CN117521912A - 一种碳排放测算模型及对比评价方法及其应用 - Google Patents
一种碳排放测算模型及对比评价方法及其应用 Download PDFInfo
- Publication number
- CN117521912A CN117521912A CN202311576821.5A CN202311576821A CN117521912A CN 117521912 A CN117521912 A CN 117521912A CN 202311576821 A CN202311576821 A CN 202311576821A CN 117521912 A CN117521912 A CN 117521912A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- model
- comparison
- influence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 148
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 148
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000013210 evaluation model Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 21
- 238000005265 energy consumption Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 241000084490 Esenbeckia delta Species 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims 7
- 238000003860 storage Methods 0.000 claims 3
- 238000005457 optimization Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 229910000831 Steel Inorganic materials 0.000 description 15
- 239000010959 steel Substances 0.000 description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000005245 sintering Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 101100458287 Saguinus oedipus MSPE gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种碳排放测算模型及对比评价方法，包括构建灰色关联分析GRA模型提取主要碳排放影响因素：计算碳排放影响因素对碳排放的影响程度值，将影响程度值进行排序，分析并提取主要碳排放影响因素；构建IRE‑SVM算法对碳排放数据进行预测，结合筛选出的主要碳排放影响因素，优化IRE‑SVM算法并引入偏置误差控制项，以获得无偏估计降低预测误差，通过对碳排放数据进行机器学习，从而生成碳排放预测数据；利用碳排放因子法，得出年度碳排放量测算数据；根据对比测算结果和实际结果的评价指标，构建评价模型，建立结果对比模块，对比评价年度碳排放量预测结果与实际结果，验证IRE‑SVM算法模块的有效性。
Description
技术领域
本发明涉及一种评价方法，尤其是涉及一种碳排放测算模型及对比评价方法及其应用。
背景技术
传统的基于集成学习思想的支持向量机算法(RE-SVM)的缺点：对噪声和异常值敏感性较高、鲁棒性较弱、泛化能力有限的问题，如现有技术：基于EMD-SVR的PM2.5浓度预测模型方法研究(孙真真，燕山大学，2020.)，该方法针对PM2.5浓度数据的非线性问题，利用EMD算法将其分解为相对平稳的分量序列；利用SVR算法对分量序列进行预测；将分量序列预测值相加求和，得出PM2.5浓度预测值。
灰色关联模型关联序结果的稳定性检验方法及应用(杨绍闻，党耀国，王俊杰等.[J].控制与决策，2023，38(06)：1679-1686.D0l：10.13195/j.kzyjc.2022.0536.)，该方法以序列间对应观测点的数值差异作为构造序列间量级大小变化的最简单元，用以表征和定义序列间的相近性灰色关联度，引入信息熵的基本思想，基于序列间量级大小变化的最简单元构建信息灰熵作为相近性视角下序列间关系稳定程度的度量标准；然后，通过将研究对象的行为序列平均划分为不同阶段来计算在不同阶段变化下序列间相近性灰色关联度的变动值，以动态关联数值与信息灰熵共同构造相近性灰色关联模型的稳定性检验系数，通过比较检验系数大小最终确定模型间结果的稳定程度。
基于支持向量回归机的中国碳排放预测模型(宋杰鲲.[J].中国石油大学学报(自然科学版)，2012，36(01)：182-187.)，该模型以1980-2009年碳排放及影响因素数据为样本，通过训练、测试得到具有良好学习与推广能力的支持向量回归机模型。结合国家规划，设置不同情境下影响因素预测值，对2010-2015年中国碳排放进行预测。
发明内容
为了解决现有技术中存在的缺陷，本发明公开一种碳排放测算模型及对比评价方法，其技术方案如下：
一种碳排放测算模型及对比评价方法，其特征为：
步骤1：构建灰色关联分析GRA模型提取主要碳排放影响因素：利用该模型计算电力消费数据、能源数据和经济数据碳排放影响因素对碳排放的影响程度值，将影响程度值进行排序，分析并提取主要碳排放影响因素；
步骤2：构建IRE-SVM算法对碳排放数据进行预测，结合筛选出的主要碳排放影响因素，优化IRE-SVM算法并引入偏置误差控制项，以获得无偏估计降低预测误差，通过对碳排放数据进行机器学习，从而生成能源消耗、电力、产品三个维度的碳排放预测数据；
步骤3：对各行业的碳排放量能源消耗、产品数据进行采集分析，搜集调研不同行业生产中能源消耗和产品的碳排放系数，利用碳排放因子法，得出年度碳排放量测算数据；
步骤4：根据对比测算结果和实际结果的评价指标，构建评价模型，建立结果对比模块，对比评价年度碳排放量预测结果与实际结果，验证IRE-SVM算法模块的有效性。
有益效
1.合理选取碳排放影响因素：构建灰色关联分析(GRA)模型提取主要碳排放影响因素特征，利用该模型计算电力消费数据、能源数据和经济数据等影响因素对碳排放的影响程度值，将影响程度值进行排序，分析并提取主要影响因素。
2.碳排放量预测结果误差降低：在原有的RE-SVM算法进行改进，在其目标函数中引入了一个偏置误差控制项，以获得无偏估计，降低样本目标值和预测值之间的相对误差，解决碳排放量预测结果数据误差较大的问题。
3.基于碳排放计算模块计算年碳排放量：充分考虑了各行业碳排放活动过程中的能源消耗、以及产品等维度，结合不同行业生产中能源消耗和产品的碳排放系数，计算年度碳排放量测算数据，使得碳排放测算数据结果更准确。
4.基于对比模块评价预测结果：建立了一个包含了回归决定系数、平均绝对误差等数学指标的评价模型。形成适用于碳排放量预测结果评价的对比模块，有助于对碳排放量预测结果的对比和校核，保证I RE-SVM算法的有效性。
附图说明
图1为全本发明碳排放测算框架示意图；
图2为钢铁行业工艺流程示意图；
图3为钢铁行业测算步骤流程图。
具体实施方式
一种碳排放测算模型及对比评价方法，包括如下步骤：
步骤1：构建灰色关联分析(GRA)模型提取主要碳排放影响因素特征；利用该模型计算电力消费数据、能源数据和经济数据影响因素特征对碳排放的影响程度值，将影响程度值进行排序，分析并提取主要影响因素；
GRA模型是一种多因素统计分析模型，能够较为真实和全面的反映出某个事物受其影响因素的影响的相对强弱情况，模型通过对每种变量之间的发展变化趋势进行比较来实现的，两种变量之间如果关联程度高，则两者之间的发展变化趋势具有较高的一致性；相反，如果两者之间关联程度低，那么他们之间发展变化趋势一致性较低。由此，GRA模型以两种变量之间发展趋势的相似程度或两者之间的不同程度为准则，作为衡量两者之间关联程度的一种数学计算模型。
采用GRA模型计算碳排放与每种影响因素之间的影响程度，并将所有影响因素之间的影响程度进行排序，提取主要影响因素作为下一步预测模型的输入变量，GAR模型建模具体步骤如下：
(1)确定模型的输入特征矩阵。将碳排放浓度日均值作为该模型的参考序列X0＝{x0(1)，x0(2)...x0(k)}，其中，i＝1，2，…k代表天数；将特征选择模型确定的影响因素输入特征作为比较序列Xi＝{xi(1)，xi(2)...xi(k)}，。将参考序列和比较序列组合形成的特征矩阵如式(1)所示。
(2)模型输入特征矩阵进行数据无量纲化处理。由于所需选取的碳排放影响因素的数据量纲和数据级不同，不能将其数据直接应用于方法研究中。需要对参考序列和比较序列进行无量纲化处理。采用最大-最小标准化模型进行无量纲化处理，计算出的数据范围在[0，1]之间，便于数据间的更直观比较，计算公式如式(2)所示。
式(2)中，Xnorm表示标准化之后参考序列和比较序列的数据；Xmin表示参考序列和比较序列原始数据中的最小值；Xmax表示参考序列和比较序列原始数据中的最大值；X表示参考序列和比较序列中被标准化的原始数据。
(3)计算碳排放和影响因素之间的灰色关联系数。计算公式如式(3)所示。
式(3)中，x0(k)表示无量纲化的碳排放数据序列集中的子集；xi(k)表示特征提取模型中确定的影响因素指标集的子集；Δi(k)表示参考序列和比较序列差的绝对值，即Δi(k)＝|x0(k)-xi(k)|；ρ表示灰色关联度系数，一般取值为0.5。
(4)计算碳排放和影响因素之间的灰色关联度值。灰色关联度计算公式如式(4)所示。
(5)提取影响碳排放浓度变化的主要因素特征。依据(4)中计算得到的碳排放浓度值与各影响因素间的灰色关联度值，分析每种影响对碳排放浓度的影响程度大小，并将计算出的灰色关联度值进行排序，并依据排序结果，提取出影响碳排放浓度变化的主要因素特征，用来作为下一步预测模型的部分输入变量。碳排放影响因素指导致二氧化碳(CO２)和其他温室气体释放到大气中的各种因素和活动。通过查阅相关文献，结合实际生产情况，初步筛选出包括各种电力消费数据、能源数据和经济数据等潜在的碳排放影响因素，作为灰色关联分析模型的输入，筛选出最终的碳排放影响因素。
步骤2：构建IRE-SVM(基于偏差控制和正则表达式的支持向量机预测算法)算法对碳排放数据进行预测，结合筛选出的碳排放影响因素，优化IRE-SVM算法并引入偏置误差控制项，以获得无偏估计降低预测误差，通过对碳排放数据进行机器学习，从而生成能源消耗、电力、产品三个维度的碳排放预测数据；
在传统的SVM中，数据被映射到一个高维的特征空间，以便在该空间中找到一个最佳的超平面，以最大程度地分离不同类别的数据点。然而，这种高维映射可能会导致计算复杂性增加，尤其是当特征空间非常大时。RE-SVM采用了一种不同的方法，它引入了随机嵌入，将数据点随机映射到一个低维的特征空间。这有助于减少计算复杂性，同时保持了SVM的性能。具体来说，RE-SVM使用随机投影或其他随机嵌入技术来将数据点映射到一个低维的特征空间，在影响因素选取的基础上，在该低维空间中执行SVM预测，加快训练速度。
给定一个m个输入的单输出数据集，带有N个样本 RE-SVM的目标函数表示为：
其中C＞0是一个正则化参数，ei为第i个样本的目标值与预测值之间的相对误差。样品yi是大于0的实数，w和b分别是权向量和偏差项，wT是转置的w，φ(·)是映射函数。为了简化目标函数，将拉格朗日函数应用于式(1)，得到式(2)：
其中a是拉格朗日乘数。为了求解拉格朗日函数，使用Karush-Kuhn-Tucker(KKT)条件，其中偏导数如下：
用在等式中得到的线性方程式(7)，其矩阵解可以表示为：
其中1＝[1；1；……；1]是一个单位向量，I＝diag(1；1；……；1)是一个对角线矩阵，Ωij＝φ(xi)φ(xj)＝K(xi，xj)，和K(xi，xj)是一个核函数。最后，将参数a和b通过等式中的矩阵反演得到(4)，预测模型f(x)＝wTx+b可表示为：
(2)IRE-SVM
为了获得一个无偏的估计，使用在RE-SVM的目标函数中得到一个无偏估计。给定一个数据集有N个m输入的数据，一个输出的数据对/>目标函数IRE-SVM可以表示为：
其中，Y为偏差误差控制项的惩罚参数，C＞0为正则化参数，ei是第i个样本目标值和预测值之间的相对误差，φ(.)是一个映射输入空间的映射函数，权值向量w和偏置项b是预测模型的参数。
预测模型g(x)给出如下：
g(x)＝wφ(x)+b (11)
利用拉格朗日函数来简化目标函数：
α＝[α1；α2；……αn]是拉格朗日乘子的向量。为了得到拉格朗日函数的鞍点，将部分推导和KKT条件应用于等式(12)，可表示为：
用在等式中得到的线性方程式(13)，参数α和参数b的矩阵解可以表示为：
y＝[y1；y２；…；yN]T是一个输出向量，1＝[1；1；…；1]是一个单位向量，I＝diag(1；1；…；1)是一个对角线矩阵，和Ωij＝φ(xi)φ(xj)。
根据Mercer定理，可以简化φ(xi)φ(xj)的计算使用核函数K(xi；xj)如下：
K(xi，xj)＝φ(xi)φ(xj) (15)
提出的方法采用了RBF内核：
其中σ是内核带宽。参数α和b可以通过等式中的矩阵反演得到(14)，在预测模型g(x)中使用
步骤3：对各行业的碳排放量能源消耗、产品数据进行采集分析，搜集调研不同行业生产中能源消耗和产品的碳排放系数，利用碳排放因子法，得出年度碳排放量测算数据；
碳排放量计算模块：
根据IPCC指南公式：
E1＝∑ADi×EFi (18)
其中，E1为行业生产中所有能源消耗和产品导致的碳排放总量；ADi为行业生产中第i种能源消耗和产品的总量；EFi为行业生产中第i种能源消耗和产品的碳排放系数，以第i种能源单位热值含碳量进行折算，可得如表2所示的各种能源碳排放系数。
步骤4：根据对比测算结果和实际结果的评价指标，构建评价模型，建立结果对比模块，对比评价年度碳排放量预测结果与实际结果，验证IRE-SVM算法模块的有效性：
为了验证IRE-SVM算法模块的有效性，需要构建模型预测结果进行评价。常见的模型评价指标包括：回归决定系数(R2)平均绝对误差(MAE)、平均相对误差(MAPE)、均方根误差(RMSE)、均方相对误差(MSPE)，本专利选取回归决定系数(R2)和平均相对误差(MAPE)两个指标进行预测结果的评价，各指标的计算公式如下：
式中：yi——实际行业碳排放量
——预测行业碳排放量
n——需要评价的总预测天数。
利用以下公式计算预测结果的综合分数：
当R2≥0.8且MAPE≤0.1时，认为碳排放水平预测结果与实际结果相差不大，预测模型表现出了较好的预测精度。
实施例
钢铁行业是碳排放量较高的行业，因为其生产过程需要高温，并使用大量煤炭和焦炭等碳基燃料。测算钢铁行业的碳排放量可以根据钢铁厂的年度生产量和能源原料消耗量来计算。钢铁联合企业生产流程包括炼焦、烧结、炼铁、炼钢、轧钢5个环节，具体如上图所示。烧结工序涉及设备为带式烧结机和步进式烧结机，球团工序的设备分为竖炉和回转窑，炼铁借助高炉，炼钢设备则分为电炉和转炉。钢铁行业通过消耗能源与电力生产烧结矿、球团矿等产品。钢铁行业碳排放的范围包括钢铁生产过程中的能源消耗和原材料消耗以及工厂使用的电力等。在进行钢铁行业碳排放测算前需要收集钢铁生产厂的燃料消耗、电力消耗、原材料消耗、产品产量等数据。这些数据可以通过现场监测、能耗数据统计、设备和工艺流程分析等方式来获得。以全行业碳排放测算框架为基础，钢铁行业碳排放测算步骤如图3所示。
步骤一：收集2015年-2020年影响钢铁行业碳排放量的影响因素数据，利用GRA模型计算各影响因素对碳排放的影响程度值，将影响程度值进行排序，分析并提取主要影响因素，作为下一步预测模型的输入变量。
步骤二：将筛选出的影响因素数据及碳排放数据输入至I RE-SVM算法模块进行碳排放水平的预测；
步骤三：预测模型输出2021-2022年钢铁行业年度碳排放水平数据；
步骤四：收集能源原料消耗(除电力)，电力和产品的碳排放因子，将数据输入碳排放量计算模块，运用碳排放因子法进行碳排放量测算；
步骤五：将步骤三得到的碳排放水平预测数据与步骤四得到的碳排放水平实际计算数据输入结果对比模块，验证数据准确性。
本发明提出的I RE-SVM模型在RE-SVM模型中引入了一个偏置误差控制项，以获得无偏估计。偏置误差控制项的引入可以减小因为个别噪声或异常值而引起的模型偏差，提高算法对于数据集中的噪声的鲁棒性；同时可以防止模型过度拟合训练数据，使其更加关注数据的整体特征和分布，从而提高模型在未见过数据上的预测性能。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种碳排放测算模型及对比评价方法，其特征为：
步骤1：构建灰色关联分析GRA模型提取主要碳排放影响因素：利用该模型计算电力消费数据、能源数据和经济数据碳排放影响因素对碳排放的影响程度值，将影响程度值进行排序，分析并提取主要碳排放影响因素；
步骤2：构建IRE-SVM算法对碳排放数据进行预测，结合筛选出的主要碳排放影响因素，优化IRE-SVM算法并引入偏置误差控制项，以获得无偏估计降低预测误差，通过对碳排放数据进行机器学习，从而生成能源消耗、电力、产品三个维度的碳排放预测数据；
步骤3：对各行业的碳排放量能源消耗、产品数据进行采集分析，搜集调研不同行业生产中能源消耗和产品的碳排放系数，利用碳排放因子法，得出年度碳排放量测算数据；
步骤4：根据对比测算结果和实际结果的评价指标，构建评价模型，建立结果对比模块，对比评价年度碳排放量预测结果与实际结果，验证IRE-SVM算法模块的有效性。
2.根据权利要求1所述的碳排放测算模型及对比评价方法，其特征为，所述步骤1进一步包括如下内容：
采用GRA模型计算碳排放与每种影响因素之间的影响程度，并将所有影响因素之间的影响程度进行排序，提取主要影响因素作为下一步预测模型的输入变量，GAR模型建模具体步骤如下：
(1)确定模型的输入特征矩阵：将碳排放浓度日均值作为该模型的参考序列X0＝{x0(1)，x0(2)...x0(k)}，其中，i＝1，2，…k代表天数；将特征选择模型确定的影响因素输入特征作为比较序列Xi＝{xi(1)，xi(2)...xi(k)}；将参考序列和比较序列组合形成的特征矩阵如式(1)所示：
(2)模型输入特征矩阵进行数据无量纲化处理：采用最大一最小标准化模型进行无量纲化处理，计算出的数据范围在[0，1]之间，便于数据间的更直观比较，计算公式如式(2)所示：
式(2)中，Xnorm表示标准化之后参考序列和比较序列的数据；Xmin表示参考序列和比较序列原始数据中的最小值；Xmax表示参考序列和比较序列原始数据中的最大值；X表示参考序列和比较序列中被标准化的原始数据；
(3)计算碳排放和影响因素之间的灰色关联系数：计算公式如式(3)所示，
式(3)中，x0(k)表示无量纲化的碳排放数据序列集中的子集；xi(k)表示特征提取模型中确定的影响因素指标集的子集；Δi(k)表示参考序列和比较序列差的绝对值，即Δi(k)＝|x0(k)-xi(k)|；ρ表示灰色关联度系数；
(4)计算碳排放和影响因素之间的灰色关联度值：灰色关联度计算公式如式(4)所示：
(5)提取影响碳排放浓度变化的主要因素特征：依据(4)中计算得到的碳排放水平值与各影响因素间的灰色关联度值，分析每种影响对碳排放浓度的影响程度大小，并将计算出的灰色关联度值按大小进行排序，并依据排序结果，提取出影响碳排放浓度变化的主要因素，用来作为下一步预测模型的部分输入变量。
3.根据权利要求1所述的碳排放测算模型及对比评价方法，其特征为，所述步骤1进一步包括如下内容：所述提取主要碳排放影响因素包括如下内容：各种电力消费数据、能源数据和经济数据潜在的碳排放影响因素，作为灰色关联分析模型的输入，筛选出最终的碳排放影响因素。
4.根据权利要求1所述的碳排放测算模型及对比评价方法，其特征为，所述步骤1进一步包括如下内容：将各影响因素与碳排放之间灰色关联度值按照大小进行排序。
5.根据权利要求1所述的碳排放测算模型及对比评价方法，其特征为，所述步骤2进一步包括如下内容：所述优化IRE-SVM算法具体优化过程如下：
为了获得一个无偏的估计，使用在RE-SVM的目标函数中得到一个无偏估计：给定一个数据集有N个m输入的数据，一个输出的数据对/>目标函数IRE-SVM可以表示为：
其中，Y为偏差误差控制项的惩罚参数，C＞0为正则化参数，ei是第i个样本目标值和预测值之间的相对误差，φ(.)是一个映射输入空间的映射函数，权值向量w和偏置项b是预测模型的参数；
预测模型g(x)给出如下：
g(x)＝wφ(x)+b (11)
利用拉格朗日函数来简化目标函数：
α＝[α1；α2；……αn]是拉格朗日乘子的向量；为了得到拉格朗日函数的鞍点，将部分推导和KKT条件应用于等式(12)，可表示为：
用在等式中得到的线性方程式(13)，参数α和参数b的矩阵解可以表示为：
y＝[y1；y２；…；yN]T是一个输出向量，1＝[1；1；…；1]是一个单位向量，I＝diag(1；1；…；1)是一个对角线矩阵，和Ωij＝φ(xi)φ(xj)；
根据Mercer定理，可以简化φ(xi)φ(xj)的计算使用核函数K(xi；xj)如下：
K(xi，xj)＝φ(xi)φ(xj) (15)
提出的方法采用了RBF内核：
其中σ是内核带宽；参数α和b通过等式中的矩阵反演得到(14)，在预测模型g(x)中使用
6.根据权利要求1所述的碳排放测算模型及对比评价方法，其特征为，所述步骤2进一步包括如下内容：对碳排放数据进行机器学习，从而生成能源消耗、电力、产品三个维度的碳排放预测数据：
将GRA模型筛选出的碳排放影响因素数据作为输入特征，将优化后的碳排放数据作为标签，并划分数据集为训练集和测试集，确保模型的泛化能力；使用数据集中的训练数据对IRE-SVM模型进行训练，以最小化预测数据与真实数据之间的误差为目标，模型通过反向传播算法调整权重，经过反复训练和迭代，使得预测生成的合成碳排放数据样本越来越接近真实数据样本。
7.根据权利要求1所述的碳排放测算模型及对比评价方法，其特征为，所述步骤3进一步包括如下内容：所述“碳排放因子法”具体内容如下：
根据IPCC指南公式，计算出碳排放的实际数据：
E1＝∑ADi×EFi (18)
其中，E1为行业生产中所有能源消耗和产品导致的碳排放总量；ADi为行业生产中第i种能源消耗和产品的总量；EFi为行业生产中第i种能源消耗和产品的碳排放系数，以第i种能源单位热值含碳量进行折算。
8.根据权利要求1所述的碳排放测算模型及对比评价方法，其特征为，所述结果对比模块具体内容如下：
为了验证IRE-SVM算法模块的有效性，需要构建模型预测结果进行评价；选取回归决定系数R2和平均相对误差MAPE两个指标进行预测结果的评价，各指标的计算公式如下：
式中：yi——实际行业碳排放量
—-预测行业碳排放量
n——需要评价的总预测天数；
利用以下公式计算预测结果的综合分数：
当R2≥0.8且MAPE≤0.1时，认为碳排放水平预测结果与实际结果相差不大，预测模型表现出了较好的预测精度。
9.一种非易失性存储介质，其特征为，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至8中任意一项所述的方法。
10.一种电子装置，其特征为，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311576821.5A CN117521912A (zh) | 2023-11-23 | 2023-11-23 | 一种碳排放测算模型及对比评价方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311576821.5A CN117521912A (zh) | 2023-11-23 | 2023-11-23 | 一种碳排放测算模型及对比评价方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117521912A true CN117521912A (zh) | 2024-02-06 |
Family
ID=89751015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311576821.5A Pending CN117521912A (zh) | 2023-11-23 | 2023-11-23 | 一种碳排放测算模型及对比评价方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117521912A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
-
2023
- 2023-11-23 CN CN202311576821.5A patent/CN117521912A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
| CN117787574B (zh) * | 2024-02-27 | 2024-05-07 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| CN101211383A (zh) | 一种高炉铁水硅含量的特征分析预报方法 | |
| Peng et al. | Intelligent management of coal stockpiles using improved grey spontaneous combustion forecasting models | |
| CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
| CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
| Mylonas et al. | Conditional variational autoencoders for probabilistic wind turbine blade fatigue estimation using Supervisory, Control, and Data Acquisition data | |
| CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
| CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
| Losi et al. | Gas Turbine Health State Prognostics by Means of Bayesian Hierarchical Models | |
| CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
| Ghiasi et al. | Reliable connectionist tools to determine biodiesel cetane number based on fatty acids methyl esters content | |
| CN113281229B (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
| Tan et al. | Data-driven battery electrode production process modeling enabled by machine learning | |
| Yang et al. | Just-in-time updating soft sensor model of endpoint carbon content and temperature in BOF steelmaking based on deep residual supervised autoencoder | |
| CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
| WO2022059753A1 (ja) | 溶解炉のエネルギー効率を予測する学習済み予測モデルを生成する方法、溶解炉のエネルギー効率を予測する方法、およびコンピュータプログラム | |
| CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| He et al. | A Novel Soft Sensor Model Based on Stacking Ensemble Learning Framework | |
| CN111062118A (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
| Leiria et al. | Soft Sensors for Industrial Applications: Comparison of Variables Selection Methods and Regression Models | |
| Jin et al. | Application of improved support vector machine regression analysis for medium-and long-term vibration trend prediction | |
| Vernickel et al. | A revised KDD procedure for the modeling of continuous production in powder processing | |
| CN111046612B (zh) | 一种基于多目标集成学习的高炉铁水硅含量预测方法 | |
| WO2024070170A1 (ja) | 試作条件提案システム、試作条件提案方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |