【技术实现步骤摘要】
本专利技术涉及一种考虑主设备差异计量特性的碳排放预测方法，属于碳排放量确定。
技术介绍
1、随着全球气候变化的严峻挑战，减少碳排放已成为国际社会的共识，对工业生产中的主设备进行精确的碳排放预测成为实现节能减排目标的关键。传统碳排放预测方法多依赖于简单的统计模型或基础的机器学习算法，这些方法在处理复杂多变的工业数据时往往难以达到满意的预测精度，特别是在面对大量异构数据源、非线性关系以及高维度特征空间时。因此，迫切需要一种能够综合考虑多种因素，高效处理大数据，且具有较高预测精度的碳排放预测技术。
2、现有技术如专利号为“cn117408380a”的专利技术专利公开了一种基于大数据的设备碳排放预测方法、装置及电子设备，通过生产型设备组的设备的碳排放量和对应的红外热成像仪拍摄的设备红外图像的历史数据，以及非生产型设备组的设备的碳排放量的历史数据和对应的红外热成像仪拍摄的设备红外图像的历史数据，分别训练神经网络模型，将设备红外图像结合到设备的碳排放量进行碳排放的预测，由于设备在使用过程中多种因素会影响到碳排放，包括设备的温蒂特征，设备在使用过程中的温度的缓慢升高和温度的累计都会对碳排放产生重要影响，通过将设备红外图像考虑到设备的碳排放预测因素中，有助于更准确的预测设备的碳排放量；
3、但是上述计算方案中，仅仅采用单一模型，难以充分捕捉和表达主设备碳排放的复杂动态特性，同时用于模型预测的数据规模以及维度都较低，数据质量不高，影响后续分析的准确性；
4、同时其它现有技术中，在识别影响碳排放因素时，可能过于依
技术实现思路
1、为了解决上述现有技术中存在的问题，本专利技术提出了一种考虑变压器差异计量特性的碳排放预测方法。
2、本专利技术的技术方案如下：
3、一方面，本专利技术提供了一种考虑变压器差异计量特性的碳排放预测方法，包括以下步骤：
4、收集不同变压器的碳排放相关基础数据，并对数据进行预处理；
5、通过改进的粒子群算法对预处理后的不同变压器的碳排放相关基础数据进行聚类分析，生成不同类别的变压器数据聚类；
6、基于随机森林算法以变压器碳排放量的影响程度大小对变压器数据聚类的所有特征进行排序，提取排序后的前g个特征作为训练特征，基于训练特征提取每个变压器数据聚类中相应数据并构建为训练集；
7、构建变压器碳排放量预测模型，通过训练集训练并优化模型参数，得到训练完成的变压器碳排放量预测模型，通过训练完成的变压器碳排放量预测模型对变压器的碳排放量进行预测。
8、作为本专利技术的优选实施方式，所述变压器的碳排放相关基础数据包括变压器的地理位置数据以及技术条件数据；
9、所述变压器的地理位置数据包括：安装地点经纬度坐标、地区气候数据、地方政策与法律规则信息；
10、所述技术条件数据包括变压器铁芯的制造工艺、通磁密度、功率损耗、使用寿命与回收率、冷却系统信息以及运行条件。
11、作为本专利技术的优选实施方式，所述变压器的碳排放相关基础数据的预处理步骤为：
12、通过箱型图法对变压器的碳排放相关基础数据进行离群值计量评估，具体步骤为：
13、将变压器的碳排放相关基础数据均分为四等份，并取样本数据中的最大值、最小值、中位数、第一四分位数、第二四分位数；
14、基于第一四分位数、第二四分位数，构建箱型图判断离群值标准q，如下式所示：
15、
16、其中：ql为第一四分位数；qu为第二四分位数；qiqr为四分位距离；
17、通过箱型图判断离群值标准q筛选数据中的离群值后，基于切比雪夫不等式构建合理区间分布模型，计算数据的阈值区间，具体步骤为：
18、定义置信水平使得至少存在个数据样本落在k个标准差内：
19、
20、其中：x表示数据样本；μ表示数据期望；σ表示数据方差；
21、以预设的阈值区间长度以及90％比例的差值最小为目标构建目标函数fmin(x)：
22、
23、其中：q(x)为按照预设的阈值区间长度取得的所有样本区间；q(μ-kσ≤x≤μ+kσ)为落入μ-kσ≤x≤μ+kσ的区间长度；
24、基于目标函数值，采用黄金分割法对k值进行优化，基于优化后的k值得到数据的阈值区间，将阈值区间外的数据视为异常值，再对异常值进行修复，即将异常值设为阈值区间的平均值。
25、作为本专利技术的优选实施方式，所述不同变压器的碳排放相关基础数据的聚类分析步骤为：
26、初始化粒子群算法参数；
27、通过混沌映射生成混沌数，将混沌数映射至数据样本区间中，同时通过反向学习构造粒子的反向位置，并比较粒子和其反向位置的适应度大小，将与其反向位置适应度最接近的粒子对应的位置设为粒子的初始位置；
28、粒子从初始位置开始搜索，迭代更新粒子，并通过柯西变异粒子位置，同时进行边界控制；
29、按最近邻法则划分数据样本，并重新计算粒子的适应度；
30、比较并更新前后的粒子个体和群体的最优位置和最优适应值；
31、当达到迭代停止条件后，停止迭代，得到最优解；
32、以最优解作为聚类中心，对数据样本按最近邻法则进行划分，得到k个簇，每个簇即为一个变压器数据聚类。
33、作为本专利技术的优选实施方式，所述训练特征的提取步骤为：
34、随机森林算法构建多个决策树，每个决策树将从所有变压器数据聚类中有放回地抽取部分样本作为训练集，并从变压器数据聚类的所有特征中随机选择部分特征作为候选特征；
35、每个决策树通过其对应的训练集进行训练，决策树每次分裂时，在其候选特征中基于平方误差最小化准则或基尼指数最小化准则选择最优特征作为分裂点，当达到预设停止条件时，训练完成；
36、计算所有特征在所有决策树中的平均不纯度减少量，并按照平均不纯度减少量的大小对所有特征进行排序，选取前n个特征作为训练特征。
37、作为本专利技术的优选实施方式，所述变压器碳排放量预测模型基于深度置信网络模型构建，所述深度置信网络模型包括多层受限玻尔兹曼机，其具体训练步骤为：
38、将训练集的特征向量输入第一层受限玻尔兹曼机中进行训练；
39、当第一层受限玻尔兹曼机通过训练完成了对训练集中特征的学习后，输出特征数据，将这些特征数据作为下一层受限玻尔兹曼机中，继续进行训练；
40、对于后续的每一层受限玻尔兹曼机都通过上述步骤进行训练，当所有受限玻尔兹曼机训练完成后，将最后一层受限玻尔兹曼机作为输出特征，并获取训练后每层受限玻尔兹曼机的局部最优参数；
41、基于输出特征以及每层受限玻尔兹曼机的局部最优参数通过误差反向本文档来自技高网...
【技术保护点】
1.一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述变压器的碳排放相关基础数据包括变压器的地理位置数据以及技术条件数据；
3.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述变压器的碳排放相关基础数据的预处理步骤为：
4.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述不同变压器的碳排放相关基础数据的聚类分析步骤为：
5.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述训练特征的提取步骤为：
6.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述变压器碳排放量预测模型基于深度置信网络模型构建，所述深度置信网络模型包括多层受限玻尔兹曼机，其具体训练步骤为：
7.根据权利要求6所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，通过改进灰狼优化算法对深度置信网络模型进行优化
8.一种考虑变压器差异计量特性的碳排放预测系统，其特征在于，包括数据采集模块、数据聚类模块、特征提取模块以及预测模块；
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述变压器的碳排放相关基础数据包括变压器的地理位置数据以及技术条件数据；
3.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述变压器的碳排放相关基础数据的预处理步骤为：
4.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述不同变压器的碳排放相关基础数据的聚类分析步骤为：
5.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方法，其特征在于，所述训练特征的提取步骤为：
6.根据权利要求1所述的一种考虑变压器差异计量特性的碳排放预测方...
【专利技术属性】
技术研发人员：柯晔，曾聪，林嘉伟，陈标，王莹，林诗媛，朱雪梅，喻婧，李咏红，
申请(专利权)人：国网福建省电力有限公司经济技术研究院，
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。