基于人工智能的碳排放预测模型的构建方法

1.基于人工智能的碳排放预测模型的构建方法，其特征在于，包括以下步骤：A采集企业生产数据进行预处理获得时序数据，所述企业生产数据包括碳排放数据、设备运行数据、能耗数据及产量数据；B基于时序数据使用滑动窗口分割获得样本数据，计算样本数据的衍生特征，将时序数据与衍生特征按窗口对齐，获得特征数据集，将特征数据集划分为训练集、验证集和测试集；C将训练集输入LSTM-注意力模型进行训练，生成时序预测模型，使用验证集输入时序预测模型，基于预测误差优化注意力层权重参数，根据训练集提取工艺参数和碳排放数据，并通过变分推断算法获得因果效应估计值，对工艺参数在现有取值基础上施加扰动，通过因果森林模型预测扰动前后的单位产品碳排放量，获得前后差值，重复扰动直至差值的平均变化率的标准差小于百分之一，获得边际效应系数，使用Shapley值分解方法遍历所有工艺参数组合，计算每个工艺参数加入参数组合时对碳排放预测值的边际贡献，基于工艺参数边际贡献的平均值获得Shapley值，根据Shapley值的大小筛选出工艺节点作为根节点，递归划分样本，使每个叶节点对应工艺参数组合下的单位产品碳排放量均值，从根节点到每个叶节点的分裂条件串联成决策路径，构建因果树模型，基于因果树模型和因果效应估计值获得工艺参数边际效应系数；D根据时序预测模型输出的碳排放趋势预测结果和因果树模型输出的工艺参数边际效应系数，基于双层优化融合策略通过加权融合构建碳排放预测模型，输出可视化结果，使用测试集通过均方根误差优化碳排放预测模型。 2.根据权利要求1所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，所述采集企业生产数据进行预处理获得时序数据的方法，包括：企业生产数据包括碳排放数据、设备运行数据、能耗数据及产量数据，使用工业物联网传感器实时采集企业生产设备的设备型号、运行状态、工艺参数并关联产品批次与产量，采集生产环节设备能耗数据、碳排放数据和碳排放标准，根据设备类型和碳排放标准获得设备碳排放因子，形成带时间戳的原始数据集，对原始数据集进行清洗，基于批次号和时间戳合并重复记录，以15分钟为固定间隔，生成时间轴，对原始数据集中的高频数据按时间轴进行聚合采样，将低频数据关联到时间轴上最近的时间点；若某时间点无对应低频数据，则使用邻近值填充，获得时序数据。 3.根据权利要求1所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，所述将时序数据与衍生特征按窗口对齐，获得特征数据集的方法，包括：基于时序数据的采样间隔，设定滑动窗口大小为30个采样间隔，基于采样间隔依次移动窗口将时序数据切割为固定样本长度，为每个样本窗口顺序生成标识，针对每个样本窗口，计算衍生特征；基于碳排放标准和碳排放因子筛选出样本中与碳排放预测直接关联的关联字段，计算剩余字段与碳排放数据的皮尔逊相关系数，保留相关系数绝对值大于30％的间接关联字段，将关联字段和间接关联字段作为样本的基础字段，基于基础字段抽取样本数据获得原始时序特征；将原始时序特征与衍生特征按样本窗口标识对齐后合并至同一数据表格，每一行代表一个样本，每一列代表样本的基础字段，获得特征数据集。 4.根据权利要求3所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，所述针对每个样本窗口，计算衍生特征的方法，包括：基于时序数据使用滑动窗口分割获得样本数据，根据样本数据的设备运行状态，获取实际运行时间，结合产品批次确定计划生产时间，将设备实际运行时间除以计划生产时间获得时间稼动率；根据设备运行状态、实际运行时间和产量确定实际生产速度，基于设备型号获得理论生产速度，将设备实际生产速度除以理论生产速度获得性能稼动率；基于产品批次统计良品数并除以产量获得良品率，计算良品率、时间稼动率和性能稼动率的乘积获得设备综合效率；使用能耗数据除以产量获得单位产品能耗，将单位产品能耗乘以碳排放因子获得单位产品碳排放量。 5.根据权利要求1所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，所述将特征数据集划分为训练集、验证集、测试集的方法，包括：对特征数据集进行噪声优化和层次划分；所述噪声优化包括计算特征数据集中时序数据的均值和方差，将时序数据均s值作为高斯分布噪声的均值，选取原始时序数据方差的27％，作为高斯分布噪声的方差，基于时序数据通过公式X′＝X+∈·N(0,σ 2 )叠加高斯分布噪声，其中X′表示增强后的时序数据，X表示时序数据，∈表示强度系数，N(0,σ 2 )表示概率分布；根据生产班次划分数据层次，针对每个层次，均按照7:2:1的比例生成训练集、验证集、测试集。 6.根据权利要求1所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，所述将训练集输入LSTM-注意力模型进行训练，生成时序预测模型的方法，包括：将训练集转换为三维张量，所述三维张量包括样本数、时间步长和特征数，基于训练集的碳排放数据设置碳排放目标值作为输出数据，对三维张量和碳排放目标值进行最大最小归一化，将归一化后的三维张量作为LSTM-注意力模型的输入数据；堆叠两层双向LSTM单元，提取输入数据中每个时间步的基础数据，通过正弦函数为输入数据中每个时间步生成位置编码，将位置编码与基础数据逐元素相加，将融合位置编码的时间步序列输入双向LSTM进行处理，获得包含各时间步特征信息的隐藏状态序列，计算所述隐藏状态序列的注意力权重矩阵，所述注意力权重矩阵的公式为：其中β n,τ,τ′ 为第n个样本中，时间步τ对τ′的注意力权重，Query n,τ 为第n个样本、时间步τ的查询向量，Key n,τ 为第n个样本、时间步τ的键向量，PosBias τ,τ′ 为时间步时间步τ对τ′的位置偏差，d k 缩放因子对应的维度，k为Key的缩写，T为总时间步数，τ和τ′是时间步索引，τ″是求和中的时间步索引；基于注意力权重矩阵对隐藏状态序列的关键时间步进行加权获得注意力输出，将注意力输出通过线性激活函数进行映射转换，获得1维碳排放预测值，构建时序预测模型；将验证集转化位三维张量并归一化后输入时序预测模型，获得验证集预测结果与碳排放目标值的平均绝对误差，基于误差执行反向传播算法，推导注意力权重矩阵中各参数的梯度，根据梯度方向与大小调整时间步权重参数。 7.根据权利要求1所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，获得所述因果效应估计值的方法，包括：基于训练集数据表提取每列的工艺参数和单位产品碳排放量作为样本特征，提取每行数据作为样本，构建决策树，对决策树进行迭代，每次决策树迭代随机选取样本总数的67％作为当次样本，对当次迭代的样本特征总数开方获得特征数量；对工艺参数通过分裂算法遍历其取值范围，将实际取值范围和相邻取值的中间值纳入候选阈值列表，将当次样本按候选阈值划分为处理组和对照组，基于处理组与对照组通过变分推断算法获得因果效应强度的分布参数和回归系数，所述变分推断算法公式为：其中 衡量变分分布对真实后验的近似程度与数据拟合度，m为样本索引，x m 为第m个样本的工艺参数数据，t m 为第m个样本的处理变量，y m 为第m个样本的碳排放结果，k m 为第m个样本的隐变量， 为变分分布的数学期望，f(x m ,t m |k m )表示工艺参数与处理变量的联合分布，f(y m |t m ,k m )表示碳排放结果的条件分布，r(k m |x m ,t m ,y m )表示变分分布；根据两组碳排放量的均值差，使用回归系数校准均值差，使用回归系数和均值差的乘积获得候选阈值的因果效应强度，对比候选阈值的因果效应强度，选择使处理组与对照组碳排放量差异最大化的阈值进行节点分裂，单颗决策树训练完成后，对所有决策树的预测值进行算术平均，获得因果效应估计值。 8.根据权利要求1所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，所述基于双层优化融合策略通过加权融合构建碳排放预测模型的方法，包括：基于时序预测模型输出碳排放趋势预测结果，使用因果树模型输出工艺参数边际效应系数通过双层优化融合策略设计多目标优化函数，使用序列最小二乘法对多目标优化函数求解，得到时序预测结果的权重和因果树模型结果的权重，将时序预测结果与因果树模型的工艺参数影响根据权重相加，获得碳排放预测值，构建碳排放预测模型，所述多目标优化函数公式为：其中n为样本总数， 为第i个样本的预测值， 第i个样本的真实值，m为工艺参数数量，β j 为第j个工艺参数的边际效应系数，α用于权衡预测精度与因果稳定性的权重，ω 1 ,ω 2 为时序预测结果的权重和因果树模型结果的权重；使用碳排放预测模型输出可视化预测图表，基于测试集通过均方根误差优化碳排放预测模型。 9.基于人工智能的碳排放预测模型的系统，用以执行权利要求1～8任一项所述的基于人工智能的碳排放预测模型的构建方法，其特征在于，所述系统，包括：数据采集模型，采集企业生产数据进行预处理获得时序数据，所述企业生产数据包括碳排放数据、设备运行数据、能耗数据及产量数据；数据处理模块，基于时序数据使用滑动窗口分割获得样本数据，计算样本数据的衍生特征，将时序数据与衍生特征按窗口对齐，获得特征数据集，将特征数据集划分为训练集、验证集和测试集；模型训练模块，将训练集输入LSTM-注意力模型进行训练，生成时序预测模型，使用验证集输入时序预测模型，基于预测误差优化注意力层权重参数，根据训练集提取工艺参数和碳排放数据，并通过变分推断算法获得因果效应估计值，对工艺参数在现有取值基础上施加扰动，通过因果森林模型预测扰动前后的单位产品碳排放量，获得前后差值，重复扰动直至差值的平均变化率的标准差小于百分之一，获得边际效应系数，使用Shapley值分解方法遍历所有工艺参数组合，计算每个工艺参数加入参数组合时对碳排放预测值的边际贡献，基于工艺参数边际贡献的平均值获得Shapley值，根据Shapley值的大小筛选出工艺节点作为根节点，递归划分样本，使每个叶节点对应工艺参数组合下的单位产品碳排放量均值，从根节点到每个叶节点的分裂条件串联成决策路径，构建因果树模型，基于因果树模型和因果效应估计值获得工艺参数边际效应系数；模型构建模块，根据时序预测模型输出的碳排放趋势预测结果和因果树模型输出的工艺参数边际效应系数，基于双层优化融合策略通过加权融合构建碳排放预测模型，输出可视化预测结果，使用测试集通过均方根误差优化碳排放预测模型。