【技术实现步骤摘要】
本专利技术涉及产品碳足迹计算领域，尤其涉及一种基于机器学习的绿色碳足迹预测方法及相关装置。
技术介绍
1、随着全球气候变化问题日益严重，减少碳排放和实施可持续发展策略已成为各国政府和企业关注的焦点。我国陆续出台了一系列政策，以加快提升国内重点产品的碳足迹管理水平，促进相关行业的绿色低碳转型，助力实现碳达峰和碳中和目标。绿色碳足迹作为衡量人类活动对环境影响的重要指标，对于制定有效的碳排放减少策略具有重要意义。精确地预测绿色碳足迹有助于政策制定者、企业和个人更好地理解碳排放的来源，从而采取相应的减排措施。
2、传统的碳足迹计算方法一般采用生命周期评估法(life cycleassessment)计算产品的碳足迹，但是采用lca法计算碳足迹具有以下不足：
3、1.数据获取难度
4、数据不全：获取全面、准确的碳足迹数据较为困难，尤其是涉及复杂供应链的数据。
5、2.方法复杂
6、计算复杂：传统的生命周期评估(lca)方法计算过程复杂，需要大量时间和专业知识。
技术实现思路
1、有鉴于此，有必要提供一种基于机器学习的绿色碳足迹预测方法及相关装置，用以解决传统的生命周期评估法带来的不便性，简化数据的采集尺度和提升碳足迹计算的效率。
2、本专利技术提供一种基于机器学习的绿色碳足迹预测方法，包括如下步骤：
3、采集已有的产品碳足迹数据，包括产品的各生命周期环节的能源消耗数据、原材料使用数据及各阶段的碳排放数据；p>
4、将采集到的数据按比例8：1：1分为训练集、测试集和验证集，所述训练集用于训练人工神经网络模型，所述测试集用于对人工神经网络模型的性能进行测试，所述验证集用于验证人工神经网络的有效性；
5、将训练集数据输入人工神经网络模型进行训练，其中输入数据包括产品的各生命周期环节的能源消耗数据、原材料使用数据，期望输出包括产品生命周期环节各阶段的碳排放数据和总的碳排放数据，其中各阶段的碳排放量总和为总的碳排放量；
6、引入均方差损失函数对人工神经网络模型进行梯度优化，得到用于测试的人工神经网络模型；
7、在测试集上验证人工神经网络模型的有效性，并在验证集上验证人工神经网络模型的性能；
8、将经过验证的人工神经网络模型用于其他产品的碳足迹预测计算中。
9、进一步的，所述人工神经网络包括输入层、隐含层和输出层，其中，输入层接受特征向量x，输出层产出最终的预测y，而隐含层介于输入层与输出层之间；
10、所述人工神经网络中各层的输入和输出变量解释如下：
11、x＝(x1 x2...xn):输入向量,wih:输入层与隐含层的连接权值；
12、hi＝(hi1 hi2...hip):隐含层输入向量,woh:隐含层与输出层的连接权值；
13、ho＝(ho1 ho2...hop):隐含层输出向量,bn:隐含层各神经元的阈值；
14、yi＝(yi1 hy2...hyq):输出层输入向量,bo:输出层各神经元的阈值；
15、yo＝(yo1 yo2...yoq):输出层输出向量,k＝1,2…m:样本数据及个数：
16、do＝(d1 d2...dq):期望输出向量,f:激活函数。
17、进一步的，所述将训练集数据输入人工神经网络模型进行训练，具体包括：
18、对人工神经网络进行权重初始化，给各连接权值分别赋一个区间(-1，1)内的随机数；
19、将训练集数据x(k)和期望输出do(k)输入人工神经网络模型；
20、所述x(k)包括产品的各生命周期环节的能源消耗数据、原材料使用数据；
21、所述do(k)包括产品生命周期环节各阶段的碳排放数据和总的碳排放数据，其中各阶段的碳排放量总和为总的碳排放量；
22、训练人工神经网络，其中隐藏层和输出层各神经元的输入和输出为：
23、
24、进一步的，所述引入均方差损失函数对人工神经网络模型进行梯度优化，具体包括：
25、所选均方差损失函数为：
26、其中：l(θ)是均方差损失函数，依赖于模型参数θ；yi是第i个真实值，是第i个预测值，n是样本数量；
27、参数初始化：设预测值为初始化θ0和θ1；
28、进行前向传播：对每个样本计算预测值
29、计算损失：计算所有样本均方误差：
30、
31、计算梯度：
32、
33、更新参数：
34、
35、其中，α为学习率；
36、迭代优化：通过重复上述步骤，直到满足停止条件。
37、一种基于机器学习的绿色碳足迹预测装置，包括：
38、碳足迹数据采集模块，用于采集已有的产品碳足迹数据，包括产品的各生命周期环节的能源消耗数据、原材料使用数据及各阶段的碳排放数据；
39、数据集分割模块，用于将采集到的数据按比例8：1：1分为训练集、测试集和验证集，所述训练集用于训练人工神经网络模型，所述测试集用于对人工神经网络模型的性能进行测试，所述验证集用于验证人工神经网络的有效性；
40、模型训练模块，用于将训练集数据输入人工神经网络模型进行训练，其中输入数据包括产品的各生命周期环节的能源消耗数据、原材料使用数据，期望输出包括产品生命周期环节各阶段的碳排放数据和总的碳排放数据，其中各阶段的碳排放量总和为总的碳排放量；
41、模型优化模块，用于引入均方差损失函数对人工神经网络模型进行梯度优化，得到用于测试的人工神经网络模型；
42、模型验证模块，用于在测试集上验证人工神经网络模型的有效性，并在验证集上验证人工神经网络模型的性能；
43、碳足迹预测模块，用于将经过验证的人工神经网络模型用于其他产品的碳足迹预测计算中。
44、进一步的，所述人工神经网络包括输入层、隐含层和输出层，其中，输入层接受特征向量x，输出层产出最终的预测y，而隐含层介于输入层与输出层之间；
45、所述人工神经网络中各层的输入和输出变量解释如下：
46、x＝(x1 x2...xn):输入向量,wih:输入层与隐含层的连接权值；
47、hi＝(hi1 hi2...hip):隐含层输入向量,woh:隐含层与输出层的连接权值；
48、ho＝(ho1 ho2...hop):隐含层输出向量,bn:隐含层各神经元的阈值；
49、yi＝(yi1 hy2...hyq):输出层输入向量,bo:输出层各神经元的阈值；
50、yo＝(yo1 yo2...yoq):输出层输出向量,k＝1,2…m:样本数据及个数：
51、do＝(d1 d2...dq):期望输出向量,f:激活函数。
52、进一步的，所述本文档来自技高网...
【技术保护点】
1.一种基于机器学习的绿色碳足迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器学习的绿色碳足迹预测方法，其特征在于，所述人工神经网络包括输入层、隐含层和输出层，其中，输入层接受特征向量x，输出层产出最终的预测y，而隐含层介于输入层与输出层之间；
3.根据权利要求2所述的基于机器学习的绿色碳足迹预测方法，其特征在于，所述将训练集数据输入人工神经网络模型进行训练，具体包括：
4.根据权利要求3所述的基于机器学习的绿色碳足迹预测方法，其特征在于，所述引入均方差损失函数对人工神经网络模型进行梯度优化，具体包括：
5.一种基于机器学习的绿色碳足迹预测装置，其特征在于，包括：
6.根据权利要求5所述的基于机器学习的绿色碳足迹预测装置，其特征在于，所述人工神经网络包括输入层、隐含层和输出层，其中，输入层接受特征向量x，输出层产出最终的预测y，而隐含层介于输入层与输出层之间；
7.根据权利要求6所述的基于机器学习的绿色碳足迹预测装置，其特征在于，所述模型训练模块，具体用于：
8.根据权利要
9.一种基于机器学习的绿色碳足迹预测系统，包括：计算机可读存储介质和处理器；
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-4中任一项所述的基于机器学习的绿色碳足迹预测方法。
...【技术特征摘要】
1.一种基于机器学习的绿色碳足迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于机器学习的绿色碳足迹预测方法，其特征在于，所述人工神经网络包括输入层、隐含层和输出层，其中，输入层接受特征向量x，输出层产出最终的预测y，而隐含层介于输入层与输出层之间；
3.根据权利要求2所述的基于机器学习的绿色碳足迹预测方法，其特征在于，所述将训练集数据输入人工神经网络模型进行训练，具体包括：
4.根据权利要求3所述的基于机器学习的绿色碳足迹预测方法，其特征在于，所述引入均方差损失函数对人工神经网络模型进行梯度优化，具体包括：
5.一种基于机器学习的绿色碳足迹预测装置，其特征在于，包括：
6.根据权...
【专利技术属性】
技术研发人员：向彬，李家源，杨志淳，杨帆，卢生炜，熊虎，
申请(专利权)人：国网湖北省电力有限公司电力科学研究院，
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。