基于BP神经网络的有色金属行业电碳数据匹配预警方法

摘要

本发明涉及一种基于BP神经网络的有色金属行业电碳数据匹配预警方法；其包括步骤：（1）获取影响有色金属行业碳排放的元素；（2）将获得的输入样本数据进行预处理，补充缺失数据，剔出异常数据，并人工标注标签，标签分为正常、预警两类；（3）使用SPXY方法将获得的区域内影响有色金属行业碳排放的样本数据划分为建模集和预测集；（4）建立基于newff函数的BP神经网络；（5）使用BP神经网络对不同参数背景使用的电力数据样本训练和预测；（6）输入新的参数，应用本技术方案对区域内有色金属行业碳排放数据进行预警，当模型预测的碳排放数据超过某个设定数值时，则启动预警。

说明书

技术领域

本发明涉及有色金属行业电碳数据匹配预警技术领域，特别是一种基于BP神经网络的有色金属行业电碳数据匹配预警方法。

背景技术

我国是有色金属消耗大国，2021年，十种有色金属总产量超过6000万吨，同比增长5.4％，是我国工业发展的重要支柱。然而，有色金属行业作为能耗较大的行业之一。电碳数据匹配预警，实际上是一种通过匹配不同电力消耗情况下的碳排放数据的匹配预警方法。目前，一般的预警预测方法有灰色模型法、偏最小二乘法、深度学习等，这些预警模型原理简单、反应速度快，但更适用高维数据模型预测，适配性低。

发明内容

有鉴于此，本发明的目的在于提供一种基于BP神经网络的有色金属行业电碳数据匹配预警方法，对区域内有色金属行业碳排放数据进行预警，当模型预测的碳排放数据超过某个设定数值时，则启动预警。

为实现上述目的，本发明采用如下技术方案：基于BP神经网络的有色金属行业电碳数据匹配预警方法，包括如下步骤：

步骤1：获取影响区域碳排放的有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6六个参数数据作为输入神经元变量，将碳排放数据Y作为输出神经元变量；

步骤2：将获得的输入样本数据进行预处理，补充缺失数据，剔出异常数据，并人工标注标签，标签分为正常、预警两类；

步骤3：使用SPXY方法将获得的区域内影响有色金属行业碳排放的样本数据样本划分为建模集和预测集；

步骤4：建立基于newff函数的BP神经网络；

步骤5：使用BP神经网络对数据样本进行训练和预测；

步骤6：输入新的参数，使用模型对碳排放数据进行预警，当模型预测的碳排放数据超过某个设定数值时，则启动预警。

在一较佳的实施例中，其中所述步骤S2包括：

步骤21：使用归一化处理方法将上述数据进行预处理，形成归一化(x,y)，其中x表示有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6六个参数数据，y表示区域内碳排放数据是正常和预警两种状态；

步骤22：将缺失数据进行补充，异常数据进行剔除，并进行人工标注标签，标签分为正常、预警两类。

在一较佳的实施例中，其中所述步骤S3包括：

步骤31：将有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6六个参数数据整理成样本矩阵，矩阵大小为m×k维，

步骤32：把所有的样本都看作训练集样本，将x变量和y变量同时考虑在内，选择欧氏距离最远的两个向量对进入训练集，欧氏距离计算方法如下：

步骤33：用dxy(p,q)代替dx(p,q),同时为了确保样本在x和y空间的具有相同的权重，将dx(p,q)和dy(p,q)分别除以它们在数据集中的最大值，标准化xy的距离；计算方法如下:

步骤34：在接下来的迭代过程中，将拥有最大最小距离的待选样本被选入训练库；

步骤3.5：以此类推，将数据样本集划分为建模集和训练集。

在一较佳的实施例中，其中所述步骤S4包括：

步骤41：所述的基于newff函数的BP神经网络中：newff函数具体为net＝newff(PS，[S1 S2…Sn]，[Tk1 Tk2…Tkn]，BTk，BLk，Pk)；

其中，PS为输入神经元的最小值和最大值，利用minmax函数计算得到；Sn为第n层神经元的个数，

步骤42：初始化BP网络：根据输入输出序列(x,y)确定BP神经网络的输入层节点数n、隐含层节点数p，输出层节点数m；

步骤43：初始化输入层、隐含层和输出层神经元之间的连接权值ω；

步骤44：初始化隐含层偏置c，输出层偏置d，确定学习速率和神经元激活函数gx；

步骤45：计算隐含层输出：根据有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6、连接权值ω和隐含层偏置c，计算隐含层的输出H；

隐含层计算方法为：

其中，H

步骤46：计算输出隐含层：根据隐含层的输出的H，连接权值ω和偏置d，确定BP神经网络的区域电碳数据匹配预警方法的输出；

输出层计算方法为：

其中，O

步骤47：确定络预测误差E，根据BP神经网络的区域电碳数据匹配预警方法输出的0和期望输出的Y，确定参数误差E。

在一较佳的实施例中，其中所述步骤S5包括：

步骤51：利用步骤S2中的训练集对步骤S4中所述的BP神经网络进行训练，形成区域电碳数据匹配预警模型；

步骤52：确定E误差训练精度要求小于1×10－5，得到最佳权值和阈值，训练次数不超过1000次；

训练误差E计算方法：

其中，E是预测值和所述真实值的误差，n表示输出层节点的个数，Yk表示期望输出.

步骤53：将所述训练集中的区域电碳数据作为BP神经网络的数据，根据BP神经网络的预测结果；

步骤54：将预测结果与输入的训练集中的区域电碳数据的人工标签进行比较；

步骤55：根据预测结果和人工标签之间的偏差值，对BP神经网络相关参数进行调整，通过迭代运算，最终确定精准的区域电碳数据匹配预警模型。

在一较佳的实施例中，其中所述步骤S6包括：

步骤61：将步骤S5中通过性能测试的区域电碳数据匹配预警模型用于实际有色金属行业电碳数据匹配检测中，利用电碳地图系统采集的实时数据，输入应用到应用模型中；

步骤62：当模型预测的碳排放数据超过某个设定数值时，则进行预警。

与现有技术相比，本发明具有以下有益效果：

本专利采用的BP神经网络模型具有很强的非线性映射能力，神经网络中间层数、神经元个数可根据实际情况任意设定，适用于多参数数据的数据匹配和预警。

附图说明

图1为本发明优选实施例的基于BP神经网络的有色金属行业电碳数据匹配预警方法的流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

基于BP神经网络的有色金属行业电碳数据匹配预警方法，参考图1，包括如下步骤：

步骤1：获取影响区域碳排放的有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6六个参数数据作为输入神经元变量，将碳排放数据Y作为输出神经元变量；

步骤2：将获得的输入样本数据进行预处理，补充缺失数据，剔出异常数据，并人工标注标签，标签分为正常、预警两类；

步骤3：使用SPXY方法将获得的区域内影响有色金属行业碳排放的样本数据样本划分为建模集和预测集；

步骤4：建立基于newff函数的BP神经网络；

步骤5：使用BP神经网络对数据样本进行训练和预测；

步骤6：输入新的参数，使用模型对碳排放数据进行预警，当模型预测的碳排放数据超过某个设定数值时，则启动预警。

其中所述步骤S2包括：

步骤21：使用归一化处理方法将上述数据进行预处理，形成归一化(x,y)，其中x表示有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6六个参数数据，y表示区域内碳排放数据是正常和预警两种状态；

步骤22：将缺失数据进行补充，异常数据进行剔除，并进行人工标注标签，标签分为正常、预警两类。

其中所述步骤S3包括：

步骤31：将有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6六个参数数据整理成样本矩阵，矩阵大小为m×k维，

步骤32：把所有的样本都看作训练集样本，将x变量和y变量同时考虑在内，选择欧氏距离最远的两个向量对进入训练集，欧氏距离计算方法如下：

步骤33：用dxy(p,q)代替dx(p,q),同时为了确保样本在x和y空间的具有相同的权重，将dx(p,q)和dy(p,q)分别除以它们在数据集中的最大值，标准化xy的距离；计算方法如下:

步骤34：在接下来的迭代过程中，将拥有最大最小距离的待选样本被选入训练库；

步骤3.5：以此类推，将数据样本集划分为建模集和训练集。

其中所述步骤S4包括：

步骤41：所述的基于newff函数的BP神经网络中：newff函数具体为net＝newff(PS，[S1 S2…Sn]，[Tk1 Tk2…Tkn]，BTk，BLk，Pk)；

其中，PS为输入神经元的最小值和最大值，利用minmax函数计算得到；Sn为第n层神经元的个数，

步骤42：初始化BP网络：根据输入输出序列(x,y)确定BP神经网络的输入层节点数n、隐含层节点数p，输出层节点数m；

步骤43：初始化输入层、隐含层和输出层神经元之间的连接权值ω；

步骤44：初始化隐含层偏置c，输出层偏置d，确定学习速率和神经元激活函数gx；

步骤45：计算隐含层输出：根据有色金属企业数量x1、原材料价格x2、有色金属行业总产值x3、更新固定资产占比固定资产占比x4、单位劳动力钢材产量x5、有色金属行业企业研发经费投入x6、连接权值ω和隐含层偏置c，计算隐含层的输出H；

隐含层计算方法为：

其中，H

步骤46：计算输出隐含层：根据隐含层的输出的H，连接权值ω和偏置d，确定BP神经网络的区域电碳数据匹配预警方法的输出；

输出层计算方法为：

其中，O

步骤47：确定络预测误差E，根据BP神经网络的区域电碳数据匹配预警方法输出的0和期望输出的Y，确定参数误差E。

其中所述步骤S5包括：

步骤51：利用步骤S2中的训练集对步骤S4中所述的BP神经网络进行训练，形成区域电碳数据匹配预警模型；

步骤52：确定E误差训练精度要求小于1×10－5，得到最佳权值和阈值，训练次数不超过1000次；

训练误差E计算方法：

其中，E是预测值和所述真实值的误差，n表示输出层节点的个数，Yk表示期望输出.

步骤53：将所述训练集中的区域电碳数据作为BP神经网络的数据，根据BP神经网络的预测结果；

步骤54：将预测结果与输入的训练集中的区域电碳数据的人工标签进行比较；

步骤55：根据预测结果和人工标签之间的偏差值，对BP神经网络相关参数进行调整，通过迭代运算，最终确定精准的区域电碳数据匹配预警模型。

其中所述步骤S6包括：

步骤61：将步骤S5中通过性能测试的区域电碳数据匹配预警模型用于实际有色金属行业电碳数据匹配检测中，利用电碳地图系统采集的实时数据，输入应用到应用模型中；

步骤62：当模型预测的碳排放数据超过某个设定数值时，则进行预警。