CN113887808A - 一种基于电力大数据的碳排放测算方法 - Google Patents
一种基于电力大数据的碳排放测算方法 Download PDFInfo
- Publication number
- CN113887808A CN113887808A CN202111176140.0A CN202111176140A CN113887808A CN 113887808 A CN113887808 A CN 113887808A CN 202111176140 A CN202111176140 A CN 202111176140A CN 113887808 A CN113887808 A CN 113887808A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- sequence
- consumption
- calculating
- variables
- 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.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 129
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000001364 causal effect Effects 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000005611 electricity Effects 0.000 claims description 37
- 238000005259 measurement Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 20
- 230000007774 longterm Effects 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 7
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 238000003869 coulometry Methods 0.000 claims description 3
- 238000010790 dilution Methods 0.000 claims description 3
- 239000012895 dilution Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002195 synergetic effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- 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
Abstract
一种基于电力大数据的碳排放测算方法,涉及碳排放测算技术领域,根据待测算对象的特征,选择相应的碳排放关联变量,检验关联变量与用电量变量的平稳性、协整关系、因果关系,从而构建关联变量与用电量变量的关系模型,计算相关调整因子,根据关系模型计算待测对象碳排放数据。本发明的有益效果在于:本发明基于高频度、多维度的电力大数据,通过频度转换、模型推断、季节调整等多种技术,对缺失的高频宏观统计指标进行推算,采用IPCC的清单编制法,借鉴国际机构、国内权威机构以及公开的研究文献中所给出的各种碳排放系数,可以对地区、重点行业、居民户的碳排放进行高频测算。
Description
技术领域
本发明涉及碳排放测算技术领域,具体是涉及一种基于电力大数据的碳排 放测算方法。
背景技术
国内外测算碳排放的主要方法有清单编制法、实测法、物料衡算法、模型 法等(张德英等,2005)。其中,清单编制法是最为常用的方法。国际上权威的 机构,如IEA、CDIAC、EDGAR、EIA等,尽管所用碳排放测算的具体计算方法各 不相同,但基本上都采用基于IPCC计算公式的清单编制法(李青青等,2018)。
具体对于居民户碳排放测算方法,主要有投入产出法、消费者生活方式法、 生命周期评价法、碳足迹计算模型法、清单编制法(也称排放系数法),其中清 单编制法应用较为广泛。
所谓清单编制法,其主要依据IPCC出版的《2006年IPCC国家温室气体清 单指南》,在明确温室气体主要的排放源(排放源主要有来自能源活动、工业生 产过程、农业、土地利用变化和林业以及废弃物等)的基础上,利用下面的公 式来进行碳排放的核算:
排放量=活动水平×排放因子;
根据《2006年IPCC国家温室气体清单指南》,排放因子有三类可供选择, 即IPCC缺省排放因子、国别排放因子、以及利用模型工具的复杂方法所得排放 因子。
基于清单编制法来测算碳排放,最大的限制是初始数据的频度较低,通常 是年度数据,因此只能计算出低频度的碳排放测算结果;除此外,由于一些维 度,比如居民户或者某些地市的行业的低频年度能源消费数据缺失,使得很多 维度的低频年度碳排放测算难以实现。因此,现有的技术缺点一是计算的碳排 放数据频度较低,通常为年度结果,且较为滞后,二是有些维度的数据缺失, 使得碳排放计算无法实现。
发明内容
为了克服现有技术存在的缺点,本发明提出了一种基于电力大数据的碳排 放测算方法。基于高频度、多维度的电力大数据,充分利用频度转换、模型推 断、季节调整等多种技术,对省、市、重点行业、居民户的高频能源消费数据 进行推断,从而能够实现对地区、重点行业、居民户的碳排放进行高频监测。
本发明提供一种基于电力大数据的碳排放测算方法,包括以下步骤:
第一步,根据待测算对象的特征,选择相应的碳排放关联变量;
第二步,检验关联变量与用电量变量的平稳性,如果两个变量均为平稳序 列,则直接进入到第四步检验;
第三步,如果两个变量均为非平稳变量,则进行协整检验,如果两个变量 存在协整关系,则进入下一步检验;
第四步,检验关联变量与用电量的因果关系,如果用电量是关联变量的格 兰杰原因,则进入下一步;
第五步,构建关联变量与用电量变量的关系模型;
第六步,计算相关调整因子,根据第五步的关系模型计算待测对象碳排放 数据。
所述的基于电力大数据的碳排放测算方法,应用于地区碳排放测算的具体 步骤为:
S1,推算各下级区域及其各产业能源消费总量年度值E1,用E表示地区能 源消费量及各产业的能源消费总量年度值,用G表示地区增加值与各产业增加 值年度值,G1表示各下级区域生产总值及其各产业的生产总值的年度值;则:
E1=(E/G)*G1
S2,检验能源消费总量与用电量变量的平稳性,如果两个变量均为平稳序 列,则直接进入S4;用E表示地区能源消费量及各产业的能源消费总量年度值, 对E序列进行平稳性检验,即
构造如下的统计量对Et-1前面的参数进行检验,如果参数小于0,则序列是 平稳的;
S3,如果两个变量均为非平稳变量,则进行协整检验,如果两个变量存在 协整关系,则进入到S4;用Ec表示地区及各产业的用电量,用E表示地区能源 消费量及各产业的能源消费总量年度值,如果两个序列都是非平稳的,且都是 一阶单整,则进行如下协整检验,
其中r*是典型相关稀释,M是变量的总数量,r是协整向量的个数;
S4,检验能源消费总量与用电量的因果关系,如果用电量是能源消费总量 的格兰杰原因,则进入下一步;用Ec表示地区及各产业的用电量,用E表示地 区能源消费量及各产业的能源消费总量年度值,则如果下面的模型中的原假设 H0成立,则说明用电量是能源消费总量的格兰杰原因;
H0:α1=α2=…αp=0
S5,估计并筛选得到各地区各产业能源消费总量与用电量的长期均衡关系 模型;用Ec表示地区及各产业的用电量,对Ec和E序列建立长期均衡关系模 型如下:
S7,利用调整因子F,以及标准煤的碳排放系数h,得到地区及各产业的月 度碳排放量Ct:
所述的基于电力大数据的碳排放测算方法,应用于重点行业碳排放测算的 具体步骤为:
S01,利用插值模型,对缺失的行业产量数据进行插补;
S02,利用季节调整模型X-12-ARIMA,对行业产量和用电量原序列进行季节 调整,以用电量Ec为例,
Ect=Tt*Ct*St*It
据此可以分离得到每个序列的季节因子S,同时得到每个序列的TCI序列, 产量TCI序列记为Y,用电量TCI序列记为X;
S03,检验产量TCI序列Y与用电量TCI序列X的平稳性,检验方法同地区 碳排放测算的步骤S2;如果序列Y与序列X均为平稳序列,则直接进入因果关 系检验;
S04,如果产量TCI序列Y与用电量TCI序列X均为非平稳变量,则进行协 整检验,检验方法同地区碳排放测算的步骤S3;如果两个变量存在协整关系, 则进入下一步检验;
S05,检产量TCI序列Y与用电量TCI序列X的因果关系,方法同地区碳排 放测算的步骤S4;如果电量TCI序列X是产量TCI序列Y的格兰杰原因,则进 入下一步;
S06,估计并筛选得到产量TCI序列Y与用电量TCI序列X的ADL(q,s)模 型如下:
S07,根据季节因子S以及对应行业产品的碳排放系数w可以计算得到各行 业生产过程中的碳排放量Ct;
所述的基于电力大数据的碳排放测算方法,应用于居民户碳排放测算,区 分农村居民户和城市居民户,农村居民户碳排放测算类同于城市居民户碳排放 测算。
所述的基于电力大数据的碳排放测算方法,应用于城市居民户碳排放测算 的具体步骤为:
S-1,检验人均消费PC序列与人均GDP序列的平稳性,检验方法同地区碳 排放测算的步骤S2;如果人均消费PC序列与人均GDP序列均为平稳序列,则直 接进入因果关系检验;
S-2,如果人均消费PC序列与人均GDP序列均为非平稳变量,则进行协整 检验,检验方法同地区碳排放测算的步骤S3;如果人均消费PC序列与人均GDP 序列存在协整关系,则进入下一步检验;
S-3,检验人均消费PC序列与人均GDP序列的因果关系,方法同地区碳排 放测算的步骤S4;,如果人均消费PC序列与人均GDP序列的格兰杰原因,则进 入下一步;
S-4,利用城市的四大类消费数据与对应的城市GDP数据,建立人均消费(PC) 与人均GDP(PG)的长期均衡关系模型;并利用人口数据,计算各区县的消费数 据TC,其中i表示消费类别,j表示区县;
TCij=(α0+α1*PGij)*Pij
S-5,利用插值模型,对分析指标进行插补,得到月度序列指标TCijt;估计 并筛选得到该地区的城市居民户的消费TCijt与其月度用电量X的ADL(1,0)模 型如下:
S-6,根据Sturges分组法,利用各区县城市居民户用电量进行分组,并确 定不同组别的排放比较系数GF;同时计算定基的价格调整因子PF;参考各类消 费的排放因子CF,计算得到各类消费的间接碳排放量ICijt,公式如下:
S-7,利用四大类消费碳排放占居民户总消费碳排放的比例p1,计算得到各 区县居民户的总的间接碳排放量ICjt:
S-8,利用各区县城市居民户用电量分组的不同组别排放比较系数GF、电力 排放系数EF、电力碳排放占直接碳排放的比例p2,以及居民户用电量数据X1jt计算得到各区县居民户的直接碳排放DCjt:
S-9,将居民户的直接碳排和间接碳排放加总,得到居民户的总碳排放量Cjt
Cjt=DCjt+ICjt。
相关术语解释:
电力大数据:指各个用电主体的高频用电量数据,具体来说,这里的高频 数据指的是日度数据。
长期均衡模型:指一般回归模型中,当误差项满足均衡误差项的假设条件 时所对应的回归模型即为长期均衡模型。
ADL模型:指自回归分布滞后模型,模型中的自变量包含有因变量的滞后项 同时也包含有自变量的滞后项。
X-12-ARIMA:是季节调整方法中的一种,利用反复的移动平均,同时结合 ARIMA模型对序列进行两端延长,从而实现对序列的分解。
Denton模型:指保持原低频数据的变化趋势为准则,基于数值平滑,通过 最优化反复进行的时间分解方法。
碳排放系数:指根据大量的经验实事,由国际权威机构(如IPCC)或研究 者提出的某种能源燃烧或使用过程中单位能源所产生的碳排放量。
间接碳排放:指居民户由于食品烟酒、衣着、教育文化消费等活动带来的 间接碳排放量。
直接碳排放:指居民户使用电、天然气、汽油等能源而带来的直接碳排放 量。
Sturges分组法:指根据数据的个数n计算确定组数k的经验公式,计算结 果取整后即为最终的组数。
本发明的有益效果在于:本发明建立了用电量和外部宏观统计变量的关系 模型,进而可以用高频的用电量数据推算地区和行业的能源消费总量以及行业 的产量的高频数据,同时可以推断居民户的各类消费的高频数据,进而最终推 算碳排放量的高频数据。
本发明基于高频多维的电力大数据,利用多种频度转换技术、季节调整技 术、模型推断技术,将低频的能源消费数据和其他宏观统计指标数据,转化为 能源消费数据和其他宏观统计数据转化为高频,结合IPCC以及相文文献的碳排 放系数,解决了地区、重点行业和居民户的高频碳排放测算问题。
具体实施方式
实施例1,本发明提供一种基于电力大数据的碳排放测算方法,包括以下步 骤:
第一步,根据待测算对象的特征,选择相应的碳排放关联变量;
第二步,检验关联变量与用电量变量的平稳性,如果两个变量均为平稳序 列,则直接进入到第四步检验;
第三步,如果两个变量均为非平稳变量,则进行协整检验,如果两个变量 存在协整关系,则进入下一步检验;
第四步,检验关联变量与用电量的因果关系,如果用电量是关联变量的格 兰杰原因,则进入下一步;
第五步,构建关联变量与用电量变量的关系模型;
第六步,计算相关调整因子,根据第五步的关系模型计算待测对象碳排放 数据。
所述的基于电力大数据的碳排放测算方法,应用于地区碳排放测算的具体 步骤为:
S1,推算各下级区域及其各产业能源消费总量年度值E1,用E表示地区能 源消费量及各产业的能源消费总量年度值,用G表示地区增加值与各产业增加 值年度值,G1表示各下级区域生产总值及其各产业的生产总值的年度值;则:
E1=(E/G)*G1
S2,检验能源消费总量与用电量变量的平稳性,如果两个变量均为平稳序 列,则直接进入S4;用E表示地区能源消费量及各产业的能源消费总量年度值, 对E序列进行平稳性检验,即
构造如下的统计量对Et-1前面的参数进行检验,如果参数小于0,则序列是 平稳的;
S3,如果两个变量均为非平稳变量,则进行协整检验,如果两个变量存在 协整关系,则进入到S4;用Ec表示地区及各产业的用电量,用E表示地区能源 消费量及各产业的能源消费总量年度值,如果两个序列都是非平稳的,且都是 一阶单整,则进行如下协整检验,
其中r*是典型相关稀释,M是变量的总数量,r是协整向量的个数;
S4,检验能源消费总量与用电量的因果关系,如果用电量是能源消费总量 的格兰杰原因,则进入下一步;用Ec表示地区及各产业的用电量,用E表示地 区能源消费量及各产业的能源消费总量年度值,则如果下面的模型中的原假设 H0成立,则说明用电量是能源消费总量的格兰杰原因;
H0:α1=α2=…αp=0
S5,估计并筛选得到各地区各产业能源消费总量与用电量的长期均衡关系 模型;用Ec表示地区及各产业的用电量,对Ec和E序列建立长期均衡关系模 型如下:
S7,利用调整因子F,以及标准煤的碳排放系数h,得到地区及各产业的月 度碳排放量Ct:
所述的基于电力大数据的碳排放测算方法,应用于重点行业碳排放测算的 具体步骤为:
S01,利用插值模型,对缺失的行业产量数据进行插补;
S02,利用季节调整模型X-12-ARIMA,对行业产量和用电量原序列进行季节 调整,以用电量Ec为例,
Ect=Tt*Ct*St*It
据此可以分离得到每个序列的季节因子S,同时得到每个序列的TCI序列, 产量TCI序列记为Y,用电量TCI序列记为X;
S03,检验产量TCI序列Y与用电量TCI序列X的平稳性,检验方法同地区 碳排放测算的步骤S2;如果序列Y与序列X均为平稳序列,则直接进入因果关 系检验;
S04,如果产量TCI序列Y与用电量TCI序列X均为非平稳变量,则进行协 整检验,检验方法同地区碳排放测算的步骤S3;如果两个变量存在协整关系, 则进入下一步检验;
S05,检产量TCI序列Y与用电量TCI序列X的因果关系,方法同地区碳排 放测算的步骤S4;如果电量TCI序列X是产量TCI序列Y的格兰杰原因,则进 入下一步;
S06,估计并筛选得到产量TCI序列Y与用电量TCI序列X的ADL(q,s)模 型如下:
S07,根据季节因子S以及对应行业产品的碳排放系数w可以计算得到各行 业生产过程中的碳排放量Ct;
所述的基于电力大数据的碳排放测算方法,应用于居民户碳排放测算,区 分农村居民户和城市居民户,农村居民户碳排放测算类同于城市居民户碳排放 测算。
所述的基于电力大数据的碳排放测算方法,应用于城市居民户碳排放测算 的具体步骤为:
S-1,检验人均消费PC序列与人均GDP序列的平稳性,检验方法同地区碳 排放测算的步骤S2;如果人均消费PC序列与人均GDP序列均为平稳序列,则直 接进入因果关系检验;
S-2,如果人均消费PC序列与人均GDP序列均为非平稳变量,则进行协整 检验,检验方法同地区碳排放测算的步骤S3;如果人均消费PC序列与人均GDP 序列存在协整关系,则进入下一步检验;
S-3,检验人均消费PC序列与人均GDP序列的因果关系,方法同地区碳排 放测算的步骤S4;,如果人均消费PC序列与人均GDP序列的格兰杰原因,则进 入下一步;
S-4,利用城市的四大类消费数据与对应的城市GDP数据,建立人均消费(PC) 与人均GDP(PG)的长期均衡关系模型;并利用人口数据,计算各区县的消费数 据TC,其中i表示消费类别,j表示区县;
TCij=(α0+α1*PGij)*Pij
S-5,利用插值模型,对分析指标进行插补,得到月度序列指标TCijt;估计 并筛选得到该地区的城市居民户的消费TCijt与其月度用电量X的ADL(1,0)模 型如下:
S-6,根据Sturges分组法,利用各区县城市居民户用电量进行分组,并确 定不同组别的排放比较系数GF;同时计算定基的价格调整因子PF;参考各类消 费的排放因子CF,计算得到各类消费的间接碳排放量ICijt,公式如下:
S-7,利用四大类消费碳排放占居民户总消费碳排放的比例p1,计算得到各 区县居民户的总的间接碳排放量ICjt:
S-8,利用各区县城市居民户用电量分组的不同组别排放比较系数GF、电力 排放系数EF、电力碳排放占直接碳排放的比例p2,以及居民户用电量数据X1jt计算得到各区县居民户的直接碳排放DCjt:
S-9,将居民户的直接碳排和间接碳排放加总,得到居民户的总碳排放量Cjt Cjt=DCjt+ICjt。
Claims (4)
1.一种基于电力大数据的碳排放测算方法,其特征在于,包括以下步骤:
第一步,根据待测算对象的特征,选择相应的碳排放关联变量;
第二步,检验关联变量与用电量变量的平稳性,如果两个变量均为平稳序列,则直接进入到第四步检验;
第三步,如果两个变量均为非平稳变量,则进行协整检验,如果两个变量存在协整关系,则进入下一步检验;
第四步,检验关联变量与用电量的因果关系,如果用电量是关联变量的格兰杰原因,则进入下一步;
第五步,构建关联变量与用电量变量的关系模型;
第六步,计算相关调整因子,根据第五步的关系模型计算待测对象碳排放数据。
2.根据权利要求1所述的一种基于电力大数据的碳排放测算方法,其特征在于,所述的基于电力大数据的碳排放测算方法,应用于地区碳排放测算的具体步骤为:
S1,推算各下级区域及其各产业能源消费总量年度值E1,用E表示地区能源消费量及各产业的能源消费总量年度值,用G表示地区增加值与各产业增加值年度值,G1表示各下级区域生产总值及其各产业的生产总值的年度值;则:
E1=(E/G)*G1
S2,检验能源消费总量与用电量变量的平稳性,如果两个变量均为平稳序列,则直接进入S4;用E表示地区能源消费量及各产业的能源消费总量年度值,对E序列进行平稳性检验,即
Et=α+βt+γEt-1+β1ΔEt-1+…+βmΔEt-m+εt
构造如下的统计量对Et-1前面的参数进行检验,如果参数小于0,则序列是平稳的;
S3,如果两个变量均为非平稳变量,则进行协整检验,如果两个变量存在协整关系,则进入到S4;用Ec表示地区及各产业的用电量,用E表示地区能源消费量及各产业的能源消费总量年度值,如果两个序列都是非平稳的,且都是一阶单整,则进行如下协整检验,
其中r*是典型相关稀释,M是变量的总数量,r是协整向量的个数;
S4,检验能源消费总量与用电量的因果关系,如果用电量是能源消费总量的格兰杰原因,则进入下一步;用Ec表示地区及各产业的用电量,用E表示地区能源消费量及各产业的能源消费总量年度值,则如果下面的模型中的原假设H0成立,则说明用电量是能源消费总量的格兰杰原因;
H0:α1=α2=…αp=0
S5,估计并筛选得到各地区各产业能源消费总量与用电量的长期均衡关系模型;用Ec表示地区及各产业的用电量,对Ec和E序列建立长期均衡关系模型如下:
S7,利用调整因子F,以及标准煤的碳排放系数h,得到地区及各产业的月度碳排放量Ct:
3.根据权利要求1所述的一种基于电力大数据的碳排放测算方法,其特征在于,所述的基于电力大数据的碳排放测算方法,应用于重点行业碳排放测算的具体步骤为:
S01,利用插值模型,对缺失的行业产量数据进行插补;
S02,利用季节调整模型X-12-ARIMA,对行业产量和用电量原序列进行季节调整,以用电量Ec为例,
Ect=Tt*Ct*St*It
据此可以分离得到每个序列的季节因子S,同时得到每个序列的TCI序列,产量TCI序列记为Y,用电量TCI序列记为X;
S03,检验产量TCI序列Y与用电量TCI序列X的平稳性,检验方法同地区碳排放测算的步骤S2;如果序列Y与序列X均为平稳序列,则直接进入因果关系检验;
S04,如果产量TCI序列Y与用电量TCI序列X均为非平稳变量,则进行协整检验,检验方法同地区碳排放测算的步骤S3;如果两个变量存在协整关系,则进入下一步检验;
S05,检产量TCI序列Y与用电量TCI序列X的因果关系,方法同地区碳排放测算的步骤S4;如果电量TCI序列X是产量TCI序列Y的格兰杰原因,则进入下一步;
S06,估计并筛选得到产量TCI序列Y与用电量TCI序列X的ADL(q,s)模型如下:
S07,根据季节因子S以及对应行业产品的碳排放系数w可以计算得到各行业生产过程中的碳排放量Ct;
4.根据权利要求1所述的一种基于电力大数据的碳排放测算方法,其特征在于,所述的基于电力大数据的碳排放测算方法,应用于城市居民户碳排放测算的具体步骤为:
S-1,检验人均消费PC序列与人均GDP序列的平稳性,检验方法同地区碳排放测算的步骤S2;如果人均消费PC序列与人均GDP序列均为平稳序列,则直接进入因果关系检验;
S-2,如果人均消费PC序列与人均GDP序列均为非平稳变量,则进行协整检验,检验方法同地区碳排放测算的步骤S3;如果人均消费PC序列与人均GDP序列存在协整关系,则进入下一步检验;
S-3,检验人均消费PC序列与人均GDP序列的因果关系,方法同地区碳排放测算的步骤S4;,如果人均消费PC序列与人均GDP序列的格兰杰原因,则进入下一步;
S-4,利用城市的四大类消费数据与对应的城市GDP数据,建立人均消费(PC)与人均GDP(PG)的长期均衡关系模型;并利用人口数据,计算各区县的消费数据TC,其中i表示消费类别,j表示区县;
TCij=(α0+α1*PGij)*Pij
S-5,利用插值模型,对分析指标进行插补,得到月度序列指标TCijt;估计并筛选得到该地区的城市居民户的消费TCijt与其月度用电量X的ADL(1,0)模型如下:
S-6,根据Sturges分组法,利用各区县城市居民户用电量进行分组,并确定不同组别的排放比较系数GF;同时计算定基的价格调整因子PF;参考各类消费的排放因子CF,计算得到各类消费的间接碳排放量ICijt,公式如下:
S-7,利用四大类消费碳排放占居民户总消费碳排放的比例p1,计算得到各区县居民户的总的间接碳排放量ICjt:
S-8,利用各区县城市居民户用电量分组的不同组别排放比较系数GF、电力排放系数EF、电力碳排放占直接碳排放的比例p2,以及居民户用电量数据X1jt计算得到各区县居民户的直接碳排放DCjt:
S-9,将居民户的直接碳排和间接碳排放加总,得到居民户的总碳排放量Cjt
Cjt=DCjt+ICjt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111176140.0A CN113887808A (zh) | 2021-10-09 | 2021-10-09 | 一种基于电力大数据的碳排放测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111176140.0A CN113887808A (zh) | 2021-10-09 | 2021-10-09 | 一种基于电力大数据的碳排放测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887808A true CN113887808A (zh) | 2022-01-04 |
Family
ID=79005820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111176140.0A Pending CN113887808A (zh) | 2021-10-09 | 2021-10-09 | 一种基于电力大数据的碳排放测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887808A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN116050859A (zh) * | 2022-12-07 | 2023-05-02 | 国义招标股份有限公司 | 基于大数据的动态基准线碳排放交易方法和系统 |
-
2021
- 2021-10-09 CN CN202111176140.0A patent/CN113887808A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN115564106B (zh) * | 2022-09-29 | 2023-10-17 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN116050859A (zh) * | 2022-12-07 | 2023-05-02 | 国义招标股份有限公司 | 基于大数据的动态基准线碳排放交易方法和系统 |
CN116050859B (zh) * | 2022-12-07 | 2023-11-14 | 国义招标股份有限公司 | 基于大数据的动态基准线碳排放交易方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jebli et al. | The role of renewable energy and agriculture in reducing CO2 emissions: Evidence for North Africa countries | |
CN113887808A (zh) | 一种基于电力大数据的碳排放测算方法 | |
Liu et al. | The calculation of productivity factor for ecological footprints in China: A methodological note | |
CN103413253A (zh) | 一种基于经济、气象因素的年最大负荷分类预测方法 | |
CN109544038B (zh) | 一种基于生命周期分析的生物质碳排放估算系统和方法 | |
CN110544180A (zh) | 一种基于能耗预测和分析诊断的建筑节能系统 | |
CN109376953A (zh) | 一种中长期电量预测方法及系统 | |
CN114169574A (zh) | 一种通过工业运行电力指数进行大气污染预测的方法 | |
CN109325880A (zh) | 一种基于Verhulst-SVM的中长期负荷预测方法 | |
CN110136020A (zh) | 一种基于农业物联网的农业监管平台 | |
CN111126696A (zh) | 一种计及多影响因素的电量预测方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
Shiri | Prediction vs. estimation of dewpoint temperature: assessing GEP, MARS and RF models | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN103530700A (zh) | 城区配电网饱和负荷综合预测方法 | |
CN115564106A (zh) | 一种基于电力数据的碳排放测算方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN116187823A (zh) | 一种基于电力数据的区域碳排放计算方法及装置 | |
CN114519460A (zh) | 一种基于离散多变量灰色预测的电力预测系统 | |
Yu et al. | Forecasting model of agricultural products prices in wholesale markets based on combined BP neural network-time series model | |
CN112613670A (zh) | 一种基于权重分配预测电力用户需量的装置及方法 | |
Wilson et al. | Philosophical aspects of measurements, equations and inferences in plant growth studies | |
Salimaco Jr | Modeling the electricity consumption in the Province of Davao Oriental with auto-regressive integrated moving average | |
Zhao et al. | An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees | |
CN117113022A (zh) | 一种区域碳排放计算方法、系统、存储介质及设备 |
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 |