【技术实现步骤摘要】
本专利技术属于水泥碳排放，更具体地，本专利技术涉及一种基于深度机器学习的水泥企业碳排放量预测方法、存储介质及电子设备。
技术介绍
1、随着全球气候变暖问题的日益严重，工业生产领域的降碳减排问题愈来愈受到人们的广泛重视。以水泥为代表产品的建材行业，是工业领域能源消耗和碳排放的重点关注对象，水泥生产过程中产生的二氧化碳排放约占全球碳排放总量的7％～8％。
2、在水泥的实际生产过程中，影响其碳排放量的因素较多，根据相关规定，对于水泥生产企业，需要考虑的co2核算统计源主要包括：固定源化石燃料燃烧排放(烟煤)、固定源化石燃料燃烧排放(窑点火用的柴油)、移动源化石燃料燃烧排放(矿山开采用的柴油)、生料中非燃料碳煅烧排放、原料分解排放、替代燃料或废弃物中非生物碳燃烧排放(废油)、替代燃料或废弃物中非生物碳燃烧排放(废溶剂)以及净购入电力隐含的排放等8种类型。
3、上述因素交织在一起，使水泥企业的碳排放波动呈现较强的非线性和不确定性，普通数学模型难以表达不同生产因素与企业碳排放量内在影响，因此水泥企业很难实现碳排放量的精准预测。
技术实现思路
1、本专利技术提供一种基于深度机器学习的水泥企业碳排放量预测方法，旨在改善上述问题。
2、本专利技术是这样实现的，一种基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，所述方法具体如下：
3、将企业待预测月度的特征参数输入训练好的bp神经网络模型，bp神经网络模型输出待预测月度的碳排放量。
5、进一步的，所述bp神经网络模型的训练方法具体如下：
6、(1)采集企业的历史生产相关数据，从数据中提取各个月度的特征参数作为样本特征，将企业在对应月度的碳排放量作为样本标签，构建样本，放入样本集中，将样本分为训练样本及测试样本；
7、(2)基于训练样本对bp神经网络模型进行训练，基于测试样本对bp神经网络模型进行测试，在测试到bp神经网络模型的识别精度达到设定的精度阈值，则bp神经网络模型训练完成。
8、进一步的其特征在于，在bp神经网络模型进行训练前，执行如下步骤：
9、通过烟花算法找出bp神经网络模型的最优参数，包括权重参数及偏置参数，将最优参数作为bp神经网络模型的初始参数。
10、进一步的在采集到企业的历史生产相关数据后，对采集到的数据进行预处理，包括：数据清洗，数据规约以及数据转换。
11、进一步的数据清洗操作包括：缺失数据插补、错误数据修复、重复数据删除以及数据格式统一。
12、进一步的bp神经网络模型的网络拓扑结构为三层，分别为输入层、隐含层和输出层，输入层节点数为8，输出层节点数为1，隐含层节点数取值范围为[7-15]。
13、进一步的，将样本集中随机选取4/5的样本数据作为训练样本，剩余的1/5的样本数据作为测试样本。
14、本专利技术是这样实现的，一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述基于深度机器学习的水泥企业碳排放量预测方法的步骤。
15、本专利技术是这样实现的，一种计算机设备，包括处理器和存储有程序代码的存储介质，所述程序代码被所述处理器执行时，实现如上所述基于深度机器学习的水泥企业碳排放量预测方法的步骤。
16、本专利技术在bp神经网络引入烟花算法，可以改善bp神经网络对于小样本数据预测精度欠佳，容易陷入局部最优的问题，通过少量的样本数据，即可实现水泥企业碳排量的精准预测，为水泥企业碳排放预测以及减排降碳路径探究提供了一种新的技术手段。
本文档来自技高网...【技术保护点】
1.一种基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，所述方法具体如下：
2.如权利要求1所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，所述BP神经网络模型的训练方法具体如下：
3.如权利要求1或2所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，在BP神经网络模型进行训练前，执行如下步骤：
4.如权利要求1所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，在采集到企业的历史生产相关数据后，对采集到的数据进行预处理，包括：数据清洗，数据规约以及数据转换。
5.如权利要求4所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，数据清洗操作包括：缺失数据插补、错误数据修复、重复数据删除以及数据格式统一。
6.如权利要求1所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，BP神经网络模型的网络拓扑结构为三层，分别为输入层、隐含层和输出层，输入层节点数为8，输出层节点数为1，隐含层节点数取值范围为[7-15]。
7.如权利要求1所述基于深度机器学习的水泥企业
8.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述基于深度机器学习的水泥企业碳排放量预测方法的步骤。
9.一种计算机设备，包括处理器和存储有程序代码的存储介质，所述程序代码被所述处理器执行时，实现如权利要求1至7中任一项所述基于深度机器学习的水泥企业碳排放量预测方法的步骤。
...【技术特征摘要】
1.一种基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，所述方法具体如下：
2.如权利要求1所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，所述bp神经网络模型的训练方法具体如下：
3.如权利要求1或2所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，在bp神经网络模型进行训练前，执行如下步骤：
4.如权利要求1所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，在采集到企业的历史生产相关数据后，对采集到的数据进行预处理，包括：数据清洗，数据规约以及数据转换。
5.如权利要求4所述基于深度机器学习的水泥企业碳排放量预测方法，其特征在于，数据清洗操作包括：缺失数据插补、错误数据修复、重复数据删除以及数据格式统一。
6.如权利要求1...
【专利技术属性】
技术研发人员：储林华，詹家干，聂文琪，邵明军，张哲慧，沈江平，
申请(专利权)人：安徽海螺集团有限责任公司，
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。