大数据融合碳排放治理、预测分析模型方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113902166A(43)申请公布日2022.01.07(21)申请号202111042848.7G06N3/08(2006.01)(22)申请日2021.09.07(71)申请人南方电网大数据服务有限公司地址510620广东省广州市天河区体育东路108号创展中心西座1506-10单元(72)发明人张志亮赵永国杨荣霞曹熙张仙梅郭鑫(74)专利代理机构宁波奥凯专利事务所(普通合伙)33227代理人姜瑞祥(51)Int.Cl.G06Q10/04(2012.01)G06Q10/06(2012.01)G06Q50/06(2012.01)G06N3/04(2006.01)权利要求书1页说明书4页附图2页(54)发明名称大数据融合碳排放治理、预测分析模型方法(57)摘要本发明涉及一种大数据融合碳排放治理、预测分析模型方法，是针对现有同类方法对新区域的碳排放较难精准预测，较少采用模型对碳排放治理预测分析的技术问题。其要点是该方法利用大数据深度网络对数据进行预训练，采用深度学习的方法学习大量数据的通用特征；然后，采用批量标准化的机制对源域核目标域的数据分布进行一致性处理后，新区域的数据对网络参数进行微调，进而学习新区域在线数据的差异特征；最后，通过多核学习的方法将通用特征和差异特征进行融合，基于循环神经网络设计一个数据预测模型。上述差异特征学习先将新区域的数据放进已经训练好的深度学习神经网络中添加两层批量标准化层，最后由监督学习进行神经网络最后一层参数的微调。CN113902166ACN113902166A权利要求书1/1页1.一种大数据融合碳排放治理、预测分析模型方法，其特征在于该方法利用大数据深度网络对数据进行预训练，采用深度学习的方法学习大量数据的通用特征；然后，采用批量标准化的机制对源域核目标域的数据分布进行一致性处理后，采用新区域的数据对网络参数进行微调，进而学习新区域在线数据的差异特征；最后，通过多核学习的方法将通用特征和差异特征进行融合，基于循环神经网络设计一个数据预测模型。2.根据权利要求1所述的大数据融合碳排放治理、预测分析模型方法，其特征在于该方法的具体步骤如下：步骤一，采用深度学习的方法，学习大量数据的通用特征，即将大量的训练数据放进去深度卷积神经网络中，通过大规模数据进行训练，深度神经网络的卷积核能够获取通用的特征信息；步骤二，采用新区域的数据对网络参数进行微调，进而学习新区域在线数据的差异特征，由于不同区域的数据分布是具有差异性的，采用批量标准化的机制实现新区域的自适应，提高预测模型的泛化能力；步骤三，采用多核学习方法将通用特征和差异特征进行融合，即采用多个核函数进行组合，每个核函数对应数据的不同特征空间，以便实现特征融合；同时利用各个基本和的特征映射能力，解决特征融合的问题；步骤四，采用循环神经网络实现碳排放数据的预测，从时间序列数据中截取四个时间序列数据，然后结合编码器对数据编码后，并获得语义编码。3.根据权利要求2所述的大数据融合碳排放治理、预测分析模型方法，其特征在于所述步骤二的新区域在线数据的差异特征学习步骤如下：1)首先，将新区域的数据放进去步骤一中已经训练好的深度学习神经网络中；2)然后，深度学习神经网络中添加两层批量标准化层，分别在第t层隐含层前面和第t+1层隐含层后面；3)接着，基于新区域在线少量数据，利用有监督学习进行神经网络最后一层参数的微调；假设U是t‑1层某个神经元的输出，那么经过批量标准化操作之后，批量标准化操作后某个神经元的计算值为：x＝WU+b；其中W和b是批量标准化操作层设置好的两个参数；由于前一层的神经元都经过线性变换值，需要对线性变换的数据进行标准化处理，那么需要对每一个神经元的线性变换值进行标准化激活处理后，才能成为批量标准化神经元的输入值；假设x(k)为第k个神经元在某一个批量标准化操作所获得的线性变换值；E(x(k))为各个隐含层神经元经过同一个批量标准化线性变换处理后的均值，为各个隐含层神经元经过同一个批量标准化线性变换处理后的标准差；该批量标准化神经元的输出值为：4)最后，基于上述的深度学习网络将新区域的差异化特征进行提取。4.根据权利要求2所述的大数据融合碳排放治理、预测分析模型方法，其特征在于所述步骤三的多核学习方法公式表示为：2CN113902166A说明书1/4页大数据融合碳排放治理、预测分析模型方法技术领域[0001]本发明涉及碳排放指数的模型，是一种大数据融合碳排放治理、预测分析模型方法。背景技术[0002]碳排放是指人类活动或者自然形成的温室气体排放，温室气体一旦超出大气标准，便会造成温室效应，使全球气温上升，威胁人类生存。全球气候变暖的主要原因是由于人类在自身发展过程中对能源