CN115081301A - 一种基于混合pso-mkpls的碳排放量动态演化方法 - Google Patents

一种基于混合pso-mkpls的碳排放量动态演化方法 Download PDF

Info

Publication number
CN115081301A
CN115081301A CN202210810787.2A CN202210810787A CN115081301A CN 115081301 A CN115081301 A CN 115081301A CN 202210810787 A CN202210810787 A CN 202210810787A CN 115081301 A CN115081301 A CN 115081301A
Authority
CN
China
Prior art keywords
particle
iteration
carbon emission
time lag
kernel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210810787.2A
Other languages
English (en)
Other versions
CN115081301B (zh
Inventor
汪玉
陈艺
李宾宾
赵龙
秦琪
包佳佳
杨瑞雪
范明豪
亚彬
翟玥
陈庆涛
黄杰
刘鑫
王鑫
金雨楠
孙伟
李奇越
李帷韬
樊智奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Hefei University of Technology
Original Assignee
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd, Hefei University of Technology filed Critical Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Priority to CN202210810787.2A priority Critical patent/CN115081301B/zh
Publication of CN115081301A publication Critical patent/CN115081301A/zh
Application granted granted Critical
Publication of CN115081301B publication Critical patent/CN115081301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于混合PSO‑MKPLS的碳排放量动态演化方法，其步骤包括：1、构建输入样本数据，包括数据的获取以及预处理；2、对数据进行时滞估计得到输入时滞差分矩阵；3、利用混合粒子群算法多核偏最小二乘回归进行多变量多重共线性的处理得到碳排放量的动态演化机理。本发明适用于多种重点控排企业，通过对指定控排企业的碳排放多种影响因素因素进行分析，考虑实际生产过程中的时滞现象，并利用改进的核偏最小二乘法进行碳排放量的动态演化机理模型的构建，利用混合粒子群改变核函数参数，从而可以更准确的拟合实际生产中的碳排放量。

Description

一种基于混合PSO-MKPLS的碳排放量动态演化方法
技术领域
本发明属于控排企业碳排放量演化机理领域，具体的说是一种基于混合PSO-MKPLS的碳排放量动态演化方法。
背景技术
在重点控排企业生产经营流程中，会产生大量的碳排放。在实际生产过程中，碳排放的成因众多，而现有的研究方法无法有效的在存在相关性的众多影响因素的前提下分析影响因素和碳排放的动态演化机理。国外研究机构针对碳排放过程，对碳排放具有一般气固异相催化反应的特征，涉及烟气的流动、传质、吸附、解吸附和化学反应等步骤，其中吸附、解吸附和化学反应均在催化剂表面进行，是催化反应的重要过程，称为表面反应过程。韩国三星高等技术学院建立了多个表面反应模型，例如幂函数模型、Eley-Rideal模型和Eangumuir-Hinshelwood模型等，并结合气体的流动和传质模型建立具有化学反应宏观特性的集中参数动态动力学模型。但这些模型的计算过程复杂、难度较大。无法研究全流程碳排放动态演化机理。日本Bailey公司采用与负荷有关的指数自回归模型，即在多个稳态工况下，采用混合结构的径向基-自回归(Radial Basis Function-Auto Regressiveexogenous)模型，基于全局非线性自回归滑动平均(Radial Basis Function-AutoRegressive exogenous，RBF-ARX)算法来建立与负荷有关的局部指数自回归滑动平均(Exponential ARMAX，EXpARMAX)模型，实现描述某一类工作点时变的多变量非线性系统的动态特性，具有滑膜结构特性。然而，以上模型仍具有一些局限；其一，以上模型仅考虑总煤量和烟气流量对排放量的影响，没有考虑烟气温度对排放量的影响；其二，全局非线性模型中因局部采用线性化近似，而使其与实际系统不同，并存在一定的误差，且随着时间的变化，误差会逐渐增大；其三，当机组处于变工况，出口排放气体量将出现较大波动，此时模型效果差。国内研究机构采用多种模型研究控排企业全流程气体排放动态演化机理，华电电力科学研究院在自制性能测试试验台上，选择气体流速、温度、氧气含量、元素摩尔比和气体浓度5组参数进行排放测试，分析各参数对排放效率的影响，根据实验数据采用反向传播神经网络(Back-Propagation Neural Network，BPNN)建立研究模型，并与实验数据进行对比分析。广东电网有限责任公司电力科学研究院采用径向基函数神经网络(Radial BasisFunctionNeural Network，RBFNN)建立控排系统模型，其中负荷、入口气体浓度、气体流量、入口气体流量和温度作为模型输入，对控排效率及出口气体排放量动态演化机理进行研究。在满足出口气体排放达标的基础上，将系统运行成本作为优化目标进行仿真，通过获取成本与出口气体浓度排放达标所需费用的临界点，进而得到最优排放量。但是上述方法无法处理输入变量间存在相关性的准确建模，无法准确探究全流程碳排放动态演化机理。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于混合PSO-MKPLS的碳排放量动态演化方法，以期能处理控排企业中碳排放多种影响因素变量之间的时滞现象和多重共线性，更准确的拟合实际生产中的碳排放量，从而能有效的在存在相关性的众多碳排放影响因素的前提下分析影响因素和碳排放的动态演化机理，实现对控排企业的碳排放控制要求。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于混合PSO-MKPLS算法的碳排放量动态演化方法的特点在于，包括以下步骤：
步骤一：对t时刻控排企业碳排放的n个影响因素进行定量分析，得到t时刻的一组分析数据，并对所述t时刻的一组分析数据依次进行异常数据点剔除、数据滤波、数据标准化的处理，得到t时刻的一组碳排放影响因素集合X(t)＝[x1(t),x2(t),…,xj(t),…,xn(t)]，xj(t)表示每组中t时刻的第j个排放影响因素，n表示影响因素个数，j∈[1,n]；
步骤二：利用时滞差分模糊曲线分析法对碳排放影响因素进行时滞估计；
步骤2.1：利用式(1)对不含时滞的t时刻第j个碳排放影响因素xj(t)进行扩展，获得扩展为第i个扩展后的第j个碳排放影响因素xi,j(t)，从而得到Tmax个扩展后的第j个碳排放影响因素集合{xi,j(t)|i＝1,2,…,Tmax}，进而对n个碳排放影响因素扩展并得到n×(Tmax+1)维扩展后的一组排放影响因素集合XJ(t)＝{xi,j(t)|i＝1,2,…,Tmax；j＝1,2,…,n}；
xi,j(t)＝[xj(t),xj(t-1),…,xj(t-di,j),…,xj(t-Tmax)] (1)
式(1)中，Tmax为最大时滞参数；di,j为第i个扩展后的第j个碳排放影响因素xi,j(t)的第i个时滞参数；xj(t-di,j)为t时刻第i个扩展后的第j个排放影响因素；
步骤2.2：利用模糊曲线分析对XJ(t)进行计算，确定Tmax个扩展后的第j个碳排放影响因素{xi,j(t)|i＝1,2,…,Tmax}的最优时滞参数λj：
首先计算xj(t-di,j)的模糊隶属度，然后利用t时刻测得的碳排放量Y(t)对xj(t-di,j)的质心进行去模糊化处理并得到第i个模糊曲线
Figure BDA0003738879880000031
再利用argmax函数从Tmax个模糊曲线中寻找最大覆盖范围的模糊曲线所对应的时滞参数，并作为第j个碳排放影响因素的最优时滞参数λj；
对XJ(t)进行时滞求解后得到与t时刻测得的碳排放量Y(t)相关联的n种碳排放影响因素在t-λJ时刻的一组历史碳排放影响因素集合XJ(t-λJ)＝{x1(t-λ1),x2(t-λ2),…,xj(t-λj),…,xn(t-λn)}；其中，xj(t-λj)表示与t时刻测得的碳排放量Y(t)相关联的t-λj时刻的第j个碳排放影响因素；
步骤三，建立时滞差分模型；
步骤3.1将一组历史碳排放影响因素集合XJ(t-λJ)作为输入、将t时刻测得的一组碳排放量Y(t)作为输出，分别计算输入和输出的一阶时滞差分，并相应得到输入时滞差分ΔXJ(t-λJ)和输出时滞差分ΔY(t)，从而利用式(2)建立输入时滞差分ΔXJ(t-λJ)和输出时滞差分ΔY(t)之间的时滞差分模型f；
Figure BDA0003738879880000032
步骤四：利用MKPLS算法对时滞差分模型f进行训练；
步骤4.1：定义并初始化MKPLS算法的核参数{σ,υ,γ}，利用式(3)得到组合核函数K：
K＝(1-γ)Kσ+γKυ (3)
式(3)中，Kσ表示Mexican hat小波核函数；Kυ表示多项式核函数，σ表示控制所述Mexican hat小波核函数Kσ作用范围的参数，γ为两种核函数选择的权重系数，υ为所述多项式核函数Kυ的次数；
步骤4.2利用交叉验证的方式将多组输入时滞差分及其对应的输出时滞差分划分为训练集和测试集；其中，所述训练集包含s组输入时滞差分及其对应的输出时滞差；所述测试集包含st组输入时滞差分及其对应的输出时滞差；
对所述训练集中s组输入时滞差分及其对应的输出时滞差分别进行标准化处理，得到标准化后的输入时滞差分集合和输出时滞差分集合；
将所述训练集的组合核函数记作
Figure BDA0003738879880000033
利用式(3)对
Figure BDA0003738879880000034
进行z-score中心化处理，得到所述训练集的中心化组合核函数
Figure BDA0003738879880000041
Figure BDA0003738879880000042
式(3)中，I为单位矩阵，ls为元素为1的矩阵，T表示转置；
步骤4.3对标准化后的输入时滞差分集合的得分向量、标准化后的输出时滞差分集合的权重向量和得分向量进行迭代计算，直至标准化后的输入时滞差分集合的得分向量收敛为止，从而得到一个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量；
步骤4.4利用标准化后的输入时滞差分集合的最终得分向量分别对
Figure BDA0003738879880000043
和标准化后的输出时滞差分集合进行缩减后，再按照步骤4.3的过程进行处理，直至得到L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量，L为主成分个数；
利用L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量计算回归系数，从而得到最终的时滞差分模型；
步骤4.5对测试集的st组输入时滞差分及其对应的输出时滞差分别进行z-score标准化后，得到z-score标准化后的输入时滞差分集合和输出时滞差分集合；
将所述测试集的组合核函数记作
Figure BDA0003738879880000044
利用式(4)得到
Figure BDA0003738879880000045
的标准化形式
Figure BDA0003738879880000046
将z-score标准化后的输入时滞差分集合输入所述最终的时滞差分模型中，并得到预测的输出时滞差分集合；
Figure BDA0003738879880000047
步骤4.6根据所述测试集中t+1-λJ时刻的历史碳排放影响因素集合，计算所述测试集中t+1-λJ时刻的输入时滞差分，并输入最终的时滞差分模型中，并得到所述测试集中t+1时刻输出时滞差分；
步骤4.7根据所述测试集中t+1时刻输出时滞差分和所述测试集中t时刻测得的碳排放量，得到所述测试集在t+1时刻预测的碳排放量；
步骤五：采用混合粒子群算法对MKPLS算法的核参数进行选择；
步骤5.1利用式(5)建立核参数的目标函数RMSE：
Figure BDA0003738879880000051
式(5)中，
Figure BDA0003738879880000052
为所述测试集中t+1时刻测得的第q组碳排放量；
Figure BDA0003738879880000053
为所述测试集中t+1时刻预测第q组的碳排放量；
步骤5.2利用式(6)添加约束条件：
Figure BDA0003738879880000054
式(6)中，M为粒子群的当前迭代次数；
步骤5.3设置参数，包括：最大迭代次数Mmax、种群大小U、速度更新参数c1和c2、最大、最小的惯性权重系数ωmax和ωmin、核参数{σ,υ,γ}的上限{σmax,υmax,γmax}和下限{σmin,υmin,γmin}、变量维数dim；σmax和σmin为控制Mexicanhat小波核函数作用范围的参数的最大值和最小值，υmax和υmin为多项式核函数的次数的最大值和最小值，γmax和γmin为两种核函数选择的权重系数的最大值和最小值；
设置第M次迭代的粒子群为{σM,υM,γM}，其中，第M次迭代的控制参数
Figure BDA0003738879880000055
第M次迭代的次数
Figure BDA0003738879880000056
第M次迭代的权重系数
Figure BDA0003738879880000057
为第M次迭代的第u个粒子对应的控制Mexicanhat小波核函数作用范围的参数，
Figure BDA0003738879880000058
为第M次迭代的第u个粒子对应的多项式核函数的次数，
Figure BDA0003738879880000059
为第M次迭代的第u个粒子对应的两种核函数选择的权重系数，由
Figure BDA00037388798800000510
组成第M次迭代的粒子群中第u个粒子；
第M次迭代的第u个粒子
Figure BDA00037388798800000511
的位置向量记为
Figure BDA00037388798800000512
其中，
Figure BDA00037388798800000513
表示第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数的位置向量，
Figure BDA00037388798800000514
表示第M次迭代的第u个粒子对应的多项式核函数的次数的位置向量，
Figure BDA00037388798800000515
表示第M次迭代的第u个粒子对应的两种核函数选择的权重系数的位置向量；
第u个粒子
Figure BDA00037388798800000516
的速度向量记为
Figure BDA00037388798800000517
令第M次迭代的粒子群{σM,υM,γM}的适应度值为第M次迭代的核参数的目标函数RMSE值，u∈(0,U)表示为粒子的编号；
步骤5.4初始化种群；
初始化M＝1，初始化第M次迭代的粒子群{σM,υM,γM}的位置向量为核参数{σ,υ,γ}的初始值；初始化第M次迭代的粒子群{σM,υM,γM}的速度向量为0；
初始化第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA0003738879880000061
的最佳位置为
Figure BDA0003738879880000062
和第M次迭代的粒子群{σM,υM,γM}的群体最佳位置为
Figure BDA0003738879880000063
其中，
Figure BDA0003738879880000064
表示第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数的个体最佳位置向量，
Figure BDA0003738879880000065
表示表示第M次迭代的第u个粒子对应的多项式核函数的次数的个体最佳位置向量，
Figure BDA0003738879880000066
表示第M次迭代的第u个粒子对应的两种核函数选择的权重系数的个体最佳位置向量，
Figure BDA0003738879880000067
表示第M次迭代对应的控制Mexican hat小波核函数作用范围的参数的群体最佳位置向量，
Figure BDA0003738879880000068
表示第M次迭代对应的多项式核函数的次数的群体最佳位置向量，
Figure BDA0003738879880000069
表示第M次迭代对应的两种核函数选择的权重系数的群体最佳位置向量；
利用第M次迭代的粒子群{σM,υM,γM}的位置向量作为最终的时滞差分模型的核参数并进行训练，得到第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA00037388798800000610
的适应度
Figure BDA00037388798800000611
并初始化第M次迭代的粒子群{σM,υM,γM}中第u个粒子的历史最优适应度为
Figure BDA00037388798800000612
初始化第M次迭代的粒子群{σM,υM,γM}的群体历史最优适应度为
Figure BDA00037388798800000613
步骤5.5：比较第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA00037388798800000614
对应的适应度
Figure BDA00037388798800000615
是否小于自身历史最优适应度
Figure BDA00037388798800000616
若是，则将第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA00037388798800000617
的位置向量Bu,M中赋值给自身最佳位置pu,M，并更新自身历史最优适应度
Figure BDA00037388798800000618
为
Figure BDA00037388798800000619
否则，保留第u个粒子的最佳位置pu,M和历史最优适应度
Figure BDA00037388798800000620
步骤5.6：比较第M次迭代的粒子群{σM,υM,γM}中所有粒子的最小适应度是否小于群体历史最优适应度
Figure BDA00037388798800000621
若是，则将第M次迭代的粒子群{σM,υM,γM}中最小适应度所对应的粒子的位置向量赋值给群体最佳位置gM并更新群体历史最优适应度
Figure BDA0003738879880000071
为所有粒子的最小适应度，否则，保留所述群体最佳位置gM和群体历史最优适应度
Figure BDA0003738879880000072
步骤5.7利用式(7)更新第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA0003738879880000073
的速度向量
Figure BDA0003738879880000074
得到第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子的速度向量
Figure BDA0003738879880000075
Figure BDA0003738879880000076
式(7)中，ω为粒子群的惯性权重，r1、r2为[0,1]的随机数，θ为全局社会因子权重，1-θ为局部社会因子权重，Plu,M为第M次迭代第u个粒子附近的最优解；并由式(8)得到：
Plu,M＝arg[min(fR(Bu,M))]，||Bu,M-Plu,M||≤R (8)
式(8)中，R为局部因子的作用半径，fR(Bu,M)为以第M次迭代第u个粒子
Figure BDA0003738879880000077
的位置向量Bu,M为中心，在半作用径R范围内的粒子适应度值；
步骤5.8：根据第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA0003738879880000078
的位置向量Bu,M，得到第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure BDA0003738879880000079
的位置向量Bu,M+1；σM+1表示第M次迭代的粒子群对应的控制Mexicanhat小波核函数作用范围的参数，υM+1表示第M次迭代的粒子群对应的对应的多项式核函数的次数，γM+1表示第M次迭代的粒子群对应的两种核函数选择的权重系数，由{σM+1,υM+1,γM+1}组成第M+1次迭代的粒子群，为第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数，
Figure BDA00037388798800000710
为第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数，
Figure BDA00037388798800000711
为第M+1次迭代的第u个粒子对应的多项式核函数的次数，
Figure BDA00037388798800000712
为第M+1次迭代的第u个粒子对应的两种核函数选择的权重系数，由
Figure BDA00037388798800000713
组成第M+1次迭代的粒子群中第u个粒子；
步骤5.9：根据第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure BDA00037388798800000714
的位置向量Bu,M+1，计算第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure BDA00037388798800000715
的适应度
Figure BDA00037388798800000716
步骤5.10：将M+1赋值给M，若M>Mmax，则停止迭代，并将第Mmax次迭代的粒子群{σM,υM,γM}的群体历史最优位置作为MKPLS算法的最优核参数，否则，返回执行步骤5.5顺序执行；
步骤五、建立碳排放量的动态演化机理模型；
利用最优核参数的MKPLS算法对所述最终的时滞差分模型进行优化，得到动态演化机理模型，将控排企业的n种碳排放影响因素输入所述动态演化机理模型中，并得到预测的碳排放量。
与现有技术相比，本发明的有益效果在于：
1、本发明通过采用时滞差分模型可以对输入输出之间存在的混沌时间模型进行建模并且实现模型更新，考虑到多种控排企业存在因管道等问题导致的碳排放时滞现象，因此需要利用时滞差分模型处理碳排放量和碳排放影响因素之前存在的时间不同步问题，而且对于时变的系统，需要利用时滞差分模型处理局部预测模型在线更新问题，从而解决了时滞可能导致同一时刻的系统输入与输出之间的因果关系发生变化，实现了模型处理实际生产过程中碳排放影响因素和碳排放量时间同步以及模型更新。
2、本发明通过采用PSO-MKPLS方法可以对多重共线性问题进行解决，采用PSO方法对MKPLS中的组合核参数进行选择再利用MKPLS对碳排放多种影响因素和碳排放量进行建模解决了多种影响因素之间的多重共线性问题，并且建立了二者之间的预测回归模型得到控排企业的碳排放动态演化机理，从而更加能精确得到的碳排放影响因素和碳排放量因果关系。
附图说明
图1为本发明具体流程图。
具体实施方式
本实施例中，一种基于混合PSO-MKPLS算法的碳排放量动态演化方法，如图1所示，包括以下步骤：
步骤一：对t时刻控排企业碳排放的n个影响因素进行定量分析，得到t时刻的一组分析数据，并对t时刻的一组分析数据依次进行异常数据点剔除、数据滤波、数据标准化的处理，得到t时刻的一组碳排放影响因素集合X(t)＝[x1(t),x2(t),…,xj(t),…,xn(t)]，xj(t)表示每组中t时刻的第j个排放影响因素，n表示影响因素个数，j∈[1,n]；
步骤二：利用时滞差分模糊曲线分析法对碳排放影响因素进行时滞估计；
步骤2.1：实际生产过程中由于储蓄单元、管道等结构引起的容积时滞，测量时滞和信号传输时滞，因此需要处理时滞问题。利用式(1)对不含时滞的t时刻第j个碳排放影响因素xj(t)进行扩展，获得扩展为第i个扩展后的第j个碳排放影响因素xi,j(t)，从而得到Tmax个扩展后的第j个碳排放影响因素集合{xi,j(t)|i＝1,2,…,Tmax}，进而对n个碳排放影响因素扩展并得到n×(Tmax+1)维扩展后的一组排放影响因素集合XJ(t)＝{xi,j(t)|i＝1,2,…,Tmax；j＝1,2,…,n}；
xi,j(t)＝[xj(t),xj(t-1),…,xj(t-di,j),…,xj(t-Tmax)] (1)
式(1)中，Tmax为最大时滞参数；di,j为第i个扩展后的第j个碳排放影响因素xi,j(t)的第i个时滞参数；xj(t-di,j)为t时刻第i个扩展后的第j个排放影响因素；
步骤2.2：利用模糊曲线分析对XJ(t)进行计算，确定Tmax个扩展后的第j个碳排放影响因素{xi,j(t)|i＝1,2,…,Tmax}的最优时滞参数λj：
首先计算xj(t-di,j)的模糊隶属度，然后利用t时刻测得的碳排放量Y(t)对xj(t-di,j)的质心进行去模糊化处理并得到第i个模糊曲线
Figure BDA0003738879880000091
再利用argmax函数从Tmax个模糊曲线中寻找最大覆盖范围的模糊曲线所对应的时滞参数，并作为第j个碳排放影响因素的最优时滞参数λj；
对XJ(t)进行时滞求解后得到与t时刻测得的碳排放量Y(t)相关联的n种碳排放影响因素在t-λJ时刻的一组历史碳排放影响因素集合XJ(t-λJ)＝{x1(t-λ1),x2(t-λ2),…,xj(t-λj),…,xn(t-λn)}；其中，xj(t-λj)表示与t时刻测得的碳排放量Y(t)相关联的t-λj时刻的第j个碳排放影响因素；
步骤三，建立时滞差分模型；
步骤3.1对于时变的系统，需要局部预测模型在线更新，尽管现有的优化算法可以一定程度提高计算效率，但仍存在局部收敛的弊端，它仅限于慢时变线性模型。为了使复杂模型快速准确地估计参数，使其能很好地适应非线性过程，所以采用时滞差分模型。将一组历史碳排放影响因素集合XJ(t-λJ)作为输入、将t时刻测得的一组碳排放量Y(t)作为输出，分别计算输入和输出的一阶时滞差分，并相应得到输入时滞差分ΔXJ(t-λJ)和输出时滞差分ΔY(t)，从而利用式(2)建立输入时滞差分ΔXJ(t-λJ)和输出时滞差分ΔY(t)之间的时滞差分模型f；
Figure BDA0003738879880000101
步骤四：利用MKPLS算法对时滞差分模型f进行训练；
步骤4.1：定义并初始化MKPLS算法的核参数{σ,υ,γ}，利用式(3)得到组合核函数K：
K＝(1-γ)Kσ+γKυ (3)
式(3)中，Kσ表示Mexican hat小波核函数；Kυ表示多项式核函数，σ表示控制Mexican hat小波核函数Kσ作用范围的参数，γ为两种核函数选择的权重系数，υ为多项式核函数Kυ的次数；全局核函数具有全局特性，相距较远的样本对核函数的值也有影响，即具有很好的泛化能力；而局部核函数具有局部特性，相距很近的样本对核函数的值有影响，即具有很好的学习能力。因此利用Mexican hat小波核函数良好的学习能力和多项式核函数的泛化能力更改样本维度以便于把非线性问题转化为异空间的先行问题为后续偏最小二乘法使用。
步骤4.2利用交叉验证的方式将多组输入时滞差分及其对应的输出时滞差分划分为训练集和测试集；其中，训练集包含s组输入时滞差分及其对应的输出时滞差；测试集包含st组输入时滞差分及其对应的输出时滞差；
对训练集中s组输入时滞差分及其对应的输出时滞差分别进行标准化处理，得到标准化后的输入时滞差分集合和输出时滞差分集合；
将训练集的组合核函数记作
Figure BDA0003738879880000102
利用式(3)对
Figure BDA0003738879880000103
进行z-score中心化处理，得到训练集的中心化组合核函数
Figure BDA0003738879880000104
Figure BDA0003738879880000105
式(3)中，I为单位矩阵，ls为元素为1的矩阵，T表示转置；
步骤4.3对标准化后的输入时滞差分集合的得分向量、标准化后的输出时滞差分集合的权重向量和得分向量进行迭代计算，直至标准化后的输入时滞差分集合的得分向量收敛为止，从而得到一个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量；
步骤4.4利用标准化后的输入时滞差分集合的最终得分向量分别对
Figure BDA0003738879880000106
和标准化后的输出时滞差分集合进行缩减后，再按照步骤4.3的过程进行处理，直至得到L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量，L为主成分个数；
利用L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量计算回归系数，从而得到最终的时滞差分模型；
步骤4.5对测试集的st组输入时滞差分及其对应的输出时滞差分别进行z-score标准化后，得到z-score标准化后的输入时滞差分集合和输出时滞差分集合；
将测试集的组合核函数记作
Figure BDA0003738879880000111
利用式(4)得到
Figure BDA0003738879880000112
的标准化形式
Figure BDA0003738879880000113
将z-score标准化后的输入时滞差分集合输入最终的时滞差分模型中，并得到预测的输出时滞差分集合；
Figure BDA0003738879880000114
步骤4.6根据测试集中t+1-λJ时刻的历史碳排放影响因素集合，计算测试集中t+1-λJ时刻的输入时滞差分，并输入最终的时滞差分模型中，并得到测试集中t+1时刻输出时滞差分；
步骤4.7根据测试集中t+1时刻输出时滞差分和测试集中t时刻测得的碳排放量，得到测试集在t+1时刻预测的碳排放量；
步骤五：采用混合粒子群算法对MKPLS算法的核参数进行选择；
步骤5.1利用式(5)建立核参数的目标函数RMSE：
Figure BDA0003738879880000115
式(5)中，
Figure BDA0003738879880000116
为测试集中t+1时刻测得的第q组碳排放量；
Figure BDA0003738879880000117
为测试集中t+1时刻预测第q组的碳排放量；
步骤5.2利用式(6)添加约束条件：
Figure BDA0003738879880000118
式(6)中，M为粒子群的当前迭代次数；
步骤5.3设置参数，包括：最大迭代次数Mmax、种群大小U、速度更新参数c1和c2、最大、最小的惯性权重系数ωmax和ωmin、核参数{σ,υ,γ}的上限{σmax,υmax,γmax}和下限{σmin,υmin,γmin}、变量维数dim；σmax和σmin为控制Mexican hat小波核函数作用范围的参数的最大值和最小值，υmax和υmin为多项式核函数的次数的最大值和最小值，γmax和γmin为两种核函数选择的权重系数的最大值和最小值；
设置第M次迭代的粒子群为{σM,υM,γM}，其中，第M次迭代的控制参数
Figure BDA0003738879880000121
第M次迭代的次数
Figure BDA0003738879880000122
第M次迭代的权重系数
Figure BDA0003738879880000123
为第M次迭代的第u个粒子对应的控制Mexicanhat小波核函数作用范围的参数，
Figure BDA0003738879880000124
为第M次迭代的第u个粒子对应的多项式核函数的次数，
Figure BDA0003738879880000125
为第M次迭代的第u个粒子对应的两种核函数选择的权重系数，由
Figure BDA0003738879880000126
组成第M次迭代的粒子群中第u个粒子；
第M次迭代的第u个粒子
Figure BDA0003738879880000127
的位置向量记为
Figure BDA0003738879880000128
其中，
Figure BDA0003738879880000129
表示第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数的位置向量，
Figure BDA00037388798800001210
表示第M次迭代的第u个粒子对应的多项式核函数的次数的位置向量，
Figure BDA00037388798800001211
表示第M次迭代的第u个粒子对应的两种核函数选择的权重系数的位置向量；
第u个粒子
Figure BDA00037388798800001212
的速度向量记为
Figure BDA00037388798800001213
令第M次迭代的粒子群{σM,υM,γM}的适应度值为第M次迭代的核参数的目标函数RMSE值，u∈(0,U)表示为粒子的编号；
步骤5.4初始化种群；
初始化M＝1，初始化第M次迭代的粒子群{σM,υM,γM}的位置向量为核参数{σ,υ,γ}的初始值；初始化第M次迭代的粒子群{σM,υM,γM}的速度向量为0；
初始化第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA00037388798800001214
的最佳位置为
Figure BDA00037388798800001215
和第M次迭代的粒子群{σM,υM,γM}的群体最佳位置为
Figure BDA00037388798800001216
其中，
Figure BDA00037388798800001217
表示第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数的个体最佳位置向量，
Figure BDA00037388798800001218
表示表示第M次迭代的第u个粒子对应的多项式核函数的次数的个体最佳位置向量，
Figure BDA00037388798800001219
表示第M次迭代的第u个粒子对应的两种核函数选择的权重系数的个体最佳位置向量，
Figure BDA00037388798800001220
表示第M次迭代对应的控制Mexican hat小波核函数作用范围的参数的群体最佳位置向量，
Figure BDA0003738879880000131
表示第M次迭代对应的多项式核函数的次数的群体最佳位置向量，
Figure BDA0003738879880000132
表示第M次迭代对应的两种核函数选择的权重系数的群体最佳位置向量；
利用第M次迭代的粒子群{σM,υM,γM}的位置向量作为最终的时滞差分模型的核参数并进行训练，得到第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA0003738879880000133
的适应度
Figure BDA0003738879880000134
并初始化第M次迭代的粒子群{σM,υM,γM}中第u个粒子的历史最优适应度为
Figure BDA0003738879880000135
初始化第M次迭代的粒子群{σM,υM,γM}的群体历史最优适应度为
Figure BDA0003738879880000136
步骤5.5：比较第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA0003738879880000137
对应的适应度
Figure BDA0003738879880000138
是否小于自身历史最优适应度
Figure BDA0003738879880000139
若是，则将第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA00037388798800001310
的位置向量Bu,M中赋值给自身最佳位置pu,M，并更新自身历史最优适应度
Figure BDA00037388798800001311
为
Figure BDA00037388798800001312
否则，保留第u个粒子的最佳位置pu,M和历史最优适应度
Figure BDA00037388798800001313
步骤5.6：比较第M次迭代的粒子群{σM,υM,γM}中所有粒子的最小适应度是否小于群体历史最优适应度
Figure BDA00037388798800001314
若是，则将第M次迭代的粒子群{σM,υM,γM}中最小适应度所对应的粒子的位置向量赋值给群体最佳位置gM并更新群体历史最优适应度
Figure BDA00037388798800001315
为所有粒子的最小适应度，否则，保留群体最佳位置gM和群体历史最优适应度
Figure BDA00037388798800001316
步骤5.7为解决PSO优化算法易陷入局部最优解问题，因此采用混合粒子群算法，该算法中的全局社会因子使得粒子有朝着之前迭代中的最优解逼近的趋势；而局部社会因子则使粒子有向粒子范围内的局部最优解靠近的趋势。
利用式(7)更新第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA00037388798800001317
的速度向量
Figure BDA00037388798800001318
得到第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子的速度向量
Figure BDA00037388798800001319
Figure BDA00037388798800001320
式(7)中，ω为粒子群的惯性权重，r1、r2为[0,1]的随机数，θ为全局社会因子权重，1-θ为局部社会因子权重，Plu,M为第M次迭代第u个粒子附近的最优解；并由式(8)得到：
Plu,M＝arg[min(fR(Bu,M))]，||Bu,M-Plu,M||≤R (8)
式(8)中，R为局部因子的作用半径，fR(Bu,M)为以第M次迭代第u个粒子
Figure BDA0003738879880000141
的位置向量Bu,M为中心，在半作用径R范围内的粒子适应度值；
步骤5.8：根据第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure BDA0003738879880000142
的位置向量Bu,M，得到第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure BDA0003738879880000143
的位置向量Bu,M+1；σM+1表示第M次迭代的粒子群对应的控制Mexicanhat小波核函数作用范围的参数，υM+1表示第M次迭代的粒子群对应的对应的多项式核函数的次数，γM+1表示第M次迭代的粒子群对应的两种核函数选择的权重系数，由{σM+1,υM+1,γM+1}组成第M+1次迭代的粒子群，为第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数，
Figure BDA0003738879880000144
为第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数，
Figure BDA0003738879880000145
为第M+1次迭代的第u个粒子对应的多项式核函数的次数，
Figure BDA0003738879880000146
为第M+1次迭代的第u个粒子对应的两种核函数选择的权重系数，由
Figure BDA0003738879880000147
组成第M+1次迭代的粒子群中第u个粒子；
步骤5.9：根据第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure BDA0003738879880000148
的位置向量Bu,M+1，计算第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure BDA0003738879880000149
的适应度
Figure BDA00037388798800001410
步骤5.10：将M+1赋值给M，若M>Mmax，则停止迭代，并将第Mmax次迭代的粒子群{σM,υM,γM}的群体历史最优位置作为MKPLS算法的最优核参数，否则，返回执行步骤5.5顺序执行；
步骤五、建立碳排放量的动态演化机理模型；
利用最优核参数的MKPLS算法对最终的时滞差分模型进行优化，得到动态演化机理模型，将控排企业的n种碳排放影响因素输入动态演化机理模型中，并得到预测的碳排放量。

Claims (1)

1.一种基于混合PSO-MKPLS算法的碳排放量动态演化方法，其特征在于，包括以下步骤：
步骤一：对t时刻控排企业碳排放的n个影响因素进行定量分析，得到t时刻的一组分析数据，并对所述t时刻的一组分析数据依次进行异常数据点剔除、数据滤波、数据标准化的处理，得到t时刻的一组碳排放影响因素集合X(t)＝[x1(t),x2(t),…,xj(t),…,xn(t)]，xj(t)表示每组中t时刻的第j个排放影响因素，n表示影响因素个数，j∈[1,n]；
步骤二：利用时滞差分模糊曲线分析法对碳排放影响因素进行时滞估计；
步骤2.1：利用式(1)对不含时滞的t时刻第j个碳排放影响因素xj(t)进行扩展，获得扩展为第i个扩展后的第j个碳排放影响因素xi,j(t)，从而得到Tmax个扩展后的第j个碳排放影响因素集合{xi,j(t)|i＝1,2,…,Tmax}，进而对n个碳排放影响因素扩展并得到n×(Tmax+1)维扩展后的一组排放影响因素集合XJ(t)＝{xi,j(t)|i＝1,2,…,Tmax；j＝1,2,…,n}；
xi,j(t)＝[xj(t),xj(t-1),…,xj(t-di,j),…,xj(t-Tmax)] (1)
式(1)中，Tmax为最大时滞参数；di,j为第i个扩展后的第j个碳排放影响因素xi,j(t)的第i个时滞参数；xj(t-di,j)为t时刻第i个扩展后的第j个排放影响因素；
步骤2.2：利用模糊曲线分析对XJ(t)进行计算，确定Tmax个扩展后的第j个碳排放影响因素{xi,j(t)|i＝1,2,…,Tmax}的最优时滞参数λj：
首先计算xj(t-di,j)的模糊隶属度，然后利用t时刻测得的碳排放量Y(t)对xj(t-di,j)的质心进行去模糊化处理并得到第i个模糊曲线
Figure FDA0003738879870000011
再利用argmax函数从Tmax个模糊曲线中寻找最大覆盖范围的模糊曲线所对应的时滞参数，并作为第j个碳排放影响因素的最优时滞参数λj；
对XJ(t)进行时滞求解后得到与t时刻测得的碳排放量Y(t)相关联的n种碳排放影响因素在t-λJ时刻的一组历史碳排放影响因素集合XJ(t-λJ)＝{x1(t-λ1),x2(t-λ2),…,xj(t-λj),…,xn(t-λn)}；其中，xj(t-λj)表示与t时刻测得的碳排放量Y(t)相关联的t-λj时刻的第j个碳排放影响因素；
步骤三，建立时滞差分模型；
步骤3.1将一组历史碳排放影响因素集合XJ(t-λJ)作为输入、将t时刻测得的一组碳排放量Y(t)作为输出，分别计算输入和输出的一阶时滞差分，并相应得到输入时滞差分ΔXJ(t-λJ)和输出时滞差分ΔY(t)，从而利用式(2)建立输入时滞差分ΔXJ(t-λJ)和输出时滞差分ΔY(t)之间的时滞差分模型f；
Figure FDA0003738879870000025
步骤四：利用MKPLS算法对时滞差分模型f进行训练；
步骤4.1：定义并初始化MKPLS算法的核参数{σ,υ,γ}，利用式(3)得到组合核函数K：
K＝(1-γ)Kσ+γKυ (3)
式(3)中，Kσ表示Mexicanhat小波核函数；Kυ表示多项式核函数，σ表示控制所述Mexicanhat小波核函数Kσ作用范围的参数，γ为两种核函数选择的权重系数，υ为所述多项式核函数Kυ的次数；
步骤4.2利用交叉验证的方式将多组输入时滞差分及其对应的输出时滞差分划分为训练集和测试集；其中，所述训练集包含s组输入时滞差分及其对应的输出时滞差；所述测试集包含st组输入时滞差分及其对应的输出时滞差；
对所述训练集中s组输入时滞差分及其对应的输出时滞差分别进行标准化处理，得到标准化后的输入时滞差分集合和输出时滞差分集合；
将所述训练集的组合核函数记作
Figure FDA0003738879870000021
利用式(3)对
Figure FDA0003738879870000022
进行z-score中心化处理，得到所述训练集的中心化组合核函数
Figure FDA0003738879870000023
Figure FDA0003738879870000024
式(3)中，I为单位矩阵，ls为元素为1的矩阵，T表示转置；
步骤4.3对标准化后的输入时滞差分集合的得分向量、标准化后的输出时滞差分集合的权重向量和得分向量进行迭代计算，直至标准化后的输入时滞差分集合的得分向量收敛为止，从而得到一个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量；
步骤4.4利用标准化后的输入时滞差分集合的最终得分向量分别对
Figure FDA0003738879870000031
和标准化后的输出时滞差分集合进行缩减后，再按照步骤4.3的过程进行处理，直至得到L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量，L为主成分个数；
利用L个标准化后的输入时滞差分集合的最终得分向量和标准化后的输出时滞差分集合的最终得分向量计算回归系数，从而得到最终的时滞差分模型；
步骤4.5对测试集的st组输入时滞差分及其对应的输出时滞差分别进行z-score标准化后，得到z-score标准化后的输入时滞差分集合和输出时滞差分集合；
将所述测试集的组合核函数记作
Figure FDA0003738879870000032
利用式(4)得到
Figure FDA0003738879870000033
的标准化形式
Figure FDA0003738879870000034
将z-score标准化后的输入时滞差分集合输入所述最终的时滞差分模型中，并得到预测的输出时滞差分集合；
Figure FDA0003738879870000035
步骤4.6根据所述测试集中t+1-λJ时刻的历史碳排放影响因素集合，计算所述测试集中t+1-λJ时刻的输入时滞差分，并输入最终的时滞差分模型中，并得到所述测试集中t+1时刻输出时滞差分；
步骤4.7根据所述测试集中t+1时刻输出时滞差分和所述测试集中t时刻测得的碳排放量，得到所述测试集在t+1时刻预测的碳排放量；
步骤五：采用混合粒子群算法对MKPLS算法的核参数进行选择；
步骤5.1利用式(5)建立核参数的目标函数RMSE：
Figure FDA0003738879870000036
式(5)中，
Figure FDA0003738879870000037
为所述测试集中t+1时刻测得的第q组碳排放量；
Figure FDA0003738879870000038
为所述测试集中t+1时刻预测第q组的碳排放量；
步骤5.2利用式(6)添加约束条件：
Figure FDA0003738879870000039
式(6)中，M为粒子群的当前迭代次数；
步骤5.3设置参数，包括：最大迭代次数Mmax、种群大小U、速度更新参数c1和c2、最大、最小的惯性权重系数ωmax和ωmin、核参数{σ,υ,γ}的上限{σmax,υmax,γmax}和下限{σmin,υmin,γmin}、变量维数dim；σmax和σmin为控制Mexicanhat小波核函数作用范围的参数的最大值和最小值，υmax和υmin为多项式核函数的次数的最大值和最小值，γmax和γmin为两种核函数选择的权重系数的最大值和最小值；
设置第M次迭代的粒子群为{σM,υM,γM}，其中，第M次迭代的控制参数
Figure FDA0003738879870000041
第M次迭代的次数
Figure FDA0003738879870000042
第M次迭代的权重系数
Figure FDA0003738879870000043
Figure FDA0003738879870000044
为第M次迭代的第u个粒子对应的控制Mexican hat小波核函数作用范围的参数，
Figure FDA0003738879870000045
为第M次迭代的第u个粒子对应的多项式核函数的次数，
Figure FDA0003738879870000046
为第M次迭代的第u个粒子对应的两种核函数选择的权重系数，由
Figure FDA0003738879870000047
组成第M次迭代的粒子群中第u个粒子；
第M次迭代的第u个粒子
Figure FDA0003738879870000048
的位置向量记为
Figure FDA0003738879870000049
其中，
Figure FDA00037388798700000410
表示第M次迭代的第u个粒子对应的控制Mexicanhat小波核函数作用范围的参数的位置向量，
Figure FDA00037388798700000411
表示第M次迭代的第u个粒子对应的多项式核函数的次数的位置向量，
Figure FDA00037388798700000412
表示第M次迭代的第u个粒子对应的两种核函数选择的权重系数的位置向量；
第u个粒子
Figure FDA00037388798700000413
的速度向量记为
Figure FDA00037388798700000414
令第M次迭代的粒子群{σM,υM,γM}的适应度值为第M次迭代的核参数的目标函数RMSE值，u∈(0,U)表示为粒子的编号；
步骤5.4初始化种群；
初始化M＝1，初始化第M次迭代的粒子群{σM,υM,γM}的位置向量为核参数{σ,υ,γ}的初始值；初始化第M次迭代的粒子群{σM,υM,γM}的速度向量为0；
初始化第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure FDA00037388798700000415
的最佳位置为
Figure FDA00037388798700000416
和第M次迭代的粒子群{σM,υM,γM}的群体最佳位置为
Figure FDA0003738879870000051
其中，
Figure FDA0003738879870000052
表示第M次迭代的第u个粒子对应的控制Mexicanhat小波核函数作用范围的参数的个体最佳位置向量，
Figure FDA0003738879870000053
表示表示第M次迭代的第u个粒子对应的多项式核函数的次数的个体最佳位置向量，
Figure FDA0003738879870000054
表示第M次迭代的第u个粒子对应的两种核函数选择的权重系数的个体最佳位置向量，
Figure FDA0003738879870000055
表示第M次迭代对应的控制Mexicanhat小波核函数作用范围的参数的群体最佳位置向量，
Figure FDA0003738879870000056
表示第M次迭代对应的多项式核函数的次数的群体最佳位置向量，
Figure FDA0003738879870000057
表示第M次迭代对应的两种核函数选择的权重系数的群体最佳位置向量；
利用第M次迭代的粒子群{σM,υM,γM}的位置向量作为最终的时滞差分模型的核参数并进行训练，得到第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure FDA0003738879870000058
的适应度
Figure FDA0003738879870000059
并初始化第M次迭代的粒子群{σM,υM,γM}中第u个粒子的历史最优适应度为
Figure FDA00037388798700000510
初始化第M次迭代的粒子群{σM,υM,γM}的群体历史最优适应度为
Figure FDA00037388798700000511
步骤5.5：比较第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure FDA00037388798700000512
对应的适应度
Figure FDA00037388798700000513
是否小于自身历史最优适应度
Figure FDA00037388798700000514
若是，则将第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure FDA00037388798700000515
的位置向量Bu,M中赋值给自身最佳位置pu,M，并更新自身历史最优适应度
Figure FDA00037388798700000516
为
Figure FDA00037388798700000517
否则，保留第u个粒子的最佳位置pu,M和历史最优适应度
Figure FDA00037388798700000518
步骤5.6：比较第M次迭代的粒子群{σM,υM,γM}中所有粒子的最小适应度是否小于群体历史最优适应度
Figure FDA00037388798700000519
若是，则将第M次迭代的粒子群{σM,υM,γM}中最小适应度所对应的粒子的位置向量赋值给群体最佳位置gM并更新群体历史最优适应度
Figure FDA00037388798700000520
为所有粒子的最小适应度，否则，保留所述群体最佳位置gM和群体历史最优适应度
Figure FDA00037388798700000521
步骤5.7利用式(7)更新第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure FDA00037388798700000522
的速度向量
Figure FDA00037388798700000523
得到第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子的速度向量
Figure FDA00037388798700000524
Figure FDA00037388798700000525
式(7)中，ω为粒子群的惯性权重，r1、r2为[0,1]的随机数，θ为全局社会因子权重，1-θ为局部社会因子权重，Plu,M为第M次迭代第u个粒子附近的最优解；并由式(8)得到：
Plu,M＝arg[min(fR(Bu,M))]，||Bu,M-Plu,M||≤R (8)
式(8)中，R为局部因子的作用半径，fR(Bu,M)为以第M次迭代第u个粒子
Figure FDA0003738879870000061
的位置向量Bu,M为中心，在半作用径R范围内的粒子适应度值；
步骤5.8：根据第M次迭代的粒子群{σM,υM,γM}中第u个粒子
Figure FDA0003738879870000062
的位置向量Bu,M，得到第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure FDA0003738879870000063
的位置向量Bu,M+1；σM+1表示第M次迭代的粒子群对应的控制Mexicanhat小波核函数作用范围的参数，υM+1表示第M次迭代的粒子群对应的对应的多项式核函数的次数，γM+1表示第M次迭代的粒子群对应的两种核函数选择的权重系数，由{σM+1,υM+1,γM+1}组成第M+1次迭代的粒子群，为第M次迭代的第u个粒子对应的控制Mexicanhat小波核函数作用范围的参数，
Figure FDA0003738879870000064
为第M次迭代的第u个粒子对应的控制Mexicanhat小波核函数作用范围的参数，
Figure FDA0003738879870000065
为第M+1次迭代的第u个粒子对应的多项式核函数的次数，
Figure FDA0003738879870000066
为第M+1次迭代的第u个粒子对应的两种核函数选择的权重系数，由
Figure FDA0003738879870000067
组成第M+1次迭代的粒子群中第u个粒子；
步骤5.9：根据第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure FDA0003738879870000068
的位置向量Bu,M+1，计算第M+1次迭代的粒子群{σM+1,υM+1,γM+1}中第u个粒子
Figure FDA0003738879870000069
的适应度
Figure FDA00037388798700000610
步骤5.10：将M+1赋值给M，若M>Mmax，则停止迭代，并将第Mmax次迭代的粒子群{σM,υM,γM}的群体历史最优位置作为MKPLS算法的最优核参数，否则，返回执行步骤5.5顺序执行；
步骤五、建立碳排放量的动态演化机理模型；
利用最优核参数的MKPLS算法对所述最终的时滞差分模型进行优化，得到动态演化机理模型，将控排企业的n种碳排放影响因素输入所述动态演化机理模型中，并得到预测的碳排放量。
CN202210810787.2A 2022-07-11 2022-07-11 一种基于混合pso-mkpls的碳排放量动态演化方法 Active CN115081301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210810787.2A CN115081301B (zh) 2022-07-11 2022-07-11 一种基于混合pso-mkpls的碳排放量动态演化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210810787.2A CN115081301B (zh) 2022-07-11 2022-07-11 一种基于混合pso-mkpls的碳排放量动态演化方法

Publications (2)

Publication Number Publication Date
CN115081301A true CN115081301A (zh) 2022-09-20
CN115081301B CN115081301B (zh) 2024-04-16

Family

ID=83260590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210810787.2A Active CN115081301B (zh) 2022-07-11 2022-07-11 一种基于混合pso-mkpls的碳排放量动态演化方法

Country Status (1)

Country Link
CN (1) CN115081301B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778482A (zh) * 2014-02-12 2014-05-07 中国农业大学 基于多尺度分析的水产养殖溶解氧短期预测方法
CN108846526A (zh) * 2018-08-08 2018-11-20 华北电力大学 一种二氧化碳排放量预测方法
CN111398233A (zh) * 2020-04-07 2020-07-10 安徽理工大学 一种红酒品质的激光光谱检测方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems
CN113095556A (zh) * 2021-03-31 2021-07-09 广西大学 一种考虑碳中和趋势的中长期负荷预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778482A (zh) * 2014-02-12 2014-05-07 中国农业大学 基于多尺度分析的水产养殖溶解氧短期预测方法
CN108846526A (zh) * 2018-08-08 2018-11-20 华北电力大学 一种二氧化碳排放量预测方法
CN111398233A (zh) * 2020-04-07 2020-07-10 安徽理工大学 一种红酒品质的激光光谱检测方法
AU2020103709A4 (en) * 2020-11-26 2021-02-11 Daqing Oilfield Design Institute Co., Ltd A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems
CN113095556A (zh) * 2021-03-31 2021-07-09 广西大学 一种考虑碳中和趋势的中长期负荷预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHU, XIAOLIN: "A building carbon emission prediction model by PSO-SVR method under multi-criteria evaluation", 《 JOURNAL OF INTELLIGENT & FUZZY SYSTEMS, 》, 16 December 2021 (2021-12-16), pages 7473 - 7484 *
孙薇;张骁;: "基于QPSO-LSSVM算法的中国碳排放预测", 国网技术学院学报, no. 05, 28 October 2017 (2017-10-28), pages 24 - 29 *

Also Published As

Publication number Publication date
CN115081301B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN107694337A (zh) 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法
Chen et al. Modelling and optimization of fed-batch fermentation processes using dynamic neural networks and genetic algorithms
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
CN110597070B (zh) 火电机组系统模型参数的辨识方法
CN112836884A (zh) 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法
CN113094988A (zh) 一种基于数据驱动的浆液循环泵运行优化方法及系统
CN110851911A (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
CN110728031B (zh) 一种基于ann建模平衡复杂石化过程产能的多目标优化方法
CN113049259A (zh) 台架控制系统的模糊控制方法、存储介质及设备
CN117034808A (zh) 一种基于图注意力网络的天然气管网压力估计方法
CN115081301A (zh) 一种基于混合pso-mkpls的碳排放量动态演化方法
CN116861256A (zh) 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN116860027A (zh) 一种数字能源鼓风站的压力控制系统及其方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN115204040A (zh) 一种基于神经网络模型的数字加热炉仿真方法
CN109871953B (zh) fpRNA遗传算法的重油裂解过程小波神经网络建模方法
Li et al. Research on neural network quality prediction model based on genetic algorithm
CN114202106A (zh) 一种基于深度学习的空调系统负荷预测方法
Li et al. Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace
CN111650894A (zh) 一种基于隐变量的贝叶斯网络复杂工业过程软测量方法
CN111861041A (zh) 一种预测Nb微合金钢动态再结晶型流变应力的方法
CN111291020A (zh) 基于局部加权线性动态系统的动态过程软测量建模方法
Zhang et al. Optimization study of intelligent decision-making system for coal processing plant based on big data analysis
CN112015081B (zh) Siso紧格式无模型控制器基于pso-lstm协同算法的参数自整定方法
CN111781821B (zh) SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant