CN115660234B - 一种基于混合测算方法的双碳预测优化模型 - Google Patents
一种基于混合测算方法的双碳预测优化模型 Download PDFInfo
- Publication number
- CN115660234B CN115660234B CN202211681921.XA CN202211681921A CN115660234B CN 115660234 B CN115660234 B CN 115660234B CN 202211681921 A CN202211681921 A CN 202211681921A CN 115660234 B CN115660234 B CN 115660234B
- Authority
- CN
- China
- Prior art keywords
- energy
- consumption
- energy consumption
- carbon
- power
- 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.)
- Active
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 179
- 238000005457 optimization Methods 0.000 title claims abstract description 97
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 238000000691 measurement method Methods 0.000 title claims abstract description 13
- 238000005265 energy consumption Methods 0.000 claims abstract description 171
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 162
- 238000011160 research Methods 0.000 claims abstract description 90
- 238000011156 evaluation Methods 0.000 claims abstract description 86
- 238000006386 neutralization reaction Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 115
- 238000009434 installation Methods 0.000 claims description 55
- 239000003245 coal Substances 0.000 claims description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 31
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 30
- 230000033228 biological regulation Effects 0.000 claims description 28
- 230000009467 reduction Effects 0.000 claims description 22
- 238000010248 power generation Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 239000003345 natural gas Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 108091006146 Channels Proteins 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 238000005206 flow analysis Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 239000003208 petroleum Substances 0.000 claims description 10
- 239000003921 oil Substances 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 239000002028 Biomass Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 101100001670 Emericella variicolor andE gene Proteins 0.000 claims description 3
- 239000004566 building material Substances 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000005272 metallurgy Methods 0.000 claims description 3
- 239000003895 organic fertilizer Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method 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
本发明公开了一种基于混合测算方法的双碳预测优化模型,包括依次连接的碳中和模型输入模块、能源消费预测模块、能源***优化模块和碳排放评估反馈模块,模型输入端为影响研究区域碳排放的多项驱动因素,输出端为研究区域的碳排放趋势及峰值情况、满足约束边界条件的能源***结构和技术优化组合,可保证研究区域在保障能源安全稳定供应的前提下,经多次迭代优化调整,寻求到***成本最小、碳排放总量最低的能源***结构和电力装机优化组合,进一步明确研究区域实现碳达峰碳中和目标的时间表、路线图。
Description
技术领域
本发明属于碳排放预测及评估优化领域,特别是涉及一种基于混合测算方法的双碳预测优化模型。
背景技术
目前,碳排放预测模型从建模方法上大致可分为“自上而下”和“自下而上”两类。其中,“自上而下”主要通过宏观经济指标数据对能源***进行预测,优点为数据可得性强,能简单直观地反应各驱动因素对能源消费量及碳排放量的影响,缺点为预测分析偏宏观,无法细化到各行业、各能源品种,无法将能源消费及碳排放的具体优化过程体现出来;而“自下而上”主要利用详细分散的能源生产、转换、终端消费等各环节数据,对技术进步影响进行详细的分析和仿真,缺点是数据可得性差,采用经验法分解数据后易造成结论失真,易忽略其他领域变化对研究领域的影响,而对于城市或行业,碳排放预测需要结合自身数据可得性、用能及碳排放特征等因素来选择预测模型,因此上述两类模型均不能较好地满足需求。
发明内容
针对以上技术问题,本发明提供一种基于混合测算方法的双碳预测优化模型。
本发明解决其技术问题采用的技术方案是:
一种基于混合测算方法的双碳预测优化模型,包括依次连接的碳中和模型输入模块、能源消费预测模块、能源***优化模块和碳排放评估反馈模块;
碳中和模型输入模块用于通过LMDI因素分解法对研究区域历史的碳排放数据划定边界得到分解结果,将分解结果按驱动影响力排序,得到输入数据;
能源消费预测模块用于对输入数据进行饱颗粒度情况研判,若输入数据满足饱颗粒度要求,则对设定时间范围内研究区域的能源消费总量以及不同行业、不同能源品种消费量均展开预测得到预测结果;反之,仅对研究区域的能源消费总量以及不同能源品种消费量展开预测得到预测结果;
能源***优化模块用于通过设定的约束边界条件,对预测结果采用多目标优化算法,得到研究区域设定时间范围内能源***结构和电力装机结构的最优组合,得到优化后的能源和电力消费组合;
碳排放评估反馈模块用于根据优化后的能源和电力消费组合,按照预设的碳排放统计核算要求,结合各能源品种的预设基础数据,计算出研究区域的碳排放趋势和峰值情况,并进行评估校验工作得到评估结果,若评估结果不满足预设的评估要求,则反馈评估结果至能源***优化模块,以调整约束边界条件,并重新优化计算;若满足预设的评估要求,则输出研究区域的能源需求变化情况、碳排放趋势和峰值情况以及最优能源***结构和电力装机优化组合,并生成可供参考的减碳降碳时间表和路线图。
优选地,研究区域碳排放的驱动影响因素划分为人口规模、经济因素、产业结构、能源结构、能源强度以及碳排放因子,通过LMDI因素分解法对研究区域历史的碳排放数据划定边界得到分解结果,具体为:
其中,
i表示产业,
j表示能源消费品种,
C表示碳排放总量,
C ij 表示
i产业,消耗
j能源产生的碳排放量,
Q和
Q i 分别表示地区经济总量和
i产业的增加值,
G ip 表示人均GDP,
P表示人口,
E i 和
E ij 分别表示
i产业的能源消费量和
i产业第
j种能源的消费量,
S i 表示
i产业增加值所占比重,
I i 表示
i产业能源消费强度,
J ij 表示
j种能源在
i产业中所占的比重,
EF ij 表示
i产业中消费
j种能源的碳排放因子。
优选地,能源消费预测模块包括依次连接的基于不同行业的预测子模块和基于能源品种的预测子模块,基于不同行业的预测子模块和基于能源品种的预测子模块均连接碳中和模型输入模块,基于能源品种的预测子模块在方法上选用能耗双控法、人均用能法、弹性系数法和回归分析法,基于不同行业的预测子模块在方法上选用动态物质流分析法、固定份额法、***动力学法和分解驱动因素法。
优选地,基于不同行业的预测子模块在方法上选用动态物质流分析法、固定份额法、***动力学法和分解驱动因素法具体为:
工业行业采用分解驱动因素法进行预测;
交通行业采用动态物质流分析法进行预测;
建筑行业采用***动力学法进行预测;
农业和居民行业采用固定份额法进行预测。
优选地,能源***优化模块包括能源消费结构优化子模块以及电力装机结构优化子模块,能源消费结构优化子模块的优化目标包括定量目标和定性目标,定量目标使各能源消费品种总成本和碳排放总量最低,且各类能源消费量需满足总量约束条件;电力装机结构优化子模块的优化目标为总成本最小,优化过程基于电量平衡约束、电力平衡约束和调峰平衡约束。
优选地,定量目标使各能源消费品种总成本和碳排放总量最低,具体为:
其中,A1,A2,A3分别为煤、石油、天然气的能源消费量,A4为本地一次电力和外调电力电量,为外调电力电量,单位均为万吨标准煤;、、、分别表示煤、石油、天然气、电力的单位能源消费量价格;、、、分别为煤、石油、天然气、外调电力电量的碳排放因子;
总量约束条件,指各类能源消费品种的能源消费量之和应等于能源消费预测子模块输出的全社会能源需求总量,具体为:
其中,Q为研究区域某一年的能源消费总量;A1,A2,A3分别为煤炭、石油、天然气的能源消费量,A4为本地一次电力和外调电力消费量,A5为其他能源消费量;a1,a2,a3,a4,a5分别为电力、冶金、建材、化工、民用及其他五个方面的煤炭消费量;o1,o2,o3,o4分别为交通、建筑、工业及其他四个方面的石油消费量;p1,p2,p3,p4,p5,p6分别为居民用气、商服采暖、工业、交通、发电和其他六个方面的天然气消费量;K为本地一次电量和外调电力电量;CF为电量折标煤系数。
优选地,电力平衡约束指供给侧各类的装机发电总负荷与区外调入总负荷之和减去输电网损应大于等于需求侧的***用电总需求,关系式如下:
其中,
C j为各类型的装机总负荷;
W j为区外调入总负荷;
R j为需求侧的***用电总需求;
i表示各装机类型,包括煤电、抽水蓄能、气电、水电、核电、风电、光伏发电、新型储能和生物质发电装机;
B i,j 表示第
j年第
i类装机的装机规模;
f i 表示第
i类装机的发电系数,该值夏季和冬季不同;
k表示外调电力的各输电通道;
n表示外输通道的根数;
电量平衡约束指全社会用电量小于等于某一年本地装机的发电量加上区外调入总电量,关系式如下:
其中,
M i,j 为第
j年
i类装机的总发电量;
K j 为第
j年全社会用电量;
F j 为第
j年区外调入总电量;
M ,j 为第
j年的本地总发电量,
H i,j 为第
j年
i类装机的发电利用小时数;
调峰平衡约束指丰、枯水期各装机类型的调峰可用容量与外调电力的调峰可用容量之和减去输电网损即可调峰容量应大于等于需调峰容量,关系式如下:
其中,
B i,j 为第
j年第
i类装机的可供容量;
F i,j 为第
j年第
i条外输电力通道的输送容量;
n 1i 为第
i类装机的调峰系数;
n 2i 为第
i条外输电力通道的调峰系数;
R j 为第
j年的全社会最大负荷;
r j 为第
j年的峰谷差率;
D j 为第
j年的日旋转备用量;
a表示考虑(1-
a)*100%的需求侧响应;
基于能源安全的上述三种平衡条件下,进行电源装机结构优化,优化目标表达式如下:
其中,
b i 表示第
i类电源装机的建设成本和运营成本之和;
b表示外调电量的电价。
优选地,碳排放评估反馈模块包括依次连接的碳排放趋势和峰值研判子模块和指标评估论证子模块,指标评估论证子模块连接能源***优化模块,碳排放趋势和峰值研判子模块用于根据优化后的能源和电力消费组合,按照预设的碳排放统计核算要求,结合各能源品种的预设基础数据,计算出研究区域的碳排放趋势和峰值情况,指标评估论证子模块用于对碳排放趋势和峰值研判子模块输出的碳排放趋势和峰值情况、能源***优化模块输出的能源***结构和电力装机优化组合两类结果进行评估校验,评估方法采用关键指标校验法。
优选地,关键指标校验法指选用研究区域在设定时间范围内必须满足的发展约束作为关键指标,关键指标包括碳强度累计下降率、非化石能源消费占比、电能占终端能源消费比重,具体如下:
碳强度累计下降率校验:该指标是目标年与基准年间碳排放强度的累计下降百分比幅度,评估公式如下:
其中,F为碳强度累计下降率;E’、E分别为目标年、基准年的二氧化碳排放量;G’、G分别为目标年、基准年的地区生产总值;Fg为规划年间研究区域的碳排放强度下降考核目标;为第一评估结果,若,第一评估结果满足要求,反之则不满足;
非化石能源消费占比校验:该指标是非化石能源消费占能源消费总量的比重,评估公式如下:
其中,N为非化石能源消费占比;S为能源消费总量;A为本地一次电力消费总量;B为非化石能源非电利用及其它能源消费量;T为外调电力中一次电力净调入/调出的总量,调入为正,调出为负;Ng为研究区域的非化石能源消费占比阶段目标值;为第二评估结果,若,第二评估结果满足要求,反之则不满足;
电能占终端能源消费比重校验:该指标是研究区域的电力消费在终端能源消费结构中的比重,评估公式如下:
其中,D为电力占终端能源消费比重;L为电能消费总量,其进行标准量转换中以电热当量法计算为准;Z为研究区域的终端能源消费量,其等于一次能源消费总量减去能源加工、转化和储运这三个中间环节的损失和能源工业所用能源后的能源量;Dg为研究区域的电能占终端能源消费比重阶段约束值;为第三评估结果,若,第三评估结果满足要求,反之则不满足。
上述一种基于混合测算方法的双碳预测优化模型,可保证研究区域在保障能源安全稳定供应的前提下,经多次迭代优化调整,寻求到***成本最小、碳排放总量最低的能源***结构和电力装机优化组合,进一步明确研究区域实现碳达峰碳中和目标的时间表、路线图。
附图说明
图1为本发明一实施例中一种基于混合测算方法的双碳预测优化模型的整体框架结构图;
图2为本发明一实施例所提供的LMDI因素分解结果逐年图;
图3为本发明一实施例所提供的LMDI因素分解结果累加图;
图4为本发明一实施例所提供的情景分析法下定量分析示意图;
图5为本发明一实施例所提供的三个场景碳排放趋势和峰值示意图;
图6为本发明一实施例中达峰场景下2030年碳排放情况分解图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作进一步的详细说明。
在一个实施例中,如图1所示,一种基于混合测算方法的双碳预测优化模型,包括依次连接的碳中和模型输入模块、能源消费预测模块、能源***优化模块和碳排放评估反馈模块;
碳中和模型输入模块用于通过LMDI(Logarithmic Mean Disivia Index,迪氏对数指标分解法)因素分解法对研究区域历史的碳排放数据划定边界得到分解结果,将分解结果按驱动影响力排序,得到输入数据;
能源消费预测模块用于对输入数据进行饱颗粒度情况研判,若输入数据满足饱颗粒度要求,则对设定时间范围内研究区域的能源消费总量以及不同行业、不同能源品种消费量均展开预测得到预测结果;反之,仅对研究区域的能源消费总量以及不同能源品种消费量展开预测得到预测结果;
能源***优化模块用于通过设定的约束边界条件,对预测结果采用多目标优化算法,得到研究区域设定时间范围内能源***结构和电力装机结构的最优组合,以及优化后的能源和电力消费组合;
碳排放评估反馈模块用于根据优化后的能源和电力消费组合,按照预设的碳排放统计核算要求,结合各能源品种的预设基础数据,计算出研究区域的碳排放趋势和峰值情况,并进行评估校验工作得到评估结果,若评估结果不满足预设的评估要求,则反馈评估结果至能源***优化模块,以调整约束边界条件,并重新优化计算;若满足预设的评估要求,则输出研究区域的能源需求变化情况、碳排放趋势和峰值情况以及最优能源***结构和电力装机优化组合,并生成可供参考的减碳降碳时间表和路线图。
具体地,结合“自上而下”和“自下而上”两类模型优势,目标上重点建立可用于国家/省/市/县/园区/重点行业多层级,兼顾能源结构优化,产业结构调整、区域项目布局的碳达峰碳中和通用预测模型;功能上重点突出能源数据的支撑作用、碳达峰碳中和预测属性以及实施路径与碳排曲线耦合。可保证研究区域在保障能源安全稳定供应的前提下,经多次迭代优化调整,寻求到***成本最小、碳排放总量最低的能源***结构和电力装机优化组合,进一步明确研究区域实现碳达峰碳中和目标的时间表、路线图。
在一个实施例中,研究区域碳排放的驱动影响因素划分为人口规模、经济因素、产业结构、能源结构、能源强度以及碳排放因子,通过LMDI因素分解法对研究区域历史的碳排放数据划定边界得到分解结果,具体为:
其中,
i表示产业,
j表示能源消费品种,
C表示碳排放总量,
C ij 表示
i产业,消耗
j能源产生的碳排放量,
Q和
Q i 分别表示地区经济总量和
i产业的增加值,
G ip 表示人均GDP,
P表示人口,
E i 和
E ij 分别表示
i产业的能源消费量和
i产业第
j种能源的消费量,
S i 表示
i产业增加值所占比重,
I i 表示
i产业能源消费强度,
J ij 表示
j种能源在
i产业中所占的比重,
EF ij 表示
i产业中消费
j种能源的碳排放因子。
具体地,考虑到排放因子
EF短期内变化不大,将排放因子变化对碳排放的影响设定为0。此时,将2015年设定基准年并定义为0年,2020年设定目标年并定义为t年,采用LMDI加法形式将从基准年到目标年的碳排放变化分解为上述五大因素,即:
其中,为碳排放0到t年的变化;为能源结构变化引起的碳排放变化量;为产业结构变化引起的碳排放变化量;为能源强度变化引起的碳排放变化量;为经济因素变化引起的碳排放变化量;为人口规模变化引起的碳排放变化量。
根据LMDI分解计算,得出影响因素对研究区域碳排放的影响贡献率,如下所示:
其中,
D k 指各个因素对总碳排放的贡献率;代指各个因素(人口规模、经济规模、产业结构、能源结构、能源强度)对碳排放变化量的贡献值。
根据图2和图3中各驱动因素逐年贡献值和累计贡献值的时间序列趋势情况看出,经济产出效应、人口规模效应等对研究区域的碳排放量增长起正向的驱动作用;能源强度、能源结构、产业结构对研究区域的碳排放增长起反向的抑制作用。
筛选常住人口、经济结构、产业占比、能源消费结构、能源消费强度及其衍生指标等多项参数输入至子模块
M 1 ,贡献率靠前的参数需保证高准确性。输入参数可分为历史基础类
A 1 、情景依托类
A 2 、规划边界类
A 3 三类,其中,历史基础类
A 1 参数取自研究区域能源平衡表、统计年鉴等文件,本实施例样式如表1。
表1 历史基础类参数实施例样式
情景依托类
A 2 参数可根据基准、适度转型和达峰要求来设置不同场景下的参数,作为不同预测情景差异化的关键参数,实施例样式如表2所示。
表2 情景依托类参数实施例样式
规划边界类
A 3 参数取自研究区域的国民经济、能源电力规划或上级下发的能耗“双控”等政策文件,实施例样式如表3所示。
表3 规划边界类参数实施例样式
在一个实施例中,能源消费预测模块包括依次连接的基于不同行业的预测子模块和基于能源品种的预测子模块,基于不同行业的预测子模块和基于能源品种的预测子模块均连接碳中和模型输入模块,基于能源品种的预测子模块在方法上选用能耗双控法、人均用能法、弹性系数法和回归分析法,基于不同行业的预测子模块在方法上选用动态物质流分析法、固定份额法、***动力学法和分解驱动因素法。
在一个实施例中,基于不同行业的预测子模块在方法上选用动态物质流分析法、固定份额法、***动力学法和分解驱动因素法,具体为:
工业行业采用分解驱动因素法进行预测;
交通行业采用动态物质流分析法进行预测;
建筑行业采用***动力学法进行预测;
农业和居民行业采用固定份额法进行预测。
具体地,将输入的三类参数导入至能源消费预测模块
M 2 中,并进行数据饱颗粒度情况研判:
(1)导入数据满足饱颗粒度情况。基于不同行业的预测子模块
M 21 和基于能源品种的预测子模块
M 22 ,开始对设定时间范围内研究区域的能源消费总量以及工业、交通、建筑等不同行业和煤、油、气等能源品种消费量展开预测:
(a1)研究区域的能源消费总量以及煤、油、气等能源品种消费量采用基于单位GDP能耗法、人均用能法、弹性系数法等预测方法进行预测,具体如下:
基于单位GDP能耗法开展能源消费总量的预测,利用输入研究区域2021-2035年的GDP、GDP增速及能源消费强度
E即可计算出区域的能源消费总量。计算公式为:
其中,
j为预测年份;
Q j 为第
j年的能源消费总量,单位为万吨标准煤;
GDP j 为第
j年的地区生产总值,单位为万元;
I j 为第
j年的能源消费强度,单位为吨标煤/万元;
a为研究区域规划的五年能源消费强度下降率,可由当地行政上级、国家层面能耗“双控”文件推算得出。
基于人均用能法开展能源消费总量的预测,通过研究区域2021-2035年的常住人口和人均能耗计算,其中,人均能耗参数根据发达地区的先进能耗水平进行合理设置,计算公式为:
其中,
Q为能源消费总量,单位为万吨标准煤;
POP为预测年的常住人口数量,单位为万人;
EC为预测年的人均能耗,单位为吨标煤/人。
基于弹性系数法开展能源消费总量和能源品种消费量的预测,利用历史数据中GDP增速与能源消费增速的比例关系,对2021-2035年的能源消费量进行预测,计算公式如下:
其中,
Q ij、
Q ij-1分别为第
j年、第
j-1年第
i种能源品种的消费量,单位为万吨标准煤;
b ij为第
j年第
i种能源品种的能源消费增速;
GDP Δj为第
j年的GDP增速;Cij为第
j年第
i种能源品种的弹性系数,基准值取前五年历史数据的平均值,后续弹性系数保持不变或逐步降低。
基于弹性系数法、回归分析法、产值单耗法的组合赋权法对研究区域电力消费量展开预测,各预测方法的权重按预测结果的精确度和合理性设置,本实施例设置为0.4:0.2:0.4。
结合上述预测方法得出的结果,采用组合赋权法赋予不同的权重系数或取加权平均得出实施例计算结果,如表4所示。
表4 能源消费总量及各能源品种消费量预测结果实施例样式
(a2)工业行业采用分解驱动因素预测方法进行预测,即将工业能源消费总量分解成工业企业能源消费量
E 1 、工业固定资产投资项目新增能源消费
E 2 以及通过产业结构调整及节能技改能源消费减少量
E 3 三部分,构成关系式:
工业企业能源消费
E 1 采用ARIMA-BP神经网络组合模型预测,即构建ARIMA模型、BP神经网络模型等多个单一预测模型进行初步预测,并利用变权重组合法提高单一模型精确度,构建最优化组合模型对
E 1 进行预测。变权重组合法运算公式如下:
其中,为模型
i的权重,为模型
i的预测误差标准差,
n为组合模型的个数。
工业固定资产投资项目新增能源消费
E 2 采用情景分析法预测,即从定性与定量角度相结合进行预测。定性分析上,综合考虑固定资产投资项目的投产起始时间、累计年等影响因素,找出内在关联关系规律,结合定量关系式进行预测;定量分析上,将固定资产投资项目自投产时间至达到稳定运行年设置为研究区间,并设置权重系数,即项目新增能源消费自投产年起按权重比例进行分摊再作累加汇总,对未来工业固定资产新增能源消费量进行预测,如图4所示。
工业产业结构调整及节能技改减少量
E 3 根据研究区域近年重点用能企业能源审计报告的数据统计估算得出。
(a3)交通行业采用自底而上物质流分析法进行预测。本研究区域下交通行业能源消费主要为石油和电力消费,且从消费需求来源看,主要来源于传统燃油车辆和新能源汽车能源消耗。此时,将交通消费划分为燃油汽车、电动汽车、混动汽车三个部门来进行预测,计算公式如下:
其中,
i表示年份;
j代表部门,分别指燃油汽车、电动汽车、混动汽车部门;
S i 是第
i年交通行业的能耗总量,
S i,j 是第
i年
j部门的能耗总量,单位为万吨标煤;
POP i 是第
i年研究区域的人口数量;
K i,j 是第
i年
j部门的千人汽车保有量;
M i,j 是第
i年
j部门的年行驶里程;n i,j 是第
i年
j部门的百公里能耗;
CF i,j 是第
i年
j部门的实物折标准煤系数。
(a4)建筑行业采用基于***动力学法进行预测,即通过***内部变量的因果关系来研究***动态变化情况,运行步骤为:
首先,结合LMDI因素分解法,考虑政治、经济发展、生活水平以及技术层面四方面对区域居住建筑能源消费的影响因素,设定变量,搭建区域建筑能源消费的因果回路图;其次,对因果关系图适当拓展与延伸,得到区域建筑能源消费***的存量流量图;然后,建立状态变量、速率变量、辅助变量的方程,确定和估计参数,运行***动力学软件,生成模型中状态变量、辅助变量等变量的模拟数值。通过有效性、灵敏度检验,修改和调整模型的结构与参数,使模型与真实***一致;最后,设定决策方案在软件上做仿真模拟,得到具有价值的趋势性结果,并对结果进行综合分析。
(a5)农业和居民行业采用固定份额法进行预测,即从研究区域2015-2020年的历史数据中分析历年农业和居民行业各能源品种消费占比情况,若占比几乎保持不变,则后续可假定农业和居民行业各能源品种消费占比维持恒定;若占比变化较大,则可依据2015-2020年时间范围内的所有消费占比数据,并用线性插值法补齐中间年份的占比,取平均值为指定年份固定份额。
结合上述预测方法,按实际差异化设置参数,即可得出三大场景下不同行业的能源消费需求预测结果。本实施例达峰场景下的预测结果如表5所示。
表5 达峰场景下不同能源品种消费量预测结果实施例样式
(2)导入数据不满足饱颗粒度情况。仅运行基于能源品种的预测子模块
M 22 ,开始对设定时间范围内研究区域的能源消费总量及煤、油、气等能源品种消费量展开预测,步骤同(1)中(a1)一致。
在一个实施例中,能源***优化模块包括能源消费结构优化子模块以及电力装机结构优化子模块,能源消费结构优化子模块的优化目标包括定量目标和定性目标,定量目标使能源消费品种总成本和碳排放总量最低,且各类能源消费量需满足总量约束条件;电力装机结构优化子模块的优化目标为总成本最小,优化过程基于电量平衡约束、电力平衡约束和调峰平衡约束。
具体地,将模块
M 2 输出的2021-2035年区域逐年能源消费总量以及不同行业或不同能源品种消费量预测结果导入至能源***优化模块
M 3 中,运行能源消费结构优化子模块
M 31 和电力装机结构优化子模块
M 32 ,通过调整和设定约束边界条件,结合电力项目成本等数据,采用多目标优化算法,对研究区域的能源消费结构或电力装机结构进行优化,实现整体***成本最优、碳排放总量最低。能源消费结构优化子模块
M 31 中,优化目标分为定性和定量两类,定性目标使能源消费结构更加清洁和合理,定量目标使能源消费品种总成本和碳排放总量最低,电力装机结构优化子模块
M 32 中,优化目标为总成本最小。优化过程中,根据电量平衡、电力平衡、调峰平衡等约束边界明确各类装机规模、发电利用小时和外调电量等参数的数值区间。
在一个实施例中,定量目标使各能源消费品种总成本和碳排放总量最低,具体为:
其中,A1,A2,A3分别为煤、石油、天然气的能源消费量,A4为本地一次电力和外调电力电量,为外调电力电量,单位均为万吨标准煤;、、、分别表示煤、石油、天然气、电力的单位能源消费量价格;、、、分别为煤、石油、天然气、外调电力电量的碳排放因子;总量约束条件,指各类能源消费品种的能源消费量之和应等于能源消费预测子模块输出的全社会能源需求总量,具体为:
其中,Q为研究区域某一年的能源消费总量;A1,A2,A3分别为煤炭、石油、天然气的能源消费量,A4为本地一次电力和外调电力消费量,A5为其他能源消费量;a1,a2,a3,a4,a5分别为电力、冶金、建材、化工、民用及其他五个方面的煤炭消费量;o1,o2,o3,o4分别为交通、建筑、工业及其他四个方面的石油消费量;p1,p2,p3,p4,p5,p6分别为居民用气、商服采暖、工业、交通、发电和其他等六个方面的天然气消费量;K为本地一次电量和外调电力电量;CF为电量折标煤系数。
此外,能源消费结构优化结果还应满足当前场景下各行业的刚性消费需求。本实施例能源消费结构优化结果如表6所示。
表6 能源消费结构优化结果实施例样式
在一个实施例中,电力平衡约束指供给侧各类的装机发电总负荷与区外调入总负荷之和减去输电网损应大于等于需求侧的***用电总需求,关系式如下:
其中,
C j为各类型的装机总负荷;
W j为区外调入总负荷;
R j为需求侧的***用电总需求;
i表示各装机类型,包括煤电、抽水蓄能、气电、水电、核电、风电、光伏发电、新型储能和生物质发电装机;
B i,j 表示第
j年第
i类装机的装机规模;
f i 表示第
i类装机的发电系数,该值夏季和冬季不同;
k表示外调电力的各输电通道;
n表示外输通道的根数;
电量平衡约束指全社会用电量小于等于某一年本地装机的发电量加上区外调入总电量,关系式如下:
其中,
M i,j 为第
j年
i类装机的总发电量;
K j 为第
j年全社会用电量;
F j 为第
j年区外调入总电量;
M ,j 为第
j年的本地总发电量,
H i,j 为第
j年
i类装机的发电利用小时数;
调峰平衡约束指丰、枯水期各装机类型的调峰可用容量与外调电力的调峰可用容量之和减去输电网损即可调峰容量应大于等于需调峰容量,关系式如下:
其中,
B i,j 为第
j年第
i类装机的可供容量;
F i,j 为第
j年第
i条外输电力通道的输送容量;
n 1i 为第
i类装机的调峰系数;
n 2i 为第
i条外输电力通道的调峰系数;
R j 为第
j年的全社会最大负荷;
r j 为第
j年的峰谷差率;
D j 为第
j年的日旋转备用量;
a表示考虑(1-a)*100%的需求侧响应;
基于能源安全的上述三种平衡条件下,进行电源装机结构优化,优化目标表达式如下:
其中,
b i 表示第
i类电源装机的建设成本和运营成本之和;
b表示外调电量的电价。
具体地,在整个装机优化过程中,采用运筹优化工具包ortools中的gurobiby模块。本实施例达峰场景下的电力装机优化结果如表7所示。
表7 达峰场景下电力装机优化结果实施例样式
将优化后的能源***结构等结果导入至碳排放评估反馈模块
M 4 中,依次进行碳排放趋势和峰值情况研判和关键指标评估论证。
在一个实施例中,碳排放评估反馈模块包括依次连接的碳排放趋势和峰值研判子模块和指标评估论证子模块,指标评估论证子模块连接能源***优化模块,碳排放趋势和峰值研判子模块用于根据优化后的能源和电力消费组合,按照预设的碳排放统计核算要求,结合各能源品种的预设基础数据,计算出研究区域的碳排放趋势和峰值情况,指标评估论证子模块用于对碳排放趋势和峰值研判子模块输出的碳排放趋势和峰值情况、能源***优化模块输出的能源***结构和电力装机优化组合两类结果进行评估校验,评估方法采用关键指标校验法。
具体地,碳排放趋势和峰值研判子模块
M 41 中,结合各能源品种的折标准煤系数
CF、碳排放因子
EF等数据,按国家相关统计核算文件要求,计算输出输入的能源***结构等优化结果下的碳排放趋势和峰值情况。其中,折标准煤系数
CF应按实测值或供应单位提供的数据计算,无法获得实测值的,其低位发热量
X及折标准煤系数
CF可参照《中国能源统计年鉴》、《综合能耗计算通则GB/T2589-2020》。而碳排放因子
EF应按能源的低位发热量
X、单位热值含碳量
Y和碳氧化率
K等实测值计算得出,无法获得实测值的,其碳排放因子、单位热值含碳量和碳氧化率可参照《省级温室气体清单编制指南》。计算公式如下:
式中,
X i 表示第
i种能源的单位低位发热量,单位为kJ;29307为GB/T3102.4国际蒸汽表卡中设定为1千克标准煤的热量值;
Y i 表示第
i种能源的单位热值含碳量,单位为t-C/TJ;
K i 表示第
i种能源的碳氧化率,单位为%。
此时,本实施例三大场景下的碳排放趋势和峰值情况如图5所示。其中,达峰场景的达峰年份为2030年,适度转型场景的达峰年份为2034年,基准场景无法在2035年前实现达峰。
在一个实施例中,关键指标校验法指选用研区域在设定时间范围内必须满足的发展约束作为关键指标,关键指标包括碳强度累计下降率、非化石能源消费占比、电能占终端能源消费比重,具体如下:
碳强度累计下降率校验:该指标是目标年与基准年碳排放强度累计下降百分比幅度,评估公式如下:
其中,F为碳强度累计下降率;E’、E分别为目标年、基准年的二氧化碳排放量;G’、G分别为目标年、基准年的地区生产总值;Fg为规划年间研究区域的碳排放强度下降考核目标;为第一评估结果,若,第一评估结果满足要求,反之则不满足。
本实施例中,是对研究区域“2021-2025年”、“2026-2030年”、“2031-2035年”规划期间碳排放强度的累计下降百分比幅度进行校验,碳强度累计下降率校验结果如表8所示。
表8 碳强度累计下降率校验结果实施例样式
非化石能源消费占比校验:该指标是非化石能源消费占能源消费总量的比重,评估公式如下:
其中,N为非化石能源消费占比;S为能源消费总量;A为本地一次电力消费总量;B为非化石能源非电利用及其它能源消费量;T为外调电力中一次电力净调入/调出的总量,调入为正,调出为负;Ng为研究区域的非化石能源消费占比阶段目标值;为第二评估结果,若,第二评估结果满足要求,反之则不满足。
具体地,本实施例中,是对研究区域小水电、风能、太阳能、生物质能、地热能等非化石能源消费占能源消费总量的比重进行校验,非化石能源消费占比校验结果如表9所示。
表9 非化石能源消费占比校验结果实施例样式
电能占终端能源消费比重校验:该指标是研究区域的电力消费在终端能源消费结构中的比重,评估公式如下:
其中,D为电力占终端能源消费比重;L为电能消费总量,其进行标准量转换中以电热当量法计算为准;Z为研究区域的终端能源消费量,其等于一次能源消费总量减去能源加工、转化和储运这三个中间环节的损失和能源工业所用能源后的能源量;Dg为研究区域的电能占终端能源消费比重阶段约束值;为第三评估结果,若,第三评估结果满足要求,反之则不满足。
具体地,本实施例电能占终端能源消费比重校验结果如表10所示。
表10 电能占终端能源消费比重校验结果实施例样式
此时,指标评估论证子模块
M 42 输出结果存在以下情况:
情况(1):各关键指标评估结果均满足要求,如本实施例的达峰场景,则进行减碳实施路径设置。
根据达峰场景下的能源结构和电力装机优化组合结果,比对研究区域当前拟核定或开展的电力装机、能源规划、节能改造等文件,在实现成本最优、碳排放最小、保障能源安全的基础上,提出补齐研究区域内当前或未来能源发展短板并如期实现碳达峰碳中和目标的实施路径。
根据碳排趋势和峰值情况研判结果,选取达峰趋势的关键年,利用LMDI等因素分解法得出各终端消费行业对当年碳排放量的贡献率,并在此基础上依据国家公布的各行业能耗标准进行研究区域内的现有行业技术先进水平比对,针对性地提出各行业、各环节的工艺技术节能改造方案,挖掘各终端消费行业的减碳降碳空间。
本实施例以达峰场景的2030年碳排放情况进行分解,结果如图6所示。此时,2030年减碳降碳路径实施可聚焦能源结构、工业行业等方面展开,且由于交通行业等降碳贡献度不高,故在路径的实施上可适当弱化。
情况(2):若关键指标评估结果出现不满足要求的情况,如本实施例的适度转型场景和基准场景,则需将结果反馈至模块
M 3 ,并对约束边界条件进行调整,重新优化计算,形成反馈闭环。
上述一种基于混合测算方法的双碳预测优化模型,可保证研究区域在保障能源安全稳定供应的前提下,经多次迭代优化调整,寻求到***成本最小、碳排放总量最低的能源***结构和技术优化组合,进一步明确研究区域实现碳达峰碳中和目标的时间表、路线图。
以上对本发明所提供的一种基于混合测算方法的双碳预测优化模型进行了详细介绍。文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种基于混合测算方法的双碳预测优化模型,其特征在于,包括依次连接的碳中和模型输入模块、能源消费预测模块、能源***优化模块和碳排放评估反馈模块;
所述碳中和模型输入模块用于通过LMDI因素分解法对研究区域历史的碳排放数据划定边界得到分解结果,将所述分解结果按驱动影响力排序,得到输入数据;
所述能源消费预测模块用于对所述输入数据进行饱颗粒度情况研判,若所述输入数据满足饱颗粒度要求,则对设定时间范围内研究区域的能源消费总量以及不同行业、不同能源品种消费量均展开预测得到预测结果;反之,仅对研究区域的能源消费总量以及不同能源品种消费量展开预测得到预测结果;
所述能源***优化模块用于通过设定的约束边界条件,对所述预测结果采用多目标优化算法,得到研究区域设定时间范围内能源***结构和电力装机结构的最优组合,得到优化后的能源和电力消费组合;
所述能源***优化模块包括能源消费结构优化子模块和电力装机结构优化子模块,所述能源消费结构优化子模块的优化目标包括定量目标和定性目标,所述定量目标使各能源消费品种总成本和碳排放总量最低,且各类能源消费量需满足总量约束条件;所述电力装机结构优化子模块的优化目标为总成本最小,优化过程基于电量平衡约束、电力平衡约束和调峰平衡约束;
所述电力平衡约束指供给侧各类的装机发电总负荷与区外调入总负荷之和减去输电网损应大于等于需求侧的***用电总需求,关系式如下:
其中,C j为各类型的装机总负荷;W j为区外调入总负荷;R j为需求侧的***用电总需求;i表示各装机类型,包括煤电、抽水蓄能、气电、水电、核电、风电、光伏发电、新型储能和生物质发电装机;B i,j 表示第j年第i类装机的装机规模;f i 表示第i类装机的发电系数,该值夏季和冬季不同;k表示外调电力的各输电通道;n表示外输通道的根数;
所述电量平衡约束指全社会用电量小于等于某一年本地装机的发电量加上区外调入总电量,关系式如下:
其中,M i,j 为第j年i类装机的总发电量;K j 为第j年全社会用电量;F j 为第j年区外调入总电量;M ,j 为第j年的本地总发电量,H i,j 为第j年i类装机的发电利用小时数;
所述调峰平衡约束指丰、枯水期各装机类型的调峰可用容量与外调电力的调峰可用容量之和减去输电网损即可调峰容量应大于等于需调峰容量,关系式如下:
其中,B i,j 为第j年第i类装机的可供容量;F i,j 为第j年第i条外输电力通道的输送容量;n 1i 为第i类装机的调峰系数;n 2i 为第i条外输电力通道的调峰系数;R j 为第j年的全社会最大负荷;r j 为第j年的峰谷差率;D j 为第j年的日旋转备用量;a表示考虑(1-a)*100%的需求侧响应;
基于能源安全的上述三种平衡条件下,进行电源装机结构优化,优化目标表达式如下:
其中,b i 表示第i类电源装机的建设成本和运营成本之和;b表示外调电量的电价;
所述碳排放评估反馈模块用于根据所述优化后的能源和电力消费组合,按照预设的碳排放统计核算要求,结合各能源品种的预设基础数据,计算出研究区域的碳排放趋势和峰值情况,并进行评估校验工作得到评估结果,若所述评估结果不满足预设的评估要求,则反馈所述评估结果至所述能源***优化模块,以调整约束边界条件,并重新优化计算;若满足预设的评估要求,则输出研究区域的能源需求变化情况、碳排放趋势和峰值情况以及最优能源***结构和电力装机优化组合,并生成可供参考的减碳降碳时间表和路线图。
2.根据权利要求1所述的一种基于混合测算方法的双碳预测优化模型,其特征在于,研究区域碳排放的驱动影响因素划分为人口规模、经济因素、产业结构、能源结构、能源强度以及碳排放因子,所述通过LMDI因素分解法对研究区域历史的碳排放数据划定边界得到分解结果,具体为:
其中,i表示产业,j表示能源消费品种,C表示碳排放总量,C ij 表示i产业,消耗j能源产生的碳排放量,Q和Q i 分别表示地区经济总量和i产业的增加值,G ip 表示人均GDP,P表示人口,E i 和E ij 分别表示i产业的能源消费量和i产业第j种能源的消费量,S i 表示i产业增加值所占比重,I i 表示i产业能源消费强度,J ij 表示j种能源在i产业中所占的比重,EF ij 表示i产业中消费j种能源的碳排放因子。
3.根据权利要求1所述的一种基于混合测算方法的双碳预测优化模型,其特征在于,所述能源消费预测模块包括依次连接的基于不同行业的预测子模块和基于能源品种的预测子模块,所述基于不同行业的预测子模块和基于能源品种的预测子模块均连接所述碳中和模型输入模块,所述基于能源品种的预测子模块在方法上选用能耗双控法、人均用能法、弹性系数法和回归分析法,所述基于不同行业的预测子模块在方法上选用动态物质流分析法、固定份额法、***动力学法和分解驱动因素法。
4.根据权利要求3所述的一种基于混合测算方法的双碳预测优化模型,其特征在于,所述基于不同行业的预测子模块在方法上选用动态物质流分析法、固定份额法、***动力学法和分解驱动因素法具体为:
工业行业采用分解驱动因素法进行预测;
交通行业采用动态物质流分析法进行预测;
建筑行业采用***动力学法进行预测;
农业和居民行业采用固定份额法进行预测。
5.根据权利要求1所述的一种基于混合测算方法的双碳预测优化模型,其特征在于,所述定量目标使各能源消费品种总成本和碳排放总量最低,具体为:
其中,A1,A2,A3分别为煤、石油、天然气的能源消费量,A4为本地一次电力和外调电力电量,为外调电力电量,单位均为万吨标准煤;、、、分别表示煤、石油、天然气、电力的单位能源消费量价格; 、 、、分别为煤、石油、天然气、外调电力电量的碳排放因子;
所述总量约束条件,指各类能源消费品种的能源消费量之和应等于所述能源消费预测子模块输出的全社会能源需求总量,具体为:
其中,Q为研究区域某一年的能源消费总量;A1,A2,A3分别为煤炭、石油、天然气的能源消费量,A4为本地一次电力和外调电力消费量,A5为其他能源消费量;a1,a2,a3,a4,a5分别为电力、冶金、建材、化工、民用及其他五个方面的煤炭消费量;o1,o2,o3,o4分别为交通、建筑、工业及其他四个方面的石油消费量;p1,p2,p3,p4,p5,p6分别为居民用气、商服采暖、工业、交通、发电和其他六个方面的天然气消费量;K为本地一次电量和外调电力电量;CF为电量折标煤系数。
6.根据权利要求1所述的一种基于混合测算方法的双碳预测优化模型,其特征在于,所述碳排放评估反馈模块包括依次连接的碳排放趋势和峰值研判子模块和指标评估论证子模块,所述指标评估论证子模块连接所述能源***优化模块,所述碳排放趋势和峰值研判子模块用于根据所述优化后的能源和电力消费组合,按照预设的碳排放统计核算要求,结合各能源品种的预设基础数据,计算出研究区域的碳排放趋势和峰值情况,所述指标评估论证子模块用于对所述碳排放趋势和峰值研判子模块输出的碳排放趋势和峰值情况、所述能源***优化模块输出的能源***结构和电力装机优化组合两类结果进行评估校验,评估方法采用关键指标校验法。
7.根据权利要求6所述的一种基于混合测算方法的双碳预测优化模型,其特征在于,所述关键指标校验法指选用研究区域在设定时间范围内必须满足的发展约束作为关键指标,所述关键指标包括碳强度累计下降率、非化石能源消费占比、电能占终端能源消费比重,具体如下:
碳强度累计下降率校验:该指标是目标年与基准年间碳排放强度的累计下降百分比幅度,评估公式如下:
其中,F为碳强度累计下降率;E’、E分别为目标年、基准年的二氧化碳排放量;G’、G分别为目标年、基准年的地区生产总值;Fg为规划年间研究区域的碳排放强度下降考核目标;为第一评估结果,若,所述第一评估结果满足要求,反之则不满足;
非化石能源消费占比校验:该指标是非化石能源消费占能源消费总量的比重,评估公式如下:
其中,N为非化石能源消费占比;S为能源消费总量;A为本地一次电力消费总量;B为非化石能源非电利用及其它能源消费量;T为外调电力中一次电力净调入/调出的总量,调入为正,调出为负;Ng为研究区域的非化石能源消费占比阶段目标值;为第二评估结果,若,所述第二评估结果满足要求,反之则不满足;
电能占终端能源消费比重校验:该指标是研究区域的电力消费在终端能源消费结构中的比重,评估公式如下:
其中,D为电力占终端能源消费比重;L为电能消费总量,其进行标准量转换中以电热当量法计算为准;Z为研究区域的终端能源消费量,其等于一次能源消费总量减去能源加工、转化和储运这三个中间环节的损失和能源工业所用能源后的能源量;Dg为研究区域的电能占终端能源消费比重阶段约束值;为第三评估结果,若,所述第三评估结果满足要求,反之则不满足。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211681921.XA CN115660234B (zh) | 2022-12-27 | 2022-12-27 | 一种基于混合测算方法的双碳预测优化模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211681921.XA CN115660234B (zh) | 2022-12-27 | 2022-12-27 | 一种基于混合测算方法的双碳预测优化模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660234A CN115660234A (zh) | 2023-01-31 |
CN115660234B true CN115660234B (zh) | 2023-04-07 |
Family
ID=85022637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211681921.XA Active CN115660234B (zh) | 2022-12-27 | 2022-12-27 | 一种基于混合测算方法的双碳预测优化模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660234B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236523B (zh) * | 2023-11-10 | 2024-03-08 | 中国能源建设集团湖南省电力设计院有限公司 | 一种基于帕累托策略的组合启发式碳排放优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109038589A (zh) * | 2018-08-02 | 2018-12-18 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种多省区电网协调运行生产模拟方法 |
CN113705905A (zh) * | 2021-08-31 | 2021-11-26 | 北京理工大学 | 碳中和目标下行业技术发展路径的确定方法和装置 |
CN115222147A (zh) * | 2022-08-15 | 2022-10-21 | 国网四川省电力公司经济技术研究院 | 一种分布式能源设备产能的优化方法、***及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650995A (zh) * | 2016-10-13 | 2017-05-10 | 中国能源建设集团广东省电力设计研究院有限公司 | 节能减排目标下的能源规划及战略支持*** |
CN114792166A (zh) * | 2022-05-07 | 2022-07-26 | 国网浙江省电力有限公司经济技术研究院 | 一种基于多重约束的能源碳排放的优化预测方法及装置 |
-
2022
- 2022-12-27 CN CN202211681921.XA patent/CN115660234B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109038589A (zh) * | 2018-08-02 | 2018-12-18 | 中国电力工程顾问集团西北电力设计院有限公司 | 一种多省区电网协调运行生产模拟方法 |
CN113705905A (zh) * | 2021-08-31 | 2021-11-26 | 北京理工大学 | 碳中和目标下行业技术发展路径的确定方法和装置 |
CN115222147A (zh) * | 2022-08-15 | 2022-10-21 | 国网四川省电力公司经济技术研究院 | 一种分布式能源设备产能的优化方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115660234A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Capacity planning and optimization of business park-level integrated energy system based on investment constraints | |
CN111291963B (zh) | 一种协调经济性与可靠性的园区综合能源***规划方法 | |
CN104008430B (zh) | 一种构建拟境挖掘动态智能负荷预测模型的方法 | |
CN112016747B (zh) | 一种适用于源荷储灵活资源统筹规划与运行的优化方法 | |
Yu et al. | Navigating the global mineral market: A study of resource wealth and the energy transition | |
CN111626487B (zh) | 一种综合能源***多评价指标优化规划技术方法和*** | |
Tan et al. | Feasibility study on the construction of multi-energy complementary systems in rural areas—Eastern, central, and western parts of China are taken as examples | |
CN106372762A (zh) | 一种含需求响应的微网经济优化运行设计方法 | |
Yuan et al. | A new hybrid multi-criteria decision-making approach for developing integrated energy systems in industrial parks | |
CN115660234B (zh) | 一种基于混合测算方法的双碳预测优化模型 | |
CN113537601A (zh) | 一种分布式光伏投资决策优化方法及*** | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
Khemir et al. | Real-world application of sustainable mobility in urban microgrids | |
Wang et al. | Pathways of carbon emissions reduction under the water-energy constraint: A case study of Beijing in China | |
CN105514988B (zh) | 一种计及动态时空特征的微电网电源规划方案优选方法 | |
CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
Ding et al. | Long-term operation rules of a hydro–wind–photovoltaic hybrid system considering forecast information | |
Du et al. | Prediction of carbon emissions trading price in Fujian province: Based on BP neural network model | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
Pizzuti et al. | A novel approach for multi-stage investment decisions and dynamic variations in medium-term energy planning for multi-energy carriers community | |
Unnewehr et al. | The value of network resolution–A validation study of the European energy system model PyPSA-Eur | |
CN112508231A (zh) | 一种基于***动力学的中长期电力负荷预测方法及*** | |
CN112785166A (zh) | 基于区块链的配电网分布式发电单元出力评价方法及装置 | |
CN111369083A (zh) | 一种面向电网项目投资效益的评价方法与*** | |
Ren et al. | Decision-making approach in charging mode for electric vehicle based on cumulative prospect theory |
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 |