双碳目标下低碳建筑C题建模全流程：熵权法评价、GM(1,1)预测与0-1规划优化-北京尧图网络

1. 拿到题目后我是怎么拆解“双碳”这道C题的五一数学建模竞赛的C题历来是“评价预测/分析优化/决策”的套路2023年这道“双碳”目标下低碳建筑研究也没有跑出这个框架。我第一次读完题目的时候脑子里翻出的是这几年行业里反复提的一个方向——碳达峰、碳中和赛题把它落到“建筑”这个具体载体上要你解决的并不是“怎么盖房子”而是“怎么评价一栋建筑够不够低碳、未来排放会怎么走、改造的钱花在哪儿最值”。这道题给出的数据通常是一张多指标的建筑信息表、几年运营碳排放的时序数据还有一个改造措施的候选清单。先说结论这道题的建模思路并不难难的是把“双碳”这个概念翻译成数学语言时指标的选取和权重的解释要能让评委信服。很多队伍栽在第一问就开始堆模型熵权法、TOPSIS、模糊综合评价全上但指标选得太随意论文出来效果也不好。这篇内容我会按三个小问逐步拆每问给出可直接复用的思路和代码数据以常见赛题形式整理实际赛题给出的数据有出入时就按同样的逻辑改路径就行。适合看这篇内容的是那些第一次打C题、想找一条稳妥主线的队伍也适合已经做完了但总觉得模型不够硬、想回头补代码和论文逻辑的同学。整个流程跑完大概需要半天时间你得到的是一套完整的评价体系代码、预测代码和优化求解代码改改数据就能直接用于正式比赛。2. 第一问的核心搭建评价指标体系并算出客观权重2.1 指标选取的逻辑不是越多越好第一问通常是“建立低碳建筑综合评价指标体系并评价不同建筑的低碳水平”。拿到这个问法先别急着找十几个指标堆上去评委看指标体系最反感的就是“大而全但没逻辑”。我当时定的选取原则是三点可量化、侧重降碳、避免强相关。可量化是硬门槛像“建筑美观度”这种看着合理但没法打分的指标评委一看就觉得你是凑数的侧重降碳就是要优先选与能耗和碳排放直接相关的指标比如单位面积能耗、碳排放强度、可再生能源占比避免强相关是因为后面用熵权法算权重时如果两个指标本质上是同一件事熵权会失真后面做TOPSIS的评价排序也会被重复维度带偏。举个例子我按常见赛题形式整理了五栋建筑的七项指标如下表建筑编号单位面积能耗(kWh/m²·年)可再生能源占比(%)绿色建材使用率(%)碳排放强度(kgCO₂/m²·年)绿化率(%)节水率(%)室内环境质量评分建筑A78.522.345.634.228.515.378.6建筑B92.613.230.142.518.29.670.2建筑C68.432.558.328.735.621.485.3建筑D105.88.622.448.912.57.865.4建筑E83.218.938.737.322.812.174.5这七项里单位面积能耗和碳排放强度是成本型指标越小越好其他五项都是效益型指标越大越好。这里要特别提醒一句把指标区分成成本型和效益型是第一问最容易扣分的地方因为后续做标准化处理时方向搞反了排名结果就完全反了。2.2 为什么选熵权法而不是层次分析法确定指标之后就面临权重怎么来的问题。第一反应是层次分析法AHP的人很多但我在比赛中很少建议用AHP原因有两个一是AHP需要构造判断矩阵两两比较打分本身就带很强的主观性评委在评卷时会拿着“权重从哪来”来质疑你二是比赛时间是72小时构造判断矩阵、做一致性检验听着简单实际操作起来费时间来回调矩阵很折腾。熵权法本质是用数据本身的离散程度来确定权重。它的基本逻辑是某个指标在几个样本之间的差异越大说明这个指标“携带的信息量”越多当然要给它更高权重反之如果大家都差不多那就说明这个指标区分不了优劣权重就应该低。这跟现实中“一个班所有人英语都是90分以上那英语成绩就拉不开排名”是一个道理。熵权法的计算分三步走。第一步对原始数据做极差标准化把成本型指标反向处理效益型指标正向处理全部映射到0到1之间。第二步计算每个样本在该指标下的比重再用信息熵公式求每个指标的熵值。指标值的差异越大熵值越小信息量越大。第三步用1减熵值得到差异系数归一化之后就得到权重。整个过程完全由数据驱动没有任何主观打分因素这在“双碳”这种政策背景较强的题目里显得客观且可复现。这里放一段可以直接跑的Python代码用pandas读Excel之后直接调用import numpy as np import pandas as pd def entropy_weight(df): # 1. 极差标准化效益型指标正向处理成本型指标负向处理 df_norm pd.DataFrame(indexdf.index, columnsdf.columns) for col in df.columns: if col in [单位面积能耗, 碳排放强度]: # 成本型指标 df_norm[col] (df[col].max() - df[col]) / (df[col].max() - df[col].min()) else: # 效益型指标 df_norm[col] (df[col] - df[col].min()) / (df[col].max() - df[col].min()) # 2. 计算每个样本在指标上的比重矩阵 p df_norm / df_norm.sum() # 3. 计算信息熵 e再用 e 得到差异系数和权重 n len(df) e -(1 / np.log(n)) * (p * np.log(p 1e-12)).sum() d 1 - e w d / d.sum() return w data pd.read_excel(建筑数据.xlsx, index_col0) weights entropy_weight(data) print(熵权法权重) print(weights)要注意代码里np.log(p 1e-12)这个小细节这是防止标准化后出现0值导致log(0)报错。实际数据里标准化结果为0很常见不处理的话整个权重结果全是nan。这个坑我见过太多队伍踩了后面常见问题部分会详细说。2.3 TOPSIS 把综合评价排序一次性搞定权重算完之后就可以对五栋建筑做综合评价了。TOPSIS优劣解距离法是这里最顺手的工具先找一个每个指标都最好的“正理想解”再找一个每个指标都最差的“负理想解”算每栋建筑到这两个理想解的距离谁离正理想解近、离负理想解远谁的低碳水平就高。TOPSIS这个方法的名称听着唬人但思路特别朴实。你可以把它想象成一个综合评价的打分游戏正理想解相当于各科成绩都是满分的“学霸”负理想解相当于各科成绩都是最低分的“学渣”你要判断某个人更接近学霸还是更接近学渣。TOPSIS的计算过程也简单先对原始数据做向量规范化让不同量纲的指标放到同一个尺度上然后乘上权重找出加权后的正负理想解再算每个方案到两者的欧氏距离最后得到贴近度得分。还是贴代码这套代码把熵权法算出的权重直接喂进去def topsis(df, weights): # 1. 向量规范化每个值除以该列所有值的平方和的平方根 norm np.sqrt((df ** 2).sum()) df_norm df / norm # 2. 乘上熵权法得到的权重 weighted df_norm * weights # 3. 确定正负理想解成本型指标取最小效益型取最大 ideal_best [] ideal_worst [] for col in df.columns: if col in [单位面积能耗, 碳排放强度]: # 成本型 ideal_best.append(weighted[col].min()) ideal_worst.append(weighted[col].max()) else: ideal_best.append(weighted[col].max()) ideal_worst.append(weighted[col].min()) ideal_best np.array(ideal_best) ideal_worst np.array(ideal_worst) # 4. 计算各方案到正负理想解的欧氏距离 dist_best np.sqrt(((weighted - ideal_best) ** 2).sum(axis1)) dist_worst np.sqrt(((weighted - ideal_worst) ** 2).sum(axis1)) # 5. 贴近度 C D- / (D D-) score dist_worst / (dist_best dist_worst) return score score topsis(data, weights) result pd.DataFrame({建筑: data.index, 综合得分: score}) result result.sort_values(综合得分, ascendingFalse) print(result)用上面那份示例数据跑完排名通常是建筑C第一建筑A和建筑E居中建筑D垫底建筑B倒数第二。建筑C每个指标都比较优秀尤其是可再生能源占比和绿色建材使用率拉开了差距贴合理想解的位置最近建筑D在能耗和碳排放强度上都偏高综合得分自然就垫底。这一步输出的排名就能直接放进论文表格里。有一点要提醒TOPSIS的结果受权重影响很大所以论文里要把熵权法得到的权重表单独列出来再给得分排名这样评委会觉得你的逻辑是一环扣一环的而不是把两个模型硬拼起来。2.4 第一问写论文时的几个加分细节第一问是整篇论文的“门面”评委看这问的时间最长。大家常说的一句话是模型可以简洁解释必须充分。加分细节大概有这么几个一是每个指标的选取理由写清楚哪怕一句话也行比如“可再生能源占比反映建筑用能结构清洁程度与碳排放直接相关”二是数据预处理要写出来成本型指标负向化的公式不能只在代码里有论文里也要有三是结果分析要有针对性地指出最低碳和最需改造的建筑评语里说清楚“建筑C低碳水平最高主要体现在可再生能源占比高、碳排放强度低”这样能为第二问和第三问自然埋下伏笔。还有一些常犯的错误我见过有队伍把评价和预测混在一问里做结果第二问发现自己没有可以单独用来预测的历史数据。所以在读题阶段就要把每一问的数据需求列出来这个习惯非常重要也省得后面手忙脚乱。3. 第二问用灰度预测 GM(1,1) 做碳排放趋势预测3.1 为什么没选 BP 神经网络和多元回归第二问常见的问法是“基于近五年历史数据预测未来若干年建筑运营碳排放量并分析减排潜力”。看到预测两个字很多同学下意识就想上BP神经网络或者LSTM。但回看历史数据通常只有五到八个年度的序列点样本量这么少深度学习模型根本学不出有意义的规律强行用不仅容易过拟合还容易在论文里被评审一眼看穿。多元回归的问题在于它需要找到若干个与碳排放量相关的自变量而且必须保证这些自变量在未来年份也有合理的取值。如果题目只是给出了碳排放总量这一列时间序列没有给出驱动变量的预测路径回归做起来就比较虚。GM(1,1) 在这里反而特别合适。灰色预测的优势就是小样本、少信息只需要四个或五个数据点就能建模而且它本身是处理“部分信息已知、部分信息未知”系统的碳排放受政策、技术、用能结构等因素影响很难说全部信息都掌握这个场景和灰色系统的假设是吻合的。我理解的GM(1,1)原理可以概括成一句话把看起来随机波动的原始数据做一次累加很多非线性弱规律就会变成近似的指数增长规律然后对这个规律用一阶微分方程去拟合再把拟合结果累减还原。举个生活化的例子你手里只有五年的银行存款余额记录想预测三年后的余额直接看每年余额可能忽高忽低但如果把历年和累计余额画出来会发现一条平滑向上的曲线这条曲线的大趋势可比每年的波动好预测多了。GM(1,1)做的就是这件事。3.2 GM(1,1) 的完整代码实现GM(1,1) 的公式推导网上到处都有我这里直接给一份能跑的完整代码并在注释里把每一步的意义标清楚。假设题目给了2018到2022年集团建筑运营总碳排放量数据大致是逐年上升的我用这样一组示例数据import numpy as np def gm11(x0, n_pred10): x0 np.array(x0, dtypefloat) n len(x0) # 1. 累加生成 x1 x1 np.cumsum(x0) # 2. 构造背景值序列 z1常用紧邻均值生成 z1 (x1[:-1] x1[1:]) / 2 # 3. 构造 B 矩阵和 Y 列 B np.column_stack([-z1, np.ones(n - 1)]) Y x0[1:].reshape(-1, 1) # 4. 最小二乘估计参数 [a, b] # [a, b]^T (B^T B)^(-1) B^T Y coef np.linalg.inv(B.T B) B.T Y a, b coef[0, 0], coef[1, 0] # 5. 构建时间响应式并预测 x1_pred np.zeros(n n_pred) x1_pred[0] x0[0] for k in range(1, n n_pred): x1_pred[k] (x0[0] - b / a) * np.exp(-a * k) b / a # 6. 累减还原得到原始序列预测值 x0_pred np.diff(x1_pred, prependx1_pred[0]) return x0_pred[:n], x0_pred[n - 1:], a history np.array([12.84, 13.26, 13.58, 14.05, 14.62]) fit, future, a gm11(history, n_pred10) print(历史年份拟合值, np.round(fit, 3)) print(未来十年预测值, np.round(future, 3)) print(发展系数 a, round(a, 4))跑完之后你会得到一个未来的逐年预测值序列。如果数据按上面示例来预测结果大致是从15.2万吨逐步涨到18.5万吨左右系数a是负的小数这说明碳排放仍处于缓慢上升通道。从结果里可以看到如果保持现有趋势碳排放量是缓慢上升的绝对做不到“尽快达峰”的目标这正好引出“减排潜力分析”——假设维持现状是基准情景我们可以在后续改造中构造低碳情景两条线一对比潜力就出来了。在正式论文里还应该对这个模型做一次精度检验。最常用的是后验差检验计算原始序列标准差和残差序列标准差用残差标准差除以原始标准差得到后验差比值CC值小于0.35说明模型精度好。GM(1,1)模型的精度检验代码很短但能显著提升论文的严谨性建议加上。3.3 预测结果的可视化与情景对比第二问一定要画图。不是论文里堆图表就好看是要画那种“一条线是历史值一条线是预测值”的趋势图评委一眼就能看出你的模型预测到了什么。Matplotlib 里几行就能搞定import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False years list(range(2018, 2033)) his_year years[:len(history)] fut_year years[len(history) - 1:] plt.plot(his_year, history, o-, label历史碳排放) plt.plot(fut_year, future, s--, labelGM(1,1)预测) plt.axvline(x2022, colorgray, linestyle:) plt.xlabel(年份) plt.ylabel(碳排放量万吨CO₂) plt.legend() plt.title(建筑运营碳排放历史与预测趋势) plt.grid(alpha0.3) plt.show()画图注意字体设置Windows 下SimHei能显示中文Mac 下要换成PingFang SC之类这个细节我们在比赛提交代码的时候改了好几版学校机房和宿舍电脑字体库不一样样图导出前一定要确认一遍。这里还有一个容易被忽略的重点减排潜力分析不能只是“基准预测”一条线。理想的写法是给出两到三个情景对比。第一种是维持现状情景就用GM(1,1)得到的基准预测曲线。第二种是政策推动情景可以假设在既有政策推动下单位面积能耗逐年下降、可再生能源占比逐年提升从而把碳排放增速压低这个情景的曲线可以在基准预测基础上按年减排率逐步调整。第三种是强化减排情景直接结合第三问的改造措施把改造后的减排量叠加进曲线。最后对比三种情景下的累计减排量差异就是减排潜力。这样前后两问就打通了整篇论文的叙事逻辑也顺了。4. 第三问低碳改造方案优化与 0-1 整数规划求解4.1 把“怎么选措施”抽象成数学问题第三问一般会给一张可选的改造措施表包括屋顶光伏、外墙保温、高性能门窗、智能照明、地源热泵、绿化碳汇等每项措施有单位面积的投资金额和减排系数。题目通常会问在给定的预算约束下选哪些措施组合使得减排效果最优。这是一个典型的0-1背包问题。每一项改造措施要么选要么不选不能选一半决策变量天然是0-1整数变量。目标函数是总减排量最大化约束条件是总投资不超过预算必要时还可以加一条“每平米年减排量不能超过现有碳排放强度”的合理性约束。我们来看一个示例措施表这是按常见赛题形式整理的措施编号改造措施单位面积投资(元/m²)减排系数(kgCO₂/m²·年)1屋顶光伏80028.52外墙保温改造26012.33高性能门窗更换4208.74智能照明与楼宇自控1805.25地源热泵空调系统65018.66绿化碳汇提升1202.8假设预算约束是每平方米改造成本不能超过900元我们要从六项措施中选出一个组合使得每平方米年减排量最大。这里要注意屋顶光伏投资高但减排效果也最高地源热泵次之它们组合起来很容易就超过预算所以求解器需要在“效果”和“预算”之间找平衡点。4.2 用 scipy 求解松弛解与用 pulp 求解整数解写了这么久模型最后落到代码上。比赛环境里最稳妥的方案是scipy.optimize.linprog它可以求线性规划松弛解操作简单不易出错。代码如下from scipy.optimize import linprog import numpy as np # 六个措施的投资和减排量 invest np.array([800, 260, 420, 180, 650, 120]) reduction np.array([28.5, 12.3, 8.7, 5.2, 18.6, 2.8]) budget 900 # 每平方米改造预算上限 # linprog 默认求最小值目标函数取负数 c -reduction.astype(float) # 约束sum(invest_i * x_i) budget A_ub [invest.astype(float)] b_ub [budget] # 0 x_i 1如果要求整数解可结合整数规划或取整后验证 bounds [(0, 1)] * len(invest) result linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) print(松弛解, np.round(result.x, 3)) print(松弛解目标值, round(-result.fun, 3))这样求出来的是松弛解每个变量是0到1之间的实数不满足“要么装要么不装”的整数约束。不过别急松弛解有一个很好的作用它能告诉你哪些方案在“性价比”上更占优。跑完大概率看到屋顶光伏的决策变量值接近1这说明即使考虑预算限制它的减排效率也值得优先选。如果题目明确要求给出可执行的改造清单就得用严格的0-1整数规划推荐直接用pulp库。pulp代码写起来和数学公式几乎一一对应评委看起来舒服自己检查也方便import pulp prob pulp.LpProblem(低碳改造方案优化, pulp.LpMaximize) x [pulp.LpVariable(fx{i}, catBinary) for i in range(len(invest))] prob pulp.lpSum(reduction[i] * x[i] for i in range(len(invest))) prob pulp.lpSum(invest[i] * x[i] for i in range(len(invest))) budget prob.solve() print(求解状态, pulp.LpStatus[prob.status]) selected [i 1 for i in range(len(x)) if x[i].value() 0.5] print(选中措施编号, selected) print(最大每平米年减排量(kgCO₂/m²·年), pulp.value(prob.objective))这段代码用pulp定义的变量是Binary类型求解器会给出严格的0/1解。预算设成900元/m²时它会在“屋顶光伏其他小项”和“外墙保温地源热泵智能照明”等组合之间做取舍。比如屋顶光伏(800)加绿化碳汇(120)刚好等于920略超预算所以不行屋顶光伏加智能照明要980也超了最终可行的最优解大概率是屋顶光伏搭配某一个100元以内的小项或者不选光伏改选地源热泵加外墙保温加智能照明。具体结果以求解器输出为准关键是模型逻辑要正确。4.3 对模型做灵敏度分析并衔接第二问第三问不能只给一个措施清单就结束了最好把减排量换算回第二问的预测曲线上。比如某栋建筑改造前每平米年排放34.2 kgCO₂选了屋顶光伏和外墙保温两项措施后每平米年减排28.5加12.3等于40.8 kgCO₂但实际减排量不可能超过原排放量所以要加一个约束每平米年减排量不能超过当前碳排放强度。把这个逻辑写进模型后改造后的排放曲线就是“基准预测曲线减去每年新增减排量”这样第二问和第三问就形成了闭环。我当时在做的时候在模型里加了“减排量不超过现有排放量”的合理性约束这个细节让方案显得严谨了不少。评审非常忌讳那种减排完之后碳排放变成负数的明显错误加一条约束就能避免。灵敏度分析是最容易拿分也最容易被忽略的部分。操作方法很简单把预算从500开始每次增加100一直加到1500记录每个预算水平下选中的措施组合和最大减排量然后画一条“减排量随预算变化”的折线图。这张图可以直接回答“钱多花在哪里最值”的问题比任何文字都更有说服力。比如预算从500增加到800时减排量提升明显但从800继续增加到1200时提升变缓说明已经接近减排边际效益递减的区间这样的分析放在论文里会让评委觉得你确实把模型吃透了。5. 建模比赛里的坑与查错经验5.1 数据读取阶段的几个坑这次题目数据大多以Excel形式给到用pandas.read_excel读取时最容易出问题的有三个地方sheet名和列名不一致、列名带单位或空格、空单元格变成NaN。我们当时的教训是拿到数据先别急着建模先跑df.info()和df.head()把每列是整数还是浮点数、有没有缺失值都检查一遍。如果列名带有单位或者空格最好在读取后统一重命名否则后面代码写起来容易把自己绕晕。Excel读进来的表格里空单元格在pandas里会变成NaN如果不处理熵权法标准化那一步会直接报错处理办法就是填充均值或者干脆在建模前把缺失值过多的列判定为信息量不足直接剔除。5.2 熵权法结果全是 NaN 的排查很多队伍跑熵权法遇到全NaN的问题问题基本都出在标准化后出现0值然后算log的地方。解决办法就是在log函数里加一个极小的常数比如代码里写的1e-12。这里要单独拎出来说是因为太多队伍卡在这一步十几分钟最后才发现是这么小的一个细节。还有一种情况是标准化后某一列所有值都一样比如某年所有建筑的可再生能源占比都是同一个数这列的熵值就是1差异系数是0权重变成0说明这个指标没有区分度这样的指标留在体系里毫无意义可以直接删掉然后在论文里补一句“删除了区分度低、携带信息量不足的指标”。5.3 代码和论文对不上的问题最后说一个非技术但很重要的经验建模比赛最后提交的论文里的公式、结果和代码一定得对得上。我认识的评委朋友聊过他们评审时经常会抽查论文里的关键数字如果发现论文表格里写的得分和代码跑出来的排名不一致整篇论文的可信度都会崩。所以交稿前一定要做一次“复现”手机关机从头到尾跑一遍代码确认每个结果都能对应到论文里的图表和表格上。关于画图还有一个建议所有图表在导出前要确认中文字体显示正常不然图里的汉字全变成方块排版再好看也白搭。我们当时的经验是所有图都用同一套配色和字体编号规范标题里写明单位这样最后打印出来的时候版面非常统一评委的印象分会好不少。经验和总结现在回头再看这道“双碳”C题它其实是一个非常标准的“评价-预测-优化”三连问组合真正拉开差距的不是模型有多么高级而是每一步选择的理由是否站得住脚。70多个小时里最值得花时间的不是调模型参数而是把思路理顺、把代码逻辑理清、把每问的衔接关系处理好。我个人在实际操作里的强烈感受是熵权法和TOPSIS这套组合虽然经典但只要解释到位完全撑得起第一问GM(1,1)虽然听着“朴素”但小样本预测场景下它就是比神经网络扎实0-1规划求解器选对工具第三问十分钟就能出结果。多花时间在“为什么选这个方法”和“结果背后的实际意义”上论文的深度才会真正出来。如果你们队伍是第一年打这种题我建议先照着上面的代码把流程完整走一遍感受一下“数据从哪来、结果用到哪、论文写什么”的闭环比一上来就看十篇优秀论文有用得多。赛场上真正考验的是快速判断和执行力这套流程越熟练你留给自己打磨论文的时间就越多。祝比赛顺利。

双碳目标下低碳建筑C题建模全流程：熵权法评价、GM(1,1)预测与0-1规划优化

相关推荐

用新模型构建游戏：技能机制与实战指南

HIL硬件在环系统四大核心支柱与落地避坑指南

超帧（Hyperframes）详解：从MTU调优到小包风暴的解决之道

更多资讯

OpenClaw更换DeepSeek API Key完整指南：从配置到避坑

MATLAB GUI读取文件并在文本框显示路径的完整实现与常见问题排查

Qt工程只剩.pro文件？一份排查与恢复完整指南

Git版本控制实战培训：从环境搭建到GitFlow工作流完整指南

C#上位机CSV点云显示实战：从数据读取到HelixToolkit渲染优化

Ubuntu 22.04 实战：从零训练 GAN 生成高清人脸

今日更新

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？