Анализ динамики потребления биогаза в сельских районах на уровне деревень, волостей и уездов

Понимание характеристик спроса на биогаз в сельской местности имеет решающее значение для производства биогаза по требованию и замещения ископаемого топлива. Однако пространственно-временные особенности энергопотребления в сельских домохозяйствах остаются неясными. В данной работе была разработана модель прогнозирования спроса на биогаз в сельской местности (RBDM) на основе почасовых нагрузок различных видов энергии в сельских районах Китая. Модель требует лишь небольшого количества общедоступных входных данных. Её валидация была проведена с использованием данных опросов домохозяйств, собранных в пяти провинциях Китая, и годовых данных биогазовой установки масштаба деревни.

Результаты показали, что прогнозируемое и фактическое потребление биогаза, а также динамическая нагрузка, согласуются. Относительная ошибка оценки потребления биогаза на уровне деревни составила 11,45%, при этом динамическая нагрузка демонстрировала сезонные колебания. Для повышения точности и практической применимости модели были включены сезонные поправочные коэффициенты. Точность модели RBDM оказалась на 19,27% выше, чем у статической модели прогнозирования энергопотребления.

В будущих исследованиях необходимо провести дополнительную проверку модели на других примерах, чтобы обеспечить её использование для проектирования точных систем производства и распределения биогаза.

1.1. Предпосылки

В 2020 году в Китае работало более 90 000 биогазовых проектов, и их число продолжает расти [1]. При наличии эффективной системы производства и снабжения можно удовлетворить энергетические потребности местного населения в сельской местности и достичь значительного сокращения выбросов углерода (СВУ) [2]. Однако система производства и снабжения не всегда работает оптимально из-за неопределенного спроса на энергию в сельской местности и ограниченной емкости хранения газа [3]. Следовательно, значительная часть биогаза (55–65% СН4) выбрасывается, что приводит к низкой энергоэффективности и недостаточному смягчению последствий изменения климата [4,5].

Биогаз является эффективным, чистым и возобновляемым источником энергии. Его надлежащее использование сводит к минимуму выбросы метана при преобразовании и распределении энергии [6]. После осушки и обессеривания биогаз может использоваться для приготовления пищи, отопления и выработки электроэнергии [7,8]. Биогазовые котлы вырабатывают пар для производства электроэнергии для промышленного или сельскохозяйственного использования [9]. В сельских районах Китая существует множество потенциальных потребителей биогаза с потенциалом потребления 134,9 млрд м³/год в домохозяйствах и 24,8 млрд м³/год в мелкомасштабной промышленности. Использование такого количества биогаза может привести к СВУ в размере 193 млн т/год [10]. Таким образом, сельские районы обладают значительным потенциалом для развития биогазовой отрасли.

Для оценки потребления природного газа в городах было разработано множество прогнозных моделей [11]. Например, Yu и Xu разработали комбинированный метод на основе нейронной сети обратного распространения (BP) и оптимизированного генетического алгоритма и оценили модель с использованием данных о потреблении природного газа в Шанхае, при этом средняя абсолютная ошибка (MAE) колебалась от 7857,5 до 8739,2 [12]. Yin и др. использовали данные обследования 13 домохозяйств в Баодине, провинция Хэбэй, Китай, а также тесты логистической регрессии (LR) и метода наименьших квадратов (OLS) для определения потребности в отоплении [13]. Большой объем данных о потреблении природного газа из зданий высокой плотности и объектов городских газовых сетей предоставляет достаточную информацию для таких исследований [14]. Однако результаты прогнозирования по-прежнему имеют не пренебрежимо малую погрешность. Кроме того, в сельских районах Китая низкий уровень использования природного газа и децентрализованное распределение домохозяйств. Таким образом, прогнозные модели для городского потребления природного газа непригодны для сельских районов из-за отсутствия данных полевых обследований [15].

Большинство исследований энергопотребления в сельской местности Китая сосредоточено на использовании энергии и переходе на чистую энергию, тогда как несколько исследований проанализировали спрос на энергию в сельской местности. Большинство исследователей использовали статистические данные [16], среднее энергопотребление (AEC) [17] и линейные уравнения [18] для анализа энергопотребления. Однако эти данные отражают лишь спрос на энергию или статическую почасовую нагрузку в данном регионе. Потребление энергии изменчиво; таким образом, даже при достаточном производстве энергии существуют ее дефициты [19]. Кроме того, существуют значительные различия в экономических условиях сельских районов Китая, таких как деревни, волости и уезды, что приводит к большим различиям в использовании энергии [20]. Использование вышеуказанного метода для прогнозирования спроса на энергию в сельской местности приводит к ошибкам прогнозирования. Поэтому установление модели прогнозирования спроса на биогаз для сельских районов Китая имеет важное значение.

В данной статье разработана модель прогнозирования спроса на биогаз в сельской местности (RBDM) для деревень, волостей и уездов, учитывающая потребности в энергии для приготовления пищи, отопления и мелкомасштабной промышленности. Модель RBDM разработана с использованием данных о почасовой нагрузке различных типов энергии и с учетом энергопотребления деревень, волостей и уездов. Модель была оптимизирована и проверена с использованием данных обследования домохозяйств и эксплуатационных данных биогазовой установки. Были построены сценарии производства и снабжения биогазом для анализа характеристик динамической нагрузки деревень, волостей и уездов.

1.2. Обзор литературы

Биогаз, чистая энергия, вырабатывается в процессе анаэробного сбраживания органических материалов, таких как солома, животный навоз и бытовые отходы. Анаэробное сбраживание требует замкнутой среды, подходящей температуры и уровня pH. Основными компонентами являются метан (50–70%) и диоксид углерода (30–40%). В 2019 году общее количество органических отходов (в сухом весе) в Китае составило около 1,311 млрд тонн, причем доли соломы и животного навоза составили 63,1% и 27,0% соответственно. Это обеспечило достаточное предложение сырья для производства биогаза [21]. Кроме того, биогаз имеет более низкие выбросы углерода в процессах производства, транспортировки и использования по сравнению с другими методами использования сырья, такими как сжигание и открытое складирование [22]. Прогнозируется, что при условии эффективного развития биогазовой отрасли потенциал производства биогаза к 2030 году достигнет 169 млрд м³, с СВУ около 300 млн т CO2; к 2060 году он достигнет 371 млрд м³, а СВУ могут достичь 660 млн т CO2 [23]. Следовательно, биогаз обладает значительным потенциалом развития и перспективами в сельских районах Китая.

Биогаз может потребляться различными способами, такими как выработка электроэнергии, прямое сжигание поблизости и интеграция в газопровод, и методы прогнозирования его спроса различны. Производство электроэнергии из биогаза — это преобразование биогаза в другие виды энергии, поэтому спрос на биогаз можно получить путем прогнозирования спроса на электроэнергию. Модель прогнозирования спроса на электроэнергию часто использует авторегрессионную интегрированную скользящую среднюю (ARIMA) и сеть долгой краткосрочной памяти (LSTM). Например, Dittmer и др. [24] оценили LSTM как подходящую для прогнозирования спроса на электроэнергию в сельской местности и использовали исторические данные об электроэнергии экспериментальных станций, предоставленные операторами. Результаты показали, что абсолютная процентная ошибка (APE) выбранной модели составила 13–16%, что подходит для руководства производством биогазовых электростанций. После сероочистки, декабринизации и осушки содержание метана в биогазе может достигать 80%, и его топливные характеристики были такими же, как у природного газа, который можно было включить в трубопровод природного газа. Однако степень проникновения газопроводов природного газа в сельские районы Китая составляла всего 39,93% [25], поэтому большая часть биогаза, включенного в трубопроводы, поставлялась для городского использования. Следовательно, данные, используемые в прогнозной модели, в основном были из городов. Прогнозная модель была согласована с моделью энергосистем. Например, Qin и др. [26] предложили комбинированную модель федеративного обучения, глубокого контрастного обучения и методов кластеризации. Они оценили модель, используя исторические данные о городском газе, предоставленные газовыми компаниями, и результаты показали среднее улучшение среднеквадратичной ошибки (MSE) на 25,30%. Вышеуказанные методы в основном использовались в крупномасштабных биогазовых проектах. Однако в сельских районах Китая деревни широко рассредоточены. Когда расстояние транспортировки органических отходов превышает 15 км, экономические затраты значительно возрастают, и теряется ценность производства энергии [27]. Поэтому необходимо обрабатывать их в пределах подходящего расстояния как можно ближе. Однако большая часть обработки отходов поблизости использовала мелкомасштабные биогазовые проекты. Эти проекты при установке оборудования для модернизации биогаза или выработки электроэнергии значительно увеличат предполагаемые инвестиции или даже потеряют экономическую ценность. Поэтому наиболее эффективным способом была прямая поставка биогаза из мелкомасштабных биогазовых проектов ближайшему потребителю. Но существующие исследования модели прогнозирования спроса на биогаз в основном сосредоточены на крупных временных масштабах. Например, Senol и др. [28] оценили спрос на биогаз в Турции на 2035 год, используя искусственную нейронную сеть (ANN), ARIMA временных рядов и модели линейной регрессии. Такие модели, как ARMA и LSTM, должны управляться историческими данными, но было трудно получить исторические данные об энергопотреблении в сельских районах Китая, поэтому их прогнозные модели не подходили для сельских районов, или им нужно было использовать данные о потреблении энергии на душу населения из Национального бюро статистики [29], такие как потребление энергии на душу населения в 0,5 т у.т. (тонна условного топлива) в 2022 году. Но такие данные было трудно уловить изменения спроса на энергию во временных масштабах.

Согласно существующей литературе, исследования моделей прогнозирования спроса на биогаз в сельских районах Китая в основном сосредоточены на других типах энергии, и некоторые модели прогнозирования биогаза фокусируются только на статическом энергопотреблении, не показывая колебаний на коротком временном масштабе. Кроме того, на точность прогнозной модели в сельской местности влияли демографические, экономические и сезонные факторы. Среди них размер семьи тесно связан с энергопотреблением домохозяйства, и некоторые исследования указывают на то, что увеличение размера семьи будет сопровождаться увеличением энергопотребления домохозяйства [30], но некоторые ученые указывают, что энергопотребление имеет эффект масштаба и что увеличение размера семьи оказывает негативное влияние на потребление энергии на душу населения [31]. Сезонные изменения приводят к колебаниям температуры, и потребность жителей в отоплении значительно возрастает, когда температура окружающей среды ниже комфортной температуры человеческого тела [32]. Для обеспечения удобства использования прогнозной модели необходимо учитывать влияние этих факторов на модель.

2.1. База данных

Модель RBDM была создана с использованием базы данных Access и данных из Science Direct, Google Scholar, Web of Science и China National Knowledge Infrastructure. Мы использовали различные источники данных для замены отсутствующих данных. Были использованы следующие наборы данных:

Набор данных 1: Китайский статистический ежегодник [33] и Статистический ежегодник Китая по населению и занятости [34], опубликованные Национальным бюро статистики (NBS) Китая, используются для установки параметров масштаба сценария;

Набор данных 2: данные обследования энергопотребления домохозяйств для приготовления пищи и отопления в Нанкине, Хэфэе и Хэнани [35,36] используются для установки параметров времени приготовления пищи и отопления;

Набор данных 3: данные об энергопотреблении небольшой фабрики по переработке пищевых продуктов в Китае [37] используются для установки параметров в мелкомасштабной промышленности;

Набор данных 4: данные о нагрузке энергопотребления для приготовления пищи в домашних хозяйствах в сельских районах Китая [1,38,39] используются для получения динамической кривой приготовления пищи;

Набор данных 5: данные о нагрузке энергопотребления для отопления в домашних хозяйствах в сельских районах Китая [38,40,41] используются для получения динамической кривой отопления;

Набор данных 6: данные о нагрузке энергопотребления мелкомасштабной промышленности в сельских районах Китая [42] используются для получения динамической кривой мелкомасштабной промышленности.

2.2. Конфигурация сценария

Из-за различной численности населения и экономических условий в различных административных регионах во многих комбинациях типов энергии используются деревни, волости и уезды [43]. Мы сосредоточились на потребности в энергии для приготовления пищи, отопления и мелкомасштабной промышленности и создали сценарии энергопотребления для деревень, волостей и уездов. Число пользователей энергии для приготовления пищи неуклонно растет в деревнях, волостях и уездах, со значительным изменением масштаба. Жители волостей и уездов используют газовое отопительное оборудование для отопления, тогда как жители деревень в основном используют небольшие электроприборы [44]. Из-за рассредоточенного распределения мелкомасштабной промышленности в деревнях и волостях мы проанализировали промышленное энергопотребление на уровне уезда [39,45]. В итоге, мы проанализировали спрос на энергию для приготовления пищи в деревнях, волостях и уездах, спрос на отопление в волостях и уездах, а также спрос на энергию мелкомасштабной сельской промышленности в уездах. Сценарии описаны в Таблице 1.

Таблица 1. Сценарии для анализа спроса на энергию в деревнях, волостях и уездах.

Набор данных 2 показывает, что сельские жители готовили пищу в среднем 88,2 минуты [35] в день и тратили 3,67 часа в день на отопление своих домов в течение 120-дневного [36] зимнего периода. Набор данных 1 указывает, что средняя численность населения в деревнях, волостях и уездах составляла 836, 25 000 и 410 000 человек соответственно [33], со средним размером семьи 2,68 человека [34] и жилой площадью на душу населения 41,76 м² [33]. Согласно статистике 2021 года, уровень урбанизации составил 64,72%, в результате чего городское население в волостях и уездах составило 16 180 и 265 352 человека соответственно [46].

Годовое промышленное энергопотребление связано с номинальным энергопотреблением оборудования и объемом производства. В качестве примера для расчета энергопотребления мелкомасштабной сельской промышленности использовалась небольшая пищеперерабатывающая промышленность [37]. Согласно Набору данных 3, годовое энергопотребление отрасли составляло 1 994 600 кВт·ч электроэнергии, 1,16 тонны (т) природного газа и 30 т дизельного топлива [37]. Согласно Набору данных 1, в каждом уезде в среднем 12 волостей [33]. Поскольку в каждой волости есть две мелкомасштабные отрасли промышленности, в уезде существует 24 отрасли. Мы предположили, что содержание метана в биогазе составляет 60%.

2.3. Создание модели

Поскольку приготовление пищи, отопление и мелкомасштабная промышленность имеют различные требования к энергопотреблению, можно создать математическую модель для анализа общего энергопотребления. Энергопотребление для приготовления пищи рассчитывалось с использованием номинального расхода и рабочего цикла (Уравнение (1)):

где q1 представляет суточное потребление газа для приготовления пищи одним домохозяйством, Q — номинальный расход газового оборудования (0,425 м³/ч) [47], а t1 — суточное время работы оборудования для приготовления пищи.

Расход газа на отопление q2 рассчитывался на основе отапливаемого пространства, индекса тепловой нагрузки площади отопления и времени отопления [48].

где β — индекс тепловой нагрузки для жилых зданий, H — низшая теплотворная способность газа, A0 — отапливаемое пространство здания, t2 — время работы оборудования для отопления, η — тепловой КПД газового котла, а 3,5 — коэффициент преобразования, учитывающий теплотворную способность газа и КПД отопительного оборудования.

Потребление биогаза промышленностью рассчитывалось путем преобразования энергопотребления различных типов энергии в потребление биогаза, учитывая тепловой КПД различного энергетического оборудования [48]. Суточное потребление энергии биогазом в отрасли q3 можно выразить как Уравнение (3):

где 𝐻′ — низшая теплотворная способность других источников энергии, 𝜂′ — тепловой КПД другого оборудования, а другое оборудование представляет собой мелкое сельское перерабатывающее оборудование, такое как сушильное оборудование или упаковочное оборудование, и α — годовое использование других видов топлива.

Таким образом, спрос на биогаз в сельской местности Sn можно рассчитать с помощью Уравнения (4):

где N — количество домашних хозяйств, N0 — количество отраслей промышленности, а 14,4 — коэффициент преобразования, учитывающий содержание метана в биогазе и почасовую нагрузку.

В таблице A1 указана доля почасового энергопотребления для приготовления пищи, отопления и мелкомасштабной промышленности. Скорость потребления биогаза при различных сценариях была разделена на несколько этапов, и взаимосвязь между производством и потреблением биогаза была проанализирована с использованием среднего потребления на этих этапах [49]. Используются данные о почасовой нагрузке приготовления пищи в домашних хозяйствах в различных регионах Китая [1,38,39] и данные о почасовой нагрузке отопления в различных регионах Китая [38,40,41]. Предполагая, что мелкомасштабная отрасль промышленности, будучи запущенной, работает на полную нагрузку и поддерживает ее. Тогда скорость энергопотребления отрасли была связана с рабочими часами оборудования [42]. Для описания пространственно-временного распределения скоростей потребления биогаза использовалась гауссова регрессия [50] (Уравнение (5)):

где y0 указывает смещение, A обозначает площадь, xc обозначает центр, w обозначает стандартное отклонение, а y(t) обозначает плотность вероятности распределения Гаусса.

В итоге, почасовой динамический спрос на биогаз в сельской местности может быть выражен следующим образом (Уравнение (6)):

где y(t0) указывает смещение в момент времени t0, а Q(t0) обозначает почасовую скорость спроса на биогаз в момент времени t0.

2.4. Проверка модели с использованием результатов обследования и мониторинга

2.4.1. Обследование домохозяйств

Для проверки точности прогноза модели общего объема спроса использовались данные полевого обследования сельских районов пяти провинций. Был разработан вопросник по энергопотреблению в сельской местности для определения энергопотребления китайских сельских домохозяйств. Он включал вопросы о домохозяйстве, типах источников энергии и годовом энергопотреблении. Данные об энергопотреблении домохозяйств собирались с помощью личных интервью с респондентами. Места проведения обследования находились в репрезентативных деревнях пяти провинций (Сычуань, Цзилинь, Гуандун, Хубэй и Цзянси), и респонденты были выбраны случайным образом. Они проживали в деревнях более 6 месяцев в году. Географические и экономические условия обследованных районов представлены в Таблице 2. После сбора анкет для обнаружения выбросов использовался Z-показатель. После очистки данных оставшиеся действительные анкеты составили 107 в Сычуани, 20 в Цзянси, 97 в Цзилине и 119 в Хубэе.

Таблица 2. Географические и экономические условия обследованных районов.

2.4.2. Мониторинг биогазовой системы

Почасовая скорость потребления биогаза была проверена с использованием годовых данных работающей в полевых условиях биогазовой установки масштаба деревни. Для эксперимента была выбрана деревенская биогазовая установка, расположенная в Гуанпине, Дэян, Сычуань, юго-западный Китай. Установка была создана 25 февраля 2015 года и начала подачу газа 6 апреля 2015 года. Она работает непрерывно и стабильно в течение 9 лет. Биогазовый реактор представляет собой реактор с непрерывным перемешиванием (CSTR) объемом ферментера 80 м³ и емкостью газгольдера 30 м³. Он поставляет биогаз 52 сельским домохозяйствам. Эксперимент проводился после того, как система работала стабильно и надежно. Сырье для ферментации поступало с соседней свинофермы и состояло из навоза и грунтовых вод. Сырье было описано в предыдущем исследовании [51]. Использовалась полунепрерывная загрузка, с добавлением 8 м³ (8% от общего содержания твердых веществ) сырья в реактор за каждое кормление. В проекте используется реактор с непрерывным перемешиванием (CSTR). Система хранения газа использует низконапорный плавающий барабанный резервуар. Когда емкость газа в резервуаре падает до определенного уровня, начинается подача сырья.

Данные о производстве и подаче биогаза записывались с интервалом в 30 минут с использованием расходомера с корнем (QJYL-A-DN50S, Qianjia, Чэнду, Китай), синхронизированного с измерителем регулировки объема. Данные передавались в систему управления информацией через удаленные терминалы измерения и управления. Регулярные ежемесячные проверки на биогазовой установке обеспечивали постоянную функциональность системы сбора данных.

2.5. Разработка сценариев производства и снабжения

Для анализа регулярного изменения нагрузок производства и снабжения во временном масштабе мы предположили прямое сжигание биогаза и создали сценарии производства и снабжения для деревень, волостей и уездов. Мы использовали модель RBDM и данные производства из тематических исследований.

Процедура разработки сценариев была следующей: Чтобы максимизировать выгоды от биогазовой системы, количество биогаза, потребляемое пользователями, должно быть равно или близко к количеству, производимому установкой, достигая коэффициента потребления к производству, равного 1. Поэтому мы предполагаем, что общее количество производимого биогаза равно потребляемому. На основе почасового коэффициента нагрузки модели RBDM мы выводим почасовую кривую нагрузки потребления биогаза для анализа динамических паттернов нагрузки производства и снабжения в почасовом временном масштабе. Репрезентативные данные о производстве за цикл подачи (7 дней) были выбраны из тематических исследований для построения сценариев производства и снабжения.

3.1. Результаты модели прогнозирования спроса

На Рисунке 1 показаны динамические нагрузки сельского биогаза для сценариев деревни, волости и уезда. Коэффициенты регрессии спроса на биогаз на этапах перечислены в Таблице A2. Прогнозируемый годовой спрос на биогаз в деревнях составил 380,06 м³/домохозяйство. Спрос на биогаз для отопления в отопительный сезон был в 1,68 раза выше, чем в неотопительный сезон. Спрос на биогаз для мелкомасштабной промышленности был в 0,15 раза выше в неотопительный сезон и в 0,06 раза выше в отопительный сезон. Следовательно, отопление было доминирующим спросом на сельский биогаз, и сезонные изменения значительно увеличили спрос на биогаз. Спрос на биогаз для мелкомасштабной промышленности немного увеличился с течением времени, что могло быть связано с небольшим количеством мелких отраслей промышленности.

Рисунок 1. Динамическая нагрузка биогаза в течение 24 часов для (a) деревень (N = 312), (b) волостей (N = 9328) и (c) уездов (N = 152 985).

Распределение почасового спроса на биогаз в течение одного дня в отопительный сезон в сценарии волости проиллюстрировано на Рисунке 1b. Спрос на биогаз был разделен на три интервала: Часть A (0:00–9:30), Часть B (9:30–14:00) и Часть C (14:00–24:00). Части B и C были пиковыми периодами, составляя 19,2% и 52,6% от суточного спроса на газ соответственно. Пиковый период спроса на отопление был с 18:00 до 8:00. Кривая имела нормальное распределение, и общий спрос составлял 80,33% от общего суточного спроса на отопление. Спрос на отопление увеличивался вечером и достигал пика в 21:00. Впоследствии он снижался до 08:00 следующего дня, за которым следовал 9-часовой период низкого спроса на биогаз. Доли спроса на биогаз для отопления и приготовления пищи на трех этапах составили 5,81, 0,73 и 3,3. Следовательно, отопление значительно увеличивало почасовую нагрузку биогаза в волостях и доминировало на кривой динамической нагрузки, тогда как приготовление пищи влияло только на пик в Части B.

Волости имели различные характеристики спроса на энергию в отопительный и неотопительный сезоны; поэтому требовался сезонный анализ. В неотопительный сезон волости требовали энергии только для приготовления пищи, и характеристики спроса на энергию были аналогичны сценарию деревни. Таким образом, можно было принять ту же стратегию производства биогаза. Из-за высокого спроса на отопление в отопительный сезон стратегия производства должна быть гибкой на этапах. Часть A имела низкий спрос на биогаз в течение 9 часов; таким образом, избыточный биогаз можно хранить для удовлетворения пикового спроса. Часть B была переходным периодом, в течение которого почасовая скорость производства биогаза не может быть ниже скорости спроса, чтобы обеспечить достаточное снабжение энергией в пиковые периоды. Часть C демонстрировала пик. Требуется гибкая регулировка и хранение газа в резервуарах для удовлетворения пиковой нагрузки.

На Рисунке 1c показан почасовой спрос на газ в течение одного дня в сценарии уезда. Спрос на биогаз был разделен на три интервала: Часть A (0:00–9:00), Часть B (9:00–14:00) и Часть C (14:00–24:00), с долями спроса на биогаз 28,43%, 23,41% и 48,16% соответственно. Части B и C были пиковыми интервалами дня, со средним пиковым значением 35 670,82 м³. Доминирующее влияние мелкомасштабной промышленности на нагрузку уезда происходило в Части B. Спрос увеличивался на 5,31%, когда количество отраслей удваивалось, и на 47,78%, когда оно увеличивалось в 10 раз. В результате большое увеличение мелкомасштабной промышленности может усугубить полуденный пик, снижая стабильность стратегии производства биогаза в уезде. Уезды должны предоставлять разумное количество биогаза мелким отраслям промышленности в соответствии с объемом производства и использовать поквартальное ценообразование, чтобы гарантировать, что мелкие отрасли потребляют избыток биогаза.

3.2. Проверка и оптимизация модели

3.2.1. Проверка и оптимизация общего потребления биогаза

На Рисунке 2a показаны типы энергии, используемые жителями. СНГ широко используется в сельских районах без газопроводов из-за удобства транспортировки [52]. Напротив, природный газ используется только в районах с более высоким экономическим развитием из-за высоких инвестиций в прокладку трубопроводных сетей. Доля использования СНГ составила 93,04%, 80% и 63,87% в Гуандуне, Цзянси и Хубэе соответственно. Напротив, доли были низкими в Сычуани (19%) и Цзилине (26,8%). Природный газ широко используется в Сычуани и Гуандуне, которые имеют высокое экономическое развитие. Степень проникновения природного газа составила 51% в Сычуани и 2,61% в Гуандуне. Биомасса является распространенным источником энергии для сельских жителей из-за легкого доступа [53]. Однако, поскольку коммерческая энергия превосходит ресурсы биомассы с точки зрения чистоты, безопасности и теплотворной способности, использование биомассы быстро сократилось в сельских районах. Несмотря на это, использование энергии биомассы составляет примерно 70% в Цзилине и Хубэе. Как показано в Таблице 2, доход на душу населения в Цзилине и Хубэе был в целом ниже, чем в других регионах. Этот экономический фактор может быть причиной высокой доли использования энергии биомассы в Цзилине и Хубэе. Из-за целей развития низкоуглеродной энергетики Китая использование сильно загрязняющего угля в сельской местности было почти ликвидировано [54]. Использование угля в Цзилине и Хубэе составляло всего около 20%. В этих районах низкое экономическое развитие. Когда биогаз используется путем прямого сжигания, он в первую очередь заменяет газообразные источники энергии, такие как СНГ и природный газ. Среди пяти обследованных регионов Сычуань и Гуандун имеют самое высокое использование газообразной энергии, при этом средняя доля достигает 82%. Таким образом, данные о потреблении газа из Сычуани и Гуандуна могут быть использованы для проверки точности общего объема спроса модели RBDM.

Рисунок 2. (a) Типы энергии, используемые жителями. (Проценты на рисунке представляют уровень использования каждого типа энергии в конкретном регионе.) (b) Относительная ошибка между фактическим и прогнозируемым спросом на энергию биогаза.

Как показано на Рисунке 2b, прогнозируемый и фактический спрос на энергию биогаза были высоко согласованы. Средняя относительная ошибка составила всего 11,45%. Причина, по которой прогнозируемое значение было ниже фактического, может заключаться в том, что прогнозная модель учитывает только энергию для приготовления пищи. Однако энергия используется для многих других целей, таких как отопление и горячая вода. Этот дополнительный спрос на энергию не был адекватно учтен в прогнозах, что привело к низким проекциям.

Предполагалось, что энергопотребление домохозяйств удвоится с увеличением размера семьи. Мы проанализировали энергопотребление различных размеров семей в Сычуани и Гуандуне, чтобы оценить потенциальную взаимосвязь между точностью прогнозирования биогаза и размером семьи. Результаты перечислены в Таблице 3. По мере увеличения размера семьи с двух до восьми человек энергопотребление не увеличивалось линейно. Количество потребляемой энергии в домохозяйствах с тремя людьми превышало таковое в домохозяйствах с четырьмя-восемью людьми. Вероятная причина в том, что полевой опрос не различал количество людей в домохозяйстве и постоянное население. Однако прогнозируемое значение биогаза не сильно различалось для разных размеров семей, а средняя относительная ошибка была низкой (5,58%). В итоге, влияние размера семьи на точность прогнозирования спроса на биогаз было незначительным.

Таблица 3. Относительная ошибка во взаимосвязи между потреблением биогаза и размером семьи в Сычуани и Гуандуне.

3.2.2. Проверка и оптимизация динамической нагрузки

Сравнение прогнозируемой и фактической годовой нагрузки биогаза для деревень показано на Рисунке 3. Фактические и прогнозируемые значения были высоко согласованы. В типичный день фактическая и прогнозируемая нагрузка биогаза показали три пика: утренний (8:00), полуденный (12:00) и вечерний (20:00). По мере изменения температуры сезонно динамическая нагрузка значительно колебалась. Прогнозируемая и фактическая нагрузки были схожи весной и летом, но фактическая нагрузка демонстрировала значительные вариации пиков в вечернее время, при этом разница между пиком и впадиной уменьшилась на 44,58%. Прогнозируемая и фактическая нагрузки были согласованы осенью и зимой, но прогнозируемая нагрузка отставала на 2 часа от фактической.

Рисунок 3. Сравнение прогнозируемой и фактической годовой нагрузки биогаза для деревень.

Многие факторы вызывают ошибки модели RBDM в разные сезоны. Например, напряженный сезон в сельском хозяйстве увеличивал время, которое люди тратили на сельскохозяйственное производство, сокращая использование газового оборудования, что было одной из причин сезонных ошибок весной и летом [55]. Кроме того, меньшее количество светового дня зимой увеличивает время, которое жители проводят дома, что приводит к сезонным ошибкам осенью и зимой [56]. Фактические пиковые нагрузки происходили в 6:00, 12:00 и 18:00 весной и летом и в 8:00, 12:00 и 19:00 осенью и зимой. Скорректированные доли пиковой нагрузки в течение всего дня составили 9,48%, 17,63% и 9,9% весной и летом и 7,14%, 13,84% и 10,84% осенью и зимой. Трудно получить данные в сельских районах, которые необходимы для корректировки сезонных факторов. Поэтому мы включили сезонные поправочные коэффициенты для повышения точности и практичности модели. Коэффициенты перечислены в Таблице 4.

Таблица 4. Сезонные поправочные коэффициенты.

3.3. Сценарии производства и снабжения биогазом

Сценарии производства и снабжения для деревень, волостей и уездов на одну неделю проиллюстрированы на Рисунке 4. Ежедневно в деревнях, волостях и уездах происходили потери энергии и недостаточная подача газа. Среднесуточные значения неиспользованного биогаза в этих регионах составили 43,48 м³, 21,9 м³ и 21,93 м³, а среднесуточные значения дефицита газа — 8,43 ч, 14,71 ч и 14,57 ч соответственно. В предыдущих исследованиях использовались статические данные из-за отсутствия динамических данных о почасовой газовой нагрузке в сельской местности, как показано на Рисунке 4a. Объем неиспользованного биогаза составил 22,15 м³, а дефицит газа — 15,57 ч. Этот сценарий не учитывает характеристики энергопотребления в различных сельских районах, что приводит к значительным отклонениям от фактических данных. Это отклонение может привести к более длительным дефицитам газа и неадекватным стратегиям производства биогаза. Стратегия корректировки на основе модели RBDM значительно улучшила стабильность производства и снабжения биогазом по сравнению со статическим методом. Она увеличила стабильность производства и снабжения биогазом на 64,81%, 11,11% и 24,07% в деревнях, волостях и уездах соответственно.

Рисунок 4. Сценарии производства и снабжения биогазом в отопительный сезон для (a) деревень, (b) волостей, (c) уездов и (d) статических данных.

Однако достижение баланса в реальном времени между производством и снабжением биогазом на практике затруднительно, поскольку требует высоких технических и технологических стандартов [57]. Поэтому использование резервуаров-хранилищ является недорогим и эффективным способом сокращения потерь энергии и дефицита газа [58]. Стабильность потребления биогаза значительно возросла на 67,85%, 53,37% и 59,78%, а использование энергии увеличилось на 78,13%, 72,83% и 73,87%, когда резервуар для хранения газа объемом 30 м³ был добавлен в системы производства и снабжения деревень, волостей и уездов соответственно. Как показано на Рисунке 4b, в деревнях происходили периоды дефицита газа и длительных перебоев в подаче газа. Таким образом, хранение газа является эффективной мерой. Темпы роста стабильности биогаза после добавления резервуара для хранения были выше в деревнях, чем в волостях и уездах. Однако энергопотребление в волостях и уездах было сложным, что приводило к неравномерному распределению хранения газа или перебоям, как показано на Рисунках 4c,d. Этот дисбаланс может привести к недостаточному объему хранения или его отсутствию. Поэтому трудно получить оптимальный баланс между производством и снабжением, используя только резервуары для хранения. Также необходимо оптимизировать производство биогаза (например, интервал и количество подачи) в соответствии со спросом на энергию, чтобы улучшить стабильность производства и снабжения биогазом.

На производство биогаза влияют множество факторов, включая температуру и ферментационный потенциал сырья. Поэтому производство биогаза может не соответствовать прогнозируемым значениям, и жители могут быть не в состоянии получить достаточное количество биогаза в краткосрочной перспективе. Для обеспечения стабильного снабжения энергией могут использоваться альтернативные источники энергии, такие как СНГ.

Мы предложили новую модель прогнозирования динамического спроса на биогаз с несколькими переменными (RBDM) для повышения точности прогнозов нагрузки биогаза в сельских районах, где отсутствуют данные об энергопотреблении. Был использован метод связанного анализа для эффективного отбора переменных, а функции Гаусса использовались для определения зависящих от времени переменных и сокращения количества уравнений. Основные выводы суммированы следующим образом:

(i) Прогнозируемый средний спрос на биогаз для деревень, волостей и уездов составил 380,06 м³/год·домохозяйство, 1019,28 м³/год·домохозяйство и 1076,43 м³/год·домохозяйство соответственно. Пиковые периоды потребления составили 09:00–15:00, 14:30–24:00 и 15:00–24:00 соответственно.

(ii) Ошибка прогнозирования была на 19,27% ниже, чем у статической модели. Прогнозируемое потребление газа и динамические нагрузки были согласованы с фактическими значениями, а относительная ошибка потребления газа в деревнях составила 11,45%. Модель была оптимизирована путем включения сезонных поправочных коэффициентов для повышения точности прогнозирования нагрузки. Сезонные поправочные коэффициенты составили 1,1223, 0,8431, 0,9375 и 1,0972 соответственно.

(iii) Разумные параметры модели RBDM увеличили стабильность производства и снабжения деревень, волостей и уездов на 64,81%, 11,11% и 24,07% соответственно, значительно улучшив надежность снабжения биогазом и уровень использования энергии.

Это исследование разработало новую основу для прогнозирования динамических нагрузок биогаза в сельских районах. Для повышения точности прогнозирования спроса на биогаз необходимы дополнительные региональные обследования и измерения. Кроме того, не рассматривалось сотрудничество между моделью RBDM и производственными моделями, а также применение модели RBDM в конкретных регионах, что указывает на направления для дальнейших исследований.

1.    Luo, T.; Pan, J.; Fu, L.; Mei, Z.; Kong, C.; Huang, H. Reducing biogas emissions from village-scale plant with optimal floating-drum biogas storage tank and operation parameters. Appl. Energy 2017, 208, 312–318. [Google Scholar] [CrossRef]

2.    Vargas-Soplín, A.; Prochnow, A.; Herrmann, C.; Tscheuschner, B.; Kreidenweis, U. The potential for biogas production from autumn tree leaves to supply energy and reduce greenhouse gas emissions—A case study from the city of Berlin. Resour. Conserv. Recycl. 2022, 187, 106598. [Google Scholar] [CrossRef]

3.    Park, J.; Kang, S.; Kim, S.; Kim, H.; Kim, S.K. Optimizing green hydrogen systems: Balancing economic viability and reliability in the face of supply-demand volatility. Appl. Energy 2024, 368, 123492. [Google Scholar] [CrossRef]

4.    Li, M.; Zhou, S. Pollutive cooking fuels and rural labor supply: Evidence from a large-scale population census in China. Energy Policy 2023, 183, 113780. [Google Scholar] [CrossRef]

5.    Zhang, H.; Li, S. Carbon emissions’ spatial-temporal heterogeneity and identification from rural energy consumption in China. J. Environ. Manag. 2022, 304, 114286. [Google Scholar] [CrossRef] [PubMed]

6.    Glushkov, D.O.; Nyashina, G.S.; Anand, R.; Strizhak, P.A. Composition of gas produced from the direct combustion and pyrolysis of biomass. Process Saf. Environ. Prot. 2021, 156, 43–56. [Google Scholar] [CrossRef]

7.    Chen, Y.; Li, S.; Zhou, T.; Lei, X.; Liu, X.; Wang, Y. Household cooking energy transition in rural mountainous areas of China: Characteristics, drivers, and effects. J. Clean. Prod. 2023, 385, 135728. [Google Scholar] [CrossRef]

8.    Korberg, A.D.; Skov, I.R.; Mathiesen, B.V. The role of biogas and biogas-derived fuels in a 100% renewable energy system in Denmark. Energy 2020, 199, 117426. [Google Scholar] [CrossRef]

9.    Tarighaleslami, A.H.; Ghannadzadeh, A.; Atkins, M.J.; Walmsley, M.R.W. Environmental life cycle assessment for a cheese production plant towards sustainable energy transition: Natural gas to biomass vs. natural gas to geothermal. J. Clean. Prod. 2020, 275, 122999. [Google Scholar] [CrossRef]

10. Yan, B.; Yan, J.; Li, Y.; Qin, Y.; Yang, L. Spatial distribution of biogas potential, utilization ratio and development potential of biogas from agricultural waste in China. J. Clean. Prod. 2021, 292, 126077. [Google Scholar] [CrossRef]

11. Daniel Fournier, E.; Cudd, R.; Federico, F.; Pincetl, S. Implications of the timing of residential natural gas use for appliance electrification efforts. Environ. Res. Lett. 2020, 15, 124008. [Google Scholar] [CrossRef]

12. Yu, F.; Xu, X. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network. Appl. Energy 2014, 134, 102–113. [Google Scholar] [CrossRef]

13. Yin, P.; Xie, J.; Ji, Y.; Liu, J.; Hou, Q.; Zhao, S.; Jing, P. Winter indoor thermal environment and heating demand of low-quality centrally heated houses in cold climates. Appl. Energy 2023, 331, 120480. [Google Scholar] [CrossRef]

14. Tian, N.; Shao, B.; Bian, G.; Zeng, H.; Li, X.; Zhao, W. Application of forecasting strategies and techniques to natural gas consumption: A comprehensive review and comparative study. Eng. Appl. Artif. Intell. 2024, 129, 107644. [Google Scholar] [CrossRef]

15. Dominguez, C.; Orehounig, K.; Carmeliet, J. Estimating hourly lighting load profiles of rural households in East Africa applying a data-driven characterization of occupant behavior and lighting devices ownership. Dev. Eng. 2021, 6, 100073. [Google Scholar] [CrossRef]

16. Li, L.; Xia, H.; Chen, Z.; Duan, M. Spatiotemporal characteristics and driving mechanisms of household energy transition in rural China: Micro-evidence from 2005 to 2017. Sci. Total Environ. 2024, 909, 168554. [Google Scholar] [CrossRef] [PubMed]

17. Ma, W.; Zhou, X.; Renwick, A. Impact of off-farm income on household energy expenditures in China: Implications for rural energy transition. Energy Policy 2019, 127, 248–258. [Google Scholar] [CrossRef]

18. Ma, X.; Li, C.; Kang, Q.; Chen, D.; Sun, Q. Rural household nonagricultural income and energy transition: Evidence from central China. Energy Policy 2024, 188, 114099. [Google Scholar] [CrossRef]

19. Luo, T.; Shen, B.; Mei, Z.; Hove, A.; Ju, K. Unlocking the potential of biogas systems for energy production and climate solutions in rural communities. Nat. Commun. 2024, 15, 5900. [Google Scholar] [CrossRef] [PubMed]

20. Castor, V.; Georgiou, M.; Jackson, T.; Hodgkinson, I.; Jackson, L.; Lockwood, S. Digital data demand and renewable energy limits: Forecasting the impacts on global electricity supply and sustainability. Energy Policy 2024, 195, 114404. [Google Scholar] [CrossRef]

21. Yin, Q.; Wang, Q.; Du, M.; Wang, F.; Sun, W.; Chen, L.; Tang, H. Promoting the resource utilization of agricultural wastes in China with public-private-partnership mode: An evolutionary game perspective. J. Clean. Prod. 2023, 434, 140206. [Google Scholar] [CrossRef]

22. Lisiak-Zielińska, M.; Jałoszyńska, S.; Borowiak, K.; Budka, A.; Dach, J. Perception of biogas plants: A public awareness and preference—A case study for the agricultural landscape. Renew. Energy 2023, 217, 119212. [Google Scholar] [CrossRef]

23. Liu, T.; Ferrari, G.; Pezzuolo, A.; Alengebawy, A.; Jin, K.; Yang, G.; Li, Q.; Ai, P. Evaluation and analysis of biogas potential from agricultural waste in Hubei Province, China. Agric. Syst. 2023, 205, 103577. [Google Scholar] [CrossRef]

24. Dittmer, C.; Krümpel, J.; Lemmer, A. Power demand forecasting for demand-driven energy production with biogas plants. Renew. Energy 2021, 163, 1871–1877. [Google Scholar] [CrossRef]

25. Cao, A.; Su, M.; Li, H. Digitizing the green revolution: E-commerce as a catalyst for clean energy transition in rural China. Energy Econ. 2024, 137, 107778. [Google Scholar] [CrossRef]

26. Qin, D.; Liu, G.; Li, Z.; Guan, W.; Zhao, S.; Wang, Y. Federated deep contrastive learning for mid-term natural gas demand forecast-ing. Appl. Energy 2023, 347, 121503. [Google Scholar] [CrossRef]

27. Moltames, R.; Noorollahi, Y.; Yousefi, H.; Azizimehr, B.; Nase-ri, A. Assessment of potential sites for biogas production plants from domestic, agricultural, and livestock waste. Fuel Commun. 2025, 22, 100132. [Google Scholar] [CrossRef]

28. Şenol, H.; Çolak, E.; Oda, V. Forecasting of biogas potential using artificial neural networks and time series models for Türkiye to 2035. Energy 2024, 302, 131949. [Google Scholar] [CrossRef]

29. National Bureau of Statistics. China Energy Statistical Yearbook 2023; China Statistics Press: Beijing, China, 2023. Available online: https://www.stats.gov.cn/hd/lyzx/zxgk/nytj/ (accessed on 1 March 2023). (In Chinese)

30. Chen, Y.H.; Li, Y.Z.; Jiang, H.; Huang, Z. Research on household energy demand patterns, data acquisition and influencing factors: A review. Sustain. Cities Soc. 2023, 99, 104916. [Google Scholar] [CrossRef]

31. Wu, W.; Kanamori, Y.; Zhang, R.; Zhou, Q.; Takahashi, K.; Masui, T. Implications of declining household economies of scale on electricity consumption and sustainability in China. Ecol. Econ. 2021, 184, 106981. [Google Scholar] [CrossRef]

32. Yue, L.; Chen, Z. Seasonal thermal comfort and adaptive behaviours for the occupants of residential buildings: Shaoxing as a case study. Energy Build. 2023, 292, 113165. [Google Scholar] [CrossRef]

33. National Bureau of Statistics. China Statistical Yearbook 2022; China Statistics Press: Beijing, China, 2022. Available online: https://www.stats.gov.cn/sj/ndsj/2022/indexch.htm (accessed on 1 March 2023). (In Chinese)

34. National Bureau of Statistics. China Population Census Yearbook 2020; China Statistics Press: Beijing, China, 2020. Available online: https://cnki.ctbu.edu.cn/CSYDMirror/trade/Yearbook/Single/N2023030104?z=Z001 (accessed on 1 March 2023). (In Chinese).

35. Hokoi, S.; Ogura, D.; Fu, X.; Rao, Y. Field survey on energy consumption due to hot water supply and cooking in Nanjing and Hefei, China. Front. Archit. Res. 2013, 2, 134–146. [Google Scholar] [CrossRef]

36. Liao, W.; Liu, X.; Kang, N.; Song, Y.; Wang, L.; Yuchi, Y.; Huo, W.; Mao, Z.; Hou, J.; Wang, C. Associations of cooking fuel types and daily cooking duration with sleep quality in rural adults: Effect modification of kitchen ventilation. Sci. Total Environ. 2023, 854, 158827. [Google Scholar] [CrossRef] [PubMed]

37. Zheng, C.; He, L.; Panpan, G. Energy consumption analysis and energy-saving suggestions for a food processing plant. Constr. Mater. Decor. 2018, 5, 188. (In Chinese) [Google Scholar] [CrossRef]

38. Cao, Y.Q. Analysis of Rural Household Energy Consumption Status and Influence Factor in Chongqing. Master’s Thesis, Chongqing University, Chongqing, China, 2019. (In Chinese) [Google Scholar] [CrossRef]

39. Liu, Y.F.; Wang, P.; Luo, X.; Zhang, M.; Zhao, T.; Yang, Y.; Sun, Y.; Liu, X.; Liu, J. Analysis of flexible energy use behavior of rural residents based on two stage questionnaire: A case study in Xi’an, China. Energy Build. 2022, 269, 112246. [Google Scholar] [CrossRef]

40. Li, S.; Zhang, L.; Wang, X.; Zhu, C. A decision-making and planning optimization framework for multi-regional rural hybrid renewable energy system. Energy Convers. Manag. 2022, 273, 116402. [Google Scholar] [CrossRef]

41. Zheng, G.; Bu, W. Review of Heating Methods for Rural Houses in China. Energies 2018, 11, 3402. [Google Scholar] [CrossRef]

42. Huang, C.; Wei, W.; Sun, Y.; Wang, W.; Li, Z.; Wang, S.; Deng, S. Energy saving and peak load shifting performance of tail water source heat pump integrated with large-scale thermal storage pool space heating system in technology park. Energy Convers. Manag. 2023, 287, 117032. [Google Scholar] [CrossRef]

43. Sun, J. Real rural residential energy consumption in China, 1990. Energy Policy 1996, 24, 827–839. [Google Scholar] [CrossRef]

44. Guo, J.; Huang, Y.; Wei, C. North–South debate on district heating: Evidence from a household survey. Energy Policy 2015, 86, 295–302. [Google Scholar] [CrossRef]

45. Peng, J.; Zhou, Y.; Zhang, Z.; Luo, Y.; Cheng, L. The development logic, scientific Connotation, and promotion path of rural eco-industries in China. Heliyon 2023, 9, e17780. [Google Scholar] [CrossRef] [PubMed]

46. National Bureau of Statistics. China City Statistical Yearbook 2021; China Statistics Press: Beijing, China, 2021. Available online: https://cnki.ctbu.edu.cn/CSYDMirror/area/Yearbook/Single/N2022040095?z=D26 (accessed on 4 March 2023). (In Chinese).

47. Chen, Z.; Zhang, Y.; Qin, C.; Duan, P. Combustion performance of domestic gas cookers with swirling strip-port and normal round-port on various natural gas compositions. Case Stud. Therm. Eng. 2019, 13, 100366. [Google Scholar] [CrossRef]

48. Jia, Z.; Feng, J.; Wang, H.; Wang, P.; Zhang, A.; Liu, P.; Wang, Y.; Chen, T.; Sun, L.; Zhang, X.; et al. Design Standard for Urban Heating Network CJJ/T34-2022; Ministry of Housing and Urban-Rural Development of the People’s Republic of China: Beijing, China, 2022. Available online: https://www.mohurd.gov.cn/gongkai/zc/wjk/art/2024/art_17339_767030.html (accessed on 5 March 2023). (In Chinese)

49. Zhou, K.; Peng, N.; Hu, D.; Shao, Z. Industrial park electric power load pattern recognition: An ensemble clustering-based framework. Energy Build. 2023, 279, 112687. [Google Scholar] [CrossRef]

50. Šimandl, M.; Královec, J. Filtering, Prediction and Smoothing with Gaussian Sum Representation. IFAC Proc. Vol. 2000, 33, 1157–1162. [Google Scholar] [CrossRef]

51. Luo, T.; Zhu, N.; Shen, F.; Long, E.; Long, Y.; Chen, X.; Mei, Z. A Case Study Assessment of the Suitability of Small-Scale Biogas Plants to the Dispersed Agricultural Structure of China. Waste Biomass Valoriz. 2016, 7, 1131–1139. [Google Scholar] [CrossRef]

52. González, A.; Lagos, V. Do LPG prices react to the entry of natural gas? Implications for competition policy. Energy Policy 2021, 152, 111806. [Google Scholar] [CrossRef]

53. Ma, X.; Wang, M.; Lan, J.; Li, C.; Zou, L. Influencing factors and paths of direct carbon emissions from the energy consumption of rural residents in central China determined using a questionnaire survey. Adv. Clim. Change Res. 2022, 13, 759–767. [Google Scholar] [CrossRef]

54. Li, Z.; Meng, F.; Wu, S.; Afthanorhan, A.; Hao, Y. Guiding clean energy transitions in rural households: Insights from China’s pilot low-carbon policies. J. Environ. Manag. 2024, 370, 122782. [Google Scholar] [CrossRef] [PubMed]

55. Han, J.; Yang, Q.; Zhang, L. What are the priorities for improving the cleanliness of energy consumption in rural China? Urbanisation advancement or agriculture development? Energy Sustain. Dev. 2022, 70, 106–114. [Google Scholar] [CrossRef]

56. Ma, X.; Zhang, L.; Zhao, J.; Wang, M.; Cheng, Z. The outdoor pedestrian thermal comfort and behavior in a traditional residential settlement—A case study of the cave dwellings in cold winter of China. Sol. Energy 2021, 220, 130–143. [Google Scholar] [CrossRef]

57. Liu, Y.; Huang, J.; Wang, W.; Sheng, G.; Wang, S.; Wu, J.; Li, J. Evaluating the sustainability of demand oriented biogas supply programs under different flexible hierarchies: A suggested approach based on the triple bottom line principle. Sci. Total Environ. 2023, 895, 165047. [Google Scholar] [CrossRef] [PubMed]

58. Song, S.; Ginige, M.; Cheng, K.; Qie, T.; Peacock, C.; Kaksonen, A. Dynamics of gas distribution in batch-scale fermentation experiments: The unpredictive distribution of biogas between headspace and gas collection device. J. Clean. Prod. 2023, 400, 136641. [Google Scholar] [CrossRef]

Li G, Luo T, Xiong J, Gao Y, Meng X, Zuo Y, Liu Y, Ma J, Chen Q, Liu Y, et al. Analysis of Dynamic Biogas Consumption in Chinese Rural Areas at Village, Township, and County Levels. Agriculture. 2025; 15(2):149. https://doi.org/10.3390/agriculture15020149

Перевод статьи «Analysis of Dynamic Biogas Consumption in Chinese Rural Areas at Village, Township, and County Levels» авторов Li G, Luo T, Xiong J, Gao Y, Meng X, Zuo Y, Liu Y, Ma J, Chen Q, Liu Y, et al., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык