CN113689049A - 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 - Google Patents
一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 Download PDFInfo
- Publication number
- CN113689049A CN113689049A CN202111023991.1A CN202111023991A CN113689049A CN 113689049 A CN113689049 A CN 113689049A CN 202111023991 A CN202111023991 A CN 202111023991A CN 113689049 A CN113689049 A CN 113689049A
- Authority
- CN
- China
- Prior art keywords
- neural network
- carbon emission
- model
- regression
- linear regression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
企业碳排放量通常需要通过企业活动数据进行估算。不同企业,工艺流程不同,碳排放的排放源不同,碳排放量的计算复杂程度不同。本发明提出了一种基于工业企业生产数据(产量/原材料消耗量/能耗量等)以预测混合***和方法。本方法结合了传统的多元线性回归和以及人工神经网络模型,采用了混合建模方法通过分步线性回归的方法筛选更重要的工业企业生产数据输入变量,然后将筛选后的工业企业生产数据变量馈入人工神经网络模型,从而产生复杂模型以预测一定时间跨度内的碳排放量输出量。本发明提出的复杂模型仿真结果表明该复杂模型的性能比其相应的其他单阶段模型更优并且可以在广泛的各类企业中应用该复杂模型实现各时间维度的碳排放量的预测。
Description
技术领域
本发明涉及企业碳排放量预测技术领域,具体涉及一种结合多元线性回归,分步线性回归及人工神经网络以预测光伏发电***输出的复杂模型和方法。
背景技术
目前现行的碳排放管理方法通常以年为时间跨度对工业企业的碳排放量进行核算和验证,运用的方法根据不同的行业也有所不同,通常需要大量的人力通过复杂的核算方法进行核算,无法做到实时的监控与演算。本发明提出了一种基于结合了传统的多元线性回归和以及人工神经网络模型,采用了混合建模方法通过分步线性回归的方法筛选更重要的工业企业生产数据输入变量,然后将筛选后的工业企业生产数据变量馈入人工神经网络模型,从而产生复杂模型以预测工业企业碳排放量的方法。
基于人工神经网络的预测方法的关键优势在于模型设计人员可以利用按顺序选择多个输入值以提高预测准确性,将多元线性回归,人工神经网络的预测方法结合分布线性回归的筛选的混合模型可以大大的提高对于工业企业碳排放量的预测精度。本发明提出了一种新颖的工业企业碳排放量预测模型,自主筛选工业企业生产数据输入变量,并结合了多元线性回归和ANN技术。本发明考虑了大量可能会影响工业企业碳排放量的生产数据参数。采用分步线性回归(Stepwise Regression)的方法来评估每个生产数据参数的影响,应用复杂模型中的气象输入变量ANN生成最终工业企业碳排放量的预测,通过确保选择只有那些对模型输出有重大影响的输入变量在模型中,达到使用较少的计算工作生成准确的ANN预测输出值的目的,灵活输出不同时间跨度的工业企业碳排放量预测值。
发明内容
发明提出了一种结合多元线性回归,分步回归及人工神经网络以预测工业企业碳排放量的复杂模型和方法,其主要的应用在于给定工业企业生产数据集,通过混合模型精准预测指定时刻的工业企业碳排放量,为综合双控碳排放,合理分配碳排放配额,控碳政策决策等提供数据支持。整个复杂混合模型流程包括了天工业企业生产数据收集,分布线性回归识别最相关输入值,确定最优化神经网络配置,人工神经网络训练数据集,回归后处理,应用训练后模型模拟,计算统计运算相关参数,输出预测工业企业碳排放量等几个步骤,如图1所示。
附图说明
图 1 是本发明实施例中预测工业企业碳排放量的流程示意图。
图 2是本发明实施例中模型输入输出流程图。
图 3是本发明实施例中前馈神经网络示意图。
图 4是本发明实施例中广义回归神经网络示意图。
具体实施方式
为使得本发明的内容、目的、特征及优点能够更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护说明书的范围。
整个***运行的具体步骤如下:
步骤一:收集预测模型需要的指定工业企业,指定时间跨度的相关生产活动数据,包括:不同产品的实时产量,不同原材料的消耗量,工艺流程的能耗消耗量,人力工作时等相关生产活动数据,如图2所示。
步骤二:通过回归方法筛选,识别最相关天气输入值;分步线性回归是一种拟合回归模型的方法,通过公式:
拟合相关变量,其中预测变量的选择是通过自动程序进行的, 其中Y是要预测的工业企业碳排放输出量(因变量),Xi表示K个变化的工业企业生产数据(自变量)(其中1 ≤i ≤ k),βi为计算的自变量的回归系数,β0是偏移值的预测变量,e是残差项。在每个拟合步骤中,根据某个预先确定的统计标准(包括调整后的R2,标准差(standard error (SE)),平均调整偏差(MAPE),预计残差平方和(PRESS)等)采取一系列F检验或t检验的形式,将变量添加到一组解释变量中或从一组解释变量中减去(包括正向和反向逐步回归)。本发明通过分步线性回归拟合工业企业碳排放输出量与工业企业生产数据,根据预设标准,识别最相关工业企业生产数据至下一步模型运算。
步骤三:通过调整人工设计网络的参数,确定最优化的神经网络配置。人工神经网络的设计包括确定输入层的数量,隐藏层和输出层中神经元的数量以及关联权重,偏差,活动性和正态分布特性。取决于神经元的排列及其活动性,可以形成几种网络架构。本发明应用前馈神经网络(FFNN)和广义回归神经网络(GRNN)这两个架构于光伏输出功率的预测。FFNN是一种将前一层中的每个神经元都连接在一起到达下一层的所有神经元的复杂多元线性回归,如图3所示,数据从输入层到输出层仅在一个方向上移动通过隐藏层。为了指定目标,前馈伸进网络使用指定时期内的过去历史数据进行训练具有预定的误差范围的时间。在训练期间,连接调整神经元之间的权重,以便网络输出与所需目标匹配。广义回归神经网络是基于概率的网络,可以执行回归而不是分类的任务。广义回归神经网络包括四个层,其中反应神经元层和回归层位于输入和输出层之间,如图4所示,反应神经层用于对训练数据执行聚类。反应神经层的数量等于设计数据集中的样本数量。回归层与输出层和反应神经层相比,具有额外的线性函数神经元这个额外的神经元用于计算概率密度,而剩余的单位用于计算输出。与基于多元线性回归的前馈神经网络不同,它不需要迭代训练,可以直接从训练数据中输入和输出向量。
通过输入步骤二中筛选过的数据至两种神经网络,通过分析调整后的R2,标准差(SE), 平均调整偏差(MAPE),预计残差平方和(PRESS)等统计指标,选定单一神经网络模型或混合两种神经网络模型并设定模型间数据分配比重。通过数据训练,选定模型输入层的数量,隐藏层和输出层中神经元的数量以及关联权重,偏差,活动性和正态分布特性等指标并进行回归分析后处理,比较训练集的输出值与实际训练集的工业企业碳排放量。(权利要求6)。
步骤四:应用步骤三中训练完成,给定设定参数的人工神经网络的模型模拟计算,预测未来一定时间跨度内的工业企业碳排放量。
步骤五:计算模型运行的相关统计数据,并做以记录,监控模型运行情况以及时调整模型参数的检验回归过程。
步骤六:输出预测一定时间跨度内的工业企业碳排放量并记录。
本发明通过综合应用分步线性回归,前馈神经网络,广义回归神经网络等预测计算手段,考虑多种工业企业生产数据,提出一套混合的复杂预测***。其特点在于应用分步线性回归的方法筛选输入值,减少了整体模型运行时间,综合应用两种神经网络计算方式准确预测工业企业碳排放量,节省了碳排放量的核算时间,为实时监控工业企业碳排放量提供了准确数据,进而帮助设立有效的控碳措施,政策。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种结合多元线性回归,分步回归及人工神经网络以预测工业企业碳排放量的复杂模型和方法其特征在于,包括:工业企业生产数据收集,分布线性回归识别最相关输入值,确定最优化神经网络配置,人工神经网络训练数据集,回归后处理,应用训练后模型模拟,计算统计运算相关参数,输出预测工业企业碳排放量等几个步骤。
2.通过回归方法筛选,识别最相关工业企业生产数据输入值;分步线性回归是一种拟合回归模型的方法,通过公式:
拟合相关变量,其中预测变量的选择是通过自动程序进行的, 其中Y是要预测的工业企业碳排放 输出量(因变量),Xi表示K个变化的工业企业生产数据(自变量)(其中1 ≤ i≤ k),βi为计算的自变量的回归系数,β0是偏移值的预测变量,e是残差项;
在每个拟合步骤中,根据某个预先确定的统计标准(包括调整后的R2,标准差(standarderror (SE)), 平均调整偏差(MAPE),预计残差平方和(PRESS)等)采取一系列F检验或t检验的形式,将变量添加到一组解释变量中或从一组解释变量中减去(包括正向和反向逐步回归);
本发明通过分步线性回归拟合工业企业碳排放输出量与工业企业生产数据,根据预设标准,识别最相关工业企业生产数据至下一步模型运算。
3.通过权利要求2所述模型中筛选过的工业企业生产数据至两种神经网络 (前馈神经网络(FFNN)和广义回归神经网络(GRNN))计算工业企业碳排放量预测值。
4.通过分析权利要求3所述模型的业企业碳排放量预测值结果的调整后的R2,标准差(SE), 平均调整偏差(MAPE),预计残差平方和(PRESS)等统计指标,选定单一神经网络模型或混合两种神经网络模型并设定模型间数据分配比重;
通过数据训练,选定模型输入层的数量,隐藏层和输出层中神经元的数量以及关联权重,偏差,活动性和正态分布特性等指标并进行回归分析后处理,比较训练集的输出值与实际训练集的工业企业碳排放量。
5.应用权利要求4所述的模型选择方式,对训练完成,给定设定参数的人工神经网络的模型模拟计算,预测未来一定时间跨度内的工业企业碳排放量;计算模型运行的相关统计数据,并做以记录,监控模型运行情况以及时调整模型参数的检验回归过程;输出预测一定时间跨度内的工业企业碳排放量并记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023991.1A CN113689049A (zh) | 2021-09-02 | 2021-09-02 | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023991.1A CN113689049A (zh) | 2021-09-02 | 2021-09-02 | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689049A true CN113689049A (zh) | 2021-11-23 |
Family
ID=78584973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111023991.1A Pending CN113689049A (zh) | 2021-09-02 | 2021-09-02 | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689049A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338450A (zh) * | 2021-12-31 | 2022-04-12 | 天翼物联科技有限公司 | 物联网终端碳排放监测方法、装置及相关组件 |
CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
CN116432908A (zh) * | 2023-04-18 | 2023-07-14 | 国网河北省电力有限公司雄安新区供电公司 | 近零碳园区的碳核算方法、装置、终端及存储介质 |
CN117709557A (zh) * | 2024-02-06 | 2024-03-15 | 北京中创碳投科技有限公司 | 一种基于能耗数据估算企业碳排放量的方法 |
-
2021
- 2021-09-02 CN CN202111023991.1A patent/CN113689049A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338450A (zh) * | 2021-12-31 | 2022-04-12 | 天翼物联科技有限公司 | 物联网终端碳排放监测方法、装置及相关组件 |
CN114338450B (zh) * | 2021-12-31 | 2024-05-17 | 天翼物联科技有限公司 | 物联网终端碳排放监测方法、装置及相关组件 |
CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
CN116432908A (zh) * | 2023-04-18 | 2023-07-14 | 国网河北省电力有限公司雄安新区供电公司 | 近零碳园区的碳核算方法、装置、终端及存储介质 |
CN117709557A (zh) * | 2024-02-06 | 2024-03-15 | 北京中创碳投科技有限公司 | 一种基于能耗数据估算企业碳排放量的方法 |
CN117709557B (zh) * | 2024-02-06 | 2024-04-19 | 北京中创碳投科技有限公司 | 一种基于能耗数据估算企业碳排放量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689049A (zh) | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 | |
CN110163410B (zh) | 一种基于神经网络-时间序列的线损电量预测方法 | |
CN108596335B (zh) | 一种基于深度强化学习的自适应众包方法 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN110571792A (zh) | 一种电网调控***运行状态的分析评估方法及*** | |
CN107169633A (zh) | 一种输气管网、储气库调峰方案综合评价方法 | |
CN108710905B (zh) | 一种基于多模型联合的备件数量预测方法和*** | |
CN115796372A (zh) | 一种基于scor的供应链管理优化方法及*** | |
CN110826774B (zh) | 母线负荷预测方法、装置、计算机设备及存储介质 | |
CN107644297B (zh) | 一种电机***节能量计算和验证方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN111325315A (zh) | 基于深度学习的配变停电电量损失预测的方法 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
Thomitzek et al. | Model-based identification of production tolerances in battery production | |
Cheng et al. | Deep reinforcement learning for cost-optimal condition-based maintenance policy of offshore wind turbine components | |
Liu et al. | Manufacturing Process Optimization in the Process Industry | |
CN108492013A (zh) | 一种基于质量控制的制造***调度模型有效性检测方法 | |
CN112488443A (zh) | 一种基于数据驱动的配电设备利用率评估的方法及*** | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN111967689A (zh) | 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法 | |
Hu et al. | Analyzing software system quality risk using Bayesian belief network | |
CN113537553A (zh) | 一种区域配电网负荷需求混合预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |