於慧琳，肖銘哲

(南京農(nóng)業(yè)大學 工學院，南京 210031)

基于灰色神經(jīng)網(wǎng)絡(luò)模型的企業(yè)碳排放峰值預(yù)測

於慧琳，肖銘哲

(南京農(nóng)業(yè)大學 工學院，南京 210031)

為預(yù)測企業(yè)碳排放峰值，幫助企業(yè)設(shè)計碳排放的減排路徑，需要對企業(yè)碳排放峰值預(yù)測方法進行研究;當前采用基于TFDI模型的預(yù)測模型對企業(yè)碳排放峰值進行預(yù)測，預(yù)測過程中無法全面考慮企業(yè)碳排放影響因素，導致預(yù)測企業(yè)碳排放峰值出現(xiàn)誤差;為此，提出一種基于灰色神經(jīng)網(wǎng)絡(luò)模型的企業(yè)碳排放峰值預(yù)測模型;該模型是以灰色模型為基礎(chǔ)，與神經(jīng)網(wǎng)絡(luò)相融合構(gòu)建的灰色神經(jīng)網(wǎng)絡(luò)，將模型中企業(yè)碳排放原數(shù)據(jù)進行疊加，并用微分方程表示，將VSTE算法作為灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測的基礎(chǔ)算法，計算企業(yè)碳排放路徑碳排放值，滿足高斯分布隨機函數(shù)，以此進行企業(yè)碳排放峰值的預(yù)測;實驗結(jié)果證明，所提模型可以準確預(yù)測企業(yè)碳排放峰值，有效幫助企業(yè)設(shè)計碳排放減排路徑。

灰色神經(jīng)網(wǎng)絡(luò)；碳排放；峰值預(yù)測

0 引言

現(xiàn)階段國內(nèi)經(jīng)濟發(fā)展面臨著諸多環(huán)境問題，首當其沖的是企業(yè)碳排放問題[1]，特別圍繞企業(yè)的碳排放峰值能否盡早的出現(xiàn)和在何種排放水平出現(xiàn)進行重點研究[2]。利用TFDI模型進行預(yù)測時，無法全面地考量企業(yè)碳排放量相關(guān)影響因素，容易在預(yù)測過程中出現(xiàn)誤差[3-4]。那么，準確預(yù)測企業(yè)碳排放的峰值、幫助企業(yè)設(shè)計碳排放減排路徑、盡可能地延長企業(yè)碳排量達到峰值的時間成為當前需要解決的問題。該模型是以灰色模型為基礎(chǔ)與神經(jīng)網(wǎng)絡(luò)相融合，構(gòu)建灰色神經(jīng)網(wǎng)絡(luò)，將企業(yè)碳排放原數(shù)據(jù)輸入到該模型中，并對其進行疊加，得到一個新的數(shù)據(jù)數(shù)列，并用微分方程表示，模型使用VSTE算法作為灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測的基礎(chǔ)算法，計算企業(yè)碳排放路徑碳排放的平均值，以此預(yù)測出企業(yè)碳排放峰值。針對企業(yè)碳排放隱形因素的復雜性和多樣性，研究人員建立的數(shù)學模型所考慮的因素也各不相同，造成預(yù)測結(jié)果也各不相同，誤差較大，而基于灰色神經(jīng)網(wǎng)絡(luò)模型的企業(yè)碳排放峰值預(yù)測模型，是解決上述問題的有效途徑，得到許多學者的關(guān)注，并得到一定的研究成果[5-6]。

現(xiàn)有的企業(yè)碳排放峰值預(yù)測模型有：文獻[7]提出一種STIRPAT模型的企業(yè)碳排放峰值預(yù)測模型。首先，通過分析企業(yè)近幾年來碳排放的面板數(shù)據(jù)，了解目前企業(yè)碳排放的基本情況，其次對近幾年的時間序列數(shù)據(jù)進行回歸，分析企業(yè)總體碳排放的趨勢，最后，以先前回歸的基礎(chǔ)對企業(yè)碳排放峰值出現(xiàn)時間進行預(yù)測，并提出相應(yīng)的減排措施與建議。該模型可以推斷出企業(yè)碳排放峰值出現(xiàn)的時間范圍，但計算量過大，每個步驟都會出現(xiàn)誤差，使得誤差過大。文獻[8]提出一種基于IAMC模型的企業(yè)碳排放峰值預(yù)測模型。首先考慮現(xiàn)階段影響企業(yè)碳排放的因素有哪些，并對該模型進行調(diào)整，對企業(yè)碳排放路徑和碳排放情景進行分析，同時控制企業(yè)碳排放總量，再根據(jù)已知條件對企業(yè)碳排放量峰值出現(xiàn)時間進行推算，并提出現(xiàn)階段合理的目標建議。該模型可以很好地控制企業(yè)年排放總量，因此推算結(jié)果相對準確，但在實際操作中不能融匯貫通使用。文獻[9]提出一種基于IPAT模型的企業(yè)碳排放峰值預(yù)測模型。首先核算和評估企業(yè)歷年來碳收支和碳足跡狀況，并通過IPAT模型和情景分析的方法對企業(yè)的碳排放峰值進行預(yù)測，該模型有效的延長企業(yè)碳排放量峰值出現(xiàn)的時間區(qū)間，但該模型很難預(yù)測到企業(yè)碳排放峰值將會在這一時間區(qū)間的前期、中期或是后期達到[10]。

針對上述產(chǎn)生的問題，提出一種基于灰色神經(jīng)網(wǎng)絡(luò)模型的企業(yè)碳排放峰值預(yù)測模型。仿真實驗證明，所提模型可以準確地預(yù)測企業(yè)碳排放的峰值，有效的幫助企業(yè)設(shè)計碳排放減排路徑。

1 基于灰色神經(jīng)網(wǎng)絡(luò)模型的企業(yè)碳排放峰值預(yù)測模型

1.1 灰色原理及灰色神經(jīng)網(wǎng)絡(luò)模型

灰色模型是用來解決概率統(tǒng)計和模糊數(shù)學存在“小樣本”、“貧信息”不確定性的問題，灰色模型的特點是少數(shù)據(jù)建模，可以根據(jù)數(shù)據(jù)處理推斷現(xiàn)實規(guī)律。在回升模型中建立預(yù)測模型，則該模型為灰色預(yù)測模型。該模型是一種微分方程，是以原始數(shù)據(jù)序列建立的微分方程，疊加原始數(shù)據(jù)，使其呈現(xiàn)一定的規(guī)律，再用典型的曲線來體現(xiàn)疊加后數(shù)據(jù)呈現(xiàn)的曲線。假設(shè)有時間數(shù)據(jù)序列為：

(1)

式中，x(0)為灰色預(yù)測模型中原始數(shù)據(jù)；對灰色預(yù)測模型原始數(shù)據(jù)進行第一次疊加，得到一個新的數(shù)據(jù)序列x(1)：

(2)

式中，t為灰色預(yù)測模型新的數(shù)據(jù)序列中原始數(shù)據(jù)第t項，t的取值范圍為(0,1,2,...,n-1)；用白化方程表示灰色預(yù)測模型新的數(shù)據(jù)序列，可以表示為：

(3)

解上述方程，可以得到公式(4)：

(4)

(5)

灰色預(yù)測模型對企業(yè)碳排放不確定特征值的發(fā)展變化進行預(yù)測，模型中原始數(shù)據(jù)的特征值不確定，經(jīng)過一次數(shù)據(jù)疊加后得到一個隨指數(shù)增長變化的數(shù)列，為了更好地表達微分方程的擬合和預(yù)測，將對上述符號進行重新定義，原始數(shù)據(jù)數(shù)列用x(t)表示，灰色預(yù)測模型原始數(shù)據(jù)將進行第一次疊加，得到一個新的數(shù)據(jù)序列，將用y(t)表示；x(0)預(yù)測結(jié)果將用z(t)表示。用微積分表達n個原始數(shù)據(jù)的灰色預(yù)測模型，可以表示為：

(6)

式中，y1,y2,...,y2為灰色預(yù)測模型輸入?yún)?shù)；y1為灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸入的初始參數(shù)；a,b1,b2,...,bn-1為灰色預(yù)測模型微分方程系數(shù)。則公式(6)的時間響應(yīng)表達式為：

(7)

假設(shè)：

(8)

則根據(jù)公式(8)可將公式(7)轉(zhuǎn)化為：

(9)

將公式(9)映射到一個神經(jīng)網(wǎng)絡(luò)中，得到灰色神經(jīng)網(wǎng)絡(luò)模型，該模型中包含n個灰色神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)，1個灰色神經(jīng)網(wǎng)絡(luò)模型輸出參數(shù)。即建立一個灰色的神經(jīng)網(wǎng)絡(luò)。

1.2 灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測算法

本文提出VSTE算法作為灰色神經(jīng)網(wǎng)絡(luò)模型企業(yè)碳排放峰值預(yù)測的基礎(chǔ)算法，該算法隨機選取企業(yè)碳排放的路徑，選擇碳排放量較少路徑的，并調(diào)查影響該路徑碳排放量的因素，并獲取各個因素對應(yīng)的影響值，計算該路徑的碳排放值。

假設(shè)xi為企業(yè)第i個碳排放路徑位置，L(λ)為隨機抽取碳排放路徑的方式，則新建的碳排放路徑的位置為：

xi+1=xi+δ⊕L(λ)

(10)

式中，δ為灰色神經(jīng)網(wǎng)絡(luò)企業(yè)碳排放的影響參數(shù)；⊕為點乘符號；i的取值范圍為(1,2,3,...,size)。

計算企業(yè)碳排量的過程中，采用的是VSTE算法來來計算企業(yè)碳排放量，并且滿足高斯分布隨機函數(shù)。則高斯分布隨機函數(shù)可以表示為：

stepsizei=α·step⊕(xi-xbest)

(11)

式中，α表示灰色神經(jīng)網(wǎng)絡(luò)模型中相關(guān)系數(shù)；step表示企業(yè)碳排放步長，VSTE算法采用的是隨機抽取企業(yè)碳排放路徑的方式，選取的路徑取決于該路徑碳排放量，碳排放量的影響因素，選擇的最優(yōu)碳排放路徑是企業(yè)主要使用的碳排放路徑，并且明確影響該路徑碳排放的因素，在路徑進行碳排放量最多與最少的時間段內(nèi)進行采集，計算該企業(yè)一天平均排放量。具體操作步驟如下：

1)假設(shè)企業(yè)原始碳排放量為N，企業(yè)每年碳排放量最大的跌迭代次數(shù)NUM，該企業(yè)覆蓋面積為visual，企業(yè)碳排放最大步長為step，企業(yè)覆蓋面積S內(nèi)每平方米碳分子密度為ρ。隨機采集企業(yè)某個碳排放路徑的碳排放量，每個路徑的碳排放量都為一個實數(shù)，利用灰微分方程參數(shù)a、b計算出灰色神經(jīng)網(wǎng)絡(luò)模型的權(quán)值，將權(quán)值輸入到已經(jīng)建構(gòu)的灰色神經(jīng)網(wǎng)絡(luò)模型中。

2)計算企業(yè)碳排放路徑周圍空氣中碳含量Y，碳含量較高的數(shù)據(jù)輸入到灰色神經(jīng)網(wǎng)絡(luò)模型中，同時輸入碳含量較低的數(shù)據(jù)，其覆蓋區(qū)域碳含量的平均值為：

(12)

式中,E表示企業(yè)碳排放量預(yù)測誤差。

3)每隔一段時間需要對企業(yè)碳排放量進行重新測量，并更新灰色神經(jīng)網(wǎng)絡(luò)模型中數(shù)據(jù)。

4)在誤差允許的范圍內(nèi)對其進行迭代次數(shù)訓練，利用訓練好的灰色神經(jīng)網(wǎng)絡(luò)模型進行企業(yè)碳排放峰值的預(yù)測，則模型的最終預(yù)測結(jié)果為：

(13)

2 仿真實驗結(jié)果與分析

為驗證本文方法可以準確地預(yù)測企業(yè)碳排放峰值，并幫助企業(yè)設(shè)計碳排放的減排路徑，需要進行一次仿真實驗。該實驗將在沈陽重工業(yè)區(qū)進行實驗，實驗數(shù)據(jù)以截至到2016年的數(shù)據(jù)統(tǒng)計檔案和1995～2016年的《遼寧能源統(tǒng)計年鑒》

企業(yè)碳排放量的計算公式為：

(14)

式中，C表示企業(yè)碳排放量；Ej表示企業(yè)第j種能源消耗量；Wj表示企業(yè)第j種能源的碳排放系數(shù)。根據(jù)表1各種能源碳排放系數(shù)計算各種能源的碳排放量。

根據(jù)企業(yè)1995年～2016年碳排放量、企業(yè)工人、企業(yè)碳排放強度和企業(yè)生產(chǎn)結(jié)構(gòu)的時間序列數(shù)據(jù)，分析工人、企業(yè)發(fā)展、技術(shù)的因素對企業(yè)排放量的影響。對灰色神經(jīng)網(wǎng)絡(luò)模型進行回歸，可以得到下列計算結(jié)果：

表1 各種能源的碳排放量系數(shù)

lnIi=1.004lnPi+0.994lnTi-0.075lnIs-8.265+hi

(15)

式中，I表示企業(yè)碳排放總量，p表示企業(yè)工人數(shù)目，T表示企業(yè)擁有的技術(shù)，根據(jù)灰色神經(jīng)網(wǎng)絡(luò)模型回歸方程變量系數(shù)可知，工人數(shù)量是驅(qū)動碳排放量的驅(qū)動力，其次是企業(yè)碳排量強度，企業(yè)生產(chǎn)結(jié)構(gòu)一般情況下只起到輔助作用，所以影響企業(yè)碳排放量的主要因素還是企業(yè)工人數(shù)量與企業(yè)碳排放強度。

根據(jù)1995～2016年的檢測數(shù)據(jù)可知，企業(yè)在此期間內(nèi)生產(chǎn)結(jié)構(gòu)維持在區(qū)間[36.25%，54.21%]內(nèi)，如果將2017～2035年企業(yè)工人與企業(yè)排放量強度維持在目前的發(fā)展趨勢。假設(shè)企業(yè)每年碳排放量按照1995～2016年的年增長率增長，并將企業(yè)生產(chǎn)的上限值與下限值輸入到灰色神經(jīng)網(wǎng)絡(luò)模型中，從而推算出2017～2035年企業(yè)年碳排放量預(yù)估值范圍，如圖1所示。

圖1 維持現(xiàn)狀下2017～2035年企業(yè)碳排放量預(yù)測

由圖1可知，如果企業(yè)維持現(xiàn)狀，無論是企業(yè)生產(chǎn)結(jié)構(gòu)的上限還是下線，還是企業(yè)的碳排放量都呈現(xiàn)上升的趨勢，灰色神經(jīng)網(wǎng)絡(luò)模型在預(yù)測企業(yè)碳排放峰值期間內(nèi)不會出現(xiàn)碳排放峰值，表明在2035年企業(yè)碳排放不能達到峰值。所以如果需要企業(yè)的碳排放在2035年內(nèi)達到碳排放峰值，需要對企業(yè)工人、企業(yè)生產(chǎn)結(jié)構(gòu)和碳排放強度進行相應(yīng)的控制。

為更準確地預(yù)測2017年～2035年企業(yè)碳排放峰值，下列實驗采用了不同的模式，從中其中找出最優(yōu)的發(fā)展模式，確定影響企業(yè)碳排放量的影響因素的發(fā)展情況，從而對其進行控制。

影響企業(yè)碳排放量的主要因素為企業(yè)工人、碳排放量強度、企業(yè)生產(chǎn)結(jié)構(gòu)，但控制企業(yè)工人人數(shù)從而控制碳排放量，并不是有效的辦法，所以在維持企業(yè)工人人數(shù)的情況下，并根據(jù)企業(yè)1995年～2016年的碳排放的發(fā)展趨勢，計算企業(yè)碳排放量增長率的變化范圍，該范圍在0.6%～1.2%之間。通過控制企業(yè)碳排放強度實現(xiàn)控制企業(yè)碳排放量，設(shè)T為企業(yè)碳排放量強度，將影響企業(yè)碳排放量因素的分為高、中、低三種變化速率，以中等變化速率模式為基準。

根據(jù)公式(15)分析，假設(shè)企業(yè)經(jīng)濟在低基準變化速率模式的情況下各個變量以低速度增長，企業(yè)經(jīng)濟在中等基準變化速率模式的情況下，各個變量以適中的速度增長；企業(yè)經(jīng)濟在高等變換速率的模式下，各個變量以高速的速度增長；根據(jù)上述三種模式，設(shè)定了5種情景模式，如表2所示。

表2 各個情景模式說明

表2中節(jié)能情景企業(yè)生產(chǎn)結(jié)構(gòu)以高速增長，而碳排放強度以中速增長，失控情景企業(yè)生產(chǎn)結(jié)構(gòu)以低速增長，而碳排放強度以中速增長，環(huán)保情景企業(yè)生產(chǎn)結(jié)構(gòu)以低速增長，而碳排放強度以低速增長，低碳情景A企業(yè)生產(chǎn)結(jié)構(gòu)以高速增長，而碳排放強度以中速增長，低碳情景A企業(yè)生產(chǎn)結(jié)構(gòu)以低速增長，而碳排放強度以中速增長，探討影響企業(yè)碳排放量各個因素按照不同的增速變化對碳排量峰值出現(xiàn)時間的影響，為灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測企業(yè)碳排放峰值出現(xiàn)的時間。

企業(yè)的碳排放強度正在不斷的下降，最近5年企業(yè)碳排放強度下降的速率已經(jīng)累計下降18%，每年平均下降的速率為3.6%，以此為企業(yè)碳排放強度下降的最低速率，以企業(yè)1995～2016年企業(yè)碳排放強度平均下降速率8%為企業(yè)碳排放強度下降的最高速率，中速率在高速率與低數(shù)據(jù)之間。

根據(jù)圖2的預(yù)測結(jié)果可知，在低等基準變化速率情景模式、環(huán)保情景模式和低碳情景A模式下企業(yè)的碳排放在預(yù)測年限間出現(xiàn)峰值，出現(xiàn)的時間分別為2020年、2030年、2025年；在另外5種情景模式下均沒有出現(xiàn)碳排放峰值，企業(yè)碳排放強度對企業(yè)碳排放峰值出現(xiàn)有著重要的影響，企業(yè)生產(chǎn)結(jié)構(gòu)增長速度比碳排放強度下降的速度快，所以其他5中情景模式在2035年內(nèi)不會出現(xiàn)碳排放量峰值。相反，如果企業(yè)生產(chǎn)結(jié)構(gòu)增長速度比企業(yè)工人增長的速度較快，會推動企業(yè)碳排放量盡早達到峰值，由低等基準變化速率模式與環(huán)保情景模式對比可知，在企業(yè)經(jīng)濟和工人人數(shù)不變的情況下，企業(yè)碳排放強度增長速率較慢，則企業(yè)碳排放峰值出現(xiàn)的時間越晚，而且企業(yè)碳排放峰值額相對較大。分析表3灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果可知，在企業(yè)經(jīng)濟發(fā)展的過程中，如果適當?shù)目刂破髽I(yè)工人數(shù)

圖2 不同情景下2017～2035年企業(yè)碳排放峰值預(yù)測

量與經(jīng)濟的快速增長，并通過企業(yè)技術(shù)進步保持企業(yè)碳排放強度的合理下降，則企業(yè)碳排放峰值出現(xiàn)的時間在2030年～2035年之間。如果企業(yè)在經(jīng)濟發(fā)展時企業(yè)碳排放強度降低，會延后企業(yè)碳排放峰值出現(xiàn)時間。

從表3可以看出灰色神經(jīng)網(wǎng)絡(luò)可以全面考慮影響企業(yè)碳排放峰值的因素，并且準確地預(yù)測出企業(yè)碳排放峰值出現(xiàn)的時間與峰值額。仿真實驗證明，本文所提模型可以準確預(yù)測企業(yè)碳排放峰值，并有效幫助企業(yè)設(shè)計碳排放減排路徑。

表3 灰色神經(jīng)網(wǎng)絡(luò)模型在各種模式下峰值預(yù)測結(jié)果

3 結(jié)束語

采用當前的預(yù)測模型TFDI模型對企業(yè)碳排放峰值進行預(yù)測，由于預(yù)測過程中無法全面考慮企業(yè)碳的排放影響因素，容易使企業(yè)碳排放的預(yù)測出現(xiàn)誤差。提出一種基于灰色神經(jīng)網(wǎng)絡(luò)模型的企業(yè)碳排放峰值預(yù)測模型。并通過仿真實驗證明，所提模型可以準確地預(yù)測企業(yè)碳排放的峰值，有效地幫助企業(yè)設(shè)計碳排放減排路徑。

[1]朱宇恩,李麗芬,賀思思,等.基于IPAT模型和情景分析法的山西省碳排放峰值年預(yù)測[J].資源科學,2016,38(12):2316-2325.

[2]陳 盈,李函昱,田立新.江蘇省能源消費結(jié)構(gòu)對碳排放影響的效應(yīng)與趨勢——基于LMDI和Logistics模型的實證研究[J].數(shù)學的實踐與認識,2016,46(21):158-170.

[3]王秋平,舒 勤,黃宏光,等.含有誤差校正的小波神經(jīng)網(wǎng)絡(luò)交通流量預(yù)測[J].計算機測量與控制,2016,24(2):168-170.

[4]侯連浪,梁利喜,劉向君,等.基于BP神經(jīng)網(wǎng)絡(luò)的頁巖靜彈性模量預(yù)測研究[J].科學技術(shù)與工程,2016,16(30):176-180.

[5]賀永俊,楊 珊.基于QPSO灰色神經(jīng)網(wǎng)絡(luò)的基坑錨固荷載預(yù)測[J].科技通報,2016,32(1):109-113.

[6]劉曉輝,閆二旺.能源與產(chǎn)業(yè)結(jié)構(gòu)調(diào)整下我國工業(yè)碳排放峰值調(diào)節(jié)機制研究[J].工業(yè)技術(shù)經(jīng)濟,2016,35(12):107-114.

[7]周晟呂,胡 靜,李立峰.崇明島中長期碳排放預(yù)測及其影響因素分析[J].長江流域資源與環(huán)境,2015,24(4):632-639.

[8]朱松麗.基于國土空間開發(fā)格局的城市化地區(qū)和其他功能區(qū)碳排放現(xiàn)狀——黑黔粵案例研究[J].氣候變化研究進展,2016,12(2):132-138.

[9]郭 斌,許江寧,何泓洋,等.基于微分器與RBF神經(jīng)網(wǎng)絡(luò)補償?shù)腜ID控制[J].計算機仿真,2016,33(6):294-297.

[10] 朱衛(wèi)平,汪志成,袁曉冬,等.一種光伏功率預(yù)測的RBF神經(jīng)網(wǎng)絡(luò)校正模型[J].電子設(shè)計工程,2016,24(13):113-115.

Grey Neural Network Model for Prediction of Carbon Emissions

Yu Huilin,Xiao Mingzhe

(College of Engineering,Nanjing Agricultural University,Nanjing 210031,China)

In order to predict the peak of carbon emissions, and to help enterprises design the path of carbon emission reduction, it is necessary to study the prediction method of carbon emissions. At present, the prediction model based on TFDI model is used to predict the peak of carbon emissions, which can not fully consider the influence factors of carbon emissions in the process of prediction, leading to the prediction of the peak value of carbon emissions. Therefore, this paper puts forward a new model of carbon emission prediction based on grey neural network model. The model is based on the grey model, and neural network by combining grey neural network model, the corporate carbon raw data are superimposed, and is represented by differential equations, the VSTE algorithm as the basic algorithm grey neural network prediction model, the calculation of corporate carbon emissions path of carbon emissions, to meet the random Gauss distribution function in order to forecast, corporate carbon emissions to peak. The experimental results show that the proposed model can accurately predict the peak of carbon emissions, and help enterprises to design a path of carbon emission reduction.

grey neural network; carbon emission; peak prediction

2017-05-09；

2017-05-26。

於慧琳(1995-)，女，江蘇南京人，大學生，主要從事系統(tǒng)工程方向的研究。

1671-4598(2017)12-0177-03

10.16526/j.cnki.11-4762/tp.2017.12.046

X321

A