动态自适应粒子群优化灰色模型的碳排放预测

黄 飞



动态自适应粒子群优化灰色模型的碳排放预测

黄 飞

(丽水学院 理学院, 浙江 丽水, 323000)

碳排放量预测对于发展低碳经济十分重要, 利用GM(1, 1)灰色模型对碳排放预测存在一些不足. 本文引入动态自适应粒子群算法对其进行改进, 并结合新模型(DAPSOGM)来预测碳排放, 以浙江丽水市近5年的碳排放量, 编辑matlab程序实证分析, 结果证实新模型具有较高的预测精度和推广价值.

碳排放; 灰色模型GM(1, 1); 标准粒子群算法;动态自适应粒子群算法

随着世界经济迅速发展, 人类面临着严峻的环境问题, 由于二氧化碳排放过多而引起的温室效应已经成为全世界关注的焦点问题. 为了应对气候变化给人类生存环境带来的巨大挑战, 低碳经济的概念应运而生. 国内外学者在碳排放与经济发展方面做了许多研究. 1991年Grossman and Krueger[1]提出库兹涅茨曲线(EKC)分析碳排放与经济增长和环境污染问题. Roberts和Grimes[2]通过研究若干发展迅速有效的国家提出碳排放强度和经济发展之间的关系. 徐国泉等人研究了基于碳排放量的基本等式. 付加锋等人从生产和消费2种视角出发实证研究我国的CKC的存在性. 王中英等人认为碳排放与收入水平之间遵循倒“U”曲线关系. 可以看出, 碳排放量与某个区域, 甚至某个国家的环境、经济发展有着密切的联系. 研究和预测某区域的碳排放量对该区域作出经济发展、战略规划是至关重要的. 因为灰色预测方法具有样本数据少、不需要考虑分布规律和变化趋势、运算方便、预测精度高、易于检验等优点, 本文选择灰色模型GM(1, 1), 但该模型在预测时存在一些缺点[3-4]. 粒子群优化算法[5-6]是近十几年来兴起的一种群智能优化算法, 有着参数少、收敛速度快、全局搜索能力强等优点, 已被广泛应用于各个领域. 尹新[10]将自适应粒子群优化与灰色模型结合来预测电网负荷.

本文将动态自适应粒子群优化算法[7-8]与GM(1, 1)模型结合, 得到动态自适应粒子群优化灰色模DAP- SOGM(dynamic adaptive particle swarm Optimization grey mode1). 用DAPSOGM模型对浙江省丽水市2005-2009年每年的碳排放进行实证预测, 结果证实新模型具有较高的预测精度和推广的价值.

1 标准碳排放测算

1.1 碳排放的测算方法

碳排放可分为自然排放和人工排放, 人工排放是由于人类活动引起的碳排放, 主要包括化石燃料消耗、生物质燃烧等, 其中化石燃料消耗所排放的碳占95%以上. 自然排放与经济发展的联系不是很密切, 而与化石燃料燃烧排放的碳最为密切. 因此, 本文旨在估计化石燃料消耗排放的碳. 碳排放估算公式为:

t=ff+mm+nn

其中,t为标准碳排放量,f为煤炭消耗量,f为煤炭消耗的碳排放转换系数;m为石油消耗量,m为石油消耗的碳排放转换系数;n为天然气消耗量,n为天然气消耗的碳排放转换系数. 关于碳排放估算公式很多, 本文采用的计算公式主要参考了徐国泉等人[11]提出并改进的碳排放量分解模型中的算法, 由于该公式的算法已经得到认可, 因此采用该公式计算得到的碳排放量是可靠的. 不同能源的碳系数如表1所示.

表1 不同能源的碳排放系数

注: 资料来源于国家发展和改革委员会能源研究所.

1.2 丽水市CO2的排放量估算

表2 丽水市2005-2009年煤、石油和天然气的消耗量及标准碳排放量 /104t

注: 资料来源于丽水市政府报告. 最后一列利用表1转换得到.

2 模型介绍

2.1 GM(1, 1)模型

对应的差分方程组为:

则上述方程组改写为=. 其中,,为已知的量,为待估的参数, 参数的最小二乘法(OLS)为:

将式(2)代入式(1), 可以得到模型的预测值为:

2.2 标准粒子群PSO

标准粒子群优化算法PSO[4](particle swarm optimization)是一种进化计算技术, 由Eberhart 和 Kenn- edy[12]于1995年提出. 粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解. 假设该群体有个粒子, 在维空间中随机搜索, 设第(=1, 2, …,) 个粒子的位置和速度分别为:

这是一条艰苦的冲顶路，除了每年巨额资金投入，还要付出大量的精力去学习。曾在香槟区接触过这些在冲击侍酒师大师之路的人，印象深刻的是他们每到酒庄参观学习尝酒，末了总会尽量请求酒庄把酒瓶留给他们，以便撕下酒标回到酒店后继续查阅资料学习。这些“候选人”普遍都有本职工作，在繁忙工作中挤时间学习提升，需要太多的毅力。有人半途放弃，有人迷茫，有人会有被套牢的感觉，也有那么一群人坚持到最后。考级升级路上，需要进行哪些权衡和取舍？如何才能更顺利地考试升级？本期文章，我们请来三位佼佼者，给我们分享这一年来的考试升级路。

又各粒子按如下迭代公式分别更新其速度和位置:

2.3 DAPSO模型

在标准PSO模型中, 如果粒子的速度迅速变为0, 那么这将导致粒子陷入局部最优, 这种现象被称为粒子群的“相似性”, 它可以通过大量实验来观察得到, 其缺点是限制了粒子的搜索区域. 如果算法中要扩大搜索范围就必须: 要么增加粒子数量, 要么削弱粒子跟踪当前全局最优值的能力. 然后, 前者的代价是增加计算的复杂性, 后者的代价是导致收敛速度慢. 为了解决这个两难问题, 文献[9]提出一个动态自适应的PSO模型, 速度和位置更新方程变为:

3 模型求解和实验设计

下面利用DAPSO算法来求解参数和, 假设有个粒子, 每个粒子为二维, 其位置假设为[,], 该实验利用Matlab编程来实现, 步骤如下:

步骤7: 如果迭代的次数大于最大迭代次数或者目标函数达到设置的理想值, 结束迭代输出各参数值. 否则返回步骤6,进行迭代运算.

4 实验仿真与预测结果分析

图1 迭代时惯性因子的变化情况

图2 迭代时参数h的变化情况

图3 迭代时目标值的变化情况

图4 迭代时参数S的变化情况

图5展示了该模型预测值与实际值的拟合, 可以看出符合较好. 根据灰色模型的评价标准: 后验差越小, 小误差概率越大, 模型拟合越好. DAPSOGM预测的后验差为0.138(<0.35), 小误差概率为1(>0.95), 且相对误差都在10%以内, 可知DAPSOGM模型预测精度达到灰色模型标准最高级. 与GM(1, 1)预测相比, 在后验差和相对误差指标上, DAPSOGM略好. 所以, 新改进的灰色模型DAPS- OGM预测碳排放各检测指标精度较GM(1, 1)高, 适合作碳排放预测的模型.

图5 预测值与实际值的拟合图

5 结论

本文求解GM(1, 1)模型的参数,时, 保持目标函数不变, 使得拟合值与实际值之间的绝对差最小, 选择DAPSO智能算法来代替传统的最小二乘法, 并结合GM(1, 1)提出了一种新的模型(DAPSOGM模型)作为碳排放的预测模型. 通过实例分析, 发现DAPSOGM模型在预测碳排放时各指标比GM(1, 1)预测精度高, 因此, DAPSOGM 模型在预测碳排放具有一定的理论意义和应用价值.

表3 丽水市2005～2009年每年标准碳排放量预测

影响碳排放的因素很多, 如果预测模型能将影响碳排放的因素尽可能多地考虑进去进行建模预测, 会使得预测模型更贴近现实, 更具有应用价值. 对经济发展速度不同的区域, 碳排放量可能不同, 该预测模型能否准确的预测碳排放, 有待于检验.

[1] Grossman, G M, Krueger, A B. Environmental impacts of a North American free trade agreement[J]. NBER, 1991, 11: 3914.

[2] Roberts J T, Grimes P E. CarbonintensityandeeonomiedeveloPment1962-1991: A brief exploration of the environmental Ku- znets curve[J]. World Development, 1997, 25: 191-198.

[3] 张大海, 江世芳, 史开泉. 灰色预测公式的理论缺陷及改进[J]. 系统工程理论与实践, 2002, 22(8): 140-142

[4] 张大海, 史开泉, 江世芳. 灰色负荷预测的参数修正法[J]. 电力系统及其自动化学报, 2001, 13(2): 20-22.

[5] Yang Xueming, Yuan Jinsha, Yuan Jiangye, et al. A modified particle swarm optimizer with dynamic adaptation[J]. Applied Mathematics and Computation, 2007, 189(7): 1205-1213.

[6] Kennedy J, Eberhart R C. Particle Swarm Optimization[A]. IEEE International Conference on Neural Networks[C]. Perth, Australia: IEEE, 1995: 1942-1948.

[7] Yang Xueming, Yuan Jinsha, Yuan Jiangye, et al. An improved WM method based on PSO for electric load forecasting[J].Expert Systems with Applications, 2010, 12(37): 8036-8041.

[8] Lee Tsung Ying. Operating schedule of battery energy storage system in a Time-of-Use rate industrial user with wind turbine generators: A multipass iteration particle swarm optimization approach[J]. IEEE TRANSACTIONS ON ENERGY CONVERSION, 2007, 22(3):774-782.

[9] 侯志荣, 吕振肃. 基于MATLAB的粒子群优化算法及其应用[J]. 计算机仿真, 2003, 20(10): 68-70.

[10] 尹新, 周野, 何怡刚, 等. 自适应粒子群优化灰色模型的负荷预测[J]. 电力系统及其自动化学报, 2010, 22(4): 41-44.

[11] 谭丹, 黄贤金. 我国东、中、西部地区经济发展与碳排放的关联分析及比较[J].中国人口·资源与环境, 2008, 18(3): 54-57.

[12] Kennedy James, Eherhart Russel. Particle swarm optimization[A]. IEEE International Conference on Neural Networks[C], Perth, Australia, 1995: 1942-1948.

Carbon emissions forcasting based on dynamic adaptive particle swarm optimization grey model

HUANG Fei

(College of Science, Lishui University, Lishui 323000, China)

s: Lots of facts show: economic development is closely related to carbon emissions, in order to plan “the twelve five economy” and develop the low-carbon economy, predicting carbon emissions seeming meaningful. Because of the shortcoming of the modelGM (1, 1), this paper introduces a dynamic adaptive particle swarm optimization algorithm and improves the GM (1, 1) model to obtain a new model, called DAPSOGM, to forecast carbon emissions. Finally, using the carbon emissions of 2005 to 2009 from Lishui city in Zhejiang province to verify the DAPSOGM modelshows that it has a higher precision of predict.

carbon emissions; gray modelGM(1, 1); particle swarm optimization (PSO); dynamic adaptive particle swarm optimization algorithm (DAPSO).

F 222.1

1672-6146(2012)04-0021-05

10.3969/j.issn.1672-6146.2012.04.005

2012-10-16 15:09

http://www.cnki.net/kcms/detail/43.1420.N.20121016.1509.002.html

2012-02-07

浙江省教育厅项目(Y200805484)

黄飞(1980-), 男, 讲师, 博士研究生, 研究方向为金融工程. E-mail: hfhong12345@163.com

(责任编校:刘刚毅)