基于多元回归模型电力碳排放预测的应用研究

国网浙江省电力有限公司岱山县供电公司 邬岱琦 唐 洁

根据国际能源署的数据，电力行业在2019年全球温室气体排放总量中贡献约45%。二氧化碳是最主要的温室气体之一，其排放导致全球气温上升，引发极端天气事件并对环境和人类健康产生负面影响，减少电力行业的碳排放对于应对气候变化和改善环境质量至关重要[1]。

本文旨在通过建立多元回归模型，预测电力工程碳排放的变化趋势，并探讨影响碳排放的关键因素，为电力工程的碳排放控制和管理提供科学依据。研究结果将有助于优化电力工程的运行策略，减少碳排放，促进能源可持续发展。

1 碳排放与电力行业

1.1 碳排放的定义和影响因素

碳排放是指在能源生产和利用过程中，由于化石燃料的燃烧和工业生产等活动而释放到大气中的二氧化碳等温室气体。碳排放受到能源消耗、能源结构、工业活动、交通运输等多种因素的影响。

1.2 电力行业中的碳排放问题

为了实现碳排放减少的目标，电力行业可以采取多种方法，包括促进可再生能源的使用、提高能源效率、推广电动汽车和实施碳捕集和储存技术等。这些措施可以减少碳排放量，提高能源的可持续性和安全性。目前，需要进一步研究如何提高碳排放监测效率和数据质量，综合考虑多种方案并寻求最佳解决方法，以完善碳市场体系。同时，还须关注数据质量保障、模型复杂度和参数调整等问题，以提高预测精确性。未来的研究需要继续投入更多的力量，以推动电力行业的碳排放减少和可持续发展[2]。

1.3 碳排放减少的重要性

减少碳排放是实现可持续发展的重要目标之一。通过降低碳排放，可以减少温室气体的排放量，缓解气候变化，改善环境质量，并为未来能源供应提供可持续的基础。

2 多元回归模型的原理和应用

在电力行业的碳排放预测方面，国内外进行了一些研究。在国内方面，关于电力行业碳排放量预测的研究比较多。其中，时间序列分析方法是一种常用的方法。通过对历史数据进行分析，建立数学模型来预测未来的碳排放量。长沙理工大学研究者彭舟采用ARIMA 模型和对中国电力产业进行预测，并设计基于VEC 模型与ARIMA 模型的组合预测，求解二次规划的寻优问题计算得到最优权重，在检验数据的拟合度和预测效果上都取得了较好的结果[3]。

河海大学学者运用深入分析自回归移动平均模型和神经网络的特性，并在此基础上建立ARIMA模型和BP 神经网络组合模型，将碳排放强度的时间序列的数据结构分解为线性和非线性残差部分，对我国碳排放强度的变化趋势进行了综合分析与预测。

南京航空航天大学研究者运用偏最小二乘回归方法，构建了我国碳排放预测的STIRPAT 模型，并结合拟合模型分析了各因素对碳排放的解释作用，指明了碳减排应重点关注的因素[4]。

此外，基于机器学习算法的模型也逐渐被引入到电力行业碳排放量预测中，如神经网络、支持向量机等。这些方法能够自动地识别出具有预测能力的数据特征，从而提高预测的准确性。同时，还有一些学者采用多元回归模型，将能源消费结构、经济增长等因素考虑在内，以提高预测结果的准确性。

在国外方面，电力行业碳排放量预测的研究也十分活跃。不同于国内，一些发达国家的研究更注重模型的复杂性和准确性。Shrestha 等人[5]进行对我国碳排放强度研究，主要对中国等12个亚洲国家碳排放强度影响因素进行分解。Tseng 等人[6]利用ARIMA 与BP 神经网络模型构成SARIMABP 模型进行季节性时间预测。

需要指出的是，在电力行业碳排放量预测方面，还存在着一些问题。首先，数据质量难以保证；其次，模型复杂度较高，许多参数需要根据实际场景调整，这也增加了模型的不确定性。因此，未来在电力行业碳排放量预测方面，还需要继续投入更多的研究力量，以提高预测的精确性。目前，在本文的研究中，采用多元回归的方法。

2.1 多元回归模型的基本原理

多元回归模型是一种统计分析方法，用于研究多个自变量与一个因变量之间的关系。通过建立回归方程，可以预测因变量的值，并分析各个自变量对因变量的影响程度。

2.2 多元回归模型在碳排放预测中的应用

多元回归模型在碳排放预测中具有广泛的应用。通过收集和分析相关数据，建立多元回归模型，可以预测电力工程碳排放的变化趋势，并探讨影响碳排放的关键因素。

2.3 模型选择和评估方法

在建立多元回归模型时，需要选择适当的自变量和因变量，并进行模型的评估和验证。常用的评估方法包括残差分析、方差分析和回归系数的显著性检验等。

3 基于多元回归模型的电力工程碳排放预测

在电力行业碳排放预测中，电力数据具有重要意义。通过监测和分析电力系统的负荷情况、发电方式和能源结构等因素，可以推算出对应的碳排放量。因此，建立回归模型来探索电力数据和碳排放的关系，实现“以电测碳”是一种可行的方法（如图1所示）。

图1 电力工程碳排放预测模型建立示意图

基于多元回归模型的电力工程碳排放预测方法包括数据收集和预处理、变量选择和特征工程、模型构建和参数估计、模型验证和预测四个方面（如图2所示）。

图2 基于多元回归模型的电力工程碳排放预测方法流程图

一是要收集电力工程碳排放和相关因素的数据，并进行数据预处理，包括数据清洗、缺失值处理和异常值检测等。二是根据碳排放的影响因素，选择合适的自变量，并进行特征工程，包括变量变换、标准化和降维等。三是建立多元回归模型，通过最小二乘法估计模型的参数，并进行模型的拟合和优化。四是通过交叉验证和误差分析等方法，对模型进行验证，并进行碳排放的预测和趋势分析。

基于2007—2019年全国发电量（处理后）的数据，本文使用多元回归分析方法构建全国电力行业碳排放预测模型，具体建模过程如下。使用MATLAB 绘图命令将经过预处理的数据绘制，可以看到不同自变量与因变量的变化趋势与相关性分析吻合。

多元线性回归是一种广泛应用于数据分析和机器学习中的统计方法，通过建立多个自变量和一个因变量之间的关系模型来预测未知的因变量值。相比于简单线性回归，多元线性回归可以考虑更多的自变量对因变量的影响。本文仅选取不同能源形式的发电量作为自变量，所选自变量为同一类型，因此采用多元线性回归模型，公式如下：

经调用MATLAB 中的regress 函数后，得到碳排放量的预测曲线，如图3所示。

图3 碳排放量实际量与预测量

多元回归拟合的碳排放曲线和真实碳排放曲线吻合程度高，表示模型能够较好地解释因变量（碳排放）的变化，同时也具有较好的预测能力。由MATLAB 计算的预测曲线系数见表1。

表1 多元线性预测曲线的系数

因为预测曲线函数表达式为：

4 结论与展望

火力发电、风力发电、核能发电、太阳能发电和其他发电方式的碳排放量和发电量之间的相关性因其特点而异。火力发电：主要依赖于化石燃料，如煤炭、天然气和石油等。其燃烧产生的二氧化碳、一氧化碳等温室气体导致较高的碳排放量。火力发电的发电量与燃料供应和市场需求相关，与发电量呈现明显的正相关性。

风力发电：是一种绿色环保、无污染、安全可靠的发电方式，其碳排放量较低。其发电量与风速和设备质量相关，与发电量呈现明显的负相关性。

核能发电：以核反应为原理的发电方式，碳排放量较低。然而，核废料处理和核事故潜在危险等问题使人们对其持谨慎态度。核能发电的发电量通常较稳定，与发电量呈现较弱的负相关性。

太阳能发电：利用太阳能转化为电能的发电方式，碳排放量较低。但受天气和光照等因素影响，发电量存在波动。太阳能发电的发电量与季节、时间和地理位置等因素相关，与发电量呈现较弱的负相关性。

其他发电方式：包括水力发电、生物质发电和潮汐能发电等多种形式。这些发电方式的碳排放量和发电量之间的相关性因具体情况而异，但整体上对环境的影响相对较小。

不同类型的能源发电方式与碳排放量之间的相关性取决于能源来源、生产工艺和设备技术等因素。在推进可持续发展和保护环境的过程中，应优先考虑使用低碳排放、高效节能的发电方式。