2023 “华为杯” 中国研究生数学建模竞赛(D题)深度剖析 |
您所在的位置:网站首页 › 报答父母英语作文模板怎么写 › 2023 “华为杯” 中国研究生数学建模竞赛(D题)深度剖析 |
![]() 思路: 定义碳排放量 Prediction 模型: CO2 = P * (GDP/P) * (E/GDP) * (CO2/E) 其中: CO2:碳排放量 P:人口数量 GDP/P:人均GDP E/GDP:单位GDP能耗 CO2/E:单位能耗碳排放量 2.收集并统计相关历史数据: 人口数量P GDP总量与人均GDP 各产业部门能耗E 各产业部门碳排放量CO2 3.分析历史数据变化趋势: GDP增长率、人均GDP增长率 部门能耗强度降低率 部门碳排放强度降低率 4.预测未来发展态势: 人口预测 GDP增长目标 部门能效提升目标 非化石能源替代目标 5.将预测数据代入碳排放预测模型,计算各年碳排放量。 6.比较碳排放量预测结果与碳中和目标差距,分析碳中和的难点。 代码: # 导入需要的库 import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取历史数据 df = pd.read_excel('history_data.xlsx') # 数据预处理 df = df[['年份','人口','GDP','第一产业能耗','第二产业能耗','第三产业能耗','生活能耗','碳排放量']] df['能耗总量'] = df[['第一产业能耗','第二产业能耗','第三产业能耗','生活能耗']].sum(axis=1) df['人均GDP'] = df['GDP'] / df['人口'] df['能耗强度'] = df['能耗总量'] / df['GDP'] df['碳排放强度'] = df['碳排放量'] / df['能耗总量'] # 分析历史趋势 df['GDP增长率'] = df['GDP'].pct_change() df['人均GDP增长率'] = df['人均GDP'].pct_change() #见完整版问题二 区域碳排放量以及经济、人口、能源消费量的预测模型 人口预测模型 根据历史人口数据,可以建立简单的线性回归模型来预测未来人口数量。也可以研究人口增长的S形曲线规律,建立logistic回归模型。需要收集人口出生率、死亡率等数据,来综合判断未来人口变化趋势。 2.人均能耗模型 可以基于每个时期人均GDP水平,结合Engel系数法则等分析人均能耗需求变化规律。随着生活水平提高,人均能耗呈现先增加后下降的趋势。建立人均能耗预测模型时,需要考虑收入弹性、技术进步抑耗作用等因素。 3.能耗强度模型 这反映了经济活动的能效提升程度。可以收集国内外同类产业的能耗强度基准,判断本区域的节能潜力空间。还需要考虑电气化、新材料应用等因素对能耗强度的影响。不同产业需要建立独立的强度预测模型。 4.部门能耗预测 基于能耗总量预测,结合产业发展规划、产业结构优化目标,合理预测各部门的能源需求。重点对能源密集型产业的清洁生产提出指导意见。 5.情景比较 建议设计高能效提升情景、低能效提升情景,以及高非化石能源替代情景、低替代情景。比较各情景下的碳排放量、能耗指标,分析实现碳中和的关键措施。 结合公式: 人口预测模型 线性回归模型: 人口数P = a + b*年份 logistic模型: P = P_m / [1 + exp(-k(年份-t))] 2.人均能耗模型 人均能耗E_p = c * GDP_p^d 3.能耗强度模型 能耗强度I = a * exp(-b*年份) 4.部门能耗预测模型 第i部门能耗E_i = E_total * r_i 5.碳排放量预测 CO2 = ∑(E_i * f_i) 其中: P_m:人口饱和值上限 k,t:logistic模型参数 E_p:人均能耗 GDP_p:人均GDP I:能耗强度 E_i:第i部门能耗 E_total:总能耗 r_i:第i部门耗能占比 f_i:第i部门碳排放因子 代码: # 导入库 import pandas as pd from scipy.optimize import curve_fit # 人口预测 p_data = df[['年份','人口']] # 线性回归 def linear(x, a, b): return a + b*x pars, cov = curve_fit(linear, p_data['年份'], p_data['人口']) a, b = pars predict_p = [linear(x, a, b) for x in range(2025,2061)] # Logistic回归 def logistic(x, p_m, k, t):#见完整版问题三 区域双碳(碳达峰与碳中和)目标与路径规划方法 构建多情景框架 设置无干预情景、碳中和情景等多种发展情景。确定各情景的经济增长、能效提升、非化石能源比例等参数。 2.碳排放预测模型 CO2 = Σ(Ei * fi) Ei = Etotal * ri 其中Ei表示部门i能耗,fi表示对应碳排放因子,ri表示耗能占比。 3.部门能耗确定 工业:Ei = VAi * (1-η1) * η2 建筑:Ei = VAi * (1-η1) * η2 VAi表示部门增加值,η1表示管理节能率,η2表示技术节能率。 4.非化石能源置换 调整碳排放因子fi,设置不同替代情景。 5.GDP约束 ∑VAi = GDP 增加值之和约束为GDP总量。 6.情景对比 比较不同情景下的碳排放量、非化石能源比例等结果 详细来说, 构建多情景框架 可以设置3-5种情景,如基准情景、进取情景、保守情景等 确定每个情景的核心参数:经济增速、能效提升目标、非化石能源替代目标 收集相关国内外研究报告,综合判断参数的合理取值范围 2.碳排放预测模型 排放量由各部门的能耗及排放因子决定 部门能耗取决于总量分配和结构优化 排放因子通过提升非化石替代来降低 3.部门能耗确定 考虑管理节能、技术进步来推动能效提升 收集行业案例研究,判断节能潜力空间 4.非化石能源置换 不同情景可以设置不同的替代目标 替代路径可以通过电力置换、氢能应用、生物质利用等途径实现 5.GDP约束 部门增加值之和等于GDP总量 需要平衡部门发展速度,实现经济平稳增长 6.情景对比 比较碳排放量、非化石能源比例差异 分析不同情景的可行性和政策含义 提出相关决策建议 # 导入库 import pandas as pd from scipy.optimize import curve_fit # 人口预测 p_data = df[['年份','人口']] # 线性回归 def linear(x, a, b): return a + b*x pars, cov = curve_fit(linear, p_data['年份'], p_data['人口']) a, b = pars predict_p = [linear(x, a, b) for x in range(2025,2061)] # Logistic回归 def logistic(x, p_m, k, t):#见完整版更多完整版见我的回答~ (5 封私信 / 2 条消息) 如何评价2023数学建模研赛? - 知乎 (zhihu.com) |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |