一种碳排放量预测方法、装置、存储介质及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116029466A(43)申请公布日2023.04.28(21)申请号202310315526.8G06N3/08(2023.01)(22)申请日2023.03.29(71)申请人北京壹清能环科技有限公司地址100083北京市海淀区王庄路1号清华同方科技广场D座21层(72)发明人刘志齐欣李海鹏李博董昕哲(74)专利代理机构北京科领智诚知识产权代理事务所(普通合伙)11782专利代理师肖真真(51)Int.Cl.G06Q10/04(2023.01)G06Q10/067(2023.01)G06Q50/26(2012.01)G06N3/0442(2023.01)权利要求书2页说明书11页附图3页(54)发明名称一种碳排放量预测方法、装置、存储介质及设备(57)摘要本申请实施例公开一种碳排放量预测方法、装置、存储介质及设备，方法包括：分别迭代运行每个碳排放影响因素预测子模型n2次，每次迭代过程包括：基于每个碳排放影响因素预测子模型及其输入数据，获得第i时刻至第i+n1‑1时刻的碳排放影响因素特征及第i+n1时刻的碳排放影响因素预测值，该输入数据包括第i时刻至第i+n1‑1时刻的碳排放影响因素原始数据，从i=1开始，每迭代一次i=i+1；将N个碳排放影响因素预测子模型每次迭代获得的碳排放影响因素特征输入全连接神经网络进行运算，获得每次迭代对应的多碳排放影响因素组合特征；基于碳排放量预测子模型及其输入数据，获得第n1+n2时刻的碳排放量预测值，该输入数据包括n2个多碳排放影响因素组合特征构成的序列。CN116029466ACN116029466A权利要求书1/2页1.一种碳排放量预测方法，其特征在于，所述方法应用于碳排放量预测模型，所述碳排放量预测模型包括N个碳排放影响因素预测子模型、全连接神经网络、碳排放量预测子模型，所述N个碳排放影响因素预测子模型中不同所述碳排放影响因素预测子模型分别用于预测不同碳排放影响因素取值，所述方法包括：分别迭代运行每个所述碳排放影响因素预测子模型n2次，每次迭代过程包括：基于每个所述碳排放影响因素预测子模型和所述碳排放影响因素预测子模型的输入数据，获得第i时刻至第i+n1‑1时刻的碳排放影响因素特征，以及第i+n1时刻的碳排放影响因素预测值，其中，所述碳排放影响因素预测子模型的输入数据包括第i时刻至第i+n1‑1时刻的碳排放影响因素原始数据，目标时刻的所述碳排放影响因素原始数据包括所述目标时刻的碳排放影响因素基础数据和所述目标时刻对应的碳排放量取值，所述目标时刻为任一时刻，从i=1开始，每迭代一次i=i+1，所述N、所述i、所述n1和所述n2均为正整数，所述n1为所述碳排放影响因素预测子模型的步长，所述n2为所述碳排放量预测子模型的步长；针对每次迭代获得的所述碳排放影响因素特征，将N个所述碳排放影响因素预测子模型获得的所述碳排放影响因素特征输入所述全连接神经网络进行运算，获得每次迭代对应的多碳排放影响因素组合特征；基于所述碳排放量预测子模型和所述碳排放量预测子模型的输入数据，获得第n1+n2时刻的碳排放量预测值，其中，所述碳排放量预测子模型的输入数据包括n2次迭代获得的n2个多碳排放影响因素组合特征构成的序列。2.根据权利要求1所述的方法，其特征在于，所述目标时刻对应的碳排放量取值包括所述目标时刻的碳排放量真值、所述目标时刻的碳排放量预测值、所述目标时刻之前m个时刻的碳排放量均值中任一项，所述m为正整数；和/或，所述目标时刻的碳排放影响因素基础数据包括所述目标时刻的碳排放影响因素真值或者所述目标时刻的碳排放影响因素预测值。3.根据权利要求2所述的方法，其特征在于，将所述目标时刻的碳排放量真值作为所述目标时刻对应的碳排放量取值的优先级>将所述目标时刻的碳排放量预测值作为所述目标时刻对应的碳排放量取值的优先级>将所述目标时刻之前m个时刻的碳排放量均值作为所述目标时刻对应的碳排放量取值的优先级。4.根据权利要求1所述的方法，其特征在于，在所述碳排放影响因素预测子模型的训练阶段，所述碳排放影响因素预测子模型的输入数据还包括第i+n1时刻的碳排放影响因素真值；和/或，在所述碳排放量预测子模型的训练阶段，所述碳排放量预测子模型的输入数据还包括第n1+n2时刻的碳排放量真值，或者对所述第n1+n2时刻的碳排放量真值进行高斯滤波后的碳排放量真值。5.根据权利要求1‑4中任一项所述的方法，其特征在于，所述碳排放影响因素预测子模型为长短期记忆人工神经网络LSTM模型，和/或，所述碳排放量预测子模型为LSTM模型。6.一种碳排放量预测装置，其特征在于，所述装置应用于碳排放量预测模型，所述碳排放量预测模型包括N个碳排放影响因素预测子模型、全连接神经网络、碳排放量预