排放模型范文
排放模型范文（精选9篇）
排放模型 第1篇
为测算和评价移动源污染排放,美国环保局先后开发了MOBILE[1]模型和NONROAD[2]模型,但MOBILE仅针对宏观道路源,而NONROAD仅用于非道路源的排放计算,即它们都集中于单一排放源的排放测算,并且无法同时满足在宏观、中观和微观不同层次上的移动源排放的综合分析,尤其不能满足对交通项目的排放影响的测算和评价。为此,美国环保局从2001年开始研发新一代的综合移动源排放模型-MOVES(motor vehicle emission simulator)模型。
在2005年1月,MOVES2004发布,本版本只包括能源消耗和温室气体计算功能;2007年5月,MOVES Demo版本颁布,此时已经有了MOVES的基本框架但仍没有主要污染物(critical pollutants)的排放率;2009年4月,MOVES2009试用版颁布,此版本增加了污染物的排放率。2009年12月,美国环保局发布了MOVES2010正式版。在2 a的过渡期后,MOVES2010将取代MOBILE6成为美国(除加州外)的排放测算法规模型。
MOVES模型包含了宏观、中观和微观3种情况,在方法上代表了排放模型研究的最新进展和发展方向。另外,美国环保局曾做过大量的测试研究,用MOVES模型和MOBILE模型进行测试对比,结果表明MOVES比MOBILE在准确性上具有优势。此外,由于该模型采用的是开放性的数据库管理系统,因此该模型对不同地区也有较强的适应性。目前我国还没有自己的移动源排放测试法规模型,在现有研究和应用中大多采用MOBILE模型计算。因此,对刚发布的MOVES模型进行系统阐述,无论是对其近期在我国的本地化应用,还是我国自身的排放模型开发,都具有非常重要的意义。
1 MOVES系统组成
MOVES由Java语言和MySQL关系数据库联合开发[3]。Java是一种现代广泛应用的面向对象的程序语言,它为MOVES的运行提供了高度的独立性平台;MySQL是基于结构化(SQL)查询语言的数据库管理系统,MOVES在数据输入、输出和计算过程中的数据存储都存放在MySQL数据库里面。
单独一台计算机可独立运行MOVES,如果计算量比较大时,MOVES的“MasterWorker”程序结构也可以使多台计算机并行运行。在这个框架基础上更进一步分析,MOVES系统主要有8个组成部分:①MOVES用户界面和主程序:这是一个Java程序编写的用以控制模型的整个运行;②MOVESWorker程序:一个Java编写的用来帮助模型运行的程序;③默认输入数据库:存储有MOVES自带的相关数据;④SharedWork:这是一个可以访问MOVES主程序和子程序副本的文件夹;⑤可选用户输入数据库:根据用户需要用户可以输入相关的数据;⑥MOVESExecution数据库:这是主程序创建的用于存储临时数据的数据库;⑦MOVES输出数据库:用于存放MOVES的运行结果的数据库;⑧MOVESWorker数据库:用于存储MOVES子程序数据。
MOVES模型具有良好的人机交互界面,其由操作控制板选项、标题栏和详细参数输入区组成。在最新版本MOVES2010中,操作控制板上共有11个控制选项[4]:运行描述(description)、规模(scale)、时间跨度(time spans)、地理区域(geographic bounds)、车辆类型(vehicles/equipment)、道路类型(road type)、排放污染物和过程(pollutants and processes)、数据输入管理集(manage input data sets)、策略(strategies)、数据输出(output)和高级特性(advanced performance features)。在这些控制选项中,可以按照从上往下的顺序逐一选择输入需要预测的条件,比如需要预测的规模范围(宏观、中观或微观)、时间跨度(年、月、日、小时和分钟)、地理区域(国家、县/自定义区域、路段)、车辆类型(摩托车、小型客车、重型客车、轻型商业卡车、长途汽车、运输巴士、校车、垃圾车、单组短途卡车、单组长途卡车、房车、组合短途卡车和组合长途卡车)、道路类型(包括城市封闭道路、城市非封闭道路、乡村封闭道路、乡村非封闭道路、非路网路段等)、污染物种类(THC、NOx、CO2、PM和有毒气体等)和排放过程(运行排放、启动排放、刹车排放、蒸发排放、轮胎磨损颗粒和额外怠速排放等共14种排放过程),以及是否选用AVFT(替代燃料技术)和车辆改造技术,选择输出结果的类型和一些不确定性因素的影响参数等。
2 MOVES的基本计算原理和模型结构
2.1 MOVES的基本计算原理
给定预测时间、地点、车辆类型和排放过程后,污染物排放可以按照以下4步[5]进行计算:
1) 计算车辆所有行驶特征信息,即基于不同排放过程的行驶特征信息如排放源运行时间(SHO),机动车启动数量,排放源停车时间(SHP)和排放源时间(SH)等。
2) 把所有的车辆运行信息分布到排放源和运行工况区间上,每个区间对应不同的排放过程是惟一的。
3) 计算排放速率,排放速率在给定排放过程、排放源区间和运行工况区间的基础上表征排放源的排放特征,但同时排放速率也会受到额外因素的影响,比如燃油和温度。
4) 把分布在排放源和运行工况区间(来自第二步)上的所有排放相加。
用数学表达式如下:
式中:TE为总排放量;process为排放过程;source type为排放源类型;bin为排放源和工况区间;ER为排放速率;Ac为行驶特征;Aj为调整因子。
2.2 MOVES模型主体结构
MOVES基本模型的主体结构如图1所示。
MOVES的核心模型主要由4部分[6]组成:总体行驶特征生成块(TAG),运行工况分布生成块(OMDG),排放源bin分布生成块(SBDG)和排放计算(emission calculator)块,这4部分构成了MOVES模型的核心内容。下面就对这4个主要部分分别进行简单介绍:
2.2.1 总体行驶特征生成块(total activity generator,TAG)
MOVES中的基础行驶特征数据主要是基于1999年的机动车保有量和机动车行驶里程(VMT)。MOVES中总体行驶特征生成块(TAG)的功能就是根据从全国观察和预测得到的不同排放源的数据。首先,利用增长率把机动车保有量和机动车行驶里程(VMT)从基准年增加到目标分析年;然后,把这些数据分配到对应的道路类型,机动车种类,机动车车龄和时间跨度范围上。总体行驶特征生成块(TAG)还起到一个转换数据的功能,因为在MOVES中除了机动车启动外,所有的行驶特征都要基于特定的时间基础参与排放的计算。例如,MOVES模型定义了排放源运行时间(SHO)作为基础的行驶特征表征形式来计算机动车的蒸发、运行排放,完全不同于MOBILE直接用机动车行驶里程(VMT)来预测运行过程的排放。
2.2.2 排放源bin分布生成块(source bin distribution generator,SBDG)
MOVES把机动车分成不同的排放源bins。排放源bin代表的是几个组成部分的惟一组合,
这几个重要组成部分是机动车种类、年份、机动车载重、发动机技术和燃油类型等。本模块计算出排放源bin部分然后接着就可以用来计算加权排放率。为了保证模型的灵活性,排放源bin的定义将依赖排放过程和排放污染物的不同而有差别。如表1是在计算温室气体(GHG)时定义的排放源bins分布表。
注:一个排放源bin等于表中所有字段的惟一组合;“Null”是指没有明确参数但可与其他项形成组合;发动机排量:适用于小型客车;客运卡车和轻型商业车,其他车型为Null。
2.2.3 工况分布生成块(operating mode distribution generator,OMDG)
OMDG把机动车行驶工况(启动、运行、怠速等)分成与机动车比功率(VSP)和速度相关联的不同bin(见表2),并且基于预先定义好的行驶周期计算工况的分布。MOVES在排放速率与VSP之间建立了直接的关系。大量研究证明,车辆VSP比速度、加速度能够更准确地反映车辆工况与污染物排放量之间的关系[7]。此外,用户还可以输入本地特定的行驶工况分布,使得排放的计算更符合本地的排放特点。OMDG的功能就是为每一个bin计算出对应的工况比例,而这将作为计算基础排放率的其中一个输入数据。
注:其中刹车状态的bin为0,怠速状态的bin为1。
2.2.4 排放计算(emission calculator)
排放计算部分是MOVES模型中核心部分。MOVES排放计算的特点是把基于模态的排放率和相关的机动车行驶特征联系了起来。在MOVES中,对于每一个排放过程中的基础排放率对应的排放源bin(source bin)和运行工况是均不相同的,并且一些调整因子诸如检查与维护(I/M)制度,燃油供应,温度和相对湿度等要对其进行调整。基于上述调整过的排放速率,再利用排放源bin分布生成块(SBDG)和运行工况分布生成块(OMDG)2部分分别生成的排放源bin部分和运行工况部分计算出加权排放率。最后,加权排放率以“g/s”或“g/启动数”的形式又与总体行驶特征生成块TAG生成的行驶特征排放源运行时间(SHO)或车辆启动数量数据结合起来。经过最后的计算,MOVES模型就会按照区域,时间跨度,车辆类别,模拟年份和燃油类型计算出排放总量。
3 MOVES模型与MOBILE模型的对比
3.1 MOVES模型与MOBILE模型特点的对比
MOVES模型和MOBILE模型都是美国环保局(EPA)开发出来的机动车排放模型,而MOVES作为新一代综合排放模型与MOBILE相比有着明显的特点,预测的结果也有所差异,表3是MOVES和MOBILE模型部分特点的对比情况:
3.2MOVES模型与MOBILE模型的默认测算结果对比
为了对比这2种模型的预测效果,美国环保局(EPA)利用盐湖城,库克县(芝加哥)和富尔顿县(亚特兰大州)3个不同城市的本地数据分别进行了预测计算分析,这些主要数据包括车队车龄分布,轻型车和重型车的VMT比例,本地燃油特点,气象信息等等,分别对这3个城市在2008、2015和2020年就NOx、HC和PM做出了排放预测,现在主要挑选出其中一个代表城市盐湖城进行分析。预测结果如图2所示(其中LD为轻型车,HD为重型车):
结果分析:在不同模拟年中,预测城市中的污染物排放量是一样的,但是2种模型预测的结果却有一定的差异。对于NOx的排放预测,MOBILE6预测的轻型车和重型车的排放比MOVES预测的低,低估了轻型车和重型车在实际路网中的排放;对于HC的排放预测,MOBILE6预测轻型车的排放比MOVES的偏高,至于重型车比MOVES略微偏低;对于PM的排放预测,因为MOVES把速度考虑了进去,所以无论轻型车还是重型车MOVES预测的都比MOBILE的偏高;MOVES与MOBILE的预测结果之所以产生差异,首先是因为MOVES对基础排放率的数据库
进行了更新,并且所采用的排放计算方法也不同于MOBEILE。此外由于对机动车采用了新的发动机技术和新的燃油标准等,这3种污染物在2种预测结果的总体形式下均呈下降趋势。
4 应用前景
我国暂时还没有自己的一套比较成熟的机动车尾气排放量化模型,MOVES模型的颁布对我国机动车尾气量化计算以及开发自己的排放模型有着重要的指导意义。随着机动车保有量的不断增加,机动车排放出来的尾气越来越多,造成的影响也越来越大,特别是在北京,机动车保有量已经突破了440万辆,由于机动车尾气排放造成的污染已经相当严重。因此,如何量化计算机动车尾气的排放就显得至关重要。
在国内,随着政府对机动车尾气排放越来越重视,于是就对于开发我国自己的机动车尾气排放量化模型越发显得重要。但目前而言,在国内由于各个地方对机动车尾气排放数据的收集参差不齐,并且没有一个统一的收集标准,这就对MOVES模型在本地化应用遇到了难题。因此,使用统一的测试方法,有计划地开展车辆排放测试,收集机动车尾气排放数据,这是应用MOVES模型计算机动车尾气排放的基础。
虽然MOVES模型代表了机动车尾气排放模型的发展方向,并且暂时可以利用其对我国机动车尾气排放进行计算,但是MOVES毕竟是主要针对美国开发的机动车尾气量化模型。由于我国跟美国存在着像车型分类、道路工况、燃油品质和检测与维护(I/M)制度等差异,在计算过程中难免会导致机动车尾气排放量化与实际值产生偏颇,这就需要根据我国的国情和借鉴MOVES的算法,开发我们自己的机动车尾气排放量化模型。MOVES模型方法有一定的前沿性,不像IVE模型那样只引入VSP,也不像MOBILE那样只引入平均速度,而是它引入了VSP和速度共同交叉划分区间,这样可以更能全面真实的模拟实际道路运行工况。此外,不同与以往机动车尾气排放模型在计算层次上的单一性,MOVES尾气排放模型综合了宏观、中观和微观于一体,使得机动车尾气排放计算更加灵活。在数据收集、算法和运行层次上都对我国开发自己的尾气模型有着重要的借鉴意义。
5 结束语
针对美国环保署开发出的新一代综合移动源排放模型MOVES,本文从模型的使用、计算原理及其主体结构上进行了阐述,并与目前广泛使用的排放模型MOBILE6进行了对比。MOVES中基于机动车比功率、行驶工况分布等新概念的模型开发方法与传统模型有很大不同,结合灵活的数据管理模式和集计方法,MOVES提供了从微观到宏观不同层次的排放测算和评价功能。对MOVES模型原理和开发方法进行更深入的研究,将有助于今后我国综合排放模型的开发。
摘要：美国环保局发布了新一代移动源排放测算模型MOVES2010,该模型代表着排放模型开发的最新技术和研究方向。文中分析了MOVES的开发背景和系统组成,阐述了模型的基本计算原理和主体框架,从模型结构、输入输出、计算原理和结果等角度对MOVES和目前广泛使用的排放模型MOBILE6进行了对比。
关键词：MOVES,排放模型,移动源排放
参考文献
[1]黄琼,于雷,杨方,等.机动车尾气排放评价模型研究综述[J].交通环保,2003,24(6):28-31.
[2]林秀丽.2009.NONROAD非道路移动源排放量计算模式研究[J].环境科学与管理,34(4):42-45.
[3]U.S.Environmental Protection Agency(EPA).Draftmotor vehicle emission si mulator(MOVES)2009.software design and reference manual[R].Washing-ton D.C.EPA:2009.
[4]U.S.Environmental Protection Agency(EPA).Draftmotor vehicle emission si mulator(MOVES)2010,userguide[R].Washington,D.C.EPA:2009.12.
[5]Koupal J,Cumberworth M,Harvey Michaels,et al.Design andi mplementation of MOVES:EPA’s newgeneration mobile source emission model[EB/OL].(2001-01-03)[2010-02-20]http:∥citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.118.3111&rep=rep1&type=pdf,2009.12.
[6]Bai S,Eisinger D,Niemeier D.MOVES vs.EM-FAC:Acomparison of greenhouse gas emissions u-singlos angeles county[C]∥89th Transportion Re-search Board Annual Meeting CD-ROM,Washinton,DC,USA:2009.
[7]王海琨,陈长虹,黄成,等.应用IVE模型计算上海市机动车污染物排放[J].环境科学学报,2006,26(1):1-9.
建筑施工碳排放测算模型研究 第2篇
全球气候变暖的危机严重影响着人类的生存与发展, 已成为21世纪人类社会亟需面对的重要挑战。2009年的联合国气候大会在哥本哈根举行, 旨在寻求减少碳排放以解决全球气候变暖问题的途径。建筑建造、使用和拆除过程中对能源和资源的消耗及固体废弃物的处理将带来巨大的温室气体排放量。由建筑的碳排放带来的环境影响越来越大, 我国正处于城镇化和工业化加速发展阶段, 建设规模和建设速度都为世界发展史上所罕见的。与此同时, 二氧化碳排放量也随之不断加大, 据统计, 每年建筑领域排放的二氧化碳排放量占到总排放量的35%以上, 因此, 如何减少建筑的二氧化碳排放就显得尤为重要。施工阶段作为建设项目全生命周期中非常重要而且最为复杂的阶段, 会消耗大量的资源和能源, 产生大量的温室气体[ 1]。然而, 由于国家的大力支持与政策要求, 低碳节能建筑大行其道, 部分低碳技术应用之后所减少的碳排放却尚不足以抵消因采用这项技术而带来的生产和施工过程中增加的碳排放, 使得其应用毫无意义。因此, 研究建筑施工阶段碳排放测算很有现实意义。建筑施工过程中的碳源分析 2.1 国际碳足迹评价标准
解决全球气候变暖的方法就是要做到碳减排,那么首要的问题是找到合适的研究方法去定量评价碳排放, 从中找到主要碳排放因子以形成碳减排措施, 并对每种措施进行量化评价找到最低碳的途径。目前, 国内外普遍认可的定量评价碳排放的方法是采用碳足迹评价标准。综合学者们对碳足迹的定义, 可以认为碳足迹是一项活动、一个产品(或服务)的整个生命周期, 在某一地理范围内直接和间接产生的二氧化碳排放量(或二氧化碳当量排放量)[ 2 ]。根据国家环境毒理和化学学会(SETAC)的定义, 碳足迹评价就是碳足迹的计算方法, 碳足迹评价标准就是对碳足迹计算方法的规定。碳足迹已日益成为了研究的焦点和热点, 目前利用碳足迹评价的规范和标准也不断推出, 主要包括欧盟的温室气体盘查议定书(ENCORD)、英国的PAS 2050:2008、日本的TSQ 0010和国际标准化组织正在制定的ISO 14067等。其中ENCORD 是最早颁布的, 于2001年10月颁布了第一版, 2010年2月颁布了第三版[ 3] , 在当前众多国际碳足迹评价标准中发展相对成熟, 并且应用最为广泛。ENCORD 指出只有清晰定义了碳排放的测量边界才能保证碳足迹计算的关联性、完整性、一致性、透明性与准确性。ENCORD将碳足迹的测量范围定义为三种: 直接碳排放、间接碳排放、其他间接碳排放, 并要求根据这三种碳排放量形成碳评估评价报告[ 4]。本文选用ENCORD为依据, 根据该标准中碳源分类思想和计算方法, 针对我国国情和建筑特点进行建筑施工中的碳源分析。碳源即二氧化碳的来源, 分析碳源就是要找到产生二氧化碳的各种活动即碳足迹, 从而通过碳足迹得到碳排放量。
2.2 建筑施工过程中的碳源分类
对国际上先进的碳足迹评价标准---欧盟温室气体盘查议定书分析, 结合我国建筑施工业的管理现状, 得到建筑施工中的碳源。
2.2.1 建筑施工活动的操作边界即三大测量范围的确定
结合我国建筑业环境, 将直接碳排放定义为通过机械设备的动力燃料的燃烧直接向大气排放温室气体的影响;将间接碳排放定义为机械设备电力及蒸汽的能源使用引起的碳排放;将其他间接碳排放定义为施工消耗材料、施工建筑垃圾引起的碳排放, 通常情况下施工过程中不可测量的碳排放, 如从空调和制冷剂泄漏的温室气体排放量以及施工人员的碳排放量等, 相对建筑施工总的碳排放比重很小, 可以忽略, 故在其他间接的碳排中只考虑材料、建筑垃圾引起的碳排放。故得到建筑施工中的碳源, 如图1所示。
图1 建筑施工图中的碳源
对建筑施工中的碳源分析可以看到机械设备和材料是引起碳排放主要来源, 机械设备的碳排放就是因为需要消耗动力能源而产生碳排放, 根据动力能源与碳排放的直接、间接关系分为: 直接来源即燃料、间接来源即电力和蒸汽。而材料的碳排放则占剩余碳源中的绝大部分, 建筑施工中消耗的大分资源都是摊销在建筑材料上。因此, 本文针对机械设备的碳排放、材料的碳排放进行重点分析。
2.2.3 机械设备的碳排放
机械设备的碳排放是由于消耗动力燃料或电力或蒸汽而引起的。建筑中机械设备众多, 有必要对其进行分类, 分类依据既要体现碳排放量的影响程度又要有利于安排施工以指导低碳施工。为此将建筑中的机械设备分成了三类: 办公室设备、施工机械设施、仓储维修设备。这样的分类体现了对分类依据的要求, 可以在施工前知道现场办公、现场施工、现场布置(仓储维修)所产生的碳排放, 能针对性的加强施工管理。
2.2.4 建筑材料的碳排放
大量的建筑材料, 如结构钢框架组件、混凝土和混凝土制品、钢筋、沥青产品等, 是通过形成建筑实体的运营、维修保养、报废而产生碳排放, 不同的施工方案其材料的使用量计划也不同, 带来的碳排放就不同, 而且材料的碳排放占的比重较大,ISO14067鼓励采用全生命周期评价法(LCA)来考量施工引入的材料碳排放量。施工中的碳排放测算也必须将材料的碳排放纳入, 只有这样才能鉴别不同的施工方案的碳排放量影响, 进而改进施工方案指导低碳施工。国外一些机构, 如美国国家标准与技术研究所, 为对材料全生命期中二氧化碳的排放量进行充分的掌握和测量进行了诸多的实验, 从而形成了较为完善的建筑材料碳排放数据库, 而我国还未进行全面的碳排放测量实验, 各种材料碳排放测算的精确度与国外相比尚有较大差距。从施工消耗建筑材料引起的碳排放角度, 可将其分为五个阶段的影响: 原材料的开采和掘取、原材料运输、建筑材料的生产和施工、材料使用、材料报废。基于BIM 的建筑施工碳排放的测算方法 3.1 碳排放测算基本方法介绍
由于数据获取困难, 无法形成数据统计的规模效应, 我国建筑碳排放的测算还处于比较初级的阶段。目前, 对建筑碳排放的测算主要采用三种方法: 实测法、物料衡算法和排放系数法[ 5 ]。
(1)实测法
主要通过监测工具或国家认定的计量设施, 对目标气体的流量、浓度、流速等进行测量, 得到国家环境部门认可的数据来计算目标气体总排放量。实测法要求采集的样品数据具有很强代表性和较高的精确度, 当能满足这些要求时, 这是一种比较意义。(2)物料衡算法
是建设过程中使用的物料进行定量分析, 根据质量守恒, 投入物质量等于产出物质量, 把工业排放源的排放量、生产工艺和管理、资源、原材料的综合利用及环境治理结合起来系统地、全面地研究生产过程中碳排放的一种科学有效的计算方法。这种方法虽然能得到比较精确的碳排放数据, 但是需要对建筑全过程的投入物与产出物进行全面的分析研究, 工作量很大, 过程也比较复杂。
(3)排放系数法
是指在正常技术经济和管理条件下, 根据生产单位产品所排放的气体数量的统计平均值来计算总排放量的一种方法。目前的排放系数分为有气体回收和无气体回收两种情况下的排放系数, 而且在不同的生产状况、工艺流程、技术水平等因素的影响下, 排放系数也存在很大差异。因此使用排放系数法的不确定性也较大。
3.2 基于BIM技术的建筑施工碳排放测算模型
纵观现有的碳排放测算基本方法的原理, 可以从两个方面去克服当前研究的弊端, 一是综合选用碳排放测算基本方法以克服各种方法的不足, 发挥它们的最大优点, 为此本文选用了国际上先进碳排放评价标准---温室气体盘查议定书, 结合我国建筑业确定建筑施工中可测算且精度可靠的碳源类别, 对材料选用全生命期周期评价方法, 从而最大程度地减少隐含碳排放的影响[ 6];二是在具体考量施工碳排放时, 由于涉及施工碳排放因子的数据多、难于获取且不能形成统计的规模效应, 为此本文采用基于BIM技术, 及时且准确地调用海量工程数据, 利用碳排放测评软件测算建筑施工碳排放。国际标准组织设施信息委员会对BIM 进行了定义: 建筑信息模型(BIM)是利用开放的行业标准,对设施的物理和功能特性及其相关的项目生命周期信息进行数字化形式的表现, 从而为项目决策提供支持, 有利于更好地实现项目的价值[ 7]。方法是由目的决定的, 怎样利用BIM 技术建立建筑施工碳排放的测算模型来实现相关海量工程数据的便捷提取呢? 研究的基础是用建模软件建立BIM 模型,在BIM模型中添加材料、机械的有关碳排放的基础数据信息, 利用BIM 模型的工程量统计工具, 得到材料、机械的耗用量, 确定施工方案中的施工区、办公区、仓储中的各种机械设备所消耗的燃料、电力及蒸汽的数量、材料使用量的信息, 将这些信息导入到碳排放测评软件, 就可以计算出施工阶段的碳排放, 生成相应于该施工方案中的机械、材料使用量计划的碳排放测评报告, 给出指导低碳施工的建议措施, 见图2所示。
图2 基于BIM技术的建筑施工碳排放测算模型 基于BIM 技术的建筑施工碳排放测算步骤 4.1 基于BIM的建筑施工碳排放的信息模型
利用B IM的核心建模软件基础模型, 在基础模型里的单元构件属性里加入有关碳排放属性信息:(1)单元构件的结构材料;(2)单元构件的粉刷材料;(3)单元构件的饰面材料;(4)前三种材料的综合信息(对应的原材料、对应材料到现场的运距、对应材料的属性如混凝土砂浆等的强度、对应材料的使用寿命、报废时回收利用程度), 作为丰富的测算碳排放依据的材料信息。利用BIM基础模型转换好施工图设计模型前,加入各种机械设备后要添加机械设备用电耗油的性能属性参数。根据B IM 施工图设计模型形成BIM 的施工方案, 利用前面丰富的材料信息、机械设备信息, 借助BIM 统计工程量的功能得到材料的消耗量、建筑垃圾量、施工区、办公区及仓储区的机械设备使用量信息, 形成碳排放测算的基础信息导入到碳排放测评软件。
4.2 施工过程碳排放的测算
根据建筑施工中的碳源分类测算施工过程中的碳排放, 需考查其三个测量边界的影响: 机械设备消耗燃料直接碳排放、机械设备消耗电力及蒸汽间接碳排放、来自于材料和建筑垃圾的其他间接排放。下面, 借助于建立好的基于B IM 的建筑施工碳排放的信息模型(包含材料、机械的测算碳排放基础参数), 分别阐述这三种测量边界的计算步骤。
(1)燃料、电力及蒸汽的碳排放 根据B IM 的建筑施工碳排放的信息模型, 得到施工区、办公区、仓储间的各种机械设备的使用量及其燃料、电力及蒸汽的消耗量, 将机械设备的使用量及其燃料、电力及蒸汽的消耗量作为测算碳排放的基础数据导入碳排放测评软件, 得到机械设备消耗的燃料、电力及蒸汽带来的碳排放。
(2)材料的碳排放
根据B IM 的建筑施工碳排放的信息模型, 得到建筑材料的使用量及对应的原材料、对应制成材料成品的信息、运输距离对应材料的使用寿命、报废时回收利用程度的信息, 将这些信息作为测算碳排放的基础数据导入碳排放测评软件, 得到材料的碳排放。其计算思路见图3。以某工程屋顶施工为例, 构建屋顶B IM 模型, 统计相关材料的属性, 并导入碳排放测评软件BEES 进行分析, 如图4所示。
(3)建筑垃圾的碳排放
根据B IM 的建筑施工碳排放的信息模型(赋予建筑垃圾的种类信息)得到的B IM 的施工方案, 可以得到各种建筑垃圾的数量信息, 将这些数量信息作为测算碳排放的基础数据导入碳排放测评软件,得到建筑垃圾的碳排放。
图3材料碳排放的全寿生命周期评价法
图4 3 施工方案碳排放性能分析
根据前面计算的各种材料的碳排放, 得到材料碳排放的大小顺序及各种材料占所有材料碳排放的比重。根据前面计算的施工区、办公区、仓储区的各种机械设备的燃料、电力、蒸汽的耗用量及其这些耗用量对应的碳排放, 得到施工区、办公区、仓储区各种机械设备碳排放的大小顺序及各机械设备占所有机械碳排放的比重。
4.4 措施和改进分析得到低碳的施工方案
根据碳排放测评软件计算机械设备、材料及建筑垃圾, 得到施工中总的碳排放及相应的碳排放测评报告和前面的施工方案碳排放性能分析。按照材料碳排放的大小顺序、机械设备碳排放的大小顺序, 逐渐更改B IM 的建筑施工碳排放的信息模型中的材料参数、机械参数。基于B IM 技术和碳排放测
评软件, 得到改进后的施工方案中因不同的材料、机械设备的信息带来的施工碳排放及碳排放评估报告。经过多次改进, 得到碳排放最小的即为低碳
施工的施工方案。5 结论
在呼吁低碳建筑的今天, 我国大力推行各种低碳节能技术, 想要实现低碳建筑的目标, 在考虑低碳运营的同时也必须要考虑低碳施工。本文建立了基于BIM信息模型的建筑施工碳排放测算方法,利用B IM 技术添加提取与碳排放相关的基础信息,借助碳排放测评软件实现了建筑施工阶段的碳排放测算, 可为建设项目的低碳目标提出可行的低碳施工方案, 对建筑企业的节能减排具有很好的指导意义。同时, 所建立的BIM 建筑施工碳排放信息模型为后期运营和物业管理提供了丰富的施工碳排放信息, 是对建设项目全寿命期低碳建设的进一步完善。
参考文献
美国农业机械排放评估模型研究 第3篇
一、模型建立背景
空气污染来源于各种人为、自然污染物,比如易挥发的有机化合物、氮氧化合物、有毒气体以及细小颗粒物。基于美国空气清洁法,美国环境保护署被赋予明确职责来减少一系列污染物的排放,为美国提供干净清洁的空气。
一般来讲,美国环境保护署将人为的污染物排放来源分为三类:移动源、固定源和区域源。移动源排放又可以进一步划分为道路源(如汽车、卡车、摩托车)和非道路源两类。非道路排放由使用燃料的车辆和设备造成,类别如下:大型旅行车,如越野汽车和摩托车;伐木设备,如油锯;农业机械,如拖拉机;建筑装备,如平地机和挖土机;工业装备,如叉车和清扫机;家用和商用园林设备,如除雪机;娱乐和商用海洋船舶,如油轮等;机车装备,如火车发动机;航空器,如喷气式飞机等。
上世纪90年代中期之前,除了各种航天器,美国环境保护署对其他非道路车辆和装备的排放是不管制的。在美国环境保护署1991年签发的一份报告中提到,非道路车辆和设备是挥发性有机化合物,氮氧化合物以及可吸入颗粒物的重要来源。报告显示,在美国部分区域,非道路排放的易挥发有机化合物占整个移动源排放的半数以上,氮氧化合物排放占到1/3,可吸入颗粒物排放占到2/3以上。
由于非道路排放源对整个移动源排放的贡献较大,为修订美国空气清洁法,满足实际工作需要,帮助地方空气污染管制机构更好更精确的评估当地非道路排放情况,美国环境保护署建立了一个覆盖整个美国的非道路排放评估模型。
二、模型简介
非道路排 放评估模 型(NONROAD2005)是由美国环境保护署开发的一种数学模型,可用于估算和预测非道路运输部门产生的排放,可从美国环境保护署网站获得该模型本身以及适用的支持文件。
1.涵盖设备种类
非道路排放评估模型对除商用船舶、机车、飞行器以外的所有列入清单的非道路设备的排放进行预测。该模型包括超过80类260个具体类型的非道路设备。并进一步按额定功率,燃料类型(包括汽油、柴油、天然气、液化石油气)进行分类。
2.评估污染物种类
该模型估算六种废气排放:一氧化碳(CO)、二氧化碳(CO2),氧化硫(SOX)、微粒物质(PM)、碳氢化合物(HC)、氮氧化合物(NOX)。使用者可选择五种不同类型进行报告———碳氢化合物总量 (THC)、有机气 体总量(TOG), 非甲烷有 机气体(NMOG),非甲烷碳氢化合物(NMHC)以及挥发性有机化合物(VOC)。
一般而言,该模型可以使用特定设备参数对排放源产生的排放进行自下而上的估算,例如:设备总数、年使用小时、平均额定功率、负荷因子(百分比负荷或负荷周期)。此项功能可计算出每类设备的燃料消耗量。随后,可根据特定的排放因子可用于推导排放估算。
3.模型组成
该模型有三个独立部分组成:第一部分为使用Visual Basic语言编写的图像化用户界面,第二部分为使用Fortran语言编写的系统内核,第三部分为使用ACCESS编写的报告生成组件。
图形化用户界面给使用者提供来了一个简单的方法来操作模型,使用者可以在Windows界面下,通过各种下拉菜单,可以快速设置、执行、关注模型运转细节。
系统内核包含了所有用来评估排放情况的算法,它可以作为一个应用独立运行,当然,这要求使用者具备一定的DOS系统操作知识。
报告生成组件通过系统内核运算产生的数据生成一个标准化报告。报告生成组件提供几种标准化报告:(1) 各地区碳排放总量报告;(2) 各地区及燃料种类碳排放总量报告;(3) 各设备种类碳排放总量报告;(4)各功率段碳排放总量报告;(5)各功率段及设备种类碳排放总量报告等。
4.相关技术文档
模型技术文档可以从美国环境保护署运输及空气质量办公室网页上获得。
三、模型使用注意事项
该模型对于所选择的参数是敏感的,但可采用一种自上而下的方法来用于分配推导的排放估算。如果在使用这种模型时用自下而上方法,结果可能出现较大偏差。因此,使用者必须了解设备总数以及评价的地区的燃料、技术构成,并可通过以下几个方面进行调整:国家制造水平、进出口记录、估算的生命周期和报废函数。通过确定报废函数的设备磨损率,可帮助说明目前真正处于使用环节的设备总数。
室内空气污染及排放源的模拟模型 第4篇
室内空气污染及排放源的模拟模型
摘要：介绍了国外关于室内源排放率、室内污染物浓度、室内外污染物浓度比值(I/O)、室内外源贡献率及人体呼吸道受室内空气污染影响等方面模拟的.模型,分析了模型的理论基础、模型形式和参数确定,对国内开展相关的研究提供重要参考借鉴.作 者：黄虹 曾宝强 HUANG Hong ZENG Bao-qiang 作者单位：黄虹,HUANG Hong(南昌大学环境科学与工程学院,南昌,330031)曾宝强,ZENG Bao-qiang(香港教育学院,香港)
期 刊：江西科学 ISTIC Journal：JIANGXI SCIENCE 年，卷(期)：, 26(4) 分类号：X513 关键词：室内空气 空气污染 模型碳排放预测的区间灰数模型研究 第5篇
关键词：碳排放,区间灰数,DGM (1, 1) 模型
全球气候变暖是人类迄今面临的最重大环境问题, 也是21世纪人类面临的最复杂的挑战之一[1]。其中, 温室气体的排放是全球变暖的主要原因。为了应对气候的不断变化, 实现经济可持续发展, 中国确定了到2020年碳排放水平比2005年减少40%-50%的目标, 同时在“十二五规划纲要”中进一步提出, 到2015年碳排放强度要比2010年分别减少16%和17%, 并提出了“探索建立低碳产品标准、标识和认证制度, 建立完善温室气体排放统计核算制度, 逐步建立碳排放交易市场, 推进低碳试点示范”等工作内容及要求[2]。
因此, 对未来碳排放水平进行科学准确的预测, 具有重要的现实意义。
有学者对碳排放预测进行了研究, 为我国低碳经济发展提供了指导[3,4]。考虑到一个地区的碳排放量具有明显的动态特征和不确定性, 如受到当地经济水平、科学技术、法律法规和政策文化等诸多方面的影响, 而这些因素的影响程度不完全清楚, 可以作为一个灰色系统。文献[5]-[6]应用灰色GM (1, 1) 模型对碳排放量进行了模拟和预测, 结果令人满意。但目前的研究成果大部分以“实数”为灰色建模前提, 而以“灰数”为建模对象预测碳排放量的文献尚少。本文探讨采用区间灰数DGM (1, 1) 模型对碳排放进行模拟和预测, 证明该模型的可行性和实用性。
1 区间灰数的标准化及区间灰数序列的白化形式
定义3设有区间灰数序列
2 基于区间灰数标准化形式的区间灰数预测模型
基于区间灰数标准化形式的区间灰数预测模型的实施分为三个步骤。
进行累减还原
步骤3:区间灰数的DGM (1, 1) 预测模型建立。
还原得到区间未知灰数的上界和下界的预测值:
3 应用分析
下面通过建立区间灰数DGM (1, 1) 模型, 对某市2000-2008年碳排放量进行模拟, 并对2009年碳排放量进行预测, 同时验证该模型在解决实际问题时的可行性和实用性。
由表1, 可得该市2001-2010年碳排放量的区间灰数序列:
当k=9时, 预测该市2009年的碳排放量为4469.43万吨, 而2009年实际碳排放量为4325.17万吨, 相对误差为3.33%, 预测结果与实际值的误差较小, 能够很好地用来预测该市的碳排放量, 为该市碳排放减排措施的制定提供参考。
4 结论
基于区间灰数的DGM (1, 1) 模型所需实验数据较少, 具有运算方便、易于检验等优点, 拓宽了灰色理论的应用范围, 为碳排放的预测提供了一种简单而可靠的新途径。
参考文献
考虑碳排放的多目标发电优化模型 第6篇
缓解全球气候变暖, 保护自然环境, 应对气温上升的气候问题, 为我们的未来作贡献, 我国必须对火力发电厂在火力发电的过程采取相应措施, 以控制发电产生的二氧化碳的排放量, 企业必须通过研究合理的发电计划来控制二氧化碳的排放量[1]。
企业为了自身能获得更多的利润, 大量发电, 而大量发电所带来的负面影响, 就是矿物质燃料燃烧排放出大量的二氧化碳, 同时由于发电量过大, 电储存量过多, 无法消耗的电量也会造成不必要的浪费。
另一方面, 由于大量发电, 存储电量远大于所需要的发电量, 首先带来的是发电成本的增加。因为每一单位的燃料可以产生的电量是基本固定的, 所以大量发电就必须要提供大量的燃料, 燃料的增加自然就会使得成本的增加。其次由于发电量过大, 电储存量过多, 无法消耗的电量会由于没有出售而得不到利润, 而企业为了填补这笔没有出售的电量的成本, 会把平均电价提高, 以损害普通市民利益的形式来保证自己的收益。
总而言之, 研究如何能更好地安排发电计划, 对我国控制二氧化碳的排放量起主导性作用。但是, 在火力发电厂中存在着不同型号的发电机组, 而每个不同的发电机组的各项参数也不尽相同, 在考虑极限输出影响的前提下, 如何使火力发电厂在尽可能少地排放二氧化碳的同时, 获得更多的利益, 是急切等待解决的问题, 因此, 对于各时刻的安排必须要进行详细规划。
2 考虑碳排放的多目标发电优化数学模型
2.1 目标函数
在计算多目标优化碳排放的发电模型时, 其目标函数除了发电机组发电时排放二氧化碳量最小化, 还要求发电厂利润最大化。
(1) 发电机组排放的二氧化碳量最小化, 是该论文的主要研究目标。在这里我们根据每小时发电机组排放的二氧化碳量进行统计计算。
公式中:T为计算时段总数;M为用于计算的火力发电机组总台数, μi为第i个机组在第t时段的工作状态, 当μi=1时, 表示为第i个发电机组处于运行状态, 当μi=0时, 表示为第i个发电机组处于休息状态;pi为第t时段第i个发电机组火力发电的输出功率;gi (pit) 为在第t时段第i个发电机组因火力发电排放的二氧化碳量。
火力发电的燃料是燃煤、焦碳等混合燃料, 但燃烧产生二氧化碳的并不是全部, 而是燃料中的碳元素。从化学理论上来讲, lmol碳燃烧, 排放的二氧化碳的量即为碳元素碳和空气中的氧气发生化学反应后的产物。根据化学反应式, 可以得到每一单位的碳元素, 经过化学反应, 可以得到一单位的二氧化碳。因此, 在计算火力发电的二氧化碳排放量, 我们就必须先求出燃料中碳元素的含有量, 再根据摩尔公式、离子架构等转换推算出二氧化碳的排放量。
但从火力发电厂实际运行状态来看, 燃料的元素含量比较多, 分析比较复杂, 如果要计算二氧化碳的排放量, 那么火力发电厂在每次把燃料放入燃烧锅炉前都要进行额外燃料元素分析工作, 不仅会增加火力发电厂成本与工人工作负担, 同时会造成不必要的浪费。因此, 在这里把二氧化碳的排放量看成跟发电量存在二次函数关系的变量, 用二次函数表示为:
公式中αi, βi, γi分别为机组设定参数。
(2) 发电厂利润最大化, 其主要包括两部分:第一部分为上网电量收入, 第二部分由发电变动成本和固定成本构成。变动成本是指随发电量增加减少而正比例增加减少的费用, 固定成本是指不会因发电量增加减少而产生浮动的费用, 包括机组材料费、机组维修费、机组折旧、工人工资等。由于固定成本与碳排放无直接或间接关系, 在多目标优化中影响几乎为零, 故在此也不对其进行考虑计算。
公式中:F为利润;λt为第时段电价;fi (pit) 为第i个机组在第时段的燃煤耗量, 在这里我们把发电的燃煤耗量看成跟发电量存在二次函数关系的变量, 可以用二次函数式表示, 用二次函数表示为:
公式中ai, bi, ci分别为机组参数。
由上面综合可得, 该优化模型的目标函数为:
2.2 约束函数
考虑到不同发电机组在优化排放二氧化碳问题会有所差别, 所以在计算多目标优化碳排放的发电模型的约束条件包括以下几点:
(1) 发电机组总发电负荷约束:为了保证发电机组在整个发电过程中不会因为过载而产生机械设备的损坏, 需要每一时刻都对发电机组的总发电负荷进行约束, 以保证总负荷不会超出限定总负荷。
(2) 单个发电机组某时间输出功率约束:每个发电机组在制造时都有限定自己的最大功率, 所以发电机组在运作时, 其输出功率都不能大于自身的最大功率, 但也不能少于一定功率。
(3) 发电机组爬坡约束:在考虑到发电机组运作时, 发电机组会因为调节发电功率, 增加或减少单位时间跨度内的发电负荷。为了保证生产安全与机组组合生产的稳定性, 一般会对发电机组设置爬坡约束, 单位时间内每个发电机组调节的发电功率不能超过自身的安全值。
增加单位时间内的机组负荷:
减少单位时间内的机组负荷:
公式中, pDt为第t时刻所有计算的发电机组预测负荷上限;pimin为第i个机组的最小输出功率;pimax为第i个机组的最大输出功率;RUi为第i个机组增加负荷时的爬坡约束;RDi为第i个机组减少负荷时的爬坡约束。
综合上面的公式, 该模型的约束函数为:
3 多目标发电优化模型的层次求解算法
层次算法求解目标规划是按照从最高层到最底层规划的原则进行规划, 它的求解过程是先对目标函数的最高层进行规划, 求出此层可能出现的最优解, 接着进入下一层再次进行规划, 重复多次, 直到最后对最底层进行规划, 求出最优解。
层次算法求解目标规划要注意, 下一层次规划时应该在前面各层次规划的基础上进行要求。
在多目标规划过程中, 目标函数并不一定是唯一的, 可能存在多条目标函数。而且目标函数与约束条件是否为线性函数也不是唯一的, 一个多目标规划问题可能具有多个决策变量和多个目标变量, 多目标规划问题可表述为:
在多目标规划的求解过程中, 本文采用lingo软件进行求解。具体步骤如下[2]:
(1) 选择计算变量。求解多目标规划模型过程中, 首先要确定求解的未知量。这些未知量一般可以表示成一组数据, 未知量可能为常数, 也可能为变量。变量的选取是在求解模型过程中不断进行变化与优化, 可以称为设计变量, 可用一个x向量x= (x1, x2, …, xn) 表示。
(2) 确立目标函数。理想的目标函数由决策因子的数学函数或目标函数表达, 目标函数表示实现或解决某种问题的意愿, 其表达式可能是非线性的, 也可能是线性的。目标函数是为了实现理想目标, 使之与取值范围互相配合, 构成的某些决策变量的数学函数。
(3) 建立约束条件。约束条件跟目标函数的表达形式相似, 只是在求解模型时, 为了限制或减少出现不同的结果, 要求整个模型必须满足的条件。约束条件就是为实现目标函数, 对目标函数的范围进行压缩, 进而限制目标函数, 称为约束条件。
(4) 确定数学模型。当我们使用lingo软件求解多目标规划模型时, 要求模型最终实现的理想目标只有一个, 因此, 除了最终理想目标, 其他的理想目标需要根据最终理想目标所需满足的优先次序, 转换成下一级的目标函数或者变成约束条件加入模型进行计算, 分层次进行求解。
4 算例分析
本论文选取7个不同种类的发电机组, 其机组数据如表1所示[3], 本论文通过对7个机组分别不同时间段发电所得收入, 考虑发电机组在何时进行发电生产最好。
从表1不难发现, 在不同的常规机组中, 它们的最大、最小输出功率各不相同, 爬坡速度也不同, 即使最大、最小输出功率与爬坡速度相同, 它们的发电成本也不一定相同。
不同时段对发电厂的发电负荷都有限定要求, 各时段的要求如下表。
可以发现在9~14时刻和19~21时刻为高峰期, 这些时间段内发电的总负荷比其他时间段的总负荷高, 也就是说, 这些时间段对电量的需求比其他时间段的需求大。
根据现在工业生产发展模式, 不同时间段的总负荷有所不同, 不同时间段的电量售价也不相同。一般情况下, 用电高峰期期间电价会比低峰期的电价高, 不同时段的电价如下表[4]。
从表3中, 可以发现在10~20时刻销售电价比其他时刻的售价高, 也就是说, 这些时间段销售同样量的电量, 获得的收入比其他时间段多。
由于每个发电机组的机组参数各不相同, 所以每个发电机组在每一时刻内发电所排放的二氧化碳的多少也不相同, 因此我们可以根据各机组的二氧化碳排放量的排放系数来计算火力发电的二氧化碳排放量。各个机组的二氧化碳排放量的排放系数如下表[5]。
从以上数据可以看出, 它们的二氧化碳排放系数也不相同, 即使最大、最小输出功率与爬坡速度相同的, 它们的排放系数也不一定相同。
通过lingo计算, 可以得到各个时段的输出功率最优解。每个时段的实际输出功率如下表。
由表5可以看出, 机组1和机组2在整天24小时内没有停止运作;机组6、机组7经常处于停机状态, 除了用电最高峰时才运作;机组3、机组4、机组5经常处于运作状态, 轮流合作发电。
小结以上数据, 可以得到一个lingo的最优的结果。但很明显的, 在这个最优化中, 忽略了一些其他因素的影响, 例如发电机组的损耗。从计算的最优结果来看, 此时收入为1263759.0美元, 成本为539443.6美元, 此时利润为724315.4美元, 碳排放量为27189.39ton。
从上面的表格数据来看, 大功率的发电机组发电性能比较好, 一般情况下, 大功率的发电机组都会满功率运作, 而小功率的发电机组由于效益不佳, 一般不运作, 以减少不必要的浪费, 进一步控制成本的消耗与二氧化碳的排放量, 得到目标函数最优值。
5 结论
本文主要通过对火力发电机组组合优化的研究, 以二氧化碳排放量最小和利润最大为目标函数, 以7个实验机组为实例, 建立了机组组合问题的优化数学模型, 利用lingo程序对模型进行优化求解, 通过对不同型号机组进行计算, 得到计划的最优解, 预测最有可能的计划。将不同的数据进行记录、对比和分析, 可以得出以下这些结论:
(1) 一般情况下, 大功率输出的发电机组运作时间都会比小功率输出的发电机组运作时间长, 输出功率越大的发电机组运作时间越长, 而且输出功率基本为最大输出功率, 输出功率越小的发电机组运作时间越短, 输出功率主要是根据当下时刻最大限度功率输出的。
(2) 同样输出功率的发电机组在发电选择时, 会选择同功率下二氧化碳排放量和生产成本最小的发电机组, 让这个发电机组优先生产更多的电。
摘要：近年来, 控制二氧化碳的排放量一直是我国保护环境的重要措施。发电厂为了控制二氧化碳的排放量, 就必须根据各时段出力的不同, 重新调整自己的发电计划, 对发电计划进行优化, 控制二氧化碳的排放响。文章通过对发电所需的成本, 所得的利润等情况, 考虑发电机组自身的不同参数值, 建立多目标优化模型。借助仿真实验, 利用lingo软件对多目标优化模型进行求解, 求出每个机组每个时刻的最佳出力和运作状态, 得到发电的最优计划。
关键词：多目标优化,非线性模型,碳排放,lingo
参考文献
[1]MENG Xiangping, GAO Yan.Electric systems analysis[M].Beijing:Higher Education Press, 2004.
[2]陈其胜, 陈寿芬, 农韦健, 等.电解二氧化锰生产中的污水处理技术方案[J].大众科技, 2013, 15 (1) :47-48.
[1]朱松丽.中国二氧化碳排放数据比较分析[J].气候变化研究进展, 2013, 9 (4) :265-273.
[2]吴友平, 刘杰, 何杰.多目标规划的LINGO求解法[J].湖南工业大学学报, 2012, 26 (3) :9-12.
[3]SENJYU T, SHIMABUKURO K, UEZATO K, et al.A fast technique for unit commitment problem by extended priority list[J].IEEE Trans.on Power Systems, 2003, 18 (2) :882-888.
[4]LI T, SHAHIDEHPOUR M.Price-based unit commitment:a case of Lagrangian relaxation versus mixed integer programming[J].IEEE Trans.on Power Systems, 2005, 20 (4) :2015-2025.
排放模型 第7篇
关键词：温室气体,碳排放预测,模型,优化
引言
政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)第4次评估报告认为,以气温升高为主要特征的全球气候变化在很大程度上是由于人为活动导致的温室气体排放,尤其是化石能源使用引起的CO2的排放。2013年度 《全球碳预算》报告指出,中国已成为化石燃料燃烧CO2排放量最大的国家,占全球总排量的27%,大于美国和欧盟排放总和, 碳排放增长对全球增长量的贡献达到71%1。2014年发布的《中美气候变化联合声明》中,中国承诺到2030年前停止增加CO2排放,即等于承诺2030年达到碳排放峰值点2。因此,中国作为碳排放大国,在未来10—15年碳减排压力巨大。实行严格的低碳政策、减少化石能源的使用并提高能源使用效率是减少CO2排放的主要途径,而预测中国未来的碳排放量从而合理估算碳减排潜力则是制定减排目标的重要基础。
本文结合目前国内外碳排放预测的相关研究,重点介绍了IPAT、Kaya、 STIRPAT、LMDI、LEAP、Logistic六种模型,并通过对这些模型的对比分析,总结出各种模型的特点、侧重领域和优化方向,对不同领域碳排放预测的模型选择提供了帮助。
一、六种预测模型特点与应用特征
20世纪70年代,Ehrlich等首次提出IPAT模型,其目的是为了辨别人口数量、富裕度、技术等人文驱动力中何种驱动力对环境压力的影响更为明显。 该方程在大量学者经过反复讨论和验证后确定下来,具有简单实用的特点。20世纪末,在该方程的基础上,Kaya在IPCC研讨会上提出了Kaya恒等式,该恒等式是IPAT方程的一个具体应用,它通过构造链式乘积的形式分解出多个影响因素,将人类活动产生的CO2与人口数量、人均GDP、 能耗强度等因子联系起来。1994年,York,Dietz等基于IPAT模型提出了随机回归影响模型STIRPAT模型,该模型是多变量的非线性模型,分别考虑了人口、财富、技术等因素各自单独变动对环境的影响,被认为是定量分析人文因素对环境压力影响的一种有效方法。上述三种模型在碳排放预测领域最为常见,它们在构建碳排放分解模型上各具特色,但仍存在一定的局限性, 如IPAT模型参数分解时没有同时考虑产业结构和能源结构的影响;Kaya模型仅能解释一次能源消耗对碳排放的贡献。
此外,国内外常用的碳排放预测模型还有LMDI模型,LEAP模型和Logistic模型,下文将具体介绍以上六种模型,并对其应用特征进行总结。
1.IPAT模型。1971年,Ehrlich与Holden3提出用于评估环境压力的IPAT模型。反映的是人口、经济、能源与环境关系。
表达式:I=PAT
I为环境压力,可替代为CO2排放总量;P为人口;A为人均GDP;T为技术,可替代为能源消耗强度。
该模型认为环境压力受人口、GDP、技术三种驱动力共同作用,且与各驱动力间均成1:1等比例变化关系,即任何一个驱动力发生1%变化都会引起环境压力相应发生1%的变化4。在此基础上,Waggoner等5对其进行了改进,发展为Im PACT模型,m表示人为因素对I的影响,并且把IPAT等式中的技术T分解成单位GDP消费和单位消费产生的环境影响6。这两种形式都属于IPAT模型,被认为是研究能源经济和碳排放峰值的重要方法之一。
2.Kaya模型。
20世纪末,日本学者Kaya Yoichi7提出Kaya模型,他认为一个国家或地区的碳排放量受到人口数量、人均GDP、单位GDP能源强度以及单位能耗碳排放量四个因素影响。
其最初表达形式如下:
其中,GHG为温室气体的排放总量;TOE为一次能源的消耗总量;GDP为国内生产总值;POP为总人口数量;f(GHG/TOE)为能源碳强度;e(TOE/GDP)为单位GDP的能源强度; g(GDP/POP)为人均GDP8。
Kaya模型可定量分析碳排放过程中各种影响因素的相对重要性及其动态变化,揭示了碳排放主要的内在驱动力。这种方法得到了国际社会的一致认可,被广泛应用于各个国家和地区的碳排放量历史波动变化的驱动因素分析9。
3.STIRPAT模型。STIRPAT模型是1994年由York,Dietz等基于IPAT模型提出的随机回归影响模型,是多变量的非线性模型,考虑了人口、财富和技术因素各自不同变动对环境的单独影响。
其中,I为环境压力,在具体应用中可直接替代为碳排放总量;P为人口数量;A为富裕度;T为技术;a为模型的系数;b为人口数量指数;c为富裕度指数;d为技术人文驱动力指数;e为模型的随机误差(包括时间误差、区域误差及因素分解误差等)。
在实际应用中通常将STIRPAT模型转变为其对数形式:
其中,f,g分别为a,e的对数值。
这一转变过程同时引入了弹性系数的概念,较好地解决了模型的异方差性。此外,该模型还可进行扩展,被认为是定量分析人文因素对环境压力影响的一种有效方法10。
4.LMDI模型。20世纪末,Ang等11在Divisia分解法基础之上加以改进,消除了Divisia分解法的残差项并解决了“0”值问题, 形成LMDI模型,即对数平均迪氏分解法(Log Mean Divisia Index)。该模型是一种因素分解方法,其针对的是一段时间内的能源需求或碳排放。
碳排放中,借助LMDI模型对碳排放进行因素分解,则区域碳排放量可以表示为:
式中,C为区域碳排放量;n为产业部门的个数;Ci为i部门或产业碳排放量;Ei为i部门的能源使用量;GDPi为i部门的国内生产总值;GDP为国内生产总值;P为人口数量;Ii(Ei/GDPi)为能源利用效率,即单位GDP消费能源;Si(GDPi/GDP)为产业结构, 即i部门产值占总产值的比例;A(GDP/P)为人均GDP12。
根据区域碳排放分解模型,时间为基期“0”到“t”期,利用“乘积分解”和“加和分解”可得:
式中,为碳排放变化量,为能源效率(强度)变化量,为产业结构变化量,为人口规模变化量,经济增长变化量13。
LMDI模型将碳排放预测中碳排放的变化量分解为碳排放相关独立自变量变化量的和,以测量各独立自变量对碳排放变化量的贡献程度,是分析碳排放影响因素的方法之一。
5.LEAP模型。
LEAP模型由瑞典斯德哥尔摩环境研究所及美国波士顿劳伦斯·伯克利国家实验室所共同研发,是一个基于情景分析的能源环境经济综合模型14。该模型按照“资源”、“转换”、“需求”的顺序充分考虑了决定碳排放量的能源需求及供应平衡情况15。
能源需求和CO2排放的计算:
假设有m种能源和n个行业部门,各行业的能源需求由经济活动水平和单位经济活动水平下的能源强度决定,CO2排放由能源需求和碳排放系数决定,公式如下:
式中,为t时刻第i种能源消费总量;为t时刻第j部门综合能耗;为CO2排放量;为第j部门在t时刻的活动水平,多以部门产值或产品产量表示;为t时刻j部门单位活动水平下的能源消费强度;为第j部门对第i种能源的碳排放系数16。
该模型根据已划分的行业部门和不同部门的能源消耗量, 在对政策、经济、产业或技术的重大演变提出各种关键假设的基础上,构想未来较长时期能源及其环境影响的各种可能方案,设计出不同发展情景下的能源消费模式,从而进行碳排放预测。
6.Logistic模型。
1920年由美国生物学家和人口统计学家Pearl和Reed共同提出17。由于现阶段对碳排放的研究,主要是静态计量或是引用 《IPCC国家温室气体清单指南》中的全球标准1819,Logistic模型突破以往对于碳排放的静态评估,可对碳排放进行动态预测20。
构建碳排放量增长的Logistic预测模型为:
最后带入计算得
式中,x为碳排放增量;t表示年份;K为碳排放最大容量;a不定常数;r为增长系数21。
根据相关学者的研究,能够较好描述形如“S”增长曲线的Logistic函数,数学计算较为简单且经济含义明显。Logistic模型的精确度受K值影响较大,但只要将K值确定在一个比较合理的范围内,它都可以给出一个较高的拟合度,而且预测的误差不论短期或中长期均处于较低的范围22。相比较而言,Logistic模型能够预测的区域碳排放时间更为长远且预测值更加准确。
二、六种模型在碳排放预测中应用可行性分析
从基础数据可得性和模型应用领域两个方面进行讨论,对六种模型进行综合比较,并以此得到应用可行性分析。
表1可知,IPAT模型的自变量为3个,计算过程简单;Kaya模型的自变量为4个,其中将IPAT模型中的“技术”分解为单位GDP能源强度和单位能耗碳排放量;STIRPAT模型的自变量为3个,其中的能源强度参数需简单计算;LMDI模型的自变量为4个,计算过程繁琐;LEAP模型的自变量为2个,结果受能源种类和参与部门个数影响;Logistic模型的自变量为2个,碳排放最大容量由地区环境条件和能源状况决定,且计算过程繁琐。
表2可知,IPAT模型和STIRPAT模型在碳排放领域的应用最为常见;Kaya模型可以对减排方案的制定提供帮助;LMDI模型对碳排放影响因素的分析更为细化;LEAP模型对碳排放量的预测多为能源领域;Logistic模型适合动态预测。
根据以上分析,六种模型均可用于碳排放的预测,但不同模型所需的基本数据不同且收集难易程度各异,所选衡量指标不同导致适用领域不同。因此,在碳排放预测的实际工作中,应当充分考虑本地区的产业经济、能源消耗等特征,筛选出碳排放的主要驱动因素,并根据不同因素对碳排放影响的权重选择适当的模型,以达到最好的拟合和预测效果。
三、碳排放预测模型优化
从原理、公式、拟合度等角度分析得到了各个模型的优点和不足,并据此对预测模型进行选择优化。
1.模型优缺点对比。
表3可知,IPAT模型公式简洁,但无法消除同比例变动的局限;Kaya模型对碳排放驱动因素解释力强,但作用机制复杂, 且只有与能源活动相关才有实际意义;STIRPAT模型消除了IPAT模型中的同比例变动的局限,但各变量间存在多重共线性;LMDI模型可观察各个因变量对碳排放量的具体影响,但分解时主观性大;LEAP模型具有良好的计算和情景分析功能,但不确定性较大;Logistic模型突破了以往的静态评估,但计算K值时易受主观影响。
2.模型优化。
(1)IPAT模型与LMDI模型的优化。IPAT模型存在对碳排放驱动因素分解不足的问题,导致难以确定每个因素对碳排放的影响。而LMDI模型主要应用于影响因素分析,适合作为辅助工具与其他碳排放预测模型进行组合。将IPAT模型与LMDI模型相结合,利用LMDI模型对IPAT模型中的碳排放影响因素进行进一步分解,选取影响较大的因素重新应用到IPAT模型中进行碳排放预测,可以大大减少因驱动因素选取或分解不当造成的误差。如赵奥等35利用LMDI与IPAT结合模型对驱动因素进行优化后,增加了碳排放量预测的准确性。
(2)Kaya模型的优化。Kaya模型驱动因素背后的作用机制复杂,可采用灰色关联分析法对其影响因素进行分析,以解释不同因素与碳排放量之间的关联度。如秦军等24以江苏省为例,利用灰色关联分析法对各驱动因素与碳排放量之间的关联度进行了分析,得到煤炭消耗量为影响该省碳排放量的最主要因素。
(3)STIRPAT模型的优化。STIRPAT模型中各变量间存在着多重共线性,为解决这一问题,需对其进行回归分析。在不剔除自变量的前提下解决的方法主要有主成分回归法、偏最小二乘法和零回归法37。主成分分析法是对原始数据进行分析与筛选,提取对因变量解释力最强的综合变量;偏最小二乘法多用在处理多自变量间严重共线性的问题,该方法将影响碳排放的众多因子简化为少数不相关因素38;岭回归是一种偏估计法,能够得到各参数和系数更显著的结果。此外还可采用加权回归法,该方法可以剔除相关性较小的自变量,并将空间效应和地区差异考虑在内,为实际应用中为驱动因素的筛选提供帮助。
(4)LEAP模型的优化。LEAP模型是一种“终端能源消费”模型,参数较少,但对动态碳排放量的预测存在不足。模型自身方面,可通过增加预测范围的划分维度并应用活动水平的预测方法增加预测精度,如将预测范围分为系统层、状态层、指示层等, 或者增加活动水平的分级;在预测未来经济活动的水平时,提供了内推法,增长率法,弹性系数法三种方法39。
在LEAP模型与其它模型及方法的结合使用方面,可以与GM(1,1)模型和情景分析法同时结合,将所预测的数据最终集合到LEAP模型中,形成LEAP-EV模型40,该模型在处理能源环境碳排放预测数据时的精度更高;与Logistic模型结合,构建基于LEAP模型的物流能源模型LEAP-Logistic41,通过选择合适的函数,如线性函数、幂函数、增长曲线等,可以对变量进行曲线估计,计算各部门的能源强度和碳排放强度,完成对模型的参数设置,再通过LEAP模型模拟计算不同政策实施下的节能减排效果,达到对碳排放量的动态预测。
(5)Logistic模型扩展。为达到预定的减排目标,政府会实施一系列的减排政策。对Logistic模型拓展后,引入人为控制项,可实现对不同政策实施情形下碳排放量的预测。如邱世明等42的研究中用下列的扩展模型来表示不同人工干预情况下的CO2排放量,即:
式中,h为单位时间内CO2的减排量,与当前CO2量成正比;q为比例系数,表示人工干预强度,即CO2的减排强度43。该扩展模型通过改变q值而模拟不同政策下的减排力度,能够起到对减排政策的评估作用。
四、结论
排放模型 第8篇
一、文献综述
中国碳排放总量在起初时期缓慢减少然后快速增加, 碳排放强度整体呈上升趋势,2002年为碳排放强度变化趋势的拐点; 技术进步是影响碳排放总量与排放强度的主要因素 (孙建卫等,2010)。 各省建筑业碳排放量在整体上呈逐年上升的趋势, 但省际间的差异较大(冯博、王雪青,2015)。
经济增长与碳排放的关系较为复杂,二者呈现出“N”型曲线,经济发展加剧了碳排放(胡初枝等,2008)。短期内经济增长会导致碳排放增加, 碳排放在短期内也促进GDP的增长;长期来看碳排放的增加制约了GDP的增长 (童彦等,2015)。 工业化进程的加快, 是工业领域碳排放快速增长的主要因素; 提高技术水平是实现碳减排的根本措施(肖宏伟,2015)。
从地域分布看, 碳排放率自东向西呈现逐渐下降趋势,东部地区的碳排放率大于中部地区的碳排放率,而中部地区的碳排放率又大于西部地区的碳排放率(许士春、龙如银,2015)。就中部六省而言,经济增长与碳排放存在显著的协整关系,且能源消费方面,火力发电导致碳排放增加和碳排放放强度增强,提高第二、第三产业的比重有益于碳减排工作的实施(齐绍洲等,2015)。
从研究方法上看, 环境投入产出分析法与消费品生命周期分析法已用于碳排放的测度中(傅京燕、李存龙, 2015)。 动态CKC面板模型也测算了碳排放对经济增长与短期波动的影响 (古南正皓、李世平, 2015)。 借鉴信息熵和玻尔兹曼熵理论, 构建企业碳排放配额分配模型, 完成区域碳排放总量的分配(周德群等,2015)。
纵观已有文献可知, 实证方法与模型比较丰富, 影响机制的分析比较深入, 已经分析了云南省的碳排放总量呈现高增长现象, 探讨了云南省碳排放强度变动的原因(卢英、王赞信, 2011),肯定了云南省低碳经济的良性发展势头(杨红娟、王路遥,2015)。 而对于低碳省区试点———云南省的碳排放影响机制的研究, 定性研究相对较为成熟,定量研究有待补充完善。
二、研究方法与数据处理
(一)研究方法 。 碳排放总量的计算。 选取中国能源统计年鉴的地区能源平衡表中相关数据, 将能源消费划分原煤总量、焦炭总量、石油及石油制品、天然气总量、电力五大类,根据各能源折算成标准煤的系数, 换算成标煤质量。 而后根据各种能源的碳排放系数计算总的碳排放量。 其计算如公式(1)所示:
公式(1)中:Ei为云南省第i种能源的消费量,Fi(CO2) 为第i种能源的二氧化碳排放系数。 借鉴IPCC对碳排放系数的基本假定: 认为某种能源的碳排放系数保持不变。 本文的碳排放系数采用目前云南省碳排放统计中的碳排放系数,此处略。
(二)STIRPAT模型 。 在已有的碳排放研究方法中,Tapio脱钩模型分析某行业碳排放的脱钩状态(冯博、王雪青,2015)。 指数分析法能把一个目标变量(能源消耗或二氧化碳排放量)的变化分解成若干个影响因素的组合, 辨别出各个因素影响程度的大小,得出各种 因素对目 标变量的 影响 。 Laspeyres指数分解模型 ,使得各期指数不受权数结构变动影响, 可比性更好(孙建卫等,2010)。对数平均迪氏指数法(LMDI)是将碳排放增量变化从时间序列上分解产生残差的分析方法 (董锋等,2008)。 比较而言,Tapio脱钩模型局限于用弱脱钩状态, 扩张负脱钩状态、 增长连接状态以及尚未出现强脱钩状态, 描述影响因素的强弱程度。 指数分析法中,Laspeyres指数分解模型需要充分考虑数据的时间延展性,比如1990年国际碳排放减排基准情景年。 对数平均迪氏指数法(LMDI) 作为定量研究的运用, 与协整方法相结合建立长期均衡协整关系模型更有利于结果的分析确定。
本文采用STIRPAT模型(stochastic impacts by regression on population affluence and technology) 可拓展的随机性环境影响评估模型, 通过对人口规模、经济发展水平、技术水平3个变量因素的定量分析, 确定各因素对碳排放的影 响, 进行对比分 析 。 采用STIRPAT模型对云南碳排放影响机制的测度,尚属空白。
(三)变量选取。西部大开发的实施以及云南省自身经济建设的快速发展, 不断吸引外来人口,本文选取云南省历年年末人口数(万人)作为人口规模的变量。经济发展水平是一个地区经济实力和社会建设的总体体现,云南省属于经济欠发达地区,第三产业发展仍有巨大潜力,故而选取第二产业比重和人均GDP作为经济发展水平的变量 。 技术水平的创新与提高是实现低碳经济的必由之路,本文选取碳排放强度作为衡量碳排放层面的技术水平。碳排放强度的计算如公式(2)所示:
单位GDP排放强度 =碳排放总 量/GDP(2)
(四)数据来源 。 本文选取 《中国能源统计年鉴》(2010—2013) 中的地区能源平 衡表 、 《 云南年鉴 》 (2010— 2014)中的经济社会统计资料以及 《云南经济年鉴》(2010—2013) 中的国民经济统计资料, 人口数据参照云南省历年年末人口数统计资料。
三、模型构建与变量分析
(一)模型构建 。 STIRPAT模型是Dietz和Rosa (1997) 对IPAT方程改造而成的随机模型。 该模型将环境影响的驱动因子归结为三类:人口规模、 经济发展水平以及技术水平等, 定量分析三大环境影响因素的变动对环境的影响(焦文献等,2012)。模型的基本形式如公式(3)所示:
公式(3)中:I表示环境影响,P表示人口总数,A表示经济水平,T表示技术水平,α 是模型的系 数项 ,a、b、c分别是指数项,ε 是随机误差项。 该模型克服了环境压力模型所有自变量等比例影响应变量的缺陷。 结合云南省的实际情况,增加变量,得到扩展模型如公式(4)所示:
公式(4)中:I为碳排放量(万吨) 即环境影响表征值,α 是模型的系数项,P为云南省该年的人口总数,A1表示富裕程度, 以人均生产总值PGDP表征,A2为产业结构状况, 以第二产业占GDP的比重表示,T为技术水平的表征即单位GDP的碳排放量,ε 为模型中的随机干扰项。 STIRPAT模型优点之一就是灵活性, 研究者根据研究目的及需要可以增加其他控制因素来分析它们对环境的影响, 要求增加的解释变量应该与公式 (3)的乘积形式保持一致, 广泛用于实际环境问题分析上 ( 吴敬锐等 ,2011;Shi,2003; Soule et al,1998)。 在实证中 ,将公式 (4) 转换成对数形式如公式 (5)所示 , 字母含义与公式(4)一样。
(二)变量描述。 以《云南经济年鉴》 《云南年鉴》《中国能源统计年鉴》 的数据资料为基础,通过公式(1)、(2)计算得出云南省每年的碳排放总量和碳排放强度, 分别绘制时间-碳排放总量变化曲线图、人口变化曲线图、人均GDP增长曲线图、第二产业比重变化图以及时间-碳排放强度。 经研究可知,碳排放总量随 时间变化 呈明显上 升趋势 , 1957—1979年间, 碳排放增长曲线较平缓, 增长幅度为10%—20%;1979— 2003年增长率略有下降,维持在1%— 10% 之间 ; 随后进入高速增长阶段 , 2011年更是出 现飞跃式 增长达到20 766.19万吨/年, 增长率为34.85%。 从人口数量看,云南省人口数量不断增加, 从1952年的1 695万人增加至2013年的4 686.6万人。 在1952—1990年期间, 云南省人口自然生长率较高; 自1983年后, 随着计划生育政策在全国的展开,人口自然增长率呈现逐年下降趋势;2006年之后基本趋于稳定,保持增长率在6‰。人均GDP在一定程度上反映了云南省的经济发展水平,人均GDP是持续上升趋势。 人均GDP的涨幅区间为5%—30%之间; 按增长率划分:1952—1996年,增长率基本维持在10%—25%之间,人均GDP增长较快时期;1997—2003年,人均GDP的增长适当减缓,在8%左右浮动,增长曲线也较平缓;2004年出现19.43%的高增长率, 之后增长幅度基本维持在20%左右。最高增长率24.93%出现在1993年,最低为1999年的2.52% 。 从1975—2013年, 云南省第二产业占GDP的比重分为三个阶段:1975—1992年为第一阶段,第二产业占生产总值的比重在35% —40%上下浮动;1992—2000年为第二阶段, 第二产业占生产总值的比重,较第一阶 段大幅度 提升 , 在41.6% — 44.7%上下浮动;1998年,第二产业占生产总值的比重达到44.7%的峰值,之后比重逐渐下滑; 第三阶段 (2000年至今), 第二产业所占比重趋于稳定,在42%波动,2010年, 第二产业比重出现第三阶段的峰值,达到44.6%。
云南省的碳排放强度整体呈下降趋势,1978—1994年间碳排放强度较高且逐年下降幅度较大,为“高强度时代 ”,1978年碳排放 强度为峰 值 ; 1995 — 2007年间单位GDP碳排放强 度进入“4.0时代”, 碳排放强度为3.0296—4.169万吨 /亿元 ,2007年后进一步降低,之后又趋于稳定。
四、实证结果与分析
运用Eviews8.0软件的处理得到实证结果如下表所示:
P、A1、T解释变量在1%水平下显著,A2在5%水平上显著。 P、T、A1、A2对被解释变量I(环境影响表征值)弹性分别是1.60、0.99、0.94、0.09, 人口对云南省碳排放量的弹性最大,技术水平对云南省碳排放量的弹性位居第二,富裕程度对碳排放量的弹性位居第三,产业结构对碳排放量的弹性相对较小。回归方程拟合优度较高达到99%,F值对应的P值显著,方程整体显著。
五、结论与建议
(一)结论 。 本文以云南省为例,采用STIRPAT模型,充分考虑人口、经济发展水平、技术水平三方面因素,得出以下结论:
1.碳排放总量增长变化主要分为三个阶 段 。 第一阶段 (1957—1979年),人口基数、工业化水平都处于低增长时期,曲线较平滑,碳排放增长平缓。 第二阶段(1979—2003年),随着改革开放以及西部大开发等政策的实施,云南省大力发展经济,促进农副产品以及工业的发展, 碳排放增长上升趋势日益明显。 第三阶段(2011年至今), 每年的碳排放量步入20 000万吨,增速较快,值得警惕。
2.人口总数是碳排放总量增加的关键拉动因子。 人口对云南省碳排放量的弹性约为1.60,且在1%水平上显著。 人口因素每变动1%碳排总量将变动1.6%,人口总数的控制是云南省低碳减排首要克服的问题。
3.经济发展水平因素中,人均GDP对碳排放总量弹性比第二产业比重对碳排放总量的弹性更为显著。 人均GDP的增长取决于生产总值的增长率与人口增长率的增长, 同时也反映了人均消耗能源、 资源的程度。
4.技术水平方面, 单位GDP排放强度 对碳排放总量的弹性约为0.99在1%水平上显著。 积极推进环境友好型经济发展新模式, 既要发展经济又要控制能源消耗和大气污染,保护环境。 技术进步将是碳减排的主要推动力。
(二 )建议 。 全球低碳减排的时代大背景下,我国以广东、辽宁、湖北、陕西、 云南5省作为国家首批低碳试点省份,为低碳经济发展寻求出路。 试点低碳省份具体任务是指编制低碳发展规划, 制定支持低碳绿色发展的配套政策, 加快建立以低碳排放为特征的产业体系, 建立温室气体排放数据统计和管理体系, 积极倡导低碳绿色生活方式和消费模式。 云南省作为西部省份的示范省份, 其碳排放影响机制的研究, 对整个西部的碳排放经济建设具有指导意义。
1.控制人口数量 、提高人口质量 , 强化生态文明观念。 人口控制仍是低碳减排社会构建的重中之重。 云南省的人口增长上, 一方面取决于人口的自然增长, 另一方面取决于云南省的人口迁移。 需要借助国家西部大开发的机遇加大引进高素质人才, 培养云南人民的生态文明意识。 云南人口发展现状是每天净增长740人, 即每两分钟增加1人。 人口出生率增长率高于全国、人口发展态势滞后于全国、计划生育工作基础和水平低于全国。 解决云南人口的质量和数量问题, 是云南省实现低碳减排的关键问题。
2. 引进高新技术产业 , 优化产业结构,打造科技云南的发展新模式。云南省的工业化程度低, 尚有革新与发展的空间,加快第二产业升级、第三产业的蓬勃发展,控制碳排量的总数,减轻能源压力、 减轻碳排放对经济增长的负面影响。第二产业的增长从经济、 技术等多个层面促进了第三产业的崛起与壮大, 反观近年来云南省的第三产业占生 产总值的比重 也在逐渐上 升, 与第二产业之间的差距也不断减小的现象, 产业结构的优化布局是低碳经济发展的一大要义。
3.鼓励技术创新,提高能源利用率, 淘汰落后的生产工艺与流程。 碳排放数量取决于经济支撑能源种类和能源消耗量,而能源利用效率的提升,能大大降低能源消耗, 故而能源利用技术的创新,从碳排放的最终端减少产量, 达到缓解能源压力和降低碳减排的双重作用。
4.保护森林资源,提高森林覆盖率, 维护原生林地生态结构。 森林是陆地生态系统中最大的碳库, 在降低温室气体浓度、减缓全球气候变暖中,具有十分重要的独特作用。 扩大森林覆盖面积是未来30至50年经济可行、成本较低的重要减缓措施。 虽然云南森林面积为2.73亿亩,居全国第3位,森林覆盖率52.93%,居全国第3位。 但是云南森林质量不容乐观, 有许多具有重大保护价值的森林区域, 特别是原生林尚在严格保护的范围之外。 因此保护森林资源, 维护原生林地生态结构是云南省生态减碳的长远之计。
摘要：碳排放问题已逐渐从环境问题转为资源问题、发展问题,云南省作为低碳经济示范省份之一,碳减排的进展对我国具有一定的指导意义。本文利用云南省1978—2013年碳排放数据以及云南省经济发展水平、产业发展现状等统计资料,构建STIRPAT拓展模型,分析了人口规模、经济水平以及技术水平对碳排放的影响,并提出了相关建议。
排放模型 第9篇
随着全球人口和经济规模的不断增长,过度消耗化石燃料所导致的全球气候变暖对人类生存和发展提出了严峻挑战[1,2]。人们开始反思现有经济发展模式的利弊,自英国政府2003年发布能源白皮书[3],并首次提出低碳经济的发展理念伊始,低能耗、低排放、低污染的低碳经济发展模式开始受到各国政府及研究领域的广泛关注和青睐[4,5,6,7,8]。我国是全球CO2排放量最大的国家之一,耗煤量巨大的电力工业势必成为减排的主力军。如何在兼顾经济与环境的基础上,走可持续发展之路,实现我国电力行业的低碳化发展,是电力工业乃至全国所面临的时代议题。
2005年2月16日,《京都议定书》的正式生效标志着国际碳排放权交易经济时代的到来。它为全球创造出了一种新的产品:碳排放权交易。文献[9]简要介绍了碳交易市场的形成,并详细讨论了碳排放市场中不同气体的度量方式、度量标准。文献[10]则阐述了欧盟碳排放权交易制度为欧洲企业带来的经济收益和弊端。与此同时,与碳排放配额交易密切相关的碳排放权的分配机制也应运而生[11,12,13]。文献[14]讨论了减少温室气体排放的要求及排放权在全球的分布状况。文献[15]则分析了区域温室气体排放权分配对电力投资商的影响。
可以看出,国外在排放交易方面的研究比较成熟,侧重于分析其设计机制及相关影响;国内的研究尚处于起步阶段,较多集中于低碳经济的发展理念和框架性的分析,尚未深入到与电力市场相结合的碳排放交易及排放权分配的系统研究层次。
1 全球CO2排放及国内外减排举措
随着世界工业的发展,全球石油化工、煤化工、天然气化工、电厂、钢厂以及消费品使用所排放的CO2将从2002年的2.361010 t增加到2030年的3.801010t,28年间将净增1.501010 t(详细分类见表1[16])。全世界大气中,CO2年均增长浓度已从20世纪60～70年代的小于1.0 g/m3增至80～90年代的1.5 g/m3;21世纪20002007年已增至2.0 g/m3[16]。气候变暖已严重威胁到人类的可持续发展,应对气候变化成为全球共同面临的重大挑战。
产业革命以来,发达国家CO2排放量占到全球排放量的70%,而发展中国家CO2的排放占不到25%。但根据预测,未来大气中CO2增加的部分几乎均由发展中国家排放。世界各国的排放趋势大致为:在2002年,经济合作和发展组织(Organization for Economic Cooperation and Development,OECD)国家的排放量最大,占全球的54%,而发展中国家和转型经济国家分别占30%和40%;到2020年早期,发展中国家的排放量将会超过OECD国家从而成为最大的排放区;到2030年,发展中国家的这一比例将达到49%,而OECD国家和转型经济国家又将分别降到42%和9%[16]。照此趋势,从19712030年,全球每年与一次能源有关的CO2排放量将平均增加1.7%,如图1所示。
面对如此挑战,国际上积极采取各种政策措施加以应对。而在针对各行业的减排政策中,电力工业减排以其潜力巨大受到广泛关注。
2009年6月26日,美国众议院通过了旨在降低美国温室气体排放、减少美国对外国石油依赖的《美国清洁能源安全法案》。该法案规定美国2020年时的温室气体排放量要在2005年的基础上减少17%,到2050年减少83%。值得关注的是,这一法案还引入名为“总量控制与排放交易(Cap and Trade)”的温室气体排放权交易机制。根据这一机制,占据排放之首的美国电力工业的温室气体排放配额将逐步减少,超额排放需要购买排放权。法案要求到2020年,美国电力生产中至少15%为太阳能、风能、地热等清洁能源,另有5%通过节能措施减少能源消费。这是美国政府首次向国际社会做出温室气体减排承诺,标志着美国迈出了应对气候变化的重要一步。
气候变化问题也是欧盟今后10年行动计划的重要内容之一。在2007年3月欧盟春季首脑会议上,欧盟首脑同意在2020年之前实现将欧洲温室气体排放量至少减少20%的宏伟、独立且有约束力的目标(与1990年的标准相比),同时承诺作为国际协议的一部分,将减排目标提高至30%。会议还决定扩大可再生能源的使用,使可再生能源在2020年之前占欧洲能源消耗总量的20%,这对于控制电力工业的碳排放将起到重大作用。此外,在温室气体排放交易方面,欧盟排放贸易机制是欧盟各国政府应对气候变化的政策框架的核心要素。该机制于2005年正式启动,涉及了欧盟几乎一半的CO2排放,其中包括全部的电力工业生产排放。
根据相关研究,中国与世界CO2排放量对比情况见表2[17]。从表2中可看出,中国CO2排放净增量将占世界的1/4以上,减排压力逐年增加。作为一个负责任的大国,中国必须在应对气候变化的问题上探索一条符合国情的低碳化发展路线,实现人口、经济、社会与资源、环境的可持续发展。
2007年8月,国家发展和改革委员会发布《可再生能源中长期发展规划》,可再生能源占能源消费总量的比例将从目前的7%大幅增加到2010年的10%和2020年的15%(见表3);优先开发水力和风力作为可再生能源;国家将出台各种税收和财政激励措施。我国还积极参与国际合作尤其是参与清洁发展机制(Clean Dvelopment Mechanism,CDM)项目,这对于2012年前不需要承担减排责任的我国而言,无论是在缓解排放压力方面还是在引进清洁资金、技术方面都有极强的现实作用。
2 2种碳排放权分配模型
根据以上分析可以发现,目前主要的发达国家都在主推“总量管制与排放交易”的碳排放交易方案,通过该方案一方面可以实现以成本有效的方式达到《京都议定书》的减排目标,另一方面可以吸引资金向低碳化产业流动,最终实现低碳化可持续发展。在不远的将来碳排放配额交易在我国的引入也值得期待。需要留意的是,目前国际上比较成熟的“总量管制与排放交易”方案能否公平顺利实施在很大程度上依赖于碳排放权的初始分配是否合理。本文正是基于此,对2种排放权模型的划分合理性进行比较。
文中比较的电力工业2种排放权分配模型,一种是基于发电量的排放权分配方式,即排放限额与发电企业的发电量成正比。普遍认为该分配机制将会减少漏排现象的发生。然而,人们逐渐发现碳排放量低的发电商会因为其较低的碳排放量而得到过多的额外补贴,但那些碳排放量很高的企业则会付出过高的成本代价。出于公平性考虑,加州公用事业委员会(California Public Utilities Commission,CPUC)随后提出了另一种基于发电类型的排放权分配方式。哪一种分配方式更加有效,本文将做详细比较。
本文采用利润函数进行建模,即采用利润最大化来衡量电力市场碳排放权分配的有效性。处于位置l且包含j类发电机组的发电公司i在时刻t的企业总发电量用表示。各公司和不同发电技术的碳排放率用γj()表示。假设碳排放率可以随着时间变化而增长;生产成本也随着指标变化而变化。对于每一公司i∈{1,,L},地理位置l∈{1,,L}和生产周期t∈{1,,T},在完全竞争市场状态下公司i在成本最小时的最大利润是:
式中:pl,t和ζ分别为不同区域的电价和CO2排放的单位费用。在碳排放量受到管制的所有地区,假设其单位碳排放许可的价格是相同的。然而,电力与其他商品不同的是:一是电厂所在地要受到碳排放总量的限制;二是当电厂发的电传输到其他地区时也会受到当地的碳排放总量限制。所以用D来表示那些受排放限额与交易管制的区域。式(1)描述了一种标准的碳排放总量管制与排放交易市场中排放权的分配问题,在该市场中发电企业有明确的碳排放指标。下面讨论2种排放权分配模型。
2.1 基于发电量的排放权分配模型
基于发电量的排放权分配模型将碳排放权的分配与发电企业的发电量联系起来,即每兆瓦发电量分配一定的碳排放量。文中排除利率或其他动态因素变化对模型的影响。
在以上假设下,可以在考虑每个公司利润最大化问题中加入基于发电量的碳排放权分配因素。设处于地区l,时段t∈{1,,T},发电量为时的公司i碳排放分配额为:
值得注意的是本文假设电力行业的碳排放总量不变,只是每个公司的允许碳排放量随其相关的产出和生产设备而改变。其中单位电量分配额度δ的表达式为:
式中:U为行业碳排放总量限额;Qt为在时刻t的发电量(即市场需求量);为根据各企业现实排放量分配的碳排放许可量;t∈{1,,T}为排放周期。考虑到产量增加后额外排放额度带来的潜在收益,公司i的最大利润为:
生产过程中的碳排放量则根据监管机构所分配的量,通过碳排放交易机制对超出的部分进行“惩罚”。当企业生产的碳排放量低于监管机构所分配的量时,即,企业会得到相应的生产补贴。
2.2 基于发电类型的排放权分配模型
基于发电类型的碳排放权分配模型主要针对不同发电类型制定相应的措施。为了减少碳排放交易制度对那些严重依赖煤电的公共事业部门的成本影响,这种碳排放权分配的总体思路为:给不同发电类型的电厂分配不同的碳排放量(不同发电类型电厂的平均排放量)。本节的模型中,发电类型用j表示,每兆瓦发电量所分配的碳排放量用ηj表示。即每一种发电技术在理论上对应一个碳排放量。此时,公司i的最大利润为:
与基于发电量的分配机制相比,这种基于发电类型的分配方式所产生的分配量δj削弱了发电企业排放费用对边际成本的影响,因此减弱了实施碳排放限额机制的阻力。一种比较极端的情况是所有区域的发电企业碳排放量仅因发电技术不同而不同,即,i,l且所得到的排放权与其实际的排放量成正比,即。这样,式(3)可以表示为:
式(6)与式(1)基本相同,假设碳排放率与各公司和发电技术有关,则企业获得碳排放许可的成本可用()来表示。
2.3 2种排放权分配模型的比较
假设表示发电企业i采用基于发电量的排放权分配模型后可获得的总利润,表示发电企业i采用基于发电类型的排放权分配模型后可获得的总利润。同时,采用上节中提到的比较极端的情况,即,i,l,且所得到的排放权与其实际的排放量成正比,即。比较式(4)与式(6),可得:
将式(3)代入式(7),即得:
比较结果表明:
(1)当γj∑lT Qt
(2)当γj∑1TQt≥U时,RgRf。即碳排放总量超过行业碳排放限额时,发电企业采用基于发电类型的排放权分配模型比较合适。其中,存在一个问题,即排放总量一旦超过排放限额,需要从排放交易市场中购买额外的排放额度,否则将受到重罚。因此,可以对购买额外排放额度的成本与收益差进行比较,然后给出合理的决策。
3 结论
本文在分析世界各国碳排放状况的基础上,阐述了国内外电力工业减排的典型实践案例。文中根据CPUC的研究实践,简要介绍了2种碳排放权分配模型的由来,并对二者进行了详细比较。比较结果表明,可根据实际碳排放总量与行业碳排放限额的差距,以及购买或出售碳排放配额的成本收益情况,需酌情考虑。
排放模型范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
