基于小波包去噪和深度学习的电力行业碳排放预测模型研究.pdfVIP

第42卷第8期河南科学Vol.42No.8

2024年8月HENANSCIENCEAug.2024

文章编号：1004-3918（2024）08-1102-09

基于小波包去噪和深度学习的电力行业

碳排放预测模型研究

1，2，34，561，2，3

曾一鸣，曹姗姗，孔繁涛，古丽米拉·克孜尔别克

（1.新疆农业大学计算机与信息工程学院，乌鲁木齐830052；2.智能农业教育部工程研究中心，乌鲁木齐830052；

3.新疆农业信息化工程技术研究中心，乌鲁木齐830052；4.中国农业科学院农业信息研究所，北京100081；

5.国家农业科学数据中心，北京100081；6.中国农业科学院农业经济与发展研究所，北京100081）

摘要：针对当前电力行业碳排放预测模型精度不高、参数优化困难等问题，提出一种基于小波包分解（Wavelet

PacketDecomposition，WPD）去噪的碳排放预测模型PSO-CNN-LSTM.首先利用小波包分解将建模数据进行去噪，

然后构建CNN-LSTM模型对碳排放数据进行预测.为了解决模型超参数选取困难的问题，利用粒子群优化

（ParticleSwarmOptimization，PSO）算法对模型进行迭代寻优，寻求最优的超参数组合.经验证可知，所提出的基于

WPD去噪的PSO-CNN-LSTM模型的4种评价指标均最优且模型泛化能力更强，说明该模型可以应用于国家或区

域尺度电力行业碳排放预测.

关键词：小波包分解；粒子群优化算法；卷积神经网络；长短期记忆网络；碳排放预测

中图分类号：TP391文献标识码：A

CarbonEmissionPredictionModelforPowerIndustryBasedon

WaveletPacketDenoisingandDeepLearning

1，2，34，561，2，3

ZENGYiming，CAOShanshan，KONGFantao，GulimilaKEZIERBIEKE

（1.CollegeofComputerandInformationEngineering，XinjiangAgriculturalUniversity，Urumqi830052，China；

2.EngineeringResearchCenterofIntelligentAgricultureMinistryofEducation，Urumqi830052，China；

3.XinjiangAgriculturalInformationEngineeringTechnologyResearchCenter，Urumqi830052，China；

4.AgriculturalInformationInstituteofCAAS，Beijing100081，China；

5.NationalAgricultureScienceDataCenter，Beijing100081，China；

6.InstituteofAgriculturalEconomicsandDevelopment，ChineseAcademyofAgriculturalSciences，Beijing100081，China）

Abstract：Aimingattheproblem