基于Stacking集成学习的福建省火电行业碳足迹情景预测.pdf

提出一种基于Stacking集成学习的福建省火电行业碳足迹情景预测方法.首先，基于扩展Kaya恒等式识别火电行业碳排放的主要影响因素；然后，以决定系数和平均绝对百分比误差作为评价指标优选模型的初级学习器与元学习器，构建融合不同学习器优势的Stacking集成学习碳足迹预测模型；最后，设置4种不同的碳达峰行动情景，以福建省为例对其2 0 2 1一2 0 35年火电行业的碳达峰进行计算.结果表明，所提方法能够准确预测火电行业的碳足迹，并得出在低碳发展情景下该省可在2 0 2 7 年实现碳达峰战略目标的结论.关键词：碳足迹；火电行业；Stacking集成学习；情景预测；碳达峰；福建省中图分类号：TM61；X2 2Scenario prediction of carbon footprint for thermal power industry inFujian Province based on Stacking ensemble learningXIANG Kangli,CHEN Jinchun,CHEN Simin(Economic and Technological Research Institute,State Grid Fujian Electric Power Co.,Ltd.,Fuzhou,Fujian 350012,China)Abstract:A carbon footprint scenario prediction method based on Stacking ensemble learning isproposed.Firstly,the main influencing factors of carbon emissions in thermal power industry areidentified based on the extended Kaya constant equation.And then,the decision coefficient and themean absolute percentage error are selected as the primary learners and meta-learners of the evaluationindex model,and the Stacking ensemble learning model for carbon footprint forecasting that integratesthe advantages of different learners is established.Finally,four carbon peaking action scenarios are setup to calculate the carbon peaking of thermal power industry in Fujian Province from 2021 to 2035.The results show that the proposed method can accurately predict the carbon footprint of the thermalpower industry.It is concluded that the province can achieve the strategic goal of carbon peak in 2027under the low-carbon development scenario.Keywords:carbon footprint;thermal power industry;Stacking ensemble learning;scenario forecast;carbon peaking;Fujian Province0引言为应对全球气候变化，中国将碳达峰、碳中和目标纳人生态文明建设的整体布局 1 火电是消耗化石能源的主要行业 2 ，因此，科学预测火电行业碳足迹、碳达峰时间和峰值对中国实现碳中和、碳达峰目标具有重要意义.目前，碳足迹预测方法主要分为两类.第一类是基于碳排放历史数据实现，如文献 3针对交通、建筑、废物行业提出数据驱动时间序列的离散灰色碳足迹预测模型，其预测准确率达到95%以上.文献 4 以中国2 0 0 0 一2 0 19年的碳排放量数据为基础，建立了自适应调节的灰色滚动宏观碳足迹预测模型，预测平均相对误差为2.44%.这类方法的优点是对数据规模要求小，但预测结果难以反映碳排放相关政策与环境因素变化等的影响.第二类是考虑多方面因素建立碳足迹预测模型.文献 5 考虑人口、GDP、城镇化率等因素建立了岭回归的可拓展随机性环境影响评估模型，预测系数（coefficient of detemination，R）收稿日期：2 0 2 2-0 9-2 2通信作者：项康利（1990-），工程师，主要从事碳足迹分析与应用方面的研究，基金项目：国家电网公司管理咨询项目（SGFJ0000BGWT2200306）文献标识码：A第4期可达0.96 9；文献 6 考虑了产业结构、能源消费总量、技术水平等因素建立了基于鲸鱼算法优化极限学习机的中国碳足迹预测模型，预测误差（mean absolute percentage error，M A PE）低于0.12 6.这类方法能够结合未来政策规划进行碳足迹预测，但存在单一模型学习性能弱、预测精度低的缺陷.为了弥补预测方法中单一模型的不足，众多学者开发了组合模型 7 和集成学习 8 相关算法.研究表明，组合模型和集成学习将多个模型以不同的形式融合，可有效地提高融合模型的预测精度.在众多行业，碳足迹预测方法得以研究.但火电行业作为减排的重点行业之一，其碳足迹预测的研究却鲜有报道.因此，本研究提出一种基于Stacking集成学习的火电行业碳足迹情景预测方法.首先，根据扩展Kaya恒等式识别出与火电碳排放相关的影响因素；然后，基于影响因素数据，采用R与MAPE作为评价指标优选模型的初级学习器与元学习器，形成多模型融合的Stacking集成碳足迹预测模型；最后，基于Stacking集成预测模型对未来不同情景模式下福建省的火电行业碳排放量进行预测，并分析该省火电行业的碳达峰情况.相关研究为中国火电行业碳达峰预测提供理论依据与借鉴价值.1基于扩展Kaya碳足迹影响因素分析Kaya 恒等式 9 是由学者Kaya于198 9 年提出，用于识别二氧化碳排放因素，其表达式为CEGC=XPEGP式中：C为CO,排放总量，亿t；E为能源消费总量，万t；G 为生产总值，亿元；P为人口规模总数，万人.Kaya恒等式具有开放性和拓展性.火电行业碳足迹扩展Kaya恒等式为C=Z C;=2i=1式中：C,为第i类能源（能源包括煤、石油、天然气)碳排放总量；E，为第i类能源消耗总量；G,为火电生产总值；M，为碳排放系数；N为能源消费结构（火电发电量占全部电力发电比重）；S为能源消费强度（火电能源消费总量/火电发电量）；T为产业结构（第二产业生产总值占比）；R为经济产出（地区生产总值，亿元）.城镇化水平L（城镇人口/常驻总人口）是人口规模P的另一种表现形式，推动着产业结构的变革，是实现城乡共同富裕的根本途径，为碳排放关键影响因素之一 52基于Stacking集成学习的碳足迹预测模型2.1Stacking集成学习模型原理Stackingl01集成学习的思想在于组合多个弱监督模型以得到一个强监督模型，充分发挥不同学习器的优势，从而提高整个模型的预测准确率.研究表明，两层结构的Stacking模型既能强化学习效果又不会导致模型的复杂化 .因此，本研究构建基于两层Stacking集成学习的碳足迹预测模型，其结构如图1所示.项康利，等：基于Stacking集成学习的福建省火电行业碳足迹情景预测CEEGGE;EGP=Z(M,NSTRP)XGP559(1)3(2)i=1初级学习器1初级学习器2初始数据集预测1预测2初级学习器n预测n第一层：初级学习图1Stacking集成学习的模型结构Fig.1 Structure of the Stacking ensemble learning modelhttp:/碳排放元学习器预测元数据集第二层：元学习 5602.2Stacking集成学习模型的构建流程基于Stacking集成学习的碳排放预测模型流程如下：1）确定初级学习层.初级学习器可以根据“好而不同”的原则确定，考虑从机器学习中的符号主义、连接主义和统计学习中常见的K近邻（k-nearest neighbor，K NN）、线性回归（linear regression，L R）、BP神经网络、决策树（decision tree，D T）、支持向量机（supportvector machine，SVM），以及基于串、并集成代表的随机森林（random forest，R F）、自适应提高算法（adaptiveboosting，A d a Bo o s t）、梯度提升决策树（gradientboostingdecision tree，G BD T）和极限梯度提升树（extreme gradient boostin，XG Bo o s t）中筛选.分别训练以上9种机器学习模型，并以R和MAPE作为评价指标，以衡量各个模型的预测能力.2）确定元学习层.在已确定的初级学习层基础上，将以上9个学习器分别作为元学习器进行R和MAPE评价指标的对比分析，确定元学习器，形成Stacking集成学习预测模型结构.3）应用收集的数据集训练Stacking集成学习模型，实现碳足迹预测.3学习器的基本原理3.1线性回归LR是一种广义线性模型 12 .具有计算速度快、显示性强等特点.LR的计算公式为式中：P为预测结果；X(i=1，2，n)为自变量；为逻辑回归系数.3.2梯度提升决策树GBDT是基于Boosting串行集成代表，在计算过程中通过基函数线性组合不断减少残差，达到数据回归(分类)的目的 16 .算法步骤如下：1）假设GBDT的数据集为D=（1，yi），（2,y2），（n，y n）。估计一个使损失函数极小化的常数值c，初始化模型可表示为(4)=1式中：f(x)为初始化模型；L(yi，c)为损失函数；c为常数.2）迭代环节.首先构建M棵树，对样本i=1，2，n 计算损失函数的负梯度为afm-1(x,)式中：m为负梯度，亦为残差.3）利用（xi，m）拟合第m棵回归树，得到第m棵树的叶子节点区域Rm（j=1，2，Jm），Jm为第m棵回归树的叶子节点数.计算每个叶子节点的最佳拟合值，使损失函数极小化.(6)x;eRmj式中：y：为第j个叶子节点的样本x，观测值；fm-1（x.）为第j个叶子节点的样本x；在上一棵树上的预测值；cm为第j个叶子节点的y;与fm-（x)之间的最小误差.4）更新本轮模型为(xE5）进行迭代，直到达至所预期的基学习器个数，得到最终的强学习器F(X)为MmF(X)=fo(x)+Z2cmlmjm=1 j=13.3极限梯度提升树不同于GBDT，XCBo o s t 在更新学习器的过程中采用了二阶泰勒展开，可快速且精确地实现学习器的迭代 14.XGBoost 通过多棵决策树的预测结果相加得到最终预测结果，其表达式为福州大学学报（自然科学版）eP=fo(x)=arg,min Z L(yi,c)aL(yi,fm-I(x,)TmiCm=arg min Z L(yi,fn-I(x;)+c)mhttp:/第51卷(3)(5)1,x;在 Rm 上(7)(o,x;不在Rm上(x Rm)(8)第4期式中：为预测结果；f表示第1棵树；L为决策树数量；x,表示第j个输人样本；F为树模型集合.模型所采用的目标函数和正则项为(10)j=1TQ(f.)=T+20=1式中：0）为构建第t棵树的目标函数；L）为损失函数；-1为前t1棵树计算的预测值；c为常数；Q(f.）为第t棵树的正则项；入和和为正则项系数；T为某棵树所有叶子节点的数量；w。为某棵树中第0个叶子节点的权重。对式（10）泰勒展开得0 言(y,/-1)+g.f(a)+hij;(a)+0(f)+cg,=,(t-1)(y,3/-),h,=;(t-1)(y,)/-1)式中：所有h，的和为所需调节的叶子节点最小样本权重之和.4基于Stacking集成学习的碳足迹预测算例分析基于Stacking集成学习的碳足迹预测方法技术路线图如图2 所示.本研究以福建省火电行业为例，其碳足迹预测主要分为3个阶段，数据集获取、Stacking集成学习模型构建和情景分析.扩展Kaya恒等式数据集获取影响因素数据碳排放量数据个碳排放系数法4.1数据集来源4.1.1影响因素的数据来源基于扩展Kaya恒等式分析得出6 个影响火电碳排放因素，包括：人口规模（常驻总人口P、城镇化水平L）、经济产出R、产业结构T、能源消费结构N和能源消费强度S.参考统计年鉴151（2 0 0 5一2 0 2 0）可以直接或者间接计算出2 0 0 5一2 0 2 0 年间的6 个影响因素数值.4.1.2碳排放量的数据测算将福建省火电行业的煤、石油、天然气消耗所排的二氧化碳作为碳排放总量，采用碳排放系数法计算，其中，M，可由2 0 0 6 IPCC国家温室气体清单指南 19 获得.碳排放总量计算式为(14)i=1i=14.2Stacking集成学习模型的构建4.2.1模型评价指标以R?和MAPE作为评价预测模型性能优劣的指标，R值越接近1，MAPE值越接近，模型的预测精度越高.R和MAPE（M A PE以EMAp表示）的表达式分别为项康利，等：基于Stacking集成学习的福建省火电行业碳足迹情景预测00=L(y,/-)+J.(a,)+(f.)+cStacking不同发展集成学习评价指标模型构建元学习器图2 算例分析技术路线Fig.2 Technical route of case analysis344C=Z C.=ZE:M,12http:/ 561=f(x,)L初级学习器3(fi=F)(9)(11)(12)(13)基准场景产业优化情景情景下碳排放预测技术突破情景低碳情景 562福州大学学报（自然科学版）2(3-y.)2m第51卷(16)i=1R2mi=1式中：m为测试样本数；，为测试样本预测值；y为实际值；ymean为m个样本实际值的平均值。4.2.2初级学习器的选取以2 0 0 5一2 0 2 0 年的6 个碳排放影响因素为特征变量，碳排放量为目标变量构成数据集，并按7：3比例划分为训练集和测试集，采用K折交叉验证及网格参数寻优的方法，分别建立上述9个学习器的碳足迹预测模型，结果如图3所示.2.5一真实值RF预测值2.322.11.91.71.51.31.120062008201020122014201620182020(a)RF预测结果2.5真实值GBDT预测值2.322.11.91.51.31.120062008201020122014201620182020(d)GBDT预测结果2.5真实值AdaBoost预测值2.32.11.91.71.51.31.120062008201020122014201620182020(g)AdaBoost预测结果由图3可知，R排名前4的模型为：LR、G BD T、BP和XGBoost；EM A p 排名前4的模型为：CBDT、BP、LR和XGBoost.可见LR、G BD T、BP和XGBoost这4个学习器单独建立的碳足迹预测效果最佳，可作为初级学习器的候选对象.4.2.3元学习器的选取上述确定的4个初级学习器各有优缺点，还需要选择合适的元学习器才能使Stacking集成学习模型的预测效果最优.在初级学习层确定的前提下，分别将最初的9个学习器作为元学习器进行训练，同样以R和EMAp进行对比，其结果如表1所示.Tab.1Metric prediction results for different meta-learners指标AdaBoostR20.971 0EMAP0.018 5EMAP1mi=1-ymean22.5一真实值R预测值2.32.11.71.5R2=0.9370E=0.0333年份批1.71.5R2=0.967.0EMAP=0.0892E年份R2=0.935.0EMAP=0.0247年份表1不同元学习器的指标预测结果BPDT0.988 40.979 20.011 10.015 4http:/y一iy2.5真实值KNN预测值2.31.91.71.5R2=0.96861.3EM.AAp=0.01211.120062008201020122014201620182020(b)LR预测结果2.5一真实值-DT预测值2.322.11.91.31.120062008201020122014201620182020(e)DT预测结果2.5一真实值-XGBoost预测值2.322.1吧1.91.31.1图39个学习器的预测结果Fig.3 Predicted results for 9 learnersGBDTLR0.994 70.970 90.005 80.029 8R2=0.901.51.3E.MAP=0.05301.120062008201020122014201620182020年份(c)KNN预测结果2.5真实值BP预测值2.322.11.91.71.5R2=0.911.4EMAp-0.0268年份R2=0.952.0EP=0.0186MAP20062008201020122014201620182020年份(h)XGBoost预测结果KNN年份R2=0.963 91.3EMAp-0.0il61.120062008201020122014201620182020()BP预测结果2.5真实值SVM预测值2.322.1州1.91.31.120062008201020122014201620182020(i)SVM预测结果RFSVM0.983 90.974 60.009 90.027 6年份R2=0.8759EMAP=0.0503年份XGBoost0.947 60.971 70.043 70.017 8第4期由表1可知，当选取GBDT为元学习器，R为0.9947，EMAp为0.0 0 58，预测性能优于其他组合.因此，确定GBDT为元学习器，其预测结果如图4所示.4.2.4算算法对比将本文所提的Stacking-GBDT预测模型与4种常用的碳足迹预测模型(ARIMA、G M(2,1)、L a s s o-BP 17 和 STIRPAT-岭回归)进行对比，对2 0 0 5一2 0 2 0 年福建省的碳排放量进行拟合.5种模型的碳排放拟合结果指标，如表2 所示.由表2 可知，Stacking-GBDT的碳排放拟合效果最佳.其中，ARIMA和GM(2，1)直接以碳排放量数据建立碳排放量拟合模型，对数据量要求少、计算简单，但未考虑与碳排放量相关的社会因素，模型抗扰动性差.Lasso-BP、ST IR-PAT-岭回归与Stacking-CBDT同时考虑了与碳排放量相关因素，但前两者的算法组合相比Stacking-CGBDT较为单一，Stacking-GBDT集成多种模式的机器学习算法起到了优势互补的作用.指标R2EMAP4.2.5关键因素的影响权重基于Stacking-CGBDT碳足迹预测模型还可分析各个因素对火电行业碳达峰预测的影响权重，有利于碳达峰行动的战略制定.借鉴投票机制，以6 个碳排放影响因素作为单特征，分别训练Stacking-GBDT碳足迹预测模型，并在测试集上计算评价指标R.以R归一化后的值作为影响因素权重，其结果如表3所示.影响因素常驻总人口城镇化水平权重0.2034.3情景分析4.3.1情景设置为了更全面地预测福建省碳足迹情况，结合文献 18 ，以2 0 2 0 年为基期，2 0 35年为目标年，5年为1个时段（与5年规划对应），综合考虑未来福建省人口、经济产出、产业结构、能源消费强度和能源消费结构因素，设置4种不同政策引导下的碳足迹变化情景.此外，将每个因素设定低、中、高年均发展速率，同时赋予对应的参考值.上述参数设置如表4 5所示.情景常驻人口基准发展中产业优化中技术突破中低碳发展低项康利，等：基于Stacking集成学习的福建省火电行业碳足迹情景预测Stacking-GBDT预测值2.31.51.31.1图4Stacking-GBDT模型碳排放预测结果Fig.4(Carbon emission prediction results of theStacking-GBDT model表2 不同模型拟合的指标数值Tab.2Indicator values for different model fitsStacking-GBDTARIMA0.994 70.942 60.005 80.021 8表3影响因子权重Tab.3Weights of influence factor经济产出产业结构能源消费强度能源消费结构0.1940.205表4情景设置Tab.4Scenario settings城镇化水平经济产出中中中中中中低低http:/5632.5真实值20062008201020122014201620182020GM(2,1)Lasso-BP0.964 30.973 00.013 10.012 80.141产业结构中高中高R2=0.994 7EMAp=0.0058年份STIRPAT-岭回归0.984 00.012 10.1530.104能源消费强度能源消费结构中中中中高高高高 564因素速率20212025低0.55常驻中人口高低城镇化中水平高低经济中产出高6.604.3.2情景结果分析基于Stacking-GBDT集成学习的火电行业碳足迹预测模型，可以对2 0 2 1一2 0 35年福建省的碳排放量进行预测不同情景下的碳排放预测结果如图5所示.1）基准发展情景.该情景的参数设定参照政府的政策文件规划发展，火电行业预期在2 0 32 年实现碳达峰，无法在2 0 30 年前完成，其最高碳排放峰值将达到2.98 亿t.因此，在此情景下政府、企业相关部门仍需采取有效措施来控制火电企业的碳排放速率.2）产业优化情景.该情景是通过优化产业结构、降低第二产业份额的发展模式，火电行业将于2 0 2 9 年达到碳达峰，最高碳排放峰值为2.9 6亿t，之后逐年呈下降趋势。相比基准发展情景，能够提前3a实现碳达峰因此，进一步培育数字能源产业、先进制造业和现代服务产业，优化产业结构.3）技术突破情景.该情景是通过改进能源技术以降低能源消耗的发展模式，火电行业将于2 0 2 8 年达到碳达峰，最高碳排放峰值为2.8 8 亿t.相比产业优化情景，改进能源技术的方式能够更有效降低碳排放、更早实现碳达峰.建议进一步构建以新能源为主体的新型电力系统，大力发展风电、水电、核电和光伏技术，推进低碳、无碳、负碳技术的发展 19。4）低碳发展情景.该情景是从人口、经济、产业和能源角度全方面干预控制的发展模式，火电行业能够在2 0 2 7 年达到碳达峰，最高碳排放峰值为2.7 8 亿t.相比技术突破情景，这一情景能够更有效地降低碳排放，更早地促进碳达峰战略的实现.但同时需要考虑全面干预方式是否会带来额外的负面效应.综上，参考福建省目前的发展规划，火电行业将于2 0 32 年才能实现碳达峰的目标，较既定目标晚了两年.但若能够坚持绿色发展理念带动产业结构发展、通过技术创新促进化石能源高效利用、大力发展可再生能源优化能源消耗结构等政策，火电行业有望在2 0 30 年实现碳达峰目标.5结语提出基于Stacking集成学习的火电行业碳足迹情景预测模型，是以福建省2 0 0 5一2 0 2 0 年的人口与能源等数据为基础，以政策发展为导向，动态预测了2 0 35年前福建省火电行业在不同发展情景下的碳排放量.首先，基于扩展Kaya恒等式分析了影响火电行业碳足迹的关键因素；然后，以评价指标R和MAPE为依据，优选Stacking集成学习模型的初级学习器和元学习器，构建最优Stacking集成学习的碳足迹预测福州大学学报（自然科学版）表5情景参数设置Tab.51Parameter settings for scenarios20262030203120350.350.050.600.400.650.450.750.820.800.870.850.926.005.106.305.405.70第51卷因素速率20212025低-1.00产业0.10中结构0.15高0.82低能源消0.87中费强度0.92高4.00低能源消4.70中费结构5.00高3.1基准情况3.0+产业优化2.9技术突破12/鲁X非潮低碳发展2.82.72.6上2.52.42018图5不同情景下的碳排放量预测结果对比Fig.5 Comparison of carbon emission forecast resultsunder different scenarioshttp:/20262030-0.70-1.50-1.20-2.00-1.70-0.63-0.60-0.73-0.70-0.83-0.80-0.03-0.035-0.04-0.045-0.05-0.05020222026年份20312035-0.50-1.00-1.50-0.55-0.65-0.75-0.045-0.050-0.05520302034第4期模型；最后，基于碳足迹模型预测了4种不同发展情景下福建省火电行业的碳达峰情况.主要得到以下结论：1）影响碳排放的关键因素包括人口数量、经济产出、产业机构、能源消费强度和能源消费结构；2）所构建Stacking集成学习的初级学习器包括LR、G BD T、BP和XGBoost，元学习器为GBDT，拟合效果R?可达0.9947，MAPE可达0.0 0 58；3）所提出的4种发展情景中，低碳发展情景将于2 0 2 7 年实现碳达峰，且碳排放峰值将是4种发展情景中的最低值，为2.7 8 亿t.参考文献：1 辛保安，单葆国，李琼慧，等。“双碳”目标下“能源三要素”再思考 J.中国电机工程学报，2 0 2 2，42（9）：3117-312 6.2李辉，孙雪丽，庞博，等.基于碳减排目标与排放标准约束情景的火电大气污染物减排潜力 J.环境科学，2 0 2 1，42(12):5563-5573.3 JAVED S A,CUDJOE D.A novel grey forecasting of greenhouse gas emissions from four industries of China and IndiaJ.Sustainable Production and Consumption,2022,29:777-790.【4徐宁，秦邱皓，王天宇，等.基于自适应调节的灰色滚动预测模型及对碳排放趋势预测 J/OL.控制与决策，2 0 2 2:1-92022-09-20.https:/doi.org/10.13195/j.kzyjc.2021.2137.5】吉兴全，赵国航，于一潇，等.基于4E平衡的碳排放因素分解与峰值预测方法 J.高电压技术，2 0 2 2，48（7）：2483-2494.6王珂珂，牛东晓，甄皓，等.基于WOA-ELM模型的中国碳排放预测研究 J.生态经济，2 0 2 0，36（8）：2 0-2 7.7 杨海柱，田馥铭，张鹏，等.基于CEEMD-FE和AOA-LSSVM的短期电力负荷预测J.电力系统保护与控制，2 0 2 2，50(13):126-133.【8 史佳琪，马丽雅，李晨晨，等.基于串行-并行集成学习的高峰负荷预测方法 J中国电机工程学报，2 0 2 0，40（14）：4463-4472;4726.9 ESKANDER S,NITSCHKE J.Energy use and CO2 emissions in the UK universities:an extended Kaya identity analysisJ.Journal of Cleaner Production,2021,309:127199.10J QU Z,XU J,WANG Z,et al.Prediction of electricity generation from a combined cycle power plant based on a stackingensemble and its hyperparameter optimization with a grid-search methodJ.Energy,2021,227:120309.11史佳琪，张建华.基于多模型融合Stacking集成学习方式的负荷预测方法J.中国电机工程学报，2 0 19，39（14）：4032-4042.12 李根，王航，刘海康，等.基于逻辑回归的高压电缆交叉互联接地系统缺陷分类识别方法 J.高电压技术，2 0 2 1，47(10):36743683.【13杜一星，胡志坚，陈纬楠，等.基于改进CatBoost的电力系统暂态稳定评估方法 J.电力自动化设备，2 0 2 1，41（12）：115-122.14】吴建章，梅飞，郑建勇，等.基于改进经验小波变换和XGBoost的电能质量复合扰动分类 J电工技术学报，2 0 2 2，37(1):232-243;253.15福建省统计局.福建省统计年鉴：2 0 2 0 M/OL.北京：中国统计出版社，2 0 2 0 2 0 2 2-0 9-0 9.http：/t i j.f u j i a n.g o v.c n/xxgk/ndsj.【16】张金良，贾凡.中国火电行业多模型碳达峰情景预测 J.电力建设，2 0 2 2，43(5)：18-2 8.17】赵金辉，李景顺，王潘乐，等.基于Lasso-BP神经网络模型的河南省碳达峰路径研究J.环境工程，2 0 2 2，40（12）：151-156;164.18 赵慈，宋晓聪，刘晓宇，等.基于STIRPAT模型的浙江省碳排放峰值预测分析 J.生态经济，2 0 2 2，38（6）：2 9-34.19】张涛，杨建华，靳开元，等.基于Stackelberg博奔的配电网分布式光伏低碳化消纳方法 J.电力自动化设备，2 0 2 3，43(1):48-54;63.项康利，等：基于Stacking集成学习的福建省火电行业碳足迹情景预测565（责任编辑：蒋培玉）http:/