碳排放量、能源消费量、人口和经济增长存在着较为密切的关系,而作为清洁二次能源的电能,其消费使用量的多少影响着能源消费结构,进而影响着能源消费量。因此,电力消费强度和碳排放量之间存在着何种联系,是电力工业低碳之路需要考虑的问题。利用随机性环境影响评估模型(stochastic impacts by regression on population,affluence,and technology,STRIPAT),通过最小二乘回归方法测算碳排放量、人口、人均国民生产总值、电力消费量和能源消费量之间的碳排放影响系数。研究发现,人口、人均国民生产总值以及电力消费量和能源消费量之间的比值每发生1%的变化,将引起碳排放总量1.207%、0.901%以及?1.188%的变化,因此,在未来我国人口增长趋势放缓、国民经济保持7%以上较快发展的情况下,减少碳排放的途径应该从技术因素入手,通过提高电能占使用能源的比率、提高化石能源的使用效率和发展可再生能源来进行。
为快速识别大规模复杂网络中的重要节点，本研究将人类社会普遍存在的两类不平等映射为节点在网络中的能力与权力的二重异质性，设计了评价复杂网络节点重要度的DH指标，构造了用于DH指标快速分布式计算的并行随机距离渐进（parallel random distance approach，简称PRDA）算法．通过网络最大连通率、网络均衡熵、算法有效性和算法效率的评价实验验证DH指标及PRDA算法的有效性，得出结论如下：DH指标在识别重要节点时能适应不同拓扑特征的复杂网络，识别性能优于或同于时间复杂度更高的介数；PRDA估计算法在最短路径获得概率P=1—10^-1.5。的水平上得到的节点效率估计值^ηi与真实值ηi的Pearson相关系数在0．975以上，且在大规模网络上进行节点效率估计结果更可靠；在Apache Spark并行内存计算环境中应用时间复杂度为O（n^2／l）的PRDA算法求解DH指标耗时远小于介数求解耗时，这表明算法的时间特性也适于大规模网络．
暂无评论