Recherche sur la prévision des émissions de carbone de l'électricité communautaire en tenant compte du coefficient d'émission dynamique du système électrique

Rapports scientifiques volume 13, Numéro d'article : 5568 (2023) Citer cet article

735 accès

Détails des métriques

Sur la base des facteurs d'émission du système électrique comptés du North China Power Grid, une base de données communautaire d'échantillons d'émissions de carbone est construite. Le modèle de régression vectorielle de support (SVR) est formé pour prévoir les émissions de carbone de puissance, qui sont optimisées par un algorithme génétique (GA). Un système communautaire d’alerte aux émissions de carbone est conçu en fonction des résultats. La courbe des coefficients d'émission dynamiques du système électrique est obtenue en ajustant les coefficients d'émission annuels de carbone. Le modèle de prévision des émissions de carbone SVR en série chronologique est construit, tandis que le GA est amélioré pour optimiser ses paramètres. En prenant comme exemple la communauté de Pékin Caochang, une base de données d'échantillons d'émissions de carbone est générée sur la base de la courbe de consommation d'électricité et de coefficient d'émission pour former et tester le modèle SVR. Les résultats montrent que le modèle GA-SVR s'adapte bien à l'ensemble d'entraînement et à l'ensemble de tests, et que la précision de prédiction de l'ensemble de tests atteint 86 %. Compte tenu du modèle de formation présenté dans cet article, la tendance des émissions de carbone de la consommation électrique communautaire au cours du mois prochain est prévue. Le système d'alerte des émissions de carbone de la communauté est conçu et la stratégie spécifique de réduction des émissions de carbone de la communauté est proposée.

Dans le contexte d’enjeux climatiques mondiaux majeurs et d’effets d’îlots de chaleur croissants, le développement à faible émission de carbone est devenu une exigence de notre époque. Avec l'accélération du processus d'urbanisation en Chine, la population urbaine continue de croître. Les grappes industrielles ont accéléré leur développement, et la consommation d'énergie et les émissions de carbone n'ont cessé d'augmenter. Le problème des émissions élevées de carbone dans les villes est devenu particulièrement important. La communauté, en particulier la communauté à haute densité, constitue l’unité principale de la ville. Avec la mise en œuvre de politiques telles que le remplacement du charbon par l'électricité, les émissions de carbone de l'électricité deviennent de plus en plus les principales émissions de carbone de la communauté. La prévision des émissions de carbone de l'électricité communautaire revêt une grande importance pour promouvoir une vie à faible émission de carbone des résidents et construire des villes à faible émission de carbone.

Ces dernières années, en tant que plus grand pays en développement, la Chine a une grande économie et une forte proportion de population. La Chine consomme beaucoup de combustibles fossiles et ses émissions de carbone augmentent rapidement. Les émissions totales de carbone ont augmenté continuellement après que les émissions totales de carbone de la Chine ont dépassé celles des États-Unis pour la première fois en 2008. La Chine est devenue le plus grand émetteur de carbone depuis que ses émissions totales de carbone ont doublé par rapport aux États-Unis en 2019. Pour résoudre le problème du réchauffement climatique et réduire émissions de gaz à effet de serre, le développement à faible émission de carbone est devenu le consensus mondial. En 2014, la Chine a proposé pour la première fois un plan pour un pic de carbone à l'horizon 2030 dans la Déclaration commune sino-américaine sur le changement climatique, et a annoncé ses objectifs de pic de carbone et de neutralité carbone pour 2020. Dans le même temps, en janvier 2022, le Conseil d'État a publié le 14e Cinq - Plan annuel pour la conservation de l'énergie et la réduction des émissions, plan de travail global, qui a amélioré les mécanismes politiques, déployé des projets clés et clarifié les objectifs de réduction des émissions à court terme de la Chine.

Afin de servir l’objectif national de réduction des émissions de carbone, les modèles et solutions de prévision des émissions de carbone sont devenus le centre de recherche des chercheurs nationaux et étrangers. À l’heure actuelle, il existe davantage de prévisions1,2,3 concernant les émissions de carbone au sein d’une certaine industrie. Dans le secteur de l’électricité, les émissions de carbone sont généralement prévues sous l’angle de l’économie et de la consommation d’énergie. Les chercheurs ont réalisé une série d'études basées sur les facteurs d'influence des émissions de carbone4,5, des modèles de régression6,7, des modèles de dynamique des systèmes8,9,10 et des modèles non linéaires11,12. Par exemple, en termes de facteurs d’influence, He et al.13 ont souligné que les émissions de carbone du secteur électrique représentent plus de 40 % des émissions totales en Chine. Ils ont examiné les facteurs d'influence des émissions de carbone du secteur électrique en Chine aux niveaux national et provincial, la croissance économique étant le principal moteur et l'intensité de la consommation d'énergie, l'intensité énergétique de la production d'énergie thermique et le mix énergétique étant les principaux facteurs inhibiteurs. Sun Wei et al.14 ont utilisé l’analyse des frontières stochastiques pour examiner les facteurs affectant l’intensité des émissions de carbone du point de vue de l’efficacité des émissions de carbone, et ont construit un modèle de prévision de l’intensité des émissions de carbone basé sur l’analyse factorielle et l’apprentissage automatique extrême. McKibbin et al.15 ont adopté une approche développée à l'aide du modèle multi-pays G-Cubed dans lequel la structure économique et les résultats en matière d'émissions ont été déterminés simultanément. Le cadre de prévision des émissions devrait se concentrer sur les sources de croissance économique et la structure de l’économie mondiale qui varient dans le temps.