基于IGWO-SVM模型的河北省碳排放情景预测研究

发布时间：2021-07-12 05:39

　　工业化、城镇化进程的不断推进带来了经济的发展,也带来了一系列的环境问题,近年来雾霾频发的现象引发了人们的广泛关注。河北省是雾霾高发地区,也是“蓝天保卫战”的重点区域之一,考虑到碳排放现象是引起雾霾的重要因素之一,对河北省碳排放量影响因素和预测量的研究意义重大。同时,河北省是京津冀的重要组成部分,其发展定位、能源政策、产业结构等因素与京津冀协同发展密切相关。面对京津冀协同发展的新形势和更多环境的约束条件,对河北省碳排放量的影响因素进行有效地筛选和确定,定量研究影响因素作用机制,并在不同协同程度下预测碳排放量的研究是十分必要的。这将有利于更加科学合理地制定河北省相关节能减排政策,在控制河北省环境污染的基础上,保障京津冀顺利实现中长期的协同规划目标。在本文中,首先梳理了国内外对碳排放影响因素和预测方法的研究现状。进而,立足于京津冀协同发展政策,研究河北省在此背景下的功能定位以及碳排放变化情况,从宏观上把握河北省碳排放情况。通过对河北省的定位和现状分析,为之后研究碳排放影响因素和设置控制碳排放的情景提供依据。本文创新性地设计了一套预测河北省碳排放的体系,通过碳排放影响因素“分级筛选”、改进的智... 

【文章来源】：华北电力大学河北省 211工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

论文主要研究内容及结构图

图 4-1 河北省碳排放影响因素岭回归结果图从上图可以看出，当岭参数 K 大于 0.02 时，影响因素的回归系数区域稳定（水平线为渐近线），所以岭参数被确定为 0.02，回归方程如公式(4-5)所示。5 881 0 1517 10 1484 10 265210 010620 14990 12910 226 0 2106

图 5-1 IGWO-SVM 碳排放预测模型图本论文中采用的 IGWO-SVM预测方法可以更好地优化模型方程系数的现有方法的主要区别可归纳为以下两个方面：（1）为了更好地优化系数，基于改进灰狼算法和支持向量机算法开发有效的混合优化算法，可以充分结合这两种方法的优点而避免单个使用的

【参考文献】：
期刊论文
[1]遗传小波神经网络在机床碳排放预测中的应用[J]. 程乐棋,张华,鄢威,冯豪.  机械设计与制造. 2018(05)
[2]基于QPSO-LSSVM算法的中国碳排放预测[J]. 孙薇,张骁.  国网技术学院学报. 2017(05)
[3]中国能源消费碳排放的动态演进及驱动因素分析[J]. 邓光耀,任苏灵.  统计与决策. 2017(18)
[4]基于IO-SDA模型的新疆能源消费碳排放影响机理分析[J]. 王长建,张小雷,张虹鸥,汪菲.  地理学报. 2016(07)
[5]基于CGE模型的广东省重点行业碳排放上限及减排路径研究[J]. 任松彦,汪鹏,赵黛青,戴瀚程.  生态经济. 2016(07)
[6]基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 黄蕊,王铮,丁冠群,龚洋冉,刘昌新.  地理研究. 2016(04)
[7]中国省域碳排放影响因素的空间异质性分析[J]. 李建豹,黄贤金,吴常艳,周艳,徐国良.  经济地理. 2015(11)
[8]基于空间面板模型的碳排放影响因素分析——以长江经济带为例[J]. 李建豹,黄贤金.  长江流域资源与环境. 2015(10)
[9]中国居民消费直接碳排放影响因素研究——基于LMDI方法[J]. 马晓微,叶奕,杜佳.  中国能源. 2015(06)
[10]中国碳排放与影响因素的实证研究——基于2000～2011年中国以及30个省域的灰色关联分析[J]. 佟昕,陈凯,李刚.  工业技术经济. 2015(03)

硕士论文
[1]京津冀碳排放影响因素分解分析及对比研究[D]. 李瑞彩.河北地质大学 2016
[2]我国制造业碳排放量趋势及其对工业增加值影响的研究[D]. 戴东轩.天津大学 2014



本文编号：3279322