基于WOA-ELM模型的中国碳排放预测研究
发布时间：2022-01-03 10:18
为判断中国是否能够实现2030年碳排放强度下降60%～65%的承诺,以及碳排放总量是否能够在2030年达到峰值,论文构建了一个基于鲸鱼优化算法改进的极限学习机模型,对2019—2040年的碳排放量和碳排放强度进行预测。首先基于STIRPAT模型筛选中国碳排放影响因素,将其作为碳排放预测模型的输入因素集,而后运用鲸鱼算法优化极限学习机的参数,克服极限学习机易陷入局部最优解的缺点,最后运用该组合模型对中国未来的碳排放进行预测。通过与ELM、BPNN模型的预测结果和误差指标进行对比,证实论文提出的碳排放预测模型的精度更高,能够更为准确地反映中国未来的碳排放趋势。
【文章来源】：生态经济. 2020,36(08)北大核心
【文章页数】：8 页
【部分图文】：
极限学习机结构图
本文对碳排放进行预测的流程如图3所示。为更直观地评估本文构建的碳排放预测模型的预测精度,本文选择均方根(root mean square error,RMSE)、平均绝对误差百分比MAPE(mean absolute percentage error)、平均绝对误差(mean absolute error,MAE)及确定系数R2作为评价预测模型效果的指标,这4种误差指标的计算方法如下:
L(t+1)=L*(t)-AD1 (10)式中:t为当前迭代次数,L(t)为当前座头鲸的坐标向量,L(t+1)表示下一代迭代后的目标向量,L*(t)为截至目前得到的坐标向量的最优解,若下阶段寻到更优的可行解,需对L*(t)进行更新,A和C是系数,由式(11)、式(12)得出:
【参考文献】：
期刊论文
[1]基于FCS-SVM的建筑业碳排放预测研究[J]. 徐勇戈,宋伟雪. 生态经济. 2019(11)
[2]基于粗糙集—神经网络方法的陕西省碳排放预测研究[J]. 仇国芳,蔡卓珉. 生态经济. 2019(10)
[3]中国省际差异化能源转型背景下的CO2排放预测[J]. 柴建,杜孟凡,周晓阳,梁婷. 系统工程理论与实践. 2019(08)
[4]不同经济发展路径下的能源需求与碳排放预测——基于河北省的分析[J]. 翁智雄,马忠玉,葛察忠,蔡松锋,程翠云,杜艳春. 中国环境科学. 2019(08)
[5]传统能源价格与我国碳交易价格关系研究——基于我国七个碳排放权交易试点省市的面板数据[J]. 赵选民,魏雪. 生态经济. 2019(02)
[6]基于情景分析法的煤电行业碳排放峰值预测[J]. 赵亚涛,南新元,贾爱迪. 环境工程. 2018(12)
[7]基于IBA-KELM的风电功率区间预测方法[J]. 林涛,蔡睿琪,张丽,杨欣,刘刚,廖文喆. 可再生能源. 2018(07)
[8]基于系统动力学的建筑碳排放预测研究[J]. 刘菁,赵静云. 科技管理研究. 2018(09)
[9]《巴黎协定》背景下中国碳排放情景预测——基于BP神经网络模型[J]. 董聪,董秀成,蒋庆哲,刘贵贤. 生态经济. 2018(02)
[10]吉林省能源消费碳排放相关影响因素分析及预测——基于灰色关联分析和GM（1,1）模型[J]. 王永哲,马立平. 生态经济. 2016(11)
博士论文
[1]基于LMDI的我国二氧化碳排放影响因素研究[D]. 徐军委.中国矿业大学（北京） 2013
硕士论文
[1]基于系统动力学的火电厂碳排放预测研究[D]. 靳宝玲.华北电力大学 2019
本文编号：3566099
【文章来源】：生态经济. 2020,36(08)北大核心
【文章页数】：8 页
【部分图文】：
极限学习机结构图
本文对碳排放进行预测的流程如图3所示。为更直观地评估本文构建的碳排放预测模型的预测精度,本文选择均方根(root mean square error,RMSE)、平均绝对误差百分比MAPE(mean absolute percentage error)、平均绝对误差(mean absolute error,MAE)及确定系数R2作为评价预测模型效果的指标,这4种误差指标的计算方法如下:
L(t+1)=L*(t)-AD1 (10)式中:t为当前迭代次数,L(t)为当前座头鲸的坐标向量,L(t+1)表示下一代迭代后的目标向量,L*(t)为截至目前得到的坐标向量的最优解,若下阶段寻到更优的可行解,需对L*(t)进行更新,A和C是系数,由式(11)、式(12)得出:
【参考文献】：
期刊论文
[1]基于FCS-SVM的建筑业碳排放预测研究[J]. 徐勇戈,宋伟雪. 生态经济. 2019(11)
[2]基于粗糙集—神经网络方法的陕西省碳排放预测研究[J]. 仇国芳,蔡卓珉. 生态经济. 2019(10)
[3]中国省际差异化能源转型背景下的CO2排放预测[J]. 柴建,杜孟凡,周晓阳,梁婷. 系统工程理论与实践. 2019(08)
[4]不同经济发展路径下的能源需求与碳排放预测——基于河北省的分析[J]. 翁智雄,马忠玉,葛察忠,蔡松锋,程翠云,杜艳春. 中国环境科学. 2019(08)
[5]传统能源价格与我国碳交易价格关系研究——基于我国七个碳排放权交易试点省市的面板数据[J]. 赵选民,魏雪. 生态经济. 2019(02)
[6]基于情景分析法的煤电行业碳排放峰值预测[J]. 赵亚涛,南新元,贾爱迪. 环境工程. 2018(12)
[7]基于IBA-KELM的风电功率区间预测方法[J]. 林涛,蔡睿琪,张丽,杨欣,刘刚,廖文喆. 可再生能源. 2018(07)
[8]基于系统动力学的建筑碳排放预测研究[J]. 刘菁,赵静云. 科技管理研究. 2018(09)
[9]《巴黎协定》背景下中国碳排放情景预测——基于BP神经网络模型[J]. 董聪,董秀成,蒋庆哲,刘贵贤. 生态经济. 2018(02)
[10]吉林省能源消费碳排放相关影响因素分析及预测——基于灰色关联分析和GM（1,1）模型[J]. 王永哲,马立平. 生态经济. 2016(11)
博士论文
[1]基于LMDI的我国二氧化碳排放影响因素研究[D]. 徐军委.中国矿业大学（北京） 2013
硕士论文
[1]基于系统动力学的火电厂碳排放预测研究[D]. 靳宝玲.华北电力大学 2019
本文编号：3566099
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3566099.html
