京津冀“以電代煤”替代大氣污染物排放清單

李 朋,吳華成,周衛(wèi)青,張子健,汪美順,張茹婷,劉松濤,陳傳敏

京津冀“以電代煤”替代大氣污染物排放清單

李 朋1*,吳華成1,周衛(wèi)青1,張子健2,汪美順3,張茹婷4,劉松濤4,陳傳敏4

(1.國網冀北電力有限公司電力科學研究院,華北電力科學研究院有限責任公司,北京 100045；2.國網冀北電力有限公司,北京 100054；3.國家電網公司,北京 100031；4.華北電力大學(保定)環(huán)境科學與工程系,河北 保定 071003)

本研究建立了基于人工神經網絡的民用散煤燃用量估算模型,得到了京津冀地區(qū)“以電代煤”替代民用散煤大氣污染物排放清單.結果表明:截止到2018年,京津冀地區(qū)“以電代煤”替代散煤用戶約259萬戶,每年可減少散煤燃燒約706.6萬t,減少PM2.5、NO、SO2的排放量分別約為2.81,0.76,2.17萬t.其中,北京市和天津市實施效果較為明顯,占京津冀地區(qū)“以電代煤”散煤替代總量的62.01%和22.82%.基于調研數(shù)據得到京津冀各市燃煤量月分布系數(shù),1月份分布系數(shù)最大,燃煤量占比為27%~40%.

以電代煤；人工神經網絡；民用散煤；排放清單；月分布系數(shù)

近幾年來,散煤治理一直是國家大氣污染防治攻堅戰(zhàn)的主戰(zhàn)場.民用散煤受爐具、煤質影響,燃燒條件差且缺乏污染物治理措施,其一次PM2.5排放因子約為燃煤電廠的100倍[1].與集中燃煤相比,散煤治理具有更高的環(huán)境效益[2].據估算,2017年散煤清潔化替代對京津冀地區(qū)PM2.5平均濃度下降貢獻率為21%[3];北京市冬季PM2.5濃度大幅降低,散煤治理的貢獻率達40%左右[4].2017年原環(huán)保部實施京津冀大氣污染傳輸通道的“2+26”城市散煤污染綜合治理,全面完成“以電代煤”、“以氣代煤”任務.

“以電代煤”(以下簡稱“煤改電”)政策是京津冀地區(qū)散煤清潔化替代的重要措施,然而有關“煤改電”政策對區(qū)域大氣污染物減排量的相關研究卻非常少[5-7],其重要原因之一在于民用散煤的燃用量難以準確估計.部分研究采用“自上而下”的方法,使用能源統(tǒng)計年鑒中相關數(shù)據[7],估算京津冀地區(qū)散煤用量.但支國瑞等[8-10]的研究表明能源統(tǒng)計數(shù)據嚴重低估了民用散煤的使用量.目前,大部分研究采用“自下而上”的方法,通過入戶調研的方式獲得地區(qū)內人均散煤的年燃用量,然后根據地區(qū)統(tǒng)計年鑒數(shù)據中農村常住人口來推算民用散煤年用量[8,11-14].入戶調研的樣本量越多,得到的結果越接近實際的民用燃煤消費水平. Cai等[11]基于對北京市全部3612個村莊的調研數(shù)據,得出了北京市冬季民用采暖對大氣污染物排放的貢獻值.然而調研樣本量的增多,一方面對樣本的數(shù)據質量控制提出了挑戰(zhàn),另一方面,也耗費大量調研成本.

為解決這一問題,近幾年來,有研究者在入戶調研數(shù)據的基礎上,構建農戶燃煤量與影響因素之間的數(shù)學模型,用于估算各地區(qū)民用散煤用量[15-18]. Peng等[15]調研了全國183個鄉(xiāng)村共17000多個農村常住家庭,在此基礎上,開發(fā)了非線性回歸的廣義加性模型(GAM),建立了固體燃料消費量與供暖天數(shù)、收入、燃煤產量、燃煤價格、植被蓋度之間的關系,并將GAM模型用于估算全國各縣的固體燃料消費量.Zhu等[16]調研河南地區(qū)64個縣2809個農村家庭,通過一般最小二乘(OLS)回歸模型,建立了人均年燃料用量與氣溫、家庭人均收入以及人均播種面積之間的線性關系,并將該模型用于預測河南省各縣的人均年燃料用量.Yuan等[17-18]從建筑能耗的角度,通過支持向量機(SVM)模型,研究了北方嚴寒地區(qū)農村家庭煤炭消耗量與室內外積溫差、太陽輻射、加熱面積、屋頂與外墻的導熱系數(shù)、加熱設備等因素的關系,發(fā)現(xiàn)最重要的3個影響因素分別是加熱設備、加熱面積與室內外積溫差.

盡管越來越多的研究者通過建立數(shù)學模型來預測區(qū)域民用散煤用量,但目前研究報道中的模型還存在輸入因子偏多、輸入因子數(shù)據難以獲得、非線性擬合能力不足等問題.一方面需要開發(fā)擬合以及預測能力更強大的數(shù)據模型;另一方面,也需要結合現(xiàn)場調研,提煉影響散煤燃用量的關鍵因子,并結合相關統(tǒng)計數(shù)據是否容易獲得,來選擇模型的輸入因子,以提高數(shù)據模型的適用性.

人工神經網絡(ANN)是一種非線性統(tǒng)計性數(shù)據建模工具,通過ANN的訓練可以掌握樣本的內在規(guī)律,建立輸入與輸出之間的非線性映射,這種非線性映射對訓練數(shù)據外的樣本也具有良好的適應能力.ANN由于具有強大的非線性擬合能力以及良好的預測效果,被廣泛應用于解決圖像識別[19]、電力負荷預測[20]、氣象預報[21]等實際問題,其中BP神經網絡是最常用的模型之一.本文通過對京津冀地區(qū)民用散煤消費特征的入戶調研,建立基于人工神經網絡的民用散煤消費量預測模型,計算京津冀地區(qū)“煤改電”實施后替代民用散煤大氣污染物排放清單,為科學準確評價“煤改電”政策實施效果提供技術方法和數(shù)據支持.

1 數(shù)據與方法

1.1 數(shù)據調研

以2018年為基準年份,在2018~2019年供暖季期間,對京津冀各縣市農村地區(qū)民用散煤燃用情況開展入戶調研.在調研過程中,從氣溫、人均可支配收入、人均住房面積和戶均常住人口4個維度選擇典型樣本,并將民用燃煤分為原煤和型煤兩大類.為保證調研數(shù)據的準確性,通過熟人帶領進入農戶家中,與農戶進行交流,并結合調研數(shù)據對散煤稱重核實并現(xiàn)場測量房屋面積,記錄農戶家庭相關信息以及年散煤燃用量.調研區(qū)域為京津冀各地共17個區(qū)(縣),其地理分布如圖1所示,每個村莊選擇5~10個典型農戶,收集有效樣本共154個.

圖1 入戶調研的京津冀各村地理分布

為準確掌握散煤燃燒活動水平,在上述調研農戶中,每個地區(qū)選取3~4戶典型用戶共44戶,通過設計簡明易懂的記錄本,讓農戶記錄其整個供暖季內每天的燃煤使用情況,包括加煤時間、加煤量、爐子燃燒狀態(tài)時間段(加煤、旺火和封火).為保證數(shù)據質量,每月對農戶進行1次回訪,對數(shù)據記錄情況進行檢查.在供暖季結束后,對記錄本的信息進行統(tǒng)計分析,得出京津冀各地區(qū)散煤使用量的時間分布特點.

1.2 基于人工神經網絡的戶均年燃煤量估算模型

目前文獻報道的民用散煤燃煤量估算模型中,影響民用散煤燃用量的主要因素有氣溫、經濟水平、房屋保暖結構等[14-18];本研究結合文獻報道以及現(xiàn)場調研結果,確定氣溫(10月到次年4月日均最低氣溫與日均最高氣溫)、人均可支配收入、人均住房面積和戶均常住人口作為BP神經網絡的5個輸入參數(shù).這些信息便于從實際調研中獲取,更重要的是,在模型應用時相關數(shù)據都能從公開資料以及地區(qū)統(tǒng)計年鑒中獲得.選用的BP神經網絡包含2個隱藏層,每1層包含13個節(jié)點.

如果用BP神經網絡直接計算戶均年燃煤量值,屬于非線性回歸模型,要取得良好的預測效果,需要大量的樣本數(shù)據對模型進行訓練,且模型預測結果易出現(xiàn)“過擬合”的情況[22-23].在實際調研過程中,發(fā)現(xiàn)大部分農戶對于年散煤使用量的精確度為0.5t/a,且每戶散煤用量的范圍在0.5~5t/a.因此,本研究將輸出值設置為[0.5,5]之間,以0.5為間隔共設置10個特征值.BP神經網絡的輸出結果將在這10個特征值中進行選擇,從而將回歸問題變?yōu)榱朔诸悊栴}.通過三角模糊數(shù)方法將戶均年燃煤量值轉換為由10個[0,1]之間節(jié)點值構成的數(shù)列,對應不同的特征值.用C++語言建立了基于人工神經網絡的燃煤量計算模型,經過100000次運算后均方誤差(MSE)為0.0614,體現(xiàn)了人工神經網絡良好的擬合效果.

1.3 京津冀“煤改電”用戶統(tǒng)計與數(shù)據輸入

京津冀各地區(qū)“煤改電”實施的時間以及規(guī)模不同.北京地區(qū)“煤改電”工程可以追溯到2003年,截至2018年底,北京平原地區(qū)村莊基本實現(xiàn)“無煤化”,北京地區(qū)“煤改電”用戶約128萬戶[24].天津地區(qū)2015年在和平區(qū)開始首批“煤改電”試點[25],截至2018年底,“煤改電”用戶約為71.9萬戶[26].河北省自2015年開始在石家莊和保定部分區(qū)域“煤改電”試點,截止到2018年底,國網河北省電力公司與國網冀北電力有限公司共實現(xiàn)“煤改電”用戶約58.5萬戶[27].北京、天津各區(qū)以及河北各縣市“煤改電”用戶詳細清單由國家電網公司各省公司提供.

京津冀各“煤改電”實施區(qū)域的氣溫歷史數(shù)據通過網絡獲得[28],人均可支配收入、人均住房面積和戶均常住人口數(shù)據分別通過北京市統(tǒng)計年鑒[29]、天津市統(tǒng)計年鑒[30]和河北省經濟年鑒[31]獲得.相關數(shù)據經過歸一化處理后,輸入訓練好的人工神經網絡,計算得到京津冀共194個不同地區(qū)的戶均散煤年燃用量.通過戶均年燃用量與各地區(qū)“煤改電”戶數(shù)的乘積,得到京津冀各地區(qū)“煤改電”實施后,每年替代散煤用量.

1.4 排放因子選擇與排放量計算

原煤與型煤的排放因子引用文獻中相關數(shù)據[9],其中SO2的排放因子計算方法參考《民用煤大氣污染物排放清單編制技術指南》[32]中相關規(guī)定. 民用煤燃燒排放因子見表1.京津冀各地區(qū)型煤與原煤的燃用比例通過統(tǒng)計調研數(shù)據獲得,具體值見表2.京津冀各地區(qū)“煤改電”每年替代散煤產生大氣污染物排放量通過公式(1)計算:

很多時政熱點能體現(xiàn)時代的特點、社會的主流價值觀以及國家的重大方針和政策；近幾年的思想政治高考試題考查時政熱點的趨勢比較明顯。因此，將時政熱點引入課堂教學十分必要。在思想政治教學中加強時政教育可以深化中學的政治理論教學，增強教育教學的生命力和凝聚力；還能夠有效彌補教材的滯后性，培養(yǎng)學生理論聯(lián)系實際分析解決問題的能力，提高學生道德品質；同時，能豐富教學內容，幫助學生深刻理解理論知識，提高政治教學的時效性與有效性。

表1 民用煤燃燒排放因子(kg/t)

表2 京津冀各地區(qū)型煤與原煤燃用比例(%)

式中:EM代表某污染物排放量,t/a;代表地區(qū)年燃煤量,t/a;代表地區(qū)原煤使用比例,%;EF和EF分別代表該污染物排放因子,kg/t.

2 結果與討論

2.1 調研數(shù)據與人工神經網絡模型計算結果

從圖2可知,現(xiàn)場調研與模型計算結果都能通過正態(tài)分布函數(shù)良好擬合,圖2(a)中現(xiàn)場調研數(shù)據擬合得到平均值為2.35t,標準偏差為1.0t,而圖2(b)中模型計算數(shù)據擬合得到平均值為2.09t,標準偏差為0.81t.通過模型同時能夠計算得到京津冀地區(qū)人均散煤用量為0.63t/a.從整體上看,現(xiàn)場調研與人工神經網絡模型計算結果得到的平均值和標準偏差相近,這體現(xiàn)了人工神經網絡對戶均年燃煤量良好的預測效果.另一方面,圖2(b)中模型預測結果大部分集中在0.5~2.5t的區(qū)間內,其占總樣本數(shù)量的比例約為75.25%;而圖2(a)中現(xiàn)場調研的結果分布較寬,樣本集中在1.5~3.5t的區(qū)間內,其數(shù)量占比約為75.32%.人工神經網絡模型計算結果分布偏窄的主要原因在于模型輸入數(shù)據中,京津冀各地區(qū)的人均住房面積與戶均常住人口數(shù)據只能通過公開年鑒資料獲得,而現(xiàn)有年鑒資料并沒有精確到各地市的數(shù)據,只能通過北京市、天津市與河北省的平均數(shù)據分別進行代替,這就導致與調研樣本相比,模型計算時輸入數(shù)據的差異性變小,使得最后計算結果數(shù)據分布變窄.

圖2 戶均年燃煤量的統(tǒng)計直方圖與正態(tài)擬合分布曲線

(a)調研樣本;(b)人工神經網絡模型計算結果

從表3可知,文獻報道國內部分地區(qū)戶均/人均年燃煤量之間存在較大差別. 以北京為例,人均年燃煤量最高值與最低值之間相差2.8倍.與文獻報道相比,本研究中北京地區(qū)人均燃煤量1.09t/a與Cai等[11]基于全北京農村的調研結果1.02t/a十分接近.本研究中天津地區(qū)的人均燃煤量0.84t/a,略低于北京地區(qū)值,但明顯高于文獻報道值0.34~0.4t/a[15,33].本研究中河北地區(qū)人均燃煤量為0.56t/a,與文獻報道0.36~0.73t/a相比處于中間水平[10,15,33].

表3 本研究與文獻報道結果對比

注:1.背景年份是指研究中調研數(shù)據所代表的年份;2.“○”和“△”分別代表戶均與人均年燃用量;3.人均年燃用量根據該論文中各地區(qū)的年燃煤總量與該地區(qū)農村人口人數(shù)之比計算得到;其中2010年北京地區(qū)農村常住人口275.3萬人[34];天津地區(qū)農村常住人口265.7萬人[30];河北地區(qū)鄉(xiāng)村人口3993萬人[35];4.該研究為文獻統(tǒng)計后取平均值,有效樣本數(shù)為其引用文獻中樣本數(shù);5.該研究為供暖季而非全年燃用量;6.人均年燃用量根據該研究中提供的農村人口數(shù)、污染物排放量與排放因子進行計算.

2.2 京津冀地區(qū)“煤改電”替代民用散煤大氣污染物排放清單

基于人工神經網絡得到京津冀各地區(qū)戶均年燃用量,結合截至2018年年底“煤改電”在各地區(qū)的實施情況,各地區(qū)原煤與型煤燃用比例以及排放因子,得出京津冀各地區(qū)“煤改電”替代民用散煤大氣污染物排放清單,匯總如表4.不同地區(qū)各類大氣污染物的減排量受“煤改電”替代燃煤量,型煤與原煤燃用比例,以及排放因子的不同而體現(xiàn)差異性.截至2018年京津冀各地區(qū)“煤改電”政策實施后,共替代散煤用戶約259萬戶,每年可減少散煤約706.60萬t,減少TSP、PM10、PM2.5、BC、OC、CO、NO、SO2、VOCs的排放量分別為5.24, 3.67, 2.81, 0.56, 1.99, 86.30, 0.76, 2.17和1.23萬t.其中,北京市“煤改電”實施較早,散煤替代量為438.16萬t,占整個京津冀地區(qū)“煤改電”替代總量的62.01%;天津地區(qū)“煤改電”實施力度較大,散煤替代量為161.22萬t,占替代總量的22.82%; 河北地區(qū)“煤改電”開展較晚,近2a開始大規(guī)模實施,根據河北省發(fā)改委相關信息,2019年河北省力爭60萬戶“煤改電”目標任務,超過2018年年底前累計“煤改電”用戶總量[27].

表4 京津冀地區(qū)“煤改電”替代民用散煤大氣污染物排放清單

王彥超等[6]分析了2016~2017年京津冀大氣傳輸通道“2+26”城市燃煤大氣減排潛力,其研究表明散煤改電(氣)措施替代農戶戶數(shù)約為366萬戶,實施后對PM2.5的減排量約為7.05萬t,按京津冀及周邊地區(qū)“煤改電”占散煤改電(氣)總量約30%估算[2],可以得到其研究中“煤改電”2a間替代戶數(shù)約為110萬戶,措施對PM2.5的減排量約為2.11萬t.對比本研究中“煤改電”替代戶數(shù)259萬戶,PM2.5的減排量約為2.81萬t,可見盡管兩研究中采用的戶均排放量與排放因子不同,但得到減排量的估算結果比較接近.

2.3 排放清單的空間分布

截至2018年年底,京津冀地區(qū)“煤改電”政策實施后,每年替代民用散煤排放PM2.5、BC、OC、NO、SO2與VOCs的空間分布如圖3中所示.

從圖3可知,“煤改電”實施后大氣污染物的減排主要集中在北京市、天津市以及河北石家莊地區(qū),這是由于上述地區(qū)的“煤改電”實施較早,替代燃煤量較大,相關污染物的減排量也較為明顯.與之相比,張家口市與秦皇島市部分地區(qū),以及保定北部地區(qū)、滄州北部、石家莊南部等地區(qū),在2018年及之前,“煤改電”尚未大規(guī)模開展,因此對相關大氣污染物的減排量仍處于空白狀態(tài).由圖3可見,與北京市、天津市相比,河北省大部分區(qū)域的“煤改電”工程還有很大的實施空間.

2.4 排放清單的時間分布

圖4 京津冀各地區(qū)散煤燃用量月分布系數(shù)

2.5 不確定性分析

為了評估基于現(xiàn)場調研數(shù)據以及人工神經網絡計算得到的各污染物排放量的不確定性范圍,采用蒙特卡洛模擬進行不確定性分析.蒙特卡洛分析的原理是根據排放因子、活動數(shù)據或者其他估算參數(shù)的概率分布函數(shù)選擇隨機值,然后計算得到相應的排放值.利用計算機多次重復這一過程,每次計算的結果用來構建總排放的概率密度函數(shù)[36].京津冀地區(qū)“煤改電”替代民用散煤大氣污染物排放清單不確定性主要來自于燃煤量、排放因子以及原煤與型煤比例的不確定性.假定基于人工神經網絡計算得到的燃煤量為對數(shù)正態(tài)分布,其標準偏差根據表3中燃煤量最大偏差區(qū)間取值43.5%;原煤與型煤比例為對數(shù)正態(tài)分布,標準偏差設置為10%;排放因子為三角分布[9,15,37].在95%的置信區(qū)間下,評估得到京津冀地區(qū)“煤改電”替代民用散煤排放各類大氣污染物的不確定性范圍(表5).BC與OC的不確定性區(qū)間分別為-45.76%~59.32%和-52.13%~68.62%,與Peng等[15]的結果-62%~155%和-58%~119%相比偏小,其原因在于本研究基于文獻統(tǒng)計分析減少了燃煤量的偏差范圍.此外,由于使用了相同的污染物排放因子,本研究得到污染物的不確定性區(qū)間與Cheng等[9]報道結果相近.

表5 京津冀地區(qū)“煤改電”替代民用散煤污染物排放量的不確定性(%)

3 結論

3.1 在實地調研京津冀地區(qū)民用散煤消費特征的基礎上,構建了基于人工神經網絡的京津冀地區(qū)民用散煤消費量預測模型.計算得到京津冀地區(qū)戶均、人均散煤燃用量平均值為2.09,0.63t/a,其中北京地區(qū)戶均、人均燃用量為3.39,1.09t/a,天津地區(qū)為2.77,0.84t/a,河北地區(qū)為1.90,0.56t/a.

3.2 截至2018年京津冀各地區(qū)“煤改電”政策實施后,共替代散煤用戶約259萬戶,每年可減少散煤706.6萬t,減少TSP、PM10、PM2.5、BC、OC、CO、NO、SO2、VOCs的排放量分別為5.24, 3.67, 2.81, 0.56, 1.99, 86.30, 0.76, 2.17和1.23萬t.

3.3 北京與天津地區(qū)“煤改電”實施較早,對大氣污染物的減排效果比較明顯;河北張家口、承德等地區(qū)“煤改電”實施相對較晚,在“煤改電”政策實施方面還有很大的空間.

3.4 基于對農戶長期跟蹤數(shù)據統(tǒng)計分析,得到了京津冀各地區(qū)燃煤消費量月分布系數(shù).京津冀地區(qū)供暖季集中在11月至次年4月,1月份燃煤系數(shù)最大,占比為27%~40%.

3.5 在95%置信區(qū)間下的不確定性分析結果表明,排放清單中PM2.5、BC、OC、CO、NO、SO2和VOCs排放量的不確定性區(qū)間分別為-59.77% ~ 90.57%、-45.76% ~ 59.32%、-52.13% ~ 68.62%、-42.74% ~ 61.16%、-52.33% ~ 70.93%、-36.52% ~ 50.00%、-43.94% ~ 55.30%.

[1] Zhang Y X, Schauer J J, Zhang Y H, et al. Characteristics of particulate carbon emissions from real-world Chinese coal combustion [J]. Environmental Science & Technology, 2008,42(14):5068-5073.

[2] 中國煤控研究項目散煤治理課題組.中國散煤綜合治理調研報告2018 [EB/OL]. http://coalcap.nrdc.cn/datum/info?id=79&type=22018-08-31/2020-08-03. China coal consumption cap plan and policy research project dispersed coal governance group. China dispersed coal governance report 2018 [EB/OL]. http://coalcap.nrdc.cn/datum/info?id=79&type=22018-08- 31/2020-08-03.

[3] 盧亞靈,周 思,王建童,等.北方試點地區(qū)農村散煤治理的政策回顧與展望 [J]. 環(huán)境與可持續(xù)發(fā)展, 2020,45(3):39-44. Lu Y L, Zhou S, Wang J T, et al. Review and prospect of rural bulk coal management policy in pilot cities of the North China [J]. Environment and Sustainable Development, 2020,45(3):39-44.

[4] 生態(tài)環(huán)境部.專家解讀《打贏藍天保衛(wèi)戰(zhàn)三年行動計劃》 [EB/OL]. http://www.gov.cn/zhengce/2018-07/06/content_5303964.htm2020-07-06/2020-08-03. Ministry of ecology and environment of the people’s republic of China. Expert interpretation of "Three-year Action Plan to Win the Blue Sky Defense War" [EB/OL]. http://www.gov.cn/zhengce/2018-07/06/ content_5303964.htm2020-07-06/2020-08-03.

[5] Niu D X, Song Z Y, Xiao X L. Electric power substitution for coal in China: Status quo and SWOT analysis [J]. Renewable and Sustainable Energy Reviews, 2017,70:610-622.

[6] 王彥超,蔣春來,賀晉瑜,等.京津冀大氣污染傳輸通道城市燃煤大氣污染減排潛力 [J]. 中國環(huán)境科學, 2018,38(7):2401-2405. Wang Y C, Jiang C L, He J Y, et al. Air pollutant emissions reduction potential from burning coal in cities of air pollution transmission channel in Beijing-Tianjin-Hebei area [J]. China Environmental Science, 2018,38(7):2401-2405.

[7] Zhao N, Zhang Y X, Li B W, et al. Natural gas and electricity:Two perspective technologies of substituting coal-burning stoves for rural heating and cooking in Hebei Province of China [J]. Energy Science & Engineering, 2019,7(1):120-131.

[8] 支國瑞,楊俊超,張 濤,等.我國北方農村生活燃煤情況調查、排放估算及政策啟示 [J]. 環(huán)境科學研究, 2015,28(8):1179-1185. Zhi G R, Yang J C, Zhang T, et al. Rural household coal use survey, emission estimation and policy implications [J]. Research of Environmental Science, 2015,28(8):1179-1185.

[9] Cheng M M, Zhi G R, Wei T, et al. Air pollutant emission from the underestimated households' coal consumption source in China [J]. Science of the Total Environment, 2016,580:641-650.

[10] Zhi G R, Zhang Y Y, Sun J Z, et al. Village energy survey reveals missing rural raw coal in northern China: Significance in science and policy [J]. Environmental Pollution, 2017,223:705-712.

[11] Cai S Y, Li Q, Wang S X, et al. Pollutant emissions from residential combustion and reduction strategies estimated via a village-based emission inventory in Beijing [J]. Environmental Pollution, 2018,238: 230-237.

[12] 牛宏宏,王寶慶,劉博薇,等.烏魯木齊市散煤燃燒大氣污染物排放清單及時空分布特征 [J]. 環(huán)境科學研究, 2019,32(1):135-141. Niu H H, Wang B Q, Liu B W, et al. Emission inventory and temporal-spatial distribution of air pollutants from residential coal combustion in Urumqi City [J]. Research of Environmental Science, 2019,32(1):135-141.

[13] 趙文慧,姜 磊,張立坤,等.北京平原區(qū)平房冬季燃煤量及污染物排放估算 [J]. 中國環(huán)境科學, 2017,37(3):859-867. Zhao W H, Jiang L Zhang L K, et al. Estimation of coal consumption and related contamination emission in the plain area around Beijing during winter season [J]. China Environmental Science, 2017,37(3): 859-867.

[14] 謝臥龍,張懷德,劉 鑫,等.山西省農村地區(qū)燃煤采暖情況入戶調查及排污量估算 [J]. 環(huán)境科學研究, 2018,31(4):642-647. Xie W L, Zhang H D, Liu X, et al. Sampling survey and air pollutants emission estimation of coal combustion for heating in rural areas of Shanxi Province [J]. Research of Environmental Science, 2018,31(4): 642-647.

[15] Peng L Q, Zhang Q, Yao Z L, et al. Underreported coal in statistics: A survey-based solid fuel consumption and emission inventory for the rural residential sector in China [J]. Applied Energy, 2019,235:1169- 1182.

[16] Zhu M Y, Liu L, Yin S S, et al. County-level emission inventory for rural residential combustion and emission reduction potential by technology optimization:A case study of Henan, China [J]. Atmospheric Environment, 2020,228:117436.

[17] Yuan P L, Duanmu L, Wang Z S. Coal consumption prediction model of space heating with feature selection for rural residences in severe cold area in China [J]. Sustainable Cities and Society, 2019,50:101643.

[18] 袁鵬麗,端木琳,王宗山.基于實測能耗數(shù)據的農宅供暖能耗影響因素分析 [J]. 建筑科學, 2020,36(2):28-37. Yuan P L, Duan M L, Wang Z S. Analysis of influencing factors of heating energy consumption of rural residence based on measured energy consumption data [J]. Building Science, 2020,36(2):28-37.

[19] 鄭遠攀,李廣陽,李 曄.深度學習在圖像識別中的應用研究綜述 [J]. 計算機工程與應用, 2019,55(12):20-36. Zheng Y P, Li G Y, Li Y. Survey of application of deep learning in image recognition [J]. Computer Engineering and Applications, 2019, 55(12):20-36.

[20] 梁 榮,王洪濤,吳奎華,等.基于神經網絡和ARIMA模型的冷熱電短期負荷預測 [J]. 電力系統(tǒng)及其自動化學報, 2020,32(3):52-58. Liang R, Wang H T, Wu K H, et al. Short-term forecasting of cooling, heating and power loads based on neural network and ARIMA mode [J]. Proceedings of the CSU-EPSA, 2020,32(3):52-58.

[21] 楊仲江,蔡 波,劉 旸.利用雙隱層BP網絡進行雷暴潛勢預報試驗——以太原為例 [J]. 氣象, 2013,39(3):377-382. Yang Z J, Cai B, Liu Y. Experimental research on thunderstorm forecasting with double hidden layer BP neural network:case study on Taiyuan [J]. Meteorology, 2013,39(3):377-382.

[22] 宗宸生,鄭煥霞,王林山.改進粒子群優(yōu)化BP神經網絡糧食產量預測模型 [J]. 計算機系統(tǒng)應用, 2018,27(12):204-209. Zong C S, Zheng H X, Wang L S. Grain yield prediction based on BP neural network optimized by improved particle swarm optimization [J]. Computer Systems and Applications, 2018,27(12):204-209.

[23] 李 春.基于BP和LSTM神經網絡的基因表達預測研究 [D]. 太原:太原理工大學, 2019. Li C. Gene expression prediction based on BP and LSTM neural networks [D]. Taiyuan:Taiyuan university of technology, 2019.

[24] 北京市發(fā)展和改革委員會.北京市“煤改電”用戶達到128萬戶[EB/OL].http://fgw.beijing.gov.cn/gzdt/fgzs/gzdt/202004/t20200417_ 1814458.htm2018-12-14/2020-08-03. Beijing Municipal Development and Reform Commission.Beijing's "Coal to Electricity" users reached 1.28million [EB/OL].http://fgw. beijing.gov.cn/gzdt/fgzs/gzdt/202004/t20200417_1814458.htm2018- 12-14/2020-08-03.

[25] 國網天津市電力公司.中國電力報《為了天更藍環(huán)境更美》[EB/OL]. http://www.tj.sgcc.com.cn/html/main/col37/2015-12/29/20151229103408823202890_1.html2015-12-29/2020-08-03. State Grid Tianjin Electric Power Company. China Electric Power News "For the Blue Sky and the Beautiful Environment" [EB/OL]. http://www.tj.sgcc.com.cn/html/main/col37/2015-12/29/20151229103408823202890_1.html2015-12-29/2020-08-03.

[26] 天津市人民政府.關于印發(fā)天津市居民冬季取暖工作方案的通知 [EB/OL].http://www.tj.gov.cn/zwgk/szfgb/qk/2017/23_3399/202005/t20200520_2476433.html2017-11-21/2020-08-03. Tianjin Municipal People's Government.Notice on Printing and Distributing the Work Plan for Tianjin Residents' Winter Heating [EB/OL].http://www.tj.gov.cn/zwgk/szfgb/qk/2017/23_3399/202005/ t20200520_2476433.html2017-11-21/2020-08-03.

[27] 河北省發(fā)展和改革委員會.對政協(xié)河北省第十二屆委員會第二次會議第605號提案的答復 [EB/OL]. http://hbdrc.hebei.gov.cn/web/web/ xxgkzhzwjytadf/4028818b6a540d2b016a5895c5e7389f.htm2019-04-19/2018-08-03. Hebei provincial development and reform commission. Reply to proposal No. 605of the second meeting of the 12th Hebei provincial committee of the CPPCC [EB/OL]. http://hbdrc.hebei.gov.cn/web/ web/xxgkzhzwjytadf/4028818b6a540d2b016a5895c5e7389f.htm2019-04-19/2018-08-03.

[28] 天氣網.國內城市歷史天氣 [EB/OL]. https://lishi.tianqi.com2020- 08-03/2020-08-03. Tianqi Net. Historical weather in domestic cities [EB/OL]. https: //lishi.tianqi.com2020-08-03/2020-08-03.

[29] 北京市統(tǒng)計局,國家統(tǒng)計局北京調查總隊.北京統(tǒng)計年鑒2019 [EB/OL]. http://nj.tjj.beijing.gov.cn/nj/main/2019-tjnj/zk/indexch.htm/2019-09-01. Beijing municipal bureau of statistics, Survey office of the national bureau of statistics in Beijing. Beijing statistical yearbook 2019 [EB/OL]. http://nj.tjj.beijing.gov.cn/nj/main/2019-tjnj/zk/indexch. htm2019-09-01/2020-08-03.

[30] 天津市統(tǒng)計局,國家統(tǒng)計局天津調查總隊.天津市統(tǒng)計年鑒2019 [EB/OL]. http://stats.tj.gov.cn/nianjian/2019nj/zk/indexch.htm2019- 09-01/2020-08-03. Tianjin municipal bureau of statistics, Survey office of the national bureau of statistics in Tianjin. Tianjin statistical yearbook 2019 [EB/OL]. http://stats.tj.gov.cn/nianjian/2019nj/zk/indexch.htm2019- 09-01/2020-08-03.

[31] 河北省人民政府.河北經濟年鑒2018 [EB/OL]. http://tjj.hebei. gov.cn/res/nj2018/zk/indexch.htm2018-09-01/2020-08-03. The people's government of Hebei province. Hebei economic yearbook 2018 [EB/OL]. http://tjj.hebei.gov.cn/res/nj2018/zk/indexch. htm2018-09-01/2020-08-03.

[32] 中華人民共和國生態(tài)環(huán)境部.關于發(fā)布《民用煤燃燒污染綜合治理技術指南(試行)》與《民用煤大氣污染物排放清單編制技術指南(試行)》的公告 [EB/OL]. http://www.mee.gov.cn/gkml/hbb/bgg/201610/ t20161031_366528.htm2016-10-26/2020-08-03. Ministry of ecology and environment of the people’s republic of China. Announcement on the issuance of "Technical Guidelines for the Comprehensive Treatment of Residential Coal Combustion Pollution (Trial)" and "Technical Guidelines for the Compilation of Residential Coal Air Pollutant Emission Inventories (Trial)" [EB/OL]. http://www. mee.gov.cn/gkml/hbb/bgg/201610/t20161031_366528.htm2016-10- 26/2020-08-03.

[33] 霍沫霖,趙 佳,徐 朝,等.中國散燒煤消費地圖及影響因素研究 [J]. 中國電力, 2018,51(1):139-146. Huo M L, Zhao J, Xu C, et al. China scattered coal consumption map and influence factors [J]. China Electric Power, 2018,51(1):139-146.

[34] 國家統(tǒng)計局.北京市2010年第六次全國人口普查主要數(shù)據公報 [EB/OL]. http://www.stats.gov.cn/tjsj/tjgb/rkpcgb/dfrkpcgb/201202/t20120228_30381.html2012-02-28/2020-08-03. National bureau of statistics. Beijing 2010sixth national census data bulletin [EB/OL]. http://www.stats.gov.cn/tjsj/tjgb/rkpcgb/dfrkpcgb/ 201202/t20120228_30381.html2012-02-28/2020-08-03.

[35] 河北省統(tǒng)計局.河北經濟年鑒2012 [EB/OL]. http://tjj.hebei.gov.cn/ extra/col20/2012/0201.htm2012-09-01/2020-08-03. Hebei statistics bureau. Hebei economic yearbook 2012 [EB/OL]. http://tjj.hebei.gov.cn/extra/col20/2012/0201.htm2012-09-01/2020-08-03.

[36] 日本全球環(huán)境戰(zhàn)略研究所,2006年IPCC國家溫室氣體清單指南 [EB/OL]. https://www.ipcc-nggip.iges.or.jp/public/2006gl/chinese/ vol2.html2006-01-01/2020-08-03. The institute for global environmental strategies, 2006IPCC guidelines for national greenhouse gas inventories [EB/OL]. https://www.ipcc- nggip.iges.or.jp/public/2006gl/chinese/vol2.html2006-01-01/2020- 08-03.

[37] 彭立群,張 強,賀克斌.基于調查的中國秸稈露天焚燒污染物排放清單 [J]. 環(huán)境科學研究, 2016,29(8):1109-1118. Peng L Q, Zhang Q, He K B. Emissions inventory of atmospheric pollutants from open burning of crop residues in china based on a national questionnaire [J]. Research of Environmental Science, 2016, 29(8):1109-1118.

致謝：本研究中人工神經網絡模型是在華北電力大學(保定)電子與通信工程系張衛(wèi)華老師的大力支持下完成的,在此表示衷心的感謝.

Emission inventory of atmospheric pollutants replaced by “coal-to-electricity” policy in Beijing-Tianjin-Hebei region.

LI Peng1*, WU Hua-cheng1, ZHOU Wei-qing1, ZHANG Zi-jian2, WANG Mei-shun3, ZHANG Ru-ting4, LIU Song-tao4, CHEN Chuan-min4

(1.Jibei Electric Power Research Institute, State Grid Jibei Electric Power Co., Ltd., North China Electric Power Research Institute Company Limited, Beijing 100045, China；2.State Grid Jibei Electric Power Co., Ltd., Beijing 100054, China；3.State Grid Corporation of China, Beijing 100031, China；4.Department of Environmental Science & Engineering, North China Electric Power University, Baoding 071003, China)., 2021,41(4)：1489~1497

A residential coal consumption estimation model was established based on artificial neural network, an emission inventory of air pollutants from the coal-to-electricity policy, a residential coal replacement program, in Beijing-Tianjin-Hebei (BTH) region was obtained. The results showed that there had been 2.59 million households that replaced coal with electricity in the BTH region by the end of 2018, which reduced about 7.07 million tons of residential coal, and reduced the emissions of PM2.5、NO、SO2by 28092, 7647 and 21743 tons respectively according to our model. Beijing and Tianjin had achieved more substantial effects and accounted for 62.01% and 22.82% of the total fuel source switch from coal to electricity in the BTH region. Based on the survey data, this study also established the monthly distribution coefficient of coal consumption in BTH cities, and found that the January consumption was largest, which accounted for 27%~40% of the total annual coal consumption.

coal-to-electricity；artificial neural network；residential coal；emission inventory；monthly distribution coefficient

X513

A

1000-6923(2021)04-1489-09

李 朋(1986-),男,湖北仙桃人,高級工程師,博士,主要從事能源與環(huán)保領域相關研究.發(fā)表論文10余篇.

2020-09-14

國家電網公司總部科技項目(52010118000C);國網冀北電力公司科技項目(52018K18001D)

* 責任作者, 高級工程師, lipengzt@139.com