一种城市碳达峰时域的预测方法及系统

1.本发明涉及碳排放分析领域，尤其涉及一种城市碳达峰时域的预测方法及系统。


背景技术：

2.气候问题是全世界人类共同面对的问题，碳排放被设定为影响气候问题的重要指标之一，因此碳达峰被设定为重要目标。碳达峰是指城市在某一个时间节点，二氧化碳的排放不再增长，达到峰值后逐步回落，标志着碳排放与经济发展实现脱钩。
3.我国作为全球最大的碳排放国，应对气候变化事关国内国际两个大局，受到了相当大的关注。目前，对于碳排放预测方面的专利大多是对某个实体或者某个系统进行预测，少有对城市方面碳排放的宏观预测。我国东部地区城市作为我国较发达地区的城市，碳排放量也较大，而城市碳排放量的多寡也直接影响着“碳达峰”任务是否可以如期完成。针对目前已公开的数据并不能对城市碳达峰进行预测，从而无法对后续的决策提供理论支持。


技术实现要素：

4.基于背景技术中出现的问题，本技术实施例通过提供一种城市碳达峰时域的预测方法及系统，根据能源数据统计，利用本技术的技术方案即可对城市碳达峰的时域进行预测，从而为相关决策提供理论支持，进而制定出更好的政策。
5.第一方面，本技术实施例提供了一种城市碳达峰时域的预测方法，所述方法包括：
6.s1：根据城市碳排放时域二维的演化行为，获取影响城市碳达峰的多项特征因素，利用所述特征因素搭建城市碳排放预测的层次分析框架；
7.s2：利用所述层次分析框架从多项所述特征因素中筛选出影响城市碳排放的主成分因子，获取所述主成分因子的历史观测数据；
8.s3：根据所述主成分因子的历史观测数据，利用皮尔逊相关系数定量表征解释变量与预测变量之间的关系，检验观测数据与预测变量相关关系的显著性，根据变量数据拟合出城市碳排放的回归预测关系式；
9.s4：趋势拟合所述主成分因子数据的变化走向，计算所述解释变量的趋势拟合数据值，利用所述回归预测关系式预测预定时间内所述城市碳排放量的预测区间，根据所述预测区间找出碳达峰，以进行城市碳达峰时域的预测分析。
10.进一步地，所述步骤s1中，在搭建城市碳排放预测网络架构之前，还包括：利用预设的逻辑自洽指标体系对所述特征因素进行指标分级检测，以便在所述预测网络架构中按层级设置所述特征因素；
11.其中，所述逻辑自洽指标体系中，按照建设消耗及转型优化设置一级指标，按照能源驱动消耗、城市发展消耗、绿色转型优化设置次级指标，按照能源结构、能源消费量、能耗规模、城市化率、人口密度、经济水平、绿色产业比率、能源结构优化、能源利用效率设置三级指标。
12.进一步地，所述步骤s2中，筛选出所述主成分因子之后还包括建立所述主成分因
子的时域尺度数据，利用所述时域尺度数据对所述历史观测数据进行数据清洗，实现数据优化。
13.进一步地，所述时域尺度数据包括地域分布数据和时间有序数据，并统一标准口径，实现数据清洗，以达到控制数据的水平精度。
14.进一步地，步骤s3中，进一步还包括：采用关系式(1)进行积差，计算两变量与各自平均值的离差，通过两个离差相乘得出主成分因子，以及城市碳排放量的相关系数γ，
[0015][0016]
依据解释变量和预测变量的大数据样本空间，采用t检验历史观测数据与预测变量相关关系的显著性，利用关系式(2)，检验统计量t服从自由度为n-2的t分布；
[0017][0018]
其中，r为相关系数；t为检验统计量；n为统计数据的样本容量；x为因素统计量观测值；y为城市历年碳排放量的统计值。
[0019]
进一步地，根据变量数据的非线性拟合方程得出城市碳排放的回归预测关系式的方法包括：根据最小二乘法原则，非线性拟合变量数据之间的数学表达式(3)、(4)、(5)，推导城市碳排放的回归预测关系式；
[0020][0021][0022][0023]
其中，为回归参数；为解释变量的观测均值；为城市未来碳排放量的预测变量。
[0024]
进一步地，所述步骤s4之前还包括：检验城市碳排放量的回归预测关系式的可信度，计算变量间回归预测关系式的拟合优度，获取所述主成分因子对预测变量的线性影响，以及其他因素对预测变量的非线性影响效果。
[0025]
进一步地，计算变量间回归预测关系式的拟合优度的方法为：采用公式(6)预测变量的变差分析，计算判定系数，以解释变量间回归数学方程的拟合优度：
[0026][0027]
其中，sst为总变差平方和，ssr为回归变差平方和，sse为残差平方和，r为相关系数，r1为判定系数。
[0028]
采用公式(7)计算标准误差，以解释其他因素对研究对象的非线性影响效果；
[0029][0030]
进一步地，在步骤s4中，采用公式(8)趋势拟合所述主成分因子数据的变化走向，并根据解释变量的趋势拟合数据值，通过回归预测关系式式预测城市碳排放量的预测区间；
[0031][0032]
其中，为解释变量x0的预测变量，x0为对应城市未来的碳排放量；t
α/2
(n-2)为统计量t分布侧位参数值。
[0033]
第二方面，本技术实施例提供了一种城市碳达峰时域回归预测系统，采用第一方面任意一项所述的方法，所述系统包括：
[0034]
框架搭建模块，配置为根据城市碳排放时域二维的演化行为，获取影响城市碳达峰的多项特征因素，利用所述特征因素搭建城市碳排放预测的层次分析框架；
[0035]
数据筛选模块，配置为利用所述层次分析框架从多项所述特征因素中筛选出影响城市碳排放的主成分因子，获取所述主成分因子的历史观测数据；
[0036]
关系确定模块，配置为根据所述主成分因子的历史观测数据，利用皮尔逊相关系数定量表征解释变量与预测变量之间的关系，检验观测数据与预测变量相关关系的显著性,根据变量数据拟合出城市碳排放的回归预测关系式；
[0037]
预测分析模块，配置为趋势拟合所述主成分因子数据的变化走向，计算所述解释变量的趋势拟合数据值，利用所述回归预测关系式预测预定时间内所述城市碳排放量的预测区间，根据所述预测区间找出碳达峰，以进行城市碳达峰时域的预测分析。
[0038]
本技术实施例中提供的技术方案，至少具有如下技术效果：
[0039]
由于采用了对城市未来进行碳排放量的回归预测，从而可以得出城市未来n年碳排放量预测区间，通过提供一种科学、可靠的低碳能源转型智慧化城市碳达峰时域预测方案，为相关部门及政策提供理论支持，更好的进行后续政策的制定与工作管理。
附图说明
[0040]
图1为本技术实施例一中城市碳达峰时域回归预测方法的流程图；
[0041]
图2为本技术实施例一中层次分析框架；
[0042]
图3为本技术实施例一中碳排放预测趋势曲线图；
[0043]
图4为本技术实施例二中城市碳达峰时域回归预测系统的模块图。
具体实施方式
[0044]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0045]
在阐述本实施例的技术方案之前，补充说明本实施例用于东部低碳能源转型智慧化城市时进行的碳达峰时域预测，比如，上海。具体地，以城市碳排放量为研究对象，综合全方位考虑影响城市碳排放量的特征因素，特征因素包括选取能源驱动消耗(能源结构、能源消费总量、能耗规模)、城市发展消耗(城市化率、人口密度、经济水平)、绿色持续转型(绿色产业比率、能源利用效率、能源结构优化)。以上海市为例时，选取能源消费量作为宏观统计量，如下关于2000-2020年能源消费量和城市碳排放量见表1。
[0046]
表1 2000-2020年上海市能源消费总量和城市碳排放量数据
[0047]
年份能源消费总量(万t标准煤)城市碳排放量(万tc)20005413.453627.1420015825.83959.4320026114.474143.2520036658.494405.0120047176.164638.4720057730.664862.3820068355.495164.7920079103.35917.4120089608.496053.8320099759.356245.98201010243.266248.39201110489.096713.012012105736660.99201310890.397024.30201410639.866862.71201510930.536667.62201611241.736834.97201711381.856851.87201811453.736883.69201911696.496936202011099.596582.05
[0048]
实施例一
[0049]
参考附图1所示，本技术实施例提供了一种城市碳达峰时域回归预测方法，该方法包括如下几个步骤。
[0050]
步骤s1：根据城市碳排放时域二维的演化行为，获取影响城市碳达峰的多项特征因素，利用所述特征因素搭建城市碳排放预测的如图2所示的层次分析框架。
[0051]
在步骤s1中，在搭建城市碳排放预测网络架构之前，还包括：利用预设的逻辑自洽指标体系对所述特征因素进行指标分级检测，以便在所述预测网络架构中按层级设置所述特征因素。
[0052]
其中，所述逻辑自洽指标体系中，按照建设消耗及转型优化设置一级指标，按照能源驱动消耗、城市发展消耗、绿色转型优化设置次级指标，按照能源结构、能源消费量、能耗规模、城市化率、人口密度、经济水平、绿色产业比率、能源结构优化、能源利用效率设置三级指标。
[0053]
由此可知，剖析影响东部转型智慧化城市碳排放的全方位因素中，以经济理论为内核，经验研究为外延，建立以建设消耗、转型优化的一级指标，能源驱动消耗、城市发展消耗、绿色转型优化的次级指标，能源结构、能源消费量、能耗规模、城市化率、人口密度、经济水平、绿色产业比率、能源结构优化、能源利用效率的三级指标，形成逻辑自洽指标体系。
[0054]
其中各级别指标的具体影响机制如下阐述：
[0055]
由于温室气体排放的主要来源是能源消费，长期以来的经济结构决定了温室气体排放量，我国作为世界上最大的发展中国家，经济发展速度很快，经济发展需要耗费大量能源，产生温室气体，从而导致碳排放总量非常巨大，因此需要考虑能源消费量。由于我国能源结构中化石能源占70％左右，又是以第二产业为主的经济结构，煤炭仍是主要的能源，工业作为最大的能源消费产业，其中的钢铁、化工、电力、制冷等行业都属于能源密集型产业，极大的影响着碳排放量的多寡，因此需要考虑能源结构。由于我国的人口增长会导致总碳排放量的增加，每增加一个人都会消耗更多的资源并有新的住房需求，相关研究表明，全球范围的人口增长对碳排放量增长的贡献率在20％-60％，因此需要考虑人口密度。随着人类社会经济的快速发展，我国与美国、日本的脉冲响应函数作为比较，发现我国的碳排放量和gdp之间存在着强烈的动态效应，相关研究表明，我国现行阶段的gdp的增长主要还是靠着粗放型的资源消耗来带动，发展中国家gdp对碳排放依赖性依旧较大，因此需要考虑经济水平。由于科学技术进步可以通过提升能源利用效率，进而减缓甚至降低二氧化碳的排放，因此需要考虑能源利用效率。由于绿色化改造传统产业，通过低害、无害化的技术，减少资源或能源的消耗，进而实现低污染，增加绿色产业比率可以有效抑制碳排放量，因此需要考虑绿色产业比率。
[0056]
本实施例中，为了预测出上海市的碳达峰时域，将上海市的碳排放量为研究对象，综合考虑影响城市碳排放量的因素，选取能源驱动消耗(能源结构、能源消费总量、能耗规模)、城市发展消耗(城市化率、人口密度、经济水平)、绿色持续转型(绿色产业比率、能源利用效率、能源结构优化)为影响碳排放量的主要因素，构建城市碳排放量综合评价的前置分析框架，见图1所示的层次分析框架。
[0057]
步骤s2：利用所述层次分析框架从多项所述特征因素中筛选出影响城市碳排放的主成分因子，获取所述主成分因子的历史观测数据。
[0058]
在所述步骤s2中，筛选出所述主成分因子之后还包括建立所述主成分因子的时域
尺度数据，利用所述时域尺度数据对所述历史观测数据进行数据清洗，实现数据优化。
[0059]
其中，所述时域尺度数据包括地域分布数据和时间有序数据，并统一标准口径，实现数据清洗，以达到控制数据的水平精度。
[0060]
根据城市碳排放量多寡的评价体系和层次分析框架，比如，选取的特征因素包括：能源结构、能源消费总量、能耗规模、城市化率、人口密度、经济水平、绿色产业比率、能源利用效率、能源结构优化，其中，以能源消费总量作为宏观统计量，通过解释变量预测出具体城市的碳排放量变化。
[0061]
例如，2000～2020年上海市能源消费量和城市碳排放量数据，计算x2、y2、xy相关统计量函数数据，见表2。如图3所示，上海市碳排放预测趋势曲线图。
[0062]
表2 2000-2020年上海市能源消费总量和城市碳排放量与相关量数据
[0063][0064]
步骤s3：根据所述主成分因子的历史观测数据，利用皮尔逊相关系数定量表征解释变量与预测变量之间的关系，检验观测数据与预测变量相关关系的显著性,根据变量数据拟合出城市碳排放的回归预测关系式。
[0065]
在步骤s3中，进一步还包括：采用关系式(1)进行积差，计算两变量与各自平均值
的离差，通过两个离差相乘来得出主成分因子，以及城市碳排放量的相关系数γ。
[0066][0067]
根据解释变量和预测变量的大数据样本空间，采用t检验历史观测数据与预测变量相关关系的显著性，利用关系式(2)，检验统计量t服从自由度为n-2的t分布；
[0068][0069]
其中，r为相关系数；t为检验统计量；n为统计数据的样本容量；x为因素统计量观测值；y为城市历年碳排放量的统计值。
[0070]
本实施例中，根据显著性水平α＝0.05进行总体数据的显著性检验，具体第：
[0071][0072]
可选地，将表中数据带入公式中，计算因素统计量与城市碳排放量之间的相关关系系数，并对相关系数进行显著性检验。
[0073]
相关系数：
[0074]
相关系数进行显著性检验，计算检验统计量：
[0075][0076]
将显著性水平设定为α＝0.05，见表3所示，根据统计量t分布可得：
[0077]
表3统计量t分布侧位参数值
[0078]
alpha0.10.050.0250.0113.0786.31412.70631.82121.8862.924.3036.96531.6382.3533.1824.54141.5332.1322.7763.74751.4762.0152.5713.36561.441.9432.4473.14371.4151.8952.3652.99881.3971.862.3062.998...............
191.3281.7292.0932.539
[0079]
t
α/2
(n-2)＝t
0.025
(21-2)＝2.093，t＝30.5725》tα/2(21-2)＝2.093，所以2010～2020年上海市能源消费总量和城市碳排放量之间的相关关系显著。
[0080]
根据最小二乘法原则，非线性拟合变量数据之间的数学表达式(3)、(4)、(5)，推导城市碳排放的回归预测关系式，所采用的的公式为：
[0081][0082][0083][0084]
其中，为回归参数；为解释变量的观测均值；为城市未来碳排放量的预测变量。在一种实施例中，可理解为未来东部低碳能源转型智慧化城市碳排放量。从而以具体城市上海市为例递推上海市能源消费总量和城市碳排放量的回归预测关系式：
[0085][0086][0087][0088]
由具体城市上海市能源消费总量和城市碳排放量的回归预测关系式可知，当年平均能源消耗每增加1万吨标准煤，每年碳排放量增加0.75万吨c。
[0089]
步骤s4：趋势拟合所述主成分因子数据的变化走向，计算所述解释变量的趋势拟合数据值，利用所述回归预测关系式预测预定时间内所述城市碳排放量的预测区间，根据所述预测区间找出碳达峰，以进行城市碳达峰时域的预测分析。
[0090]
所述步骤s4之前还包括：检验城市碳排放量的回归预测关系式的可信度，计算变量间回归预测关系式的拟合优度，获取所述主成分因子对预测变量的线性影响，以及其他因素对预测变量的非线性影响效果。
[0091]
实际操作时，可以先排除所述主成分因子对预测变量的线性影响后，再处理其他因素对预测变量的非线性影响效果。
[0092]
具体地，计算变量间回归预测关系式的拟合优度的方法为：采用公式(6)预测变量的变差分析，计算判定系数，以解释变量间回归数学方程的拟合优度：
[0093][0094]
其中，sst为总变差平方和，ssr为回归变差平方和，sse为残差平方和，r为相关系数，r1为判定系数。
[0095]
进一步地，计算判定系数，解释变量间回归预测关系式的拟合优度中，
[0096]
r2＝0.9892＝0.980
[0097]
由判定系数可知，随着城市碳排放量的变化，有98％是由城市能源消费总量所决定的。能源消费总量和城市碳排放量之间有较强的相关线性关系，其回归预测关系式有很高的拟合优度，此回归预测模型对能源消费总量和城市碳排放量有着精确的预测结果。
[0098]
具体地，采用公式(7)计算标准误差，解释其他因素对研究对象的非线性影响效果；
[0099][0100]
在一种实施例中，计算标准误差，解释其他因素对研究对象的非线性影响效果：
[0101][0102]
由标准误差可知，根据城市能源消费总量预测城市碳排放量时，其他因素对城市碳排放量的非线性影响结果为165.1，即该碳排放预测模型的平均误差为165.1万tc。
[0103]
在步骤s4中，采用公式(8)趋势拟合所述主成分因子数据的变化走向，并根据解释变量的趋势拟合数据值，通过回归预测关系式预测城市碳排放量的预测区间；
[0104][0105]
其中，为解释变量x0的预测变量，x0为对应城市未来的碳排放量；t
α/2
(n-2)为统计量t分布侧位参数值。
[0106]
根据选定因素观测值的趋势走向，确定出未来因变量的预测取值，并通过回归预测关系式给出未来几年具体城市的能源消费总量与碳排放量的预测。
[0107]
根据2000～2020年上海市能源消费总量和城市碳排放量数据，通过非线性拟合其趋势变化(y＝-18.162x2 715.18x 4348.2，注x为对应的序号“1，2，
…”
)，得出未来2021～2040年城市碳排放量取值，见表4
[0108]
表4 2022-2040年上海市能源消费总量与城市碳排放量拟合值
[0109][0110]
由于排除主成分因子对预测变量的线性影响后，其他因素对预测变量的非线性影响效果的存在，单纯的依靠东部转型智慧化城市碳排放回归预测关系式关系式所得到的碳排放总量并非精确性结果，为了提高预测精度需要在预测值的基础上给出城市碳排放量预测值的可靠区间。
[0111]
因此将2020～2025年平均能源消耗总量代入公式(5)(8)，分别计算出东部转型智慧化城市碳排放总量预测值和城市碳排放量预测值的置信区间见表5(置信度为α＝0.05)。
[0112]
表5.当年上海城市碳排放量预测值置信区间
[0113][0114][0115]
由表5可知，在未来6年内随着城市建设进展中能源驱动消耗的增加，城市碳排放量也随之增加，其中给出了未来几年城市碳排放量的置信区间，以上海市为代表的东部转型智慧化城市碳排放预测趋势曲线及碳达峰图详见图2。上海市碳排放预测趋势曲线的幅值在2027年城市能源消费总量为10417.962万吨标准煤时，城市碳排放总量的置信区间为(8470.432，7758.218)万吨c，上海市未来出现碳达峰，实现经济发展和碳排放脱钩的预测时间点。本发明实现以上海市为代表的东部转型智慧化城市碳排放量的预测分析，为政府部门、重点用能单位、企业等提供理论支持，更好的进行下一步的政策制定与管理工作。
[0116]
实施例二
[0117]
本技术实施例提供了一种城市碳达峰时域回归预测系统，采用实施例1中任意一项所述的方法，所述系统包括如下几个模块。
[0118]
框架搭建模块100，配置为根据城市碳排放时域二维的演化行为，获取影响城市碳达峰的多项特征因素，利用所述特征因素搭建城市碳排放预测的层次分析框架；
[0119]
数据筛选模块200，配置为利用所述层次分析框架从多项所述特征因素中筛选出影响城市碳排放的主成分因子，获取所述主成分因子的历史观测数据；
[0120]
关系确定模块300，配置为根据所述主成分因子的历史观测数据，利用皮尔逊相关系数定量表征解释变量与预测变量之间的关系，检验观测数据与预测变量相关关系的显著性,根据变量数据拟合出城市碳排放的回归预测关系式；
[0121]
预测分析模块400，配置为趋势拟合所述主成分因子数据的变化走向，计算所述解释变量的趋势拟合数据值，利用所述回归预测关系式预测预定时间内所述城市碳排放量的预测区间，根据所述预测区间找出碳达峰，以实现城市碳达峰时域的预测分析。
[0122]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0123]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0124]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0125]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0126]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0127]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。