《Environmetrics》:Short-Term CO
?
2
?
2
$$ {}_2 $$
Emissions Forecasting: Insight From the Italian Electricity Market
编辑推荐:
本研究考察意大利电力市场中发电产生的二氧化碳(CO2)排放的短期预测问题。利用2021年至2023年的小时级数据,研究人员在国家层面和分区层面评估并比较了若干统计模型与预测组合方法。考虑四类主要模型:线性参数模型(如季节性自回归积分滑动平均(SARIMA)及其
本研究考察意大利电力市场中发电产生的二氧化碳(CO2)排放的短期预测问题。利用2021年至2023年的小时级数据,研究人员在国家层面和分区层面评估并比较了若干统计模型与预测组合方法。考虑四类主要模型:线性参数模型(如季节性自回归积分滑动平均(SARIMA)及其外生变量扩展);函数参数模型(含带与不带外生变量的季节性函数自回归模型);半非参数且可能非线性的模型(特别是广义加性模型(GAM)与TBATS(三角函数季节性、Box-Cox变换、ARMA误差、趋势与季节性));以及基于K近邻的半函数方法。预测组合包括简单平均、最优Bates-Granger加权方案,以及按小时选择最佳模型的基于选择的策略。结果表明,GAM在白天时段产生最准确预测,而函数参数模型在凌晨表现最佳。在组合方法中,简单平均与基于选择的方案持续优于所有单一模型。研究发现凸显了混合预测框架在提升电力系统短期碳排放预测准确性与可靠性方面的价值,并强调在实施灵活能源需求策略时考虑分区特异性的重要性,低排放时段在一天中随市场分区不同而不同。
研究背景方面,电力部门是全球CO2排放的关键贡献者,占2023年总排放的38.24%。尽管长期排放预测受到关注,短期CO2排放预测研究有限,而后者对日前电力生产与消费调度以降低排放至关重要。现有研究多聚焦全国聚合数据,忽视分区异质性与模型组合潜力;同时消费者依价格调度可能引发“ merit order emission dilemma”(廉价高碳电源被启用)。因此,研究人员以意大利七个电力市场分区(North、Center-North、Center-South、South、Calabria、Sicily、Sardinia)为对象,利用2021至2023年小时级发电与排放因子数据,系统比较单一模型与预测组合在日前 horizons 的准确性。该研究发表于《Environmetrics》,为需求侧柔性调度与欧盟碳交易体系(ETS)下的配额管理提供方法论支撑。
关键技术方法上,研究人员构建基于排放因子法(Et=∑Gt,f×EFf×Of×M,M=44/12)的小时CO2序列,数据源自ENTSO-E与ISPRA,覆盖意大利于2021–2023年七分区。方法涵盖五类单一模型:朴素持久、SARIMAX、季节性函数自回归带外生变量(SFARX)、GAM、TBATS、K近邻(KNN);三类预测组合:简单平均(SA)、Bates-Granger最优权重(BG)、基于选择的逐时择优(SEL)。实验切分训练(2021-01至2022-06)、校准(2022-07至2022-12)、测试(2023全年),以小时平均RMSE与样本外R2为精度指标,并辅以Diebold-Mariano(DM)检验与模型置信集(MCS)进行统计显著性判定。
研究结果部分,按原文小节浓缩如下。
数据小节指出,意大利小时排放呈年、月、周、日多周期,2023年均值为12924.16 tCO2,North分区贡献最大(6114.24 tCO2);滚动均值与标准差无结构突变,满足弱平稳假设。
方法论小节中,单一模型设朴素基准Et=Et-24,SARIMAX(p,d,q)(P,D,Q)24刻画面每日24小时季节,SFARX(p)将日曲线作L2[1,24]函数空间自回归,GAM(3,1)用平滑样条融合趋势、月、时、周、168小时前及24/48/72小时滞后,TBATS处理多季节与Box-Cox,KNN以欧氏距离选k个最似日曲线加权平均;组合方法中SA等权、BG按误差方差逆权、SEL逐时赋权1给最优单模。
单一模型结果小节显示,测试集意大利最优单模为GAM(3,1)(小时均RMSE 1805.20,R2 0.81),凌晨00:00–05:00由FARX(2)占优,白天06:00–23:00由GAM占优;分区上North/Center-North/Center-South/South/Calabria优选GAM(3,1),Sicily优选FARX(3),Sardinia优选FARX(1);SARIMAX与TBATS显著劣于GAM(DM检验p<0.001)。
预测组合结果小节表明,COMB2.SEL(FARX(2)+GAM(3,1)逐时择一)在意大利与North取得最低小时均RMSE 1564.54(较朴素降45.26%,较GAM降15.09%),COMB3.SEL次之;SA在Center-North/Center-South/South/Calabria/Sicily不劣于BG与SEL;MCS在α=0.15下,意大利与North仅留COMB2.SEL,Sardinia因单模均强而留COMB1.SA加三单模。DM与MCS一致证实组合优于单模。
政策启示小节指出,分区低排放窗口错位(如意大利凌晨01:00–05:00与正午12:00–13:00,Center-South异于全国),柔性负荷日前调度须依分区预测而非统一全国曲线,否则可能触发电价导向的高碳陷阱。
讨论与结论部分翻译浓缩:研究人员得出结论,GAM是白天最优单模,函数自回归类凌晨最优;在意大利与North,SFARX+GAM的逐时选择组合(COMB2.SEL)最优,其余分区简单平均更稳健;分区异质性(岛屿Sicily/Sardinia能源结构与互联度不同)要求模型本地化。研究局限为仅评点预测未量化不确定性,后续可引入区间预测、自助法或概率预测以服务ETS配额风险决策。该研究通过多模型类别与组合框架,确立了混合预测在短期电力CO2排放日前调度中的优先地位。