Vol.25，No.4July，2023POWERDSM|0引言为应对全球气候变化和能源问题，实现人类社会的可持续发展，低碳经济已经成为世界各国的共同选择。我国将“碳达峰碳中和”作为未来发展重要任务。在此背景下对于区域碳排放的核算与预测模型的研究具有重要意义。在区域碳排放预测研究方面，目前研究主要集中于对碳排放量及其峰值的预测，学者们基于不同的理论基础和不同的研究视角，采用不同类型的模型对碳排放进行了研究［1］。文献［2］将经济、技术、能源强度、生产结构、消费水平等因素加入到二氧化碳库兹涅茨曲线的实证研究中。文献［3］基于IPAT方程并在其中考虑了GDP的年增长率、人口自然增长率和能源技术进步率等因素分析了区域二氧化碳排放的变化趋势。此外很多学者在STIRPAT模型基础上，结合多种机器学习的方法使用不同的因子对区域碳排放预测模型进行研究。文献［4—5］采用偏最小二乘法构建模型以避免多重共线性问题来进行STIRPAT模型驱动因子分析。文献［6—8］提出基于时间序列数据预测方法LSTM对基于组合集成学习模型的区域碳排放预测方法研究王涵1，白宏坤1，王世谦1，王圆圆1，李秋燕1，宋大为1，韩丁1，卢旭霆2（1.国网河南省电力公司经济技术研究院，郑州450000；2.思科思德能源技术（北京）有限公司，北京100000）RegionalcarbonemissionpredictionmethodbasedoncombinedensemblelearningmodelWANGHan1,BAIHongkun1,WANGShiqian1,WANGYuanyuan1,LIQiuyan1,SONGDawei1,HANDing1,LUXuting2（1.EconomicTechnologyResearchInstitute,StateGridHenanElectricPowerCompany,Zhengzhou450000,China；2.SucceedEnergyTechnology(Beijing)Co.,Ltd.,Beijing100000,China）DOI:10.3969/j.issn.1009-1831.2023.04.009摘要：在低碳发展的大背景下，区域碳排放预测模型研究对未来双碳目标任务制定与实施的具有重要指导意义。Elas⁃ticNet-XGBRegressor模型是一种组合集成学习模型，其中ElasticNet模型为特征筛选模型，XGBRegressor模型为区域碳排放预测模型。通过采用STIRPAT模型原理和IPCC排放因子法构建包含25个特征的原始数据集，并验证提出模型的有效性，以实证对照实验的方式进行，ElasticNet-XGBRegressor模型作为实验组，Spearman特征筛选和常见机器学习方法组合作为对照。结果表明，ElasticNet-XGBRegressor模型在RMSE、MAPE和R2等模型评价指标上全面优于对照组，说明了ElasticNet-XGBRegressor模型在区域碳排放预测中的优越性。通过创新性的将...
