一种碳排放预测的方法及终端技术

本发明专利技术公开了一种碳排放预测的方法与终端，获取统计年鉴历年的统计数据，并对所述统计数据进行数据清洗；针对清洗后的所述统计数据，通过随机森林算法进行影响因素的重要程度判别，根据重要性选择影响因素，并生成特征矩阵；建立碳排放预测模型，所述碳排放预测模型基于改进烟花算法IFWA和广义回归神经网络GRNN；根据所述特征矩阵对所述碳排放预测模型进行训练，并在训练后根据输入的各个影响因素的数值，进行碳排放的预测；本发明专利技术针对影响因素复杂的问题，采用随机森林算法筛选因素并判别其重要程度，并针对传统烟花算法易使模型陷入局部最优解的问题，采用改进烟花算法，有效提高了模型的预测性能，提高了碳排放预测的精度。度。度。

【技术实现步骤摘要】
一种碳排放预测的方法及终端


[0001]本专利技术涉及碳排放预测
，特别涉及一种碳排放预测的方法及终端。

技术介绍

[0002]化石能源碳排放所导致的气候变暖问题是世界各国面临的共同挑战，作为世界上最大的发展中国家和碳排放量最大的国家，我国做出到2030年碳排放强度比2005年下降60
‑
65％的承诺，并设立到2030年左右碳排放总量达到峰值并争取尽早达峰的目标，以及努力争取2060年前实现碳中和的愿景。
[0003]面对前所未有的减排压力和经济转型的压力，探索适合我国现阶段国情的节能减排策略至关重要。因此，基于现行政策预测我国能源消费碳排放量，进而提出更加科学合理的碳减排政策建议，对我国的节能减排工作及可持续发展具有十分重要的现实意义。
[0004]在实现双碳目标，建设低碳社会的进程中，一个重要问题是准确预测碳排放水平，为有关部门制定中长期经济发展战略和调整当前政策提供重要参考。要针对性的制定减排政策，并达到预期的效果，就必须要了解导致二氧化碳排放增加的因素，才能通过控制这些因素有效地减少二氧化碳的排放，而这些因素随着政策提出及低碳技术的应用会发生变化。虽然现有多因素预测模型考虑了外源变量的影响，但在影响因素不变的前提下，用于预测二氧化碳排放，将不可避免地导致误差积累的问题，从而做出不准确的碳预测。因此，针对传统的“影响因素不变”下的预测，需进一步结合政策走向分析，寻找“影响因素变化”的中长期碳预测模型。除此之外，还需提升预测模型的预测精度，从而提高二氧化碳排放预测的准确性。
[0005]针对碳预测研究，现有技术主要采用的方法有：在灰色模型基础上，提出扩展的灰色预测模型，将灰色模型与自回归综合移动平均模型和二阶多项式回归模型相结合，采用PSO方法优化模型参数，最终获得较高的碳排放精度，但是该类方法忽略了降低预测精度的相关因素；提出人工神经网络和非线性灰色多变量模型来研究人口、GDP、石油贸易、天然气贸易和二氧化碳排放之间的关系，虽然考虑了多因素的影响，但是忽略影响因素的变化，导致误差积累，预测结果不准确；将BP神经网络、极限学习机、支持向量机等机器学习算法应用到碳预测的研宄中，都表现出了很好的预测效果，但存在预测模型容易陷入局部最优解的不足。综上所述，针对中长期碳预测已取得一定研究成果，但预测精度方面仍存在一定提升空间。

技术实现思路

[0006]本专利技术所要解决的技术问题是：提供一种碳排放预测的方法及终端，能够有效提升碳排放预测的精度。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：
[0008]一种碳排放预测的方法，包括步骤：
[0009]S1、获取统计年鉴历年的统计数据，并对所述统计数据进行数据清洗；
[0010]S2、针对清洗后的所述统计数据，通过随机森林算法进行影响因素的重要程度判别，根据重要性选择影响因素，并生成特征矩阵；
[0011]S3、建立碳排放预测模型，所述碳排放预测模型基于改进烟花算法IFWA和广义回归神经网络GRNN；
[0012]S4、根据所述特征矩阵对所述碳排放预测模型进行训练，并在训练后根据输入的各个影响因素的数值，进行碳排放的预测。
[0013]为了解决上述技术问题，本专利技术采用的另一种技术方案为：
[0014]一种碳排放预测的终端，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以上一种碳排放预测的方法中的步骤。
[0015]本专利技术的有益效果在于：本专利技术的一种碳排放预测的方法与终端，针对影响因素复杂的问题，采用随机森林算法筛选因素并判别其重要程度，提高预测结果的准确性，并针对传统烟花算法易使模型陷入局部最优解的问题，采用改进烟花算法，有效提高了模型的预测性能，有效提高了碳排放预测的精度。
附图说明
[0016]图1为本专利技术实施例的一种碳排放预测的方法的流程图；
[0017]图2为本专利技术实施例的一种碳排放预测的终端的结构图；
[0018]图3为本专利技术实施例的一种碳排放预测的方法的详细流程图；
[0019]图4为本专利技术实施例的一种碳排放预测的方法的随机森林特征选取方法示意图；
[0020]图5为本专利技术实施例的一种碳排放预测的方法的GRNN模型示意图；
[0021]标号说明：
[0022]1、一种碳排放预测的终端；2、处理器；3、存储器。
具体实施方式
[0023]为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0024]请参照图1以及图2，一种碳排放预测的方法，包括步骤：
[0025]S1、获取统计年鉴历年的统计数据，并对所述统计数据进行数据清洗；
[0026]S2、针对清洗后的所述统计数据，通过随机森林算法进行影响因素的重要程度判别，根据重要性选择影响因素，并生成特征矩阵；
[0027]S3、建立碳排放预测模型，所述碳排放预测模型基于改进烟花算法IFWA和广义回归神经网络GRNN；
[0028]S4、根据所述特征矩阵对所述碳排放预测模型进行训练，并在训练后根据输入的各个影响因素的数值，进行碳排放的预测。
[0029]从上述描述可知，本专利技术的有益效果在于：本专利技术的一种碳排放预测的方法与终端，针对影响因素复杂的问题，采用随机森林算法筛选因素并判别其重要程度，提高预测结果的准确性，并针对传统烟花算法易使模型陷入局部最优解的问题，采用改进烟花算法，有效提高了模型的预测性能，有效提高了碳排放预测的精度。
[0030]进一步地，所述GRNN的数学表达式为：
[0031][0032][0033][0034]其中，P
i
为模式层神经元传递函数；X为输入变量，X＝[x1,x2,
…
,x
n
]T
；X
i
为第i个神经元对应的学习样本；α为光滑因子；n为模式层神经元数目；S
Nj
为求和层传递函数；y
ij
为第i个神经元与加权层中第j个分子的连接权值；为输出层输出，k为输出向量的维数。
[0035]由上述描述可知，本专利技术采用GRNN算法，GRNN是径向基神经网络的一种变化形式，具有很强的非线性映射能力和学习速度，比径向基神经网络具有更强的优势，在样本数据少时，预测效果也较好。
[0036]进一步地，所述IFWA算法的步骤包括：
[0037]A1、初始化预设个数的烟花的位置；
[0038]A2、计算烟花数量和取值范围，计算转义适应度，根据转义适应度重新定义烟花距离，得到新的烟花；
[0039]A3、对烟花距离进行归一化处理，计算选取转义适应度与归一化后的烟花距离的乘积最大的前n朵烟花，得到峰值烟花，n为预设的选取数量；
[0040]A4、定义并搜索探索烟花，与所述峰值烟花构成下代烟花；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种碳排放预测的方法，其特征在于，包括步骤：S1、获取统计年鉴历年的统计数据，并对所述统计数据进行数据清洗；S2、针对清洗后的所述统计数据，通过随机森林算法进行影响因素的重要程度判别，根据重要性选择影响因素，并生成特征矩阵；S3、建立碳排放预测模型，所述碳排放预测模型基于改进烟花算法IFWA和广义回归神经网络GRNN；S4、根据所述特征矩阵对所述碳排放预测模型进行训练，并在训练后根据输入的各个影响因素的数值，进行碳排放的预测。2.根据权利要求1所述的一种碳排放预测的方法，其特征在于，所述GRNN的数学表达式为：为：为：其中，P
i
为模式层神经元传递函数；X为输入变量，X＝[x1,x2,
…
,x
n
]
T
；X
i
为第i个神经元对应的学习样本；α为光滑因子；n为模式层神经元数目；S
Nj
为求和层传递函数；y
ij
为第i个神经元与加权层中第j个分子的连接权值；为输出层输出，k为输出向量的维数。3.根据权利要求2所述的一种碳排放预测的方法，其特征在于，所述IFWA算法的步骤包括：A1、初始化预设个数的烟花的位置；A2、计算烟花数量和取值范围，计算转义适应度，根据转义适应度重新定义烟花距离，得到新的烟花；A3、对烟花距离进行归一化处理，计算选取转义适应度与归一化后的烟花距离的乘积最大的前n朵烟花，得到峰值烟花，n为预设的选取数量；A4、定义并搜索探索烟花，与所述峰值烟花构成下代烟花；A5、根据设置的最大迭代次数，通过步骤A3和A4进行迭代，并在迭代完成后选取适应度最高的烟花，得到GRNN的光滑因子。4.根据权利要求3所述的一种碳排放预测的方法，其特征在于，所述计算转义适应度，根据转义适应度重新定义烟花距离具体为：对所有烟花的适应度进行归一化处理，得到所有烟花的转义适应度：其中，f
i
，i＝1,2,
…
,N，表示第i朵烟花x
i
的适应度，f
i
’
，i＝1,2,
…
,N，表示第i朵烟花x
i
的转义适应度，N表示烟花总数，f
min
表示所有烟花的适应度f
i
中的最小值，f
max
表示所有烟花的适应度f
i
中的最大值；对转义适应度为1的烟花重新定义烟花距离δ
i
，计算公式如下：
其...

【专利技术属性】
技术研发人员：黄夏楠，杨丝雨，刘林，胡臻达，涂夏哲，洪居华，林伟伟，邹艺超，郑欢，张林垚，
申请(专利权)人：国网福建省电力有限公司经济技术研究院，
类型：发明
国别省市：