法律状态公告日
法律状态信息
法律状态
2023-02-24
公开
发明专利申请公布
技术领域
本发明属于碳达峰预测领域,尤其是一种预测企业碳达峰趋势的方法。
背景技术
企业在碳达峰目标制定过程中,如何判断碳达峰、预估碳达峰就变得非常重要,而业界目前尚没有碳达峰预测相关的标准支撑,缺乏评估碳达峰的数字化工具,迫切需要碳达峰预测的科学依据,合理评估碳达峰趋势及碳达峰进程。
发明内容
本发明的目的在于克服现有技术的不足,提出一种预测企业碳达峰趋势的方法,能够维为企业提供制定碳达峰目标的决策依据,提高对碳达峰预测模型的开发效率。
本发明解决其技术问题是采取以下技术方案实现的:
一种预测企业碳达峰趋势的方法,包括以下步骤:
步骤1、数据处理;
步骤1.1、设计备选影响因素;
步骤1.2、收集影响因素历史数据;
步骤1.3、对历史数据进行清洗处理;
步骤2、模型构建;
步骤2.1、分析影响因素与碳排放的相关性;
步骤2.2、根据相关性对影响因素进行筛选;
步骤2.3、根据筛选后的影响因素构建预测模型;
步骤2.4、校验预测模型的误差;
步骤3、排放预测;
步骤3.1、根据预测模型预估影响因素的未来数据;
步骤3.2、根据影响因素的未来数据,对未来年度碳排放量进行预测;
步骤3.3、根据未来年度碳排放量,获得企业碳达峰量和碳达峰年。
而且,所述步骤1.1中影响因素包括:企业人数、GDP、产业结构、能源强度和能源结构。
而且,所述步骤1.3的具体实现方法为:将步骤1.2中收集影响因素的历史数据进行清洗,同时结合企业碳排放核算方法,核算企业历史碳排放数据,并统一数据格式以及数据单位。
而且,所述步骤2.3中构建的预测模型为:
I=aP
式中,I、P、A、T表示环境压力、人口数量、富裕度和技术;b、c、d分别是人口数量、富裕度、技术等人文驱动力的指数,a是模型的系数,e为模型误差,是一个多自变量的非线性模型。
根据企业人数、企业人均GDP、产业结构、能源强度和能源结构与碳排放的关系,将预测模型转化为:
lnI=lna+blnP+clnA+d(lnA)
其中,a、b、c、d、e、f、g、h和j为系数,I为二氧化碳排放量,P为企业人数,A为人均GDP,U为城镇化率,IS为产业结构,EI为能源强度,ES为能源结构,并且通过岭回归分析,设定训练次数与误差范围,训练的到系数a、b、c、d、e、f、g、h和j。
而且,所述步骤2.4的具体实现方法为:根据影响因素的历史数据,分析各个因素指标与碳排放量之间的相关性,选取相关性绝对值≧0.3的因素指标;构建预测模型,并检验模型的误差率,设定误差率<5%。
而且,所述步骤3.1的具体实现方法为:将企业碳排放影响因素的历史M年度数据和区域碳排放影响因素的未来N年度数据输入至模型,根据企业历史年度的各个影响因素的高速发展情景和低速发展情景,预估影响因素的未来年度数据。
而且,所述企业碳排放影响因素的历史M年度数据选取5年及以上数据,区域碳排放影响因素的未来N年度数据选取5年及以上数据,同时对于企业碳排放影响因素的历史M年度数据和区域碳排放影响因素的未来N年度数据缺失部分,使用专家经验法进行补齐,并处理异常值检查数据的准确性。
而且,所述步骤3.3的具体实现方法为:根据碳排放量时间序列I
本发明的优点和积极效果是:
本发明通过选取影响因素,收集经过清洗的影响因素历史数据,并根据影响因素与碳排放的相关性,构建预测模型,最终将经过清洗的影响因素历史数据输入至预测模型中得到未来年度碳排放量,进而得到企业碳达峰量和碳达峰年。本发明为企业提供制定碳达峰目标的决策依据,提高对碳达峰预测模型的开发效率,缩短模型开发周期。本发明更好地发挥出标准对碳达峰预测模型构建的引领、指导、规范和支撑作用。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种预测企业碳达峰趋势的方法,如图1所示,包括以下步骤:
步骤1、数据处理,该阶段工作需要完成模型开发所需的数据指标设计、历史数据收集、数据清洗处理工作。
步骤1.1、设计备选影响因素。
从宏观经济学的角度,设计与碳排放具有相关性的影响因素指标。碳排放通常受人口、经济发展、能源消费和科技进步等方面的影响,具体指标包括不限于:企业人数、GDP、产业结构、能源强度和能源结构等。
步骤1.2、收集影响因素历史数据。
步骤1.3、对历史数据进行清洗处理。
将步骤1.2中收集影响因素的历史数据进行清洗,同时结合企业碳排放核算方法,核算企业历史碳排放数据,并统一数据格式以及数据单位。
步骤2、模型构建,该阶段工作完成影响因素与碳排放的相关性分析,选取影响因素指标,构建预测模型,校验模型误差。
步骤2.1、分析影响因素与碳排放的相关性。
步骤2.2、根据相关性对影响因素进行筛选,对弱相关性和无相关性的因素指标进行删除。
步骤2.3、根据筛选后的影响因素构建预测模型。模型算法包括不限于:STIRPAT、回归分析、ANN等。其中,STIRPAT模型为:
I=aP
式中,I、P、A、T表示环境压力、人口数量、富裕度和技术;b、c、d分别是人口数量、富裕度、技术等人文驱动力的指数,a是模型的系数,e为模型误差,是一个多自变量的非线性模型。
根据企业人数、企业人均GDP、产业结构、能源强度和能源结构5个因素广泛应用于碳排放相关研究中,并且均能显著影响碳排放。因此,表达式转化为:
lnI=lna+blnP+clnA+d(lnA)
其中,a、b、c、d、e、f、g、h和j为系数,I为二氧化碳排放量,P为企业人数,A为人均GDP,U为城镇化率,IS为产业结构,EI为能源强度,ES为能源结构,并且通过岭回归分析,设定训练次数与误差范围,训练的到系数a、b、c、d、e、f、g、h和j。
步骤2.4、校验预测模型的误差。
根据影响因素的历史数据,分析各个因素指标与碳排放量之间的相关性,选取相关性绝对值≧0.3的因素指标;构建预测模型,并检验模型的误差率,设定误差率<5%。
步骤3、排放预测,该阶段工作基于影响因素指标的未来年度数据,预测未来年度碳排放量,进而获得碳达峰量和达峰年。
步骤3.1、根据预测模型预估影响因素的未来数据。
根据企业历史年度的各个影响因素发展变化情况,分高速发展情景和低速发展情景,合理预估影响因素的未来年度数据。
其中,模型输入的数据包括两类:企业碳排放影响因素的历史M年度数据和区域碳排放影响因素的未来N年度数据。其中企业碳排放影响因素的历史M年度数据,原则上越长越好,至少M≧5年。区域碳排放影响因素的未来N年度数据,至少N≧5年。
同时对于企业碳排放影响因素的历史M年度数据和区域碳排放影响因素的未来N年度数据不允许缺失,其中的缺失值使用专家经验法进行补齐,并处理异常值检查数据的准确性。
步骤3.2、根据影响因素的未来数据,对未来年度碳排放量进行预测。
步骤3.3、根据未来年度碳排放量,获得企业碳达峰量和碳达峰年。
根据碳排放量时间序列I
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
机译: 有序数据挖掘数据库的一种方法,以发现数据与预测未来趋势之间的依赖关系
机译: 一种检测,分类和预测用户行为趋势的方法和系统
机译: 一种预测水深层的方法结果趋势分析磁和重力异常