面向工业园区的碳排放量预测方法及相关设备与流程

1.本技术涉及工业园区规划领域，具体而言，涉及一种面向工业园区的碳排放量预测方法及相关设备。


背景技术：

2.具有关研究表明，工业园区贡献了全国二氧化碳排放的31％，因此工业园区减碳是工业部门实现碳达峰、碳中和的关键。其中，各部门在推动工业园区碳达峰、碳中和的工作中，如何科学施策，合理制定工业园区低碳发展分类指导路线尤为关键。而指定切合实际的低碳政策的前提，就是先结合工业园区实际情况以及产业规划合理预测未来时期的碳排放量。
3.目前，针对工业园区碳排放预测的相关研究较少，碳排放预测方案主要聚焦电网行业，较少聚焦于工业园区。通常，面向电网的碳排法预测方案，主要是基于过去的碳排放量历史数据，采用预测模型、神经网络等来做曲线回归，即该方案是基于时序的碳排放预测方法。
4.上述方案仅仅是通过历史时期的碳排放量来预测未来时期的碳排放量的，根本无法分析工业园区中各因素对碳排放量的影响。工业园区产业链复杂，一般具有中远期的产业集群规划，单纯依赖时序做出的预测，很难反映工业园区实际产业部署进度变化情况下碳排放的实际情况。因此，如何精准有效的预测工业园区的碳排放量，成为亟需解决的问题。


技术实现要素：

5.本技术提供了一种面向工业园区的碳排放量预测方法及相关设备，可以分析得到工业园区中的各影响因素与碳排放量之间的共线性关系，基于各影响因素与碳排放量之间的共线性关系以及各影响因素在未来的变化率，精准可靠的预测未来时期的碳排放量。具体的技术方案如下。
6.第一方面，本技术实施例提供一种面向工业园区的碳排放量预测方法，该预测方法包括：
7.根据工业园区的规划需求，确定与碳排放量相关的多个目标因素变量。
8.根据多个目标因素变量建立参数模型，参数模型用于指示碳排放量与多个目标因素变量之间的函数关系。
9.获取预测时间段内多个目标因素变量中每个目标因素变量对应的变量规划值。
10.根据每个目标因素变量对应的变量规划值和参数模型，确定预测时间段内的碳排放预测量。
11.在一个可选的实施方式中，确定与碳排放量相关的多个目标因素变量，包括：
12.确定与碳排放量相关的多个预选因素变量。
13.获取多个预选因素变量中每个预选因素变量在预设历史时间段内的累计历史变
换量，以及预设历史时间段内的碳排放变换总量。
14.根据每个预选因素变量对应的累计历史变换量和碳排放变换总量，确定每个预选因素变量对应的贡献度。
15.根据每个预选因素变量对应的贡献度，确定多个预选因素变量中的多个目标因素变量。
16.在一个可选的实施方式中，获取多个预选因素变量中每个预选因素变量在预设历史时间段内的累计历史变换量，包括：
17.获取每个预选因素变量在预设历史时间段内的年度历史变换量。
18.根据每个预选因素变量对应的年度历史变换量确定累计历史变换量。
19.确定每个预选因素变量对应的贡献度，包括：
20.计算每个预选因素变量对应的累计历史变换量和碳排放变换总量的比值。
21.在一个可选的实施方式中，根据每个预选因素变量对应的贡献度，确定多个预选因素变量中的多个目标因素变量，包括：
22.当预选因素变量对应的累计历史变换量和碳排放变换总量的比值大于第一预设阈值时，确定预选因素变量为目标因素变量。
23.在一个可选的实施方式中，根据多个目标因素变量建立参数模型，包括：
24.确定多个目标因素变量对应的函数方程式，并获取函数方程式中每个目标因素变量对应的待估参数。
25.根据每个目标因素变量在预设历史时间段内的累计历史变换量和碳排放变换总量，确定待估参数的值。
26.在一个可选的实施方式中，该方法还包括：
27.根据每个目标因素变量在预设历史时间段内的累计历史变换量和碳排放变换总量，确定每个目标因素变量对应的方差膨胀因子。
28.根据每个目标因素变量对应的方差膨胀因子，对函数方程式进行调整。
29.在一个可选的实施方式中，根据每个目标因素变量对应的方差膨胀因子，对函数关系式进行调整，包括：
30.若存在目标因素变量对应的方差膨胀因子小于第二预设阈值时，则在函数方程式中的删除目标因素变量对应的函数项。
31.第二方面，本发明实施例提供一种面向工业园区的碳排放量预测装置，该预测装置包括：
32.确定单元，用于根据工业园区的规划需求，确定与碳排放量相关的多个目标因素变量。
33.建立单元，用于根据多个目标因素变量建立参数模型，参数模型用于指示碳排放量与多个目标因素变量之间的函数关系。
34.获取单元，用于获取预测时间段内多个目标因素变量中每个目标因素变量对应的变量规划值。
35.确定单元，还用于根据每个目标因素变量对应的变量规划值和参数模型，确定预测时间段内的碳排放预测量。
36.在一个可选的实施方式中，确定单元，具体用于确定与碳排放量相关的多个预选
因素变量。
37.获取单元，还用于获取多个预选因素变量中每个预选因素变量在预设历史时间段内的累计历史变换量，以及预设历史时间段内的碳排放变换总量。
38.确定单元，还用于根据每个预选因素变量对应的累计历史变换量和碳排放变换总量，确定每个预选因素变量对应的贡献度。
39.确定单元，具体用于根据每个预选因素变量对应的贡献度，确定多个预选因素变量中的多个目标因素变量。
40.在一个可选的实施方式中，获取单元，具体用于获取每个预选因素变量在预设历史时间段内的年度历史变换量。根据每个预选因素变量对应的年度历史变换量确定累计历史变换量。
41.确定单元，具体用于计算每个预选因素变量对应的累计历史变换量和碳排放变换总量的比值。
42.在一个可选的实施方式中，确定单元，具体用于当预选因素变量对应的累计历史变换量和碳排放变换总量的比值大于第一预设阈值时，确定预选因素变量为目标因素变量。
43.在一个可选的实施方式中，建立单元，具体用于确定多个目标因素变量对应的函数方程式，并获取函数方程式中每个目标因素变量对应的待估参数。根据每个目标因素变量在预设历史时间段内的累计历史变换量和碳排放变换总量，确定待估参数的值。
44.在一个可选的实施方式中，确定单元，还用于根据每个目标因素变量在预设历史时间段内的累计历史变换量和碳排放变换总量，确定每个目标因素变量对应的方差膨胀因子。
45.建立单元，还用于根据每个目标因素变量对应的方差膨胀因子，对函数方程式进行调整。
46.在一个可选的实施方式中，建立单元，具体用于若存在目标因素变量对应的方差膨胀因子小于第二预设阈值时，则在函数方程式中的删除目标因素变量对应的函数项。
47.第三方面，本技术实施例提供一种电子设备，所述电子设备包括：
48.一个或多个处理器；
49.所述处理器与存储装置耦合，所述存储装置用于存储一个或多个程序，
50.当所述一个或多个程序被所述一个或多个处理器执行，使得所述电子设备实现上述第一方面所述的一种面向工业园区的碳排放量预测方法。
51.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述的一种面向工业园区的碳排放量预测方法。
52.第五方面，本技术提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的一种面向工业园区的碳排放量预测方法。
53.由上述内容可知，本技术实施例提供的面向工业园区的碳排放量预测方法，首先需要根据工业园区的规划需求确定与碳排放量相关的多个目标因素变量，然后建立碳排放量与多个目标因素变量之间的函数关系，得到参数模型。这样，在进行工业园区规划时，就
可以将未来时期的每个目标因素变量的变量规划值带入至参数模型中，以预测出未来时期的碳排放预测量。在上述方法中，碳排放量不再基于历史排放数据的时序规律来进行预测，而是需要分析各影响因素(目标因素变量)与碳排放量之间的共线性关系，得到能够充分反应影响碳排放量的内在关联因素的参数模型。这样，就可以根据各影响因素在未来时期的规划值，精准可靠的预测未来时期的碳排放量。以帮助工业园区基于精准的碳排放预测情况来减排方向和量化减排目标，制定有效的节能减排措施，早日实现工业园区碳达峰、碳中和的目标。
附图说明
54.为了更清楚地说明本技术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介绍。显而易见地，下面描述中的附图仅仅是本技术的一些实施例。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，还可以根据这些附图获得其他的附图。
55.图1为本技术实施例所提供的一种面向工业园区的碳排放量预测方法的流程示意图；
56.图2为本技术实施例提供的目标因素变量的确定过程的流程示意图；
57.图3为本技术实施例所提供的一种面向工业园区的碳排放量预测装置的结构示意图；
58.图4为本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
59.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
60.需要说明的是，本技术实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
61.本技术实施例公开了一种面向工业园区的碳排放量预测方法及相关设备，可以分析得到工业园区中的各影响因素与碳排放量之间的共线性关系，基于各影响因素与碳排放量之间的共线性关系以及各影响因素在未来的变化率，精准可靠的预测未来时期的碳排放量。下面对本技术实施例进行详细说明。
62.图1为本技术实施例提供的一种面向工业园区的碳排放量预测方法的流程示意图。如图1所示，该预测方法包括以下步骤：
63.101、根据工业园区的规划需求，确定与碳排放量相关的多个目标因素变量。
64.可以理解的，工业园区中碳的排放量受多种因素影响，比如工业园区的能源消费结构、工业园区的规模、以及工业园区的产能等等。在预测碳排放量时，应该结合各影响因素才能得到更精准可靠的预测值。因此，首先需要根据工业园区的规划需求，确定多个与碳
排放量相关的目标因素变量，然后建立碳排放量与各目标因素变量之间的函数关系。这样，只需知道未来各目标因素变量的变化情况，就能得到未来时期碳的预计排放量。
65.示例性的，可以根据工业园区的产业情况，确定初始的预选因素变量，即可以广泛的选择各类影响因素，然后对各类影响因素进行评估，从预选因素变量中选取出对碳排放量贡献度更高的主要影响因素，将其作为目标因素变量。示例性的，初始的预选因素变量可以是碳排放系数、能源消费结构、能源强度、人均产值、从业人数、装置先进性分布、产品强度分布、工业增加值能耗强度、能源弹性系数、产值耗水量、单位面积产值、节能技改资金投入、产业协同率等，预选因素变量可以根据工业园区产业链的实际情况来进行配置，在此不做限定。
66.102、根据多个目标因素变量建立参数模型。
67.其中，参数模型用于指示碳排放量与多个目标因素变量之间的函数关系。示例性的，可以基于stirpat(stochastic impacts by regression on population,affluence,and technology，可拓展的随机性的环境影响评估模型)来构建碳排放量与多个目标因素变量之间的函数关系。
68.其中，stirpat模型的基本形式为i＝ap
bac
tde。其中，e为随机误差项，i、p、a、t分别表示环境压力、就业规模、经济水平和技术水平，a、b、c、d为待估参数。为了降低模型异方差的影响，两边取对数，则得到：
69.ln(i)＝lna+bln(p)+cln(a)+dln(t)+lne
70.上述公式则是stirpat模型的基本形式。
71.当步骤101得到核心影响因素，即目标因素变量后，就可以对stirpat模型的基本形式进行扩展。具体的，可以将工业园区的碳排放量作为被解释变量，然后引入目标因素变量为解释变量。示例性的，如果确定的目标因素变量为碳排放系数、能源结构、能源强度、碳强度以及从业人数时，得到的stirpat扩展参数模型为：
72.lnc＝a+b
1 ln(t)+b
2 ln(e)+b
3 ln(i)+b
4 ln(p)+b
5 ln(g)+lne
73.其中，c、t、e、i、p、g分别表示碳排放量(t)、碳排放系数(tco2/kg)、能源结构(％)、能源强度(tce/万元)、人均产值(万元/人)、工业园区从业人数(人)。
74.当构建好扩展参数模型后，需要将历史数据带入，即将历史时期的碳排放量、碳排放系数、能源强度、人均产值和工业园区从业人数带入至函数中，计算得到各系数的值，即上述函数关系式中a，b1，b2，b3，b4，b5以及e的值。最终得到c和t、e、i、p及g的函数关系式。示例性的，可以采用岭回归算法来进行参数回归，得到上述函数关系式。
75.其中，岭回归算法是一种专用于共线性数据分析的有偏估计回归方法，其实质就是一种改良的最小二乘估计法。具体的，是通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价来获得更为符合实际、更可靠的回归系数的回归方法。其对病态数据的拟合要强于最小二乘法，可以克服多重共线性对拟合结果造成的影响。在本实施例中，各因素变量之间首先通过多重共线性检查，选出的目标因素变量具有较强的共线性，故可以采用岭回归算法对stirpat扩展参数进行参数回归。
76.示例性的，可以借助spss(statistical product and service solutions，统计产品与服务解决方案)统计分析软件，基于历史碳排放量及各目标因素变量的历史数据，进行岭回归分析，对stirpat扩展参数进行多参数线性回归及岭迹分析，获取各因素参数在岭
迹分析中保持稳定时的stirpat扩展参数(a、b1、b2、b3、b4、b5)。同时，还需要进行显著性(sigf)分析，若各扩展参数sigf值均小于0.01，则表示回归方程结果显著，反之则不显著。如果不显著，那就需要返回步骤101重新筛选新的目标因素变量或者查找数据质量，直至得到显著性较好的回归方程。
77.示例性的，在得到回归方程之后，还可以结合各目标因素变量的历史数据进行模拟计算，然后对比回归方程得到的碳排放量与实际的碳排放量，进行误差分析。若平均误差小于5％，则表明回归方程模拟精确性较高，若大于5％，则表明精确度较低，此时就需要重新调整回归方程，得到精确度更高的回归方程。
78.103、获取预测时间段内多个目标因素变量中每个目标因素变量对应的变量规划值。
79.在得到碳排放量与目标因素变量之间的函数方程式后，当需要对未来时期的碳排放量进行预估时，就需要根据工业园区的规划，得到各目标因素变量的未来的变量规划值。然后将各目标因素的变量规划值带入函数方程式后，就可以得到最终预估的碳排放量。
80.104、根据每个目标因素变量对应的变量规划值和参数模型，确定预测时间段内的碳排放预测量。
81.具体的，根据各影响因素(目标因素变量)在工业园区产业规划中的目标，建立自定义情景设定，然后基于stirpat扩展回归方程，对未来年度的碳排量做出预测。
82.在一个具体的例子中，情景设定表如下：
[0083][0084]
具体的，以历史数据作为基准，根据设定的情景，目标因素变量做变化调整，并将调整后的目标因素变量的变量规划值带入stirpat扩展回归方程，预测出未来时间段的碳排量。这样，就可以根据中长期的情景设定，得到碳排放预测曲线，并根据曲线特征，寻找碳达峰、碳中和时间。同时。也可以根据预测结果，调整情景设定指标，通过碳排放预测结果，验证可以在规定时间下，工业园区能否实现碳达峰、碳中和，辅助工业园区低碳政策规划。
[0085]
本技术实施例提供的面向工业园区的碳排放量预测方法，首先需要根据工业园区的规划需求确定与碳排放量相关的多个目标因素变量，然后建立碳排放量与多个目标因素变量之间的函数关系，得到参数模型。这样，在进行工业园区规划时，就可以将未来时期的每个目标因素变量的变量规划值带入至参数模型中，以预测出未来时期的碳排放预测量。在上述方法中，碳排放量不再基于历史排放数据的时序规律来进行预测，而是需要分析各影响因素(目标因素变量)与碳排放量之间的共线性关系，得到能够充分反应影响碳排放量的内在关联因素的参数模型。这样，就可以根据各影响因素在未来时期的规划值，精准可靠的预测未来时期的碳排放量。以帮助工业园区基于精准的碳排放预测情况来减排方向和量
化减排目标，制定有效的节能减排措施，早日实现工业园区碳达峰、碳中和的目标。
[0086]
基于上述描述，下面对确定与碳排放量相关的多个目标因素变量的过程进行详细的介绍。图2为本技术实施例提供的目标因素变量的确定过程的流程示意图。如图2所示，该过程包括以下步骤：
[0087]
201、确定与碳排放量相关的多个预选因素变量。
[0088]
可以理解的，初始的预选因素变量可以是碳排放系数、能源消费结构、能源强度、人均产值、从业人数、装置先进性分布、产品强度分布、工业增加值能耗强度、能源弹性系数、产值耗水量、单位面积产值、节能技改资金投入、产业协同率等，在此不做限定。
[0089]
具体的，工业园区中总得碳排放量可以根据消耗的煤炭、石油、天然气等其他能源来进行计算。计算公式为：
[0090]
c＝∑
ici
＝∑
iei
*μi[0091]
其中，c为碳排放总量，i为第i种能源，ei为第i种资源的消耗总量，而μi则为第i种能源的碳排放系数。
[0092]
接着，基于工业园区的产业情况，可以对上述公式进行扩展，得到的扩展公式可以为：
[0093][0094]
可以理解的，还可以得到项数更多的扩展公式，在此仅用上述扩展公式为例，在此不做限定。
[0095]
在上述扩展公式中，如果令pl＝p，那么拓展公式就可以转化为：
[0096]
c＝∑
ifi
*esi*ei*ed*pl
[0097]
在上述公式中，fi为每种能源的碳排放系数。esi为第i种能源消耗量与能源消耗总量的比值，即反映的是工业园区的能源消费结构。ei为能源消费总量与工业总产值的比值，反映的是工业园区的能源强度。ed是工业园区的人均产值。pl是工业园区的从业人数。这样，就可以将碳排放量与多个因素变量联系起来，从而得到初始的预选因素变量。
[0098]
202、获取多个预选因素变量中每个预选因素变量在预设历史时间段内的累计历史变换量，以及预设历史时间段内的碳排放变换总量。
[0099]
其中，通过评估各预选因素变量对碳排放量的贡献度，来选择出对碳排放量影响更大的因素变量，来确定最后的函数关系。要评估碳排放量的贡献度，就要根据历史时期的碳排放情况来进行评估。具体的，要获取各预选因素变量来某个历史时间段内的累计历史变换量，以及该历史时间段内的碳排放变换总量。然后再根据两者来评估各预选因素变量的贡献度。
[0100]
其中，碳排放变换总量δc＝c
j-ci，其中，cj是历史时间段第j年统计的碳排放总量，ci是历史时间段第一年统计的碳排放总量。
[0101]
而每个预选因素变量对应的累计历史变换量可以根据每个预选因素变量对应的年度历史变换量累计得到。其中，以能源消费结构esi为例，年度历史变换量：
[0102][0103]
其中，为第m年统计的第i种资源的碳排放量，为第s年统计的第i种资源的碳排放量,其中，第s年是第m年的前一年。而是第m年统计的第i种资源的能源消费结构数值，是第s年统计的第i种资源的能源消费结构数值。可以理解的，其他的预选因素变量的年度历史变换量都可以基于上述公式得到，只需将预选因素变量进行替换即可。
[0104]
203、根据每个预选因素变量对应的累计历史变换量和碳排放变换总量，确定每个预选因素变量对应的贡献度。
[0105]
具体的，在得到每个预选因素变量对应的累计历史变换量和碳排放变换总量后，就可以计算每个预选因素变量对应的累计历史变换量和碳排放变换总量的比值。该比值则反映了每个预选因素变量对碳排放量的贡献度。
[0106]
204、根据每个预选因素变量对应的贡献度，确定多个预选因素变量中的目标因素变量。
[0107]
具体的，当预选因素变量对应的累计历史变换量和碳排放变换总量的比值大于一个预设阈值时，则确定该预选因素变量为目标因素变量。这样就可以去除掉贡献度较小的因素，利用其他主要的因素来预估碳排放量。
[0108]
示例性的，当基于筛选的目标因素变量建立完参数模型后，还需要借助spss统计分析软件，基于历史碳排放量及各目标因素变量的历史数据，利用方差膨胀系数法，对stirpat扩展参数模型中的各目标因素变量进行多重共线性统计，根据各目标因素变量的方差膨胀因子(vif)是否大于10，判断各个目标因素变量之间是否存在多重共线性问题，若大于10，则具备相关性。若小于10，则不具备相关性，此时就需要对该目标因素变量进行剔除，重新筛选新的目标因素变量。
[0109]
上述实施例筛选出重要的因素变量来预估碳排放量，可以大大简化建立参数模型的过程。能够更精确的反应影响碳排放量的内在关联因素的参数模型。这样，就可以根据各影响因素在未来时期的规划值，精准可靠的预测未来时期的碳排放量。
[0110]
基于上述描述，图3为本技术实施例本发明实施例提供一种面向工业园区的碳排放量预测装置，该预测装置包括：
[0111]
确定单元301，用于根据工业园区的规划需求，确定与碳排放量相关的多个目标因素变量。
[0112]
建立单元302，用于根据多个目标因素变量建立参数模型，参数模型用于指示碳排放量与多个目标因素变量之间的函数关系。
[0113]
获取单元303，用于获取预测时间段内多个目标因素变量中每个目标因素变量对应的变量规划值。
[0114]
确定单元301，还用于根据每个目标因素变量对应的变量规划值和参数模型，确定预测时间段内的碳排放预测量。
[0115]
在一个可选的实施方式中，确定单元301，具体用于确定与碳排放量相关的多个预选因素变量。
[0116]
获取单元303，还用于获取多个预选因素变量中每个预选因素变量在预设历史时
间段内的累计历史变换量，以及预设历史时间段内的碳排放变换总量。
[0117]
确定单元301，还用于根据每个预选因素变量对应的累计历史变换量和碳排放变换总量，确定每个预选因素变量对应的贡献度。
[0118]
确定单元301，具体用于根据每个预选因素变量对应的贡献度，确定多个预选因素变量中的多个目标因素变量。
[0119]
在一个可选的实施方式中，获取单元303，具体用于获取每个预选因素变量在预设历史时间段内的年度历史变换量。根据每个预选因素变量对应的年度历史变换量确定累计历史变换量。
[0120]
确定单元301，具体用于计算每个预选因素变量对应的累计历史变换量和碳排放变换总量的比值。
[0121]
在一个可选的实施方式中，确定单元301，具体用于当预选因素变量对应的累计历史变换量和碳排放变换总量的比值大于第一预设阈值时，确定预选因素变量为目标因素变量。
[0122]
在一个可选的实施方式中，建立单元302，具体用于确定多个目标因素变量对应的函数方程式，并获取函数方程式中每个目标因素变量对应的待估参数。根据每个目标因素变量在预设历史时间段内的累计历史变换量和碳排放变换总量，确定待估参数的值。
[0123]
在一个可选的实施方式中，确定单元301，还用于根据每个目标因素变量在预设历史时间段内的累计历史变换量和碳排放变换总量，确定每个目标因素变量对应的方差膨胀因子。
[0124]
建立单元302，还用于根据每个目标因素变量对应的方差膨胀因子，对函数方程式进行调整。
[0125]
在一个可选的实施方式中，建立单元302，具体用于若存在目标因素变量对应的方差膨胀因子小于第二预设阈值时，则在函数方程式中的删除目标因素变量对应的函数项。
[0126]
本技术实施例提供的面向工业园区的碳排放量预测装置，首先需要根据工业园区的规划需求确定与碳排放量相关的多个目标因素变量，然后建立碳排放量与多个目标因素变量之间的函数关系，得到参数模型。这样，在进行工业园区规划时，就可以将未来时期的每个目标因素变量的变量规划值带入至参数模型中，以预测出未来时期的碳排放预测量。在上述方法中，碳排放量不再基于历史排放数据的时序规律来进行预测，而是需要分析各影响因素(目标因素变量)与碳排放量之间的共线性关系，得到能够充分反应影响碳排放量的内在关联因素的参数模型。这样，就可以根据各影响因素在未来时期的规划值，精准可靠的预测未来时期的碳排放量。以帮助工业园区基于精准的碳排放预测情况来减排方向和量化减排目标，制定有效的节能减排措施，早日实现工业园区碳达峰、碳中和的目标。
[0127]
基于上述描述，本技术实施例提供的一种电子设备，请参阅图4，图4为本技术实施例提供的电子设备的一种结构示意图，电子设备1000具体可以表现为虚拟现实vr设备、手机、平板、笔记本电脑、智能穿戴设备、监控数据处理设备或者雷达数据处理设备等，此处不做限定。其中，电子设备1000上可以部署有图3对应实施例中所描述的面向工业园区的碳排放量预测装置，用于实现图1至图2对应实施例中的功能。具体的，电子设备1000包括：接收器1001、发射器1002、处理器1003和存储器1004(其中执行设备1000中的处理器1003的数量可以一个或多个，图4中以一个处理器为例)，其中，处理器1003可以包括应用处理器10031
和通信处理器10032。在本技术的一些实施例中，接收器1001、发射器1002、处理器1003和存储器1004可通过总线或其它方式连接。
[0128]
存储器1004可以包括只读存储器和随机存取存储器，并向处理器1003提供指令和数据。存储器1004的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，nvram)。存储器1004存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。
[0129]
处理器1003控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
[0130]
上述本技术实施例揭示的方法可以应用于处理器1003中，或者由处理器1003实现。处理器1003可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1003中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1003可以是通用处理器、数字信号处理器(digital signal processing，dsp)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1003可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1004，处理器1003读取存储器1004中的信息，结合其硬件完成上述方法的步骤。
[0131]
接收器1001可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1002可用于通过第一接口输出数字或字符信息；发射器1002还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1002还可以包括显示屏等显示设备。
[0132]
本技术实施例中，处理器1003中的应用处理器10031，用于执行图1至图2对应实施例中的一种面向工业园区的碳排放量预测方法。需要说明的是，应用处理器10031执行各个步骤的具体方式，与本技术中图1至图2对应的各个方法实施例基于同一构思，其带来的技术效果与本技术中图1至图2对应的各个方法实施例相同，具体内容可参见本技术前述所示的方法实施例中的叙述，此处不再赘述。
[0133]
本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质包括计算机指令，计算机指令在被处理器执行时用于实现本技术实施例中任意一种面向工业园区的碳排放量预测方法的技术方案。
[0134]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0135]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的
示例。
[0136]
其中，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0137]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本技术所必须的。
[0138]
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0139]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围。

技术特征：
1.一种面向工业园区的碳排放量预测方法，其特征在于，所述预测方法包括：根据所述工业园区的规划需求，确定与碳排放量相关的多个目标因素变量；根据所述多个目标因素变量建立参数模型；所述参数模型用于指示所述碳排放量与所述多个目标因素变量之间的函数关系；获取预测时间段内所述多个目标因素变量中每个目标因素变量对应的变量规划值；根据所述每个目标因素变量对应的变量规划值和所述参数模型，确定所述预测时间段内的碳排放预测量。2.根据权利要求1所述的预测方法，其特征在于，所述确定与碳排放量相关的多个目标因素变量，包括：确定与所述碳排放量相关的多个预选因素变量；获取所述多个预选因素变量中每个预选因素变量在预设历史时间段内的累计历史变换量，以及所述预设历史时间段内的碳排放变换总量；根据所述每个预选因素变量对应的所述累计历史变换量和所述碳排放变换总量，确定所述每个预选因素变量对应的贡献度；根据所述每个预选因素变量对应的贡献度，确定所述多个预选因素变量中的所述多个目标因素变量。3.根据权利要求2所述的预测方法，其特征在于，所述获取所述多个预选因素变量中每个预选因素变量在预设历史时间段内的累计历史变换量，包括：获取所述每个预选因素变量在所述预设历史时间段内的年度历史变换量；根据所述每个预选因素变量对应的年度历史变换量确定所述累计历史变换量；所述确定所述每个预选因素变量对应的贡献度，包括：计算所述每个预选因素变量对应的所述累计历史变换量和所述碳排放变换总量的比值。4.根据权利要求3所述的预测方法，其特征在于，所述根据所述每个预选因素变量对应的贡献度，确定所述多个预选因素变量中的所述多个目标因素变量，包括：当所述预选因素变量对应的所述累计历史变换量和所述碳排放变换总量的比值大于第一预设阈值时，确定所述预选因素变量为所述目标因素变量。5.根据权利要求2至4任一项所述的方法，其特征在于，所述根据所述多个目标因素变量建立参数模型，包括：确定所述多个目标因素变量对应的函数方程式，并获取所述函数方程式中每个目标因素变量对应的待估参数；根据所述每个目标因素变量在所述预设历史时间段内的累计历史变换量和所述碳排放变换总量，确定所述待估参数的值。6.根据权利要求5所述的方法，奇特在于，所述方法还包括：根据所述每个目标因素变量在所述预设历史时间段内的累计历史变换量和所述碳排放变换总量，确定所述每个目标因素变量对应的方差膨胀因子；根据所述每个目标因素变量对应的方差膨胀因子，对所述函数方程式进行调整。7.根据权利要求6所述的方法，其特征在于，所述根据所述每个目标因素变量对应的方差膨胀因子，对所述函数关系式进行调整，包括：
若存在目标因素变量对应的方差膨胀因子小于第二预设阈值时，则在所述函数方程式中的删除所述目标因素变量对应的函数项。8.一种面向工业园区的碳排放量预测装置，其特征在于，所述预测装置包括：确定单元，用于根据工业园区的规划需求，确定与碳排放量相关的多个目标因素变量；建立单元，用于根据所述多个目标因素变量建立参数模型；所述参数模型用于指示所述碳排放量与所述多个目标因素变量之间的函数关系；获取单元，用于获取预测时间段内所述多个目标因素变量中每个目标因素变量对应的变量规划值；所述确定单元，还用于根据所述每个目标因素变量对应的变量规划值和所述参数模型，确定所述预测时间段内的碳排放预测量。9.根据权利要求8所述的预测模型，其特征在于，所述确定单元，具体用于确定与所述碳排放量相关的多个预选因素变量；所述获取单元，还用于获取所述多个预选因素变量中每个预选因素变量在预设历史时间段内的累计历史变换量，以及所述预设历史时间段内的碳排放变换总量；所述确定单元，还用于根据所述每个预选因素变量对应的所述累计历史变换量和所述碳排放变换总量，确定所述每个预选因素变量对应的贡献度；所述确定单元，具体用于根据所述每个预选因素变量对应的贡献度，确定所述多个预选因素变量中的所述多个目标因素变量。10.根据权利要求9所述的预测装置，其特征在于，所述获取单元，具体用于获取所述每个预选因素变量在所述预设历史时间段内的年度历史变换量；根据所述每个预选因素变量对应的年度历史变换量确定所述累计历史变换量；所述确定单元，具体用于计算所述每个预选因素变量对应的所述累计历史变换量和所述碳排放变换总量的比值。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的面向工业园区的碳排放量预测方法。12.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；所述处理器与存储装置耦合，所述存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述电子设备实现如权利要求1至7中任一项所述的面向工业园区的碳排放量预测方法。

技术总结
本申请实施例公开一种面向工业园区的碳排放量预测方法及相关设备，包括：根据工业园区的规划需求，确定与碳排放量相关的多个目标因素变量。根据多个目标因素变量建立参数模型，其中，参数模型用于指示碳排放量与多个目标因素变量之间的函数关系。获取预测时间段内多个目标因素变量中每个目标因素变量对应的变量规划值。根据每个目标因素变量对应的变量规划值和参数模型，确定预测时间段内的碳排放预测量。本申请实施例可以基于各影响因素与碳排放量之间的共线性关系以及各影响因素在未来的变化率，精准可靠的预测未来时期的碳排放量。量。量。


技术研发人员：王冉 方舟 刘健华 彭佳丽 张志强 王健 吴峰 赵庆 李沛旺 孙光辉
受保护的技术使用者：清云智通（北京）科技有限公司
技术研发日：2023.04.07
技术公布日：2023/7/20