一种基于融合因子分析电力行业碳排放的方法及系统与流程

本发明涉及能源经济与环境管理，并且更具体地，涉及一种基于融合因子分析电力行业碳排放的方法及系统。

背景技术：

1、电力行业作为国民经济的基础产业和能源消耗与碳排放的主要部门，是全球及我国实现“双碳”（碳达峰、碳中和）目标的关键领域。据统计，电力行业碳排放占全球总排放量的比例超过40%，在我国这一比例也长期居高不下。尽管以风电、光伏为代表的清洁能源发电技术快速发展，但以煤炭为主的火力发电在我国电源结构中仍占据主导地位，这使得电力行业碳减排面临巨大挑战。

2、为科学制定减排策略，必须深入理解电力行业碳排放的驱动机制。现有研究多集中于探讨电力消费与经济增长的因果关系，或采用指数分解法分析碳排放的影响因素。常见的分解方法包括结构分解法（sda）和指数分解法（ida），其中对数平均迪氏指数法（lmdi）因其分解完全、无残差、可进行加法和乘法分解等优点，在能源与环境领域得到广泛应用。

3、然而，现有研究在应用lmdi等方法时，通常直接选取多个可能存在高度相关性的原始指标作为驱动因子，这可能导致多重共线性问题，影响分解结果的准确性和解释的清晰性。此外，对驱动因素的分析多局限于历史数据的静态分解，缺乏对未来排放趋势的动态预测，难以对碳达峰路径进行前瞻性研判。

4、因子分析法（factor analysis）是一种经典的多元统计降维技术，能够将多个存在相关关系的原始变量综合为少数几个互不相关的公共因子，从而简化数据结构，揭示变量间的内在关联。目前，将因子分析与lmdi分解模型相结合，用于系统识别和量化电力行业碳排放多维驱动因素的研究尚不多见。

5、因此，亟需开发一种能够有效克服指标间多重共线性、系统量化各驱动因素贡献、并能对未来趋势进行可靠预测的综合分析方法，以更精准地服务于电力行业低碳转型的决策需求。

技术实现思路

1、根据本发明，提供了一种基于融合因子分析电力行业碳排放的方法及系统，以解决当前电力行业碳排放驱动因素分析中存在的多指标共线性干扰、影响因素贡献量化不够精准、以及缺乏对未来排放趋势有效预测能力的技术问题。

2、根据本发明的第一个方面，提供了一种基于融合因子分析电力行业碳排放的方法，包括：

3、获取电力行业原始指标数据，进行标准化处理得到标准化数据集；

4、基于预设理论准则层构建初始评价指标体系，对标准数据集进行因子分析，提取出与准则层对应的主因子；

5、构建所述各主因子的碳排放恒等式，将研究期内碳排放总量的变化分解为各主因子的贡献值，并计算各主因子的贡献率；

6、基于历史碳排放数据序列构建gm(1,1)灰色预测模型，以主因子贡献率为输入，对未来时段碳排放量进行动态仿真预测。对预测模型精度进行检验并确定精度等级，在满足预设标准时采纳预测结果。

7、可选地，基于预设理论准则层构建初始评价指标体系，对标准数据集进行因子分析，提取出与准则层对应的主因子，并计算各样本在主因子上的综合得分，包括：

8、从电力技术水平、经济水平、科技创新、产业结构、能源结构、环境规制多个准则层出发，确定对应的具体评价指标，形成初始评价指标体系；

9、计算所述标准化数据集的kmo检验统计量和巴特利特球形度检验的p值，当kmo值大于第一阈值且p值小于第二阈值时，判定适合进行因子分析；

10、计算标准化数据集的相关系数矩阵及其特征值与特征向量，依据特征值大于1且累计方差贡献率大于预设百分比的原则，提取多个准则层的主因子；

11、对因子载荷矩阵进行正交旋转，使因子结构简化；以各主因子的方差贡献率为权重，结合各指标的标准化值，计算各样本在所有主因子上的综合得分；

12、采用方差最大化正交旋转法对因子载荷矩阵进行旋转，使各主因子的载荷系数向两极分化；以各主因子的方差贡献率为权重，结合各指标的标准化值，计算每个样本在各主因子上的综合得分。

13、可选地，所述主因子有多个，分别对应所述电力技术水平、经济水平、科技创新、产业结构、能源结构、环境规制。

14、可选地，构建所述各主因子的碳排放恒等式，将研究期内碳排放总量的变化分解为各主因子的贡献值，并计算各主因子的贡献率，包括：

15、基于kaya恒等式扩展形式，构建所述各主因子的碳排放恒等式：

16、

c=

p×

g×

t×

s×

e×

r

17、其中，c为电力行业碳排放总量，p为电力技术水平因子综合得分，g为经济水平因子综合得分，t为科技创新因子综合得分，s为产业结构因子综合得分，e为能源结构因子综合得分，r为环境规制因子综合得分；

18、设定基期与期末，计算研究期内电力行业碳排放的总变化量，采用lmdi加法分解法，将碳排放总变化量分解为各因子贡献值之和：

19、

20、其中，单个因子对碳排放变化的贡献值计算公式为：

21、

22、上述公式中，为对数平均权重函数，其表达式为：

23、

24、式中，、分别为第i个省份期末、基期的碳排放量，、分别为第i个省份期末、基期第m类因子的综合得分；

25、根据以下公式， 计算各因子的贡献率：

26、

27、其中，为各因子的贡献率，δc_m为第m个因子的贡献值，δc为碳排放总变化量；贡献率为正表示该因子为驱动因素，贡献率为负表示该因子为抑制因素。

28、可选地，基于历史碳排放数据序列，构建gm(1,1)灰色预测模型，将所述主因子的贡献率作为gm(1,1)灰色预测模型的输入，对目标区域未来时段内的碳排放量进行动态仿真预测，并对所述gm(1,1)预测模型的精度进行检验，确定精度等级，在精度等级满足预设标准时采纳预测结果，包括：

29、以历史年度碳排放量数据作为原始序列，进行一次累加生成得到累加序列，基于所述累加序列构造数据矩阵，采用最小二乘法求解模型的发展系数a和灰色作用量b，建立gm(1,1)灰色预测模型的时间响应函数；

30、基于所述时间响应函数，对未来目标年份的碳排放累加序列进行预测，并通过累减还原得到未来各年的碳排放量预测值，根据预测值得出碳排放达峰年份的判断；

31、计算gm(1,1)灰色预测模型模拟值的相对残差进行残差检验，并计算后验差比值c与小误差概率p，根据后验差比值c和小误差概率p，对照后验差精度等级对模型进行精度等级评定，在精度等级满足预设标准时采纳预测结果。

32、可选地，以历史年度碳排放量数据作为原始序列，进行一次累加生成得到累加序列，基于所述累加序列构造数据矩阵，采用最小二乘法求解模型的发展系数a和灰色作用量b，建立gm(1,1)灰色预测模型的时间响应函数，包括：

33、以历史年度碳排放量数据作为原始序列，构建gm(1,1)灰色预测模型；

34、对原始数据序列进行一次累加处理，得到累加序列x(1)以消除原始数据的随机性和波动性，累加计算公式为：

35、

36、基于累加序列x(1)，构造背景值矩阵b和常数项向量y：

37、

38、

39、采用最小二乘法求解gm(1,1)灰色预测模型的发展系数a和灰色作用量b，计算公式为：

40、

41、基于求解得到的发展系数a和灰色作用量b，建立gm(1,1)灰色预测模型的时间响应函数：

42、。

43、可选地，基于所述时间响应函数，对未来目标年份的碳排放累加序列进行预测，并通过累减还原得到未来各年的碳排放量预测值，包括：

44、对累加序列的预测值进行一次累减还原，得到原始碳排放量序列的预测值，累减计算公式为：

45、 。

46、可选地，计算gm(1,1)灰色预测模型模拟值的相对残差进行残差检验，并计算后验差比值c与小误差概率p，根据后验差比值c和小误差概率p，对照后验差精度等级对模型进行精度等级评定，在精度等级满足预设标准时采纳预测结果，包括：

47、计算原始数据序列实际值与模型模拟值的相对残差，计算公式为：

48、

49、残差检验的精度标准为：若所有相对残差<0.1，则模型精度为优；若，则模型精度为合格；

50、计算原始数据序列的标准差sd1和残差序列的标准差sd2；

51、计算后验差比值c=sd2/sd1，后验差比值越小，表明模型的预测精度越高；

52、计算小误差概率，其中为残差序列，为残差均值，小误差概率越大，表明模型的拟合效果越好；

53、根据后验差比值c和小误差概率p，对照后验差精度等级对模型进行精度等级评定，在精度等级满足预设标准时采纳预测结果。

54、根据本发明的另一个方面，还提供了一种基于融合因子分析电力行业碳排放的系统，包括：

55、处理原始指标数据模块，用于获取电力行业原始指标数据，进行标准化处理得到标准化数据集；

56、提取主因子模块，基于预设理论准则层构建初始评价指标体系，对标准数据集进行因子分析，提取出与准则层对应的主因子；

57、计算主因子贡献率模块，用于构建所述各主因子的碳排放恒等式，将研究期内碳排放总量的变化分解为各主因子的贡献值，并计算各主因子贡献率；

58、预测碳排放模块，用于基于历史碳排放数据序列，构建gm(1,1)灰色预测模型，将所述主因子的贡献率作为gm(1,1)灰色预测模型的输入，对目标区域未来时段内的碳排放量进行动态仿真预测，并对所述gm(1,1)预测模型的精度进行检验，确定精度等级，在精度等级满足预设标准时采纳预测结果。

59、根据本发明的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如任一项所述方法的步骤。

60、根据本发明的另一个方面，还提供了一种电子设备，包括：

61、所述的计算机可读存储介质；以及

62、一个或多个处理器，用于执行所述计算机可读存储介质中的程序。

63、从而，将因子分析法与lmdi分解模型相结合，在有效解决多指标共线性问题的同时，实现了对电力行业碳排放多维度驱动因素的无残差精确量化分解；进一步引入灰色预测模型，构建了“历史归因—未来预测”的一体化分析框架，显著提升了碳排放驱动机制解析的深度与碳达峰路径研判的前瞻性，为区域差异化减排策略制定提供了更科学、可操作的量化决策依据。