CN115879367A - 一种工业园区内二氧化碳排放源位置和强度的反演方法 - Google Patents
一种工业园区内二氧化碳排放源位置和强度的反演方法 Download PDFInfo
- Publication number
- CN115879367A CN115879367A CN202211384172.4A CN202211384172A CN115879367A CN 115879367 A CN115879367 A CN 115879367A CN 202211384172 A CN202211384172 A CN 202211384172A CN 115879367 A CN115879367 A CN 115879367A
- Authority
- CN
- China
- Prior art keywords
- pelican
- individual
- carbon dioxide
- neural network
- nodes
- 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
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种工业园区内二氧化碳排放源位置和强度的反演方法,该方法先构建包括工业园区内各二氧化碳监测点的位置与浓度数据的反演数据集,再基于反演数据集,采用鹈鹕优化算法POA对BP神经网络的权值和阈值进行优化,得到最优权值和阈值,然后将该最优权值和阈值赋予BP神经网络进行训练,最后将待反演的二氧化碳监测点的数据与浓度数据输入训练完成后的BP神经网络进行反演,得到工业园区内二氧化碳排放源的位置与强度数据。本发明利用POA算法的全局搜索能力优化BP神经网络结构,有效提高了二氧化碳排放源的反演精准度。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种工业园区内二氧化碳排放源位置和强度的反演方法。
背景技术
目前,我国工业园区内部的能源结构仍以煤炭为主,燃烧大量煤炭所产生的CO2会增强全球温室效应从而导致地球气候***的异常变化。园区工业生产活动集聚,资源能源消耗密集,污染物种类多、排放量大,而以CO2为主的温室气体被视为对全球气候变化影响最大的气体。要实现有效的温室气体CO2排放管理,首先就要做好温室气体排放核算工作。然而,国内、外针对工业园区中CO2排放的研究主要集中在核算方面,少有直接对工业园区内CO2排放布点监测并结合大气扩散模型进行反演计算的研究。
基于数据的模型过程并不复杂,BP神经网络(Back Propagation NeuralNetwork,BPNN)作为许多自适应机械学习方法中的一种,主要用于解决非线性连续优化问题,由于其强大的映射能力和鲁棒性,得到广泛的应用。不过由于BP神经网络易陷入局部最优,会导致预测值相对真实数据误差较大。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种能够有效提升反演精准度的基于大气扩散模型和POA-BP神经网络的工业园区内二氧化碳排放源位置和强度的反演方法。
为实现以上目的,本发明的技术方案如下:
一种工业园区内二氧化碳排放源位置和强度的反演方法,依次包括以下步骤:
步骤A、构建反演数据集,所述反演数据集包括工业园区内各二氧化碳监测点的位置与浓度数据;
步骤B、基于数据集,采用鹈鹕优化算法POA对BP神经网络的初始权值和阈值进行优化,得到最优初始权值和阈值,然后将该最优初始权值和阈值赋予BP神经网络进行训练;
步骤C、将待反演的二氧化碳监测点的数据与浓度数据输入训练完成后的BP神经网络进行反演,得到工业园区内二氧化碳排放源的位置与强度数据。
步骤B中,所述采用鹈鹕优化算法POA对BP神经网络的权值和阈值进行优化的过程包括:
S1、构建BP神经网络,并初始化BP神经网络的权值和阈值;
S2、鹈鹕种群初始化,在全局范围内随机产生猎物,计算其适应度函数值Fp,通过比较第i个候选解的适应度函数值与Fp的大小更新鹈鹕个体的位置,其中,所述适应度函数值为反演数据集的均方误差平均值;
S4、循环迭代,直至达到最大迭代次数或计算精度满足要求,此时得到的全局最优解即为BP神经网络的最优初始权值和阈值。
所述步骤S2根据以下公式更新鹈鹕个体的位置:
上式中,xi,j、分别为第一阶段更新前、后第i个鹈鹕个体的第j维位置,rand是[0,1]内的随机数,I为1或2的随机整数,Fi为第i个候选解的适应度函数值,pj为猎物的第j维位置,/>为第一阶段更新后第i个鹈鹕个体的有效更新位置,/>为第一阶段更新后第i个鹈鹕个体的位置,/>为第一阶段更新后第i个鹈鹕个体的位置点的适应度函数值,Xi为第一阶段更新前第i个鹈鹕个体的位置,Xi=[xi,1 … xi,j … xi,m]1×m,m为维度数。
所述步骤S2基于以下公式进行鹈鹕种群初始化:
xi,j=lj+rand·(uj-lj),i=1,2,...,N,j=1,2,...,m上式中,xi,j为第i个鹈鹕个体的第j维位置,uj、lj分别为第j维位置的上、下边界,rand是[0,1]内的随机数,N、m分别为鹈鹕的种群数量、维度数。
所述步骤S3根据以下公式再次更新鹈鹕个体的位置:
上式中,为第二阶段更新后第i个鹈鹕个体的第j维位置,R为0或2的随机整数,t、T分别为当前迭代次数、最大迭代次数,/>为第二阶段更新后第i个鹈鹕个体的位置,/>为第二阶段更新后第i个鹈鹕个体的位置点的适应度函数值,/>为第二阶段更新后第i个鹈鹕个体的有效更新位置。
步骤S1中,所述构建BP神经网络包括:
先基于反演数据集确定BP神经网络的输入层节点数和输出层节点数,然后计算得到多个隐含层节点数的可行值,再将各可行值带入模型中进行计算,选取均方误差最小的可行值作为最佳隐含层节点数,最后基于输入层节点数、输出层节点数以及最佳隐含层节点数构建BP神经网络。
所述隐含层节点数的可行值通过以下公式计算得到:
上式中,m为隐含层的节点数,n为输入层的节点数,l为输出层节点数,α为1-10之间的常数。
步骤A中,所述二氧化碳监测点的位置与浓度数据采用AERMOD大气扩散模型对工业园区内二氧化碳的分布进行模拟后得到。
与现有技术相比,本发明的有益效果为:
本发明一种工业园区内二氧化碳排放源位置和强度的反演方法先构建包括工业园区内各二氧化碳监测点的位置与浓度数据的反演数据集,再基于反演数据集,采用鹈鹕优化算法POA对BP神经网络的权值和阈值进行优化,得到最优权值和阈值,然后将该最优权值和阈值赋予BP神经网络进行训练和反演,得到工业园区内二氧化碳排放源的位置与强度数据,该方法利用POA算法的全局搜索能力优化BP神经网络结构,将优化的初始权值和阈值参数赋予BP神经网络进行后续运算,不仅可以有效避免单一采用BP神经网络容易陷入局部最优和预测不稳定等问题的发生,还可以提升自身搜索到全局最优的能力,从而保证了在依据监测点的位置和二氧化碳浓度进行反演后能够得到二氧化碳排放源的准确信息,为工业园区内温室气体减排提供基础。因此,本发明有效提高了工业园区内二氧化碳排放源的反演精准度。
附图说明
图1为实施例1的流程图。
图2为实施例1中不同隐含层节点数下BP神经网络训练的均方误差图。
图3为实施例1对二氧化碳排放源X坐标值的反演结果图与误差分析图。
图4为实施例1对二氧化碳排放源Y坐标值的反演结果图与误差分析图。
图5为实施例1对二氧化碳排放源排放强度的反演结果图与误差分析图。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
实施例1:
参见图1,一种工业园区内二氧化碳排放源位置和强度的反演方法,依次按照以下步骤进行:
1、先对工业园区的区域进行划分,在区域内设置不同的二氧化碳排放源位置(x01,y01),(x02,y02),...(x0n,y0n)与强度c01,c02,...c0n,并设置不同的二氧化碳监测点位置(x1,y1),(x2,y2),...(xn,yn),然后在AERMOD大气扩散模型中输入地面气象数据、高空气象数据和地表参数,对工业园区内二氧化碳的分布进行模拟,得到各二氧化碳监测点的浓度m1,m2...mn,从而构建包括二氧化碳监测点的位置(x1,y1),(x2,y2),...(xn,yn)与浓度m1,m2...mn、二氧化碳排放源的位置(x01,y01),(x02,y02),...(x0n,y0n)与强度c01,c02,...c0n的反演数据集,其中,二氧化碳排放源的位置(x01,y01),(x02,y02),...(x0n,y0n)与强度c01,c02,...c0n用于检验神经网络反演的准确性。
2、将构建反演数据集按照表1所示格式进行整理:
表1数据集格式
样本编号 | Features 1 | Features 2 | Features 3 | … | Features n | target |
1 | ||||||
2 | ||||||
… | ||||||
n |
。
3、将整理后的反演数据集划分为BP神经网络的训练集和用于反演的测试集,对对训练集和测试集进行归一化处理。
4、基于整理后的反演数据确定BP神经网络的输入层节点数和输出层节点数,并计算得到多个隐含层节点数的可行值,再将各可行值带入模型中进行计算,选取均方误差最小的可行值作为最佳隐含层节点数,最后基于输入层节点数、输出层节点数以及最佳隐含层节点数构建BP神经网络,其中,所述隐含层节点数的可行值通过以下公式计算得到:
上式中,m为隐含层的节点数,n为输入层的节点数,l为输出层节点数,α为1-10之间的常数。
本实施例中隐含层节点数的可行值为4-13,其对应的均方误差值如图2所示。
由图2可知,隐含层节点数为11时的均方误差最小,为0.10202,因此选择11作为最佳隐含层节点数。
5、初始化BP神经网络的权值和阈值,该权值和阈值均为m×n维的矩阵。
6、鹈鹕种群初始化,其中,鹈鹕种群的初始规模为30、最大迭代次数为50、训练目标最小误差0.0001,维度数=输入层节点数×隐含层节点数+隐含层节点数×输出层节点数+隐含层节点数+输出层节点数,鹈鹕种群用以下种群矩阵表示:
xi,j=lj+rand·(uj-lj),i=1,2,...,N,j=1,2,...,m
上式中,xi,j为第i个鹈鹕个体的第j维位置,uj、lj分别为第j维位置的上、下边界,rand是[0,1]内的随机数,N、m分别为鹈鹕的种群数量、维度数;
鹈鹕种群的目标函数值F表示为:
上式中,Fi为第i个鹈鹕的目标函数值。
7、在全局范围内随机产生猎物,计算其适应度函数值Fp,并根据以下公式更新鹈鹕个体的位置:
上式中,xi,j、分别为第一阶段更新前、后第i个鹈鹕个体的第j维位置,rand是[0,1]内的随机数,I为1或2的随机整数,Fi为第i个候选解的目标函数值即适应度函数值,该适应度函数值为反演数据集的均方误差平均值,pj为猎物的第j维位置,/>为第一阶段更新后第i个鹈鹕个体的有效更新位置,/>为第一阶段更新后第i个鹈鹕个体的位置,为第一阶段更新后第i个鹈鹕个体的位置点的适应度函数值,Xi为第一阶段更新前第i个鹈鹕个体的位置。
上式中,为第二阶段更新后第i个鹈鹕个体的第j维位置,R为0或2的随机整数,t、T分别为当前迭代次数、最大迭代次数,/>为第二阶段更新后第i个鹈鹕个体的位置,为第二阶段更新后第i个鹈鹕个体的位置点的适应度函数值,/>为第二阶段更新后第i个鹈鹕个体的有效更新位置。/>
9、循环重复步骤7-8以实现迭代,直至达到最大迭代次数或计算精度满足要求,此时得到的全局最优解即为BP神经网络的最优初始权值和阈值。
10、将得到的最优初始权值和阈值赋予BP神经网络,对整理后的反演数据集进行训练。
11、将待反演的二氧化碳监测点的数据与浓度数据输入训练完成后的BP神经网络进行反演,得到工业园区内二氧化碳排放源的位置与强度数据。
将本实施例对二氧化碳排放源位置和强度的反演结果与仅采用BP神经网络反演得到的结果、真实值进行对比,并计算两者的误差,结果参见图3-5。
通过图3-5可知,与BP神经网络相比,本实施例采用的POA-BP神经网络的反演结果与真实值更为接近,反演误差更小,精准度更高。
Claims (8)
1.一种工业园区内二氧化碳排放源位置和强度的反演方法,其特征在于:
所述反演方法依次包括以下步骤:
步骤A、构建数据集,所述数据集包括工业园区内各二氧化碳监测点的位置与浓度数据;
步骤B、基于数据集,采用鹈鹕优化算法POA对BP神经网络的初始权值和阈值进行优化,得到最优初始权值和阈值,然后将该最优初始权值和阈值赋予BP神经网络进行训练;
步骤C、将待反演的二氧化碳监测点的数据与浓度数据输入训练完成后的BP神经网络进行反演,得到工业园区内二氧化碳排放源的位置与强度数据。
2.根据权利要求1所述的一种工业园区内二氧化碳排放源位置和强度的反演方法,其特征在于:
步骤B中,所述采用鹈鹕优化算法POA对BP神经网络的权值和阈值进行优化的过程包括:
S1、构建BP神经网络,并初始化BP神经网络的权值和阈值;
S2、鹈鹕种群初始化,在全局范围内随机产生猎物,计算其适应度函数值Fp,通过比较第i个候选解的适应度函数值与Fp的大小更新鹈鹕个体的位置,其中,所述适应度函数值为反演数据集的均方误差平均值;
S4、循环迭代,直至达到最大迭代次数或计算精度满足要求,此时得到的全局最优解即为BP神经网络的最优初始权值和阈值。
4.根据权利要求2或3所述的一种工业园区内二氧化碳排放源位置和强度的反演方法,其特征在于:
所述步骤S2基于以下公式进行鹈鹕种群初始化:
xi,j=lj+rand·(uj-lj),i=1,2,...,N,j=1,2,...,m
上式中,xi,j为第i个鹈鹕个体的第j维位置,uj、lj分别为第j维位置的上、下边界,rand是[0,1]内的随机数,N、m分别为鹈鹕的种群数量、维度数。
6.根据权利要求2所述的一种工业园区内二氧化碳排放源位置和强度的反演方法,其特征在于:
步骤S1中,所述构建BP神经网络包括:
先基于反演数据集确定BP神经网络的输入层节点数和输出层节点数,然后计算得到多个隐含层节点数的可行值,再将各可行值带入模型中进行计算,选取均方误差最小的可行值作为最佳隐含层节点数,最后基于输入层节点数、输出层节点数以及最佳隐含层节点数构建BP神经网络。
8.根据权利要求1所述的一种工业园区内二氧化碳排放源位置和强度的反演方法,其特征在于:
步骤A中,所述二氧化碳监测点的位置与浓度数据采用AERMOD大气扩散模型对工业园区内二氧化碳的分布进行模拟后得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384172.4A CN115879367A (zh) | 2022-11-07 | 2022-11-07 | 一种工业园区内二氧化碳排放源位置和强度的反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211384172.4A CN115879367A (zh) | 2022-11-07 | 2022-11-07 | 一种工业园区内二氧化碳排放源位置和强度的反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879367A true CN115879367A (zh) | 2023-03-31 |
Family
ID=85759470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211384172.4A Pending CN115879367A (zh) | 2022-11-07 | 2022-11-07 | 一种工业园区内二氧化碳排放源位置和强度的反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879367A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
-
2022
- 2022-11-07 CN CN202211384172.4A patent/CN115879367A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN107346459B (zh) | 一种基于遗传算法改进的多模式污染物集成预报方法 | |
CN111080070A (zh) | 一种基于空间误差的城市土地利用模拟元胞自动机方法 | |
CN110895878B (zh) | 一种基于ge-gan的交通状态虚拟检测器的生成方法 | |
CN111260138B (zh) | 加权和自适应并行关联规则的火电机组能耗动态优化方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN115879367A (zh) | 一种工业园区内二氧化碳排放源位置和强度的反演方法 | |
CN112765902B (zh) | 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法 | |
CN106295908A (zh) | 一种svm风电功率预测方法 | |
CN117497038B (zh) | 一种基于核方法的快速优化培养基配方的方法 | |
CN114611948A (zh) | 基于波动项、趋势项分解的滑坡位移预测方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN114186709A (zh) | 基于帝王蝶算法优化灰色模型关键参数的能源预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116306234B (zh) | 一种燃气轮机的氮氧化物预测排放检测方法及*** | |
CN112561200A (zh) | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 | |
CN116881676A (zh) | 一种露天坑涌水量的预测方法 | |
CN113722853B (zh) | 一种面向智能计算的群智能进化式工程设计约束优化方法 | |
CN116341929A (zh) | 一种基于聚类和自适应梯度提升决策树的预测方法 | |
CN115860189A (zh) | 一种低碳目标下土地利用空间格局优化方法及*** | |
CN116187150A (zh) | 一种基于改进型蚁群算法的空气污染源反演方法 | |
CN112086135B (zh) | 状态分析方法、装置和设备 | |
CN114063623B (zh) | 一种基于多策略改进的黏菌算法的机器人路径规划方法 | |
CN114282614B (zh) | 基于随机森林和ifda优化cnn-gru的中长期径流预测方法 | |
CN116663334B (zh) | 一种监测站点大气污染物本地排放贡献的量化识别方法 |
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 |