基于BayesianOpt-XGBoost的煤電機組碳排放因子預(yù)測

趙敬皓,王娜娜,蔣嘉銘,田亞峻*(1.中國科學(xué)院青島生物能源與過程研究所,泛能源大數(shù)據(jù)與戰(zhàn)略研究中心,山東 青島 266101；2.山東能源研究院,山東 青島 266101；3.青島新能源山東省實驗室,山東 青島 266101；.青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院,山東 青島 266061)

全球氣候變暖問題已經(jīng)引起國際社會的普遍關(guān)注,燃煤發(fā)電作為二氧化碳排放的重點行業(yè),深入地對其碳減排進行精細化研究,刻不容緩.開展準確全面的碳核算是推進碳減排進程的關(guān)鍵,目前燃煤發(fā)電機組碳核算大多采用國際通用的IPCC 方法計算得到[1-2],該方法適用于粗略地把控宏觀區(qū)域的碳排放情況,Liu 等[3]指出,IPCC 推薦的默認碳排放因子大約高估了40%.研究人員通過類推法和窮盡法,使用了詳細的機組運行數(shù)據(jù),按照IPCC 的公式計算出了不同機組的碳排放水平,但發(fā)電機組的詳細技術(shù)并不公開,相關(guān)運行信息也難以統(tǒng)計,限制了該類方法的推廣和應(yīng)用[4].因此,如何根據(jù)有限機組信息,解決數(shù)據(jù)缺失問題,科學(xué)地預(yù)測其碳排放因子非常重要.

近年來,部分研究學(xué)者將目光投向人工智能領(lǐng)域.使用人工智能技術(shù)預(yù)測碳排放水平可以避開企業(yè)不愿意披露數(shù)據(jù)等問題.劉淳森等[5]基于LSTM模型對中國交通運輸業(yè)碳排放量進行預(yù)測研究.Umit 等[6]使用深度學(xué)習(xí)、支持向量機和神經(jīng)網(wǎng)絡(luò)對土耳其交通運輸業(yè)相關(guān)能源需求和碳排放進行了預(yù)測.余文夢等[7]利用隨機森林研究了我國縣域?qū)用娴奶寂欧乓蜃拥年P(guān)鍵影響因素及其時序演進特征.Sun 等[8]提出基于隨機森林算法對CO2排放進行預(yù)測,采用飛蛾火焰優(yōu)化算法對初始權(quán)值和偏差進行優(yōu)化,以河北省1995～2015年數(shù)據(jù)為例驗證模型的有效性.

文獻調(diào)研發(fā)現(xiàn),此類預(yù)測研究存在如下不足:相關(guān)研究多集中于建筑業(yè)、交通業(yè)等行業(yè),或從地區(qū)層面進行研究,缺少對燃煤發(fā)電等高碳排放行業(yè)的精細化研究;以LSTM 等神經(jīng)網(wǎng)絡(luò)算法為代表的深度學(xué)習(xí)模型需要大量數(shù)據(jù)進行訓(xùn)練,當(dāng)面對數(shù)據(jù)量不足的情況時,其擬合能力往往劣于梯度提升樹類型的機器學(xué)習(xí)算法.

本研究采用相對較易獲得的機組信息特征數(shù)據(jù)對燃煤發(fā)電、供熱的碳排放因子分別進行建模模擬,并設(shè)計算法將難以獲得的特征進行替代消除,旨在通過機器學(xué)習(xí)和統(tǒng)計學(xué)方法,對燃煤電廠機組碳排放進行科學(xué)分析,彌補真實場景數(shù)據(jù)獲取層面的不足,使得模型更具有普適性,更好的消除數(shù)據(jù)壁壘.

在機器學(xué)習(xí)預(yù)測領(lǐng)域研究中,XGBoost[9]算法對連續(xù)值和離散值實驗數(shù)據(jù)都有很好的適應(yīng)性,在處理數(shù)據(jù)量少導(dǎo)致的過擬合問題以及處理高維特征數(shù)據(jù)上具有很強的優(yōu)勢,也被廣泛應(yīng)用與環(huán)境領(lǐng)域的數(shù)據(jù)建模[10].本研究使用的數(shù)據(jù)集來自各省區(qū)多個燃煤電廠,該數(shù)據(jù)集數(shù)據(jù)量較少、離散變量多、數(shù)據(jù)維度高,與XGBoost 算法有著很好的契合性.同時,在模型參數(shù)優(yōu)化方面,貝葉斯參數(shù)優(yōu)化可以實現(xiàn)模型超參數(shù)自動優(yōu)化選擇[11],既降低了人工調(diào)參帶來了偶然因素的影響,又可以避免傳統(tǒng)網(wǎng)格搜索的高時間和空間復(fù)雜度問題.因此,本研究基于XGBoost算法挖掘分析機組信息特征與發(fā)電、供熱碳排放因子的相互關(guān)系構(gòu)建預(yù)測模型,同時基于貝葉斯參數(shù)優(yōu)化算法進行最優(yōu)參數(shù)自動選取.然后基于特征標準化方法,消去難以獲得的特征并重新訓(xùn)練,并將模型預(yù)測結(jié)果和公開數(shù)據(jù)進行了對比以驗證模型的性能.最后,利用訓(xùn)練好的模型對省區(qū)排放水平進行預(yù)測和分析,并給出相應(yīng)的結(jié)論和建議.

1 數(shù)據(jù)來源及分析

本研究基于全國各省多家燃煤電廠的機組數(shù)據(jù)(北京市、香港特別行政區(qū)、澳門特別行政區(qū)、臺灣省、西藏自治區(qū)數(shù)據(jù)暫缺),根據(jù)國家能源局發(fā)布的2022年全國電力工業(yè)統(tǒng)計數(shù)據(jù),截止到2022年底,全國火電裝機容量約為133239 萬kW,其中煤電裝機約占84%,裝機容量約為112228 萬kW[12-13],該數(shù)據(jù)集中全國機組裝機容量共計112140.73 萬kW,約占全國總煤電機組裝機容量的99.9%左右.

由能源專業(yè)知識背景分析可知:燃煤發(fā)電碳排放因子由機組參數(shù)和燃煤屬性兩個參數(shù)決定[14-16],相關(guān)影響因素分析如下.

1.1 機組參數(shù)分析

燃煤電廠發(fā)電、供熱煤耗受多種因素影響.具體而言,按照鍋爐蒸汽的溫度和壓力不同將發(fā)電機組參數(shù)分為超超臨界(25～31MPa,580～610℃)、超臨界(24～26MPa,538～560℃)、亞臨界(15.7～19.6MPa,538℃)等類型,機組容量表征發(fā)電機組的額定發(fā)電功率,按發(fā)電機組裝機容量可以分為6 級機組規(guī)模(即1000MW 以上、600～1000MW、300～600MW、200～300MW、100～200MW 和100MW 以下),同一技術(shù)特征發(fā)電機組的裝機容量越大,其發(fā)電效率越高[4];此外,供電煤耗還與燃煤電廠機組類型,冷卻方式有關(guān),而冷卻方式的選取又和機組和所處的地理因素的相關(guān),如位于海邊的電廠多選用海水直冷技術(shù)等;因此本研究從機組靜態(tài)參數(shù)和地理信息參數(shù)兩個方面設(shè)計機組特征.

1.2 煤炭屬性分析

煤炭屬性主要由燃煤電廠所使用的煤炭種類和機組的使用情況綜合決定.煤炭通常分為無煙煤、煙煤、貧煤和褐煤等種類,不同煤種的元素組成各不相同,單位熱值的碳含量差異顯著[17],因此煤種也是影響煤電機組碳排放的重要因素.然而在真實環(huán)境中,電廠各機組使用的煤炭種類,以及其真實的單位熱值、灰分、揮發(fā)份等數(shù)據(jù)難以獲取.用于表征煤種的主要特征如煤炭熱值、燃煤灰分、燃煤揮發(fā)分,會因電廠實際生產(chǎn)過程中使用的煤種、工藝、設(shè)施不同而有所不同,主要表現(xiàn)在:(1)部分電廠采用多種煤種混合的混煤,其摻燒比例無法統(tǒng)一,不同比例的混合煤種,其燃燒的穩(wěn)定性、燃盡率以及其他物性各不相同[18];(2)即使是相同的煤種,因為煤質(zhì)等原因,其熱值也有波動.由于電廠工藝和設(shè)施的差異,煤的入廠熱值與入爐熱值又有一定變化[19].因此,科學(xué)地去除煤種的不確定性帶來的影響,是將碳排放因子預(yù)測模型推廣和應(yīng)用的關(guān)鍵.

2 方法與模型搭建

2.1 XGBoost 算法原理

梯度提升決策樹(GBDT)最早由Friedman 等[20]提出,是一種迭代的決策樹算法,該算法由多棵決策樹組成,所有樹的結(jié)論累加起來作為最終結(jié)果.決策樹是一種樹形結(jié)構(gòu),其中每個內(nèi)部節(jié)點表示一個屬性判斷,每個分支代表一個測試輸出,最后每個葉子節(jié)點代表一種分類結(jié)果.GBDT 算法原理是基于以前的樹,不斷形成新的決策樹來擬合之前預(yù)測的殘差,使預(yù)測值與真實值的差距不斷減小,使目標函數(shù)接近最小方向.

極致梯度提升(XGBoost)是一種集成學(xué)習(xí)算法,其出眾的效率和良好的預(yù)測準確度引起了廣泛關(guān)注,在表格類型的數(shù)據(jù)的處理方面,其表現(xiàn)可以超過大多數(shù)深度神經(jīng)網(wǎng)絡(luò)(DNN)框架和傳統(tǒng)機器學(xué)習(xí)算法.XGBoost 的整體目標函數(shù)如下式所示:

2.2 貝葉斯參數(shù)優(yōu)化算法原理

對參數(shù)進行優(yōu)化是提升模型擬合能力的重要方法,傳統(tǒng)網(wǎng)格搜索(Grid-Search)是基于遍歷的查找方式,搜索空間大,耗時長,在參數(shù)維度較多時不具備應(yīng)用價值.貝葉斯參數(shù)優(yōu)化是基于貝葉斯原理和高斯過程回歸的機器學(xué)習(xí)模型超參數(shù)自動優(yōu)化方法[21],能夠充分利用歷史采樣信息,得到新的采樣點,自動選取參數(shù)采樣區(qū)間,有效避免了網(wǎng)格搜索帶來的高耗時問題,對于20 維以內(nèi)的參數(shù)空間有良好的效果.

貝葉斯參數(shù)優(yōu)化過程包含兩個部分:基于貝葉斯原理的目標函數(shù)統(tǒng)計模型和決定下一步采樣空間的函數(shù).根據(jù)已經(jīng)嘗試的參數(shù),每次迭代多個函數(shù),用于評估剩余的參數(shù)空間.其主要計算過程包含如下步驟:

(1)輸入以下信息:模型訓(xùn)練函數(shù)f,超參數(shù)搜索空間X,采集函數(shù)S,先驗?zāi)Ｐ蚆;

(2)基于f 和X 初始化最優(yōu)參數(shù)組合D;

(3)假設(shè)M 服從高斯分布,基于D、 x(x ∈X)和輸出值y 計算出該高斯分布 p(y | x ,D);

(4)通過采集函數(shù)S 獲得使訓(xùn)練函數(shù)f 損失值最小的參數(shù)xi,即xi←argmaxx∈XS(x,p(y | x,D));

(5)基于參數(shù) xi重新訓(xùn)練,得到輸出,即yi←f(xi);

(6)令D ← D ∪(xi,yi),更新當(dāng)前最優(yōu)參數(shù)組合;

(7)重復(fù)步驟(3)～(6),直至獲得最優(yōu)參數(shù)組合.

2.3 特征標準化方法

標準化是機器學(xué)習(xí)模型在回歸任務(wù)中常用的解耦變量與預(yù)測指標的技術(shù),被廣泛應(yīng)用在氣象領(lǐng)域和圖像領(lǐng)域[22].標準化操作,即基于多個維度特征,預(yù)先訓(xùn)練一個穩(wěn)定模型后,結(jié)合一定尺度的多次重采樣得到新數(shù)據(jù)集,通過對新數(shù)據(jù)預(yù)測并取平均的方法,計算出不含部分特定特征的平均結(jié)果,可以更加確定地觀察到數(shù)據(jù)是如何受到除指定因素之外的其他因素影響.

結(jié)合標準化的技術(shù),可以有效計算出燃煤電廠機組在使用不同煤種時的平均碳排放因子,從而獲得基于不包含煤種特征數(shù)據(jù)訓(xùn)練而來的穩(wěn)定模型.

2.4 模型設(shè)計

圖1 系統(tǒng)框架Fig.1 System Structure

3 實驗與模型評估

經(jīng)觀察數(shù)據(jù),有1092 個機組樣本特征完整性較好,通過已知的機組發(fā)電煤耗、供熱煤耗、所用煤種的熱值等信息,利用《中國發(fā)電企業(yè)溫室氣體排放核算方法與報告指南(試行)》[23]的公式,可以計算出機組的發(fā)電、供熱碳排放因子,實驗中用這部分數(shù)據(jù)訓(xùn)練模型;剩余機組數(shù)據(jù)由于特征不可獲得,難以通過計算得到其碳排放因子,需要通過模型對機組進行預(yù)測,因此將這部分數(shù)據(jù)作為樣本外數(shù)據(jù).

此外,部分機組關(guān)鍵屬性缺失,且其中大部分機組年代久遠,裝機容量小于30MW,國家已規(guī)定予以限期淘汰,因此保留裝機容量大于30MW 且特征較為完整的5096個機組樣本,合計裝機容量為108388.00萬kW,覆蓋率達到96.52%.其中,山東省、內(nèi)蒙古自治區(qū)機組分布較多;青海省等地區(qū)機組分布較少.各省機組數(shù)量及平均裝機容量分布如圖2、圖3所示:通過對數(shù)據(jù)集的分析可知,真實電廠數(shù)據(jù)集存在如下問題:

圖2 各省燃煤機組分布數(shù)量Fig.2 Number of coal-fired units distributed by province

圖3 各省燃煤機組平均容量Fig.3 Average capacity of coal-fired units in each province

(1)機組靜態(tài)特征數(shù)值完全相同的機組,由于使用煤種不同,其碳排放因子也有所差異,若直接按照同屬性的機組直接取平均值,可供訓(xùn)練的機組數(shù)將由3080 余個減少到482 個,由于部分屬性組合所包含的機組數(shù)少,碳排放因子方差大,將帶來較大的誤差.

(2)與煤種相關(guān)的特征:入爐位低位熱值、燃煤揮發(fā)分、燃煤灰分,在樣本外數(shù)據(jù)中缺失比例均高于90%,屬于非常難以獲得的特征.

因此,通過數(shù)據(jù)預(yù)處理、基于煤種特征建模和基于煤種標準化去特征3 個步驟,獲得基于機組特征的碳排放因子預(yù)測模型,從而達到了模型在樣本外數(shù)據(jù)上可用的目的,具體實驗過程如下:

3.1 數(shù)據(jù)預(yù)處理及特征工程

為了更好地利用數(shù)據(jù)進行挖掘分析,本研究對樣本數(shù)據(jù)進行預(yù)處理來提高數(shù)據(jù)質(zhì)量.首先,個別樣本存在明顯偏離正常范圍的特征,屬于異常值,為避免帶來誤差,在訓(xùn)練建模時予以刪除;其次,根據(jù)電廠所在經(jīng)緯度,通過開放數(shù)據(jù)庫opentopodata[24]的API接口,自動獲得電廠對應(yīng)位置的海拔信息;此外,部分離散特征存在表述差異,即不同表述表示同一屬性(如“空冷-直接空冷”和“直接空冷”),預(yù)處理時將其進行統(tǒng)一.最后,對機組的離散特征進行了獨熱編碼處理,對于連續(xù)型特征,進行對數(shù)化處理,以減小特征的尺度,消除異方差性質(zhì),使數(shù)據(jù)更加平穩(wěn).具體特征處理方式見表1.

表1 特征統(tǒng)計及預(yù)處理方式Table 1 Feature pre-processing methods

3.2 數(shù)據(jù)實驗

使用十折交叉驗證來訓(xùn)練并得到最優(yōu)模型,即每次訓(xùn)練過程均將特征處理后的數(shù)據(jù)集按照8:1:1的比例劃分為訓(xùn)練集、驗證集和測試集,在訓(xùn)練集上訓(xùn)練模型,使用驗證集來控制訓(xùn)練的過程,當(dāng)驗證集連續(xù)100 輪迭代沒有出現(xiàn)性能提升時,終止訓(xùn)練并保留最優(yōu)模型,最后在測試集上檢驗?zāi)Ｐ偷恼嬲阅?十折交叉驗證可以避免單次訓(xùn)練的偶然性因素,即通過多次訓(xùn)練、驗證來證明模型的魯棒性.

將所提出的模型與GBDT、根據(jù)經(jīng)驗參數(shù)的XGBoost 進行消融實驗,并且與深度神經(jīng)網(wǎng)絡(luò)(DNN)中的 CNN-BiLSTM-Attention 模型[25]進行了對比實驗,使用MSE、R2等指標對模型擬合結(jié)果進行了評估,十折交叉驗證中測試集的平均對比結(jié)果如表2所示.

第二天大天白亮，桃花伸手去推高木，卻像碰到了石頭，冰涼冰涼的；她呼地坐起身來，輕輕地呼喊著高木，將手放到他的心口，依舊冰涼冰涼的。桃花縮回手，扭頭看了一眼窗外。但她什么也沒有看到，窗外的陽光白到無窮黑，吞沒了整個世界。

表2 不同模型性能評價對比Table 2 Evaluation results of different models

經(jīng)貝葉斯參數(shù)優(yōu)化后的預(yù)測結(jié)果如圖4所示.

圖4 模型擬合效果Fig.4 Fitting results of the model

對部分機組的預(yù)測結(jié)果與基于發(fā)電量、供熱量對應(yīng)的燃煤消耗計算而來的碳排放因子進行抽樣對比檢驗,對比如表3所示.

表3 預(yù)測結(jié)果抽樣Table 3 Samples of prediction

本實驗中,95%以上機組的發(fā)電和供熱碳排放因子預(yù)測誤差小于10%,很好地用更少的特征擬合了《中國發(fā)電企業(yè)溫室氣體排放核算方法與報告指南(試行)》中基于化石燃料燃燒計算碳排放的公式計算的煤電機組發(fā)電、供熱碳排放因子,從而在不使用煤炭性質(zhì)參數(shù)、發(fā)電、供熱量等數(shù)據(jù)的情況下獲得了機組的平均碳排放因子,通過表2 的消融實驗與對比實驗證明,該模型具有有效性和魯棒性.

經(jīng)過對比分析,供熱碳排放中誤差較大,是因為部分機組位于我國南方,機組供熱量與北方機組差距較大,影響了整體數(shù)據(jù)的平穩(wěn)性,導(dǎo)致模型進行擬合時難度較大,但模型整體指標仍可接受.

3.3 基于煤種特征標準化的去特征方法及應(yīng)用

為了去除難以獲得的煤種誤差,使模型更具有普適性,在上述模型表現(xiàn)穩(wěn)定后,采取以下步驟進行煤種特征標準化,消去煤種特征并在樣本外數(shù)據(jù)集上進行應(yīng)用.已有數(shù)據(jù)中,相同煤種對應(yīng)了不同入爐煤低位熱值、燃煤揮發(fā)分、燃煤灰分值,我們對這三個特征按照煤種進行聚合(group-by)操作,得到每一個煤種對應(yīng)的多個(低位熱值、燃煤揮發(fā)分、燃煤灰分值)組合,形成煤種特征的采樣空間.基于煤種與煤種特征組合采樣空間的映射關(guān)系,對訓(xùn)練樣本進行重采樣,將訓(xùn)練集從3080 余條樣本擴充到715 萬余條數(shù)據(jù).使用訓(xùn)練好的模型對重采樣后的數(shù)據(jù)集進行預(yù)測,得到不同機組使用不同煤種特征值的碳排放因子數(shù)據(jù)集.將擴充后的數(shù)據(jù)集按照機組靜態(tài)特征組合求平均,從而消去了難以獲得的煤種特征,得到該機組靜態(tài)特征組合下的平均碳排放因子.基于上述不包含煤種特征的數(shù)據(jù),重新進行BaysianOpt-XGBoost 建模訓(xùn)練,得到模型對樣本外數(shù)據(jù)進行預(yù)測,從而得到樣本外機組的標準碳排放因子.

基于消去煤種的數(shù)據(jù)集重新訓(xùn)練模型后,得到十折交叉驗證后模型的平均指標如表4所示,由于煤種是與碳排放因子密切相關(guān)的特征,模型能力有一定程度的下降,但平均誤差仍小于5%,可以證明基于特征標準化的去煤種特征的有效性.

4 模型應(yīng)用與分析

基于上述煤種特征標準化后的數(shù)據(jù),分別對全國已知機組的發(fā)電、供熱碳排放因子進行了預(yù)測,并得到以下結(jié)果.

4.1 發(fā)電碳排放因子預(yù)測及分析

如圖5所示,煤電機組發(fā)電碳排放因子地區(qū)差異大,山東、四川等地區(qū)相對高,貴州、內(nèi)蒙古等地區(qū)相對低;為驗證所得結(jié)果的有效性,在表5 中,基于2020年各地區(qū)燃煤發(fā)電量[26],通過《電力工業(yè)統(tǒng)計資料匯編》[27]中各地區(qū)燃煤發(fā)電標準煤耗值計算出發(fā)電煤耗,從而基于《指南》[23]公式,得到了各地區(qū)2020年發(fā)電因子的計算值,并與模型的預(yù)測值記性了對比.

表5 分省份燃煤發(fā)電碳排放因子預(yù)測結(jié)果評估Table 5 Evaluation of coal-fired units carbon emission factor on provincal level

圖5 各省區(qū)機組燃煤發(fā)電碳排放因子預(yù)測平均值Fig.5 Predicted mean carbon emission factors for power-generation in each province

如表5所示,除云南省外,其他所有地區(qū)預(yù)測結(jié)果與計算結(jié)果的絕對值誤差均小于10%,可以證明模型在燃煤發(fā)電二氧化碳排放因子預(yù)測問題上的可行性和有效性,以及基于標準化的去煤種特征方法的可行性.

如圖6a所示,絕大多數(shù)省份300MW 以下機組貢獻的碳排放最高,即機組滿負荷運行時,該部分機組發(fā)電排放的CO2更多;由圖6b 可知,不同省份均呈現(xiàn)出300MW 以下機組發(fā)電碳排放因子相對高,600MW 以上的機組碳排放水平相對低的情況.

4.2 供熱碳排放因子預(yù)測及分析

圖7 顯示,陜西等省區(qū)的燃煤供熱碳排放因子相對高;新疆、青海等地的供熱碳排放因子相對低.圖8a 顯示,多數(shù)省份高壓機組碳排放因子貢獻相對高;圖8b 顯示,亞臨界機組的供熱碳排放因子相對高.

圖7 各省區(qū)機組燃煤供熱碳排放因子預(yù)測平均值Fig.7 Predicted mean carbon emission factor of heat generation units in each province

圖8 各省區(qū)機組供熱碳排放因子與壓力參數(shù)類型分析Fig.8 Provincial analysis of carbon emission factors for heat-generation and unit pressure

本文基于Bayesian-Opt-XGBoost 算法實現(xiàn)了燃煤發(fā)電機組發(fā)電、供熱碳排放因子預(yù)測模型,在保證模型性能的前提下,提高了模型的泛化能力,得到了良好的結(jié)果,為基于人工智能的能源活動反演與預(yù)測的可行性提供了實例,也為利用人工智能方法解決跨領(lǐng)域交叉學(xué)科問題的相關(guān)研究提供了一定參考.

5 結(jié)論與建議

5.1 通過對機組屬性層面進行分析,機組的碳排放因子和機組容量整體呈負相關(guān)關(guān)系,且超臨界、超超臨界機組的碳排放因子更低.分析結(jié)果表明:從碳排放的角度上,裝機容量大、技術(shù)越新的燃煤發(fā)電機組環(huán)境行為更好[15].

5.2 從區(qū)域上看,平均裝機容量較低的省份,平均發(fā)電碳排放因子較高;但供熱碳排放因子整體呈北低南高的情況,這與我國區(qū)域供熱政策有一定關(guān)系.

5.3 對機組的供熱碳排放因子而言,盡管亞臨界機組的碳排放水平更高,但是大部分省區(qū),高壓機組供熱碳排放因子之和所占比例最高,這也與各省不同壓力類型的機組數(shù)量分布有關(guān).

5.4 對于已經(jīng)投產(chǎn)的燃煤發(fā)電機組,應(yīng)積極實施國家關(guān)于加快對低容量機組的超低排放改造的規(guī)定,淘汰不符合標準的機組,對服役時間長、流通效率低,熱耗高的機組進行改造.

5.5 對于計劃建造的新煤電機組,應(yīng)盡可能采用超超臨界類型、容量較大的機組,充分發(fā)揮大容量機組的先進的工業(yè)技術(shù),降低發(fā)電、供熱的碳排放水平.