下载文档原格式
碳排放预测与减排方案研究摘要“全球变暖”带来了海平面上升等一系列问题，因此制定合理的“碳减排”方案显得尤为重要。
为了提高预测精度，本文采用灰色预测、STRIPAT、BP神经网络建立三个碳排放预测模型，并依据热力学方程得到“碳预算”，据此制定减排目标，进而提出具体合理的解决方案。
针对问题一，我们先单纯从碳排放量入手，作图分析数据大体呈指数增长，因此建立GM（1,1）碳排放预测模型，预测结果见表1，相对误差在（0.1%，9.49%）区间。
考虑到现实中碳排放量会受到其他因素的影响，因此我们依据STIRPAT方法，从人口、富裕度和技术三个角度，引入9个具有代表性的指标，并用MATLAB 2015b 对其进行灰色加权关联度分析，筛选留下人口规模、城市化水平、GDP、GDP单位能耗、人均能源使用量、耗电量这6个关联度高的指标。
利用GM（1,1）分别预测2030-2050年这六个指标的值，借助SPSS 22.0分析出6个指标具有很强的相关性，因此采用主成分分析提取新的变量,通过新变量和STIRPAT模型，搭建指标与碳排放量之间的关系（见公式4-18），依靠线性回归建立基于扩展STIRPAT的GM(1,1)预测模型，预测结果见表2，回归方程R2为0.987，拟合程度较好。
由于模型二不能很好地考虑碳排放量与影响指标之间错综复杂的关系，因此建立基于BP神经网络的碳排放预测模型，得到精度更高、适用性更强的预测结果(见表3)。
针对问题二，我们通过斯特藩-玻尔兹曼公式构建出二氧化碳累积量与温度之间的关系，再通过曲线拟合得出结论：若要达到联合国气温限制要求，2020年到2100年累计二氧化碳排放量不能超过2056.38 Gt。
我们假设减排后的二氧化碳排放量成二次凸函数形式先增后减地发展，基于这个假设计算出了2030年到2050年的全球减排率。
同时，基于问题一的STRIPAT模型，我们也得出了各个指标在减排后的控制率(见表4)。
基于人工神经网络模型的碳排放预测研究进展谭川江;王超;常昊;杜若岚;任宏洋【期刊名称】《天然气与石油》【年(卷),期】2024(42)1【摘要】碳排放是一个受多因素交互作用的动态过程,准确预测碳排放量有利于碳减排措施的制定。
由于碳排放本身模型具有动态变化性、非线性、社会性等特点,传统预测方法不能满足实际情况的需要。
人工神经网络模型能够较好地描述碳排放时间系列数据的非线性特性,被广泛应用于预测国家、区域、行业等层面的碳排放量变化。
其中,误差反向传播(Back Propagation,BP)神经网络模型和长短期记忆(Long Short-Term Memory,LSTM)神经网络模型备受关注。
在模型预测过程中,通过识别目标模型的碳排放影响因素类型、提高输入层数据的准确性、构建适宜的线性—非线性耦合的组合模型等途径,进一步提高模型预测的准确性。
研究结果对人工神经网络模型在碳排放预测中的应用情况进行梳理,为碳排放预测技术的进一步发展提供参考。
【总页数】9页(P124-132)【作者】谭川江;王超;常昊;杜若岚;任宏洋【作者单位】中国石油天然气股份有限公司塔里木油田分公司油气工程研究院;西南石油大学化学化工学院;天府永兴实验室【正文语种】中文【中图分类】TP3【相关文献】1.基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析2.基于BP神经网络模型的山东省碳排放量预测3.基于PSO-BP神经网络模型的中国碳排放情景预测及低碳发展路径研究4.基于Lasso-GRNN神经网络模型的北京市物流业碳排放量预测5.基于CS-BP神经网络模型的碳排放权价格预测因版权原因，仅展示原文概要，查看原文内容请购买。
我国碳排放量预测模型摘要本文主要我国碳排放预测问题，同时根据预测结果提出合理性建议。
以人口总量，城镇化，人均GDP,第三产业GDP比例,能源强度吨标准煤,煤炭消费比例的数据，建立GM（1,1）预测模型、多元线性回归预测模型、BP神经网络预测模型，借助Matlab软件逐个对碳排放量和影响因素数据进行模拟与预测，然后采用绝对误差与相对误差两个参数对模型进行评价与对比，接着应用关联度分析法求得影响因素的重要性排序，最后结合重要性排序向相关部门提出建议。
对于GM（1,1）预测模型，通过对1986至2010年原始单变量数据进行生成处理，寻找系统的变化规律建立相应的微分方程预测模型，代入相关单变量数据用Matlab编程得到各单变量在2011至2015年的预测值。
对于多元线性回归预测模型，确定线性预测变量和因变量，即影响因素和测度指标，将数据代入Matlab统计软件，求得多元线性方程，将1986至2010年所有数据代入该方程，同时结合GM（1,1）预测模型对2011至2015年各单变量预测结果，用Matlab编程得到对应年份的碳排放量模拟值和预测值。
对于BP神经网络预测模型，首先根据碳排放量的排放趋势，确定输出层、中间隐层和输入层，然后把样本分为训练样本和测试样本两个部分，在以上基础,对样本数据进行归一化预处理，结合GM（1,1）预测模型对2011至2015年各单变量预测结果，采用Matlab软件中的神经网络计算功能,建立合理训练模型得到对应年份的旅游人数模拟值和预测值。
在模型求解过程中，将得到其对应的平均绝对误差值和相对误差值，通过比较知3个预测模型的精确度都合格。
其中BP神经网络模型误差最小，预测效果最佳，三种模型2011-2015年预测数据如下表。
GM(1,1)模型77.8641 83.4852 89.5121 95.9741 102.9026 线性回归模85.073 90.4646 96.1978 102.2945 108.7775 型Bp网络模型87.2029 95.4649 104.5097 114.4115 125.2514对于影响因素重要性确定，本文应用关联度分析法建立因素排序模型，将数据代入关联系数公式得出影响因素数列对参考数列在每个年份的关联系数，关联度即各个关联系数之和的平均值，按关联度大小排序可得影响因素的重要性排序：人均GDP>人口>煤炭消费比例>城镇化>能源强度比例>第三产业GDP比例。
中国碳排放量的组合模型及预测肖枝洪;王明浩【摘要】根据碳排放的演化规律,采用ARIMA模型与BP神经网络集成的组合模型,对中国碳排放量进行预测研究;取1980-2007年中国碳排放量作为训练样本,确定模型参数;然后取2008-2013年中国碳排放量作为测试样本对文中的组合模型进行验证,并与已有文献所建立的预测模型进行比较,结果显示,此处所建立的组合模型预测误差极小;最后,根据组合模型对2014-2020年中国碳排放量进行预测,指出中国还将继续面临碳减排压力.【期刊名称】《重庆工商大学学报（自然科学版）》【年(卷),期】2016(033)001【总页数】7页(P9-15)【关键词】ARIMA模型;BP神经网络;碳排放;组合模型【作者】肖枝洪;王明浩【作者单位】重庆理工大学数学与统计学院,重庆400054;重庆理工大学数学与统计学院,重庆400054【正文语种】中文【中图分类】F206随着全球气候逐渐变暖，各国开始着手研究其原因[1]，结果表明，气候变暖的主因是二氧化碳过量排放，从而提出碳排放量这一概念。
中国碳排放量预测的准确与否极大地影响着中国未来的发展及绿色城市构建。
目前，关于碳排放量预测的方法主要分为两种。
第一种是分析碳排放量与其影响因素之间的关系，构建能源消费模型，随后基于情景分析法对碳排放量进行预测。
但不足之处在于，情景分析法会受到较大主观因素的影响。
第二种根据碳排放量过去变化的趋势对未来碳排放量进行预测[2]，其主要采用时间序列方法，如ARIMA模型。
ARIMA模型的优点在于简单、灵活、可行。
但其局限于研究序列的线性关系，不能反映序列的非线性关系。
然而在实际情况中，绝大多数时间序列都包含了非线性关系[3]。
神经网络模型具有较强的学习与数据处理能力，可以提取数据中隐含的非线性关系，在预测中得到了广泛应用[4-5]。
但神经网络模型在处理呈现线性关系的数据时，其结果往往不如ARIMA模型。
因此，采用单一的模型进行预测效果不佳。
碳中和目标下基于GABP神经网络的碳交易定价模型及其模拟研究一、本文概述随着全球气候变化问题的日益严重，碳中和已成为全球关注的焦点。
作为实现碳中和目标的重要手段，碳交易市场的建设和发展至关重要。
然而，碳交易定价模型的准确性和有效性是制约碳交易市场发展的关键因素之一。
因此，本文旨在构建一种基于广义自适应BP（GABP）神经网络的碳交易定价模型，以提高碳交易定价的准确性和灵活性。
本文首先介绍了碳中和目标的背景和意义，阐述了碳交易市场的发展现状和挑战。
接着，对碳交易定价模型的研究现状进行了综述，分析了现有定价模型的优缺点。
在此基础上，本文提出了一种基于GABP神经网络的碳交易定价模型，该模型结合了广义回归神经网络（GRNN）和自适应BP神经网络（ABPNN）的优点，具有较强的自适应能力和泛化性能。
本文的研究内容包括：构建基于GABP神经网络的碳交易定价模型，对模型进行参数优化和训练，并对模型的定价效果进行模拟验证。
通过对比分析不同定价模型的定价结果，验证了本文所提模型的准确性和有效性。
本文还探讨了不同因素对碳交易价格的影响，为碳交易市场的参与者提供了有益的参考。
本文的研究成果不仅有助于提高碳交易定价的准确性和灵活性，促进碳交易市场的健康发展，同时也为其他领域的定价模型研究提供了有益的借鉴和参考。
二、理论基础与文献综述随着全球气候变化问题的日益严峻，碳中和目标已成为国际社会共同关注的焦点。
为实现这一目标，碳交易作为一种市场化手段，在降低温室气体排放、优化资源配置等方面发挥着重要作用。
碳交易定价模型的构建是碳市场运行的核心，其准确性和有效性直接关系到碳市场的健康发展。
本文所研究的GABP（广义自适应粒子群优化）神经网络是一种基于粒子群优化（PSO）算法和广义回归神经网络（GRNN）的混合模型。
PSO算法是一种群体智能优化算法，通过模拟鸟群捕食行为中的信息共享机制，实现对问题空间的快速搜索。
GRNN则是一种径向基函数网络，具有逼近任意非线性函数的能力。
面向煤矿混合气体检测的神经网络算法研究进展焦明之1，2，3，4， 沈中丽1，2， 周扬明1，2， 何新建3， 贺耀宜4（1. 矿山互联网应用技术国家地方联合工程实验室，江苏 徐州 221116；2. 中国矿业大学 信息与控制工程学院，江苏 徐州 221116；3. 中国矿业大学 安全学院，江苏 徐州 221116；4. 天地（常州）自动化股份有限公司，江苏 常州 213015）摘要：煤矿气体传感器用于混合气体检测时测量信号之间有交叉干扰，难以保证检测准确性。
对于相同的待识别气体，传统气体识别算法的识别精度低于基于神经网络的气体识别算法，神经网络通过调整其网络层、每层神经元的数量、神经元的激活函数和各层网络之间的权重等来实现更高的气体识别精度。
介绍了煤矿混合气体检测系统结构，通过构建气体传感阵列，利用其多维空间气体响应模式，并结合特定的气体识别算法，实现对混合气体的定性定量识别。
重点分析了几种面向煤矿混合气体检测的神经网络算法并进行了对比分析，主要包括反向传播（BP ）神经网络、卷积神经网络（CNN ）、循环神经网络（RNN ）、径向基函数（RBF ）神经网络：BP 神经网络通常可以达到较高的分类精度，然而需要训练大量的参数，训练时间长，通常为了减少时长和提高精度，可以将BP 神经网络与其他算法相结合；CNN 可以自动提取数据特征，精度和训练速度都优于BP 神经网络，但其易于陷入局部最优；RNN 可以使用更少的数据并提取更有效的特征，但容易出现梯度消失等问题；RBF 神经网络具有较强的鲁棒性和在线学习能力，但其通常需要大量数据完成模型训练。
神经网络算法的应用将大幅提升煤矿混合气体的检测精度，保障煤矿智能化的实现。
关键词：煤矿安全监控；混合气体检测；神经网络算法；传感器阵列；反向传播神经网络；卷积神经网络；循环神经网络；径向基函数神经网络中图分类号：TD67 文献标志码：AResearch progress on neural network algorithms for mixed gas detection in coal minesJIAO Mingzhi 1,2,3,4, SHEN Zhongli 1,2, ZHOU Yangming 1,2, HE Xinjian 3, HE Yaoyi 4(1. National and Local Joint Engineering Laboratory of Internet Application Technology on Mine, China University of Mining and Technology, Xuzhou 221116, China ； 2. School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China ； 3. School of Safety Engineering, China University of Mining and Technology, Xuzhou 221116, China ； 4. Tiandi (Changzhou) Automation Co., Ltd., Changzhou 213015, China)Abstract : When coal mine gas sensors are used for mixed gas detection, there is cross interference between measurement signals. It is difficult to ensure detection accuracy. For the same gas to be identified, the recognition precision of traditional gas recognition algorithms is lower than that of gas recognition algorithms based on neural networks. Neural networks achieve higher gas recognition accuracy by adjusting their network layers, the number of neurons in each layer, the activation function of neurons, and the weights between each layer of networks. This收稿日期：2023-04-10；修回日期：2023-08-20；责任编辑：胡娴。
人工神经网络预测模型在能耗预测中的应用随着能源消费量的不断增加，人们越来越关注如何合理利用能源和降低能源消耗。
在此背景下，如何准确预测能源消费量，成为了能源管理和优化的重要课题之一。
而人工神经网络预测模型，正是在这个领域中被广泛应用的一种技术。
一、人工神经网络基本原理人工神经网络是一种模仿生物神经网络的数学模型。
它由大量基本处理单元（人工神经元）和它们之间相互连接所组成。
神经元之间的连接权重及阈值值决定了神经元之间的信息传递及处理方式，从而形成特定的信息处理体系。
人工神经网络通过对数据的学习和调整，可以实现诸如分类、识别、预测等多种功能。
二、人工神经网络在能耗预测中的应用在能耗预测中，我们通常可以采集到历史能耗数据，以及影响能耗的相关因素如室内外温度、湿度、用电负荷等数据。
我们可以将这些数据作为输入，训练一个人工神经网络模型，从而实现对未来能耗的预测。
通常来说，能源设备的运行模式及能量消耗与环境温度、湿度等因素密切相关。
因此，我们可以将相关因素作为神经网络的输入层，能耗作为输出层。
通过对历史数据进行训练，神经网络可以自行调整神经元的权重和阈值值，从而得到一个预测模型。
三、人工神经网络预测模型的优点相对于其他方法，人工神经网络模型在能耗预测中具有以下优点：1、适用性广：能够正常工作并具有较好的预测效果，无论是在小规模的预测，还是大规模的预测中都有一定的优势。
2、预测精度高：通过神经元之间相互连接和相互作用进行数据的学习和训练，可以提高预测精度。
3、可迭代和在线更新：人工神经网络的优点之一是可以进行在线学习，及时更新数据，适应新的变化。
四、总结能耗的预测对于现代社会的能源管理和优化至关重要。
人工神经网络预测模型在此领域中被广泛应用，并已经发挥其预测精度高、可迭代和在线更新的优势。
同时，在实践过程中我们也需要注意数据的准备和模型的优化，以提高预测效果。
预测模型的应用还有很大的空间和发展，能源管理者需要对此保持敏锐的观察和前瞻性的思考。
基于ACSOA-BP神经网络的瓦斯含量预测模型
赵伟;陈培红;曹阳
【期刊名称】《煤矿安全》
【年(卷),期】2022(53)1
【摘要】针对煤矿瓦斯含量预测问题,以陈四楼煤矿为例,在煤层瓦斯含量影响因素分析的基础上,通过对种群进行混沌初始化,并引入自适应混沌算法和非线性收敛因子,提出了自适应混沌海鸥算法(ACSOA),建立了基于自适应混沌海鸥算法优化BP
神经网络的瓦斯含量预测模型(ACSOA-BP),将模型应用于矿井进行预测效果检验。
结果表明:陈四楼煤矿二2煤层瓦斯含量与不同因素呈非线性关系,地质构造是控制煤层瓦斯分布的主要因素,ACSOA-BP模型具有更高的预测精度和稳定性。
【总页数】7页(P174-180)
【作者】赵伟;陈培红;曹阳
【作者单位】河南能源化工集团永煤公司陈四楼煤矿;中国矿业大学(北京)应急管理与安全工程学院
【正文语种】中文
【中图分类】TD712
【相关文献】
1.基于神经网络的平煤十矿己15-16煤层瓦斯含量多变量预测模型研究
2.基于改
进BP神经网络的瓦斯含量预测模型3.基于蚁群神经网络的煤矿瓦斯含量预测模型
4.基于循环神经网络的煤矿工作面瓦斯浓度预测模型研究
5.基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的我国煤炭消费和碳排放量预测[摘要] 利用1994～2013年历年的煤炭消费和碳排放量数据，将BP神经网络方法应用于我国煤炭消费和碳排放量的预测，通过预测值和实际值的对比分析，预测了2014～2020年的煤炭消费量和碳排放量，预测结果表明：未来几年煤炭消费和碳排放量依旧呈递增趋势，且增长率均不会出现太大的变动。
[关键词] BP神经网络；煤炭消费；碳排放量[中图分类号] F407.21[文献标识码] A[文章编号] 1008―1763（2015）01―0064―04The Prediction of China's Coal Consumption and CarbonEmissions Based on BP Neural NetworkZHANG Zhengqiu，CHEN Ya（College of Mathematics and Econometrics，Hunan University，Changsha410082，China）Abstract：According to the coal consumption and carbon emissions data from 1994 to 2013，the neural network method is applied in the prediction of coal consumption and carbon emissions. By comparing and analyzing the predicted value and the actual value，we predict the coal consumption and carbon emissions from 2014 to 2020.The predications show that in thenext few years，coal consumption and carbon emissions still show an increasing trend，and the growth rate will not undergo a big change.Key words：BP neural network；coal consumption；carbon emissions一引言近年来，能源的大量消耗给生态环境带来了巨大的压力，特别是由于温室效应所导致的气候变暖已严重威胁到人类生产和生活的可持续发展。
如何正确、有效地应对气候变化所带来的一系列问题已成为全球共同面临的巨大挑战。
目前，我国是世界上最大的煤炭消费国，二氧化碳的排放量也仅次于美国，居世界第二位，如何控制和减少碳排放已成为我国政府亟需解决的问题。
我国政府在哥本哈根会议上承诺：到2020年，单位GDP碳排放强度比2005年降低40%～45%，并将其作为约束性指标纳入社会和国民经济发展的中长期规划。
对我国未来的煤炭消费和碳排放量进行科学预测，能够帮助有关部门制定更合理、更符合中国发展实情的能源政策和环境政策，能够更好地推动国民经济又好又快发展。
国内外已有不少学者研究了煤炭消耗与碳排放问题，如Zhang X. P.等[1]研究了我国经济发展、能源消耗和碳排放的格兰杰因果关系的存在及其方向；Chang C. C.[2] 利用多变量整协的检验方法研究了我国碳排放、能源消耗和经济发展之间的关系[2]；Li F. 等[3]利用面板单位根与异构的面板协整关系研究了我国大陆30个省市的经济发展与能源消耗的关系；张会新等[4]运用三角灰色系统模型预测煤炭消费量，得出了短期内煤炭消费量会随着GDP增长而逐年增加的结论；张兴平等[5]用1980～2005年的数据对我国煤炭消费进行协整分析，认为煤炭消费与国内生产总值（GDP）、结构变化和效率之间存在长期均衡关系；田立新等[6]通过建立一系列微分方程对我国人口、GDP、煤炭消耗以及碳排放进行预测；宋杰鲲等[7]选取了人口、城镇化率、人均GDP等6个因素为自变量，运用BP神经网络方法构建我国碳排放预测模型，并对2010～2015年我国碳排放量进行预测。
上述研究都是在探寻煤炭消费（或碳排放量）与人口、GDP等因素之间的关系，本文拟基于煤炭消费和碳排放量的历年数据，利用BP神经网络方法建立煤炭消费和碳排放量的趋势预测模型，并对未来几年的煤炭消费和碳排放量进行预测。
二煤炭消费和碳排放量的BP神经网络预测模型BP神经网络应用于预测有三种方式：回归预测、趋势预测和组合预测。
本文拟采用神经网络趋势预测的思路，建立3层BP神经网络，输入变量是历年煤炭消费量和碳排放量，中间为隐含层，通过调整神经元之间的连接权值来使网络逼近实际值，最后一层为输出层，输出煤炭消费量和碳排放量，最后再运用训练好的网络进行预测。
（一）输入输出变量的确定及样本预处理选取1994～2013年的煤炭消费和碳排放量作为总体样本，其中把前15年的数据作为训练样本，后5年的数据作为检验样本。
输入变量为历年煤炭消费和碳排放量数据，输出变量为未来年份的煤炭消费和碳排放量数据。
我们采用最大-最小规范化的方法对原始数据进行归一化处理，具体如下：x′=x-xmin xmax -xmin湖南大学学报（社会科学版）2015年第1期张正球，陈娅：基于BP神经网络的我国煤炭消费和碳排放量预测式中x为原始样本数据，xmax ，xmin 分别为原始数据中的最大、最小值；x′为归一化变换后的数据。
归一化后的数据如表1。
（二）BP神经网络预测模型的建立通常采用Sigmoid函数（S型函数）作为BP神经网络算法中的神经元激活函数，即fs=11+e-s本模型的输出层为单一的煤炭消费量或碳排放量，用BP 神经网络方法进行预测的具体步骤如下：（1）样本归一化处理，使所有数据的值处于（0，1）之间；（2）确定网络的初始结构；（3）设定网络的训练函数、学习函数、传递函数、训练步数及训练精度；（4）权值和阀值初始化，第一次取值尽可能小；（5）训练网络；（6）判断网络是否快速收敛且达到误差要求，若没有，则返回（4）；（7）由检验样本得到网络预测值，比较预测值和实际值，看预测误差是否达到要求，若没有，则返回（4）；（8）进行目标预测并绘制相应图表。
除最大训练步长和目标误差两个参数外，其他参数都采用缺省值。
用检验样本检验训练好的网络，以判断网络的泛化性能，若第一次训练后得到的预测模型不理想，则需要进行多次训练。
（三）实证分析（1）煤炭消费量预测分析依据1994～2013年的煤炭消费量数据，拟建一个三层神经网络，输入层为5个节点，依次为历年煤炭消费量，隐层节点数的选取依据2n+1的经验方法，先设定11个节点，输出层为1个节点，为下一年的煤炭消费量，则网络的初始结构为5×11×1，再依据训练情况逐步调整。
第一次训练：训练函数设为trainlm，学习函数为tansig，传递函数为purelin，训练步数为5000，训练精度为0.00001，训练收敛极快。
但当把检验样本输入进行检验时效果极差，无法进行预测。
进行多次训练后得到2014年煤炭消费量的预测值。
图1为第一次训练后的煤炭消费量预测结果图，图2为多次训练后的煤炭消费量预测结果图。
图1第一次训练后的预测结果图图2多次训练后的预测结果图从上表看，检验样本的误差及误差率较小，具有较好的拟合效果，故依此神经网络模型可以较好地预测2014年的煤炭消费量。
依据神经网络趋势滚动预测的原理，我们将预测得到的2014年的煤炭消费量作为已知量，以1995～2014年的煤炭消费量为样本数据，再依据上述同样的方法建立神经网络模型，经过多次网络训练，预测2015年的煤炭消费量。
依此类推可得到2014～2020年的煤炭消费量预测值如表3：表3煤炭消费量预测值表（万吨标准煤）图3煤炭消费量趋势图（2）碳排放量预测分析对于碳排放量的预测，仍然把训练函数设为trainlm，学习函数为tansig，传递函数为purelin ，训练步数为5000，训练精度为0.00001。
多次训练后得到较为满意的结果。
图4为多次训练后的碳排放量预测结果图。
图4多次训练后的预测结果图网络检验值如表4。
从表4可知，检验样本的误差及误差率较小，具有较好的拟合效果，故依此神经网络模型可以较好地预测2014年的碳排放量。
同样地，依据神经网络趋势滚动预测的原理，我们将预测得到的2014年的碳排放量作为已知量，以1995～2014年的碳排放量为样本数据依据上述同样的方法建立神经网络模型，预测2015年的碳排放量，依此类推，可得到2014～2020年的碳排放量预测值及趋势图：表4碳排放量检验表（亿吨）三结论和建议本文基于1994～2013年的煤炭消费量和碳排放量数据，建立BP神经网络趋势预测模型，预测了2014～2020年的煤炭消费量和碳排放量。
从2015年开始到2020年这6年的预测值均是将之前所得到的预测数据作为样本数据而进行的，虽然在预测上可能会将误差扩大，但是在每一年的预测中，所建立的预测模型的误差及误差率较小，故此趋势预测还是能比较准确地描述未来几年的煤炭消费和碳排放量的变化趋势。
从所表现的趋势来看，未来几年的煤炭消费和碳排放量依旧呈递增的趋势，且增长率不会出现太大的变动，均在一定范围内的增长幅度间递增。
[8]根据表2，表4的煤炭消费量检验表和碳排放量检验表，由所建的神经网络模型所做的预测的相对误差均较小，预测模型的预测效果比较好。
通过对我国煤炭消费和碳排放量的预测，可以看出我国节能减排的道路依旧艰辛，为此提出如下政策建议：1.依靠科技进步和政策引导，提高能源利用效率，大力开发使用新能源。
我国的能源储存结构和经济结构决定了我国以煤炭为主的能源结构在短期内不大可能改变，应加强科技创新，提高煤炭利用效率，勘探开发新能源，为将来的能源结构转化提供科技保障，建立稳定、经济、安全的能源供应体系。
同时提高碳的循环利用，减少碳排放。
2.积极借鉴国际先进经验，完善能源法律法规，建立我国能源安全的预警机制、储备机制和危机应急机制。
完善大气环境污染检测体系，加强与世界各国联系，共同应对全球变暖危机。
加大有关部门的执法力度，加大违法行为的惩治力度，共同营造良好的能源环境和大气环境。
只有更坚定的坚持节能减排，加强国家的宏观减排调控力度，加强科技创新，加大执法力度、惩治力度，才能有效地减少煤炭消费和碳排放量，才能更好地走可持续发展的道路。
[参考文献][1]Zhang X.P，Cheng X.M. Energy consumption，carbonemissions，and economic growth in China[J].Ecological Economics，2009，68（10）：2706-2712.[2]Chang C.C. A multivariate causality test of carbon dioxide emissions，energy consumption and and economic growth in China[J].Applied Energy，2010，87（11）：3533-3537.[3]Li F，Dong S.C，Li X，Liang Q.X，Yang W.Z. Energy consumptioneconomic growth relationship and carbon dioxide emissions in China[J].Energy Policy，2011，39（2）：568-574.[4]张会新，白嘉. 基于三角灰色系统模型的煤炭消费预测[J]. 统计与决策，2011，（23）：38-40.[5]张兴平，赵旭，顾蕊. 我国煤炭消费与经济增长关系的多变量协整分析[J]. 煤炭学报，2008，33（6）：713-716.[6]田立新，高琳琳. 利用微分方程建立煤炭消耗及碳排放量预测模型[J]. 能源技术与管理，2012，（2）：161-164.[7]宋杰鲲，张宇. 基于BP神经网络的我国碳排放情景预测[J]. 科学技术与工程，2011，11（17）：4108-4111+4116.[8]邓明君，罗文兵.国际碳足迹研究前沿演进的可视化[J].湖南科技大学学报（社会科学版），2013，（3）：94-98.。
