CN115564125A - 一种区域碳达峰预测方法和系统、存储介质 - Google Patents
一种区域碳达峰预测方法和系统、存储介质 Download PDFInfo
- Publication number
- CN115564125A CN115564125A CN202211274959.5A CN202211274959A CN115564125A CN 115564125 A CN115564125 A CN 115564125A CN 202211274959 A CN202211274959 A CN 202211274959A CN 115564125 A CN115564125 A CN 115564125A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- regional
- carbon
- influence factors
- peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 203
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000011161 development Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 9
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 3
- 239000000571 coke Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000010779 crude oil Substances 0.000 claims description 3
- 239000002283 diesel fuel Substances 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims description 3
- 239000003502 gasoline Substances 0.000 claims description 3
- 239000003350 kerosene Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 150000001721 carbon Chemical class 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 238000013139 quantization Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种区域碳达峰预测方法和系统、存储介质,步骤如下:收集区域历年的能源历史消费量;通过IPCC系数折算方法计算得到历史碳排放量;通过动态时间归整算法筛选区域碳排放量的主要影响因素;根据区域历史碳排放量和碳排放的主要影响因素,综合运用主成分分析法和STIRPAT模型,构建区域碳排放回归预测模型;选取多种碳排放量的主要影响作为核心要素进行量化生成多种情景模式;将情景模式下对应的影响因子输入碳排放回归预测模型,计算待测区域未来的碳排放量、区域碳达峰峰值和出现时间。本发明有效解决碳达峰预测过程中的要素时间序列不一致和要素波动变化明显导致识别结果存在很大的偏差的问题,为政府减碳政策制定提供理论基础和技术支持。
Description
技术领域
本发明涉及碳排放预测技术领域领域,具体涉及一种区域碳达峰预测方法和系统、存储介质。
背景技术
全球气候变暖是全球乃至人类社会面临的重要挑战之一,深刻影响着人类赖以生存的环境。作为世界的能源消费和碳排放大国,在全球积极应对气候变化的大环境下,我国需要在全球气候治理中体现大国担当,能否在碳减排上做出足够贡献渐趋成为衡量我国是否成为负责任大国的重要标准。表明了我国政府解决温室气体排放问题,坚决走节能减排、低碳可持续发展的道路的决心。我国的经济步伐已经进入“新常态”阶段,导致社会发展面临来自于资源、环境和气候变化的更多压力,作为发展中国家的一员,如何完成自身承诺目标,对于其它发展中国家具有重要的启示作用。
目前,全国各省市碳达峰、碳中和的相关预测和实现路径的顶层设计已经引起了国内外学者的广泛关注。科学、合理地评估各省市的碳达峰峰值和峰值出现时间,准确识别关键影响因素,可以为地区制定能源结构调整战略、构建低碳产业体系、推动低碳化经济和社会发展提供参考和借鉴,可以在确保各省市切实有效实现自身达峰的同时,助力国家层面“双碳”目标的实现。但是,现有的区域碳达峰预测研究普遍存在影响因素识别不准确,碳排放预测模型精度偏低,情景设计过于依赖人为主观判断等问题,导致预估的达峰峰值和峰值出现时间存在很大的偏差,无法从省区这一政策执行和操作层面出发,评估和配合我国2030年碳达峰目标的顺利实现。
发明内容
本发明致力于区域碳达峰预测,提供了一种区域碳达峰预测方法和系统,在对区域的社会经济发展现状、能源消费现状、产业发展现状和碳排放现状进行总结和分析的基础上,以目前常用的IPCC系数折算方法、主成分分析法和STIRPAT模型为基本框架,创新性地引入动态时间归整算法和情景分析方法,有效解决碳排放影响因素识别过程中的要素时间序列不一致和要素波动变化明显导致识别结果存在很大的偏差,以及情景设计过程中过于依赖人为主观判断,无法准确判定达峰峰值和出现时间等问题,对区域的碳排放影响因素、峰值、峰值出现时间进行全面的定量分析和计算,探讨不同情景峰值量及峰值时间出现的一般规律,为政府的减碳路径规划设计和减碳政策制定提供理论基础和技术支持。
本发明解决上述技术问题的方案如下:一种区域碳达峰预测方法,包括以下步骤:
步骤A、收集待测区域历年的能源历史消费量;
步骤B、通过IPCC系数折算方法,根据待测区域历年的能源历史消费量计算得到待测区域的历史碳排放量;
步骤C、初步选定区域碳排放量的影响因素,基于待测区域的历史碳排放量,通过动态时间归整算法筛选区域碳排放量的主要影响因素;
步骤D、根据待测区域历史碳排放量和碳排放量的主要影响因素,综合运用主成分分析法和STIRPAT模型,构建区域碳排放回归预测模型;
步骤E、将碳排放量的主要影响因素基于重要程度和不确定性进行排序,按照排序情况选取多种碳排放量的主要影响作为核心要素进行情景矩阵的构建,运用情景分析方法将碳排放量的关键影响因素量化为影响因子带入情景矩阵,生成多种情景模式;
步骤F、将情景模式下对应的影响因子输入区域碳排放回归预测模型,计算得到待测区域未来的碳排放量、区域碳达峰峰值和出现时间。
优选的,通过查阅《中国统计年鉴》,收集待测区域历年原油、原煤、焦炭、汽油、煤油、柴油、燃料油及天然气的历史消费量,用于反映区域能源消耗情况。
优选的,所述步骤B中,通过IPCC系数折算方法,得到待测区域的历史碳排放量,具体计算公式如下:
其中:Cp为历史碳排放量;Pi为第i种能源的消费量;Ei为第i 种能源的净发热值;Qi为第i种能源的碳排放系数;I为能源类型总数。
优选的,所述步骤C具体包括:
步骤C1、运用文献检索方法初步选定人口总数、人均GDP、城市化率、能源强度、产业结构、碳排放强度、绿化面积、能源结构和机动车数量为区域碳排放的影响因素;
步骤C2、查阅《中国统计年鉴》,确定区域碳排放影响因素的历年数值;
步骤C3、基于区域碳排放影响因素的历年数值,通过利用动态时间归整算法,筛选出人口总数、人均GDP、城市化率、能源强度、碳排放强度及能源结构作为区域碳排放量的主要影响因素。
优选的,所述步骤C3中,具体计算过程如下:
区域碳排影响因素数值归一化,具体计算公式如(2a)所示:
式中:xi *为影响因素i的归一化结果;xi为影响因素i的历年原始值;xi,max为影响因素i的历年最大值;xi,min为影响因素i的历年最小值;
考虑到影响因素的数值和量纲差异非常明显,为了避免差异给筛选结果带来的影响,采用归一化方法对影响因素的历年原始数值进行处理。
构建距离矩阵:已知区域的碳排放量时间序列为M={m1,m2,...,mt},某个影响因素的时间序列为N={n1,n2,...,nr},t和r分别为两个时间序列的元素数量,所有的弯曲路径组成路径空间的距离矩阵E;
其中:d(mi,nj)为两个序列中各元素的对应关系,用欧氏距离表示,具体形式如下:
Eij=d(mi,nj)=(mi-nj)2 (2c)
计算弯曲路径:根据计算规则,所选路径必须是从左下角出发,结束于右上角;弯曲路径必须是连续的,不能跨中间点匹配,只能和相邻的元素对齐;且所有的点必须按照时间的序列单调进行匹配;
P={p1,p2,...,ps,...,pl} (2d)
ps=(i,j)=Eij (2e)
其中:P为弯曲路径;s为动态弯曲路径上第s个点的坐标;l为路径中元素的数量;
确定最佳路径:从众多弯曲路径中选定路径上各个元素之间的距离之和最小时对应的路径为最佳路径,即动态时间弯曲距离(DTW),计算公式如下:
确定主要影响因素:在分别计算得到所有影响因素和区域碳排放量的最佳路径的基础上,根据距离由近及远进行排序,筛选和确定主要影响因素,即区域人口总数、人均GDP、城市化率、能源强度、碳排放强度和能源结构。
优选的,所述步骤D具体包括:
步骤D1:基于STIRPAT模型,在计算得到影响因素和区域碳排放量的对数值的基础上,对影响因素的对数值xij进行标准化处理,生成标准化矩阵Zij,转换过程如(3a)和(3b)所示:
步骤D2:基于步骤D1得到的标准化矩阵Zij,生成相关系数矩阵 R,计算公式如(3c)所示:
步骤D3:根据前述获得的相关系数矩阵R,首先运用矩阵的特征多项式求解方法,求解方程(3d)得到p个特征根λj(j=1,2,...,p);接下来,按照不等式(3e)规定的信息利用率超过85%的原则,从p 个特征根选出m个特征根λj(j=1,2,...,m);最后,求解方程(3f)得到特征根λ对应的单位特征向量u。
|R-λE|=0 (3d)
Ru=λju (3f)
其中:λj是矩阵R的第j个特征根;E为单位矩阵;u是单位特征向量。
步骤D4:将标准化后的影响因素转换为主成分,具体形式如(3g)所示:
其中:Y1是第一个主成分,Y2是第二个主成分,...,Ym是第m 个主成分,ui是第i个特征向量;
步骤D5:根据步骤D3得到的特征根λj,对m个主成分进行综合评价,计算得到主成分Yj(j=1,2,...,m)的信息贡献率和累计贡献率,具体计算过程如(3h)和(3i)所示:
其中:bj为单个主成分Yj的信息贡献率;α为所有主成分Yj的累计贡献率。
步骤D6:根据步骤D5得到的超过99%累积贡献率,确定可以解释原始数据的主成分因子的数量,结合步骤D4的转换结果,生成基于原始碳排放影响因素的主成分因子表达式,具体形式如(3j)所示:
FAi=ailn P+biln A+ciln SP+diln T+eiln F+filn E (3j)
其中:FAi为第i组主成分因子;P为人口总量;A为人均GDP;SP为城市化率;T为能源强度;F为碳排放强度;E为能源结构;ai, bi,ci,di,ei,fi为各个影响因素的系数。
步骤D7:基于步骤D1得到的区域历史碳排放量对数值和步骤D6挑选的主成分因子表达式,建立区域碳排放量和主成分因子的多项式回归方程,具体形式如(3k)所示:
ln C=a ln FA1+b ln FA2+...+n ln FAn+d (3k)
其中:lnC为区域的历年碳排放量的对数值;FA1,FA2,...,FAn分别为挑选的主成分因子表达式;a,b,...,n为主成分因子的回归系数;d为常数项。
步骤D8:根据步骤D6生成的基于原始变量的主成分因子表达式,建立基于STIRPAT模型的区域碳排放量预测模型,具体形式如(3l)所示:
ln C=β1ln P+β2ln A+β3ln SP+β4ln T+β5ln F+β6ln E+d (3l)
其中:β1、β2、β3、β4、β5、β6为各个影响因素的回归系数;d为常数项;上述弹性指数联立公式(3h)与(3i)两方程求得。
优选的,所述步骤E具体包括:
步骤E1:利用二维坐标轴基于步骤C确定的区域碳排放量的主要影响因素的重要性和不确定性进行排序;
步骤E2:根据排序情况,选择2种或者2种以上的区域碳排放量的主要影响因素作为构建情景的核心不确定性要素,生成情景矩阵;
以两种核心要素为例,假设将人口数量(U1)和人均GDP(U2)分别设计成U1和U2的2种(或多种)发展趋势,从而构成一个n*m 矩阵S,形成n*m种不同的情景,如(4a)所示:
S=f(U1,U2)=f({U1,1,...U1,i...,U1,n},{U2,1,...U2,j...,U2,m})={S1,1,...Si,j...,Sn,m} (4a)
其中:f表征U1和U2的组成函数;U1,i和U2,j分别表示U1和U2的不同发展趋势;Si,j是最终设计的情景,用情景矩阵或者是情景树的方法表示;
步骤E3:通过文献查阅分析待测区域的发展现状,对区域碳排放量的主要影响因素进行量化,将影响因子带入情景矩阵生成多种情景模式。
优选的,所述情景模式包括节能情景模式、强节能情景模式及低碳情景模式。
一种区域碳达峰预测系统,所述系统包括:
能源历史消费量模块,用于收集待测区域历年的能源历史消费量;
历史碳排放量模块,用于通过IPCC系数折算方法,根据待测区域历年的能源历史消费量计算得到待测区域的历史碳排放量;
碳排放量的主要影响因素获取模块,用于初步选定区域碳排放量的影响因素,基于待测区域的历史碳排放量,通过动态时间归整算法筛选区域碳排放量的主要影响因素;
碳排放回归预测模型构建模块,用于根据待测区域历史碳排放量和碳排放量的主要影响因素,综合运用主成分分析法和STIRPAT模型,构建区域碳排放回归预测模型;
情景模式生成模块,用于将碳排放量的主要影响因素基于重要程度和不确定性进行排序,按照排序情况选取多种碳排放量的主要影响作为核心要素进行情景矩阵的构建,运用情景分析方法将碳排放量的关键影响因素量化为影响因子带入情景矩阵,生成多种情景模式;
碳达峰预测模块,用于将情景模式下对应的影响因子输入区域碳排放回归预测模型,计算得到待测区域未来的碳排放量、区域碳达峰峰值和出现时间。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述区域碳达峰预测方法的步骤。
本发明的有益效果是:在对区域的社会经济发展现状、产业发展现状和碳排放现状进行总结和分析的基础上筛选碳排放量影响因素,结合能源消费现状,以目前常用的IPCC系数折算方法、主成分分析法和STIRPAT模型为基本框架,通过引入动态时间归整算法,有效解决碳排放影响因素识别过程中的要素时间序列不一致和要素波动变化明显导致识别结果存在很大的偏差的问题;通过情景分析方法,解决情景设计过程中过于依赖人为主观判断,无法准确判定达峰峰值和出现时间等问题。对区域的碳排放影响因素、峰值、峰值出现时间进行全面的定量分析和计算,探讨不同情景峰值量及峰值时间出现的一般规律,为政府的减碳路径规划设计和减碳政策制定提供理论基础和技术支持。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提出的一种区域碳达峰预测方法的技术路线图;
图2为本发明实施例中区域碳排放预测模型构建的流程图;
图3为本发明实施例二维坐标轴对碳排放量的主要影响因素排序的示意图;
图4为本发明实施例中应用碳排放预测模型,基于部分情景模式下的碳达峰峰值和峰值出现时间的预测结果图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
一种区域碳达峰预测方法,步骤如图1所示:
步骤A、通过查阅《中国统计年鉴》,收集待测区域历年的原油、原煤、焦炭、汽油、煤油、柴油、燃料油及天然气等常用能源的消费量,用于反映区域的能源消耗情况,如表1所示。
表1区域主要能源形式的历年消费情况
步骤B、运用IPCC系数折算方法,根据待测区域的历年能源消费量计算得到待测区域的历史碳排放量,具体计算公式如下:
其中:Cp为历史碳排放量;Pi为第i种能源的消费量;Ei为第i 种能源的净发热值;Qi为第i种能源的碳排放系数;I为能源类型总数。
表2为IPCC系数折算方法使用过程中涉及的主要参数。表3为区域历年的碳排放量计算结果。
表2各类型能源的碳排放系数与净发热值
表3区域的历年碳排放量计算结果
步骤C、运用文献检索方法初步选定人口总数、人均GDP、城市化率、能源强度、产业结构、碳排放强度、绿化面积、能源结构和机动车数量为区域碳排放的影响因素;查阅《中国统计年鉴》,确定区域碳排放影响因素的历年数值,如表4所示;基于区域碳排放影响因素的历年数值,通过利用动态时间归整算法,筛选出人口总数、人均GDP、城市化率、能源强度、碳排放强度及能源结构作为区域碳排放量的主要影响因素,如表5所示。
表4区域碳排放影响因素
表5动态时间归整算法的影响因素筛选结果表
影响因素 | DTW值 |
人口总量 | 0.59 |
人均GDP | 0.66 |
城市化率 | 0.68 |
能源强度 | 13.18 |
碳排放强度 | 2.61 |
能源结构 | 5.87 |
产业结构 | 14.38 |
绿化面积 | 17.74 |
机动车数量 | 15.19 |
步骤D、根据上述待测区域历史碳排放量和碳排放的主要影响因素,综合运用主成分分析法和STIRPAT模型,构建区域碳排放回归预测模型,如图2所示,具体步骤如下:
步骤D1:基于扩展后的STIRPAT模型,在计算得到影响因素和区域碳排放量的对数值的基础上,对影响因素的对数值xij进行标准化处理,生成标准化矩阵Zij,转换过程如(3a)和(3b)所示:
步骤D2:基于步骤D1得到的标准化矩阵Zij,生成相关系数矩阵 R,计算公式如(3c)所示:
步骤D3:根据前述获得的相关系数矩阵R,首先运用矩阵的特征多项式求解方法,求解方程(3d)得到p个特征根λj(j=1,2,...,p);接下来,按照不等式(3e)规定的信息利用率超过85%的原则,从p 个特征根选出m个特征根λj(j=1,2,...,m);最后,求解方程(3f)得到特征根λ对应的单位特征向量u。
|R-λE|=0 (3d)
Ru=λju (3f)
其中:λj是矩阵R的第j个特征根;E为单位矩阵;u是单位特征向量。
步骤D4:将标准化后的影响因素转换为主成分,具体形式如(3g)所示:
其中:Y1是第一个主成分,Y2是第二个主成分,...,Ym是第m 个主成分
步骤D5:根据步骤D3得到的特征根λj,对m个主成分进行综合评价,计算得到主成分Yj(j=1,2,...,m)的信息贡献率和累计贡献率,具体计算过程如(3h)和(3i)所示:
其中:bj为单个主成分Yj的信息贡献率;α为所有主成分Yj的累计贡献率。
表6展示了主成分的信息贡献率和累计贡献率。
表6主成分的信息贡献率和累计贡献率计算结果表
步骤D6:根据上述得到的累积贡献率(理论上应超过99%),选定前3个主成分因子,可以解释原始数据,表7列出了3个主成分因子对应各个影响因素的系数。
表7主成分因子的各个影响因素的系数汇总表
基于表7,步骤D4的转换结果,确定基于原始碳排放影响因素的主成分因子表达式,如(5a)至(5c)所示:
FA1=0.483 ln P+0.292 ln A+0.484 ln SP-0.014 ln T-0.264 ln F-0.199 lnE (5a)
FA2=-0.122 ln P-0.118 ln A+0.049 ln SP+0.232 ln T+0.253 ln F+0.983ln E (5b)
FA3=-0.921ln P+0.024 ln A-1.392 ln SP-1.683 ln T+1.598 ln F-1.074 lnE (5c)
其中:P为人口总量;A为人均GDP;SP为城市化率;T为能源强度;F为碳排放强度;E为能源结构。
步骤D7:基于区域历史碳排放量的对数值和主成分因子筛选结果,建立区域碳排放量和主成分因子的多项式回归方程,如(5d)所示。表8反映了回归方程的拟合情况。
ln C=0.702 ln FA1+0.362 ln FA2+0.12 ln FA3+9.488 (5d)
其中:lnC为区域的历年碳排放量的对数值。
表8回归方程拟合情况汇总表
步骤D8:根据前述得到的主成分因子表达式,建立基于 STIRPAT模型的区域碳排放量预测模型。模型如(5e)所示:
ln C=0.573 ln P+0.513 ln A+0.591 ln SP-0.397 ln T+0.304 ln F+0.281ln E+5.925 (5e)
步骤E、利用二维坐标轴对上述确定的碳排放量的主要影响因素进行重要性和不确定性排序,如图3所示,综合排序结果为人口总量> 人均GDP>城市化率>碳排放强度>能源强度>能源结构;基于排序结果,忽略城市化率(数值变化有限)和能源结构(综合排序过于靠后),选定人口总量、人均GDP、碳排放强度和能源强度用于情景设计;结合现场调研、文献查阅、政策分析和专家咨询等方式,对选定影响因素进行量化,生成反映所述区域不同的社会经济发展状况、技术水平和政策实施效果包括节能情景模式、强节能情景模式及低碳情景模式等多个情景。表9展示了低碳情景条件下的影响因素未来取值。
表9区域低碳情景模式下的影响因素未来取值
步骤F、运用构建的区域碳排放回归预测模型,结合各个情景模式下的碳排放影响参数,计算得到区域未来的碳排放量,确定不同情景模式下的区域碳达峰峰值和出现时间,如图4所示。为后续区域碳达峰峰值综合控制策略和对策建议的制定和实施提供有益的参考依据。
以上所述,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.一种区域碳达峰预测方法,其特征在于,包括以下步骤:
步骤A、收集待测区域历年的能源历史消费量;
步骤B、通过IPCC系数折算方法,根据待测区域历年的能源历史消费量计算得到待测区域的历史碳排放量;
步骤C、初步选定区域碳排放量的影响因素,基于待测区域的历史碳排放量,通过动态时间归整算法筛选区域碳排放量的主要影响因素;
步骤D、根据待测区域历史碳排放量和碳排放量的主要影响因素,综合运用主成分分析法和STIRPAT模型,构建区域碳排放回归预测模型;
步骤E、将碳排放量的主要影响因素基于重要程度和不确定性进行排序,按照排序情况选取多种碳排放量的主要影响作为核心要素进行情景矩阵的构建,运用情景分析方法将碳排放量的关键影响因素量化为影响因子带入情景矩阵,生成多种情景模式;
步骤F、将情景模式下对应的影响因子输入区域碳排放回归预测模型,计算得到待测区域未来的碳排放量、区域碳达峰峰值和出现时间。
2.根据权利要求1所述一种区域碳达峰预测方法,其特征在于,所述步骤A,通过查阅《中国统计年鉴》,收集待测区域历年原油、原煤、焦炭、汽油、煤油、柴油、燃料油及天然气的历史消费量。
4.根据权利要求1所述一种区域碳达峰预测方法,其特征在于,所述步骤C具体包括:
步骤C1、运用文献检索方法初步选定人口总数、人均GDP、城市化率、能源强度、产业结构、碳排放强度、绿化面积、能源结构和机动车数量为区域碳排放的影响因素;
步骤C2、查阅《中国统计年鉴》,确定区域碳排放影响因素的历年数值;
步骤C3、基于区域碳排放影响因素的历年数值,通过利用动态时间归整算法,筛选出人口总数、人均GDP、城市化率、能源强度、碳排放强度及能源结构作为区域碳排放量的主要影响因素。
5.根据权利要求4所述一种区域碳达峰预测方法,其特征在于,所述步骤C3中,具体计算过程如下:
区域碳排影响因素数值归一化,具体计算公式如(2a)所示:
式中:xi *为影响因素i的归一化结果;xi为影响因素i的历年原始值;xi,max为影响因素i的历年最大值;xi,min为影响因素i的历年最小值;
构建距离矩阵:已知区域的碳排放量时间序列为M={m1,m2,…,mt},某个影响因素的时间序列为N={n1,n2,…,nr},t和r分别为两个时间序列的元素数量,所有的弯曲路径组成路径空间的距离矩阵E;
其中:d(mi,nj)为两个序列中各元素的对应关系,用欧氏距离表示,具体形式如下:
Eij=d(mi,nj)=(mi-nj)2 (2c)
计算弯曲路径:根据计算规则,所选路径必须是从左下角出发,结束于右上角;弯曲路径必须是连续的,不能跨中间点匹配,只能和相邻的元素对齐;且所有的点必须按照时间的序列单调进行匹配;
P={p1,p2,…,ps,…,pl} (2d)
ps=(i,j)=Eij (2e)
其中:P为弯曲路径;s为动态弯曲路径上第s个点的坐标;l为路径中元素的数量;
确定最佳路径:从众多弯曲路径中选定路径上各个元素之间的距离之和最小时对应的路径为最佳路径,即动态时间弯曲距离(DTW),计算公式如下:
确定主要影响因素:在分别计算得到所有影响因素和区域碳排放量的最佳路径的基础上,根据距离由近及远进行排序,筛选和确定主要影响因素,即区域人口总数、人均GDP、城市化率、能源强度、碳排放强度和能源结构。
6.根据权利要求1所述一种区域碳达峰预测方法,其特征在于,所述步骤D具体包括:
步骤D1:基于STIRPAT模型,在计算得到碳排放量的主要影响因素和区域碳排放量的对数值的基础上,对碳排放量的主要影响因素的对数值xij进行标准化处理,生成标准化矩阵Zij,转换过程如(3a)和(3b)所示:
步骤D2:基于步骤D1得到的标准化矩阵Zij,生成相关系数矩阵R,计算公式如(3c)所示:
步骤D3:根据前述获得的相关系数矩阵R,首先运用矩阵的特征多项式求解方法,求解方程(3d)得到p个特征根λj(j=1,2,…,p);接下来,按照不等式(3e)规定的信息利用率超过85%的原则,从p个特征根选出m个特征根λj(j=1,2,…,m);最后,求解方程(3f)得到特征根λ对应的单位特征向量u;
|R-λE|=0 (3d)
Ru=λju (3f)
其中:λj是矩阵R的第j个特征根;E为单位矩阵;u是单位特征向量;
步骤D4:将标准化后的影响因素转换为主成分,具体形式如(3g)所示:
其中:Y1是第一个主成分,Y2是第二个主成分,…,Ym是第m个主成分,ui是第i个特征向量;
步骤D5:根据步骤D3得到的特征根λj,对m个主成分进行综合评价,计算得到主成分Yj(j=1,2,…,m)的信息贡献率和累计贡献率,具体计算过程如(3h)和(3i)所示:
其中:bj为单个主成分Yj的信息贡献率;α为所有主成分Yj的累计贡献率;
步骤D6:根据步骤D5得到的超过99%累积贡献率,确定原始数据的主成分因子的数量,结合步骤D4的转换结果,生成基于原始碳排放影响因素的主成分因子表达式,具体形式如(3j)所示:
FAi=ailnP+bilnA+cilnSP+dilnT+eilnF+filnE (3j)
其中:FAi为第i组主成分因子;P为人口总量;A为人均GDP;SP为城市化率;T为能源强度;F为碳排放强度;E为能源结构;ai,bi,ci,di,ei,fi为各个影响因素的系数;
步骤D7:基于步骤D1得到的区域历史碳排放量对数值和步骤D6挑选的主成分因子表达式,建立区域碳排放量和主成分因子的多项式回归方程,具体形式如(3k)所示:
lnC=a lnFA1+blnFA2+…+nlnFAn+d (3k)
其中:lnC为区域的历年碳排放量的对数值;FA1,FA2,…,FAn分别为挑选的主成分因子表达式;a,b,…,n为主成分因子的回归系数;d为常数项;
步骤D8:根据步骤D6生成的基于原始变量的主成分因子表达式,建立基于STIRPAT模型的区域碳排放量预测模型,具体形式如(3l)所示:
lnC=β1lnP+β2lnA+β3lnSP+β4lnT+β5lnF+β6lnE+d (3l)
其中:β1、β2、β3、β4、β5、β6为各个影响因素的回归系数;d为常数项。
7.根据权利要求1所述一种区域碳达峰预测方法,其特征在于,所述步骤E具体包括:
步骤E1:利用二维坐标轴基于步骤C确定的区域碳排放量的主要影响因素的重要性和不确定性进行排序;
步骤E2:根据排序情况,选择2种或者2种以上的区域碳排放量的主要影响因素作为构建情景的核心不确定性要素,生成情景矩阵;
步骤E3:通过文献查阅分析待测区域的发展现状,对区域碳排放量的主要影响因素进行量化,将影响因子带入情景矩阵生成多种情景模式。
8.根据权利要求1所述一种区域碳达峰预测方法,其特征在于,所述情景模式包括节能情景模式、强节能情景模式及低碳情景模式。
9.一种区域碳达峰预测系统,其特征在于,所述系统包括:
能源历史消费量模块,用于收集待测区域历年的能源历史消费量;
历史碳排放量模块,用于通过IPCC系数折算方法,根据待测区域历年的能源历史消费量计算得到待测区域的历史碳排放量;
碳排放量的主要影响因素获取模块,用于初步选定区域碳排放量的影响因素,基于待测区域的历史碳排放量,通过动态时间归整算法筛选区域碳排放量的主要影响因素;
碳排放回归预测模型构建模块,用于根据待测区域历史碳排放量和碳排放量的主要影响因素,综合运用主成分分析法和STIRPAT模型,构建区域碳排放回归预测模型;
情景模式生成模块,用于将碳排放量的主要影响因素基于重要程度和不确定性进行排序,按照排序情况选取多种碳排放量的主要影响作为核心要素进行情景矩阵的构建,运用情景分析方法将碳排放量的关键影响因素量化为影响因子带入情景矩阵,生成多种情景模式;
碳达峰预测模块,用于将情景模式下对应的影响因子输入区域碳排放回归预测模型,计算得到待测区域未来的碳排放量、区域碳达峰峰值和出现时间。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~8任一一项所述区域碳达峰预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211274959.5A CN115564125A (zh) | 2022-10-18 | 2022-10-18 | 一种区域碳达峰预测方法和系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211274959.5A CN115564125A (zh) | 2022-10-18 | 2022-10-18 | 一种区域碳达峰预测方法和系统、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564125A true CN115564125A (zh) | 2023-01-03 |
Family
ID=84746409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211274959.5A Pending CN115564125A (zh) | 2022-10-18 | 2022-10-18 | 一种区域碳达峰预测方法和系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564125A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307244A (zh) * | 2023-04-07 | 2023-06-23 | 交通运输部水运科学研究所 | 一种港口碳排放预测方法、系统、电子设备及介质 |
CN116451829A (zh) * | 2023-02-23 | 2023-07-18 | 葛洲坝集团交通投资有限公司 | 一种基于主成分分析的高速公路建设减排优化方法及系统 |
CN117808497A (zh) * | 2024-03-01 | 2024-04-02 | 清华四川能源互联网研究院 | 基于距离和方向特征的电力碳排放异常检测模块和方法 |
-
2022
- 2022-10-18 CN CN202211274959.5A patent/CN115564125A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451829A (zh) * | 2023-02-23 | 2023-07-18 | 葛洲坝集团交通投资有限公司 | 一种基于主成分分析的高速公路建设减排优化方法及系统 |
CN116307244A (zh) * | 2023-04-07 | 2023-06-23 | 交通运输部水运科学研究所 | 一种港口碳排放预测方法、系统、电子设备及介质 |
CN117808497A (zh) * | 2024-03-01 | 2024-04-02 | 清华四川能源互联网研究院 | 基于距离和方向特征的电力碳排放异常检测模块和方法 |
CN117808497B (zh) * | 2024-03-01 | 2024-05-14 | 清华四川能源互联网研究院 | 基于距离和方向特征的电力碳排放异常检测模块和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115564125A (zh) | 一种区域碳达峰预测方法和系统、存储介质 | |
CN106485262B (zh) | 一种母线负荷预测方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN110276556B (zh) | 一种基于多策略的环境承载力指标权重计算方法及装置 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN110009140B (zh) | 一种日电力负荷预测方法及预测装置 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
Neale et al. | Accurate identification of influential building parameters through an integration of global sensitivity and feature selection techniques | |
CN112101785A (zh) | 一种用于电力与通信共享铁塔的综合效益分析的方法 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
CN116738856B (zh) | 一种用于建筑能耗预测方法和系统 | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN116862129B (zh) | 一种零耗能建筑数据分析方法及系统 | |
CN117332288A (zh) | 一种建筑节能技术评估系统及方法 | |
CN116562498A (zh) | 一种城市化地区村镇水资源承载力评价方法及评估系统 | |
CN116865232A (zh) | 一种基于风速误差修正的中长期风电功率预测方法及系统 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN115511230A (zh) | 一种电能替代潜力分析预测方法 | |
CN108665090A (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |