英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
波兰能源部门温室气体排放量的逐步多元回归建模方法
摘要
波兰的能源部门是全国81%温室气体（GHG）排放的来源。与其他欧盟国家一样，波兰在煤炭消费方面处于领先地位。波兰能源部门通过逐渐减少燃料中煤的份额以及可再生能源的开发，积极地参与到减少温室气体排放到大气的行动中。所有能够帮助完善关于温室气体排放问题的知识的证据，都是有价值的信息来源。本文介绍了波兰的能源部门所产生的温室气体的排放量的建模结果。为了更好地理解一次能源消费总量消费总量和温室气体排放量的定量关系，我们采用了多元逐步回归模型。结果显示二氧化碳的排放量与硬煤消费量之间有很高的相关性（0.97）。模型对实际数据的调整系数高达95%。向后逐步回归模型就甲烷而言，将硬煤（0.66），泥炭和木头燃料（0.34），固体废物燃料，以及其他来源（-0.64）作为最重要的变量。调整后的系数是合适的，其值为R2=0.90。对N2O排放量建模所测得的系数就低至43%。一个显著影响着N2O排放量的变量就是泥炭和木头燃料的消费量。
引言
能源的获取对一个国家的成长和发展起着至关重要的作用。尤其是在发展中国家，这是一个重要的方面。2012年被认为在一定范围内新能源获取方式（SE4All，人人享有可持续能源）的新突破，并承诺在2030年前实现从宇宙中汲取能量。世界人口在不断增长，这迫使各国政府为越来越多的居民提供电力供应。这种创造性的SE4All将通过现代化的能源生产方法对日益严重的全球性的能源危机意识和迫切的能源需求产生一定影响。然而，不可避免地伴随着电力生产而来的，是温室气体的排放。
图1 – 2011年波兰温室气体排放占各部门的比重
大气中的温室气体浓度因人类的农业活动而升高（Kutzbach等人，2010），而且在过去的一个世纪中，工业革命中燃料的燃烧也产生了温室气体（Denman等人，2007）。二氧化碳的排放不仅与消费有关，还与生产、掘矿、运输、压缩气体、精炼等有关。世界上最主要的能量来源——化石燃料的燃烧，是人为导致二氧化碳排放水平上升（Stangeland, 2007）和气候变化（Andres等人，2012）的罪魁祸首，诸如甲烷（CH4）和一氧化二氮（N2O）之类的气体因其潜在的全球性影响（IPCC, 2001）而发挥了显著的作用。N2O的吸热系数比二氧化碳高300倍，折合成甲烷也高出了21倍（Rout等人，2005；Ullah等人，2008）。此外，燃气的运输与分配也导致了甲烷的排放，是由开采煤矿、天然气的开采和泄露而造成的负面效果。这些间接的甲烷排放源千差万别，这取决于生产方法和运输距离。在2010年，燃料
图2 – 与2011年相比欧盟各国基础年的温室气体排量
燃烧产生的二氧化碳43%来自于煤炭，36%来自于石油，20%来自天然气（IEA, 2012）。为了避免人为排放温室气体产生的恶果，政府间气候变化专门委员会（IPCC）的结论是到2050年，二氧化碳排放应减少50%-80%（IPCC, 2001）。然而，根据国际能源机构（IEA）的说法，目前能源的效率和可再生能源还尚未显现出任何可以达到建议减排水平的潜力（IEA, 2006）。未来的工业排放将取决于技术和工业活动的转变，据估计，就算有很高的技术潜力来减少全球的排放，2030年的全球二氧化碳的工业排放也将高于2005年的水平。导致它的主要原因是日益增长的工业生产力本身（明石等人，2011）。到2035年度，电力需求将比现在还高70%（IEA，2012）。
波兰是欧盟最大的硬煤生产国，该国大约90%的发电量来自煤炭。它是欧盟国家里极少数依赖进口的能源在31%以下水平的国家之一，欧盟的平均水平为53%（Ćwiek-Karpowicz等人，2013）。波兰的能源部门通过逐步减少混合燃料中煤炭的含量以及开发可再生能源，积极参与减小二氧化碳排放量的工作。生态指南的工作专注于根除对环境有害的活动以及有效地管理能源是可持续发展的基础（Goacute;ralczyk，2003）。在波兰，提高天然气在国家一次能源结构中的份额并在国内建立第一座核电厂是很重要的（Fraczek等人，2013）。到2020年，可再生能源的贡献应该达到14%（Oniszk-Popławska等人，2003）。图1高亮了波兰能源部门在政府的要求下努力减少温室气体排放的重要性。
图3 - 波兰两个基本群体的温室气体排放总量：
燃料燃烧和燃料的排放
表1 图4 – 二氧化碳排放量与硬煤
消费量的关系
图2介绍了波兰和其他欧盟国家能源部门的温室气体排放量。2011年，波兰生产了6851万吨石油当量的能量和147.67太瓦时的电力消费（IEA, 2011）。燃料燃烧在能源生产过程中起着基础性作用（图3）。温室气体的排放量中超过3/4是来自化石燃料燃烧的二氧化碳（联合国气候变化框架公约，2010）。有一项预测被发布在波兰的一项有效期至2030的能源政策的附件“2030年燃料和能源需求预测”中，它假设了波兰将会执行的能源政策的基本方向，包括欧盟的要求。对波兰能源安全而言很重要的主要能源载体将会是具有国际资源地位的硬煤和褐煤。可以预见的是，2030年的一次能源的需求将比2006年跃升22%，且在2030年将达到1亿1850万吨石油当量。大部分的增长将发生在2020年之后（经济部，2009）。估计表明在2020到2030期间，波兰的二氧化碳排放量有望上升7%，达到2.86亿吨（环境保护研究所）。
对不同排放变量的温室气体排量的估计也是很多研究的课题，这些研究使用不同的建模方法来实现预测。模型的类型也互不相同：能源规划模型、预测模型、可再生能源模型、减排模型、能源供求模型以及其他。有些模型是在全球范围内应用的，有些只针对某些国家、地区或者城市。碰巧的是，由于一个国家能源部门存在特殊性，同一个模型很难运用到另一个国家身上。其中一个可用的模型是一个由化石燃料的利用释放二氧化碳的，长期全球能源经济模型（Edmonds和Reilly，1983）。这个由Groscurth开发的模型提供了一个高度灵活的工具，用于模拟动态随机的一次能源需求，污染物排放和货币成本的最小化。这个模型被应用在德国的城市（Groscurth等人，1995）。全球土地利用和能源模型已经发展到可以评估生物能源供应潜力，土地利用的变化以及全世界的二氧化碳排放量（山本等人，2000）。来自
表2
表3
芬兰的Lehtilauml; 和Pirilauml;提出了模型方法论（1996）。该模型包括对生物质能源利用、发热供电、温室气体排放量和能源使用等的描述（Lehtilauml; 和Pirilauml;，1996）。另一种模型决定了可再生能源在印度的最终去向的最佳分配方式，该模型还考虑到商业能源的需求。在模型中还通过改变需求、潜能、可靠性、排放量和就业等因素进行了敏感性分析（Suganthi和Williams，2000）。能量流优化模型环境是一种已在所有欧盟国家以及其他国家，诸如中国部分地区、墨西哥、印度尼西亚或俄罗斯实施的准动态模型。这个模型可以用来分析结构变化的影响，以研究旨在减少污染物和排放的策略。该模型适用于中欧和东欧国家，包括处于对未来排放量还存在高度不确定性的囧境的波兰。这些国家也拥有与他们西边的邻居不同的能源系统，或者在转型的过程中被财务问题的愁云笼罩着（Lueth等人，1997）。另一个和能量流优化模型环境类似的能源系统模型是MARKAL（Kannan, 2011）。Gustavsson等人应用了一个终端会计模型来识别可以显著降低瑞典部分地区非移动源的二氧化碳排放的能源系统（Gustavsson等人，1992）。其他科学家还提出了可以测量全球碳循环、世界人口和大气二氧化碳的模型（Demirchian和Demirchian，1996）。Svendsen还提出了一个为丹麦打造的综合性二氧化碳调控模型。这个模型在别的国家也可以在未来指导能源政策的制订（Svendsen, 1998）。在韩国，Choi和Ang测试了一个可以分析能源与碳排放之间关系，以及它们与能源消费和粗略的国家生产力的关系的时间序列。大多数模型都可以预测到大部分的二氧化碳排放，不包含甲烷和N2O，而这些东西事实上更有意义，因为二氧化碳的全球变暖作用和它们相比就显得小巫见大巫了。
人口增长带来的能源生产剧增似乎是不可避免的。它迫使我们搜寻解决方案，该方案可以为我们补充知识，更重要的是可以实现温室气体排放预报。
这项工作的目标是描述一个基于逐步回归建模（SMR）的优化模型，在国家尺度上预测三个主要的温室气体排放量。这种方法通过使用常用的变量被开发，被视为一种预测排放量的替代方法。传统的基于库存的模型和SMR建模方法的主要区别在于SMR更加简洁，这样的一个模型方法使得通过改变输入变量的值对不同温室气体排放量进行情景模拟成为可能。
- 材料和方法
研究专注于变量之间的复杂数量关系的鉴定：能源工业中一次能源载体（煤、褐煤、石油、天然气、泥炭和木头燃料、可再生能源、固体废物燃料以及其他原材料能源）的总消费，以及温室气体排放量（二氧化碳、甲烷和N2O）之间的关系。我们的研究在多元回归建模的基础上开展，它允许搜索和定量描述复杂的关系。多元线性回归（MLR）模型的构建有助于研究几个独立变量（X1，X2，hellip;，Xk）对因变量（Y）的影响。向后逐步回归是一种基于皮尔森相关系数的线性模型的拓展。多元回归模型的公式如下：
Y=beta;0 beta;1X1 beta;2X2 hellip; beta;kXk ε （1）
式中，Y为因变量，X1，X2，hellip;，Xk是独立变量，beta;1，beta;2，hellip;，beta;k是参数，ε是随机成
图5 – 二氧化碳排放量实测结果与预测结 图6 – 二氧化碳排放量的观测值与预测值
果的散点相关图
分（模型的其余部分）。
MLR模型的本质价值基于所得到方程中所包含的科学信息。所运用的逐步回归是为了在回归模型中留下最少量的变量系列而设计的，同时最大限度地调整决定系数并尽量减少回归模型中的均方差。这个方法包括，在它的第一步中，一个包含了所有潜在因变量的模型的构建，然后逐步消除它们，目的是保持模型最高的决定系数，同时保持参数的意义（Watroba, 2011）。
输入的温室气体排放数据是从联合国气候变化框架公约（UNFCCC）国际公共数据库和环境保护统计年鉴得到的（CSO, 1996, 2012）。我们采用的是1990年到2011年的数据。2011年波兰一级能源消费总量见表1。这项研究使用了Statistica统计软件包（Ver. 10）进行统计。
表4
表5
图7 – 甲烷的排放量散点图 图8 – 甲烷排放量的观测值与预测值
- 结果与讨论
起初，因变量是对数化的。相关性分析允许独立性的快速识别。表2给出的值是皮尔森相关系数。在p＜0.05时具有统计学意义的值用黑体加粗了。因X1与X2（0.849），X1与X3（-0.852）之间有高度的线性相关性，所以我们把褐煤和原油两个变量舍去。
所得的皮尔森相关系数值预示着从硬煤总消费中排放的二氧化碳和甲烷的高度相关性。图4是一个二维散点图的例子，解释了二氧化碳排放量与硬煤消费量的关系。
R2系数的确定值参照数据拟合的模型。引入太多的变量会导致模型对数据的过度拟合。因此，除了调整后的R2系数，还可以使用另一个参数。这个参数是一个叫做Fisher（F）的测试的结果，尤其在模型之间对比时有意义。它的值越高，模型的拟合度越好。
2.1 对二氧化碳排放量建模
在分析二氧化碳排放量的情况下，最不重要的变量不予以考虑：可再生资源，固体废物燃料和其他来源。二氧化碳排放量的逐步回归建模的结果表明其中一个变量的重要性——硬煤（0.97）。回归汇总值见表3。
统计的F最大值366和相应的检验概率等级p（p＜0.001）的相关性确定了具有统计学意义的显著线性关系。调整后的R2系数很高，可以解释二氧化碳排放量95%的方差。
根据上述提到的这些发现，回归方程可以写成以下形式：
Y1=0.97X1 5.3 （2）
在理解模型1的时候，应说明随着煤炭消费量每增加1 TJ，二
全文共7786字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[142935]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
