基于“能源大腦”的城市區(qū)域碳排放實時計算方法

隨著各國對氣候變化的不斷重視，由二氧化碳、甲烷、氧化亞氮、氫氟碳化合物、全氟碳化合物及六氟化硫組成的溫室氣體的排放計算日益成為研究重點.近年來，中國政府針對全球氣候治理問題做出以實現(xiàn)“雙碳”目標為代表的一系列積極承諾，對我國各地區(qū)進行碳排放責任分攤提出了更高要求，而傳統(tǒng)的碳排放量標準計算方法難以滿足.

目前，依據(jù)核算思路的不同，溫室氣體的核算方法分為基于計算和基于測量兩種.當前國內外學者的研究主要集中于基于計算的方法，指通過活動水平數(shù)據(jù)和相關參數(shù)之間的計算得到溫室氣體排放量的方法，根據(jù)計算方法的不同細分為排放因子法和物料平衡法.

排放因子法方面的研究聚焦于對特定區(qū)域特定行業(yè)碳排放因子的精確計算方法，并推廣至其他區(qū)域的特定行業(yè).文獻[4]基于中國的能源消費數(shù)據(jù)和水泥生產數(shù)據(jù)，對中國煤炭行業(yè)和水泥生產行業(yè)的碳排放因子重新進行估算.物料平衡法是基于物料守恒的原理，通過對含碳物質在生產、貿易、運輸?shù)冗^程中的轉化，對碳排放量進行計算.文獻[5]基于國內生產的能源生產、貿易、國際燃料和庫存變化的燃料的質量平衡，采用明顯能耗法，對中國2000—2012年的各省碳排放數(shù)據(jù)進行重新計算.國外對物料平衡法的研究主要在于基于觀測數(shù)據(jù)的區(qū)域溫室氣體排放估算.文獻[6]利用飛機飛行測量區(qū)域中平均風場不同高度的二氧化碳和甲烷體積濃度，對以美國印第安納波利斯為代表的平原城市區(qū)域進行碳排放量反演計算.文獻[7]基于飛機飛行測量數(shù)據(jù)，通過克里格算法構建曲面模型，對以波蘭上西里西亞煤田為代表的盆地地區(qū)進行碳排放量精確反演計算.文獻[8]通過氣象衛(wèi)星進行實時監(jiān)測，估算中國2019—2020年第一季度的碳排放量，分析了新冠疫情對中國碳排放的影響.

此外，隨著碳排放量計算數(shù)據(jù)精度的逐漸提高，對于碳排放過程中的責任測算與分攤的相關研究逐漸增多.文獻[9-10]基于復雜網(wǎng)絡視角，分別以行政區(qū)域和產業(yè)部門為節(jié)點來分析中國隱含碳排放流動.文獻[11]對基于投入產出模型對跨區(qū)域汽車尾氣排放進行了區(qū)域碳排放責任分攤.文獻[12]提出一種新的碳排放流分析模型，量化了包括電網(wǎng)、燃氣網(wǎng)和供熱網(wǎng)等在內的復雜能源系統(tǒng)中與能量傳遞和轉換過程相關的碳排放，分析了不同能源系統(tǒng)之間轉化過程中的碳排放流.文獻[13]基于碳排放流模型對電力系統(tǒng)運行過程中的碳排放進行責任分攤，打破了人們對碳排放歸咎于發(fā)電方的固有印象.文獻[14]采用碳排放流模型對中國電力系統(tǒng)生命周期中的碳排放責任進行區(qū)域責任分攤.文獻[15]采用-means聚類算法對中國30個地區(qū)按照影響碳排放強度的相關因素進行重新分類，為差異化區(qū)域減排政策的指定提供了參考.

說起這件事，我對不起媽。我叫李玉英，是中國石油廣西銷售桂林七星加油站站長。我沒時間找對象，忙工作、忙加班，忙著跟生活無關的一切，三十多了至今還是單身。我沒在意自己的年齡，媽也從沒催過我。她不覺得自己的女兒嫁不出去。我跟她打電話，每次講的都是工作，當上核算員了，當上前庭主管了，當上站經理了。她從來都說你好好干，還讓我報大專，說眼下在油站不比在家賣柴火，跟不上就要丟飯碗。媽雖然沒文化，但眼光看得遠，一心指望我過好。

年輕教師要因勢利導引導每個隊員樹立正確的人生觀、價值觀；明辨是非，堅持正義，傳播正能量，自覺抵制歪風邪氣；刻苦訓練，保質保量完成任務，樹立責任感。積極進取，通過吃苦耐勞的意志品質和良好的訓練作風，不僅要在訓練中取得優(yōu)異成績，也要在比賽中和考試中取得優(yōu)異成績，建樹實力、形象、榮譽，更要戒驕戒躁，謙虛謹慎，珍惜自己的個人榮譽。

1 區(qū)域碳排放量計算的挑戰(zhàn)與新環(huán)境

1.1 區(qū)域碳排放量計算方法遇到的挑戰(zhàn)

式中：()為樣本到同簇其他樣本的平均距離；()為到其他簇包含的所有樣本的平均距離的最小值()又稱為樣本的簇內不相似度，其值能代表聚類結果簇內的凝聚度；()又稱為樣本的簇間相似度，其值能代表聚類結果的簇間分離度因此，當聚類結果類內相似性越大且類間相似性越小時，值越大，聚類結果越好從而選取使得值最大的值作為最佳聚類個數(shù).

3)不同的微物理和積云參數(shù)化方案的組合可能會影響模式對云微觀結構的預報情況,進而會影響降水。本次實驗中Morr-KF方案預報的云水、雨水質量比相對于其他幾種方案偏弱,對應區(qū)域的降水強度也偏弱。選取較優(yōu)方案開展集成試驗發(fā)現(xiàn),集成之后的RMSE降低了,ACC提高了,TS評分雖然不是最優(yōu),但也排名靠前。由此發(fā)現(xiàn)多方案集成可改進預報結果,降低模式預報的不確定性,使預報結果更加精確。

1.2 基于能源消費數(shù)據(jù)總量的碳排放因子法

碳排放因子法是最常見的碳排放量計算的簡單方法，其將人類活動發(fā)生程度的信息，即活動數(shù)據(jù)(Activity Data, AD)與被稱為碳排放因子(Carbon Emission Factors, CEF)用以量化每單位活動的碳排放量或清除量的系數(shù)相結合，一般按照行政區(qū)域或IPCC溫室氣體排放主要部門進行分類統(tǒng)計.因此，對于單個活動數(shù)據(jù)的碳排放因子法的基本計算公式為

CE, =AD, CEF,

(1)

式中：CE, 為統(tǒng)計對象包含的第個活動的碳排放量(Carbon Emission, CE)；AD, 為第個活動對應的活動數(shù)據(jù)；CEF, 為第個活動的碳排放因子.

可見病死豬各部位發(fā)生不同程度的水腫，以胃壁大彎部水腫最為嚴重。切開胃壁可見切面增厚呈現(xiàn)膠凍狀，流出清亮或茶色液體，有的結腸系膜呈膠凍樣水腫、充血和出血，心包和胸腔、腹腔有較多積液，在空氣中暴露立即凝成膠凍狀。

對于統(tǒng)計對象的碳排放總量為

=∑CE,

(2)

碳排放因子法的計算公式簡潔且具有可延展性，活動數(shù)據(jù)來源可信而碳排放因子存在地區(qū)差異.因此，研究人員常將碳排放因子發(fā)與各國國家統(tǒng)計部門編制的“能源平衡表”“分行業(yè)能源消費總量”和“分行業(yè)終端消費量”相結合，進行碳排放量計算和碳排放責任分攤研究.

1.3 “能源大腦”帶來的中國碳排放計算新環(huán)境

式中：為聚類城市區(qū)域在統(tǒng)計時間段內的碳排放總量；CEPE, 為能源用戶X所屬類別的單位電力碳排放量；為能源用戶的在統(tǒng)計時間段內的耗電量.

2 基于改進K-means算法的城市區(qū)域碳排放量實時計算方法

2.1 K-means算法

-means算法是用于劃分樣本類別的聚類算法，通常采用歐氏距離作為2個樣本相似程度的評價指標.傳統(tǒng)的-means算法步驟如下.

2.比較分析法：通過實驗班（混合式教學班）與對照班（傳統(tǒng)授課班）學習成績的比較，對上圖所提出的教學流程進行驗證。實驗時間為1學期零14周，每周4學時分兩次上。使用教材為財政部會計資格評價中心編寫的《經濟法基礎》，選擇其中稅法部分內容進行教學。教師編寫了實訓教程并利用中華會計網(wǎng)校的教學資源等資料，同時使用智慧職教云課堂做為教學平臺。

2.5 生命質量評分 經過臨床藥師1年的藥學服務的干預后，問卷評估患兒的生命質量也得到明顯的提高，(P＜0.01)，見表 4。

選取樣本總分類數(shù)為，隨機選取數(shù)據(jù)集={,, …,}, 其中=(1,2, …,)中的個樣本作為初始聚類中心集={1,,2,, …,,}，其中,=(1,,2,, …,,)，迭代次數(shù)=0，表示第個樣本，表示第次迭代，為數(shù)據(jù)總量，為總樣本數(shù)

依次對數(shù)據(jù)集中各樣本與聚類中心的歐氏距離進行計算，樣本與聚類中心, 的歐氏距離為

(3)

式中：表示第個數(shù)據(jù).依據(jù)數(shù)據(jù)集中的樣本分別得到個聚類中心的歐氏距離，將其歸到與其歐氏距離最小的聚類中心所屬的類中.

分別對各分類下樣本平均值,進行計算，則新的聚類中心集為+1={1,,2,, …,,}

重復步驟2和3，直至平方誤差準則函數(shù)穩(wěn)定在最小值：

(4)

式中：SSE, +1為算法第+1次迭代的平方準則誤差；, +1為算法第+1次迭代時第個簇；, 為算法第+1次迭代時第個簇的樣本平均值.

本文分析碳排放因子法的計算原理，優(yōu)化傳統(tǒng)的省級區(qū)域碳排放計算方法，提出一種城市區(qū)域碳排放計算方法，采用-means聚類算法，基于不同部門用戶的用電曲線差異，對城市區(qū)域中不同能源負荷進行重新分類.基于不同部門碳排放量與能源數(shù)據(jù)存在關聯(lián)，分析其碳排放量特征，計算用戶單位電力碳排放量和城市區(qū)域碳排放量.仿真分析不同時間下不同用戶單位電力碳排放量變化趨勢，驗證了計算方法的正確性和有效性，為實時估算城市區(qū)域碳排放量提供參考，對區(qū)域碳排放責任分攤細化具有重要意義和參考價值.

2.2 基于雙層改進K-means算法進行城市區(qū)域碳排放數(shù)據(jù)分析

-means算法簡單，收斂速度快，拓展性好且效率高，但確定聚類個數(shù)困難，選取初始聚類中心不準確導致聚類結果容易陷入局部最優(yōu)解而非全局最優(yōu)解中.因此，針對該缺陷，本文結合能源大數(shù)據(jù)實際情況，以提高算法執(zhí)行效率、縮短計算時間為目標，以“能源大腦”中能源用戶能實時更新的能源數(shù)據(jù)為例，提出單位電力碳排放量概念和基于雙層改進-means算法的碳排放實時計算方法，實現(xiàn)城市區(qū)域碳排放量實時計算.

比較除第次迭代時已選取的個初始聚類中心外，各樣本對應的, 大小，選取最大值對應的樣本作為第+1個初始聚類中心.

隨機選取第一個初始聚類中心.

計算第次迭代時樣本至所有個初始聚類中心的最大距離：

, =max{(,),(,), …,

(,, 0)}

(5)

以中國華東某地區(qū)“能源大腦”的某城市某工業(yè)園區(qū)2020年6月至2021年6月全部用戶的部分能源數(shù)據(jù)為例，選取區(qū)域內2020年6月至2021年5月695家能源用戶的持續(xù)能源數(shù)據(jù)為樣本，選取同一區(qū)域2021年6月1日至10日的765家能源用戶能源數(shù)據(jù)為測試集進行校驗，以此建立該區(qū)域的城市區(qū)域碳排放量實時計算模型.

..means初始聚類中心的選取 數(shù)據(jù)對象之間的歐氏距離越大，其相似性越小.為了使得初始聚類盡可能分散，以便有效減少迭代次數(shù)，加快運算速度，本文采用以下初始聚類中心選取步驟.

重復步驟2和3，直至選出所有個初始聚類中心.

..聚類中心個數(shù)的選取 類別內對象的分散程度越小，類別間的距離越大，聚類效果越好.假設選定聚類中心個數(shù)為，按上述初始聚類中心選取步驟進行初始聚類中心選取，并進行聚類，計算聚類結果的輪廓系數(shù)().聚類結果輪廓系數(shù)與樣本的輪廓()計算公式如下：

規(guī)劃水資源論證工作早期介入源頭控制并與規(guī)劃編制工作同步進行是保障論證工作科學性和有效性的重要手段。水資源論證準備工作應和規(guī)劃準備工作同時啟動，并在規(guī)劃編制過程實現(xiàn)與規(guī)劃目標的動態(tài)反饋。

(6)

(7)

區(qū)域溫室氣體排放量計算是指對包括在該區(qū)域管轄的陸地和水域發(fā)生的溫室氣體人為排放和清除進行計算.在人為活動排放和清除的溫室氣體中，碳或二氧化碳作為最主要的成分，其排放量的準確計算方法是溫室氣體排放量計算相關研究中的關鍵.而對于碳排放量的計算方法，至今仍沒有形成統(tǒng)一標準.國際碳排放核算體系主要包括宏觀層面由總到分和微觀層面由分到總的核算.宏觀層面核算是自上而下層層分解進行核算，而微觀層面是自下而上層層歸類進行核算.作為聯(lián)合國下屬的跨政府組織之一的政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change, IPCC)提出了以排放因子法、物料平衡法等幾種公認的區(qū)域溫室氣體排放量計算方法，并為了促使各國各地區(qū)溫室氣體排放量的核算結果盡可能不重復、不遺漏，對如公路運輸使用燃料等特殊問題進行了明確規(guī)定.但由于各區(qū)域各終端能源的碳排放因子差異較大，終端能源消費數(shù)據(jù)僅以省級行政區(qū)域為最小區(qū)域進行統(tǒng)計，且統(tǒng)計間隔以年為單位.隨著碳排放責任分攤區(qū)域要求進一步細化和碳交易市場中短期交易的迫切需求，如何對城市區(qū)域進行實時碳排放量計算，成為了區(qū)域碳排放量計算中的新挑戰(zhàn).

..典型日選取方法 能源用戶聚類受選取樣本中日電力負荷曲線影響較大，通過經驗或隨機選取數(shù)個典型日作為樣本數(shù)據(jù)來源并不能滿足對能源用戶的準確聚類，從而無法實現(xiàn)碳排放計算的實時和準確性.

pH值也是影響分散性大小的主要參數(shù)之一。試驗表明土壤pH值與分散性呈現(xiàn)明顯的正相關線性關系，即pH值越高，土粒表面越容易形成擴散雙電層，促使顆粒趨于分散。

基于前兩節(jié)中的聚類方法，對“能源大腦”中的能源大數(shù)據(jù)以日數(shù)據(jù)集為單位進行初步聚類，依據(jù)聚類結果，分別從各簇中選取距離聚類中心最近的日數(shù)據(jù)集構成典型日樣本數(shù)據(jù)集，對選取的所有典型日樣本中的各能源用戶進行聚類，如圖1所示.聚類個數(shù)、中心發(fā)生變化主要是由日數(shù)據(jù)集中的能源用戶行業(yè)類別個數(shù)發(fā)生變化或某行業(yè)整體發(fā)生季節(jié)性波動所致，因此依據(jù)初始典型日中能源用戶的聚類個數(shù)和聚類中心，對所有的日數(shù)據(jù)集樣本重新進行聚類，精確確定各簇包含的日數(shù)據(jù)集對應的日期界限，并重新確定各簇中距離聚類中心最近的日數(shù)據(jù)集作為典型日，重新對選取的所有典型日樣本對各能源用戶進行聚類.

..基于單位電力碳排放量和實時能源數(shù)據(jù)的城市區(qū)域碳排放量實時計算方法 傳統(tǒng)的國家或地區(qū)的能源清單編制方法是將區(qū)域溫室氣體排放量和清除量分為能源、工業(yè)過程和產品使用、農業(yè)、林業(yè)和其他土地利用、廢棄物和其他5大部門及其下屬各類別和亞類分別統(tǒng)計.但在實時計算時，鑒于各行業(yè)難以提供精確至日或小時為單位的溫室氣體排放和清除數(shù)據(jù)，同時為了落實碳排責任分攤，選取與各行業(yè)生產中碳排量/清除量相關的各行業(yè)終端能源消費數(shù)據(jù)作為替代數(shù)據(jù).采用各行業(yè)的終端能源消費數(shù)據(jù)的排放因子法對單個城市區(qū)域能源用戶碳排放總量為

要想開展這個實驗，天文學家需要知道這顆恒星的精確軌道，這就要求他們用地球上最強大的望遠鏡一連對其觀測上20年?！?0年的觀測數(shù)據(jù)，只為得到這張討論桌旁的一個座位?！?995年加入此項研究的吉茲博士如是說。

=

∑(++++…)

(8)

式中：為城市區(qū)域能源用戶消費一次電力產生的碳排放量；為城市區(qū)域能源用戶消費天然氣產生的碳排放量；為城市區(qū)域能源用戶消費石油產生的碳排放量；為城市區(qū)域能源用戶消費煤炭產生的碳排放量.

在“能源大腦”的各種能源大數(shù)據(jù)之中，電力大數(shù)據(jù)具有獲取便捷、統(tǒng)計精準、時間顆粒度可縮短至15 min、時間延遲低等特點，且聚類后的各類能源用戶消費的電力與碳排放總量存在一定關聯(lián).從實時計算的便捷性出發(fā)，規(guī)定各分類中樣本能源用戶總碳排放量與總耗電量為單位電力碳排放量(Carbon Emissions Per Unit of Electricity，CEPE).依據(jù)聚類結果，城市區(qū)域碳排放量實時計算公式如下：

=∑(CEPE, )

(9)

“能源大腦”是指能源工業(yè)互聯(lián)網(wǎng)平臺，是基于“新基建”建設背景而產生的能源互聯(lián)網(wǎng)平臺，對能源大數(shù)據(jù)進行采集、匯聚和初步分析，具有能源監(jiān)控、分析、管理、交易、服務、應用等功能.因此，與過往基于中國國家統(tǒng)計局每年編制的《中國能源統(tǒng)計年鑒》以省級行政區(qū)為主進行碳排放計算的研究相比，其對碳排放量的區(qū)域范圍可以進一步縮減到城市區(qū)域，以能源消費數(shù)據(jù)為主要構成的活動數(shù)據(jù)獲取頻率可以從年和季度上升至月和日，對中國的碳排放計算提供了新環(huán)境.但由于不同能源系統(tǒng)的數(shù)據(jù)采集和匯聚的頻率存在差異，部分能源的數(shù)據(jù)不能實時匯總，原有的基于能源消費數(shù)據(jù)總量的碳排放因子法不能滿足區(qū)域碳排放量的實時計算，因此需要提出一種新的碳排放量計算方法來對城市區(qū)域碳排放量進行實時計算.

3 算例仿真分析

其中，規(guī)定在第次迭代中，當<≤時，存在(,,0)=0

3.1 雙層改進K-means聚類算法

按照前述雙層-means聚類方法，為減少計算量，采用單次迭代的方法，將所有日能源數(shù)據(jù)集聚類為3個.從上述數(shù)據(jù)集中分別選取距離聚類中心最近的1個日能源數(shù)據(jù)集為典型日，形成典型日樣本數(shù)據(jù)集，如表1所示.時間點1、時間點2、時間點3等分別代表該典型日第一個、第二個、第三個等電力負荷數(shù)據(jù)采集時間點至前一個電力負荷數(shù)據(jù)采集時間點之間的能源用戶消費電量.

3.3 假設檢驗 由于樣本是隨機的且是獨立同分布的，因此線性回歸的方法可以來檢驗農業(yè)品牌真實性與網(wǎng)絡口碑及顧客價值共創(chuàng)意愿等變量之間的關系。

基于各能源用戶的典型日日負荷曲線與月能源總消耗量，對能源用戶進行聚類，計算不同給定簇數(shù)()時聚類結果的輪廓系數(shù)，如圖2所示.

例如，在《小英雄雨來》一課教學中，課外詳細描述了抗日戰(zhàn)爭中我國人民的智慧以及勇敢精神，是培養(yǎng)學生逐漸形成堅定不移、寧死不屈精神的重要途徑，通過教材內容深入挖掘對于高效落實愛國主義思想教育具有重要意義[2]。因此，結合教學內容以及小學生的理解能力等特點，小學語文教師在實際展開這一課教學時，可以帶領班級學生參觀當?shù)夭┪镳^以及紀念館等，促使學生從多個角度出發(fā)深刻感受家鄉(xiāng)的優(yōu)秀傳統(tǒng)文化，在傳統(tǒng)傳統(tǒng)文化以及中華民族精神的過程中，實現(xiàn)對小學生傳統(tǒng)文化素養(yǎng)以及綜合素質的全面培養(yǎng)。

當>4時，始終只有前4簇內含有樣本.因此圖2中，當=2時，輪廓系數(shù)最大.此時，對該城市區(qū)域能源用戶進行-means聚類，結果如圖3所示.其中，為有功功率，’為時間.

3.2 單位電力碳排放量與區(qū)域實時碳排放計算

基于聚類后各簇中所含的樣本數(shù)據(jù)，計算各簇聚類中心對應的各簇單位電力碳排放量：當=1時，單位電力碳排放量為 7.935 568 849×10t/(kW·h)；當=2時，單位電力碳排放量為 8.636 322 549×10t/(kW·h).

基于2020年6月至2021年5月695家能源用戶提供的樣本數(shù)據(jù)計算出的各簇對應單位電力碳排放量，選取距離日聚類中心最近的2021年6月某日數(shù)據(jù)為測試集，對同區(qū)域隨機22家能源用戶進行簡單聚類.依據(jù)聚類結果，將能源用戶實時用電量與該能源用戶所屬簇對應的單位電力碳排放量相結合，實時計算該區(qū)域所有能源用戶的整體碳排放量：碳排放量預測值為 19 190.368 65 t，碳排放量實際值為 17 807.749 67 t，準確率為92.24%.

經對比，本模型對該區(qū)域的碳排放量準確率為92.24%，因此所提出的基于能源大腦的城市區(qū)域實時碳排放計算方法較為簡便，且有較好的準確度.

4 結論

提出一種考慮區(qū)域能源用戶用能特性與日負荷曲線的雙層改進-means聚類算法，基于“能源大腦”中的能源大數(shù)據(jù)對城市區(qū)域能源用戶進行實時碳排放總量計算，并在算例分析中校驗所提方法的準確率，驗證了所提模型的有效性，同時得到如下結論：

(1) 相比于其他聚類劃分方法，所提雙層改進-means聚類算法部分考慮了能源大數(shù)據(jù)中典型日數(shù)據(jù)選取特征性和初始聚類中心的優(yōu)化問題，不用進行重復迭代，且能有效避免產生局部最優(yōu)解.

由于熟料在溶出過程中未發(fā)生化學反應或生成固體產物層，且單因素試驗表明，鐵溶出率受攪拌強度影響較明顯，因此推測溶出過程受不生成任何固體膜的外擴散控制。將上述試驗數(shù)據(jù)采用外擴散控制動力學方程1-(1-x)2/3=kt進行處理，可得到圖7結果。由圖7可知，1-(1-x)2/3與溶出時間t在各溫度均成良好的線性關系，說明焙燒熟料的鐵溶出過程受外擴散控制。

(2) 相比于常見的碳排放因子法，所提算法在碳排放量計算中引入了單位電力碳排放量概念，可以通過歷史數(shù)據(jù)，減少對實時獲取較為困難的部分能源數(shù)據(jù)的依賴，對區(qū)域內能源用戶進行一次性聚類，極大地簡化了碳排放量實時計算的難度，為區(qū)域政府提供較為精確的每日碳排總量曲線，可以和準確的月度、年度碳排總量結合，環(huán)比評估減碳工作實時進展；可以探尋同簇中更可能有意愿且能耗降低下降空間更為廣闊的能源用戶，并為其主動提供數(shù)據(jù)服務，促進實現(xiàn)雙碳目標.

此外，所提算法在樣本數(shù)據(jù)涵蓋較多天數(shù)的算例中需要較長的模型求解時間，后續(xù)將從提高模型的求解效率方面進行深入研究.