基于灰色BP 神经网络的电力碳排放峰值预测

吴海杰，王联智，谢敏，王康桑，符艺超

（南方电网海南数字电网研究院有限公司，海南海口 570203）

现阶段，我国经济发展过程中面临着许多环境问题，其中最为紧要的问题是发电公司的二氧化碳排放量较高。因此，如何正确地预测碳排放峰值，结合预测结果制定碳减排策略，并在短时间内控制碳排放峰值，这均成为了现代社会发展过程中急需解决的问题。目前，学者们从不同的角度和理论出发，研究碳排放峰值预测方法。文献[1]提出了基于STIRPAT 模型的峰值预测方法，在能源结构优化模式下构建了STIRPAT 模型。该模型结合VSTE 算法计算电力碳排放平均值，进而预测碳排放峰值。然而，该方法过分依赖人工操作，使得构建的模型在求解过程中受到不同因素影响，出现了较大预测误差。文献[2]提出了基于双回归预测模型的峰值预测方法。构建了电力碳排放双回归预测模型，根据电力耗能情况，将不同电力设备运行参数进行了相关处理，并将其输入到预测模型中，实现电力碳排放峰值精准预测。该方法虽然能够快速取得预测结果，但在实际操作过程中无法很好控制碳排放总量，因此预测结果还存在一定的误差。

针对上述方法所以存在的问题，提出了基于灰色BP 神经网络的电力碳排放峰值预测方法。灰色BP 神经网络具有较好的非映射性能，还能够根据实际情况灵活地设定参数，能够降低预测误差，提升预测精度。

1 基于灰色BP 神经网络的预测模型构建

基于误差反传播的灰色BP 神经网络具有连续逼近函数极限值的优势，使得预测结果存在最优解[3]。此外，还可以根据不同环境设定模型结构的层数、单元数及训练因子等，使预测过程更具有灵活性和随机性，提升预测精准度与效率。灰色BP 神经网络能够训练大量数据，并明确数据之间的关系[4-5]。采用快速下降方法通过反向传递不断地调节网络权值和门限，从而减小网络的误差。该方法的核心思想是引入一种新的学习方法，通过对网络逆向传递进行迭代修正和训练，使得网络输出矢量与所需矢量保持一致。

灰色BP 神经网络模型将随机变量视为一定区间内变动的灰色变量，经过处理后累加序列都呈现指数增长趋势[6]，该情况下的原始数据序列和累加序列分别为：

将原始数据序列和累加序列作为输入值，构建基于灰色BP 神经网络的碳排放峰值预测模型，如图1 所示。

图1 预测模型

在网络输出层的错误平方和小于规定值时，完成了模型训练，以此能够有效降低网络加权次序偏差[7]。模型训练具体步骤是：通过对各个节点初始化，随机地分配各个节点权重和门限。在参数设定完成的情况下，分别对输入层和输出层连接权重和阈值进行计算。选择下一种输入方式，反复迭代，直到网络输出结果符合规定为止。

2 电力碳排放峰值预测模型求解

为了求解电力碳排放峰值预测模型，在灰色BP神经网络中引入了递推算法，该算法通过选取随机碳排放路径，计算各个因子对应的影响权值，进而获取相应路径碳排放数值[8-9]。随机选取的碳排放新路径为：

式中，Li表示第i种碳排放量路径；λ表示碳排放系数[10]；L′(ξ)表示碳排放路径抽取函数[11]。在计算电力碳排放量过程中，使用递推算法计算电力碳排放量，公式为：

式中，ai表示第i种电力消费模式；fi表示第i种电力折标系数；λi表示第i种电力碳排放系数；j表示电力设备数量。

递推算法采用的是随机选择电力碳排放路径方式，主要是通过对不同路径上碳排放影响因素分析，获取最大和最小碳排放周期[12]。具体的操作流程如下：

步骤一：随机获取各路径碳排放量，通过引入微分方程参数，对其进行加权处理，得到了新的灰色BP 神经网络模型。

步骤二：采用正规化的方法剔除了数据之间的非线性关系，并将其引入到模型中。利用Lasso 回归分析方法，分析了各因素对碳排放量峰值预测的影响[13-14]。Lasso 回归分析通过惩罚函数来压缩模型中的系数，将一些因子变成0，以筛选出显著变量。

设a为自变量，b为因变量，经过m次取样后得到的预测样本标准值为(a,b)，自变量a的第k个预测值为：

式中，T表示预测周期。因变量对自变量的回归模型可表示为：

式中，εi表示随机自然数。如果要筛选出影响显著变量，需要给该公式添加一个条件，约束表达式为：

式中，t表示调和参数；φ表示最佳调整阈值。Lasso 回归就是通过不断调整调和参数值，降低回归系数，压缩变量系数直到为0，以此获取显著变量，即碳排放峰值[15]。

步骤三：由于电力碳排放量计算具有邻接性，因此在计算一个节点的碳排放量时，仅需获得邻近节点碳排放量，无需了解该节点碳排放流信息，碳排放流邻接特性示意图，如图2 所示。

图2 碳排放流邻接特性示意图

通过对各节点功率分配，可以得出各节点间的联系。根据电网碳排放邻接性，依次求取初始点到不同节点的碳势。在每次递推时，在确定某一节点碳势后，就可求取全部节点碳势。因此，每一次递推都能在任意一段时间内获取精准的节点碳势计算结果。最终，利用有限递推方法，求出了网络中全部节点碳势[16]。具体计算公式如下：

式中，Pi表示节点注入的有功功率；Gj表示电力机组支路有功功率；Ωi、Ωj分别表示第i、j两个电力碳排放及节点注入的集合。判断是否所有节点都已经轮询完毕，若是获取了全部节点碳势，完成递推。

步骤四：在偏差允许的条件下，实现了预测模型的求解，得到了电力碳排放量峰值预测结果。

3 实验

为了验证研究的基于灰色BP 神经网络的电力碳排放峰值预测方法是否合理，设计了相关实验，以此来验证方法的可行性。

3.1 实验过程

分析了电力碳排放流，其示意图如图3 所示。

图3 电力碳排放流示意图

通过分析配电网络与主网功率交换方向及规模，确定各主要网络间的碳排放量的计算次序。若将有功电力注入到主网，则可将其作为主网供电，而不能作为主网负荷。若将有功电力注入到主网配电网络中，利用分布式电源与常规火电厂之间边界信息，对配电网络中碳排放进行分析。在此基础上，将根节点的碳势和注入功率作为主网的重要变量，对主要网络碳排放量进行了计算。根据主网碳排放流量分析了其碳排放流的分布。

3.2 实验数据分析

碳排放峰值不是表示一年碳排放量达到峰值，而是从这一年开始某个地区碳排放量出现稳定趋势。在基准情景、低碳情景和强化低碳情景下，采集碳排放峰值如表1 所示。

表1 碳排放峰值采集结果

由表1 可知，基准情景、低碳情景和强化低碳情景下碳排放峰值分别为40 000 万吨、39 000 万吨、40 000 万吨，在2014-2022 年三种情景的碳排放均呈缓慢下降趋势。

3.3 实验结果与分析

检验文献[1]方法、文献[2]方法和研究方法的电力碳排放峰值预测结果，如图4 所示。

图4 三种方法峰值预测结果

由图4(a)可知，在基准情景下文献[1]方法碳排放峰值与表1 数据存在最大为600 万吨的误差；在低碳情景下文献[1]方法碳排放峰值与表1 数据存在最大为500 万吨的误差；在强化低碳情景下文献[1]方法碳排放峰值与表1 数据存在最大为400 万吨的误差。由图4(b)可知，在基准情景下文献[2]方法的碳排放峰值与表1 数据存在最大为400 万吨的误差；在低碳情景下文献[2]方法的碳排放峰值与表1 数据存在最大为500 万吨的误差；在强化低碳情景下文献[2]方法的碳排放峰值与表1 数据存在最大为600万吨的误差。由图4(c)可知，使用所研究方法在三种情景下的碳排放峰值与表1 数据一致。

通过上述分析结果可知，使用所研究方法电力碳排放峰值与实际数据一致，说明该方法的预测结果更为精准。

4 结束语

由于碳排放变化趋势呈现非线性，灰色BP 神经网络进行碳排放峰值预测，原因在于灰色BP 神经网络具有较好非映射性能，还能够根据实际情况灵活地设定参数，使用Lasso 回归筛选法和递推算法对该模型进行了求解，得到了相关的电力碳排放峰值预测结果。实验结果表明，在基准情景、低碳情景和强化低碳情景下，所研究方法的碳排量峰值与实际数值一致，都为40 000 万吨、39 000 万吨、40 000 万吨，由实验验证了所研究方法的合理性，能够为碳排放控制提供技术支持。