丰满美女裸体视频一区二区三区|无码 视频 一区|亚洲无码毛片一区二区|秋霞自慰人妻久久久久经典|无码在线观看无播放器|熟女综合一区二区三区|青青操逼一级视频三级精品|国产露出视频在线|av无码免费一区二区三|激情视频在线导航

專利類型：

發(fā)明公開

申請(專利)號：

CN202411082681.0

申請日：

2024-08-08

申請公布號：

CN118797313A

申請公布日：

2024-10-18

申請人：

國網(wǎng)遼寧省電力有限公司鞍山供電公司; 東北大學(xué)

地址：

114014 遼寧省鞍山市鐵東區(qū)南勝利路52號

發(fā)明人：

何海; 鄭喬; 曹陽; 徐大利; 賀歡; 祝湘博; 孟令卿; 陶義; 陳鑫; 潘媛; 趙金輝; 楊東升; 李廣地; 周博文

專輯：

工程科技Ⅱ輯

專題：

電力工業(yè)

主分類號：

G06F18/213

分類號：

G06F18/213;G06F18/27;G06F18/15;G06Q50/06;G06Q50/26

國省代碼：

21

頁數(shù)：

15

代理機(jī)構(gòu)：

長春市吉利專利事務(wù)所(普通合伙)

代理人：

王大珠

主權(quán)項(xiàng)：

1.基于集成算法的鋼鐵企業(yè)碳足跡預(yù)測方法,其特征是：包括以下步驟,并且以下步驟順次進(jìn)行：S1：根據(jù)鋼鐵企業(yè)的碳排放生產(chǎn)流程,確定碳排放源,所述碳排放源包括電能、各種燃料能源以及與碳排放相關(guān)的工業(yè)原料；獲取待預(yù)測企業(yè)的歷史用電量數(shù)據(jù)、生產(chǎn)工藝流程中各燃料能源的消耗數(shù)據(jù)、碳排放相關(guān)的工業(yè)原料的消耗數(shù)據(jù)以及相應(yīng)的歷史碳排放量作為原始數(shù)據(jù)集；S2：采用KNN算法對原始數(shù)據(jù)集中的用電量、燃料能源消耗數(shù)據(jù)、工業(yè)原料消耗數(shù)據(jù)以及碳排放量進(jìn)行異常值的檢測,對缺失的碳排放數(shù)據(jù)進(jìn)行填補(bǔ),同時剔除異常值；以日期為標(biāo)簽,對相應(yīng)的用電量、燃料能源消耗數(shù)據(jù)、工業(yè)原料消耗數(shù)據(jù)以及碳排放量進(jìn)行標(biāo)準(zhǔn)化,以確保同類型的數(shù)據(jù)在相同的量級范圍內(nèi),并形成原始樣本集；S3：對標(biāo)準(zhǔn)化后的原始樣本集使用Person相關(guān)性分析得到用電量、各燃料能源或工業(yè)原料與碳排放之間的關(guān)聯(lián)度,按照設(shè)定閾值選擇關(guān)聯(lián)度大的能源或原料作為特征變量,再使用最優(yōu)Copula函數(shù)計(jì)算各特征量之間的相關(guān)性度量指標(biāo)來分析關(guān)聯(lián)程度,最后根據(jù)分析結(jié)果和設(shè)定的閾值,確定輸入的特征變量即該鋼鐵企業(yè)在碳足跡預(yù)測中使用的燃料能源類型、工業(yè)原料以及電能,并從原始樣本集中選出對應(yīng)的數(shù)據(jù)集作為訓(xùn)練樣本集,其中用電量、燃料能源消耗數(shù)據(jù)、與碳排放相關(guān)的工業(yè)原料消耗數(shù)據(jù)作為特征值,碳排放量作為目標(biāo)值；將訓(xùn)練樣本集分為訓(xùn)練集和測試集；S4：采用雙層Stacking集成學(xué)習(xí)模型,選定Stacking集成學(xué)習(xí)模型第一層基學(xué)習(xí)器的數(shù)量、種類以及第二層元學(xué)習(xí)器的種類,在第一層基學(xué)習(xí)器中根據(jù)訓(xùn)練集中的樣本數(shù)據(jù)的特征值和目標(biāo)值進(jìn)行訓(xùn)練,獲得新數(shù)據(jù)集；S5：Stacking集成學(xué)習(xí)模型的元學(xué)習(xí)器將基學(xué)習(xí)器得到的新數(shù)據(jù)集和訓(xùn)練集組合并進(jìn)行標(biāo)準(zhǔn)化后得到的數(shù)據(jù)集作為輸入,并以平均絕對百分比誤差作為指標(biāo)函數(shù),迭代訓(xùn)練,得到訓(xùn)練好的Stacking模型；S6：利用訓(xùn)練集中的樣本數(shù)據(jù)的特征值通過訓(xùn)練好的Stacking模型進(jìn)行碳排放預(yù)測,獲得碳排放預(yù)測值,計(jì)算每個基模型的Shapley值,根據(jù)這些值分配權(quán)重系數(shù),得到加權(quán)的碳排放預(yù)測結(jié)果；通過元模型整合加權(quán)的碳排放預(yù)測結(jié)果,形成最終的碳排放預(yù)測結(jié)果,并在訓(xùn)練好的Stacking模型基礎(chǔ)上得到改進(jìn)的Stacking集成學(xué)習(xí)模型；S7：將生產(chǎn)過程中的實(shí)時用電量和各種燃料能源消耗量輸入至改進(jìn)的Stacking集成學(xué)習(xí)模型,獲得實(shí)時的碳排放預(yù)測結(jié)果,完成鋼鐵企業(yè)碳足跡預(yù)測。

摘要：

基于集成算法的鋼鐵企業(yè)碳足跡預(yù)測方法屬于碳排放預(yù)測技術(shù)領(lǐng)域。本發(fā)明針對能源負(fù)荷數(shù)據(jù)特性,使用K近鄰算法、結(jié)合水平處理法和垂直處理法進(jìn)行數(shù)據(jù)預(yù)處理,采用Pearson相關(guān)性分析和Copula理論研究工業(yè)系統(tǒng)負(fù)荷間的相關(guān)性,確定輸入的特征變量,然后,使用Shapley值法給Stacking集成模型分配最優(yōu)權(quán)重系數(shù),通過改進(jìn)的Stacking集成算法進(jìn)行碳排放預(yù)測。該預(yù)測方法通過使用Person相關(guān)系數(shù)與Copula理論分析了鋼鐵行業(yè)特征變量之間的關(guān)系,綜合分析了與鋼鐵行業(yè)碳足跡關(guān)聯(lián)性強(qiáng)的影響因素,并根據(jù)改進(jìn)的Stacking集成學(xué)習(xí)模型,有效提高了鋼鐵企業(yè)的工業(yè)碳足跡預(yù)測精度。