【技术实现步骤摘要】
考虑天气因素的园区碳排放图神经网络预测方法及系统
[0001]本专利技术涉及产业园区碳预测
,尤其是涉及一种基于
BigClam
的考虑天气因素的产业园区碳排放量预测的方法及系统
。
技术介绍
[0002]产业园区的基础设施是园区的重要组成部分,园区内的能源与物质的应用
、
传输绝大部分都是在基础设施上进行,园区的碳排放绝大部分来自基础设施的排放
。
因此,对园区的碳排放量进行相关精确计算和准确预测,需要对来自基础设施的多种类型的复杂时间序列数据进行精确的统计与运用的同时,也需要考虑各基础设施间的能量和物质传输关系和园区的天气因素
。
[0003]通过经典的时间序列模型和基于神经网络的时间序列预测方法预测园区的碳排放量,需要基于园区单独基础设施的历史时间序列碳排放数据进行预测,并由此汇总全部的园区基础设施的碳排放预测数据
。
这种方法忽略了园区内不同基础设施之间的相互作用和耦合关系,无法准确预测碳排放量的分布和影响范围
。
因此,这类方法的预测精度和准确性存在一定的局限性
。
[0004]此外,某些天气特征与园区碳排放量之间存在着一定的关联性
。
例如,高温天气可能会导致电力
、
制冷等设施的负荷增加,从而增加碳排放量
。
而降雨天气可能会导致园区内交通拥堵
、
能源设施故障等,从而影响碳排放量的分布和影响范围
。 >[0005]因此,在现有技术中,常用的时间序列预测模型难以提取出复杂园区的基础设施的特征关系,并且尚未由将天气因素对园区碳排放的影响纳入考量的方案,现有模型在准测碳排放量的分布和影响范围还有许多不足,精度和准确性有待提升
。
技术实现思路
[0006]本专利技术的目的是克服上述现有技术存在的缺陷而提供一种基于
BigClam
方法的考虑天气因素的园区碳排放量预测的方法及系统
。
[0007]本专利技术的目的可以通过以下技术方案来实现:
[0008]作为本专利技术的第一方面,提供一种考虑天气因素的园区碳排放图神经网络预测方法,步骤包括:
[0009]获取园区拓扑数据,构建用于生成园区图结构网络的图结构生成模型;
[0010]使用
BigClam
聚类算法,对园区图结构网络进行聚类,生成对应的多个园区子图结构网络;
[0011]基于园区子图结构网络,重新生成园区图结构网络;
[0012]获取园区各基础设施的碳排放历史时间序列数据和园区天气历史时间序列数据,制作为园区子图碳排放预测数据集;
[0013]搭建两个
STGCN
模型,分别用于预测园区子图碳排和园区碳排放;
[0014]基于园区子图结构网络,使用园区子图碳排放预测数据集对一个
STGCN
模型进行
训练,得到用于园区子图碳排放预测模型以及子图结构网络的汇总碳排放时间序列数据;
[0015]获得各子图结构网络的汇总碳排放数据序列数据,并制作为园区碳排放数据集;
[0016]基于园区图结构网络,使用园区碳排放数据集对另一个
STGCN
模型进行训练,得到用于园区碳排放预测模型;
[0017]获取实时的基础设施碳排放量,通过园区碳排放预测模型,获取园区碳排放的预测数据
。
[0018]进一步的,所述图结构生成模型采用
GraphRNN
模型,
[0019]所述
GraphRNN
模型结构包括依次设置的输入层
、
编码器
、
注意力机制
GAT、GraphRNN、
损失函数和输出层;所述
GraphRNN
包括节点生成
RNN
和边生成
RNN
;
[0020]其中,所述输入层用于输入训练图信息;编码器用于将训练图信息转换成邻接矩阵;注意力机制
GAT
用于为邻接矩阵中的节点加权;节点生成
RNN
用于生成训练图的拓扑结构;边生成
RNN
用于生成图的边及边的信息;损失函数用于衡量预测结果与真实结果之间的图结构相似程度;输出层输出的是由邻接向量组成的邻接矩阵,并由邻接矩阵得到生成的图结构
。
[0021]进一步的,所述
GraphRNN
模型构建的具体步骤包括:
[0022]输入的训练图信息经由编码器编码,将图结构表示为邻接矩阵
A
和特征矩阵
X
的组合;其中,邻接矩阵
A
是一个二元矩阵,表示节点之间是否有边相连,特征矩阵
X
包含了每个节点的特征向量;
[0023]通过注意力机制
GAT
对邻接矩阵
A
和特征矩阵
X
进行编码得到隐藏状态
h
;通过输出层将隐藏状态
h
转化为新的邻接矩阵
A
′
和特征矩阵
X
′
,从而生成一个新的图结构;
[0024]GraphRNN
模型将图表示为
G
,其概率分布如下:
[0025][0026]其中,
G
=
(V,E,X)
表示一个图结构,
V
是节点集合,
E
是边集合,
X
是节点的特征矩阵,
T
是图生成的步数,
A
t
和
X
t
分别表示在第
t
步生成的邻接矩阵和特征矩阵;
[0027]p(A
t
|V,A
<
t
)
表示在已知节点集合
V
和前
t
‑1步生成的邻接矩阵
A
<
t
的条件下,在第
t
步生成的邻接矩阵
A
t
的概率分布;
[0028]p(X
t
|V,X
<
t
,A
t
)
表示在已知节点集合
V、
前
t
‑1步生成的特征矩阵
X
<
t
和第
t
步生成的邻接矩阵
A
t
的条件下,在第
t
步生成的特征矩阵
X
t
的概率分布
。
[0029]进一步的,使用所述
BigClam
聚类算法生成园区子图结构网络的步骤如下:
[0030]确定园区图结构网络的邻接矩阵本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种考虑天气因素的园区碳排放图神经网络预测方法,其特征在于,步骤包括:获取园区拓扑数据,构建用于生成园区图结构网络的图结构生成模型;使用
BigClam
聚类算法,对园区图结构网络进行聚类,生成对应的多个园区子图结构网络;基于园区子图结构网络,重新生成园区图结构网络;获取园区各基础设施的碳排放历史时间序列数据和园区天气历史时间序列数据,制作为园区子图碳排放预测数据集;搭建两个
STGCN
模型,分别用于预测园区子图碳排和园区碳排放;基于园区子图结构网络,使用园区子图碳排放预测数据集对一个
STGCN
模型进行训练,得到用于园区子图碳排放预测模型以及子图结构网络的汇总碳排放时间序列数据;获得各子图结构网络的汇总碳排放数据序列数据,并制作为园区碳排放数据集;基于园区图结构网络,使用园区碳排放数据集对另一个
STGCN
模型进行训练,得到用于园区碳排放预测模型;获取实时的基础设施碳排放量,通过园区碳排放预测模型,获取园区碳排放的预测数据
。2.
根据权利要求1所述的一种考虑天气因素的园区碳排放图神经网络预测方法,其特征在于,所述图结构生成模型采用
GraphRNN
模型,所述
GraphRNN
模型结构包括依次设置的输入层
、
编码器
、
注意力机制
GAT、GraphRNN、
损失函数和输出层;所述
GraphRNN
包括节点生成
RNN
和边生成
RNN
;其中,所述输入层用于输入训练图信息;编码器用于将训练图信息转换成邻接矩阵;注意力机制
GAT
用于为邻接矩阵中的节点加权;节点生成
RNN
用于生成训练图的拓扑结构;边生成
RNN
用于生成图的边及边的信息;损失函数用于衡量预测结果与真实结果之间的图结构相似程度;输出层输出的是由邻接向量组成的邻接矩阵,并由邻接矩阵得到生成的图结构
。3.
根据权利要求2所述的一种考虑天气因素的园区碳排放图神经网络预测方法,其特征在于,所述
GraphRNN
模型构建的具体步骤包括:输入的训练图信息经由编码器编码,将图结构表示为邻接矩阵
A
和特征矩阵
X
的组合;其中,邻接矩阵
A
是一个二元矩阵,表示节点之间是否有边相连,特征矩阵
X
包含了每个节点的特征向量;通过注意力机制
GAT
对邻接矩阵
A
和特征矩阵
X
进行编码得到隐藏状态
h
;通过输出层将隐藏状态
h
转化为新的邻接矩阵
A
′
和特征矩阵
X
′
,从而生成一个新的图结构;
GraphRNN
模型将图表示为
G
,其概率分布如下:其中,
G
=
(V
,
E
,
X)
表示一个图结构,
V
是节点集合,
E
是边集合,
X
是节点的特征矩阵,
T
是图生成的步数,
A
t
和
X
t
分别表示在第
t
步生成的邻接矩阵和特征矩阵;
p(A
t
|V
,
A
<
t
)
表示在已知节点集合
V
和前
t
‑1步生成的邻接矩阵
A
<
t
的条件下,在第
t
步生成的邻接矩阵
A
t
的概率分布;
p(X
t
|V
,
X
<
t
,
A
t
)
表示在已知节点集合
V、
前
t
‑1步生成的特征矩阵
X
<
t
和第
t
步生成的邻接
矩阵
A
t
的条件下,在第
t
步生成的特征矩阵
X
t
的概率分布
。4.
根据权利要求1所述的一种考虑天气因素的园区碳排放图神经网络预测方法,其特征在于,使用所述
BigClam
聚类算法生成园区子图结构网...
【专利技术属性】
技术研发人员:方炯,姚维强,范钰波,严俊,秦雄,陈甜甜,王卉,李梦娇,刘婧,
申请(专利权)人:华东电力试验研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。