中国能源碳排放因素分解与情景预测

我国能源活动碳排放占总碳排放85％以上,研究能源活动碳排放的变化规律对于实现碳达峰碳中和目标具有重要意义.首先,采用对数平均迪氏分解法(logarithmic mean Divisia index,LMDI)对1995—2017年我国能源消费碳排放变化的影响因素进行分解,从经济规模、产业结构、能源强度、能源结构、能源价...     

双碳背景下区域碳排放预测研究及情景分析

在双碳目标背景下,针对城市碳排放路径预测,提出了一种区域碳排放预测方法。通过马尔科夫模型与长期能源替代规划系统（LEAP）模型,实现对各行业的能源消费结构与能源需求量的预测。在此基础上,通过计算各能源的碳排放因子,并考虑能源结构优化与能源需求降低对碳排放的影响,预测不同情景下的区域碳排放量。最终,以中国某城市为例开展了区域碳排放路径预测的案例分析,结果表明,所提方法可以有效预测出区域的碳排放量及不同政策与技术发展对碳排放路径的影响。     

基于回归分析的频域分解短期负荷预测方法

基于回归分析的频域分解短期负荷预测方法通过对负荷序列进行频域分解,将负荷序列分解为周期负荷分量、低频负荷分量以及随机负荷分量。采用了外推法、一元线性回归分析和加权平均法,分别对周期负荷分量、低频负荷分量和随机负荷分量进行预测。最后通过对某地区电网日负荷进行预测,表明该方法应用于短期负荷预测具有较好的预测精度。     

基于STIRPAT评估模型的东北地区碳排放与电力消费相互关系分析

随着“双碳”目标的提出,我国能源需求刚性增长与资源、环境约束的矛盾更加突出,减排强度与经济高质量发展压力巨大,构建以新能源为主体的新型电力系统需求迫切。通过对东北地区经济、能源消费、电力消费、碳排放等多个方面数据的整理分析,搭建基于STIRPAT的评估模型,研究论证东北地区二氧化碳排放量(以下简称碳排放量)与电力消费相互关系,得出东北地区能源消费电气化程度与地区碳排放量的系数为-0.283,结果表明东北地区能源消费电气化程度的提高,可降低地区碳排放压力。     

基于动态碳排放价格的电网规划模型

随着国际社会对气候变化问题的重视,中国在"十二五"期间进一步提出了节能减排的新目标,需要研究碳排放价格对电网规划的影响作用。分析碳排放价格的波动情况,利用指数广义自回归条件异方差(exponential generalized autoregressive conditional heteroskedasticity,EGARCH)模型建立碳排放价格预测模型,提出碳排放量的计算方法;在此基础上构建基于动态碳排放价格的电网规划模型;最后,通过IEEE 24节点系统的模拟测算,分析模型的有效性。结果表明,与不考虑碳排放价格或者只考虑固定碳排放价格的电网规划相比,在规划模型中引入动态碳排放价格变量,能够更有效地模拟各种波动价格情景下的最优线路扩建方案,符合未来电网规划适应节能减排的工作需要,所确定的规划方案具有更好的经济效益。     

基于组合集成学习模型的区域碳排放预测方法研究

在低碳发展的大背景下,区域碳排放预测模型研究对未来双碳目标任务制定与实施的具有重要指导意义。Elas-ticNet-XGBRegressor 模型是一种组合集成学习模型,其中ElasticNet模型为特征筛选模型,XGBRegressor模型为区域碳排放预测模型。通过采用STIRPAT模型原理和IPCC排放因子法构建包含25个特征的原始数据集,并验证提出模型的有效性,以实证对照实验的方式进行,ElasticNet-XGBRegressor模型作为实验组,Spearman特征筛选和常见机器学习方法组合作为对照。结果表明,ElasticNet-XGBRegressor 模型在RMSE、MAPE和R2等模型评价指标上全面优于对照组,说明了ElasticNet-XGBRegressor 模型在区域碳排放预测中的优越性。通过创新性的将回归模型与决策树集成学习模型相结合,利用ElasticNet模型的特征筛选能力和集成学习的高准确性与鲁棒性提高了预测模型的精度和稳定性。     

基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

考虑气象因素的相似聚类短期负荷组合预测方法

提出以气象负荷和长期趋势负荷之和为聚类中心对历史负荷数据进行相似搜索的方法,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度。以权重优化组合的方式采用多种负荷预测方法进行组合负荷预测,应用实例证明该方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,因而具有广泛的自适应性,对于负荷总量较小、变动范围较大且受天气因素影响明显的地区具有较好的预测精度。     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

基于三阶段SBM-DEA的碳排放效率分解研究

碳排放效率的测算会因受随机误差和外部环境因素的影响而导致其结果准确性降低。应用三阶段SBM-DEA(Slacks-basedmeasurement,dataenvelopeanalyses)模型测算了2001—2020年各省市碳排放效率,同时利用随机前沿回归分析了其影响因素。研究结果表明,首先,各省市碳排放效率差距较大,总体碳排放效率均较低且平均水平呈现缓慢增长趋势;其次,推动能源低碳化转型、产业结构持续转型升级以及政府合理规制能够提升碳排放效率,科技进步、进出口贸易和城市化与碳排放效率呈正相关关系;最后,随机误差和外部环境因素对碳排放效率有显著影响。     

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

基于组合预测法的发电集团年发电量预测研究

对发电集团的年发电量进行预测可以为其制定年度发电计划及煤炭等相关电力业务的投资管理决策提供参考依据.以中国国电集团公司为例,运用ARIMA模型和灰色预测的组合预测模型对国电集团2011-2015年的发电量进行了预测,提高了预测精度.     

基于小波分解的神经网络组合风速预测

短期风速预测对于风电机组一次调频有着重要意义,而风速的随机性和波动性会直接影响到风速预测的精度.针对风速的上述特点提出了一种基于小波分解的神经网络组合风速预测方法.首先通过小波分解将不稳定的风速信号进行分解,从而得到不同频率的分量并进行重构;然后对高频分量分别采用Elman、BP神经网络预测并选取合适的权重比进行加权平...     

基于随机性环境影响评估模型的电力消费和碳排放关系实证分析

碳排放量、能源消费量、人口和经济增长存在着较为密切的关系,而作为清洁二次能源的电能,其消费使用量的多少影响着能源消费结构,进而影响着能源消费量。因此,电力消费强度和碳排放量之间存在着何种联系,是电力工业低碳之路需要考虑的问题。利用随机性环境影响评估模型(stochastic impacts by regression on population,affluence,and technology,STRIPAT),通过最小二乘回归方法测算碳排放量、人口、人均国民生产总值、电力消费量和能源消费量之间的碳排放影响系数。研究发现,人口、人均国民生产总值以及电力消费量和能源消费量之间的比值每发生1%的变化,将引起碳排放总量1.207%、0.901%以及?1.188%的变化,因此,在未来我国人口增长趋势放缓、国民经济保持7%以上较快发展的情况下,减少碳排放的途径应该从技术因素入手,通过提高电能占使用能源的比率、提高化石能源的使用效率和发展可再生能源来进行。     

基于方差-协方差组合预测的中长期电力负荷预测研究

关于中长期电力负荷预测有多种预测方法,但各方法被许多因素所局限,本文选用线性回归模型、二次多项式模型和灰色预测模型分别对电力负荷进行预测,再综合起来建立方差-协方差组合预测模型。通过比较后得出结论,本方法大大降低了误差,提高了预测精度,可以科学地预测中长期的电力负荷。     

基于人工神经网络的模型择优预测方法及应用

针对组合预测中各模型权重难以合理确定的问题,根据"择优取用"原则将组合预测问题转化为一种模式识别问题,并采用非线性映射能力很强的改进BP人工神经网络方法进行该问题的求解。实例表明,这种择优预测方法不仅有效避免了传统组合预测模型权重的繁琐计算,而且能集各模型所长,概念清晰,计算简便。该法作为变权重组合预测方法的一个特例,在灾害风险预测等中有较高的实用价值。     

基于Shapley值理论的能源系统需求预测方法

合理而准确的能源消费预测对于科学制定能源规划、优化调整能源与产业结构具有重要意义。针对传统能源预测方法预测精度低、未充分计及环境政策影响的缺点,提出了基于Shapley值理论的多情景修正组合预测模型。首先,根据能耗预测的要求和特点选取3个单项预测模型,并通过博弈论Shapley值理论确定单项模型在组合模型中的权重从而得到基准预测结果;然后,量化技术进步、经济发展、政策变动3个环节为修正项和修正系数,进一步改进模型函数,得到不同情景下的修正预测结果;最后,基于T市生活能耗数据进行算例分析,结果表明所提方法能够实现预测值曲线与实际值曲线的高度拟合,在充分考虑环境政策影响的基础上提高能源预测精度,为有关部门进行能源规划提供决策依据。     

电力系统负荷预测方法的比较

介绍了电力系统负荷预测中的回归分析模型法、灰色系统预测法和趋势外推法的原理,对三种单一预测方法的优缺点进行了比较,研究了结合以上三种方法的组合预测法。使用组合预测法避免了单一预测法的局限性,提高了负荷预测的精度,有利于用电管理。     

碳中和目标下中国碳排放关键影响因素分析及情景预测

研究中国碳排放关键影响因素对于实现碳达峰碳中和目标具有关键意义。首先,运用空间杜宾模型分析2003—2019年我国各省碳排放量的空间集群效应,表明我国碳排放量具有显著的空间分布特性,其中能源结构对碳排放量的影响最大,其次人口规模、能源强度,人均GDP、城镇化率和产业结构对碳排放也有一定的影响。然后,选取人均GDP、能源结构、能源强度、人口规模和城镇化率作为碳排放影响因素,发展了联合改进蝙蝠算法与BP神经网络的碳排放量预测模型,测试结果表明该模型的预测平均误差为0.16%。最后,设立高速、中速、低速碳达峰3种情景进行情景分析,得到了我国计及碳汇的碳排放量预测值,研究表明在高速和中速情景下,我国有望在2028—2029年实现碳达峰目标,对应碳排放峰值在120亿～122亿t之间。本研究可为我国制订能源强度和能源结构的调整方案提供参考。     

基于序列分解的母线负荷降噪预测方法

新型电力系统背景下,分布式电源和用户侧行为的多样性使母线负荷稳定性不足,对负荷短期预测提出了新的挑战。为此,提出一种基于序列分解的母线负荷降噪预测方法,将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中,针对序列分解后的余项,利用局部加权回归方法进行平滑处理,实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据,构建循环神经网络对降噪后的母线负荷进行预测,结果表明该方法能够去除母线负荷序列噪声,序列趋于光滑且保留了原始母线负荷序列的特征,具有优良的预测曲线和精确的预测结果。