基于支持向量回归机的河北省能源消费碳排放预测

doi:10.11799/ce201708047

煤炭工程 ›› 2017, Vol. 49 ›› Issue (8): 165-168.doi: 10.11799/ce201708047

基于支持向量回归机的河北省能源消费碳排放预测

薛黎明，张心智，刘保康，胡雅各

1. 中国矿业大学（北京）资源学院
2. 中国矿业大学（北京）资源与安全工程学院

收稿日期:2016-10-08 修回日期:2016-11-20 出版日期:2017-08-25 发布日期:2017-09-25
通讯作者: 张心智 E-mail:846042148@qq.com

The SVR-based projection of Hebei’s carbon emissions resulting from energy consumption

Received:2016-10-08 Revised:2016-11-20 Online:2017-08-25 Published:2017-09-25

摘要/Abstract

摘要： 分析了支持向量回归机在碳排放预测中的优势，并以此理论为基础构建了碳排放预测模型。采用河北省1990—2015年的碳排放量及其影响因素数据对模型进行训练和测试，得到具有良好推广能力的碳排放预测模型，并对河北省2016—2015年的碳排放量进行预测。结果表明：从增长幅度来看，1990—2015年河北省能源消费碳排放量整体呈增长趋势，增量为22 487.62万t，预测区间2016—2020年的增长量为3 055.63万t，年均增长率保持在3%左右;从增长速度来看，通过分析六项碳排放影响因素可知，人口数量、城镇化率、人均GDP以及单位GDP能耗对碳排放量增速的贡献率较小，第二产业比重和煤炭消费比对碳排放量增速的贡献率较大。最后针对得出的结论，为河北省未来几年碳减排工作提出建议。

关键词: 支持向量回归机, 碳排放, 预测模型, 河北省

Abstract: This paper analyzes the advantage of support vector regression (SVR) in the projection of carbon emission and establishes the model of projection of carbon emission based on SVR. The model with good learning and generalization ability is established through using the data of Hebei’s carbon emissions and influence factors from the year 1990 to 2013 as samples to train and test and then predicts Hebei’s carbon emissions from the year 2014 to 2020. The results show that Hebei’s carbon emissions have an increasing tendency from the year 1990 to 2020 as a whole, increasing stably and less during the period of 1990-2000 and 2010-2020 but faster from 2000 to 2010; there would be also adding up to 4441.76 tons carbon emissions in Hebei between 2014 and 2020 and keeping a stable increase rate about 3%. Finally according to the data of projection, this paper provides some suggestions which are beneficial to the Hebei’s carbon reduction.

中图分类号:

TD-05

薛黎明，张心智，刘保康，胡雅各. 基于支持向量回归机的河北省能源消费碳排放预测[J]. 煤炭工程, 2017, 49(8): 165-168.

0
/ / 推荐

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.coale.com.cn/CN/10.11799/ce201708047

http://www.coale.com.cn/CN/Y2017/V49/I8/165

参考文献

[1]王海建.中国能源消费与温室气体排放预测分析[J].上海环境科学, 1999, 18(2):67-69
[2]陈文颖, 高鹏飞, 何建坤.用-模型研究碳减排对中国能源系统的影响[J].清华大学学报: 自然科学版, 2004, 44(3):342-346
[3]王灿, 陈吉宁, 邹骥.基于模型的减排对中国经济的影响[J].清华大学学报: 自然科学版, 2005, 45(12):1621-1624
[4]聂锐, 张涛, 王迪.基于模型的江苏省能源消费与碳排放情景研究[J].自然资源科学报, 2010, 25(9):1557-1564
[5]魏一鸣, 刘兰翠, 范英, 等.中国能源报告(2008):碳排放研究[M]. 北京: 北京科学出版社, 2008.
[6]朱勤, 彭希哲, 陆志明, 等.人口与消费对碳排放影响的分析模型与实证[J].中国人口资源与环境, 2010, 20(2):98-102
[7]宋杰鲲.山东省能源消费碳排放预测[J].技术经济, 2012, 31(1):82-94
[8]王惠文.偏最小二乘回归方法及其应用[M]. 北京: 北京国防工业出版社, 1999.
[9]朱平芳.现代计量经济学[M]. 上海: 上海财经大学出版社, 2004.
[10]Lawrence S, Giles C L, Tsoi A C.Lessons in Neural Network Training: Overfitting May Be Harder Than Expected[C]. CA: AAAI Press, 1997: 540-545.
[11]Moody J E.The Effective Number of Parameters: An Analysis of Generalization and Regularization in Nonlinear Learning Systems[C].NIPS, 1992, 4 : 847-854.
[12]Sarle W S.Stopped Training and Other Remedies for Overfitting[C]. Proceedings of The 27th Symposium on The Interface of Computing Science and Statistics, 1995: 352-360.
[13]Sa Zi M Y, Ceylan H.Use of Artificial Neural Networks for Transport Energy Demand Modeling[J].Energy Policy, 2006, 34(17):3165-3172
[14]Vapnik V N.The Nature of Statistical Learning Theory[M]. New York: Springer, 1995.
[15]邓乃扬, 田英杰.数据挖掘中的新方法——支持向量机[M]. 北京科学出版社, 2004.
[16]Vapnik V N, Golowich S E, Smola A.Support Vector Method for Function Approximation, Regression Estimation and Signal Processing[C]. Proceeding of NIPS, 1996: 281-287.
[17]薛黎明.中国能源需求影响因素分析[D]. 北京: 中国矿业大学(北京), 2010: 75-90.
[18]王凡.河北省城镇化水平和速度的实证分析[D]. 河北: 河北大学, 2014: 6-32.
[19]于维洋.基于碳排放量的河北省产业结构优化研究[D]. 河北: 燕山大学, 2013: 18-62.
[20]宋杰鲲.基于支持向量回归机的中国碳排放预测模型[J].中国石油大学学报: 自然科学版, 2012, 36(2):183-187
[21]宁云才, 蔡炜华, 陈翔.基于支持向量机的煤炭需求量混沌时间序列预测[J].煤炭经济研究, 2008, 1(11):44-46
[22]徐鹏, 刘琼, 林森.基于支持向量机流量分类研究[J].计算机研究与发展, 2009, 46(3):408-414
[23]贾存良, 吴海山, 巩敦卫.煤炭需求量预测的支持向量机模型[J].中国矿业大学学报, 2007, 36(1):108-110
[24]孙涵, 杨普锐, 成金华.基于支持向量回归机的能源需求预测模型[J].系统工程理论与实践, 2011, 31(10):2002-2007
[25]卢敏, 张展羽.基于支持向量机的水资源可持续利用评价[J].水电能源学, 2005, 23(5):19-21
[26]武红, 谷树忠, 周洪, 等.河北省能源消费、碳排放与经济增长的关系[J].资源科学, 2011, 3(10):1898-1905
[27]武义青, 赵亚南.河北省碳排放与能源消费和经济增长[J].河北经贸大学报, 2015, 36(1):123-128

基于支持向量回归机的河北省能源消费碳排放预测

The SVR-based projection of Hebei’s carbon emissions resulting from energy consumption

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics

本文评价

[1]	陈小军，李鹏飞，李萍，等. 多元逐步回归分析法在煤层含气量预测中的应用[J]. 煤炭工程, 2019, 51(2): 106-111.
[2]	张凌云，沈群，汪鸣泉，等. 三种情景下煤化工产业碳排放量及强度分析[J]. 煤炭工程, 2018, 50(9): 155-159.
[3]	张洪潮，王亚荣. 煤炭产业低碳发展对煤炭主产区经济增长质量的影响[J]. 煤炭工程, 2018, 50(8): 173-176.
[4]	李祥，杜政烨，刘翠茹，茌方，袁翠翠. 基于主成分-线性回归分析的煤炭热值预测模型研究[J]. 煤炭工程, 2018, 50(7): 142-146.
[5]	易欣，吴奉亮，王振平，等. 基于全风网的矿井风温预测方法研究[J]. 煤炭工程, 2017, 49(2): 89-92.
[6]	郑宇花，迟远英. 煤炭价格下降对我国能源消费、碳排放与宏观经济的影响[J]. 煤炭工程, 2016, 48(1): 142-145.
[7]	宋梅，谢鹏. 新疆碳排放与经济发展的关联度分析[J]. 煤炭工程, 2014, 46(3): 103-105.
[8]	高志远，林宗媛，等. 基于产业结构演进和能源消费结构的新疆低碳发展研究[J]. 煤炭工程, 2013, 45(8): 140-142.
[9]	史吉胜，蒋承林，史吉强. 基于神经网络的初始释放瓦斯膨胀能预测模型[J]. 煤炭工程, 2013, 45(8): 92-94.
[10]	穆喜产王兰甫杨昌明王军. 大型煤制甲醇项目动态经济风险预测模型的构建研究[J]. 煤炭工程, 2012, 1(8): 138-140.
[11]	薛黎明. 我国二氧化碳排放与出口贸易之间协整关系研究[J]. 煤炭工程, 2011, 1(5): 108-110.
[12]	李国祯;李希建. 基于灰色理论的矿井未开采区瓦斯涌出量预测[J]. 煤炭工程, 2010, 1(9): 0-0.