一种基于样条回归的碳排放影响因素识别方法及系统

1.本技术涉及新型电力系统构建技术领域，尤其涉及一种服务于新型电力系统全压全域设计的基于样条回归的碳排放影响因素识别方法及系统。


背景技术：

2.自我国提出碳中和目标之后，各地区各行业对碳排放的研究需求迅速增加，碳排放量增长与经济、能源、人口等多种因素相关，为了更好的研究碳排放量与其影响因素之间的关联性，寻找减少碳排放的抓手，通常采用数学模型来研究碳排放量与影响因素之间的关系。
3.加快构建以新能源为主体的新型电力系统，为“双碳”目标下我国电力系统形态演化与技术变革指明了方向，碳排放影响因素识别是其中重要的技术基础。
4.现有技术文件1(cn114119290b)公开了一种适用于碳排放数据的监控识别方法根据每个碳排放监测区域的清洁能源占比、碳中和占比得到每个碳排放监测区域的用碳画像。不足之处在于，在探究碳排放随影响因素变化的历史轨迹时，没有考虑需要回避事前限制的问题，选取一种更加灵活且自适应性强的模型。现有的影响因素分析方法还有ipat模型、可拓展的随机性的环境影响评估模型 stirpat和对数平均迪式分解模型lmdi等。
5.相较于以上模型，样条回归模型可以很好的回避事前限制的问题，更加灵活，同时可以避免在回归时出现高次多项式插值可能出现的振荡现象，具有较好的数值稳定性和收敛性。使用本方法可以更好的模拟碳排放随影响因素变化的历史轨迹，更准确地找到碳排放随影响因素变化的“转折点”。


技术实现要素：

6.为解决现有技术中存在的不足，本发明的目的在于，提供一种基于样条回归的碳排放影响因素识别方法及系统，为了更好的模拟碳排放随影响因素变化轨迹，避免在回归时出现高次多项式插值可能出现的振荡现象。
7.本发明采用如下的技术方案。一种基于样条回归的碳排放影响因素识别方法，包括以下步骤：
8.步骤1，采集目标地区碳排放量设定影响因素历史数据和人均二氧化碳排放量历史数据；
9.步骤2，利用目标地区人均二氧化碳排放量和每个碳排放量影响因素历史数据绘制成散点图，判断二者是否存在转折点，若存在转折点，则执行步骤3；
10.步骤3，根据目标地区人均二氧化碳排放量和碳排放量影响因素历史数据构建样条回归模型，利用插值得出构成样条基函数的线性组合的回归系数；
11.步骤4，根据样条回归结果得到目标地区人均二氧化碳排放量随碳排放量影响因素的演变轨迹，找到碳排放随步骤1所述影响因素变化的“转折点”。
12.优选地，步骤1中，碳排放量影响因素包括：人均gdp、人均用电量、能源强度、碳排
放强度、可再生电力比例和终端电气化率。
13.优选地，步骤1中，采集10年以上的碳排放量影响因素的历史数据作为样本。
14.优选地，步骤2中，判断人均二氧化碳排放量和每个碳排放量影响因素是否存在转折点的步骤为：
15.首先判断二者是否存在相关性，若散点图呈现从左下方到右上方的趋势，则符合正相关性；
16.若散点图呈现从左上方到右下方的趋势，则呈现负相关性；
17.若散点图没有一定的趋势则不存在相关性，若二者存在相关性，则进一步判断相关趋势是否发生变化，如存在趋势变化，则表明存在转折点。
18.优选地，步骤3具体包括：
19.步骤3.1，分别将目标地区人均二氧化碳排放量co
2pc
和碳排放量影响因素 a
pcit
取对数预处理，得到和ln(a
pcit
)，其中，ln(
·
)指的是取自然对数， i指的是达峰国家，t指的是年份，co
2pc
指的是人均二氧化碳排放量；
20.步骤3.2，利用预处理过的数据，构建基于分段线性函数的样条回归模型；
21.步骤3.3，通过插值方法得出构成样条基函数的线性组合的回归系数。
22.优选地，步骤3.2中，所述样条回归模型公式如下：
[0023][0024]
式中，
[0025]
表示某个国家某年的人均二氧化碳排放量，
[0026]apcit
表示某个国家某年的某个碳排放量影响因素，
[0027]
αi表示国家固定效应，
[0028]
γ
t
表示时间固定效应，
[0029]
ε
it
表示随机误差。
[0030]
优选地，所述分段线性函数如下所示，
[0031]
f(x)＝∑n
j，k
(x)βj[0032]
式中，
[0033]
k表示阶次，
[0034]
j表示影响因素序号，
[0035]
βj表示样条函数的拟合系数，
[0036]nj，k
(x)表示各碳排放量影响因素分段之后的样条混合函数，
[0037]
x表示任一碳排放量影响因素。
[0038]
优选地，步骤3.3中，n
j，k
(x)是由点矢量的非递减的碳排放量影响因素的序列决定的分段多项式。在各碳排放量影响因素的数据取值范围内，给定n 1个插值节点，在每个区间[xi，xi 1]，n
j，k
(x)满足：
[0039][0040]
式中，
[0041]
m表示差值点数量，
[0042]
xm表示第m个差值点处的影响因素数值，
[0043]
x
m-1
表示第m-1个差值点处的影响因素数值，
[0044]
x
m 1
表示第m 1个差值点处的处的影响因素数值，
[0045]
ym表示第m个差值点处的影响因素数值对应的函数值，
[0046]ym 1
表示第m 1个差值点处的影响因素数值对应的函数值。
[0047]
优选地，所述碳排放影响因素识别方法还包括；选取多种不同的分段方法来检验模型的稳健性，依照不同的分段方法对样本数据进行百分比平均划分，带入样条回归模型得到四种结果，对比多条回归轨迹的演变趋势和转折点，四条轨迹的趋势越一致，说明模型的稳健性越好。
[0048]
本发明的第二方面提供了一种碳排放影响因素识别系统，运行所述基于样条回归的碳排放影响因素识别方法，包括数据采集模块、回归模型模块和演变轨迹输出模块：其特征在于：
[0049]
数据采集模块，用于采集目标地区碳排放量设定影响因素历史数据和人均二氧化碳排放量历史数据，
[0050]
回归模型模块，用于根据目标地区碳排放量和影响因素历史数据得出样条回归模型，
[0051]
演变轨迹输出模块，用于根据回归结果得到目标地区人均二氧化碳排放量随设定影响因素的演变轨迹，显示碳排放随影响因素变化的“转折点”。
[0052]
本发明的有益效果在于，与现有技术相比，本技术基于样条回归模型对碳排放与其影响因素的关系进行识别，更好的模拟碳排放随影响因素变化的历史轨迹，避免了在回归时出现高次多项式插值可能出现的振荡现象，更准确地找到碳排放随影响因素变化的“转折点”。本技术碳排放影响因素识别方法不仅可用于碳排放与其影响因素关系识别，还可以解决其他相关性识别问题。
附图说明
[0053]
图1是本技术提出的一种基于样条回归的碳排放影响因素识别方法的流程图，
[0054]
图2是人均碳排放与人均gdp相关关系图，
[0055]
图3是不同分段方法下人均碳排放量和人均gdp之间的关系图。
具体实施方式
[0056]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0057]
本发明的实施例1提供了一种基于样条回归的碳排放影响因素识别方法。参见图1所示的流程示意图，包括：
[0058]
步骤1：采集目标地区碳排放量影响因素历史数据和人均二氧化碳排放量历史数据。
[0059]
其中碳排放影响因素包括：人均gdp、人均用电量、能源强度、碳排放强度、可再生电力比例、终端电气化率，因为这六个指标涵盖了经济、能源、碳排放三个方面，并且是极具代表意义的指标。
[0060]
优选地，采集10年以上的碳排放量影响因素历史数据作为样本。获取目标地区样本量达10年以上的人均二氧化碳排放量历史数据。
[0061]
步骤2：将目标地区人均二氧化碳排放量co
2pc
和每个碳排放量影响因素历史数据绘制成散点图，判断二者是否存在相关性，若散点图呈现从左下方到右上方的趋势，则符合正相关性；若散点图呈现从左上方到右下方的趋势，则呈现负相关性；若散点图没有一定的趋势则不存在相关性。若二者存在相关性，则进一步判断相关趋势是否发生变化，如存在趋势变化，则表明存在转折点，则执行步骤3，使用样条回归模型分析。
[0062]
步骤3：根据目标地区人均二氧化碳排放量和碳排放量影响因素历史数据构建样条回归模型，利用插值得出构成样条基函数的线性组合的回归系数。
[0063]
步骤3.1，分别将目标地区人均二氧化碳排放量co
2pc
和碳排放量影响因素 a
pcit
取对数，得到和ln(a
pcit
)。对数处理的原因是，既不会改变数据本身的性质和相关性，又能使数据变得更加平稳，同时消弱数据的自相关性和异方差性。
[0064]
其中，ln()指的是取自然对数，i指的是达峰国家，t指的是年份，co
2pc
指的是人均二氧化碳排放量。
[0065]
步骤3.2，根据目标地区人均二氧化碳排放量和碳排放影响因素历史数据列出样条回归模型公式：
[0066][0067]
式中，
[0068]
表示某个国家某年的人均二氧化碳排放量，
[0069]apcit
表示某个国家某年的某个碳排放量影响因素，
[0070]
αi表示国家固定效应，
[0071]
γ
t
表示时间固定效应，
[0072]
ε
it
表示随机误差。
[0073]
由于不同研究地区人文历史、气候条件均不相同，这些因素会不同程度的影响二氧化碳排放，所以引入了国家固定效应和时间固定效应来减少估计偏差。
[0074]
f()表示分段线性函数，是一组样条基函数的线性组合：
[0075]
f(x)＝∑n
j，k
(x)βj[0076]
式中，
[0077]
k表示阶次，优选地，k的取值为1，
[0078]
j表示影响因素序号，
[0079]
βj表示样条函数的拟合系数，
[0080]nj，k
(x)表示各碳排放量影响因素分段之后的样条混合函数，
[0081]
x表示任一碳排放量影响因素。
[0082]nj，k
(x)是由点矢量的非递减的碳排放量影响因素的序列决定的分段多项式。在各碳排放量影响因素的数据取值范围内，给定n 1个插值节点(x0，x1…
xn和对应的函数值y0，y1…yn
)，在每个区间[xi，x
i 1
]，n
j，k
(x)满足：
[0083]
[0084]
m表示差值点数量，
[0085]
xm表示第m个差值点处的影响因素数值，
[0086]
x
m-1
表示第m-1个差值点处的影响因素数值，
[0087]
x
m 1
表示第m 1个差值点处的处的影响因素数值，
[0088]
ym表示第m个差值点处的影响因素数值对应的函数值，
[0089]ym 1
表示第m 1个差值点处的影响因素数值对应的函数值。
[0090]
得出的回归结果是构成样条基函数的线性组合的回归系数。
[0091]
步骤4：根据回归结果得到目标地区人均二氧化碳排放量随碳排放量影响因素的演变轨迹。
[0092]
为了检验模型对分段数量是否敏感，本实施例共选取不同插值节点个数5， 10，15，20段四种不同的分段方法来检验模型的稳健性，依照不同的分段方法对样本数据进行百分比平均划分，带入样条回归模型得到四种结果。
[0093]
对比四条回归轨迹的演变趋势和转折点，四条轨迹的趋势越一致，说明模型的稳健性越好。
[0094]
本发明的实施例2提供了一种基于样条回归的碳排放影响因素识别方法的实验，以人均gdp这一影响因素为示例进行说明。选取49个国家1970年以来近五十年的人均gdp和人均碳排放数据。
[0095]
为了探究碳排放随着经济发展的演变轨迹，选取全球已经达峰了的49个国家1970年以来近五十年的人均gdp和人均碳排放数据来进行回归分析。最终的模型描述如下所示：
[0096][0097]
其中ln(
·
)指的是取自然对数，i指的是达峰国家，t指的是年份，co
2pc
指的是人均二氧化碳排放，gdp
pc
指的是人均gdp，f[～]指的是分段线性函数，αi指的是国家固定效应，γ
t
指的是时间固定效应。
[0098]
回归结果如图2所示，可以看出，在经济发展水平较低的阶段，人均二氧化碳的变化与经济发展呈现显著的正相关性，当人均收入达到36000美元左右时(ppp，2017不变价)出现了转折点，人均排放量的变化趋势变得平缓且下降。
[0099]
具体的回归系数如表1所示，在第一个分段内，人均碳排放随着人均gdp 的增加急剧上升，第二个分段内增速放缓，第三个分段内增速增加，但较第一个分段的增速略低，第四个分段增速放缓，第五个分段增速为负，即当人均收入达到36000美元左右时(购买力平价，2017不变价)出现了转折点，随着人均gdp 的增加，人均碳排放反而降低。这是因为在经济发展初期，需要消耗大量的化石能源，产生了大量的二氧化碳，随着经济的发展，会带来技术、生产方式的变革以及能源结构、经济结构的优化，再加上能源利用效率的提升，会控制二氧化碳的排放，当到达一定阶段时，二氧化碳排放渐渐与经济发展脱钩，随着经济的发展碳排放量反而降低。
[0100]
表1人均碳排放与人均gdp回归系数
[0101][0102][0103]
其中，星号代表显著性，显著性水平是估计总体参数落在某一区间内，可能犯错误的概率，1个星号代表5％显著性水平2个星号代表1％显著性水平3个星号代表0.1％显著性水平。
[0104]
为了检验模型对分段数量是否敏感，选取5，10，15，20段等四种不同的分段方法来检验模型的稳健性，依照不同的分段方法对样本进行百分比平均划分，回归模拟的结果如图3所示，可以发现4种模型估计出来的轨迹演变图走势几乎一致，都是在发展水平较低的阶段，人均二氧化碳对于人均gdp的弹性随着经济的发展而急剧增加，随后增速慢慢变缓，在人均gdp达到36000美元(ppp， 2017不变价)左右时出现转折点，趋势变得平缓且慢慢下降。
[0105]
本发明的实施例3提供了一种碳排放影响因素识别系统，运行所述基于样条回归的碳排放影响因素识别方法，包括数据采集模块、回归模型模块和演变轨迹输出模块；
[0106]
数据采集模块，用于采集目标地区碳排放量设定影响因素历史数据和人均二氧化碳排放量历史数据，
[0107]
回归模型模块，用于根据目标地区碳排放量和影响因素历史数据得出样条回归模型，
[0108]
演变轨迹输出模块，用于根据回归结果得到目标地区人均二氧化碳排放量随设定影响因素的演变轨迹，显示碳排放随影响因素变化的“转折点”。
[0109]
以上结合具体研究对象对本技术进行了使用说明，但所举实例只是用于解释本技术的使用表现，并非局限本技术的应用范围。本技术所提出的样条回归模型可以用于研究任何一个与碳排放量存在明显“转折点”的影响因素。这些均落入本技术的范围内。本技术的保护范围以所附权利要求为准。
[0110]
本发明的有益效果在于，与现有技术相比，本技术基于样条回归模型对碳排放与其影响因素的关系进行识别，更好的模拟碳排放随影响因素变化的历史轨迹，避免了在回归时出现高次多项式插值可能出现的振荡现象，更准确地找到碳排放随影响因素变化的“转折点”。本技术碳排放影响因素识别方法不仅可用于碳排放与其影响因素关系识别，还可以解决其他相关性识别问题。
[0111]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。