本發明專利技術公開了一種基于多源異構數據對比學習的碳排放預測方法及系統，涉及碳排放預測技術領域。該方法包括步驟：獲取待預測的碳排放數據，并對碳排放數據進行預處理；利用特征選擇方法提取碳排放數據的特征；利用碳排放預測模型對增強表示向量進行處理，其中，對增強表示向量進行時序數據學習和融合，得到綜合表示向量和加權融合向量，利用綜合表示向量和加權融合向量進行碳排放預測，并利用對比學習對綜合表示向量進行計算，根據計算結果優化碳排放預測結果。本發明專利技術充分考慮碳排放的時序性和多源異構性，融合來自不同時間尺度的時序特征信息，并引入對比學習方法學習更有效的特征表示向量，從而提高碳排放預測的準確度。
【技術實現步驟摘要】
本專利技術涉及碳排放預測，尤其涉及一種基于多源異構數據對比學習的碳排放預測方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、在當前用電背景下，碳排放數據多源異構，影響因素復雜，并且隨著用電規模的擴大，數據量的急劇增加以及不同指標間復雜關聯的出現，使得碳排放的預測愈發困難。隨著人工智能和深度學習技術的不斷進步，深度學習技術逐漸被應用于碳排放相關問題的解決中。
3、研究表明，不同量綱的數據會影響神經網絡的學習效果，因此在使用多元異構數據時需要進一步處理。此外，由于數據通常具有顯著的時序性，在預測碳排放時不僅需要提取數據中的關鍵特征，還需精準捕捉其時序信息，以提高預測的準確性。目前，由于碳排放數據的復雜性導致深度學習對多源異構數據處理不夠全面，無法深度挖掘數據之間的關聯信息，導致預測結果不夠準確。
技術實現思路
1、針對現有技術存在的不足，本專利技術的目的是提供一種基于多源異構數據對比學習的碳排放預測方法及系統，充分考慮碳排放的時序性和多源異構性，融合來自不同時間尺度的時序特征信息，并引入對比學習方法學習更有效的特征表示向量，從而提高碳排放預測的準確度。
2、為了實現上述目的，本專利技術是通過如下的技術方案來實現：
3、本專利技術第一方面提供了一種基于多源異構數據對比學習的碳排放預測方法，包括以下步驟：
4、獲取待預測的碳排放數據，并對碳排放數據進行預處理；
>5、利用特征選擇方法提取預處理后的碳排放數據的特征，得到增強表示向量；6、利用碳排放預測模型對增強表示向量進行處理，得到碳排放預測結果，其中，利用碳排放預測模型對增強表示向量進行處理過程包括：對增強表示向量進行時序數據學習和融合，得到綜合表示向量和加權融合向量，利用綜合表示向量和加權融合向量進行碳排放預測，并利用對比學習對綜合表示向量進行計算，根據計算結果優化碳排放預測結果。
7、進一步的，碳排放數據包括電力生成數據、燃料消耗數據、歷史碳排放數據及天氣和氣候數據。
8、進一步的，預處理步驟包括對數據進行歸一化操作。
9、進一步的，利用特征選擇方法提取預處理后的碳排放數據的特征的具體步驟為：
10、采用基于斯皮爾曼相關性分析的特征選擇器選擇與碳排放預測最相關的特征，獲得增強表示向量。
11、進一步的，碳排放預測模型的構建過程包括：
12、獲取帶有不同時間尺度數據的已知數據集，對已知數據集進行預處理和特征選擇操作；
13、構建碳排放預測模型，利用特征選擇后的數據對碳排放預測模型進行訓練，其中，訓練過程包括時序數據學習、碳排放預測和碳排放預測模型參數優化；
14、使用未參與訓練的數據對訓練后的碳排放預測模型進行測試，并根據測試結果對碳排放預測模型參數進行調整。
15、更進一步的，不同時間尺度數據包括當前時間、前一周同時間以及去年同一時期的三個時間尺度數據。
16、更進一步的，時序數據學習的步驟包括：
17、利用卷積神經網絡對不同時間尺度數據進行特征提取；
18、采用注意力機制將提取得到的特征進行融合，得到加權融合向量；
19、利用淺層去噪自編碼器對加權融合向量進行特征提取，得到綜合表示向量。
20、更進一步的，碳排放預測的步驟包括：
21、采用深度神經網絡對加權融合向量和綜合表示向量進行處理沒得到碳排放預測結果。
22、更進一步的，碳排放預測模型參數優化步驟包括：
23、利用對比學習對綜合表示向量進行第一損失值計算；
24、利用判別函數對預測值進行第二損失值計算；
25、將第一損失值和第二損失值相加得到總體損失函數值；
26、迭代求解最小總體損失函數值，得到碳排放預測模型的學習參數。
27、本專利技術第二方面提供了一種基于多源異構數據對比學習的碳排放預測系統，包括：
28、數據預處理模塊，被配置為獲取待預測的碳排放數據，并對碳排放數據進行預處理；
29、特征選擇模塊，被配置為利用特征選擇方法提取預處理后的碳排放數據的特征，得到增強表示向量；
30、模型處理模塊，被配置為利用碳排放預測模型對增強表示向量進行處理，得到碳排放預測結果；
31、其中，模型處理模塊包括：
32、時序數據學習模塊，被配置為對增強表示向量進行時序數據學習和融合，得到綜合表示向量和加權融合向量；
33、碳排放預測模塊，被配置為利用綜合表示向量和加權融合向量進行碳排放預測；
34、對比學習模塊，被配置為利用對比學習對綜合表示向量進行計算，根據計算結果優化碳排放預測結果。
35、以上一個或多個技術方案存在以下有益效果：
36、本專利技術公開了一種基于多源異構數據對比學習的碳排放預測方法及系統，充分考慮到碳排放的時序性，對當前時間節點，前一周時間及前一年同時期三個時間尺度的數據進行收集，并引入基于斯皮爾曼相關分析(sca)的特征選擇器來選擇用于訓練并篩選特征輸入。
37、本專利技術基于獲取的三個時間尺度的信息提出改進的cnn-isdae網絡，以更好的學習與融合來自不同時間尺度的時序特征信息，生成一個綜合表示向量；引入對比學習，計算對比學習損失值，拉遠異常樣本和正常樣本表示向量的距離，并且拉近正樣本表示向量之間的距離從而提高攤牌放預測的準確度。
38、本專利技術附加方面的優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本專利技術的實踐了解到。
本文檔來自技高網...
【技術保護點】
1.一種基于多源異構數據對比學習的碳排放預測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，碳排放數據包括電力生成數據、燃料消耗數據、歷史碳排放數據及天氣和氣候數據。
3.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，預處理步驟包括對數據進行歸一化操作。
4.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，利用特征選擇方法提取預處理后的碳排放數據的特征的具體步驟為：
5.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，碳排放預測模型的構建過程包括：
6.如權利要求5所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，不同時間尺度數據包括當前時間、前一周同時間以及去年同一時期的三個時間尺度數據。
7.如權利要求5所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，時序數據學習的步驟包括：
8.如權利要求7所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，碳排放預測的步驟包括：
9.如權利要求8所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，碳排放預測模型參數優化步驟包括：
10.一種基于多源異構數據對比學習的碳排放預測系統，其特征在于，包括：
...
【技術特征摘要】
1.一種基于多源異構數據對比學習的碳排放預測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，碳排放數據包括電力生成數據、燃料消耗數據、歷史碳排放數據及天氣和氣候數據。
3.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，預處理步驟包括對數據進行歸一化操作。
4.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，利用特征選擇方法提取預處理后的碳排放數據的特征的具體步驟為：
5.如權利要求1所述的基于多源異構數據對比學習的碳排放預測方法，其特征在于，碳排放預測模...
【專利技術屬性】
技術研發人員：馬智強，梁飛，楊琦，康潔瀅，孫磊，劉鵬，
申請(專利權)人：國網寧夏電力有限公司營銷服務中心國網寧夏電力有限公司計量中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。