基于灰色預測模型的管道公司碳排放峰值預測

摘要：對于我國實現碳達峰碳中和的重大戰略目標來說，油氣管道行業的碳達峰情況至關重要。為了幫助企業研究適用于管道公司的碳減排管控措施，提高碳排放管理水平，完成公司碳達峰目標，采用基于灰色預測—偏最小二乘組合模型對X公司碳排放進行了預測。首先，多種排放因素都會導致碳排放量發生改變，采用偏最小二乘法對影響因素進行回歸建模不僅可以將碳排放量造成影響的因素考慮在內，也可以克服共線性對結果的影響；其次，考慮到時間較遠的數據對結果的影響不大，對每年的數據賦予權重，以提高結果精度；最后，利用建立的基于灰色預測—偏最小二乘組合模型，以X公司2017—2022年的數據為例，對X公司2023—2027年的碳排放量進行了預測。

關鍵詞：油氣管道; 灰色模型; 碳排放; 峰值預測

中圖分類號：TE991.1;N941.5文獻標志碼：A

doi：10.3969/j.issn.16735862.2024.02.006

CUI Song LYU Yan CHEN Lanfeng ZHAO Jie ZHANG Xu MA Qian

（1. College of Physical Science and Technology， Shenyang Normal University， Shenyang 110034， China）

（1. China Petroleum West Pipeline Co.， Ltd.， Urumqi 830000， China; 2. CNPC Research Institute of Safety amp; Environment Technology， Beijing， 102206， China）

Abstract：In order to deal with the global climate change and achieve the major strategic goal of carbon peak carbon neutralization， the carbon peak situation of the oil and gas pipeline industry plays a vital role. In order to help enterprises to study carbon emission reduction control measures applicable to pipeline companies， we improve the level of carbon emission management， and achieve the company carbon peak target. In this paper， the combination model of grey prediction and partial least square is used to predict the carbon emission of X company. A variety of emission factors will lead to changes in carbon emissions. Partial least square method is used to model the influencing factors， taking into account the factors affecting carbon emissions， while overcoming the impact of collinearity on the results. Then， considering that the longtime data has little impact on the results， weight is given to the annual data to improve the accuracy of the results. Finally， using the combination model based on grey prediction and partial least squares and taking the data of X Company from 2017 to 2022 as an example， the carbon emission from 2023 to 2027 is predicted.

Key words：oil and gas pipeline; gray model; carbon emission; peak prediction

我國是碳排放量最大的國家，為了助力國家早日實現“雙碳”目標，作為高碳排放企業，管道公司需完善碳減排管理體系，提高碳減排管控水平，完成碳排放峰值預測。

灰色理論是由鄧聚龍［1］在1982年提出的，該理論的算法僅需少量數據就可以建立模型，在能源、人口、經濟、農業和醫療等多個領域得到了廣泛應用［26］。灰色預測方法基于灰色系統的概念，介于信息完全已知的白色系統和完全不可知的黑色系統之間［7］。灰色理論傾向于從數據出發，對隨機干擾設置較低的權重，強化具有明顯規律性的信息［811］。累加形式是數據生成的主要方法［12］。靳文博等［13］在進一步分析蠟沉積厚度隨時間的變化規律時，建立了新的改進灰色GM（1，1）模型，為蠟沉積厚度的準確預測及管道的安全運行提供了借鑒。李想等［14］基于改進的灰色GM（1，1）預測模型，對動態工況下的激光陀螺儀隨機誤差進行預測，通過預測激光陀螺儀的隨機誤差，為激光陀螺儀的誤差補償提供了依據。

本文把改進的灰色GM（1，1）模型和偏最小二乘法相結合，利用X公司2017—2022年的CO2排放量預測該公司2023—2027年的CO2排放量。

1公司能源發展現狀及趨勢

X公司能源消費主要來自于燃料燃燒和外購電力間接排放，其近5年CO2排放量為400～551wt。2020年，公司CO2排放總量為452wt，其中燃料燃燒排放量為295wt，火炬燃燒排放量為9270t，工藝放空排放量為338 t，凈購入電力排放量為156wt，凈購入熱力排放量為3310t。2021年CO2排放量有所增加，為529wt，較2020年增加了77wt。

2研究方法與結果分析

2.1灰色預測模型

2.1.1傳統灰色GM（1，1）模型

灰色預測模型將預測系統看作隨時間發生波動變化的函數，通過對系統變量之間進行相關性分析確定系統變量在未來發展趨勢上的相似性，并通過對原始數據進行一定的處理，弱化甚至消除原始變量的隨機波動性，使預測結果更加科學、可靠［15］。

2.1.2改進的灰色GM（1，1）模型

本文采用上述2個模型相結合的方法對X公司碳排放量進行預測。通過灰色預測模型對各類影響因素進行模糊預測，同時采用PLS對整體數據庫（包括已知的自變量與因變量）進行回歸方程的建模，以碳排放量為因變量、各類影響因素為自變量，利用模型進行回歸分析，得出自變量與因變量之間的函數關系，將各類影響因素的預測值代入到所建立的回歸方程中，得出未來幾年內的碳排放量。

2.2結果與分析

2.2.1碳排放預測

3結語

本文改進了傳統的灰色預測模型，將灰色預測與PLS相結合構成新的預測模型，引入時間序列權重，使基礎數據的重要性按照年限從遠到近依次以等差序列提高，并基于新模型以X公司2017—2022年CO2排放量為基礎，對該公司2023—2027年的CO2排放量進行了預測，結論如下：

1）化石燃料燃燒碳排放量和凈購入電量隱含碳排放量將逐年升高，而火炬燃燒和油氣儲運業務工藝放空排放量將逐年減少；碳排放總量呈現增加趨勢。

2）X公司的化石燃料燃燒碳排放量占比最大，主要的耗能設備為燃氣輪機壓縮機組。因此，X公司應該進一步深入梳理分析機組效率、輸送溫度、壓比、輸量分配等影響，摸清工藝運行規律并制定對應節能優化措施；開展天然氣管道燃驅與電驅機組用能成本對比分析，優化運行模式和配套用電方案，推進燃驅壓縮機“氣改電”工程研究，積極推廣余熱、余壓利用技術。為了早日實現碳達峰目標，公司應堅定不移地實施綠色低碳轉型與節能減排行動。

參考文獻：

［1］雒興剛，趙子瑄，李晶，等.質量功能展開的量化模型與方法：研究評述及展望［J］.計算機集成制造系統，2023，29（5）：16681683.

［2］WU W，MA X，WANG Y，et al.Predicting China′s energy consumption using a novel grey Riccati model［J］.Appl Soft Comput，2020，95：106555.

［3］GAO H，YAO T，KANG X.Population forecast of Anhui Province based on the GM （1，1） model［J］.Grey Syst，2017，7（1）：1930.

［4］劉震，謝玉梅，黨耀國.基于改進GM（1，1）模型的中國脫貧攻堅進展分析［J］.系統工程理論與實踐，2019，39（10）：24762486.

［5］ZENG B，LI H，MA X.A novel multivariable grey forecasting model and its application in forecasting the grain production in China［J］.Comput Ind Eng，2020，150：106915.

［6］曾波，劉思峰，白云，等.基于灰色系統建模技術的人體疾病早期預測預警研究［J］.中國管理科學，2020，28（1）：144152.

［7］秦玉金，蘇偉偉，姜文忠，等.我國礦井瓦斯涌出量預測技術研究進展及發展方向［J］.煤礦安全，2020，51（10）：5259.

［8］LIU S，YANG Y，XIE N，et al.New progress of grey system theory in the new millennium［J］.Grey Syst 2016，6 （1）：231.

［9］LIU S，YANG Y.Explanati on of terms of grey forecasting models［J］.Grey Syst，2017，7 （1）：123128.

［10］XIE N.A summary of grey forecasting models［J］.Grey Syst，2022，12 （4）：703722.

［11］KHUMAN A S.The similarities and divergences between grey and fuzzy theory［J］.Expert Syst Appl，2021，186：115812.

［12］胡劍波，羅志鵬，李峰.“碳達峰”目標下中國碳排放強度預測［J］.財經科學，2022（2）：89101.

［13］靳文博，秦大鵬，孫辰，等.基于改進GM（1，1）模型的管壁結蠟厚度增長規律研究［J］.安全與環境學報，2021，21（6）：25632570.

［14］李想，汪立新，沈強.基于改進GM（1，1）模型的激光陀螺儀隨機誤差預測［J］.光學學報，2020，40（12）：4249.

［15］劉建勛.基于灰色與偏最小二乘組合模型的我國天然氣需求預測［D］.北京：中國石油大學（北京），2017.

【責任編輯：溫學兵】