Forschung zur Vorhersage der elektrischen Kohlenstoffemissionen der Gemeinschaft unter Berücksichtigung des dynamischen Emissionskoeffizienten des Energiesystems

Scientific Reports Band 13, Artikelnummer: 5568 (2023) Diesen Artikel zitieren

735 Zugriffe

Details zu den Metriken

Basierend auf den gezählten Emissionsfaktoren des Energiesystems des North China Power Grid wird eine Beispieldatenbank für kommunale Kohlenstoffemissionen erstellt. Das Support Vector Regression (SVR)-Modell wird trainiert, um die Kohlenstoffemissionen des Stroms vorherzusagen, die durch einen genetischen Algorithmus (GA) optimiert werden. Basierend auf den Ergebnissen wird ein gemeinschaftliches CO2-Warnsystem entwickelt. Die dynamische Emissionskoeffizientenkurve des Energiesystems wird durch Anpassen der jährlichen Kohlenstoffemissionskoeffizienten ermittelt. Das Zeitreihen-SVR-Modell zur Vorhersage der Kohlenstoffemissionen wird erstellt, während der GA verbessert wird, um seine Parameter zu optimieren. Am Beispiel der Beijing Caochang Community wird eine Beispieldatenbank für Kohlenstoffemissionen basierend auf der Kurve des Stromverbrauchs und des Emissionskoeffizienten erstellt, um das SVR-Modell zu trainieren und zu testen. Die Ergebnisse zeigen, dass das GA-SVR-Modell gut zum Trainingssatz und zum Testsatz passt und die Vorhersagegenauigkeit des Testsatzes 86 % erreicht. In Anbetracht des Trainingsmodells in diesem Dokument wird der CO2-Emissionstrend des gemeinschaftlichen Stromverbrauchs im nächsten Monat vorhergesagt. Das CO2-Warnsystem der Gemeinde wird entworfen und die spezifische Strategie zur Reduzierung der kommunalen CO2-Emissionen vorgeschlagen.

Vor dem Hintergrund bedeutender globaler Klimaprobleme und des zunehmenden Hitzeinseleffekts ist eine kohlenstoffarme Entwicklung zur Notwendigkeit der Zeit geworden. Mit der Beschleunigung des Urbanisierungsprozesses in China wächst die Zahl der Stadtbewohner weiter. Industriecluster haben die Entwicklung beschleunigt und der Energieverbrauch und die CO2-Emissionen sind kontinuierlich gestiegen. Das Problem der hohen CO2-Emissionen in Städten ist besonders wichtig geworden. Die Gemeinde, insbesondere die dicht besiedelte Gemeinde, ist die Haupteinheit der Stadt. Mit der Umsetzung von Maßnahmen wie der Umwandlung von Kohle in Strom werden die Kohlenstoffemissionen der Elektrizität zunehmend zu den wichtigsten Kohlenstoffemissionen der Gemeinschaft. Die Vorhersage der kommunalen Elektrizitäts-Kohlenstoffemissionen zeigt eine große Bedeutung für die Förderung eines kohlenstoffarmen Lebens der Bewohner und den Bau kohlenstoffarmer Städte.

Als größtes Entwicklungsland verfügt China in den letzten Jahren über eine große Wirtschaft und einen hohen Bevölkerungsanteil. China verbraucht viele fossile Brennstoffe und seine CO2-Emissionen nehmen rapide zu. Die gesamten Kohlenstoffemissionen stiegen kontinuierlich an, nachdem die gesamten Kohlenstoffemissionen Chinas erstmals im Jahr 2008 die der Vereinigten Staaten überstiegen. China ist zum größten Kohlenstoffemittenten geworden, seit sich seine gesamten Kohlenstoffemissionen im Jahr 2019 verdoppelt haben als die der Vereinigten Staaten. Das Problem der globalen Erwärmung lösen und reduzieren Treibhausgasemissionen, eine kohlenstoffarme Entwicklung ist zum weltweiten Konsens geworden. Im Jahr 2014 schlug China in der Gemeinsamen Erklärung der USA und Chinas zum Klimawandel erstmals den Plan für den CO2-Höhepunkt im Jahr 2030 vor und kündigte Chinas Ziele für den CO2-Höhepunkt und die CO2-Neutralität im Jahr 2020 an. Gleichzeitig erließ der Staatsrat im Januar 2022 die 14. Fünf -Jahresplan für Energieeinsparung und Emissionsreduzierung Umfassender Arbeitsplan, der politische Mechanismen verbesserte, Schlüsselprojekte auf den Weg brachte und die kurzfristigen Emissionsreduzierungsziele Chinas klarstellte.

Um dem nationalen Ziel der Reduzierung der Kohlenstoffemissionen zu dienen, sind Modelle und Lösungen zur Vorhersage von Kohlenstoffemissionen in den Mittelpunkt der Forschung von Wissenschaftlern im In- und Ausland gerückt. Derzeit gibt es mehr Prognosen1,2,3 für den CO2-Ausstoß innerhalb einer bestimmten Branche. In der Energiewirtschaft werden Kohlenstoffemissionen üblicherweise unter wirtschaftlichen Gesichtspunkten und unter Gesichtspunkten des Stromverbrauchs prognostiziert. Forscher haben eine Reihe von Studien durchgeführt, die auf den Einflussfaktoren von Kohlenstoffemissionen4,5, Regressionsmodellen6,7, Systemdynamikmodellen8,9,10 und nichtlinearen Modellen11,12 basieren. In Bezug auf Einflussfaktoren wiesen He et al.13 beispielsweise darauf hin, dass die Kohlenstoffemissionen des Energiesektors mehr als 40 % der Gesamtemissionen in China ausmachen. Sie untersuchten die Einflussfaktoren der Kohlenstoffemissionen aus dem Energiesektor in China sowohl auf nationaler als auch auf Provinzebene, wobei das Wirtschaftswachstum der Haupttreiber und die Intensität des Stromverbrauchs, die Energieintensität der thermischen Stromerzeugung und der Strommix die wichtigsten hemmenden Faktoren waren. Sun Wei et al.14 nutzten die stochastische Grenzanalyse, um Faktoren, die die Kohlenstoffemissionsintensität beeinflussen, aus der Perspektive der Kohlenstoffemissionseffizienz zu untersuchen, und erstellten ein Vorhersagemodell für die Kohlenstoffemissionsintensität, das auf Faktoranalyse und extremer Lernmaschine basiert. McKibbin et al.15 wählten einen Ansatz, der mithilfe des G-Cubed-Mehrländermodells entwickelt wurde, bei dem Wirtschaftsstruktur und Emissionsergebnisse gleichzeitig bestimmt wurden. Der Rahmen für die Emissionsprognose sollte sich auf die zeitvarianten Quellen des Wirtschaftswachstums und die Struktur der Weltwirtschaft konzentrieren.

Der Aufbau eines Vorhersagemodells steht auch im Mittelpunkt der Forschung zu Kohlenstoffemissionen: basierend auf linearer Anpassungsvorhersage, hauptsächlich einschließlich IPAT-Gleichung, Kohlenstoffemissionsumgebung, Kuznets-Kurve, Grauvorhersage und anderen Modellen. In den frühen 1970er Jahren schlugen Ehrlich et al.16 die IPAT-Gleichung vor, die mathematische Gleichungen zur Quantifizierung des Zusammenhangs zwischen Wirtschaftswachstum und Ressourcenumfeld verwendete. In diesem Artikel wurde die IPAT-Gleichung angewendet, um die Faktoren zu analysieren, die die Kohlenstoffemissionen beeinflussen, und um die Kohlenstoffemissionen vorherzusagen. In den 1990er Jahren stellten Grossman et al.17 fest, dass zwischen Wirtschaftswachstum und Umweltqualität eine umgekehrte U-förmige Beziehung besteht. Sie schlugen die Kuznets-Kurve für die Kohlenstoffemissionen der Umwelt vor, die in der Wissenschaft große Aufmerksamkeit erregt hat. Die Anwendung der Methode durch Forscher zeigt jedoch, dass es derzeit schwierig ist, die widersprüchlichen Schlussfolgerungen der Studie zu erklären, die den komplexen Zusammenhang zwischen Kohlenstoffemissionen und der Wirtschaft widerspiegeln; Andererseits können die Mängel der Umwelt-Kuznets-Kurventheorie selbst nicht ignoriert werden18. Für die komplexe Beziehung zwischen verschiedenen Faktoren in Energiesystemen wurden nacheinander Methoden zur Bewältigung von Multifaktorproblemen vorgeschlagen. Gray-Vorhersagemodelle, die auf der Gray-System-Theorie19 basieren, werden in mehreren Bereichen häufig verwendet. Mehrere Wissenschaftler20,21,22 haben graue Vorhersagemodelle verwendet, um Kohlenstoffemissionen vorherzusagen. Das Grauvorhersagemodell ist weit verbreitet, einfach zu berechnen, erfordert weniger Datenproben, ist präziser und eignet sich für kurz- und mittelfristige Prognosen. Bei langfristigen Prognosen verringert die Unsicherheit zukünftiger Störfaktoren die Prognosegenauigkeit. Xiong et al.23 entwickelten ein neues multivariates Graumodell, das auf linearen, zeitlich variierenden diskreten Parametern basiert. In diesem Modell wurde eine lineare zeitveränderliche Funktion in das traditionelle Modell eingeführt, um die festen Parameter, die nur für die statische Analyse verwendet werden können, dynamisch zu optimieren. Diese Methode ändert nichts am Wesen der linearen Vorhersage, verbessert jedoch einige Vorhersagegenauigkeiten.

In den letzten Jahren, mit der Entwicklung der Big-Data-Technologie, wurden Methoden des maschinellen Lernens zunehmend in der Lastvorhersage und Zustandsschätzung eingesetzt und erzielten gute Anwendungsergebnisse. Daher begannen einige Wissenschaftler, maschinelles Lernen24,25,26 für die Vorhersage von CO2-Emissionen zu verwenden. Die Unterstützungsvektorregression (SVR) wird auch häufig bei Problemen bei der Vorhersage von Zeitreihen verwendet. Sie bietet eine überlegene Generalisierungsfähigkeit und kann lokale Optima durch Parameteroptimierung besser vermeiden. Wang et al.27 schlugen ein Online-SVR-Modell vor, um Luftschadstoffwerte in Vorwärtszeitreihen vorherzusagen. Melahat et al.26 nutzten Deep Learning (DL), Support Vector Machine (SVM) und künstliche neuronale Netzwerke (ANN), um die CO2-Emissionen im Stromerzeugungssektor in der Türkei vorherzusagen. Li et al.28 verwendeten einen genetischen Algorithmus (GA), um die Gewichte und Schwellenwerte des SVR zu optimieren, um die CO2-Emissionen in Peking von 2016 bis 2020 durch Szenarioanalyse vorherzusagen. Saleh et al.29 erstellten ein SVR-Modell mit Energieverbrauch wie elektrischer Energie und Kohleverbrennung als Eingangsvariablen, die sich direkt auf den Anstieg der CO2-Emissionen auswirken. Die SVRs wurden in vielerlei Hinsicht erfolgreich bei der Vorhersage von Zeitreihenproblemen eingesetzt.

Obwohl von Wissenschaftlern eine Reihe von Studien zur Vorhersage der Kohlenstoffemissionen durchgeführt wurden, wurden nur wenige Artikel zur Vorhersage der Kohlenstoffemissionen für kommunale Elektrizität veröffentlicht. Normalerweise hängen die Kohlenstoffemissionen des gemeinschaftlichen Stromverbrauchs hauptsächlich mit dem gemeinschaftlichen Stromverbrauch und dem Kohlenstoffemissionsfaktor der Stromversorgung zusammen. Der Kohlenstoffemissionskoeffizient30 ist die Anzahl der Kohlenstoffemissionsmassen pro Energieeinheit, die bei der Verbrennung oder Nutzung jeder Energiequelle erzeugt wird. In der vorhandenen Literatur verwenden die meisten von ihnen feste Kohlenstoffemissionsfaktoren oder vom Staat herausgegebene Richtfaktoren. Tatsächlich variiert der CO2-Emissionsfaktor elektrischer Energie dynamisch in Abhängigkeit vom Energieanteil der Stromerzeugung durch das Energieversorgungsunternehmen. Insbesondere für die Prognose der CO2-Emissionen von Gemeinden, Städten und Ländern haben kleine Änderungen der CO2-Emissionskoeffizienten aufgrund des hohen Verbrauchs an elektrischer Energie große Auswirkungen auf die gesamten CO2-Emissionen. Die traditionellen Prognosemethoden weisen einige Probleme auf, wie z. B. eine instabile Regression und die schwierige Bestimmung der Einflussfaktoren, was die wissenschaftliche Genauigkeit der Prognose verringert. Nach Untersuchungen wurde festgestellt, dass die Änderungen der Kohlenstoffemissionen und der Kohlenstoffemissionskoeffizienten der Stromversorgung in einer bestimmten Region zeitlich korreliert sind, sodass die historischen Daten der Kohlenstoffemissionen zur Vorhersage der zukünftigen Kohlenstoffemissionen verwendet werden können.

Jetzt hat China das Konzept einer intelligenten Gemeinschaft vorgeschlagen. Die Gemeinde wird die Bauanforderungen für ein neues Stromversorgungssystem vollständig umsetzen, die elektrische Energie vollständig ersetzen und Kohle durch Strom und Gas durch Strom ersetzen. Die elektrische Energie wird zur Hauptenergiequelle der Gemeinschaft. Durch die Förderung von Produkten zur Endstromsubstitution werden saubere Energie und ein zuverlässiger Stromverbrauch der Bewohner effektiv gewährleistet. Das Wohlergehen der Lebensgrundlagen der Menschen in der Region wird auf geordnete Weise verbessert. Daher kann die Vorhersage der Kohlenstoffemissionen für gemeinschaftliche elektrische Energie effektiv die gesamten Kohlenstoffemissionen der Gemeinschaft darstellen und ist für die Reduzierung der gemeinschaftlichen Kohlenstoffemissionen immer bedeutsamer.

Basierend auf dem komplexen nichtlinearen System zur Vorhersage der Kohlenstoffemissionen soll in diesem Artikel der jährliche Kohlenstoffemissionskoeffizient entsprechend der Stromproduktion des North China Power Grid (NCPG) berechnet werden. Die dynamische CO2-Emissionsfaktorkurve von Strom wird angepasst. Unter Berücksichtigung sowohl des dynamischen Kohlenstoffemissionskoeffizienten auf der Angebotsseite als auch des Stromverbrauchs auf der Nachfrageseite wird eine Beispieldatenbank der Kohlenstoffemissionen in der Gemeinde erstellt. Das GA-Optimierungs-SVR-Modell (GA–SVR) wurde verbessert und ist darauf ausgelegt, die Kohlenstoffemissionen des gemeinschaftlichen Stromverbrauchs vorherzusagen.

Unterschiedliche Energieversorgungsnetze haben unterschiedliche Verhältnisse der Energieerzeugung; Daher ist der gleiche Kohlenstoffemissionsfaktor unangemessen. Auch wenn das Energieverhältnis desselben Stromnetzes in verschiedenen Jahren unterschiedlich ist, ist der CO2-Emissionsfaktor dynamisch. In diesem Papier wird der Energieverbrauch von NCPG von 2011 bis 2020 erfasst, die jährlichen Kohlenstoffemissionsfaktoren berechnet und die Kohlenstoffemissionsfaktoren nach 2021 angepasst.

Gemäß dem Tool zur Berechnung des Emissionskoeffizienten des Energiesystems31 ist dies die Berechnungsmethode für den Kohlendioxid-Basisemissionsfaktor OM im chinesischen Stromnetz. Basierend auf der gesamten Nettostromerzeugung, den Brennstoffarten und dem Brennstoffverbrauch aller Kraftwerke im Stromsystem lautet die Formel (1) wie folgt:

\(EF_{grid,OMsimple,y}\) ist der einfache Stromgrenzemissionsfaktor OM (tCO2/MWh) des Energiesystems, wenn das Forschungsobjekt im Jahr y. EGy ist die Netto-Gesamterzeugung des Stromsystems im Jahr y. Das heißt, der Gesamtstrom (MWh), der von allen Einheiten ins Netz eingespeist wird, mit Ausnahme der Betriebskosten. FCi,y ist der gesamte Kraftstoffverbrauch (Massen- oder Volumeneinheit) der oben genannten Einheiten im Jahr y. NCVi,y ist der durchschnittliche niedrige Heizwert (GJ/Masse- oder Volumeneinheit), während \(EF_{{CO_{2} ,i,y}}\) der CO2-Emissionsfaktor des Kraftstoffs i im Jahr y ist, ( tCO2/GJ).Dann ist i die Art des fossilen Brennstoffs, der vom Stromsystem im Jahr y verbraucht wird, während y das Jahr ist, in dem die Daten für die Projekteinreichung verfügbar sind. Im Falle des Stromaustauschs zwischen Stromnetzen führt der Stromaustausch zwischen Stromnetzen zu einem Nettoempfänger. Der einfache Grenzemissionsfaktor für Elektrizität entspricht dem gewichteten Durchschnittswert des Einheitsstromemissionsfaktors des örtlichen Kraftwerks und der Einheitsstromempfänger. Der Emissionsfaktor der Stromeinheit lokaler Kraftwerke wird nach der oben genannten Formel berechnet, und der Nettoempfangsstrom übernimmt den einfachen Grenzemissionsfaktor des übertragenen Stromnetzes.

Die Daten zur Stromerzeugung, zum Kraftstoffverbrauch für die Stromerzeugung und zum niedrigen Heizwert des Stromerzeugungsbrennstoffs für OM stammen jeweils aus dem China Energy Statistical Yearbook32. Die Daten zur Hilfsstromverbrauchsrate stammen aus dem China Electric Power Yearbook. Die Daten zum Stromaustausch zwischen Stromnetzen stammen aus der Zusammenstellung von Statistiken der Elektrizitätswirtschaft. Die CO2-Emissionsfaktoren von Kraftstoffen werden aus Tabelle 1.4 in Kapitel I der Leitlinien für die Erstellung des IPCC-Nationalinventars Energievolumen 2006 abgeleitet. Die untere Grenze des 95 %-Konfidenzintervalls jedes Kraftstoffemissionsfaktors wird nach dem Prinzip des Konservatismus bestimmt.

Nach dem Prinzip der kleinsten Quadrate wird das Ziel der Anpassungskurve wie folgt konstruiert: Formel (2):

wobei φ(xi) die Ordinate der Anpassungsmodellfunktion darstellt, während yi die Ordinate des realen Streupunkts ausdrückt. Die kleinste interpolierte quadratische Summe der Ordinaten aus dem Funktionsmodell und den Streupunkten wird als bester Anpassungsgrad betrachtet.

Das Polynomanpassungsmodell wird als Formel (3) festgelegt:

Die Kohlenstoffemissionskurve wird durch Anpassen des berechneten jährlichen Kohlenstoffemissionskoeffizienten erhalten. Dann erscheint der tägliche CO2-Emissionskoeffizient.

Gemäß der Kurve des Stromverbrauchs und des Kohlenstoffemissionskoeffizienten der Gemeinde kann der tägliche Kohlenstoffausstoß mit der folgenden Formel (4) ermittelt werden.

Dabei ist CE der Kohlenstoffausstoß, yOM die Kurve des Kohlenstoffemissionskoeffizienten und E der gemeinschaftliche Stromverbrauch.

Aufgrund des kontinuierlichen Aufbaus von Gemeinden und der Veränderungen in den Lebensgewohnheiten der Bewohner führen die Stichprobendaten über einen bestimmten Zeitraum hinaus für die Prognose der Kohlenstoffemissionen unweigerlich zu ungenauen Vorhersagen. Die Trainingsstichprobengröße reicht nicht aus, um den Lernprozess des Vorhersagemodells zu unterstützen, wenn lediglich die aktuellen Stichprobendaten berücksichtigt werden. Der in diesem Artikel vorgestellte SVR33 ist eine neuartige Lernmethode für kleine Stichproben, mit der die Probleme kleiner Trainingsstichproben gelöst werden können. Aufgrund der großen Auswahl an Gewichtsparametern werden mit empirischen Parametern schlechte Trainingsergebnisse erzielt, während es mit iterativen Methoden zeitaufwändig ist.

In diesem Artikel wird GA eingeführt, um den Straffaktor C und den radialen Basisfunktionsparameter g in SVR synchron zu optimieren, um die globale optimale Lösung zu erhalten. Im Vergleich zu herkömmlichen Optimierungsmethoden ist GA34, basierend auf der biologischen Evolution, ein moderner intelligenter Algorithmus, der das Überleben der Stärksten in der biologischen Welt und den natürlichen genetischen Mechanismus simuliert und über eine starke globale Suchfähigkeit verfügt. Die Berechnungsgeschwindigkeit ist hoch, die Robustheit hoch und die Erweiterbarkeit stark. Der GA lässt sich leicht mit dem SVR-Modell kombinieren, was den Lösungsprozess dieses Problems beschleunigt.

Bei GA handelt es sich um stochastische globale Such- und Optimierungsmethoden, die entwickelt wurden, um die Mechanismen der biologischen Evolution in der Natur nachzuahmen. Das Modell simuliert die natürliche Selektion und den genetischen Mechanismus des darwinistischen biologischen Evolutionsprozesses. Die optimale Lösung finden, indem man dem Gesetz des Überlebens des Stärkeren folgt. Behalten Sie die hervorragenden Personen und eliminieren Sie die schlechten Personen während des Optimierungsprozesses. Der GA optimiert den Penalty-Parameter C und den Kernel-Funktionsparameter g des SVR-Modells, um dessen Vorhersagegenauigkeit zu verbessern, mit dem Ziel, den quadratischen Mittelfehler (Root Mean Square Error, RMSE) des vorhergesagten Werts und des tatsächlichen Werts der Stichprobe zu minimieren. Die Fitnessfunktionsformel lautet:

Dabei repräsentiert Tsim den vorhergesagten Wert des Trainingssatzes, Ttrain den tatsächlichen Wert der Stichprobe und N die Anzahl der Stichproben im Trainingssatz.

Der SVR ist ein überwachter Lernalgorithmus, der häufig in der diskreten Vorhersage und anderen Bereichen eingesetzt wird. Für einen gegebenen Datensatz \(\{ x_{i} ,y_{i} \}_{i = 1}^{N}\) ist N die Stichprobennummer im Trainingssatz; xi und yi sind Eingabe- bzw. Ausgabevariablen. SVR ordnet den ursprünglichen Raum der Eingabedaten mithilfe der nichtlinearen Gaußschen Kernelfunktion einem höherdimensionalen Merkmalsraum zu. Im Merkmalsraum wird das Problem in die Konstruktion der optimalen linearen Ebene f(x) = w·φ(x) + b zum Anpassen von Daten umgewandelt. Wobei b der Offset und w das Gewicht ist. Durch Minimierung der Vektornorm w2, um die glatteste Funktion f(x) zu finden, beträgt daher der maximal zulässige Fehler des vorhergesagten Werts jeder Trainingsdaten ε, wie in Abb. 1 dargestellt. Anschließend wird der Lagrange-Multiplikator verwendet, um das eingeschränkte Optimierungsproblem neu zu formulieren als duales Problem. Für jede Einschränkung wird die quadratische Programmierung verwendet, um zu bestimmen, und dann wird der Versatz des optimalen Gewichts berechnet, um den vorhergesagten Wert zu erhalten. Auf diese Weise kann das bisherige Regressionsproblem durch ein eingeschränktes Optimierungsproblem ersetzt werden. Die Formeln für Ziel und Einschränkungen lauten wie folgt:

Schematische Darstellung der Support-Vektor-Produkt-Regression.

In den mathematischen Formeln (6) und (7) ist C der Strafkoeffizient, δi und δi* sind beide Relaxationsvariablen und ε ist die Verlustfunktion. Darüber hinaus wird dieses Modell durch die Multiplikatorlösungsmethode mit der Lagrange-Funktion in eine paarweise Funktion umgewandelt. Die nichtlineare Funktion kann als Formel (8) ausgedrückt werden:

wobei αi und \(\alpha_{i}^{*}\) Lagrange-Multiplikatoren bezeichnen und K(xi, xj) die Kernelfunktion bezeichnet. Der SVR weist durch unterschiedliche Kernelfunktionen eine unterschiedliche Lern- und Generalisierungsleistung auf. Die lineare Kernelfunktion, die polynomiale Kernelfunktion und die radiale Basisfunktion (RBF) werden häufig von SVR verwendet. RBF ist bei der Behandlung nichtlinearer Probleme leistungsstärker als lineare Kernel und verfügt über weniger Hyperparameter als polynomiale Kernel. Daher wird RBF allgemein als ideale Funktion für die Handhabung komplexer und mehrdimensionaler Proben angesehen. In diesem Artikel wird RBF als Kernelfunktion gemäß Formel (9) gewählt.

Dabei bezeichnet σ die Bandbreite, die ausreicht, um eine begrenzte Anzahl von Abtastwerten zu verarbeiten.

Der verbesserte GA-SVR-Algorithmus wird wie folgt implementiert:

Schritt 1: Die erhaltenen Kohlenstoffemissionsdaten werden normalisiert und die Kernfunktion RBF und die Parameter des SVR-Modells werden ausgewählt.

Die Schritt-2-Parameter C und g des SVR-Modells werden als Variablen betrachtet und durch die verbesserte GA optimiert.

Schritt 3: Trainieren und testen Sie das SVR-Modell als GA-Dekodierungsprozess.

Schritt 4: Berechnen Sie die Fitnessfunktion des GA und speichern Sie die optimale Lösung. Beurteilen Sie, ob das Segment die Stoppbedingung erfüllt. Wenn die Bedingung nicht erfüllt ist, fahren Sie mit der GA-Operation mit Schritt 2 fort. Während die Bedingung erfüllt ist, wird Schritt 5 ausgeführt.

Schritt 5: Prognose der CO2-Emissionswerte für einen Monat basierend auf bekannten jährlichen CO2-Emissionsdaten.

Das Flussdiagramm von GA-SVR ist in Abb. 2 beschrieben.

Flussdiagramm des GA-SVR-Algorithmus.

Die Gemeinde Caochang liegt im Bezirk Dongcheng, Peking, China. Sie reicht von der Qianmen-East-Straße im Westen bis zur Caochang-shitiao im Osten und beginnt von der Xi-damochang-Straße im Norden bis zur Liangguang-Straße im Süden, die eine Fläche von 586.000 Quadratmetern umfasst. Die Einwohnerzahl beträgt 9000, davon 4817 Einwohner und 359 Ausländer. Im Jahr 2021 beträgt der Stromverbrauch dieses Gebiets 14,772 Millionen kWh, wobei die Belastung durch Privatkunden etwa 68 % ausmacht. Das Gebiet Caochang wird mit A+ bewertet und gehört zu den Bezirken Tong'an und Anhangxing. Die Gesamtlänge der Übertragungsleitung beträgt 18,1 km und die Verkabelungsrate erreicht 100 %. Es verfügt über 47 Rollläden und 87 Kastentransformatoren. Der Abdeckungsgrad der Linienautomatisierung erreicht 100 %, während der Abdeckungsgrad der Anlagenautomatisierung auf 92,73 % steigt.

Der Norden Chinas weist höhere Kohlenstoffemissionen auf als der Süden, insbesondere aufgrund der Erwärmung durch Heizung im Winter. Ein großer Kohleverbrauch führt zu hohen Kohlenstoffemissionen. Die Caochang-Gemeinde realisiert zunächst die Umstellung auf elektrische Energie in der Stadt, was zum ersten Demonstrationsblock wird, der Kohle und Gas durch Elektrizität ersetzt. Seit 2007 hat die Region die Arbeiten „Kohle zu Strom“ und „Gas zu Strom“ sukzessive abgeschlossen. Der Anteil regionaler elektrischer Energie am Terminalenergieverbrauch steigt. Seit 2018 hat das Unternehmen vor allen anderen den Bau der regionalen Hutong-Freileitungen abgeschlossen und die drei Modernisierungen der Stromanlagenkästen vorangetrieben. All diese Maßnahmen zielen darauf ab, ein grünes, kohlenstoffarmes, sauberes und lebenswertes Modell für alte Stadtgebiete zu schaffen. Nach 2019 wurden 52 Symbiose-Institute an die Stromversorgung angeschlossen und haben umfassend alternative Produkte zur Endstromversorgung gefördert. Der saubere und zuverlässige Stromverbrauch der Bewohner wird effektiv gewährleistet. Die Verbesserung der Lebensgrundlagen der regionalen Bewohner wird in geordneter Weise vorangetrieben. Daher kann die Vorhersage der Kohlenstoffemissionen elektrischer Energie effektiv die gesamten Kohlenstoffemissionen der Gemeinschaft darstellen.

Am Beispiel der Gemeinde Caochang in Peking wird die Beispieldatenbank für Kohlenstoffemissionen auf der Grundlage der Stromverbrauchs- und Emissionsfaktorkurve für das Training und Testen des GA-SVR-Modells erstellt.

Gemäß der statistischen Methode dieser Arbeit wird der jährliche Emissionsfaktor des Stromsystems berechnet. Die lineare Anpassung wird von Matlab durchgeführt, um die in Abb. 3 gezeigte Kurve zu erhalten.

Anpassungskurve des Emissionskoeffizienten des Energiesystems.

Die Kurvenformel des durch lineare Anpassung erhaltenen Kohlenstoffemissionsfaktors lautet wie folgt: Formel (13):

Die Quadratwurzel des Fehlers R2 = 0,9172, die größer als 0,9 ist, führt zu einem hervorragenden Anpassungseffekt.

Aus der Anpassungskurve des jährlichen Emissionskoeffizienten des Energiesystems geht hervor, dass der Koeffizient im Prozess der kontinuierlichen Schwankung stetig abnimmt. Die Emissionsfaktoren von 2011 bis 2012 zeigen eine hohe Situation. Seit 2013 zeigen die jährlichen CO2-Emissionsfaktoren einen deutlichen Abwärtstrend. Allerdings stiegen die Emissionsfaktoren in den Jahren 2018 und 2019 aufgrund der Verwendung von Hochofengas und Konvertergas mit höherem Brennstoffemissionsfaktor deutlich an. Die oben genannten Rohstoffe sind Nebenprodukte des Produktionsprozesses von Stahlunternehmen. Obwohl das Gas den CO2-Emissionsfaktor der elektrischen Energie bei der Stromerzeugung verbessert, bildet es mit der Stahlmetallurgieindustrie eine industrielle ökologische Kette, die den Mehrwert von Gas verbessern kann.

Um den Vorhersageeffekt des GA-SVR-Modells zu bewerten, werden wie folgt vier Bewertungsmetriken eingeführt. Wurzel bedeutet quadratischer Fehler (RMSE), mittlerer absoluter Fehler (MAE), mittlerer Bias-Fehler (MBE) und R-Quadrat (R2). RMSE wird verwendet, um die Abweichung zwischen dem beobachteten Wert und dem wahren Wert zu messen. MAE und MBE können den Vorhersagefehler besser widerspiegeln. R2 kann die Anpassungsfähigkeit aus statistischer Sicht widerspiegeln. Die Formeln dieser Bewertungsmetriken lauten wie folgt:

Um den Betriebseffekt des Algorithmus und die Fairness des Multi-Algorithmus-Vergleichs zu analysieren, werden die folgenden Algorithmen alle von Matlab2020(a) implementiert. Das Computersystem ist Windows 10 mit Intel (R) Core (TM) i7-10700-CPU bei 2,90 GHz-Konfiguration. Legen Sie die Parameterwerte und -bereiche für GA und SVR fest. Bezugnehmend auf die Parametereinstellung ähnlicher Probleme in der vorhandenen Literatur werden unterschiedliche Parameter für die Durchführung der Taguchi-Experimente festgelegt. Den Experimentergebnissen zufolge können bei einer Populationsgröße von 10 und einer Iterationszahl von 25 zufriedenstellende Ergebnisse mit angemessener Laufzeit erzielt werden. Im SVR-Modell beträgt die Trainingssatzskala 0,7, der Rest ist ein Testsatz. Der Bereich der Parameter C und g wird beide angenommen (0,100). Die folgende Abbildung 4 zeigt die Fitnessvariationskurve der Parameteroptimierung.

Fitness-Iterationskurve.

Die optimalen Strafparameter C und g werden zu 22,6580 bzw. 8,9441 erhalten, was durch GA optimiert wird. Analysieren Sie die Vorhersageergebnisse des GA-SVR-Modells mit dem Trainingssatz und dem Testsatz. Die Vergleichskurven sind in den Abbildungen dargestellt. 5 und 6.

Vorhersagevergleich des Trainingssatzes.

Vorhersagevergleich des Testsatzes.

Aus den beiden Vergleichskurven der Abb. Wie aus den Abbildungen 5 und 6 hervorgeht, ist die Anpassungsgenauigkeit der Regenmenge-Vorhersageergebnisse von GA-SVR ausgezeichnet. Die Kurvencharakteristik verläuft grundsätzlich gleichbleibend. Der RMSE beträgt lediglich 1,951, während der RMSE des Testsatzes 14,3466 beträgt. Der R2 des Trainingssatzes erreicht 0,9960, während der R2 des Testsatzes 0,85 überschreitet. Obwohl die Vorhersagekurve des Testsatzes vom erwarteten Wert abweicht, kann der Kurvenänderungstrend die Änderung des wahren Werts widerspiegeln.

Um die Gültigkeit des Vorhersagemodells in diesem Artikel zu überprüfen, werden ein SVR mit Zufallsparametern (C = 4, g = 0,8), das BP-Neuronale Netzwerk (BP) und Random Forest (RF)-Modelle zum Vergleich mit GA– eingeführt. SVR. Drei Metriken R2, MAE und MBE werden verwendet, um den Vorhersageeffekt der Modelle zu bewerten. Die Ergebnisse sind wie folgt.

In Tabelle 1 schneidet das verbesserte GA-SVR-Modell hervorragend bei der Vorhersage der Kohlenstoffemissionen des Stromverbrauchs in städtischen Gemeinden ab. Die Anpassungskorrelationskoeffizienten zwischen Vorhersagewerten und tatsächlichen Werten erreichen 0,9960 bzw. 0,8601 für den Trainingssatz und den Testsatz. Beide erreichen mehr als 85 %. Die Prognose der kommunalen Kohlenstoffemissionen bei Elektrizität ist korrekt. Der Trainings- und Testsatz des verbesserten Algorithmus passt genauer als die anderen drei Vergleichsalgorithmen.

Für den Stabilitätsvergleich werden die vier Vergleichsalgorithmen GA_SVR, SVR, BP und RF unabhängig voneinander 20 Mal ausgeführt. Die Bewertungsindikatoren werden wie in Tabelle 2 dargestellt erhalten. Die horizontale Richtung stellt die schlechtesten Werte (Min), die besten Werte (Max), die Durchschnittswerte (Mittelwert) und die Standardabweichungen (Standard) der Vorhersagegenauigkeit R2 des Trainings dar Set und das Testset.

Aus den statistischen Ergebnissen in Tabelle 2 ist ersichtlich, dass der GA_SVR-Algorithmus im Lösungsprozess die beste Leistung erbringt. Bei den ermittelten SVR-Parametern ist die Lösung am stabilsten, die Ergebnismetriken sind jedoch nicht sehr gut. Der GA_SVR-Lösungsprozess funktioniert sowohl gut als auch stabil, während GA eingeführt wird, um die Parameter von SVR zu verbessern. Der optimale Wert, der schlechteste Wert und der Durchschnittswert schneiden besser ab als andere verglichene Algorithmen.

Da die Stromverbrauchsdaten durch Unsicherheiten wie die Epidemie beeinflusst werden können, zeigten die Kohlenstoffemissionen des gemeinschaftlichen Stromverbrauchs in einem bestimmten Zeitraum einen deutlichen Aufwärtstrend. Die Datenunsicherheit ist also groß. Nach der Verbesserung ist die Anpassungsgenauigkeit im Vergleich zum Zufallsparameter SVR erheblich verbessert.

Nach Einsetzen der jährlichen Emissionsfaktorkurve des Stromnetzes von 2019 bis 2021 und des durchschnittlichen täglichen Stromverbrauchs der Bewohner in das trainierte GA-SVR-Modell. Es wird ein Trendvergleich zwischen den tatsächlichen und den prognostizierten Kohlenstoffemissionen (tCO2e) der Gemeinde im Januar 2022 durchgeführt, und die Vorhersagegenauigkeit R2 beträgt 84,33 %.

Wie in Abb. 7 dargestellt, stimmen die Vorhersageergebnisse mit den tatsächlichen Kohlenstoffemissionsdaten der elektrischen Energie überein. Im Caochang Community Energy Big Data Management System kann der Stromverbrauch der Gemeinde in Echtzeit berechnet werden. Nachdem das Vorhersagemodell entsprechend den neuesten Daten geändert wurde, können die Kohlenstoffemissionsdaten in den nächsten 30 Tagen mit hoher Genauigkeit geschätzt werden. Es ist von entscheidender Bedeutung für die Frühwarnung von kommunalen CO2-Emissionen innerhalb eines Monats.

Prognose der CO2-Emissionen und tatsächliche Werte für Januar 2022.

Mit der Umsetzung der Politik zum Ersatz von Kohle durch Elektrizität steigen die Kohlenstoffemissionen der Elektrizität zeitweise an, was hauptsächlich auf den Anstieg des Stromverbrauchs zurückzuführen ist. Mit der Stabilisierung des Stromverbrauchs und der Kontrolle der CO2-Emissionen aus der Stromversorgung wird der Effekt der Reduzierung der CO2-Emissionen jedoch immer bedeutender.

Basierend auf den Ergebnissen der Vorhersage der CO2-Emissionen der Gemeindebewohner werden eine Analyse des Energieverbrauchs, Energieeinsparungen und -effizienz sowie ein praktischer Stromanschluss bereitgestellt. Wenn die prognostizierten CO2-Emissionen einen bestimmten Schwellenwert im Vergleich zum gleichen Zeitraum der Vorjahre, des Vormonats und des Vortages überschreiten, wird eine CO2-Frühwarnung ausgegeben, um die Bewohner daran zu erinnern35.

Wie in Abb. 8 dargestellt, können die Kohlenstoffemissionen in einem Monat vorhergesagt werden. Wenn die prognostizierten monatlichen Kohlenstoffemissionen und die prognostizierten Ergebnisse eines bestimmten Tages den Schwellenwert der Frühwarnung überschreiten, werden die Bewohner der Gemeinde vor Kohlenstoffemissionen gewarnt und an die rationelle Nutzung von Elektrizität erinnert.

Gemeinschaftlicher Prozess zur Warnung vor CO2-Emissionen.

Die Gemeinden im Norden halten sich lieber mit Kohle warm. Mit der Umsetzung der Gas-zu-Strom- und Kohle-zu-Strom-Politik sind die Kohlenstoffemissionen von Elektrizität in der Gemeinde erheblich gestiegen. Unter der Prämisse der Reduzierung der CO2-Emissionen der NCPG-Stromversorgung wird die Gemeinde auch eine Reduzierung der CO2-Emissionen aus folgenden Perspektiven erreichen:

Neue Energie als Stromversorgung bietet viel Raum für Verbesserungen. Beim Aufbau eines neuen Energiesystems werden Solar-, Wind- und andere neue Energiequellen nach und nach zur Hauptenergiequelle werden. Zum Beispiel der Bau eines intelligenten Mikronetzwerk-Parkplatzes, die Erforschung eines integrierten Kastentransformators mit variabler Aufladung, eines DC-V2G-Ladestapels und anderer technischer Anwendungen. All dies wird eine grundlegende Garantie für den regionalen umweltfreundlichen Transport bieten und das Reisen der Bewohner erleichtern.

Implementieren Sie eine intelligente Transportstrategie. Wählen Sie die Xixinglong Street für die Rekonstruktion und Gestaltung von Straßenlaternen mit intelligenter Steuerung. Installieren Sie einen Photovoltaik-Panel-Lampenschirm, ein intelligentes Steuergerät, kabelloses Laden, WLAN, Videoüberwachung, einen Informationsanzeigebildschirm und andere Mehrwertfunktionen. Verwirklichen Sie die intelligente Beleuchtung von Straßenlaternen, die Eigennutzung und die ergänzende Steuerung des kommunalen Stroms und fördern Sie die Parallele zwischen intelligentem Transport und umweltfreundlichem Transport. Um das Problem des Ladens von Elektrofahrrädern für normale Menschen zu lösen, werden zwei zentrale Ladeschuppen im North Lucao Garden und in der Xixinglong Street für die Photovoltaik-Umwandlung ausgewählt. Bieten Sie den Gemeindebewohnern ein bequemes, sicheres und umweltfreundliches Ladeerlebnis und leiten Sie die Bewohner an, ihren Reisemodus zu ändern.

Stärkere Förderung eines umweltfreundlichen und kohlenstoffarmen Lebens. Verbessern Sie das Bewusstsein der Gemeindebewohner für kohlenstoffarmen Umweltschutz in verschiedenen Aspekten wie Ernährung, Kleidung, Wohnen und Transport, um die Reduzierung der CO2-Emissionen im Leben zu fördern.

In diesem Artikel wird der Emissionskoeffizient des Energiesystems berechnet und eine Anpassungskurve für die CO2-Emissionen erstellt. Basierend auf den kommunalen Stromverbrauchsdaten und dem dynamischen Kohlenstoffemissionskoeffizienten wird ein schnelles Modell zur Vorhersage der Kohlenstoffemissionen erstellt und trainiert. Obwohl die Vorhersage der Kohlenstoffemissionen optimale Ergebnisse erzielt hat, wurden in der Forschung in diesem Artikel die nationalen Richtlinien und die Schlüsselfaktoren, die die Änderung der Kohlenstoffemissionen bei elektrischer Energie beeinflussen, nicht berücksichtigt. Es gibt noch viel Raum, die Ergebnisse der Testsätze zu optimieren. Zukünftig würden die oben genannten Faktoren für weitere Untersuchungen berücksichtigt.

Alle während dieser Studie generierten oder analysierten Daten sind in der Zusatzdatei Code&data enthalten.

Yu, YS, Jeong, JW, Chon, MS & Cha, J. Eine Studie zur Vorhersage der CO2-Emissionen im realen Fahrbetrieb für OBD von leichten Dieselfahrzeugen. Trans. Koreanische Soc. Autom. Ing. 27, 12. https://doi.org/10.2139/ssrn.4088435 (2019).

Artikel Google Scholar

Yang, HJ & Oconnell, JF Kurzfristige Prognose der CO2-Emissionen für die Luftfahrtindustrie in Shanghai. J. Sauber. Prod. 275, 122734. https://doi.org/10.1016/j.jclepro.2020.122734 (2020).

Artikel CAS Google Scholar

Zhang, F. et al. Vorhersage der Kupfermaterialströme Chinas im Rahmen der Kohlenstoffemissionsprognosen für die gemeinsamen sozioökonomischen Pfade. Ressource. Konserv. Recycling. 182, 106340. https://doi.org/10.1016/j.resconrec.2022.106340 (2022).

Artikel CAS Google Scholar

Zhao, M. et al. Zerlegung der Einflussfaktoren industrieller Kohlenstoffemissionen in Shanghai mithilfe der LMDI-Methode. Energie 35(6), 2505–2510. https://doi.org/10.1016/j.energy.02.049 (2010).

Artikel CAS Google Scholar

Wang, S., Wang, YX, Zhou, CX & Wang, XL Projektionen in verschiedenen Szenarien und die Auswirkungen von Wirtschaft, Bevölkerung und Technologie auf regionale Emissionsspitzen und CO2-Neutralität in China. Int. J. Umgebung. Res. Public Health 19(19), 12126. https://doi.org/10.3390/ijerph191912126 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Xu, Atmosphäre 13(3), 423. https://doi.org/10.3390/atmos13030423 (2022).

Artikel ADS Google Scholar

Fang, DB, Zhang, XL, Yu, Q., Jin, TC & Tian, L. Eine neuartige Methode zur Vorhersage von Kohlendioxidemissionen basierend auf einer verbesserten Gaußschen Prozessregression. J. Sauber. Prod. 173, 143–150. https://doi.org/10.1016/j.jclepro.2017.05.102 (2018).

Artikel CAS Google Scholar

Zeng, M. et al. Vorintegrierte Prognosemethode zur Erforschung des städtischen Stromverbrauchs basierend auf Systemdynamik und ökonometrischem Modell. J. Appl. Wissenschaft. 13, 4732–4737. https://doi.org/10.3923/jas.2013.4732.4737 (2013).

Artikel Google Scholar

Dyson, B. & Chang, NB Prognose des kommunalen Abfallaufkommens in einer schnell wachsenden Stadtregion mit Systemdynamikmodellierung. Abfallmanagement 25, 669–679. https://doi.org/10.1016/j.wasman.2004.10.005 (2005).

Artikel PubMed Google Scholar

Venkatesan, AK, Ahmad, S., Johnson, W. & Batista, JR Systems dynamisches Modell zur Vorhersage der Salzbelastung des Colorado River aufgrund der Urbanisierung im Las Vegas Valley. Wissenschaft. Gesamtumgebung. 409, 2616–2625. https://doi.org/10.1016/j.scitotenv.2011.03.018 (2011).

Artikel ADS CAS PubMed Google Scholar

Acheampong, AO & Boateng, EB Modellierung der Kohlenstoffemissionsintensität: Anwendung eines künstlichen neuronalen Netzwerks. J. Sauber. Prod. 225, 833–856. https://doi.org/10.1016/j.jclepro.2019.03.352 (2019).

Artikel Google Scholar

Ahmed, Z., Wang, Z. & Ali, S. Untersuchung der nichtlinearen Beziehung zwischen Urbanisierung und CO2-Emissionen: Eine empirische Analyse. Luftqualität. Atmosphäre. Gesundheit 12(8), 945–953. https://doi.org/10.1007/s11869-019-00711-x (2019).

Artikel CAS Google Scholar

He, Y. et al. Faktoren, die die Kohlenstoffemissionen der chinesischen Elektrizitätsindustrie beeinflussen: Analyse mithilfe der Kombination von LMDI und K-Means-Clustering. Umgebung. Folgenabschätzung. Rev. 93, 106724. https://doi.org/10.1016/j.eiar.2021.106724 (2021).

Artikel Google Scholar

Sun, W. & Huang, C. Vorhersagen der Kohlenstoffemissionsintensität basierend auf Faktorenanalyse und einer verbesserten extremen Lernmaschine aus der Perspektive der Kohlenstoffemissionseffizienz. J. Sauber. Prod. 338, 130414. https://doi.org/10.1016/j.jclepro.2022.130414 (2022).

Artikel CAS Google Scholar

McKibbin, WJ, Pearce, D. & Stegman, A. Langfristige Prognosen der Kohlenstoffemissionen. Int. J. Prognose. 23(4), 637–653. https://doi.org/10.1016/j.ijforecast.2007.10.004 (2007).

Artikel Google Scholar

Ehrlich, PR & Holdren, JP Auswirkungen des Bevölkerungswachstums. Science (New York) 171, 3977. https://doi.org/10.1126/science.171.3977.1212 (1971).

Artikel Google Scholar

Grossman, GM & Krueger, AB Umweltauswirkungen eines nordamerikanischen Freihandelsabkommens. https://doi.org/10.3386/w3914 (1991)

Zhong, MC & Zhang, XG Ein kritischer Überblick über die Theorie und Forschung der Kuznets-Kurve im Umweltbereich. China Bevölkerung. Ressource. Umgebung. 20(02), 62–67. https://doi.org/10.3969/j.issn.1002-2104.2010.02.011 (2010).

Artikel Google Scholar

Zhao, AW & Li, D. Gray-Projektion der Kohlenstoffemissionen in China. Üben. Verstehen. Mathematik. 42(04), 61–69. https://doi.org/10.3969/j.issn.1000-0984.2012.04.009 (2012).

Artikel Google Scholar

Shen, XY Analyse und Vorhersage von Faktoren, die die Kohlenstoffemissionen in China beeinflussen. Stat. Entscheidung. Mak. 19, 90–92. https://doi.org/10.13546/j.cnki.tjyjc.2010.19.016 (2010).

Artikel Google Scholar

Yang, KL & Zhang, ZY Analyse der Kohlenstoffemissionsprognose und Gegenmaßnahmen für die Entwicklung einer kohlenstoffarmen Wirtschaft in der Stadt Tianjin – basierend auf einem verbesserten GM(1,1)-Modell. J. Chongqing Univ. Technol. (Nat. Sci.) 28(02), 111–114. https://doi.org/10.3969/j.issn.1674-8425(z).2014.02.024 (2014).

Artikel CAS Google Scholar

Sun, YQ & Li, Q. Gray-Korrelationsanalyse und Vorhersage von Einflussfaktoren auf Kohlenstoffemissionen in der Provinz Hunan. J. Changsha Univ. Wissenschaft. Technol. (Soc. Sci. Ed.) 26(1), 65–69. https://doi.org/10.3969/j.issn.1672-934X.2012.01.011 (2012).

Artikel CAS Google Scholar

Xiong, PP et al. Vorhersage von Kohlenstoffemissionen mithilfe eines multivariablen GM (1, N)-Modells basierend auf linearen, zeitvariablen Parametern. J. Intell. Fuzzy-System. 41(6), 6137–6148. https://doi.org/10.3233/JIFS-202711 (2021).

Artikel Google Scholar

Liu, ZK, Jiang, P., Wang, JZ & Zhang, LF Ensemble-System zur kurzfristigen Vorhersage von Kohlendioxidemissionen basierend auf einem Tangentensuchalgorithmus mit mehreren Zielen. J. Umgebung. Geschäftsführer 302(1), 113951. https://doi.org/10.1016/j.jenvman.2021.113951 (2022).

Artikel CAS Google Scholar

Ren, F. & Long, DH Kohlenstoffemissionsprognose und Szenarioanalyse in der Provinz Guangdong basierend auf einem optimierten Fast-Learning-Netzwerk. J. Sauber. Prod. 317, 128408. https://doi.org/10.1016/j.jclepro.2021.128408 (2021).

Artikel Google Scholar

Bakay, MS & Ağbulut, Ü. Auf der Stromproduktion basierende Prognose der Treibhausgasemissionen in der Türkei mit Deep Learning, Support Vector Machine und Algorithmen für künstliche neuronale Netze. J. Sauber. Prod. 285, 125324. https://doi.org/10.1016/j.jclepro.2020.125324 (2021).

Artikel CAS Google Scholar

Wang, WJ, Men, CQ & Lu, WZ Online-Vorhersagemodell basierend auf einer Support-Vektor-Maschine. Neurocomputing 71(4–6), 550–558. https://doi.org/10.1016/j.neucom.07.020 (2008).

Artikel Google Scholar

Li, J., Zhang, B. & Shi, J. Kombination eines genetischen Algorithmus und einer Support-Vektor-Maschine zur Untersuchung der Faktoren, die die CO2-Emissionen in Peking beeinflussen, mit Szenarioanalyse. Energies 10(10), 1520. https://doi.org/10.3390/en10101520 (2017).

Artikel CAS Google Scholar

Saleh, C., Dzakiyullah, NR & Nugroho, JB Vorhersage der Kohlendioxidemissionen mithilfe einer Support-Vektor-Maschine. IOP-Konf. Ser. Mater. Wissenschaft. Ing. https://doi.org/10.1088/1757-899X/114/1/012148 (2016).

Artikel Google Scholar

Ang, BW & Su, B. Kohlenstoffemissionsintensität bei der Stromerzeugung: Eine globale Analyse. Energiepolitik 94, 56–63. https://doi.org/10.1016/j.enpol.2016.03.038 (2016).

Artikel CAS Google Scholar

https://www.mee.gov.cn/ywgz/ydqhbh/wsqtkz/202012/W020201229610353816665.pdf.

http://www.stats.gov.cn/was5/web/search?channelid=288041&andsen=%E4%B8%AD%E5%9B%BD%E8%83%BD%E6%BA%90%E7%BB %9F%E8%AE%A1%E5%B9%B4%E9%89%B4.

Cortes, C. & Vapnik, V. Support-Vektor-Netzwerke. Mach. Lernen. 20(3), 273–297. https://doi.org/10.1007/BF00994018 (1995).

Artikel MATH Google Scholar

Iba, K. Blindleistungsoptimierung durch genetischen Algorithmus. In der Computeranwendungskonferenz der Energiewirtschaft. https://doi.org/10.1109/pica.1993.291017 (IEEE, 1994).

Han, J. & Xirong, Z. Das Indexsystem zur Einrichtung von CO2-Emissionswarnungen für unser Land. In Proceedings of the Proceedings der 2011 International Conference on Informatics, Cybernetics, and Computer Engineering (ICCE2011), 19.–20. November, Melbourne, Australien. https://doi.org/10.1007/978-3-642-25194-8_73 (Springer, 2011).

Referenzen herunterladen

Diese Arbeit wird von der Natural Science Foundation der Provinz Hubei (Grant No. 2022CFC033), dem Hubei Key Laboratory of Construction and Management in Hydropower Engineering (China Three Gorges University) Open Fund (Grant No. 2020KSD15) und der National Natural Science Foundation of China unterstützt (52075292).

Diese Autoren haben gleichermaßen beigetragen: Hui Yu, Bowen Liu und Ronghua Meng.

State Grid Beijing Urban District Power Supply Company, Peking, 100032, China

Hui Yu, Yang Yang, Bin Li, Bowen Liu, Yuanhu Guo, Yunqi Wang und Zhongfu Guo

Hubei Key Laboratory of Construction and Management in Hydropower Engineering, China Three Gorges University, Yichang, 443002, Hubei, China

Ronghua Meng

Intelligent Manufacturing Innovation Technology Center, China Three Gorges University, Yichang, 443002, Hubei, China

Ronghua Meng

Sie können diesen Autor auch in PubMed Google Scholar suchen

HY: Konzeption, Fördermittelakquise, Projektverwaltung; YY: Datenkuration, Untersuchung; BL: Datenkuration, Untersuchung; BL: Formale Analyse, Untersuchung, Methodik, Visualisierung; YG: Untersuchung, Methodik; YW: Untersuchung, Projektverwaltung; ZG: Formale Analyse, Visualisierung; RM: Methodik, Software, Visualisierung. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Bowen Liu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Yu, H., Yang, Y., Li, B. et al. Forschung zur Vorhersage der elektrischen Kohlenstoffemissionen der Gemeinschaft unter Berücksichtigung des dynamischen Emissionskoeffizienten des Energiesystems. Sci Rep 13, 5568 (2023). https://doi.org/10.1038/s41598-023-31022-y

Zitat herunterladen

Eingegangen: 07. November 2022

Angenommen: 06. März 2023

Veröffentlicht: 05. April 2023

DOI: https://doi.org/10.1038/s41598-023-31022-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.