本发明公开一种基于单位关键指标碳排变化量预测的园区碳减排潜力估算方法:采集经典负荷时段园区绿化面积、非化石能源占比、人均GDP、人口、技术水平等数据;用园区绿化面积、非化石能源占比等对STIRPAT模型扩展并分解,结合岭回归算法,得到各单位关键指标碳排变化量的数学模型;用改进STIRPAT模型计算历年碳排放量数据,将采集的关键指标历史数据代入分解后的数学模型,得到历年各单位关键指标碳排变化量;用BP神经网络得到目标年各单位碳排放影响因子所影响的碳排放量的数据的预测值;结合目标年计划中绿化面积、非
1.一种基于单位关键指标碳排变化量预测的园区碳减排潜力估算方法,其特征在于,
S1.采集经典负荷时段的相关数据,包含:园区绿化面积、非化石能源占比、人均GDP、人
S3.利用岭回归算法,对基于园区特点扩展的STIRPAT模型内部的参数进行求解;
S4.结合经典负荷时段采集到的数据,利用S3中的碳排放量模型得到历年的碳排放量
S5.对于求解完参数之后的模型初步进行LDMI分解,得到碳排放量的关键指标分解模
S6.对于分解之后得到的关键指标碳排变化量数学模型进行改写,得到单位关键指标
S7.结合S1中经典负荷时段采集的数据以及S2中的关键指标碳排变化量数学模型,得
S8.利用BP神经网络,得到目标年各单位关键指标碳排变化量的预测值数据;
S9.结合目标年计划中绿化面积、非化石能源占比、人均GDP、人口、技术水平的数据大
小,与基准年的相关数据进行比较,构建目标年与基准年各关键指标碳排变化量数学模型;
S10.对S9中的数学模型进行求和,得到目标年与基准年之间的碳减排潜力估算模型。
2.根据权利要求1所述的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估
式中:C表示园区年碳排放量,P表示人口数量;A表示人均GDP;T表示技术水平;a为常数
项;b、c、d分别为P、A、T的指数项;e为误差项;S表示园区绿色植被总面积,η表示非化石能源
3.根据权利要求1所述的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估
所述步骤S3中,利用岭回归算法对于基于园区特点扩展的STIRPAT模型内部的参数进
行求解;代入典型负荷时段收集到的历年人均GDP、技术水平、人口数量、园区绿色植被总面
积以及非化石能源占比,并进一步用岭回归算法得到各参数的值,并在这一基础上得到历
4.根据权利要求2所述的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估
所述步骤S5中,对于求解完参数之后的模型初步进行LDMI分解,得到碳排放量的关键
对碳排放量一年的变化量进行分析列出上式;式中,ΔC表示一年中园区碳排放量的变
化,ΔC、ΔC、ΔC、ΔC、ΔC分别表示人口、GDP、技术水平、园区绿植面积、非化石能源占
5.根据权利要求4所述的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估
所述步骤S6中,对于分解之后得到的关键指标碳排变化量数学模型进行改写,得到单
式中,p、g、l、m、μ分别表示这一年中单位人口促进的碳排放量、单位人均GDP促进的碳
排放量、单位技术强度促进的碳排放量、单位绿化面积影响的碳排放量、每增加1%的非化
6.根据权利要求5所述的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估
所述步骤S8中,利用BP神经网络得到目标年各单位关键指标碳排变化量的预测值数
式中,n表示神经网络学习迭代的次数,Δω(n)表示第n次迭代权值的变化量,γ表示
学习率,λ表示动量因子,表示误差能量对相关权值的梯度,Δω(n‑1)表示第n‑1次迭
7.根据权利要求6所述的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估
所述步骤S9中,结合目标年计划中人口的数据大小,构建目标年与基准年各关键指标
式中,ΔC为目标年人口影响的碳排放量,P为目标年园区计划达到的人口,P为基准
结合目标年计划中人均GDP的数据大小,构建目标年与基准年各关键指标碳排变化量
式中,ΔC为目标年人均GDP影响的碳排放量,A为目标年园区计划达到的人均GDP,A
为基准年园区的人均GDP,g为预测得到的目标年单位人均GDP碳排放变化量。
8.根据权利要求7所述的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估
所述步骤S9中,结合目标年计划中技术水平的数据大小,构建目标年与基准年各关键
式中,ΔC为目标年技术水平影响的碳排放量,T为目标年园区计划达到的技术水平,
结合目标年计划中绿化面积的数据大小,构建目标年与基准年各关键指标碳排变化量
式中,ΔC为目标年绿化面积影响的碳排放量,S为目标年园区计划达到的绿化面积,
S为基准年园区的绿化面积,m为预测得到的目标年单位绿化面积碳排放变化量。
9.根据权利要求8所述的一种基于单位关键指标碳排变化量预测的碳减排潜力估算方
所述步骤S9中,结合目标年计划中非化石能源占比的数据大小,构建目标年与基准年
式中,ΔC为目标年非化石能源占比影响的碳排放量,η为目标年园区计划达到的非
化石能源占比,η为基准年园区的非化石能源占比,μ为预测得到的目标年每增加1%的非
10.根据权利要求9所述的一种基于单位关键指标碳排变化量预测的碳减排潜力估算
所述步骤S10中,对步骤S9中的数学模型进行求和,得到目标年与基准年之间的碳减排
[0001]本技术涉及到碳排放技术领域,具体涉及一种基于单位关键指标碳排变化量预测
[0002]园区是碳排放的主要来源之一,其碳减排的分解、路径与目标的设置成为了当前
热门的研究方向。在这样的背景下,碳排放关键因子对碳排放影响效果的预测就显得尤为
重要。国内有专家依据IPAT模型与指数分解相结合方法,考虑了GDP的年增长率、人口自然
增长率和能源技术进步率等因素。有专家利用IPAT模型的变形即Kaya模型,通过构造链式
乘积的形式将T中的因素分解出来,发现年GDP增速和年节能率对碳排放影响更大。有专家
将STIRPAT模型通过LMDI分解与Tapio脱钩模型相结合,构建统计回归系数与碳变化量及脱
钩弹性系数之间的数量关系,使其无需增加新变量来满足Kaya恒等式。黄蕊等人利用
STIRPAT模型研究江苏省能源消费碳排放规模影响因素,分析发现人口数量、人均GDP、能源
强度、城镇化水平均为正向影响。有专家提出了生产可能集、距离函数、指数、数据包络分析
[0003]基于上述背景,为深度挖掘各办公园区的碳减排潜力,需要研究一种基于单位关
键指标碳排变化量预测的园区碳减排潜力估算方法,为办公园区未来碳减排策略的规划打
[0004]本发明提供一种基于单位关键指标碳排变化量预测的园区碳减排潜力估算方法,
旨在较为准确地估算目标年完成计划指标时所能达到的碳减排量,为碳减排策略的制定以
[0005]本发明的一种基于单位关键指标碳排变化量预测的园区碳减排潜力估算方法,包
[0006]S1.采集经典负荷时段园区绿化面积、非化石能源占比、人均GDP、人口、技术水平
[0007]S2.利用园区绿化面积、非化石能源占比等关键因素对STIRPAT模型进行扩展。
[0008]S3.利用岭回归算法对于基于园区特点扩展的STIRPAT模型内部的参数进行求解。
[0009]S4.,结合经典负荷时段采集到的数据,利用S3中的碳排放量模型得到历年的碳排
[0010]S5.对于求解完参数之后的模型初步进行LDMI分解,得到碳排放量的关键指标分
[0011]S6.对于分解之后得到的关键指标碳排变化量数学模型进行改写,得到单位关键
[0012]S7.结合S1中经典负荷时段采集的数据以及S2中的关键指标碳排变化量数学模
[0013]S8.利用BP神经网络得到目标年各单位关键指标碳排变化量的预测值数据。
[0014]S9.结合目标年计划中绿化面积、非化石能源占比、人均GDP、人口、技术水平的数
据大小,与基准年的相关数据进行比较,构建目标年与基准年各关键指标碳排变化量数学
[0015]S10.对S9中的数学模型进行求和,得到目标年与基准年之间的碳减排潜力估算模
[0016]所述步骤S2中,对STIRPAT模型利用园区特征因素扩展如下:
[0018]式中:C表示园区年碳排放量,P表示人口数量;A表示人均GDP;T表示技术水平;a为
常数项;b、c、d分别为P、A、T的指数项;e为误差项;S表示园区绿色植被总面积,η表示非化石
[0019]将所有变量进行对数化处理,得到扩展的STIRPAT模型如下:
[0021]其中,所述步骤S3中,利用岭回归算法对于基于园区特点扩展的STIRPAT模型内部
的参数进行求解;代入之前典型负荷时段收集到的历年人均GDP、技术水平、人口数量、园区
绿色植被总面积以及非化石能源占比等数据,并进一步用岭回归算法得到各参数的值,并
[0022]所述步骤S5中,对于求解完参数之后的模型初步进行LDMI分解,得到碳排放量的
[0024]对碳排放量一年的变化量进行分析列出上式。式中,ΔC表示一年中园区碳排放量
的变化,ΔC、ΔC、ΔC、ΔC、ΔC分别表示人口、GDP、技术水平、园区绿植面积、非化石能
[0025]所述步骤S6中,对于分解之后得到的关键指标碳排变化量数学模型进行改写,得
[0026]结合步骤S5中的数学分解模型,可以清晰的得到各关键指标碳排变化量的数学模
型,为了之后的预测,在碳排变化量的基础上除以关键指标的数据大小,以获得各单位关键
指标碳排变化量的数学模型,为之后的预测以及碳减排估算数学模型的建立打下坚实的基
[0032]式中,p、g、l、m、μ分别表示这一年中单位人口促进的碳排放量、单位人均GDP促进
的碳排放量、单位技术强度促进的碳排放量、单位绿化面积影响的碳排放量、每增加1%的
[0033]所述步骤S8中,利用BP神经网络得到目标年各单位关键指标碳排变化量的预测值
[0036]式中,x表示上一层加权后得到的输入值,y表示该隐藏层的输出值。
[0039]式中,n表示神经网络学习迭代的次数,Δω(n)表示第n次迭代权值的变化量,γ
表示学习率,λ表示动量因子,表示误差能量对相关权值的梯度,Δω(n‑1)表示第n‑1
[0040]所述步骤S9中,结合目标年计划中绿化面积、非化石能源占比、人均GDP、人口、技
术水平的数据大小,构建目标年与基准年各关键指标碳排变化量数学模型。具体为:
[0046]式中,ΔC、ΔC、ΔC、ΔC、ΔC分别为目标年人口、人均GDP、技术水平、绿化
面积、非化石能源占比影响的碳排放量,P、A、T、S、η分别为目标年园区计划达到的人口、
人均GDP、技术水平、绿化面积、非化石能源占比,P、A、T、S、η分别为基准年园区的人口、
人均GDP、技术水平、绿化面积、非化石能源占比,p、g、l、m、μ分别为预测得到的目标年单
位人口碳排放变化量、单位人均GDP碳排放变化量、单位技术强度碳排放变化量、单位绿化
[0047]所述步骤S10中,对步骤S9中的数学模型进行求和,得到目标年与基准年之间的碳
[0050]综上所述,本发明所述的方法,提供了一种基于各单位碳排放影响因子对碳排放
影响程度预测的园区碳减排潜力估算模型,能够有效的计算目标年完成计划中的指标时相
[0051]为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本
发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以
[0052]图1是本发明实施例提供的一种基于单位关键指标碳排变化量预测的园区碳减排
[0053]下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完
整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于
本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
[0054]本发明公开一种基于单位关键指标碳排变化量预测的园区碳减排潜力估算方法:
采集经典负荷时段园区绿化面积、非化石能源占比、人均GDP、人口、技术水平等数据;利用
园区绿化面积、非化石能源占比等关键因素对STIRPAT模型进行扩展与分解,结合岭回归算
法,得到各单位关键指标碳排变化量的数学模型;利用改进STIRPAT模型计算历年碳排放量
数据,并将采集的关键指标历史数据代入分解之后得到的数学模型中,得到历年各单位关
键指标碳排变化量的数据;利用BP神经网络得到目标年各单位碳排放影响因子所影响的碳
排放量的数据的预测值;结合目标年计划中绿化面积、非化石能源占比、人均GDP、人口、技
术水平的数据大小,构建碳减排潜力计算模型,从而准确估算目标年完成计划指标时所能
[0055]如图1所示,所述基于单位关键指标碳排变化量预测的园区碳减排潜力估算方法,
[0056]S1.采集经典负荷时段园区绿化面积、非化石能源占比、人均GDP、人口、技术水平
[0057]S2.利用园区绿化面积、非化石能源占比等关键因素对STIRPAT模型进行扩展。
[0058]依据研究园区实际情况,引入其他可以对碳排放量造成影响的因素,构建扩展的
STIRPAT模型,选取园区绿化面积、非化石能源占比作为自变量对STIRPAT模型进行扩展,构
[0060]式中:C表示园区年碳排放量,P表示人口数量;A表示人均GDP;T表示技术水平;a为
常数项;b、c、d分别为P、A、T的指数项;e为误差项;S表示园区绿色植被总面积,η表示非化石
[0061]将所有变量进行对数化处理,得到扩展的STIRPAT模型如下:
[0063]S3.利用岭回归算法对于基于园区特点扩展的STIRPAT模型内部的参数进行求解。
[0064]代入之前典型负荷时段收集到的历年人均GDP、技术水平、人口数量、园区绿色植
被总面积以及非化石能源占比等数据,并进一步用岭回归算法得到各参数的值,并在这一
[0065]S4.结合经典负荷时段采集到的数据,利用S3中的碳排放量模型得到历年的碳排
[0066]S5.对于求解完参数之后的模型初步进行LDMI分解,得到碳排放量的关键指标分
[0067]该模型的主要目的在于表示碳排放量的变化,为之后碳减排模型的推导打下深厚
的基础。将相邻的两年分别作为目标年和基准年,对二者进行作差,并在分式上下同时乘以
两者的对数形式。将碳排放量利用碳排放量估算模型进行替代,同时利用对数函数的性质,
在对数部分实现由乘法向加法的转变,从而实现基于各关键指标对碳变化量的分解。
[0069]对碳排放量一年的变化量进行分析列出上式。式中,ΔC表示一年中园区碳排放量
的变化,ΔC、ΔC、ΔC、ΔC、ΔC分别表示人口、GDP、技术水平、园区绿植面积、非化石能
[0070]S6.对于分解之后得到的关键指标碳排变化量数学模型进行改写,得到单位关键
[0071]结合步骤S5中的数学分解模型,可以清晰的得到各关键指标碳排变化量的数学模
型,为了之后的预测,在碳排变化量的基础上除以关键指标的数据大小,以获得各单位关键
指标碳排变化量的数学模型,为之后的预测以及碳减排估算数学模型的建立打下坚实的基
[0077]S7.结合S1中经典负荷时段采集的数据以及S2中的关键指标碳排变化量数学模
[0078]S8.利用BP神经网络得到目标年各单位关键指标碳排变化量的预测值数据。
[0081]式中,x表示上一层加权后得到的输入值,y表示该隐藏层的输出值。
[0084]式中,n表示神经网络学习迭代的次数,Δω(n)表示第n次迭代权值的变化量,γ
表示学习率,λ表示动量因子,表示误差能量对相关权值的梯度,Δω(n‑1)表示第n‑1
[0085]S9.结合目标年计划中绿化面积、非化石能源占比、人均GDP、人口、技术水平的数
据大小,与基准年的相关数据进行比较,构建目标年与基准年各关键指标碳排变化量数学
[0091]式中,ΔC、ΔC、ΔC、ΔC、ΔC分别为目标年人口、人均GDP、技术水平、绿化
面积、非化石能源占比影响的碳排放量,P、A、T、S、η分别为目标年园区计划达到的人口、
人均GDP、技术水平、绿化面积、非化石能源占比,P、A、T、S、η分别为基准年园区的人口、
人均GDP、技术水平、绿化面积、非化石能源占比,p、g、l、m、μ分别为预测得到的目标年单
位人口碳排放变化量、单位人均GDP碳排放变化量、单位技术强度碳排放变化量、单位绿化
[0092]S10.对S9中的数学模型进行求和,得到目标年与基准年之间的碳减排潜力估算模
[0095]以上实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能
因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,
在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都是属于本发明的保护
2、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问加。
3、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
SAE-China J2206-2013 《汽车热冲压成形用超高强度钢板及钢带》.pdf
标准图集-浙-2001浙S9 室外埋地硬聚氯乙烯排水管道安装图.pdf
《海南省城镇生活垃圾填埋场劳动岗位定员标准(试行)》DBJ13-2009.pdf
HG_T 20645.4-2022 化工装置管道机械设计规定 编制条件内容与深度规定.docx
原创力文档创建于2008年,本站为文档C2C交易模式,即用户上传的文档直接分享给其他用户(可下载、阅读),本站只是中间服务平台,本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方,若您的权利被侵害,请发链接和相关诉求至 电线) ,上传者