基于情景分析法的安徽省能源消耗及碳排放分析

陆彪; 郝永康; 陈德敏; 王索军; 张雨

doi:10.12153/j.issn.1674-991X.20230537

基于情景分析法的安徽省能源消耗及碳排放分析

doi: 10.12153/j.issn.1674-991X.20230537

陆彪^1,,
郝永康¹,
陈德敏^1, ,,
王索军²,
张雨¹

1.
安徽工业大学建筑工程学院
2.
中冶华天南京工程技术有限公司

基金项目: 国家自然科学基金项目(51608001)；安徽省住房城乡建设科学技术计划项目（2022-YF088）（2022-YF057）；安徽省高校科学研究项目（YJS20210352）

详细信息

作者简介:
陆彪（1979—），男，副教授，博士，主要研究方向为建筑能效管理中的节能技术、区域能源消耗与碳排放，road_lu12@163.com

通讯作者:
陈德敏（1978—），女，副教授，博士，主要研究方向为热工设备传热过程基础理论研究及相关节能技术开发和应用，cdm780823@163.com

中图分类号: F206
计量
- 文章访问数: 30
- HTML全文浏览量: 8
- PDF下载量: 1
- 被引次数: 0
出版历程
- 收稿日期: 2023-07-10
- 录用日期: 2024-03-04
- 修回日期: 2023-12-21
- 网络出版日期: 2024-04-12

Analysis of energy consumption and carbon emissions in Anhui Province based on scenario analysis

1.
School of Civil Engineering and Architecture, Anhui University of Technology
2.
MCC HUATIAN Nanjing Engineering & Technology Corporation

摘要

摘要:
为了从区域层面开展能源消耗和碳排放量预测分析，以安徽省能源消耗和碳排放量为研究对象，通过构建LEAP-Anhui预测模型，设计了基准情景（BAS）、发展规划情景（DPS）、节能减排情景（ERS）3种情景，预测了安徽省未来3种不同的发展路径。结果显示：到2035年，BAS情景下能源消耗总量达到23 459×10⁴ tce，相比BAS情景，DPS与ERS情景能源消耗总量分别下降了20.6%、30.7%，其中ERS情景的能源消耗总量于2030年实现达峰，峰值为16 416×10⁴ tce；BAS情景下，安徽省碳排放总量到2035年已达到512.2×10⁶ t，年均增长率为2.6%。DPS与ERS情景下，碳排放总量分别于2030年（389.1×10⁶ t）、2025年（357.2×10⁶ t）达到峰值，均能够完成我国提出的争取在2030年前实现碳达峰的目标承诺。基于碳约束目标对于安徽省能源结构进行了优化分析，在约束路径下，分配给三大系统清洁能源的比例分别为：第三产业39.3%、居民生活23.3%、第二产业37.4%，最小清洁能源需求量为107×10¹⁶ J，在能源需求总量中的占比为20.6%。
- 发展路径预测 /
- LEAP模型 /
- 情景分析 /
- 清洁能源 /
- 能源结构优化
Abstract:
In order to conduct energy consumption and carbon emission prediction analysis at the regional level, energy consumption and carbon emissions in Anhui Province were taken as the research object. By constructing a LEAP Anhui prediction model, three scenarios including baseline scenario (BAS), development planning scenario (DPS), and energy conservation and emission reduction scenario (ERS), were designed to predict three different development paths in Anhui Province. The prediction results show that by 2035, the total energy consumption under BAS scenario will reach 2.3459×10⁸tce, and compared to BAS scenario, the total energy consumption under DPS and ERS scenarios will decrease by 20.6% and 30.7%, respectively. The total energy consumption under ERS scenario will reach its peak in 2030, with a peak of 1.6416 × 10⁸ tce. Under BAS scenario, the total carbon emissions in Anhui Province will reach 5.122×10⁸t by 2035, with an average annual growth rate of 2.6%. Under DPS and ERS scenarios, the total carbon emissions will peak in 2030 and 2025, with 3.891×10⁸t and 3.572×10⁸t, respectively, both of which were able to fulfill China's commitment to achieve carbon peak before 2030. Based on the carbon constraint target, an optimization analysis was conducted on the energy structure of Anhui Province. Under the constraint path, the proportion of clean energy allocated to the three major systems is 39.3% for the tertiary industry, 23.3% for residential living, and 37.4% for the secondary industry. The minimum demand for clean energy is 1.07 × 10¹⁸J, accounting for 20.6% of the total energy demand.
- development path prediction /
- LEAP model /
- scenario analysis /
- clean energy /
- energy structure optimization

HTML全文

图 1 LEAP预测模型树形结构

Figure 1. Tree structure diagram of LEAP prediction model

下载: 全尺寸图片幻灯片

图 2 三种情景下安徽省能源消耗总量

Figure 2. Total energy consumption of Anhui Province under three scenarios

下载: 全尺寸图片幻灯片

图 3 三种情景下安徽省碳排放总量

Figure 3. Total carbon emission of Anhui Province under three scenarios

下载: 全尺寸图片幻灯片

图 4 三种情景下各部门能源需求量

Figure 4. Energy demand of each department under three scenarios

下载: 全尺寸图片幻灯片

图 5 三种情景下各品类能源需求量

Figure 5. Energy demand for each category under three scenarios

下载: 全尺寸图片幻灯片

图 6 安徽省累计碳排放量曲线

Figure 6. Cumulative carbon emission curve of Anhui Province

下载: 全尺寸图片幻灯片

图 7 需求系统碳约束下的累计碳排放曲线

Figure 7. Cumulative carbon emission curve under the carbon constraint of demand system

下载: 全尺寸图片幻灯片

表 1 安徽省2010—2021年各品种能源消耗总量

Table 1. Total energy consumption of various varieties in Anhui Province from 2010 to 2021 10⁶ tce　

年份	煤品	油品	天然气	清洁能源	消耗总量	年份	煤品	油品	天然气	清洁能源	消耗总量
2010	83.67	10.00	1.75	1.65	97.07	2016	95.10	20.77	5.19	5.57	126.63
2011	86.89	12.26	2.64	3.91	105.70	2017	94.39	22.65	5.86	7.29	130.19
2012	88.78	14.10	3.19	4.07	110.15	2018	94.26	22.33	7.05	9.31	132.95
2013	92.17	16.61	3.63	4.56	116.96	2019	97.37	23.02	7.91	10.40	138.70
2014	93.57	18.86	4.56	3.12	120.11	2020	102.59	22.63	7.50	14.26	146.98
2015	94.84	19.68	4.67	3.82	123.01	2021	107.37	24.55	7.01	14.53	153.46

下载: 导出CSV

表 2 安徽省2010—2021年各品种能源产生的碳排放量

Table 2. Carbon emissions generated by various types of energy sources in Anhui Province from 2010 to 2021 10⁶ t　

年份	煤品	油品	天然气	碳排放量	年份	煤品	油品	天然气	碳排放量
2010	232.7	21.9	2.8	257.4	2016	264.4	45.6	8.4	318.4
2011	241.6	26.9	4.3	272.8	2017	262.5	49.7	9.4	321.6
2012	246.9	31.0	5.1	283.0	2018	262.1	49	11.3	322.5
2013	256.3	36.5	5.8	298.6	2019	270.7	50.5	12.7	334.0
2014	260.2	41.4	7.3	308.9	2020	285.3	49.7	12.1	347.0
2015	263.7	43.2	7.5	314.5	2021	297.6	53.91	11.3	368.8

下载: 导出CSV

表 3 三种情景的基础参数指标

Table 3. Basic parameter indexes of three scenarios

参数指标	BAS情景	DPS情景	ERS情景
人口数	2025年6 166万人 2030年6 228万人 2035年6 291万人	2025年6 259万人 2030年6 513万人 2035年6 677万人	同BAS情景
城镇化率	2025年63.7% 2030年69.6% 2035年76.1%	2035年71.8%	同DPS情景
GDP	2025年57 363亿元 2030年81 209亿元 2035年109 705亿元	2025年54 252亿元 2030年74 330亿元 2035年99 470亿元	2025年52 996亿元 2030年70 920亿元 2035年92 690亿元
产业结构	2035年三大产业结构占比为5.1∶31.9∶63	2035年三大产业结构占比为5.1∶28.7∶66.2	2035年三大产业结构占比为5.1∶27.1∶67.8
行业结构	2035年第二产业下属两个行业占比69.9∶30.1；第三产业下属三个行业占比6.1∶24.5∶69.4	2035年第二产业下属两个行业占比65.7∶34.3；第三产业下属行业占比同BAS情景	2035年第二产业下属行业占比同DPS情景；第三产业下属行业占比同BAS情景
工业	2021—2035年间平均下降率为3.2%； 2035年为0.502 tce/万元	同BAS情景	2035年能源强度为0.479 tce/万元
居民生活	2035年城镇能源强度0.703 tce/人；乡村0.632 tce/人	2035年城镇能源强度0.506 tce/人；乡村0.472 tce/人	2030年城镇与乡村能源强度分别为 0.447 tce/人、0.424 tce/人

下载: 导出CSV

表 4 安徽省2030年能源供给侧基础数据

Table 4. Basic data of energy supply side of Anhui Province in 2030

能源种类	碳排放系数/(10^－12 t/J)	能源数量/10¹⁶ J	实际碳排放量/10⁶ t
清洁能源	0	73.4	0
天然气	55	45.5	25.0
油品	75	99.5	74.6
煤品	95	301.6	286.5

下载: 导出CSV

表 5 安徽省2030年能源需求侧基础数据

Table 5. Basic data of energy demand side of Anhui Province in 2030

部门	碳排放系数/(10^－12 t/J)	能源数量/10¹⁶J	碳约束目标/10⁶t
第三产业	39	120.6	46.7
居民生活	51	88.0	45.2
第二产业	81	311.4	252.1

下载: 导出CSV

表 6 需求系统碳约束下的能源结构

Table 6. Energy structure under carbon constraint of demand system /10¹⁶J　

系统	煤品	油品	天然气	清洁能源	合计
第三产业	0	28.9	45.5	46.2	120.6
居民生活	0	60.6	0	27.4	88.0
第二产业	257.3	10.0	0	44.1	311.4

下载: 导出CSV

参考文献(30)

[1]	LIU C, LI Q. Air Pollution, Global Warming and Difficulties to Replace Fossil Fuel with Renewable Energy[J]. Atmospheric and Climate Sciences,2023,13(4):526-538. doi: 10.4236/acs.2023.134030
[2]	中华人民共和国国务院新闻办公室. 中国应对气候变化的政策与行动[M]. 北京, 2021.
[3]	国务院. 2030年前碳达峰行动方案[M]. 北京, 2021.
[4]	TANG B J, HU Y J, YANG Y. The initial allocation of carbon emission quotas in China based on the industry perspective[J]. Emerging Markets Finance and Trade,2021,57(4):931-948. doi: 10.1080/1540496X.2019.1645006
[5]	WANG Q, LI S Y, LI R R. Forecasting energy demand in China and India: using single-linear, hybrid-linear, and non-linear time series forecast techniques[J]. Energy,2018,161:821-831. doi: 10.1016/j.energy.2018.07.168
[6]	WEI Y G, WANG Z C, WANG H W, et al. Compositional data techniques for forecasting dynamic change in China’s energy consumption structure by 2020 and 2030[J]. Journal of Cleaner Production,2021,284:124702. doi: 10.1016/j.jclepro.2020.124702
[7]	KAZEMZADEH M R, AMJADIAN A, AMRAEE T. A hybrid data mining driven algorithm for long term electric peak load and energy demand forecasting[J]. Energy,2020,204:117948. doi: 10.1016/j.energy.2020.117948
[8]	NI H X, YAN S H, LUO C Y, et al. Energy data analysis and prediction based on time series ARIMA model[J]. New Generation of Information Technology,2019,2(12):501-507.
[9]	JI L. Energy consumption prediction in Hebei Province based on ARIMA model[J]. Business,2016(29):296.
[10]	DRAXLER F, VESCHGINI K, SALMHOFER M, et al. Essentially no barriers in neural network energy landscape[C]//International conference on machine learning. PMLR, 2018: 1309-1318.
[11]	HU Y C. Energy demand forecasting using a novel remnant GM (1, 1) model[J]. Soft Computing,2020,24(18):13903-13912. doi: 10.1007/s00500-020-04765-3
[12]	LIU M H, ZHAI H X, LIU S N, et al. Comparative analysis of carbon emissions in Tianjin based on LMDI method and STIRPAT model[J]. Journal of Environmental Engineering Technology,2023,13(1):63-70.
[13]	WANG S, WANG Y X, ZHOU C X, et al. Projections in various scenarios and the impact of economy, population, and technology for regional emission peak and carbon neutrality in China[J]. International Journal of Environmental Research and Public Health,2022,19(19):12126. doi: 10.3390/ijerph191912126
[14]	ZHANG Z X, JIA J S, GUO Y L, et al. Scenario of carbon dioxide (CO₂) emission peaking and reduction path implication in five northwestern provinces of China by the low emissions analysis platform (LEAP) model[J]. Frontiers in Energy Research,2022,10:983751. doi: 10.3389/fenrg.2022.983751
[15]	YU M C, XU Z J, YU J. Influencing factors of CO₂ emission and scenario analysis in Shanxi Province[J]. Research of Environmental Sciences,2018,31(8):1357-1365.
[16]	ZHANG J, LIU J Y, DONG L, et al. Influencing factors and scenario analysis of China’s CO₂ emission of energy consumption[J]. Journal of Environmental Engineering Technology,2023,13(1):71-78.
[17]	TAN R R, FOO D C Y. Pinch analysis approach to carbon-constrained energy sector planning[J]. Energy,2007,32(8):1422-1429. doi: 10.1016/j.energy.2006.09.018
[18]	CRILLY D, ZHELEV T. Further emissions and energy targeting: an application of CO₂ emissions pinch analysis to the Irish electricity generation sector[J]. Clean Technologies and Environmental Policy,2010,12(2):177-189. doi: 10.1007/s10098-009-0245-0
[19]	YAO M, WANG C X. Pinch analysis for regional energy allocation with carbon emission constraints[J]. Journal of Shanghai Maritime University,2012,33(3):58-63.
[20]	COSSUTTA M, FOO D C Y, TAN R R. Carbon emission pinch analysis (CEPA) for planning the decarbonization of the UK power sector[J]. Sustainable Production and Consumption,2021,25:259-270. doi: 10.1016/j.spc.2020.08.013
[21]	XI L, GAO P, WANG H L, et al. Optimization of energy structure in Zhuzhou city based on carbon pinch technology[J]. Energy and Energy Conservation,2023(11):49-52.
[22]	TANG J R, LIAO X B. Optimization of energy consumption structure in Jiangsu based on carbon pinch technology[J]. Resources Science,2014,36(12):2560-2568.
[23]	LIANG L L, LU Q C. Optimization of China’s energy structure based on carbon pinch analysis[J]. Resources Science,2015,37(2):291-298.
[24]	KROEZE C, MOSIER A, NEVISON C, et al. Revised 1996 IPCC guidelines for national greenhouse gas inventories: chapter 4. Agriculture[M]. Bracknell: UK Meteorological Office, 1997.
[25]	ZHANG C Q, LUO H X. Research on carbon emission peak prediction and path of China’s public buildings: scenario analysis based on LEAP model[J]. Energy and Buildings,2023,289:113053. doi: 10.1016/j.enbuild.2023.113053
[26]	安徽省发展和改革委员会. 《安徽省国民经济和社会发展第十四个五年规划和2035年远景目标纲要》[M]. 合肥, 2021.
[27]	安徽省政府办公厅和安徽省能源局. 《安徽省“十四五”能源发展规划》[M]. 合肥, 2022.
[28]	国务院新闻办公室. 《中国应对气候变化的政策与行动》[M]. 北京: 国务院新闻办公室, 2021.
[29]	安徽省人民政府. 《安徽省碳达峰实施方案》[M]. 合肥: 安徽省人民政府, 2022.
[30]	安徽省发展改革委员会. 《安徽省工业领域碳达峰实施方案》[M]. 合肥: 安徽省发展改革委员会, 2022. ⊕