【技术实现步骤摘要】
本专利技术涉及碳排放预测，特别是涉及一种基于深度学习的碳排放量预测方法、装置、设备及介质。
技术介绍
1、随着工业化和城市化进程的加速，全球能源消耗不断增加，主要来自于燃烧化石燃料和森林砍伐等活动。这些活动释放出大量的二氧化碳等温室气体，加剧了全球气候变化，导致了气温上升、海平面上升等一系列问题，对人类社会、生态环境和经济发展造成了严重影响。如何能够减少温室气体的排放量，减缓全球升温速度，从而减轻气候变暖这一重大问题，是全人类需要去共同面对的一项长期的、艰巨的任务。
2、在碳排放量预测方面，国内外学者主要从统计方法、回归分析、排放因子法、人工智能和机器学习方法等方法对碳排放量进行预测。
3、机器学习模型虽然在预测碳排放量方面比传统计量模型具有不可比拟的优越性，但机器学习模型在耗时和参数敏感性方面具有明显的缺点，因此将在很大程度上限制机器学习在预测碳排放量时的速度和精确性。
4、鉴于机器学习的缺点，许多研究人员开始研究新的预测思路。研究发现，通过将输入的数据进行升维，增加数据的特征维度，从而提供更多的信息给模型，有助于捕获更复杂的数据模式和关系，提高模型的表现能力，从而降低了预测的复杂度。这种新的预测模型可以比较完整地呈现时间序列的内部数据特征，最大程度上为后续的预测工作降低了难度，有利于提升预测的效果。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于深度学习的碳排放量预测方法、装置、设备及介质，提高碳排放量预测的准确性和泛化能力，为
2、本专利技术解决其技术问题所采用的技术方案是：提供一种基于深度学习的碳排放量预测方法，包括以下步骤：
3、获取影响碳排放量的测量数据；
4、对所述测量数据的进行维度扩充处理；
5、将维度扩充处理后的测量数据输入至碳排放量预测模型，完成碳排放量的预测；其中，所述碳排放量预测模型通过以下方式得到：
6、对原始数据集进行数目扩充处理；其中，所述原始数据集由影响碳排放量的影响因素构建而成；
7、对数目扩充处理后的原始数据集进行维度扩充处理，得到训练数据集；
8、采用训练数据集对卷积神经网络进行回归学习，得到所述碳排放量预测模型。
9、所述对所述测量数据的进行维度扩充处理，具体为：将所述测量数据输入维度扩充模型，得到期望维度的测量数据；其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
10、所述对原始数据集进行数目扩充处理，具体为：对原始数据集中每个数据添加一个随机高斯噪声，并将添加完噪声的新数据加在所述原始数据集中，其中，随机高斯噪声的均值为0，方差为预设值。
11、所述对数目扩充处理后的原始数据集进行维度扩充处理，具体为：将对数目扩充处理后的原始数据集中的每个数据输入维度扩充模型，得到多个期望维度的训练数据，将多个期望维度的训练数据构建成训练数据集，其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
12、所述卷积神经网络为一维卷积神经网络，包括依次设置的一个卷积层、一个池化层、一个展平层、一个全连接层和一个输出层；所述卷积神经网络采用均方误差损失函数和adam优化器。
13、本专利技术解决其技术问题所采用的技术方案是：提供一种基于深度学习的碳排放量预测装置，包括：
14、获取模块，用于获取影响碳排放量的测量数据；
15、预处理模块，用于对所述测量数据的进行维度扩充处理；
16、预测模块，用于将维度扩充处理后的测量数据输入至碳排放量预测模型，完成碳排放量的预测；其中，所述碳排放量预测模型通过以下方式得到：
17、对原始数据集进行数目扩充处理；
18、对数目扩充处理后的原始数据集进行维度扩充处理，得到训练数据集；其中，所述原始数据集由影响碳排放量的影响因素构建而成；
19、采用训练数据集对卷积神经网络进行回归学习，得到所述碳排放量预测模型。
20、所述预处理模块对所述测量数据的进行维度扩充处理时，具体为：将所述测量数据输入维度扩充模型，得到期望维度的测量数据；其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
21、所述对原始数据集进行数目扩充处理，具体为：对原始数据集中每个数据添加一个随机高斯噪声，并将添加完噪声的新数据加在所述原始数据集中，其中，随机高斯噪声的均值为0，方差为预设值。
22、所述对数目扩充处理后的原始数据集进行维度扩充处理，具体为：将对数目扩充处理后的原始数据集中的每个数据输入维度扩充模型，得到多个期望维度的训练数据，将多个期望维度的训练数据构建成训练数据集，其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
23、所述卷积神经网络为一维卷积神经网络，包括依次设置的一个卷积层、一个池化层、一个展平层、一个全连接层和一个输出层；所述卷积神经网络采用均方误差损失函数和adam优化器。
24、本专利技术解决其技术问题所采用的技术方案是：提供一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于深度学习的碳排放量预测方法的步骤。
25、本专利技术解决其技术问题所采用的技术方案是：提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度学习的碳排放量预测方法的步骤。
26、有益效果
27、由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术选取影响碳排放量的影响因素构建训练数据集，并对训练数据集数目和维度进行扩充，再利用卷积神经网络进行回归学习，学习训练数据与碳排放量之间的非线性关系，得到碳排放量预测模型，采用该碳排放量预测模型对碳排放进行预测可以有效地处理不同类型和规模的碳排放数据，不受地域和行业的限制，且能充分利用数据中的时序信息和多维特征之间的关联性，从而提高碳排放量的预测准确度和精度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的碳排放量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述对所述测量数据的进行维度扩充处理，具体为：将所述测量数据输入维度扩充模型，得到期望维度的测量数据；其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
3.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述对原始数据集进行数目扩充处理，具体为：对原始数据集中每个数据添加一个随机高斯噪声，
4.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述对数目扩充处理后的原始数据集进行维度扩充处理，具体为：将对数目扩充处理后的原始数据集中的每个数据输入维度扩充模型，得到多个期望维度的训练数据，将多个期望维度的训练数据构建成训练数据集，其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
5.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述卷积神经网络为一维卷积神经网络，包括依次设置的一个卷积层、一
6.一种基于深度学习的碳排放量预测装置，其特征在于，包括：
7.根据权利要求6所述的基于深度学习的碳排放量预测装置，其特征在于，所述预处理模块对所述测量数据的进行维度扩充处理时，具体为：将所述测量数据输入维度扩充模型，得到期望维度的测量数据；其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
8.根据权利要求6所述的基于深度学习的碳排放量预测装置，其特征在于，所述对原始数据集进行数目扩充处理，具体为：对原始数据集中每个数据添加一个随机高斯噪声，
9.根据权利要求6所述的基于深度学习的碳排放量预测装置，其特征在于，所述对数目扩充处理后的原始数据集进行维度扩充处理，具体为：将对数目扩充处理后的原始数据集中的每个数据输入维度扩充模型，得到多个期望维度的训练数据，将多个期望维度的训练数据构建成训练数据集，其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
10.根据权利要求6所述的基于深度学习的碳排放量预测装置，其特征在于，所述卷积神经网络为一维卷积神经网络，包括依次设置的一个卷积层、一个池化层、一个展平层、一个全连接层和一个输出层；所述卷积神经网络采用均方误差损失函数和Adam优化器。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一所述基于深度学习的碳排放量预测方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述基于深度学习的碳排放量预测方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的碳排放量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述对所述测量数据的进行维度扩充处理，具体为：将所述测量数据输入维度扩充模型，得到期望维度的测量数据；其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
3.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述对原始数据集进行数目扩充处理，具体为：对原始数据集中每个数据添加一个随机高斯噪声，
4.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述对数目扩充处理后的原始数据集进行维度扩充处理，具体为：将对数目扩充处理后的原始数据集中的每个数据输入维度扩充模型，得到多个期望维度的训练数据，将多个期望维度的训练数据构建成训练数据集，其中，所述维度扩充模型包括一个全连接层，所述维度扩充模型的激活函数为非线性激活函数。
5.根据权利要求1所述的基于深度学习的碳排放量预测方法，其特征在于，所述卷积神经网络为一维卷积神经网络，包括依次设置的一个卷积层、一个池化层、一个展平层、一个全连接层和一个输出层；所述卷积神经网络采用均方误差损失函数和adam优化器。
6.一种基于深度学习的碳排放量预测装置，其特征在于，包括：
7.根据权利要求6所述的基于深度学习的碳排放量预测装置，其特征在于，所述预处理模块对所述测量数据的进行维度扩充处理时，具体...
【专利技术属性】
技术研发人员：左娟，许崇鑫，王文博，孙钦斐，吕冉，季宇，梁英，吕广宪，曹昕，韦思雅，马胜奎，张颖，
申请(专利权)人：国网上海能源互联网研究院有限公司，
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。