第43卷第5期2022年5月电力建设ElectricPowerConstructionVol.43No.5May2022http：//www．cepc．com．cn基金项目：国家自然科学基金项目（71774054）中国火电行业多模型碳达峰情景预测张金良，贾凡（华北电力大学经济与管理学院，北京市102206）摘要：随着2030年碳达峰目标的提出，能源行业中火电行业的碳达峰情况备受瞩目。文章首先根据Kaya恒等式的扩展，分析得到影响碳排放的主要因素：人口、经济、产业结构、能源消费强度以及消费结构；其次，以2000—2018年数据为基础分别建立线性回归、径向基函数（radialbasisfunction，ＲBF）神经网络、差分自回归移动平均（autoregressiveintegratedmovingaverage，AＲIMA）以及BP神经网络模型，对比得到最优的预测模型；最后，基于最优模型在基准发展、产业优化、技术突破、低碳发展这4种不同发展情景下对2021—2050年碳排放量进行预测，然后在此基础上对碳达峰情况进行分析。结果表明：低碳发展情景的碳达峰时间最早且峰值最低，是中国火电行业实现碳排放达峰的首选发展模式，为推动火电行业尽快实现较低的碳排放峰值提供借鉴。关键词：碳达峰预测；情景分析；线性回归；差分自回归移动平均（AＲIMA）；神经网络Multi－modelCarbonPeakScenarioPredictionforThermalPowerIndustryinChinaZHANGJinliang，JIAFan（SchoolofEconomicsandManagement，NorthChinaElectricPowerUniversity，Beijing102206，China）ABSTＲACT：Withthegoalofcarbonpeakingin2030，thecarbonpeakofthermalpowerindustryintheenergyindustryhasattractedmuchattention．Inthispaper，firstly，accordingtotheextensionofKaya＇sconstantequation，themainfactorsaffectingcarbonemissionsareanalyzedandobtained：population，economy，industrialstructure，energyconsumptionintensityandenergyconsumptionstructure．Secondly，linearregression，ＲBFneuralnetwork，AＲIMAandBPneuralnetworkmodelsareestablishedaccordingtodatafrom2000to2018，togettheoptimalpredictionmodelsbycomparison．Finally，onthebasisoftheoptimalmodel，carbonemissionsfrom2021to2050arepredictedunderfourdifferentdevelopmentscenarios：baselinedevelopment，industrialoptimization，technologicalbreakthrough，andlow-carbondevelopment，andthencarbonpeaksituationisanalyzedonthisbasis．Theresultsshowthatithastheearliestpeaktimeandlowestpeakvalueinthelow-carbondevelopmentscenario，whichisthepreferredmodetoachievepeakcarbonemissionsinChina＇sthermalpowerindustry，andprovidesareferenceforpromotingthethermalpowerindustrytoachievelowerpeakcarbonemissionsassoonaspossible．ThisworkissupportedbyNationalNaturalScienceFoundationofChina（No.71774054）．KEYWOＲDS：carbonpeakforecast；scenarioanalysis；linearregressionmodel；autoregressiveintegratedmovingaverage（AＲIMA）；neuralnetwork中图分类号：TM61；X22文献标志码：A文章编号：1000－7229（2022）05－0018－11DOI：10.12204/j．issn.1000－7229.2022.05.0030引言碳峰值目标是指中国承诺到2030年二氧化碳排放总量不再增加，并且保证达到峰值后逐步减少。碳中和目标是指中国到2060年实现二氧化碳“零排放”的目标，即企业或者个人生产的二氧化碳总排放量可以由植树造林，节能减排抵消。而今中国的碳排放现状却不容乐观，2019年，全国碳排放总量约105亿t，其中能源行业约98亿t，占碳排放总量的87%。因此，要达到碳排放达峰的目标水平，首当其冲的应该是能源行业碳排放达到峰值。2021年3月，全球能源互联网发展合作组织发布了《中国2030年前碳达峰研究报告》，该报告显示，在能源活动方面，火电行业（能源生产和转化）占碳排放总量的47%；从能源类型看，发电和供热排放占碳排放总量第5期张金良，等：中国火电行业多模型碳达峰情景预测http：//www．cepc．com．cn的44%，其中煤炭、石油和天然气在终端燃烧的排放分别占35%、15%和6%。考虑到当前的能源活动占比，能源行业的碳达峰又绝大部分取决于火电行业的碳达峰。目前火电行业属于消耗化石能源的主要行业，也就是排放二氧化碳气体最多的行业之一。其中占比最重的化石能源是煤、石油、天然气。随着碳达峰碳中和战略决策的提出，火电行业在未来的定位发展已逐渐明晰，其需要通过推动产业转型升级，推动技术发展，加速技术现代化水平，以及加快调整能源结构，促进化石能源生产消费革命，以可再生能源为主的其他绿色能源代替电力生产，满足能源的电力要求，降低对煤炭、石油、天然气等化石能源的依赖。因此，为了碳达峰碳中和目标的实现，研究和预测火电行业二氧化碳排放量以及确定碳达峰时间和峰值是亟待解决的重要问题。目前，国内外学者对于二氧化碳排放预测问题进行了一定的研究，本文主要与以下3类文献具有较大的相关性。第1类是侧重于二氧化碳排放量影响因素提取方法的研究。Cansino等人2016年通过结构分解方法分析了1995—2009年西班牙二氧化碳排放量变化的影响因素，并实现了碳排放量的预测［1］。Nie等人2016年利用结构分解模型解释了中国在1997—2010期间能源行业的二氧化碳排放量急剧变化现象的缘由［2］。张帅利用Kaya算法的修正推导了可能影响中国碳排放达峰的一些因素，并建立了碳排放达峰路径体系［3］。谢娇艳采用对数平均迪氏指数（logarithmicmeandivisiaindex，LMDI）因素分解法定量分析确定了影响重庆市公共建筑碳排放量的主要因素，包括区域总人口、城镇化率、GDP、产业结构和终端用能设备的能耗强度和用能水平［4］。刘凯诚等人通过Kaya恒等式分析构建了碳排放达峰路径模型体系，得到了影响碳排放的最相关因素为人均GDP、产业结构、人口因素和碳排放强度［5］。汪中华和于孟君利用广义迪氏指数分解方法研究了影响石化行业二氧化碳排放量的重要因素有投资、经济产出、能源消费碳强度、能源强度和投资效率［6］。刘彦迪应用广义迪氏指数对中国东部、中部、东北部和西部四大区域二氧化碳影响因素的贡献进行分析，发现在所预测的最优情景下，对碳排放变动有较大的贡献的仅有经济规模和单位产值低碳度［7］。陈军华和李乔楚测算了四川省2000—2018年20种主要能源消费的碳排放量，运用LMDI分解法探索得到能源结构、能源强度、产业结构和经济与人口是影响碳排放的主要因素［8］。第2类侧重于碳达峰预测模型的研究。毕莹等人通过STIＲPAT拓展模型得到影响辽宁省碳排放的因素，基于此建立回归预测情景模型［9］。赵亚涛等人以国民生产总值和人口作为影响因素，建立我国煤电行业电力消费的多元线性回归预测模型，并运用情景分析方法探究2018—2030年二氧化碳排放总量［10］。段福梅建立了以城市化率、人均国内生产总值、研发强度、能源结构、人口、能源强度为影响因素的基于粒子群优化的BP神经网络模型，同时预测了在8种发展情景下中国的二氧化碳排放峰值［11］。王勇等人运用广义迪氏指数方法得到了从2005—2016年影响五大交通运输方式碳排放的因素，然后应用蒙特卡洛模拟模型对未来2017—2030年的碳排放量进行动态情景模拟分析［12］。丁甜甜以递阶LMDI法分解出影响电力碳排放的9个因素，以此对各种情景下电力碳达峰值进行STIＲPAT建模预测分析［13］。张静亚等人分析了安徽省的能源消耗结构、碳排放强度对碳排放量的影响，并对十三五后期碳排放量建立AＲIMA模型进行预测［14］。胡振等人基于西安城市家庭消费入户调查数据，建立了BP神经网络算法碳排放量预测模型，并证实了模型的有效性［15］。赵金元等人以钢铁企业二氧化碳排放为研究对象，分别建立线性回归和BP神经网络预测模型进行对比，最终发现BP神经网络预测模型精度更高［16］。唐祎祺通过构建扩展的STIＲPAT模型深入探究了驱动中国30省区碳排放的经济社会因素，并结合情景分析模拟了2016—2045年的碳排放变化趋势［17］。赫永达等人采用基于宏观经济指标的混频数据预测模型进行预测，分析了未来二氧化碳排放总量及结构［18］。潘栋等人运用STIＲPAT模型研究和预测各种情景下的二氧化碳排放量，并在此基础上考察东部地区碳排放量达峰的可能性［19］。第3类是针对情景预测的研究，未来的发展是瞬息万变的，具有多种可能性，而情景分析方法可以通过考虑不确定因素的影响，并设定各影响因素未来发展的不同速率，提高预测的准确性。傅京燕以广东省火电行业为研究对象，使用双对数回归方法，预测了未来6种经济发展和能源消耗情景下的碳达峰时间和总量［20］。Wakiyama等运用情景分析模拟法探索了日本建筑行业从2016—2030年的电力消费引起的碳排放量，基于此提出减少排放的措施［21］。Mirzaei等应用系统动力学的方法研究了伊朗2015—2025年在设置的不同情景下的二氧化碳排放量［22］。刘凯诚等人在碳减排的约束条件下构建了我国6种经济人口情景模式下电力行业电力需求预测分析模型，基于此进行了二氧化碳排放经济效益分析［23］。91电力建设第43卷http：//www．cepc．com．cn当下对二氧化碳排放达峰预测的研究中，对于研究对象来说，多是宏观的研究主体，比如国家、省市等，很少聚焦于某个行业；对于影响因素的选取，人口、GDP等单一因素的选择较多，未全面考虑多维度影响因素；另外预测也多聚焦于单一模型，未进行多预测模型的对比。为进一步实现碳达峰目标，本文以中国火电行业为研究对象，考虑人口规模、经济发展、产业结构、能源强度和能源结构等多方面影响因素，利用线性回归、径向基函数（radialbasisfunction，ＲBF）神经网络、差分自回归移动平均（autoregressiveintegratedmovingaverage，AＲIMA）、BP神经网络4种方法分别构建二氧化碳排放预测模型，找出最优的模型，并应用最优预测模型对未来不同情景模式进行碳排放量的预测，分析碳排放达峰时间与总量。3影响因素1989年，Kaya在IPCC研讨会上提出了Kaya恒等式，目前，对影响二氧化碳排放因素的研究大多通过Kaya恒等式建立因素分解模型，其表达了二氧化碳排放是由能源消费碳强度、能源强度、经济产出、人口等其他因素综合作用的结果，该恒等式被广泛用于二氧化碳排放等环境问题的解决中，其基本方程如下所示：C=CE×EG×GP×P（1）式中：C表示我国火电行业的二氧化碳排放总量；E表示火电行业的能源消费总量；G表示国内生产总值；P表示人口规模总数。由于Kaya恒等式具有良好的开放性和拓展性，本文对Kaya恒等式进行扩展分解，基于火电行业的实际情况将不同能源种类消费进行细化（火电行业目前主要化石能源包括煤、石油、天然气），扩展后的Kaya恒等式如下所示：C=∑3i=1Ci=∑3i=1CiEi×EiE×EG1×G1G×GP×P（2）式中：Ci为第i类能源的碳排放总量，i=1，2，3表示不同能源种类，分别是煤、石油、天然气；Ei为第i类能源的消耗总量；G1为火电生产总值。将式（2）进一步简化，即可得到：C=∑3i=1Mi×Ni×S×T×Ｒ×P（3）式中：Mi为火电行业消费第i类能源时产生的二氧化碳排放量与能源消费量之比，一般被称为碳排放系数；Ni为火电行业第i类能源消费量与行业能源消费总量之比，表示能源消费结构；S为火电行业能源消费总量与行业生产总值之比，表示能源消费强度；T为火电行业生产总值与各行业生产总值之比，表示产业结构；Ｒ为国内生产总值与人口总量之比，表示经济发展程度。基于Kaya扩展恒等式的分析，本文选取了5个影响火电行业碳排放水平的因素，如表1所示。表1变量符号表Table1Variablesymboltable1.1人口规模人口规模是影响二氧化碳排放水平的一个至关重要的因素，有两个主要原理：一方面，人口数量增加，电力需求量也会随之增加，进而增加电力碳排放量；另一方面，人口组成结构的改变也会影响二氧化碳排放，随着中国人口结构从金字塔迅速进入纺锤形状态，中国老龄化现象逐渐严重，由于老年人的电力需求小于年轻人，因此人口老龄化后的电力需求变小，从而产生的二氧化碳排放也变少。1.2经济产出目前我国经济发展还无法完全脱离化石能源，经济的增长在所难免地会增加碳排放量。经济发展是影响火电行业二氧化碳排放量不可或缺的因素。首先，国家经济的发展为火电行业的发展奠定了经济基础；除此之外，经济发展需要电力行业的支撑，电力是经济发展最重要的保障。为了简化研究，本文仅引入国内生产总值这一变量。1.3产业结构经济增长对碳排放量的影响与不同经济发展阶段息息相关，不同的经济发展阶段有不同的产业结构。经济发展的初期，农业在产业结构中比重较大，对电力的需求较低，碳排放量相对较低；经济发展中期，工业是重要的组成部分，由此增加了对电力的需求，经济增长伴随着二氧化碳的大量排放。经济发展后期，产业结构不断优化，碳排放量相应减少。因此，产业结构也是影响二氧化碳排放的一个必不可少因素，本文选用电力产业所在的第二产业增加值和所有生产总值，得到产业占比值。T=G2G1+G2+G3（4）02第5期张金良，等：中国火电行业多模型碳达峰情景预测http：//www．cepc．com．cn式中：G1为第一产业的生产总值；G2为第二产业的生产总值；G3为第三产业的生产总值。1.4能源消费强度能源消费强度反映了电力生产技术与电力公司能源结构的关联，也就是生产单位电力所需要的能源。对于火电行业来说，能源消费强度直接代表其电力生产的技术水平。能源消费强度较低，表明其单位产出的二氧化碳排放量也较低。因此，能源消费强度与二氧化碳排放量为正相关关系。S=EW1（5）式中：W1表示火电行业发电总量。1.5能源消费结构火电行业发电时消耗化石能源以外的绿色能源的比例越高，消耗单位能源产生的碳排放量就越低。为此，国家对能源行业实施了一系列低碳政策，如确定产品能效、补贴节能产品、宣传节能减排、节能产品公共采购等，但是这些政策对于模型很难量化。因此，本文以火电行业绿色能源发电占发电总量的比重作为衡量国家对火电行业碳排放干预程度的衡量标准。该比重越高，国家对绿色能源发电的支持力度就越高，电力生产的碳排放量就越低。因此，能源消费结构与碳排放量是负相关关系。N=W－W1W（6）式中：W表示电力行业发电总量。2模型方法2.1线性回归预测模型多元线性回归是用于研究多个自变量和因变量之间线性关系的模型。为了直观地得到因变量与因子之间的关系，最简单有效的方法是使用线性回归模型，这样就可以得到回归线性方程。多元线性回归是多元统计分析的重要方法，普遍用于社会、经济、技术和许多自然科学研究领域。回归模型的一般形式为：yhg=λ1xhg1+λ2xhg2+…+λkxhgk+λ0+ε（7）式中：λ0为常数项；λ1，λ2，…，λk为xhg1，xhg2，…，xhgk的对应回归系数；ε为随机误差，且服从N（0，σ2）。最小二乘法的误差平方和为：Q=∑ni=1（yhg－λ0－λ1xhgi1－…－λkxhgik）2（8）当误差平方和最小时，求对应回归系数的估计量，代入式（7）得预测方程为：y∧hg=λ∧1xhg1+λ∧2xhg2+…+λ∧kxhgk+λ∧0（9）2.2ＲBF神经网络预测模型近年来，人工神经网络成为主流的机器学习算法之一。人工神经网络由相互连接的神经元组成，每个神经元接收前一级神经元发送的信息，并通过非线性变换将接收到的信息传递出去。神经网络可以通过不断训练，来逼近复杂的相关关系，在模式识别、函数逼近、分类预测等方面有着广泛的应用［24］。ＲBF神经网络具有特殊的网络结构，它利用径向基函数处理来自神经元的信息，对非连续非线性变化具有较好的逼近效果。ＲBF神经网络的结构如图1所示。图1ＲBF神经网络结构Fig.1ＲBFneuralnetworkstructureＲBF神经网络由输入层m、隐藏层h、输出层y组成。ＲBF神经网络的隐藏层的非线性变换函数是径向基函数，即：hj（x）=φ‖x－cj‖h()j（10）式中：j=1，2，…，l；φ为径向基函数，其主要参数有函数中心cj、半径hj和隐藏层权值ωj。在输出层，ＲBF网络通过线性变换获得输出：f（m）=ω0+∑lj=1ωjh（m）（11）在确定函数中心时，使用k均值法，即：ck=1kk∑Mm∈ckMm（12）式中：kk是参与训练或测试的样本总数。当类中心的变化小于预设的常数时，聚类停止。在确定基函数半径时，文中选择固定的函数半径。其确定方法如下：r=dmax■s（13）式中：dmax是确定的函数中心间的最大距离；s是网络中的隐藏节点。ＲBF网络权值的确定也可以是基于梯度下降法进行误差的反向传播，与传统神经网络中的算法一致。12电力建设第43卷http：//www．cepc．com．cn2.3AＲIMA时间序列预测模型AＲIMA方法是一种应用广泛且非常高效的时间序列预测方法。AＲIMA模型是一种基于自回归模型（AＲ模型）、移动平均模型（MA模型）以及差分运算，使用时间序列数据本身的模型，用于短期预测分析。其使用滞后项和变量本身的随机误差来解释变量，而不是使用外生变量来解释因变量。当数据模式未知时，AＲIMA经常被应用于金融和经济方面进行数据挖掘［25］。其具体形式如下：φ（D）（1－D）dYt=θ（D）βtE（βt）=0，Var（βt）=σ2，E（βt，βs）=0；t≠sE（Yt，βt）=0，∀s＜tφ（D）=1－φ1D－φ2D2－…－φpDpθ（D）=1－θ1D－θ2D2－…－θqDq（14）式中：D是延迟算子；φ（D）是p阶自相关系数多项式；θ（D）是q阶移动平均系数多项式；｛βt｝是白噪声序列。AＲIMA建模包括3个阶段：1）时间序列平稳化。当序列非平稳时，稳态由差分满足。2）AＲIMA模型的识别。模型中的序列p阶由自相关系数决定，q阶由偏自相关系数决定。3）参数估计和模型验证。2.4BP神经网络预测模型BP神经网络是常见的神经网络模型之一，其通过逆向传播算法训练。BP神经网络由输入层、隐含层和输出层组成，如图2所示，训练过程包括前向传播和反向误差传播两个过程。当输出与预期结果不符时，误差信号反向传播，经此反复迭代，最终接近预期结果［26］。图2BP神经网络结构Fig.2BPneuralnetworkstructureBP神经网络模型构建如下：假设有u个训练样本，各有v个指标，那么初始信息化矩阵为：X'=（x'ij）u×v（15）式中：i=1，2，…，u；j=1，2，…，v；x'ij表示第i个训练样本的第j个指标的值。步骤1评价指标的无量纲化。消除各个指标之间的不同量纲：xij=x'ij－minui=1x'ijmaxui=1x'ij－minui=1x'ij（16）得到无量纲化矩阵是：X=（xij）u×v（17）步骤2确定输出层及隐含层。输出层计算为：Z=ψ（∑vj=1ziyj）（18）隐含层计算为：yj=ψ（∑vj=1bijxi）（19）式中：zi为输出层连接权重；bij为隐含层连接权重。激活函数ψ（a）选择sigmoid函数：ψ（a）=11+e－a（20）步骤3网络训练。1）计算网络误差。如果网络输出与期望输出不相同，则存在输出误差：Ai=12（di－oi）（21）网络总误差为：A=12∑ui=1Ai（22）2）各层权值调整。输出层期望输出和实际输出进行比较，得到误差信号δ0，误差信号δ0=（d－o）反传至隐含层，则为δyj，对连接权值进行如下调整：δyj=δ0zjyj（1－yj）（23）zj（t）=zj（t－1）+ηδ0yj+μΔzj（t－1）（24）bij（t）=bij（t－1）+ηδbjxj+μΔbij（t－1）（25）式中：η是学习率，且η∈（0，1）；μ是动量项，且μ∈（0，1）；t表示隐含层。3）输入下个样本，返回1）继续训练。4）全部样本训练结束，当A＜Amin，则整个训练结束。不然将A设置为0，返回1）重新训练［27］。步骤4网络检验。22第5期张金良，等：中国火电行业多模型碳达峰情景预测http：//www．cepc．com．cn使用检验样本进行网络检验。3算例分析3.1数据来源根据上文分析，影响火电行业二氧化碳排放的因素为：人口数量、经济产出、产业结构、能源消费强度、能源消费结构。本文以2000—2018年数据作为参考，考察这5个因素对火电行业二氧化碳排放量变化的贡献情况。每个影响因素详细的计算方式已在上文中给出，所需的数据来源于国家统计局网站的《中国统计年鉴》。3.2碳排放量的测算本文的技术路线图如图3所示。文中的二氧化碳排放量是由各类化石能源的碳排放量总和计算得出的。当今中国80%以上的碳排放量来自化石能源的消耗，由此绝大多数研究都将化石能源的消耗引起的二氧化碳排放量作为实际二氧化碳排放量。能源消耗碳强度表示的是消费单位能源产生二氧化碳排放的程度。鉴于能源质量和燃烧效率在短时间内不会发生明显变化，研究人员在计算二氧化碳排放量时往往应用固定的二氧化碳排放因子。本文将中国火电行业三大主要化石能源（煤、石油、天然气）消耗所排放的二氧化碳作为碳排放总量，即不同类型能源的能耗乘以该类能源的碳排放因子。其计算公式为：C=∑3i=1Ci=∑3iEi×εi×4412（26）图3技术路线图Fig.3Technologyroadmap式中：εi为第i类能源的碳排放系数，εi是由我国热值调整后的IPCC2006中各种能源的二氧化碳排放系数得到的，IPCC中包括各种化石能源二氧化碳排放因子，包括煤炭、石油和天然气的碳排放因子，其中煤的碳排放因子为0.7276，石油的碳排放因子为0.5666，天然气的碳排放因子为0.4367。3.3模型预测对比本节分别采用上述4种方法对火电行业2000—2018年的数据进行训练分析，得到相应的预测模型及预测结果。本文的评价指标有3个MAE（平均绝对误差，用MAE表示）、ＲMSE（均方根误差，用ＲMSE表示）、MAPE（平均绝对百分比误差，用MAPE表示）。MAE是绝对误差的均值，用于反映预测情况和实际情况的差别，该指标越低越好；ＲMSE是均方根误差，可以反映预测模型中的预测情况与实际情况的偏差程度，对于偏离程度很大的值，即使这种值很少，ＲMSE也会变得很差，该指标越低越好；MAPE是将所有误差归一化的平均绝对百分比误差，当MAPE是0表示该模型为理想模型，当MAPE值大于100%表示模型拟合程度较低，不予采纳。各个计算公式如下：MAE=1m∑mi=1y∧yci－ysjiＲMSE=1m∑mi=1y∧yci－ysj()i■2MAPE=100%m∑mi=1y∧yci－ysjiysji（27）式中：y∧yci表示预测值；ysji表示实际值。经过计算，各个模型的预测值如图4所示，预测误差如表2所示，可以明显地看出各模型的优劣度为：ＲBF神经网络模型＜AＲIMA模型＜线性回归模型＜BP神经网络，因此，本文接下来将采用BP神经网络对未来三十年的碳排放量进行预测，分析碳达峰时间。4情景分析4.1情景设置本部分是应用上文选择的最优模型对未来从2021到2050年的二氧化碳排放量进行预测，并得到达峰时间和达峰峰值。情景分析法首先需要对影响火电行业碳排放预测模型中的人口数、经济产出、产业结构、能源消费强度、能源消费结构这几个影响因素未来的变化率分别设置低、中、高3种值。其中，根据“十四五”规划确定2021—2025年中值各影响因素的变化率。2025年后各影响因素变化率由历史数据趋势以及相关政策决定。根据每个影响因素的中值32电力建设第43卷http：//www．cepc．com．cn图4模型对比图Fig.4Modelcomparisonchart表2预测误差对比表Table2Comparisontableofforecasterror的变化率相应上下波动得到低值和高值。除此之外，本文也考虑新型冠状病毒疫情和经济逆全球化等新形势对各种因素变化率的影响。从长远来看，将影响产业结构，而其他因素受影响较小。因此，根据相关政策和过去的数据趋势，在先前参数的基础上降低了产业结构的变化率。本文根据影响火电行业碳排放的各因素设定的低、中、高3种值，提出了基准发展情景、产业优化情景、技术突破情景、低碳发展情景4种未来发展情景，以下是各种情景设置的基本介绍，表3是不同情景下各因素变化率的设计，表4给出了具体情景设置参数数值。表3情景设置Table3ScenarioSetting表4情景设置参数Table4Scenariosettingparameters%基准发展情景：选取每个影响因素未来变化率的中值。基准发展情景是根据过去火电行业发展的特点，假设当前经济技术环境不变，且政府不会出台新的减排措施，发展的主要驱动力仍然是经济生产，以此推动社会和技术的发展。该基准发展情景是在不42第5期张金良，等：中国火电行业多模型碳达峰情景预测http：//www．cepc．com．cn考虑其他突发因素的情况下，在当前的历史趋势上继续发展的，旨在尽快完成工业化进程，以实现经济中高速发展。产业优化场景：产业结构这一影响因素选择低变化率值，其他的影响因素选择中等变化率值。产业优化情景表示在现有政策的基础上，产业结构进一步优化和现代化。产业结构优化和现代化可以促进国民经济的发展，为中国的可持续发展做出贡献。因此政府会出台产业相关政策，进行产业结构调整，减少第二产业的发展参与度，降低传统产业比重，让高新技术产业和服务业成为主导产业。与基准发展情景相比，第二产业的份额将下降。技术突破情景：能源消费强度取低值，能源消费结构取高值，其他影响因素变化率取中值。“十四五”规划提出，火电行业通过系统设计、技术进步和结构转型，加强科技研发，促进资源循环和高效利用。由于技术的发展，产生单位电所消耗的能源会大大提高，而所耗的能源也会相应增多。本文在基准发展情景的基础上，调整影响因素的变化率，得到能源技术取得进步的情景，称为技术突破情景。低碳发展情景：能源消费结构取低值，其他影响因素取中值。低碳发展情景表示的是火电行业在现有政策基础上，强化能源政策，实施一系列节能减排措施，积极调整发电端能源结构，从而实现低碳排放。因此，该情景下的能源消费结构将低于基准发展情景。同时，该情景是针对现有火电行业能源政策的相关目标建立的，因此需要根据国家政策的时间进行划分。在这种情景下，政府加大了对火电行业节能减排的干预力度。面对政策的制约，火电行业加大优化能源结构、提高能源效率、提高投资效率，逐步向绿色发展迈进。4.2结果分析利用中国火电行业碳排放BP神经网络预测模型可计算出不同情景下2021—2050年碳排放预测值，4种情景下的碳排放达峰预测结果如图5所示，根据预测结果可以看出，火电行业对于不同的情景模式有不同的达峰时间和达峰峰值。对于中国火电行业在4种情景下二氧化碳排放达峰的详细分析如下。首先，在基准发展情景下，中国火电行业的二氧化碳排放量不仅不会在2030年达到峰值，而且还有很大的差距。基准发展情景的所有影响因素都取中值，也就是说没有采取任何减排政策和技术改进。该情境下2045年达到峰值，碳排放峰值为812977万t，显然，这种情景下将无法满足中国2030年前实现最大的碳排放要求，而且还会推迟很长时间。因此，需图5情景预测对比图Fig.5Comparisonchartofscenarioprediction要采取一定的措施来控制影响二氧化碳排放的各种因素的增长速度。其次，在产业优化情景下，2030年中国火电行业碳排放并不会见顶，差距也较大。产业优化情景是通过优化产业结构来降低第二产业份额的发展模式。该模式下在2047年达到峰值，但其最大的碳排放量已经减少到790813万t，显然，单一的产业结构的优化并不能满足中国火电行业2030年前达到碳达峰，比基准模式延迟两年，这一政策的干预产生了一定的效果，但效果并不显著。再次，在技术突破情景下，中国火电行业无法在2030年前及时达到碳排放峰值，在此基础上延迟几年达峰。技术突破情景是一种通过改进能源技术降低能源消耗的发展模式。该情景下将在2038年达到碳达峰，其峰值为810043万t。显然，单一的技术进步也不能满足2030年实现火电行业最大的碳排放，但能源技术的发展和改进也比基准模式更早地达到碳达峰，且峰值也比基准模式低。最后，在低碳发展情景下，中国火电行业到2030年前能够实现碳排放达峰，是火电行业按时碳达峰的最佳发展模式。低碳发展情景是以基准发展情景为基础，改变能源消费结构，向绿色能源倾斜的情景。该情景下碳达峰将在2028年达到，最大碳排放值为580736万t，比目标提前2年。由于国家低碳政策的实施，严格限制碳排放的数量，该情景的达峰峰值远远低于基准发展情景中的峰值。与此同时，过度的低碳政策虽能实现在2030年前碳达峰的目标，但势必会影响火电行业的经济效益。从以上预测结果的分析可以看出，如果中国火电行业在碳减排达到峰值的过程中，能够适当地控制自身经济发展速度，降低化石能源消费比重，积极扩大对外开放，并通过技术革新等方式降低碳排放总量，同时在不影响经济发展的前提下加快产业结构现代化的调整，实施低碳减排政策，那么火电行业的碳排52电力建设第43卷http：//www．cepc．com．cn放极有可能在2030年前达到比较理想的峰值。5结论与建议本文采用中国火电行业2000—2018年的相关数据，首先，利用Kaya恒等式的扩展，得到了影响火电产业二氧化碳排放的关键因素；然后，基于对二氧化碳排放量产生显著影响的指标，利用线性回归、ＲBF神经网络、AＲIMA时间序列、BP神经网络4种方法分别建立相应的预测模型进行预测，并通过预测误差的对比，找到最优的模型。最后，使用最优的预测模型对未来不同速率发展模式下的4种情景（基准发展情景、产业优化情景、技术突破情景、低碳发展情景）进行碳排放量的预测，得到2019—2050年的预测结果，并对各种情景下的碳排放达峰情况进行了分析，与基准发展情景进行对比。主要得出以下研究结论。1）影响中国火电产业二氧化碳排放的关键因素有5个：人口规模、经济产出、产业结构、能源消费强度和能源消费结构。2）通过对线性回归、ＲBF神经网络、AＲIMA时间序列、BP神经网络4种预测模型的预测结果对比发现，其模型误差：ＲBF神经网络模型＞AＲIMA模型＞线性回归模型＞BP神经网络，因此，BP神经网络预测模型的预测精度更高，视为最优模型，应用于情景分析。3）在所有碳排放达峰情景模式中，与基准发展情景相比较，产业优化情景下虽不能提前达到碳达峰，但降低了碳达峰峰值；技术突破情景比基准发展情景提前几年达到碳达峰，峰值也比其低；相比其他情景，低碳发展情景是唯一能使中国火电行业实现2030年前碳排放达峰目标的模式，在该情景下，于2028年实现了碳达峰，且达峰峰值最低。以上研究结论对于制定我国火电行业低碳减排策略，帮助火电行业尽快取得较低的碳达峰峰值，主动响应国家低碳减排的呼吁具有重大参考价值。基于此，本文提出以下几点建议：首先，优化产业结构，鼓励高新技术产业发展。目前第二产业产值约占全部产业总值的50%左右，说明煤、石油等化石能源仍是目前主要能源，而火电行业产电主要通过燃烧使用化石燃料，会向环境中释放大量污染物，如二氧化碳气体。因此，火电行业必须加快产业转型，降低高污染能源在生产中的比重，限制高污染、高能耗、低生产率工厂的盲目扩张，大力发展高新技术，加大对低污染、低能耗、高生产率、高效益工厂的投入，确保在不影响经济发展的前提下完成产业结构转型优化，促进低碳减排政策的顺利实施。同时，稳定经济发展，加快科技进步。火电行业碳排放达峰，要在保证经济产出、能源消费结构、产业结构稳定在合理水平的基础上，兼顾技术的更新换代，减少排放，特别是降低碳排放量。如果忽视技术创新，不仅会延迟火电行业碳排放的达峰时间，而且峰值还会增加。从这个角度来看，国家应该加大资金和人员对技术革新的投入，鼓励各行业科研人员不断努力研究创新，淘汰落后技术，推广新技术。同时，也要加强国际交流合作，积极引进先进理念和技术，尽快应用到本土情形中。最后，发展低碳能源，加快能源消费结构的调整。当前，煤、石油、天然气等化石能源仍是火电行业的主要消耗来源，约占所有能源消费总量的70%。大力使用清洁能源是火电行业碳排放达到峰值的关键措施。因此，火电行业发电应提高利用水能、风能、潮汐能、太阳能等绿色能源和可再生能源的比例，加快可再生能源基础设施建设，促进绿色低碳能源消费结构的发展。与此同时，适当增加使用化石能源的成本，提高资源使用税收标准，建立健全的环境税收制度，以减少中国火电行业无节制使用化石能源，提高绿色可再生能源的市场竞争力。6参考文献［1］CANSINOJM，ＲOMÁNＲ，OＲDÓÑEZM．MaindriversofchangesinCO2emissionsintheSpanisheconomy：Astructuraldecompositionanalysis［J］．EnergyPolicy，2016，89：150-159．［2］NIEHG，KEMPＲ，VIVANCODF，etal．Structuraldecompositionanalysisofenergy-relatedCO2emissionsinChinafrom1997to2010［J］．EnergyEfficiency，2016，9（6）：1351-1367．［3］张帅．中国二氧化碳排放影响因素及低碳经济“脱钩”的分解研究：基于改进的Kaya等式与LMDI分解法［J］．中国物价，2017（6）：74-77．［4］谢娇艳．基于LEAP模型的重庆市公共建筑碳排放达峰及节能减排探讨［D］．重庆：重庆大学，2019．XIEJiaoyan．Discussiononpeakcarbonemissionsandenergysaving-emissionreductionofpublicbuildingsinChongqingbasedonLEAPmodel［D］．Chongqing：ChongqingUniversity，2019．［5］刘铠诚，何桂雄，郭炳庆，等．基于改进KAYA算法的碳排放达峰条件分析和路径水平预测［C］//2019智能电网新技术发展与应用研讨会论文集．北京：中国电力科学研究院，2019．［6］汪中华，于孟君．中国石化行业二氧化碳排放的影响因素分解：基于广义迪氏指数分解法［J］．科技管理研究，2019，39（24）：268-274．WANGZhonghua，YUMengjun．FactordecompositionofaffectingcarbondioxideemissionsinChina＇spetrochemicalindustry：Basedongeneralizeddivisiaindexmethod［J］．ScienceandTechnology62第5期张金良，等：中国火电行业多模型碳达峰情景预测http：//www．cepc．com．cnManagementＲesearch，2019，39（24）：268-274．［7］刘彦迪．2030年中国碳排放达峰区域性预测与影响因素分析［D］．济南：山东大学，2020．LIUYandi．ＲegionalforecastofChina＇scarbonemissionpeakin2030andanalysisofinfluencingfactors［D］．Jinan：ShandongUniversity，2020．［8］陈军华，李乔楚．成渝双城经济圈建设背景下四川省能源消费碳排放影响因素研究：基于LMDI模型视角［J］．生态经济，2021，37（12）：30-36．CHENJunhua，LIQiaochu．ＲesearchontheinfluencingfactorsofenergyconsumptioncarbonemissioninSichuanProvinceunderthebackgroundoftheconstructionofChengdu-Chongqingdoublecityeconomiccircle：FromtheperspectiveofLMDImethod［J］．EcologicalEconomy，2021，37（12）：30-36．［9］毕莹，杨方白．辽宁省碳排放影响因素分析及达峰情景预测［J］．东北财经大学学报，2017（4）：91-97．BIYing，YANGFangbai．AnanalysisoninfluencingfactorsandpeakscenariopredictionofcarbonemissioninLiaoningProvince［J］．JournalofDongbeiUniversityofFinanceandEconomics，2017（4）：91-97．［10］赵亚涛，南新元，贾爱迪．基于情景分析法的煤电行业碳排放峰值预测［J］．环境工程，2018，36（12）：177-181．ZHAOYatao，NANXinyuan，JIAAidi．Predictionofcarbonemissionpeakincoal-firedpowerindustrybasedonscenarioanalysis［J］．EnvironmentalEngineering，2018，36（12）：177-181．［11］段福梅．中国二氧化碳排放峰值的情景预测及达峰特征：基于粒子群优化算法的BP神经网络分析［J］．东北财经大学学报，2018（5）：19-27．DUANFumei．ScenarioprognosticsandcharacteristicsofChina＇scarbondioxideemissionspeak：ABPneuralnetworkanalysisbasedonparticleswarmoptimization［J］．JournalofDongbeiUniversityofFinanceandEconomics，2018（5）：19-27．［12］王勇，韩舒婉，李嘉源，等．五大交通运输方式碳达峰的经验分解与情景预测：以东北三省为例［J］．资源科学，2019，41（10）：1824-1836．WANGYong，HANShuwan，LIJiayuan，etal．Empiricaldecompositionandforecastofpeakcarbonemissionsoffivemajortransportationmodes：TakingthethreeprovincesinNortheastChinaasexamples［J］．ＲesourcesScience，2019，41（10）：1824-1836．［13］丁甜甜，李玮．经济增长与减排视角下电力行业碳峰值预测［J］．科技管理研究，2019，39（18）：246-253．DINGTiantian，LIWei．Peakforecastofcarbonemissionsinthepowerindustryfromtheperspectiveofeconomicgrowthandemissionreduction［J］．ScienceandTechnologyManagementＲesearch，2019，39（18）：246-253．［14］张静亚，李停停，游晓慧．安徽省二氧化碳排放量预测分析———基于AＲIMA模型［J］．科技经济导刊，2020，28（25）：1-3．［15］胡振，龚薛，刘华．基于BP模型的西部城市家庭消费碳排放预测研究：以西安市为例［J］．干旱区资源与环境，2020，34（7）：82-89．HUZhen，GONGXue，LIUHua．PredictionofhouseholdconsumptioncarbonemissioninwesterncitiesbasedonBPmodel：CaseofXi＇anCity［J］．JournalofAridLandＲesourcesandEnvironment，2020，34（7）：82-89．［16］赵金元，马振，唐海亮．BP神经网络和多元线性回归模型对碳排放预测的比较［J］．科技和产业，2020，20（11）：172-176．ZHAOJinyuan，MAZhen，TANGHailiang．ComparisonofBPneuralnetworkandmultiplelinearregressionmodelsforcarbonemissionsprediction［J］．ScienceTechnologyandIndustry，2020，20（11）：172-176．［17］唐祎祺．中国及各省区能源碳排放达峰路径分析［D］．杭州：浙江大学，2020．TANGYiqi．Analysisofthepathwaystopeakenergy-relatedcarbonemissionsinChinaanditsprovinces［D］．Hangzhou：ZhejiangUniversity，2020．［18］赫永达，文红，孙传旺．“十四五”期间我国碳排放总量及其结构预测：基于混频数据ADL-MIDAS模型［J］．经济问题，2021（4）：31-40．HEYongda，WENHong，SUNChuanwang．ForecastingChina＇stotalcarbonemissionanditsstructureinthe14thfive-yearplan：Basedonmixed-frequencyADL-MIDASmodel［J］．OnEconomicProblems，2021（4）：31-40．［19］潘栋，李楠，李锋，等．基于能源碳排放预测的中国东部地区达峰策略制定［J］．环境科学学报，2021，41（3）：1142-1152．PANDong，LINan，LIFeng，etal．MitigationstrategyofEasternChinabasedonenergy-sourcecarbonemissionestimation［J］．ActaScientiaeCircumstantiae，2021，41（3）：1142-1152．［20］傅京燕，徐淑华，代玉婷．广东省火电行业碳排放与峰值预测［J］．中国能源，2016，38（11）：41-47．FUJingyan，XUShuhua，DAIYuting．CarbonemissionanditspeakpredictionofthermalpowerindustryinGuangdongProvince［J］．EnergyofChina，2016，38（11）：41-47．［21］WAKIYAMAT，KUＲAMOCHIT．ScenarioanalysisofenergysavingandCO2emissionsreductionpotentialstoratchetupJapanesemitigationtargetin2030intheresidentialsector［J］．EnergyPolicy，2017，103：1-15．［22］MIＲZAEIM，BEKＲIM．EnergyconsumptionandCO2emissionsinIran，2025［J］．EnvironmentalＲesearch，2017，154：345-351．［23］刘铠诚，何桂雄，王珺瑶，等．电力行业实现2030年碳减排目标的路径选择及经济效益分析［J］．节能技术，2018，36（3）：263-269．LIUKaicheng，HEGuixiong，WANGJunyao，etal．LowcarbonplanningandeconomicanalysisforChina＇spowersectortowards2030［J］．EnergyConservationTechnology，2018，36（3）：263-269．［24］张晓瑞，方创琳，王振波，等．基于ＲBF神经网络的城市建成区面积预测研究：兼与BP神经网络和线性回归对比分析［J］．长江流域资源与环境，2013，22（6）：691-697．ZHANGXiaorui，FANGChuanglin，WANGZhenbo，etal．72电力建设第43卷http：//www．cepc．com．cnPredictionofurbanbuilt-upareabasedonrbfneuralnetwork—comparativeanalysiswithBPneuralnetworkandlinearregression［J］．ＲesourcesandEnvironmentintheYangtzeBasin，2013，22（6）：691-697．［25］潘典雅．基于AＲIMA模型的吉林省GDP分析及预测［J］．中国集体经济，2021（27）：15-16．［26］张景阳，潘光友．多元线性回归与BP神经网络预测模型对比与运用研究［J］．昆明理工大学学报（自然科学版），2013，38（6）：61-67．ZHANGJingyang，PANGuangyou．ComparisonandapplicationofmultipleregressionandBPneuralnetworkpredictionmodel［J］．JournalofKunmingUniversityofScienceandTechnology（NaturalScienceEdition），2013，38（6）：61-67．［27］梁恩豪，孙军伟，王延峰．基于自适应樽海鞘算法优化BP的风光互补并网发电功率预测［J］．电力系统保护与控制，2021，49（24）：114-120．LIANGEnhao，SUNJunwei，WANGYanfeng．Windandsolarcomplementarygrid-connectedpowergenerationpredictionbasedonBPoptimizedbyaswarmintelligencealgorithm［J］．PowerSystemProtectionandControl，2021，49（24）：114-120．收稿日期：2021-11-02作者简介：张金良（1981），男，博士后，教授，主要研究方向为电力体制改革、能源经济与气候变化，E-mail：zhangjinliang1213@163．com；贾凡（1999），女，硕士研究生，通信作者，主要研究方向为电力经济、电力市场，E-mail：jiafanjiafanfan@163．com。（编辑刘文莹）82