本发明涉及碳排放，具体涉及一种基于负荷驱动与堆叠集成学习的碳排放预测方法与系统。
背景技术：
1、随着全球经济和人口的不断增长，对能源的需求也在迅速增加。然而，目前主要依赖化石燃料的能源系统给地球环境带来了巨大的挑战。燃烧产生的二氧化碳等温室气体是气候变化的主要原因之一，对全球气候和生态系统造成了严重的影响。
2、在这种背景下，减少的使用和排放成为实现可持续发展的重要目标之一。为了实现这一目标，对的碳排放进行准确预测和评估至关重要。碳排放是指在的生产、转化和使用过程中所排放的温室气体的总量。
3、然而目前的碳排放预测方法主要基于统计模型和机器学习方法，但在面对复杂的能源系统和大量的数据时，单一预测模型往往无法充分考虑多样化的因素和特征。
技术实现思路
1、本发明提供了一种基于负荷驱动与堆叠集成学习的碳排放预测方法，旨在解决现有方法的局限性。该方法使用了集成学习的方法，通过收集和分析相关数据，建立综合考虑多个因素的预测模型，并以直观的方式呈现预测结果，为环境保护和碳减排决策提供科学依据。该方法的应用将有助于全球范围内实现更可持续的能源发展和环境保护目标。
2、本发明解决上述技术问题的方案如下：一种基于负荷驱动与堆叠集成学习的碳排放预测方法，包括以下步骤：
3、收集历史用电量数据、生产工艺流程中历史生产关联量数据与历史碳排放量作为原始样本集；
4、对原始样本集中的异常数据进行异常值修正，得到修正后的原始样本集；对修正后的原始样本集进行归一化处理，将归一化后的样本集划分为多个数据集；
5、根据数据集中的电力机组数据计算间接碳排放量；所述电力机组数据包括电力机组全天和时段功率输出值、碳排放系数、各机组的煤耗系数和原煤转换为标准煤的系数；
6、根据数据集通过交叉验证法对改进双层stacking模型进行训练与预测，得到直接碳排放量；
7、将间接碳排放量与直接碳排放量求和，得到碳排放总量。
8、优选的，所述历史用电量数据、历史生产关联量数据与历史碳排放量是根据消耗量、生产过程、能源消费结构、碳排放系数得来，其中，碳排放主要来源于化石原料，在能源消费结构建模考虑化石能源较多。
9、优选的，所述对原始样本集中的异常数据进行异常值修正，得到修正后的原始样本集；对修正后的原始样本集进行归一化处理，将归一化后的样本集划分为多个数据集，具体包括：
10、通过数据的平均值填补空白数据，以确保数据集完整性，过程如下：
11、首先，计算属性的平均值：
12、μ＝(x1+x2+...+xn)/n
13、其中，x1，x2,...，xn是已知的属性值，n是已知属性值数量，然后，对于每个空白值，用计算得到的平均值来填补。
14、将原始数据拟合到回归模型之中，消除数据噪声，得到修正后的原始样本集，过程如下：
15、首先，收集已知属性和对应的目标值；然后，根据数据的性质和问题的需求，选择适当的回归模型；接着使用已知属性和目标值训练回归模型，得到拟合回归模型，最后对于具有缺失值或含有噪声的属性，使用回归函数f(x)来预测或纠正。
16、将修正后的原始样本集数据值缩放至设定范围内，再划分多个数据集，具体如下：
17、通过线性变换把将修正后的原始样本集数据值缩放到[0,1]的范围内，其公式如下：
18、
19、式中，x表示原始的数据序列，xmin表示原始数据中的最小值，xmax表示原始数据中的最大值,xnorm表示标准化后的数据序列；
20、数据集划分为5份，不重复地每次取其中一份做测试集，用其他四份做训练集训练模型，之后计算该模型在测试集上的msei将五次的取平均得到最后的mse，其公式如下：
21、
22、优选的，所述根据数据集中的机组电力数据计算间接碳排放量，具体包括：
23、设置采样频率，采集数据集中机组的全天和时段功率输出值、碳排放系数、计算得到各机组的煤耗系数和原煤转换为标准煤的系数；
24、基于采集机组的全天和时段功率输出值、碳排放系数、计算得到各机组的煤耗系数和原煤转换为标准煤的系数，计算得到间接碳排放量，计算公式如下：
25、
26、
27、
28、其中，在第i个发电机组s位置，第t小时的功率监测用pi,d,t表示，而m表示燃煤机组的采样频率。pi,d,t和pi,d术语和分别表示第i台机组在第t小时和全天的功率输出。ti是每个燃煤机组的煤耗系数，k1是将原煤转化为标准煤的系数，标准煤的碳排放系数k2等于2.66。
29、优选的，所述改进双层stacking模型包括以xgboost、lstm、lightgbm、rf、ridgeregression作为基学习器的第一层训练模型和以支持向量回归模型作为基学习器的第二层预测模型。
30、优选的，所述改进双层stacking模型的构建步骤包括：
31、设置xgboost学习率、树的深度、子样本比例，模型描述如下：
32、
33、
34、
35、其中，fm(xi)为第m课决策树的输出，为损失函数，ω(fm)为正则化项用于控制模型的复杂度。其中t是叶子节点的数量，w是所有叶子节点的权重，γ和λ是正则化超参数。
36、设置lstm隐藏层的结构、学习率、迭代次数，模型描述如下：
37、激活函数：
38、遗忘层：ft＝σ(wf[ht-1,xt]+bf)
39、输入层：it＝σ(wi[ht-1,xt]+bi)
40、激活层：gt＝tanh(wg[ht-1,xt]+bg)
41、输出层：ot＝σ(wo[ht-1,xt]+bo)
42、设置lightgbm树的叶子节点数目、最大深度、学习率、样本和特征的采样比例、正则化项系数、最小样本数、迭代次数；
43、设置rf中树的数量、每棵树的特征数量、树的最大深度、分裂节点所需的最小样本数；
44、设置ridge regression的惩罚参数、核函数类型、核函数系数，模型描述如下：
45、
46、βj和β0是要估计的参数，β0表示偏差。因此，使用最小二乘法解决回归问题的目的是最小化以下方程：
47、
48、n表示训练集中的样本总数。随后，对于支持向量回归，公式由下面方程给出，其中λ也是要估计的参数。
49、
50、通过最小化损失函数来拟合训练数据，找到最优的回归系数，最终得到碳排放预测值。
51、设置支持向量回归模型的正则化参数、求解算法和最大迭代次数。
52、优选的，所述根据数据集通过交叉验证法对改进双层stacking模型进行训练与预测，得到直接碳排放量，具体包括：
53、第一层训练模型根据数据集的特征和目标值进行训练；
54、将第一层训练模型的训练后的预测结果，以均方根误差为评价指标的贝叶斯优化方法来得到各个基学习器预测结果所对应的权重；
55、第二层预测模型将第一层训练模型得到的预测结果特征作为输入，使用支持向量回归整合回归模型作为基学习器的预测结果，通过最小化损失函数来拟合训练数据，得到最优的回归系数，回归系数加权到第一层训练模型得到的预测结果，即为直接碳排放量，具体如下：
56、支持向量回归主要侧重于解决高度相关的线性自变量问题。通常，回归公式可以表示为：
57、对于给定的样本集：
58、
59、该训练样本的最小二乘向量机回归可以表示为
60、
61、式中，c为惩罚系数；b是偏置矢量；ei是误差；w是超平面的法向量。目标函数的拉格朗日函数可以表示为：
62、
63、得到预测结果，根据以下公式计算出直接碳排放量：
64、
65、
66、
67、
68、其中，在第i个发电机组s位置，第t小时的功率监测用pi,d,t表示，而m表示燃煤机组的采样频率。pi,d,t和pi,d术语和分别表示第i台机组在第t小时和全天的功率输出。ti是每个燃煤机组的煤耗系数，k1是将原煤转化为标准煤的系数，标准煤的碳排放系数k2等于2.66。表示发电的总碳排放量，表示总发电量，pe表示行业的总用电量。最后，得出了该行业的总体碳排放量。表示第i个化石能源消耗产生的碳排放，f并表示预测模型。此外，k′i是将第i个化石能源转换为标准煤的系数。
69、优选的，所述贝叶斯优化方法具体包括：
70、初始化权重，使用当前观测的权重值和对应的目标函数值构建高斯过程模型，所述高斯过程模型用于预测在未观测点上的目标函数值；
71、高斯过程为：
72、f(x)～gp(m(x),k(x,x'))
73、其中，m(x)为f(x)的均值函数，k(x,x')为f(x)与f(x')之间的协方差函数，gp表示高斯过程
74、上置信边界的公式为：
75、ucb＝μ(x)+kσ(x)
76、其中，k为调节参数。
77、选择下一个样本点：基于高斯过程模型的预测结果和一定的探索-开发策略，在探索的宽度和深度之间平衡，选择下一个最有可能提高目标函数的权重值；
78、改进概率为：
79、
80、υ为超参数，υ＝0更倾向于收敛到f(x+)附近，φ(·)表示正态累计分布函数，f(x+)表示现有的最大值。
81、计算选择的权重值对应的目标函数值；
82、将选择的权重值和对应的目标函数值添加到观测集中，用于更新高斯过程模型。
83、改进期望为：
84、
85、φ(·)为正态累计分布函数，φ(·)为正态概率密度函数，f(x+)表示现有的最大值。
86、本发明还提供一种基于负荷驱动与堆叠集成学习的碳排放预测系统，包括：
87、数据收集模块，用于收集历史用电量数据、生产工艺流程中历史生产关联量数据与历史碳排放量作为原始样本集；
88、数据处理模块，用于对原始样本集中的异常数据进行异常值修正，得到修正后的原始样本集；对修正后的原始样本集进行归一化处理，将归一化后的样本集划分为多个数据集；
89、碳排放量计算模块，用于根据数据集中的电力机组数据计算间接碳排放量，根据数据集对改进双层stacking模型进行训练与预测，得到直接碳排放量；将间接碳排放量与直接碳排放量求和，得到碳排放总量。
90、本发明还提供一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述基于负荷驱动与堆叠集成学习的碳排放预测方法的步骤。
91、本发明还提供一种电子设备，包括存储器和处理器：所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，所述计算机可执行指令被处理器执行时实现如上所述基于负荷驱动与堆叠集成学习的碳排放预测方法的步骤。
92、本发明的有益效果是：该预测方法综合考虑了电力能源消费与化石能源消费,在计算间接碳排放时关注机组的功率，在计算直接碳排放时使用改进双层stacking模型，通过在第二层使用一个元模型来组合多个第一层模型的预测结果，在预测准确性上可以达到很好的效果。传统的双层stacking算法使用平均权重进行模型组合，无论模型的质量如何，权重都是相等的。而改进的算法可以根据模型的质量差异调整权重，更加合理地对不同模型的预测结果进行组合。改进的算法以最小化均方根误差与平均绝对误差之差(rmse-ma)为目标，通过调整权重来降低整体预测的风险。这意味着更准确的预测结果可以在最终的组合中占据更大的权重，从而提高整体预测的准确性和可靠性。
93、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
1.一种基于负荷驱动与堆叠集成学习的碳排放预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于负荷驱动与堆叠集成学习的碳排放预测方法，其特征在于，所述对原始样本集中的异常数据进行异常值修正，得到修正后的原始样本集；对修正后的原始样本集进行归一化处理，将归一化后的样本集划分为多个数据集，具体包括：
3.根据权利要求1所述一种基于负荷驱动与堆叠集成学习的碳排放预测方法，其特征在于，所述根据数据集中的机组电力数据计算间接碳排放量，具体包括：
4.根据权利要求1所述一种基于负荷驱动与堆叠集成学习的碳排放预测方法，其特征在于，所述改进双层stacking模型包括以xgboost、lstm、lightgbm、rf、ridge regression作为基学习器的第一层训练模型和以支持向量回归模型作为基学习器的第二层预测模型。
5.根据权利要求4所述一种基于负荷驱动与堆叠集成学习的碳排放预测方法，其特征在于，所述改进双层stacking模型的构建步骤包括：
6.根据权利要求4所述一种基于负荷驱动与堆叠集成学习的碳排放预测方法，其特征在于，所述根据数据集通过交叉验证法对改进双层stacking模型进行训练与预测，得到直接碳排放量，具体包括：
7.根据权利要求6所述一种基于负荷驱动与堆叠集成学习的碳排放预测方法，其特征在于，所述贝叶斯优化方法具体包括：
8.一种基于负荷驱动与堆叠集成学习的碳排放预测系统，其特征在于，包括：
9.一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一一项所述基于负荷驱动与堆叠集成学习的碳排放预测方法的步骤。
10.一种电子设备，其特征在于，包括存储器和处理器：所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1-7任一一项所述基于负荷驱动与堆叠集成学习的碳排放预测方法的步骤。
