申请/专利权人：国网安徽省电力有限公司电力科学研究院;合肥工业大学

申请日：2022-07-11

公开（公告）日：2024-04-16

公开（公告）号：CN115081301B

主分类号：G16C20/20

分类号：G16C20/20;G06F30/27;G16C20/30;G06Q50/26

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.10.11#实质审查的生效;2022.09.20#公开

摘要：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。

主权项：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Xt＝[x1t,x2t,…,xjt,…,xnt]，xjt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xjt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,jt，从而得到Tmax个扩展后的第j个碳排放影响因素集合{xi,jt|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XJt＝{xi,jt|i＝1,2,…,Tmax；j＝1,2,…,n}；xi,jt＝[xjt,xjt-1,…,xjt-di,j,…,xjt-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,jt的第i个时滞参数；xjt-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XJt进行计算，确定Tmax个扩展后的第j个碳排放影响因素{xi,jt|i＝1,2,…,Tmax}的最优时滞参数λj：首先计算xjt-di,j的模糊隶属度，然后利用t时刻测得的碳排放量Yt对xjt-di,j的质心进行去模糊化处理并得到第i个模糊曲线再利用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XJt进行时滞求解后得到与t时刻测得的碳排放量Yt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XJt-λJ＝{x1t-λ1,x2t-λ2,…,xjt-λj,…,xnt-λn}；其中，xjt-λj表示与t时刻测得的碳排放量Yt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XJt-λJ作为输入、将t时刻测得的一组碳排放量Yt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ΔXJt-λJ和输出时滞差分ΔYt，从而利用式2建立输入时滞差分ΔXJt-λJ和输出时滞差分ΔYt之间的时滞差分模型f； 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-γKσ+γKυ3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利用式3对进行z-score中心化处理，得到所述训练集的中心化组合核函数 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利用式4得到的标准化形式将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； 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： 式5中，为所述测试集中t+1时刻测得的第q组碳排放量；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： 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次迭代的控制参数第M次迭代的次数第M次迭代的权重系数为第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，为第M次迭代的第u个粒子对应的多项式核函数的次数，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个粒子的位置向量记为其中，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，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，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个粒子的速度向量记为令第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个粒子的最佳位置为和第M次迭代的粒子群{σM,υM,γM}的群体最佳位置为其中，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，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，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，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，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，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个粒子的适应度并初始化第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步骤5.5：比较第M次迭代的粒子群{σM,υM,γM}中第u个粒子对应的适应度是否小于自身历史最优适应度若是，则将第M次迭代的粒子群{σM,υM,γM}中第u个粒子的位置向量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为否则，保留第u个粒子的最佳位置pu,M和历史最优适应度步骤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个粒子的速度向量得到第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 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[minfRBu,M]，||Bu,M-Plu,M||≤R8式8中，R为局部因子的作用半径，fRBu,M为以第M次迭代第u个粒子的位置向量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，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，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，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个粒子的适应度步骤5.10：将M+1赋值给M，若MMmax，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。

全文数据：

权利要求：

百度查询： 国网安徽省电力有限公司电力科学研究院;合肥工业大学 一种基于混合PSO-MKPLS的碳排放量动态演化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD