一种工业园区内二氧化碳排放源位置和强度的反演方法技术

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。本发明专利技术利用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。碳排放源的反演精准度。碳排放源的反演精准度。

【技术实现步骤摘要】
一种工业园区内二氧化碳排放源位置和强度的反演方法


[0001]本专利技术属于数据处理
，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。

技术介绍

[0002]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系统的异常变化。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。
[0003]基于数据的模型过程并不复杂，BP神经网络(Back Propagation Neural Network,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。

技术实现思路

[0004]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。
[0005]为实现以上目的，本专利技术的技术方案如下：
[0006]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：<br/>[0007]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；
[0008]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；
[0009]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。
[0010]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：
[0011]S1、构建BP神经网络，并初始化BP神经网络的权值和阈值；
[0012]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F
p
，通过比较第i个候选解的适应度函数值与F
p
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；
[0013]S3、计算更新后的鹈鹕个体位置附近的点的适应度函数值通过比较第i个候
选解的适应度函数值与的大小再次更新鹈鹕个体的位置；
[0014]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。
[0015]所述步骤S2根据以下公式更新鹈鹕个体的位置：
[0016][0017][0018]上式中，x
i，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，F
i
为第i个候选解的适应度函数值，p
j
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，X
i
为第一阶段更新前第i个鹈鹕个体的位置，X
i
＝[x
i，1
ꢀ…ꢀ
x
i，j
ꢀ…ꢀ
x
i，m
]1×
m
，m为维度数。
[0019]所述步骤S2基于以下公式进行鹈鹕种群初始化：
[0020]x
i，j
＝l
j
+rand
·
(u
j
‑
l
j
)，i＝1，2，...，N，j＝1，2，...，m上式中，x
i，j
为第i个鹈鹕个体的第j维位置，u
j
、l
j
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。
[0021]所述步骤S3根据以下公式再次更新鹈鹕个体的位置：
[0022][0023][0024]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。
[0025]步骤S1中，所述构建BP神经网络包括：
[0026]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。
[0027]所述隐含层节点数的可行值通过以下公式计算得到：
[0028][0029]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。
[0030]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。
[0031]与现有技术相比，本专利技术的有益效果为：
[0032]本专利技术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，本专利技术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
[0033]图1为实施例1的流程图。
[0034]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。
[0035]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。
[0036]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。
[0037]图5为实施例1对二氧化碳排放源排放强度本文档来自技高网...

【技术保护点】

【技术特征摘要】
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F
p
，通过比较第i个候选解的适应度函数值与F
p
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；S3、计算更新后的鹈鹕个体位置附近的点的适应度函数值通过比较第i个候选解的适应度函数值与的大小再次更新鹈鹕个体的位置；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。3.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：所述步骤S2根据以下公式更新鹈鹕个体的位置：所述步骤S2根据以下公式更新鹈鹕个体的位置：上式中，x
i，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，F
i
为第i个候选解的适应度函数值，p
j
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，X
i
为第一阶段更新前第i个鹈鹕个体的位置，X
i
＝[x
i，1
…
x
i，j
…
x
...

【专利技术属性】
技术研发人员：汪颖翔，邓广宇，董明齐，雷何，方仍存，桑子夏，李斯吾，张晓星，田双双，郑云飞，迟赫天，周思璇，荆琳，
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：