《Waste Management》:A GIS-based thermal mapping and forecasting approach to decarbonize residential heating systems based on metals: A city-level case study
编辑推荐:
住宅供暖脱碳需要广泛实施更清洁的能源基础设施。缺乏可靠技术来逐步淘汰该领域的天然气仍然是遏制住宅排放的关键障碍。研究人员开发了一种量化具有能源价值的社区资源以满足住宅供暖需求的方法。使能技术是一种季节性储能模型(seasonal energy storage
住宅供暖脱碳需要广泛实施更清洁的能源基础设施。缺乏可靠技术来逐步淘汰该领域的天然气仍然是遏制住宅排放的关键障碍。研究人员开发了一种量化具有能源价值的社区资源以满足住宅供暖需求的方法。使能技术是一种季节性储能模型(seasonal energy storage model),该模型依靠社区废金属通过金属-水反应(metal-water reactions)按需生产氢气和热量。从城市固体废弃物(municipal solid waste, MSW)数据中得出了城市级合适金属储量的综合地理空间量化。该模型集成了开源数据和机器学习算法(machine learning, ML)用于废弃物生成预测。结果表明,安大略省汉密尔顿市在2021年至2050年间每年可产生10至14.6 GWh的清洁热量。这相当于每年减少2.9千吨(ktonnes)的空间供暖CO2排放。基于梯度提升算法(gradient boosting algorithm)的优化机器学习模型捕捉了市政废弃物数据中86%的变异性,均方根误差(root mean square error, RMSE)为11.8 kg/人。该方法提供了可复现的步骤,可在不同背景下复制分析,以促进社区能源规划。
全球能源转型迫切需要减少温室气体排放,住宅供暖是加拿大碳排放的重要来源,其中天然气占比高达74%。现有季节性储能技术(如地热、水箱等)受地质条件、公众接受度等限制,难以大规模推广。金属-水反应(metal-water reactions)作为一种新兴技术,可利用废金属产生热和氢,但缺乏对社区废金属资源潜力的量化方法。因此,研究人员开发了一种基于GIS的热映射与预测方法,以评估城市废金属用于住宅供暖脱碳的潜力。该研究以加拿大安大略省汉密尔顿市为案例,整合城市固体废弃物(municipal solid waste, MSW)数据、社会经济参数和机器学习模型,量化了2021-2050年间的清洁热产生潜力。结果显示,汉密尔顿每年可产生10-14.6 GWh清洁热,减少2.9千吨二氧化碳当量(CO
2e)排放。该研究为社区能源规划提供了可复现的工具,论文发表在《Waste Management》上。
研究人员采用的关键技术方法包括:1) 数据采集与整合:从DataCall报告和加拿大统计局获取2006-2021年MSW数据及七项社会经济参数(人口、平均年龄、公寓比例等),通过线性插值和四分位距(IQR)异常值处理进行数据清洗。2) 机器学习预测:采用梯度提升(Gradient Boosting, GB)算法,对MSW生成进行回归预测,通过k折交叉验证和网格搜索优化超参数,以决定系数R2和均方根误差(RMSE)评估性能。3) 金属浓度评估:基于加拿大国家废弃物表征数据,假设非铁金属占比为1%(保守估计),并探讨1.5%和2%情景。4) 能量模型:以铝-水反应为代理,计算反应热和氢燃烧热,反应效率95%,氢燃烧效率80%。5) GIS热映射:利用Python生成热分布图,显示汉密尔顿66个聚合散布区(ADA)的热产生潜力。所有数据来源于公开数据集,包括汉密尔顿市人口预测和安大略省废弃物管理数据。
3.1 数据集特征(Dataset characterization):通过分析2006-2021年数据,发现汉密尔顿人均废弃物产生量(459.7 kg/人降至414 kg/人)高于安大略省平均值,分流率(42.6%)低于省平均,表明废弃物资源化潜力大。
3.2 数据相关性(Data correlations):针对200k-1500k人口组,计算MSW与各社会经济参数的相关系数,发现人口(POP)和平均年龄(AGE)为最强负相关预测因子,即人口越多、年龄越大,人均废弃物产生越少。
3.3 机器学习模型性能(ML model performance):梯度提升模型在测试集上达到R2=0.86,RMSE=11.8 kg/人,训练集RMSE=3.1 kg/人,表明模型能有效捕捉废弃物趋势,且通过交叉验证避免过拟合。
3.4 城市固体废弃物预测(MSW projections):预测2021-2050年MSW趋势,显示人均废弃物先下降后稳定在400 kg/人左右。在不同分流率(DR)情景下(BAU、50%、60%、ONT),废弃物填埋量变化:BAU和DR=60%情景下填埋量增加,而ONT(80%分流率)情景下填埋量下降。废金属可获取量在60-185 ktonnes之间。
3.5 热映射与减排评估(Thermal mapping and emission reduction assessment):基于铝-水反应模型,在中度分流(DR=50%)情景下,汉密尔顿每年可产生清洁热10-14.6 GWh,其中反应热约7-8 GWh,氢燃烧热约4-6 GWh。若非铁金属浓度增至2%,热潜力可达25 GWh。热地图显示热产生在ADA间的分布,随分流率增加而减少。减排评估显示,每年可减少2.9 ktonnes CO
2e排放(基于天然气替代)。
讨论指出,金属基热产生量(约14.6 GWh)远小于汉密尔顿预期的住宅供暖需求(约2500 GWh),但可用于冬季高峰负荷辅助。此外,铝-水反应产物氧化铝(alumina)具有高经济价值(约$20,000/吨),可用于LED和锂电池隔膜,有助于提升技术经济可行性。研究还指出,未来需整合汽车和建筑废弃物以扩大资源利用,并开展全面的技术经济可行性分析,评估现有基础设施集成。该方法为加拿大社区供暖脱碳提供了初步评估工具,可推广至其他城市和偏远地区。
本研究提出了一种热映射方法,用于估算社区中先前废弃资源的清洁热产生潜力。该方法整合了MSW建模、机器学习预测算法和基于GIS的技术,以量化住宅空间供暖的潜在清洁热产生。研究聚焦于安大略省汉密尔顿市的城市级近似。整合数据集结合了MSW产生数据和七项社会经济参数。在选定的数据组中,机器学习算法预测了目标函数(废弃物/人)86%的变异性。优化模型的训练和测试误差(RMSE)分别为3.1 kg/人和11.8 kg/人。模型中最重要的社会经济预测因子是人口平均年龄,而教育率对描述MSW产生趋势的贡献最小。结果表明,汉密尔顿填埋废弃物的预测量将在2050年增加(在BAU和DR=60%情景下),主要由于人口迁移。然而,到2050年达到80%的分流率(ONT)将抵消人口增加的影响,使总填埋废弃物呈现总体下降趋势。在中度情景(DR=50%)下,汉密尔顿的清洁热产生潜力高达14.6 GWh。这相当于到2050年每年减少高达2.9 ktonnes的CO
2e排放。将填埋场中非铁金属浓度提高至2%可将热潜力增加至25 GWh。城市的热地图展示了构成汉密尔顿的66个聚合散布区(ADA)中的热产生分布。本研究所提出的方法是评估加拿大利用社区资源进行供暖系统脱碳潜力的第一步。该评估可在不同城市和偏远地区复制。尽管本研究的初步结果令人鼓舞,但在将该技术推广用于集中式区域住宅供暖应用之前,必须进行全面的技术经济可行性分析。此外,深入检查现有基础设施约束及其与GIS方法的整合,对于全面理解实施可行性至关重要。这包括评估潜在协同效应和金属基热产生在当前区域供暖网络中的整合能力。这种整体方法将有助于阐明这种创新供暖解决方案的可行性和有效性的关键方面。未来,应探索汽车行业和建筑拆除废弃物的潜力,以提供更全面的清洁热产生资源利用视角。此外,当前模型基于铝的理论氧化作为金属-水反应的代理来估算热潜力。简化模型考虑了反应效率、金属杂质和氢燃烧效率。随着实际规模反应器数据的可用,模型可被细化以代表实际反应行为和氢产量,为社区提供更好的热传递速率洞察。未来工作还应包括热损失,以支持改进的热分布分析和平准化成本估算。