10.13637/j.issn.1009-6094.2025.0266

安全与环境学报

环境工程学;;自适应噪声完备集合经验模态分解;;变分模态分解;;分布式极限学习机

为了有效预测电力行业碳排放趋势，解决在碳排放预测中遇到的非线性、复杂性等问题，研究提出了一种新型电力行业碳排放预测模型。该模型基于二次分解方法，结合自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）与变分模态分解（Variational Mode Decomposition，VMD），以处理数据的非线性和复杂性。此外，采用模型无关元学习（Model-Agnostic Meta-Learning，MAML）优化结合多头注意力机制（Multi-Head Attention，MHA）增强特征提取的分布式极限学习机（Distributed Extreme Learning Machine，DELM）构建预测框架，以提高模型的准确性和泛化性能。首先，根据政府间气候变化专门委员会（The Intergovernmental Panel on Climate Change，IPCC）中方法计算电力行业化石燃料在1991—2022年的碳排放情况；其次，采用广义灰色关联分析（Grey Relation Analysis，GRA）与皮尔逊相关系数（Pearson Correlation Coefficient，Pearson）对影响因素进行筛选，并筛选出一次能源生产总量、城镇化率和电力行业固定投资等11个相关性影响因素；再次，使用CEEMDAN–VMD二次分解将因变量电力行业碳排放量分解成4个多频模态，并将4个模态分别代入经MAML–MHA算法优化的DELM模型进行预测；最后，将各分解序列的预测值进行逆归一化相加，即可得到电力行业碳排放预测值，并进行消融试验。结果显示，CEEMDAN–VMD-MAML–MHA–DELM模型性能最优，其均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）及决定系数(R²)分别为0.349 4万t、0.376 3万t、0.838 3%和0.989 3。这表明该模型在电力行业碳排放预测方面效果显著，能为电力行业低碳发展提供一定参考。

1-15

1009-6094

no

2025-07-30