基于改進支持向量機的公共建筑碳排放量估計研究

摘要：現(xiàn)有碳排放量估計方法主要針對建設初期以及建筑材料進行計算，忽視了公共建筑運行過程中的碳排放量，對此，提出基于改進支持向量機的公共建筑碳排放量估計方法。首先，使用LMDI-Ⅰ指數(shù)分解法分析碳排放量影響因素。然后，利用改進支持向量機構建公共建筑碳排放估計模型，將公共建筑碳排放因子數(shù)據(jù)作為訓練樣本，計算出網(wǎng)絡的輸出和真實數(shù)據(jù)的偏差。最后采用灰狼算法對模型進行優(yōu)化，以實現(xiàn)公共建筑碳排放量估計。實驗結果表明，設計方法的誤差均小于傳統(tǒng)方法，且在不同的情景下，有效預測了未來該建模的碳排放量走勢。

關鍵詞：公共建筑；碳排放量；支持向量機；數(shù)據(jù)融合

中圖分類號：X32 文獻標志碼：A

前言

隨著城市規(guī)模的不斷擴大，建筑能耗和碳排放總量呈上升趨勢。碳排放增加導致的全球變暖是全人類面臨的共同挑戰(zhàn)，而公共建筑是城市碳排放的重要來源。因此，探索城市建筑在不同情景下的碳排放趨勢和減排潛力，對中國如期實現(xiàn)2030年碳達峰目標具有重要意義。在該領域內，有很多學者做出了一些相關研究。如：文獻[2]采用改進的自適應噪聲完全集成經(jīng)驗模式分解方法，將日碳排放數(shù)據(jù)分解為一系列完全無噪聲的模式函數(shù)，并使用改進的麻雀搜索算法優(yōu)化的極限學習機進行預測。文獻[3]中針對森林計劃消除對云南松林地可燃物載量及碳儲量的影響進行評估，測定燃燒前、燃燒后森林中不同層的含碳率以及可燃物載量以及燃燒效率，并計算燃燒過程中氣體的排放量；文獻[4]中針對不同的神經(jīng)網(wǎng)絡進行篩選，利用PSO-LSTM模型預測了建筑碳排放峰值，估算碳達峰時間。文獻[5]中通過分析碳排放及其影響因素之間的關系，構建了研究區(qū)碳排放系統(tǒng)的動態(tài)模型。在此基礎上，從產業(yè)結構、能源強度、能源結構、環(huán)境調控、科技投入、綜合調控等角度設置了六個場景，預測碳排放峰值時間和峰值的影響及減排潛力。

在上述研究的基礎上，文章研究基于改進支持向量機的公共建筑碳排放量估計。

1公共建筑碳排放量估計方法研究

1.1碳排放量影響因素分析

當前對于建筑碳排放的影響因素進行識別的方法較多，由于文章估計的建筑碳排放中，主要包括建筑設計、建設、使用和維護過程中所消耗的各種能源產生的直接二氧化碳排放，以及因使用過程中各種能源使用而產生的間接二氧化碳排放。因此所使用的是LMDI-I指數(shù)分解法，對碳排放的總量進行拆分。在計算過程中，設置V為目標變量，x₁、x₂…、x_n表示V的影響因素，以上每個因素變量中的分支表示為式（1）：

在此基礎上，通過數(shù)據(jù)統(tǒng)計分析得到建筑碳排放量與影響因素之間的關系，得到乘法的分解形式為式（3）：

在以上的分解形式中，得到的結果皆為經(jīng)過解釋的完整項。且乘法的分解形式下，得到的結果具有可加性。按照以上方法，從影響因素角度來看，建筑碳排放主要包括建筑材料、建筑結構和建筑能源三大類因素。其中，建筑材料、結構和能源分別受材料消耗量、碳排放量三大因素的影響。在分析出以上因素之后，在公共建筑中獲取相關的數(shù)據(jù)，為后續(xù)的計算提供依據(jù)。

1.2基于改進支持向量機建立公共建筑碳排放估計模型

碳排放體系是一個復雜的、非線性的系統(tǒng)，其中有很多因素都會產生影響，有些因素的作用與碳排放具有較高的相關性，而有些因素的作用則相對較小。針對這一問題，項目擬通過支持向量機（SVM）對復雜系統(tǒng)進行非線性映射，并結合灰狼算法的全局智能特性，構建改進支持向量機預測模型。文章構建的模型結構見圖1。

如圖1中的模型結構所示，利用已有的公共建筑碳排放因子數(shù)據(jù)，對其進行標準化，并隨機劃分成兩個樣本，對支持向量機網(wǎng)絡參數(shù)進行訓練，并進行預測。支持向量機是一種基于統(tǒng)計學習理論的非線性函數(shù)逼近方法，具有較好的泛化能力和穩(wěn)定性。基于支持向量機可以解決小樣本、非線性和高維空間的分類問題。支持向量機具有很好的非線性逼近能力，對原始數(shù)據(jù)進行預處理后，能夠映射到高維特征空間，從而構建出低維空間上的線性映射。其次，將訓練樣本按照隨機序列輸入到支持向量機網(wǎng)絡中，計算出網(wǎng)絡的輸出和真實數(shù)據(jù)的偏差E，然后利用IGWO-SVM對網(wǎng)絡結構進行了優(yōu)化。利用改進后的IGWO-SVM網(wǎng)絡，使其演化代數(shù)達到最大值，或者在最小的誤差范圍內，求出測試用例集的絕對百分數(shù)均值。

1.3模型估計流程優(yōu)化

將支持向量機應用于區(qū)域內整體的公共建筑碳排放量估計，提出了基于支持向量機的城市公共建筑碳排放量估算模型，并采用灰狼算法對其進行了優(yōu)化。模型計算流程見圖2。

（1）產生初始狼群參數(shù)：在變異操作過程中，設定搜索空間為D，在空間范圍內隨機生成初始種群，見式（4）：

式（6）中，CR表示交叉概率。

（3）包圍獵物更新位置：模擬灰狼群體包圍獵物的行為，更新領導者和跟隨者的位置，以逼近全局最優(yōu)解。

（4）迭代判斷：檢查是否達到最大迭代次數(shù)（100次）。如果未達到，則返回步驟（2）繼續(xù)迭代；如果達到，則進入下一步。

（5）在迭代完成后，選擇適應度值最優(yōu)的個體作為最終解，即SVM的最優(yōu)參數(shù)組合。

在此流程中，首先通過數(shù)據(jù)采集獲取原始數(shù)據(jù)，然后對原始數(shù)據(jù)進行預處理，最后利用優(yōu)化后的模型對該區(qū)域內整體的公共建筑碳排放量進行估計。

2實例測算

項目背景以某高校的工程設計訓練樓為一座集寫字樓和商務為一體的綜合型寫字樓，坐落在高校校園西南角，緊鄰主干路，毗鄰多個大型商務中心，具備都市商務氣氛；基地南面緊靠城市次干路，正對著高校宿舍，具有濃郁的生活氛圍。在該項目下，使用文章設計的碳排放測算估計模型對該建筑運行過程中的碳排放量進行測算，并與實際的碳排放量進行對比，并進行分析與討論。

利用文章設計的基于改進支持向量機的公共建筑碳排放量估計方法和傳統(tǒng)的基于人工神經(jīng)網(wǎng)絡的估算方法共同進行測試，與該建筑每年的實際碳排放值相比，變化曲線見圖2。

為了令兩種碳排放量估計方法得到的結果之間的差異更加量化，文章選擇平均絕對百分比誤差、最大絕對百分比誤差、中位數(shù)絕對誤差與均方誤差4個指標對不同方法的結果進行量化，得到的結果見表1。

從圖3可以看出，在基準情景下，該建筑到2040年預計將產生高達3.75萬噸的碳排放量；在政策節(jié)能低推進情景下，碳達峰為3.52萬噸，政策節(jié)能高強化情景下，碳達峰為3.46萬噸。對比以上三種情景的碳排放量預測情況，需要在政策節(jié)能高強化情景下實現(xiàn)碳達峰碳中和目標，優(yōu)化用能方式，將可再生能源進行深度利用，以推動雙碳目標的實現(xiàn)。

3結束語

據(jù)統(tǒng)計，全國公共建筑運行過程中碳排放量占全國總排放量的15%左右，因此準確估算公共建筑碳排放成為了促進中國節(jié)能減排的重要途徑之一。對此，文章基于改進支持向量機進行碳排放量估計研究。首先，采用對數(shù)平均迪氏指數(shù)分解法（LMDI-Ⅰ）對公共建筑碳排放量的歷史數(shù)據(jù)進行系統(tǒng)分析。并基于LMDI-Ⅰ分析的結果，選取對碳排放影響顯著的因子作為輸入特征，構建改進的支持向量機（SVM）預測模型。為了進一步提升SVM模型的預測精度，引入灰狼優(yōu)化算法（GWO）對模型進行優(yōu)化。實現(xiàn)了公共建筑碳排放量估計。研究結果表明，該方法能夠有效地減少支持向量機參數(shù)的調整次數(shù)，提高模型的泛化能力。并為中國公共建筑碳排放估算提供科學依據(jù)和技術支撐。