权利要求1-4中任意一项所述的一种城市全域碳排放预测方法，其特征在于：所述步骤S4中，城市全域碳排放预测模型的建立方法为：
7.根据权利要求6所述的一种城市全域碳排放预测方法，其特征在于：所述步骤S45中，采用对数S形转移函数作为激活函数，表示为：
8.根据权利要求7所述的一种城市全域碳排放预测方法，其特征在于：所述步骤S48中，根据BP神经网络模型的实际输出和期望输出，E误差训练精度要求小于1×10－45，得到最佳权值和阈值，训练次数不超过1000次；
9.根据权利要求8所述的一种城市全域碳排放预测方法，其特征在于：所述步骤S410中，根据预测结果和实际值的偏差，根据预测结果和实际值的偏差，通过调整输入层、隐含层、输出层的节点数和连接权重对BP神经网络模型进行调整，并再一次进行迭代运算。
10.一种城市全域碳排放预测系统，其特征在于：包括碳排放参数确定模块、数据采集模块、数据处理模块、模型构建模块、碳排放预测模块；
...【技术特征摘要】
1.一种城市全域碳排放预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种城市全域碳排放预测方法，其特征在于：所述步骤s1中，碳排放参数包括：城市的经济总量x1、人口规模x2、碳排放系数x3、煤炭使用量x4；洗精煤使用量x5、焦煤使用量x6、型煤使用量x7、原油使用量x8、汽油使用量x9、柴油使用量x10、燃料油使用量x11、液化气使用量x12、天然气使用量x13、热力使用量x14、电力使用量x15、城市化率x16、人均可支配收入x17、城镇居民消费结构x18、家庭户总数x19、平太阳能装机容量x20。
3.根据权利要求2所述的一种城市全域碳排放预测方法，其特征在于：所述步骤s2中，通过能源互联网对城市全域的碳排放参数数据进行实时采集。
4.根据权利要求3所述的一种城市全域碳排放预测方法，其特征在于：所述步骤s3中，使用归一化方法对原始数据进行预处理，形成归一化数据集，表示为：
5.根据权利要求1-4中任意一项所述的一种城市全域碳排放预测方法，其特征在于：所述步骤s4中，城...
【专利技术属性】
技术研发人员：刘继彦，王瑞琪，朱峰，石立国，杜颖，鞠文杰，王者龙，王为帅，公维帅，李延真，撖奥洋，魏振，徐志根，郭英雷，关雪琳，胡宝华，肖楚鹏，王振宇，许静，刘政，王曦，胡文博，
申请(专利权)人：国网山东省电力公司，
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。