[发明专利]一种基于深度学习的碳排放预测方法

权利要求书

1.一种基于深度学习的碳排放预测方法，其特征在于，包括以下步骤：

采集与二氧化碳有关的数据；

对采集到的数据进行预处理，构造城市逐年的历史碳排放数据；

从采集到的数据中分析预测变量；

将得到的预测变量输入到预训练完成的卷积神经网络中，提取特征；

构建LSTM碳排放预测模型；

通过构造得到的城市逐年的历史碳排放数据训练LSTM碳排放预测模型；

将提取到的特征输入到训练完成的LSTM碳排放预测模型中，得到碳排放预测结果。

2.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，采集与二氧化碳有关的数据包括：所在城市的经济和能源数据、气象监测站监测得到的历史数据以及城市历年的碳排放数据。

3.根据权利要求2所述的一种基于深度学习的碳排放预测方法，其特征在于，城市历年的碳排放数据通过碳排放系数法计算求得，碳排放量计算公式如下：

式中：E_dir指产生的直接碳排放量；i指能源的类型；f_i指居民直接生活第i类能源的消耗量；e_i指居民直接生活第i类能源的平均低位发热量；c_i指居民直接生活第i类能源的单位热值含碳量；o_i指居民直接生活第i类能源的碳氧化率；44/12为碳转换为二氧化碳的系数。

4.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，对采集到的数据进行预处理包括：导入原始碳排放时间序列数据，将训练集与测试集进行划分；归一化处理原始数据，利用四分位异常检测算法，对原始数据进行检测；构造城市逐年的历史碳排放数据。

5.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，采用灰色关联分析方法，从采集到的数据中分析预测变量，具体包括：

A1、数据标准化；

采用最大最小值标准化方法：

其中，x′_ij表示第i行第j列的原数值，min(x′_j)表示第j列数据中的最小值，max(x′_j)表示第j列数据中的最大值，r_ij表示标准化数值；

A2、计算灰色关联度：

其中，分别为极差最小值和极差最大值，ρ为分辨率。

6.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，卷积神经网络包括卷积层与池化层；

卷积层的特征图C表示如下：

其中，X为输入的数据，为卷积操作，W为卷积核的权重向量，b表示偏移量，f()为激活函数；

池化层对卷积层的输出施行下采样操作,保留强特征,去除弱特征,同时减少参数数量。

7.根据权利要求1所述的一种基于深度学习的碳排放预测方法，其特征在于，LSTM碳排放预测模型包括输入门、遗忘门、输出门和记忆单元；

其中，

输入门

遗忘门

输出门

当前隐藏状态的输出

单元状态值

输入门相关状态值

同一时刻t的输入门i^(t)、遗忘门f^(t)和输出门o^(t)形式一致，有共同的输入，权重矩阵参数不同；σ代表Sigmoid函数，将原始数据映射至[0，1]；而公式中c^(t)为卷积神经网络的结构，将当前时刻的c^(t)与输入门i^(t)进行元素相乘，前一时刻的c^(t-1)与遗忘门f^(t)进行元素相乘，再将两者叠加起来，得到当前时刻的单元状态值c^(t)；通过输入门和遗忘门控制新状态值的“通过”和前一状态值的“遗忘”；最后再通过输出门o^(t)来控制当前状态值的输出。