一种基于深度学习算法的电力碳排放预测系统技术方案

本发明专利技术涉及预测系统技术领域，且公开了一种基于深度学习算法的电力碳排放预测系统，包括传感器、数据检测模组、数据采集模块、数据分解系统和电网负载预测模块；所述传感器接收发电厂的排放量，其传感器接收的电信号发送至数据采集模块；所述数据检测模块检测电网的负载、电压和频率，其数据检测模块将检测的数据传输至数据采集模块。通过梯度下降式学习和卷积网络神经学习的相互配合，从而可以大幅度提高学习后所输出数值的精准性，并且在学习预测数据过程中，所预测出来的数据不符合监督者设定的阈值时，该监督学习端则会继续反馈并重新调整参数进行输出，以此来确保对电网排放量预测的精准性。测的精准性。测的精准性。

【技术实现步骤摘要】
一种基于深度学习算法的电力碳排放预测系统


[0001]本专利技术涉及一种预测系统，更具体的说是一种基于深度学习算法的电力碳排放预测系统。

技术介绍

[0002]电网是连接发电端与用电端的枢纽，在推动新型电力系统建设和电力行业低碳转型中将发挥越来越重要的作用。电力行业的减排成效直接关系我国“双碳”目标能否实现。因此，电力大数据的碳排放综合预测具有重要意义。
[0003]电力碳排放预测系统是一个实时多变的系统，因此构建模型、输出结果的反应时间要短，但是现有的电力碳排放预测系统，预测的精准性相对较差，并且在缺少第三方监管的情况下，部分影响因素的变化趋势无法完全展现出来，从而不能较准确的预测电力行业碳排放的发展趋势。

技术实现思路

[0004]本专利技术主要解决的技术问题是提供一种基于深度学习算法的电力碳排放预测系统，解决了上述
技术介绍
中的问题。
[0005]为解决上述技术问题，根据本专利技术的一个方面，更具体的说是一种基于深度学习算法的电力碳排放预测系统，包括传感器、数据检测模组、数据采集模块、数据分解系统和电网负载预测模块；所述传感器接收发电厂的排放量，其传感器接收的电信号发送至数据采集模块；所述数据检测模块检测电网的负载、电压和频率，其数据检测模块将检测的数据传输至数据采集模块；所述数据采集模块通过数据分解系统与电网负载预测模块信号连接。
[0006]更进一步的，所述数据分解系统包括云服务器端、交互模块、存储模块、控制模块和解析模块，所述云服务器端的输出端与交互模块的输入端信号连接，所述交互模块的输出端与控制模块的输入端信号连接。
[0007]更进一步的，所述数据分解系统连接有第三方监管；所述控制模块信号连接有存储模块和解析模块。
[0008]更进一步的，所述电网负载预测模块内部嵌设有深度学习模块，所述深度学习模块包括自主学习端和监督学习端；所述自主学习端根据预设逻辑自行调节结构参数。
[0009]更进一步的，所述监督学习端对学习内容进行分类，并通过梯度下降式学习和利用卷积网络神经学习；所述梯度下降式学习包括初始化、循环操作和输出最终结果，其初始化为随机选取取值范围内部的任意数值，之后在循环操作中计算梯度并修改新的变量，同时需要判断是否达到终止，如果前后两次的数据差的绝对值都小于阈值，则跳出该梯度下降式学习的循环。
[0010]更进一步的，所述梯度下降式学习输出结果后，再次利用卷积网络神经进行学习；所述网络神经学习包括准备数据、前向传播和计算损失，所述前向传播中网络将输入数据
通过网络层层传递，并在每一层进行特征提取，提取出的特征数值通过使用过滤逻辑来过滤偏差较大的特征数据，并在最后将提取出来的特征数据进行拼接。
[0011]更进一步的，所述监督学习端采集历史排放数据，并对所采集的历史排放数据进行数据分类，所述监督学习端继续调用数据库中的数据。
[0012]更进一步的，所述监督学习端在调用数据库中数据后，以实现预测数据复合目标范围。
[0013]更进一步的，所述监督学习端无法实现预测数据复合目标范围后，即所预测的数据存在偏差，所述监督学习端需重新调用结构逻辑并调节结构参数。
[0014]更进一步的，在所述调节结构逻辑中的结构参数被调节之后，再次调用数据库中的数据进行预测其数据范围是否在目标范围内；其数据范围在目标范围内则输出预测数据，其输出的预测数据不在目标范围内，则反馈并重新对预测存在偏差的数据进行调用结构逻辑和调节结构参数。
[0015]本专利技术一种基于深度学习算法的电力碳排放预测系统的有益效果为：
[0016]1、通过梯度下降式学习和卷积网络神经学习的相互配合，从而可以大幅度提高学习后所输出数值的精准性，并且在学习预测数据过程中，所预测出来的数据不符合监督者设定的阈值时，该监督学习端则会继续反馈并重新调整参数进行输出，以此来确保对电网排放量预测的精准性；
[0017]2、通过使用第三方监管的设计，这样可以确保该系统即能够完全自主的自主学习，也能够在第三方的监管下进行监督学习，这样即可以避免该预测系统过度对电网排放进行预测，提高监管的人员的主动性，实现该电网的预测系统能够根据实际情况进行工作。
附图说明
[0018]下面结合附图和具体实施方法对本专利技术做进一步详细的说明。
[0019]图1为本专利技术结构示意图；
[0020]图2为本专利技术数据分解系统的结构示意图；
[0021]图3为本专利技术电网负载预测模块的结构示意图；
[0022]图4为本专利技术监督学习的流程图。
具体实施方式
[0023]下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0024]如图1
‑
4所示，根据本专利技术的一个方面，提供了一种基于深度学习算法的电力碳排放预测系统，包括传感器、数据检测模组、数据采集模块、数据分解系统和电网负载预测模块；传感器接收发电厂的排放量，其传感器接收的电信号发送至数据采集模块；数据检测模块检测电网的负载、电压和频率，其数据检测模块将检测的数据传输至数据采集模块；数据采集模块通过数据分解系统与电网负载预测模块信号连接，传感器是用来采集发电厂中火力等实际排放量的大小，而电网中数据检测模组用来监测电网负载，通过负载、电压和电流等检测负载损耗、电缆传输的损耗。
[0025]在本实施例中，数据分解系统包括云服务器端、交互模块、存储模块、控制模块和
解析模块，云服务器端的输出端与交互模块的输入端信号连接，交互模块的输出端与控制模块的输入端信号连接，数据分解系统连接有第三方监管；控制模块信号连接有存储模块和解析模块，通过使用第三方监管的设计，这样可以确保该系统即能够完全自主的自主学习，也能够在第三方的监管下进行监督学习，这样即可以避免该预测系统过度对电网排放进行预测，提高监管的人员的主动性，实现该电网的预测系统能够根据实际情况进行工作。
[0026]在本实施例中，电网负载预测模块内部嵌设有深度学习模块，深度学习模块包括自主学习端和监督学习端；自主学习端根据预设逻辑自行调节结构参数，监督学习端对学习内容进行分类，并通过梯度下降式学习和利用卷积网络神经学习；梯度下降式学习包括初始化、循环操作和输出最终结果，其初始化为随机选取取值范围内部的任意数值，之后在循环操作中计算梯度并修改新的变量，同时需要判断是否达到终止，如果前后两次的数据差的绝对值都小于阈值，则跳出该梯度下降式学习的循环，通过梯度下降式学习和卷积网络神经学习的相互配合，从而可以大幅度提高学习后所输出数值的精准性，并且在学习预测数据过程中，所预测出来的数据不符合监督者设定的阈值时，该监督学习端则会继续反馈并重新调整参数进行输出，以此来确保对电网排放量预测的精准性。
[0027]在本实施例中，梯度下降式学习输出结果后，再次利用卷积网络神经进行学习；网络神经学习包括准备数据、前向传播和计算损失，前向传播中网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的电力碳排放预测系统，其特征在于，包括传感器、数据检测模组、数据采集模块、数据分解系统和电网负载预测模块；所述传感器接收发电厂的排放量，其传感器接收的电信号发送至数据采集模块；所述数据检测模块检测电网的负载、电压和频率，其数据检测模块将检测的数据传输至数据采集模块；所述数据采集模块通过数据分解系统与电网负载预测模块信号连接。2.根据权利要求1所述的基于深度学习算法的电力碳排放预测系统，其特征在于：所述数据分解系统包括云服务器端、交互模块、存储模块、控制模块和解析模块，所述云服务器端的输出端与交互模块的输入端信号连接，所述交互模块的输出端与控制模块的输入端信号连接。3.根据权利要求2所述的基于深度学习算法的电力碳排放预测系统，其特征在于：所述数据分解系统连接有第三方监管；所述控制模块信号连接有存储模块和解析模块。4.根据权利要求1所述的基于深度学习算法的电力碳排放预测系统，其特征在于：所述电网负载预测模块内部嵌设有深度学习模块，所述深度学习模块包括自主学习端和监督学习端；所述自主学习端根据预设逻辑自行调节结构参数。5.根据权利要求4所述的基于深度学习算法的电力碳排放预测系统，其特征在于：所述监督学习端对学习内容进行分类，并通过梯度下降式学习和利用卷积网络神经学习；所述梯度下降式学习包括初始化、循环操作和输出最终结果，其初始化为随机选取取值范围内部的任意数值，之后在循环操作中计算梯度并修改新的变量，同时需要判断是否达到终...

【专利技术属性】
技术研发人员：雪拉提，
申请(专利权)人：国网新疆电力有限公司信息通信公司，
类型：发明
国别省市：