CN115983458A - 基于灰色bp神经网络的电力碳排放峰值预测方法及系统 - Google Patents

Abstract

本发明提供一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统，该方法包括步骤：S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相应的原始数据序列，对原始数据序列进行处理后获得呈现指数增长趋势的累加序列；S102、将原始数据序列和累加序列作为输入值，构建基于灰色BP神经网络的碳排放峰值预测模型；S103、对碳排放峰值预测模型进行训练；S104、在灰色BP神经网络中引入递推算法，对碳排放峰值预测模型进行求解，获得碳排放峰值预测值，相较于传统预测方法，本发明预测的碳排放峰值结果更加准确。

Description

基于灰色BP神经网络的电力碳排放峰值预测方法及系统

技术领域

本发明涉及碳排放计算技术领域，尤其涉及一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统。

背景技术

目前，我国的经济发展过程中面临着许多环境问题，最为紧要的问题是发电公司的二氧化碳排放问题。因此，如何正确地预测碳排放峰值，为其制定碳减排途径，并在短时间内控制碳排放峰值，是一个迫切需要解决的问题。目前，学者们从不同的角度和理论依据出发，运用了不同的模式来研究碳排放峰值预测方法。关敏捷等人在《基于STIRPAT模型的山西省能源碳排放影响因素及峰值预测》中提出了基于STIRPAT模型的峰值预测方法(以下简称为方法A)，在能源结构优化模式下构建了STIRPAT模型。模型结合VSTE算法计算电力碳排放平均值，进而预测碳排放峰值。然而，该方法过分依赖人工操作，使得构建的模型在求解过程中受到不同因素影响，出现了较大预测偏差。王思琪等人在《基于双回归预测模型的公共建筑运行阶段碳排放现状研究》中构建了电力碳排放双回归预测模型(以下简称为方法B)，根据电力耗能情况，将各种不同电力设备运行方式进行了参数化处理，并将其输入到预测模型中，实现电力碳排放峰值精准预测。该方法虽然能够快速取得预测结果，但在实际操作过程中无法很好控制碳排放总量，因此推算结果还是存在一定误差。

发明内容

鉴于此，本发明的目的在于提供一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统，以更准确地预测电力碳排放量。

为实现上述发明目的，本发明第一方面提供一种基于灰色BP神经网络的电力碳排放峰值预测方法，所述方法包括以下步骤：

S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相应的原始数据序列，对原始数据序列进行处理后获得呈现指数增长趋势的累加序列；

S102、将原始数据序列和累加序列作为输入值，构建基于灰色BP神经网络的碳排放峰值预测模型；

S103、对碳排放峰值预测模型进行训练；

S104、在灰色BP神经网络中引入递推算法，对碳排放峰值预测模型进行求解，获得碳排放峰值预测值。

进一步的，步骤S103中，对碳排放峰值预测模型进行训练，具体包括以下步骤：

S201、通过灰色BP神经网络的各个节点进行初始化，随机分配各个节点权重和门限；

S202、在给定的输入和输出模式下，分别对输入层和输出层连接权重和阈值进行计算；

S203、选择下一种输入模式，反复迭代，直至网络输出结果符合预设条件为止完成训练。

进一步的，所述步骤S104具体包括以下步骤：

S301、随机获取各路径碳排放量，通过引入微分方程参数，对其进行加权处理，得到新的灰色BP神经网络模型；

S302、剔除输入数据之间的非线性关系，将其引入到新的灰色BP神经网络模型中，通过Lasso回归分析方法，分析各因素对碳排放峰值预测的影响；

S303、利用有限递推方法，求出网络中全部节点的碳势；

S304、在偏差允许的条件下，使用递推算法计算电力碳排放量，对碳排放峰值预测模型求解，获得电力碳排放量峰值预测结果。

进一步的，步骤S301中，随机选取的碳排放路径为：

其中，L_i表示电力第i中碳排放路径，λ表示碳排放系数，L′()表示碳排放路径抽取函数。

进一步的，所述步骤S302具体包括：

设a为自变量，b为隐变量，经过m次取样后得到的预测样本标准值为(a,b)，自变量a的第k个预测值为：

x_k＝(x_k1,x_k2,…,x_km)^T

其中，T表示预测周期，因变量对自变量的回归模型表示为：

b_i＝∑a_i+ε_i

其中，ε_i表示随机自然数，为了筛选出影响显著变量，为上式添加约束条件，约束条件表达式为：

其中，t表示调和参数，φ表示最佳调整阈值，Lasso回归分析方法通过不断调整调和参数值，降低回归系数，压缩变量系数直到为0，以此获取显著变量，即碳排放量峰值。

进一步的，步骤S303中，依次求取网络初始节点到发电机节点的碳势，在每次递推时，根据电网碳排放邻接性，在确定某一节点的碳势后，可求取全部节点碳势，具体计算公式如下：

其中，P_i表示节点注入的有功功率，G_j表示电力机组支路有功功率，Ω_i、Ω_j分别表示第i、j两个电力碳排放节点注入的集合。

本发明第二方面提供一种基于灰色BP神经网络的电力碳排放峰值预测系统，所述系统用于执行前述第一方面所提供的方法。

与现有技术相比，本发明的有益效果是：

本发明提供的一种基于灰色BP神经网络的电力碳排放峰值预测方法及系统，通过分析原始数据序列和累加序列，利用灰色BP神经网络构建碳排放峰值预测模型，分析电力碳排放影响因素，使用递推算法计算电力碳排放量，筛选出显著变量，通过有限次递推计算节点碳势，在误差允许范围内进行迭代训练，实现模型求解，得到电力碳排放峰值预测结果，相较于传统预测方法，本发明预测结果更加准确。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于灰色BP神经网络的电力碳排放峰值预测方法整体流程示意图。

图2是本发明实施例提供的碳排放峰值预测模型结构示意图。

图3是使用方法A预测碳排放峰值结果示意图。

图4是使用方法B预测碳排放峰值结果示意图。

图5是使用本发明实施例提供的方法预测碳排放峰值结果示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。

参照图1和图2，本实施例提供一种基于灰色BP神经网络的电力碳排放峰值预测方法，所述方法包括以下步骤：

S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相应的原始数据序列，对原始数据序列进行处理后获得呈现指数增长趋势的累加序列。

S102、将原始数据序列和累加序列作为输入值，构建基于灰色BP神经网络的碳排放峰值预测模型。

S103、对碳排放峰值预测模型进行训练。

S104、在灰色BP神经网络中引入递推算法，对碳排放峰值预测模型进行求解，获得碳排放峰值预测值。

作为一种优选的示例，步骤S103中，对碳排放峰值预测模型进行训练，具体包括以下步骤：

S201、通过灰色BP神经网络的各个节点进行初始化，随机分配各个节点权重和门限。

S202、在给定的输入和输出模式下，分别对输入层和输出层连接权重和阈值进行计算。

S203、选择下一种输入模式，反复迭代，直至网络输出结果符合预设条件为止完成训练。

步骤S104中，为了求解电力碳排放峰值预测模型，在灰色BP神经网络中引入了递推算法，该算法通过随机碳排放路径选取结果，计算各个因子对应的影响权值，进而获取相应路径碳排放数值。随机选取的碳排放新路径为：

其中，L_i表示电力第i中碳排放路径，λ表示碳排放系数，L′()表示碳排放路径抽取函数。递推算法采用的是随机选择电力碳排放路径方式，同时，通过对不同路径上碳排放影响因素分析，获取最大和最小碳排放周期，步骤S104具体包括以下步骤：

S301、随机获取各路径碳排放量，通过引入微分方程参数，对其进行加权处理，得到新的灰色BP神经网络模型。

S302、剔除输入数据之间的非线性关系，将其引入到新的灰色BP神经网络模型中，通过Lasso回归分析方法，分析各因素对碳排放峰值预测的影响；

S303、利用有限递推方法，求出网络中全部节点的碳势。

S304、在偏差允许的条件下，使用递推算法计算电力碳排放量，对碳排放峰值预测模型求解，获得电力碳排放量峰值预测结果。

步骤S302中，采用正规化的方法剔除输入数据之间的非线性关系，利用Lasso回归分析方法，分析了各因素对碳排放峰值预测的影响，Lasso回归分析是一种通过惩罚函数来压缩模型中系数的方法，将一些因子变为0，以筛选出显著变量。步骤S302具体包括以下步骤：

设a为自变量，b为隐变量，经过m次取样后得到的预测样本标准值为(a,b)，自变量a的第k个预测值为：

x_k＝(x_k1,x_k2,…,x_km)^T

其中，T表示预测周期，因变量对自变量的回归模型表示为：

b_i＝∑a_i+ε_i

其中，ε_i表示随机自然数，为了筛选出影响显著变量，为上式添加约束条件，约束条件表达式为：

其中，t表示调和参数，φ表示最佳调整阈值，Lasso回归分析方法通过不断调整调和参数值，降低回归系数，压缩变量系数直到为0，以此获取显著变量，即碳排放量峰值。

由于由于电力碳排放量计算具有邻接性，因此在计算一个节点的碳排放量时，仅需获得邻近节点碳排放量，无需了解该节点碳排放流信息。步骤S303中，通过对各节点功率分配，可以得出各节点间的联系。根据电网碳排放邻接性，依次求取初始点到发电机节点的碳势。在每次递推时，在确定某一节点碳势后，就可求取全部节点碳势。因此，每一次递推都能在任意一段时间内获取精准的节点碳势计算结果。最终，利用有限递推方法，求出了网络中全部节点碳势，具体计算公式如下：

其中，P_i表示节点注入的有功功率，G_j表示电力机组支路有功功率，Ω_i、Ω_j分别表示第i、j两个电力碳排放节点注入的集合。

碳排放峰值表示从某一年开始某个地区碳排放量出现稳定趋势，在基准情景、低碳情景和强化低碳情景下，采集碳排放峰值如表1所示。

表1碳排放峰值采集结果/万吨

由表1可知，基准情景、低碳情景和强化低碳情景下碳排放峰值分别为40000万吨、39000万吨、40000万吨，在2014-2022年三种情景的碳排放呈缓慢下降趋势。

参照图3-5，本实施例分别使用关敏捷等人提出的基于STIRPAT模型的峰值预测方法(方法A)、王思琪等人提出的电力碳排放双回归预测方法和本实施例所提供的方法(方法B)对比分析电力碳排放峰值预测结果，由图3可知，使用方法A在基准情景下碳排放峰值与表1数据存在最大为600万吨的误差；在低碳情景下碳排放峰值与表1数据存在最大为500万吨的误差；在强化低碳情景下碳排放峰值与表1数据存在最大为400万吨的误差。由图4可知，使用方法B在基准情景下碳排放峰值与表1数据存在最大为400万吨的误差；在低碳情景下碳排放峰值与表1数据存在最大为500万吨的误差；在强化低碳情景下碳排放峰值与表1数据存在最大为600万吨的误差。由图5可知，使用本实施例提供的方法在三种情景下的碳排放峰值与表1数据一致。

通过上述分析结果可知，使用本实施例所提供的方法预测电力碳排放峰值与实际数据一致，说明在上述三种情景下本实施例所提供的方法的预测结果更为精准。

本发明另一实施例提供一种基于灰色BP神经网络的电力碳排放峰值预测系统，所述系统用于执行前述方法实施例所述的方法。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，所述方法包括：

S101、将电力碳排放量作为随机变量视为一定区间内变动的灰色变量，获得相应的原始数据序列，对原始数据序列进行处理后获得呈现指数增长趋势的累加序列；

S102、将原始数据序列和累加序列作为输入值，构建基于灰色BP神经网络的碳排放峰值预测模型；

S103、对碳排放峰值预测模型进行训练；

S104、在灰色BP神经网络中引入递推算法，对碳排放峰值预测模型进行求解，获得碳排放峰值预测值。

2.根据权利要求1所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，步骤S103中，对碳排放峰值预测模型进行训练，具体包括以下步骤：

S201、通过灰色BP神经网络的各个节点进行初始化，随机分配各个节点权重和门限；

S202、在给定的输入和输出模式下，分别对输入层和输出层连接权重和阈值进行计算；

S203、选择下一种输入模式，反复迭代，直至网络输出结果符合预设条件为止完成训练。

3.根据权利要求1所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，所述步骤S104具体包括以下步骤：

S301、随机获取各路径碳排放量，通过引入微分方程参数，对其进行加权处理，得到新的灰色BP神经网络模型；

S302、剔除输入数据之间的非线性关系，将其引入到新的灰色BP神经网络模型中，通过Lasso回归分析方法，分析各因素对碳排放峰值预测的影响；

S303、利用有限递推方法，求出网络中全部节点的碳势；

S304、在偏差允许的条件下，使用递推算法计算电力碳排放量，对碳排放峰值预测模型求解，获得电力碳排放量峰值预测结果。

4.根据权利要求3所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，步骤S301中，随机选取的碳排放路径为：

其中，L_i表示电力第i中碳排放路径，λ表示碳排放系数，L′()表示碳排放路径抽取函数。

5.根据权利要求3所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，所述步骤S302具体包括：

设a为自变量，b为隐变量，经过m次取样后得到的预测样本标准值为(a,b)，自变量a的第k个预测值为：

x_k＝(x_k1,x_k2,…,x_km)^T

其中，T表示预测周期，因变量对自变量的回归模型表示为：

b_i＝Σa_i+ε_i

其中，ε_i表示随机自然数，为了筛选出影响显著变量，为上式添加约束条件，约束条件表达式为：

其中，t表示调和参数，φ表示最佳调整阈值，Lasso回归分析方法通过不断调整调和参数值，降低回归系数，压缩变量系数直到为0，以此获取显著变量，即碳排放量峰值。

6.根据权利要求3所述的一种基于灰色BP神经网络的电力碳排放峰值预测方法，其特征在于，步骤S303中，依次求取网络初始节点到发电机节点的碳势，在每次递推时，根据电网碳排放邻接性，在确定某一节点的碳势后，可求取全部节点碳势，具体计算公式如下：

其中，P_i表示节点注入的有功功率，G_j表示电力机组支路有功功率，Ω_i、Ω_j分别表示第i、j两个电力碳排放节点注入的集合。

7.一种基于灰色BP神经网络的电力碳排放峰值预测系统，其特征在于，所述系统用于执行权利要求1-6任一条所述的方法。

Images