電煤供應鏈碳排放分析與預測

慈鐵軍，馬皓璨，杜恒，楊曉宇，陳通，吳自高

電煤供應鏈碳排放分析與預測

慈鐵軍1,2，馬皓璨1，杜恒1，楊曉宇1，陳通1，吳自高1

（1. 華北電力大學 能源動力與機械工程學院，河北 保定 071003；2. 河北省電力機械裝備健康維護與失效預防重點實驗室（華北電力大學），河北 保定 071003）

為控制溫室氣體排放，努力實現“30·60目標”，對電煤供應鏈碳排放進行分析及預測，對指導減少碳排放具有重要意義。首先，采用Petri網理論分析電煤供應鏈的運行模式，并結合TOPSIS法尋找關鍵鏈節點，為后續求取碳排放量打下基礎；然后，對各個關鍵鏈節點碳排放來源及計算公式進行分析，計算出實際碳排放量；最后，將實際碳排放量及其他影響因素數據輸入到GA-BP神經網絡，得出預測值，并比較預測值與實際值的誤差，說明其準確性。GA-BP神經網絡引入遺傳算法，克服了BP神經網絡收斂速度慢、容易陷入局部最優解的問題。

電煤供應鏈；Petri網；碳排放；GA-BP神經網絡

0 引言

為響應“中國力爭于2030年前二氧化碳排放達到峰值、2060年前實現碳中和”的號召，電力行業致力于對碳排放的控制。電煤供應鏈是指從煤炭的開采、儲存，經過物流的轉運，最后到達發電廠的整個網絡體系，是電力行業產生碳排放的主要來源，對其進行研究對減少溫室氣體排放有重要意義。

許多學者對此進行了研究。文獻[1]對直覺模糊Petri網理論提出了一種新的推理方法；文獻[2]利用Petri網理論對乳制品質量鏈進行了分析；文獻[3]提高了系統的適用性。文獻[4]對電煤供應鏈采用定性與定量相結合的方法構建了風險評估體系。文獻[5]基于各方利益關系，對電煤供應鏈利益協調機制進行了改進。文獻[6]分析了二氧化碳排放和經濟發展之間的關系。文獻[7]分析了國家政策、國家經濟發展對碳排放的影響。文獻[8]研究了碳排放的減排措施，主要方面有庫存碳排放和居民住宅碳排放。

文獻[9]基于LMDI模型對電力行業碳排放的影響因素進行了分析。文獻[10]提出在整個的供應鏈引入綠色植物，提出可持續發展建議。文獻[11]分析了二氧化碳排放和經濟發展之間的關系。文獻[12]分析了國家政策、國家經濟發展對碳排放的影響。文獻[13]研究了碳排放的減排措施，主要方面有庫存碳排放和居民住宅碳排放。

以往的電煤供應鏈研究基于的角度包括經濟效益、物流環節等，很少有關于碳排放的研究。本文通過收集影響碳排放的相關因素數據，構建改進BP神經網絡，對電煤供應鏈的碳排放量進行預測。該方法受主觀影響較小，得出的結果更具客觀性。

1 方法論述

1.1 Petri網理論

Petri網是將圖論用網狀的結構表示出來的網絡模型，可用于分析并行系統，可根據網狀結構之間的關系，模擬系統運行過程。其定義如下：

稱三元組=(,,)為有向網，簡稱為網（Net），需要滿足以下4個條件。

分別表示的定義域和值域。(Place)表示網的庫所集合，在網圖形中為一個圓圈；(Transition)表示網的變遷集合，在網圖形中為一個黑粗線或方框；(Flow relation)表示流關系，為庫所元素和變遷元素組成的有序對集合，在一個網中即為弧。()為集中的首個元素集合，()為集中的第二個元素集合。一個簡單的網模型如圖1所示：

圖1 簡單Petri網

圖1中的小圓點為托肯。托肯的存在即資源存在，這是變遷發生的基礎條件。托肯的數量代表資源的數量。

1.2 基于遺傳算法優化的BP神經網絡

遺傳算法具有收斂速度快的優點，且能在最短的時間內尋找到全局的最優解，可以很好地解決BP神經網絡訓練速度較慢、容易陷入局部最優的問題；所以本文將這兩種算法結合，用遺傳算法改進BP神經網絡，即GA-BP神經網絡[14]。

GA-BP神經網絡的建模步驟如下。

步驟1：單BP模型建立。

步驟2：對需要參與實驗的個體進行編碼，且使種群歸一化。編碼長度計算如公式（1）。

式中：、、分別為輸入層、隱含層、輸出層神經元節點數

步驟3：計算適應度函數。適應度是反應該特點是否可以遺傳給下一代的關鍵。若適應度較大，則有很大概率遺傳到下一代；相反，則容易在迭代過程中被淘汰[15]。

步驟4：選擇操作。選擇是一個隨機的過程，采用輪盤賭函數，表達式如公式（2）所示。

式中：p為某個個體被挑選的概率大小；(x)為個體的適應度值大小[16]。

步驟5：交叉操作。采用算術交叉，函數表達式如公式（3）所示。

式中：為參數。

步驟6：基因變異。

步驟7：優化原始參數。對網絡進行訓練，當滿足約束條件時，輸出最優值，反之，返回步驟2。

步驟8：建立GA-BP神經網絡。

2 電煤供應鏈關鍵鏈節點分析

預測時，需要將實際的碳排放量作為輸出神經元的原始數據帶入到神經網絡。現有的工作研究沒有相關電力行業碳排放量數據，需要對電煤供應鏈進行分析，以計算出整個電煤供應鏈的碳排放量。采用構建供應鏈運行的Petri網模型，尋找產生碳排放的關鍵環節，對各關鍵環節進行計算，進而求出總的碳排放量。

以A省電煤供應鏈為例，收集該省主要發電站及其相應的電煤供應路線、供應量等信息，對碳排放量進行預測。

2.1 電煤供應鏈關鍵鏈節點選取

將所有的電煤供應鏈的節點分為兩級節點。一級節點為煤炭的開采節點、集散中心節點、煤炭轉運節點、煤炭消耗節點。每個節點又分為若干個二級鏈節點。具體的結構如圖2所示。

圖2 電煤物流網絡結構圖

對關鍵鏈的選取采用TOPSIS法，TOPSIS（technique for order preference by similarity to an ideal solution）即通過求解與理想解的相似度對方案進行排序。本節主要說明對于一級關鍵鏈節點的計算過程，二級關鍵鏈節點的計算過程與此相似。

對于一級電煤供應鏈節點，結合每個節點的影響因素，給出初始的矩陣。

對進行規范化，得矩陣′。

確定權重。本文由標準值來確定權重，其計算式如公式（4）所示。

式中：為標準分級數；S(–1)為因子的第–1級標準值；SI為因子的第級標準值。

通過計算得權重為：

構造元素化矩陣，計算步驟為：

最終得出的距離最理想節點和最差節點之間的歐式距離如表1所示。

表1 一級關鍵節點相對重要性

由表1可以看出，電煤供應鏈的4個一級鏈節點相對重要性較為平衡，排序為4>1>2>3。由于最后的煤炭開采和煤炭轉運需要較多的資金投入，是整個供應鏈中較為重要的環節，而集散中心作為中轉環節，重要性比其他環節略低，但也是必不可少的環節。一級鏈節點是整條供應鏈正常運轉且保證其效益的重要支柱，且所有的最后結果均大于0.6，故認為每個鏈節點皆重要，所以均為關鍵性鏈節點。

各二級關鍵鏈節點的選取也是按照以上的步驟進行，最終計算出的關鍵鏈節點如表2所示。

表2 關鍵鏈節點

2.2 基于關鍵鏈節點的Petri網模型

根據以上給出的關鍵鏈節點和非關鍵鏈節點的選取結果，以圓形代表托肯，直線箭頭表示流關系，采用Petri網形式表示各環節之間的關系圖，如圖3所示。

圖3 電煤供應鏈各鏈節點Petri網模型

圖3模型中庫所表示的含義如表3所示。

表3 庫所含義表

基于先驗知識庫形成電煤供應鏈模型中的模糊推理規則如表4所示。

由圖3、表4可以看出，電煤開采過程中，工地建設、開采設備對開采時煤炭的運輸有影響，且三者共同構成了電煤開采階段的主要影響因素；集散中心主要受庫存和運輸的共同影響；運輸方式決定了運輸的距離，運輸距離和運輸量共同影響著電煤運輸環節；最后，電廠的發電量、電廠的自用電及電廠的備用電共同影響著后電煤供應鏈的整體的效益。

表4 模糊推理規則表

表4中d1、d2、d10分別代表工地建設、開采運輸、開采器械存在的設備、調度、工藝等問題；d3、d4表示暫庫存、倉儲方面的浪費、不及時、過剩的現象；d5、d6、d11表示在運輸過程中存在的運輸方式、運輸量、運輸距離、貨物裝卸方面的問題；d7、d8、d9表示煤炭卸貨、發電機供電、電廠自用、備用電消耗時，電廠自用電過多、備用電不合理等現象；d12、d13、d14表示一級鏈節點存在問題；d16為貫穿整個供應鏈的管理問題；d15為最終煤炭消耗量效益不高。

2.3 基于電煤供應鏈關鍵節點的碳排放分析

碳排放量是進行預測及結果對比時所必須的數據，所以本節根據公式計算出總的碳排放量。

（1）生產環節碳排放的分析

生產環節碳排放量的計算主要是對煤層氣碳排放量的計量。

計算碳排放量可以通過碳排放因子進行估算。開采環節氣體排放量的計算公式如（5）所示。

式中：DA為煤炭開采時排放的氣體量，kg；CP為開采煤的產量，其中1為地下開采量，2為露天開采量，t；EF(n)j為排放因子，如表5，m3/t；為氣體的轉換因子，將體積換算成質量，kg/m3。標準大氣壓下，CH4的值為0.67 kg/m3，CO2的值為0.8 kg/m3。

表5 煤炭開采碳排放因子影響因素

（2）運輸環節的碳排放分析

a. 電煤運輸量

獲得電煤運輸量的通常采用逆推的方法：將發電量代入公式計算出煤使用量，進而計算出運輸量。

火電廠發電量與電煤調運量之間的關系如公式（6）所示。

式中：t為火電廠單位發電量的電煤調運量，g/kW·h；sg為發電廠標準煤耗，g/kW·h；cs為原煤轉化為等熱量標煤的質量轉換系數，%；為電煤在運輸過程中的遺撒率，%，一般取1%。

b. 各類運輸方式的碳排放量

電煤運輸過程中各類運輸方式的碳排放量計算公式如公式（7）～（10）所示。

式中：ys–tl、ys–gl、ys–sl分別為電煤運輸過程中鐵路、公路、水路的碳排放量；ys–dm為電煤的運輸量；tl、gl、sl分別為鐵路、公路、水路電煤運輸量分擔率；nrj為內燃機車在運輸中所占的比重；tl、gl、sl分別為鐵路、公路、水路3種運輸方式的運輸距離；tl、gl、sl分別為鐵路、公路、水路的單位距離平均油耗；rs為單位燃油的燃燒值；yl為CO2排放因子。

（3）消耗環節的碳排放分析

煤炭消耗環節碳排放包括兩部分，分別為電煤燃燒產生的碳排放和灰渣運輸過程中產生的碳排放。

a. 燃燒發電碳排放量

由于無法對燃燒現場進行實測，本文采取碳排放系數法，即通過經驗公式根據碳的燃燒估算碳排放量。

電煤燃燒發電環節的碳排放量計算公式如（11）所示。

b. 灰渣處理碳排放量

火電廠的灰渣排放量以及汽車的運輸能力影響著灰渣運輸過程中所產生的碳排放如公式（12）所示。

式中：hi為粉煤灰排放量，t/年；B為鍋爐每小時原煤燃燒量，t/h；ar為燃料收到基灰分，%；4為未完全燃燒的熱損失率，%，一般取2%；net.ar為燃煤收到基低位發熱量，KJ/kg；為循環流化床鍋爐鈣硫比，對于煤粉鍋爐=0；ar為燃煤收到基含硫量，%；c為除塵器運行效率，%，一般取值為98.7%；fh為粉煤灰在總的灰渣中的占比；33 913為標準煤炭的產熱值，kJ/kg；t為鍋爐年運行時間（h/年）。

式中：zi為爐渣排放量，t/年；lz為爐渣占灰渣總量的質量份額。

式中：hz為灰渣排放量，t/年。

式中：sy–zyh為灰渣運輸汽車年耗油量，L/年；hz為灰渣排放量，t/年；為運輸汽車額定荷載，t；gl為汽車燃油百公里油耗，L/km；為電廠到灰場的運輸距離，km；sy–hz為灰渣運輸碳排放量，t/年；rs為油料燃燒平均產熱值，TJ/千克油料；yl為CO2排放因子，kg/TJ。

綜上所述，消費環節的碳排放量為：

根據以上的計算公式，通過《中國能源統計年鑒》、《中國電力年鑒》和《中國統計年鑒》，搜集A省的相關數據。主要以月為單元，搜集了近20年的數據，共240組。根據上文給出的計算公式，得到A省電力生產CO2排放量數據，見圖4。

3 基于關鍵鏈節點碳排放預測

3.1 數據選取

數據的選取需要遵循一個原則，即搜集的因素必須和碳排量相關，如果不相關可以適當剔除[17]。通過對文獻的閱讀及相關搜索，現選取影響碳排放的20種因素，包括人口、城市化水平、人均GDP、工業水平、居民消費水平、電力消耗量、地方財政收入、煤炭消耗量、火力發電量、運輸線路長度、廢棄物排放、水利發電量、平均每天能源消耗量、材料油消耗量、柴油消耗量、焦煤消耗量、煤油消耗量、汽油消耗量、天然氣消耗量，部分數據如圖5所示。

圖5 部分影響電煤供應鏈碳排放的因素

3.2 數據預處理

由于收集到的數據其大小、單位、維度等都不是同一個水平，所以需要對其進行歸一化處理，即把所有的數據轉化成可以比較、運算的相同維度、量綱的數據，把所有數據映射到[–1,1]。采用premnmx函數對實驗數據做PCA降維處理，根據實驗結果，保留10維數據進行實驗仿真。

3.3 GA-BP神經網絡的設計

將數據帶入網絡，經過多次實驗，得出最終參數如表6所示。

表6 GA-BP神經網絡參數

3.4 GA-BP神經網絡預測結果分析

網絡的預測結果如圖6、圖7所示。

圖6 BP神經網絡預測圖

圖7 GA-BP神經網絡預測圖

均方根誤差指的是真實值與預測值的差值，差值越小說明算法的仿真效果越好，反之同理[18]。該指標是一個衡量模型精確度的重要指標。表7給出了不同算法的均方根誤差值大小。經過分析可以看出，GA-BP神經網絡的預測值和真實值之間的誤差更小，仿真的結果更準確[19]。

表7 均方誤差比較圖

碳排放預測的直觀表現為預測擬合折線圖的重合程度。重合度越高，表明預測的結果越準確，

模型的性能越優越。兩種算法對供應鏈碳排放的預測都比較準確，但GA-BP算法最為精確，預測值和真實值幾乎重合。從均方根誤差也可以看出，預測值的折線圖和期望值的預測圖幾乎完全重合。

對模型的訓練次數進行分析，具體訓練次數如圖8、9所示。

圖8 BP神經網絡訓練次數

圖9 GA-BP神經網絡訓練次數

可以看出，GA-BP神經網絡的訓練次數更少，用時更短。

4 結論

通過對電煤供應鏈采用Petri網理論和TOPSIS法，得出了影響電煤供應鏈的關鍵鏈環節及運行模型?？梢园l現整個供應鏈的一級鏈節點皆為關鍵的鏈節點，二級鏈節點中關鍵鏈節點包括：工地建設、開采器械、庫存、運輸、運輸方式、運輸量、發電廠供電、電廠自用電、備用電消耗。計算了A省的碳排放量，并對近20年電煤供應鏈碳排放進行分析預測，預測方法為遺傳算法改進的BP神經網絡。經過多次的反復實驗，選取了合適的參數。從計算結果可知A省碳排放仍處于增上階段，月增長平均為1.875萬t，對整個供應鏈碳排放的控制依然需要付出長久的努力。對預測結果誤差進行分析，可以看出整個模型的誤差很小模型預測準確性較高。

[1] 孟飛翔, 雷英杰, 雷陽, 等. 基于直覺模糊Petri網的混合推理方法[J]. 電子學報, 2017, 45(8): 1937-1946.

MENG FEIXIANG, LEI YINGJIE, LEI YANG, et al. Hybrid reasoning using intuitionistic fuzzy petri nets[J]. Acta Electronica Sinica, 2017, 45(8): 1937-1946(in Chinese).

[2] 唐利萍. 基于直覺模糊Petri網的食品質量安全控制[J]. 食品安全導刊, 2016(27): 78.

[3] 趙強. 基于直覺模糊Petri網的知識表示與推理[J]. 信息與電腦, 2018, 30(21): 35-36.

ZHAO QIANG. Knowledge representation and reasoning based on intuitionistic fuzzy petri nets[J]. China Computer & Communication, 2018, 30(21): 35-36(in Chinese).

[4] 譚海燕. 基于層次分析方法的電煤供應鏈協調評價研究[J]. 中國管理信息化, 2018, 21(12): 68-70.

[5] 李巍巍, 耿大恒. 基于改進集成評價的電煤供應鏈協調評價及改進措施[J]. 煤炭經濟研究, 2016, 36(9): 48-58.

LI WEIWEI, GENG DAHENG. Power-coal supply chain coordination evaluation and improvement measures based on improved integrated evaluation[J]. Coal Economic Research, 2016, 36(9): 48-58(in Chinese).

[6] MOHAMED U, ZHAO Y, YI Q, et al. Evaluation of life cycle energy, economy and CO2emissions for biomass chemical looping gasification to power generation[J]. Renewable Energy, 2021, 176: 366-387.

[7] KHAN M, OZTURK I. Examining the direct and indirect effects of financial development on CO2emissions for 88 developing countries[J]. Journal of Environmental Management, 2021, 293: 112812.

[8] LI W, ELHEDDAD M, DOYTCH N. The impact of innovation on environmental quality: evidence for the non-linear relationship of patents and CO2emissions in China[J]. Journal of Environmental Management, 2021, 292: 112781.

[9] 彭文兵, 王詩婷. 基于LMDI模型的電力行業碳排放的影響因素分析[J]. 上海電力學院學報, 2016, 32(3): 301-305.

PENG WENBING, WANG SHITING. Analysis of the factors of carbon emissions in electric industry based on LMDI model[J]. Journal of Shanghai University of Electric Power, 2016, 32(3): 301-305(in Chinese).

[10] 湯希峰, 丁俊武. 可持續發展理念下的配送中心選址模型及算法研究[J]. 徐州工程學院學報(自然科學版), 2016, 31(1): 48-52.

TANG XIFENG, DINGJUNWU. Models and algorithms for locating distribution center in consideration of sustainability[J]. Journal of Xuzhou Institute of Technology(Natural Sciences Edition), 2016, 31(1): 48-52(in Chinese).

[11] MOHAMED U, ZHAO Y, YI Q, et al. Evaluation of life cycle energy, economy and CO2emissions for biomass chemical looping gasification to power generation[J]. Renewable Energy, 2021, 176: 366-387.

[12] KHAN M, OZTURK I. Examining the direct and indirect effects of financial development on CO2emissions for 88 developing countries[J]. Journal of Environmental Management, 2021, 293: 112812.

[13] LI W, ELHEDDAD M, DOYTCH N. The impact of innovation on environmental quality: evidence for the non-linear relationship of patents and CO2emissions in China[J]. Journal of Environmental Management, 2021, 292: 112781.

[14] 牛華. 基于改進BP神經網絡的汽車發動機故障診斷[J]. 組合機床與自動化加工技術, 2021(5): 57-61.

NIU HUA. Fault diagnosis of automobile engine based on improved BP netural network[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2021(5): 57-61(in Chinese).

[15] 劉森. 基于遺傳算法改進的BP神經網絡模型的高等教育人才影響預測研究[J]. 科技經濟導刊, 2021, 29(12): 149-151.

[16] 白鵬, 王浩. 改進遺傳算法優化的BP神經網絡高爐煤氣預測[J]. 機械工程與自動化, 2021(2): 77-79.

BAI PENG, WANG HAO. BP neural network blast furnace gas forecast based on improved genetic algorithm[J]. Mechanical Engineering & Automation, 2021(2): 77-79(in Chinese).

[17] 白玉, 陳自強. 改進的自適應遺傳算法在人體行為識別中的應用[J]. 電腦與信息技術, 2021, 29(2): 4-7.

BAI YU, CHEN ZIQIANG. Application of adaptive genetic algorithm in human behavior recognition[J]. Computer and Information Technology, 2021, 29(2): 4-7(in Chinese).

[18] 趙華芳, 馬文忠, 王仁讓, 等. 基于改進神經網絡的一種新型MPPT預測方法[J]. 電氣應用, 2021, 40(1): 12-18.

ZHAO HUAFANG, MA WENZHENG, WANG RENRANG, et al. A new MPPT prediction method based on improved neural network[J]. Electrotechnical Application, 2021, 40(1): 12-18(in Chinese).

[19] 王宇, 劉若晨, 李廣軍. 基于改進遺傳算法的神經網絡轉向架軸承故障診斷[J]. 城市軌道交通研究, 2020, 23(12): 46-49.

WANG YU, LIU RUOCEHN, LI GUANGJUN. Fault diagnosis of bogie bearing based on neural network optimized by improved genetic algorithm[J]. Urban Mass Transit, 2020, 23(12): 46-49(in Chinese).

Analysis and Forecast of Carbon Emission in Power-Coal Supply Chain

CI Tiejun1,2, MA Haocan1, DU Heng1, YANG Xiaoyu1, CHEN Tong1, WU Zigao1

(1. School of Energy Power and Mechanical Engineering, North China Electric Power University, Baoding 071003, China; 2. Hebei Key Laboratory of Electric Machinery Health Maintenance & Failure Prevention, North China Electric Power University, Baoding 071003, China)

In order to control greenhouse gas emissions and strive to achieve the “30-60 target”, analyzes and forecasts the carbon emissions in power-coal supply chain in order to control carbon emissions more effectively. Firstly, the operation mode of power-coal supply chain was analyzed by Petri net theory, and the key chain nodes were found with TOPSIS method, which laid a foundation for the subsequent calculation of carbon emissions. Then the carbon emission source and calculation formula of each key chain node were analyzed to calculate the actual carbon emission. Finally, the data of actual carbon emissions and other influencing factors are input into GA-BP neural network to obtain the predicted value, and the error between the predicted value and the actual value was compared to demonstrate its accuracy. GA-BP neural network introduced genetic algorithm to overcome the problem of the slow convergence speed and easily falling into local optimal solution.

power-coal supply chain; Petri net; carbon emissions; GA-BP neural network

10.3969/j.ISSN.1672-0792.2021.09.008

TM46

A

1672-0792(2021)09-0062-09

2021-06-17

國家自然科學基金（51777075）

慈鐵軍（1971—），男，副教授，研究方向為電力工程管理技術及應用；

馬浩璨（1998—），男，碩士研究生，研究方向為電力工程管理技術及應用；

杜 恒（1995—），男，碩士研究生，研究方向為電力工程管理技術及應用；

楊曉宇（1996—），男，碩士研究生，研究方向為電力工程管理技術及應用；

陳 通（1994—），男，碩士研究生，研究方向為電力工程管理技術及應用；

吳自高（1990—），男，講師，研究方向為電力生產調度。

馬皓璨