一种基于深度学习的碳排放预测方法与流程

1.本发明涉及一种基于深度学习的碳排放预测方法，属于电网调度自动化技术领域。


背景技术：

2.在过去的几十年中，预测逐渐成为各国的研究热点，许多模型和理论被应用于国防、科技预测的研究中，归纳下来，主要有以下三种类型:基于线性理论模型:主要有卡尔曼滤波模型、指数平滑模型、自适应权重模型；基于非线性理论模型:主要有小波理论模型、突变理论模型、混沌理论模型等；基于深度学习的智能预测模型:主要有神经网络模型、非参数回归模型等。其中，基于线性理论模型的预测模型的理论简单、容易被理解，该方法在预测时只能通过本路段的历史数据进行模型训练，没有考虑其他影响，因此随着预测时间间隔的减少，该模型的性能会明显变差。基于非线性理论模型通过数据处理将数据分解为分辨率不同的信号，对分解后的信号分别采用预测算法进行预测，最后将分解信号的预测结果合成就得到了最终的预测结果。这种模型的抗干扰能力较强，但该模型的计算量大，运算效率较低，且对于每一个预测段均需要建立相应的模型，因此当对海量数据进行预测时，需要建立的模型会非常多，训练模型的时间花销也会很大。基于深度学习的智能预测模型需要通过大量的数据去对神经网络模型进行训练，生成的模型是输出数据与输入数据之间的映射关系，输入数据通过该映射关系就能得到与之对应的预测结果。该模型预测精度高，但前期需要大量的历史数据进行模型训练。
3.目前，国内碳排放预测技术，大多采用线性或非线性理论的预测技术，考虑了国家发改委发布的区域碳排放因子，范围性较广，适用于全国全省范围较广的碳排放数据，只能作为趋势预测，预测结果误差较大。此外，由于没有引进单个样本的历史数据，没有考虑到样本数据的独特性。因此，需要研究准确的碳排放预测的方法，为低碳调度提供有效的、可信度高的数据支持。


技术实现要素：

4.本发明的目的在于克服现有技术中的不足，提供一种基于深度学习的碳排放预测方法，适用本地区域准确可靠的碳排放预测算法，为双碳背景下的大电网调度运行、市场交易、规划发展等工作提供辅助决策。
5.为达到上述目的，本发明是采用下述技术方案实现的：
6.第一方面，本发明提供了一种基于深度学习的碳排放预测方法，包括：
7.获取当前碳排放数据；
8.输入预先构建并训练过的lstm预测模型，获取碳排放预测结果；
9.其中，所述lstm预测模型的训练包括：
10.获取预先采集的历史碳排放数据，对历史碳排放数据进行预处理，去除无效数据后，形成数据集；
11.对所述数据集进行标签分类，得到数据标签类型；
12.对所述标签分类后的数据集进行划分，一部分作为训练集，一部分作为测试集；
13.将所述划分过的数据集输入lstm预测模型，调整lstm网络参数，进行训练，获取训练结果；
14.分析所述训练结果，如果效果收敛则结束训练，如果效果较差则重复调整lstm网络参数步骤，重新训练，直至结果符合要求。
15.进一步的，所述对历史碳排放数据进行预处理，包括：
16.检查数据的有效性，筛选出错误数据、空数据；
17.采用当天24点平均值替换的方法，将所述错误数据、空数据替换掉。
18.进一步的，对所述数据集进行标签分类时，将其中的日期格式数据按照预先设定的编码规则进行编码。
19.进一步的，对所述标签分类后的数据集进行划分时，将数据集的80％作为训练集，20％作为测试集。
20.进一步的，将所述划分过的数据集输入lstm预测模型，调整lstm网络参数，进行训练，包括：
21.将划分过的数据集输入lstm预测模型；
22.按照预先设定的规则设置好最大迭代次数、初始学利率、学习率衰减方式以及遗留时长，进行训练；其中，所述学习率衰减方式为在设定的周期内，如果准确率没有提升，则折半减小学习率继续训练；所述遗留时长为在设定的每次时间序列内，用设定数量的数据预测下一个数据；
23.训练时，80％的训练图片用于模型训练，其余20％的图片用于模型每一周期的验证。
24.进一步的，所述lstm预测模型训练时，如果在设定的周期范围内，模型没有明显的优化提升则设置早停。
25.进一步的，所述lstm预测模型每训练一周期保存一次模型文件。
26.进一步的，所述lstm预测模型训练时，输入的自变量为数据集中的日数据、月数据、年数据，输出的因变量为碳排放数据。
27.第二方面，本发明提供一种基于深度学习的碳排放预测装置，包括处理器及存储介质；
28.所述存储介质用于存储指令；
29.所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
30.第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。
31.与现有技术相比，本发明所达到的有益效果：
32.本发明提供一种基于深度学习的碳排放预测方法，通过获取当前碳排放数据；输入预先构建并训练过的lstm预测模型，获取碳排放预测结果，并通过历史碳排放数据训练lstm预测模型，使得碳排放预测的方法更为准确，为低碳调度提供有效的、可信度高的数据支持。
附图说明
33.图1是本发明实施例提供的一种基于深度学习的碳排放预测方法的流程图；
34.图2是本发明实施例提供的一种基于深度学习的碳排放预测方法的训练过程截图；
35.图3是本发明实施例提供的预测结果示意图。
具体实施方式
36.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
37.实施例1
38.本实施例介绍一种基于深度学习的碳排放预测方法，包括：
39.获取当前碳排放数据；
40.输入预先构建并训练过的lstm预测模型，获取碳排放预测结果；
41.其中，所述lstm预测模型的训练包括：
42.获取预先采集的历史碳排放数据，对历史碳排放数据进行预处理，去除无效数据后，形成数据集；
43.对所述数据集进行标签分类，得到数据标签类型；
44.对所述标签分类后的数据集进行划分，一部分作为训练集，一部分作为测试集；
45.将所述划分过的数据集输入lstm预测模型，调整lstm网络参数，进行训练，获取训练结果；
46.分析所述训练结果，如果效果收敛则结束训练，如果效果较差则重复调整lstm网络参数步骤，重新训练，直至结果符合要求。
47.本实施例提供的基于深度学习的碳排放预测方法，其应用过程具体涉及如下步骤：
48.本专利采用深度学习长短期记忆网络为主体预测网络，借助宁夏灵武二期火电厂近6年每天24点的碳排放数据作为实验数据集。具体实现步骤如图1所示。
49.步骤一：采集历史碳排放数据。本专利借助宁夏灵武二期火电厂2021年每天24点的碳排放数据作为实验数据集，共52560条数据。
50.步骤二：对历史碳排放数据进行预处理。在数据预处理过程中，检查数据的有效性，对错误数据、空数据进行处理。为了降低错误数据、空数据对最终结果的影响，采用当天24点平均值替换的方法，处理掉所有无效数据。
51.步骤三：对数据集进行标签分类，得到数据标签类型。为了保证数据的可用性，需要将日期格式数据进行合理编码，编码规则如下表所示：
52.表编码规则
[0053][0054]
步骤四:将数据进行合理划分。为了保证深度学习模型充分的训练和有效的测试，本专利将数据集的80％作为训练集，20％作为测试集。
[0055]
步骤五:将数据标签类型输入深度学习网络架构；
[0056]
步骤六:设置lstm网络参数。需要设置的参数如下表所示：
[0057]
表网络参数
[0058][0059][0060]
本专利中，设置的最大迭代次数为300个训练周期，初始的学习率设置为0.01，学习率衰减方式为连续3周期准确率没有提升，那么折半减小学习率继续训练。如果连续10个
周期，模型没有明显的优化提升则设置早停。训练时将训练集分割成两部分，80％的训练图片用于模型训练，其余20％的图片用于模型每一周期的验证。模型每训练一周期保存一次模型文件。输入的自变量为日数据、月数据、年数据，共计3组，输出的因变量为碳排放数据，共计1组。遗留时长为设置的每次时间序列30，即用30个数据预测下一个数据。
[0061]
步骤七：开始训练。训练过程如图2所示；
[0062]
步骤八：分析训练结果，如果效果收敛则结束训练，如果效果较差则重复第六步进行调参，重新训练。
[0063]
预测结果如图3所示，红色曲线为本专利训练值，黄色曲线为本专利测试值，蓝色曲线为本专利数据实际值。本专利所搭建的lstm预测模型对于碳排放预测以达到较高水平，预测曲线与实际曲线高度吻合，经统计，在实验数据集中平均预测准确率达到92.7％，符合应用需求，模型搭建完成，具备投入使用水平。
[0064]
实施例2
[0065]
本实施例提供一种基于深度学习的碳排放预测装置，包括处理器及存储介质；
[0066]
所述存储介质用于存储指令；
[0067]
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
[0068]
实施例3
[0069]
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1中任一项所述方法的步骤。
[0070]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。