CN116934117A - 一种碳排放峰值预测方法及*** - Google Patents
一种碳排放峰值预测方法及*** Download PDFInfo
- Publication number
- CN116934117A CN116934117A CN202310892189.9A CN202310892189A CN116934117A CN 116934117 A CN116934117 A CN 116934117A CN 202310892189 A CN202310892189 A CN 202310892189A CN 116934117 A CN116934117 A CN 116934117A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- electric power
- feature
- power carbon
- matrix
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 290
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 72
- 238000009826 distribution Methods 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000009472 formulation Methods 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种碳排放峰值预测方法及***。其首先获取预定时间段内多个预定时间点的电力碳排放量,接着,对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵,最后,基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。这样,可以对碳排放峰值进行精准预测,从而有助于制定减排策略和措施,以便更有效地管理和减少碳排放,并在短时间内控制碳排放峰值。
Description
技术领域
本公开涉及智能预测领域,且更为具体地,涉及一种碳排放峰值预测方法及***。
背景技术
随着全球气候变化问题的日益严重,减少碳排放已经成为各国政府和企业的重要目标之一。为了实现减排目标,预测碳排放峰值成为一项关键任务。通过准确预测碳排放峰值,政府和企业可以制定相应的减排策略和措施,以便更有效地管理和减少碳排放,并在短时间内控制碳排放峰值。
然而,传统的碳排放峰值预测方案往往基于统计模型和历史数据进行分析。这种方法过分依赖人工操作,使得构建的模型在求解过程中受到不同因素影响,出现了较大预测偏差。也就是说,传统碳排放峰值预测方案往往无法考虑到各种复杂的因素和非线性关系,导致预测结果的准确性有限。
因此,期望一种优化的碳排放峰值预测方案。
发明内容
有鉴于此,本公开提出了一种碳排放峰值预测方法及***,其可以对碳排放峰值进行精准预测,从而有助于制定减排策略和措施,以便更有效地管理和减少碳排放,并在短时间内控制碳排放峰值。
根据本公开的一方面,提供了一种碳排放峰值预测方法,其包括:
获取预定时间段内多个预定时间点的电力碳排放量;
对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵;以及
基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。
根据本公开的另一方面,提供了一种碳排放峰值预测***,其包括:
电力碳排放量获取模块,用于获取预定时间段内多个预定时间点的电力碳排放量;
时序分析模块,用于对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵;以及
预测值生成模块,用于基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。
根据本公开的实施例,其首先获取预定时间段内多个预定时间点的电力碳排放量,接着,对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵,最后,基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。这样,可以对碳排放峰值进行精准预测,从而有助于制定减排策略和措施,以便更有效地管理和减少碳排放,并在短时间内控制碳排放峰值。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的碳排放峰值预测方法的流程图。
图2示出根据本公开的实施例的碳排放峰值预测方法的架构示意图。
图3示出根据本公开的实施例的碳排放峰值预测方法的子步骤S120的流程图。
图4示出根据本公开的实施例的碳排放峰值预测方法的子步骤S124的流程图。
图5示出根据本公开的实施例的碳排放峰值预测方法的子步骤S130的流程图。
图6示出根据本公开的实施例的碳排放峰值预测***的框图。
图7示出根据本公开的实施例的碳排放峰值预测方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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他实施例,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
传统的碳排放峰值预测方案往往基于统计模型和历史数据进行分析。这种方法过分依赖人工操作,使得构建的模型在求解过程中受到不同因素影响,出现了较大预测偏差。也就是说,传统碳排放峰值预测方案往往无法考虑到各种复杂的因素和非线性关系,导致预测结果的准确性有限。因此,期望一种优化的碳排放峰值预测方案。
相应地,考虑到在实际进行碳排放峰值预测的过程中,需要对于电力碳排放量的历史数据进行分析,以评估电力碳排放量的时序变化趋势,进而基于电力碳排放量的变化趋势来更好地进行电力碳排放峰值的预测。基于此,在本申请的技术方案中,期望基于深度学习的人工智能技术来对于电力碳排放量进行时序变化的特征提取,以此再解码出电力碳排放峰值的预测值。这样,能够对碳排放峰值进行精准预测,从而有助于制定减排策略和措施,以便更有效地管理和减少碳排放,并在短时间内控制碳排放峰值。
图1示出根据本公开的实施例的碳排放峰值预测方法的流程图。图2示出根据本公开的实施例的碳排放峰值预测方法的架构示意图。如图1和图2所示,根据本公开实施例的碳排放峰值预测方法,包括步骤:S110,获取预定时间段内多个预定时间点的电力碳排放量;S120,对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵;以及,S130,基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的电力碳排放量。应可以理解,通过对于所述多个预定时间点的电力碳排放量进行时序分析不仅可以观察提取有关于碳排放量的变化趋势信息,还能够找出与碳排放量相关的因素和影响因素。例如,在本申请的一个具体示例中,可以通过分析不同季节、工作日和节假日等因素对所述电力碳排放量的影响,以更准确地预测碳排放峰值。
然后,考虑到由于所述电力碳排放量在时间维度上有着动态性的变化规律,这种变化规律性对于后续的碳排放峰值的预测有着重要意义。因此,为了能够对于所述电力碳排放量的时序变化特征进行刻画,在本申请的技术方案中,首先,需要将所述多个预定时间点的电力碳排放量按照时间维度排列为电力碳排放量输入向量,以此来整合所述电力碳排放量在时序上的分布信息。
进一步地,还考虑到在实际进行电力碳排放峰值的预测时,需要对于所述电力碳排放量进行时序变化趋势的分析捕捉,而由于在实际进行碳排放量的监测过程中,碳排放量会存在随机波动,影响对于所述电力碳排放量整体的变化趋势分析。因此,在本申请的技术方案中,进一步对所述电力碳排放量输入向量进行趋势化处理以得到趋势化电力碳排放量输入向量,以此来减少随机波动的影响,突出长期趋势和周期性变化的特征。这样,通过趋势化处理,可以更好地捕捉到电力碳排放量的整体变化趋势。特别地,在本申请的一个具体示例中,所述趋势化电力碳排放量输入向量中各个位置的特征值是该位置之前的所有特征值之和。应可以理解,在趋势化处理中,将所述趋势化电力碳排放量输入向量每个位置的特征值设置为该位置之前所有特征值之和可以累积之前的数据信息,使得每个位置的特征值都包含了之前所有的影响。这样可以减少突发事件或季节性变化对预测结果的干扰,从而更好地反映出长期趋势的演变,有利于对于所述电力碳排放量的整体变化趋势进行分析,为后续的碳排放峰值的预测提供更准确和稳定的输入。
继而,再将所述电力碳排放量输入向量和所述趋势化电力碳排放量输入向量进行级联以得到碳排放量多维度输入向量,以此来将原始的电力碳排放量数据和趋势化处理后的数据结合起来,形成一个更具有综合性和时序性的输入向量,即所述碳排放量多维度输入向量,从而充分利用实时电力碳排放量的历史数据和趋势信息,提高预测的准确性。
然后,由于所述电力碳排放量在时间维度上具有着波动性和不确定性,其在时序上的不同时间周期跨度下呈现出不同的变化趋势和规律。因此,为了能够充分地捕捉到有关于所述电力碳排放量的时序变化特征信息,在本申请的技术方案中,进一步将所述碳排放量多维度输入向量通过包含第一卷积层和第二卷积层的多尺度时序特征提取器中进行编码以得到碳排放量多维度多尺度特征向量。特别地,这里,所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核来进行特征提取,以提取出所述电力碳排放量的原始数据和趋势化数据的融合数据信息在不同时间跨度下的多尺度时序关联特征信息。
相应地,在一种可能的实现方式中,如图3所示,对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵,包括:S121,将所述多个预定时间点的电力碳排放量按照时间维度排列为电力碳排放量输入向量;S122,对所述电力碳排放量输入向量进行趋势化处理以得到趋势化电力碳排放量输入向量;S123,将所述电力碳排放量输入向量和所述趋势化电力碳排放量输入向量进行级联以得到碳排放量多维度输入向量;以及,S124,对所述碳排放量多维度输入向量进行特征提取以得到所述电力碳排放特征矩阵。其中,在步骤S122中,所得到的所述趋势化电力碳排放量输入向量中各个位置的特征值是该位置之前的所有特征值之和。
应可以理解,在步骤S123中,级联(Concatenation)是指将两个或多个向量、矩阵或张量按照某个维度连接在一起的操作。具体来说,在级联操作中,两个向量或矩阵按照某个维度进行拼接,形成一个更大的向量或矩阵。对于电力碳排放量输入向量和趋势化电力碳排放量输入向量的级联,就是将这两个向量按照某个维度进行连接,形成一个更大的多维度输入向量。级联操作可以在水平方向(横向级联)或垂直方向(纵向级联)进行。例如,假设电力碳排放量输入向量是[1,2,3],趋势化电力碳排放量输入向量是[0.5,1.0,1.5],级联操作可以得到一个新的多维度输入向量[1,2,3,0.5,1.0,1.5]。级联操作可以将不同维度的特征信息整合在一起,提供更全面、更丰富的输入数据,从而更好地描述问题的特征和模式。在某些情况下,级联操作还可以用于将多个不同类型的特征进行融合,以提高模型的表达能力和预测性能。
更具体地,在步骤S124中,如图4所示,对所述碳排放量多维度输入向量进行特征提取以得到所述电力碳排放特征矩阵,包括:S1241,将所述碳排放量多维度输入向量通过包含第一卷积层和第二卷积层的多尺度时序特征提取器以得到碳排放量多维度多尺度特征向量;以及,S1242,对所述碳排放量多维度多尺度特征向量进行特征增强以得到所述电力碳排放特征矩阵。其中,在步骤S1231中,所述多尺度时序特征提取器包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
应可以理解,多尺度时序特征提取器是一种用于从时间序列数据中提取多尺度特征的模型或算法。多尺度时序特征提取器通常由多个并行的卷积层组成,每个卷积层使用不同尺度的一维卷积核来捕捉不同时间尺度上的特征。在步骤S1231中,多尺度时序特征提取器包括:第一卷积层,这是一个卷积神经网络的层,使用一个特定尺度的一维卷积核来提取时间序列数据中的特征;第二卷积层,这也是一个卷积神经网络的层,使用另一个不同尺度的一维卷积核来提取不同尺度上的特征;多尺度特征融合层,这是连接第一卷积层和第二卷积层的层,多尺度特征融合层将两个卷积层提取的特征进行融合,以得到多尺度的特征向量。多尺度时序特征提取器的目的是通过使用不同尺度的卷积核来捕捉时间序列数据中的不同时间尺度上的特征,从而提高特征提取的效果。这样可以更好地捕捉到时间序列数据中的长期趋势和短期波动等特征,为后续的特征增强和分析提供更丰富的信息。值得一提的是,卷积神经网络(ConvolutionalNeuralNetwork,简称CNN)是一种深度学习模型,主要用于处理具有网格结构的数据,卷积神经网络的核心思想是通过卷积层、池化层和全连接层等组件来提取输入数据的特征,并进行分类或回归等任务。其中,卷积层通过卷积操作对输入数据进行特征提取,可以捕捉到输入数据的局部关联性,池化层则用于降低特征图的维度,减少参数数量,并提高模型的鲁棒性,全连接层用于将提取到的特征映射到最终的输出类别或数值。卷积神经网络具有以下特点:局部感知性,卷积操作可以捕捉到输入数据的局部特征,减少了参数数量;参数共享,卷积层的权重参数在整个输入上共享,减少了模型的复杂性;空间层次结构,通过多层卷积和池化操作,可以逐渐提取出数据的更高级别的特征。这里,不同尺度的一维卷积核是指在一维卷积神经网络中使用具有不同大小的卷积核进行卷积操作。一维卷积操作是指在输入序列上滑动一个固定大小的窗口,并将窗口内的数据与卷积核进行逐元素相乘,然后求和得到卷积结果。不同尺度的卷积核表示卷积核的大小不同,即窗口的宽度不同。在一维卷积神经网络中,使用不同尺度的卷积核可以捕捉到不同尺度的特征,较小的卷积核可以捕捉到局部细节特征,而较大的卷积核可以捕捉到更宽范围的整体特征。通过在网络中使用不同尺度的卷积核,可以提高模型对不同尺度的特征的感知能力,从而更全面地理解输入数据。通过使用不同尺度的一维卷积核,可以增加模型的表达能力,提高对输入数据的特征提取能力,从而改善模型的性能。
进一步地,还考虑到由于所述电力碳排放量的时序动态变化在实际监测的过程中并不明显,因此,在得到所述电力碳排放量的时序多尺度动态变化特征后,期望对其进行特征表达强化。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述电力碳排放量的先验分布,即高斯分布,来对于所述电力碳排放量的时序多尺度动态关联特征进行数据增强,也就是,使用高斯密度图对所述碳排放量多维度多尺度特征向量进行特征表达强化以得到电力碳排放特征矩阵。相应地,在一种可能的实现方式中,对所述碳排放量多维度多尺度特征向量进行特征增强以得到所述电力碳排放特征矩阵,包括:使用高斯密度图对所述碳排放量多维度多尺度特征向量进行特征表达强化以得到电力碳排放特征矩阵。
应可以理解,高斯密度图是一种用于对数据分布进行建模和可视化的方法,其基于高斯分布(也称为正态分布),通过计算每个数据点在特定位置的概率密度来表示数据的分布情况。在电力碳排放特征矩阵的生成中,使用高斯密度图可以对碳排放量多维度多尺度特征向量进行特征表达强化。具体而言,对于每个特征向量,可以使用高斯密度图来表示该特征在不同取值范围内的概率密度分布。通过将特征向量映射到高斯密度图的空间中,可以更好地捕捉到特征之间的关系和数据的分布情况。在电力碳排放量分析中,使用高斯密度图可以更好地理解碳排放量的分布情况,包括峰值、集中度和异常值等。通过对特征向量进行高斯密度图的特征表达强化,可以提取出更具代表性和区分度的特征,进而构建出更准确的电力碳排放特征矩阵,为后续的分析和预测提供更可靠的基础。
值得一提的是,除了使用高斯密度图之外,在本公开的其他示例中,还可以使用其他方法对碳排放量多维度多尺度特征向量进行特征增强,以得到电力碳排放特征矩阵。例如通过下述特征增强方法对碳排放量多维度多尺度特征向量进行特征增强:1.标准化/归一化,通过对特征向量进行标准化或归一化,将其转化为均值为0,标准差为1或范围在0到1之间的形式,这可以消除不同特征之间的量纲差异,使得它们在相同的尺度上进行比较和分析;2.特征选择,通过选择最相关或最具代表性的特征,可以减少特征向量的维度并提高特征的区分度,常用的特征选择方法包括相关系数、方差分析、信息增益等;3.特征转换,通过将特征向量进行线性或非线性的转换,可以提取出更具有区分度的特征,常见的特征转换方法包括主成分分析(PCA)、线性判别分析(LDA)、核函数方法等;4.特征组合,将多个特征进行组合,生成新的特征来表示原始特征之间的关系,例如,可以计算特征向量的加和、乘积、差异等组合方式;5.特征降维:通过降低特征向量的维度,可以减少计算复杂度和存储空间,同时保留对数据的重要信息,常见的降维方法包括主成分分析(PCA)、因子分析、独立成分分析(ICA)等。这些方法可以单独或组合使用,根据具体情况选择适合的特征增强方式,以得到更具有表达能力和区分度的电力碳排放特征矩阵。
相应地,在一种可能的实现方式中,如图5所示,基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值,包括:S131,对所述电力碳排放特征矩阵进行特征分布优化以得到优化电力碳排放特征矩阵;以及,S132,将所述优化电力碳排放特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示碳排放峰值的预测值。
特别地,在本申请的技术方案中,使用高斯密度图对所述碳排放量多维度多尺度特征向量进行特征表达强化以得到电力碳排放特征矩阵时,是对于所述碳排放量多维度多尺度特征向量的每个特征值,基于所述碳排放量多维度多尺度特征向量的每两个特征值之间的方差构成的方差矩阵的行方差向量表示的方差分布,来进行与所述方差分布对应的概率密度展开,以得到所述电力碳排放特征矩阵的每个行特征向量,因此,所述电力碳排放特征矩阵实质上是各个行特征向量对应的局部特征集合组成的整体特征集合。
并且,由于所述碳排放量多维度多尺度特征向量本身遵循所述电力碳排放量和所述趋势化电力碳排放量在时序维度上的多局部尺度关联特征分布,因此所述电力碳排放特征矩阵的各个行特征向量除了具有相互关联的邻域分布关系外,还具有对应于所述时序维度下的多尺度局部关联特征分布信息的多源信息关联关系。
这样,考虑到在基于高斯密度图进行特征表达强化时,可能由于随机性导致所述电力碳排放特征矩阵的整体关联表达效果差,本申请的申请人进一步提升所述电力碳排放特征矩阵对于各个行特征向量的特征分布的整体关联分布表达效果,具体地,本申请的申请人对所述电力碳排放特征矩阵的每个位置的特征值mi,j进行空间多源融合验前信息分布优化,以获得优化后的特征值mi,j'。
相应地,在一种可能的实现方式中,对所述电力碳排放特征矩阵进行特征分布优化以得到优化电力碳排放特征矩阵,包括:以如下优化公式对所述电力碳排放特征矩阵进行空间多源融合验前信息分布优化以得到所述优化电力碳排放特征矩阵;其中,所述优化公式为:
其中,mk,l是所述电力碳排放特征矩阵的第(k,l)位置的特征值,m和n为邻域设置超参数,且当k或者j小于等于零或者大于所述电力碳排放特征矩阵的宽度或者高度时,特征值mk,l设置为零或者一,log表示以2为底的对数函数,mi,j'是所述优化电力碳排放特征矩阵的第(i,j)位置的特征值。
这里,所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计,来将所述电力碳排放特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合,实现特征局部集合各自的多源验前信息到特征全局集合的有效折合,并通过多源情况下的验前信息分布构建,来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式,以提升所述电力碳排放特征矩阵基于多源信息空间分布关联融合的表达效果,也就提升了所述电力碳排放特征矩阵的整体关联表达效果。这样,能够对碳排放峰值进行精准预测,从而有助于制定减排策略和措施,以便更有效地管理和减少碳排放,并在短时间内控制碳排放峰值。
值得一提的是,在本公开的其他示例中,对电力碳排放特征矩阵进行特征分布优化以得到优化电力碳排放特征矩阵的方式还可以采用下述几种方法:1.特征选择,通过选择最相关的特征,可以减少特征维度并提高模型的泛化能力,可以使用相关性分析、方差分析等方法来选择与碳排放峰值相关性较高的特征;2.特征缩放,将特征值进行缩放可以消除不同特征之间的量纲差异,使得模型更加稳定,常用的特征缩放方法包括标准化和归一化;3.特征组合,将多个相关的特征进行组合,可以生成新的特征,从而提高模型的表达能力,常用的特征组合方法有多项式特征、交叉特征等;4.特征转换,通过对特征进行转换,可以将原始特征映射到一个新的特征空间,从而提取更有用的信息,常用的特征转换方法包括主成分分析(PCA)、线性判别分析(LDA)等;5.特征生成,通过对原始特征进行统计分析或领域知识的引入,可以生成新的特征,例如,可以计算特定时间段内的碳排放速率、碳排放趋势等。
进而,再将所述电力碳排放特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示碳排放峰值的预测值。也就是说,以特征表达强化后的关于所述电力碳排放量的时序多尺度动态变化特征信息来进行解码,以此来对于对碳排放峰值进行精准预测,从而有助于制定减排策略和措施,以便更有效地管理和减少碳排放。相应地,在一种可能的实现方式中,将所述优化电力碳排放特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示碳排放峰值的预测值,包括:使用所述解码器的多个全连接层以如下解码公式对所述优化电力碳排放特征矩阵进行解码回归以获得所述解码值;其中,所述解码公式为:
其中,X是所述优化电力碳排放特征矩阵,Y是所述解码值,W是权重矩阵,表示矩阵乘。
应可以理解,解码回归是一种通过对特征进行解码,从而预测目标变量的方法,在本公开中,解码回归可以利用优化电力碳排放特征矩阵中的特征信息,来预测碳排放峰值的预测值。解码回归的作用是通过学习特征与目标变量之间的关系,建立一个回归模型,从而对未知样本的目标变量进行预测,在电力碳排放的应用中,解码回归可以帮助制定减排策略和措施,以更有效地管理和减少碳排放。通过解码回归,可以根据特征表达强化后的电力碳排放特征矩阵,对碳排放峰值进行精准预测,从而为决策者提供重要的参考信息。在一种可能的实现方式中,解码回归可以使用多个全连接层来对优化电力碳排放特征矩阵进行解码。全连接层是深度学习中常用的一种神经网络层,它可以将输入特征与权重进行线性组合,并通过激活函数进行非线性变换,从而得到解码值。通过多个全连接层的组合,可以学习到更复杂的特征表示和更准确的预测结果。解码回归是一种利用特征信息进行预测的方法,在电力碳排放预测中具有重要的作用,可以帮助制定减排策略和措施,实现更有效的碳排放管理和减少。
综上,基于本公开实施例的碳排放峰值预测方法,其可以对碳排放峰值进行精准预测,从而有助于制定减排策略和措施,以便更有效地管理和减少碳排放,并在短时间内控制碳排放峰值。
图6示出根据本公开的实施例的碳排放峰值预测***100的框图。如图6所示,根据本公开实施例的碳排放峰值预测***100,包括:电力碳排放量获取模块110,用于获取预定时间段内多个预定时间点的电力碳排放量;时序分析模块120,用于对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵;以及,预测值生成模块130,用于基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。
这里,本领域技术人员可以理解,上述碳排放峰值预测***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的碳排放峰值预测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的碳排放峰值预测***100可以实现在各种无线终端中,例如具有碳排放峰值预测算法的服务器等。在一种可能的实现方式中,根据本公开实施例的碳排放峰值预测***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该碳排放峰值预测***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该碳排放峰值预测***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该碳排放峰值预测***100与该无线终端也可以是分立的设备,并且该碳排放峰值预测***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7示出根据本公开的实施例的碳排放峰值预测方法的应用场景图。如图7所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的电力碳排放量(例如,图7中所示意的D),然后,将所述多个预定时间点的电力碳排放量输入至部署有碳排放峰值预测算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述碳排放峰值预测算法对所述多个预定时间点的电力碳排放量进行处理以得到用于表示碳排放峰值的预测值的解码值。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种碳排放峰值预测方法,其特征在于,包括:
获取预定时间段内多个预定时间点的电力碳排放量;
对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵;以及
基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。
2.根据权利要求1所述的碳排放峰值预测方法,其特征在于,对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵,包括:
将所述多个预定时间点的电力碳排放量按照时间维度排列为电力碳排放量输入向量;
对所述电力碳排放量输入向量进行趋势化处理以得到趋势化电力碳排放量输入向量;
将所述电力碳排放量输入向量和所述趋势化电力碳排放量输入向量进行级联以得到碳排放量多维度输入向量;以及
对所述碳排放量多维度输入向量进行特征提取以得到所述电力碳排放特征矩阵。
3.根据权利要求2所述的碳排放峰值预测方法,其特征在于,所述趋势化电力碳排放量输入向量中各个位置的特征值是该位置之前的所有特征值之和。
4.根据权利要求3所述的碳排放峰值预测方法,其特征在于,对所述碳排放量多维度输入向量进行特征提取以得到所述电力碳排放特征矩阵,包括:
将所述碳排放量多维度输入向量通过包含第一卷积层和第二卷积层的多尺度时序特征提取器以得到碳排放量多维度多尺度特征向量;以及
对所述碳排放量多维度多尺度特征向量进行特征增强以得到所述电力碳排放特征矩阵。
5.根据权利要求4所述的碳排放峰值预测方法,其特征在于,所述多尺度时序特征提取器包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
6.根据权利要求5所述的碳排放峰值预测方法,其特征在于,对所述碳排放量多维度多尺度特征向量进行特征增强以得到所述电力碳排放特征矩阵,包括:
使用高斯密度图对所述碳排放量多维度多尺度特征向量进行特征表达强化以得到电力碳排放特征矩阵。
7.根据权利要求6所述的碳排放峰值预测方法,其特征在于,基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值,包括:
对所述电力碳排放特征矩阵进行特征分布优化以得到优化电力碳排放特征矩阵;以及
将所述优化电力碳排放特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示碳排放峰值的预测值。
8.根据权利要求7所述的碳排放峰值预测方法,其特征在于,对所述电力碳排放特征矩阵进行特征分布优化以得到优化电力碳排放特征矩阵,包括:
以如下优化公式对所述电力碳排放特征矩阵进行空间多源融合验前信息分布优化以得到所述优化电力碳排放特征矩阵;
其中,所述优化公式为:
其中,mk,l是所述电力碳排放特征矩阵的第(k,l)位置的特征值,m和n为邻域设置超参数,且当k或者j小于等于零或者大于所述电力碳排放特征矩阵的宽度或者高度时,特征值mk,l设置为零或者一,log表示以2为底的对数函数,mi,j'是所述优化电力碳排放特征矩阵的第(i,j)位置的特征值。
9.根据权利要求8所述的碳排放峰值预测方法,其特征在于,将所述优化电力碳排放特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示碳排放峰值的预测值,包括:
使用所述解码器的多个全连接层以如下解码公式对所述优化电力碳排放特征矩阵进行解码回归以获得所述解码值;
其中,所述解码公式为:
其中,X是所述优化电力碳排放特征矩阵,Y是所述解码值,W是权重矩阵,表示矩阵乘。
10.一种碳排放峰值预测***,其特征在于,包括:
电力碳排放量获取模块,用于获取预定时间段内多个预定时间点的电力碳排放量;
时序分析模块,用于对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵;以及
预测值生成模块,用于基于所述电力碳排放特征矩阵,确定碳排放峰值的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310892189.9A CN116934117B (zh) | 2023-07-20 | 一种碳排放峰值预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310892189.9A CN116934117B (zh) | 2023-07-20 | 一种碳排放峰值预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934117A true CN116934117A (zh) | 2023-10-24 |
CN116934117B CN116934117B (zh) | 2024-07-30 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171090A (zh) * | 2024-05-16 | 2024-06-11 | 中南大学 | 基于区块链的碳排放监测核查方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200064195A (ko) * | 2018-11-23 | 2020-06-08 | 주식회사 씨씨미디어서비스 | 탄소세 예측 시스템 |
CN113988358A (zh) * | 2021-09-07 | 2022-01-28 | 南方电网大数据服务有限公司 | 基于迁移强化学习的碳排放指数预测与治理方法 |
CN115564114A (zh) * | 2022-10-10 | 2023-01-03 | 南京航空航天大学 | 一种基于图神经网络的空域碳排放短期预测方法及*** |
CN116108983A (zh) * | 2023-01-09 | 2023-05-12 | 湖南大学 | 基于协同时空卷积网络的城市碳排放预测方法和设备 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200064195A (ko) * | 2018-11-23 | 2020-06-08 | 주식회사 씨씨미디어서비스 | 탄소세 예측 시스템 |
CN113988358A (zh) * | 2021-09-07 | 2022-01-28 | 南方电网大数据服务有限公司 | 基于迁移强化学习的碳排放指数预测与治理方法 |
CN115564114A (zh) * | 2022-10-10 | 2023-01-03 | 南京航空航天大学 | 一种基于图神经网络的空域碳排放短期预测方法及*** |
CN116108983A (zh) * | 2023-01-09 | 2023-05-12 | 湖南大学 | 基于协同时空卷积网络的城市碳排放预测方法和设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171090A (zh) * | 2024-05-16 | 2024-06-11 | 中南大学 | 基于区块链的碳排放监测核查方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
Park et al. | Missing-insensitive short-term load forecasting leveraging autoencoder and LSTM | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN112949610A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
CN112085111A (zh) | 一种负荷辨识方法和装置 | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及*** | |
CN112988548A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
Li et al. | Load profile inpainting for missing load data restoration and baseline estimation | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
CN117875638A (zh) | 一种基于大数据的供电需求分配方法及*** | |
CN117875481A (zh) | 碳排放预测方法、电子设备和计算机可读介质 | |
CN117494898A (zh) | 一种结合注意力机制的时间序列预测方法 | |
CN116934117B (zh) | 一种碳排放峰值预测方法及*** | |
Feng et al. | Spatiotemporal prediction based on feature classification for multivariate floating-point time series lossy compression | |
CN116934117A (zh) | 一种碳排放峰值预测方法及*** | |
CN111429979A (zh) | 一种基于支持向量机分位数回归的钢材力学性能预测方法 | |
US20120179721A1 (en) | Fitness Function Analysis System and Analysis Method Thereof | |
Gu et al. | Improved similarity-based residual life prediction method based on grey Markov model | |
Wang et al. | Effective Latent Representation for Prediction of Remaining Useful Life. | |
Bogaerts et al. | A Machine Learning Approach For the Inverse Quantification of Set-Theoretical Uncertainty | |
CN117789129A (zh) | 基于马尔可夫转换场的综合能源态势感知方法及*** | |
CN117408762A (zh) | 电价预测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant |