本發(fā)明涉及碳排放計算領(lǐng)域，尤其涉及一種支持城市減污降碳協(xié)同發(fā)展的碳排放計算方法及裝置。

背景技術(shù)：

1、氣候變化是一個全球關(guān)注的問題，它可能導(dǎo)致海平面上升，更頻繁和更強烈的天氣發(fā)生，并對生態(tài)系統(tǒng)和人類福祉產(chǎn)生重大影響。二氧化碳的排放是導(dǎo)致全球變暖的主要原因，因此預(yù)測未來的碳排放情況成為當(dāng)務(wù)之急。

2、當(dāng)前對于碳排放計算的方法具有以下不足之處：

3、(1)影響因素的研究未充分考慮多維度、多因素的交互作用，導(dǎo)致碳排放模型缺乏全面性或因變量過多而引入冗余；(2)對于碳排放量的預(yù)測模型難以捕捉非線性復(fù)雜關(guān)系，且超參數(shù)優(yōu)化多采用網(wǎng)格搜索或隨機搜索方法，搜索效率低且容易陷入局部最優(yōu)。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種支持城市減污降碳協(xié)同發(fā)展的碳排放計算方法及裝置，本發(fā)明充分挖掘分析了涉及環(huán)境保護等多維度的碳排放影響因素，厘清碳排與污染物排放的關(guān)聯(lián)關(guān)系，協(xié)助城市實現(xiàn)可持續(xù)的生態(tài)環(huán)境改善，并采用gcs-lstm模型對環(huán)境污染等大量歷史數(shù)據(jù)進行訓(xùn)練，實現(xiàn)對碳排放的計算，詳見下文描述：

2、第一方面、一種支持城市減污降碳協(xié)同發(fā)展的碳排放計算方法，所述方法包括：

3、從經(jīng)濟、宏觀層面、高耗能行業(yè)和交通四個角度選擇城市碳排放的影響因子，使用基于距離分析法改進的灰色關(guān)聯(lián)度分析方法定量觀察分析碳排放的各個影響因子與碳排放之間的相關(guān)性，篩選出主要因子；

4、基于所分析確定的主要因子，構(gòu)建lstm碳排放預(yù)測模型，并通過gcs算法對lstm碳排放預(yù)測模型的超參數(shù)進行優(yōu)化，形成gcs-lstm碳排放預(yù)測模型，基于gcs-lstm碳排放預(yù)測模型實現(xiàn)對城市的碳排放量進行預(yù)測；

5、基于得到的碳排放預(yù)測值，構(gòu)建復(fù)合系統(tǒng)協(xié)同度模型測算未來減污降碳協(xié)同度。

6、其中，所述基于距離分析法改進的灰色關(guān)聯(lián)度分析方法具體為：

7、收集相關(guān)數(shù)據(jù)，確定碳排放量作為參考數(shù)列，各影響因子作為比較數(shù)列，計算參考數(shù)列和比較數(shù)列之間的關(guān)聯(lián)系數(shù)ξi(k)，公式如下：

8、

9、其中，k為序列中的第k個數(shù)據(jù)；△i(k)表示碳排放量序列的某一元素與某一比較序列的對應(yīng)元素之差絕對值；△min和△max分別表示這些絕對值中的最小值和最大值，其中ρ為分辨系數(shù)；計算參考數(shù)列x0和比較數(shù)列xi之間的關(guān)聯(lián)度時，對各影響因素進行加權(quán)處理，衡量各影響因素與碳排放的相關(guān)性，公式如下：

10、

11、其中，ξi為關(guān)聯(lián)度，α為權(quán)重，n為影響因素數(shù)量；所述權(quán)重的計算方法如下：確定最優(yōu)因素和最劣因素，并以最優(yōu)因素和最劣因素為參考因素，采用歐氏距離計算各個影響因素到參考因素的距離，綜合正負向距離對各因素的距離進行綜合評價，將數(shù)據(jù)歸一化處理得到所有權(quán)重向量α(k)；

12、最后根據(jù)灰色關(guān)聯(lián)度結(jié)果ξi的大小篩選出與碳排放關(guān)聯(lián)關(guān)系顯著的影響因子作為碳排放預(yù)測模型的輸入變量。

13、其中，所述gcs-lstm碳排放預(yù)測模型的構(gòu)建步驟為：

14、初始化lstm碳排放預(yù)測模型的隱藏層神經(jīng)元個數(shù)h、學(xué)習(xí)率lr和訓(xùn)練次數(shù)n?3個超參數(shù)的搜索范圍和gcs算法的鳥巢數(shù)量和最大迭代次數(shù)；然后進行種群初始化，假設(shè)布谷鳥蛋被宿主鳥在巢中發(fā)現(xiàn)的概率pa＝0.25，對鳥巢的位置進行初始化，隨機產(chǎn)生n個鳥巢位置即每一個鳥巢位置對應(yīng)一個三維向量(h,lr,n)，每個鳥巢的位置由隱藏層神經(jīng)元個數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)的參數(shù)組合確定，選用均方根誤差公式計算每個鳥巢位置的適應(yīng)度，利用參數(shù)組合訓(xùn)練lstm碳排放預(yù)測模型，并生成預(yù)測值；將模型的預(yù)測值與實際值進行比較，計算預(yù)測誤差，得到當(dāng)代最優(yōu)鳥巢位置和最優(yōu)適應(yīng)度fmin；

15、保留最優(yōu)鳥巢位置，通過levy?flight更新其他鳥巢位置；根據(jù)適應(yīng)度將新的鳥巢位置與上一代位置pi-1進行對比，用上一代位置pi-1中更好的位置對新的鳥巢位置進行更新，得到新的鳥巢位置序列：

16、將隨機數(shù)r與pt的中各鳥巢位置的被發(fā)現(xiàn)概率pa比較，模擬隨機事件發(fā)生的概率，保留pt中被發(fā)現(xiàn)概率較低的鳥巢位置，并隨機對被發(fā)現(xiàn)概率高的鳥巢位置進行更新，計算新鳥巢的適應(yīng)度，與上一代適應(yīng)度進行對比，獲得一組適應(yīng)度更優(yōu)的鳥巢位置；

17、將高斯擾動加入上述更優(yōu)鳥巢位置的改變中，確定一組新位置，即將p′t中的每個鳥巢位置與pt中的進行比較，將較優(yōu)者保留下來獲得一組更優(yōu)的鳥巢位置p″t，根據(jù)此時獲得的結(jié)果確定最優(yōu)鳥巢位置，對其適應(yīng)度進行計算判斷是否滿足要求；若滿足，則輸出全局最優(yōu)鳥巢位置得到lstm碳排放預(yù)測模型中的最優(yōu)超參數(shù)；若不滿足則返回繼續(xù)通過levy?flight更新其他鳥巢位置；根據(jù)最優(yōu)鳥巢位置相對應(yīng)的超參數(shù)值作為lstm神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)，建立gcs-lstm碳排放預(yù)測模型。

18、進一步地，所述復(fù)合系統(tǒng)協(xié)同度模型計算方法如下：

19、定義復(fù)合系統(tǒng)協(xié)同度模型的兩個子系統(tǒng)分別為減污子系統(tǒng)s1和降碳子系統(tǒng)s2，每個子系統(tǒng)均由若干個序參量組成，設(shè)pwk為第w個子系統(tǒng)的第k個序參量，序參量可分為正向和負向指標(biāo)；

20、對于減污子系統(tǒng)，選取pm2.5和so2濃度的下降率為序參量；對于降碳子系統(tǒng)，選擇碳排放總量下降率、碳排放強度和人均碳排放的下降率為序參量；該方法所用序參量均為正向指標(biāo)；降碳子系統(tǒng)各序參量數(shù)據(jù)由gcs-lstm碳排放預(yù)測模型求解的碳排放預(yù)測值計算得到，減污子系統(tǒng)各序參量數(shù)據(jù)均基于已有預(yù)測算法的合理數(shù)據(jù)；

21、根據(jù)上述序參量，計算各序參量有序度：

22、

23、式中:uw(pwk)是序參量pwk的有序度，其值越大，代表pwk對子系統(tǒng)有序度的貢獻越大；pw1、pw2、……、pwm是正向指標(biāo)，pwm+1、pwm+2、……、pwn為負向指標(biāo)；αwk和βwk分別表示序參量在研究期間的最小值和最大值；通過如下表達式對uw(pwk)加權(quán)求和，可求得子系統(tǒng)sw的有序度：

24、

25、式中：uw(sw)是子系統(tǒng)sw的有序度；θk是序參量pwk的權(quán)重，采用相關(guān)系數(shù)矩陣法計算θk，假設(shè)子系統(tǒng)sw由n個序參量組成，其相關(guān)系數(shù)矩陣a如下:

26、

27、式中：ak代表第k個序參量pwk對其他n-1個序參量的總影響，將ak歸一化可得到序參量pwk的權(quán)重θk：

28、

29、在初始時刻t，減污和降碳子系統(tǒng)的協(xié)同度為隨著系統(tǒng)演變到時刻t+1，兩者的協(xié)同度變?yōu)閺膖到t+1時刻的減污碳協(xié)同度為:

30、

31、式中:synergy為減污降碳協(xié)同度；參數(shù)λ的取值決定減污降碳是否實現(xiàn)協(xié)同；當(dāng)且僅當(dāng)時，即減污子系統(tǒng)s1和降碳子系統(tǒng)s2都向更有序的方向演化時，λ＝1，synergy的值為正，減污降碳實現(xiàn)協(xié)同；反之則為負，代表減污降碳未實現(xiàn)協(xié)同；參數(shù)ηw為子系統(tǒng)sw權(quán)重，synergy∈[-1,1]，其值越大，代表減污降碳協(xié)同程度越高。

32、第二方面、一種支持城市減污降碳協(xié)同發(fā)展的碳排放計算裝置，所述裝置包括：

33、篩選模塊，用于從經(jīng)濟、宏觀層面、高耗能行業(yè)和交通四個角度選擇城市碳排放的影響因子，使用基于距離分析法改進的灰色關(guān)聯(lián)度分析方法定量觀察分析碳排放的各個影響因子與碳排放之間的相關(guān)性，篩選出主要因子；

34、碳排放量模塊，用于基于所分析確定的主要因子，構(gòu)建lstm碳排放預(yù)測模型，并通過gcs算法對lstm碳排放預(yù)測模型的超參數(shù)進行優(yōu)化，形成gcs-lstm碳排放預(yù)測模型，基于gcs-lstm碳排放預(yù)測模型實現(xiàn)對城市的碳排放量進行預(yù)測；

35、計算模塊，用于基于得到的碳排放預(yù)測值，構(gòu)建復(fù)合系統(tǒng)協(xié)同度模型測算未來減污降碳協(xié)同度。

36、其中，所述篩選模塊包括：篩選子模塊，所述篩選子模塊包括：基于距離分析法改進的灰色關(guān)聯(lián)度分析，具體為：

37、收集相關(guān)數(shù)據(jù)，確定碳排放量作為參考數(shù)列，各影響因子作為比較數(shù)列，計算參考數(shù)列和比較數(shù)列之間的關(guān)聯(lián)系數(shù)ξi(k)，公式如下：

38、

39、其中，k為序列中的第k個數(shù)據(jù)；△i(k)表示碳排放量序列的某一元素與某一比較序列的對應(yīng)元素之差絕對值；△min和△max分別表示這些絕對值中的最小值和最大值，其中ρ為分辨系數(shù)；計算參考數(shù)列x0和比較數(shù)列xi之間的關(guān)聯(lián)度時，對各影響因素進行加權(quán)處理，衡量各影響因素與碳排放的相關(guān)性，公式如下：

40、

41、其中，ξi為關(guān)聯(lián)度，α為權(quán)重，n為影響因素數(shù)量；所述權(quán)重的計算方法如下：確定最優(yōu)因素和最劣因素，并以最優(yōu)因素和最劣因素為參考因素，采用歐氏距離計算各個影響因素到參考因素的距離，綜合正負向距離對各因素的距離進行綜合評價，將數(shù)據(jù)歸一化處理得到所有權(quán)重向量α(k)；

42、最后根據(jù)灰色關(guān)聯(lián)度結(jié)果ξi的大小篩選出與碳排放關(guān)聯(lián)關(guān)系顯著的影響因子作為碳排放預(yù)測模型的輸入變量。

43、其中，所述gcs-lstm碳排放預(yù)測模型的構(gòu)建步驟為：

44、初始化lstm碳排放預(yù)測模型的隱藏層神經(jīng)元個數(shù)h、學(xué)習(xí)率lr和訓(xùn)練次數(shù)n?3個超參數(shù)的搜索范圍和gcs算法的鳥巢數(shù)量和最大迭代次數(shù)；然后進行種群初始化，假設(shè)布谷鳥蛋被宿主鳥在巢中發(fā)現(xiàn)的概率pa＝0.25，對鳥巢的位置進行初始化，隨機產(chǎn)生n個鳥巢位置即每一個鳥巢位置對應(yīng)一個三維向量(h,lr,n)，每個鳥巢的位置由隱藏層神經(jīng)元個數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)的參數(shù)組合確定，選用均方根誤差公式計算每個鳥巢位置的適應(yīng)度，利用參數(shù)組合訓(xùn)練lstm碳排放預(yù)測模型，并生成預(yù)測值；將模型的預(yù)測值與實際值進行比較，計算預(yù)測誤差，得到當(dāng)代最優(yōu)鳥巢位置和最優(yōu)適應(yīng)度fmin；

45、保留最優(yōu)鳥巢位置，通過levy?flight更新其他鳥巢位置；根據(jù)適應(yīng)度將新的鳥巢位置與上一代位置pi-1進行對比，用上一代位置pi-1中更好的位置對新的鳥巢位置進行更新，得到新的鳥巢位置序列：

46、將隨機數(shù)r與pt的中各鳥巢位置的被發(fā)現(xiàn)概率pa比較，模擬隨機事件發(fā)生的概率，保留pt中被發(fā)現(xiàn)概率較低的鳥巢位置，并隨機對被發(fā)現(xiàn)概率高的鳥巢位置進行更新，計算新鳥巢的適應(yīng)度，與上一代適應(yīng)度進行對比，獲得一組適應(yīng)度更優(yōu)的鳥巢位置；

47、將高斯擾動加入上述更優(yōu)鳥巢位置的改變中，確定一組新位置，即將p′t中的每個鳥巢位置與pt中的進行比較，將較優(yōu)者保留下來獲得一組更優(yōu)的鳥巢位置p″t，根據(jù)此時獲得的結(jié)果確定最優(yōu)鳥巢位置，對其適應(yīng)度進行計算判斷是否滿足要求；若滿足，則輸出全局最優(yōu)鳥巢位置得到lstm碳排放預(yù)測模型中的最優(yōu)超參數(shù)；若不滿足則返回繼續(xù)通過levy?flight更新其他鳥巢位置；根據(jù)最優(yōu)鳥巢位置相對應(yīng)的超參數(shù)值作為lstm神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)，建立gcs-lstm碳排放預(yù)測模型。

48、第三方面、一種支持城市減污降碳協(xié)同發(fā)展的碳排放計算裝置，所述裝置包括：處理器和存儲器，所述存儲器中存儲有程序指令，所述處理器調(diào)用存儲器中存儲的程序指令以使裝置執(zhí)行第一方面中的任一項所述的方法。

49、第四方面、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令被處理器執(zhí)行時使所述處理器執(zhí)行第一方面中的任一項所述的方法。

50、本發(fā)明提供的技術(shù)方案的有益效果是：

51、(1)本發(fā)明采用基于距離分析法對灰色關(guān)聯(lián)分析算法進行改進，對各特征進行加權(quán)處理，它對樣本量少和樣本有無明顯規(guī)律的系統(tǒng)都適用，不會發(fā)生量化結(jié)果和定性分析不相符的情況，有效提高選擇碳排放因子的準(zhǔn)確性、降低冗余性；

52、(2)本發(fā)明提出基于高斯擾動的布谷鳥搜索算法來確定lstm模型中合適的參數(shù)值；其中的高斯變異有助于提高搜索精度，跳出局部極值點進行全局搜索，較大優(yōu)化了算法的搜索速度和尋優(yōu)精度；

53、(3)應(yīng)用本方法構(gòu)建的更加精煉、計算速度快捷、準(zhǔn)確度更高的預(yù)測模型進行碳排放預(yù)測，可以為城市制定更有效的環(huán)境管理政策提供強大的數(shù)據(jù)支持，這種精確的預(yù)測能夠為政府和企業(yè)提供更科學(xué)的決策依據(jù)，優(yōu)化減排策略，提升政策的執(zhí)行效果；幫助識別和優(yōu)先處理高污染源，從而實現(xiàn)更有針對性的污染治理，顯著降低空氣中的污染物濃度；

54、(4)通過改進的灰色關(guān)聯(lián)分析法和gcs-lstm模型，本發(fā)明有效篩選碳排放的關(guān)鍵影響因子，并克服了傳統(tǒng)預(yù)測方法在數(shù)據(jù)冗余及精度上的不足，從而提升了預(yù)測的準(zhǔn)確性；精確的碳排放預(yù)測能夠為城市在制定減排策略時提供量化支撐，使減污與降碳工作具有更強的科學(xué)依據(jù)和針對性；

55、(5)在碳排放預(yù)測準(zhǔn)確性的基礎(chǔ)上，城市可以更加有效地制定和優(yōu)化空氣污染防控措施，通過測算城市未來減污降碳協(xié)同度可提前調(diào)整發(fā)展策略，本發(fā)明可為精準(zhǔn)控制主要污染源提供支持，減少污染物排放總量，有助于降低pm2.5、so2等污染物在空氣中的濃度水平，從而實現(xiàn)大氣質(zhì)量的顯著提升；

56、(6)預(yù)測碳排放數(shù)據(jù)不僅能協(xié)助城市在短期內(nèi)實現(xiàn)降碳目標(biāo)，還能在中長期內(nèi)為城市生態(tài)環(huán)境治理提供長期支撐；精準(zhǔn)的碳排放預(yù)測數(shù)據(jù)能夠幫助優(yōu)化工業(yè)結(jié)構(gòu)調(diào)整、能源結(jié)構(gòu)優(yōu)化及土地利用規(guī)劃等系統(tǒng)性管理措施，逐步推動綠色低碳產(chǎn)業(yè)發(fā)展和城市綠地面積的增加，從而實現(xiàn)城市生態(tài)環(huán)境的全面改善和居民生活質(zhì)量的提升。