基于多变量灰色模型的能源碳排放预测方法及系统技术方案

本发明专利技术公开了一种基于多变量灰色模型的能源碳排放预测方法，包括获取目标区域的数据信息作为碳排放影响因素集，能源消耗数据作为碳排放来源数据；初步筛选碳排放影响因素集的因素；确定最终的碳排放影响因素集合；将碳排放影响因素集合输入到多变量灰色模型中，训练得到最佳的碳排放预测模型；采用碳排放预测模型进行目标区域的碳排放预测。本发明专利技术还公开了一种实现所述基于多变量灰色模型的能源碳排放预测方法的系统。本发明专利技术提供的这种基于多变量灰色模型的能源碳排放预测方法及系统，通过创新的算法设计及预测模型设计，不仅实现了能源碳排放的预测，而且可靠性高、实用性好且精度较高。度较高。度较高。

【技术实现步骤摘要】
基于多变量灰色模型的能源碳排放预测方法及系统


[0001]本专利技术属于电气自动化领域，具体涉及一种基于多变量灰色模型的能源碳排放预测方法及系统。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。
[0003]目前，随着环境问题的日益严重，碳排放问题也越来越受到人们的关注。因此，人们对于电能的需求也日益增多，包括电动交通工具的需求，电取暖器和电制冷器的需求等等。对一个区域的碳排放量进行准确预测，能够辅助电网进行后续的电网规划、电网建设和电网运行计划的制定等工作。因此，准确的碳排预测，就成为了电力系统的研究重点之一。
[0004]目前，现有的碳排放预测方法包括了随机因子回归、神经网络、时间序列等方法。但是，这类方法所考虑的影响因素较少，而且模型在训练时需要大量的历史数据进行训练。此外，现有的预测方法的精度也相对较差。

技术实现思路

[0005]本专利技术的目的之一在于提供一种可靠性高、实用性好且精度较高的基于多变量灰色模型的能源碳排放预测方法。
[0006]本专利技术的目的之二在于提供一种实现所述基于多变量灰色模型的能源碳排放预测方法的系统。
[0007]本专利技术提供的这种基于多变量灰色模型的能源碳排放预测方法，包括如下步骤：
[0008]S1.获取目标区域的数据信息作为碳排放影响因素集，同时获取目标区域的能源消耗数据作为碳排放来源数据；
[0009]S2.基于灰色关联分析算法，对碳排放影响因素集中的因素进行初步筛选；
[0010]S3.基于步骤S2的筛选结果，采用Lasso回归算法确定最终的碳排放影响因素集合；
[0011]S4.采用粒子群算法优化多变量灰色模型，并将步骤S3确定的碳排放影响因素集合输入到多变量灰色模型中，以平均相对误差绝对值为目标函数，训练得到最佳的碳排放预测模型；
[0012]S5.采用步骤S4得到的碳排放预测模型，进行目标区域的碳排放预测。
[0013]步骤S1所述的获取目标区域的数据信息作为碳排放影响因素集，具体包括如下步骤：
[0014]获取与碳排放相关的社会经济数据、经济增长数据、人口数量数据、城镇化水平数据、产业结构数据、固定资产投资数据、外商直接投资数据、能源消费数据、车辆保有量数据和森林面积数据。
[0015]步骤S2所述的基于灰色关联分析算法，对碳排放影响因素集中的因素进行初步筛
选，具体包括如下步骤：
[0016]设定变量序列为X
i
，其中碳排放量序列为X0，X1～X
i
为碳排放影响因素序列；n为序列内部样本的数量；i为变量的个数；总共有m个碳排放影响因素；
[0017]X0＝(x0(1),x0(2),...,x0(n)))
[0018]X
i
＝(x
i
(1),x
i
(2),...,x
i
(n)))
[0019]X
m
＝(x
m
(1),x
m
(2),...,x
m
(n)))
[0020]其中i取值为1,2,...,m；
[0021]将数据映射到区间[0,1]中，从而完成无量纲化处理；
[0022]然后，采用如下步骤进行灰色关联分析：
[0023]计算序列初值X
i
'为X
i
'＝X
i
/X
i
(1)；
[0024]计算差序列Δ
i
(k)为Δ
i
(k)＝|x'0(k)
‑
x
′
i
(k)|；
[0025]计算第一极差M为计算第二极差m为
[0026]计算关联系数γ(x0(k),x
i
(k))为
[0027][0028]式中ξ为分辨系数且ξ∈(0,1)；
[0029]计算灰色关联度γ(X0,X
i
)为
[0030]最后，设定关联度阈值，并对各个影响因素的灰色关联度进行判断：
[0031]若灰色关联度大于关联度阈值，则保留对应的影响因素；
[0032]若灰色关联度小于或等于关联度阈值，则删除对应的影响因素；
[0033]最终，得到初步筛选后的碳排放影响因素集。
[0034]步骤S3所述的基于步骤S2的筛选结果，采用Lasso回归算法确定最终的碳排放影响因素集合，具体包括如下步骤：
[0035]Lasso回归的模型为：
[0036]Y＝βX+ε
[0037]式中Y为n*1的向量，X为n*p的向量，ε为n*1的向量，β为p*1的回归系数向量且β＝(β1,β2,...,β
p
)；
[0038]Lasso估计为其中为惩罚项，λ为调和参数并用于控制惩罚力度的大小；
[0039]调和参数λ通过交叉验证算法确定：采用K折交叉验证，将数据集等比例划分为K份，以其中的K
‑
1份为训练集来训练模型，剩余1份为测试集来拟合模型；重复K次，选择最终使残差平方和最小的λ值为最终的调和参数。
[0040]步骤S4所述的采用粒子群算法优化多变量灰色模型，并将步骤S3确定的碳排放影响因素集合输入到多变量灰色模型中，以平均相对误差绝对值为目标函数，训练得到最佳
的碳排放预测模型，具体包括如下步骤：
[0041]A.进行光滑性验证：
[0042]碳排放序列X0的光滑比ρ(k)为k取值为k＝2,3,...,n；
[0043]构建准光滑比条件为
[0044]B.生成一阶累加序列和
[0045]C.生成紧邻均值序列：
[0046]构建碳排放的一阶累加序列的紧邻生成序列为其中
[0047]D.构建多变量灰色模型为采用最小二乘法求解参数P，参数P的表达式为P＝[a,b]T
；最终，得到P＝(B
T
B)
‑1B
T
Y，其中
[0048]E.构建白化方程从而得到累加序列的模拟值为
[0049]F.将累加序列的模拟值还原为原始序列的模拟值，得到F.将累加序列的模拟值还原为原始序列的模拟值，得到为还原后的值；
[0050]针对多变量灰色模型，构建背景方程为：
[0051][0052]采用自适应粒子群算法对背景方程参数ξ进行寻优：以平均相对误差绝对值最小
化为目标函数，利用粒子群优化算法进行参数估计，建立优化模型为其中
[0053]所述的粒子群优化算法，具体包括如下步骤：
[0054]a.初始化：初始化粒子群，设粒子群共有n个粒子，给每个粒子赋予随机的初始位置ξ(i)和速度v(i)；
[0055]b.计算适应值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多变量灰色模型的能源碳排放预测方法，包括如下步骤：S1.获取目标区域的数据信息作为碳排放影响因素集，同时获取目标区域的能源消耗数据作为碳排放来源数据；S2.基于灰色关联分析算法，对碳排放影响因素集中的因素进行初步筛选；S3.基于步骤S2的筛选结果，采用Lasso回归算法确定最终的碳排放影响因素集合；S4.采用粒子群算法优化多变量灰色模型，并将步骤S3确定的碳排放影响因素集合输入到多变量灰色模型中，以平均相对误差绝对值为目标函数，训练得到最佳的碳排放预测模型；S5.采用步骤S4得到的碳排放预测模型，进行目标区域的碳排放预测。2.根据权利要求1所述的基于多变量灰色模型的能源碳排放预测方法，其特征在于步骤S1所述的获取目标区域的数据信息作为碳排放影响因素集，具体包括如下步骤：获取与碳排放相关的社会经济数据、经济增长数据、人口数量数据、城镇化水平数据、产业结构数据、固定资产投资数据、外商直接投资数据、能源消费数据、车辆保有量数据和森林面积数据。3.根据权利要求2所述的基于多变量灰色模型的能源碳排放预测方法，其特征在于步骤S2所述的基于灰色关联分析算法，对碳排放影响因素集中的因素进行初步筛选，具体包括如下步骤：设定变量序列为X
i
，其中碳排放量序列为X0，X1～X
i
为碳排放影响因素序列；n为序列内部样本的数量；i为变量的个数；总共有m个碳排放影响因素；X0＝(x0(1),x0(2),...,x0(n)))X
i
＝(x
i
(1),x
i
(2),...,x
i
(n)))X
m
＝(x
m
(1),x
m
(2),...,x
m
(n)))其中i取值为1,2,...,m；将数据映射到区间[0,1]中，从而完成无量纲化处理；然后，采用如下步骤进行灰色关联分析：计算序列初值X
i
'为X
i
'＝X
i
/X
i
(1)；计算差序列Δ
i
(k)为Δ
i
(k)＝x'0(k)
‑
x
i
'(k)；计算第一极差M为计算第二极差m为计算关联系数γ(x0(k),x
i
(k))为式中ξ为分辨系数且ξ∈(0,1)；计算灰色关联度γ(X0,X
i
)为最后，设定关联度阈值，并对各个影响因素的灰色关联度进行判断：若灰色关联度大于关联度阈值，则保留对应的影响因素；若灰色关联度小于或等于关联度阈值，则删除对应的影响因素；
最终，得到初步筛选后的碳排放影响因素集。4.根据权利要求3所述的基于多变量灰色模型的能源碳排放预测方法，其特征在于步骤S3所述的基于步骤S2的筛选结果，采用Lasso回归算法确定最终的碳排放影响因素集合，具体包括如下步骤：Lasso回归的模型为：Y＝βX+ε式中Y为n*1的向量，X为n*p的向量，ε为n*1的向量，β为p*1的回归系数向量且β＝(β1,β2,...,β
p
)；Lasso估计为其中为惩罚项，λ为调和参数并用于控制惩罚力度的大小；调和参数λ通过交叉验证算法确定：采用K折交叉验证，将数据集等比例划分为K份，以其中的K
‑
1份为训练集来训练模型，剩余1份为测试集来拟合模型；重复K次，选择最终使残差平方和最小的λ值为最终的调和参数。5.根据权利要求4所述的基于多变量灰色模型的能源碳排放预测方法，其特征在于步骤S4所述的采用粒子群算法优化多变量灰色模型，并将步骤S3确定的碳排放影响因...

【专利技术属性】
技术研发人员：文明，梁海维，文博，蒋童，谭玉东，胡资斌，
申请(专利权)人：国网湖南省电力有限公司经济技术研究院国家电网有限公司，
类型：发明
国别省市：