NGSAII-GPR模型在碳排放短期预测中的应用

针对于采矿过程中以电机为研究对象的碳排放来源的复杂性以及其影响因素的多样性引起的碳排放短期预测精度不高的问题，结合灰色理论提出一种基于NGSAII-GPR模型的铅锌矿采矿过程碳排放预测方法。首先，对碳排放来源及其影响因素进行分析，采用灰色理论进行聚类分析以归并同类因素；其次，根据灰色关联性分析得到主要影响因素；最后，为解决超参数优化确定问题，将带精英策略的非支配排序遗传算法(NGSAII)引入到高斯过程回归(GPR)模型，提出了一种基于NGSAII-GPR的预测模型。经实验证明，相较于其他超参数优化确定方法，NGSAII能更好地对超参数进行优化确定，且相较于其他常规预测模型，NGSAII-GPR能更精确的预测铅锌矿采矿过程的碳排放量，其预测误差更小。

人类生产活动导致的温室气体排放，特别是化石燃料燃烧所产生的碳排放是导致全球气候上升的主要原因[1]。工业生产活动当中产生的大量的碳使得碳排放问题显得尤为突出[2]。如今，与碳排放相关的研究层出不穷，包括碳成本[3]、碳排放量计算[4]以及碳交易市场[5]等，但对于具体的某工业生产过程的碳排放研究却寥寥无几。实际上对碳排放量的准确预测能合理使用碳排放设备，提高经济效益，节能减排。而对矿山企业来说，以采矿过程为主，因而将其作为研究重点。

Xiuli Liu 等用灰色预测与神经网络反向传播的组合预测模型来预测西班牙经济部门的能源消费[6]， 但并未对研究对象的影响因素进行具体的分析，从而会影响预测精度。

张俊深等用GM(1,1)与BP 神经网络的组合模型对能源消费进行预测[7]，因其研究范围为国家级大地区，该方法不适用于局部地区，其预测效果不理想。Rigoberto 等用环境库兹涅茨曲线和物流增长模型对碳排放量进行了预测[8]，但长期预测对于矿山企业不具有实际价值，且该方法在短期预测上无法得到满意的预测效果。

高斯过程回归(GPR)是一种基于贝叶斯框架的非参数概率预测的机器学习方法， 适用于高维度、小样本、非线性的复杂时间序列问题[9]。在建模过程中，协方差函数的超参数将直接影响模型的精度，因而研究如何优化确定超参数是十分有价值的。Dongdong Kong 等利用共轭梯度法对高斯过程回归模型中的超参数进行优化确定[10]， 但该方法依赖于初始点， 且难以确定迭代次数因而其超参数优化确定的结果不理想。

Debin Fang 等在高斯过程回归模型的超参数优化确定中应用了粒子群算法[11]。

但由于该算法很大程度上取决于控制参数，因而精度不高，从而影响模型的预测效果。甘迪等将遗传算法引入到高斯过程回归模型中实现超参数优化确定[12]， 由于遗传算法没有保持种群的多样性，因而容易陷入局部最优， 影响模型性能。为了解决以上问题，本文提出了一种基于精英策略的非支配排序遗传算法(NSGAII)的高斯过程回归(GPR)预测模型，NSGAII 算法不仅能够保证种群的多样性，还能在降低计算复杂度的同时提高种族质量，将上一代的优秀个体遗传到下一代，增加全局最优的搜索能力后得到最优超参数，结合高斯过程回归模型进而得到了预测精度更高的预测模型，使得模型更具有可靠性，形成一种新的采矿过程碳