CN119514868A 考虑驱动因素波动的碳排放集成预测方法、设备及介质 （国网四川省电力公司电力科学研究院）

院考虑驱动因素波动的碳排放集成预测方法、本发明公开了考虑驱动因素波动的碳排放特卡洛法对影响碳排放量的驱动因素进行动态序列方法与多因素预测方法结合的碳排放集成2基于时间序列模型和多因素模型建立碳排放量的集采用蒙特卡洛法对影响碳排放量的驱动因素进行动态情景模拟，将多组抽样结果分别输入所述集成预测模型进行预测，得到对应于基于所述碳排放量预测结果的置信区间得到预通过所述训练集分别对多种候选时间序列模型和多种候选多将所述测试集输入训练后的候选时间序列模型和候选多因素模型进利用误差反演方法在所述测试集上分别计算所述最佳时间序列模型和最佳多因素模时间序列模型包括卷积神经网络CNN、分数阶灰色预测模型FAGM(1,1)和长短期记忆网络利用误差反演方法在所述测试集上分别计算所述最佳时间序列模型和最佳多因素模型的t表示模型t的集成权重，t＝1表示最佳时间序列模型，t＝1表示最佳多因素模3其中，CE表示集成预测模型的碳排放量预测结果，w1表示最佳时间序列模型的集成权P1表示最佳时间序列模型的碳排放量预测结果，w2表示最佳多因素模型的集成权重，按照时间顺序将待预测的年份划分为多个预测阶段，假设采用三角分布描述增长率的变动范围，定义三角分布的三个关键参9.一种电子设备，包括存储器、处理器及存储在4被处理器执行时实现1_8中任意一项所述的考虑驱动因素波动的碳排放5[0002]现有的碳排放预测方法可分为数学统计方法、人工智能方法和混合方法三种类6[0015]进一步地，所述基于时间序列模型和多因素模型建立碳[0019]利用误差反演方法在所述测试集上分别计算所述最佳时间序列模型和最佳多因[0020]进一步地，所述时间序列模型包括卷积神经网络CNN、分数阶灰色预测模型FAGM优化长短期记忆网络PSO_LSTM和粒子群算法优化支P2表示最佳多因素模型的碳排放量预测结果。7[0043]进一步地，所述采用蒙特卡洛法对影响碳排放量的驱动明第一方面任意一项所述的考虑驱动因素波动的碳述计算机程序被处理器执行时实本发明第一方面任意一项所述的考虑驱动因素波动的碳对2022_2035年的碳排放预测过程中利用了蒙特卡洛模拟，通过对影响因素设定调整因子8[0054]图5是通过集成模型结合蒙特卡洛模拟预测的2022_2035年的碳排放量(CE)预测[0057]在本申请的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义[0058]本发明的实施例提供一种考虑驱动因素波动的碳排放集成预测方法、设备及介质，适用省级/行政区域划分的未来碳排放峰值和达峰时间预测，有利于提高预测的准确[0059]如图1所示是本发明实施例的一种考虑驱动因素波动的碳排放集成预测方法的流9面捕获时间序列数据的动态变化与多种因素的综合影响的碳排放[0066]如图2所示是本实施例的一种建立碳排放量的集成预测模型的方法流程图，包括[0068]以预测省级碳排放量为例，将2000_2021年XX省的面板数据集按时间范围划分成[0069]S1_2，通过训练集分别对多种候选时间序列模型和多种候选多因素模型进行训传算法优化神经网络GA_BP、粒子群优化长短期记忆网络PSO_LSTM和粒子群算法优化支持[0075]LSTM(LongShort_TermMemory)—长短期记忆网络：是[0076]GA_BP(GeneticAlgorithm_BackPropagation)—遗传算法优化神经网络：通这实际值之间的绝对误差转化为百分比的平均值，它用于评估预测模型的准确性和误差程预测值变化幅度相对于实际值变化幅度的大小，其公式为β表示平均预测值与平均实际值之间的偏差比率，衡量预测值整体水平相对于实际值的偏离程度，其公式为yy[0087]根据各指标的计算结果综合选择各项指标均较佳的候选模型作为集成学习的子[0093]上式中，Indexi*代表候选模型i的标准化评价指标，代入四个标准化指标R2*i、ii[0095]WEIi表示候选模型i的综合性能评价指标，根据训练后的候选模型在测试集上的P2表示最佳多因素模型的碳排放量预测结果。佳子模型和S1_4中获得的集成模型来预测验证集数据。通过评价指标R2、MAPE、Kling_[0112]以符合XX省发展的五年规划为例，将2022_2035年预测目标划分为3个阶段，即布描述增长率的可能变动范围，三角分布的三个关键参数中最低增长率作为波动范围下[0118]采用四种基础指标和综合指标WEI全面评估训练好的候选模型在测试集中的碳排类最佳子模型分别是CNN(WEI＝0.9918)和GA[0122]图5展示了集成模型结合蒙特卡洛模拟预测的2022_2035年的碳排放量(CE)预测[0123]根据图5所示，不同的发展情景对XX省的碳排放演变趋势有着显著差异。具体而计算机程序被处理器执行时