基于最小二乘支持向量機的電網企業供應鏈碳排放預測方法研究

卞龍江　李俊穎　胡承鑫　徐友剛　周曉斌

摘要：電網企業供應鏈碳排放的預測對推動產業鏈供應鏈綠色轉型具有重要意義，為此提出基于最小二乘支持向量機的電網企業供應鏈碳排放預測方法。首先，利用4E平衡模型獲取電網企業供應鏈碳排放數據；其次，利用PLS-VIP算法對碳排放數據實施數據篩選，得到有效的碳排放數據變量；最后，引入最小二乘支持向量機，構建碳排放預測模型，并且采用量子粒子群優化算法對其展開優化，實現電網企業供應鏈碳排放高精度預測。實驗結果表明，所提方法在保證預測過程較高穩定性的同時，一定程度上提高了預測精度和預測效率。

關鍵詞：最小二乘支持向量機；4E平衡模型；PLS-VIP算法；數據篩選；碳排放預測模型

中圖分類號：X32 文獻標志碼：A

前言

在面對嚴峻的全球變暖和環境污染問題，電網企業作為供應鏈核心企業，承擔著減少碳排放、推動低碳發展的重要責任。因此，對電網企業的碳排放量進行準確預測和評估至關重要。有效的碳排放預測方法可以為制定低碳發展戰略、實施節能減排政策提供科學依據，助力電力部門邁向更加環保、可持續的發展方向。通過深入研究和應用先進的碳排放預測技術，電網企業可以更好地管理和監控其碳排放，為應對全球變暖挑戰貢獻自身的力量。因此，相關學者針對碳排放預測問題進行了深入研究，如蘇琪2等人以歷史電網企業供應鏈碳排放數據為依據，將帝王蝶優化算法引入到一種灰色預測模型中，完成碳排放關鍵因素GM（1，1）發展系數和灰作用量的尋優過程，提高模型精度，以此實現對電網企業供應鏈碳排放的預測。該方法的關鍵參數尋優過程較長，降低碳排放預測效率。為了解決上述方法中存在的問題，提高碳排放預測效率和精度，提出基于最小二乘支持向量機的電網企業供應鏈碳排放預測方法。該研究以最小二乘支持向量機為核心算法，利用4E平衡模型獲取電網企業供應鏈碳排放數據，結合PLS-VIP算法，構建了電網企業供應鏈碳排放預測方法。以期通過該方法有效預測電網企業供應鏈碳排。

1 電網企業供應鏈碳排放相關數據預處理

1.1 數據獲取

供應鏈碳排放量是電網企業供應鏈碳排放預測過程所需的主要數據，與能源需求和碳排放密切相關，為此所提方法首先采用一種4E平衡模型計算上述2個模塊數據，以建立電網企業供應鏈碳排放數據庫，具體過程如下：

根據其發電效率，將煤電和氣電折算為碳排放能源標準量，以此得到發電用化石能源RjF，y=Fjyφ，其中Fjy所形容的是在y年內j種能源的發電量，且j=1，2，3，φ代表發電量轉換系數。將RjF，y與終端消耗化石能源作加法運算求出化石能源消費總量，計算方法如式（1）：

式（1）中，Rv，y、Rh，y、Rp，y是在第y年煤炭、天然氣和石油的消費總量；Mjy是在第y年終端化石能源消耗總量；Zjy描述能源加T轉換損失量。利用IPCC提供的能源碳排放系數求出供應鏈碳排放總量。能源相關碳排放總量的關鍵是碳排放系數，在此基礎上將其與不同類化石能源消費量相乘，求得能源相關碳排放總量如式（2）：

V=R[γv，γh，γp]T 式（2）

式（2）中，γv、γh、γp為不同能源的碳排放系數，T為轉置。由此得到電網企業供應鏈碳排放量數據庫。

1.2 數據篩選

上述碳排放數據庫存在較多冗余數據，影響碳排放預測精度，為此篩選數據。PLS-VIP是一種通過計算變量的VIP值得到變量重要度的變量選擇方法，具體過程如下：

假設在上述收集到的碳排放數據庫中樣本數量為m，m中含有表征供應鏈碳排放量的因變量u以及q個自變量，用C和U描述m×q零均值自變量矩陣與mx1因變量矩陣，分別為C=YAy（V）+R、U=IWY（y）+G，以此為依據將兩者相結合后整體區分為1個外在關系式以及2個內在關系式，數學表達為I=nY+r，其中，Y是矩陣C的得分，I是矩陣U的得分，且Y≠/;A和W所代表的是載荷矩陣；R和G是通過PLS回歸擬合后獲取到的矩陣C和U的殘差；n和r是潛變量回歸系數以及PLS回歸殘差。將上述獲取的數據引入低維數據空間，篩選碳排放數據自變量，過程為：

（1）考慮不同因子引發干擾，自然對標準化處理樣本數據，生成標自變量矩陣C=[*ok]和因變量矩陣U=[u*o]；

（2）建立PLS回歸模型，采用解釋性檢驗法以及留一法（LOO）交叉檢驗法對模型中的最佳潛變量數展開提取；

（3）構建權值向量eo=CYu/||CYU||，且||eo||=1；

（4）根據權值向量e。求出潛變量yo=Ceo，并使其與U的協方差最大，滿足條件如式（3）：

式（4）中，q和l代表提取的自變量個數以及潛變量個數；ζjk表示ck在潛變量yj上的權重，且∑qk=2ζ2jk=ζYjζj=1；tj（U；yj）表示第j個潛變量的得分矢量yj矩陣U間的相關系數，且tj（U；yj）=uYjyj；

去除模型中VIP值相對較小的自變量，將余下變量按降序排列，篩選滿足VIPk>1的變量以及VIPk＜1的第一個自變量作為最終保留的自變量；重復建模以及VIP計算，以決定系數R2極大值為篩選終止條件，得到更精準的供應鏈碳排放數據作為下述碳排放預測模型的最終輸入。

2 最小二乘支持向量機的碳排放預測方法

最小二乘支持向量機（LV-SVM）是一種具有較高預測效率的自適應加權回歸預測方法，所提方法通過建立回歸模型完成電網企業供應鏈碳排放的初始預測。將通過1.2小節得到的碳排放輸入變量作為訓練樣本集合，用{（xi，yi）|i=1，2，…，M}描述，其中M代表訓練樣本容量；xi和yi分別代表第i個輸入變量和輸出值，通過非線性映射得到LSSVM的回歸模型表達式如式（5）：

f（xi）=ζrγ（xi）+b，xi∈VIPk 式（5）

式（5）中，ζ用于表示特征空間權系數向量；y（xi）是低維空間到高維空間的映射；b是閾值；由此得到LVSVM的最小二乘的優化問題：

式（6）中，V代表正則化參數；ζi表示擬合誤差；si（i+1，2，…，I）代表Lagrange乘子。

為了更便于計算，將式（6）優化問題轉換為式（7）線性方程組求解問題，根據式（7）獲取最小二乘支持向量機的碳排放預測模型：

式（7）中，L（co，ck）代表的是核函數。

為了提高LVSVM碳排放預測模型的擬合程度和泛化能力，避免核函數參數尋優過程過早收斂，所提方法采用一種基于量子粒群的最小二乘支持向量機算法實現電網企業供應鏈碳排放預測。正則化參數V以及核函數寬度σ2是LVSVM碳排放預測模型中的主要待定參數，為此利用量子粒子群優化（OPSO）算法優化兩個參數，具體過程如下：

（l）用Q、f形容粒子數目和量子粒子群維數；用Ymax、Yg∈（Ygmin，Ygmax）和b代表最大迭代次數、濾波器參數以及迭代精度；

（2）在控制可行區域范圍內設定初始迭代次數y=0，并隨機生成Q個粒子組合為初始量子粒子群；

（3）在量子種群中引入核函數，估計每個粒子的適應值對其局部最優值A。以及全局最優值Ah實施更新操作，最終求得LVSVM模型參數優化的目標函數：

式（9）中，β0.5+（1-0.5）（Ymax-y）/Ymax為收縮擴張系數，y為當前迭代次數；以此更新每個粒子的所在位置；

（5）若y滿足最大迭代次數Ymax，則終止迭代，反之則y=y+1，回到步驟（3）繼續迭代；通過該操作即可完成對最小二乘支持向量機碳排放預測模型的優化，實現電網企業供應鏈碳排放的高精度預測。

3 實驗與分析

3.1 實驗方案

首先，以某地區某城市的電網企業供應鏈夏季和冬季的部分碳排放數據作為基礎數據，兩個季節中的碳排放量相差較大，通過文章方法采集碳排放相關數據，包括供應鏈節點的碳排放數據、供應鏈節點的特征數據（如產能、運營時間等）以及其他可能影響碳排放的因素數據。其次，通過文章方法篩選數據，將數據劃分為訓練集和測試集，并且確保訓練集和測試集具有代表性和獨立性。然后，使用最小二乘支持向量機算法進行模型訓練。通過最小化模型的平方誤差來擬合訓練數據。根據訓練集的特征和對應的碳排放數據，使用LS-SVM算法擬合出一個預測方法（3.3章節）。最后，使用測試集進行方法性能評估，計算擬合優度、預測結果與真實值之間的誤差指標以及方法的預測耗時，以上述三個指標為實驗性能指標，并且將文章方法與文獻[2]方法和文獻[3]方法進行對比分析，在對比分析過程中，繪制預測結果與真實值的對比圖表，以直觀地展現方法的預測能力。

3.2 實驗數據

采集的電網企業供應鏈相關數據，采集數據的時間跨度為6-7月份和12-2月份，共計6個月的數據，其中6-7月份為夏季，12-2月份為冬季，采集的數據包括以下特征數據和對應的碳排放數據。

特征數據為4類，分別為供應鏈節點1：產能為100MW，運營時間為5年，使用煤炭能源；供應鏈節點2：產能為200MW，運營時間為3年，使用天然氣能源；供應鏈節點3：產能為150MW，運營時間為4年，使用風能；供應鏈節點4：產能為120MW，運營時間為2年，使用太陽能。碳排放數據也分為4類，分別為供應鏈節點1的碳排放為2000噸二氧化碳當量；供應鏈節點2的碳排放為1500噸二氧化碳當量；供應鏈節點3的碳排放為1000噸二氧化碳當量；供應鏈節點4的碳排放為800噸二氧化碳當量。根據上述數據，構建訓練樣本集和測試集，每個樣本包括供應鏈節點的特征數據和對應的碳排放數據。具體為訓練樣本1：[100，5，1]，2000：訓練樣本2：[200，3，2]，1500：訓練樣本3：[150，4，3]，1000：測試樣本4：[120，2，4]，800。

3.3 方法訓練

在確定實驗數據后，需要訓練文章設計的方法，訓練過程為：（1）初始化基于最小二乘支持向量機的電網企業供應鏈碳排放預測方法的參數；（2）將上述構建的訓練數據樣本輸入文章構建的方法中。（3）通過最小化模型的平方誤差來擬合訓練數據，得到模型的參數。得到優化后的參數數值見表1。

3.4 結果分析

實驗評估通過所提方法構建的碳排放預測模型的擬合優度與文獻[2]方法、文獻[3]方法展開對比。

3.4.1 擬合優度分析模型

擬合優度表征建立的模型與實際數據之間的擬合度，是衡量預測模型精度的重要指標，在模型不斷迭代的過程中，若越大，說明建立的模型預測精度越高；測試結果見圖1。

分析圖1可知，在迭代次數不斷增加的情況下，所提方法構建的碳排放預測模型擬合優度處于平穩且不斷增長的狀態，相比于文獻[2]方法和文獻[3]方法具有更好的擬合效果，這是由于所提方法所采用的量子粒子群優化算法提高了碳排放預測模型的擬合能力，證明了所提方法的有效性。

3.4.2 預測精度分析

為了進一步地體現所提方法的可行性，以此將預測值和實際值對比結果作為評價指標，采用所提方法和文獻[2]方法、文獻[3]方法對測試樣本展開預測：

如圖2所示，無論是夏季還是冬季，相比于其他兩種傳統方法，所提方法依然具有較高的預測精度，誤差極小，幾乎與實際值相同，且預測性能較為平穩；文獻[2]方法的預測結果與實際值相差過多，預測性能較差；文獻[3]方法相比于文獻[2]方法較優一些，但仍存在誤差較大的現象，預測性能不夠穩定；由此可知，采用所提方法能夠更高精度地實現對電網企業供應鏈碳排放的預測。

3.4.3 預測時間分析

碳排放預測方法的計算時間是決定其性能優劣的關鍵因素，耗時越短說明該方法具有更高效的預測能力，以此為依據將上述測試中選取的碳排放數據中夏季的6月、7月、8月和冬季的12月、1月、2月作為實驗數據采用上述三種方法展開預測的耗時對比見表2。

根據表2可得，在夏季的6月、7月、8月，所提方法的平均預測運行時間為10.08s，分別低于文獻[2]方法和文獻[3]方法16.39s和2.16s；在冬季的12月、1月、2月，文獻[3]方法的平均預測運行時間為10.25s，低于文獻[2]方法9.09s，但高于所提方法3.51s，由此可以說明所提方法在計算速度方面具有明顯優勢，其他兩種傳統方法受到數據規模不同的影響，計算速度均明顯下降，因此所提方法具有更高的穩定性和預測效率。

4 結束語

隨著綠色發展理念的出現，人們逐漸重視生態環境，避免生態環境的污染，而電網企業供應鏈由于碳排放問題，其對生態環境造成污染，因此，需要預測電網企業供應鏈，為了提高電網企業供應鏈碳排放預測方法的預測精度和預測效率，提出基于最小二乘支持向量機的電網企業供應鏈碳排放預測方法。該方法首先獲取電網企業供應鏈碳排放的基礎數據；其次利用PLS-VIP算法從該數據庫中篩選出對碳排放預測有利的有效數據變量；最后建立基于最小二乘支持向量機的碳排放預測模型并利用量子粒子群優化算法對其實施優化，完成對電網企業供應鏈碳排放數據的精確預測。經驗證，所提方法在保障預測過程穩定性的同時，一定程度上提高了預測精度和預測效率。