【技术实现步骤摘要】
本专利技术属于变电站碳排放预测，具体涉及一种基于issa-bp神经网络模型的变电站碳排放预测方法、系统、设备及介质。
技术介绍
1、变电站作为电力系统中对电压和电流进行变换、接收电能及分配电能的一个重要环节，在电力行业的碳排放中起到重要作用。实时碳价以及碳排放量是衡量变电站碳排放的关键因素。而变电站的完整碳排放生命周期十分复杂，包含建造、运行及拆除等阶段，各阶段的碳排放量计算包含诸多因素；同时碳价依据全国碳排放权交易市场实时变化。因此，准确合理地预测变电站的碳排放量，不仅利于碳价稳定机制的开发，而且能帮助电力行业减少温室气体排放、推动可持续能源发展。
2、bp神经网络使用激活函数来引入非线性性质，以实现输入与输出间的任意非线性映射，适于碳排放这类非线性问题。文献《基于pso-bp神经网络模型的中国碳排放情景预测及低碳发展路径研究》，作者范德成，引入非线性权值粒子群算法优化bp神经网络的权值和阈值，加快了神经网络的收敛速度，且预测精度较高。文献《基于ipso-bp神经网络模型的山东省碳排放预测及生态经济分析》，作者张迪，在pso-bp神经网络模型的基础上，通过调整线性权值及引入变异机制，对粒子群算法进行改进，提出了ipso-bp神经网络预测模型。上述设计虽然通过ipso算法明显优化了bp神经网络，误差更小、精度更高，更适用于碳排放预测等方面的研究，然而粒子群算法在参数寻优的过程中容易局部收敛，陷入局部最优等问题，仍可对bp神经网络进一步优化。因此，如何进一步改进bp神经网络收敛速度慢及容易陷入局部最优的缺陷，提高碳排放
技术实现思路
1、本专利技术的目的是针对现有技术存在的上述问题，提供一种能够提高预测精度的基于issa-bp神经网络模型的变电站碳排放预测方法、系统、设备及介质。
2、为实现以上目的，本专利技术的技术方案如下：
3、第一方面，本申请提供了一种基于issa-bp神经网络模型的变电站碳排放预测方法，所述预测方法包括以下步骤：
4、s1、构建变电站全生命周期碳排放指标体系；
5、s2、获取变电站全生命周期碳排放指标体系中各指标的历史数据，计算各指标的重要程度，根据各指标的重要程度筛选出重要指标；
6、s3、先获取碳排放量的历史数据，基于碳排放量以及各重要指标的历史数据构建第一训练数据集、第二训练数据集，然后将第一训练数据集输入预先构建的issa-bp神经网络模型进行训练，利用基于教与学因子改进后的麻雀搜索算法优化bp神经网络的权值和阈值，再将第二训练数据集输入issa-bp神经网络模型进行训练，得到训练好的issa-bp神经网络模型；s4、利用训练好的issa-bp神经网络模型进行变电站碳排放预测。
7、步骤s2中，利用改进critic法计算各指标的重要程度，所述改进critic法包括：
8、s21、对各指标进行标准化处理：
9、
10、上式中，sk表示指标k的历史数据；xk表示经过标准化处理后的sk；max sk、mm sk分别表示指标k的历史数据最大值、最小值；k＝1，2，…，m，m为指标个数；
11、s22、对xk进行变异处理计算差异度：
12、
13、
14、上式中，σk表示指标k的标准差；表示x1至xm的平均值；dk表示指标k的差异度；
15、对xk进行冲突处理计算冲突度：
16、
17、
18、上式中，ck表示指标k的冲突度；rkl表示指标k与指标l的相关系数，l＝1，2，…，m；xl表示经过标准化处理后的指标l的历史数据；
19、s23、基于ck、dk计算指标i的重要程度：
20、
21、上式中，ak表示指标k的重要程度。
22、步骤s3中，利用第一训练数据集训练issa-bp神经网络模型具体为：
23、s31、构建bp神经网络的拓扑结构，初始化bp神经网络的权值和阈值，在可解空间中初始化所有麻雀个体的位置，每个麻雀个体对应可解空间中的一个解；
24、s32、将第一训练数据集输入bp神经网络，将bp神经网络的训练误差作为每个麻雀的适应度，先基于麻雀搜索算法中更新所有麻雀位置，再基于教与学算法更新所有麻雀位置；反复迭代；
25、s33、基于最后一次迭代得到的最优麻雀个体的位置更新bp神经网络的权值和阈值，判断是否达到训练终止条件，若未达到，则返回s32继续训练；若达到，则结束训练；所述最优麻雀个体为麻雀群体中具有最优适应度的麻雀个体。
26、所述训练终止条件为达到迭代次数。
27、所述麻雀搜索算法中，将麻雀群体按比例划分为探索者、跟随者、预警者，所述探索者、跟随者、预警者分别具有高、中、低适应度；所述探索者的位置更新根据以下公式进行：
28、
29、上式中，xi(t+1)为第i个麻雀个体迭代后的空间位置；xi(t)为第i个麻雀个体迭代前的空间位置；α为0-1之间的随机数；r表示迭代次数；itermax为最大迭代次数；q为一个服从正态分布的随机数；l为所有数值为1的行向量；r2为0-1之间的预警值；st为安全值；
30、所述跟随者的位置更新根据以下公式进行：
31、
32、上式中，xworst(t)为当前全局搜索中最差的位置；xp(t+1)为最优探索者的位置；n为麻雀种群中的麻雀数量；a为每个元素随机取1或者-1的行向量，a+＝at(aat)-1；
33、所述预警者的位置更新根据以下公式进行：
34、
35、上式中，xbest(t)为当前全局搜索中最优的位置；β为步长控制系数，该值服从均值为0，方差为1的正态分布；k为取值-1至1之间的随机数；ε为辅助修正值；fi表示第i个麻雀个体的适应度值；fg为当前最高适应度值；fw为当前最低适应度值。
36、所述教与学算法中，将适应度最高的探索者定义为老师，将跟随者定义为学生，在教学阶段老师对学生进行教学，在学习阶段学生之间相互学习；在教学阶段的麻雀位置更新根据以下公式进行：
37、δx＝xα(t)-tf·xave(t)；
38、x′i(t+1)＝xi(t+1)+rand·δx；
39、上式中，δx为作为老师的麻雀个体的适应度与所有作为学生的麻雀个体的适应度平均值的差距；xα(t)表示作为老师的麻雀个体的适应度；tf表示教学因子；xave(t)表示所有作为学生的麻雀个体的适应度平均值；x′i(t+1)表示第i个作为学生的麻雀个体经过教学阶段后到达的最优位置；rand为[0，1]之间均匀分布的随机实数；
40、在学习阶段的麻雀位置更新根据以下公式进行：
41、
42、上式中，x′j(t+1)表示第j个作为学生的麻雀个体经过教学阶段后到达的最本文档来自技高网...
【技术保护点】
1.基于ISSA-BP神经网络模型的变电站碳排放预测方法，其特征在于：
2.根据权利要求1所述的基于ISSA-BP神经网络模型的变电站碳排放预测方法，其特征在于：
3.根据权利要求1所述的基于ISSA-BP神经网络模型的变电站碳排放预测方法，其特征在于：
4.根据权利要求3所述的基于ISSA-BP神经网络模型的变电站碳排放预测方法，其特征在于：
5.根据权利要求3所述的基于ISSA-BP神经网络模型的变电站碳排放预测方法，其特征在于：
6.根据权利要求5所述的基于ISSA-BP神经网络模型的变电站碳排放预测方法，其特征在于：
7.根据权利要求6所述的基于ISSA-BP神经网络模型的变电站碳排放预测方法，其特征在于：
8.基于ISSA-BP神经网络模型的变电站碳排放预测系统，其特征在于：
9.基于ISSA-BP神经网络模型的变电站碳排放预测设备，其特征在于：
10.一种计算机可读存储介质，其特征在于：
【技术特征摘要】
1.基于issa-bp神经网络模型的变电站碳排放预测方法，其特征在于：
2.根据权利要求1所述的基于issa-bp神经网络模型的变电站碳排放预测方法，其特征在于：
3.根据权利要求1所述的基于issa-bp神经网络模型的变电站碳排放预测方法，其特征在于：
4.根据权利要求3所述的基于issa-bp神经网络模型的变电站碳排放预测方法，其特征在于：
5.根据权利要求3所述的基于issa-bp神经网络模型的变电站碳...
【专利技术属性】
技术研发人员：王巍，张赵阳，李智威，张洪，周蠡，许汉平，蔡杰，熊川羽，马莉，陈然，周英博，孙利平，廖晓红，舒思睿，熊一，贺兰菲，李吕满，徐昊天，张童彦，
申请(专利权)人：国网湖北省电力有限公司经济技术研究院，
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。