来源：期刊VIP网 时间：
作者：张新生;张红文;聂达文;
单位：西安建筑科技大学管理学院;
摘要：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(R~2)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。
关键词：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
基金资助：陕西省哲学社会科学研究专项(2024HZ1126)
