一个用于省级碳排放的混合时间序列仿真框架，结合了多因素分解和深度学习技术 作者：李张（Li Zhang）、叶玉童（Yutong Ye）、任希军（Xijun Ren）、邱学奥（Xueao Qiu）、孙泽军（Zejun Sun）、周文浩（Wenhao Zhou）和韩东（Dong Han）

《Sustainability》：A Hybrid Time-Series Simulation Framework for Provincial Carbon Emissions Using Multi-Factor Decomposition and Deep Learning Li Zhang, Yutong Ye, Xijun Ren, Xueao Qiu, Zejun Sun, Wenhao Zhou and Dong Han

　　

摘要

准确地对整个社会和电力行业的碳排放进行时间序列模拟对于实现中国的“双碳”目标至关重要。本研究构建了一种混合模拟架构，将因子分解与深度学习相结合，以量化安徽省整个社会和电力行业的排放轨迹。首先，使用扩展的Kaya恒等式和对数平均分解指数（LMDI）来分析社会经济驱动因素。分解分析表明，人均收入是碳排放的主要驱动力，而能源强度则具有最强的抑制作用。随后，对非平稳排放序列应用变分模态分解（VMD）产生多尺度子信号，这些子信号被输入到一个预测模型中，该模型包括一个贝叶斯优化的（BO）变换器与长短期记忆（LSTM）网络相结合。研究建立了三种不同的发展情景：中度可持续性（MS）、照常营业（BAU）和强劲经济增长（SEG）。模拟结果显示，在中度可持续性情景下，整个社会和电力行业的碳排放量分别在2029年达到4.352亿吨和2030年达到2.812亿吨的峰值。相反，在强劲经济增长情景下，整个社会的排放峰值被推迟到2034年，而电力行业则未能在2035年之前达到峰值。这些发现揭示了整个社会与电力行业排放峰值之间存在显著的时间差异风险，为区域脱碳规划提供了有力的方法论支持。