CN116307244A - 一种港口碳排放预测方法、系统、电子设备及介质 - Google Patents
一种港口碳排放预测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN116307244A CN116307244A CN202310364987.4A CN202310364987A CN116307244A CN 116307244 A CN116307244 A CN 116307244A CN 202310364987 A CN202310364987 A CN 202310364987A CN 116307244 A CN116307244 A CN 116307244A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- port
- influencing factors
- model
- preset period
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 332
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 332
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005265 energy consumption Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 235000006732 Torreya nucifera Nutrition 0.000 claims description 7
- 244000111306 Torreya nucifera Species 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种港口碳排放预测方法、系统、电子设备及介质，涉及港口碳排放预测领域。方法包括：获取港口的当前碳排放影响因素以及碳排放影响因素的年均变化率；碳排放影响因素包括每单位能源消耗所排放的CO2数量、每种能源消费占总能源消费的比重、每单位吞吐量所消耗的能源量和港口吞吐量；根据所述当前碳排放影响因素和所述年均变化率，确定预设时段后的碳排放影响因素；将所述预设时段后的碳排放影响因素输入至基于STIRPAT模型的港口碳排放预测模型中，得到预设时段后的港口碳排放量。本发明提高了港口碳排放预测准确度。
Description
技术领域
本发明涉及港口碳排放预测领域，特别是涉及一种港口碳排放预测方法、系统、电子设备及介质。
背景技术
港口的碳排放增加了全球的温室气体排放，气候变化而导致的全球海平面上升也对港口的可持续发展构成了严重的威胁。
目前针对碳排放量的预测方法通常使用的是灰色预测模型和环境库兹涅茨曲线(EKC)模型等进行碳排放量预测，灰色预测模型比较适用于呈指数增长的中短期预测，而环境库兹涅茨曲线是用于预测经济增长与环境质量之间是否存在倒U型曲线关系。针对港口的碳排放预测，这两种方法预测的准确度低，且难于分析多因素影响的中长期预测。
发明内容
本发明的目的是提供一种港口碳排放预测方法、系统、电子设备及介质，以提高对港口碳排放预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种港口碳排放预测方法，包括：
获取港口的当前碳排放影响因素以及碳排放影响因素的年均变化率；碳排放影响因素包括每单位能源消耗所排放的CO2数量、每种能源消费占总能源消费的比重、每单位吞吐量所消耗的能源量和港口吞吐量；
根据所述当前碳排放影响因素和所述年均变化率，确定预设时段后的碳排放影响因素；
将所述预设时段后的碳排放影响因素输入至基于STIRPAT模型的港口碳排放预测模型中，得到预设时段后的港口碳排放量；其中，所述基于STIRPAT模型的港口碳排放预测模型为ln C＝β0+β1 ln R'+β2 ln S'+β3 ln T'+β4 ln O'+u；其中，C为预设时段后的港口碳排放量；R'为预设时段后的每单位能源消耗所排放的CO2数量；S'为预设时段后的每种能源消费占总能源消费的比重；T'为预设时段后的每单位吞吐量所消耗的能源量；O'为预设时段后的港口吞吐量；β0、β1、β2、β3、β4是模型参数，u为模型残差；其中，β0、β1、β2、β3、β4和u是根据若干历年港口碳排放量和若干历年碳排放影响因素，利用岭回归法确定的。
可选地，基于STIRPAT模型的港口碳排放预测模型的构建过程，具体包括：
根据第t年港口碳排放量，利用Kaya恒等式和对数平均迪式分解法，确定初始碳排放影响因素；
根据第t年所述初始碳排放影响因素、基准年碳排放影响因素、所述第t年港口碳排放量和基准年港口碳排放量，确定碳排放影响因素的贡献度；所述贡献度为碳排放影响因素变化量和港口碳排放变化量的比值；
根据所述碳排放影响因素的贡献度和所述初始碳排放影响因素，确定最终碳排放影响因素；
根据STIRPAT模型和所述最终碳排放影响因素，建立基于STIRPAT模型的港口碳排放初始预测模型；
根据若干历年碳排放影响因素和若干历年港口碳排放量，利用岭回归法，确定所述基于STIRPAT模型的港口碳排放初始预测模型的模型参数和模型残差，得到基于STIRPAT模型的港口碳排放预测模型。
可选地，根据第t年所述初始碳排放影响因素、基准年碳排放影响因素、所述第t年港口碳排放量和基准年港口碳排放量，确定碳排放影响因素的贡献度，具体包括：
根据第t年所述初始碳排放影响因素和基准年碳排放影响因素，确定碳排放影响因素变化量；
根据所述第t年港口碳排放量和基准年港口碳排放量，确定港口碳排放变化量；
根据所述碳排放影响因素变化量和所述港口碳排放变化量，确定碳排放影响因素的贡献度。
可选地，根据所述碳排放影响因素的贡献度和所述初始碳排放影响因素，确定碳排放最终影响因素，具体包括：
将所述初始碳排放影响因素中贡献度大于50％的碳排放影响因素作为最终碳排放影响因素。
一种港口碳排放预测系统，包括：
数据获取模块，用于获取港口的当前碳排放影响因素以及碳排放影响因素的年均变化率；所述碳排放影响因素包括每单位能源消耗所排放的CO2数量、每种能源消费占总能源消费的比重、每单位吞吐量所消耗的能源量和港口吞吐量；
影响因素确定模块，用于根据所述当前碳排放影响因素和所述年均变化率，确定预设时段后的碳排放影响因素；
碳排放预测模块，用于将所述预设时段后的碳排放影响因素输入至基于STIRPAT模型的港口碳排放预测模型中，得到预设时段后的港口碳排放量；其中，所述基于STIRPAT模型的港口碳排放预测模型为ln C＝β0+β1 ln R'+β2 ln S'+β3 ln T'+β4 ln O'+u；其中，C为预设时段后的港口碳排放量；R'为预设时段后的每单位能源消耗所排放的CO2数量；S'为预设时段后的每种能源消费占总能源消费的比重；T'为预设时段后的每单位吞吐量所消耗的能源量；O'为预设时段后的港口吞吐量；β0、β1、β2、β3、β4是模型参数，u为模型残差；其中，β0、β1、β2、β3、β4和u是根据若干历年港口碳排放量和若干历年碳排放影响因素，利用岭回归法确定的。
一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的港口碳排放预测方法。
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上述的港口碳排放预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明的港口碳排放预测方法，考虑了多种碳排放影响因素，构建了基于STIRPAT模型的港口碳排放预测模型，获取港口当前碳排放影响因素以及碳排放影响因素的年均变化率，进而确定预设时段后的碳排放影响因素，利用基于STIRPAT模型的港口碳排放预测模型，预测预设时段后的港口碳排放量，提高了港口碳排放量的预测准确度，此外，基于STIRPAT模型构建的港口碳排放预测模型能够实现中长期预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的港口碳排放预测方法的流程图；
图2为实施例一中岭回归分析的岭迹图；
图3为本发明提供的港口碳排放预测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种港口碳排放预测方法、系统、电子设备及介质，以提高对港口碳排放预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本发明提供的港口碳排放预测方法，包括：
步骤101：获取港口的当前碳排放影响因素以及碳排放影响因素的年均变化率。碳排放影响因素包括每单位能源消耗所排放的CO2数量、每种能源消费占总能源消费的比重、每单位吞吐量所消耗的能源量和港口吞吐量。
步骤102：根据所述当前碳排放影响因素和所述年均变化率，确定预设时段后的碳排放影响因素。
步骤103：将所述预设时段后的碳排放影响因素输入至基于STIRPAT模型的港口碳排放预测模型中，得到预设时段后的港口碳排放量。其中，所述基于STIRPAT模型的港口碳排放预测模型为ln C＝β0+β1 ln R'+β2 ln S'+β3 ln T'+β4 ln O'+u；其中，C为预设时段后的港口碳排放量；R'为预设时段后的每单位能源消耗所排放的CO2数量；S'为预设时段后的每种能源消费占总能源消费的比重；T'为预设时段后的每单位吞吐量所消耗的能源量；O'为预设时段后的港口吞吐量；β0、β1、β2、β3、β4是模型参数，u为模型残差；其中，β0、β1、β2、β3、β4和u是根据若干历年港口碳排放量和若干历年碳排放影响因素，利用岭回归法确定的。
作为一个可选的实施方式，基于STIRPAT模型的港口碳排放预测模型的构建过程，具体包括：
步骤S1：根据第t年港口碳排放量，利用Kaya恒等式和对数平均迪式分解法，确定初始碳排放影响因素。
在实际应用中，为了分析港口碳排放影响因素，首先构建了对数平均迪式分解模型，即LMDI模型。
在LMDI方法分解碳排放影响因素时，较为常见的做法就是以Kaya恒等式为基础引入碳排放影响因素，LMDI模型的一个优势是没有残差。
首先对Kaya恒等式分解影响因素，并再用LMDI法对各因素的贡献度进行探析。
对Kaya恒等式进行LMDI分解后得到如下公式(1)：
其中，Ct代表第t年港口碳排放量；Cit为第t年第i种能源的碳排放量；Eit为港口第t年第i种能源的消费量；Et为港口第t年能源消耗总量；Ot为第t年港口货物吞吐量(港口吞吐量)。
可以进一步令:
Rit代表第i种能源第t年每单位能源消耗所排放的CO2数量，即碳排放系数；Sit代表第t年第i种能源占总能源消费的比重，反应了港口的能源消费结构；Tt代表每单位吞吐量所消耗的能源量，可视为港口的能源强度，也称为技术效应。
为提高分解的准确性，利用Kaya恒等式的，构建对港口碳排放总量的LMDI分解模型如下，即将上述公式(1)通过公式(2)进行化简以得到：
步骤S2：根据第t年所述初始碳排放影响因素、基准年碳排放影响因素、所述第t年港口碳排放量和基准年港口碳排放量，确定碳排放影响因素的贡献度。所述贡献度为碳排放影响因素变化量和港口碳排放变化量的比值。
作为一种可选的实施方式，步骤S2，具体包括：
根据第t年所述初始碳排放影响因素和基准年碳排放影响因素，确定碳排放影响因素变化量。
根据所述第t年港口碳排放量和基准年港口碳排放量，确定港口碳排放变化量。
根据所述碳排放影响因素变化量和所述港口碳排放变化量，确定碳排放影响因素的贡献度。
在实际应用中，利用加法分解法可将港口碳排放变化量ΔC分解成以下几种效应：
ΔC＝Ct-C0＝ΔCR+ΔCS+ΔCT+ΔCO (4)
Ct表示第t年港口碳排放量、C0表示第0年(基准年)港口碳排放量。ΔCR代表能源的碳排放效应，即每单位能源消耗所排放的CO2数量的变化量。ΔCS表示能源结构效应，即港口用能结构变化对港口碳排放总量的影响和贡献。ΔCT表示技术效应，也可以成为能源强度效应，体现的是各地区能源使用技术革新对碳排放总量的影响和贡献。ΔCO表示港口吞吐量效应，吞吐量的增加会导致能源消耗增加，对港口碳排放起到推动作用。
令
港口碳排放变化量可分解变成公式(6)。
结合公式(4)和公式(6)，可将导致港口碳排放变化量的各因素贡献值分解为公式(7)至公式(10)。
模型中所用到的数据主要包括港口碳排放量、港口电力消费量、港口电力碳排放量、港口化石能源消费量以及港口吞吐量。Rt和R0表示第t年和第0年港口的能源碳排放系数，St和S0表示第t年和第0年港口的能源结构，Tt和T0表示第t年和第0年港口的能源强度，Ot和O0表示第t年和第0年港口吞吐量。至此，港口碳排放变化量ΔC可分解为港口能源碳排放系数的变化ΔCR、港口能源结构的变化ΔCS、港口能源强度的变化ΔCT和港口吞吐量的变化ΔCO。
当港口碳排放影响因素的贡献度大于50％时，该因素会拉动港口碳排放；当港口碳排放影响因素的贡献度小于或等于50％时，该因素将会抑制港口的碳排放。
步骤S3：根据所述碳排放影响因素的贡献度和所述初始碳排放影响因素，确定最终碳排放影响因素。
作为一种可选的实施方式，步骤S3，具体包括：
将所述初始碳排放影响因素中贡献度大于50％的碳排放影响因素作为最终碳排放影响因素。
在实际应用中，当某一碳排放影响因素的贡献度大于50％时，该碳排放影响因素可被识别为重要的影响因素，由此可由LMDI模型中的影响因素集合{R，S，T，O}得到STIRPAT模型中需要分析的主要影响因素集合{R’，S’，T’，O’}。即当
时，R’＝R，反之，R’＝0，即不考虑该碳排放影响因素；当/>
时，S’＝S，反之，S’＝0，即不考虑该碳排放影响因素；当/>
时，T’＝T，反之，T’＝0，即不考虑该碳排放影响因素；当
时，O’＝O，反之，O’＝0，即不考虑该碳排放影响因素。
在使用LMDI模型识别出港口碳排放主要影响因素的贡献度之后，还可以进一步应用STIRPAT模型来衡量能源结构、能源强度和吞吐量单独变动引起港口碳排放的弹性变化，并根据港口碳排放影响因素的变动情况来进行港口碳排放预测。
步骤S4：根据STIRPAT模型和所述最终碳排放影响因素，建立基于STIRPAT模型的港口碳排放初始预测模型。
步骤S5：根据若干历年碳排放影响因素和若干历年港口碳排放量，利用岭回归法，确定所述基于STIRPAT模型的港口碳排放初始预测模型的模型参数和模型残差，得到基于STIRPAT模型的港口碳排放预测模型。
港口的碳排放分为直接碳排放和间接碳排放。港口直接碳排放的排放源包括柴油、汽油、煤炭和天然气等化石能源；港口间接排放主要的排放源有两类，一类是电力，一类是热力和蒸汽。本发明中所涉及到的港口碳排放预测仅指港口直接碳排放部分，间接碳排放并不包括在内。本发明通过分析部分港口2015年至2020年港口能源消费的具体数据，作为评估STIRPAT模型的具体实施例。
在实际应用中，根据STIRPAT模型I＝aPbAcTde，以及LMDI模型识别的港口碳排放影响因素(最终碳排放影响因素)，构建基于STIRPAT模型的港口碳排放初始预测模型。
STIRPAT模型是基于IPAT模型而来的一种随机模型，IPAT模型最基本的表达式为I＝aPbAcTde，其中，I、P、A、T分别表示环境压力(常用碳排放量作为代表指标)、人口数量、富裕度和技术，e为误差项，b、c、d为参数。为了消除异方差对于方程结果的影响同时便于灵活开展实证分析，将纳入模型中的因素变量进行对数化处理，得到STIRPAT模型的演化公式：lnI＝lna+b(lnP)+c(lnA)+d(lnT)+lne。
LMDI模型分解的碳排放影响因素为港口的能源碳排放系数、能源结构、能源强度和吞吐量，将这几个因素引入STIRPAT模型，两边同时取对数，最终设定多元线性回归模型为：
ln Ct＝β0+β1 ln R+β2 ln S+β3 ln T+β4 ln O+u (11)
其中，R为港口能源碳排放系数，S为港口能源结构，T为港口能源强度，O为港口吞吐量。β0、β1、β2、β3、β4是模型参数，u为模型残差。
本发明中STIRPAT模型的参数估计会随着港口样本选择的不同而稍有变化。通过LMDI分析可知，能源结构效应，能源强度效应和吞吐量效应对港口碳排放量的贡献度均大于50％，因此被识别为港口碳排放的重要影响因素。将这三个因素引入STIRPAT模型，两边同时取对数，最终设定多元回归模型为：
ln C＝β0+β2 ln S+β3 ln T+β4 ln O+u (12)
其中，C为中国港口的直接碳排放，S为港口能源结构(化石能源消耗量占比)，T为港口能源强度(能源消耗量与吞吐量之比)，O为港口吞吐量。
根据若干历史年份的港口碳排放量、港口能源碳排放系数、港口能源结构、能源强度和港口吞吐量的数据，通常可使用普通最小二乘法(OLS)对模型的参数进行回归分析。
但为了去除变量之间的多重共线性，在本发明中使用了岭回归(ridgeregression)对模型参数进行估计，以提高参数估计的精确度和可靠性。
岭回归法是在原先β的最小二乘估计中，加入一个小扰动kΙ(Ι为单位矩阵)，使原先无法求广义逆的情况变成可以求其广义逆，使得问题稳定并得以求解。
假设原问题中的矩阵X已经中心化和标准化，当自变量间存在复共线性时，|X'X|≈0，若给X'X加上一个正常数矩阵kI(k>0)，那么X'X+kI接近奇异的程度就会比X'X接近奇异的程度小得多。岭回归的估计参数
的表达式如公式(13)所示。
其中，k称为岭参数，X为自变量矩阵；X'为自变量的逆矩阵；y为因变量。
显然，岭参数k不是唯一的，所得到的岭回归估计
实际是回归参数/>
的一个估计族。
确定岭参数k的方法通常为岭迹法和方差扩大因子法。
当岭参数k在(0,∞)内变化时，
是k的函数，利用计算机模拟试验在平面坐标系上把函数/>
描画出来，画出的j个变量的曲线称为岭迹。岭迹法是通过观察使岭迹趋于稳定时的k值来确定岭参数。岭迹法的缺点是存在一定的主观性，所以可结合方差扩大因子法一起确定k值。
方差扩大因子度量了多重共线性的严重程度，计算岭估计
的协方差阵，可得到公式(14)。
其中，σ为标准差，标准差能反映一个数据集的离散程度。矩阵Cij(k)的对角元cij(k)就是岭估计的方差扩大因子。可以看出，cij(k)随着k的增大而减少。选择k使所有的方差扩大因子cij(k)≤10。
通过方差扩大因子确定出k值大致的范围之后，可结合岭迹图进一步确定更为准确的k值，k值为岭迹趋于稳定的最小值，k值越小则偏差越小。
在得到岭回归系数
后，可以用它来进一步进行变量选择。针对标准化岭回归系数比较稳定且绝对值很小的自变量，可以从因变量中剔除；当k值较小时，岭回归系数绝对值并不是很小，但是不稳定，并随着k的增加，回归系数趋于零，对于这种岭回归系数不稳定，震荡趋于零的自变量也可以剔除。在剔除掉相关自变量后，可重新分析岭回归的效果。
得出参数估计后就可以判断，在其他因素不变的情况下，港口的能源碳排放系数每变动1％，港口的碳排放将会变动β1％；在其他因素不变的情况下，港口的能源结构每变动1％，港口的碳排放将会变动β2％；在其他因素不变的情况下，港口的能源强度每变动1％，港口的碳排放将会变动β3％；在其他因素不变的情况下，港口的吞吐量每变动1％，港口的碳排放将会变动β4％。
最后通过计算模型的拟合优度R2以评估拟合模型的准确程度。拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)R2。R2最大值为1。R2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R2的值越小，说明回归直线对观测值的拟合程度越差。拟合优度R2到达0.8以上就说明模型有不错的拟合效果。
设y为待拟合数值，其均值为
拟合值为/>
记：
总平方和(SST)为：
回归平方和(SSR)为：
残差平方和(SSE)为：
则有：SST＝SSR+SSE。
可决系数R2的计算如公式(15)所示。
将部分港口的直接碳排放数据、港口能源结构数据、港口能源强度数据和港口吞吐量数据开展具体实施例的岭回归分析，得到岭迹图和与此相对应的R2，岭迹图如图2所示。
通过岭迹图分析可知，k值在0.07时岭迹趋于稳定，故取k＝0.07，得到岭回归的具体参数。
根据k取0.07时的岭回归参数估计可以得到如下的港口碳排放预测的回归方程：
lnC＝0.13+0.28lnS+0.29lnT+0.41lnO (16)
根据STIRPAT模型所得出的回归模型结果，可分别对港口的能源碳排放系数R、港口的用能结构S、港口的能源效率T、港口的吞吐量O分别设置不同的发展情景，并基于不同情景设置来预测未来港口的碳排放C，并进行港口碳达峰的趋势分析。
针对所分析的影响因素分别设置高中低三种发展情景，指的是碳排放发展情景，低情景表示低碳发展情景，中情景的低碳程度次之，高情景的低碳程度最差。并基于这三种情景进行未来港口碳排放趋势的预测。在低中高发展情景下，因素R的年均变化率分别设为a1、a2和a3。在低中高情景下，因素S的年均变化率分别设为b1、b2和b3。在低中高情景下，因素T的年均变化率分别设为c1、c2和c3。在低中高情景下，因素O的年均变化率分别设为d1、d2和d3。
即在每一种情景下设置好港口的能源碳排放系数R’(预设时段后的能源碳排放系数)、港口能源结构S’(预设时段后的能源结构)、能源效率T’(预设时段后的能源效率)和吞吐量O’(预设时段后的吞吐量)的值，然后代入到回归后的STIRPAT模型(基于STIRPAT模型的港口碳排放预测模型)中，计算得到未来港口碳排放量，从而可判断港口的碳达峰趋势。
STIRPAT模型是比较实用的碳排放方法，STIRPAT模型不仅能够对未来碳排放量进行中长期预测，还可以分析未来碳排放路径中最需要关注的驱动因素，并预测达峰的时间和峰值水平，为相关的碳减排政策提供政策建议。岭回归的使用，可以去除碳排放影响因素之间多重共线性的影响。
本发明不仅可以使用LMDI模型识别出港口碳排放的主要影响因素，还可以进一步分析得出每一种影响因素对港口碳排放的贡献度。考虑到对主要影响因素贡献度的分析并不能直接反应该因素对港口碳排放的弹性变化，因而结合LMDI模型的分析结果，进一步构建了STIRPAT模型分析港口碳排放影响因素对港口碳排放的弹性变化，将主要影响因素纳入到STIRPAT模型中进行多元回归，可形成港口碳排放的预测方法，并在不同的发展情景下对未来的港口碳排放进行预测，提高了港口碳排放量预测准确度，并且实现了中长期预测。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种港口碳排放预测系统，如图3所示，包括：
数据获取模块201，用于获取港口的当前碳排放影响因素以及碳排放影响因素的年均变化率。所述碳排放影响因素包括每单位能源消耗所排放的CO2数量、每种能源消费占总能源消费的比重、每单位吞吐量所消耗的能源量和港口吞吐量。
影响因素确定模块202，用于根据所述当前碳排放影响因素和所述年均变化率，确定预设时段后的碳排放影响因素。
碳排放预测模块203，用于将所述预设时段后的碳排放影响因素输入至基于STIRPAT模型的港口碳排放预测模型中，得到预设时段后的港口碳排放量。其中，所述基于STIRPAT模型的港口碳排放预测模型为ln C＝β0+β1 ln R'+β2 ln S'+β3 ln T'+β4 ln O'+u；其中，C为预设时段后的港口碳排放量；R'为预设时段后的每单位能源消耗所排放的CO2数量；S'为预设时段后的每种能源消费占总能源消费的比重；T'为预设时段后的每单位吞吐量所消耗的能源量；O'为预设时段后的港口吞吐量；β0、β1、β2、β3、β4是模型参数，u为模型残差；其中，β0、β1、β2、β3、β4和u是根据若干历年港口碳排放量和若干历年碳排放影响因素，利用岭回归法确定的。
实施例三
本实施例提供了一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行实施例一的港口碳排放预测方法。
实施例四
本实施例提供了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实施例一的港口碳排放预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种港口碳排放预测方法，其特征在于，包括：
获取港口的当前碳排放影响因素以及碳排放影响因素的年均变化率；碳排放影响因素包括每单位能源消耗所排放的CO2数量、每种能源消费占总能源消费的比重、每单位吞吐量所消耗的能源量和港口吞吐量；
根据所述当前碳排放影响因素和所述年均变化率，确定预设时段后的碳排放影响因素；
将所述预设时段后的碳排放影响因素输入至基于STIRPAT模型的港口碳排放预测模型中，得到预设时段后的港口碳排放量；其中，所述基于STIRPAT模型的港口碳排放预测模型为lnC＝β0+β1lnR'+β2lnS'+β3lnT'+β4lnO'+u；其中，C为预设时段后的港口碳排放量；R'为预设时段后的每单位能源消耗所排放的CO2数量；S'为预设时段后的每种能源消费占总能源消费的比重；T'为预设时段后的每单位吞吐量所消耗的能源量；O'为预设时段后的港口吞吐量；β0、β1、β2、β3、β4是模型参数，u为模型残差；其中，β0、β1、β2、β3、β4和u是根据若干历年港口碳排放量和若干历年碳排放影响因素，利用岭回归法确定的。
2.根据权利要求1所述的港口碳排放预测方法，其特征在于，基于STIRPAT模型的港口碳排放预测模型的构建过程，具体包括：
根据第t年港口碳排放量，利用Kaya恒等式和对数平均迪式分解法，确定初始碳排放影响因素；
根据第t年所述初始碳排放影响因素、基准年碳排放影响因素、所述第t年港口碳排放量和基准年港口碳排放量，确定碳排放影响因素的贡献度；所述贡献度为碳排放影响因素变化量和港口碳排放变化量的比值；
根据所述碳排放影响因素的贡献度和所述初始碳排放影响因素，确定最终碳排放影响因素；
根据STIRPAT模型和所述最终碳排放影响因素，建立基于STIRPAT模型的港口碳排放初始预测模型；
根据若干历年碳排放影响因素和若干历年港口碳排放量，利用岭回归法，确定所述基于STIRPAT模型的港口碳排放初始预测模型的模型参数和模型残差，得到基于STIRPAT模型的港口碳排放预测模型。
3.根据权利要求2所述的港口碳排放预测方法，其特征在于，根据第t年所述初始碳排放影响因素、基准年碳排放影响因素、所述第t年港口碳排放量和基准年港口碳排放量，确定碳排放影响因素的贡献度，具体包括：
根据第t年所述初始碳排放影响因素和基准年碳排放影响因素，确定碳排放影响因素变化量；
根据所述第t年港口碳排放量和基准年港口碳排放量，确定港口碳排放变化量；
根据所述碳排放影响因素变化量和所述港口碳排放变化量，确定碳排放影响因素的贡献度。
4.根据权利要求2所述的港口碳排放预测方法，其特征在于，根据所述碳排放影响因素的贡献度和所述初始碳排放影响因素，确定碳排放最终影响因素，具体包括：
将所述初始碳排放影响因素中贡献度大于50％的碳排放影响因素作为最终碳排放影响因素。
5.一种港口碳排放预测系统，其特征在于，包括：
数据获取模块，用于获取港口的当前碳排放影响因素以及碳排放影响因素的年均变化率；所述碳排放影响因素包括每单位能源消耗所排放的CO2数量、每种能源消费占总能源消费的比重、每单位吞吐量所消耗的能源量和港口吞吐量；
影响因素确定模块，用于根据所述当前碳排放影响因素和所述年均变化率，确定预设时段后的碳排放影响因素；
碳排放预测模块，用于将所述预设时段后的碳排放影响因素输入至基于STIRPAT模型的港口碳排放预测模型中，得到预设时段后的港口碳排放量；其中，所述基于STIRPAT模型的港口碳排放预测模型为lnC＝β0+β1lnR'+β2lnS'+β3lnT'+β4lnO'+u；其中，C为预设时段后的港口碳排放量；R'为预设时段后的每单位能源消耗所排放的CO2数量；S'为预设时段后的每种能源消费占总能源消费的比重；T'为预设时段后的每单位吞吐量所消耗的能源量；O'为预设时段后的港口吞吐量；β0、β1、β2、β3、β4是模型参数，u为模型残差；其中，β0、β1、β2、β3、β4和u是根据若干历年港口碳排放量和若干历年碳排放影响因素，利用岭回归法确定的。
6.一种电子设备，其特征在于，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-4任一项所述的港口碳排放预测方法。
7.一种计算机可读存储介质，其特征在于，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权利要求1-4任一项所述的港口碳排放预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310364987.4A CN116307244A (zh) | 2023-04-07 | 2023-04-07 | 一种港口碳排放预测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310364987.4A CN116307244A (zh) | 2023-04-07 | 2023-04-07 | 一种港口碳排放预测方法、系统、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116307244A true CN116307244A (zh) | 2023-06-23 |
Family
ID=86813262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310364987.4A Pending CN116307244A (zh) | 2023-04-07 | 2023-04-07 | 一种港口碳排放预测方法、系统、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307244A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485079A (zh) * | 2023-06-26 | 2023-07-25 | 小象飞羊(北京)科技有限公司 | 数字化精益碳排放核算方法、装置、设备及存储介质 |
| CN117557121A (zh) * | 2024-01-10 | 2024-02-13 | 交通运输部水运科学研究所 | 一种港口建设项目环境影响的评价方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927461A (zh) * | 2014-05-07 | 2014-07-16 | 交通运输部水运科学研究所 | 一种动态组建港口和船舶空气污染物排放清单的计算方法 |
| CN108984927A (zh) * | 2018-07-25 | 2018-12-11 | 大连理工大学 | 一种基于系统仿真的港口碳排放计算方法 |
| CN109508849A (zh) * | 2018-08-17 | 2019-03-22 | 西安建筑科技大学 | 一种基于城市统计数据的城市碳排放影响因素分析方法 |
| CN114170054A (zh) * | 2021-11-12 | 2022-03-11 | 交通运输部水运科学研究所 | 港口能耗和碳排放监控方法、系统、设备及介质 |
| CN114781763A (zh) * | 2022-06-21 | 2022-07-22 | 交通运输部规划研究院 | 一种多情景下港口碳排放预测方法、系统、计算设备和存储介质 |
| CN115146929A (zh) * | 2022-06-14 | 2022-10-04 | 上海海事大学 | 包含非期望产出的三阶段DEA-Tobit港口能源系统效率评价方法 |
| CN115564125A (zh) * | 2022-10-18 | 2023-01-03 | 国网电力科学研究院武汉能效测评有限公司 | 一种区域碳达峰预测方法和系统、存储介质 |
| CN115907173A (zh) * | 2022-11-29 | 2023-04-04 | 安徽南瑞中天电力电子有限公司 | 一种基于stirpat模型的碳峰值预测方法、系统和装置 |
-
2023
- 2023-04-07 CN CN202310364987.4A patent/CN116307244A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927461A (zh) * | 2014-05-07 | 2014-07-16 | 交通运输部水运科学研究所 | 一种动态组建港口和船舶空气污染物排放清单的计算方法 |
| CN108984927A (zh) * | 2018-07-25 | 2018-12-11 | 大连理工大学 | 一种基于系统仿真的港口碳排放计算方法 |
| CN109508849A (zh) * | 2018-08-17 | 2019-03-22 | 西安建筑科技大学 | 一种基于城市统计数据的城市碳排放影响因素分析方法 |
| CN114170054A (zh) * | 2021-11-12 | 2022-03-11 | 交通运输部水运科学研究所 | 港口能耗和碳排放监控方法、系统、设备及介质 |
| CN115146929A (zh) * | 2022-06-14 | 2022-10-04 | 上海海事大学 | 包含非期望产出的三阶段DEA-Tobit港口能源系统效率评价方法 |
| CN114781763A (zh) * | 2022-06-21 | 2022-07-22 | 交通运输部规划研究院 | 一种多情景下港口碳排放预测方法、系统、计算设备和存储介质 |
| CN115564125A (zh) * | 2022-10-18 | 2023-01-03 | 国网电力科学研究院武汉能效测评有限公司 | 一种区域碳达峰预测方法和系统、存储介质 |
| CN115907173A (zh) * | 2022-11-29 | 2023-04-04 | 安徽南瑞中天电力电子有限公司 | 一种基于stirpat模型的碳峰值预测方法、系统和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 徐洪磊等: ""将碳评价纳入港口规划环评技术体系初探"", 《环境影响评价》, vol. 44, no. 4, pages 84 - 88 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485079A (zh) * | 2023-06-26 | 2023-07-25 | 小象飞羊(北京)科技有限公司 | 数字化精益碳排放核算方法、装置、设备及存储介质 |
| CN116485079B (zh) * | 2023-06-26 | 2023-09-19 | 小象飞羊(北京)科技有限公司 | 数字化精益碳排放核算方法、装置、设备及存储介质 |
| CN117557121A (zh) * | 2024-01-10 | 2024-02-13 | 交通运输部水运科学研究所 | 一种港口建设项目环境影响的评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116307244A (zh) | 一种港口碳排放预测方法、系统、电子设备及介质 | |
| Lafond et al. | How well do experience curves predict technological progress? A method for making distributional forecasts | |
| Asai et al. | Modelling and forecasting noisy realized volatility | |
| CN111123188A (zh) | 基于改进最小二乘法的电能表综合检定方法及系统 | |
| Banerjee et al. | Data-efficient quickest change detection in minimax settings | |
| CN109978259B (zh) | 基于q型威布尔分布的产品剩余寿命预测方法及系统 | |
| Zhang et al. | Optimizing imperfect preventive maintenance in multi-component repairable systems under s-dependent competing risks | |
| Liu et al. | Accelerated life test plans for repairable systems with multiple independent risks | |
| CN112032034A (zh) | 海水泵健康状态评估方法、模型、装置及存储介质 | |
| CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| Lee et al. | Test for parameter change in diffusion processes by cusum statistics based on one-step estimators | |
| Ferreira et al. | Modeling rare events through a pRARMAX process | |
| CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
| CN113988709A (zh) | 中压配电线路故障率分析方法、装置、终端设备及介质 | |
| Enders et al. | A threshold model of real US GDP and the problem of constructing confidence intervals in TAR models | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| Sommer et al. | Multistage acceptance sampling under nonparametric dependent sampling designs | |
| Chen et al. | Monitoring mean and variance change-points in long-memory time series | |
| CN110895625A (zh) | 性能退化产品可靠度置信区间估计数值仿真方法 | |
| CN109284320B (zh) | 大数据平台上的自动回归诊断方法 | |
| Eckman et al. | Evaluating and comparing simulation-optimization algorithms | |
| Nurmatov | Econometric Analysis of the Efficiency of Using Tax Incentives | |
| Martinez-Iriarte et al. | Location-Scale and Compensated Effects in Unconditional Quantile Regressions | |
| Zhang et al. | Reference priors for the generalized extreme value distribution | |
| CN107218964B (zh) | 一种试验子样容量性状的判定方法 |
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 |