Ключевые слова: индекс чистой энергии, индекс эффективного использования топлива, оценка «зеленой» энергетики, экологическая чистота при производстве энергии, оценка углеродного следа, искусственный интеллект в энергетическом секторе, нейронные сети в энергетическом анализе, контроль выбросов парниковых газов, решения в области устойчивой энергетики, технологии использования возобновляемых источников энергии, влияние солнечной энергии, углеродный след природного газа, смягчение последствий изменения климата, сокращение загрязнения, усовершенствованные показатели энергопотребления.
Климатическая проблема
Известно, что повышение средней температуры Земли по сравнению с доиндустриальным уровнем следует удерживать значительно ниже 2 °C к 2100 году, чтобы смягчить серьезные последствия изменения климата [3].
Отправной точкой к изменению ситуации с проблемой климатического преобразования и фокусированию внимания на этой проблеме послужил созыв в 80-х годах прошлого века Всемирной конференции по климату в Женеве, которая определила основные направления решений климатической повестки, направления развития различных источников энергии, включая возобновляемые (ВИЭ). Вместе с тем стратегическое планирование развития различных источников энергии требует объективного и достоверного подхода к их эффективности и объему климатических газов, выделяемых при производстве энергии из различных источников.
Индекс чистой энергии
Большим шагом к выработке оптимальной стратегии энергетической безопасности является введение объективных показателей оценки экологической чистоты процессов устойчивого производства энергии от геолого-разведочных работ до утилизации.
Российская Федерация активно участвует в разработке и реализации программ достижения Целей устойчивого развития, направленных на обеспечение населения недорогой и чистой энергией, позволяющей поддерживать экологическое равновесие в районах ее добычи и потребления, создавая нормативно-правовую базу под формирование развития государства, а также разрабатывая «зеленые» технологии. Достижение поставленных Целей может также осуществляться не только за счет перехода на экологически чистые виды энергии, таких как солнечная, ветровая и другие виды альтернативной энергетики, но и развивая традиционные технологии, основанные на использовании ископаемых источников, таких как нефть, газ, уголь (рисунок 1).
Исходя из этой необходимости и важности для разработки и реализации программ достижения Целей устойчивого развития одним из авторов данной статьи И. Шпуровым при обсуждении в постоянной группе по управлению ресурсами ЕЭК ООН предложен показатель индекса чистой энергии, созданный для оценки различных видов энергии, их «чистоты» и эффективности. Предложенное понятие было поддержано группой по управлению ресурсами ЕЭК ООН и включено в качестве одного из ключевых понятий в документ СУР ООН, определяющий рамочные правила устойчивого управления ресурсами для стран, входящих в ООН.
Суть понятия индекс чистой энергии (ИЧЭ) основана на оценке эффективности выработки энергии из различных источников, обеспечении контроля за выбросами парниковых газов, а также учета наложения этих факторов на экологические, географические, экономические и другие составляющие. Важной особенностью данного показателя является его многофункциональность для различных продуктов и производств, куда включаются и традиционные, в т.ч. ископаемые, источники энергии, и альтернативные (солнечная, ветровая и иные виды источников энергии).
Данный показатель включает в себя ряд характеристик, описывающих его зависимость от показателей объема утилизации парниковых газов (СО2-екв.) и эффективной энергии, выработанной определенным видом топлива.
Также для удобства оценки и пересчета влияния выбросов парниковых газов применяется такое понятие, как СО2-екв., которое, согласно Приказу Минприроды России от 30.06.2015 № 300 «Об утверждении методических указаний и руководства по количественному определению объема выбросов парниковых газов организациями, осуществляющими хозяйственную и иную деятельность в Российской Федерации» (зарегистрировано в Минюсте России 15.12.2015 № 40098), описывается как величина выбросов или поглощения иных парниковых газов, кроме CO2, в единицах CO2 эквивалента, тонн. В таблице 1 приведены значения потенциалов, которые были приняты на Конференции Сторон Рамочной Конвенции ООН об изменении климата, ратифицированной Федеральным законом от 04.11.1994 № 34-ФЗ «О ратификации рамочной конвенции ООН об изменении климата».
Также вводятся следующие определения:
ИЧЭ (индекс чистой энергии) – стоимость выработки 1 Дж (кДж) энергии, полученной с использованием конкретного вида топлива, с учетом его приведения к углеродной нейтральности. Выражается формулой 1.
ИЭТ (индекс эффективности топлива) – индекс, учитывающий калорийность и себестоимость при сжигании 1 кг топлива.
Углеродная нейтральность – это состояние чистых нулевых выбросов углекислого газа.
Стоит отметить, что чем меньше значение ИЧЭ, тем эффективнее процесс получения чистой энергии из соответствующего вида топлива или источника генерации.
В данной работе, помимо формулирования индексов ИЧЭ и ИЭТ, также предлагается следующая математическая зависимость их его расчету:
В данном контексте формулы углеродный индекс – это показатель, отражающий цену утилизации объема углекислого газа при выработке 1 кДж чистой энергии. Важной особенностью определения данного показателя является факт корреляции с ценой, что позволит в более простой форме оценивать показатель эффективности. Также показатель является важным инструментом для оценки экологической стойкости производства и потребления товаров.
Показатели индекса эффективного топлива (2) и углеродный индекс (3) находятся по следующим отношениям:
где, Vуг – объем углекислого газа, который выделяется при выработке 1 кДж энергии.
Итак, для определения ИЧЭ необходимо выполнить оценку всех затрат (до учета налогов и обязательных платежей), которые требуется понести при производстве того или иного вида энергии: от проведения геолого-разведочных работ и добычи необходимых полезных ископаемых для производства энергии (нефть, газ, металлы, редкоземельные элементы и т.д.), а также цепочки производства, накопления, транспортировки, использования энергии, захоронения и (или) утилизации отходов, которые образуются при выработке того или иного вида энергии:
Спроиз. – стоимость непосредственно производства энергии, включая капитальные вложения на производственные мощности для производства энергии, эксплуатационные затраты в ходе производства энергии, долл./кДж;
Сразв. – затраты на проведение разведочных работ по поиску источника энергии и материалов для элементной базы для производства, хранения и транспорта энергии, долл./кДж;
Сдоб. – затраты на добычу материалов, составляющих элементную базу для производства, хранения и транспорта энергии, долл./кДж;
Сзах. – стоимость улавливания, размещения выбросов парниковых газов (СО2 и другие) при производстве энергии, долл./кДж;
Сутил. – затраты на утилизацию и захоронение отходов материалов элементной базы для производства энергии, долл./кДж;
Стран. – стоимость транспорта энергии от точки производства до потребителя с учетом структуры потребления в промышленности, бытовой сфере (жилище, питание и т.д.) и транспорте (авто, авиа, железнодорожный, морской и др.), долл./кДж;
Схран. – затраты на хранения энергии с учетом необходимой резервной мощности в долях от ее потребления, долл./кДж.
При этом необходимо закрепить на международном и (или) национальном уровне требования к допустимому уровню выбросов парниковых газов и контролю за реализацией данных требований, который и будет определять уровень «чистой энергии».
Искусственный интеллект
Понятие индекса чистой энергии сложно вычислить из-за многочисленных зависимостей и факторов, влияющих на углеродный след различных многокомпонентных видов топлива и материалов производства, поскольку данный показатель учитывает множество стадий самого производства от изготовления продукта потребления до транспортировки к потребителю итоговой продукции. Чтобы решить неопределенность, которая связана с максимальным количеством компонентов, составляющих единую цепь, предлагается использовать большие языковые модели (БЯМ) и динамическое программирование, чтобы разбить проблему на более мелкие и более управляемые подзадачи.
Искусственный интеллект на современной стадии развития уже обладает способностью к обучению на основе данных, адаптации к изменяющимся условиям и принятию решений в реальном времени. Также он обладает возможностью взаимодействия со сложными и многокомпонентными задачами, позволяя выводить результаты на простом и ясном языке и выдавая полученные данные в удобном для пользователя формате.
Современные технологии искусственного интеллекта позволяют создавать системы с высокой степенью автономности и способностью к самообучению. Эти системы способны обрабатывать и анализировать сложные данные, принимать обоснованные решения. Они также обладают возможностью адаптироваться к изменяющимся условиям и постепенно улучшать свою производительность.
Из совокупности представленных методов для решения поставленной задачи были выбраны классический представитель нейронных сетей БЯМ, расширяющий возможности машинного обучения и понимания человеческого языка [4], и существующая уже более полувека технология динамического моделирования. Благодаря такому сочетанию машинного обучения и классического моделирования появилась возможность решить данную задачу.
Динамическое программирование не относится к процессу создания или модификации компьютерных программ или же созданию алгоритмов и структуры данных, а является методом, который способен разбить проблемы на контролируемые подзадачи (более простые) [5] с сохранением предыдущего решения, что позволяет избежать повторений и ошибочного результата.
Большие языковые модели же представляют из себя сложный комплекс, а именно: такая модель способна к обработке и генерации текста на естественном для человека языке, с возможностью расчета и принятия автономных решений. Эти модели обучаемы на огромных объемах текстовых данных и используют методы глубокого обучения для изучения шаблонов и структур языка [1].
Использование Большой Языковой Модели и ее применение
В подходе, который будет изложен далее, вводится использование большой языковой модели (БЯМ) в качестве важнейшего инструмента для выявления факторов ветвления в рамках задач и подзадач. Отличительной особенностью моделей на основе БЯМ, являются обширное информационное поле, которым обладают большие языковые модели, и способность обучения на огромных массивах информации, что и позволяет генерировать достоверные результаты, а также обучение на собственной информации и вложенной в нее пользователем, имитируя человеческий интеллект. БЯМ функционируют, используя передовые статистические модели и методы глубокого обучения для обработки и понимания огромных объемов текстовых данных [2].
Так, БЯМ обладают обширными знаниями о факторах, влияющих на углеродный след различных продуктов и услуг, что делает их неоценимыми в точном определении этих факторов и их градации по степени внесения вклада в общий углеродный след. По своей сути, БЯМ помогают определить, как эффективно разделить проблему на основе вложенных и установленных критериев и зависимостей, поставленных пользователем, определяя, как мы распределяем и оцениваем воздействия в каждой отрасли.
После того, как эти факторы ветвления установлены (рисунок 2), БЯМ также используется для определения соответствующего процентного воздействия для каждой ветви. Этот метод обеспечивает систематическое и основанное на данных распределение воздействий, повышая точность расчета индекса чистой энергии.
Стоит также отметить тот факт, что рекурсия в данном подходе к динамическому программированию продолжается до тех пор, пока мы не достигнем того, что мы определяем как краевое условие. Базовым условием, заложенным в данную модель, было влияние подзадачи или ветви, которое должно составлять не более 1% от общей проблемы, поскольку, в этот момент вклад считается минимальным и дальнейшее деление прекращается. Такое решение было принято в связи с тем, что декомпозиция задач до уровня 1% не дает значительный вклад. Кроме того, с учетом погрешностей и допущений, это в дальнейшем приводит к существенной ошибке.
Соответственно, необходимо аппроксимировать задачу до степени ее релевантности в изучаемой области, без потери значимости. Инновационный подход, заложенный в данной статье, использует динамическое программирование для разложения этой сложной проблемы на более управляемые подзадачи.
Работа с Большой Языковой Моделью
Использование БЯМ для определения ключевых факторов ветвления в рамках проблемы углеродного следа происходит через обучение по общедоступным массивам данных и далее через формулирование запросов и анализа полученных результатов. Факторы ветвления представляют собой различные аспекты или компоненты углеродного следа, которые требуют отдельного анализа и представления.
Стоит сказать, что расчет углеродного следа на Джоуль для различных источников энергии включает определение количества выбросов углекислого газа (CO2), произведенных на джоуль произведенной энергии. Это измерение помогает оценить воздействие различных источников энергии на окружающую среду, позволяя сравнивать их с точки зрения выбросов парниковых газов.
Следовательно, шаги формирования результатов будут следующими:
- Определение источника энергии как ключевого фактора отсчета. К нему относятся: нефть, природный газ, уголь, атомная энергия, ВИЭ.
- Сбор данных о выбросах углекислого газа. Сюда входят выбросы от производства, транспортировки и использования. Получение таких данных связано с изучением экологических отчетов, государственных и иных форм исследовательской или общепринятой деятельности, а также информационных отчетов от крупных производств и промышленных отраслей.
- Определение общей энергии, полученной от изучаемого источника. На данном этапе происходит определение общего итогового обмена энергии каждого источника в джоулях или этапа производства и затраченной на нем энергии. Использованные данные получены из отчетов по энергетике и в управлениях энергетической информации, а также из общедоступных источников (как, например, отчеты компаний).
- Расчет выбросов на Джоуль. На данном этапе осуществляется переход уже к непосредственному расчету и получению конечного результата. По формуле 5 происходит расчет общих выбросов в джоулях, где числителем является объем общих выбросов, а в знаменателе записывается объем общей выработки энергии.
Таким образом, получение итоговых результатов происходит за счет формирования запросов в системе БЯМ. Так, например, определено, что при производстве 1 джоуля энергии необходимо примерно 8,33 микрограмма водорода.
Переходя к следующему этапу деления, рассчитываются общие выбросы СО2 при производстве 8,33 микрограмма водорода. И уже на данном этапе мы можем запустить систему ветвления, суть которого была изложена ранее.
Главная цель градируется по уровням, которые были получены при формировании запросов. В данном случае, с учетом деления на подзадачи, было получено три уровня, представленных в процентном соотношении (рисунок 3), включая задачи и подзадачи, которые вносят вклад в углеродные выбросы.
Как только модель принимает свою итоговую форму, происходит отслеживание объемов углеродного следа, например, использующийся метод steam methane reforming (SMR) в производственных целях, а также железнодорожный транспорт, как представлено на рисунке 4.
После получения основных результатов искусственный интеллект используется повторно для получения ответов на следующие вопросы:
a. Общий объем выбросов углекислого газа в килограммах при очистке одного килограмма водорода методом steam methane reforming (SMR).
b. Общий объем выбросов углекислого газа в килограммах на метан для производства одного килограмма водорода до метода производства SMR.
c. Общий объем выбросов углекислого газа в килограммах только при доставке метана. Один килограмм водорода перед методом производства SMR.
d. Общий объем выбросов углекислого газа в килограммах в процессе парового реформинга, исключая транспортировку и поставки.
Единственное специальное условие, которое при этом задается ИИ, – выдавать ответы в простой форме, для облегчения восприятия и ясности демонстрации информации (полученных данных).
Полученные результаты корректно отображают ответы на поставленные вопросы, что позволяет произвести дальнейшие расчеты. В частности, при анализе ответов видно, что транспорт составляет еще 10 % от общего вклада, которым необходимо дополнить выполненные вычисления. Таким образом получаем, что общий объем выбросов углекислого газа составит 16,5 кг CO2 на 1 кг генерируемого водорода.
В результате окончательных расчетов по формуле 5 получаем, что 1 кг водорода производит энергию равную 120 048 019 Джоулей, а объем выбросов CO2 на джоуль будет равен 0,00137445 кг/Дж.
По такому же алгоритму были рассмотрены и иные виды энергии: природный газ и солнечная энергия.
Природный газ
Для расчета природного газа были применены идентичные методы выборки и ветвления, что и ранее описанные в статье. Основной вклад в выработку СО2 для природного газа производит использование (40 %) и производство данного вида топлива (35 %).
При добыче природного газа основной вклад в генерацию CO2 вносит его непосредственная добыча (40 %) и геолого-технологические мероприятия, такие как бурение скважин (30 %).
Итоговые расчеты показывают, что общий объем выбросов СO2 на джоуль будет равен 0,00083636363 кг/Дж (0,8 г/Дж).
Солнечная энергия
Основной и самый крупный вклад в углеродный след вносит производство (90 %) самих солнечных батарей, а также всего цикла производства другого оборудования, используемого в производственном цикле, ибо такое производство включает в себя большое количество материалов природного происхождение и редкоземельных металлов.
Расчеты показывают, что одинаковый вклад в углеродный след составляют добыча сырья (40 %) и производство фотоэлектрических элементов (40 %).
Однако стоит учитывать, как сказано ранее, как сам процесс производства энергии из различных видов топлива, так и жизненный цикл эксплуатации оборудования, в частности солнечной панели, который составляет 25 лет. Соответственно, следует вычислить и общую произведенную энергию за период рентабельной эксплуатации солнечной панели, что составит произведенную энергию за срок 25 лет равную 90 000 000 Дж, а также затраты на последующую утилизацию оборудования.
В общем, суммируя выбросы на каждом этапе и учитывая выработанную энергию при эксплуатации солнечной панели, получается результат общих выбросов равный 0,00002034444 кг/Дж.
Для окончательного расчета индекса чистой энергии необходимо будет также рассчитать и сопоставить стоимость полученной энергии по видам источников и затрат на утилизацию полученных климатических газов.
Заключение
Сформулированный индекс чистой энергии, представленный в данной статье, при его вводе в общее пользование позволит:
- Сформировать методику определения стратегии устойчивого развития на глобальном и региональных уровнях.
- Оценить эффективность выработки чистой энергии того или иного вида топлива.
- Учесть накопленный опыт, системно оценить накопившиеся риски и угрозы, а также все факторы влияния технологических аспектов на социальные, экономические и экологические последствия от использования различных источников энергии.
- Провести анализ ситуации на рынке энергообеспечения, включая тенденции рынка с учетом регионального деления, разделения по видам источников, сырья, технологий, отраслей производства и даже отдельных компаний.
- Определить наиболее экономичный способ безопасного и устойчивого обеспечения населения энергией в среднесрочной и долгосрочной перспективе.
- Ветвление при помощи БЯМ способствует углубленному изучению проблемы на доступных сегодня человеку данных в различных масштабах (от малого производства до мировой оценки отраслей).
- Актуализировать данные при поступлении новых вводных, что для современного и динамически развивающегося мира и рынка является жизненно важным условием при формировании долгосрочных перспектив развития.
Литература
1. B. D. Lund, T. Wang, N. R. Mannuru, B. Nie, S. Shimray, and Z. Wang, “Chatgpt and a new academic reality: Artificial intelligence-written research papers and the ethics of the large language models in scholarly publishing,” Journal of the Association for Information Science and Technology, vol. 74, no. 5, pp. 570–581, 2023.
2. I. Dergaa, K. Chamari, P. Zmijewski, and H. B. Saad, “From human writing to artificial intelligence generated text: examining the prospects and potential threats of chatgpt in academic writing,” Biology of Sport, vol. 40, no. 2, pp. 615–622, 2023.
3. IPCC. Special report on carbon dioxide capture and storage, Cambridge; 2005.
4. J. Huang and K. C.-C. Chang, “Towards reasoning in large language models: A survey,” arXiv preprint arXiv:2212.10403, 2022.
5. Бессмертный, И.А. Системы искусственного интеллекта: учеб. пособие для СПО / И.А. Бессмертный. – 2-е изд., испр. и доп. – М.: Издательство Юрайт, 2018. – 130 с.
