【技術實現步驟摘要】
本專利技術涉及碳排放預測，尤其涉及考慮驅動因素波動的碳排放集成預測方法、設備及介質。
技術介紹
1、現有的碳排放預測方法可分為數學統計方法、人工智能方法和混合方法三種類型。數學統計方法如回歸方法、灰色模型等，是早期預測碳排放的主要工具，此類方法核心是建立多個碳排放影響因素與碳排放之間的關系函數。人工智能方法借助大數據和智能模型，如支持向量機svm模型、梯度提升決策樹模型等淺層智能模型和反向傳播模型、極限學習機、長短期記憶網絡lstm等深度神經網絡模型。機器學習模型的預測準確性通常通過優化算法進行參數調整來提升，如常見的粒子群算法、遺傳算法等結合機器學習模型的混合預測方法。
2、
3、在實際應用中，預測碳排放量一般采用基于單變量的時間序列預測方法和基于多變量的影響因素預測方法兩種。時間序列預測方法可探究碳排放的自相關特征，減少了模型假設和多因素選擇引起的預測不確定性。影響因素預測方法則可研究碳排放與能源結構等其他因素的相關性。然而，單變量方法僅依賴于過去和當前的觀測時間序列數據，無法考慮相關因素，導致預測結果不佳。多變量方法的影響因素難以預測，由于數據集的多樣性，沒有單一模型能在所有情況下都優于其他模型，基于情景設置的不同地區適用的預測模型不同，易產生誤差累積，都影響預測的準確性和穩定性。
技術實現思路
1、本專利技術提供考慮驅動因素波動的碳排放集成預測方法、設備及介質，以解決現有的基于單變量時間序列預測或基于多變量的影響因素預測方法預測準確率不高，預測結果片
2、本專利技術通過下述技術方案實現：
3、本專利技術的第一方面，提供了一種考慮驅動因素波動的碳排放集成預測方法，包括：
4、基于時間序列模型和多因素模型建立碳排放量的集成預測模型；
5、采用蒙特卡洛法對影響碳排放量的驅動因素進行動態情景模擬，得到所述驅動因素的波動范圍；
6、在所述波動范圍內對所述驅動因素進行隨機抽樣，得到多組抽樣結果；
7、將多組抽樣結果分別輸入所述集成預測模型進行預測，得到對應于各組抽樣結果的碳排放量預測結果；
8、基于所述碳排放量預測結果的置信區間得到預測的碳排放區間。
9、本專利技術使用集成方法構建碳排放預測模型，以時間序列預測模型和多因素預測模型作為集成預測模型的子模型，利用各類子模型對不同信息的提取能力，構建了一種集成時間序列模型和多因素模型的人工智能模型用于碳排放預測，通過該模型提高了預測準確率和穩定性。并通過蒙特卡洛模擬考慮了未來碳排放影響因素的不確定性，實現了動態情景下的區域自下而上的碳排放峰值和達峰時間預測，有效解決了以往研究中使用經濟計量模型和靜態情景分析所面臨的預測準確率不高和結果片面的問題。進而通過本專利技術的預測結果可為區域提出最優發展路徑，為碳減排政策制定提供相應依據和指導。
10、進一步地，所述驅動因素包括人口因素、經濟因素、工業因素、能源因素、貿易因素和電力因素；所述人口因素包括人口數量，所述經濟因素包括gdp，所述工業因素包括第二產業占比，所述能源因素包括能量強度，所述貿易因素包括進出口產品總值，所述電力因素包括用電量和電氣化率。
11、進一步地，所述基于時間序列模型和多因素模型建立碳排放量的集成預測模型，包括：
12、獲取歷史碳排放數據，并按照時間線分為訓練集、測試集和驗證集；
13、通過所述訓練集分別對多種候選時間序列模型和多種候選多因素模型進行訓練；
14、將所述測試集輸入訓練后的候選時間序列模型和候選多因素模型進行預測，根據預測結果計算模型性能評價指標，根據模型性能評價指標選擇最佳時間序列模型和最佳多因素模型；
15、利用誤差反演方法在所述測試集上分別計算所述最佳時間序列模型和最佳多因素模型的集成權重，根據所述集成權重集成所述最佳時間序列模型和最佳多因素模型，得到集成預測模型，所述驗證集用于驗證所述集成預測模型的準確性和穩定性。
16、進一步地，所述時間序列模型包括卷積神經網絡cnn、分數階灰色預測模型fagm(1,1)和長短期記憶網絡lstm；所述多因素模型包括遺傳算法優化神經網絡ga-bp、粒子群優化長短期記憶網絡pso-lstm和粒子群算法優化支持向量機pso-svm。
17、進一步地，所述最佳時間序列模型為卷積神經網絡cnn，所述最佳多因素模型為遺傳算法優化神經網絡ga-bp。
18、進一步地，所述利用誤差反演方法在所述測試集上分別計算所述最佳時間序列模型和最佳多因素模型的集成權重的計算表達式為：
19、
20、其中，wt表示模型t的集成權重，t＝1表示最佳時間序列模型，t＝1表示最佳多因素模型，mapet表示模型t的負向指標，負向指標根據模型對測試集的預測結果計算得到，用于衡量模型預測值與實際值的偏離大小；
21、所述集成預測模型的輸出表達式為：
22、ce＝w1cep1+w2cep2；
23、其中，ce表示集成預測模型的碳排放量預測結果，w1表示最佳時間序列模型的集成權重，cep1表示最佳時間序列模型的碳排放量預測結果，w2表示最佳多因素模型的集成權重，cep2表示最佳多因素模型的碳排放量預測結果。
24、進一步地，所述模型性能評價指標為：
25、
26、其中，weii表示候選模型i的綜合性能評價指標，r2i、mapei、kgei、u1i分別表示候選模型i的四個性能評價指標值；
27、r2為正向指標，表示模型擬合優度，數值越接近1，模型解釋程度越高，計算為：
28、
29、其中，yk表示樣本k的預測值，表示樣本k的實際值，n表示樣本數量，表示yk的平均值；
30、mape為負向指標，使用百分率來衡量模型預測值與實際值的偏離大小，計算為：
31、
32、其中，yk表示樣本k的預測值，表示樣本k的實際值，n表示樣本數量；
33、kge為考慮了相關性、變異性和偏差的正向評價指標，其值接近于1，模型性能越好，計算為：
34、
35、其中，ρ是預測值與實際值之間的相關系數，α是預測值相對于實際值的變異性比率，β表示平均預測值與平均實際值之間的偏差比率；
36、u1為負向指標，值越接近0，預測性能越好，計算為：
37、
38、其中，yk表示樣本k的預測值，表示樣本k的實際值，n表示樣本數量。
39、進一步地，所述采用蒙特卡洛法對影響碳排放量的驅動因素進行動態情景模擬，得到所述驅動因素的波動范圍，包括：
40、按照時間順序將待預測的年份劃分為多個預測階段，假設所述驅動因素在每個預測階段中的年均增長率不變；
41、采用三角分布描述增長率的變動范圍，定義三角分布的三個關鍵參數分別為最低增長率、最高增長率本文檔來自技高網...
【技術保護點】
1.考慮驅動因素波動的碳排放集成預測方法，其特征在于，包括：
2.根據權利要求1所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述驅動因素包括人口因素、經濟因素、工業因素、能源因素、貿易因素和電力因素；所述人口因素包括人口數量，所述經濟因素包括GDP，所述工業因素包括第二產業占比，所述能源因素包括能量強度，所述貿易因素包括進出口產品總值，所述電力因素包括用電量和電氣化率。
3.根據權利要求1所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述基于時間序列模型和多因素模型建立碳排放量的集成預測模型，包括：
4.根據權利要求3所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述時間序列模型包括卷積神經網絡CNN、分數階灰色預測模型FAGM(1,1)和長短期記憶網絡LSTM；所述多因素模型包括遺傳算法優化神經網絡GA-BP、粒子群優化長短期記憶網絡PSO-LSTM和粒子群算法優化支持向量機PSO-SVM。
5.根據權利要求4所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述最佳時間序列模型為卷積神經網絡
6.根據權利要求3所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述利用誤差反演方法在所述測試集上分別計算所述最佳時間序列模型和最佳多因素模型的集成權重的計算表達式為：
7.根據權利要求3所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述模型性能評價指標為：
8.根據權利要求1所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述采用蒙特卡洛法對影響碳排放量的驅動因素進行動態情景模擬，得到所述驅動因素的波動范圍，包括：
9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1-8中任意一項所述的考慮驅動因素波動的碳排放集成預測方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現1-8中任意一項所述的考慮驅動因素波動的碳排放集成預測方法。
...【技術特征摘要】
1.考慮驅動因素波動的碳排放集成預測方法，其特征在于，包括：
2.根據權利要求1所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述驅動因素包括人口因素、經濟因素、工業因素、能源因素、貿易因素和電力因素；所述人口因素包括人口數量，所述經濟因素包括gdp，所述工業因素包括第二產業占比，所述能源因素包括能量強度，所述貿易因素包括進出口產品總值，所述電力因素包括用電量和電氣化率。
3.根據權利要求1所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述基于時間序列模型和多因素模型建立碳排放量的集成預測模型，包括：
4.根據權利要求3所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述時間序列模型包括卷積神經網絡cnn、分數階灰色預測模型fagm(1,1)和長短期記憶網絡lstm；所述多因素模型包括遺傳算法優化神經網絡ga-bp、粒子群優化長短期記憶網絡pso-lstm和粒子群算法優化支持向量機pso-svm。
5.根據權利要求4所述的考慮驅動因素波動的碳排放集成預測方法，其特征在于，所述最...
【專利技術屬性】
技術研發人員：魏陽，滕予非，唐偉，張涵，劉洪利，劉雪原，陳玉敏，張藝繽，靳旦，
申請(專利權)人：國網四川省電力公司電力科學研究院，
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。