基于多元回歸模型電力碳排放預測的應用研究

國網浙江省電力有限公司岱山縣供電公司 鄔岱琦 唐 潔

根據國際能源署的數據，電力行業在2019年全球溫室氣體排放總量中貢獻約45%。二氧化碳是最主要的溫室氣體之一，其排放導致全球氣溫上升，引發極端天氣事件并對環境和人類健康產生負面影響，減少電力行業的碳排放對于應對氣候變化和改善環境質量至關重要[1]。

本文旨在通過建立多元回歸模型，預測電力工程碳排放的變化趨勢，并探討影響碳排放的關鍵因素，為電力工程的碳排放控制和管理提供科學依據。研究結果將有助于優化電力工程的運行策略，減少碳排放，促進能源可持續發展。

1 碳排放與電力行業

1.1 碳排放的定義和影響因素

碳排放是指在能源生產和利用過程中，由于化石燃料的燃燒和工業生產等活動而釋放到大氣中的二氧化碳等溫室氣體。碳排放受到能源消耗、能源結構、工業活動、交通運輸等多種因素的影響。

1.2 電力行業中的碳排放問題

為了實現碳排放減少的目標，電力行業可以采取多種方法，包括促進可再生能源的使用、提高能源效率、推廣電動汽車和實施碳捕集和儲存技術等。這些措施可以減少碳排放量，提高能源的可持續性和安全性。目前，需要進一步研究如何提高碳排放監測效率和數據質量，綜合考慮多種方案并尋求最佳解決方法，以完善碳市場體系。同時，還須關注數據質量保障、模型復雜度和參數調整等問題，以提高預測精確性。未來的研究需要繼續投入更多的力量，以推動電力行業的碳排放減少和可持續發展[2]。

1.3 碳排放減少的重要性

減少碳排放是實現可持續發展的重要目標之一。通過降低碳排放，可以減少溫室氣體的排放量，緩解氣候變化，改善環境質量，并為未來能源供應提供可持續的基礎。

2 多元回歸模型的原理和應用

在電力行業的碳排放預測方面，國內外進行了一些研究。在國內方面，關于電力行業碳排放量預測的研究比較多。其中，時間序列分析方法是一種常用的方法。通過對歷史數據進行分析，建立數學模型來預測未來的碳排放量。長沙理工大學研究者彭舟采用ARIMA 模型和對中國電力產業進行預測，并設計基于VEC 模型與ARIMA 模型的組合預測，求解二次規劃的尋優問題計算得到最優權重，在檢驗數據的擬合度和預測效果上都取得了較好的結果[3]。

河海大學學者運用深入分析自回歸移動平均模型和神經網絡的特性，并在此基礎上建立ARIMA模型和BP 神經網絡組合模型，將碳排放強度的時間序列的數據結構分解為線性和非線性殘差部分，對我國碳排放強度的變化趨勢進行了綜合分析與預測。

南京航空航天大學研究者運用偏最小二乘回歸方法，構建了我國碳排放預測的STIRPAT 模型，并結合擬合模型分析了各因素對碳排放的解釋作用，指明了碳減排應重點關注的因素[4]。

此外，基于機器學習算法的模型也逐漸被引入到電力行業碳排放量預測中，如神經網絡、支持向量機等。這些方法能夠自動地識別出具有預測能力的數據特征，從而提高預測的準確性。同時，還有一些學者采用多元回歸模型，將能源消費結構、經濟增長等因素考慮在內，以提高預測結果的準確性。

在國外方面，電力行業碳排放量預測的研究也十分活躍。不同于國內，一些發達國家的研究更注重模型的復雜性和準確性。Shrestha 等人[5]進行對我國碳排放強度研究，主要對中國等12個亞洲國家碳排放強度影響因素進行分解。Tseng 等人[6]利用ARIMA 與BP 神經網絡模型構成SARIMABP 模型進行季節性時間預測。

需要指出的是，在電力行業碳排放量預測方面，還存在著一些問題。首先，數據質量難以保證；其次，模型復雜度較高，許多參數需要根據實際場景調整，這也增加了模型的不確定性。因此，未來在電力行業碳排放量預測方面，還需要繼續投入更多的研究力量，以提高預測的精確性。目前，在本文的研究中，采用多元回歸的方法。

2.1 多元回歸模型的基本原理

多元回歸模型是一種統計分析方法，用于研究多個自變量與一個因變量之間的關系。通過建立回歸方程，可以預測因變量的值，并分析各個自變量對因變量的影響程度。

2.2 多元回歸模型在碳排放預測中的應用

多元回歸模型在碳排放預測中具有廣泛的應用。通過收集和分析相關數據，建立多元回歸模型，可以預測電力工程碳排放的變化趨勢，并探討影響碳排放的關鍵因素。

2.3 模型選擇和評估方法

在建立多元回歸模型時，需要選擇適當的自變量和因變量，并進行模型的評估和驗證。常用的評估方法包括殘差分析、方差分析和回歸系數的顯著性檢驗等。

3 基于多元回歸模型的電力工程碳排放預測

在電力行業碳排放預測中，電力數據具有重要意義。通過監測和分析電力系統的負荷情況、發電方式和能源結構等因素，可以推算出對應的碳排放量。因此，建立回歸模型來探索電力數據和碳排放的關系，實現“以電測碳”是一種可行的方法（如圖1所示）。

圖1 電力工程碳排放預測模型建立示意圖

基于多元回歸模型的電力工程碳排放預測方法包括數據收集和預處理、變量選擇和特征工程、模型構建和參數估計、模型驗證和預測四個方面（如圖2所示）。

圖2 基于多元回歸模型的電力工程碳排放預測方法流程圖

一是要收集電力工程碳排放和相關因素的數據，并進行數據預處理，包括數據清洗、缺失值處理和異常值檢測等。二是根據碳排放的影響因素，選擇合適的自變量，并進行特征工程，包括變量變換、標準化和降維等。三是建立多元回歸模型，通過最小二乘法估計模型的參數，并進行模型的擬合和優化。四是通過交叉驗證和誤差分析等方法，對模型進行驗證，并進行碳排放的預測和趨勢分析。

基于2007—2019年全國發電量（處理后）的數據，本文使用多元回歸分析方法構建全國電力行業碳排放預測模型，具體建模過程如下。使用MATLAB 繪圖命令將經過預處理的數據繪制，可以看到不同自變量與因變量的變化趨勢與相關性分析吻合。

多元線性回歸是一種廣泛應用于數據分析和機器學習中的統計方法，通過建立多個自變量和一個因變量之間的關系模型來預測未知的因變量值。相比于簡單線性回歸，多元線性回歸可以考慮更多的自變量對因變量的影響。本文僅選取不同能源形式的發電量作為自變量，所選自變量為同一類型，因此采用多元線性回歸模型，公式如下：

經調用MATLAB 中的regress 函數后，得到碳排放量的預測曲線，如圖3所示。

圖3 碳排放量實際量與預測量

多元回歸擬合的碳排放曲線和真實碳排放曲線吻合程度高，表示模型能夠較好地解釋因變量（碳排放）的變化，同時也具有較好的預測能力。由MATLAB 計算的預測曲線系數見表1。

表1 多元線性預測曲線的系數

因為預測曲線函數表達式為：

4 結論與展望

火力發電、風力發電、核能發電、太陽能發電和其他發電方式的碳排放量和發電量之間的相關性因其特點而異。火力發電：主要依賴于化石燃料，如煤炭、天然氣和石油等。其燃燒產生的二氧化碳、一氧化碳等溫室氣體導致較高的碳排放量。火力發電的發電量與燃料供應和市場需求相關，與發電量呈現明顯的正相關性。

風力發電：是一種綠色環保、無污染、安全可靠的發電方式，其碳排放量較低。其發電量與風速和設備質量相關，與發電量呈現明顯的負相關性。

核能發電：以核反應為原理的發電方式，碳排放量較低。然而，核廢料處理和核事故潛在危險等問題使人們對其持謹慎態度。核能發電的發電量通常較穩定，與發電量呈現較弱的負相關性。

太陽能發電：利用太陽能轉化為電能的發電方式，碳排放量較低。但受天氣和光照等因素影響，發電量存在波動。太陽能發電的發電量與季節、時間和地理位置等因素相關，與發電量呈現較弱的負相關性。

其他發電方式：包括水力發電、生物質發電和潮汐能發電等多種形式。這些發電方式的碳排放量和發電量之間的相關性因具體情況而異，但整體上對環境的影響相對較小。

不同類型的能源發電方式與碳排放量之間的相關性取決于能源來源、生產工藝和設備技術等因素。在推進可持續發展和保護環境的過程中，應優先考慮使用低碳排放、高效節能的發電方式。