(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211174376.5 (22)申请日 2022.09.26 (71)申请人 重庆德宜高大 数据科技有限公司 地址 400000 重庆市沙坪坝区高新区虎溪 街道景阳路37号2幢3 -8 (72)发明人 何昀　代卓林　 (74)专利代理 机构 重庆天成卓越专利代理事务 所(普通合伙) 50240 专利代理师 路宁 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于大数据环境下神经网络碳排放预测方 法及应用 (57)摘要 本发明提出了一种基于大数据环境下神经 网络碳排放预测方法， 包括： S1， 通过物联平台网 络获取多渠道 碳排放数据， 将多渠道 排放数据形 成相应排放数据集， 进行归一化处理； S2， 测算碳 排放数据的偏移， 并对数据进行动态修正处理， 通过TCN时间卷积神经网络计算相应的映射变换 函数， S3， 通过映射变换函数获取多渠道碳排放 数据融合， 通过预测精度模型进行碳排放预测区 间判断， 并上传至物联平台网络 。 权利要求书3页 说明书6页 附图1页 CN 115496286 A 2022.12.20 CN 115496286 A 1.一种基于大 数据环境下神经网络碳 排放预测方法， 其特 征在于， 包括如下步骤： S1， 通过物联平台网络获取多渠道碳排放数据， 将多渠道排放数据形成相应排放数据 集， 进行归一 化处理； S2， 测算碳排放数据的偏移， 并对数据进行动态修正处理， 通过TCN时间卷积神经网络 计算相应的映射变换函数， S3， 通过映射变换函数获取多渠道碳排放数据融合， 通过预测精度模型进行碳排放预 测区间判断， 并上传至物联平台网络 。 2.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法， 其特征在于， 所 述S1包括： S1‑1， 在物联平台网络获取相应的电力碳排放数据、 燃气碳排放数据， 根据碳排放数据 进行目标函数计算， 获取单位时间电力的输出功率和单位 时间燃气功率的碳排放量目标函数P(i)， 通过计 算的结果训练电力和燃气碳 排放的网络节点， 其中， u为电力碳排放调节系数， Aelec为单位时间电力使用功率， v为燃气碳排放调节系 数， Agas为单位时间电力使用功率， t为单位时间； 根据网络节点得到碳排放数据的预存数 据。 3.根据权利要求2所述的基于大数据环境下神经网络碳排放预测方法， 其特征在于， 所 述S1还包括： S1‑2， 根据目标函数确定碳 排放数据的概 率分布， 首先， 根据电力碳排放数据向量B＝(b1,b2,...,bm)T以及燃气碳排放数据向量C＝(c1, c2,...,cm)T进行概率分布计算， 其中上 标T为转置， 然后， 得到的概 率分布公式为： 碳排放概率分布序号k， exp(*)为指数函数， F(B,C)为碳排放能量函数， β 为目标调节系 数， L(k)为 碳排放目标的分布 尺度。 4.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法， 其特征在于， 所 述S2包括： S2‑1， 根据概率分布对碳排放数据进行尺度划分， 形成碳排放数据的偏移公式， 根据尺 度公式， E＝a·E0+Mj·λ， 其中， E为碳排放尺度计算表达公式， a为碳排放尺度的调节系数， E0为 预存的相应周期 历史碳排放数据， Mj为j周的实时碳 排放数据累加值， λ为 碳排放因子， S2‑2， 通过尺度公式， 计算 碳排放概率分布的位移公式， D＝E+ΔE0， 根据尺度 公式的计算结果， 通过预存的相应周期历史碳排放数据的变化值 ΔE0， 得到碳排放数据的位移值；权　利　要　求　书 1/3 页 2 CN 115496286 A 2根据位移值能够得 出碳排放数据的偏移量， 通过偏移公式进行计算， 其中 对全部j周的预存的相应周期历史碳排放数 据进行求和， 除以相应j个周。 5.根据权利要求4所述的基于大数据环境下神经网络碳排放预测方法， 其特征在于， 所 述S2还包括： S2‑3， 根据j轴的偏移公式计算的偏移量， 其动态性和约束性需要进行重调整， 通过碳 排放数据的约束条件进行动态约束， 从而达 到偏移量的重调整； 碳排放数据的动态公式为， G＝Gj+η·Pj+Z， 其中， Gj为j周碳排放数据中能源消耗量， η为动态调节因子， Pj为j周碳 排放数据的总体 变化量， 当η＞0时， 其碳排放数据动态公式的表达式能够体现其动态的碳排放数据实际数值， 当 η≤0时， 其没有涉及碳 排放数据的总体 变化量， 该动态公式不成立。 6.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法， 其特征在于， 所 述S2还包括： S2‑4， 根据获取的碳排放数据动态值， 对实时碳排放数据进行TCN神经网络训练， 并对 碳排放过程中的动态值进行训练调整， 采用高斯函数进行神经网络中神经元基函数对输入的碳排放数据动态值进行空间映 射变换， 其中μ为神经元基函数的标准常数， G为动态值， Hg为高 斯向量的分布函数， 下 标g为正整数， 用于 输入动态值的递增序号； 根据映射变换 得到神经网络的预测误差， 其中， σ 为动态值Qg的权重， dg为神经元基函数的调节 系数， h为预测误差调节参数。 7.根据权利要求1所述的基于大数据环境下神经网络碳排放预测方法， 其特征在于， 所 述S3包括： S3‑1， 根据碳排放数据动态值形成的序列， 得到预测误差后根据数据回归模型进行碳 排放数据统计， 在碳排放数据预测区间内对于碳排放数据实际产生值来判断碳排放动态变 化分量， 使Nenergy能够预先预测； 预测过程的回归模型为f(x)， 通过碳排放动态值中提取训 练样本， 经 过预测误差判断， 获取在碳 排放过程中形成最小方差标准用于估算预测精度。 8.根据权利要求7所述的基于大数据环境下神经网络碳排放预测方法， 其特征在于， 所 述S3还包括： S3‑2， 使用的预测精度公式为权　利　要　求　书 2/3 页 3 CN 115496286 A 3