基于工业园区的电碳模型研究.docxVIP

技术路线

研究目标是办公楼这类建筑的碳排放月度预测，碳排放来源主要是电力消耗，而办公楼的电力消耗可大致分为固定用电和非固定用电。固定用电包括建筑照明、办公设备、办公设施等用电，非固定用电主要包括空调和暖通设备，与季节变化关系密切。因此，对于固定用电可以用STL分解出来的趋势项来拟合预测，而对于空调等用电，引入冷却度日（CoolingDegreeDays，CDD）对STL分解出来的季节项进行回归分析。

冷却度日是一个用来衡量气候炎热程度的指标，特别用于评估需要使用空调来降低室内温度的程度。冷却度日是通过计算每天的平均温度与某个基准温度之间的差异，并将正差值累加而得出的。一般来说，基准温度是人们认为需要使用空调的温度阈值，单位为摄氏度或华氏度。

计算冷却度日的步骤如下：

a.确定基准温度：选择一个温度阈值，通常为室内舒适温度以上的温度，例如摄氏度为24℃。

b.计算每天的冷却度日：对于每一天的平均温度，将其与基准温度进行比较。如果平均温度高于基准温度，则将两者之差作为当天的冷却度日值。如果平均温度低于或等于基准温度，则冷却度日值为零。

c.累加冷却度日：将每天的冷却度日值累加，得到某一特定时间段内的总冷却度日数。

冷却度日通常用于评估某地区的夏季炎热程度，预测和计量空调的使用需求。较高的冷却度日数表示夏季气温较高且较长，需要更多空调使用，而较低的冷却度日数则表示气候较为温和。

综上所述，电碳模型构建技术路线如图1所示。

模型构建

?STL原理

STL是一种用于将时间序列分解为趋势、季节和残差三部分的算法。通过鲁棒局部加权回归（Loess），STL可以对时间序列进行平滑处理，迅速识别出长时间序列中的趋势和季节成分。具体来说，STL将原始时间序列Yv分解为趋势量Tv、季节量Sv、残差量Rv，即：

Yv?=Tv?+Sv?+Rv

STL能够处理任意季节性的时间序列，并且季节成分的分解尺度可以随时间变化进行调整。STL分解主要包括两个部分：外循环和内循环。内循环的任务是去除趋势并对子序列进行低通量过滤，从而获得季节成分和残差成分。以下是内循环的详细步骤：

a.设为第k-1次内循环结束时的趋势和季节成分，初始时。

b.去趋势，从时间序列中去除上次迭代的趋势成分，初始时。

c.Loess回归：对每个子序列进行Loess回归，前后各延长一个循环周期，使用平滑参数为n(s)，平滑结果记为。

d.低通量过滤：对步骤c中的平滑结果依次做长度为n(p)、n(p)和3的滑动平均，再进行参数为n(l)的Loess回归，得到长度为N的序列。

e.去除季节趋势，计算新的季节成分。

f.去季节成分：从时间序列中去除新的季节成分。

g.趋势平滑，对步骤f得到的序列进行Loess回归，得到新的趋势成分。如果收敛，输出结果；否则返回b继续迭代。

外循环的主要任务是计算内循环中所需的鲁棒性权重，然后将其用于内循环中进行运算。具体步骤如下：

a.计算鲁棒性权重;

b.进入内循环，执行以下步骤：①去趋势；②Loess回归处理；③低通量过滤；④去除平滑季节趋势；⑤去季节成分；⑥趋势平滑。

?线性回归

线性回归是一个统计方法，描述了自变量与因变量之间的某种线性关系。它假设自变量（输入变量）和因变量（输出变量）之间存在线性关系，并通过拟合一条直线来描述这种关系。

在简单线性回归中，只有一个自变量和一个因变量。模型可以表示为：Y=aX+b，其中Y是因变量，X是自变量，a是斜率（表示变量之间的关系强度），b是截距（表示在自变量为零时的因变量值）。线性回归的目标是通过最小化实际观测值与模型预测值之间的误差（通常使用最小二乘法），找到最佳拟合线或超平面。这可以帮助我们理解变量之间的关系、进行预测和推断。

实验结果

图2、图3为该模型的分解结果及拟合效果，其实验数据为某高新园区2021~2022年的月度数据，对碳排放量进行的预测。

分解出来的趋势项是一个简单的直线方程，可对其进行拟合进而预测趋势项。使用模型对测试集的数据进行预测，模型的预测精度MAPE为0.0414。对该高新园区2023年的碳排放预测如图4所示。