《ENERGY CONVERSION AND MANAGEMENT》：Spatiotemporal big data-driven suitability assessment and high-efficiency utilization of renewable electricity consumption in China
编辑推荐：
本研究构建综合模型，分析社会经济与环境因素对可再生能源消费的非线性影响，确定关键阈值。以中国为案例，生成了250米分辨率的可再生能源消费潜力图谱，揭示了太阳能、风能及水能的空间分异特征及驱动机制。
罗海志|李元基|张一文|高新宇|刘正光|孟向钊|杨晓虎
西安交通大学人居与土木工程学院建筑环境与可持续技术研究所，中国西安710049
摘要
可再生能源是解决全球能源危机和气候变化的核心方案。因此，系统地识别其消费的驱动因素对于推进区域可持续发展至关重要。本研究构建了一个综合模型，将可再生能源消费与社会经济因素和自然环境因素联系起来，量化了它们的非线性影响，明确了关键变量的边际效应轨迹，并确定了促进可再生能源采用的关键阈值。以中国（世界上最大的能源消费国）作为案例研究，本研究开发了一个高分辨率的可再生能源消费潜力地图，描述了第三级行政层面的时空模式，并识别出具有高发展潜力的关键热点地区。主要发现包括：（1）作为一种空间分布广泛的资源，太阳能消费与当地的整合能力密切相关；当工业设施密度超过2.3个/平方公里且住宅设施密度达到22.0个/平方公里时，太阳能消费量急剧增加；（2）作为一种依赖当地条件的资源，风能主要受风速、湿度和年降水量等自然因素的影响；这些因素在达到各自的阈值后会产生显著的正面效应；（3）水电消费既具有地方性特征也具有广泛性特征，高度依赖于设施密度和资源禀赋；年降水量为898毫米且服务设施密度为10.4个/平方公里时，可以有效支持当地水电发展；（4）本研究制作了一张250米分辨率的全国可再生能源消费潜力地图，可以为太阳能、风能和水电的系统部署和精准规划提供战略指导。
引言
随着人口持续增长、城市化进程加快和工业化程度加深，全球能源需求激增，这对能源安全[1]、气候变化缓解[2]和可持续发展目标（SDGs）[3]带来了严峻挑战。根据国际能源署（IEA）发布的《2023年世界能源展望》，全球一次能源消费量已超过60艾焦，自1990年以来增长了近60%。这凸显了全球发展对能源的持续依赖[4]。《联合国2030年可持续发展行动》呼吁确保所有人都能获得“SDG 7”：负担得起的清洁能源，同时推进“SDG 13”：气候行动[5]。政府间气候变化专门委员会第六次评估报告进一步警告称，如果不加快低碳能源转型，1.5°C的升温阈值很可能会被突破，危及全球净零目标[6]。在这种情况下，加快清洁能源替代和重组能源系统已成为全球能源治理的核心任务。
电力作为一种关键的终端能源形式，支撑着工业、交通和城市基础设施的运行[7]。2022年，全球电力消费量超过了25,500太瓦时，并继续呈现稳定上升的趋势[8]。与传统能源相比，可再生能源（如太阳能、风能和水能）具有低排放、固有的可再生性和灵活的本地化部署能力，使其成为电力部门脱碳的基石[9]。在技术创新和政策激励的支持下，2022年可再生能源在全球电力发电中的占比超过了30%，中国[10]、美国和英国等国家正在向以可再生能源为主导的电力系统转型[11]。因此，可再生能源消费已成为全球能源转型议程的核心焦点，相关国家和地区成为了重要的参考模型[12]。
资源禀赋、社会经济条件和技术准备程度的显著区域差异导致了可再生能源消费潜力和发展路径的巨大差异。需要一个强大的分析框架来识别关键驱动因素，衡量它们的边际效应，并揭示潜在的非线性关系。空间明确的模型和适宜性地图对于可视化区域差异、指导有针对性的政策决策和支持可再生能源的最佳空间分配至关重要。分析可再生能源消费的驱动因素和空间适宜性符合能源转型的迫切需求，并为国家安全和区域定制的可持续发展提供了战略洞察。
现有研究通常使用面板数据来识别可再生能源消费的驱动因素。Sekeroglu和Erol[13]以土耳其为例，发现风能、太阳能和生物质能设施的空间部署显著促进了当地可再生能源消费，强调了基础设施发展的必要性。同时，Sundar、Craig[14]、Qin、Zhou[15]和Park、Hwan Ryu[16]认为日照时长（SSD）、风速（WIN）和地表温度（LST）是区域可再生能源生产和消费的关键决定因素，强调可再生能源的部署必须与有利的气候和气象条件相协调。基于面板数据，Zhang、Xia[17]、Lin和Xie[18]、Lou、Huang[19]以及Zhou、Ding[20]强调了技术进步、政策实施、设施密度和土地资源的关键作用。然而，这些基于面板的研究通常局限于特定地区，主要关注个别因素的方向性影响。因此，现有的文献中缺乏全面的多因素系统分析和建模框架。
建模是一种量化评估各种因素如何影响可再生能源消费的关键技术。Jebli和Belouadha[21]使用皮尔逊相关系数（PCCs）来评估摩洛哥Errachidia地区影响太阳能消费的因素。Colak、Memisoglu[22]、Noorollahi、Ghenaatpisheh Senani[23]和Ali、Stewart[24]应用层次分析法（AHP）来评估土耳其、伊朗和澳大利亚特定地区的可再生能源驱动因素。尽管特定系数可以量化每个因素对可再生能源消费的影响，但显著的区域差异、较大的估计误差和宽置信区间限制了这种方法在评估区域适宜性或确定最合适的可再生能源类型方面的实用性。
非线性模型，特别是机器学习，由于具有更出色的预测准确性而受到重视。例如，Wang和Wang[25]证明了气象因素对可再生能源消费的非线性影响。在此基础上，Mallala和Ahmed[26]利用包含11个指标（包括经济因素）的随机森林算法来建模影响太阳能消费的变量之间的关系。类似地，AlDousari、Fattah[27]、Dewi、Mardiyati[28]和Fang、Li[29]应用人工神经网络、循环神经网络和长短期记忆网络来建立关键因素与可再生能源消费之间的回归关系。尽管这些机器学习模型能够捕捉复杂的关系，但它们的可解释性有限且与政策的直接相关性较弱，表明需要进一步改进。这凸显了需要高精度、可解释的模型，以捕捉每个变量对可再生能源消费的边际影响，从而进行定量评估和更明智的优化。
为了提高可再生能源消费的评估能力，Mrówczyńska和Skiba[30]强调了将地理信息系统（GIS）技术与大数据相结合的巨大潜力，因为这可以描述可再生能源消费的时空模式。Dimitriou、Sarmas[31]、Montano-Martinez和Ma[32]以及Eslami、Noorollahi[33]分别使用AHP衍生的权重、相关系数和特征重要性作为权重方案，结合GIS来模拟希腊、美国、土耳其和中国的特定省份或地区的可再生能源消费适宜性。然而，数据获取受限、预定义权重在捕捉全球变量效应方面的代表性较弱，以及将非线性模型与GIS结合的高计算需求等因素限制了这些研究的范围，降低了结果的精确度和准确性。这些局限性突显了需要一个技术上可扩展且具有全球适用性的框架，并通过具有全球相关性的案例研究来支持。
本研究旨在建立一个可再生能源消费特征和适宜性评估模型，实证揭示关键驱动因素对太阳能、风能和水能的边际效应曲线，重点解决现有研究中的以下空白：
1.需要全面分析影响因素的贡献：以往的研究往往从单一角度审视影响因素，没有整合自然和社会环境因素。需求方面的评估也缺失。因此，需要一个系统框架来评估各种因素历史上对可再生能源消费的贡献。
2.缺乏对影响因素之间复杂非线性关系的理解：传统模型依赖于预定义的权重，无法捕捉因素之间的非线性关系。因此，它们无法为每个因素提供明确的适宜性阈值或最佳范围，降低了可再生能源部署策略的精确度。
3.缺乏高分辨率的可再生能源消费地图
：尚未开发出将非线性建模与时空大数据相结合的高分辨率适宜性地图。可再生能源消费的多尺度表示尚未建立，这限制了基于证据的政策评估的支持。1 引言章节总结了该领域的关键挑战和知识空白。2 材料与方法章节介绍了方法论框架和核心算法，并验证了模型的可靠性。3 结果与讨论章节报告了实证发现。4 结论章节提出了研究的关键结论、贡献和未来方向。
部分摘录
案例研究
虽然全球趋势凸显了紧迫性，但考虑到中国的规模和区域异质性，中国是一个特别关键的案例：中国位于欧亚大陆东部边缘，面积约为960万平方公里（18°–54°N，73°–135°E，如图1所示），是世界上面积第三大的国家。2023年，中国人口达到14.1亿，名义GDP为17.79万亿美元（占全球总量的16.76%）[34]，反映了其巨大的经济影响力。
驱动因素的历史贡献
光伏电力消费主要受光伏电站装机容量、太阳辐射、城市居民密度和上网电价（FIT）的影响，如图6（a–b）所示。大规模的设施配置决定了电网连接性和发电能力，而充足的太阳辐射确保了光伏系统的效率。高居民和工业需求允许本地消费产生的电力，从而减少了传输损失[39]。同时，上网电价
结论
本研究构建了中国可再生能源消费的时空大数据集，并建立了将社会经济因素、自然环境因素和可再生能源消费联系起来的模型。分析揭示了这些因素的非线性边际效应，并确定了塑造消费模式的关键阈值。利用这些关系，高分辨率（250米）地图描述了中国各省级的可再生能源消费潜力
CRediT作者贡献声明
罗海志：撰写 – 审稿与编辑，撰写 – 原稿，验证，软件，方法论，调查。李元基：撰写 – 审稿与编辑，验证，软件，资金获取。张一文：撰写 – 审稿与编辑，方法论，调查。高新宇：撰写 – 审稿与编辑，方法论，形式分析，数据管理。刘正光：软件，项目管理，调查，形式分析。孟向钊：撰写 – 审稿与编辑，资源管理，
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
作者感谢陕西省科技创新团队（2023-CX-TD-29）、CAST青年精英科学家培养计划：博士项目（STID: 156-O-610-0000671-0）以及中央高校基本科研业务费（xzy022025044）提供的支持。
