本发明专利技术涉及碳排放预测技术领域，具体涉及一种面向高耗能工业企业的碳排放量预测方法，包括以下步骤：采集企业历史各期的电量数据、各品类能源消耗数据，以及电力、各类能源的碳排放因子，得到历史各期的碳排放量，并计算各期的电‑碳折算系数；基于时间序列分析法，构建企业电‑碳折算系数预测模型；基于历史各期电量数据，采用灰色预测法、指数平滑法构建方差－协方差组合模型，该组合模型即为电量预测模型；将预测的电‑碳折算系数与预测的电量相乘，得到预测的碳排放量。本发明专利技术，综合形成一种企业碳排放预测模型，对未来期间的企业碳排放具有较好的预测功能，能够有效地提升对企业未来期间碳排放量预测的精确度和可信赖度。
【技术实现步骤摘要】
本专利技术涉及碳排放预测，尤其涉及一种面向高耗能工业企业的碳排放量预测方法。
技术介绍
1、电力、钢铁、造纸、水泥等八大高耗能行业的碳排放占总碳排放的70％左右，我国已于2021年建立了全国碳排放权交易市场，并将火电行业纳入首批交易范围，将逐步纳入其他的高耗能行业，以期通过行政与市场相结合的方式达到降低碳排放量的目的，对于高耗能企业而言，由于其碳排放量很高，由于碳配额交易所带来的成本也很高，准确地预测碳排放量，有助于高耗能企业在碳市场中进行合理决策，降低碳配额购买成本，或通过在合理时段出售富余的碳配额获益。
2、当前的碳配额交易均价不高，较外部碳市场价格有多倍数的上涨空间，企业对于精准的碳预测，从而支撑碳交易决策、降低碳成本的需求将越来越高，目前，已有相关技术开展企业碳排放预测工作，大多采用神经网络模型，包括dbn深度学习模型、bp神经网络模型、issa-lstm模型，公开号为cn202211493787，提出了一种基于bp神经网络模型的能源企业碳排测算与预测方法，用于实现对能源企业的碳排放预测，然而，神经网络模型具有可解释性差、需要样本数据量大、模型稳定性差、数据预处理要求高等弊端，影响了企业碳排放预测的效果。
3、高耗能企业的碳排放量受到多个因素的综合影响，包括企业能源结构、能效水平、工艺特点、生产技术、生产经营状况等，电力是一种高效、便捷、灵活的能源，任何企业、任何建筑和生产设施都离不开电力，电力与企业生产过程有紧密的耦合关系，对于一种特定的工艺流程，其各种能源之间的消耗比例是大致确定的。
<
p>4、因此，可通过电力数据推算其他能源的消耗量，而企业的耗电量通常与企业规模、产能、工艺、工作时间、季节、气象等因素有关，通常具有一定规律可循，所以可以基于电力与其他能源的关系，分析得到电力与碳排的关系，结合用电量的预测数据，进行企业碳排放量的预测。
技术实现思路
1、基于上述目的，本专利技术提供了一种面向高耗能工业企业的碳排放量预测方法。
2、一种面向高耗能工业企业的碳排放量预测方法，包括以下步骤：
3、s1：采集企业历史各期的电量数据、各品类能源消耗数据，以及电力、各类能源的碳排放因子，得到历史各期的碳排放量，并计算各期的综合电-碳折算系数；
4、s2：基于时间序列分析法，构建企业电-碳折算系数预测模型；
5、s3：基于历史各期电量数据，采用灰色预测法、指数平滑法构建方差－协方差组合模型，该组合模型即为电量预测模型；
6、s4：将预测的电-碳折算系数与预测的电量相乘，得到预测的碳排放量。
7、进一步的，所述s1中的历史各期的碳排放量计算如下：
8、采集某高耗能工业企业历史不同时期各能源耗用量和用电量数据；
9、根据不同时期历史能耗、用电数据，构建同时期碳排放模型，测算工业企业不同时期的碳排放计算值：
10、
11、其中coe2,i为工业企业i时期的碳排放量，fi为i时期工业企业识别出第j种非电碳排放能源的耗用量，f外购电，i为i时期工业企业购入电量，efj和ef电分别表示除电力之外的其他能源的碳排放因子和电力的碳排放因子，efj和ef电根据历史实测数据、指南文件中提供的缺省参考值确定。
12、进一步的，所述s1中的综合电-碳折算系数为时序数组efa,i，基于不同时期的历史用电量f外购电，i与碳排放量关系式为：
13、
14、
15、对于时序数组efa,i进行预处理，进行平稳性检验和模型识别和选择处理，所述平稳性检验基于特征根方法：
16、若特征根方程满足：①②|λi|<1(i＝1,2,3,…，p)，则满足平稳性，其中，λi(i＝1,2,3…p)为特征根，若数据不满足平稳性要求，进行一次或多次差分操作，将数据转化成为平稳时间序列数据组，基于时间序列数据组选择分析模型，分析模型包括：自回归模型、滑动平均模型和自回归滑动平均模型；
17、通过选择的分析模型构建s2中的电-碳折算系数预测模型，该模型为以efa,i数据组迭代的eff,t的预测模型。
18、进一步的，所述时间序列数据组通过计算机软件输入，计算efa,i的自相关系数(acf)ρi，和偏自相关系数(pacf)φi；
19、自相关系数计算公式：
20、偏自相关系数计算公式：
21、进而生成对应的acf图和pacf图，根据两图拖尾、截尾状态判断选择对应分析模型，选择包括：
22、若数组acf图为拖尾，pacf图为p阶截尾，则采用自回归模型分析；
23、若数组acf图为p阶截尾，pacf图为拖尾，则采用滑动平均模型分析；
24、若时间序列数据的acf图和pacf图均呈现出拖尾现象时，则采用自回归滑动平均模型进行分析；
25、若原始数据不满足平稳性的要求，经过差分处理后，采用自回归差分移动平均模型进行分析。
26、进一步的，所述电-碳折算系数预测模型根据图形状态选择分析方法，如基于自回归模型分析方法，基于自回归模型模型建立以efa,i数据组迭代的eff,t的预测模型，模型如下：
27、
28、其中，a0为常数，ut为白噪音，ai为自回归系数，eff,t为电碳预测系数，efa,t-i为相对于预测期间的前期历史数据，即efa,i，通过最小二乘法估计法获得最优回归系数，拟合得到电-碳折算系数预测模型eff,t。
29、进一步的，所述s3中的灰色预测法具体包括：
30、s31：获取企业历史p个时期的电量序列
31、其中为第k期的电量；
32、s32：对初始的电量序列进行一次累加，得到生成均值序列
33、
34、
35、s33：生成均值序列：
36、
37、其中α为权重，且0≤α≤1，采用迭代的方式选出首位α值；
38、设αm＝0.1m,1≤m≤10，且m为整数,并设初始值m＝1；
39、s34：建立灰微分方程：
40、
41、利用最小二乘法求得参数a，b的估计值，进而得到电量的预测表达式：
42、记为fm(ec)；
43、s35：计算灰色预测电量预测模型的误差，采用平均绝对百分误差mapem，ec指
44、标进行衡量；
45、s36：令m＝m+1，重复s33-s35，直至mapem，ec≥mapem-1，ec或m＝10，此时输出fm-1(ec)作为灰色预测电量模型结果。
46、进一步的，所述指数平滑法具体包括：
47、s37：基于电量序列，构建平滑序列：
48、sect＝βect+(1-β)sect-1；
49、其中，sect是电量序列在第t期的平滑值，ect是电量序列在第t期的实本文档来自技高网
...
【技术保护点】
1.一种面向高耗能工业企业的碳排放量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述S1中的历史各期的碳排放量计算如下：
3.根据权利要求2所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述S1中的综合电-碳折算系数为时序数组EFa,i，基于不同时期的历史用电量F外购电，i与碳排放量关系式为：
4.根据权利要求3所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述时间序列数据组通过计算机软件输入，计算EFa,i的自相关系数(ACF)ρi，和偏自相关系数(PACF)φi；
5.根据权利要求4所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述电-碳折算系数预测模型基于自回归模型分析方法，基于自回归模型模型建立以EFa,i数据组迭代的EFf,t的预测模型，模型如下：
6.根据权利要求5所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述S3中的灰色预测法具体包括：
7.根据权利要求6所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述指数平滑法具体包括：
8.根据权利要求7所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述构建方差－协方差组合模型具体包括：
9.根据权利要求8所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述S4中预测的碳排放量的计算为：
...
【技术特征摘要】
1.一种面向高耗能工业企业的碳排放量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述s1中的历史各期的碳排放量计算如下：
3.根据权利要求2所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述s1中的综合电-碳折算系数为时序数组efa,i，基于不同时期的历史用电量f外购电，i与碳排放量关系式为：
4.根据权利要求3所述的一种面向高耗能工业企业的碳排放量预测方法，其特征在于，所述时间序列数据组通过计算机软件输入，计算efa,i的自相关系数(acf)ρi，和偏自相关系数(pacf)φi；
5.根据权利要求4所述的一种面向高耗能工...
【专利技术属性】
技术研发人员：于冰，张一弛，贾浩，徐新宇，郝城，马振宇，李修军，唐亮，李长军，刘敦楠，杜熠伯，郝红岩，毕素玲，施应玲，付忠广，
申请(专利权)人：国网新疆电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。