基于Stacking算法的碳排放预测模型的构建和预测方法及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115860173A(43)申请公布日2023.03.28(21)申请号202211294294.4(51)Int.Cl.(22)申请日2022.10.21G06Q10/04(2023.01)G06Q50/26(2012.01)(71)申请人国网电力科学研究院武汉能效测评G06N20/20(2019.01)有限公司G06F18/15(2023.01)地址430074湖北省武汉市洪山区珞瑜路G06F18/214(2023.01)143号申请人国网电力科学研究院有限公司国网福建省电力有限公司国家电网有限公司(72)发明人朱亮亮徐骁徐辰冠夏凡赖国书郑佩祥蔡雨晴陈吴晓胡泽延宋微浪(74)专利代理机构武汉开元知识产权代理有限公司42104专利代理师李满权利要求书2页说明书8页附图1页(54)发明名称基于Stacking算法的碳排放预测模型的构建和预测方法及介质(57)摘要本发明涉及一种基于Stacking算法的碳排放预测模型的构建和预测方法及介质，步骤如下：获取电力数据以及对应的碳排放数据样本，形成数据集；预处理数据集，将数据集划分为训练集和测试集；使用XGBoost算法分析影响碳排放的特征，得到目标特征；构建碳排放预测模型，碳排放预测模型包括元模型和多个基模型；使用Stacking算法将元模型和多个基模型融合，基于训练集和目标特征对模型进行训练；根据各基模型输出的碳排放预测结果误差占比，调整各基模型输入到元模型的预测结果权重分配，得到优化的碳排放预测模型。本发明通过选用差异度最大的多个算法模型作为Stacking集成模型的基模型，同时根据预测的误差占比进行权重分配，充分利用不同算法的优点，提高预测的精确度。CN115860173ACN115860173A权利要求书1/2页1.一种基于Stacking算法的碳排放预测模型的构建方法，其特征在于，包括以下步骤：S1、获取电力数据以及电力数据对应的碳排放数据样本，形成数据集；S2、对数据集进行预处理，按照预设比例将预处理后的数据集划分为训练集和测试集；S3、使用XGBoost算法分析影响碳排放的特征，进行特征选择，去除冗余特征，得到目标特征；S4、构建碳排放预测模型，构建的碳排放预测模型包括元模型和多个基模型；S5、使用Stacking算法将元模型和多个基模型融合，基于训练集和目标特征对构建的碳排放预测模型进行训练，通过网格搜索的方式对元模型和各基模型的超参数进行参数寻优；S6、基于测试集，根据各基模型输出的碳排放预测结果的误差占比，调整各基模型输入到元模型的预测结果的权重分配，得到训练好的碳排放预测模型。2.根据权利要求1所述的基于Stacking算法的碳排放预测模型的构建方法，其特征在于，还包括S7：S7、评估碳排放预测模型精确度，输入测试集进行预测，比对相应的碳排放数据样本，对预测结果进行分析。3.根据权利要求1所述的基于Stacking算法的碳排放预测模型的构建方法，其特征在于，所述S2中，对数据集的处理包括：剔除数据集中的异常值，并补全数据集中的缺失值；针对补全缺失值后的数据集进行归一化处理。4.根据权利要求1所述的基于Stacking算法的碳排放预测模型的构建方法，其特征在于，所述S3，包括以下步骤：S31、将影响碳排放的特征输入到XGBoost算法中，得到训练过程中提升决策树的增益情况；S32、XGBoost算法根据输入的特征对提升决策树的增益情况，对输入的特征进行评分，并选取为评分高的特征为目标特征。5.根据权利要求1所述的基于Stacking算法的碳排放预测模型的构建方法，其特征在于，所述基模型通过选取多个算法模型输入电力数据进行碳排放预测，再根据差异度度量法对各算法模型的预测结果误差进行比较，选择差异度最大的三种算法模型确定；所述元模型包括XGBoost。6.根据权利要求5所述的基于Stacking算法的碳排放预测模型的构建方法，其特征在于，所述基模型通过在GBDT、RF、SVM、KNN、LSTM算法模型输入电力数据进行碳排放预测，再根据差异度度量法对各算法模型的预测结果误差进行比较，选择差异度最大的三种算法模型确定。7.根据权利要求1所述的基于Stacking算法的碳排放预测模型的构建方法，其特征在于，所述S6包括以下步骤：S61、将基模型的预测结果输入到元模型；S62、通过交叉验证计算基模型输出结果的误差，根据误差占比，对基模型输入到元模型的预测结果进行权重分配，得到构建好的碳排放预测模型。2CN115860173A权利要求书2/2页8.根据权利要求2所述的基于Stacking算法的碳排放预测模型的构建方法，其特征在于，所述S7中，采用平均绝对百分比误差作为评估模型精确度标准。9.一种碳排放预测方法，其特