一种基于投入产出和贝叶斯神经网络的城市系统碳排放预测方法

1.本发明属于能源经济系统领域，具体涉及一种基于投入产出和贝叶斯神经网络的城市系统碳排放预测方法。


背景技术：

2.随着化石能源消费的快速增长，温室气体排放引起的全球变暖受到广泛关注。二氧化碳(co2)是温室效应逐渐严重的主要贡献气体，大约占温室气体的70％。中国作为世界上最大的能源消费国和最大的碳排放国，面临着能源短缺、二氧化碳排放超标以及相关的资源和生态问题。为响应国际社会对碳减排的号召，减少碳排放，中国在第21届联合国气候变化大会上承诺“碳排放将在2030年达到峰值，并力争尽快达到峰值”，低碳发展已成为当前重要的战略重点。因此，在碳达峰的约束下对城市经济发展过程中的能源消耗的合理规划，保障城市能源与经济的可持续发展具有重要意义。
3.目前，现有技术尽管在城市经济、能源与碳排放方面已经开展了大量的分析和尝试工作，但仍存在一定的局限性。例如，只能对历史状况进行分析而无法预测未来的情况，不能有效地在多情景不确定性条件下进行预测。此外，在因子的选择上，存在较大的主观性且没有科学依据，从而计算出的结果也不具有普适性。
4.发明目的
5.本发明的目的即在于应对现有技术的不足，提供一种基于投入产出和贝叶斯神经网络的城市系统碳排放预测方法，在预测过程中对多情景不确定性的合理分析以及科学地选择影响因子，从而在城市能源与经济系统中引入合理、科学的分析预测模型，能够更加有效地对决策方案的生成提供技术支撑。


技术实现要素：

6.本发明提供了一种基于投入产出和贝叶斯神经网络的城市系统碳排放预测方法，包括以下步骤：
7.步骤a：确定城市各部门碳排放量，计算碳排放投入产出表，确定关键的碳排放部门和主要能源消耗因子，计算这些部门的经济占比和能耗因子；
8.步骤b：建立考虑经济发展与能源消耗的城市碳排放预测模型，具体过程为：
9.将价值流矩阵与实际物流矩阵之间的转换关系表示为如式(1)所示：
10.t+ev＝ed
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；
11.将碳排放强度表示为如式(2)所示：
12.e＝t(d-v)-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；
13.将城市各部门之间的碳流入与流出表示为如式(3)所示：
[0014][0015]
将直接排放系数表示为如式(4)所示：
[0016][0017]
将网络效用分析表示为如式(5)、(6)所示：
[0018][0019]
u＝u0+u1+u2+
…ul
+
…
＝(i-d)-1
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)，
[0020]
将网络控制分析表示为如式(7)、(8)、(9)所示：
[0021]
cn
ji
＝n
ji
/n
′
ij
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)，
[0022][0023][0024]
式(1)-(9)中，v是部门之间的价值流；d是每个部门总产出的对角线矩阵；t是流入或流出该部门的初始资源或废物；ε代表各部门的碳排放强度f
ij
是从i部门到j部门的二氧化碳流量；g
iin
是流入部门i的二氧化碳总量,g
iout
是从部门i流出的二氧化碳总量；zi和yi分别表示流入和流出网络的部门i的边界输入和输出；γ是直接排放系数；tj是系统处于稳定状态时系统j部门的输入量；dij是部门i到部门j的净流量；
[0025]
步骤c：根据各碳排放关键部门和能源消耗因子的历史数据，以及城市未来发展规划，分别设计高、中、低三个未来情景；
[0026]
步骤d：求解耦合模型，量化不同情景下对城市碳排放量的影响，判断在何种发展模式下城市碳排放可达到预定的要求。
[0027]
优选地，步骤a中所述确定关键的碳排放部门和主要能源消耗因子的方法包括：
[0028]
将皮尔逊相关系数表示为如式(10)所示：
[0029][0030]
将肯德尔相关系数表示为如式(11)所示：
[0031][0032]
将斯皮尔曼相关系数表示为如式(12)所示：
[0033][0034]
式(10)-(12中，xi是自变量的值，yi是因变量的值；p是具有两个属性值相同排列的对象的对数，n是对象数；是自变量的平均值，是因变量的平均值。
[0035]
优选地，步骤b中所述建立经济发展与能源消耗的城市碳排放预测模型的过程进一步包括：
[0036]
将目标函数设定为如式(13)-(15)所示：
[0037]
f(w)＝βfd(w)+αfw(w)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)，
[0038][0039][0040]
其中，fd(w)是误差函数，fw(w)是权值衰减项；d是具有n个样本的训练集，d＝{xk,tk；k＝1
…
n}；w为权重，包括偏差值；xk第k个输入向量；yk是网络的实际输出；tk是目标输出；m为权重数；t、α和β分别是误差函数的系数，
[0041]
将α和β的优化为如式(16)、(17)、(18)所示：
[0042][0043][0044]
γ＝m-αtracea-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)，
[0045]
其中，γ是网络所需的有效参数；a是目标函数f(w)的hessian矩阵；
[0046]
将权重w的后验分布表示为如式(19)所示：
[0047][0048]
其中，zm(α,β)是与w无关的归一化因子；
[0049]
将网络的输出分布表示为如式(20)、(21)所示：
[0050][0051][0052]
式(20)-(21)中，w
mp
是s(w)的后验概率中权重向量的最可能值；y(x,w
mp
)是输出值的平均值；σ
t
是输出值的标准差；g是y(x,w)在w
mp
下的梯度；
[0053]
将输出方程的95％置信区间表示为如式(22)-(23)所示：
[0054]
y(x)
low
＝y(x,w
mp
)-1.96σ
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)，
[0055]
y(x)
up
＝y(x,w
mp
)+1.96σ
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)，其中，y(x)
low
是
95％置信区间的下边界；y(x)
up
是95％置信区间的上边界。
[0056]
优选地，步骤d中所述量化不同情景下对城市碳排放量的影响，判断在何种发展模式下城市碳排放可达到预定的要求的方法包括：
[0057]
将均方误差mse表示为式(24)所示：
[0058][0059]
将确定系数r2表示为式(25)所示：
[0060][0061]
其中，n是样本数；ndvi
obs,i
是ndvi的观测值；ndvi
sim,i
是ndvi的模拟值。
附图说明
[0062]
图1是本发明所述基于投入产出和贝叶斯神经网络的城市系统碳排放预测方法的示意图。
[0063]
图2是本发明实施例中不同发展情景下的碳排放情景结果示意图。
[0064]
图3是本发明实施例中不同隐含层个数下的模型效果示意图。
具体实施方式
[0065]
下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0066]
本领域技术人员应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0067]
图1是本发明所述基于投入产出和贝叶斯神经网络的城市系统碳排放预测方法的示意图，如图所示建立考虑经济发展与能源消耗的城市碳排放预测模型，其中包括确定城市各部门碳排放量，计算碳排放投入产出表，确定关键的碳排放部门和主要能源消耗因子，计算这些部门的经济占比和能耗因子。
[0068]
所述预测模型依次包括描述投入产出、因子筛选、二氧化碳排放、贝叶斯神经网络，同时考虑部门发展情景输入、能耗因子情景输入，其中部门发展情景输入包括不同经济增速、不同产业转型力度；能耗因子情景输入包括不同能源的转型效率和清洁能源的发展潜力。
[0069]
实施例
[0070]
分别将城市系统中的第二产业主要碳排放部门(制造业、建筑业)、第三产业主要碳排放部门(交通业、服务业)的人均能耗、一次能源消耗设定为高、中、低三个情景，共81种变化情景，具体变化如表1所示：
[0071]
表1第二、第三产业高、中、低三种情景下的数据表
[0072][0073]
图2为实施例中不同发展情景下的碳排放情景结果示意图。如图所示，根据本发明所述方法进行预测，得到不同发展情景下的结果示意图，按照碳排放峰值出现的时间划分为宽松结果(2035年达峰)，正常结果(2030年达峰)，严苛结果(2025年达峰)。其中宽松情景下广东省碳排放峰值可达6.2亿万吨，谷值可达5亿万吨；正常情景下广东省碳排放峰值可达6亿万吨，谷值可达3.5亿万吨；严苛情境下广东省碳排放峰值可达5.7亿万吨，谷值可达2.5亿万吨。
[0074]
图3为本实施例中不同隐含层个数下的预测模型的效果示意图。如图所示，展示出了四个隐含层数下1988-2018年的碳排放预测效果图，从(a)至(b)分别代表隐含层为1-4的结果，结果表明隐含层为1时模型的效果最好，此时训练期r2＝0.99716，验证期r2＝0.87019。
[0075]
本实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该是以权利要求的保护范围为准。