本發(fā)明涉及碳排放預(yù)測，特別涉及一種基于pca-bp神經(jīng)網(wǎng)絡(luò)的城鄉(xiāng)建設(shè)領(lǐng)域碳排放預(yù)測方法。

背景技術(shù)：

1、工業(yè)革命以來，人類向大氣中排放的過量的co2和其他溫室氣體造成了地球溫度不斷地升高。為控制全球變暖幅度世界各國均采取了相關(guān)的措施。根據(jù)相關(guān)研究表明，為實現(xiàn)控制住1.5℃的增幅，需要實現(xiàn)2030年比2005年減少45％的co2排放。因此我國在2020年9月22日對全世界做出了承諾：中國二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現(xiàn)碳中和，減碳任務(wù)艱巨。根據(jù)相關(guān)統(tǒng)計，我國碳排放主來自能源、工業(yè)、城鄉(xiāng)建設(shè)和交通4個領(lǐng)域。城鄉(xiāng)建設(shè)領(lǐng)域碳排放占全社會碳排放量的24％，其中，直接碳排放占10％，間接碳排放占14％。

2、實現(xiàn)城鄉(xiāng)建設(shè)領(lǐng)域碳排放在2030年前碳達峰目標(biāo)，控制城鄉(xiāng)建設(shè)領(lǐng)域碳排放總量必須建立在對建筑領(lǐng)域碳排放現(xiàn)狀和未來可能變化趨勢的科學(xué)評估與預(yù)測基礎(chǔ)上。目前全球或國家尺度的能源需求和碳排放總量預(yù)測研究較多，而具體針對城鄉(xiāng)建設(shè)領(lǐng)域的碳排放預(yù)測方法及其峰值調(diào)控方面的研究相對較少。因此，在碳排放歷史數(shù)據(jù)的基礎(chǔ)上，建立碳排放預(yù)測模型，預(yù)測城鄉(xiāng)建設(shè)領(lǐng)域碳排放發(fā)展趨勢，分析研究碳排放峰值及達峰年份，成為一個亟待解決的課題。

3、目前關(guān)于碳排放量的預(yù)測模型主要可以歸納以下幾類：第一類是stirpat模型；第二類是機器學(xué)習(xí)模型，主要有人工神經(jīng)網(wǎng)絡(luò)(ann)和支持向量機回歸(svr)；第三類是灰色預(yù)測模型gm；第四類是自底向上的能源核算模型，主要是leap模型。其中，stirpat模型計算簡單，但準(zhǔn)確性較差；支持向量機真實數(shù)據(jù)難以分離；灰色預(yù)測模型不能準(zhǔn)確反映因變量和自變量的關(guān)聯(lián)；自下向上的能源核算模型參數(shù)主觀性較差。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題，在于提供一種基于pca-bp神經(jīng)網(wǎng)絡(luò)模型的城鄉(xiāng)建設(shè)領(lǐng)域碳排放預(yù)測方法，通過先對影響因素進行主成分分析，去除信息冗余，消除變量之間的相關(guān)性，簡化建模過程，然后把經(jīng)過pca提取的主成分作為bp神經(jīng)網(wǎng)絡(luò)的輸入，建立pca-bp預(yù)測模型，實現(xiàn)對城鄉(xiāng)建設(shè)領(lǐng)域碳排放的預(yù)測。

2、本發(fā)明提供了一種基于pca-bp神經(jīng)網(wǎng)絡(luò)的城鄉(xiāng)建設(shè)領(lǐng)域碳排放預(yù)測方法，包括如下步驟：

3、步驟10、從統(tǒng)計年鑒獲取q年間的城鄉(xiāng)建設(shè)領(lǐng)域的能耗數(shù)據(jù)，進行碳排放測算，得到每一年的碳排放實際值；

4、步驟20、識別城鄉(xiāng)建設(shè)領(lǐng)域碳排放的n個影響因素并獲取q年間的統(tǒng)計數(shù)據(jù)，所述影響因素包括：常住人口、人口密度、城鎮(zhèn)化率、人均gdp、萬元生產(chǎn)總值能耗、第三產(chǎn)業(yè)占比、建成區(qū)綠化覆蓋率以及房屋竣工建筑面積；

5、步驟30、對q年間城鄉(xiāng)建設(shè)領(lǐng)域碳排放的n個影響因素的統(tǒng)計數(shù)據(jù)進行降維，確定累計方差貢獻率大于指定值時對應(yīng)的前p個主成分；

6、步驟40、根據(jù)初始數(shù)據(jù)、確定的p個主成分以及計算得到的碳排放實際值生成訓(xùn)練集和測試集；利用訓(xùn)練集對bp神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，調(diào)整誤差函數(shù)的網(wǎng)絡(luò)權(quán)值和閾值，得到訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型；將測試集輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型，得到碳排放預(yù)測值，若碳排放預(yù)測值與碳排放實際值的誤差在指定范圍內(nèi)，bp神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成；

7、步驟50、從待預(yù)測區(qū)域的發(fā)展規(guī)劃中獲取n個影響因素的預(yù)測指標(biāo)，將其輸入訓(xùn)練完成的bp神經(jīng)網(wǎng)絡(luò)模型，得到待預(yù)測區(qū)域的城鄉(xiāng)建設(shè)領(lǐng)域的碳排放趨勢預(yù)測結(jié)果。

8、進一步地，所述步驟10中碳排放測算的公式如下：

9、

10、其中，ai為第i種能源消耗用量，包括液化石油氣、天然氣、煤炭、電力、蒸汽；efi為第i種能源的碳排放因子。

11、進一步地，所述步驟30具體包括：

12、步驟31、將q年間城鄉(xiāng)建設(shè)領(lǐng)域碳排放的n個影響因素數(shù)據(jù)xnq構(gòu)成一個n×q矩陣，即：

13、

14、步驟32、將矩陣進行中心標(biāo)準(zhǔn)化處理，生成標(biāo)準(zhǔn)矩陣：

15、

16、其中i＝1,2,…,n；j＝1,2,…,q；sj分別為指標(biāo)變量xj的均值和方差；

17、步驟33、建立相關(guān)矩陣r，并計算特征值和特征向量：

18、r＝x*tx*/(n-1)

19、其中，x*為標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣，t為矩陣轉(zhuǎn)置；求得自相關(guān)矩陣r的特征值λ1≥λ2≥…≥λq及相應(yīng)的特征向量μ1,μ2...,μq；

20、步驟34、選取累計方差貢獻率大于指定百分比時對應(yīng)的前p個主成分；方差貢獻率的計算公式為：

21、

22、累計方差貢獻率的計算公式為：

23、

24、步驟35、p個主成分對應(yīng)的特征向量為則n個樣本的主成分構(gòu)成矩陣為：

25、

26、其中，為標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣的樣本。

27、進一步地，所述步驟40具體包括：

28、步驟41、將步驟10計算得到的碳排放實際值進行歸一化作為bp神經(jīng)網(wǎng)絡(luò)模型的輸出，將初始數(shù)據(jù)根據(jù)步驟30確定的p個主成分降維作為bp神經(jīng)網(wǎng)絡(luò)模型的輸入，按照指定比例劃分生成訓(xùn)練集和測試集；

29、步驟42、采用訓(xùn)練集對bp神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練好的神經(jīng)bp神經(jīng)網(wǎng)絡(luò)模型：模型初始的輸入層神經(jīng)元為4個，隱含層神經(jīng)元為2個，輸出層神經(jīng)元為1個；

30、將輸入層、隱含層、輸出層之間的連接權(quán)值ωij、ωjk，隱含層閾值a，閾值b進行初始化，并給定學(xué)習(xí)速率和神經(jīng)元激勵函數(shù)；

31、計算隱含層輸出：

32、

33、其中，f為隱含層激勵函數(shù)，l為隱含層節(jié)點數(shù)；

34、根據(jù)隱含層輸出hj，連接權(quán)值ωjk和閾值b，計算預(yù)測輸出：

35、

36、其中，m為隱含層到輸出層的數(shù)量；則碳排放量的預(yù)測值和實際值之間的均方根誤差為：

37、

38、bp神經(jīng)網(wǎng)絡(luò)根據(jù)梯度下降策略，以目標(biāo)函數(shù)的負梯度方向?qū)?shù)進行調(diào)整，對于誤差ek，給定學(xué)習(xí)速率η，對權(quán)重ωij、ωjk進行調(diào)整，并不斷迭代，直到誤差達到目標(biāo)值以內(nèi)，訓(xùn)練結(jié)束；

39、步驟43、將測試集輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)，得到預(yù)測值，若預(yù)測值與實際值的誤差在指定范圍內(nèi)，則建立的模型精度符合要求；若誤差不滿足要求，則返回步驟42調(diào)整神經(jīng)元個數(shù)或調(diào)整神經(jīng)元激勵函數(shù)重新建立模型進行訓(xùn)練。

40、進一步地，所述誤差的指定范圍為5％。

41、本發(fā)明具有如下優(yōu)點：

42、采用主成分分析對常住人口、人口密度、城鎮(zhèn)化率、人均gdp、萬元生產(chǎn)總值能耗、第三產(chǎn)業(yè)占比、建成區(qū)綠化覆蓋率、房屋竣工建筑面積等8個影響因素進行降維，從而在利用bp神經(jīng)網(wǎng)絡(luò)執(zhí)行預(yù)測任務(wù)的同時避免產(chǎn)生過擬合的問題，可實現(xiàn)對區(qū)域城鄉(xiāng)建設(shè)領(lǐng)域碳排放的有效預(yù)測，為區(qū)域城鄉(xiāng)建設(shè)領(lǐng)域碳達峰實施路徑提供數(shù)據(jù)支撐。

技術(shù)特征：

1.一種基于pca-bp神經(jīng)網(wǎng)絡(luò)的城鄉(xiāng)建設(shè)領(lǐng)域碳排放預(yù)測方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟10中碳排放測算的公式如下：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟30具體包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟40具體包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述誤差的指定范圍為5％。

技術(shù)總結(jié)
本發(fā)明公開了一種基于PCA?BP神經(jīng)網(wǎng)絡(luò)的城鄉(xiāng)建設(shè)領(lǐng)域碳排放預(yù)測方法，涉及碳排放預(yù)測技術(shù)領(lǐng)域。所述方法包括：從統(tǒng)計年鑒獲取的城鄉(xiāng)建設(shè)領(lǐng)域的能耗數(shù)據(jù)，進行碳排放測算；獲取城鄉(xiāng)建設(shè)領(lǐng)域碳排放的影響因素的統(tǒng)計數(shù)據(jù)；對城鄉(xiāng)建設(shè)領(lǐng)域碳排放的影響因素的統(tǒng)計數(shù)據(jù)進行降維，確定累計方差貢獻率大于指定值時對應(yīng)的主成分；根據(jù)初始數(shù)據(jù)、確定主成分以及計算得到的碳排放實際值生成訓(xùn)練集和測試集，對BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練；從待預(yù)測區(qū)域的發(fā)展規(guī)劃中獲取n個影響因素的預(yù)測指標(biāo)，輸入訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型，得到城鄉(xiāng)建設(shè)領(lǐng)域的碳排放趨勢預(yù)測結(jié)果。本發(fā)明實現(xiàn)對區(qū)域城鄉(xiāng)建設(shè)領(lǐng)域碳排放的有效預(yù)測，為區(qū)域城鄉(xiāng)建設(shè)領(lǐng)域碳達峰實施路徑提供數(shù)據(jù)支撐。

技術(shù)研發(fā)人員：陳定藝,林躍東,陳雪淇,王云新,胡達明
受保護的技術(shù)使用者：福建省建研工程顧問有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19