一种基于鲸鱼算法优化神经网络的碳通量预测方法

本发明涉及碳通量模拟预测，具体而言，涉及一种基于鲸鱼算法优化神经网络的碳通量预测方法。

背景技术：

1、我国西北地区日照充足、光热资源富集，同时有大面积戈壁荒漠、丘陵沟壑等未利用荒地劣地，具备发展光伏产业的天然优越条件，光伏等可再生能源行业发展迅速,已成为目前光伏可再生能源开发的聚集地。通过对对较为典型的生态系统进行碳水循环过程及其耦合规律的深入分析研究发现，生态系统碳水通量之间的平衡关系的改变是导致生态环境问题的重要原因。国内外目前针对光伏影响局地的微气候、水文过程、生态系统和物种多样性的基础研究较多，发现光伏设施会影响局部的热辐射平衡和水循环过程。但目前仍存在一定的问题有待解决，如光伏对环境影响的尺度效应和地域性差异的影响方面、量化光伏开发影响下生态系统碳通量的驱动机制方面、光伏生态系统的碳通量变化过程预测模型研究方面。

2、大规模光伏开发(pvppc)是应对气候变化和实现能源转型的重要途径。了解荒漠光伏生态系统(即荒漠pvppc影响下，由光伏场内的生物群落与无机环境相互作用所构成的生态整体)碳通量的变化规律，揭示碳通量对环境要素的响应关系对于实现“双碳”目标至关重要。然而，通过有限的实地观测揭示地气co2通量的变化特征是具有挑战性的，而且净生态系统碳交换量(nee)的测定方法对环境条件要求较高。

技术实现思路

1、鉴于此，本发明提出了一种基于鲸鱼算法优化神经网络的碳通量预测方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提出了一种基于鲸鱼算法优化神经网络的碳通量预测方法，包括:

3、获取观测数据和未来气候因子数据，基于所述观测数据和未来气候因子数据构建降尺度预测数据，基于所述降尺度预测数据构建数据集；

4、将数据集划分为训练集和测试集，并进行数据归一化处理；

5、基于卷积神经网络和双向长短时记忆网络构建混合网络框架；

6、基于鲸鱼优化算法获取模型最优参数；

7、将所述模型最优参数输入所述混合网络框架，进行模型训练后生成碳通量预测模型；

8、基于所述碳通量预测模型获取预测结果；

9、对所述预测结果进行反归一化处理。

10、可选地，基于所述观测数据和未来气候因子数据构建降尺度预测数据的过程包括：

11、采用主成分分析方法对所述未来气候因子数据进行降维和滤波处理，采用线性回归模型对处理后的未来气候因子数据进行迭代回归训练，建立最优的统计降尺度模型，基于所述观测数据对所述统计降尺度模型进行验证，获取所述降尺度预报数据。

12、可选地，将数据集划分为训练集和测试集的过程包括：

13、确定模型输入变量与输出变量的原始特征和输出数目，根据延时步长，将数据集的70％划分为训练集，30％划分为测试集。

14、可选地，基于卷积神经网络和双向长短时记忆网络构建混合网络框架的过程中，在所述卷积神经网络的卷积层后增加一个pooling层以降低特征维数。

15、可选地，基于鲸鱼优化算法获取模型最优参数的过程包括：

16、构建鲸鱼种群，所述鲸鱼种群包括领头鲸、跟随鲸和外围鲸；

17、基于所述鲸鱼种群进行位置更新，获取较佳位置，判断所述较佳位置是否为最优位置，若所述较佳位置不是最优位置，则重复进行位置更新，直至获取最优位置，并基于所述最优位置获取所述最优参数。

18、可选地，所述领头鲸为鲸鱼群体中具有最优解的个体，基于所述鲸鱼种群进行位置更新的过程包括：基于所述领头鲸的位置和适应度值确定种群搜索方向，所述跟随鲸通过模仿领头鲸的行为来更新位置，所述外围鲸通过随机搜索来寻找更好的解决方案；

19、可选地，所述鲸鱼种群的位置更新方法如下所示：

20、

21、

22、a＝a(2r)-1

23、a＝2-2(t/tmax)

24、c＝2r，r∈(0，1)

25、其中：是个体x(t)和在时间t的种群内的最优个体xp(t)之间的距离；a，c是随机系数的向量，表示中群内经与个体之间感知距离的差异；a∈【-1，1】限制其搜索空间；a是贯穿整个算法的迭代因子。

26、可选地，所述鲸鱼种群的位置更新方法还包括：

27、根据鲸鱼吐气泡的行为进行数学建模，计算所述鲸鱼种群内每个鲸鱼个体与最优个体之间的距离，对所述距离进行约束；

28、根据局部思想，将搜索空间限制在螺旋上搜索以找到最佳解决方案。

29、可选地，进行模型训练后生成碳通量预测模型的过程中，基于均方根误差验证所述碳通量模型的预测精度、基于rmse表示模型预测结果的分散程度、基于mae表示模型的预测偏差、基于mape和nash系数表征模型模拟结果的好坏程度、基于确定系数r2表示实际值和模型预测值之间的线性相关性。

30、可选地，对所述预测结果进行反归一化处理的过程包括：

31、采用相关性、结构方程模型、随机森林模型、最小冗余最大相关算法和relieff算法对所述预测结果进行相关性分析，基于相关性分析结果对所述碳通量预测模型的输入参数进行筛选。

32、与现有技术相比，本发明的有益效果在于：

33、本发明将支持鲸鱼优化算法(woa)、双向长短期记忆网络(bilstm)和卷积神经网络(cnn)相结合，对荒漠光伏生态系统nee进行模拟验证，在此过程中，采用随机森林模型、结构方程模型和最小冗余最大相关算法等以识别对nee影响最大的重要变量作为模型的输入，为生态系统稳定性评估、环境恢复和气候变化趋势分析等领域提供了数据支撑，本发明为理解大规模光伏开发对生态系统碳通量的影响提供了坚实的基础，可以提供证据支持先前观测到的结果，最大限度地提高荒漠区大型光伏发电场的生态系统服务。

技术特征：

1.一种基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，包括:

2.根据权利要求1所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，基于所述观测数据和未来气候因子数据构建降尺度预测数据的过程包括：

3.根据权利要求1所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，将数据集划分为训练集和测试集的过程包括：

4.根据权利要求1所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，基于卷积神经网络和双向长短时记忆网络构建混合网络框架的过程中，在所述卷积神经网络的卷积层后增加一个pooling层以降低特征维数。

5.根据权利要求1所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，基于鲸鱼优化算法获取模型最优参数的过程包括：

6.根据权利要求5所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，基于所述鲸鱼种群进行位置更新的过程包括：所述领头鲸为鲸鱼群体中具有最优解的个体，基于所述领头鲸的位置和适应度值确定种群搜索方向，所述跟随鲸通过模仿领头鲸的行为来更新位置，所述外围鲸通过随机搜索来寻找更好的解决方案。

7.根据权利要求5所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，所述鲸鱼种群的位置更新方法如下所示：

8.根据权利要求5所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，所述鲸鱼种群的位置更新方法还包括：

9.根据权利要求1所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，进行模型训练后生成碳通量预测模型的过程中，基于均方根误差验证所述碳通量模型的预测精度、基于rmse表示模型预测结果的分散程度、基于mae表示模型的预测偏差、基于mape和nash系数表征模型模拟结果的好坏程度、基于确定系数r2表示实际值和模型预测值之间的线性相关性。

10.根据权利要求1所述的基于鲸鱼算法优化神经网络的碳通量预测方法，其特征在于，对所述预测结果进行反归一化处理的过程包括：

技术总结本发明提供了一种基于鲸鱼算法优化神经网络的碳通量预测方法，包括获取观测数据和未来气候因子数据，基于观测数据和未来气候因子数据构建降尺度预测数据，基于降尺度预测数据构建数据集；将数据集划分为训练集和测试集，并进行数据归一化处理；基于卷积神经网络和双向长短时记忆网络构建混合网络框架；基于鲸鱼优化算法获取模型最优参数；将模型最优参数输入混合网络框架，进行模型训练后生成碳通量预测模型；基于碳通量预测模型获取预测结果；对预测结果进行反归一化处理。本发明为生态系统稳定性评估、环境恢复和气候变化趋势分析等领域提供了数据支撑，为理解大规模光伏开发对生态系统碳通量的影响提供了坚实的基础。技术研发人员：吴巍,陈航,马超,卢刚,叶得力,任雷,李琛,康宵受保护的技术使用者：西安理工大学技术研发日：技术公布日：2024/7/29