CN115759335A - 一种新型碳排放预测模型 - Google Patents
一种新型碳排放预测模型 Download PDFInfo
- Publication number
- CN115759335A CN115759335A CN202211250191.8A CN202211250191A CN115759335A CN 115759335 A CN115759335 A CN 115759335A CN 202211250191 A CN202211250191 A CN 202211250191A CN 115759335 A CN115759335 A CN 115759335A
- Authority
- CN
- China
- Prior art keywords
- energy
- per
- carbon emission
- carbon
- income
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 147
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 125
- 238000005265 energy consumption Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 42
- 238000011161 development Methods 0.000 claims description 38
- 239000003245 coal Substances 0.000 claims description 25
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 21
- 239000001569 carbon dioxide Substances 0.000 claims description 21
- 235000014653 Carica parviflora Nutrition 0.000 claims description 8
- 241000243321 Cnidaria Species 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000009467 reduction Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
本发明涉及碳排放监测技术领域,具体涉及一种新型碳排放预测模型,包括能源碳排放预测模型和电力碳排放预测模型,基于能源结构对宏观层面的碳排放数据进行预测,根据能源结构及经济结构演变情景,对全省、各区域及企业的碳排放水平、碳达峰情况进行预测,为政府企业开展碳排放交易提供数据和服务支撑,助力政府企业决策淘汰落后产能、推动低碳转型;以投入产出表、能源平衡表、历年能源价格以及环境统计年鉴等能源供给侧、能源消费侧两方面数据为基础数据,开发能源‑经济‑碳排放动态预测模型,并进行重点行业碳排放预测和减碳潜力分析,实现地区整体碳生产、消耗、可替代资源、减碳渠道等综合维度分析,并对未来趋势进行态势感知和预测。
Description
技术领域
本发明涉及碳排放监测技术领域,具体涉及一种新型碳排放预测模型。
背景技术
近几年经济发展进入新常态,经济增速放缓,而电力需求增速变化超出预期,难以把握电力需求的发展趋势,从而难以有的放矢地做出相应的电力规划措施、配网规划、超前布局电力基础设施建设、智能通信规划融合、电网结构优化。
发明内容
基于能源结构及经济结构演变情景构建碳排放预测体系,实现对全省、不同地区、不同碳排放主体的碳排放水平、碳达峰情况的预测,辅助碳足迹全过程追踪,有利于加强政府监管与企业经营决策,助力构建以清洁能源为主的新型电力系统,促进能源低碳转型。服务政府精准治理,实现宏观经济智能化辅助决策,支撑政府精准施策,降低决策成本,基于此,本发明提供了一种可以实现不同碳排放主体的碳排放水平、碳达峰情况的预测的新型碳排放预测模型。
为实现上述目的,本发明采取的技术方案为:
一种新型碳排放预测模型,以投入产出表、能源平衡表、历年能源价格以及环境统计年鉴等数据为基础数据,可基于能源结构及经济结构演变情景,对全省、不同碳排放主体的碳排放水平、碳达峰情况进行预测,包括:
能源碳排放预测模型:
lnAI=0.904Per_income-0.014(Per_income)2-0.491information_level+0.776Energy_intensity+0.736Ratio_coal+0.105Ratio_urban+0.195Private_car-5.278;
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income2)为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量。
电力碳排放预测模型:
lnAI=1.5471lnPer_income-0.03(lnPer_income)2++0.9574lnstan_coalcon+0.9960power_intensity+0.3787Ratio_urban-8.2331;
其中,AI为人均电力碳排放量,Per_income为人均GDP,(Per_income2)为人均GDP二次项,ratio_thermal为供电结构(火电占比),stan_coalcon为标准煤耗,power_intensity为电力消费强度,Ratio_urban为城镇化水平。
进一步地,基于能源碳排放测算模型的回归结果的对比,在参考影响因素是否通过检验以及模型整体拟合程度的基础上,构建能源碳排放预测模型,其中,能源碳排放预测模型采用STIRPAT碳排放预测模型,预测的指标设定为人均二氧化碳排放量,并选取人口规模、人均GDP、城市化率、工业结构、贸易开放度、能源消费结构、人均汽车拥有量、信息化发展水平八个影响因素,初步构建的能源碳排放测算模型如下:
lnAI=β1Per_income+β2(Per_income)2+β3information_level+β4Energy_intensity+β5Ratio_coal+β6Ratio_urban+β7Private_car+c
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income)2为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量,c为常数项,ln为对数运算符。
进一步地,基于能源碳排放测算模型的回归结果的对比,在参考影响因素是否通过检验以及模型整体拟合程度的基础上,构建电力碳排放预测模型模型,能源碳排放测算模型采用STIRPAT碳排放预测模型,预测的指标设定为人均二氧化碳排放量,并选取人口规模、人均GDP、城市化率、工业结构、贸易开放度、能源消费结构、人均汽车拥有量、信息化发展水平八个影响因素,初步构建的能源碳排放测算模型如下:
lnAI=β1Per_income+β2(Per_income)2+β3information_level+β4Energy_intensity+β5Ratio_coal+β6Ratio_urban+β7Private_car+c
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income)2为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量,c为常数项,ln为对数运算符。
上述方案中,在碳排放宏观层面构建省级、区域碳排放预测模型,基于能源结构对宏观层面的碳排放数据进行预测,根据能源结构及经济结构演变情景,对全省、各区域及企业的碳排放水平、碳达峰情况进行预测,为政府企业开展碳排放交易提供数据和服务支撑,助力政府企业决策淘汰落后产能、推动低碳转型;
以投入产出表、能源平衡表、历年能源价格以及环境统计年鉴等能源供给侧、能源消费侧两方面数据为基础数据,开发能源-经济-碳排放动态预测模型(包括能源碳排放测算模型、电力碳排放测算模型)。并进行重点行业碳排放预测和减碳潜力分析,实现地区整体碳生产、消耗、可替代资源、减碳渠道等综合维度分析,并对未来趋势进行态势感知和预测。
附图说明
图1为电力碳排放情景预测结果。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例
(1)构建碳排放预测指标体系
以人均GDP、城市化率、工业结构、贸易开放程度等四个因素作为经济发展的表征;能源消费结构、人均汽车拥有量、公路运输比重等三个因素作为能源消费的表征;能源强度、信息化发展水平两个因素作为技术要素的表征;选取森林覆盖率作为负碳排放的表征;结合区域、行业能源供给侧、能源消费侧两方面数据,研究构建碳排放预测指标体系。
(2)预测碳排放影响因素情景设置
根据湖南省经济社会发展情况以及未来发展远景,设置三种情景:一种是考虑可持续发展、能源安全以及根据国家2030、2060两个目标而会出现的节能减排新政的低碳发展情景模式(基准情景);另一种是保持现有发展水平与发展方式不变、先污染后治理的高碳发展情景模式,最后一种为低速发展下或者在强力节能减排政策下可能出现的强化低碳情景。
(3)模型回归参数估计
1、能源碳排放测算模型
基于影响因素的选取,预测的指标设定为湖南省人均二氧化碳排放量,并选取人口规模、人均GDP、城市化率、工业结构、贸易开放度、能源消费结构、人均汽车拥有量、信息化发展水平等八个影响因素,构建STIRPAT碳排放预测模型,初步构建的能源碳排放测算模型如下:
lnAI=β1Per_income+β2(Per_income)2+β3information_level+β4Energy_intensity+β5Ratio_coal+β6Ratio_urban+β7Private_car+c
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income)2为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量,c为常数项,ln为对数运算符。
2、电力碳排放测算模型
基于影响因素的选取,预测的指标设定为湖南省人均二氧化碳排放量,并选取人口规模、人均GDP、城市化率、工业结构、供电结构、电力消费强度、标准煤耗、线损率、信息化发展水平等九个影响因素,构建STIRPAT碳排放预测模型,初步构建的电力碳排放测算模型如下:
lnAI=β1lnPer_income+β2(lnPer_income)2+β33lnratio_thermal+β4lnstan_coalcon+β5power_intensity+β6Ratio_urban+c
其中,AI为人均电力碳排放量,Per_income为人均GDP,(Per_income2)为人均GDP二次项,ratio_thermal为供电结构(火电占比),stan_coalcon为标准煤耗,power_intensity为电力消费强度,Ratio_urban为城镇化水平,c为常数项,ln为对数运算符。
3、数据来源
1)能源二氧化碳排放数据。针对湖南省的碳排放量特点和数据获取程度,前期监测工作在IPCC碳排放清单法基础上参考《能源消耗引起的温室气体排放计算工具指南》中能源碳含量缺省值,对湖南省1996-2019年能源消耗引起的碳因子排放进行核算,根据碳因子排放监测数据乘以碳元素和二氧化碳的质量比3.67,得到湖南省1996-2019年能源消耗引起的二氧化碳排放量。
2)能源二氧化碳排放影响因素的数据。本模型考察二氧化碳排放影响因素包括湖南1996-2019年人口规模、人均GDP、城市化率、工业结构、贸易开放度、能源消费结构、人均汽车拥有量、公路运输比重、能源强度、信息化发展水平。
3)电力碳排放数据。针对湖南省的发电特点和数据获取程度,通过对湖南省16个火力发电站的碳因子排放进行监测,核算得出每年平均碳排放因子;根据公开资料整理得到2004年-2019年湖南省详细的火力自发电量以及外电入湘火电量;利用总火力用电量乘以碳排放因子得到共16年的电力碳排放量。
4)电力二氧化碳排放影响因素的数据。本文所考察的电力碳排放影响因素包括湖南2004年-2019年人口规模、人均GDP、城市化率、工业结构、供电结构、电力消费强度、标准煤耗、线损率、信息化发展水平。
(4)碳排放预测模型
1)能源碳排放预测模型:
基于以上模型回归结果的对比,在参考影响因素是否通过检验以及模型整体拟合程度的基础上,构建能源碳排放预测模型如下:
lnAI=0.904Per_income-0.014(Per_income)2-0.491information_level+0.776Energy_intensity+0.736Ratio_coal+0.105Ratio_urban+0.195Private_car-5.278
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income2)为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量。
2)电力碳排放预测模型:
基于以上模型回归结果的对比,在参考影响因素是否通过检验以及模型整体拟合程度的基础上,构建电力碳排放预测模型模型:
lnAI=1.5471lnPer_income-0.03(lnPer_income)2++0.9574lnstan_coalcon+0.9960power_intensity+0.3787Ratio_urban-8.2331;
其中,AI为人均电力碳排放量,Per_income为人均GDP,(Per_income2)为人均GDP二次项,ratio_thermal为供电结构(火电占比),stan_coalcon为标准煤耗,power_intensity为电力消费强度,Ratio_urban为城镇化水平。
数据计算:基于中台统一数据模型基础进行应用开发和数据分析计算,通过MaxCompute计算出碳排放监测、碳排放预测数据。
本发明的碳排放预测模型可用于针对区域内不同行业、不同企业进行分析,通过横向对比和纵向对比,进行碳减排、低碳绿色转型和区域高质量发展分析,并从时域、地域、成分等多个维度分析未来碳排放变化的影响因素和贡献率情况。
1)总体概览:对区域内的能源结构组成、产量趋势、能源消费量、碳排放量、碳减排量等总体情况进行预测分析。
2)区域碳排分析:按照不同区域、时间等维度进行划分,结合区域内经济产值变化趋势,对不同区域的碳排放量与碳排放强度变化情况进行预测分析。
3)行业碳排分析:按照不同区域、行业、时间等维度进行划分,结合行业经济产值变化趋势,对区域内不同重点行业的碳排放量与碳排放强度变化情况进行预测分析。
4)重点企业碳排分析:结合重点企业生产产值变化趋势,从时间维度对区域内重点企业碳排放量与碳排放强度变化情况进行预测分析,并从行业等维度进行对标分析。
对影响区域碳达峰的关键指标和数据进行预测和未来动态模拟,促进能源低碳转型,为政府、园区、企业高效监管和精准决策提供技术辅助支撑。
(5)碳排放情景预测
根据大部分学者们关于情景分析的研究可以发现,情景主要分为两类:一种是基准情景,即结合过去发展趋势,考虑当前政府因双碳政策所采取相关强制措施与政策的情况下而呈现的一种情景;另一种是比较情景,比较情景是相对于基准情景而言,考虑后期可能出现的其他新政与约束发展情景或者没有政策作用自然发展的一种情景。基于此,我们结合湖南省二氧化碳排放系统内部影响因素设置三种情景:一种是考虑可持续发展、能源安全以及根据国家现有2030、2060两个目标而会出现的节能减排新政的低碳发展情景模式(基准情景);另一种是保持现有发展水平与发展方式,先污染后治理而产生的高碳发展情景模式,最后一种为低速发展下或者在强力节能减排政策下可能出现的强化低碳情景。
人均GDP由GDP的高碳、低碳、强低碳三情境分别对应比人口规模的高碳、低碳、强低碳三变量情境得到。
表1碳排放情景设计结果
对各个指标所有预测值取对数后,根据预测模型还原得到预测后的人均二氧化碳排放量的对数,再次将人均二氧化碳排放量的对数以e为底数指数化还原为人均二氧化碳排放量并且乘以人口规模的高碳、低碳、强低碳三变量情境,得到三种情境下的总二氧化碳排放总量轨迹,高碳、低碳、强低碳三种情境分别在2031年、2030年、2025年左右二氧化碳排放达到峰值开始下降,而低碳情景下电力二氧化碳排量为10560万吨时达峰,见下图。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (3)
1.一种新型碳排放预测模型,其特征在于:包括:
能源碳排放预测模型:
lnAI=0.904Per_income-0.014(Per_income)2-0.491information_level+0.776Energy_intensity+0.736Ratio_coal+0.105Ratio_urban+0.195Private_car-5.278;
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income2)为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量;
电力碳排放预测模型:
lnAI=1.5471lnPer_income-0.03(lnPer_income)2++0.9574lnstan_coalcon+0.9960power_intensity+0.3787Ratio_urban-8.2331;
其中,AI为人均电力碳排放量,Per_income为人均GDP,(Per_income2)为人均GDP二次项,ratio_thermal为供电结构(火电占比),stan_coalcon为标准煤耗,power_intensity为电力消费强度,Ratio_urban为城镇化水平。
2.如权利要求1所述的一种新型碳排放预测模型,其特征在于:基于能源碳排放测算模型的回归结果的对比,在参考影响因素是否通过检验以及模型整体拟合程度的基础上,构建能源碳排放预测模型,其中,能源碳排放预测模型采用STIRPAT碳排放预测模型,预测的指标设定为人均二氧化碳排放量,并选取人口规模、人均GDP、城市化率、工业结构、贸易开放度、能源消费结构、人均汽车拥有量、信息化发展水平八个影响因素,初步构建的能源碳排放测算模型如下:
lnAI=β1Per_income+β2(Per_income)2+β3information_1evel+β4Energy_intensity+β5Ratio_coal+β6Ratio_urban+β7Private_car+c
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income)2为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量,c为常数项,ln为对数运算符。
3.如权利要求1所述的一种新型碳排放预测模型,其特征在于:基于能源碳排放测算模型的回归结果的对比,在参考影响因素是否通过检验以及模型整体拟合程度的基础上,构建电力碳排放预测模型模型,能源碳排放测算模型采用STIRPAT碳排放预测模型,预测的指标设定为人均二氧化碳排放量,并选取人口规模、人均GDP、城市化率、工业结构、贸易开放度、能源消费结构、人均汽车拥有量、信息化发展水平八个影响因素,初步构建的能源碳排放测算模型如下:
lnAI=β1Per_income+β2(Per_income)2+β3information_level+β4Energy_intensity+β5Ratio_coal+β6Ratio_urban+β7Private_car+c
其中,AI为人均碳排放量,Per_income为人均GDP,(Per_income)2为人均GDP二次项,information_level为信息化发展水平,Energy_intensity为能源强度,Ratio_coal为能源消费煤炭占比,Ratio_urban为城镇化水平,Private_car为人均汽车拥有量,c为常数项,ln为对数运算符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250191.8A CN115759335A (zh) | 2022-10-12 | 2022-10-12 | 一种新型碳排放预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250191.8A CN115759335A (zh) | 2022-10-12 | 2022-10-12 | 一种新型碳排放预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759335A true CN115759335A (zh) | 2023-03-07 |
Family
ID=85351451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250191.8A Pending CN115759335A (zh) | 2022-10-12 | 2022-10-12 | 一种新型碳排放预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759335A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114212A (zh) * | 2023-10-25 | 2023-11-24 | 南方电网数字电网研究院有限公司 | 基于全周期点流模型的发电侧碳排放趋势预测方法及装置 |
CN117171949A (zh) * | 2023-07-18 | 2023-12-05 | 南京电力设计研究院有限公司 | 数字化园区碳排放态势推演方法 |
CN117371878A (zh) * | 2023-08-30 | 2024-01-09 | 北京大学 | 应用ccus技术的碳排放控制方法及装置 |
CN117575178A (zh) * | 2024-01-16 | 2024-02-20 | 珠江水利委员会珠江水利科学研究院 | 一种基于stirpat模型的水环境治理与碳减排协同度评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942247A (zh) * | 2019-11-25 | 2020-03-31 | 国网福建省电力有限公司经济技术研究院 | 一种分析电力碳排放影响因素和碳排放效率的评价方法 |
-
2022
- 2022-10-12 CN CN202211250191.8A patent/CN115759335A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942247A (zh) * | 2019-11-25 | 2020-03-31 | 国网福建省电力有限公司经济技术研究院 | 一种分析电力碳排放影响因素和碳排放效率的评价方法 |
Non-Patent Citations (2)
Title |
---|
程铁军 等: ""能源新形势下区域碳排放影响因素研究"", 《南京邮电大学学报》, vol. 22, no. 2, 15 April 2020 (2020-04-15), pages 55 - 70 * |
荣蓉;: "山东省工业碳排放情景预测及减排策略研究", 《中外能源》, no. 02, 15 February 2016 (2016-02-15), pages 94 - 100 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171949A (zh) * | 2023-07-18 | 2023-12-05 | 南京电力设计研究院有限公司 | 数字化园区碳排放态势推演方法 |
CN117171949B (zh) * | 2023-07-18 | 2024-04-05 | 南京电力设计研究院有限公司 | 数字化园区碳排放态势推演方法 |
CN117371878A (zh) * | 2023-08-30 | 2024-01-09 | 北京大学 | 应用ccus技术的碳排放控制方法及装置 |
CN117114212A (zh) * | 2023-10-25 | 2023-11-24 | 南方电网数字电网研究院有限公司 | 基于全周期点流模型的发电侧碳排放趋势预测方法及装置 |
CN117114212B (zh) * | 2023-10-25 | 2024-03-12 | 南方电网数字电网研究院有限公司 | 基于全周期点流模型的发电侧碳排放趋势预测方法及装置 |
CN117575178A (zh) * | 2024-01-16 | 2024-02-20 | 珠江水利委员会珠江水利科学研究院 | 一种基于stirpat模型的水环境治理与碳减排协同度评估方法 |
CN117575178B (zh) * | 2024-01-16 | 2024-04-26 | 珠江水利委员会珠江水利科学研究院 | 一种基于stirpat模型的水环境治理与碳减排协同度评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115759335A (zh) | 一种新型碳排放预测模型 | |
CN107239874B (zh) | 一种面向轨道交通的电能质量及节能分析系统 | |
CN111291963B (zh) | 一种协调经济性与可靠性的园区综合能源系统规划方法 | |
Ng et al. | Variability of building environmental assessment tools on evaluating carbon emissions | |
CN114048955A (zh) | 一种建筑碳排放监管系统 | |
CN106779165B (zh) | 基于城市空气质量预测技术的电力系统环境调度方法 | |
Cao et al. | Location and capacity determination of charging station based on electric vehicle charging behavior analysis | |
CN111967792A (zh) | 一种大气污染防治方案快速量化评估方法及系统 | |
CN106651151A (zh) | 一种电能替代项目的后评估方法 | |
Wang et al. | Energy efficiency evaluation of key energy consumption sectors in China based on a macro-evaluating system | |
Chuang et al. | Research on user electricity consumption behavior and energy consumption modeling in big data environment | |
CN106056245A (zh) | 一种省级低碳能源规划的分析方法 | |
CN116720750A (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 | |
CN117391237A (zh) | 省级碳排放及其交易规模预测方法、系统、设备及介质 | |
CN117033927A (zh) | 地铁站碳排放实时监测预测分析方法及预测分析方法 | |
Zhang et al. | Power system transition in China under the coordinated development of power sources, network, demand response, and energy storage | |
Ok et al. | Allocation of Distributed Energy Systems at District‐Scale over Wide Areas for Sustainable Urban Planning with a MILP Model | |
Feng et al. | Low Carbon Building Design Optimization Based on Intelligent Energy Management System | |
CN111738609A (zh) | 电力联网环境效益综合评价方法、系统及装置 | |
Han et al. | Carbon emissions, ecological efficiency, and the economic development stage: evidence from the Yellow River Basin | |
CN110222886A (zh) | 一种商业建筑逐时人员密度预测方法 | |
Li et al. | Forecasting the energy demand and CO2 emissions of industrial sectors in China’s Beijing-Tianjin-Hebei region under energy transition | |
Yang et al. | Construction of power network operation and maintenance cost prediction model based on data information mining | |
Li et al. | Analysis of the influencing factors of China’s coal life-cycle carbon emissions based on LMDI-LCA | |
Wang et al. | Research on influencing factors of equipment asset performance evaluation level of regional distribution network based on interpretive structure model |
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 |