碳排放预测方法、电子设备和计算机可读介质与流程

本发明属于碳排放测量，具体涉及一种碳排放预测方法、电子设备和计算机可读介质。

背景技术：

1、为了实现碳减排目标，加大环境保护力度，提高能源利用效率，有必要探索和分析碳排放的驱动因素，碳排放通常受到人口、经济、技术进步和工业结构等因素的综合影响。在研究影响碳排放的因素时，主流的方法包括对数平均迪克西指数分解法和stirpat模型回归分析法。在碳排放因子的分解和预测方面仍存在一些问题和挑战。首先，现有的碳排放因子分解和预测模型分析影响过于简化、数据缺失、样本容量不足等。其次，影响碳排放的因素非常复杂，需要考虑多种因素的相互作用和影响，因此如何有效地提取和分析各影响因素的信息仍需深入研究。

技术实现思路

1、第一方面，本公开实施例提供了一种碳排放预测方法，包括如下步骤：

2、s1：获取碳排放数据，对碳排放数据进行gdim分析，根据贡献率选择碳排放驱动因素并构成数据集；

3、s2：基于xgboost算法构建碳排放预测模型，利用数据集对碳排放预测模型进行训练；

4、s3：利用训练好的碳排放预测模型预测未来的碳排放趋势。

5、在一些实施例中，步骤s1获取的碳排放数据包括能源消耗、经济增长率、发电量、碳排放指标。

6、在一些实施例中，获取碳排放数据后，对碳排放数据进行预处理，对预处理后的碳排放数据进行gdim分析。

7、在一些实施例中，基于xgboost算法构建碳排放预测模型，具体包括：基于两阶段xgboost算法构建碳排放预测模型，其中，第一阶段xgboost目标函数表示为:

8、

9、其中：为模型输出值与实际值的误差；是模型输出值；yi是实际值；ω(fk)是k颗树模型的复杂性；

10、第一阶段xgboost算法使用梯度提升迭代运算，每次迭代过程后都会添加一个新的回归树，则第t次迭代运算的结果为：

11、

12、第t次迭代的目标函数的表达式为：

13、

14、其中，γ是叶树惩罚因子；t是树叶节点；ω是叶片重量；λ是权重惩罚因素，为常数项；

15、使用二阶taylor展开和移除常数项,将式①转换为:

16、

17、ij为被划分为第j个样本集的叶节点，ui和vi是偏差函数的一阶导数和二阶导数，ωj为第j个样本集的叶节点权重；

18、对梯度提升决策树找到叶子节点的最优切分点，将式②转换为关于叶节点的目标函数的一维的二次函数，求解极值得到第j个节点最优权重和最优目标函数obj*分别为：

19、

20、

21、且

22、通过给每个叶子节点分配权重，去掉目标函数为正值的节点得到第一阶段xgboost模型；

23、根据第一阶段xgboost模型建模筛选出的样本以及相对应的变量进行整合分类，并利用递归特征消除进行新一轮变量筛选，通过权重初步计算每个特征的重要性得分，然后，根据特征重要性得分对特征进行排序，从中选择得分最低的若干个特征作为待剔除的特征，直到完成所有特征的重要性评级，保留所需的数量，形成第二阶段xgboost模型。

24、在一些实施例中，步骤s2还包括：通过粒子群优化算法进行xgboost算法的参数优化。

25、在一些实施例中，通过粒子群优化算法进行xgboost算法的参数优化，具体包括：

26、设置适应度函数并初始化粒子的个体最优值和全局最优值，优化学习速率、最大步长参数；

27、更新粒子在生成中的速度和位置，并通过计算个体最优和全局最优的适应度值来连续更新它们，直到达到生成的终止条件，为xgboost算法指定最佳参数；

28、选择最优参数值，构建参数优化的xgboost模型。

29、在一些实施例中，对碳排放数据进行gdim分析后，还包括如下步骤：建立能源消耗-碳排放驱动分析模型，利用tapio脱钩指数分析法，分析经济发展与碳排放之间的解耦趋势，确定影响碳排放量的关键驱动因素。

30、第二方面，本公开实施例还提供了一种电子设备，包括：

31、一个或多个处理器；

32、存储器，用于存储一个或多个程序；

33、当一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面中提供的所述方法。

34、第三方面，本公开实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面中提供的所述方法中的步骤。

技术特征：

1.一种碳排放预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的碳排放预测方法，其特征在于：步骤s1获取的碳排放数据包括能源消耗、经济增长率、发电量、碳排放指标。

3.如权利要求1所述的碳排放预测方法，其特征在于：获取碳排放数据后，对碳排放数据进行预处理，对预处理后的碳排放数据进行gdim分析。

4.如权利要求1所述的碳排放预测方法，其特征在于：基于xgboost算法构建碳排放预测模型，具体包括：基于两阶段xgboost算法构建碳排放预测模型，其中，第一阶段xgboost目标函数表示为:

5.如权利要求1或4所述的碳排放预测方法，其特征在于：步骤s2还包括：通过粒子群优化算法进行xgboost算法的参数优化。

6.如权利要求5所述的碳排放预测方法，其特征在于：通过粒子群优化算法进行xgboost算法的参数优化，具体包括：

7.如权利要求1所述的碳排放预测方法，其特征在于：对碳排放数据进行gdim分析后，还包括如下步骤：建立能源消耗-碳排放驱动分析模型，利用tapio脱钩指数分析法，分析经济发展与碳排放之间的解耦趋势，确定影响碳排放量的关键驱动因素。

8.一种电子设备，其特征在于，包括：

9.一种计算机可读介质，所述计算机可读介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述方法中的步骤。

技术总结
本发明公开了一种碳排放预测方法、电子设备和计算机可读介质，该碳排放预测方法包括：收集能源消耗、经济增长率、发电量、碳排放指标等相关数据，采用广义迪氏指数分解法对影响贡献进行量化，选择相关性较强的影响因素；利用粒子群优化的两阶段XGBoost算法预测未来的碳排放趋势，对某区域的实际数据验证了该方法的有效性，并进行了实例预测分析。

技术研发人员：樊立攀,张成,徐琰,明东岳,傅晨,夏天,张娟,陈经纬,胡亚天,彭鸿桢,魏伟,余鹤,郑欣,雷鸣
受保护的技术使用者：国网湖北省电力有限公司营销服务中心（计量中心）
技术研发日：
技术公布日：2024/4/17