本发明属于碳排放量预测
技术领域：
，具体涉及一种铅锌矿采矿过程的碳排放量短期预测方法。
背景技术：
：人类生产活动导致的温室气体排放，特别是化石燃料燃烧所产生的碳排放是导致全球气候上升的主要原因。工业生产活动当中产生的大量的碳使得碳排放问题显得尤为突出。如今，与碳排放相关的研究层出不穷，包括碳成本、碳排放量计算以及碳交易市场等，但对于具体的某工业生产过程的碳排放研究却寥寥无几。实际上对碳排放量的准确预测能合理使用碳排放设备，提高经济效益，节能减排。随着全球变暖等气候问题的愈发严重，世界各地的学者们将与碳排放相关的课题作为研究重点。与此同时，关于碳排放量的预测方法也有了许多新的突破，获得了更多的预测方法。根据研究表明，现今大多数碳排放预测方法都只是适用于国家级大地区，且多数是以十年为单位进行的长期预测，因而无法在局部地区某生产过程的短期预测中获得满意的预测结果，其预测精度并未能达到预期。为了能够对铅锌矿采矿过程的碳排放量进行预测，需要对碳排放量的影响因素进行分析，根据分析结果建立合适的预测模型，因此有必要对现有的预测模型进行改进，以实现更为准确地预测采矿过程碳排放量的预测，从而形成一种新的采矿过程碳排放量预测方法。技术实现要素：本发明所解决的技术问题是提供一种基于带精英策略非支配排序遗传算法的高斯过程回归模型的铅锌矿采矿过程碳排放短期预测方法，同时构造一种带精英策略非支配排序遗传算法的高斯过程回归模型对碳排放量进行短期预测，该方法对于铅锌矿采矿过程的碳排放量能够获得良好的预测精度，且易于实施。一种铅锌矿采矿过程碳排放短期预测方法，其特征在于包括以下步骤：s1：通过对铅锌矿采矿现场进行调研获取具体的采矿流程中所涉及的碳排放设备，分析并总结出对碳排放量的产生影响的因素，生产过程可由以下几个步骤来简要概括：矿石、爆破、提升、通风、排水、填充，在此过程中根据调研结果可得，采矿过程的碳排放设备的能耗主要来源为电机的电耗，因此要对具体的生产过程中电机的启停状况进行具体分析，进而得到碳排放量的影响因素；s2：对已获得的碳排放影响因素进行聚类及关联性分析，利用灰色理论进行定量分析，通过定量分析结果获得最终的碳排放量影响因素并作为模型的输入向量；s3：基于碳排放量影响因素的聚类分析和关联性分析结果，建立起基于高斯过程回归的预测模型，对于一个给定的训练数据集d以及n个观测值,则该问题可描述为根据给定集合d，预测出在新的输入xi*下所得到的输出yi*，即通过归纳法得到可以进行预测的函数关系f，高斯过程用均值函数和协方差函数表示根据高斯过程的相关定义得到f(xi),i＝1,...,n,服从高斯分布，且其联合分布同样也服从概率分布，可记为y＝f(x)～gp(m(x),k(x,x'))其中,m(x)＝e(f(x))为均值函数，为协方差函数,x为给定集合下的输入向量,x'为包含新的输入xi*的输入向量,xn为x的成员向量；s4：由于协方差函数的选择在高斯过程回归模型当中占主导地位，其选择结果将直接影响到所建模型的性能，而传统的高斯过程回归模型因存在着不经过分析验证直接选定某种协方差函数所导致的预测精度不够高的问题，因此本发明在协方差函数的选择上进行改进；通过加入先验知识，对比分别以四种协方差函数所建模型的预测结果来选择预测精度最高的协方差函数作为最优协方差函数；s5：在建模过程中，协方差函数的超参数将直接影响模型的精度，因此本发明将带精英策略的非支配排序遗传算法引入高斯过程回归模型来解决协方差函数中超参数的优化确定问题，以解决传统高斯过程回归模型的预测精度低，误差大的问题；带精英策略的非支配排序遗传算法不仅能够保证种群的多样性，还能在降低计算复杂度的同时提高种族质量，将上一代的优秀个体遗传到下一代，增加全局最优的搜索能力后得到最优超参数；s6：将铅锌矿采矿现场获得的影响因素经灰色聚类和灰色关联性分析后，作为输入向量输入到高斯回归模型中，确定协方差函数的形式后，用带精英策略的非支配遗传算法进行协方差函数的超参数优化确定，建立最终的带精英策略非支配排序遗传算法的高斯过程回归模型，并将最终的碳排放量作为模型输出，视为最终的预测结果；所述s2的已获得的碳排放量的影响因素可描述如下：(1)爆破时长：爆破会使得设备的电机停转，减少电机耗电量，从而减少碳排放量；(2)工作时长：各个生产设备的工作时长的不同，使得电机的耗电量有所不同，会对碳排放量产生影响；(3)产量：采掘的矿石总产量的大小意味着生产设备的电机电耗不同，从而对碳排放量产生影响；(4)检修时长：检修期间会使生产设备停产，表明其耗电量减少而导致碳排放量有所下降；(5)碳排放系数：本文定义碳排放系数为总耗电量与总产量的比值，即碳排放系数＝总耗电量/总产量，表示生产单位矿石所消耗的电量；通过对影响因素的分析可得，工作时长，爆破时长以及检修时长均为同类因素，因此对此三种影响因素可以进行聚类分析；采用灰色聚类分析，合并同类因素，简化复杂问题，删减不必要的因素；建立上述三个影响因素的指标关联矩阵后选取临界值为0.7，可以将检修时长与工作时长归为一类，爆破时长归为另一类；此外，为了了解各影响因素对碳排放量的影响是否显著，采用灰色关联性分析来对各影响因素的显著性进行定量分析；由于数据样本的大小对灰色关联性分析结果影响不大，并且计算量相对较小，更具便捷性，其量化结果与定性结果一致；因此采用此方法进行相关性分析；通过灰色相关性的计算公式得到相关性分析的结果来选取相对显著的影响因素综合关联度既包含了两者的相似程度与变化速率的相近度，能够更加全面的表示序列之间的联系；在临界值为0.7的条件下，结合影响因素的聚类结果及相关性分析的综合关联度大小可以得到三个主要影响因素：工作时长，碳排放系数，产量。所述s3中所建立的高斯过程回归模型的主要步骤为：对于一个给定的训练数据集d以及n个观测值,d＝{(xi,yi)|i＝1,...n}其中xi是维数为d的输入向量，记为xi∈rd,x＝{xi|i＝1,...,n}，yi是目标输出即因变量，记为yi∈r,y＝{yi|i＝1,...,n},则问题可描述为根据给定集合d，预测出在新的输入xi*下所得到的输出yi*，即通过归纳法得到可以进行预测的函数关系f。高斯过程用均值函数和协方差函数表示；根据高斯过程的相关定义可以得f(xi),i＝1,...,n服从高斯分布，且其联合分布同样也服从概率分布,可记为：y＝f(x)～gp(m(x),k(x,x'))其中m(x)＝e(f(x))为均值函数为协方差函数，x为给定集合下的输入向量,x'为包含新的输入xi*的输入向量,xn为x的成员向量，而在实际应用中需考虑高斯噪声ε相对于f(x)完全独立，由贝叶斯概率理论，在给定训练数据集d＝(x,y)中建立起先验分布函数，因此可得加入噪声后的训练输出分布为其中，i为n×n的单位矩阵，k(x,x)为gram矩阵，矩阵元素为kij＝k(xi,xj),i,j＝1,...,n,协方差矩阵训练数据集为d＝(x,y)，测试集为d*＝(x*,y*)，x*为测试集输入向量，y*为测试集输出向量；训练集与测试集的联合分布可描述为此时该分布为后验分布；根据贝叶斯概率公式可以得到高斯过程回归的预测方程为：p(y*|x*,x,y)＝gp(y′*,cov(y*))，其中y′*为预测方程的均值，即为高斯过程回归的输出预测值，cov(y*)为高斯过程回归的方差；其边缘似然函数可由先验分布表示为p(y|x,θ)＝∫p(y|f,x,θ)p(f|x,θ)df其中θ＝(θ1...θm)为超参数集合；先验分布取对数求偏导后可得其中tr表示矩阵对角线元素之和。所述s4中协方差函数的选择方法上进行的改进在于，通过加入先验知识，对比分别以四种协方差函数所建模型的预测结果来选择预测精度最高的协方差函数作为最优协方差函数。四种协方差函数表达式可表示为：l为特征尺度取为1，α为混合尺度参数取为2；由于kse的强光滑性与电机对象的拟合度并不高，对于传统高斯过程回归模型直接选用的kse并不适用于该研究对象，基于kse的预测模型的预测误差为11.2％，相较之下km5/2的光滑性在以电机为研究对象的物理过程建模中更具有现实意义，且基于km5/2的预测模型的预测误差为7.5％，km5/2的预测误差更小与研究对象的拟合度更高，因而选用km5/2为协方差函数。所述s5中的协方差函数的超参数优化确定方法，采用的带精英策略的非支配排序遗传算法。在传统的遗传算法上演变而来的，主要是在选择之前对种群进行了分层，其分层的依据为个体之间的支配关系，对于极大化目标优化问题，f(a)为目标函数，a,a*均属于解集u，若a支配a*则同时满足以下条件：b为解的个数。带精英策略的非支配排序遗传算法是一种以pareto最优为基准的遗传算法，是在非支配排序遗传算法的基础上对种群的分层进行进一步改进，将上一代的优秀个体遗传到下一代，从而保证种群的质量，增加全局最优的搜索能力，除此以外，提出拥挤度的概念来代替非支配排序遗传算法中的共享半径，提高了计算效率，更快的收敛到最优；并将拥挤度定义为在种群中给定个体的周围密度，通常用id表示拥挤度，其表示包含个体i本身但不包含其他个体的最小正方形的大小。带精英策略的非支配排序遗传算法具体的流程如下:(1)随机产生初始种群p0，大小为m，计算目标函数值并按照支配定义对于p0中的每一个个体进行非支配排序分层得到p1；(2)对非支配排序分层后的每层种群个体进行拥挤度计算；(3)通过选择、交叉、变异等基本遗传算法步骤后得到子代s1，大小为m；(4)将第i代产生的si与pi组合为ai，大小为2m。此时对组合集ai进行非支配排序并计算拥挤度。将排序后的第一层子集即父代与子代中最好的个体优先放入pi+1中，若第一层子集大小小于m，则将下一层子集向pi+1中充填，当子集大小大于m时，则再依据拥挤度大小选择较不拥挤即id大的个体充填，直到pi+1大小为m停止；(5)得到pi+1后重复上述步骤，直到满足终止条件即代数i等于最大代数后结束。所述s6中的最终的预测模型为带精英策略的非支配遗传算法的高斯过程回归模型，其具体的建模步骤如下：输入：产量，工作时长，碳排放系数输出：碳排放量(1)对样本数据初始化处理，即将所采集的数据分为两部分，一部分为训练集dtrain＝(x,y)，另一部分为测试集dtest＝(x*,y*)；(2)根据高斯过程回归的理论知识及已确定的协方差函数km5/2，用训练集初步构建相应的预测方程；(3)预测方程的超参数优化确定，根据目标函数执行带精英的非支配排序遗传算法流程；(4)将测试集dtest中x*作为输入，输出值y*'，将每种预测结果与测试值y*做比较，确定最终的预测模型进行预测；(5)根据输入向量，通过最终的预测模型进行预测，获得输出向量。本发明提供一种基于带精英策略非支配遗传算法的高斯过程回归模型的铅锌矿采矿过程碳排放短期预测方法，针对于采矿过程中以电机为研究对象的碳排放来源的复杂性以及其影响因素的多样性引起的碳排放短期预测精度不高的问题，综合灰色理论对采矿过程中以电机为研究对象的碳排放来源以及其影响因素进行分析；首先，对碳排放来源及其影响因素进行分析，采用灰色理论进行聚类分析以归并同类因素；其次，根据灰色关联性分析得到主要影响因素；最后,为解决超参数优化确定问题，将带精英策略的非支配排序遗传算法引入到高斯过程回归模型，提出了一种基于带精英策略非支配遗传算法的高斯过程回归的预测方法。经实验证明，本发明提出的预测方法的预测误差为6.3％，而灰色预测模型的预测误差为60.4％，支持向量机的预测误差为38％，人工神经网络的预测误差为14.4％，相较于上述三种常用的预测方法，本发明提出的预测方法能更精确的预测铅锌矿采矿过程的碳排放量，其预测误差更小，可以直接在计算机上实现，实用性强，成本低，易于实施。附图说明图1带精英策略的非支配遗传算法的流程示意图；图2本发明中实施碳排放预测方法的流程图。具体实施方式下面是结合本发明附图2，对本发明中所采用的技术方案更加详细、清楚地做出描述和解释。本发明针对于采矿过程中以电机为研究对象的碳排放来源的复杂性以及其影响因素的多样性引起的碳排放短期预测精度不高的问题，综合灰色理论提出一种碳排放量的短期预测方法，对铅锌矿采矿过程的碳排放量进行预测，获得了良好的预测精度。显然，所描述的实施例仅是本发明实施例中的一部分，并不是实施例的全部。基于本发明中的实施例，相关领域的技术人员在没有做出创造性劳动的前提所获得的所有其他实施例都应为本发明的保护范围。如图1所示本发明所解决的技术问题是提供一种基于带精英策略非支配遗传算法的高斯过程回归模型的铅锌矿采矿过程碳排放短期预测方法，同时构造一种带精英策略非支配遗传算法的高斯过程回归模型对碳排放量进行短期预测，该方法对于铅锌矿采矿过程的碳排放量能够获得良好的预测精度，且易于实施。一种基于带精英策略非支配遗传算法的高斯过程回归模型的铅锌矿采矿过程碳排放短期预测方法，包括以下步骤：s1：通过对铅锌矿采矿现场进行调研获取具体的采矿流程中所涉及的碳排放设备，分析并总结出对碳排放量的产生影响的因素；生产过程可由以下几个步骤来简要概括：矿石、爆破、提升、通风、排水、填充，在此过程中根据调研结果可得，采矿过程的碳排放设备的能耗主要来源为电机的电耗，因此要对具体的生产过程中电机的启停状况进行具体分析，进而得到碳排放量的影响因素；s2：对已获得的碳排放影响因素进行聚类及关联性分析，利用灰色理论进行定量分析，通过定量分析结果获得最终的碳排放量影响因素并作为模型的输入向量；s3：基于碳排放量影响因素的聚类分析和关联性分析结果，建立起基于高斯过程回归的预测模型，对于一个给定的训练数据集d以及n个观测值,则该问题可描述为根据给定集合d，预测出在新的输入下所得到的输出yi*，即通过归纳法得到可以进行预测的函数关系f，高斯过程用均值函数和协方差函数表示，根据高斯过程的相关定义可以得到f(xi),i＝1,...,n,服从高斯分布，且其联合分布同样也服从概率分布，可记为y＝f(x)～gp(m(x),k(x,x'))其中，m(x)＝e(f(x))为均值函数，为协方差函数，x为给定集合下的输入向量,x'为包含新的输入xi*的输入向量,xn为x的成员向量；s4：由于协方差函数的选择在高斯过程回归模型当中占主导地位，其选择结果将直接影响到所建模型的性能，而传统的高斯过程回归模型因存在着不经过分析验证直接选定某种协方差函数所导致的预测精度不够高，因此本发明在协方差函数的选择上进行改进，通过加入先验知识，对比分别以四种协方差函数所建模型的预测结果来选择预测精度最高的协方差函数，将km5/2作为最优协方差函数进行建模。s5：在建模过程中，协方差函数的超参数将直接影响模型的精度，因此本发明将带精英策略的非支配遗传算法引入高斯过程回归模型来解决协方差函数中超参数的优化确定问题，以解决传统高斯过程回归模型的预测精度低，误差大的问题；带精英策略的遗传算法不仅能够保证种群的多样性，还能在降低计算复杂度的同时提高种族质量，将上一代的优秀个体遗传到下一代，增加全局最优的搜索能力后得到最优超参数；s6：最终的预测模型为带精英策略的非支配遗传算法的高斯过程回归模型，其具体的建模步骤如下：输入：产量，工作时长，碳排放系数输出：碳排放量(1)对样本数据初始化处理，即将所采集的数据分为两部分，一部分为训练集dtrain＝(x,y)，另一部分为测试集dtest＝(x*,y*)；(2)根据高斯过程回归的理论知识及已确定的协方差函数km5/2，用训练集初步构建相应的预测方程；(3)预测方程的超参数优化确定，根据目标函数执行带精英的非支配排序遗传算法流程；(4)将测试集dtest中x*作为输入，输出值y*'，将每种预测结果与测试值y*做比较，确定最终的预测模型进行预测；(5)根据输入向量，通过最终的预测模型进行预测，获得输出向量。将本发明预测方法与其他通用方法比较，结果如下：预测方法本发明方法灰色模型支持向量机人工神经网络均误差6.3％60.4％38％14.4％当前第1页12