一种区域碳达峰的预测方法

1.本发明涉及碳排放预测领域，尤其涉及一种区域碳达峰的预测方法。


背景技术：

2.本发明为研究碳排放未来演化路径并分析不同因素对碳排放量变化的影响，提出一种基于“经济
–
能源
–
环境”3e平衡模型的碳排放因素分解与峰值预测方法。首先采用灰色关联度分析筛选碳排放影响因素。然后采用对数平均迪氏分解法lmdi对引起碳排放变化的因素进行分解，分析各影响因素对碳排放量的变动效应和贡献度，最后采用经岭回归优化训练后的可拓展随机性环境影响评估模型stirpat进行碳排放未来趋势预测。


技术实现要素：

3.本发明的目的是为了提供一种区域碳达峰的预测方法，通过采用灰色关联度分析筛选碳排放影响因素。然后采用对数平均迪氏分解法lmdi对引起碳排放变化的因素进行分解，分析各影响因素对碳排放量的变动效应和贡献度，最后采用经岭回归优化训练后的可拓展随机性环境影响评估模型stirpat进行碳排放未来趋势预测。
4.为了实现上述目的，本发明提出一种区域碳达峰的预测方法，包括以下步骤：
5.s1：收集待测区域历年数据，所述历年数据包括经济增长数据和能源消耗数据；
6.s2：根据所述能源消耗数据计算得到待测区域的碳排放总量；
7.s3：采用灰色关联度分析筛选碳排放的影响因素；
8.s4：采用lmdi(平均迪氏分解法)对引起碳排放的各项所述影响因素进行分解,并分析各所述影响因素对碳排放量的变动效应和贡献度；
9.s5：针对各所述影响因素的多种情景组合，分别采用经岭回归优化训练后的stirpat模型(可拓展随机性环境影响评估模型)，搭建碳达峰预测模型，对未来碳排放趋势进行情景预测。
10.进一步地，在所述的区域碳达峰的预测方法中，在步骤s1中，所述历年数据的收集步骤如下：
11.s1.1：统计待测区域内历年的区域人口总数、城镇人口总数和生产总值；
12.s1.2：通过对所述区域人口总数、城镇人口总数和生产总值的整合处理，计算得出待测区域对应的经费投入强度q和城镇化率j：
[0013][0014][0015]
其中：q表示经费投入强度；gq表示经费支出；g表示区域生产总值gdp；j表示城镇化率；pc表示城镇人口总数；p表示区域人口总数。
[0016]
进一步地，在所述的区域碳达峰的预测方法中，在步骤s2中，采用ipcc换算方法根据待测区域历史的所述能源消耗数据中能源消费总量计算得到碳排放总量，且所述能源消
费总量所消费的能源包括化石燃料、外购电力及外购热力。
[0017]
进一步地，在所述的区域碳达峰的预测方法中，所述ipcc换算方法的计算步骤如下：
[0018]
s2.1：计算所述碳排放总量c中的化石燃料的碳排放量c1，即化石燃料的碳排放量由不同种类的化石燃料的消费量乘以对应的碳排放系数可得；
[0019][0020][0021]
其中：c1表示化石燃料的碳排放量；fci表示第i种化石燃料的消耗量；ncvi表示第i种化石燃料的平均低位发热量；efi表示第i种化石燃料的二氧化碳排放因子；cci表示第i种化石燃料的单位热值含碳量；ofi表示第i种化石燃料的碳氧化率；
[0022]
s2.2：计算所述碳排放总量c中的外购电力及外购热力的碳排放量c2，即外购电力及外购热力的碳排放量由外购电力及外购热力各自的消费量乘以各自对应的电力排放因子和热力排放因子可得；
[0023]
c2＝dl
×
ef
dl
+rl
×
ef
rl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0024]
其中：c2表示外购电力及热力的碳排放量；dl表示外购电力的电量；ef
dl
表示外购电力的二氧化碳排放因子；rl表示外购热力的热量；ef
rl
表示外购热力的二氧化碳排放因子；
[0025]
s2.3：计算所述碳排放总量c，即碳排放总量由所述化石燃料的碳排放量加上所述外购电力及外购热力的排放量可得；
[0026]
c＝c1+c2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0027]
其中：c表示待测区域历史的碳排放总量。
[0028]
进一步地，在所述的区域碳达峰的预测方法中，在步骤s5中，基于区域人口总数、富裕程度、技术水平、城镇化率和能源结构5个所述影响因素进行碳排放预测研究，所述影响因素的选取如下：
[0029]
区域人口总数采用地区常住人口进行量化；
[0030]
富裕程度采用地区人均生产总值gdp进行量化；
[0031]
技术水平采用技术相关表征数据进行量化；
[0032]
城镇化率采用地区城镇常住人口与地区常住人口的比值衡量；
[0033]
能源结构采用化石燃料的消费量与能源消费总量的比值衡量。
[0034]
进一步地，在所述的区域碳达峰的预测方法中，在步骤s5中，所述stirpat模型的表达式为：
[0035]
i＝ap
bac
tdε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0036]
其中：a表示模型常数；p表示区域人口总数；a表示富裕程度；t表示技术水平；b、c和d分别表示为参数p、a和t的回归系数，回归系数表示当参数变化时引起i的变化速率；ε表示随机误差项；
[0037]
基于所述灰色关联度分析的结果和所述lmdi的分解对所述stirpat模型进行扩展，则扩展stirpat模型的表达式为：
[0038]
i＝ap
bac
tdjfngε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0039]
其中：j表示城镇化率；n表示能源结构；f和g分别表示为参数j和n的回归系数；
[0040]
将所述stirpat模型由非线性模型转换为线性模型，表达式为：
[0041]
ln i＝ln a+b ln p+dln t+f ln j+g ln n+lnε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)。
[0042]
进一步地，在所述的区域碳达峰的预测方法中，在步骤s3中，所述灰色关联度分析为通过计算自变量与因变量之间几何形状的相似程度来判断其联系的紧密程度，包括以下步骤：
[0043]
s3.1：根据需求确定所述灰色关联度分析的自变量序列y和因变量序列x：
[0044]
y＝[y(1),y(2)
…
,y(n)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0045][0046]
其中：y表示自变量序列；x表示因变量序列；l表示样本个数；n为特征个数；
[0047]
s3.2：对各因变量序列中的数据xik进行均值化处理，计算得出均值k进行均值化处理，计算得出均值
[0048]
其中：xik表示因变量序列的数据；表示因变量序列的均值；表示因变量序列第i个样本的均值；xi(k)表示因变量序列第i个样本、第k个特征的数值；
[0049]
s3.3：求解自变量y(k)与均值化处理后的因变量xi(k)之间的灰色关联系数μi；
[0050][0051]
其中：y(k)表示自变量序列第k个特征的数值；表示因变量序列第i个样本、第k个特征的均值；μi表示自变量与均值化处理后的因变量之间灰色关联系数的数值；η为分辨系数，取值范围为0.1～0.5；
[0052]
s3.4：计算各因变量序列所有灰色关联系数的平均值，可得灰色关联度ri：
[0053][0054]
其中：ri表示灰色关联度的数值；μi(k)表示第k个特征的自变量与均值化处理后的因变量之间灰色关联系数的数值。
[0055]
进一步地，在所述的区域碳达峰的预测方法中，在步骤s4中，将kaya恒等式用于分解引起碳排放的各项所述影响因素，步骤如下：
[0056]
s4.1：基于碳排放总量、能源消费总量、生产总值和区域人口总数对碳排放影响因素进行分解，则kaya恒等式表示为：
[0057][0058]
其中：c表示碳排放总量；e表示能源消费总量；表示碳排放强度；g表示区域生产
总值gdp；表示单位生产总值的能源消耗水平；p表示区域人口总数；表示区域人均生产总值gdp；
[0059]
s4.2：在kaya恒等式的基础上进行扩展，即在kaya恒等式的基础上将碳排放分为不同种类能源的碳排放量，并加入各种能源的消费量，则扩展kaya恒等式表示为：
[0060][0061]
其中：cm为第m种能源的碳排放量；em为第m种能源的消费量；
[0062]
由于式(13-1)中影响因素具有以下等式定义：
[0063]
α表示区域能源强度，即单位生产总值的能源消耗水平；
[0064]
β表示区域经济水平，即区域人均生产总值gdp；
[0065]
δm表示能源碳排放系数，即第m种能源消费的碳排放量；
[0066]
ρm表示能源占比，即第m种能源消费量在总消费量中的占比；
[0067]
则式(13-1)的改写表示为：
[0068]
c＝αβp∑mδmρmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13-2)
[0069]
s4.3：将扩展kaya恒等式应用于lmdi加法模型中，对引起碳排放的各项所述影响因素进行分解，表达式为：
[0070]
δc＝c
t-c0＝δc
δ
+δc
ρ
+δc
α
+δc
β
+δc
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0071][0072][0073][0074][0075][0076]
其中：δc表示历年碳排放分解累计总效应；c
t
表示第t年的碳排放量；c0表示基准年的碳排放量；δc
δ
表示能源碳排放强度引起的碳排放量变化；δc
ρ
表示能源占比结构引起的碳排放量变化；δc
α
表示能源强度引起的碳排放量变化；δc
β
表示区域经济水平引起的碳排放量变化；δc
p
表示区域人口总数引起的碳排放量变化。
[0077]
与现有技术相比，本发明的有益效果主要体现在：
[0078]
通过采用灰色关联分析筛选碳排放影响因素，并通过lmdi对引起碳排放变化的因素进行分解，以基于源头分析影响碳排放的因素，精准提供预测的基础影响因素。同时，通过采用stirpat模型的提高碳达峰预测模型的准确性，使生成的碳排放量预测结果准确性也有所提高。
附图说明
[0079]
图1为本发明中区域碳达峰的预测方法的流程示意图；
[0080]
图2为3e平衡模型的碳排放因素分解与峰值预测流程图。
具体实施方式
[0081]
下面将结合示意图对本发明的区域碳达峰的预测方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
[0082]
此外，如有术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明技术特征的数量。由此，限定有“第一”、“第二”特征可以明示或者隐含包括一个或者多个该特征，在本发明描述中，“至少”的含义是一个或一个以上，除非另有明确具体的限定。
[0083]
在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
[0084]
如图1所示，本发明提出一种区域碳达峰的预测方法，包括以下步骤：
[0085]
s1：收集待测区域历年数据，所述历年数据包括经济增长数据和能源消耗数据；
[0086]
所述历年数据的收集步骤如下：
[0087]
s1.1：统计待测区域内历年的区域人口总数、城镇人口总数和生产总值；
[0088]
s1.2：通过对所述区域人口总数、城镇人口总数和生产总值的整合处理，计算得出待测区域对应的经费投入强度q和城镇化率j：
[0089][0090][0091]
其中：q表示经费投入强度；gq表示经费支出；g表示区域生产总值gdp；j表示城镇化率；pc表示城镇人口总数；p表示区域人口总数。
[0092]
s2：采用ipcc换算方法根据待测区域历史的所述能源消耗数据中能源消费总量计算得到碳排放总量；
[0093]
在本实施例中，所述能源消费总量所消费的能源包括化石燃料、外购电力及外购热力；
[0094]
所述ipcc换算方法的计算步骤如下：
[0095]
s2.1：计算所述碳排放总量c中的化石燃料的碳排放量c1，即化石燃料的碳排放量由不同种类的化石燃料的消费量乘以对应的碳排放系数可得；
[0096][0097][0098]
其中：c1表示化石燃料的碳排放量；fci表示第i种化石燃料的消耗量；ncvi表示第i种化石燃料的平均低位发热量；efi表示第i种化石燃料的二氧化碳排放因子；cci表示第i种
化石燃料的单位热值含碳量；ofi表示第i种化石燃料的碳氧化率；
[0099]
s2.2：计算所述碳排放总量c中的外购电力及外购热力的碳排放量c2，即外购电力及外购热力的碳排放量由外购电力及外购热力各自的消费量乘以各自对应的电力排放因子和热力排放因子可得；
[0100]
c2＝dl
×
ef
dl
+rl
×
ef
rl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0101]
其中：c2表示外购电力及热力的碳排放量；dl表示外购电力的电量；ef
dl
表示外购电力的二氧化碳排放因子；rl表示外购热力的热量；ef
rl
表示外购热力的二氧化碳排放因子；
[0102]
s2.3：计算所述碳排放总量c，即碳排放总量由所述化石燃料的碳排放量加上所述外购电力及外购热力的排放量可得；
[0103]
c＝c1+c2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0104]
其中：c表示待测区域历史的碳排放总量。
[0105]
s3：采用灰色关联度分析筛选碳排放的影响因素；
[0106]
所述灰色关联度分析为通过计算自变量与因变量之间几何形状的相似程度来判断其联系的紧密程度，以判断与碳排放的影响关系，包括以下步骤：
[0107]
s3.1：根据需求确定所述灰色关联度分析的自变量序列y和因变量序列x：
[0108]
y＝[y(1),y(2)
…
,y(n)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0109][0110]
其中：y表示自变量序列；x表示因变量序列；l表示样本个数；n为特征个数；
[0111]
s3.2：对各因变量序列中的数据xik进行均值化处理，计算得出均值k进行均值化处理，计算得出均值
[0112]
其中：xik表示因变量序列的数值；表示因变量序列的均值；表示因变量序列第i个样本的均值；xi(k)表示因变量序列第i个样本、第k个特征的数值；
[0113]
s3.3：求解自变量y(k)与均值化处理后的因变量xi(k)之间的灰色关联系数μi；
[0114][0115]
其中：y(k)表示自变量序列第k个特征的数值；表示因变量序列第i个样本、第k个特征的均值；μi表示自变量与均值化处理后的因变量之间灰色关联系数的数值；η为分辨系数，取值范围为0.1～0.5，进行灰色关联度分析时通常取0.5；
[0116]
s3.4：计算各因变量序列所有灰色关联系数的平均值，可得灰色关联度ri：
[0117]
[0118]
其中：ri表示灰色关联度的数值；μi(k)表示第k个特征的自变量与均值化处理后的因变量之间灰色关联系数的数值。
[0119]
s4：采用lmdi(平均迪氏分解法)对引起碳排放的各项所述影响因素进行分解,并分析各所述影响因素对碳排放量的变动效应和贡献度；
[0120]
将kaya恒等式用于分解引起碳排放的各项所述影响因素，步骤如下：
[0121]
s4.1：基于碳排放总量、能源消费总量、生产总值和区域人口总数对碳排放影响因素进行分解，则kaya恒等式表示为：
[0122][0123]
其中：c表示碳排放总量；e表示能源消费总量；表示碳排放强度；g表示区域生产总值gdp；表示单位生产总值的能源消耗水平；p表示区域人口总数；表示区域人均生产总值gdp；
[0124]
s4.2：在kaya恒等式的基础上进行扩展，即在kaya恒等式的基础上将碳排放分为不同种类能源的碳排放量，并加入各种能源的消费量，则扩展kaya恒等式表示为：
[0125][0126]
其中：cm为第m种能源的碳排放量；em为第m种能源的消费量；
[0127]
由于式(13-1)中影响因素具有以下等式定义：
[0128]
α表示区域能源强度，即单位生产总值的能源消耗水平；
[0129]
β表示区域经济水平，即区域人均生产总值gdp；
[0130]
δm表示能源碳排放系数，即第m种能源消费的碳排放量；
[0131]
ρm表示能源占比，即第m种能源消费量在总消费量中的占比；
[0132]
则式(13-1)的改写表示为：
[0133]
c＝αβp∑mδmρmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13-2)
[0134]
s4.3：将扩展kaya恒等式应用于lmdi加法模型中，对引起碳排放的各项所述影响因素进行分解，表达式为：
[0135]
δc＝c
t-c0＝δc
δ
+δc
ρ
+δc
α
+δc
β
+δc
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0136]
且各影响因素的计算式如下：
[0137][0138][0139][0140]
[0141][0142]
其中：δc表示历年碳排放分解累计总效应；c
t
表示第t年的碳排放量；c0表示基准年的碳排放量；δc
δ
表示能源碳排放强度引起的碳排放量变化；δc
ρ
表示能源占比结构引起的碳排放量变化；δc
α
表示能源强度引起的碳排放量变化；δc
β
表示区域经济水平引起的碳排放量变化；δc
p
表示区域人口总数引起的碳排放量变化。
[0143]
s5：针对各所述影响因素的多种情景组合，分别采用经岭回归优化训练后的stirpat模型(可拓展随机性环境影响评估模型)，搭建碳达峰预测模型，对未来碳排放趋势进行情景预测。
[0144]
在本实施例中，基于区域人口总数、富裕程度、技术水平、城镇化率和能源结构5个所述影响因素进行碳排放预测研究，所述影响因素的选取如下：
[0145]
区域人口总数采用地区常住人口进行量化；
[0146]
富裕程度采用地区人均生产总值gdp进行量化；
[0147]
技术水平采用技术相关表征数据进行量化；
[0148]
城镇化率采用地区城镇常住人口与地区常住人口的比值衡量；
[0149]
能源结构采用化石燃料的消费量与能源消费总量的比值衡量。
[0150]
所述stirpat模型的表达式为：
[0151]
i＝ap
bac
tdε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0152]
其中：a表示模型常数；p表示区域人口总数；a表示富裕程度；t表示技术水平；b、c和d分别表示为参数p、a和t的回归系数，回归系数表示当参数变化时引起i的变化速率；ε表示随机误差项；
[0153]
基于所述灰色关联度分析的结果和所述lmdi的分解对所述stirpat模型进行扩展，则扩展stirpat模型的表达式为：
[0154]
i＝ap
bac
tdjfngε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0155]
其中：j表示城镇化率；n表示能源结构；f和g分别表示为参数j和n的回归系数；
[0156]
同时，由于stirpat模型为非线性模型，无法直接使用岭回归优化训练stirpat模型，为此将stirpat模型式(21)两边同时取对数，即stirpat模型由原本的非线性模型转换为线性模型，表达式为：
[0157]
lni＝ln a+b ln p+dln t+f lnj+g ln n+lnε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0158]
最终基于碳排放影响因素，相应获取stirpat模型预测的碳达峰路径，将两者进行汇总分析，以实现碳排放峰值预测。
[0159]
综上，在本实施例中，提出的区域碳达峰的预测方法，通过采用灰色关联分析筛选碳排放影响因素，并通过lmdi对引起碳排放变化的因素进行分解，以基于源头分析影响碳排放的因素，精准提供预测的基础影响因素。同时，通过采用stirpat模型的提高碳达峰预测模型的准确性，使生成的碳排放量预测结果准确性也有所提高。
[0160]
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

技术特征：
1.一种区域碳达峰的预测方法，其特征在于，包括以下步骤：s1：收集待测区域历年数据，所述历年数据包括经济增长数据和能源消耗数据；s2：根据所述能源消耗数据计算得到待测区域的碳排放总量；s3：采用灰色关联度分析筛选碳排放的影响因素；s4：采用lmdi(平均迪氏分解法)对引起碳排放的各项所述影响因素进行分解,并分析各所述影响因素对碳排放量的变动效应和贡献度；s5：针对各所述影响因素的多种情景组合，分别采用经岭回归优化训练后的stirpat模型(可拓展随机性环境影响评估模型)，搭建碳达峰预测模型，对未来碳排放趋势进行情景预测。2.根据权利要求1所述的区域碳达峰的预测方法，其特征在于，在步骤s1中，所述历年数据的收集步骤如下：s1.1：统计待测区域内历年的区域人口总数、城镇人口总数和生产总值；s1.2：通过对所述区域人口总数、城镇人口总数和生产总值的整合处理，计算得出待测区域对应的经费投入强度q和城镇化率j：区域对应的经费投入强度q和城镇化率j：其中：q表示经费投入强度；g
q
表示经费支出；g表示区域生产总值gdp；j表示城镇化率；p
c
表示城镇人口总数；p表示区域人口总数。3.根据权利要求2所述的区域碳达峰的预测方法，其特征在于，在步骤s2中，采用ipcc换算方法根据待测区域历史的所述能源消耗数据中能源消费总量计算得到碳排放总量，且所述能源消费总量所消费的能源包括化石燃料、外购电力及外购热力。4.根据权利要求3所述的区域碳达峰的预测方法，其特征在于，所述ipcc换算方法的计算步骤如下：s2.1：计算所述碳排放总量c中的化石燃料的碳排放量c1，即化石燃料的碳排放量由不同种类的化石燃料的消费量乘以对应的碳排放系数可得；同种类的化石燃料的消费量乘以对应的碳排放系数可得；其中：c1表示化石燃料的碳排放量；fc
i
表示第i种化石燃料的消耗量；ncv
i
表示第i种化石燃料的平均低位发热量；ef
i
表示第i种化石燃料的二氧化碳排放因子；cc
i
表示第i种化石燃料的单位热值含碳量；of
i
表示第i种化石燃料的碳氧化率；s2.2：计算所述碳排放总量c中的外购电力及外购热力的碳排放量c2，即外购电力及外购热力的碳排放量由外购电力及外购热力各自的消费量乘以各自对应的电力排放因子和热力排放因子可得；c2＝dl
×
ef
dl
+rl
×
ef
rl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中：c2表示外购电力及热力的碳排放量；dl表示外购电力的电量；ef
dl
表示外购电力的二氧化碳排放因子；rl表示外购热力的热量；ef
rl
表示外购热力的二氧化碳排放因子；
s2.3：计算所述碳排放总量c，即碳排放总量由所述化石燃料的碳排放量加上所述外购电力及外购热力的排放量可得；c＝c1+c2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中：c表示待测区域历史的碳排放总量。5.根据权利要求3所述的区域碳达峰的预测方法，其特征在于，在步骤s5中，基于区域人口总数、富裕程度、技术水平、城镇化率和能源结构5个所述影响因素进行碳排放预测研究，所述影响因素的选取如下：区域人口总数采用地区常住人口进行量化；富裕程度采用地区人均生产总值gdp进行量化；技术水平采用技术相关表征数据进行量化；城镇化率采用地区城镇常住人口与地区常住人口的比值衡量；能源结构采用化石燃料的消费量与能源消费总量的比值衡量。6.根据权利要求5所述的区域碳达峰的预测方法，其特征在于，在步骤s5中，所述stirpat模型的表达式为：i＝ap
b
a
c
t
d
ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)其中：a表示模型常数；p表示区域人口总数；a表示富裕程度；t表示技术水平；n、c和d分别表示为参数p、a和t的回归系数，回归系数表示当参数变化时引起i的变化速率；ε表示随机误差项；基于所述灰色关联度分析的结果和所述lmdi的分解对所述stirpat模型进行扩展，则扩展stirpat模型的表达式为：i＝ap
b
a
c
t
d
j
f
n
g
ε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)其中：j表示城镇化率；n表示能源结构；f和g分别表示为参数j和n的回归系数；将所述stirpat模型由非线性模型转换为线性模型，表达式为：ln i＝ln a+b ln p+dln t+f ln j+g ln n+lnε
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)。7.根据权利要求1所述的区域碳达峰的预测方法，其特征在于，在步骤s3中，所述灰色关联度分析为通过计算自变量与因变量之间几何形状的相似程度来判断其联系的紧密程度，包括以下步骤：s3.1：根据需求确定所述灰色关联度分析的自变量序列y和因变量序列x：y＝[y(1),y(2)
…
,y(n)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中：y表示自变量序列；x表示因变量序列；l表示样本个数；n为特征个数；s3.2：对各因变量序列中的数据x
i
k进行均值化处理，计算得出均值k进行均值化处理，计算得出均值
其中：x
i
k表示因变量序列的数值；表示因变量序列的均值；表示因变量序列第i个样本的均值；x
i
(k)表示因变量序列第i个样本、第k个特征的数值；s3.3：求解自变量y(k)与均值化处理后的因变量x
i
(k)之间的灰色关联系数μ
i
；其中：y(k)表示自变量序列第k个特征的数值；表示因变量序列第i个样本、第k个特征的均值；μ
i
表示自变量与均值化处理后的因变量之间灰色关联系数的数值；η为分辨系数，取值范围为0.1～0.5；s3.4：计算各因变量序列所有灰色关联系数的平均值，可得灰色关联度r
i
：其中：r
i
表示灰色关联度的数值；μ
i
(k)表示第k个特征的自变量与均值化处理后的因变量之间灰色关联系数的数值。8.根据权利要求1所述的区域碳达峰的预测方法，其特征在于，在步骤s4中，将kaya恒等式用于分解引起碳排放的各项所述影响因素，步骤如下：s4.1：基于碳排放总量、能源消费总量、生产总值和区域人口总数对碳排放影响因素进行分解，则kaya恒等式表示为：其中：c表示碳排放总量；e表示能源消费总量；表示碳排放强度；g表示区域生产总值gdp；表示单位生产总值的能源消耗水平；p表示区域人口总数；表示区域人均生产总值gdp；s4.2：在kaya恒等式的基础上进行扩展，即在kaya恒等式的基础上将碳排放分为不同种类能源的碳排放量，并加入各种能源的消费量，则扩展kaya恒等式表示为：其中：c
m
为第m种能源的碳排放量；e
m
为第m种能源的消费量；由于式(13-1)中影响因素具有以下等式定义：α表示区域能源强度，即单位生产总值的能源消耗水平；β表示区域经济水平，即区域人均生产总值gdp；δ
m
表示能源碳排放系数，即第m种能源消费的碳排放量；ρ
m
表示能源占比，即第m种能源消费量在总消费量中的占比；则式(13-1)的改写表示为：c＝αβp∑
m
δ
m
ρ
m
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13-2)
s4.3：将扩展kaya恒等式应用于lmdi加法模型中，对引起碳排放的各项所述影响因素进行分解，表达式为：δc＝c
t-c0＝δc
δ
+δc
ρ
+δc
α
+δc
β
+δc
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)(14)(14)(14)(14)其中：δc表示历年碳排放分解累计总效应；c
t
表示第t年的碳排放量；c0表示基准年的碳排放量；δc
δ
表示能源碳排放强度引起的碳排放量变化；δc
ρ
表示能源占比结构引起的碳排放量变化；δc
α
表示能源强度引起的碳排放量变化；δc
β
表示区域经济水平引起的碳排放量变化；δc
p
表示区域人口总数引起的碳排放量变化。

技术总结
本发明提出一种区域碳达峰的预测方法，包括以下步骤：S1：收集待测区域历年数据，所述历年数据包括经济增长数据和能源消耗数据；S2：根据所述能源消耗数据计算得到待测区域的碳排放总量；S3：采用灰色关联度分析筛选碳排放的影响因素；S4：采用LMDI对引起碳排放的各项所述影响因素进行分解,并分析各所述影响因素对碳排放量的变动效应和贡献度；S5：搭建碳达峰预测模型，对未来碳排放趋势进行情景预测。在本申请中,由于通过采用灰色关联度分析筛选碳排放影响因素，基于源头分析影响碳排放的因素，精准提供预测的基础影响因素，并采用STIRPAT模型的提高碳达峰预测模型的准确性，使生成的碳排放量预测结果准确性也有所提高。使生成的碳排放量预测结果准确性也有所提高。使生成的碳排放量预测结果准确性也有所提高。


技术研发人员：沈豪 钱惠国
受保护的技术使用者：上海应用技术大学
技术研发日：2023.05.31
技术公布日：2023/8/31