【技术实现步骤摘要】
本专利技术涉及大数据领域，尤其涉及一种基于大数据的低碳园区碳排放评价方法及系统。
技术介绍
1、碳排放评价技术在大数据领域的应用越来越广泛，可以帮助低碳园区的碳排放评价的管理者及时、高效地获取低碳园区的碳排放评价结果，实现低碳园区的碳排放评价的智能获取。目前，低碳园区的碳排放评价具有用户信息量庞大、数据种类多样、信息密度大等特点，碳排放评价方法存在较多的不确定因素，导致低碳园区的碳排放评价方法存在较大的不确定性。虽然已经专利技术了一些一种基于大数据的低碳园区碳排放评价方法及系统，但是仍不能有效解决低碳园区的碳排放评价方法的不确定问题。
技术实现思路
1、本专利技术的目的是要提供一种基于大数据的低碳园区碳排放评价方法及系统。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括以下步骤：
4、获取低碳园区的碳排放数据，对所述碳排放数据进行预处理；
5、根据预处理的所述碳排放数据，获取评价数据，所述评价数据包括第一数据、第二数据和第三数据，所述第一数据表征碳排放数据的波动增量，所述第二数据表征碳排放数据中低碳园区的扩展碳增量，所述第三数据表示碳排放数据的运营碳增量，所述波动增量将所述碳排放数据输入碳排放异常特征提取模型获得异常特征，根据所述异常特征对碳排放数据进行异常识别获取异常数据，根据异常数据与标准数据的差得到波动增量，所述扩展增量表示低碳园区扩展软硬件设施造成的碳排放量，所述运营碳增量表示维持低碳园区正常运营
6、将所述评价数据输入评价权重模型获得评价权重，根据所述评价数据和所述评价权重和构造评价函数；包括：
7、根据碳排放的构成评价函数：
8、
9、其中评价函数为第一数据为e1，第二数据为e2，第三数据为e3，第一数据的评价权重为λ1，第二数据的评价权重为λ2，第三数据的评价权重为λ3，输出评价函数；
10、根据所述评价函数构建碳排放评价模型，优化算法优化所述碳排放评价模型；
11、将待评价的碳排放数据输入所述碳排放评价模型，输出评价结果。
12、进一步的，在步骤a中所述预处理的方法，包括去除重复数据、删除缺失值、处理异常值、数据转换、数据归一化和数据规约。
13、进一步的，将所述碳排放数据输入碳排放异常特征提取模型获得异常特征的方法，包括：
14、对碳排放数据进行聚类处理，对聚类后的碳排放数据进行主成分分析，得到若干个主分量构成的子集，选择碳排放数据中可以代表类间差别的主分量构造新的特征空间，表达式为：
15、
16、其中碳排放数据的特征向量集合为w，主分量构成的子集为q，第a个子集qa的类间差别为var(qa)，第b个子集qb的类间差别为var(qb)，子集q的数量为e，在二维投影条件下，计算大数据样本的类间差别和类内差异：
17、
18、其中第c个类内差异为vár(qc)，引入的阵列函数为det[·]，碳排放数据样本的类别数为u，样本的平均分量为碳排放数据在空间上的映射为ā，空间维度为t，将碳排放数据样本的类间差异与类内差异结合，计算碳排放数据主成分的判别函数，按照降序排列，选取前3个判别函数值最大的主成分构成新的特征空间，将特征空间做局部投影处理，得到样本的新特征，表达式为：
19、
20、其中第t维度的子集qe为qet，新的平均分量为新的映射为ās，根据新特征获取新特征值，计算新特征值的变化率：
21、
22、其中第i个新特征的变化率为gi，新特征的标准值为go，变化常数为σ，将变化率大于0.56的新特征输出为异常特征。
23、进一步的，根据所述异常特征对碳排放数据进行异常识别获取异常数据的方法，包括：
24、计算异常特征的正向传播：
25、
26、
27、其中层次神经元的激活函数为θ，第n层第j个神经元的输出值为第n层第j个神经元和第u个神经元间的传播权重为第n层第j个神经元的传播截距为在网络初始化时，将输入层的值赋值给输出值，则对于第1层的全部神经元表达为：
28、r1＝z
29、其中输入层的值为z，第1层的全部神经元为r1，通过误差的反向传播调整传播权重和传播截距：
30、
31、
32、其中学习率为σ，第n层第j个神经元和第u个神经元间的截距为神经网络的代价函数为c，更新后的截距为更新后的传播权重为引入状态转移概率进行数据校准：
33、
34、其中序列z在t-1时刻的状态为ki，在t时刻出现状态ki的概率为hij，出现状态ki的总次数为m(ki)，出现状态ki和状态kj的总次数为m(ki,kj)，引入基于置信区间的残差判定模型，残差的计算公式为：
35、
36、其中选取的样本数量为a，选取样本的数学期望为h，实际的样本值为hi，残差为d，置信区间上下界的表达式为：
37、
38、
39、其中状态集为k，迭代过程中网络的输出值为识别常数为w，上界为max，下界为min，第a-1个样本第个输出值的t分布为将异常数据输出为异常数据。
40、进一步的，将所述评价数据输入评价权重模型获得评价权重的方法，包括：
41、将评价数据输入评价权重模型获得主观权重向量和客观权重向量，对主观权重向量和客观权重向量进行线性组合：
42、so＝μ1s1+μ2s2
43、其中主观权重向量的权重因子为μ1，主观权重向量为s1，客观权重向量的权重因子为μ2，客观权重向量为s2，构建最小离差函数：
44、g＝min(‖so-s1‖2+‖so-s2‖2)
45、其中最小离差函数为g，l2范数为‖·‖2，根据微分原理将最小离差函数转换为最优化一阶导数方程组，表达式为：
46、
47、求解方程组得到主观权重向量的权重因子、客观权重向量的权重因子，对权重因子进行归一化处理，对归一化后的权重因子进行优化权重，得到评价权重，评价权重的表达式为：
48、
49、其中第i个评价数据的评价权重为ω(i)，第i个评价数据归一化后的主观权重因子为第i个评价数据的主观权重向量为si1，第i个评价数据的客观权重向量为si2，第i个评价数据归一化后的客观权重因子为输出评价权重。
50、进一步的，根据所述评价函数构建碳排放评价模型的方法，包括：
51、将评价函数作为碳排放评价模型的目标，碳排放评价模型以深度学习算法和支持向量机算法为核心，采用随机森林算法将评价数据按照7:2分成训练集和测试集，将训练集输入碳排放评价模型进行模型训练，将测试集输入训练后的模型，预测测试集的评价函数值，计算测试集的偏差程度：
52、
5本文档来自技高网...
【技术保护点】
1.一种基于大数据的低碳园区碳排放评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，在步骤A中所述预处理的方法，包括去除重复数据、删除缺失值、处理异常值、数据转换、数据归一化和数据规约。
3.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，将所述碳排放数据输入碳排放异常特征提取模型获得异常特征的方法，包括：
4.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，根据所述异常特征对碳排放数据进行异常识别获取异常数据的方法，包括：
5.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，将所述评价数据输入评价权重模型获得评价权重的方法，包括：
6.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，根据所述评价函数构建碳排放评价模型的方法，包括：
7.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，优化算法优化所述碳排放评价模型的方法，包括：
8.一种基于大数据的低碳园区碳排放评价系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于大数据的低碳园区碳排放评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，在步骤a中所述预处理的方法，包括去除重复数据、删除缺失值、处理异常值、数据转换、数据归一化和数据规约。
3.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，将所述碳排放数据输入碳排放异常特征提取模型获得异常特征的方法，包括：
4.根据权利要求1所述的一种基于大数据的低碳园区碳排放评价方法，其特征在于，根据所述异常特征对碳排放数...
【专利技术属性】
技术研发人员：谈竹奎，王扬，肖小兵，蔡永翔，付宇，王卓月，徐玉韬，吴鹏，郝树青，郑友卓，李跃龙，刘安茳，苗宇，冯起辉，乔镖，梁书奎，张广秋，
申请(专利权)人：贵州电网有限责任公司，
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。