当今社会,经济发展的步伐越走越快,中国正面对着新时代、新时期下的严峻的生态环境和能源形势带来的难题及挑战,稳步上升的能源消耗量,碳排放与日俱增的问题不容忽视,雾霾现象的频率陡然递增,恶劣的极端天气和气象灾害频发。东北地区的工业大省之一的辽宁省,自然也具备中国化石能源高消费的能力。当前仍存在不在少数的疑难气候问题尚未规划,如:新型环境污染问题、老生常谈的PM2.5问题、CO2排放问题、甚至沙尘天气问题、不得不提的能源利用效率问题等其它新兴之难。辽宁省的能源需求以石油为代表化石能源,及大多数的不可再生能源消耗为主。辽宁地区的每年的CO2释放量和能源消耗量也随着经济迅猛发展也在同步发展。辽宁在能源使用上领先多省,故辽宁的碳排放量在东北碳排放总量承担主要的分量。国内专家指出:解决辽宁省的碳排放的问题同时实现辽宁省碳减排的目标,对研究中国CO2降低排放问题具有战略性意义。简而言之,对辽宁省能源消费碳排放量进行影响因素贡献度分析及多角度预测未来的变化趋势将有利于完成“绿色生活”的目标,为经济社会与气候环境的可持续发展和保持“绿水青山”的环境提出有效的解决方法和政策建议。首先,考虑到数据的可获得性和方法的可执行性选择了 IPCC推荐的能源消费碳排放量测算的优化碳排放系数法,并运用该方法测算了辽宁地区2000-2018年的能源消费碳排放量。然后,在此基础上,参考辽宁省历年能源消费真实数据,测算出辽宁省能源侧CO2排放量随后进行综合分析。由数据显示CO2排放量曲线呈持续走高的势头。本章的内容为后文辽宁地区CO2排放影响因素贡献程度分析与CO2排放量短期情景预测做出了坚实的数据和分析铺垫。主要是对能源侧碳排放影响因素进行分析。本文借助于可扩展的STIRPAT模型和岭回归法对能源侧碳排放的影响因素,包括人口、人均省内生产总值、城市化率、第三产业占比和能源消费量进行分析,回归方程及相应的系数通过显著性检验。岭回归结果显示,人口数量对能源侧二氧化碳排放量的促进作用最为显著,其次是城市化水平,而其它影响因素对于能源侧碳排放的影响相对较小。利用历史碳排放数据构建4种预测模型分别是:BP、PSO-BP、GWO-BP、STIRPAT模型,通过比较它们的MAPE,最终选择精度最佳的GWO-BP模型作为预测模型。利用MATLAB最新版软件对辽宁地区2019-2023年CO2排放的影响因素的进行灰色GM（1,1）模型预测,再将得到的数据与GWO-BP模型相结合预测未来5年的碳排放。分析碳排放的趋势发现:可能存在数据过于理想化的问题,故引入后文的情景预测法进行预测。考虑到辽宁省经济活力、社会潜力和能源未来动向等发展蓝图,对辽宁地区CO2排放的5种影响因素开展高、低势头的情景预设。之后,将不同情景对应的数据代入到构建的GWO-BP模型当中,得出2019-2023年的碳排放量。分析发现,人口对于碳排放增长的影响最大,起到最主要的作用,这与前文的基于STIRPAT模型的影响因素分析结果相一致。根据前文及2019-2023年的情景预测结果,对辽宁省碳排放的管理以及未来碳减排工作给出人口、产业结构、科技发展相应建议。可能的创新点有:在预测模型的构建方面,多数利用神经网络预测碳排放量的学者直接采用BP神经网络或将经典的智能算法与BP神经网络相结合,这里采用灰狼算法优化的BP神经网络建立模型,而灰狼算法一种新型群体智能优化算法。GWO通过模拟灰狼群体捕食行为,基于狼群群体协作的机制来达到优化的目的。GWO算法具有结构简单、需要调节的参数少、容易实现等特点,其中存在能够自适应调整的收敛因子以及信息反馈机制,能够在局部寻优与全局搜索之间实现平衡,因此在求解精度和收敛速度方面都有良好的表现。尽管本文收获了一些有益的成果,但由于时间与能力有限,部分内容还要进一步研究和完善:未考虑生活消费产生的碳排放量,使得计算值比实际值偏小,因此,在今后的研究中,应当对生活能源消费产生的碳排放量进行扩展研究;碳排放预测模型方面可能存在不足,如GWO算法的网络权值可能的收敛速率一般和存在对多峰函数求解时收敛速度慢,容易陷入局部最优解的缺点。以及模型初始化的参数设置,优化这都需要对模型进一步改进,以增加模型预测的精度,保证预测结果的客观性和准确性;尽量将辽宁碳排放预测模型应用到实际中去,为解决全球变暖提供具体、客观、有效的解决方案,使其真正的为人类服务。