Investigación sobre la predicción de las emisiones de carbono de la electricidad comunitaria considerando el coeficiente dinámico de emisión del sistema eléctrico.

Scientific Reports volumen 13, número de artículo: 5568 (2023) Citar este artículo

735 Accesos

Detalles de métricas

Con base en los factores de emisión contados del sistema eléctrico de North China Power Grid, se construye una base de datos de muestra de emisiones de carbono de la comunidad. El modelo de regresión de vector de soporte (SVR) está entrenado para pronosticar las emisiones de carbono de energía, que se optimiza mediante un algoritmo genético (GA). Según los resultados se diseña un sistema comunitario de alerta de emisiones de carbono. La curva del coeficiente dinámico de emisión del sistema eléctrico se obtiene ajustando los coeficientes anuales de emisión de carbono. Se construye el modelo de predicción de emisiones de carbono SVR de series temporales, mientras que el GA se mejora para optimizar sus parámetros. Tomando como ejemplo la Comunidad Caochang de Beijing, se genera una base de datos de muestra de emisiones de carbono basada en el consumo de electricidad y la curva del coeficiente de emisión para entrenar y probar el modelo SVR. Los resultados muestran que el modelo GA-SVR se ajusta bien al conjunto de entrenamiento y al conjunto de prueba, y la precisión de la predicción del conjunto de prueba alcanza el 86%. En vista del modelo de formación de este documento, se predice la tendencia de las emisiones de carbono del consumo de electricidad de la comunidad en el próximo mes. Se diseña el sistema de alerta de emisiones de carbono de la comunidad y se propone la estrategia específica de reducción de emisiones de carbono de la comunidad.

En un contexto de importantes problemas climáticos globales y un creciente efecto de isla de calor, el desarrollo bajo en carbono se ha convertido en la exigencia de los tiempos. Con la aceleración del proceso de urbanización de China, los residentes urbanos continúan expandiéndose. Los conglomerados industriales han acelerado el desarrollo y el consumo de energía y las emisiones de carbono han aumentado continuamente. El problema de las altas emisiones de carbono en las ciudades se ha vuelto particularmente importante. La comunidad, especialmente la comunidad de alta densidad, es la unidad principal de la ciudad. Con la implementación de políticas como la del carbón y la electricidad, las emisiones de carbono de la electricidad se convierten cada vez más en las principales emisiones de carbono de la comunidad. La predicción de las emisiones de carbono de la electricidad comunitaria muestra una gran importancia para promover una vida con bajas emisiones de carbono de los residentes y construir ciudades con bajas emisiones de carbono.

En los últimos años, como país en desarrollo más grande, China tiene una gran economía y una alta proporción de población. China consume muchos combustibles fósiles y sus emisiones de carbono están aumentando rápidamente. Las emisiones totales de carbono aumentaron continuamente después de que las emisiones totales de carbono de China superaron a las de Estados Unidos por primera vez en 2008. China se ha convertido en el mayor emisor de carbono desde que sus emisiones totales de carbono aumentaron al doble de las de Estados Unidos en 2019. Para resolver el problema del calentamiento global y reducir Las emisiones de gases de efecto invernadero y el desarrollo bajo en carbono se han convertido en el consenso mundial. En 2014, China propuso por primera vez el plan de pico de carbono para 2030 en la Declaración Conjunta sobre Cambio Climático entre Estados Unidos y China, y anunció los objetivos de pico de carbono y neutralidad de carbono de China en 2020. Al mismo tiempo, en enero de 2022, el Consejo de Estado emitió los 14º Cinco -Plan anual para el Plan de Trabajo Integral de Conservación de Energía y Reducción de Emisiones, que mejoró los mecanismos de políticas, implementó proyectos clave y aclaró los objetivos de reducción de emisiones a corto plazo de China.

Para cumplir con el objetivo nacional de reducción de las emisiones de carbono, los modelos y soluciones de predicción de las emisiones de carbono se han convertido en el centro de la investigación de académicos nacionales y extranjeros. En la actualidad, existen más previsiones1,2,3 sobre las emisiones de carbono dentro de una determinada industria. En la industria energética, las emisiones de carbono generalmente se pronostican desde aspectos económicos y de consumo de energía. Los investigadores han llevado a cabo una serie de estudios basados en los factores que influyen en las emisiones de carbono4,5, modelos de regresión6,7, modelos de dinámica de sistemas8,9,10 y modelos no lineales11,12. Por ejemplo, en términos de factores que influyen, He et al.13 señalaron que las emisiones de carbono del sector energético representan más del 40% de las emisiones totales en China. Examinaron los factores que influyen en las emisiones de carbono del sector energético en China tanto a nivel nacional como provincial, siendo el crecimiento económico el principal impulsor y la intensidad del consumo de energía, la intensidad energética de la generación de energía térmica y la combinación de energía como los principales factores inhibidores. Sun Wei et al.14 utilizaron un análisis de frontera estocástico para detectar factores que afectan la intensidad de las emisiones de carbono desde la perspectiva de la eficiencia de las emisiones de carbono y construyeron un modelo de predicción de la intensidad de las emisiones de carbono basado en el análisis factorial y una máquina de aprendizaje extremo. McKibbin et al.15 adoptaron un enfoque desarrollado utilizando el modelo multinacional G-Cubed en el que la estructura económica y los resultados de las emisiones se determinaron simultáneamente. El marco para el pronóstico de emisiones debería centrarse en las fuentes de crecimiento económico y la estructura de la economía global que varían en el tiempo.

La construcción del modelo de predicción también es el foco de la investigación sobre las emisiones de carbono: se basa en la predicción de ajuste lineal, que incluye principalmente la ecuación IPAT, la curva de Kuznets ambiental de emisiones de carbono, la predicción gris y otros modelos. A principios de la década de 1970, Ehrlich et al.16 propusieron la ecuación IPAT, que utilizaba ecuaciones matemáticas para cuantificar la relación entre el crecimiento económico y el entorno de recursos. Este artículo aplicó la ecuación IPAT para analizar los factores que afectan las emisiones de carbono y predecir las emisiones de carbono. En la década de 1990, Grossman et al.17 descubrieron que existía una relación de tipo U invertida entre el crecimiento económico y la calidad ambiental. Propusieron la curva de Kuznets ambiental de emisiones de carbono, que ha recibido mucha atención por parte de los académicos. Sin embargo, la aplicación del método por parte de los investigadores demuestra que, actualmente, resulta difícil explicar las conclusiones contradictorias generadas por el estudio, que refleja la compleja relación entre las emisiones de carbono y la economía; por otro lado, los defectos de la propia teoría de la curva ambiental de Kuznets no pueden ignorarse18. Para la compleja relación entre varios factores en los sistemas eléctricos, se han propuesto uno tras otro métodos para abordar problemas multifactoriales. Los modelos de predicción de grises basados en la teoría del sistema de grises19 se utilizan ampliamente en varios campos. Varios académicos20,21,22 han utilizado modelos de predicción grises para pronosticar las emisiones de carbono. El modelo de predicción gris se usa ampliamente, es fácil de calcular, requiere menos muestras de datos, tiene mayor precisión y es adecuado para pronósticos a corto y mediano plazo. Para pronósticos a largo plazo, la incertidumbre de los factores de perturbación futuros hará que la precisión del pronóstico sea menor. Xiong et al.23 desarrollaron un nuevo modelo gris multivariado basado en parámetros discretos lineales que varían en el tiempo. En este modelo, se introdujo una función lineal variable en el tiempo en el modelo tradicional para optimizar dinámicamente los parámetros fijos que solo se pueden usar para análisis estático. Este método no cambia la esencia de la predicción lineal, aunque mejora cierta precisión de la predicción.

En los últimos años, con el desarrollo de la tecnología de big data, los métodos de aprendizaje automático comenzaron a usarse ampliamente en la predicción de carga y estimación de estado, y lograron buenos resultados de aplicación, por lo que algunos académicos comenzaron a utilizar el aprendizaje automático24,25,26 para la predicción de emisiones de carbono. La regresión de vectores de soporte (SVR) también se usa ampliamente en problemas de predicción de series de tiempo, tiene una capacidad de generalización superior y puede evitar mejor los óptimos locales mediante la optimización de parámetros. Wang et al.27 propusieron un modelo SVR en línea para predecir los niveles de contaminantes del aire en series temporales futuras. Melahat et al.26 utilizaron algoritmos de aprendizaje profundo (DL), máquina de vectores de soporte (SVM) y redes neuronales artificiales (ANN) para predecir las emisiones de carbono en el sector de producción de electricidad en Turquía, respectivamente. Li et al.28 utilizaron un algoritmo genético (GA) para optimizar los pesos y umbrales del SVR para predecir las emisiones de CO2 en Beijing de 2016 a 2020 mediante análisis de escenarios. Saleh et al.29 establecieron un modelo SVR con el consumo de energía como la energía eléctrica y la combustión de carbón como variables de entrada, que afectan directamente al aumento de las emisiones de CO2. Los SVR se han utilizado con éxito en la predicción de problemas de series temporales de muchas maneras.

Aunque los académicos han realizado una serie de estudios sobre la predicción de las emisiones de carbono, se han publicado pocos artículos sobre la predicción de las emisiones de carbono para la electricidad comunitaria. Por lo general, las emisiones de carbono del consumo de electricidad comunitario están relacionadas principalmente con el consumo de electricidad de la comunidad y el factor de emisión de carbono del suministro de electricidad. El coeficiente de emisión de carbono30 es el número de masa de emisión de carbono por unidad de energía producida durante la combustión o uso de cada fuente de energía. En la literatura existente, la mayoría de ellos utilizan factores de emisión de carbono fijos o factores guía emitidos por el estado. De hecho, el factor de emisión de carbono de la energía eléctrica varía dinámicamente dependiendo de la proporción energética de producción de energía por parte de la empresa suministradora de energía. Especialmente para el pronóstico de emisiones de carbono de la electricidad comunitaria, urbana y nacional, los pequeños cambios en los coeficientes de emisión de carbono tienen un gran impacto en las emisiones totales de carbono debido al gran consumo de energía eléctrica. Los métodos de pronóstico tradicionales tienen algunos problemas, como la regresión inestable y la dificultad de determinar los factores que influyen, lo que reducirá la precisión científica del pronóstico. Después de la investigación, se descubre que los cambios en las emisiones de carbono y los coeficientes de emisión de carbono del suministro de energía en una determinada región están correlacionados con series de tiempo, por lo que los datos históricos de las emisiones de carbono se pueden utilizar para predecir las futuras emisiones de carbono.

Ahora China ha propuesto el concepto de comunidad inteligente. La comunidad implementará plenamente los requisitos de construcción del nuevo sistema de energía eléctrica, sustituirá completamente la energía eléctrica y reemplazará el carbón por electricidad y el gas por electricidad. La energía eléctrica se convierte en la principal fuente energética de la comunidad. Para llevar a cabo la promoción de productos terminales de sustitución de energía eléctrica, se garantizará efectivamente el uso confiable de energía eléctrica y la energía limpia de los residentes. Se mejorará de manera ordenada el bienestar de los medios de vida de la población regional. Por lo tanto, la predicción de las emisiones de carbono de la energía eléctrica comunitaria puede representar efectivamente las emisiones de carbono generales de la comunidad y es cada vez más significativa para la reducción de las emisiones de carbono de la comunidad.

Basado en el complejo sistema no lineal de predicción de emisiones de carbono, este documento pretende calcular el coeficiente de emisión de carbono anual según la producción de energía de North China Power Grid (NCPG). Se ajustará la curva dinámica del factor de emisión de carbono de la electricidad. Teniendo en cuenta tanto el coeficiente dinámico de emisión de carbono por el lado de la oferta como el consumo de electricidad por el lado de la demanda, se construirá una base de datos de muestra de las emisiones de carbono en la comunidad. El modelo SVR de optimización de GA (GA – SVR) está mejorado y diseñado para predecir las emisiones de carbono del consumo de electricidad de la comunidad.

Diferentes redes de suministro de energía tienen diferentes ratios de generación de energía; por lo tanto, el mismo factor de emisión de carbono es inapropiado. Incluso si el ratio energético de la misma red de suministro de energía es diferente en diferentes años, el factor de emisión de carbono es dinámico. Este documento recopila el consumo de energía de NCPG de 2011 a 2020, calcula los factores de emisión de carbono anuales y ajusta los factores de emisión de carbono después de 2021.

Según la herramienta de cálculo del coeficiente de emisión del sistema eléctrico31, el método de cálculo del factor de emisión de referencia de dióxido de carbono OM en la red eléctrica de China. Con base en las generaciones netas totales de energía, los tipos de combustible y el consumo de combustible de todas las centrales eléctricas del sistema eléctrico, la fórmula (1) es la siguiente:

\(EF_{grid,OMsimple,y}\) es el factor de emisión marginal de electricidad simple OM (tCO2/MWh) del sistema eléctrico cuando el objeto de investigación es el año y. EGy es la generación total neta del sistema eléctrico en el año y. Es decir, la electricidad total (MWh) suministrada a la red por todas las unidades distintas del costo operativo mínimo. FCi,y es el consumo total de combustible (unidad de masa o volumen) de las unidades anteriores en el año y. NCVi,y es el poder calorífico bajo promedio (GJ/unidad de masa o volumen), mientras que \(EF_{{CO_{2} ,i,y}}\) es el factor de emisión de CO2 del combustible i en el año y, ( tCO2/GJ). Entonces, i es el tipo de combustible fósil consumido por el sistema eléctrico en el año y, mientras que y es el año en el que los datos están disponibles para la presentación del proyecto. En el caso de intercambio de energía entre redes eléctricas, el intercambio de energía entre redes eléctricas producirá una parte receptora neta. El factor de emisión marginal de electricidad simple es igual al valor promedio ponderado del factor de emisión unitario de electricidad de la central eléctrica local y de los receptores unitarios de electricidad. El factor de emisión de la electricidad unitaria de las centrales eléctricas locales se calcula según la fórmula anterior, y la electricidad recibida neta adopta el factor de emisión marginal simple de la red eléctrica transferida.

Los datos de generación de energía, consumo de combustible para la generación de energía y bajo poder calorífico del combustible de generación de energía para OM se originan respectivamente en el Anuario Estadístico de Energía de China32. Los datos de la tasa de consumo de energía auxiliar se derivan del Anuario de energía eléctrica de China. Los datos del intercambio de energía entre redes eléctricas provienen de la Compilación de estadísticas de la industria de la energía eléctrica. Los factores de emisión de CO2 del combustible se derivan de la Tabla 1.4 del Capítulo I de las Directrices para la preparación del volumen de energía del inventario nacional del IPCC de 2006. El límite inferior del intervalo de confianza del 95% de cada factor de emisión de combustible se determina según el principio de conservadurismo.

Según el principio de mínimos cuadrados, el objetivo de la curva de ajuste se construye mediante la fórmula (2):

donde φ(xi) representa la ordenada de la función del modelo de ajuste, mientras que yi expresa la ordenada del punto de dispersión real. La suma cuadrática de interpolación más pequeña de las ordenadas del modelo de función y los puntos dispersos se considerará como el mejor grado de ajuste.

El modelo de ajuste polinomial se establece como fórmula (3):

La curva de emisiones de carbono se obtiene ajustando el coeficiente de emisión de carbono anual calculado. Entonces aparecerá el coeficiente de emisión de carbono diario.

Según la curva de consumo eléctrico y coeficiente de emisión de carbono de la comunidad, la emisión de carbono diaria se puede obtener a partir de la siguiente fórmula (4).

donde CE es la emisión de carbono, yOM es la curva del coeficiente de emisión de carbono y E es el consumo de electricidad de la comunidad.

Debido a la construcción continua de comunidades y los cambios en los hábitos de vida de los residentes, los datos de muestra más allá de un cierto período para el pronóstico de emisiones de carbono conducirán inevitablemente a predicciones inexactas. El tamaño de la muestra de entrenamiento es insuficiente para respaldar el proceso de aprendizaje del modelo de predicción, cuando se consideran simplemente los datos de muestra recientes. El SVR33 presentado en este artículo es un método novedoso de aprendizaje de muestras pequeñas que puede resolver problemas de muestras de entrenamiento pequeñas. Debido a su amplia gama de parámetros de peso, aparecerán malos resultados de entrenamiento con parámetros empíricos, mientras que llevará mucho tiempo con métodos iterativos.

En este artículo, se presenta GA para optimizar sincrónicamente el factor de penalización C y el parámetro de función de base radial g en SVR para obtener la solución óptima global. En comparación con los métodos de optimización tradicionales, GA34, basado en la evolución biológica, es un algoritmo inteligente moderno que simula la supervivencia del más apto en el mundo biológico y el mecanismo genético natural, que tiene una fuerte capacidad de búsqueda global. Su velocidad de cálculo es rápida, con alta robustez y gran expansibilidad. El GA es fácil de combinar con el modelo SVR, lo que acelera el proceso de solución de este problema.

GA son métodos estocásticos de búsqueda y optimización global desarrollados para imitar los mecanismos de evolución biológica en la naturaleza. El modelo simula la selección natural y el mecanismo genético del proceso de evolución biológica darwiniana. Encontrar la solución óptima siguiendo la ley de supervivencia del más fuerte. Mantenga a los individuos excelentes y elimine a los malos durante el proceso de optimización. El GA optimiza el parámetro de penalización C y el parámetro de función kernel g del modelo SVR para mejorar su precisión de predicción, con el objetivo de minimizar el error cuadrático medio (RMSE) del valor predicho y el valor real de la muestra. La fórmula de la función de aptitud es:

donde Tsim representa el valor predicho del conjunto de entrenamiento, Ttrain significa el valor real de la muestra y N representa el número de muestras en el conjunto de entrenamiento.

El SVR es un algoritmo de aprendizaje supervisado, que se utiliza ampliamente en predicción discreta y otros campos. Para un conjunto de datos dado \(\{ x_{i} ,y_{i} \}_{i = 1}^{N}\) , N es el número de muestra en el conjunto de entrenamiento; xi y yi son variables de entrada y salida respectivamente. SVR asigna el espacio original de los datos de entrada a un espacio de características de mayor dimensión a través de la función del núcleo gaussiano no lineal. En el espacio de características, el problema se transforma en la construcción del plano lineal óptimo f(x) = w·φ(x) + b para ajustar datos. Donde b es el desplazamiento y w es el peso. Por lo tanto, al minimizar la norma vectorial w2 para encontrar la función más suave f(x), el error máximo permitido del valor predicho de cada dato de entrenamiento es ε, como se muestra en la Fig. 1. Luego se usa el multiplicador de Lagrange para reformular el problema de optimización restringida. como un doble problema. Para cada restricción, se utiliza la programación cuadrática para determinar y luego se calcula el desplazamiento del peso óptimo para obtener el valor predicho. De esta forma, el problema de regresión anterior puede sustituirse por un problema de optimización restringida. Las fórmulas de objetivo y restricciones son las siguientes:

Diagrama esquemático de la regresión del producto del vector de soporte.

En las fórmulas matemáticas (6) y (7), donde C es el coeficiente de penalización, δi y δi* son variables de relajación y ε es la función de pérdida. Además, este modelo se convierte en una función por pares mediante el método de resolución de multiplicadores con la función de Lagrange. La función no lineal se puede expresar como la fórmula (8):

donde αi y \(\alpha_{i}^{*}\) denotan multiplicadores de Lagrange y K(xi, xj) denota la función del núcleo. El SVR tendrá un rendimiento de aprendizaje y generalización diferente según las diferentes funciones del núcleo. SVR utiliza habitualmente la función kernel lineal, la función kernel polinomial y la función de base radial (RBF). RBF funciona mejor que los núcleos lineales al abordar problemas no lineales y tiene menos hiperparámetros que los núcleos polinomiales. Por lo tanto, se considera ampliamente que RBF es una función ideal para manejar muestras complejas y multidimensionales. En este artículo, se elige RBF como función central, según la fórmula (9).

donde σ denota el ancho de banda, que es suficiente para manejar un número limitado de muestras.

El algoritmo GA-SVR mejorado se implementa de la siguiente manera:

En el paso 1, se normalizan los datos de emisiones de carbono obtenidos y se seleccionan la función central del modelo SVR, RBF, y los parámetros.

Los parámetros C y g del paso 2 del modelo SVR se consideran variables y se optimizan mediante el GA mejorado.

Paso 3: entrene y pruebe el modelo SVR como proceso de decodificación de GA.

Paso 4 calcule la función de aptitud del GA y guarde la solución óptima. Juzgue si el segmento satisface la condición de parada. Si no se cumple la condición, continúe la operación GA hasta el Paso 2; mientras se cumpla la condición, se ejecutará el Paso 5.

El paso 5 pronostica los valores de emisiones de carbono a 1 mes basándose en datos de emisiones de carbono anuales conocidos.

El diagrama de flujo de GA-SVR se describe en la figura 2.

Diagrama de flujo del algoritmo GA-SVR.

La comunidad de Caochang está en el distrito de Dongcheng, Beijing, China. Va desde la calle Qianmen-East en el oeste hasta Caochang-shitiao en el este, y comienza en la calle Xi-damochang en el norte hasta la calle Liangguang en el sur, que cubre un área de 586.000 metros cuadrados. La población es de 9.000 habitantes, incluidos 4.817 clientes residentes y 359 no residentes. En 2021, el consumo de energía de esta zona es de 14,772 millones de kwh y la carga de clientes residenciales representa alrededor del 68%. El área de Caochang está evaluada como A+ y pertenece a los distritos de Tong'an y Anhangxing. La longitud total de la línea de transmisión es de 18,1 km y la tasa de cableado alcanza el 100%. Dispone de 47 persianas y 87 transformadores de caja. La tasa de cobertura de automatización de líneas alcanza el 100%, mientras que la cobertura de automatización de equipos asciende al 92,73%.

El norte tiene mayores emisiones de carbono que el sur de China, especialmente para calentarse con la calefacción en invierno. Un gran consumo de carbón genera altas emisiones de carbono. La comunidad de Caochang realiza en primer lugar la sustitución de la energía eléctrica en la ciudad, lo que se convierte en el primer bloque de demostración para sustituir el carbón y el gas por electricidad. Desde 2007, la región ha completado sucesivamente los trabajos de "carbón a electricidad" y "gas a electricidad". La proporción de energía eléctrica regional en el consumo de energía terminal está aumentando. Desde 2018, ha completado la construcción de líneas aéreas de hutong regionales antes que otras y ha promovido tres modernizaciones de las cajas de equipos eléctricos. Todas estas medidas están dedicadas a construir un modelo verde, bajo en carbono, limpio y habitable de antiguas áreas urbanas. Después de 2019, 52 Institutos de Simbiosis se han conectado a la energía y han promovido integralmente productos alternativos de energía terminal. El consumo eléctrico limpio y fiable de los residentes está efectivamente garantizado. Se promueve de manera ordenada la mejora de los medios de vida de los residentes regionales. Por tanto, la predicción de las emisiones de carbono de la energía eléctrica puede representar eficazmente las emisiones de carbono generales de la comunidad.

Tomando como ejemplo la comunidad de Caochang en Beijing, la base de datos de muestra de emisiones de carbono se genera en función del consumo de electricidad y la curva del factor de emisión para el entrenamiento y las pruebas del modelo GA-SVR.

Según el método estadístico de este trabajo, se calcula el factor de emisión anual del sistema eléctrico. Matlab realiza el ajuste lineal para obtener la curva que se muestra en la Fig. 3.

Curva de ajuste del coeficiente de emisión del sistema de potencia.

La fórmula de la curva del factor de emisión de carbono obtenida mediante ajuste lineal es la fórmula (13):

La raíz cuadrada del error R2 = 0,9172, que es mayor que 0,9, realiza un excelente efecto de ajuste.

A partir de la curva de ajuste del coeficiente de emisión anual del sistema eléctrico, en el proceso de fluctuación continua, el coeficiente disminuyó constantemente. Los factores de emisión de 2011 a 2012 muestran una situación elevada. Desde 2013, los factores de emisión de carbono anuales presentan una importante tendencia a la baja. Sin embargo, durante 2018 y 2019, los factores de emisión aumentaron significativamente debido al uso de gas de alto horno y gas convertidor con mayor factor de emisión de combustible. Las materias primas anteriores son subproductos del proceso de producción de las empresas siderúrgicas. Aunque el gas mejora el factor de emisión de carbono de la energía eléctrica durante la generación de energía, forma una cadena ecológica industrial con la industria metalúrgica del acero, que puede mejorar el valor agregado del gas.

Para evaluar el efecto de predicción del modelo GA-SVR, se presentan cuatro métricas de evaluación a continuación. Error cuadrático medio (RMSE), error absoluto medio (MAE), error de sesgo medio (MBE) y R-cuadrado (R2). RMSE se utiliza para medir la desviación entre el valor observado y el valor real. MAE y MBE pueden reflejar mejor el error de predicción. R2 puede reflejar la capacidad de adaptación desde un punto de vista estadístico. Las fórmulas de estas métricas de evaluación son las siguientes:

Para analizar el efecto de operación del algoritmo y la equidad de la comparación de múltiples algoritmos, Matlab2020 (a) implementa los siguientes algoritmos. El sistema informático es Windows 10 con CPU Intel (R) Core (TM) i7-10700 a 2,90 GHz de configuración. Establezca los valores y rangos de los parámetros para GA y SVR. En referencia a la configuración de parámetros de problemas similares en la literatura existente, se establecen diferentes parámetros para realizar los experimentos de Taguchi. Según los resultados del experimento, cuando el tamaño de la población es 10 y el número de iteraciones es 25, se pueden obtener resultados satisfactorios con el tiempo de ejecución adecuado. En el modelo SVR, la escala del conjunto de entrenamiento es 0,7, el resto es el conjunto de prueba. Se toman ambos el rango de los parámetros C y g (0,100). La siguiente figura 4 es la curva de variación de aptitud de la optimización de parámetros.

Curva de iteración de fitness.

Los parámetros de penalización óptimos C y g se obtienen como 22,6580 y 8,9441 respectivamente, que están optimizados por GA. Analice los resultados de predicción del modelo GA-SVR con el conjunto de entrenamiento y el conjunto de prueba; las curvas de comparación se muestran en las Figs. 5 y 6.

Comparación de predicción del conjunto de entrenamiento.

Comparación de predicciones del conjunto de pruebas.

A partir de las dos curvas de comparación de las Figs. 5 y 6, la precisión de ajuste de los resultados de predicción del conjunto de lluvia mediante GA-SVR es excelente. Las características de la curva funcionan básicamente de manera consistente. El RMSE es simplemente 1,951, mientras que el RMSE del conjunto de prueba es 14,3466. El R2 del conjunto de entrenamiento alcanza 0,9960, mientras que el R2 del conjunto de prueba supera 0,85. Aunque la curva de predicción del conjunto de pruebas se desvía del valor esperado, la tendencia de cambio de la curva puede reflejar el cambio del valor real.

Para verificar la validez del modelo de predicción en este artículo, se introducen un SVR con parámetros aleatorios (C = 4, g = 0,8), los modelos de red neuronal BP (BP) y Random Forest (RF) para compararlos con GA. RVS. Se utilizan tres métricas R2, MAE y MBE para evaluar el efecto de predicción de los modelos. Los resultados son los siguientes.

En la Tabla 1, el modelo GA-SVR mejorado tiene un rendimiento excelente en la predicción de las emisiones de carbono del consumo de electricidad en las comunidades urbanas. Los coeficientes de correlación de ajuste entre los valores de predicción y los valores reales alcanzan 0,9960 y 0,8601 respectivamente para el conjunto de entrenamiento y el conjunto de prueba. Ambos alcanzan más del 85%. La previsión de emisiones de carbono de la electricidad comunitaria es precisa. El conjunto de entrenamiento y prueba del algoritmo mejorado se ajusta con mayor precisión que los otros tres algoritmos de comparación.

Para la comparación de estabilidad, los cuatro algoritmos de comparación, GA_SVR, SVR, BP y RF, se ejecutan de forma independiente 20 veces. Los indicadores de evaluación se obtienen como se muestra en la Tabla 2. La dirección horizontal representa los peores valores (min), los mejores valores (max), los valores promedio (media) y las desviaciones estándar (std) de la precisión de predicción R2 del entrenamiento. conjunto y el conjunto de prueba.

Se puede ver en los resultados estadísticos de la Tabla 2 que el algoritmo GA_SVR funciona mejor en el proceso de solución. Cuando se determinan los parámetros de SVR, la solución es la más estable, pero las métricas de resultados no son muy buenas. El proceso de la solución GA_SVR funciona bien y es estable, mientras que se introduce GA para mejorar los parámetros de SVR. El valor óptimo, el peor valor y el valor promedio funcionan mejor que otros algoritmos comparados.

Dado que los datos sobre el consumo de electricidad pueden verse afectados por incertidumbres como la epidemia, las emisiones de carbono del consumo de electricidad comunitario han mostrado una tendencia ascendente significativa en un período determinado. Por tanto, la incertidumbre sobre los datos es fuerte. Después de la mejora, la precisión del ajuste mejora considerablemente en comparación con el parámetro aleatorio SVR.

Después de sustituir la curva del factor de emisión anual del sistema eléctrico de 2019 a 2021 y el consumo eléctrico diario promedio de los residentes en el modelo GA-SVR entrenado. Se obtiene la comparación de tendencias entre las emisiones de carbono (tCO2e) reales y previstas de la comunidad en enero de 2022, y la precisión de la predicción R2 es del 84,33%.

Como se muestra en la Fig. 7, los resultados de la predicción son consistentes con los datos reales de emisiones de carbono de la energía eléctrica. En el sistema de gestión de big data de energía comunitaria de Caochang, el consumo de electricidad de la comunidad se puede calcular en tiempo real. Una vez modificado el modelo de predicción de acuerdo con los datos más recientes, los datos de emisiones de carbono en los próximos 30 días se pueden estimar con gran precisión. Tiene una importancia rectora para la alerta temprana de emisiones de carbono en la comunidad en un plazo de 1 mes.

Previsión de emisiones de carbono y valores reales para enero de 2022.

A medida que se implementa la política de sustitución del carbón por electricidad, las emisiones de carbono de la electricidad aumentan durante un período, lo que se debe principalmente al aumento del consumo de electricidad. Sin embargo, con la estabilización del consumo de electricidad y el control de las emisiones de carbono procedentes del suministro de energía, el efecto de la reducción de las emisiones de carbono será cada vez más significativo.

De acuerdo con los resultados de la predicción de emisiones de carbono de los residentes de la comunidad, se proporcionará el análisis del consumo de energía, el ahorro y la eficiencia energética y una conexión eléctrica conveniente. Si las emisiones de carbono previstas superan un determinado umbral en comparación con el mismo período de años anteriores, el mes anterior y el día anterior, se emitirá una alerta temprana de emisiones de carbono para recordárselo a los residentes35.

Como se muestra en la Fig. 8, se pueden predecir las emisiones de carbono en 1 mes. Si las emisiones de carbono mensuales previstas y los resultados previstos de un día determinado superan el umbral de alerta temprana, se emitirá una advertencia de emisiones de carbono a los residentes de la comunidad y se recordará el uso racional de la electricidad.

Proceso comunitario de alerta de emisiones de carbono.

Las comunidades del norte prefieren calentarse con carbón. Con la implementación de la política de gas a electricidad y carbón a electricidad, las emisiones de carbono de la electricidad comunitaria han aumentado significativamente. Sobre la premisa de la reducción de las emisiones de carbono del suministro de energía de NCPG, la comunidad también logrará la reducción de las emisiones de carbono desde las siguientes perspectivas:

Las nuevas energías como fuente de alimentación tienen mucho margen de mejora. En el proceso de construcción de un nuevo sistema energético, la generación de energía solar, eólica y otras nuevas energías se convertirán gradualmente en la principal fuente de energía. Por ejemplo, la construcción de estacionamientos de microredes inteligentes, la exploración de transformadores tipo caja integrados de carga variable, pila de carga DC V2G y otras aplicaciones técnicas. Todo esto proporcionará una garantía básica para el transporte ecológico regional y facilitará los viajes de los residentes.

Implementar una estrategia de transporte inteligente. Seleccione Xixinglong Street para la reconstrucción de farolas y el diseño de farolas de control inteligente. Instale pantalla de panel fotovoltaico, dispositivo de control inteligente, carga inalámbrica, WIFI, videovigilancia, pantalla de anuncios de información y otras funciones de valor añadido. Lograr la iluminación inteligente de las farolas, el uso propio, el control complementario de la electricidad municipal y promover el paralelo del transporte inteligente y el transporte ecológico. Para resolver el problema de la carga de bicicletas eléctricas para la gente común, se seleccionarán dos cobertizos de carga centralizados en North Lucao Garden y Xixinglong Street para la transformación fotovoltaica. Brinde una experiencia de carga conveniente, segura y ecológica a los residentes de la comunidad y oriente a los residentes para que cambien su modo de viaje.

Fortalecer la promoción de una vida verde y baja en carbono. Mejorar la conciencia de los residentes de la comunidad sobre la protección ambiental baja en carbono desde diversos aspectos, como alimentos, ropa, vivienda y transporte, lo que promoverá la reducción de las emisiones de carbono en la vida.

Este artículo calcula el coeficiente de emisión del sistema eléctrico y construye una curva de ajuste de emisiones de carbono. Sobre la base de los datos del consumo de electricidad de la comunidad y el coeficiente dinámico de emisión de carbono, se construye y entrena un modelo rápido de predicción de emisiones de carbono. Aunque la predicción de las emisiones de carbono ha logrado resultados ideales, la investigación en este artículo no ha tenido en cuenta las políticas nacionales y los factores clave que afectan el cambio de las emisiones de carbono de la energía eléctrica. Todavía hay mucho margen para optimizar los resultados de los conjuntos de pruebas. En el futuro, los factores anteriores se considerarán para futuras investigaciones.

Todos los datos generados o analizados durante este estudio se incluyen en el archivo complementario Code&data.

Yu, YS, Jeong, JW, Chon, MS y Cha, J. Un estudio sobre la predicción de las emisiones de CO2 en conducción real para OBD de vehículos diésel ligeros. Trans. Sociedad Coreana Automático. Ing. 27, 12. https://doi.org/10.2139/ssrn.4088435 (2019).

Artículo de Google Scholar

Yang, HJ y Oconnell, JF Previsión de emisiones de carbono a corto plazo para la industria de la aviación en Shanghai. J. Limpio. Pinchar. 275, 122734. https://doi.org/10.1016/j.jclepro.2020.122734 (2020).

Artículo CAS Google Scholar

Zhang, F. y col. Predicción de los flujos de material de cobre de China según las proyecciones de emisiones de carbono para las vías socioeconómicas compartidas. Recurso. Conservar. Reciclar. 182, 106340. https://doi.org/10.1016/j.resconrec.2022.106340 (2022).

Artículo CAS Google Scholar

Zhao, M. y col. Descomponer los factores que influyen en las emisiones industriales de carbono en Shanghai utilizando el método LMDI. Energía 35(6), 2505–2510. https://doi.org/10.1016/j.energy.02.049 (2010).

Artículo CAS Google Scholar

Wang, S., Wang, YX, Zhou, CX & Wang, XL Proyecciones en varios escenarios y el impacto de la economía, la población y la tecnología para el pico de emisiones regionales y la neutralidad de carbono en China. En t. J. Medio Ambiente. Res. Salud pública 19(19), 12126. https://doi.org/10.3390/ijerph191912126 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Xu, X. & Liao, M. Predicción de las emisiones de carbono en la industria energética de China basada en el modelo de regresión de muestreo de datos mixtos (MIDAS). Atmósfera 13(3), 423. https://doi.org/10.3390/atmos13030423 (2022).

ADS del artículo Google Scholar

Fang, DB, Zhang, XL, Yu, Q., Jin, TC y Tian, L. Un método novedoso para el pronóstico de emisiones de dióxido de carbono basado en una regresión mejorada de procesos gaussianos. J. Limpio. Pinchar. 173, 143-150. https://doi.org/10.1016/j.jclepro.2017.05.102 (2018).

Artículo CAS Google Scholar

Zeng, M. y col. Investigación del método de previsión preintegrado del consumo eléctrico urbano basado en la dinámica de sistemas y un modelo econométrico. J. Aplica. Ciencia. 13, 4732–4737. https://doi.org/10.3923/jas.2013.4732.4737 (2013).

Artículo de Google Scholar

Dyson, B. & Chang, NB Previsión de la generación de residuos sólidos municipales en una región urbana de rápido crecimiento con modelado de dinámica de sistemas. Gestión de residuos. 25, 669–679. https://doi.org/10.1016/j.wasman.2004.10.005 (2005).

Artículo PubMed Google Scholar

Venkatesan, AK, Ahmad, S., Johnson, W. & Batista, JR Modelo dinámico de sistemas para pronosticar la carga de salinidad en el río Colorado debido a la urbanización dentro del Valle de Las Vegas. Ciencia. Medio ambiente total. 409, 2616–2625. https://doi.org/10.1016/j.scitotenv.2011.03.018 (2011).

Artículo ADS CAS PubMed Google Scholar

Acheampong, AO & Boateng, EB Modelado de la intensidad de las emisiones de carbono: aplicación de una red neuronal artificial. J. Limpio. Pinchar. 225, 833–856. https://doi.org/10.1016/j.jclepro.2019.03.352 (2019).

Artículo de Google Scholar

Ahmed, Z., Wang, Z. & Ali, S. Investigación de la relación no lineal entre la urbanización y las emisiones de CO2: un análisis empírico. Calidad del aire. Atmos. Salud 12(8), 945–953. https://doi.org/10.1007/s11869-019-00711-x (2019).

Artículo CAS Google Scholar

Él, Y. et al. Factores que influyen en las emisiones de carbono de la industria eléctrica de China: análisis utilizando la combinación de agrupaciones LMDI y K-medias. Reinar. Evaluación de impacto. Rev.93, 106724. https://doi.org/10.1016/j.eiar.2021.106724 (2021).

Artículo de Google Scholar

Sun, W. & Huang, C. Predicciones de la intensidad de las emisiones de carbono basadas en análisis factorial y una máquina de aprendizaje extremo mejorada desde la perspectiva de la eficiencia de las emisiones de carbono. J. Limpio. Pinchar. 338, 130414. https://doi.org/10.1016/j.jclepro.2022.130414 (2022).

Artículo CAS Google Scholar

McKibbin, WJ, Pearce, D. & Stegman, A. Proyecciones a largo plazo de las emisiones de carbono. En t. J. Pronóstico. 23(4), 637–653. https://doi.org/10.1016/j.ijforecast.2007.10.004 (2007).

Artículo de Google Scholar

Ehrlich, PR & Holdren, JP Impacto del crecimiento poblacional. Science (Nueva York) 171, 3977. https://doi.org/10.1126/science.171.3977.1212 (1971).

Artículo de Google Scholar

Grossman, GM & Krueger, AB Impactos ambientales de un acuerdo de libre comercio de América del Norte. https://doi.org/10.3386/w3914 (1991)

Zhong, MC y Zhang, XG Una revisión crítica de la teoría y la investigación de la curva ambiental de Kuznets. Popular China. Recurso. Reinar. 20(02), 62–67. https://doi.org/10.3969/j.issn.1002-2104.2010.02.011 (2010).

Artículo de Google Scholar

Zhao, AW & Li, D. Proyección gris de las emisiones de carbono en China. Practica. Entiende. Matemáticas. 42(04), 61–69. https://doi.org/10.3969/j.issn.1000-0984.2012.04.009 (2012).

Artículo de Google Scholar

Shen, XY Análisis y predicción de factores que influyen en las emisiones de carbono en China. Estadística. Decide. Mak. 19, 90–92. https://doi.org/10.13546/j.cnki.tjyjc.2010.19.016 (2010).

Artículo de Google Scholar

Yang, KL y Zhang, ZY Análisis del pronóstico de emisiones de carbono y contramedidas para el desarrollo de una economía baja en carbono en la ciudad de Tianjin, basado en un modelo GM(1,1) mejorado. Universidad J. Chongqing. Tecnología. (Nat. Sci.) 28 (02), 111-114. https://doi.org/10.3969/j.issn.1674-8425(z).2014.02.024 (2014).

Artículo CAS Google Scholar

Sun, YQ & Li, Q. Análisis de correlación de Gray y predicción de factores que influyen en las emisiones de carbono en la provincia de Hunan. Universidad J. Changsha. Ciencia. Tecnología. (Soc. Sci. Ed.) 26 (1), 65–69. https://doi.org/10.3969/j.issn.1672-934X.2012.01.011 (2012).

Artículo CAS Google Scholar

Xiong, PP y cols. Previsión de emisiones de carbono utilizando un modelo GM multivariable (1, N) basado en parámetros lineales que varían en el tiempo. J. Intel. Sistema difuso. 41(6), 6137–6148. https://doi.org/10.3233/JIFS-202711 (2021).

Artículo de Google Scholar

Liu, ZK, Jiang, P., Wang, JZ & Zhang, LF Sistema conjunto para pronóstico de emisiones de dióxido de carbono a corto plazo basado en un algoritmo de búsqueda tangente multiobjetivo. J. Medio Ambiente. Gestionar. 302(1), 113951. https://doi.org/10.1016/j.jenvman.2021.113951 (2022).

Artículo CAS Google Scholar

Ren, F. & Long, DH Pronóstico de emisiones de carbono y análisis de escenarios en la provincia de Guangdong basado en una red de aprendizaje rápido optimizada. J. Limpio. Pinchar. 317, 128408. https://doi.org/10.1016/j.jclepro.2021.128408 (2021).

Artículo de Google Scholar

Bakay, MS y Ağbulut, Ü. Previsión de emisiones de gases de efecto invernadero en Turquía basada en la producción de electricidad con aprendizaje profundo, máquina de vectores de soporte y algoritmos de redes neuronales artificiales. J. Limpio. Pinchar. 285, 125324. https://doi.org/10.1016/j.jclepro.2020.125324 (2021).

Artículo CAS Google Scholar

Wang, WJ, Men, CQ & Lu, WZ Modelo de predicción en línea basado en una máquina de vectores de soporte. Neurocomputación 71 (4–6), 550–558. https://doi.org/10.1016/j.neucom.07.020 (2008).

Artículo de Google Scholar

Li, J., Zhang, B. & Shi, J. Combinando un algoritmo genético y una máquina de vectores de soporte para estudiar los factores que influyen en las emisiones de CO2 en Beijing con un análisis de escenarios. Energías 10(10), 1520. https://doi.org/10.3390/en10101520 (2017).

Artículo CAS Google Scholar

Saleh, C., Dzakiyullah, NR y Nugroho, JB Predicción de emisiones de dióxido de carbono utilizando una máquina de vectores de soporte. Conferencia de la PIO. Ser. Madre. Ciencia. Ing. https://doi.org/10.1088/1757-899X/114/1/012148 (2016).

Artículo de Google Scholar

Ang, BW & Su, B. Intensidad de las emisiones de carbono en la producción de electricidad: un análisis global. Política energética 94, 56–63. https://doi.org/10.1016/j.enpol.2016.03.038 (2016).

Artículo 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. Redes de vectores de soporte. Mach. Aprender. 20(3), 273–297. https://doi.org/10.1007/BF00994018 (1995).

Artículo MATEMÁTICAS Google Scholar

Iba, K. Optimización de la potencia reactiva mediante algoritmo genético. En la Conferencia de Aplicaciones Informáticas de la Industria Eléctrica. https://doi.org/10.1109/pica.1993.291017 (IEEE, 1994).

Han, J. & Xirong, Z. El sistema de índices de establecimiento de alertas de emisiones de carbono para nuestro país. En Actas de las Actas de la Conferencia Internacional sobre Informática, Cibernética e Ingeniería Informática de 2011 (ICCE2011), 19 y 20 de noviembre, Melbourne, Australia. https://doi.org/10.1007/978-3-642-25194-8_73 (Springer, 2011).

Descargar referencias

Este trabajo cuenta con el apoyo de la Fundación de Ciencias Naturales de la Provincia de Hubei (Subvención No. 2022CFC033), el Fondo Abierto del Laboratorio Clave de Construcción y Gestión en Ingeniería Hidroeléctrica de Hubei (Universidad China de las Tres Gargantas) (Subvención No. 2020KSD15) y la Fundación Nacional de Ciencias Naturales de China. (52075292).

Estos autores contribuyeron igualmente: Hui Yu, Bowen Liu y Ronghua Meng.

Compañía de suministro de energía del distrito urbano de State Grid Beijing, Beijing, 100032, China

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

Laboratorio clave de construcción y gestión de ingeniería hidroeléctrica de Hubei, Universidad de las Tres Gargantas de China, Yichang, 443002, Hubei, China

Ronghua Meng

Centro de Tecnología de Innovación en Fabricación Inteligente, Universidad China de las Tres Gargantas, Yichang, 443002, Hubei, China

Ronghua Meng

También puedes buscar este autor en PubMed Google Scholar.

HY: Conceptualización, Adquisición de financiación, Administración de proyectos; YY: Curación de datos, Investigación; BL: Curación de datos, Investigación; BL: Análisis formal, Investigación, Metodología, Visualización; YG: Investigación, Metodología; YW: Investigación, Administración de proyectos; ZG: Análisis formal, Visualización; RM: Metodología, Software, Visualización. Todos los autores revisaron el manuscrito.

Correspondencia a Bowen Liu.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Yu, H., Yang, Y., Li, B. et al. Investigación sobre la predicción de las emisiones de carbono de la electricidad comunitaria considerando el coeficiente dinámico de emisión del sistema eléctrico. Representante científico 13, 5568 (2023). https://doi.org/10.1038/s41598-023-31022-y

Descargar cita

Recibido: 07 de noviembre de 2022

Aceptado: 06 de marzo de 2023

Publicado: 05 de abril de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.