CN113742817A - 一种建筑二氧化碳排放的预测方法及预测系统 - Google Patents

一种建筑二氧化碳排放的预测方法及预测系统 Download PDF

Info

Publication number
CN113742817A
CN113742817A CN202110923911.1A CN202110923911A CN113742817A CN 113742817 A CN113742817 A CN 113742817A CN 202110923911 A CN202110923911 A CN 202110923911A CN 113742817 A CN113742817 A CN 113742817A
Authority
CN
China
Prior art keywords
building
carbon dioxide
grid
year
dioxide emission
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110923911.1A
Other languages
English (en)
Other versions
CN113742817B (zh
Inventor
蔡博峰
杨璐
夏楚瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Environmental Planning Institute Of Ministry Of Ecology And Environment
Original Assignee
Environmental Planning Institute Of Ministry Of Ecology And Environment
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Environmental Planning Institute Of Ministry Of Ecology And Environment filed Critical Environmental Planning Institute Of Ministry Of Ecology And Environment
Priority to CN202110923911.1A priority Critical patent/CN113742817B/zh
Publication of CN113742817A publication Critical patent/CN113742817A/zh
Application granted granted Critical
Publication of CN113742817B publication Critical patent/CN113742817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于建筑二氧化碳排放量预测和二氧化碳排放空间格局预测术领域，具体地说，涉及一种建筑二氧化碳排放的预测方法及预测系统，该方法包括：将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量；根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗；采用Kaya identity方法，利用空间演化模型，基于上述核算结果和估算结果，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果。

Description

一种建筑二氧化碳排放的预测方法及预测系统
技术领域
本发明属于建筑二氧化碳排放量预测和二氧化碳排放空间格局预测技术领域，具体地说，涉及一种建筑二氧化碳排放的预测方法及预测系统。
背景技术
建筑业在节能和减缓气候变化方面发挥着重要作用。现有技术公开了建筑领域二氧化碳排放量为22.1亿吨，其中，供暖、炊事等活动化石燃料燃烧直接排放7.1亿吨；其中，集中供热锅炉排放1.7亿吨；外购热力、电力间接排放15亿吨，其中，热电联产供暖排放2.4亿吨。因居民生活水平和服务业进一步提升，建筑业在未来几年还将进一步发展。同时，受诸多影响因素包括环境政策、公众意识、人口迁移等的影响，建筑二氧化碳排放总量不会呈现出持续增长的趋势，同时排放量也会呈现出明显的空间异质性。
在《巴黎协定》的指导下，各国在21世纪末将温度上升控制在1.5摄氏度以内的问题上达成一致。在这样的背景下，预计在2030年之前实现二氧化碳排放达峰，到2060年实现碳中和目标。建筑部门作为能源革命和减缓气候变化的重要组成部分，对应目前每年的运行排放达到20亿吨以上的二氧化碳。那么在未来的近40年，如何对该部门的发展路径进行科学规划，使其在满足实现社会经济发展需求的前提下，逐步实现行业碳中和这一目标，显得尤为重要。由于不同区域的建筑发展受多种社会经济因素和宏观政策的影响，必然导致建筑发展存在显著的区域差异性，由此不同区域建筑部门的二氧化碳排放也将差异显著。因此，基于时空演化理论，预测建筑部门高时空精度的网格二氧化碳排放，也将作为探究国家和区域碳达峰、碳中和路径的重要依据。
对于建筑部门二氧碳排放预测的现有研究中，通常是通过构建不同社会发展情景下的能源使用变化，利用自上而下或者自下而上的方法，结合相关的统计模型，进行国家尺度的二氧化碳排放在时间序列上的预测，但是，现有的预测方法存在如下问题：
1)未充分考虑新建建筑和既有建筑的能源的发展趋势和特点差异，无法反映建筑不同子部门的二氧化碳排放的时空差异；
2)不能同时识别建筑二氧化碳排放在时间上和空间上的异质性，无法筛选建筑二氧化碳排放的典型区域，提出更具针对性的减排目标；
3)缺少自下而上和自上而下相结合的预测方法，导致不同发展情境下的建筑二氧化碳排放拟合结果与实际排放存在较大偏差，造成数据的精准度下降。
发明内容
为解决现有技术存在的上述缺陷，本发明提出了一种建筑二氧化碳排放的预测方法，该方法是基于空间演化模型的、结合自下而上和自上而下的、能够同时实现在空间上和时间上的异质性，通过综合建筑二氧化碳排放的主要影响因子和建筑二氧化碳排放历史空间格局，预测未来年的某一区域的建筑二氧化碳排放的空间格局，解决了微观建筑排放和宏观上的具体某一建筑领域总排放路径的关联，是一种精确度高、快速、可靠的预测方法；
本发明提供了一种建筑二氧化碳排放的预测方法，该方法包括：
将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量；
根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗；
采用Kaya identity方法，利用空间演化模型，基于上述核算结果和估算结果，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测。
作为上述技术方案的改进之一，所述不同建筑子部门包括：北方城镇供暖、城镇居住建筑、公共建筑和农村居住建筑；
其中，所述城镇居住建筑不包括北方城镇供暖；所述公共建筑不包括：北方城镇供暖。
作为上述技术方案的改进之一，所述将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门、不同建筑类型的建筑存量；其具体过程为：
将基于共享社会经济路径开发的全球2010-2100年间每十年的人口网格预测数据，分配至每个空间基准网格，生成数据集D1；
所述数据集D1包括：2010-2100年间每十年的城镇人口数量U1和农村人口数量R1；
其中，U1＝{U111，U122，U133…U1xn}(n≤10)；
R1＝{R111，R122，R133…R1xn}(n≤10)；
其中，U1xn和R1xn分别为某一空间基准网格x内第n年的城镇人口数量和第n年的农村人口数量；将该数据集按照行政区域划分，提取某一行政区域内不同年份的城镇和农村人口数量，形成第一数据集D2，其包括各行政区域2010-2100年间每十年的城镇人口数量U2＝{U21，U22，U23…U2n}(n≤10)和农村人口数量R2＝{R21，R22，R23…R2n}(n≤10)；其中，U2n和R2n分别为某一行政区域内第n年的城镇人口数量和第n年的农村人口数量；
将另一个行政区域的人口数量预测数据集D3，包括各行政区域2010-2100年间逐年的总人口数量数据集Z3＝{z31，z32，z33…z3m}(m≤91)和城镇化率数据集K3＝{k31，k32，k33…k3m}(m≤91)，
其中，z3m、k3m分别为另一个行政区域内第m年的总人口数量和第m年的城镇化率，由此计算各行政区域内逐年的城镇人口数量U3m和农村人口数量R3m；
U3m＝z3m×k3m
R3m＝z3m×(1-k3m)
结合各行政区域对应年份的城镇人口数量和农村人口数量，得出各行政区域每十年的城镇人口较准系数A＝{a1，a2，a3…an}(n≤10)和农村人口较准系数B＝{b1，b2，b3…bn}(n≤10)，
其中，an、bn分别为某一行政区域第n年的城镇人口校准系数和农村人口较准系数；
an＝U2n/U3m
bn＝R2n/R3m
利用城镇人口校准系数A和农村人口校准系数B，将数据集D1中的空间基准网格的城镇人口数量和农村人口数量，按照所属行政区域进行校准，得到空间基准网格下，每个空间基准网格校准后的每十年的城镇人口数量U4xn、每十年的农村人口数量R4xn和每十年的总人口数量T4xn；其中，x表示网格编号，n表示年份；
U4xn＝U1xn×an
R4xn＝R1xn×bn
T4xn＝U4xn+R4xn
将校准后的每十年的城镇人口数量网格数据和农村人口数量网格数据，结合数据集D3中各行政区域逐年城镇人口增长率Aa和逐年农村人口增长率Bb，计算预测逐年的城镇人口数量U4xm、预测逐年的农村人口数量R4xm和预测逐年的总人口数量T4xm，并将其作为人口分布预测结果；
U4xm＝U4xn×Aa
R4xm＝R4xn×Bb
T4xm＝U4xm+R4xm
基于近十年各行政区域的城镇居住人均建筑面积、农村居住人均建筑面积和城镇公共人均建筑面积的历史数据，分别得出三类人均建筑面积的平均变化率RC城镇居住，RC农村居住、RC城镇公共，和基准年的三类人均建筑面积S0城镇居住，S0农村居住、S0城镇公共，并结合三类人均建筑面积的最大限值Smax城镇居住、Smax农村居住、Smax城镇公共，分别估算预测年的三类人均建筑面积；
具体地，估算预测年的城镇公共人均建筑面积S城镇公共：
S城镇公共＝S0城镇公共×RC城镇公共，S城镇公共≤Smax城镇公共
估算预测年的城镇居住人均建筑面积S城镇居住：
S城镇居住＝S0城镇居住×RC城镇居住，S城镇居住≤Smax城镇居住
估算预测年的农村居住人均建筑面积S农村居住：
S农村居住＝S0农村居住×RC农村居住，S农村居住≤Smax农村居住
将估算的预测年的城镇公共人均建筑面积S城镇公共，预测年的城镇居住人均建筑面积S城镇居住和预测年的农村居住人均建筑面积S农村居住进行汇总，作为人均建筑面积预测结果；
将待测区域在空间上划分为M个10km×10km的空间基准网格，将上述得到的人口分布预测结果和人均建筑面积预测结果，分配至每个空间基准网格，进而核算每个空间基准网格内，不同建筑子部门的人均建筑面积和人口数量；
具体地，北方城镇供暖的人均建筑面积
Figure BDA0003208466630000051
其中，S北方城镇居住＝S0北方城镇居住×RC北方城镇居住；
其中，S0北方城镇居住为基准年的北方城镇供暖的人均建筑面积；RC北方城镇居住为北方城镇供暖的人均建筑面积的平均变化率；
城镇居住建筑的人均建筑面积
Figure BDA0003208466630000052
农村居住建筑的人均建筑面积
Figure BDA0003208466630000053
城镇居住建筑的人口数量POPGrid2＝U4xm；
农村居住建筑的人口数量POPGrid3＝R4xm。
作为上述技术方案的改进之一，所述根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗及；其具体过程为：
所述不同建筑子部门的单位面积能耗的历史数据包括：北方供暖城市的能源消耗总量E1，城镇居住建筑的能源消耗总量E2，公共建筑的能源消耗总量E3和农村居住建筑的能源消耗总量E4；
根据不同建筑子部门的单位面积能耗的历史数据，计算北方城镇供暖的单位面积能耗EI1：
EI1＝E1/(S北方城镇居住+S城镇公共)
其中，S北方城镇居住＝S0北方城镇居住×RC北方城镇居住；
其中，S0北方城镇居住为基准年的北方城镇供暖的人均建筑面积；RC北方城镇居住为北方城镇供暖的人均建筑面积的平均变化率；
计算城镇居住建筑的单位面积能耗EI2：
EI2＝E2/S城镇居住
计算公共建筑的单位面积能耗EI3：
EI3＝E3/S城镇公共
计算农村居住建筑的单位面积能耗EI4：
EI4＝E4/S农村居住。
作为上述技术方案的改进之一，所述采用Kaya identity方法，利用空间演化模型，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测；其具体过程为：
预先建立的空间演化模型：
Figure BDA0003208466630000061
其中，RBCGrid为居住建筑的二氧化碳排放量；其中，居住建筑包括：北方城镇供暖、城镇居住建筑和农村居住建筑；
REMGrid为居住建筑的建筑能耗的二氧化碳排放系数；其中，REMGrid＝∑(αi×EFi)，其中，αi表示不同建筑类型的居住建筑使用第i种能源类型的能源使用占比，其单位为％，EFi表示居住建筑使用第i种能源类型的二氧化碳排放因子；其中，所述能源类型包括：煤炭、油品、电力、天然气和生物质能源；所述建筑类型包括：既有建筑和新建建筑；
REIGrid为居住建筑的单位面积能耗，其中，PREFGrid为居住建筑的人均建筑面积；POPGrid为居住建筑的网格人口数量；
PBCGrid为公共建筑的二氧化碳排放量；PEMGrid为公共建筑能耗的二氧化碳排放系数，其中，PEMGrid＝∑(αi1×EFi1)，其中，αi1表示不同建筑类型的公共建筑使用第i种能源类型的能源使用占比，其单位为％，EFi1表示公共建筑使用第i种能源类型的二氧化碳排放因子；
PEIGrid为公共建筑的单位面积能耗，PEIGrid＝EI3；PEEGrid为公共建筑的单位收益；TSGrid为第三产业产值占比；PGDRGrid为人均GDP，
根据上述建立的空间演化模型，分别获取北方城镇供暖、城镇居住建筑、公共建筑和农村居住建筑的二氧化碳排放量；
RBCGrid1＝REMGrid1×REIGrid1×PREFGrid1×POPGrid1
其中，RBCGrid1为基准年的北方城镇供暖的二氧化碳排放量；REMGrid1为北方城镇供暖的建筑能耗的二氧化碳排放系数；PEMGrid1＝∑(αi11×EFi11)；其中，αi11为不同建筑类型的北方城镇供暖使用第i种能源类型的能源使用占比；EFi1表示北方城镇供暖使用第i种能源类型的二氧化碳排放因子；
REIGrid1为北方城镇供暖的单位面积能耗，REIGrid1＝EI1；POPGrid1为有供暖区域的城镇人口数量，即从城镇人口数量U4xm中筛选出来的人口数量，为已知值；
RECGrid2＝REMGrid2×REIGrid2×PREFGrid2×POPGrid2
其中，RBCGrid2为基准年的城镇居住建筑的二氧化碳排放量；REMGrid2为城镇居住建筑的建筑能耗的二氧化碳排放系数；PEMGrid2＝∑(αi12×EFi12)；其中，αi12为不同建筑类型城镇居住使用第i种能源类型的能源使用占比；EFi12表示城镇居住使用第i种能源类型的二氧化碳排放因子；
REIGrid2为城镇居住建筑的单位面积能耗，REIGrid2＝EI2；
RBCGrid3＝REMGrid3×REIGrid3×PREFGrid3×POPGrid3
其中，RBCGrid3为基准年的农村居住建筑的二氧化碳排放量；REMGrid3为农村居住建筑的建筑能耗的二氧化碳排放系数；PEMGrid3＝∑(αi13×EFi13)；其中，αi13为不同建筑类型的农村居住使用第i种能源类型的能源使用占比；EFi3表示农村居住使用第i种能源类型的二氧化碳排放因子；
REIGrid3为农村居住建筑的单位面积能耗，REIGrid3＝EI3；
将获取的北方城镇供暖的二氧化碳排放量RBCGrid1、城镇居住建筑的二氧化碳排放量RBCGrid2和农村居住建筑的二氧化碳排放量RBCGrid3进行汇总，得到基准年的居住建筑的二氧化碳排放量RBCB-Grid；
RBCB-Grid＝RBCGrid1+RBCGrid2+RBCGrid3；
根据得到的基准年的居住建筑的二氧化碳排放量RBCB-Grid，确定未来目标年份的居住建筑的二氧化碳排放量RBCP-Grid；
Figure BDA0003208466630000071
其中，β1为不同居住条件下建筑能耗的二氧化碳排放系数在基准年与未来目标年份的比值；β2为不同居住条件下单位面积能耗在基准年与未来目标年份的比值；β3为不同居住条件下人均建筑面积在基准年与未来目标年份的比值；β4为不同居住条件下人口数量在基准年与未来目标年份的比值；不同居住条件下包括：北方城镇供暖、城镇居住建筑和农村居住建筑；
其中，该未来目标年份的居住建筑的二氧化碳排放量RBCP-Grid是基于基准年的二氧化碳排放量进行校准后得到的结果，其精确度和准确度非常高。
获取基准年的公共建筑的二氧化碳排放量PBCB-Grid；
PBCB-Grid＝PEMGrid×PEIGrid×PEEGrid×TSGrid×PGDRGrid
根据得到的基准年的公共建筑的二氧化碳排放量PBCB-Grid，获取未来目标年份的二氧化碳排放量PBCGrid；
Figure BDA0003208466630000081
其中，β1为公共建筑能耗的二氧化碳排放系数在基准年与未来目标年份的比值；β2为公共建筑单位面积能耗在基准年与未来目标年份的比值；β3为公共建筑的单位收益在基准年与未来目标年份的比值；β4为第三产业产值占比在基准年与未来目标年份的比值；β5为城镇人口数量在基准年与未来目标年份的比值。
本发明还提供了一种建筑二氧化碳排放的预测系统，该系统包括：
第一数据获取模块，用于将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量；
第二数据获取模块，用于根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗；和
预测模块，用于采用Kaya identity方法，利用空间演化模型，基于上述核算结果和估算结果，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测。
本发明与现有技术相比的有益效果是：
1、建模过程中采用Kaya identity方法，估算建筑部门二氧化碳排放时，充分考虑了新建建筑和既有建筑的能源的发展趋势和特点差异，能够更有效地揭示建筑不同子部门的二氧化碳排放的时空差异。
2、空间模型的构建能够同时识别建筑二氧化碳排放在时间上和空间上的异质性，有助于筛选出建筑二氧化碳排放的典型区域，提出更具针对性的减排目标；
3、在空间网格层面上，实现任意网格区域内的建筑二氧化碳排放的预测，从而完成对不同区域建筑二氧化碳排放的定量核算，快速、有效地拟合地区建筑行业及其子部门的二氧化碳排放。
4、充分结合自上而下和自下而上的方法，预测未来年的全国建筑二氧化碳排放的空间格局，解决了微观建筑排放和全国建筑领域总排放路径的关联。
附图说明
图1是本发明的一种建筑二氧化碳排放的预测方法的流程图；
图2是图1的本发明的一种建筑二氧化碳排放的预测方法的获取人口分布预测结果的流程图。
具体实施方式
现结合附图和实例对本发明作进一步的描述。
如图1所示，本发明提供了一种建筑二氧化碳排放的预测方法，建模过程中，结合了自上而下和自下而上的方法，利用建立好的空间演化模型，估算建筑二氧化碳排放量的同时，充分考虑了新建建筑和既有建筑的能源的发展趋势和特点差异，能够更有效地揭示建筑不同子部门的二氧化碳排放的时空差异。
该空间演化模型输出的估算结果能够同时识别建筑二氧化碳排放在时间上和空间上的异质性，有助于筛选出建筑二氧化碳排放的典型区域，提出更具针对性的减排目标。在空间网格层面上，实现任意网格区域内的建筑二氧化碳排放的预测，从而完成对不同区域建筑二氧化碳排放的定量核算，快速、有效地拟合地区建筑行业及其子部门的二氧化碳排放，建立微观建筑排放和全国建筑领域总排放路径的关联，推进区域的碳达峰和碳中和的目标实现。
该方法包括：
步骤1)将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量；
其中，所述不同建筑子部门包括：北方城镇供暖、城镇居住建筑、公共建筑和农村居住建筑；
其中，所述城镇居住建筑不包括北方城镇供暖；所述公共建筑不包括：北方城镇供暖。
具体地，如图2所示，
将基于共享社会经济路径开发的全球2010-2100年间每十年的人口网格预测数据，分配至每个空间基准网格，生成数据集D1；
所述数据集D1包括：2010-2100年间每十年的城镇人口数量U1和农村人口数量R1；
其中，U1＝{U111，U122，U133…U1xn}(n≤10)；
R1＝{R111，R122，R133…R1xn}(n≤10)；
其中，U1xn和R1xn分别为某一空间基准网格x内第n年的城镇人口数量和第n年的农村人口数量；将该数据集按照行政区域划分，提取某一行政区域内不同年份的城镇和农村人口数量，形成第一数据集D2，其包括各行政区域2010-2100年间每十年的城镇人口数量U2＝{U21，U22，U23…U2n}(n≤10)和农村人口数量R2＝{R21，R22，R23…R2n}(n≤10)；其中，U2n和R2n分别为某一行政区域内第n年的城镇人口数量和第n年的农村人口数量；
将另一个行政区域的人口数量预测数据集D3，包括各行政区域2010-2100年间逐年的总人口数量数据集Z3＝{z31，z32，z33…z3m}(m≤91)和城镇化率数据集K3＝{k31，k32，k33…k3m}(m≤91)，
其中，z3m、k3m分别为另一个行政区域内第m年的总人口数量和第m年的城镇化率，由此计算各行政区域内逐年的城镇人口数量U3m和农村人口数量R3m；
U3m＝z3m×k3m
R3m＝z3m×(1-k3m)
结合各行政区域对应年份的城镇人口数量和农村人口数量，得出各行政区域每十年的城镇人口较准系数A＝{a1，a2，a3…an}(n≤10)和农村人口较准系数B＝{b1，b2，b3…bn}(n≤10)，
其中，an、bn分别为某一行政区域第n年的城镇人口校准系数和农村人口较准系数；
an＝U2n/U3m
bn＝R2n/R3m
利用城镇人口校准系数A和农村人口校准系数B，将数据集D1中的空间基准网格的城镇人口数量和农村人口数量，按照所属行政区域进行校准，得到空间基准网格下，每个空间基准网格校准后的每十年的城镇人口数量U4xn、每十年的农村人口数量R4xn和每十年的总人口数量T4xn；其中，x表示网格编号，n表示年份；
U4xn＝U1xn×an
R4xn＝R1xn×bn
T4xn＝U4xn+R4xn
将校准后的每十年的城镇人口数量网格数据和农村人口数量网格数据，结合数据集D3中各行政区域逐年城镇人口增长率Aa和逐年农村人口增长率Bb，计算预测逐年的城镇人口数量U4xm、预测逐年的农村人口数量R4xm和预测逐年的总人口数量T4xm，并将其作为人口分布预测结果；
U4xm＝U4xn×Aa
R4xm＝R4xn×Bb
T4xm＝U4xm+R4xm
基于近十年各行政区域的城镇居住人均建筑面积、农村居住人均建筑面积和城镇公共人均建筑面积的历史数据，分别得出三类人均建筑面积的平均变化率RC城镇居住，RC农村居住、RC城镇公共，和基准年的三类人均建筑面积S0城镇居住，S0农村居住、S0城镇公共，并结合三类人均建筑面积的最大限值Smax城镇居住、Smax农村居住、Smax城镇公共，分别估算预测年的三类人均建筑面积；
具体地，估算预测年的城镇公共人均建筑面积S城镇公共：
S城镇公共＝S0城镇公共×RC城镇公共，S城镇公共≤Smax城镇公共
估算预测年的城镇居住人均建筑面积S城镇居住：
S城镇居住＝S0城镇居住×RC城镇居住，S城镇居住≤Smax城镇居住
估算预测年的农村居住人均建筑面积S农村居住：
S农村居住＝S0农村居住×RC农村居住，S农村居住≤Smax农村居住
将估算的预测年的城镇公共人均建筑面积S城镇公共，预测年的城镇居住人均建筑面积S城镇居住和预测年的农村居住人均建筑面积S农村居住进行汇总，作为人均建筑面积预测结果；
将待测区域在空间上划分为M个10km×10km的空间基准网格，将上述得到的人口分布预测结果和人均建筑面积预测结果，分配至每个空间基准网格，进而核算每个空间基准网格内，不同建筑子部门的人均建筑面积和人口数量；
具体地，北方城镇供暖的人均建筑面积
Figure BDA0003208466630000121
其中，S北方城镇居住＝S0北方城镇居住×RC北方城镇居住；
其中，S0北方城镇居住为基准年的北方城镇供暖的人均建筑面积；RC北方城镇居住为北方城镇供暖的人均建筑面积的平均变化率；
城镇居住建筑的人均建筑面积
Figure BDA0003208466630000122
农村居住建筑的人均建筑面积
Figure BDA0003208466630000123
城镇居住建筑的人口数量POPGrid2＝U4xm；
农村居住建筑的人口数量POPGrid3＝R4xm。
步骤2)根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗；
具体地，结合不同建筑子部门的单位面积能耗的历史数据，和相关能源规划中的能源需求水平设置不同的能源需求情景，估算未来年份每个基准网格中不同建筑子部门对应建筑类型的单位面积能源强度；其中，能源强度等同于能耗；
首先，按照近十年历史的能源需求水平，得出各建筑子部门能源消耗量的年均增长率，进行线性外推得出未来年份的各建筑子部门能源消耗量，E；基于上文中的人口变化和人均建筑面积变化，可以得到预测年份的各类建筑面积，用能源消耗量除以建筑面积，计算出单位面积的能源强度；
所述不同建筑子部门的单位面积能耗的历史数据包括：北方供暖城市的能源消耗总量E1，城镇居住建筑的能源消耗总量E2，公共建筑的能源消耗总量E3和农村居住建筑的能源消耗总量E4；
根据不同建筑子部门的单位面积能耗的历史数据，计算北方城镇供暖的单位面积能耗EI1：
Figure BDA0003208466630000124
其中，S北方城镇居住＝S0北方城镇居住×RC北方城镇居住；
其中，S0北方城镇居住为基准年的北方城镇供暖的人均建筑面积；RC北方城镇居住为北方城镇供暖的人均建筑面积的平均变化率；
计算城镇居住建筑的单位面积能耗EI2：
EI2＝E2/S城镇居住
计算公共建筑的单位面积能耗EI3：
EI3＝E3/S城镇公共
计算农村居住建筑的单位面积能耗EI4：
EI4＝E4/S农村居住。
步骤3)采用Kaya identity方法，利用空间演化模型，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测。
具体地，采用Kaya identity方法，利用Kaya identity模型，
预先建立的空间演化模型：
Figure BDA0003208466630000131
其中，RBCGrid为居住建筑的二氧化碳排放量；其中，居住建筑包括：北方城镇供暖、城镇居住建筑和农村居住建筑；
REMJGrid为居住建筑的建筑能耗的二氧化碳排放系数；其中，REMGrid＝∑(αi×EFi)，其中，αi表示不同建筑类型的居住建筑使用第i种能源类型的能源使用占比，其单位为％，EFi表示居住建筑使用第i种能源类型的二氧化碳排放因子；其中，所述能源类型包括：煤炭、油品、电力、天然气和生物质能源；所述建筑类型包括：既有建筑和新建建筑；
REIGrid为居住建筑的单位面积能耗，其中，PREFGrid为居住建筑的人均建筑面积；POPGrid为居住建筑的网格人口数量；
PBCGrid为公共建筑的二氧化碳排放量；PEMGrid为公共建筑能耗的二氧化碳排放系数，其中，PEMGrid＝∑(αi1×EFi1)，其中，αi1表示不同建筑类型的公共建筑使用第i种能源类型的能源使用占比，其单位为％，EFi1表示公共建筑使用第i种能源类型的二氧化碳排放因子；
PEIGrid为公共建筑的单位面积能耗，PEIGrid＝EI3；PEEGrid为公共建筑的单位收益；TSGrid为第三产业产值占比；PGDRGrid为人均GDP，
根据上述建立的空间演化模型，分别获取北方城镇供暖、城镇居住建筑、公共建筑和农村居住建筑的二氧化碳排放量；
RBCGrid1＝REMGrid1×REIGrid1×PREFGrid1×POPGrid1
其中，RBCGrid1为基准年的北方城镇供暖的二氧化碳排放量；REMGrid1为北方城镇供暖的建筑能耗的二氧化碳排放系数；PEMGrid1＝∑(αi11×EFi11)；其中，αi11为不同建筑类型的北方城镇供暖使用第i种能源类型的能源使用占比；EFi1表示北方城镇供暖使用第i种能源类型的二氧化碳排放因子；
REIGrid1为北方城镇供暖的单位面积能耗，REIGrid1＝EI1；POPGrid1为有供暖区域的城镇人口数量，即从城镇人口数量U4xm中筛选出来的人口数量，为已知值；
RBCGrid2＝REMGrid2×REIGrid2×PREFGrid2×POPGrid2
其中，REMGrid2为基准年的城镇居住建筑的二氧化碳排放量；REMGrid2为城镇居住建筑的建筑能耗的二氧化碳排放系数；PEMGrid2＝∑(αi12×EFi12)；其中，αi12为不同建筑类型城镇居住使用第i种能源类型的能源使用占比；EFi12表示城镇居住使用第i种能源类型的二氧化碳排放因子；
REIGrid2为城镇居住建筑的单位面积能耗，REMGrid2＝EI2；
RBCGrid3＝REMGrid3×REIGrid3×PREFGrid3×POPGrid3
其中，RBCGrid3为基准年的农村居住建筑的二氧化碳排放量；REMGrid3为农村居住建筑的建筑能耗的二氧化碳排放系数；PEMGrid3＝∑(αi13×EFi13)；其中，αi13为不同建筑类型的农村居住使用第i种能源类型的能源使用占比；EFi3表示农村居住使用第i种能源类型的二氧化碳排放因子；
REIGrid3为农村居住建筑的单位面积能耗，REIGrid3＝EI3；
将获取的北方城镇供暖的二氧化碳排放量RBCGrid1、城镇居住建筑的二氧化碳排放量RBCGrid2和农村居住建筑的二氧化碳排放量RBCGrid3进行汇总，得到基准年的居住建筑的二氧化碳排放量RBCB-Grid；
RBCB-Grid＝RBCGrid1+RBCGrid2+RBCGrid3；
根据得到的基准年的居住建筑的二氧化碳排放量RBCB-Grid，确定未来目标年份的居住建筑的二氧化碳排放量RBCP-Grid；
Figure BDA0003208466630000151
其中，β1为不同居住条件下建筑能耗的二氧化碳排放系数在基准年与未来目标年份的比值；β2为不同居住条件下单位面积能耗在基准年与未来目标年份的比值；β3为不同居住条件下人均建筑面积在基准年与未来目标年份的比值；β4为不同居住条件下人口数量在基准年与未来目标年份的比值；不同居住条件下包括：北方城镇供暖、城镇居住建筑和农村居住建筑；
其中，该未来目标年份的居住建筑的二氧化碳排放量RBCP-Grid是基于基准年的二氧化碳排放量进行校准后得到的结果，其精确度和准确度非常高。
获取基准年的公共建筑的二氧化碳排放量PBCB-Grid；
PBCB-Grid＝PEMGrid×PEIGrid×PEEGrid×TSGrid×PGDRGrid
根据得到的基准年的公共建筑的二氧化碳排放量PRCB-Grid，获取未来目标年份的二氧化碳排放量PBCGrid；
Figure BDA0003208466630000152
其中，β1为公共建筑能耗的二氧化碳排放系数在基准年与未来目标年份的比值；β2为公共建筑单位面积能耗在基准年与未来目标年份的比值；β3为公共建筑的单位收益在基准年与未来目标年份的比值；β4为第三产业产值占比在基准年与未来目标年份的比值；β5为城镇人口数量在基准年与未来目标年份的比值。
当出现城镇人口或农村人口在基准年为0分布，但预测年不为零时，即新增的人口分布栅格。计算此类新增的二氧化碳排放量时，区分以新增建筑的二氧化氮排放计算步骤计算该网格的二氧化碳排放量。其中新增建筑面积为当年的人均建筑面积与栅格上新增人口数量的乘积。
本发明还提供了一种建筑二氧化碳排放的预测系统，该系统包括：
第一数据获取模块，用于将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量；
第二数据获取模块，用于根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗；和
预测模块，用于采用Kaya identity方法，利用空间演化模型，基于上述核算结果和估算结果，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种建筑二氧化碳排放的预测方法，该方法包括：
将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量；
根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗；
采用Kaya identity方法，利用空间演化模型，基于上述核算结果和估算结果，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测。
2.根据权利要求1所述的建筑二氧化碳排放的预测方法，其特征在于，所述不同建筑子部门包括：北方城镇供暖、城镇居住建筑、公共建筑和农村居住建筑；
其中，所述城镇居住建筑不包括北方城镇供暖；所述公共建筑不包括：北方城镇供暖。
3.根据权利要求2所述的建筑二氧化碳排放的预测方法，其特征在于，所述将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门、不同建筑类型的建筑存量；其具体过程为：
将基于共享社会经济路径开发的全球2010-2100年间每十年的人口网格预测数据，分配至每个空间基准网格，生成数据集D1；
所述数据集D1包括：2010-2100年间每十年的城镇人口数量U1和农村人口数量R1：
其中，U1＝{U111，U122，U133...U1xn}(n≤10)；
R1＝{R111，R122，R133...R1xn}(n≤10)；
其中，U1xn和R1xn分别为某一空间基准网格x内第n年的城镇人口数量和第n年的农村人口数量；将该数据集按照行政区域划分，提取某一行政区域内不同年份的城镇和农村人口数量，形成第一数据集D2，其包括各行政区域2010-2100年间每十年的城镇人口数量U2＝{U21，U22，U23...U2n)(n≤10)和农村人口数量R2＝{R21，R22，R23...R2n}(n≤10)；其中，U2n和R2n分别为某一行政区域内第n年的城镇人口数量和第n年的农村人口数量；
将另一个行政区域的人口数量预测数据集D3，包括各行政区域2010-2100年间逐年的总人口数量数据集Z3＝{z31，z32，z33...z3m}(m≤91)和城镇化率数据集K3＝{k31，k32，k33...k3m}(m≤91)，
其中，z3m、k3m分别为另一个行政区域内第m年的总人口数量和第m年的城镇化率，由此计算各行政区域内逐年的城镇人口数量U3m和农村人口数量R3m；
U3m＝z3m×k3m
R3m＝z3m×(1-k3m)
结合各行政区域对应年份的城镇人口数量和农村人口数量，得出各行政区域每十年的城镇人口较准系数A＝{a1，a2，a3...an}(n≤10)和农村人口较准系数B＝{b1，b2，b3...bn}(n≤10)，
其中，an、bn分别为某一行政区域第n年的城镇人口校准系数和农村人口较准系数；
an＝U2n/U3m
bn＝R2n/R3m
利用城镇人口校准系数A和农村人口校准系数B，将数据集D1中的空间基准网格的城镇人口数量和农村人口数量，按照所属行政区域进行校准，得到空间基准网格下，每个空间基准网格校准后的每十年的城镇人口数量U4xn、每十年的农村人口数量R4xn和每十年的总人口数量T4xn；其中，x表示网格编号，n表示年份；
U4xn＝U1xn×an
R4xn＝R1xn×bn
T4xn＝U4xn+R4xn
将校准后的每十年的城镇人口数量网格数据和农村人口数量网格数据，结合数据集D3中各行政区域逐年城镇人口增长率Aa和逐年农村人口增长率Bb，计算预测逐年的城镇人口数量U4xm、预测逐年的农村人口数量R4xm和预测逐年的总人口数量T4xm，并将其作为人口分布预测结果；
U4xm＝U4xn×Aa
R4xm＝R4xn×Bb
T4xm＝U4xm+R4xm
基于近十年各行政区域的城镇居住人均建筑面积、农村居住人均建筑面积和城镇公共人均建筑面积的历史数据，分别得出三类人均建筑面积的平均变化率RC城镇居住，RC农村居住、RC城镇公共，和基准年的三类人均建筑面积S0城镇居住，S0农村居住、S0城镇公共，并结合三类人均建筑面积的最大限值Smax城镇居住、Smax农村居住、Smax城镇公共，分别估算预测年的三类人均建筑面积；
具体地，估算预测年的城镇公共人均建筑面积S城镇公共：
S城镇公共＝S0城镇公共×RC城镇公共，S城镇公共≤Smax城镇公共
估算预测年的城镇居住人均建筑面积S城镇居住：
S城镇居住＝S0城镇居住×RC城镇居住，S城镇居住≤Smax城镇居住
估算预测年的农村居住人均建筑面积S农村居住：
S农村居住＝S0农村居住×RC农村居住，S农村居住≤Smax农村居住
将估算的预测年的城镇公共人均建筑面积S城镇公共，预测年的城镇居住人均建筑面积S城镇居住和预测年的农村居住人均建筑面积S农村居住进行汇总，作为人均建筑面积预测结果；
将待测区域在空间上划分为M个10km×10km的空间基准网格，将上述得到的人口分布预测结果和人均建筑面积预测结果，分配至每个空间基准网格，进而核算每个空间基准网格内，不同建筑子部门的人均建筑而积和人口数量；
具体地，北方城镇供暖的人均建筑面积
Figure FDA0003208466620000031
其中，S北方城镇居住＝S0北方城镇居住×RC北方城镇居住；
其中，S0北方城镇居住为基准年的北方城镇供暖的人均建筑面积；RC北方城镇居住为北方城镇供暖的人均建筑面积的平均变化率；
城镇居住建筑的人均建筑面积
Figure FDA0003208466620000032
农村居住建筑的人均建筑面积
Figure FDA0003208466620000033
城镇居住建筑的人口数量POPGrid2＝U4xm；
农村居住建筑的人口数量POPGrid3＝R4xm。
4.根据权利要求1所述的建筑二氧化碳排放的预测方法，其特征在于，所述根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗及；其具体过程为：
所述不同建筑子部门的单位面积能耗的历史数据包括：北方供暖城市的能源消耗总量E1，城镇居住建筑的能源消耗总量E2，公共建筑的能源消耗总量E3和农村居住建筑的能源消耗总量E4；
根据不同建筑子部门的单位面积能耗的历史数据，计算北方城镇供暖的单位面积能耗EI1：
EI1＝E1/(S北方城镇居住+S城镇公共)
其中，S北方城镇居住＝S0北方城镇居住×RC北方城镇居住；
其中，S0北方城镇居住为基准年的北方城镇供暖的人均建筑面积；RC北方城镇居住为北方城镇供暖的人均建筑面积的平均变化率；
计算城镇居住建筑的单位面积能耗EI2：
EI2＝E2/S城镇居住
计算公共建筑的单位面积能耗EI3：
EI3＝E3/S城镇公共
计算农村居住建筑的单位面积能耗EI4：
EI4＝E4/S农村居住。
5.根据权利要求1所述的建筑二氧化碳排放的预测方法，其特征在于，所述采用Kayaidentity方法，利用空间演化模型，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测；其具体过程为：
预先建立的空间演化模型：
Figure FDA0003208466620000041
其中，RBCGrid为居住建筑的二氧化碳排放量；其中，居住建筑包括：北方城镇供暖、城镇居住建筑和农村居住建筑；
REMGrid为居住建筑的建筑能耗的二氧化碳排放系数；其中，REMGrid＝∑(αi×EFi)，其中，αi表示不同建筑类型的居住建筑使用第i种能源类型的能源使用占比，其单位为％，EFi表示居住建筑使用第i种能源类型的二氧化碳排放因子；其中，所述能源类型包括：煤炭、油品、电力、天然气和生物质能源；所述建筑类型包括：既有建筑和新建建筑；
REIGrid为居住建筑的单位面积能耗，其中，PREFGrid为居住建筑的人均建筑面积；POPGrid为居住建筑的网格人口数量；
PBCGrid为公共建筑的二氧化碳排放量；PEMGrid为公共建筑能耗的二氧化碳排放系数，其中，PEMGrid＝∑(αi1×EFi1)，其中，αi1表示不同建筑类型的公共建筑使用第i种能源类型的能源使用占比，其单位为％，EFi1表示公共建筑使用第i种能源类型的二氧化碳排放因子；
PEIGrid为公共建筑的单位面积能耗，PEIGrid＝EI3；PEEGrid为公共建筑的单位收益；TSGrid为第三产业产值占比；PGDRGrid为人均GDP，
根据上述建立的空间演化模型，分别获取北方城镇供暖、城镇居住建筑、公共建筑和农村居住建筑的二氧化碳排放量；
RBCGrid1＝REMGrid1×REIGrid1×PREFGrid1×POPGrid1
其中，RBCGrid1为基准年的北方城镇供暖的二氧化碳排放量；REMGrid1为北方城镇供暖的建筑能耗的二氧化碳排放系数；PEMGrid1＝∑(αi11×EFi11)；其中，αi11为不同建筑类型的北方城镇供暖使用第i种能源类型的能源使用占比；EFi1表示北方城镇供暖使用第i种能源类型的二氧化碳排放因子；
REIGrid1为北方城镇供暖的单位面积能耗，REIGrid1＝EI1；POPGrid1为有供暖区域的城镇人口数量，即从城镇人口数量U4xm中筛选出来的人口数量，为已知值；
RBCGrid2＝REMGrid2×REIGrid2×PREFGrid2×POPGrid2
其中，RBCGrid2为基准年的城镇居住建筑的二氧化碳排放量；REMGrid2为城镇居住建筑的建筑能耗的二氧化碳排放系数；PEMGrid2＝∑(αi12×EFi12)；其中，αi12为不同建筑类型城镇居住使用第i种能源类型的能源使用占比；EFi12表示城镇居住使用第i种能源类型的二氧化碳排放因子；
REIGrid2为城镇居住建筑的单位面积能耗，REIGrid2＝EI2；
RBCGrid3＝REMGrid3×REIGrid3×PREFGrid3×POPGrid3
其中，RBCGrid3为基准年的农村居住建筑的二氧化碳排放量；REMGrid3为农村居住建筑的建筑能耗的二氧化碳排放系数；PEMGrid3＝∑(αi13×EFi13)；其中，αi13为不同建筑类型的农村居住使用第i种能源类型的能源使用占比；EFi3表示农村居住使用第i种能源类型的二氧化碳排放因子；
REIGrid3为农村居住建筑的单位面积能耗，REIGrid3＝EI3；
将获取的北方城镇供暖的二氧化碳排放量RBCGrid1、城镇居住建筑的二氧化碳排放量RBCGrid2和农村居住建筑的二氧化碳排放量RBCGrid3进行汇总，得到基准年的居住建筑的二氧化碳排放量RBCB-Grid；
RBCB-Grid＝RBCGrid1+RBCGrid2+RBCGrid3；
根据得到的基准年的居住建筑的二氧化碳排放量RBCB-Grid，确定未来目标年份的居住建筑的二氧化碳排放量RBCP-Grid；
Figure FDA0003208466620000061
其中，β1为不同居住条件下建筑能耗的二氧化碳排放系数在基准年与未来目标年份的比值；β2为不同居住条件下单位面积能耗在基准年与未来目标年份的比值；β3为不同居住条件下人均建筑面积在基准年与未来目标年份的比值；β4为不同居住条件下人口数量在基准年与未来目标年份的比值；不同居住条件下包括：北方城镇供暖、城镇居住建筑和农村居住建筑；
其中，该未来目标年份的居住建筑的二氧化碳排放量RBCP-Grid是基于基准年的二氧化碳排放量进行校准后得到的结果，其精确度和准确度非常高；
获取基准年的公共建筑的二氧化碳排放量PBCB-Grid；
PBCB-Grid＝PEMGrid×PEIGrid×PEEGrid×TSGrid×PGDRGrid
根据得到的基准年的公共建筑的二氧化碳排放量PBCB-Grid，获取未来目标年份的二氧化碳排放量PBCGrid；
Figure FDA0003208466620000062
其中，β1为公共建筑能耗的二氧化碳排放系数在基准年与未来目标年份的比值；β2为公共建筑单位面积能耗在基准年与未来目标年份的比值；β3为公共建筑的单位收益在基准年与未来目标年份的比值；β4为第三产业产值占比在基准年与未来目标年份的比值；β5为城镇人口数量在基准年与未来目标年份的比值。
6.一种建筑二氧化碳排放的预测系统，其特征在于，该系统包括：
第一数据获取模块，用于将待测区域在空间上划分为多个10km×10km的空间基准网格，结合人口分布预测结果和人均建筑面积预测结果，对每一个空间基准网格，核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量；
第二数据获取模块，用于根据不同建筑子部门的单位面积能耗的历史数据，估算未来年份每个基准网格中不同建筑子部门的单位面积能耗；和
预测模块，用于采用Kaya identity方法，利用空间演化模型，基于上述核算结果和估算结果，获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每个基准网格的公共建筑二氧化碳排放量，将二者汇总后，作为建筑二氧化碳排放量的预测结果，完成对建筑二氧化碳排放量的预测。
CN202110923911.1A 2021-08-12 2021-08-12 一种建筑二氧化碳排放的预测方法及预测系统 Active CN113742817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110923911.1A CN113742817B (zh) 2021-08-12 2021-08-12 一种建筑二氧化碳排放的预测方法及预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110923911.1A CN113742817B (zh) 2021-08-12 2021-08-12 一种建筑二氧化碳排放的预测方法及预测系统

Publications (2)

Publication Number Publication Date
CN113742817A true CN113742817A (zh) 2021-12-03
CN113742817B CN113742817B (zh) 2022-04-12

Family

ID=78730835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110923911.1A Active CN113742817B (zh) 2021-08-12 2021-08-12 一种建筑二氧化碳排放的预测方法及预测系统

Country Status (1)

Country Link
CN (1) CN113742817B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187133A (zh) * 2022-08-04 2022-10-14 东南大学 一种基于动态监测的传统民居运行阶段碳排量核算方法
CN116187788A (zh) * 2023-05-04 2023-05-30 江苏智能低碳科技发展有限公司 用于厂区的能碳管理算法应用平台
CN117951201B (zh) * 2024-03-27 2024-05-31 中科三清科技有限公司 一种碳排放清单建立方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063630A (zh) * 2014-07-16 2014-09-24 南京擎天科技有限公司 一种地区碳排放量预测方法
CN107563562A (zh) * 2017-09-08 2018-01-09 新奥泛能网络科技股份有限公司 网格化城市大气污染物排放的评估方法及装置
JP2018048749A (ja) * 2016-09-20 2018-03-29 株式会社東芝 推定装置、推定システム、推定方法及び推定プログラム
CN108280789A (zh) * 2018-01-31 2018-07-13 中国科学院地理科学与资源研究所 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法
CN109740968A (zh) * 2019-01-25 2019-05-10 中国科学院上海高等研究院 二氧化碳排放空间格网化方法、系统、介质和装置
CN110580386A (zh) * 2019-08-23 2019-12-17 生态环境部环境规划院 一种交通部门二氧化碳排放空间网格化方法
CN110689269A (zh) * 2019-09-30 2020-01-14 天津大学 基于自回归分布滞后模型及Kaya公式的碳排放评估方法
US20200372588A1 (en) * 2019-05-20 2020-11-26 Singularity Energy, Inc. Methods and systems for machine-learning for prediction of grid carbon emissions
CN112329262A (zh) * 2020-11-24 2021-02-05 天津大学城市规划设计研究院有限公司 一种居住建筑燃气碳排放量预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063630A (zh) * 2014-07-16 2014-09-24 南京擎天科技有限公司 一种地区碳排放量预测方法
JP2018048749A (ja) * 2016-09-20 2018-03-29 株式会社東芝 推定装置、推定システム、推定方法及び推定プログラム
CN107563562A (zh) * 2017-09-08 2018-01-09 新奥泛能网络科技股份有限公司 网格化城市大气污染物排放的评估方法及装置
CN108280789A (zh) * 2018-01-31 2018-07-13 中国科学院地理科学与资源研究所 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法
CN109740968A (zh) * 2019-01-25 2019-05-10 中国科学院上海高等研究院 二氧化碳排放空间格网化方法、系统、介质和装置
US20200372588A1 (en) * 2019-05-20 2020-11-26 Singularity Energy, Inc. Methods and systems for machine-learning for prediction of grid carbon emissions
CN110580386A (zh) * 2019-08-23 2019-12-17 生态环境部环境规划院 一种交通部门二氧化碳排放空间网格化方法
CN110689269A (zh) * 2019-09-30 2020-01-14 天津大学 基于自回归分布滞后模型及Kaya公式的碳排放评估方法
CN112329262A (zh) * 2020-11-24 2021-02-05 天津大学城市规划设计研究院有限公司 一种居住建筑燃气碳排放量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王金南等: "中国 10km 二氧化碳排放网格及空间特征分析", 《中国环境科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187133A (zh) * 2022-08-04 2022-10-14 东南大学 一种基于动态监测的传统民居运行阶段碳排量核算方法
CN115187133B (zh) * 2022-08-04 2023-11-14 东南大学 一种基于动态监测的传统民居运行阶段碳排量核算方法
CN116187788A (zh) * 2023-05-04 2023-05-30 江苏智能低碳科技发展有限公司 用于厂区的能碳管理算法应用平台
CN117951201B (zh) * 2024-03-27 2024-05-31 中科三清科技有限公司 一种碳排放清单建立方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113742817B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN113742817B (zh) 一种建筑二氧化碳排放的预测方法及预测系统
CN106951980B (zh) 一种基于rcp情景的水库群适应性调度方法
Hong et al. A review on sustainable construction management strategies for monitoring, diagnosing, and retrofitting the building’s dynamic energy performance: Focused on the operation and maintenance phase
Kavgic et al. Uncertainty and modeling energy consumption: Sensitivity analysis for a city-scale domestic energy model
Liu et al. Energy-saving potential prediction models for large-scale building: A state-of-the-art review
Fan et al. Analysis of hourly cooling load prediction accuracy with data-mining approaches on different training time scales
Li et al. Federated learning-based short-term building energy consumption prediction method for solving the data silos problem
CN113780660B (zh) 一种居民用电量预测方法、系统及存储介质
Talebi et al. Simplified model to predict the thermal demand profile of districts
Li et al. Identifying key determinants for building energy analysis from urban building datasets
CN111092451B (zh) 一种基于配电网网格的光伏消纳预警方法
Wang et al. Benchmarking urban local weather with long-term monitoring compared with weather datasets from climate station and EnergyPlus weather (EPW) data
Zhang et al. Urban micro-climate prediction through long short-term memory network with long-term monitoring for on-site building energy estimation
TW201635224A (zh) 智慧型短期電力發電量預測方法
Liu et al. A multi-objective optimization framework for designing urban block forms considering daylight, energy consumption, and photovoltaic energy potential
Chen et al. AI-Assisted approach for building energy and carbon footprint modeling
CN116865236A (zh) 一种基于新能源发电的中长期发电量预测方法及系统
Gerber et al. Towards sustainable developing cities: A simplified forecasting model for sizing grid-tied PV using monthly electricity bills
Mahmoud The Influence of Buildings Proportions and Orientations on Energy Demand for Cooling in Hot Arid Climate
CN115935667A (zh) 一种区域地表水资源预测模拟及其优化配置方法
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
CN113392497B (zh) 一种按地理区域度量光伏组件现场性能退化的方法
Fathi et al. Campus energy use prediction (CEUP) using artificial intelligence (AI) to study climate change impacts
CN115809718B (zh) 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统
Yuan et al. Analysis of influencing factors on heat consumption of large residential buildings with different occupancy rates-Tianjin case study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant