趙金元， 馬 振， 唐海亮

(北京瑞太智聯(lián)技術有限公司， 北京 100102)

經(jīng)濟飛速發(fā)展的同時，對于能源的消耗不斷增加，造成二氧化碳等溫室氣體大量排放，使得大氣中的二氧化碳濃度急劇增加，遠超大自然的吸收能力，使得全球氣候變暖，并逐步發(fā)展成一個日益嚴峻的環(huán)境問題[1]。目前國內外針對溫室氣體的研究主要集中于減排技術，通過建立大量的減排評價模型來研究在各個層面對經(jīng)濟領域的影響，且主要著重于對國家或區(qū)域層面的研究。而針對微觀層面，尤其是鋼鐵企業(yè)，對其碳排放量的預測分析的研究更少，作為一個高耗能、高排放的企業(yè)，預測其生產過程中產生的碳排放量對國家減排目標的實現(xiàn)具有重要意義。構建企業(yè)碳排放預測模型，有助于企業(yè)了解自身碳排放情況，利于企業(yè)積極主動減少碳排放，打造綠色低碳循環(huán)經(jīng)濟。

由能源環(huán)境污染引起的“溫室效應”已使能源碳排放成為社會各界關注的焦點，能耗所產生的環(huán)境污染問題也越來越嚴重[2]。準確對企業(yè)碳排放進行預測是科學制定和完善政策措施的前提，采用合理的模型對鋼鐵企業(yè)碳排放量進行預測，對于制定與完善相關碳減排政策和措施具有重要意義[3]。也可以為我國大氣環(huán)境治理及區(qū)域可持續(xù)發(fā)展提供決策支持[4]。

不同學者從不同角度入手，尋找新的方法建立不同的預測模型，不斷探索與收集對碳排放影響程度最高的指標與數(shù)據(jù)，并不斷對預測方法進行創(chuàng)新和完善，致力于促進碳排放預測模型的發(fā)展。宋杰鯤和張宇[5]在STRIPAT模型的基礎上，運用BP神經(jīng)網(wǎng)絡方法對2010-2015年我國碳排放進行預測。張發(fā)明和王艷旭[6]利用系統(tǒng)聚類對世界碳排放指標進行篩選，運用BP神經(jīng)網(wǎng)絡對世界碳排放量進行預測，為碳排放預測提供了一種新的可供借鑒的方法。於慧琳和肖銘哲[7]提出一種基于灰色神經(jīng)網(wǎng)絡模型的企業(yè)碳排放峰值預測模型，進行企業(yè)碳排放峰值的預測，幫助企業(yè)了解自身碳排放情況，并設計碳排放的減排路徑。馬彩云等[8]以2008-2016年安徽省建筑業(yè)直接碳排放量作為樣本基礎，采用灰色預測模型對安徽建筑業(yè)2017-2021年的直接碳排放量進行預測，發(fā)現(xiàn)其碳排放量呈上升趨勢。利用灰色關聯(lián)分析原理[9]研究發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡模型能很夠好地運用于中國碳排放的預測。提出一種整體自適應神經(jīng)模糊推理系統(tǒng)，以學習預測和分析可再生能源消耗、經(jīng)濟增長和二氧化碳之間的關系，并進行碳排放的預測[10]。使用向量自回歸模型來分析企業(yè)二氧化碳排放量變化的影響因素，確定二氧化碳排放的主要驅動力[11]?；谇榫胺治龅膽?，動態(tài)預測2030年中國PRCI的二氧化碳排放量，為中國實現(xiàn)減排目標提供了參考[12]。Jie Hu等[13]針對鐵礦石燒結，開發(fā)了基于實際運行數(shù)據(jù)的集成預測模型，實現(xiàn)了碳排放的高精度預測，為實際燒結過程中的節(jié)能降耗提供了有效的解決方案。Lu Can, Li Wei和Gao Shu bin[14]采用粒子群優(yōu)化算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型來預測重化工行業(yè)的碳排量。

BP神經(jīng)網(wǎng)絡和多元線性回歸模型均可用于碳排放預測研究，但很難詳細區(qū)別兩者的碳排放預測精度，且碳排放數(shù)據(jù)有限，無法獲取大樣本而不能對碳排放做出精確的預測，根據(jù)小樣本數(shù)據(jù)進行預測就成為一個亟待解決的問題。本文分別建立BP神經(jīng)網(wǎng)絡和多元線性回歸模型對鋼鐵企業(yè)碳排放進行預測分析，通過對神經(jīng)網(wǎng)絡仿真值和回歸方程模擬值進行比較，以期找到一種精確、實用的碳排放預測模型，為工業(yè)化生產提供參考依據(jù)，致力于幫助企業(yè)做好提前的碳排放預測，掌握自身排放情況，能夠更有效的實施溫室氣體減排，將企業(yè)的碳排量控制在國家政策允許的范圍內。

1 方法原理

1.1 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播算法訓練的多層前饋網(wǎng)絡，其原理是輸入學習樣本，通過反向傳播算法對網(wǎng)絡的偏差和權值進行反復的調整訓練，使最終得到的輸出值盡可能與期望值相接近。

BP神經(jīng)網(wǎng)絡模型具有三層或更多層的神經(jīng)網(wǎng)絡，每一層都由若干個神經(jīng)組成，采用最速下降法，通過反向傳播來不斷調整網(wǎng)格的權值和閾值，使網(wǎng)絡的誤差平方和最小。通過這種過程不斷迭代，最后使得信號誤差達到允許的范圍內。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層、隱層和輸出層，其拓撲結構如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡的拓撲結構

1.2 多元線性回歸模型

線性回歸分析是描述一個因變量Y與一個或多個自變量X之間的線性依存關系，用一定的線性擬合因變量和自變量的關系，確定模型參數(shù)來得到回歸方程，并用回歸方程預測因變量的變化趨勢，運用回歸分析方法能夠建立反映具體數(shù)量關系的數(shù)學模型，即回歸模型。

一種現(xiàn)象通常是與多個因素相聯(lián)系的，由多個變量的最優(yōu)組合共同來預測或估計因變量，比只用一個自變量進行預測或估計更有效，更符合實際，自變量主要由實際影響因素決定數(shù)量，方程如下所示：

Yhat=β0+β1X1+β2X2+…+βnXn+e

(1)

上式中：n是解釋變量的個數(shù)；βi是常數(shù)項；β1～βn為回歸系數(shù)；e是誤差項的隨機變量值，是去除n個自變量對Yhat影響后的隨機誤差。

采用最小二乘法對上式中的待估回歸系數(shù)β0，β1，…，βn進行估計，求得β值，便可利用多元線性回歸模型進行預測。

2 碳排放影響因素的確定

2.1 碳排放核算方法

本文主要針對某一鋼鐵企業(yè)進行碳排放的預測，由于缺少大樣本數(shù)據(jù)的支撐，可用于碳排放預測的數(shù)據(jù)較少。碳排放預測模型的預測精度受其影響因素選取的影響，通過分析碳排放計算方法，來確定與碳排放關系密切的影響因素，選用最直接的數(shù)據(jù)量來建立更為準確的預測模型。

采用排放因子來進行碳排放量的計算，排放因子法是由 IPCC(聯(lián)合國氣候變化政府間專家委員會)提出的一種碳排放估算方法，其計算公式為[15]：

E=AD×EF

(2)

上式中：E是溫室氣體排放量；AD是活動數(shù)據(jù)，具體指單個排放源的具體使用總量；EF是排放因子，單位排放源使用量所釋放的溫室氣體數(shù)量。

某企業(yè)的碳排放總量等于企業(yè)邊界內所有的化石燃料燃燒排放量、工業(yè)生產過程排放量及企業(yè)凈購入電力和凈購入熱力隱含產生的碳 排放量之和，還應扣除固碳產品隱含的排放量：

EC=E燃燒+E過程+E電-R固碳產品

(3)

上式中：EC為企業(yè)碳排放總量；E燃燒為企業(yè)所有凈消耗化石燃燒活動產生的碳排放量；E過程為企業(yè)工業(yè)生產過程中產生的碳排放量；E電為企業(yè)凈購入電力和凈購入熱力產生的碳排放量；R固碳產品為企業(yè)固碳產品隱含的碳排放量。

2.2 碳排放影響因素

選取與碳排放關系密切的因素，借助于模型來進行預測，可提高預測精度和實用性。根據(jù)碳排放因子計算企業(yè)碳排，企業(yè)會使用焦炭和電極糊，也會使用半焦、焦沫等來替代焦炭的使用，其計算公式為：

E燃燒=AD焦炭×EF焦炭+AD半焦×EF半焦+AD焦沫×EF焦沫+AD電極糊×EF電極糊

(4)

在生產過程中需要白云石作為溶劑，其產生的碳排放量為：

E過程=AD白云石×EF白云石

(5)

計算使用電量時需除去由企業(yè)自身發(fā)電而產生的用量，即：

E凈購入電=AD凈購入電×EF電

(6)

在實際生產運行中，除了關鍵的生產要素外，還有一些使用量較小的替代的能源物質，但由于物質的種類并不確定，且排放因子也不確定，不適合當作預測模型中的影響因素。因此考慮使用電量、焦炭使用量、電極糊使用量、白云石使用量和固碳產品產量作為企業(yè)碳排放預測的影響因素。

3 預測分析

3.1 現(xiàn)場數(shù)據(jù)

根據(jù)某鋼鐵企業(yè)數(shù)據(jù)匯總表和幾何碳排放核算方法，采用主成分分析的方法，最終選用使用電量、焦炭使用量、電極糊使用量、白云石使用量作為鋼鐵企業(yè)碳排放量預測的影響因素，借此分析各能源用量與碳排放量之間的關系。選用以下26組經(jīng)過預處理的現(xiàn)場數(shù)據(jù)，其中產量、焦炭、電量、電極糊、白云石使用量為輸入數(shù)據(jù)，碳排放量為輸出數(shù)據(jù)，如表1所示。

表1 現(xiàn)場數(shù)據(jù)

根據(jù)企業(yè)提供的現(xiàn)場數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡模型和多元線性回歸分析模型應用到企業(yè)碳排放預測中。

3.2 BP神經(jīng)網(wǎng)絡模型

致力于幫助鋼鐵企業(yè)做好碳排放預測，掌握自身排放情況，能夠更有效的實施溫室氣體減排。以產量、焦炭使用量、電量、電極糊使用量和白云石使用量為輸入?yún)?shù)，碳排放量為輸出參數(shù)，采用BP神經(jīng)網(wǎng)絡模型對鋼鐵企業(yè)碳排放進行預測。

利用訓練好的神經(jīng)網(wǎng)絡模型對試驗結果進行預測，表2為預測模型準確度測試數(shù)據(jù)匯總。

通過對篩選過的訓練數(shù)據(jù)進行整體模型的訓練，訓練完的神經(jīng)網(wǎng)絡模型，再使用測試數(shù)據(jù)進行測試修正。

訓練完成后的神經(jīng)網(wǎng)絡模型，通過7組測試數(shù)據(jù)得到的碳排放預測結果如表3所示。

表2 預測模型準確度數(shù)據(jù)匯總

表3 BP神經(jīng)網(wǎng)絡模型預測結果

從表3中可以看出，經(jīng)過BP神經(jīng)網(wǎng)絡模型得到的碳排放量預測值的相對誤差值均小于5%、平均相對誤差值為2.24%，表明BP神經(jīng)網(wǎng)絡模型在當前數(shù)據(jù)的情況下，對鋼鐵企業(yè)的碳排放預測有相對較高的擬合程度。

3.3 多元線性回歸模型

致力于幫助鋼鐵企業(yè)做好碳排放預測，掌握自身碳排放情況，能夠更有效的實施溫室氣體減排。以產量、焦炭使用量、電量、電極糊使用量和白云石使用量為輸入?yún)?shù)，碳排放量為輸出參數(shù)，采用多元線性回歸模型對鋼鐵企業(yè)碳排放進行預測。表4是使用多元線性回歸模型得到的碳排放預測結果。

表4 多元線性回歸模型預測結果

從表4中可以看出來，由多元線性回歸模型預測的碳排放量整體的誤差值均小于5%、平均相對誤差值為2.60%，整體誤差符合當前的數(shù)據(jù)需求，多元線性回歸模型對于鋼鐵企業(yè)碳排放預測具有較好的擬合性。

3.4 模型對比分析

在通過兩種方法對碳排放量進行預測后，為了選擇更為合適的預測法，將兩種模型的相對誤差值進行對比，如表5所示。

通過對比兩種預測模型的碳排放預測結果，可以看出BP神經(jīng)網(wǎng)絡模型對碳排放進行預測時，預測值的相對誤差值整體上小于多元線性回歸模型。BP神經(jīng)網(wǎng)絡可以處理復雜空間的非線性系統(tǒng)，受樣空間分布影響較小，它通過調整內部的權重來提高網(wǎng)絡優(yōu)化的效果，使得其比多元線性回歸模型在碳排放預測具有更高的精度和應用范圍。有助于幫助企業(yè)掌握自身排放情況，提升企業(yè)在低碳經(jīng)濟下的競爭力。

表5 相對誤差值

4 結論

通過對比分析BP神經(jīng)網(wǎng)絡模型與多元線性回歸分析模型在鋼鐵企業(yè)碳排放預測中的實際應用，得出以下結論：

1)通過建立鋼鐵企業(yè)碳排放的BP神經(jīng)網(wǎng)絡預測模型和多元線性回歸模型，發(fā)現(xiàn)兩種模型均能有效的對碳排放進行預測，相對誤差值均小于5%。

2)由于碳排放的變化趨勢呈現(xiàn)非線性，采用具有很強的非映射能力的BP神經(jīng)網(wǎng)絡模型對碳排放的預測很適合，BP神經(jīng)網(wǎng)絡模型的優(yōu)勢還在于可根據(jù)實際情況靈活設置參數(shù)。