CN117057516A - 一种基于系统动力学的碳核算参数分析预测方法 - Google Patents
一种基于系统动力学的碳核算参数分析预测方法 Download PDFInfo
- Publication number
- CN117057516A CN117057516A CN202311315240.6A CN202311315240A CN117057516A CN 117057516 A CN117057516 A CN 117057516A CN 202311315240 A CN202311315240 A CN 202311315240A CN 117057516 A CN117057516 A CN 117057516A
- Authority
- CN
- China
- Prior art keywords
- factor
- value
- electric power
- carbon
- factors
- 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
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 192
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 20
- 230000001364 causal effect Effects 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 abstract description 2
- 239000000446 fuel Substances 0.000 description 28
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 16
- 230000008859 change Effects 0.000 description 16
- 238000011161 development Methods 0.000 description 15
- 230000018109 developmental process Effects 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 8
- 239000001569 carbon dioxide Substances 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种基于系统动力学的碳核算参数分析预测方法，包括以下步骤：获取电力系统的历史数据，计算历史电力碳核算参数值；分析影响碳核算参数的关键因素；采用STIRPAT模型对关键因素的影响程度进行量化分析；根据量化分析结果和历史电力碳核算参数值，采用电力碳核算参数预测模型对当前的电力碳核算参数进行预测；本发明通过对影响电力碳核算参数的广泛参数进行因素分析，得到关键因素，减少预测模型的输入量，使得输入数据与模型的匹配度更高，对关键因素进行量化分析，根据量化分析结果和历史电力碳核算参数作为预测模型的输入对当前的电力碳核算参数进行预测，从而实现更加准确的预测碳核算数据。
Description
技术领域
本发明涉及电力系统碳排放领域，尤其涉及一种基于系统动力学的碳核算参数分析预测方法。
背景技术
对于电力行业来说，电力排放因子和基准线排放因子等碳核算参数至关重要。然而，随着新能源大规模发展和新型电力系统建设的不断推进，电力产业的系统特性也在发生着显著变化，因此有必要对电力碳核算参数进行研究并提出适应新型电力系统发展和国家碳市场运行实际需要的计算方法。
另一方面，现有相关研究多将电力系统作为整体考虑碳排放未来变化情况，难以考虑地区电力系统碳排放未来的具体变化，这在实际应用中存在一定的局限性。因此，迫切需要开展地区电力碳核算参数预测研究。
为了更好地预测电力碳核算参数，目前常用的方法有ARIMA模型、时间序列分析模型等。ARIMA模型是一种经典的时间序列预测模型，它基于历史数据的趋势、季节性和周期性进行建模并做出预测。该方法可以对非线性、有时变性的信号进行有效预测，但是忽略了影响参数变化的各种因素，不能充分反映现实情况，同时精度较低。时间序列分析模型则是通过对时序信号进行拟合和预测，来预估未来的碳排放数据。与ARIMA模型类似，该方法也适用于时间序列预测，并且可以自动地对超长周期、季节性和趋势进行检测。缺点是不能充分考虑各种经济因素的复杂关联关系。
例如，中国专利CN202211521470.3公开了城市碳排放预测方法及系统，包括：构建城市碳排放因素分解模型和ARMA预测模型；以预测误差最小为目标通过确定城市碳排放因素分解模型和ARMA预测模型的权重，构建碳排放组合预测模型；确定城市碳排放驱动因素变化率；通过碳排放组合预测模型和城市碳排放驱动因素变化率对城市未来碳排放量进行预测，本发明通过计算因素分解模型与ARMA预测模型在碳排饭预测中的权重得到组合模型，从而更合理的通过组合模型对城市的碳排放量进行预测，从城市层面分析了碳排放的驱动因素，以明确不同因素对城市群碳排放的影响程度，通过以数据计算验证提升测算准确性；然而该方案没有对输入的因素进行筛选，导致输入的因素数据过大，对模型的依赖度较高，导致预测准确度下降。
发明内容
本发明主要解决现有的技术中电力碳核算参数的预测准确度差的问题；提供一种基于系统动力学的碳核算参数分析预测方法，对影响电力碳核算参数广泛因素进行筛选得到关键因素后输入预测模型，实现更加准确的碳核算参数预测。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于系统动力学的碳核算参数分析预测方法，包括以下步骤：
获取电力系统的历史数据，计算历史电力碳核算参数值；
分析影响碳核算参数的关键因素；
采用STIRPAT模型对关键因素的影响程度进行量化分析；
根据量化分析结果和历史电力碳核算参数值，采用电力碳核算参数预测模型对当前的电力碳核算参数进行预测。
作为优选，所述的分析影响碳核算参数的关键因素的具体方法为：
获取电力系统的全部结构节点，基于每个节点之间的因果关系建立因果关系图；
根据所述因果关系图获取每个节点影响碳核算参数的因素；
计算每个节点中的每个因素的碳核算参数值；
根据分析规则比较计算的碳核算参数值与碳核算参数基准阈值，符合分析规则的则标记该因素为关键因素。
作为优选，所述的碳核算参数包括电力平均排放因子、电力动态排放因子和基准线排放因子；
根据关键因素中计算的碳核算参数值的大小建立关键因素与电力平均排放因子、电力动态排放因子和基准线排放因子的映射对应关系图。
作为优选，所述的计算每个因素的碳核算参数值包括计算每个因素的电力平均排放因子的值、电力动态排放因子的值和基准线排放因子的值；
碳核算参数基准阈值包括电力平均排放因子的基准值、电力动态排放因子的基准值、基准线排放因子的基准值以及碳核算参数平均基准阈值。
作为优选，采用STIRPAT模型对关键因素的影响程度进行量化分析的具体方法为：
获取关键因素的历史数据；
基于关键因素的历史数据搭建情景模型，对关键因素进行情景模拟；
对关键因素进行定量，计算不同的单个关键因素情景下的碳核算参数值，得到初步量化结果；
搭建STIRPAT模型，以多个关键因素为变量作为输入，输出二次量化结果；
将初步量化结果和二次量化结果进行验证分析，得到统一后的最终量化值。
作为优选，所述的电力碳核算参数预测模型采用BP神经网络模型，包括输入层、隐藏层和输出层，输入层包括两个输入通道，第一通道输入量化分析值，第二通道输入历史电力碳核算参数值，目标函数采用均方误差，优化函数采用adam算法。
作为优选，所述的分析规则为：
若因素的电力平均排放因子的值大于电力平均排放因子的基准值且因素的电力平均排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力平均排放因子的值小于电力平均排放因子的基准值且因素的电力平均排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力平均排放因子的值小于电力平均排放因子的基准值且因素的电力平均排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
作为优选，所述的分析规则为：
若因素的电力动态排放因子的值大于电力动态排放因子的基准值且因素的电力动态排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力动态排放因子的值小于电力动态排放因子的基准值且因素的电力动态排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力动态排放因子的值小于电力动态排放因子的基准值且因素的电力动态排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
作为优选，所述的分析规则为：
若因素的基准线排放因子的值大于基准线排放因子的基准值且因素的基准线排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的基准线排放因子的值小于基准线排放因子的基准值且因素的基准线排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的基准线排放因子的值小于基准线排放因子的基准值且因素的基准线排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
本发明的有益效果是：通过对影响电力碳核算参数的广泛参数进行因素分析，得到关键因素，减少预测模型的输入量，使得输入数据与模型的匹配度更高，对关键因素进行量化分析，根据量化分析结果和历史电力碳核算参数作为预测模型的输入对当前的电力碳核算参数进行预测，从而实现更加准确的预测碳核算数据；本发明的模型可以更加精确地预测各因素的变化对最终指标的影响，并为其提供参考数据，能够为电力行业碳减排管理、能源消耗规划和可持续发展等方面带来积极的推动作用。
附图说明
图1是本发明实施例的碳核算参数分析预测方法流程图。
图2是本发明实施例的碳排放系统因果结构示意图。
图3是本发明实施例的基于系统动力学碳核算影响因素示意图。
图4是本发明实施例的模型预测流程图。
图5是本发明实施例的关键影响因素对碳核算参数的量化分析结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
实施例：一种基于系统动力学的碳核算参数分析预测方法，如图1所示，包括以下步骤：
步骤1：获取电力系统的历史数据，计算历史电力碳核算参数值；主要收集与电力系统相关的数据，例如能源消耗、排放量等。
电力系统碳核算参数包括电力平均排放因子、电力动态排放因子和基准线排放因子。
电力平均排放因子计算方法：根据地理位置关系，对电网进行区域划分；获取每个区域内电网的总净发电量、发电产生的二氧化碳直接排放量以及区域电网之间的净送出电量；根据电力平均排放因子计算函数以及获取的信息得到电力平均排放因子。
电网区域划分是根据区域电网分布现状，将电网边界统一划分为东北、华北、华东、华中、西北和南方区域电网。为规范地区、行业、企业及其他单位核算电力消费所隐含的二氧化碳排放量，确保结果的可比性，根据所在区域电力系统中所有发电厂的总净发电量、燃料类型及燃料总消耗量，计算电力平均排放因子。电力平均排放因子计算公式如下：
式中：为区域电网/>的平均排放因子，/>。
为区域电网/>覆盖的地理范围内发电产生的直接排放量，/>。
为向区域电网/>净送出电量的区域电网/>的平均排放因子，。
为区域电网/>向区域电网/>净送出的电量，/>。
为向区域电网/>净出口电量的/>国发电平均排放因子，/>。
为/>国向区域电网净出口的电量，/>。
为区域电网/>覆盖的地理范围内年度总发电量，/>。
：东北、华北、华东、华中、西北和南方区域电网之一。
：向区域电网/>净送出电量的其他区域电网。
：向区域电网/>净出口电量的其他国家。
基准线排放因子计算方法：基准线排放因子包括电量边际排放因子OM和容量边际排放因子BM。
根据电力系统中所有电厂(不包括低运行成本/必须运行机组)的总净发电量、燃料类型及燃料总消耗量计算电量边际排放因子(OM)。计算公式如下：
式中，是第y年减排项目所在电力系统的简单电量边际排放因子OM（/>）；
是电力系统第y年的总净发电量，即除低运行成本必须运行机组之外的其他所有机组供给电网的总电量（/>）；
是第y年上述机组对燃料/>的总消耗量(质量或体积单位)；
是第y年燃料/>的平均低位发热量（/>/质量或体积单位）；
是第y年燃料/>的排放因子（/>）；
是第y年电力系统发电消耗的化石燃料种类；
是提交PDD时可获得数据的最近三年中的每个年份（事前计算)。
根据选定的个新增机组样本的供电排放因子以电量为权重进行加权平均计算容量边际排放因子BM。计算公式如下：
是第y年项目所在电力系统的容量边际排放因子BM（/>）；
是第m个新增机组样本在第y年的净发电量（/>）；
是第m个新增机组样本在第y年的单位电量排放因子（/>）；
m是计算BM所选取的新增机组样本群；
y是能够获得发电历史数据的最近年份。
电力动态排放因子是指电力系统在特定时间范围内的总二氧化碳（）排放量与当期发电量之比。它是反映电力产业对二氧化碳排放状况的关键指标。一般而言，电力动态排放因子可通过以下公式计算：
其中，为电力动态排放因子，（/>）。
为用能结构 CO2 排放系数，即从各种能源消费中产生的二氧化碳排放量，是一个固定的参数（/>）；
为发电量（/>）；
为用电量（/>）。
本实施例中的上述公式中，虽然重复使用了字符i和字符y，但是其在不同的公式中具备其不同的定义，仅作为代表符号，不产生相互冲突。
发电量和用电量则需要根据实际情况进行测算，并按一定的统计周期进行汇总处理。在计算时，还需充分考虑各类能源在电网中的占比、采用的发电技术、机组运行状况等因素，以保证计算结果的准确性。
步骤2：分析影响碳核算参数的关键因素。具体方法为：获取电力系统的全部结构节点，基于每个节点之间的因果关系建立因果关系图；根据所述因果关系图获取每个节点影响碳核算参数的因素；计算每个节点中的每个因素的碳核算参数值；根据分析规则比较计算的碳核算参数值与碳核算参数基准阈值，符合分析规则的则标记该因素为关键因素。
基于系统动力学建立的因果关系图如图2所示，系统动力学对问题的理解，是基于系统行为与内在机制间的相互紧密的依赖关系，并且透过数学模型的建立与操弄的过程而获得的，逐步发掘出产生变化形态的因、果关系，系统动力学称之为结构。所谓结构是指一组环环相扣的行动或决策规则所构成的网络。构成本实施例的因果关系图的系统主要基于节点的碳流动变化以及相互间的因果关系。如图2所示，电力系统的结构节点包括经济发展、人口数量、生活用电、产业能耗、能源消耗、碳排放、环境质量、生态质量、碳汇、教育投入、科技投入、技术进步影响因子以及新能源发电，经济的发展促进产业能耗增加，在这一过程中涉及的因素为燃料消耗量、消耗燃料种类和燃料低位发热量，而人口数量变化也会引起产业能耗变化进而导致能源消耗，这一过程中涉及的因素为新增电厂数量及占比、区域间电力交换、电力系统潮流及碳排放分布；能源消耗将直接影响碳排放，这一过程中涉及的因素为燃料低位发热量，而碳排放引起环境质量产生变化进而影响经济发展和生态治理，这一过程中涉及的因素为新能源大规模发展趋势、绿电交易、向电网提供的电量和减排项目。
计算每个因素的碳核算参数值包括计算每个因素的电力平均排放因子的值、电力动态排放因子的值和基准线排放因子的值；碳核算参数基准阈值包括电力平均排放因子的基准值、电力动态排放因子的基准值、基准线排放因子的基准值以及碳核算参数平均基准阈值。
分析规则为：若因素的电力平均排放因子的值大于电力平均排放因子的基准值且因素的电力平均排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；若因素的电力平均排放因子的值小于电力平均排放因子的基准值且因素的电力平均排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；若因素的电力平均排放因子的值小于电力平均排放因子的基准值且因素的电力平均排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
在本发明的另一个实施例中，分析规则为：若因素的电力动态排放因子的值大于电力动态排放因子的基准值且因素的电力动态排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；若因素的电力动态排放因子的值小于电力动态排放因子的基准值且因素的电力动态排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；若因素的电力动态排放因子的值小于电力动态排放因子的基准值且因素的电力动态排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
在本发明的另一个实施例中，分析规则为：若因素的基准线排放因子的值大于基准线排放因子的基准值且因素的基准线排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；若因素的基准线排放因子的值小于基准线排放因子的基准值且因素的基准线排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；若因素的基准线排放因子的值小于基准线排放因子的基准值且因素的基准线排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
在本发明的另一个实施例中，分析规则为：若因素的任一碳核算参数值大于对应的相同的碳核算参数值或任一碳核算参数值大于碳核算参数平均基准阈值，则对因素进行关键因素标记，否则，对因素进行非关键因素标记。
在本发明的另一个实施例中，分析规则为：若因素的任一碳核算参数值大于对应的相同的碳核算参数值的2倍，则对因素进行关键因素标记。
基于上述分析规则确定的关键因素如下：（1）新能源大规模发展趋势：随着清洁能源技术不断进步和推广应用，新能源在发电中的比重逐渐增加，将直接影响电力系统的碳排放量。（2）绿电交易：绿色电力交易通过市场机制实现了可再生能源的市场化，可促进清洁能源产业的发展，从而减少碳排放。（3）区域间电力交换：电力系统之间的互联互通使得能源的利用更加高效，避免重复建设，也有助于优化碳排放分布。（4）燃料消耗量：燃料消耗量是电力系统中影响碳排放的一个重要因素，其减少将有利于降低碳排放量。（5）电力系统潮流及碳排放分布：电力输送过程中，电力系统潮流及碳排放分布会导致不同区域的碳排放存在差异，需要进行合理管理调节。（6）消耗燃料种类：不同种类的能源比热值和含碳量不同，在电力生产中的应用也不同，对碳排放的影响也有所差异。（7）向电网提供的电量：无论是传统发电还是新能源发电，向电网提供的电量都会对碳排放量产生直接或间接的影响。（8）新增电厂数量及占比：新增电厂的数量及其在电力系统中的占比会对整个电力系统的碳排放量产生较大的影响。（9）燃料低位发热量：不同类型的燃料低位发热量不同，直接关系到电力系统的效率和功率密度，并且会对碳排放量产生影响。（10）减排项目：实施减排项目可以通过技术手段、流程优化等途径减少碳排放量，包括能源效率提升、碳捕捉利用等方面。
基于确定的关键因素，根据关键因素中计算的碳核算参数值的大小建立关键因素与电力平均排放因子、电力动态排放因子和基准线排放因子的映射对应关系图。根据映射对应关系图可以清楚的得到不同的关键因素主要影响的何种碳核算参数，如图3所示，新能源大规模发展趋势、绿电交易、燃料消耗量以及消耗燃料种类主要影响的是电力平均排放因子。区域间电力交换、燃料消耗量以及电力系统潮流及碳排放分布主要影响动态排放因子。消耗燃料种类、向电网提供的电量、新增电厂数量及占比、燃料低位发热量以及减排项目主要影响基准线排放因子。
步骤3：采用STIRPAT模型对关键因素的影响程度进行量化分析。具体方法为：
首先，获取关键因素的历史数据，基于关键因素的历史数据搭建情景模型，对关键因素进行情景模拟，对关键因素进行定量，计算不同的单个关键因素情景下的碳核算参数值，得到初步量化结果；采用情景模拟判断关键因素对碳核算参数的影响程度，通过情景模拟量化评估新能源大规模发展趋势、绿电交易、区域间电力交换、燃料消耗量、电力系统潮流及碳排放分布、消耗燃料种类、向电网提供的电量、新增电厂数量及占比、燃料低位发热量、减排项目等关键影响因素对电力系统碳排放和电力碳核算参数的影响程度。
其次，获取关键因素与碳核算参数的对应关系，根据机理分析对传统IPAT模型进行改进，搭建STIRPAT模型，对变量进行扩展，利用改进的STIRPAT模型建立电力平均排放因子、电力动态排放因子和基准线排放因子等电力碳核算参数变化与关键因素指标变化之间的关系，以多个关键因素为变量作为输入，输出二次量化结果。
继而，将初步量化结果和二次量化结果进行验证分析，得到统一后的最终量化值。
环境影响模型（IPAT）主要用于分析人为因素对环境压力的影响，但由于模型假设其中的三个因素的影响是成倍变化的，数值无法通过IPAT模型进行验证。STIRPAT算法通过对预测指标进行简化，增加模型隐含层数和隐含层中的神经元数目，可以提高模型预测精度，并完成假设检验。
式中，a为方程系数，b、c、d是方程的弹性系数，e是方程误差，P、A、T为变量，为关键因素的一种，当a、b、c、d、e均取值为1时，STIRPAT模型即为IPAT模型。STIRPAT模型是各变量指数的乘积形式，相比来说，可以获取各因素的不同比例作用的信息。当保留STIRPAT模型的原有乘法结构时，对两边取对数，可得：
这能够解决方程的异方差性，使得对影响碳排放的变量非单调，有利于测量各个因素自身对碳排放总量带来的作用信息。在碳核算预测方面，通过扩展变量，选取电厂总净发电量、燃料总消耗量，消耗燃料种类、向电网提供的电量、新增电厂数量及占比和某类燃料消耗量作为模型的输入变量，增加碳排放的关键影响因素，对关键影响因素进行定量分析，量化其对碳核算参数的影响，统一后的量化结果如附图5所示。
然后，结合关键因素与碳核算参数的影响程度以及对应关系，采用BP神经网络构建预测模型，以关键影响因素为输入量，以电力碳核算参数为输出量，构建改进STIRPAT模型和BP神经网络模型相结合的融合预测模型，如附图4所示。借助误差反向传播（BP）算法自适应、自学习、自组织能力的优点和处理随机性模糊性问题的优势可以进一步提升预测精度。将规范化处理历史数据后形成的训练样本输入预测模型，通过迭代学习训练不断修正各层权值，从而提高碳核算参数的预测值。
特别的，BP网络能学习和存贮大量的输入与输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层、隐藏层和输出层，输入层包含两个通道，通道1输入的数据为统一后的碳排放关键影响因素对碳排放参数的量化分析值（即最终量化值）。通道2输入历史电力碳核算参数值。隐藏层有n个神经元，其中n为关键因素个数以及历史数据年份数总和的2倍。输出层为预测的未来碳核算参数值。
在神经网络训练过程中，目标函数采用真实值与预测值的均方误差，其用于衡量预测值与真实值之间的均方差，目标是最小化预测值与真实值之间的平方差距，公式如下：
其中，为预测的某年碳核算参数，/>为实际的某年碳核算参数，/>为预测的地区数量。
在优化算法方面采用Adam算法， Adam是一种自适应学习率的优化算法，常用于神经网络训练中。它结合了梯度的一阶矩估计（即平均梯度）和二阶矩估计（即梯度的方差），以动态地调整学习率，并能够适应不同参数的特性。其能计算每个参数的自适应学习率。这个方法不仅存储了AdaDelta先前平方梯度的指数衰减平均值，而且保持了先前梯度M(t)的指数衰减平均值。Adam通过以下公式来更新参数：
其中，为控制一阶动量，/>为控制二阶动量，分别取0.9和0.999。/>是对梯度的一阶矩估计（即平均梯度），/>是对梯度的二阶矩估计（即梯度的方差）。
为了进一步评估模型的预测准确性，本发明依据华北区域、东北区域、华东区域、华中区域、西北区域、南方区域的2006到2014年电力边际排放因子数据对2015到2019五年的电力边际排放因子参数进行预测并利用平均绝对百分比误差指标来进行评估。评价指标如表1所示：
表1 区域电力预测结果
| 地区 | 电力边际排放因子（OM）平均绝对误差 |
| 华北地区 | 3.23% |
| 东北地区 | 8.55% |
| 华东地区 | 2.78% |
| 华中地区 | 2.31% |
| 西北地区 | 8.58% |
| 南方地区 | 1.36% |
从表中可以看出，碳核算参数的预测误差都小于10%。平均绝对百分比误差计算公式为：
其中，为所预测的样本数，/>为预测的第i年的电力边际排放因子参数，/>为第i年的电力边际排放因子参数真实值。
基于本实施例预测和分析结果以及系统动力学的因果关系，提出优化建议和措施，以降低碳排放并提高电力生产效率。
电力平均排放因子较高或较低将对能源政策、规划制定和实际执行产生不同的影响。根据当前情况及趋势，灵活调整政策，促进电力生产变得更加清洁、高效，实现减排目标。当预测出的电力平均排放因子较高时，意味着电力生产过程中的二氧化碳排放量较大。此时，针对这一情况，应该通过推广清洁能源、提高能效等措施来降低电力生产过程中的排放量，实现减少碳排放的目标。通过补贴、扶持政策等方式鼓励企业使用清洁能源、提高能效，同时也可以加强监管和惩罚措施，促进企业按照要求减少排放。加强技术研发和推广应用清洁能源技术，是降低电力排放因子的有效途径。相反地，当预测的电力平均排放因子较低时，能源政策和规划将更容易实现减少碳排放的目标。通过鼓励电力生产者、消费者继续推广清洁能源的使用以及提高能效，来推动能源结构的调整，从而实现更低的排放水平。
动态排放因子的高低将对环境产生直接影响。加大清洁能源和能效等技术的研发和推广力度，积极推进电力行业的可持续发展，从而更好地降低电力动态排放因子，减少对环境的负面影响。当预测出的电力动态排放因子较高时，表明在电力生产过程中二氧化碳等温室气体排放量较大。这将对环境产生负面影响，包括加剧气候变化和空气污染等问题。因此减少电力生产中的气体排放是减缓气候变化的关键。反之，当电力动态排放因子较低时，其排放量较少，能够降低对环境的负面影响。与传统化石燃料相比，清洁能源如风能、太阳能、水电等的动态排放因子要低得多。减少动态排放因子还有助于促进能源的可持续发展，提高环境质量，保护生态平衡。
基准线排放因子是衡量电力系统气体排放标准和转型进展的重要指标。基准线排放因子的高低将直接影响清洁能源的推广和应对气候变化的进程。当预测的基准线排放因子较高时，意味着在新能源电力生产过程中产生的碳排放量较多，这将减弱清洁能源替代传统化石能源的意义。同时，基准线排放因子较高还将加大环境治理和气候应对的难度，因为排放量的增加会对环境造成更多的负担，加剧气候变化的影响。此时，可以通过改善新能源电力设备的技术水平来降低。此外，还可以通过提高清洁能源占比、鼓励企业采用清洁生产技术、推广低碳生活方式等措施来减少碳排放量，从而达到改善的效果。针对不同情况，可以采取多种手段综合施策，以期达到更好的改善效果。基准线排放因子的管理和控制对于构建低碳经济具有重要意义。通过降低基准线排放因子，实现低碳、可持续发展。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (9)
1.一种基于系统动力学的碳核算参数分析预测方法，其特征在于，包括以下步骤：
获取电力系统的历史数据，计算历史电力碳核算参数值；
分析影响碳核算参数的关键因素；
采用STIRPAT模型对关键因素的影响程度进行量化分析；
根据量化分析结果和历史电力碳核算参数值，采用电力碳核算参数预测模型对当前的电力碳核算参数进行预测。
2.根据权利要求1所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
分析影响碳核算参数的关键因素的具体方法为：
获取电力系统的全部结构节点，基于每个节点之间的因果关系建立因果关系图；
根据所述因果关系图获取每个节点影响碳核算参数的因素；
计算每个节点中的每个因素的碳核算参数值；
根据分析规则比较计算的碳核算参数值与碳核算参数基准阈值，符合分析规则的则标记该因素为关键因素。
3.根据权利要求2所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
所述碳核算参数包括电力平均排放因子、电力动态排放因子和基准线排放因子；
根据关键因素中计算的碳核算参数值的大小建立关键因素与电力平均排放因子、电力动态排放因子和基准线排放因子的映射对应关系图。
4.根据权利要求3所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
计算每个因素的碳核算参数值包括计算每个因素的电力平均排放因子的值、电力动态排放因子的值和基准线排放因子的值；
碳核算参数基准阈值包括电力平均排放因子的基准值、电力动态排放因子的基准值、基准线排放因子的基准值以及碳核算参数平均基准阈值。
5.根据权利要求1或2或3所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
采用STIRPAT模型对关键因素的影响程度进行量化分析的具体方法为：
获取关键因素的历史数据；
基于关键因素的历史数据搭建情景模型，对关键因素进行情景模拟；
对关键因素进行定量，计算不同的单个关键因素情景下的碳核算参数值，得到初步量化结果；
搭建STIRPAT模型，以多个关键因素为变量作为输入，输出二次量化结果；
将初步量化结果和二次量化结果进行验证分析，得到统一后的最终量化值。
6.根据权利要求1所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
所述电力碳核算参数预测模型采用BP神经网络模型，包括输入层、隐藏层和输出层，输入层包括两个输入通道，第一通道输入量化分析值，第二通道输入历史电力碳核算参数值，目标函数采用均方误差，优化函数采用adam算法。
7.根据权利要求4所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
所述分析规则为：
若因素的电力平均排放因子的值大于电力平均排放因子的基准值且因素的电力平均排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力平均排放因子的值小于电力平均排放因子的基准值且因素的电力平均排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力平均排放因子的值小于电力平均排放因子的基准值且因素的电力平均排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
8.根据权利要求4所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
所述分析规则为：
若因素的电力动态排放因子的值大于电力动态排放因子的基准值且因素的电力动态排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力动态排放因子的值小于电力动态排放因子的基准值且因素的电力动态排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的电力动态排放因子的值小于电力动态排放因子的基准值且因素的电力动态排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
9.根据权利要求4所述的一种基于系统动力学的碳核算参数分析预测方法，其特征在于，
所述分析规则为：
若因素的基准线排放因子的值大于基准线排放因子的基准值且因素的基准线排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的基准线排放因子的值小于基准线排放因子的基准值且因素的基准线排放因子的值大于碳核算参数平均基准阈值，则对因素进行关键因素标记；
若因素的基准线排放因子的值小于基准线排放因子的基准值且因素的基准线排放因子的值小于碳核算参数平均基准阈值，则对因素进行非关键因素标记。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315240.6A CN117057516B (zh) | 2023-10-12 | 2023-10-12 | 一种基于系统动力学的碳核算参数分析预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315240.6A CN117057516B (zh) | 2023-10-12 | 2023-10-12 | 一种基于系统动力学的碳核算参数分析预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117057516A true CN117057516A (zh) | 2023-11-14 |
| CN117057516B CN117057516B (zh) | 2024-04-09 |
Family
ID=88663058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311315240.6A Active CN117057516B (zh) | 2023-10-12 | 2023-10-12 | 一种基于系统动力学的碳核算参数分析预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057516B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
| CN114897224A (zh) * | 2022-04-22 | 2022-08-12 | 南京师范大学 | 基于数学模型的城市碳排放预测方法 |
| CN115829081A (zh) * | 2022-10-19 | 2023-03-21 | 华中科技大学 | 一种基于支持向量回归模型的城市交通碳排放预测方法 |
| CN115907177A (zh) * | 2022-11-30 | 2023-04-04 | 国网吉林省电力有限公司白城供电公司 | 城市碳排放预测方法及系统 |
| WO2023071422A1 (zh) * | 2021-10-28 | 2023-05-04 | 广东邦普循环科技有限公司 | 一种锂电池正极材料烧结的碳排放的核算系统 |
| CN116663918A (zh) * | 2023-05-19 | 2023-08-29 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种基于自下而上测算的分领域碳排放预测方法 |
-
2023
- 2023-10-12 CN CN202311315240.6A patent/CN117057516B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
| WO2023071422A1 (zh) * | 2021-10-28 | 2023-05-04 | 广东邦普循环科技有限公司 | 一种锂电池正极材料烧结的碳排放的核算系统 |
| CN114897224A (zh) * | 2022-04-22 | 2022-08-12 | 南京师范大学 | 基于数学模型的城市碳排放预测方法 |
| CN115829081A (zh) * | 2022-10-19 | 2023-03-21 | 华中科技大学 | 一种基于支持向量回归模型的城市交通碳排放预测方法 |
| CN115907177A (zh) * | 2022-11-30 | 2023-04-04 | 国网吉林省电力有限公司白城供电公司 | 城市碳排放预测方法及系统 |
| CN116663918A (zh) * | 2023-05-19 | 2023-08-29 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种基于自下而上测算的分领域碳排放预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王凯;李娟;唐宇凌;刘浩龙;: "中国服务业能源消费碳排放量核算及影响因素分析", 中国人口.资源与环境, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117057516B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160430A (zh) | 一种基于人工智能算法的水资源优化配置方法 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| Chen et al. | AI-Assisted approach for building energy and carbon footprint modeling | |
| CN114777192A (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
| Liu et al. | Energy and carbon performance of urban buildings using metamodeling variable importance techniques | |
| CN114897241A (zh) | 一种基于数字孪生的楼宇能效智能化监管预测方法 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
| Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
| CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Zou et al. | Predicting the electric power consumption of office buildings based on dynamic and static hybrid data analysis | |
| CN111626558B (zh) | 基于情景分析的综合能源系统模型比较方法和优化系统 | |
| CN115879652B (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
| Fathi et al. | Campus energy use prediction (CEUP) using artificial intelligence (AI) to study climate change impacts | |
| CN117057516B (zh) | 一种基于系统动力学的碳核算参数分析预测方法 | |
| CN108108837A (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
| CN117526270A (zh) | 多元负荷特性分析预测方法、装置及电子设备、存储介质 | |
| Ou et al. | A novel dynamic parameter discrete grey model and its application | |
| CN115660234A (zh) | 一种基于混合测算方法的双碳预测优化模型 | |
| CN115034618A (zh) | 一种基于模糊评价的社区综合能源系统效益评价方法 | |
| CN117910885B (zh) | 一种综合能源服务的综合评价方法及系统 | |
| CN117937474B (zh) | 一种新能源场站储能管理方法及系统 |
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 |