面向城市多领域碳排放预测方法和系统技术方案

本发明专利技术提供一种面向城市多领域碳排放预测方法和系统，涉及碳排放技术领域。本发明专利技术首先获取历史终端能源消耗数据，所述历史终端能源消耗数据包括工业领域、交通领域和居民生活领域；然后基于历史终端能源消耗数据构建城市能源消费LEAP模型；最后通过城市能源消费LEAP模型预测不同情景下的工业领域、交通领域以及居民生活领域的能源消耗；根据工业领域、交通领域以及居民生活领域的能源消耗，进一步计算规划情景下的城市分领域的能源消耗碳排放以及城市总的能源碳排放。本发明专利技术不仅能够计算不同领域的终端能源消耗和碳排放，对比不同领域不同能源的消耗状况，从而能全面反映城市的能源消耗和碳排放，提高城市碳排放预测的准确性。性。性。

【技术实现步骤摘要】
面向城市多领域碳排放预测方法和系统


[0001]本专利技术涉及碳排放
，具体涉及一种面向城市多领域的碳排放预测方法和系统。

技术介绍

[0002]全球气候变暖已经成为人类可持续发展面临的重大挑战。过量的二氧化碳排放是造成全球气候变暖的主要原因。城市活动是碳排放的主要来源，中国城市地区所排放的二氧化碳占总量的比例大概为80％，主要来源于城市经济发展、城市建筑以及城市交通等领域的人类活动。因此，城市的绿色低碳转型也成为了实现双碳目标的主战场。由于中国城市的资源禀赋、目标定位、产业发展和科技水平等方面存在差异，低碳经济发展水平有所不同，分析各因素对碳排放的影响特征，建立合适的模型去预测中国城市的碳排放，从而明确城市何时能够实现双碳目标成为一项重要工作。
[0003]当前，碳排放预测方法主要包括经济计量模型、一般均衡模型以及机器学习等。经济计量模型操作简单，预测的准确性取决于模型的设置是否合理，但是对很多无法量化的因素，该模型很难准确处理。一般均衡模型能够预测社会整个系统受到一定冲击后的一般均衡状态，涉及范围广、数据量大对数据质量要求高。机器学习包括BP神经网络等，该方法同样对数据要求高。在碳排放预测模型的定量研究中，由于影响碳排放的因素(变量)多而复杂，且变量之间信息彼此重叠，从而出现碳排放预测模型稳定性差、预测精度不高等问题。
[0004]通过上述描述可知，现有的城市碳排放的预测方法准确率低。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种面向城市多领域的碳排放预测方法和系统，解决了现有的城市碳排放的预测方法准确率低的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，本专利技术提供一种面向城市多领域的碳排放预测方法，所述方法包括：
[0010]S1、获取历史终端能源消耗数据，所述历史终端能源消耗数据包括工业领域能源数据、交通领域能源数据和居民生活领域能源数据；
[0011]S2、基于历史终端能源消耗数据构建城市能源消费LEAP模型和设置不同情景；
[0012]S3、通过城市能源消费LEAP模型预测不同情景下的工业领域、交通领域能以及居民生活领域的能源消耗；根据工业领域、交通领域能以及居民生活领域的能源消耗，计算不同情景下的城市总的能源碳排放。
[0013]优选的，所述工业领域能源数据包括：工业领域中不同行业的产品产量、所消耗的能源总量和不同类型能源的消耗量；
[0014]交通领域能源数据包括：交通领域中不同运输方式中不同类型交通设备的保有量、不同交通设备的年平均行驶里程以及每一种交通设备的能源强度；
[0015]和居民生活领域能源数据包括：居民生活领域中城市和农村居民的人口数量，以及人均能源消费量。
[0016]优选的，所述城市能源消费LEAP模型中的城市能源消费分为三层；
[0017]第一层包括工业领域、居民生活领域、交通领域；
[0018]第二层是对各领域进行细分，将工业领域划分为采矿业、制造业以及电、热供应业；将居民生活领域划分为城镇居民和农村居民，交通领域划分为城际客运、市内客运和货运；
[0019]第三层为不同行业使用的能源消费类型。
[0020]优选的，在步骤S3中，
[0021]工业领域的能源消耗为：
[0022][0023]其中，E
ind
表示工业领域总的能源消耗，G
x
表示x行业的产量，EI
x,y
表示x行业中第y种能源的能源消费强度；
[0024]居民生活领域的能源消耗为：
[0025]E
c
＝A
u
×
EI
u
+A
r
×
EI
r
[0026]其中，E
c
表示居民领域总的能源消耗，A
u
和A
r
分别表示城镇居民和农村居民的人数，EI
u
和EI
r
分别表示城市居民和农村居民的人均能源消耗；
[0027]交通领域的能源消耗可以表示为：
[0028][0029]其中，E
t
表示交通领域总的能源消耗，V
p
表示p种汽车的保有量， V
pmil
表示p种汽车的年行驶里程，EI
p,q
表示p种车型q燃料的能源强度。
[0030]优选的，在步骤S3中，
[0031]城市总的能源碳排放为：
[0032][0033]其中，TC表示城市总的碳排放，E
i,j
表示i领域第j种能源的消耗量， EF
j
表示j种能源的碳排放因子。
[0034]第二方面，本专利技术提供一种面向城市多领域情景的碳排放预测系统，所述系统包括：
[0035]数据获取模块，用于获取历史终端能源消耗数据，所述历史终端能源消耗数据包括工业领域能源数据、交通领域能源数据和居民生活领域能源数据；
[0036]模型构建和情景设置模块，用于基于历史终端能源消耗数据构建城市能源消费LEAP模型和设置不同情景；
[0037]预测模块，用于通过城市能源消费LEAP模型预测不同情景下的工业领域、交通领域能以及居民生活领域的能源消耗；根据工业领域、交通领域能以及居民生活领域的能源消耗，计算不同情景下的城市总的能源碳排放。
[0038]优选的，在预测模块中，
[0039]工业领域的能源消耗为：
[0040][0041]其中，E
ind
表示工业领域总的能源消耗，G
x
表示x行业的产量，EI
x,y
表示x行业中第y种能源的能源消费强度；
[0042]居民生活领域的能源消耗为：
[0043]E
c
＝A
u
×
EI
u
+A
r
×
EI
r
[0044]其中，E
c
表示居民领域总的能源消耗，A
u
和A
r
分别表示城镇居民和农村居民的人数，EI
u
和EI
r
分别表示城市居民和农村居民的人均能源消耗；
[0045]交通领域的能源消耗可以表示为：
[0046][0047]其中，E
t
表示交通领域总的能源消耗，V
p
表示p种汽车的保有量， V
pmil
表示p种汽车的年行驶里程，EI
p,q
表示p种车型q燃料的能源强度。
[0048]优选的，城市总的能源碳排放为：
[0049][0050]其中，TC表示城市总的碳排放，E
...

【技术保护点】

【技术特征摘要】
1.一种面向城市多领域的碳排放预测方法，其特征在于，所述方法包括：S1、获取历史终端能源消耗数据，所述历史终端能源消耗数据包括工业领域能源数据、交通领域能源数据和居民生活领域能源数据；S2、基于历史终端能源消耗数据构建城市能源消费LEAP模型和设置不同情景；S3、通过城市能源消费LEAP模型预测不同情景下的工业领域、交通领域以及居民生活领域的能源消耗；根据工业领域、交通领域能以及居民生活领域的能源消耗，计算不同情景下的城市总的能源碳排放。2.如权利要求1所述的面向城市多领域情景的碳排放预测方法，其特征在于，所述工业领域能源数据包括：工业领域中不同行业的产品产量、所消耗的能源总量和不同类型能源的消耗量；交通领域能源数据包括：交通领域中不同运输方式中不同类型交通设备的保有量、不同交通设备的年平均行驶里程以及每一种交通设备的能源强度；居民生活领域能源数据包括：城市和农村居民的人口数量，以及城市和农村不同能源的人均能源消费量。3.如权利要求1所述的面向城市多领域的碳排放预测方法，其特征在于，所述城市能源消费LEAP模型中的城市能源消费分为三层；第一层包括工业领域、居民生活领域、交通领域；第二层是对各领域进行细分，将工业领域划分为采矿业、制造业以及电、热供应业；将居民生活领域划分为城镇居民和农村居民，交通领域划分为城际客运、市内客运和货运；第三层为不同行业使用的能源消费类型。4.如权利要求1～3任一所述面向城市多领域情景的碳排放预测方法，其特征在于，在步骤S3中，工业领域的能源消耗为：其中，E
ind
表示工业领域总的能源消耗，G
x
表示x行业的产量，EI
x,y
表示x行业中第y种能源的能源消费强度；居民生活领域的能源消耗为：E
c
＝A
u
×
EI
u
+A
r
×
EI
r
其中，E
c
表示居民领域总的能源消耗，A
u
和A
r
分别表示城镇居民和农村居民的人数，EI
u
和EI
r
分别表示城市居民和农村居民的人均能源消耗；交通领域的能源消耗可以表示为：其中，E
t
表示交通领域总的能源消耗，V
p
表示p种汽车的保有量，V
pmil
表示p种汽车的年行驶里程，EI
p,q
表示p种车型q燃料的能源强度。5.如权利要求1～3任一所述面向城市多领域情景的碳排放预测方法，其特征在于，在步骤S3中，城市总的能源碳排放为：
其中，TC表示城市总的碳排放...

【专利技术属性】
技术研发人员：周开乐，杨静娜，丁涛，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：