碳排放约束下的江苏省煤炭消费量预测论文

《碳排放约束下的江苏省煤炭消费量预测论文》由会员分享，可在线阅读，更多相关《碳排放约束下的江苏省煤炭消费量预测论文（30页珍藏版）》请在装配图网上搜索。

1、碳排放约束下的江苏省煤炭消费量预测摘要江苏的经济增长与煤炭资源紧缺的矛盾突出，煤炭资源匮乏而煤炭消费总量逐年增长，煤炭消耗问题成为影响江苏经济发展的重要因素。本文研究了江苏的能源和煤炭的消费情况，利用ARIMA、GM（1，1）、优化模型对江苏未来能源消费情况进行预测及优化，为江苏战略性能源开发提供依据。对于问题一，本文通过数据分析总结出影响煤炭能源消费总量以及第一、二、三产业煤炭消费量的指标，利用matlab求出各指标与各目标的关联度，从而分析得到其相互影响情况。对于问题二，本文首先利用已知数据，采用差分自回归移动平均模型ARIMA(q,d,p)对能源消费结构和江苏GDP进行预测，得到：预测G

2、DP煤炭石油天然气其他201557927.324513.76162.11682.397012.5202065391.434023.58522.12846.711126.4 其次，依据经济绿色发展目标列出优化方程组得到2015年和2020年能源结构的最优解，其中2015年天然气占7%，石油占12%，煤炭占52%，其他占29%时符合目标要求。时最优对于问题三，本文结合节能减排、低碳消耗的理念，利用灰色预测、ARIMA模型对能源消费量和各产业消费量进行预测,结果如下：预测第一产业第二产业第三产业201543.4229286.876.7202033.4137134.7277.36 利用两模型的结构进行

3、发现误差为，说明预测较为准确。对于问题四，本文利用前几问的预测与优化结果，分析数据，对江苏省的能源消费结构、煤炭消费政策、节能减排等方面提出相关建议。关键词：关联度 ARIMA模型 GM（1，1）模型 煤炭消费量 预测优化一、问题重述改革开放以来，中国的经济发展取得了举世瞩目的成就，但是中国经济的高速增长是建立在高投入、高消耗、低效益的粗放型生产方式上，对中国的能源消耗和环境保护产生了巨大的压力。煤炭是我国经济发展不可缺少的基础能源，中国煤炭消费量呈现指数形式增长。为了遏制全球气候变暖，联合国、国际性组织和世界各国政府展开了积极的努力在此背景下，以减少碳排放为核心内容的低碳经济应运而生。我国决

4、定到2020年使单位国内生产总值二氧化碳排放强度在2005年的基础上下降40%45%在第十国新增单位国内生产总值二氧化碳排放降低17%的指标，二氧化碳排放问题已成为我国参与国际竞争中不可回避的问题。2011年12月1日，国务印发了“十二五”控制温室气体排放工作方案的通知，方案对目标任务作了分解，明确了各地区单位生产总值二氧化碳排放下降指标，江苏省的下降目标是19%，略低于广东省的19.5%。江苏省“十二五”规划中也给出了到2015年非化石能源占一次能源消费比重为7%左右的目标。至于到2020年的减排目标，参考以及国务院在2009年公布的我国到2020年单位GDP二氧化碳排放减少4045%的目标

5、。江苏省煤炭资源匮乏而煤炭消费总量逐年增长，煤炭消耗问题成为影响江苏经济发展的重要因素。因此，解决好未来江苏巨大的煤炭供需缺口，分析预测江苏未来的煤炭消费，可以为江苏战略性能源开发供应提供依据，从而保证全省经济社会的绿色发展。基于此，请根据附录中的数据，结合收集到的相关资料，建立数学模型，完成以下问题：（1）影响江苏省煤炭消费总量以及第一、二、三产业煤炭消费量的指标有哪些？各指标对江苏省煤炭消费总量以及第一、二、三产业煤炭消费量的影响情况怎样？江苏省煤炭消费总量及其占能源消费量的比重、第一、二、三产业煤炭消费量的变动对节能、减排和经济增长等指标产生怎样的影响？ （2）在整个碳排放约束下，考虑节

6、能目标和江苏省经济发展目标，建立数学模型，对“十二五”期间及未来十年江苏省主要能源（煤炭、石油、天然气等）消费的结构进行预测和优化。（3）在整个碳排放约束下，考虑节能目标和江苏省经济发展目标，建立数学模型，对“十二五”期间及未来十年江苏省煤炭消费总量以及第一、二、三产业煤炭消费量进行预测和优化。请对预测模型和预测结果的合理性进行检验和说明。（4）根据分析的结果和结论，对江苏省节能、减排目标的实现路径以及能源结构调整、煤炭消费政策等方面提出意见和建议。二.、问题分析对于问题一，考虑到有诸多指标可以影响江苏省煤炭消费总量以及第一、二、三产业煤炭消费量，并且各个指标的影响程度不一样，不能直观得体现。

7、本文利用搜集到的一些数据和论文，先将各个指标的数据进行整合，资料总结。考虑将主要指标：GDP、江苏省人口总量、煤炭调入量、能源消费总量、二氧化碳的排放量作为对江苏省煤炭消费总量以及第一、二、三产业煤炭消费量的影响指标。利用灰色系统中关联度概念，构建相互影响程度的数学模型，利用数据说明各个指标的影响情况。对于问题二，我们的目的是对江苏省的主要能源消费结构进行预测和优化，首先应该对已知数据进行整理，因为考虑到经济因素，发现需要先预测江苏省GDP的情况，然后预测分别预测煤炭、石油、天然气、其他能源的消费量，之后可求出总能源的预测量。利用预测数据，可在节能减排、低碳、经济发展的目标下进行优化能源的消费

8、结构，也即需要考虑：（1）2015和2020年实现单位GDP能耗降低率。（2） 江苏省单位生产总值二氧化碳的排放指标要能够降低到要求值。（3） 江苏省到2015年非石化能源占一次能源消费比重为7%左右的目标。对于问题三，考虑到与第个问题类似，需要预测优化的是煤炭消费总量和三大产业的情况，优化的条件与上一个问题一样，还要保证经济效益的最大化。同时，考虑到模型的多样性，本文利用又采用灰色系统预测煤炭的消费量，与第二问中的ARMIA模型比对，检验预测的准确性。对于问题四，首先应该分析前三问中的结果，利用优化模型和数据说明未来的情况，本文认为除了利用所求得的数据以外，还应该多方面搜集信息，利用网络等资

9、源，考虑没有考虑过的因素，综合地分析整个问题，提出合理的建议。三、 模型假设1、假设没有突发事件发生如经济危机、重大自然灾害；2、假设未来市场相对稳定，人民消费生活正常进行；3、假设所搜集的数据是真实合理的。4、假设国家和江苏省的节能发展政策不会变动，基本吻合 “十二五” 规划中的发展计划的要求。5、假设除了化石能源产生二氧化碳外，其他能源不产生。6、假设未来十年没有能代替化石能源的资源。7、假设未来江苏省的能源不会出现短缺。四、变量定义与符号说明符号意义各个影响指标煤炭消耗量第一、二、三产业煤炭消耗量石油消消耗量天然气消耗量其他能源消耗量江苏省GDP江苏省2015年总耗能量煤炭消耗量最优解石

10、油消消耗量最优解天然气消耗量最优解其他能源消耗量最优解五、模型建立与求解5.1对于问题一5.1.1 设分别为煤炭消费总量和第一、二、三产业的煤炭消费量。影响指标为,分别为江苏人口总量、江苏GDP、煤炭调入量、能源消费总量、的排放量。对所有指标数据画折线图分析，以年份为横轴，以各指标数量为纵轴，如图一、二所示所示： 图一： 各指标走势 图二： 及走势可以看出：江苏省煤炭消费量主要用于第二产业，第一产业和第三产业的煤炭消费量相对较少；煤炭消费总量和第二产业煤炭消费量递增，第一产业煤炭消费量递减。比较图1与图2可以看出:大体上煤炭消费总量和第一、二、三产业的煤炭消费量与各指标的图线走势一致，呈现递增

11、趋势。也就是说，江苏人口总量、江苏GDP、煤炭调入量、能源消费总量、的排放量，这些提出的指标在一定程度上是符合题意的。5.1.2在灰色预测方法中：关联度分析是分析系统中各因素关联程度的方法。一般求关联度的过程：第一步：初始化，即将该序列所有数据分别除以第一个数据；第二步：求序列差；第三步：求两极差；第四步：计算关联系数；第五步：求关联度。结合已知数据，借鉴灰色系统中关联度的概念，利用matlab求出各个指标的相关性如表一：关联度0.870620.687030.947440.934680.981190.977340.743210.888380.881790.900680.871790.67304

12、0.921130.907980.952010.976840.742740.887880.881280.90017表一：各个指标的相关性通过以上表格可以得出：1、对于的影响情况：，也就是说对于江苏省煤炭消费总量影响程度最大的指标是的排放，说明节能减排，约束C排放量是减少江苏省煤炭消费总量的主要方法。2、 对于的影响情况：，也就是说对于江苏省第一产业煤炭消费总量影响程度最大的指标是人口总量，说明控制人口数量对其起到重要作用。3、对于的影响情况：，影响江苏省第二产业煤炭消费总量的最主要指标同1相同。4、对于的影响情况：，影响江苏省第三产业煤炭消费总量的最主要指标同2相同。5.1.3根据已知数据，绘制

13、出江苏省煤炭消费总量及能源消费总量的折线图，如图三所示： 图三从上图可以看出江苏省煤炭消费总量及能源消费总量都是逐年上升的趋势，不过两者之间的差距也越来越大，也就是说煤炭消费总量虽然在逐年上升，但是上升的速率却越来越慢，即江苏省煤炭消费总量占能源消费量的比重正在降低。再根据图2和（2）中影响情况的分析：江苏省煤炭消费总量占能源消费量的比重越小，第一产业煤炭消费量降低速率越快，第二产业煤炭消费量增长速率越慢，在一定程度上对节能、减排和经济增长起到有利的作用。5.2 对于问题二5.2.1ARIMA模型全称为差分自回归移动平均模型，其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归

14、，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。 假设煤炭、石油、天然气、其他能源的消耗量分别为，首先利用关图和偏相关图找到适当的p、d、和q值：如图四：基本思路为：步骤一：识别。找出适当的p、d、和q值。通过相关图和偏相关图可以解决。步骤二：估计。估计模型周所含自回归和移动平均项的参数。有时可以用最小二乘法，有时候需要用非线性估计方法。(软件可以自动完成)步骤三：诊断(检

15、验)。看计算出来的残差是不是白噪音，是，则接受拟合；不是，则重新在做。步骤四：预测。 图四得到Model DescriptionModel TypeModel ID煤炭消费量模型_1ARIMA(0,1,2)石油消费量模型_2ARIMA(0,1,2)天然气消费量模型_3ARIMA(0,1,2)其他能源模型_4ARIMA(0,1,2)表二得到p=0,d=1,q=2,图五预测结果为如表三 时间2011201220132014201520162017201820192020煤炭(tec)18189.5219706.9821234.2922836.5424513.7226265.8228092.8529

16、994.8231971.7134023.53石油(tec)4617.684971.095349.345746.356162.16596.67049.867521.868012.618522.12天然(tec)990.371120.561296.441483.711682.391892.462113.942346.822591.12846.78其他(tec)4296.475000.855633.386303.967012.597759.268543.989366.7510227.5711126.44原煤(万t)25464.81870427589.22021629727.41145231970.5

17、165934318.5216336771.41257239329.20341641991.90816244759.4988147631.98936表三预测出各个量的图像如图六：图六5.2.2讨论分析：由残差值滞后16的ACF和PACF。如图所示。没有任何ACF和PACF是显著地，估计出来的残差是纯随机的，此模型拟合达到标准。5.2.3 “十二五”规划目标优化设石油、煤炭、天然气、其他能源2015年的最有消费量分别为，能源消耗最小为，其中分别为预测中的下限值和上限值，则有：注: 2015年的单位生产总值消耗二氧化碳量与2010年相比哟啊降低19%，则有：2015年二氧化碳目标量，1.067为计算

18、后的系数。Lingo运行结果如表四：优化201521413.14813.182806.7812074.14202022236.53634.385893.0124811.41表四 图七5.3对于问题三5.3.1灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况，本文用时间序列GM(1，1),来预测江苏省未来煤炭消费量，5.3.2（1）基本原理：灰色系统是对离散序列建立的微分方程，GM（1，1)是一阶微分方程模型，形势为：由导数定义知： 当很小并且去很小

19、的单位1时，侧近似地有： 谢成 离散形势为： （2） GM（1，1）灰微分方程的时间响应序列为： 5.3.3用matlab将1995-2010奶奶的煤炭消费量数据进行预测的到：alpha = -0.089987 ， 5635.3u = -62624 ， v = 71560 得到预测模型 预测公式为： 预测结果与实际值比较如表五：时间19951996199719981999200020012002预测值893667387372.58066.78826.29657.31056711562实际值89368833858585718714877089639663时间2003200420052006200

20、7200820092010预测值1265013841151451657118131198382170623750实际值1084913272167791842819952207372100323100时间20112012201320142015201620172018预测值2598628433311103404037245407524458948787表五将结果与第二问中的ARMIA模型预测结果对比可得图八：图八从实际值和两个模型的数据图像对比可知，该预测比较准确。5.3.4模型检验 绝对参差序列为daita0 = 7.276e-12 2095 1212.5 504.33 112.23 887.

21、3 1603.6 1898.6 1801.2 569.35 1634.4 1857.3 1821.1 898.85 703.1 649.94相对参差序列为kesi = 8.1423e-16 0.23718 0.14124 0.058841 0.012879 0.10117 0.17892 0.19648 0.16603 0.042899 0.097405 0.10079 0.091272 0.043345 0.033476 0.028136平均相对参差 meankesi = 0.0095628进行后验差检验：均值、均方差： X0mean =13447 X0std =5514.7计算参差均值、均

22、方差： daita0mean =1140.5 daita0std =683.44计算小残差概率： S0 =2947.8E= 1140.5 954.42 71.97 636.22 1028.3 253.24 463.08 758.03 660.67 571.2 493.81 716.79 680.5 241.7 437.44 490.61对所有的e都小于S0，故小参e差概率: 同时C = 0.12393 v = 8.0285u = 0.9366r = 0.5aita2 = Columns 1 through 5 0.98992 0.9886 0.98573 0.98282 0.98108 Col

23、umns 6 through 10 0.97993 0.97799 0.9772 0.97576 0.97443 Columns 11 through 15 0.97353 0.97215 0.97112 0.97006 0.96901 Column 16 0.96804aita3 = Columns 1 through 5 0.98992 0.95907 0.93453 0.91615 0.89999 Columns 6 through 10 0.87367 0.84732 0.81653 0.7711 0.71566 Columns 11 through 15 0.65026 0.6019

24、4 0.5468 0.49425 0.46308 Column 16 0.41111aita4 = Columns 1 through 5 0.98992 0.97825 1 0.99185 0.98299 Columns 6 through 10 0.99262 0.98287 0.96724 0.94438 0.88335 Columns 11 through 15 0.81071 0.78599 0.74918 0.72503 0.73693 Column 16 0.69285aita5 = Columns 1 through 5 0.98992 0.9891 0.99118 0.986

25、98 0.98578 Columns 6 through 10 0.97501 0.96843 0.95212 0.91999 0.86796 Columns 11 through 15 0.81089 0.78133 0.75382 0.73748 0.712 Column 16 0.68666aita6 = Columns 1 through 5 0.98992 0.99162 0.99549 0.9923 0.98784 Columns 6 through 10 0.98137 0.97925 0.96439 0.93551 0.89204 Columns 11 through 15 0

26、.83202 0.80725 0.78413 0.77511 0.76596 Column 16 0.73662r12 = 0.97734r13 = 0.74321r14 = 0.88838r15 = 0.88179r16 = 0.90068 v = 5.4684u = 0.0082628r = 0.5aita2 = Columns 1 through 5 0.99038 0.96274 0.95818 0.9629 0.96615 Columns 6 through 10 0.96816 0.97503 1 0.96076 0.87793 Columns 11 through 15 0.82

27、509 0.74453 0.71253 0.69741 0.69295 Column 16 0.65385aita3 = Columns 1 through 5 0.99038 0.9133 0.87415 0.8531 0.83276 Columns 6 through 10 0.79557 0.7632 0.73339 0.69243 0.65582 Columns 11 through 15 0.46864 0.55774 0.49187 0.42523 0.38666 Column 16 0.33434aita4 = Columns 1 through 5 0.99038 0.9451

28、5 0.9828 0.97865 0.9695 Columns 6 through 10 0.99074 0.98383 0.98131 0.98561 0.95606 Columns 11 through 15 0.63115 0.91687 0.87626 0.84101 0.87906 Column 16 0.82969aita5 = Columns 1 through 5 0.99038 0.96359 0.96753 0.97014 0.97441 Columns 6 through 10 0.95952 0.95802 0.95358 0.93873 0.92405 Columns

29、 11 through 15 0.63134 0.9055 0.88781 0.87184 0.81743 Column 16 0.81382aita6 = Columns 1 through 5 0.99038 0.96792 0.97497 0.97944 0.97805 Columns 6 through 10 0.9707 0.9773 0.97604 0.9683 0.97461 Columns 11 through 15 0.65471 0.97071 0.96728 0.9726 0.95717 Column 16 0.95195r12 = 0.87179r13 = 0.6730

30、4r14 = 0.92113r15 = 0.90798r16 = 0.95201送v = 8.0286u = 0.93412r = 0.5aita2 = Columns 1 through 5 0.98842 0.98661 0.98572 0.98214 0.98055 Columns 6 through 10 0.97956 0.97767 0.97624 0.97504 0.97376 Columns 11 through 15 0.97373 0.97236 0.97105 0.97009 0.96892 Column 16 0.96755aita3 = Columns 1 throu

31、gh 5 0.98842 0.95718 0.9345 0.91553 0.89951 Columns 6 through 10 0.87332 0.84702 0.81579 0.77056 0.7152 Columns 11 through 15 0.65025 0.6019 0.54666 0.49413 0.46294 Column 16 0.4109aita4 = Columns 1 through 5 0.98842 0.9763 1 0.99116 0.98246 Columns 6 through 10 0.99224 0.98255 0.96629 0.94369 0.882

32、76 Columns 11 through 15 0.81079 0.78605 0.74905 0.72496 0.73679 Column 16 0.6925aita5 = Columns 1 through 5 0.98842 0.98711 0.99118 0.9863 0.98525 Columns 6 through 10 0.97464 0.96811 0.95119 0.91933 0.86739 Columns 11 through 15 0.81096 0.78139 0.7537 0.73741 0.71186 Column 16 0.68631aita6 = Colum

33、ns 1 through 5 0.98842 0.98962 0.99549 0.99161 0.98731 Columns 6 through 10 0.981 0.97893 0.96344 0.93482 0.89144 Columns 11 through 15 0.83211 0.80733 0.78401 0.77505 0.76583 Column 16 0.73624r12 = 0.97684r13 = 0.74274r14 = 0.88788r15 = 0.88128r16 = 0.900172、煤炭消费量AutocorrelationsSeries:煤炭消费量LagAuto

34、correlationStd. ErroraBox-Ljung StatisticValuedfSig.b1.615.2237.6331.0062.290.2159.4382.0093.042.2089.4783.0244-.156.20110.0834.0395-.051.19310.1545.0716-.155.18510.8576.0937-.265.17613.1177.0698-.290.16716.1358.0409-.255.15718.7639.02710-.127.14719.51110.03411-.030.13619.56211.05212-.004.12419.5631

35、2.07613-.037.11119.67413.10414-.057.09620.02214.12915-.019.07920.08015.169a. The underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation.石油消费量AutocorrelationsSeries:石油消费量LagAutocorrelationStd. ErroraBox-Ljung StatisticValuedfSig.b1-.013.223.0031.9552.035.215.0292.9853-.170.208.6953.8744.020.201.7054.9515.135.1931.1985.9456.067.1851.3316.9707.