碳排放量预测方法、装置、存储介质及电子设备与流程

本公开涉及数据处理，具体地，涉及碳排放量预测方法、装置、存储介质及电子设备。

背景技术：

1、电厂碳排放数据，主要指的是电厂在运行过程中，产生的二氧化碳数据、温度数据、湿度数据以及风速数据等相关数据。相关技术中，通过手动检测方法或固定阈值方法对电厂在运行过程中的碳排放数据进行监测。

技术实现思路

1、本公开的目的是提供碳排放量预测方法、装置、存储介质及电子设备，以解决上述相关技术中存在的技术问题。

2、为了实现上述目的，本公开提供一种碳排放量的预测方法，包括：

3、确定实时碳排放数据，所述实时碳排放数据为通过设置在目标电厂中的传感器确定的；

4、通过自动特征工程算法提取所述实时碳排放数据中的特征数据，所述特征数据用于表征所述实时碳排放数据与环境因素之间的非线性关系和相互作用的深层次模式；

5、通过量子机器学习方法将所述特征数据转化为深层次特征数据，所述深层次特征数据用于表征所述实时碳排放数据中的深层结构和隐含模式；

6、将所述深层次特征数据输入到目标预测模型中，得到预测碳排放数据，所述目标预测模型为通过所述目标电厂在历史时间段产生的碳排放数据对基于注意力机制的长短期记忆网络模型训练得到的。

7、可选地，所述通过自动特征工程算法提取所述实时碳排放数据中的特征数据，包括：

8、对所述实时碳排放数据进行数据处理，得到子实时碳排放数据；

9、将所述子实时碳排放数据输入到深度信念网络与自编码器的混合模型中，得到所述特征数据。

10、可选地，通过量子机器学习方法将所述时间特征数据转化为深层次特征数据，包括：

11、将所述特征数据进行时间序列嵌入，得到时间特征数据；

12、将所述时间特征数据转化为量子态数据，通过量子机器学习方法提取所述量子态数据中的子深层次特征数据；

13、通过量子算法对所述子深层次特征数据进行排序，得到所述深层次特征数据。

14、可选地，所述目标预测模型的计算式包括：

15、yt＝sigmoid(wo·[ht；contextt])

16、

17、αt＝softmax(wa·tanh(wh·ht+wf·ft))

18、ht,ct＝lstm(ft，ht-1，ct-1)

19、其中，yt为在t时间的预测碳排放数据，wo为输出权重矩阵，wa、wf、wh均为权重矩阵，ht为在t时间的隐藏状态，contextt为在t时间的上下文信息，αt为在t时间的注意力权重，fi为在i时间的特征数据，n为总的时间点，i为整数，ft为在t时间的特征数据，ct为在t时间的单元状态，ht-1为在t-1时间的隐藏状态，ct-1为在t-1时间的单元状态。

20、可选地，所述预测方法还包括：

21、当所述预测碳排放数据小于第一预设阈值时，执行第一策略对所述目标预测模型进行微调；

22、所述执行第一策略对所述目标预测模型进行微调为：

23、通过自动特征工程算法提取所述特征数据中的关键特征数据，所述关键特征数据包括二氧化碳特征数据、温度特征数据、湿度特征数据与风速特征数据中的至少一者数据；

24、根据所述关键特征数据，构建所述目标预测模型包括的神经符号网络；

25、将所述关键特征数据输入到所述目标预测模型中，根据所述神经符号网络的输出结果与所述目标预测模型的输出结果对所述目标预测模型的模型参数、模型结构与模型超参数中的至少一者进行微调。

26、可选地，所述预测方法还包括：

27、当所述预测碳排放数据大于等于第一预设阈值且小于等于第二预设阈值时，执行第二策略对所述目标预测模型进行微调；

28、所述执行第二策略对所述目标预测模型进行微调包括：

29、通过基于长短期记忆网络与注意力机制的集成模型对所述实时碳排放数据进行集成学习，并通过加权平均融合所述集成学习的结果；

30、在独立的验证集上评估所述集成模型中每个模型的预测性能；

31、根据所述每个模型的预测性能，对所述每个模型分配权重；

32、通过特征重要性评估方法或模型不透明的解释工具，计算所述实时碳排放数据中每个子特征数据对所述预测性能的贡献程度，所述子特征数据包括温度数据、二氧化碳浓度数据、风速数据与湿度数据中的至少一者；

33、在所述目标预测模型中，剔除所述贡献程度小于预设阈值的子特征数据，或降低小于预设阈值的所述子特征数据的权重。

34、可选地，所述预测方法还包括：

35、当所述预测碳排放数据大于第二预设阈值时，执行第三策略对所述目标预测模型进行微调；

36、所述执行第三策略对所述目标预测模型进行微调包括：

37、检测所述实时碳排放数据中的第一实时异常数据，通过局部可解释性网络解释所述第一实时异常数据，得到第一异常因素；

38、根据所述第一异常因数，对所述目标预测模型的输入特征数据进行动态调整。

39、可选地，所述预测方法还包括：

40、当所述预测碳排放数据大于第三预设阈值时，通过第三策略与第四策略对所述目标预测模型进行微调，且触发预警机制；

41、执行第三策略对所述目标预测模型进行微调，包括：

42、检测所述实时碳排放数据中的第二实时异常数据，通过局部可解释性网络解释所述第二实时异常数据，得到第二异常因素，并根据所述第二异常因素，对所述目标预测模型的输入特征数据进行动态调整；

43、执行第四策略对所述目标预测模型进行微调，包括：

44、提取所述第二实时异常数据与所述第二异常因素输入所述目标预测模型包括的双向长短期记忆网络与多头注意力机制模型中，并结合残差连接和正则化技术处理所述双向长短期记忆网络与多头注意力机制模型的输出数据，得到子预测碳排放数据；

45、通过所述子预测碳排放数据、以及在所述实时碳排放数据中确定与所述子预测碳排放数据对应的实际碳排放数据动态调整所述目标预测模型。

46、可选地，所述预警机制包括：

47、通过随机森林算法和注意力机制对所述子预测碳排放数据与所述实际碳排放数据进行处理，得到预警信息；

48、根据所述预警信息，通过粒子群优化算法调整所述目标电厂的运行参数。

49、可选地，所述根据所述预警信息，通过粒子群优化算法调整所述目标电厂的运行参数，包括：

50、根据所述预警信息，通过如下计算式调整所述目标电厂的运行参数：

51、f(i)＝w1×errorlstm(i)+w2×scoreif(i)+w3×scorelstm(i)

52、

53、xi(t+1)＝xi(t)+vi(t+1)

54、w3其中，f(i)为适应度函数，w1、w2、w3均为权重系数，errorlstm(i)为第i个粒子对应的双向长短期记忆网络和多头注意力机制的预测误差，scoreif(i)为随机森林算法对第i个粒子的异常检测得分，scorelstm(i)为lime对第i个粒子的关键因素分析得分，vi(t+1)为第i个粒子在时间t+1的速度，xi(t+1)为第i个粒子在时间t+1的位置，xi(t)为第i个粒子在时间t的位置，vi(t)为第i个粒子在时间t的速度，ω为惯性权重，c1、c2、c3均为学习因子，r1与r2为在[0,1]范围内的随机数，pbesti为第i个粒子自开始迭代以来找到的最佳位置，gbest为所有粒子自开始迭代以来找到的最佳位置。

55、第二方面，本公开提供一种碳排放量的预测装置，包括第一确定模块、数据提取模块、数据转化模块以及第一计算模块；

56、所述第一确定模块，用于确定实时碳排放数据，所述实时碳排放数据为通过设置在目标电厂中的传感器确定的；

57、所述数据提取模块，用于通过自动特征工程算法提取所述实时碳排放数据中的特征数据，所述特征数据用于表征所述实时碳排放数据与环境因素之间的非线性关系和相互作用的深层次模式；

58、所述数据转化模块，用于通过量子机器学习方法将所述特征数据转化为深层次特征数据，所述深层次特征数据用于表征所述实时碳排放数据中的深层结构和隐含模式；

59、所述第一计算模块，用于将所述深层次特征数据输入到目标预测模型中，得到预测碳排放数据，所述目标预测模型为通过所述目标电厂在历史时间段产生的碳排放数据对基于注意力机制的长短期记忆网络模型训练得到的。

60、可选地，所述数据提取模块，包括：

61、处理模块，用于对所述实时碳排放数据进行数据处理，得到子实时碳排放数据；

62、第二计算模块，用于将所述子实时碳排放数据输入到深度信念网络与自编码器的混合模型中，得到所述特征数据。

63、可选地，所述数据转化模块包括：

64、第三计算模块，用于将所述特征数据进行时间序列嵌入，得到时间特征数据；

65、第四计算模块，用于将所述时间特征数据转化为量子态数据，通过量子机器学习方法提取所述量子态数据中的子深层次特征数据；

66、排序模块，用于通过量子算法对所述子深层次特征数据进行排序，得到所述深层次特征数据。

67、可选地，所述目标预测模型的计算式包括：

68、yt＝sigmoid(wo·[ht；contextt])

69、

70、αt＝softmax(wa·tanh(wh·ht+wf·ft))

71、ht,ct＝lstm(ft，ht-1，ct-1)

72、其中，yt为在t时间的预测碳排放数据，wo为输出权重矩阵，wa、wf、wh均为权重矩阵，ht为在t时间的隐藏状态，contextt为在t时间的上下文信息，αt为在t时间的注意力权重，fi为在i时间的特征数据，n为总的时间点，i为整数，ft为在t时间的特征数据，ct为在t时间的单元状态，ht-1为在t-1时间的隐藏状态，ct-1为在t-1时间的单元状态。

73、可选地，所述碳排放量的预测装置还包括：

74、第一微调模块，用于当所述预测碳排放数据小于第一预设阈值时，执行第一策略对所述目标预测模型进行微调；

75、所述执行第一策略对所述目标预测模型进行微调为：

76、通过自动特征工程算法提取所述特征数据中的关键特征数据，所述关键特征数据包括二氧化碳特征数据、温度特征数据、湿度特征数据与风速特征数据中的至少一者数据；

77、根据所述关键特征数据，构建所述目标预测模型包括的神经符号网络；

78、将所述关键特征数据输入到所述目标预测模型中，根据所述神经符号网络的输出结果与所述目标预测模型的输出结果对所述目标预测模型的模型参数、模型结构与模型超参数中的至少一者进行微调。

79、可选地，所述碳排放量的预测装置还包括：

80、第二微调模块，用于当所述预测碳排放数据大于等于第一预设阈值且小于等于第二预设阈值时，执行第二策略对所述目标预测模型进行微调；

81、所述执行第二策略对所述目标预测模型进行微调包括：

82、通过基于长短期记忆网络与注意力机制的集成模型对所述实时碳排放数据进行集成学习，并通过加权平均融合所述集成学习的结果；

83、在独立的验证集上评估所述集成模型中每个模型的预测性能；

84、根据所述每个模型的预测性能，对所述每个模型分配权重；

85、通过特征重要性评估方法或模型不透明的解释工具，计算所述实时碳排放数据中每个子特征数据对所述预测性能的贡献程度，所述子特征数据包括温度数据、二氧化碳浓度数据、风速数据与湿度数据中的至少一者；

86、在所述目标预测模型中，剔除所述贡献程度小于预设阈值的子特征数据，或降低小于预设阈值的所述子特征数据的权重。

87、可选地，所述碳排放量的预测装置还包括：

88、第三微调模块，用于当所述预测碳排放数据大于第二预设阈值时，执行第三策略对所述目标预测模型进行微调；

89、所述执行第三策略对所述目标预测模型进行微调包括：

90、检测所述实时碳排放数据中的第一实时异常数据，通过局部可解释性网络解释所述第一实时异常数据，得到第一异常因素；

91、根据所述第一异常因数，对所述目标预测模型的输入特征数据进行动态调整。

92、可选地，所述碳排放量的预测装置还包括：

93、第四微调模块，用于当所述预测碳排放数据大于第三预设阈值时，通过第三策略与第四策略对所述目标预测模型进行微调，且触发预警机制；

94、执行第三策略对所述目标预测模型进行微调，包括：

95、检测所述实时碳排放数据中的第二实时异常数据，通过局部可解释性网络解释所述第二实时异常数据，得到第二异常因素，并根据所述第二异常因素，对所述目标预测模型的输入特征数据进行动态调整；

96、执行第四策略对所述目标预测模型进行微调，包括：

97、提取所述第二实时异常数据与所述第二异常因素输入所述目标预测模型包括的双向长短期记忆网络与多头注意力机制模型中，并结合残差连接和正则化技术处理所述双向长短期记忆网络与多头注意力机制模型的输出数据，得到子预测碳排放数据；

98、通过所述子预测碳排放数据、以及在所述实时碳排放数据中确定与所述子预测碳排放数据对应的实际碳排放数据动态调整所述目标预测模型。

99、可选地，所述第四微调模块包括：

100、处理模块，用于通过随机森林算法和注意力机制对所述子预测碳排放数据与所述实际碳排放数据进行处理，得到预警信息；

101、优化模块，用于根据所述预警信息，通过粒子群优化算法调整所述目标电厂的运行参数。

102、可选地，所述优化模块还用于：

103、根据所述预警信息，通过如下计算式调整所述目标电厂的运行参数：

104、f(i)＝w1×errorlstm(i)+w2×scoreif(i)+w3×scorelstm(i)

105、

106、xi(t+1)＝xi(t)+vi(t+1)

107、w3其中，f(i)为适应度函数，w1、w2、w3均为权重系数，errorlstm(i)为第i个粒子对应的双向长短期记忆网络和多头注意力机制的预测误差，scoreif(i)为随机森林算法对第i个粒子的异常检测得分，scorelstm(i)为lime对第i个粒子的关键因素分析得分，vi(t+1)为第i个粒子在时间t+1的速度，xi(t+1)为第i个粒子在时间t+1的位置，xi(t)为第i个粒子在时间t的位置，vi(t)为第i个粒子在时间t的速度，ω为惯性权重，c1、c2、c3均为学习因子，r1与r2为在[0,1]范围内的随机数，pbesti为第i个粒子自开始迭代以来找到的最佳位置，gbest为所有粒子自开始迭代以来找到的最佳位置。

108、第三方面，本公开提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的任一项所述方法的步骤。

109、第四方面，本公开提供一种电子设备，包括：

110、存储器，其上存储有计算机程序；

111、处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的任一项所述方法的步骤。

112、通过上述技术方案，首先确定目标电厂中传感器采集的实时碳排放数据，之后通过自动特征工程算法以及量子机器学习方法，提取实时碳排放数据中的深层次特征数据，之后将该深层次特征数据输入到目标预测模型中，得到预测碳排放数据。通过采集传感器检测到的实时碳排放数据，可以准确实时的检测目标电厂的碳排放数据，进而提高采集碳排放数据的实时性。根据自动特征工程算法以及量子机器学习方法提取实时碳排放数据中的深层次特征数据，可以从大量采集的实时碳排放数据中自动学习和提取深层次特征数据，进而可以减少人工干预以及提高特征提取的效率。将得到的深层次特征数据输入目标预测模型中，得到预测碳排放数据，可以动态预测目标电厂在未来的碳排放数据，以及监控目标电厂的预测碳排放数据在未来的趋势，进而可以提高预测未来碳排放数据的准确性。

113、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。