碳排放预测输入端数据处理方法、碳排放预测方法及装置与流程

1.本技术涉及数据处理领域，尤其涉及一种碳排放预测输入端数据处理方法。本技术还涉及一种碳排放预测输入端数据处理装置，以及碳排放预测方法及装置。


背景技术：

2.随着碳排放与日俱增导致全球气候变暖从而对人们生活发展产生了直接而恒久的负面影响。因此，站在国家层面而言，科学地预测碳排放量走势并积极制定相关政策，进而实现绿色可持续性发展开始变得至关重要。
3.能源消耗碳排放影响因素研究是预测未来能源消耗碳排放量的一个重要基础。能源消耗碳排放影响因素研究主要是为了探讨能源消耗碳排放与其影响因素之间的关系，主要包括人口规模、产业结构、经济产出、能源结构、运输结构、技术进步等因素。
4.随着中国节能减排工作的积极开展以及低碳化的推广，许多学者对碳排放问题予以关注和研究，对碳排放影响因素的研究成果也逐渐增多。关于碳排放的影响因素，大量研究认为收入水平、人口、货物贸易出口和单位gdp与碳排放量具有强相关性。在碳排放预测领域，智能神经网络作为一种经典方法已经被广泛应用，如极限学习机、自回归模型、bp神经网络等。
5.上述方法优化了检测模型，提升了预测模型的准确性记忆神经网络的训练速度，达到了良好的预测效果，但以上方法往往忽视了对模型输入端数据的处理环节，因数据噪声过大造成预测误差过大的问题。


技术实现要素：

6.本发明的目的在于克服现有技术中的缺陷，提供一种碳排放预测输入端数据处理方法。本技术还涉及一种碳排放预测输入端数据处理装置，以及碳排放预测方法及装置。
7.本技术提供的一种碳排放预测输入端数据处理方法，包括：
8.获取碳排放的原始数据，对各指标数据进行归一化处理；
9.将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声；
10.重构并输出处理后的输入端数据。
11.可选的，所述进行多层信息分量的分解，包括：
12.将正负白噪声加入原始数据y(t)，其中，y(t)是原始信号；w
t
是辅助白噪声，t＝1,2,...,n；产生了2i个序列，d
i1
与d
i2
为加入白噪声后的数据；如下式所示；
[0013][0014]
对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,m，其中，m是需要分解分量信号个数，第m个分量信号和第m个参与序列如下式所示：
[0015][0016][0017]
进行均值计算，如下式所示：
[0018][0019]
其中，x表示分量信号的值。
[0020]
可选的，所述去噪处理的表达式如下：
[0021][0022]
其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。
[0023]
本技术还提供一种碳排放预测方法，包括：
[0024]
基于上述碳排放预测输入端数据处理方法获取输入数据；
[0025]
将所述输入数据输入到预训练的bp神经网络模型中，获得碳排放预测结果。
[0026]
本技术还提供一种碳排放预测方法，包括：
[0027]
基于上述碳排放预测输入端数据处理方法获取输入数据；
[0028]
将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。
[0029]
本技术还提供一种碳排放预测输入端数据处理装置，包括：
[0030]
获取模块，用于获取碳排放的原始数据，对各指标数据进行归一化处理；
[0031]
处理模块，用于将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声；
[0032]
输出模块，用于重构并输出处理后的输入端数据。
[0033]
可选的，所述处理模块进行多层信息分量的分解，包括：
[0034]
将正负白噪声加入原始数据y(t)，其中，y(t)是原始信号；w
t
是辅助白噪声，t＝1,2,...,n；产生了2i个序列，d
i1
与d
i2
为加入白噪声后的数据；如下式所示；
[0035][0036]
对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,m，其中，m是需要分解分量信号个数，第m个分量信号和第m个参与序列如下式所示：
[0037]
[0038][0039]
进行均值计算，如下式所示：
[0040][0041]
其中，x表示分量信号的值。
[0042]
可选的，所述处理模块去噪处理的表达式如下：
[0043][0044]
其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。
[0045]
本技术还提供一种碳排放预测装置，包括：
[0046]
获取模块，用于上述碳排放预测输入端数据处理装置获取输入数据；
[0047]
执行模块，用于将所述输入数据输入到预训练的bp神经网络模型中，获得碳排放预测结果。
[0048]
本技术提供一种碳排放预测装置，包括：
[0049]
获取模块，用于上述碳排放预测输入端数据处理装置获取输入数据；
[0050]
执行模块，用于将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。
[0051]
本技术的优点和有益效果：
[0052]
本技术提供的一种碳排放预测输入端数据处理方法，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声；重构并输出处理后的输入端数据。本技术通过分解去噪实现数据的去噪处理，提高了碳排放预测的精度。
附图说明
[0053]
图1是本技术中碳排放预测输入端数据处理流程示意图。
[0054]
图2是本技术中碳排放预测流程示意图。
[0055]
图3是本技术中碳排放预测输入端数据处理装置示意图。
[0056]
图4是本技术中碳排放预测装置示意图。
具体实施方式
[0057]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施。
[0058]
以下内容均是为了详细说明本技术要保护的技术方案所提供的具体实施过程的
示例，但是本技术还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本技术构思的指引下，采用不同的技术手段实现本技术，因此本技术不受下面具体实施例的限制。
[0059]
本技术提供的一种碳排放预测输入端数据处理方法，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声；重构并输出处理后的输入端数据。本技术通过分解去噪实现数据的去噪处理，提高了碳排放预测的精度。
[0060]
图1是本技术中嵌入式组件化应用软件分类流程示意图。
[0061]
请参照图1所示，s101获取碳排放的原始数据，对各指标数据进行归一化处理。
[0062]
具体的，构建碳排放指标体系并利用灰色关联分析判断各驱动因素与碳排放量的关联程度，根据碳排放量驱动因素的种类，将影响碳排放的一系列指标作了如下几类区分：资产水平分为人均gdp、固定资本总额；人力资源水平分为城市人口、劳动力；实体经济水平分为工业增加值、货物进出口。
[0063]
从世界银行、美国能源局、世界能源署获取历年各个经济体碳排放量的数据。由于数据的可得性，少量数据存在缺失值，采用随机森林填充法进行填补所有缺失数据。由于各指标之间的单位不同，所以先对各指标数据进行归一化处理，再分别计算各影响因素的关联度。
[0064]
请参照图1所示，s102将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声。
[0065]
对碳排放量作为原始数据进行互补集总经验模态分解处理，分为如下三步：
[0066]
第一步，将正负白噪声加入原始数据y(t)，其中，y(t)是原始信号；w
t
是辅助白噪声，t＝1,2,...,n；产生了2i个序列，d
i1
与d
i2
为加入白噪声后的数据。如式1所示：
[0067]
第二步，对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,m，其中，m是需要分解分量信号个数。第m个分量信号和第m个参与序列如下式2、式3所示：
[0068][0069][0070]
第三步，进行均值计算，如式4所示。
[0071][0072]
其中，所述x是各个分量的值。
[0073]
本技术对原始数据信号进行ceemd分解后，获得多层信息分量，每层分解量有不同的特征波长以及频率，从第一层分量到最后一层分量，波长逐渐变长，说明数据信息已逐渐被分层，且分解效果较为理想。
[0074]
小波去噪对数据进行提纯：
[0075]
ceemd在分解信息时会抑制高频有效信息，选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除大部分ceemd加入的随机噪声，最后重构并输出处理后的信息。主要方法如式5所示，其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。
[0076][0077]
为了选取与数据相适应的小波函数对数据进行去噪处理，现对硬阈值函数、软阈值函数、固定阈值函数处理后的数据特征值进行对比，结果表明：硬阈值处理数据的信噪比s
nr
远大于另外两种函数，同时硬阈值处理数据的均方根误差r
mse
远小于另外两种函数，说明硬阈值去噪后的数据层次区分更清晰，各层中数据与数据有较强关联性。因此选择硬阈值函数对分解后加入噪声的数据进行去噪处理。
[0078]
请参照图1所示，s103重构并输出处理后的输入端数据。
[0079]
将预处理前后数据的平均值、标准偏差、标准误差平均值进行比对，处理后数据无论是平均值还是标准偏差亦或是标准误差平均值都与原始数据无太大差异，由此说明ceemd小波联合技术对数据进行预处理，在挖掘数据深层次性质的同时并不影响数据本身的一些基本性质。
[0080]
本技术还提供一种碳排放预测方法，该方法通过将上述获取的输入端数据输入到预训练的神经网络模型中实现碳排放预测。
[0081]
图2是本技术中碳排放预测流程示意图。
[0082]
请参照图2所示，s201基于上述碳排放预测输入端数据处理方法获取输入数据；
[0083]
s202,将所述输入数据输入到预训练的bp神经网络模型中，获得碳排放预测结果。
[0084]
优选的，基于上述碳排放预测输入端数据处理方法获取输入数据；
[0085]
将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。
[0086]
本技术可以通过灰色关联度分析建立合理的指标体系，以及对能源碳排放的时序数据作ceemd小波预处理，得到良好的数据。由于bp、模糊神经网络模型常常被用来进行预测数据处理，因此建立了基于ceemd小波去噪的bp神经网络模型、模糊神经网络模型，设置测试集年对各个经济体的能源消耗碳排放进行预测，并以平均绝对误差m
ae
、均方误差m
se
作为训练模型评估指标。相比于bp神经网络模型，改进的bp神经网络模型拟合曲线更贴近原始数据，预测误差的极值也远小于bp神经网络。为了进一步反应基于ceemd小波去噪改进后神经网络模型的优良性，针对m
ae
与m
se
对bp、ceemd小波-bp、模糊神经网络、ceemd小波-模糊
神经网络进行对比。结果表明ceemd小波去噪预处理后的bp神经网络模型与模糊神经网络模型无论是m
ae
还是m
se
均优于其对应的传统模型。
[0087]
验证结果如下：
[0088]
本次用来说明的仿真首先利用灰色关联度分析法计算各个影响因素与中国、印度、俄罗斯、东盟四大经济体从1995年至2019年共25年的能源消耗碳排放总量的关联程度，以检验体系构建是否良好，各指标关联程度见表1：
[0089]
表1各指标关联程度表
[0090][0091]
然后对25年四大经济体能源消耗碳排放进行ceemd分解处理，得到多层信息分量，再用小波函数对数据进行提纯，将提纯处理前后的数据特征值进行对比，对比结果见表2：
[0092]
表2数据特征值对照表
[0093][0094]
由表2中数据可知，提纯处理前后的数据特征值的差别在小数点百万分位后才体现出来，由此说明ceemd小波联合技术对数据进行预处理，在挖掘数据深层次性质的同时并不影响数据本身的一些基本性质。最后通过本文建立的ceemd小波去噪神经网络预测模型和几个典型的传统神经网络预测模型对上述经济体的碳排放量进行预测，并以平均绝对误差m
ae
、均方误差m
se
作为训练模型的评估指标，对比结果见表3：
[0095]
表3模型评价指标对比
[0096][0097]
上述仿真结果验证了基于互补集总经验模态分解小波联合去噪的神经网络碳排放预测方法有效性，基本可以实现碳排放量预测，且预测精确度较传统神经网络预测方法有明显提高。
[0098]
本技术还提供一种碳排放预测输入端数据处理装置，该装置包括：获取模块201、处理模块202和输出模块203。
[0099]
图3是本技术中碳排放预测输入端数据处理装置示意图。
[0100]
请参照图3所示，获取模块301，用于获取碳排放的原始数据，对各指标数据进行归一化处理。
[0101]
具体的，构建碳排放指标体系并利用灰色关联分析判断各驱动因素与碳排放量的关联程度，根据碳排放量驱动因素的种类，将影响碳排放的一系列指标作了如下几类区分：资产水平分为人均gdp、固定资本总额；人力资源水平分为城市人口、劳动力；实体经济水平分为工业增加值、货物进出口。
[0102]
从世界银行、美国能源局、世界能源署获取历年各个经济体碳排放量的数据。由于数据的可得性，少量数据存在缺失值，采用随机森林填充法进行填补所有缺失数据。由于各指标之间的单位不同，所以先对各指标数据进行归一化处理，再分别计算各影响因素的关联度。
[0103]
请参照图3所示，处理模块302，用于将正负白噪声加入所述原始数据后进行互补
集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声。
[0104]
对碳排放量作为原始数据进行互补集总经验模态分解处理，分为如下三步：
[0105]
第一步，将正负白噪声加入原始数据y(t)，其中，y(t)是原始信号；w
t
是辅助白噪声，t＝1,2,...,n；产生了2i个序列，d
i1
与d
i2
为加入白噪声后的数据。如
[0106]
式1所示：
[0107][0108]
第二步，对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,m，其中，m是需要分解分量信号个数。第m个分量信号和第m个参与序列如下式2、式3所示：
[0109][0110][0111]
第三步，进行均值计算，如式4所示。
[0112][0113]
其中，所述x是各个分量的值。
[0114]
本技术对原始数据信号进行ceemd分解后，获得多层信息分量，每层分解量有不同的特征波长以及频率，从第一层分量到最后一层分量，波长逐渐变长，说明数据信息已逐渐被分层，且分解效果较为理想。
[0115]
小波去噪对数据进行提纯：
[0116]
ceemd在分解信息时会抑制高频有效信息，选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除大部分ceemd加入的随机噪声，最后重构并输出处理后的信息。主要方法如式5所示，其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。
[0117][0118]
为了选取与数据相适应的小波函数对数据进行去噪处理，现对硬阈值函数、软阈值函数、固定阈值函数处理后的数据特征值进行对比，结果表明：硬阈值处理数据的信噪比s
nr
远大于另外两种函数，同时硬阈值处理数据的均方根误差r
mse
远小于另外两种函数，说明硬阈值去噪后的数据层次区分更清晰，各层中数据与数据有较强关联性。因此选择硬阈值函数对分解后加入噪声的数据进行去噪处理。
[0119]
请参照图3所示，输出模块303，用于重构并输出处理后的输入端数据。
[0120]
将预处理前后数据的平均值、标准偏差、标准误差平均值进行比对，处理后数据无论是平均值还是标准偏差亦或是标准误差平均值都与原始数据无太大差异，由此说明ceemd小波联合技术对数据进行预处理，在挖掘数据深层次性质的同时并不影响数据本身的一些基本性质。
[0121]
本技术还提供一种碳排放预测装置，该装置包括：
[0122]
获取模块401，用于基于上述碳排放预测输入端数据处理方法获取输入数据；
[0123]
执行模块402，将所述输入数据输入到预训练的bp神经网络模型中，获得碳排放预测结果；
[0124]
或者，将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。

技术特征：
1.一种碳排放预测输入端数据处理方法，其特征在于，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声；重构并输出处理后的输入端数据。2.根据权利要求1所述碳排放预测输入端数据处理方法，其特征在于，所述进行多层信息分量的分解，包括：将正负白噪声加入原始数据y(t)，其中，y(t)是原始信号；w
t
是辅助白噪声，t＝1,2,...,n；产生了2i个序列，d
i1
与d
i2
为加入白噪声后的数据；如下式所示；对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,m，其中，m是需要分解分量信号个数，第m个分量信号和第m个参与序列如下式所示：是需要分解分量信号个数，第m个分量信号和第m个参与序列如下式所示：进行均值计算，如下式所示：其中，x表示分量信号的值。3.根据权利要求1所述碳排放预测输入端数据处理方法，其特征在于，所述去噪处理的表达式如下：其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。4.一种碳排放预测方法，其特征在于，包括：基于权利要求1～3任一所述碳排放预测输入端数据处理方法获取输入数据；将所述输入数据输入到预训练的bp神经网络模型中，获得碳排放预测结果。5.一种碳排放预测方法，其特征在于，包括：基于权利要求1～3任一所述碳排放预测输入端数据处理方法获取输入数据；将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。6.一种碳排放预测输入端数据处理装置，其特征在于，包括：获取模块，用于获取碳排放的原始数据，对各指标数据进行归一化处理；
处理模块，用于将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除ceemd加入的随机噪声；输出模块，用于重构并输出处理后的输入端数据。7.根据权利要求6所述碳排放预测输入端数据处理装置，其特征在于，所述处理模块进行多层信息分量的分解，包括：将正负白噪声加入原始数据y(t)，其中，y(t)是原始信号；w
t
是辅助白噪声，t＝1,2,...,n；产生了2i个序列，d
i1
与d
i2
为加入白噪声后的数据；如下式所示；对加入白噪声数据进行分解，分解后的各层信号分量为m∈1,2,...,m，其中，m是需要分解分量信号个数，第m个分量信号和第m个参与序列如下式所示：是需要分解分量信号个数，第m个分量信号和第m个参与序列如下式所示：进行均值计算，如下式所示：其中，x表示分量信号的值。8.根据权利要求6所述碳排放预测输入端数据处理装置，其特征在于，所述处理模块去噪处理的表达式如下：其中，α为尺度因子，它可以伸缩基本小波函数波长；τ表示小波位移后的大小。9.一种碳排放预测装置，其特征在于，包括：获取模块，用于基于权利要求6～8任一所述碳排放预测输入端数据处理装置获取输入数据；执行模块，用于将所述输入数据输入到预训练的bp神经网络模型中，获得碳排放预测结果。10.一种碳排放预测装置，其特征在于，包括：获取模块，用于基于权利要求6～8任一所述碳排放预测输入端数据处理装置获取输入数据；执行模块，用于将所述输入数据输入到预训练的模糊神经网络模型中，获得碳排放预测结果。

技术总结
本申请提供的一种碳排放预测输入端数据处理方法，包括：获取碳排放的原始数据，对各指标数据进行归一化处理；将正负白噪声加入所述原始数据后进行互补集总经验模态分解，包括：选用小波变换进行多尺度分解，对各尺度数据进行去噪处理，消除CEEMD加入的随机噪声；重构并输出处理后的输入端数据。本申请通过分解去噪实现数据的去噪处理，提高了碳排放预测的精度。度。度。


技术研发人员：曹文斌 张晓明 孙志鑫 李宏涛 孙徐 刘英 孙宇航 任立阳 吕昕昕 柴琦 王玉龙 秦海宇 李佳星 王曈譞 张小龙
受保护的技术使用者：国家电网有限公司
技术研发日：2022.12.09
技术公布日：2023/9/22