CN115719180A - 一种工业园区降碳关键影响因素分析方法 - Google Patents
一种工业园区降碳关键影响因素分析方法 Download PDFInfo
- Publication number
- CN115719180A CN115719180A CN202211481783.0A CN202211481783A CN115719180A CN 115719180 A CN115719180 A CN 115719180A CN 202211481783 A CN202211481783 A CN 202211481783A CN 115719180 A CN115719180 A CN 115719180A
- Authority
- CN
- China
- Prior art keywords
- carbon
- emission
- factors
- model
- industrial park
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于降碳关键影响因素分析技术领域,具体涉及一种工业园区降碳关键影响因素分析方法;包括步骤1对工业园区碳排放的因素进行分析;步骤2选取影响工业园区降碳的关键因素并建模;步骤3建立工业园区碳排放最优化模型;本发明根据专家经验并将影响碳排放因素输入到神经网络进行训练,获取关键因素对于碳排放的影响占的比重,进而找到影响碳排放占主要贡献的关键因素;基于关键因素建立碳排放动态模型,利用CNN深度学习神经网路对模型进行优化,获取各个关键因素在动态模型的权重信息,构建出最优的碳排放动态模型,为工业园区提供根据关键因素降低碳排放的最优化方案。
Description
技术领域
本发明属于降碳关键影响因素分析技术领域,具体涉及一种工业园区降碳关键影响因素分析方法。
背景技术
中低压台区作为电网供电体系中的末端部分,是配电网的重要组成部分,负责直接为电力用户供电,它具有数量多、分布广泛、设备复杂、各类数据交叉融合等特点。台区的直接对象是工业园区,工业园区是我国工业发展的重要载体和强大引擎。然而,影响工业园区碳排放量的因素很多且相互有联系,如何在影响工业园区碳排放众多因素中,找到主要影响碳排放的关键因素,并量化识别这些关键因素,建立碳排放的动态模型是工业园区降碳的重要途径之一,进而为建设低碳台区提供引导和规划支持;目前关于工业园区降碳方法中存在以下几个亟待解决的技术问题:(1)影响工业园区碳排放的因素较多,在选取这些因素时绝大部分都是根据设计者经验选择的,没有一个可选的指导性框架;(2)碳排放模型建立后,仅仅根据获取的数据机械式带入到碳排放模型中,得到工业园区的碳排放量多少,没有考虑如何使用新技术来获得最优的碳排放模型,导致很难给工业园区提供一个切实的指导意见和规划建设。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种工业园区降碳关键影响因素分析方法,针对工业园区影响碳排放的因素较多的问题,利用提出的专家神经网络对诸多因素进行抽取,选取对碳排放量贡献率较高的关键因素,并基于此建立碳排放的动态模型;针对碳排放最优模型中关键因素不易设计问题,根据CNN深度学习技术优化碳排放模型的各个主要因素值,得到最优化碳排放模型,最后为建设低碳台区提供引导和规划支持。
本发明的目的是这样实现的:一种工业园区降碳关键影响因素分析方法,它包括以下步骤:
步骤1、对工业园区碳排放的因素进行分析;
步骤2、选取影响工业园区降碳的关键因素并建模;
步骤3、建立工业园区碳排放最优化模型。
所述步骤1对工业园区碳排放的因素进行分析包括:
确定能源活动碳排放的因素类别:焦炭消费、原煤消费、煤炭消费、原油消费、柴油消费、液化石油气消费、汽油消费、天然气消费、电力消费、生物质燃料、热力;
确定废弃物处理中的因素:生活污水、工业废水、危险废物、生活垃圾;
确定林业和植被包含因素:国槐树、杏树、桂花、紫荆、阔叶林、樱花、白梨、碧桃、榆叶梅、紫穗槐、千头椿、金创小草、白车轴草。
所述步骤2选取影响工业园区降碳的关键因素并建模包括:
将专家经验和神经网络结合起来设计一种专家神经网络对所有考虑的降碳因素进行筛选,寻找那些对降碳贡献较高的因素作为关键因素,而后根据关键因素建立动态模型;首先,基于专家神经网络选取关键因素,将根据专家经验和工业园区统计的数据,列出影响碳排放的因素作为输入参数,输出参数为碳排量;专家权重是指这些因素对碳排放的影响所占的比重大小,即贡献大小;然后,建立各个关键因素的碳排放模型,包括能源消耗因素的碳排放模型、林业和植被碳汇的模型、废弃物处理因素的模型。
所述能源消耗因素的碳排放模型包括:
能源消耗主要有化石消费,电力消费,热力三个因素产生的碳排放,此项计算公式如下:
C能耗=C煤炭+C电力+C热力 (1)
式中,C能耗为能源活动二氧化碳排放总量,单位为吨(t);C煤炭为化石燃料燃烧活动产生的二氧化碳排放量;C电力为净购入电力二氧化碳间接排放量;C热力为净购入热力二氧化碳间接排放量;化石主要有煤炭,焦炭,原煤;
式中,Pj第j种燃料的平均低位发热值,固体燃料的单位为吉焦每吨;Qj第 j种燃料的消费量,固体燃料的单位为吨(t);CQj为第j种燃料的单位热值含碳量,单位为吨碳每吉焦;OFj为第i种燃料的碳氧化率,以%表示;44/12为二氧化碳与碳的相对分子质量之比;3为燃料的类型数量;
净购入电力二氧化碳间接排放量的计算公式为:
C净购电=A净购电×CA净购电 (3)
式中:CA净购电为年平均供电排放因子,单位为吨二氧化碳每兆瓦时;A净购电为净购入电量值,单位为兆瓦时;CA净购电采用缺省值;
C净购热=A净购热×CA净购热 (4)
式中:CA净购热为平均供热排放因子,A净购热为净购入热力值。
所述林业和植被碳汇的模型包括:
基于乔木类和灌木类植被面积来估算碳吸收能力,碳汇计算式为:
Cd=F×0.95 (5)
式中,F为林区和植被面积,面积为公顷;Cd为碳吸收能力,单位吨。
所述废弃物处理因素的模型
废弃物处理总的温室气体排放量Ch计算如下:
Ch=BOD×α+COD×β+TN1×γ+TN2×γ+S1×δ1 (6)
式中,BOD表示生活污水生化需氧量大小;TN1代表生活污水中的氮含量大小;COD为工业污水化学需氧量大小,TN2表示工业污水氮含量大小;α和β分别代表生活污水和工业废水甲烷排放系数;γ代表N2O排放系数;S1代表生活垃圾消耗量;δ1代表垃圾处理的二氧化碳排放系数。
所述步骤3建立工业园区碳排放最优化模型包括:
根据工业园区总碳排放量机制原理,总碳排放模型为碳排放模型与碳汇模型之差,工业园区碳排放总量公式如下:
TP放=C能耗+Ch-Cd (7)
进一步地,可得工业园区碳排放模型为:
本发明的有益效果:本发明的一种工业园区降碳关键影响因素分析方法,包括步骤1对工业园区碳排放的因素进行分析;步骤2选取影响工业园区降碳的关键因素并建模;步骤3建立工业园区碳排放最优化模型;本发明根据专家经验并将影响碳排放因素输入到神经网络进行训练,获取关键因素对于碳排放的影响占的比重,进而找到影响碳排放占主要贡献的关键因素;基于关键因素建立碳排放动态模型,利用CNN深度学习神经网路对模型进行优化,获取各个关键因素在动态模型的权重信息,构建出最优的碳排放动态模型,为工业园区提供根据关键因素降低碳排放的最优化方案。
附图说明
图1为本发明的一种工业园区降碳关键影响因素分析方法流程的示意图。
图2为专家神经网络的结构示意图。
图3为CNN卷积神经网络结构示意图。
图4为某工业园区能源活动消耗量示意图。
图5为某工业园区林业和植被占地面积示意图。
图6为某工业园区废弃物处理量示意图。
图7为某工业园区碳排放量总量示意图。
图8为某工业园区碳排放模型训练结果示意图。
图9为某工业园区模型优化后各个关键因素规划消耗量示意图。
具体实施方式
下面结合附图对本发明做进一步的说明。
一种工业园区降碳关键影响因素分析方法,如图1所示,它包括以下步骤:
步骤1、对工业园区碳排放的因素进行分析;
步骤2、选取影响工业园区降碳的关键因素并建模;
步骤3、建立工业园区碳排放最优化模型。
所述步骤1对工业园区碳排放的因素进行分析包括:
确定能源活动碳排放的因素类别:焦炭消费、原煤消费、煤炭消费、原油消费、柴油消费、液化石油气消费、汽油消费、天然气消费、电力消费、生物质燃料、热力;
确定废弃物处理中的因素:生活污水、工业废水、危险废物、生活垃圾;
确定林业和植被包含因素:国槐树、杏树、桂花、紫荆、阔叶林、樱花、白梨、碧桃、榆叶梅、紫穗槐、千头椿、金创小草、白车轴草。
所述步骤2选取影响工业园区降碳的关键因素并建模包括:
将专家经验和神经网络结合起来设计一种专家神经网络对所有考虑的降碳因素进行筛选,寻找那些对降碳贡献较高的因素作为关键因素,而后根据关键因素建立动态模型;首先,基于专家神经网络选取关键因素,将根据专家经验和工业园区统计的数据,列出影响碳排放的因素作为输入参数,输出参数为碳排量;专家权重是指这些因素对碳排放的影响所占的比重大小,即贡献大小;然后,建立各个关键因素的碳排放模型,包括能源消耗因素的碳排放模型、林业和植被碳汇的模型、废弃物处理因素的模型。
专家神经网络的结构如图2所示,分为三部分:输入层、隐含层和输出层。一般来说,神经网络模型能够根据输入和输出数据自适应得到数据的相关特征以或数据之间内在的信息,使用者无需掌握任何先验知识即可获得模型训练结果和较为理想的模型输出精度;为减少随机误差,最常用的投票法被选择去决定专家权重值,具体是挑选多个专家,对输入中某一个因素权重让各个专家投票表决,而后选择票数最多作为这个因素的权重统计数;每个因素专家权重统计如下表1-3所示,
表1能耗活动因素的权重统计
输入因素 | 权重数目 |
焦炭消费 | 2 |
原煤消费 | 3 |
煤炭消费 | 8 |
原油消费 | 0 |
柴油消费 | 1 |
液化石油气消费 | 1 |
汽油消费 | 1 |
天然气消费 | 1 |
电力消费 | 8 |
生物质燃料 | 0 |
热力 | 7 |
表2废弃物因素权重统计
因素 | 单位 |
生活污水 | 4 |
工业废水 | 5 |
危险废物 | 1 |
生活垃圾 | 7 |
表3林业及植被因素权重统计
根据表1-3权重表显示,影响碳排放量所列26个因素中关键因素主要有煤炭消费,焦炭消费,原煤消费,电力消费,热力,生活垃圾,生活污水和工业废水、阔叶林,金创小草,共10种,这显著地减少了建模的难度和模型的复杂度。因此,基于这10个关键因素,建立工业园区的碳排放动态模型。
所述能源消耗因素的碳排放模型包括:
能源消耗主要有化石消费,电力消费,热力三个因素产生的碳排放,此项计算公式如下:
C能耗=C煤炭+C电力+C热力 (1)
式中,C能耗为能源活动二氧化碳排放总量,单位为吨(t);C煤炭为化石燃料燃烧活动产生的二氧化碳排放量;C电力为净购入电力二氧化碳间接排放量;C热力为净购入热力二氧化碳间接排放量;化石主要有煤炭,焦炭,原煤;
式中,Pj第j种燃料的平均低位发热值,固体燃料的单位为吉焦每吨;Qj第 j种燃料的消费量,固体燃料的单位为吨(t);CQj为第j种燃料的单位热值含碳量,单位为吨碳每吉焦;OFj为第i种燃料的碳氧化率,以%表示;44/12为二氧化碳与碳的相对分子质量之比;3为燃料的类型数量;
净购入电力二氧化碳间接排放量的计算公式为:
C净购电=A净购电×CA净购电 (3)
式中:CA净购电为年平均供电排放因子,单位为吨二氧化碳每兆瓦时;A净购电为净购入电量值,单位为兆瓦时;CA净购电采用《中国区域电网平均CO2排放因子》中的缺省值。
C净购热=A净购热×CA净购热 (4)
式中:CA净购热为平均供热排放因子,单位为吨二氧化碳每吉焦(tCO2/GJ),采用国家推荐的缺省值,为0.11tCO2/GJ,A净购热为净购入热力值,单位为吉焦;计算过程中的化石燃料相关参数推荐值,参见《中国能源统计年鉴》。
所述林业和植被碳汇的模型包括:
基于乔木类和灌木类植被面积来估算碳吸收能力,碳汇计算式为:
Cd=F×0.95 (5)
式中,F为林区和植被面积,面积为公顷;Cd为碳吸收能力,单位吨。
所述废弃物处理因素的模型
废弃物处理总的温室气体排放量Ch计算如下:
Ch=BOD×α+COD×β+TN1×γ+TN2×γ+S1×δ1 (6)
式中,BOD表示生活污水生化需氧量大小;TN1代表生活污水中的氮含量大小;COD为工业污水化学需氧量大小,TN2表示工业污水氮含量大小;α和β分别代表生活污水和工业废水甲烷排放系数;γ代表N2O排放系数;S1代表生活垃圾消耗量;δ1代表垃圾处理的二氧化碳排放系数;以上系数均采用城市温室气体核算工具的推荐数值。
所述步骤3建立工业园区碳排放最优化模型包括:
根据工业园区总碳排放量机制原理,总碳排放模型为碳排放模型与碳汇模型之差,工业园区碳排放总量公式如下:
TP放=C能耗+Ch-Cd (7)
进一步地,可得工业园区碳排放模型为:
从公式(8)可知,碳排放模型不仅包含了关键因素,还从整体来说包含了工业园区各个领域。另一方面,动态模型(8)也反映了碳源与碳汇的内在关系,通过对碳源和碳汇各个因素进行规划,能够更好地实现降碳的目地。然而由于各个领域之间相互之间有关联,无法明确增加哪一项或减少哪一项能够实现碳排放量最小化。因此,需要使用有效的优化算法对模型(8)中的参数Qj、A净购电、 A净购热、F、BOD、COD、TN1、TN2、S1共9个参数进行优化,获得最优化的碳排放动态模型。
CNN卷积神经网络结构图如图3所示,CNN包含输入层、卷积层、池化层和全连接层。CNN优化目标函数J原理如下:首先将关键因素进行归一化处理,而后将归一化的数据作为输入带入到CNN输入端,经过卷积和池化层计算,而后进入全连接层进行权值和域值加减运算,最后得到输出碳排放量TP放(i);接着将TP放(i)和期望值TP期望(i)计算均方差,这样反复以上步骤,直到均方差到达设定值,停止训练,优化结束,最优的参数Qj、A净购电、A净购热、F、BOD、COD、TN1、 TN2、S1可获得。根据最优化的参数,指导工业园区对园区的各个领域重新规划,实现最小原料下碳排放量最小,节约成本,促进园区低碳发展。
下面根据某工业园区统计数据,计算出相应的因素消耗量和碳排放量总量,如图4-图7所示;从图中可知,该工业园区大部分关键因素消耗量总体趋势是先升后降,工业园区前两年关键因素是增加的,因为这两年工业园区是刚刚起步,各个领域亟需发展,因此,各个关键因素消耗量比较大,进而碳排放量也较大;2020-2021年这两年数据变化比较缓慢,数据减少量不太明显,因为这两年工业园区总体各个产业已逐步完善,各个因素消耗比较平稳。从2021-2022 年,园区各个因素消耗减少,碳排量减少,因为从2021年工业园区开始改革,增加了太阳能发电,充电桩储能等新能源产业,这使得整个工业园区各个因素消耗量和碳排放进一步减少。为了验证提出模型合理性,工业园区2023年总碳排放量规划为1200t,根据模型可知,模型训练均方差变化趋势和各个关键因素消耗量如图8-9。根据工业园区下季度规划的碳排放总量,可得各个关键因素最优消耗量,从图中可以看出,相比于2018-2022年各个关键因素消耗量总体是减少的,但是林业和植被,生活垃圾消耗量稍微增加,林业植被增加可以抵消部分碳排放量,生活垃圾增加可能主要是因为植被和园区,其他固态垃圾增加需要产生较多的垃圾,进而焚烧时产生一定的碳排放。
从图4-图9结果以及各个因素对碳排放影响可知,工业园区实现有效降碳,可以从以下几个方面给出规划指导性意见。(1)使用新型环保减排的生产技术和工具,提出基于新技术的生产作业流水线的方式;(2)在后期降碳规划时候,尽可能使得各个关键因素更加协同,增加产业聚集特点;(3)合理规划各项用地; (4)建立能源消耗方面优化方案备案体制;(5)根据林业和植被吸碳量不同,因地制宜地种植植被,科学和高效地优化绿化设计方案。
本发明的一种工业园区降碳关键影响因素分析方法,包括步骤1对工业园区碳排放的因素进行分析;步骤2选取影响工业园区降碳的关键因素并建模;步骤3建立工业园区碳排放最优化模型;本发明根据专家经验并将影响碳排放因素输入到神经网络进行训练,获取关键因素对于碳排放的影响占的比重,进而找到影响碳排放占主要贡献的关键因素;基于关键因素建立碳排放动态模型,利用CNN深度学习神经网路对模型进行优化,获取各个关键因素在动态模型的权重信息,构建出最优的碳排放动态模型,为工业园区提供根据关键因素降低碳排放的最优化方案。
Claims (7)
1.一种工业园区降碳关键影响因素分析方法,其特征在于,它包括以下步骤:
步骤1、对工业园区碳排放的因素进行分析;
步骤2、选取影响工业园区降碳的关键因素并建模;
步骤3、建立工业园区碳排放最优化模型。
2.如权利要求1所述的一种工业园区降碳关键影响因素分析方法,其特征在于,所述步骤1对工业园区碳排放的因素进行分析包括:
确定能源活动碳排放的因素类别:焦炭消费、原煤消费、煤炭消费、原油消费、柴油消费、液化石油气消费、汽油消费、天然气消费、电力消费、生物质燃料、热力;
确定废弃物处理中的因素:生活污水、工业废水、危险废物、生活垃圾;
确定林业和植被包含因素:国槐树、杏树、桂花、紫荆、阔叶林、樱花、白梨、碧桃、榆叶梅、紫穗槐、千头椿、金创小草、白车轴草。
3.如权利要求1所述的一种工业园区降碳关键影响因素分析方法,其特征在于,所述步骤2选取影响工业园区降碳的关键因素并建模包括:
将专家经验和神经网络结合起来设计一种专家神经网络对所有考虑的降碳因素进行筛选,寻找那些对降碳贡献较高的因素作为关键因素,而后根据关键因素建立动态模型;首先,基于专家神经网络选取关键因素,将根据专家经验和工业园区统计的数据,列出影响碳排放的因素作为输入参数,输出参数为碳排量;专家权重是指这些因素对碳排放的影响所占的比重大小,即贡献大小;然后,建立各个关键因素的碳排放模型,包括能源消耗因素的碳排放模型、林业和植被碳汇的模型、废弃物处理因素的模型。
4.如权利要求3所述的一种工业园区降碳关键影响因素分析方法,其特征在于,所述能源消耗因素的碳排放模型包括:
能源消耗主要有化石消费,电力消费,热力三个因素产生的碳排放,此项计算公式如下:
C能耗=C煤炭+C电力+C热力 (1)
式中,C能耗为能源活动二氧化碳排放总量,单位为吨(t);C煤炭为化石燃料燃烧活动产生的二氧化碳排放量;C电力为净购入电力二氧化碳间接排放量;C热力为净购入热力二氧化碳间接排放量;化石主要有煤炭,焦炭,原煤;
式中,Pj第j种燃料的平均低位发热值,固体燃料的单位为吉焦每吨;Qj第j种燃料的消费量,固体燃料的单位为吨(t);CQj为第j种燃料的单位热值含碳量,单位为吨碳每吉焦;OFj为第i种燃料的碳氧化率,以%表示;44/12为二氧化碳与碳的相对分子质量之比;3为燃料的类型数量;
净购入电力二氧化碳间接排放量的计算公式为:
C净购电=A净购电×CA净购电 (3)
式中:CA净购电为年平均供电排放因子,单位为吨二氧化碳每兆瓦时;A净购电为净购入电量值,单位为兆瓦时;CA净购电采用缺省值;
C净购热=A净购热×CA净购热 (4)
式中:CA净购热为平均供热排放因子,A净购热为净购入热力值。
5.如权利要求3所述的一种工业园区降碳关键影响因素分析方法,其特征在于,所述林业和植被碳汇的模型包括:
基于乔木类和灌木类植被面积来估算碳吸收能力,碳汇计算式为:
Cd=F×0.95 (5)
式中,F为林区和植被面积,面积为公顷;Cd为碳吸收能力,单位吨。
6.如权利要求3所述的一种工业园区降碳关键影响因素分析方法,其特征在于,所述废弃物处理因素的模型包括:
废弃物处理总的温室气体排放量Ch计算如下:
Ch=BOD×α+COD×β+TN1×γ+TN2×γ+S1×δ1 (6)
式中,BOD表示生活污水生化需氧量大小;TN1代表生活污水中的氮含量大小;COD为工业污水化学需氧量大小,TN2表示工业污水氮含量大小;α和β分别代表生活污水和工业废水甲烷排放系数;γ代表N2O排放系数;S1代表生活垃圾消耗量;δ1代表垃圾处理的二氧化碳排放系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481783.0A CN115719180A (zh) | 2022-11-24 | 2022-11-24 | 一种工业园区降碳关键影响因素分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211481783.0A CN115719180A (zh) | 2022-11-24 | 2022-11-24 | 一种工业园区降碳关键影响因素分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115719180A true CN115719180A (zh) | 2023-02-28 |
Family
ID=85256278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211481783.0A Pending CN115719180A (zh) | 2022-11-24 | 2022-11-24 | 一种工业园区降碳关键影响因素分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719180A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862151A (zh) * | 2023-06-16 | 2023-10-10 | 上海凌荣网络科技有限公司 | 一种基于云计算的碳排放分析方法及系统 |
CN117788218A (zh) * | 2024-02-23 | 2024-03-29 | 浙电(宁波北仑)智慧能源有限公司 | 一种碳排放评估方法及系统 |
-
2022
- 2022-11-24 CN CN202211481783.0A patent/CN115719180A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862151A (zh) * | 2023-06-16 | 2023-10-10 | 上海凌荣网络科技有限公司 | 一种基于云计算的碳排放分析方法及系统 |
CN116862151B (zh) * | 2023-06-16 | 2024-04-30 | 刘甲彬 | 一种基于云计算的碳排放分析方法及系统 |
CN117788218A (zh) * | 2024-02-23 | 2024-03-29 | 浙电(宁波北仑)智慧能源有限公司 | 一种碳排放评估方法及系统 |
CN117788218B (zh) * | 2024-02-23 | 2024-06-21 | 浙电(宁波北仑)智慧能源有限公司 | 一种碳排放评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115719180A (zh) | 一种工业园区降碳关键影响因素分析方法 | |
Saboori et al. | Considering carbon capture and storage in electricity generation expansion planning | |
Ramanathan et al. | Energy resource allocation incorporating qualitative and quantitative criteria: An integrated model using goal programming and AHP | |
Peng et al. | Analysis of driving factors on China's air pollution emissions from the view of critical supply chains | |
Mondal | Implications of renewable energy technologies in the Bangladesh power sector. Long-term planning strategies | |
CN107103421A (zh) | 工业锅炉节能方案的综合评价体系及其构建方法 | |
Wu et al. | Energy transition, intensity growth, and policy evolution: Evidence from rural China | |
CN113554296A (zh) | 园区综合能源系统规划的多指标评价方法 | |
CN113887827A (zh) | 一种基于火电机组实时碳排放监测的配煤掺烧优化决策方法 | |
Kandpal et al. | Economics of family sized biogas plants in India | |
Luo et al. | A hybrid approach for examining the drivers of energy consumption in Shanghai | |
CN112288141A (zh) | 一种渔光互补光伏电站的综合效益评价方法 | |
Wang et al. | Pathways of carbon emissions reduction under the water-energy constraint: A case study of Beijing in China | |
Masoomi et al. | Demand side management for electricity in Iran: cost and emission analysis using LEAP modeling framework | |
Gao | Risk assessment and analysis of biomass energy engineering project management under the concept of sustainable development | |
Cohen | A techno-economic plant-and grid-level assessment of flexible CO2 capture | |
Wang et al. | Factors Affecting Energy‐Related Carbon Emissions in Beijing‐Tianjin‐Hebei Region | |
Li et al. | Decoupling analysis of carbon emissions in China’s power industry—based on ARDL model | |
CN110866697A (zh) | 一种燃气-蒸汽联合循环机组经济性评价方法 | |
Bradley et al. | Limiting net greenhouse gas emissions in the United States | |
Chen et al. | A multi-scenario BP-neural-network ecologically-extended input-output model for synergetic management of water-electricity nexus system–A case study of Fujian province | |
He et al. | A comprehensive planning study on the thermal potential of various biomass conversion technologies: Case study of 47 cities in China | |
Xu et al. | Life cycle environment evaluation of hydrogen source system for fuel cell vehicles | |
Wang et al. | Research on the Emission Reduction Problem of Biomass Power Generation | |
Kerdan et al. | Implications of Future Natural Gas Demand on Sugarcane Production, Land Use Change and Related Emissions in Brazil |
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 |