基于多源数据的能源碳排放预测方法及系统技术方案

本发明专利技术公开了一种基于多源数据的能源碳排放预测方法，包括获取目标区域的运行数据信息、处理得到数据集并进行划分；初始化SA算法、PSO算法和LSSVM算法；基于PSO算法中每个粒子的适应度值更新个体局部最优值和全局最优值；根据SA算法更新当前粒子的位置并生成新的粒子；根据PSO算法中粒子的相应数据进行退火操作；迭代完成后得到训练后的LSSVM算法模型；对LSSVM算法模型进行若干次精度检验并在符合条件时将输出的数据进行反归一化得到最终的碳排放预测数据。本发明专利技术还公开了一种实现所述基于多源数据的能源碳排放预测方法的系统。本发明专利技术的可靠性高、准确性好且简单实用。准确性好且简单实用。准确性好且简单实用。

【技术实现步骤摘要】
基于多源数据的能源碳排放预测方法及系统


[0001]本专利技术属于电气自动化领域，具体涉及一种基于多源数据的能源碳排放预测方法及系统。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。
[0003]目前，随着环境问题的日益加剧，人们对于电能的需求也越来越多。因此，准确的对目标区域的碳排放进行预测，能够为电力系统未来的规划、项目的建设和电力系统的运行带来极大地帮助。
[0004]目前，常用的碳排放预测方法，主要采用的是STIRPAT模型、CGE模型和LEAP模型等进行预测。但是，这类预测方法，一般都存在模型过于复杂和预测精度较低的缺陷。

技术实现思路

[0005]本专利技术的目的之一在于提供一种可靠性高、准确性好且简单实用的基于多源数据的能源碳排放预测方法。
[0006]本专利技术的目的之二在于提供一种实现所述基于多源数据的能源碳排放预测方法的系统。
[0007]本专利技术提供的这种基于多源数据的能源碳排放预测方法，包括如下步骤：
[0008]S1.获取目标区域的运行数据信息；
[0009]S2.对步骤S1获取的数据信息进行处理，得到数据集并进行划分；
[0010]S3.对SA算法、PSO算法和LSSVM算法进行初始化；
[0011]S4.基于PSO算法中每个粒子的适应度值，对个体局部最优值和全局最优值进行更新；
[0012]S5.根据SA算法对当前粒子的位置进行更新，并生成新的粒子；
[0013]S6.根据PSO算法中粒子的相应数据，采用基于牛顿冷却定律的降温方式进行退火操作；
[0014]S7.当迭代完成后，得到最终的训练后的LSSVM算法模型；
[0015]S8.对步骤S8得到的LSSVM算法模型进行若干次精度检验，并在精度达到设定条件时，将输出的数据进行反归一化处理，得到最终的碳排放预测数据。
[0016]步骤S1所述的获取目标区域的运行数据信息，具体包括如下步骤：
[0017]获取夜间灯光数据DMSP
‑
OLS和NPP
‑
VIIRS，并依次用变量x
n1
和x
n2
表示；
[0018]获取与碳排放相关的社会经济数据，并表示为{x
se1
,x
se2
,
…
,x
seN
}；
[0019]获取与碳排放相关的能源数据，并表示为{x
e1
,x
e2
,
…
,x
eM
}。
[0020]步骤S2所述的对步骤S1获取的数据信息进行处理，得到数据集并进行划分，具体包括如下步骤：
[0021]对获取的数据中的空缺值，采用相邻两个时间点的数据均值进行填补；
[0022]然后，采用如下公式对数据进行归一化操作：然后，采用如下公式对数据进行归一化操作：为归一化后的数据，x
i
为归一化前的数据，x
min
为归一化前的数据最小值，x
max
为归一化前的数据最大值；
[0023]采用k折交叉验证法划分数据集。
[0024]步骤S3所述的对SA算法、PSO算法和LSSVM算法进行初始化，具体包括如下步骤：
[0025]初始化的算法参数和最大迭代次数；
[0026]采用均方差函数作为适应度函数来判断LSSVM模型的准确率与泛化能力，其中n为样本数，y
ij
为PSO算法中粒子i的第j个样本的预测值，为期望值。
[0027]步骤S4所述的基于PSO算法中每个粒子的适应度值，对个体局部最优值和全局最优值进行更新，具体包括如下步骤：
[0028]将每个粒子计算得到的适应度函数值f(i)，分别与个体局部最优值p(i)、全局最优值g(i)进行比较：若f(i)≤p(i)，则将p(i)的值替换为f(i)；若f(i)＞p(i)，则将g(i)的值替换为f(i)。
[0029]步骤S5所述的根据SA算法对当前粒子的位置进行更新，并生成新的粒子，具体包括如下步骤：
[0030]根据SA算法中的Metropolis准则，计算各粒子在当前温度下的p(i)
‑
g(i)的差值，p(i)为个体局部最优值，g(i)为全局最优值；
[0031]若差值小于0，则将p(i)值作为当前新的局部最优值；
[0032]若差值大于或等于0，则以状态转移概率e
‑
(p(i)
‑
g(i))/t
将p(i)值作为当前新的局部最优值。
[0033]步骤S6所述的根据PSO算法中粒子的相应数据，采用基于牛顿冷却定律的降温方式进行退火操作，具体包括如下步骤：
[0034]粒子的速度更新公式为其中为t+1时刻粒子的速度，为t时刻粒子的速度，为t+1时刻粒子的位置；
[0035]粒子的位置更新公式为其中为t+1时刻粒子的位置；为t时刻粒子的位置；γ1为第一学习参数；r1为0～1之间的第一随机数；p
id
为粒子的局部最优解的第d维；γ2为第二学习参数；r2为0～1之间的第二随机数；g
d
为全局最优解的第d维；ω为惯性权重，且ω＝max{ω
min
,min{ω
max
,ω
update
}}，其中ω
min
为当前最小的惯性权重，ω
max
为当前最大的惯性权重，ω
update
为迭代更新后的惯性权重且ω
update
＝(ω
max
‑
ω
min
)(t
max
‑
t)/t
max
+ln(1+(tπ/θ)
η
)+ω
min
，t
max
为最大迭代次数，t为当前迭代的次数，θ为波动周期，η为波动程度控制因子；
[0036]基于牛顿冷却定律的温度衰减函数为其中T
i
为当
前时刻温度，T
e
为周围环境温度，为初始温度，k为衰减系数，t
‑
t0为时间差。
[0037]步骤S8所述的检验，具体包括如下步骤：
[0038]采用如下评价指标进行检验：
[0039][0040][0041][0042]式中N为预测总样本数；为第i个样本的真实值；为第i个样本的预测值。
[0043]本专利技术还公开了一种实现所述基于多源数据的能源碳排放预测方法的系统，具体包括数据获取模块、数据处理模块、初始化模块、最优值更新模块、粒子更新模块、退火模块、模型输出模块和预测模块；数据获取模块、数据处理模块、初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据的能源碳排放预测方法，包括如下步骤：S1.获取目标区域的运行数据信息；S2.对步骤S1获取的数据信息进行处理，得到数据集并进行划分；S3.对SA算法、PSO算法和LSSVM算法进行初始化；S4.基于PSO算法中每个粒子的适应度值，对个体局部最优值和全局最优值进行更新；S5.根据SA算法对当前粒子的位置进行更新，并生成新的粒子；S6.根据PSO算法中粒子的相应数据，采用基于牛顿冷却定律的降温方式进行退火操作；S7.当迭代完成后，得到最终的训练后的LSSVM算法模型；S8.对步骤S8得到的LSSVM算法模型进行若干次精度检验，并在精度达到设定条件时，将输出的数据进行反归一化处理，得到最终的碳排放预测数据。2.根据权利要求1所述的基于多源数据的能源碳排放预测方法，其特征在于步骤S1所述的获取目标区域的运行数据信息，具体包括如下步骤：获取夜间灯光数据DMSP
‑
OLS和NPP
‑
VIIRS，并依次用变量x
n1
和x
n2
表示；获取与碳排放相关的社会经济数据，并表示为{x
se1
,x
se2
,
…
,x
seN
}；获取与碳排放相关的能源数据，并表示为{x
e1
,x
e2
,
…
,x
eM
}。3.根据权利要求2所述的基于多源数据的能源碳排放预测方法，其特征在于步骤S2所述的对步骤S1获取的数据信息进行处理，得到数据集并进行划分，具体包括如下步骤：对获取的数据中的空缺值，采用相邻两个时间点的数据均值进行填补；然后，采用如下公式对数据进行归一化操作：然后，采用如下公式对数据进行归一化操作：为归一化后的数据，x
i
为归一化前的数据，x
min
为归一化前的数据最小值，x
max
为归一化前的数据最大值；采用k折交叉验证法划分数据集。4.根据权利要求3所述的基于多源数据的能源碳排放预测方法，其特征在于步骤S3所述的对SA算法、PSO算法和LSSVM算法进行初始化，具体包括如下步骤：初始化的算法参数和最大迭代次数；采用均方差函数作为适应度函数来判断LSSVM模型的准确率与泛化能力，其中n为样本数，y
ij
为PSO算法中粒子i的第j个样本的预测值，为期望值。5.根据权利要求4所述的基于多源数据的能源碳排放预测方法，其特征在于步骤S4所述的基于PSO算法中每个粒子的适应度值，对个体局部最优值和全局最优值进行更新，具体包括如下步骤：将每个粒子计算得到的适应度函数值f(i)，分别与个体局部最优值p(i)、全局最优值g(i)进行比较：若f(i)≤p(i)，则将p(i)的值替换为f(i)；若f(i)＞p(i)，则将g(i)的值替换为f(i)。6.根据权利要求5所述的基于多源数据的能源碳排放预测方法，其特征在于步骤S5所述的根据SA算法对当前粒子的位置进行更新，并生成新的粒子，具体包括如下步骤：
根据SA算法中的Metropolis准则，计算各粒子在当前温度下的p(i)
‑
g(i)的差值，p(i)为个体局部最优值，g(i)为全局最优值；若差值小于0，则将p(i)值作为当前新的局部最优值；若差值大于或等于0，则以状态转移概率e
‑
(p(i)
‑
g(i))/t<...

【专利技术属性】
技术研发人员：文明，文博，梁海维，蒋童，谭玉东，胡资斌，
申请(专利权)人：国网湖南省电力有限公司经济技术研究院国家电网有限公司，
类型：发明
国别省市：