<nav id="w0g0m"><code id="w0g0m"></code></nav>
  • <xmp id="w0g0m">
    <xmp id="w0g0m"><nav id="w0g0m"></nav><menu id="w0g0m"><strong id="w0g0m"></strong></menu>
  • <xmp id="w0g0m">
  • <nav id="w0g0m"></nav>
    <menu id="w0g0m"><menu id="w0g0m"></menu></menu>
    1. 網站地圖
    2. 設為首頁
    3. 關于我們
    ?

    選煤信息管理系統研發與碳排放核算預測的 應用研究

    發布時間:2023-07-06 09:56
    目 錄
    摘 要 I
    ABSTRACT III
    第1 章 緒論 1
    1.1 研究背景及意義 1
    1.1.1 研究背景 1
    1.1.2 研究意義 2
    1.2 國內外研究現狀 3
    1.2.1選煤信息管理系統研究現狀 3
    1.2.2選煤碳排放核算研究現狀 4
    1.2.3選煤碳排放預測研究現狀 5
    1.3 研究內容與技術路線 6
    1.3.1 研究內容 6
    1.3.2 技術路線 8
    1.4本章小結 9
    第2 章 選煤信息管理系統設計 11
    2.1選煤信息管理系統架構設計 11
    2.1.1選煤數據獲取層 11
    2.1.2選煤設施支持層 12
    2.1.3選煤技術應用層 12
    2.1.4選煤功能實現層 13
    2.2選煤信息管理系統業務模塊設計 13
    2.2.1選煤基礎信息管理 13
    2.2.2選煤生產管理 13
    2.2.3選煤質量管理 14
    2.2.4選煤設備管理 14
    2.2.5選煤環保管理 14
    2.3選煤信息管理系統數據庫設計 14
    2.3.1數據庫總表設計 15
    VII
    2.3.2數據庫子表設計 15
    2.4選煤信息管理系統網絡拓撲設計 18
    2.5選煤信息管理系統運行環境設計 19
    2.6本章小結 21
    第3章 選煤信息管理系統研究 23
    3.1選煤信息管理系統開發技術棧 23
    3.1.1前端框架 23
    3.1.2后端框架 23
    3.1.3數據庫 24
    3.1.4開發 IDE 24
    3.2選煤信息管理系統數據集成 26
    3.2.1面向服務的企業服務總線 26
    3.2.2主數據管理系統字段映射 27
    3.3選煤信息管理系統數據處理 29
    3.3.1角色設定 29
    3.3.2樣本集拆分 30
    3.3.3歸一化去量綱 30
    3.3.4皮爾遜相關性分析 31
    3.4選煤信息管理系統數據可視化 32
    3.5本章小結 34
    第4章 基于LCA的選煤碳排放核算研究 35
    4.1選煤碳排放核算相關概念界定 35
    4.1.1碳排放與碳排放核算 35
    4.1.2碳排放核算方法 35
    4.1.3生命周期評價 36
    4.2選煤碳排放源核查 37
    4.3選煤碳排放核算邊界確定 37
    4.4選煤碳排放核算因子選擇 38
    4.4.1標準年鑒法 38
    4.4.2計算法 39
    4.4.3碳排放因子清單 40
    VIII
    4.5 選煤碳排放核算模型構建 41
    4.6 選煤碳排放核算實證研究 42
    4.7本章小結 46
    第5章 基于GA-BP的選煤碳排放預測研究 47
    5.1BP 神經網絡 47
    5.1.1BP 神經網絡拓撲結構 47
    5.1.2BP 神經網絡核心步驟 48
    5.2GA遺傳算法 50
    521GA遺傳算法理論原理 50
    522GA遺傳算法運算過程 53
    5.3選煤碳排放影響因素確定 54
    5.3.1數據降維方法 54
    5.3.2備選影響因素排序 55
    5.4選煤碳排放預測模型構建 56
    5.4.1網絡結構設計 56
    5.4.2初始化參數設計 58
    5.5選煤碳排放預測實證研究 61
    5.6本章小結 65
    第 6 章 選煤信息管理系統實現與應用 67
    6.1選煤信息管理系統 Web 端實現與應用 67
    6.1.1系統Web端登錄 67
    6.1.2系統 Web端主頁 68
    6.1.3系統Web端數據管理 68
    6.1.4系統Web端報表結算 69
    6.1.5系統Web端智慧大屏看板 70
    6.2選煤信息管理系統移動端實現與應用 71
    6.2.1系統移動端登錄 71
    6.2.2系統移動端主頁 72
    6.2.3系統移動端應用 73
    6.3選煤信息管理系統碳排放核算與預測實現與應用 74
    6.3.1 選煤碳排放核算實現與應用 74
    IX
    6.3.2 選煤碳排放預測實現與應用 76
    6.4本章小結 80
    第 7章 結論與展望 81
    7.1 結論 81
    7.2 展望 82
    參考文獻 85
    攻讀學位期間取得的科研成果 89
    致 謝 91
    第 1 章 緒論
    1.1 研究背景及意義
    1.1.1研究背景
    《關于加快煤礦智能化發展的指導意見》中提出運用以“大移物云”為核心的互聯 網先進技術,積極探索信息管理大數據系統,提出建成多級別、多模式、多系統集成 的示范煤礦智能化系統的短期階段性目標[1]。
    近年來,煤炭洗選加工行業積極推進選煤智能化建設,國家、相關省和部分煤炭 企事業單位相繼出臺相關標準,促進選煤數據處理流程由自動化向智能化轉變,各地 分批部署智能化信息系統,積極探索選煤數據全生命周期智能化管理 [2-4]。
    在我國經濟增速回落和新舊動能相互轉換與相互交織的背景下,實現綠色低碳、 可持續發展的現代能源體系已成為國家戰略。
    2020 年9 月,第七十五屆聯合國大會上,我國宣諾將力爭實現“3060”的“雙碳”目 標。自此,“雙碳”目標成為能源產業發展的全新風向標[5]。國家十四五規劃中提出更 明確的碳排放約束性目標,即實行降碳減排協同機制,環境評價體系中新增碳排放等 影響指標。2021 年 3 月,習近平總書記強調將“雙碳”目標劃入生態文明建設的考核 范圍之內,通過增強數據權屬機制建設,勇挑數據系統安全責任,如期實現2030年 前“碳達峰”、2060年前“碳中和”的目標。2022年3月,國家碳達峰、碳中和標準化 總體組在北京正式組建,會議強調需圍繞碳排放核算領域積極修訂標準、制度并與國 際組織共建碳排放國際標準體系。
    2021年版《BP世界能源統計年鑒》中相關結論表明,2020年全球一次能源消費 下降約4.5%,能源消耗釋放碳排放量下降約6.3%,兩項均創1945 年以來歷史新低。 但我國受后疫情時代經濟復蘇等利好因素影響,一次能源消費增幅達 2.1%,碳排放 增長率為0.6%,成為全球為數不多的碳排放量正增長的國家之一。
    其中,煤炭資源在一次能源消費結構中所占份額仍位列第一,為56%。煤炭資源 相關生產消費占我國碳排放總量的 70%[6]。因此,煤炭生產鏈集群企業的降碳減排是 制約我國“雙碳”目標實現的關鍵性因素之一[7]。煤炭生產鏈集群企業成為我國把握綠 色低碳發展方向、兜住能源底線并推動煤炭消費轉型升級的有力支點[8-9]。另一方面, “富煤、貧油、少氣”的能源結構特征直接導致煤炭資源在“雙碳”目標期間不能被完全 替代,其仍將作為我國主體能源并持續發揮基礎性、兜底性作用[10-11]。
    為實現經濟發展與節能減排的良性互動,全國碳排放權交易市場應時而生,公平 合理分配企業碳排放配額成為運行關鍵,而其基礎是準確核算企業的碳排放量。
    1
    洗選加工是煤炭從開采到使用必不可少的工藝環節,因此選煤廠碳排放在煤炭生 產鏈集群企業整個生命周期碳排放中占據重要地位[12-14]。就選煤廠而言,統一碳排放 核算與預測口徑和相關標準是精準、高效核算與預測碳排放量的基礎,也是選煤廠實 現“碳達峰”與“碳中和”的前提。
    1.1.2研究意義
    選煤廠在生產過程中會產生海量的多源異構數據,對其加工、統計、分析,真正 將選煤數據升級為有用的數據資產,以提升選煤廠信息精細化運營水平。推行信息精 細化運營,是選煤廠降碳減排的關鍵目標,是實現生產方式由粗放型變為精益型的必 由之路。借助大數據、人工智能等新一代網絡技術,規范選煤管理數據標準,建設選 煤信息管理系統是實現選煤信息透明化和選煤決策數智化的必要前提。
    提效降耗是選煤智能化建設的目標與歸宿之一,通過煤炭洗選加工提高煤炭使用 質量,提升煤炭利用效率,最終可實現降低能源消費。一方面,煤炭的平均灰分每降 低 5%,便可提高鍋爐燃煤效率 5%,以我國 2020 年發電燃煤 23 億噸估算,降低灰 分后可實現全年節約用煤1.2億噸,減少碳排放3.12億噸。另一方面,原煤洗選排矸 率約為18%,以我國2020年鐵路煤炭運輸23.6億噸估算,經洗選后減輕原煤運輸量 2.24億噸[15],減少碳排放5.824億噸。因此,選煤廠在煤炭生產鏈集群企業降碳減排 中占據重要地位。對選煤廠進行全生命周期的碳排放核算與預測有助于其全面了解自 身碳排放總量,分析與識別各生產環節碳排放所占比重,進而對選煤廠改進生產工藝, 實現降碳減排,構建有針對性的減碳方案提供指導與參考。最終幫助選煤廠摘掉“高 碳”的帽子,對我國煤炭生產鏈集群企業綠色、可持續發展貢獻重要力量。
    選煤廠碳排放核算與碳排放預測的根基是碳排放數據,核算結果的準確度與預測 結果的可信度都取決于選煤廠的碳排放數據在產生、搜集、存儲、計算到展示的完整 生命周期中是否準確與可靠。選煤信息管理系統通過對選煤廠能源消耗情況自動采集、 存儲與計算分析,并結合其碳排放的實際管控規程與目標,實現了選煤廠從不同視角 對其碳排放情況的深入了解與挖掘,最終幫助選煤廠實現能源結構優化與節能減排。
    基于此,本文在界定碳排放內涵的基礎上,圍繞碳排放核算與預測展開綜述,旨 在闡明選煤廠碳排放源與邊界,分析不同碳排放因子取值方法的優劣,構建選煤信息 管理系統、碳排放核算與預測模型,以期為后續選煤廠碳排放核算與預測實操、影響 因素探究及路徑優化等更為細致的研究奠定基礎。
    此外,本文對選煤廠碳排放核算與預測的分析研究也在一定程度上豐富了包含選 煤廠在內的煤炭生產鏈集群企業信息管理、碳排放核算與預測的理論知識與框架體系。
    1.2 國內外研究現狀
    本小節從選煤信息管理系統、選煤碳排放核算及選煤碳排放預測三個角度搜集、 匯總了國內外相關的文獻著作,有助于厘清目前的實際研究痛點與未來研究趨勢。由 于目前關于選煤廠碳排放的公開文獻數量有限,為準確把握學界在碳排放領域的最新 研究成果,故在文獻搜集時,將搜索對象從選煤廠擴充到煤炭生產鏈集群企業,乃至 其它企業與行業[16-17]。
    1.2.1選煤信息管理系統研究現狀
    河南能源化工的劉銀志等人[18]提出了以異構數據處理、專家數據知識庫構建為主 要技術的大型煤礦集團管理智能化系統,實現了綜合數據監測集成、工業視頻集成等 功能,極大提高了煤礦智能化生產水平。
    中國礦業大學的張育銘[19]針對選煤廠信息數據利用過程中信息冗余且處理能力 低等問題,設計了選煤生產標準數據系統,規范了生產數據從產生、采集、傳輸到存 儲的標準化規范。同時,借助選煤生產標準數據系統,構建了跳汰分選數據融合與分 析系統。
    上海大屯能源股份選煤中心的曹福睿[20]以選煤廠各智能控制子系統數據集成、共 享困難為研究切入點,構建了選煤中心生產信息系統,重點研究了用戶身份認證、數 據采集與展現等關鍵技術,顯著改善了選煤中心生產信息管理水平。
    山西焦煤碳資產管理有限公司的段慧等人[21]認為碳排放基礎數據的準確性是企 業碳排放管理水平的重要指標。在明確大型發電企業的碳排放相關基礎數據已采集、 存儲在 DCS、 MIS 等信息化系統的使用現狀的基礎上,設計了數據自動采集、校驗、 核算與生成報告的碳盤查核算數據系統。實際應用效果表明,該系統提高了碳排放相 關管理工作的業務效率與核算結果準確度。
    中煤科工集團常州研究院的韓安等人[22]將大數據 Hadoop 技術引入煤礦數據中心 架構中,構建了基于 HDFS 的高并發數據存儲模塊和基于 MapReduce 的批處理計算 模塊。基于Hadoop的煤礦數據中心達到了數據儲存可靠性、易用性的的目標,實現 了數據快速、并行計算處理,大幅提高了煤礦信息化管控水平。
    通過對文獻的梳理可發現,目前在選煤智能化探索推進過程中,已將大數據存儲、 計算與分析技術引入洗選、調度等生產過程中,并取得豐碩成果,但就數據管理方面 依舊存在以下問題:
    (1) 集團各部門能源系統中選煤數據冗余且缺乏集成與互操作。
    (2) 海量的選煤異構數據處理水平低,對大數據技術的研究僅局限于大數據的核 心控件 Hadoop。 Hadoop 從狹義角度僅包括以 HDFS、 Yarn、 MapReduce 為核心組件 的大規模數據處理軟件框架,但從廣義角度來說, Hadoop 更泛指 Hadoop 生態圈這一
    3
    龐大的生態系統。
    選煤廠急需厘清信息管理需求,構建一批標準、規范的信息管理系統,真正實現 將選煤數據孤島轉變為選煤數據資產。
    1.2.2 選煤碳排放核算研究現狀
    國內外學者已針對大型煤炭企業與用煤行業碳排放核算進行了相關研究,并取得 了初步性成果[23-24]。然而,由于選煤廠洗選加工設備眾多、運營管理水平參差不齊、 生產工藝流程繁復,以及使用的藥劑種類繁復等因素影響,導致碳排放基礎數據搜集 困難,碳排放源與碳排放邊界不清晰,碳排放因子取值混亂,碳排放核算模型缺失, 碳排放核算與預測易重復、易遺漏等問題尚未完全解決,從而導致針對選煤廠碳排放 核算的相關研究產出成果不多。
    中國礦業大學的才慶祥等人[25]以布沼壩露天礦為研究對象,詳細分辨出碳排放源 頭包括非受控燃燒、溫室氣體擴散、能源燃燒和電力使用。以此為基礎,借助 IPCC 清單指南分別核算了各源頭的碳排放量并進行了匯總,分析得出電、柴油等能源消耗 及甲烷逸散造成的碳排放比重最大。
    煤炭科學技術研究院有限公司的周游[26]核算了哈爾烏素露天煤礦的碳排放情況, 結果顯示 2018 年該露天煤礦碳排放總量為 258417.8 噸,其中能源消耗排放占比約 60%,溫室氣體逸散占比接近 40%。提出了提高能效的短期策略和調整能源結構的遠 期策略等建議,最后著重強調了詳實的碳排放核算對推進碳資產管理交易系統的重要 價值。
    西安科技大學的王艷[27]以煤炭產業鏈的上游煤炭生產企業為研究對象,提出了 “生產-使用-受益”的碳排放責任區分原則,計算并修正了相關碳排放因子,編寫了碳 排放清單,應用生命周期分析法建立了原煤開采、洗選加工、運輸、使用和廢物處理 五個階段的碳排放核算模型。結果分析表明,瓦斯抽采和設備耗電是碳減排的關鍵抓 手,核算碳排放初始配額,積極參與碳交易市場是推動碳排放核算的動力因素。最后, 從政府完善相關法律法規、獎懲機制和企業推進碳會計體系兩個角度提出建議。
    Quick等人[28]以美國210個燃煤電廠為研究對象,詳細比較了 CMES連續排放檢 測系統核算出的碳排放量與美國能源信息署公布的能源消耗量核算出的碳排放量并 得出結論,通過能源消耗量核算的碳排放量比監測設施監測累計的碳排量更準確。
    通過對上述文獻的總結歸納,可以發現煤炭生產鏈集群企業碳排放核算的關鍵在 于對碳排放產生過程的科學化分及碳排放因子的科學取值。
    針對碳排放產生過程的科學化分,尹志東[29]立足于煤炭生產流程,將碳排放過程 分為原煤發現、開采、運輸、洗選四個階段;曾繁偉等人[30]則進一步將煤炭銷售環節 的碳排放納入核算過程,結合煤炭企業生產實際流程,將碳排放過程劃分成五個階段, 包括原煤開采、原煤短途運輸、煤炭洗選、煤炭產品銷售及煤炭產品外運;陳浮等人
    4
    [31]以煤炭生產為核心,對碳排放過程進行了輻射擴展,將碳排放產生過程擴大為包括 礦廠建造施工,煤炭開采、運輸、洗選加工、使用、環境恢復等在內的六大階段。總 體而言,學界對于煤炭生產鏈集群企業碳排放產生過程的界分呈現出持續擴大與發展 態勢,界定標準逐漸趨于精確化和全面化,界定視角聚焦于煤炭產品生產的時間序列。
    針對碳排放因子的科學取值,劉靜靜[32]等人以山西某煤炭企業為研究主體,將熱 值和缺省值相乘得到不同煤種、燃料相對應的碳排放因子修正值;王猛等人[33]綜合運 用實測法、遵循相關標準法和缺省值法得出能源資源、礦區開采和煤炭自燃過程中相 對應的碳排放因子值。綜上所述,目前學界對于碳排放因子的選擇視角主要集中在參 考標準年鑒、相關規范或對其進行間接計算,丞需具體對某一企業的碳排放因子進行 深入挖掘。
    1.2.3 選煤碳排放預測研究現狀
    碳排放預測領域相比碳排放核算領域,相關研究較少,預測模型的構建處于雜而 不精的發展階段。選煤廠通過精準的碳排放核算工作有助于其了解自身碳排放現狀, 而碳排放預測對于選煤廠預估2030 年能否達到“碳達峰”, 2060 年能否達到“碳中和” 的目標具有重要意義。由于目前相關專家、學者對煤炭生產鏈集群企業的碳排放預測 研究較少,為掌握最新的主流預測方法與模型,本研究在文獻搜集時,參考了建筑業、 鋼鐵業及各省市區域級別的碳排放預測研究[34]。
    安徽理工大學的夏丹[35]從煤炭產品視角出發,運用生命周期理論將煤炭全生命周 期定義為開采與洗選、存儲、運輸、消費與廢料渣回收再利用五大階段,并對我國 20002018 年煤炭資源碳足跡排放進行了核算。使用 LEAP 長期能源替代規劃軟件構建了 基準情景、煤控情景和強化煤控情景三種不同情景下, 2020-5050 年的煤炭能源碳排 放預測峰值,得出只有在煤控和強化煤控情景下,煤炭資源才能在 2030 年實現“碳達 峰”。
    西安建筑科技大學的徐勇戈等人[36]選取不受樣本數量限制,能較好反應各因素關 聯程度的灰色關聯度分析法,計算出對建筑業碳排放影響因素最強的八個因素。運用 FCS 對 SVM 模型中的核數據與懲罰數據進行迭代更新,構建出 FCS-SVM 的預測模 塊,通過測試樣本得出該預測模型在小樣本碳排放預測領域具有明顯的適應能力和較 低的預測誤差。
    C Saleh 等人[37]運用支持向量機模型,將電能與能源消耗量作為輸入變量,通過 試錯法尋找SVM模型的最優參數,最終預測結果誤差為0.4%,有效提高了碳排放業 務運營者的決策效率。
    安徽理工大學的劉曉蝶等人[38]以2001-2018十八年的江蘇省面板數據為研究對象, 運用 Lasso 壓縮估計回歸方法核篩出經濟水平、產業結構、能源消費總量等八個影響 因素。隨后運用BP神經網絡選取4年的歷史數據進行訓練,選取3年的數據進行測
    5
    試,得出平均相對誤差小于1.6的結果。最后通過預測模型預測出江蘇省將在 2023年 提前達到碳排放峰值,對相關部門制定“雙碳”目標方案具有一定參考意義。
    北京瑞太智聯技術有限公司的趙金元等人[39]分別構建了多元線性回歸模型和 BP 神經網絡模型對鋼鐵企業未來碳排放強度進行預測。結果表明BP神經網絡模型的訓 練預測值的平均相對誤差均小于 2.3%,多元線性回歸模型的平均相對誤差均小于 2.7%,并且由于碳排放強度值并非線性變化,最終得出BP神經網絡模型更適用于對 企業的碳排放預測研究。
    哈爾濱工程大學的范德成等人[40]通過空間計量模型分析出中國各區域碳排放影 響因素包括GDP、常住人口規模、工業比例和資源消耗水平等關鍵因素。采用PSO 粒子群優化算法提高了 BP神經網絡權值與偏置值的準確度,加快了算法收斂速度與 收斂時間,選取 2000-2009 年數據作為訓練樣本。結果表明,其碳排放預測值與官方 公布的核算值平均相對誤差小于1.8%,具有良好的擬合效果。
    由上述文獻可知,選擇合適的碳排放影響因素,構建科學合理的碳排放預測模型 是碳排放預測的關鍵步驟。基于此,本研究在預測過程中,借鑒文獻中多種影響因素 篩選方法,將遺傳算法的優勢彌補到 BP 神經網絡的劣勢,以期構建預測結果精準、 運算收斂快速的選煤碳排放預測模型。
    1.3研究內容與技術路線
    1.3.1研究內容
    本文各章節的主要研究內容如下:
    第 1 章首先介紹了選煤廠及煤炭生產鏈集群企業信息管理系統中數據處理能力、 選煤碳排放核算與預測的研究背景與研究意義。接著針對選煤信息管理系統、選煤碳 排放核算與選煤碳排放預測三個方面闡述了國內外的相關研究現狀,剖析了其困難與 痛點。最后論述了本研究的研究內容與技術路線。
    第2章首先闡述了系統架構包括選煤數據獲取層、選煤設施支持層、選煤技術應 用層和選煤功能實現層及各層基本功能,接著闡述了系統的業務模塊設計,其次介紹 了系統數據庫的設計原則和相關字段說明,最后闡述了系統網絡拓撲與運行環境的設 計方案。
    第 3 章首先闡述了選煤信息管理系統開發技術棧包括前端框架、后端框架、數據 庫與開發IDE。其次重點論述了選煤信息管理系統的的三大關鍵技術,包含面向服務 的的企業服務總線和主數據管理系統字段映射的選煤數據集成技術,包含角色設定、 樣本集拆分、歸一化去量綱和皮爾遜相關性分析的選煤數據處理技術與基于 Echarts 的選煤數據可視化技術。
    6
    第4章依托選煤信息管理系統,以生命周期評價視角,在核查選煤廠碳排放源頭、 劃分碳排放核算邊界和選擇碳排放核算因子的基礎上,構建了基于 LCA 的選煤碳排 放核算模型。通過在太原選煤廠實地駐廠調研,掌握了該廠的基本情況與生產工藝, 明確了其碳排放核算邊界包括直接碳排放(生產過程碳排放)、間接能源碳排放(外 購電力與外購水資源碳排放)及間接其它碳排放(交通運輸碳排放)三部分;通過計 算得出適用于選煤廠的各項碳排放核算因子,通過搜集相關能源消耗數據,核算了太 原選煤廠2012 年至2021 年十年的年度碳排放量。
    第 5 章闡述了 GA 遺傳算法與 BP 神經網絡的基本概念、主要步驟及優劣勢。論 述了灰色關聯度分析法作為篩選碳排放影響因素方法的主要步驟及計算公式。通過設 計網絡結構與相關初始化參數構建了基于 GA-BP 的碳排放預測模型,將太原選煤廠 2012 年至 2021 年 120 組月度數據代入預測模型的訓練集與驗證集,結果表明基于 GA-BP模型的選煤碳排放預測模型相對誤差均小于3%,平均相對誤差為1.28%。將 2022年各影響因素計劃值代入訓練好的基于GA-BP的選煤碳排放預測模型中,得到 太原選煤廠2022 年碳排放量預測值為 38149.5 tCO2e。
    第 6章闡述了選煤信息管理系統 Web 端已經實現的登陸、主頁、數據管理、報表 結算與智慧大屏五大功能項,選煤信息管理系統移動端登陸、主頁與應用的實現過程、 相關操作與主要界面。介紹了系統中選煤碳排放核算與選煤碳排放預測的實現情況與 相關實現頁面介紹。
    第7章對本研究進行經驗總結,概括出本研究的相關結論,同時指出了本研究的 不足之處與改進空間,最后闡述了針對選煤廠信息管理、選煤碳排放核算與預測的未 來展望。
     
     
    1.3.2 技術路線
    根據上述研究內容與研究方法,構建了研究技術路線圖如1-1 所示。
     
    選煤系統數據可視化
    選煤系統開發技術棧
    選煤系統數據集成
    選煤系統數據處理
    前端框架
    面向服務的企業服務總線
    角色設定
    E charts 組件
    厲端框架
    主數據管理系統字段映射
    樣本集拆分
    數據庫
    歸一化去量綱
    開發IDE
    皮爾遜相關性分析
    棊于GA-BP的碳排放預測模型構建
    基丁 LCA的碳排放核算模型構建
    選煤碳排放源核查
    B卩神經網絡
    選煤碳排放核算邊界確定
    選煤碳排放核算因了選擇
    選煤碳排放核算實證研究
    選煤碳排放預測影響因素確定
    選煤碳排放預測實證研究
    圖 1-1 研究技術路線圖
    Fig. 1-1 Research Technology Roadmap
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
    1.4 本章小結
    (1) 介紹了在選煤智能化、選煤數智化與“雙碳”目標的背景下,選煤廠一方面需 要運用互聯網技術積極探索大數據信息管理系統,另一方面也需要踐行節能降耗與降 碳減排。闡述了選煤信息管理系統建設對于選煤數據透明化與決策智能化的重要意義。 闡述了碳排放精確核算與準確預測的緊迫性與必要性,表明了其對選煤廠了解自身碳 排放現狀,落實“雙碳”目標的重要意義。
    (2) 通過對國內外文獻的搜集與閱讀,歸納整理出對本論文具有借鑒意義的理論 觀點與方法體系,提取與篩選出現有研究成果的不足與痛點。概述了選煤信息管理系 統研究與應用領域已經取得的成果,同時指出現有能源信息系統間選煤數據冗余與大 數據技術僅局限于Hadoop框架兩條尚未解決的痛點。概述了選煤碳排放核算研究領 域的相關成果,得出選煤碳排放核算的關鍵在于對選煤碳排放產生過程的科學化分及 選煤碳排放因子的科學取值。概述了煤炭企業及其它行業碳排放預測領域的最新研究 成果,得出選擇合適的選煤碳排放影響因素,構建科學合理的碳排放預測模型是碳排 放預測的關鍵步驟等結論。
    (3) 分別介紹了本研究七章的主要研究內容,并以技術路線圖的形式給出了本研 究的技術路線。
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
    10
     
     
     
     
     
    第 2 章 選煤信息管理系統設計
    2.1選煤信息管理系統架構設計
    結合選煤廠現有信息系統的使用情況、選煤數據管理需求及大數據 Hadoop 生態 圈的最新技術,將選煤信息管理系統總體架構分為四層:選煤數據獲取層、選煤設施 支持層、選煤技術應用層和選煤功能實現層[41-42],總體架構如圖 2-1 所示。
     
    2.1.1 選煤數據獲取層 選煤數據獲取層主要功能是自動讀取并存儲相關數據信息,包括但不限于從 PLC、
    傳感器通過Ethernet等協議獲取生產數據,從DCS、SCADA、ERP、OA等信息系統 獲取關系型數據,通過 DDS7016、 HCNETSDK 等視頻驅動接入選煤廠生產車間攝像 頭監控信號等。
    11
    2.1.2 選煤設施支持層
    選煤設施支持層由大數據分布式服務器集群、工控機及局域網和外網三部分組成。 其中彼此獨立,僅通過消息隊列通信的大數據分布式服務器集群尤為關鍵。
    通過分布式部署實現了服務器集群多線程并行計算,極大提高了運算速度。通過 集群架構,將大數據生態圈的 HDFS、Yarn、Hive 和 Echarts 等組件部署在多臺服務 器上,形成服務器集群,解決了高并發訪問時的負載均衡問題。同時,由于服務器集 群間互為備份,因此可避免單臺服務器宕機而影響整個服務器集群問題的發生[43]。
    選煤信息管理系統分布式服務器集群由 5臺服務器組成,其部署的大數據生態圈 技術功能模塊如表 2-1 所示。
    表 2-1 分布式服務器集群功能清單
    Table 2-1 List of distributed server cluster functions
    組件名稱 服務器 1-1 服務器1-2 服務器1-3 服務器2 服務器3
    HDFS 組件 NameNode Yes No No No No
    HDFS 組件 SecondaryNameNode No Yes No No No
    HDFS 組件 DataNode Yes Yes Yes No No
    Yarn 組件 ResourceManager Yes No No No No
    Yarn 組件 NodeManager Yes Yes Yes No No
    Hive組件 Yes No No No No
    Echarts 組件 Yes No No No No
    數據備份 No No No Yes No
    測試 No No No No Yes
     
    2.1.3 選煤技術應用層
    選煤技術應用層包括大數據生態圈中 Hadoop、Hive 數據倉庫及 Echarts 框架。
    Hadoop 框架由三大核心組件構成,分別是 HDFS 分布式文件系統、 Yarn 另一種 資源協調者與MapReduce計算框架[44]。
    HDFS 中 NameNode 為 關鍵 節點,主 要功能 是搜 索數據的地 址狀 態, SecondaryNameNode為輔助節點,主要功能是輔助支持元數據相關操作,DataNode為 從節點,主要功能是實現大數據集的數據流拷貝與復制操作。
    Yarn 組件中 ResourceManager 收到客戶端請求后向其返回資源提交路徑, NodeManager 的主要任務是協調與調度計算節點的資源。
    MapReduce 負責離線數據的計算,分為映射與規約兩個過程。映射階段將數據集 進行切片,以鍵值對的形式存儲在硬盤中,規約階段對映射后的結果進行匯總。
    傳統 MySQL 等關系型數據庫存儲選煤數據時主要面向業務流程,重點關注相關
    12
    數據表增刪改查的響應速度,而 Hive 數據倉庫面向特定主題,使用類似傳統數據庫
    SQL語言的HQL語言,實現對大批量數據的分布式并行化存儲[45]。
    2.1.4 選煤功能實現層
    選煤功能實現層將選煤信息管理系統的的功能抽象為模塊APP,具體包括統一 門戶單點登錄、選煤基礎信息、報表自動匯總結算、視頻監控流媒體和駕駛艙、智 慧大屏等。
    2.2選煤信息管理系統業務模塊設計
    業務模塊設計是選煤信息管理系統中至關重要的環節,合理的業務模塊設計會使 系統在開發與使用過程中化繁為簡、易于實施并輕松拓展。業務模塊設計時需符合模 塊之間高內聚、低耦合的原則,即將一系列關系緊密的業務設計在同一功能模塊中, 并盡可能降低不同模塊之間的關聯程度。
    選煤信息管理系統業務模塊包括選煤基礎信息管理、選煤生產管理、選煤質量管 理、選煤設備管理與選煤環保管理等。
    2.2.1 選煤基礎信息管理
    選煤信息管理系統中選煤基礎信息包括地理信息與生產基礎信息。
    (1) 地理信息 包括選煤廠廠址、地理坐標、電子地圖、交通示意圖和鐵路公路運輸圖等。
    (2) 生產基礎信息
    包括廠型、工藝、煤種、煤質基本信息、礦井基本情況(礦井型選煤廠)、選煤廠 投產、試生產信息、固定資產信息和選煤廠儲裝運信息。
    2.2.2 選煤生產管理
    生產管理作為選煤信息管理系統建設的重要內容,通過收集生產過程中大量的實 時數據,并對實時事件進行及時的反應和處理,實現生產過程優化管理。生產管理包 括生產指標監控、技術指標監控與成本指標監控。
    (1) 生產指標監控
    生產指標監控包括入洗量、精煤計劃、精煤實際、完成率、中煤產量、煤泥產量、 精煤產率、中煤產率和綜合產率,形成統一的表格,并配合餅圖、柱狀圖等圖形顯示, 一目了然,方便分析。
    (2) 技術指標監控
    技術指標監控包括入洗率、能力利用率、數量效率、中煤中精煤損失、洗矸中精
    13
    煤損失、中煤發熱量和矸石發熱量等。
    (3) 成本指標監控
    成本指標監控包括材料費、加工費、精煤成本和全員工效等。
    2.2.3選煤質量管理
    選煤質量管理包括選煤生產過程質量管理與出廠煤質量管理。
    (1) 選煤生產過程質量管理
    包括原煤三級浮沉、中矸三級浮沉、快灰、快水、洗水濃度、入浮濃度、中煤灰 分、水分、發熱量;浮選精煤灰分、水分;尾煤灰分;總精煤灰分、水分、硫分;煤 泥灰分、水分檢測及錄入。
    (2) 出廠煤質量管理
    包括出廠產品灰分、水分、硫分、膠質層厚度、揮發分、發熱量檢測及錄入。上 述質量指標可通過選煤信息管理系統進行錄入及上傳。
    2.2.4選煤設備管理
    選煤設備管理是選煤信息管理系統建設的重點內容之一,通過設備管理制度與設 備全生命周期管理對設備加注油、檢修、維修管理和配件管理進行全方位的管理,實 現設備管理精細化和科學化。同時通過設備績效指標的監控和分析,及時暴露處選煤 設備管理的隱患與短板,促進選煤廠設備管理持續性改進與提高。
    2.2.5選煤環保管理
    選煤環保管理模塊主要關注各選煤廠的污水排放(選煤廠洗水閉路循環)、氣體污 染物排放(煤塵治理)與固體廢棄物排放(矸石外排)三個方面。依據國家、行業、 集團對選煤環保的要求,制定相應管理規章,監控選煤廠三廢排放并進行實時統計評 價,指導選煤生產滿足環保要求。此外對選煤廠生產用水、雨污水、噪音、固廢、矸 石山、氣體排放、液體排放、廢油處理進行管理,滿足環保要求。
    2.3選煤信息管理系統數據庫設計
    選煤信息管理系統數據庫設計時需結合選煤廠數據實際存儲需求,在滿足命名唯 一性、數據索引規范性等原則的基礎上,對數據庫的邏輯與物理結構進行優化設計。
    14
     
    2.3.1 數據庫總表設計
    選煤信息管理系統針對各業務模塊設計了多張表字段,如生產管理中產品質量規 劃表、銷售管理中商品煤匯總表、能源管理中峰谷平電管理表、環保管理中廢油回收 登記表等,具體數據庫總表設計如圖 2-2 所示。
    II打皿登 kill) ir T(1 [.oris;
    H 期 tr_Datc String(20。)
    正常 41 產時間 t r_KormalPro d net ion
    $ i. ring (200)
    正常檢修時間 tr_NormaIhla int enanc e
    St. ring i 200)
    缺原煤停機時間 tr LackOfRawCoal Downtime
    String(200)
    產品倉滿停機時間
    tr Ful IWarehouse Downt.irn<' S bring (200)
    機掠事故停機時間
    tr Meehan i calAcciidenl. FJownt i run
    S l r i ;ig (200) 產乩質暈字故件機時間
    Lr ProduclQual i Ly?\cci de?n1 Down! i me
    81, r i ng(200)
    圖 2-2 數據庫總表設計
    Fig. 2-2 Database general table design
    2.3.2 數據庫子表設計 在充分了解各模塊數據存儲需求的基礎上,結合已有的紙質化報表臺賬等文件, 針對每個數據表設計了序號、名稱、描述、數據類型及數據長度等字段,以期在保證 數據完整性的前提下盡可能節省存儲空間,部分關鍵表及字段信息如下所示。
    質量管理模塊中產品質量規劃表主要包括全水分、灰分、硫分、揮發分、黏結指 數、膠質層最大厚層和發熱量等關鍵字段,具體如表 2-2 所示。
    15
     
    表 2-2 產品質量規劃表
    Table 2-2 Product quality planning form
    序號 名稱 描述 類型 長度
    1 pqp_ID ID Long 默認
    2 pqp_PlantName 廠區 String 200
    3 pqp_Date 日期 String 默認
    4 pqp_Varieties 品種 String 200
    5 pqp_Level 級別 String 200
    6 pqp_TotalMoisture 全水分(Mt %) String 80
    7 pqp_AshContent 灰分(Ad %) String 80
    8 pqp_Sulfur 硫分(St,d %) String 80
    9 pqp_VolatileMatter 揮發分(Vdaf %) String 80
    10 pqp_AdhesionIndex 黏結指數(GR.I) String 80
    11 pqp_GlialLayer 膠質層最大厚層(Y mm) String 80
    12 pqp_CalorificValue 發熱量(Qnet,ar cal/g) String 80
    13 pqp_DepartureStation 注冊商標 String 200
    14 pqp R Trademark 字符 String 200
    能源管理模塊中峰谷平電管理表主要包括峰電、平電、谷電和電耗等關鍵字段, 具體如表 2-3 所示。
    表 2-3 峰谷平電管理表
    Table 2-3 Peak valley level power management table
    序號 名稱 描述 類型 長度
    1 electricityId ID Long 默認
    2 gpdglCqName 廠區 String 200
    3 gpdglDate 日期 String 默認
    4 gpdglfd 峰電 String 80
    5 gpdglpd 平電 String 80
    6 gpdglgd 谷電 String 80
    7 electricityZd 電耗 String 200
    環保管理模塊中廢油回收登記臺賬表主要包括回收數量、回收地點、回收人和收 舊人等關鍵字段,具體如表 2-4 所示。
    16
     
    表 2-4 廢油回收登記臺賬表
    Table 2-4 Waste oil recovery registration account table
    序號 名稱 描述 類型 長度
    1 fyglName 名稱 String 200
    2 fyglxh 型號 String 200
    3 fygldw 單位 String 200
    4 fyglhssl 回收數量 String 80
    5 fyglhsdd 回收地點 String 200
    6 fyglhsr 回收人 String 200
    7 fyglsjr 收舊人 String 200
    8 fyglbz 備注 String 200
    設備管理模塊中備品備件采購表主要包括配件名稱、規格型號、單位、數量、單 價和金額等關鍵字段,具體如表 2-5 所示。
    表 2-5 備品備件采購表
    Table 2-5 Purchase list of spare parts
    序號 名稱 描述 類型 長度
    1 sp_ID ID Long 默認
    2 sp_PlantArea 廠區 String 200
    3 sp_ItemNo 類別料號 String 200
    4 sp_PartsName 配件名稱 String 80
    5 sp_Model 規格型號 String 200
    6 sp_Company 單位 String 200
    7 sp_Quantity 數量 String 200
    8 sp_Plan_UnitPrice 計劃單價 String 80
    9 sp_PlannedAmount 計劃金額 String 80
    10 sp Date 時間 String 200
    生產管理模塊中生產管理技術指標表主要包括電耗、介質消耗、浮選藥耗和清水 消耗等關鍵字段,具體如表 2-6 所示。
    17
     
    表 2-6 生產管理技術指標表
    Table 2-6 Technical indicators of production management
    序號 名稱 描述 類型 長度
    1 scglJszbId ID Long 默認
    2 scglJszbDate 日期 String 200
    3 scglJszbCqName 廠區名稱 String 200
    4 scglJszbRxl 入洗率 String 200
    5 scglJszbNllyl 能力利用率 String 80
    6 scglJszbSlxl 數量效率 String 80
    7 scglJszbJmsx 中煤中精煤損失 String 200
    8 scglJszbXgsx 洗矸中精煤損失 String 200
    9 scglJszbDh 電耗 String 200
    10 scglJszbJzxh 介質消耗 String 80
    11 scglJszbQsxh 清水消耗 String 80
    12 scglJszbFxyh 浮選藥耗 String 80
    13 scglJszbClf 材料費 String 80
    14 scglJszbJgf 加工費 String 80
    15 scglJszbJmcb 精煤成本 String 80
    16 scglJszbQygx 全員功效 String 200
     
    2.4選煤信息管理系統網絡拓撲設計
    選煤信息管理系統網絡拓撲由選煤信息管理系統網絡與工控網絡兩部分組成。
    選煤廠生產設備多通過PLC控制器和DCS系統等進行指令控制,當OPC服務器 需要接入選煤信息管理系統服務器時,通過交換機、采集器與采集隔離防火墻實現選 煤數據的集成與融合。通過部署選煤局域網、外網防護墻與VPN,實現系統中選煤數 據在多個網段上進行 Web 端與移動端發布與訪問,用戶可以在局域網辦公網絡或
    18
    Internet 外網網絡上進行雙網訪問,系統具體網絡拓撲設計如圖 2-3 所示。
     
     
     
    圖 2-3 系統網絡拓撲
    Fig. 2-3 System network topology
    2.5選煤信息管理系統運行環境設計
    選煤信息管理系統部署的大數據服務器集群由系統管理服務器、系統測試服務器、 數據采集服務器與數據備份服務器組成,其操作系統、CPU、內存、硬盤、Docker容 器、瀏覽器、防病毒軟件等相關配置如表 2-7 所示。
    表 2-7 運行環境配置
    Table 2-7 Running environment configuration
    配置項 配置說明
    操作系統 Ubuntu 16.04 server 64bit
    CPU Intel(R) Xeon(R) Gold 6266C CPU @ 3.00GHz
    內存 64G
    硬盤 1T 7200 轉
    Docker 容器 Docker 18.03
    瀏覽器 Chrome V65
    防病毒軟件 卡巴斯基V10.2
     
    19
    選煤信息管理系統使用MobaXterm軟件,通過SSH(Secure Shell) 安全協議,實現遠程登錄與操控系統的運行環境。在控制終端可輸入相應命令查看運 行環境中 CPU 的型號、核數、內存總數、條數,磁盤容量、分區等配置信息,如圖 2-4 所示。
     
     
    圖 2-4 運行環境界面
    Fig. 2-4 Operation environment interface
    選煤信息管理系統使用 Grafana 軟件實現服務器系統使用情況的實時監控,保證 運行環境的穩定運行。監控系統設計了多個可視化儀表板監控服務器各項性能,關鍵 指標平包括:
    (1)Uptime 顯示系統無重啟情況下,連續正常運行時長。
    (2)Containers顯示系統中Docker容器存活的數量。
    (3)Cpus 顯示系統 CPU 的數量。
    (4)Memory 顯示系統內存的總容量大小。
    (5)Disk space 顯示系統磁盤已經被使用情況。
    20
     
     
    2.6 本章小結
    (1) 介紹了選煤廠現有信息管理系統的使用現狀與選煤數據管理需求,將選煤信 息管理系統總體架構設計為四層,包括選煤數據獲取層、選煤設施支持層、選煤技術 應用層和選煤功能實現層。
    (2) 在“高內聚、低耦合”思想指導下,設計了選煤基礎信息管理、選煤生產管理、 選煤質量管理、選煤設備管理與選煤環保管理五大業務模塊。
    (3) 在遵循數據庫設計的基本原則基礎之上,對數據庫的物理結構與邏輯結構進 行了詳細設計,介紹了選煤信息管理系統的數據庫總表與子表設計,并列舉出部分數 據庫關鍵表的相關字段信息。
    (4) 設計了包括選煤信息管理系統網絡與工控網絡兩部分在內的網絡拓撲結構, 明確描述了各網絡與系統實體的結構連接關系,提高了網絡整體性能。
    (5)介紹了選煤信息管理系統大數據服務器集群中操作系統、CPU、內存、硬盤、 Docker容器、瀏覽器、防病毒軟件等相關運行環境的設計方案。介紹了使用MobaXterm 軟件遠程登錄與運維Linux系統,使用Grafana軟件實現對服務器系統使用情況的實 時監控,保證運行環境的穩定運行。
    21
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
    22
     
     
    第 3 章 選煤信息管理系統研究
    3.1選煤信息管理系統開發技術棧
    選煤信息管理系統開發所使用的技術棧包括前端框架、后端框架、數據庫與開發
    IDE (集成開發環境)等,具體開發技術棧如表3-1所示。
    表 3-1 系統開發技術棧
    Table 3-1 Platform development technology stack
    類別 說明
    前端框架 React v17.0.2
    后端框架 Spring Boot v2.6.5
    數據庫 MariaDB、InfluxDB
    開發 IDE IntelliJ IDEA、PyCharm
     
    3.1.1前端框架
    選煤信息管理系統使用 React 作為前端開發框架, React 是構建用戶交互界面的 JavaScript 庫。 React 的最大特點是基于組件式開發,將每個對象實體的相關行為包裝 為組件。當數據進行修改或刪除時, React 可以快速更新每個組件的狀態而不用復寫 相關代碼, React 的基本使用步驟為三步:
    (1)為HTML標簽添加DOM容器。
    ( 2)添加 Script 標簽。
    ( 3)創建 React 組件。
    關鍵代碼如下所示:
    function Demo({ flag }) {
    return <div> {flag}</div>;
    }
    ReactDOM.render(
    <Demo flag="test" />,
    document.getElementById('container')
    );
    3.1.2后端框架
    選煤信息管理系統使用Spring Boot作為后端開發框架,Spring Boot通過自動部署
    23
    jar 包,實現無需部署 war 包而直接嵌入 Tomcat 等服務器。通過基于控制反轉和依賴 注入的可拓展第三方庫,實現快速創建應用程序數據流。Spring Boot的基本使用步驟 為三步:
    ( 1)在 pom.xml 文件中添加 web 模塊
    <dependency>
    <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    ( 2)添加 Controller 相關內容
    @RestController
    public class Controller {
    @RequestMapping("/test")
    public String index() {
    return "test";
    }
    }
    3.1.3 數據庫
    選煤信息管理系統數據庫使用 MariaDB 存儲關系型數據,使用 InfluxDB 存儲生 產時序性數據。
    MariaDB 相比傳統關系型數據庫 MySQL 具有數據處理速度更快與數據接口可拓 展性更強的優勢。選煤廠生產數據多按時間維度進行存儲與索引,稱之為生產時序性 數據,其特點是按照預先設定的采集與存儲時間,高并發持續寫入,并且數據存儲后 不再更新數值與內容。 InfluxDB 數據庫中的每條行記錄 Point 都由時間戳信息 time、 標簽信息 tags 與數據信息 fields 構成,因而能夠穩定、可靠的存儲選煤信息管理系統 中的各種生產時序性數據。
    3.1.4開發 IDE
    優秀的開發集成開發環境(IDE)可使開發人員在代碼編寫時避免人為語法錯誤, 極大提高編程與測試效率。
    24
     
    選煤信息管理系統中基于GA-BP的碳排放預測模型使用Python語言開發,其使 用的開發IDE為PyCharm軟件,PyCharm可提供智能代碼補全、錯誤動態提醒和自 動代碼重構等實用功能,具體使用界面如圖 3-1 所示。
     
     
    圖 3-1 PyCharm 社區版本
    Fig. 3-1 PyCharm Community Edition
    選煤信息管理系統中前端頁面的編寫與渲染、后臺與數據庫的搭建使用 IntelliJ IDEA 作為開發 IDE, IntelliJ IDEA 通過源代碼索引實現快速、及時的代碼重構,通 過集成版本控制實現無需下載繁復的插件,通過智能代碼提醒實現字段與方法的快速 映射,具體使用界面如圖 3-2 所示。
     
     
    圖 3-2 IntelliJ IDEA 社區版本
    Fig. 3-2 IntelliJ IDEA Community Edition
    25
    3.2選煤信息管理系統數據集成
    3.2.1 面向服務的企業服務總線
    隨著選煤智能化的不斷發展,選煤廠各部門已擁有各自的信息系統,包括底層集 控、MES、DCS等系統及上層集團的ERP、OA、CRM等系統[46-47]。以本研究對象山 西焦煤集團為例,與選煤相關已經上線的信息系統包括但不限于煤炭銷售管理信息系 統、煤炭銷售決策分析系統、公路銷售決策分析系統、能源云調度信息系統、管理信 息系統等。各能源系統由不同軟件廠商使用不同編程框架開發,運行在不同的軟硬件 平臺上,使用的數據庫與對外接口也不盡相同。
    各能源信息系統間選煤數據如何實現共享互通,如何實現數據與業務有機集成, 成為選煤廠需要迫切解決的瓶頸。因而本研究提出基于面向服務(SOA)的企業服務 總線(ESB),實現系統與數據集成接口規范化。
    SOA 架構的核心思想[48]是將對象的不同方法都抽象為一個服務,通過定義服務 的接口與協議,實現系統共享與數據復用。
    在服務開發過程中,依據數據的傳遞方向可分為生產者與消費者。生產者提供數 據接口及負責企業服務總線的觸發工作,消費者提供數據接收接口以及返回機制,如 圖 3-3 所示。
     
    圖 3-3 企業服務總線架構圖
    Fig. 3-3 Enterprise service bus architecture diagram
     
    ( 1 )生產者
    生產者在數據發生變動時,調用 ESB 接口并傳入 Json 格式參數。 ESB 調用消 費者提供的同步接口,接口采用單條同步方式,同步之后要返回同步狀態,如果同步 失敗則標明失敗原因。 ESB 根據消費者同步結果,向生產者反饋同步結果。
    生產者負責 ESB 的觸發,由 ESB 提供調用接口,生產者傳入系統編碼、數據 編碼和其它約定字段,實現流程的發起。生產者的請求方式為POST,具體字段包括
    26
    主數據類型、隨機id、分發系統、字段內容與關聯字段,具體字段信息如表3-2所示。 表 3-2 請求方式字段
    Table 3-2 Request mode field
    序號 英文報文域 中文報文域 備注
    1 mdmId 主數據類型
    2 uuid 隨機 id 隨機數
    3 BusinessSystem 分發系統 要分發的系統
    4 Field 字段內容 主數據包含的具體字段
    5 DataInfo 關聯字段 主數據關聯其它主數據字段
    2)消費者
    消費者使用業務系統提供接口供 ESB 調用,業務系統提供接口應當有返回值, 提示同步數據是否成功,未成功的要標明原因。消費者的獲取方式為GET,具體字段 包括主數據類型、接收系統、字段內容、接口賬號、接口賬號密碼、內層UUID與外 層UUID,具體字段信息如表3-3所示。
    表 3-3 獲取方式字段
    Table 3-3 Get method field
    序號 英文報文域 中文報文域 備注
    1 mdmId 主數據類型
    2 BusinessSystem 接收系統 要接收的系統
    3 Field 字段內容 主數據包含的具體字段
    4 User 接口賬號
    5 Psw 接口密碼
    6 OuterUUID 外層 UUID
    7 InnerUUID 內層 UUID 與本次請求數據的UUID保持一致
    已有系統通過拓展 Rest 服務接口實現與現有系統集成, Rest 服務接口的地址定 義為http://域名:端口號/http/getMessage,參數為json body,協議采用HTTP協議。其 中涉及主數據的信息以主數據編碼為唯一標識,當前標識已存在則進行修改與更新操 作,標識不存在則進行新增插入操作。
    未上線的信息系統開發集成接口時需采用Rest服務方式,由ESB提供機制認證, 實現業務日志回傳等功能。
    3.2.2 主數據管理系統字段映射
    選煤廠各能源信息管理系統中存在需彼此共享的基礎數據,如公用類數據(世界 各國和地區、中華人民共和國行政區劃、中國各民族名稱、貨幣和資金等)、財務類
    27
    數據(銀行名稱、會計科目等)、產品類數據(選煤廠自主產品)等,將其定義為主 數據。
    選煤廠主數據為業務流程分析、決策判斷提供基礎數據支撐,因而具有“三高”和 “三跨越”的特征[49]。
    主數據“三高”分別為:
    ( 1 ) 高共享
    選煤主數據在各部門、各信息系統間互聯互通、實時共享。
    ( 2) 高價值
    選煤主數據描述選煤廠業務實體的關鍵事實及其相互關系。
    ( 3 ) 高標準
    選煤主數據作為選煤廠的基準數據,準確權威、變更性小。
    主數據“三跨越”分別為:
    ( 1 ) 跨越部門
    選煤主數據作為選煤廠的核心資產,不歸屬任何一個部門。
    (2) 跨越系統
    選煤主數據在人力資源、財務、銷售、能源管理系統中均作為奠基型數據存在。
    ( 3) 跨越技術
    選煤主數據管理的規范化定義不受集成架構(總線型架構、星型架構)和接口協 議(OPC DA、Modbus TCP)的多樣性影響。
    為滿足主數據管理系統與各信息系統間的集成需要,本研究為企業服務總線提供 主數據字段映射關系。選煤信息管理系統設計編制了《選煤主數據字段選用表白皮書》, 其中明確定義了數據項、單位、限制條件、數據長度(字符)、顯示列與說明等相關 字段信息,以原煤生產能源消費情況中間表字段及相關信息如表3-4所示。
    表 3-4 原煤生產能源消費情況中間表字段
    Table 3-4 Fields in the intermediate table of raw coal production and energy consumption
    序號 數據項 單位 限制條件 說明 長度(字符) 顯示列
    1 狀態代碼 字符 必填 系統自動生成 6 state
    2 狀態描述 字符 必填 系統自動生成 6 state_desc
    3 產品代碼 字符 必填 系統自動生成 15 code
    4 產品名稱 字符 必填 手工輸入 15 desc6
    5 電力 萬千瓦•時 非必填 手工輸入 120 desc17
    6 原煤 非必填 手工輸入 120 desc10
    7 洗精煤 非必填 手工輸入 120 desc11
    8 焦炭 非必填 手工輸入 120 desc7
     
     
    續表 3-4 原煤生產能源消費情況中間表字段
    Table 3-4 Fields in the intermediate table of raw coal production and energy consumption (Continued)
    序號 數據項 單位 限制條件 說明 長度(字符) 顯示列
    9 汽油 非必填 手工輸入 120 desc13
    10 煤油 非必填 手工輸入 120 desc14
    11 柴油 非必填 手工輸入 120 desc18
    12 熱力 百萬千焦 非必填 手工輸入 120 desc20
    13 產品描述 字符 必填 系統自動生成 120 spare
    14 產品分類代碼 字符 必填 系統自動生成 100 code
    15 產品分類描述 字符 必填 系統自動生成 80 desc1
    16 計量單位代碼 字符 必填 只選 80 desc12
    17 計量單位描述 字符 必填 只選 80 desc13
     
    3.3選煤信息管理系統數據處理
    針對選煤數據在處理過程中數據邏輯分類不清晰,數據樣本集拆分困難,多數據 變量間單位、量綱不相同和數據間相關性分析能力弱等問題,選煤信息管理系統研究 并開發了角色設定、樣本集拆分、歸一化去量綱和皮爾遜相關性分析等關鍵技術,顯 著提高了選煤數據的處理能力與處理效率。
    3.3.1角色設定
    為準確獲取所需選煤數據的特征及其相互關系,需對選煤數據表的字段進行角色 定義,根據變量的數據類型與模型實際意義區分自變量與因變量。
    例如選煤碳排放預測模型運算之前,需明確從樣本集中區分自變量為多個碳排放 量影響因素,因變量為碳排放量,詳細情況如圖 3-4 所示。
     
     
    圖 3-4 角色設定
    Fig. 3-4 Role setting
    29
     
    3.3.2樣本集拆分
    回歸與分類等算法模型運行前需將已搜集到的樣本集拆分為訓練樣本集與驗證 樣本集。研究通過隨機粒子對隨機數進行唯一編號,實現每次試驗均近似按照拆分比 例進行拆分,拆分后的各個子集比例之和小于等于 100%。
    計算機中隨機數產生的來源是主板中定時器在內存中的計數值,將首次初始化的 隨機值稱為隨機粒子,所以在相同操作系統與計算機環境下,固定隨機粒子后,生成 的隨機數必定相同, 由 此來劃分樣本集比例。運用 Python Scikit-learn 包中的 train_test_split()方法實現樣本集拆分,該方法中分別需要傳入原始樣本集,隨機粒 子,訓練集樣本占比與驗證集樣本占比4 個參數。
    例如將拆分比例定為訓練集占 75%,驗證集占 25%,勾選隨機粒子選項,并自動 生成一個8位的隨機粒子,則首次實驗自動拆分的實際比例可能為75.02%和24.98%。 因為勾選了隨機粒子選項,后續實驗拆分比例會嚴格自動按照 75.02%和24.98%的比 例執行。相反,如果未勾選隨機粒子選項,后續拆分比例會在較小范圍內波動,詳細 情況如圖3-5所示。
    樣本集拆分?
    生成
    圖 3-5 樣本集拆分
    Fig. 3-5 Sample set splitting
    3.3.3 歸一化去量綱 為解決各原始選煤數據量綱與單位不統一,運用 Z 標準化方法將有量綱的數據表
    達式轉換為無量綱的標量。Z標準化將原始數據集進行特定比例的擴大與縮小,使其 變為特定范圍內的標量,其公式為:
    z = n
    a
    (3-1)
    a =」n》¥=i(Xi _ 卩)2
    30
    式中,"取值為0,o取值為1。 例如對選煤碳排放預測研究時,由于各影響因素的單位與量綱不同,需將影響因
    素進行歸一化處理,轉換為無單位的標量,詳細情況如圖3-6所示。
    歸一化去量綱 < 配置信息
    費處瞬果 僉數據集
    該節點對樣本中的屬性進行了歸一化
    Z標準化:煉焦歸t 力口工菱/冗噸原) 材料羹/園噸原) 煤泥北 詼砌tCO2e 洗混煤/t 全員勞破率/% 成本/(元/嗓
    娠共132條
    歸I 力口 |
    -0.31932492720335615 -1.3926331925066024 -0.5389194931436965 -0.8238626970917503 -0.7647200890186227 1.4^
    -0.30780901559206936 -0.4126205555123211 -1.9216646745093533 0.05496678972063009 -0.816438838474966 -0.7
    0.33924013375361733 -0.5442567605810164 -0.18559601128078154 0.012782974353635486 -0.9696300887643482 -0J
    1.143095530193739 0.4430757766024418 -0.5850978302504447 -0.19110546658683616 -0.845717309861726
    0.9476927363853932 0.14588782892186547 -0.1910426859395262 1.1025315380009877 0.05869270627720415 -C.3
    0.6875212012660531 -0.07700313183856676 -0.04658737599021114 -0.015339569224360085 -0.6558591954061063 -0.6*
    -0.025414424681682684 1.4313843004777902 -0.49818783169569286 -0.40905517931630686 -0.4641539827556174 0.0E
    -2.1818173820051197 1.5613125288356777 -0.14699565769924325 -0.23328928195383078 -0.01173282489739104 -0.4
     
    圖 3-6 歸一化去量綱
    Fig. 3-6 Normalized dimensionality
    3.3.4 皮爾遜相關性分析
    皮爾遜相關性分析用于計算與分析樣本集中不同變量的相關性大小,并用相關系
    數予以量化,實現將兩個或多個非空樣本相關程度大小用(0,1)范圍之內的數表示。
    皮爾遜公式通過計算得出自變量x與因變量y的線性強弱關系,用相關系數。表
    示,計算公式為:
     
    式中,cov(x,y)表示函數y = f(x)的協方差,ax、oy分別表示x、y的標準差,x'、 y'分別表示x、y的樣本平均值。
    根據皮爾遜公式定義可知,相關系數的取值范圍為-1S8S1,相關系數大于0
    表示變量間呈正向相關關系;相關系數小于 0 表示變量間呈負向相關關系;相關系數 等于 0 表示變量間完全不存在線性關系;相關系數等于 1 或-1,表示變量為完全線性 相關,其具體相關程度[50-51]為:
    31
     
    '⑹S 0.3, x、y不存在線性相關
    0.3 < |0| < 0.5, x、y輕度線性相關
    0.5 < |0| < 0.8, x、y中度線性相關
    、|0|>0.8, x、y高度線性相關
    借鑒 Hadoop 大數據生態圈中 MapReduce 的 key-value 思想, Map 階段通過繼承 Mapper類,以多線程的方式對數據集中的相關系數進行并行計算,Reduce階段通過 繼承Reduce類,導入java.util.Math包,調用reduce()方法將并行算出的相關系數統 計合并并輸出。
    例如對選煤碳排放預測研究時,需要量化探究不同影響因素對碳排放的影響程度 大小,將煉焦精煤產量、洗混煤產量、煤泥產量、全員勞動效率、成本、加工費、材 料費與碳排放量代入皮爾遜相關性分析程序,詳細情況如圖 3-7 所示。
     
    圖 3-7 皮爾遜相關性分析
    Fig. 3-7 Pearson correlation analysis
    3.4選煤信息管理系統數據可視化
    選煤信息管理系統為解決傳統紙質表格或電子表格展現數據不直觀的痛點,通過 Echarts 組件開發了智慧大屏看板,實現了選煤數據實時、動態、可交互的可視化展 示。 Echarts 由百度公司研發,是基于 JavaScript 的第三方開源可視化圖表庫。 Echarts 具有強大的服務渲染能力與豐富的動畫表達能力,Echarts圖表的主要使用步驟為:
    ( 1 ) 引入 Echarts 的基礎 JS 文件
    <script src="echarts.js"></script>
    ( 2) 初始化 Echarts 實例
    var chart = echarts.init(document.getElementById('domId'));〃通過 echarts.init ()方 法對chart變量進行初始化,傳入的參數為DOM組件的ID值。
    32
    ( 3) 配置數據來源
    var dep = {
    xAxis: {//橫坐標系
    data: []//橫坐標系內容
    },
    yAxis: {},//縱坐標系
    series: [{
    type: 'bar',//選擇圖標類型
    data: []//縱坐標系內容
    }]
    };
    ( 4 ) 生成圖表
    chart.setOption(dep);//通過setOption ()方法生成相關可視化圖表
    Echarts 包含的可視化圖表種類包括但不限于折線圖、柱狀圖、餅圖、散點圖、雷 達圖、盒須圖、熱力圖、關系圖與儀表盤等。每個圖表需要部署的配置項包括數據源、 標題、基礎圖例、X軸與Y軸相關內容、標簽與交互等,如圖3-8所示。
     
    圖 3-8 Echarts 圖表
    Fig. 3-8 Echarts chart
     
    各圖表的數據來源分為對象屬性與對象服務兩種,數據類型分為二維數組、多維 數組、關系數據與實時數據四種,不同圖表的最大可接入數據源個數也不相同,Echarts 圖表數據源詳細情況如表3-5所示。
    33
    表 3-5 Echarts 圖表數據源
    Table 3-5 Echarts chart data source
    圖表 數據來源 數據類型 最大數據源個數
    折線圖 對象服務 二維數組 20
    柱狀圖 對象服務 二維數組 8
    餅圖 對象服務 多維數據 2
    散點圖 對象服務 二維數組 8
    雷達圖 對象服務 二維數組 8
    盒須圖 對象服務 二維數組 8
    熱力圖 對象服務 二維數組 8
    關系圖 對象服務 關系數據 8
    儀表盤 對象屬性 實時數據 1
    選煤信息管理系統通過 Echarts 組件實現將集控組態界面、選煤經濟技術關鍵數 據、選煤能耗數據、生產車間攝像監控等信息通過多種圖表進行可交互的動態可視化 演示。
    3.5 本章小結
    (1) 介紹了選煤信息管理系統研發過程中所使用的的主要技術棧,分別闡述了其 相關優勢、特點與使用方法。使用 React 作為前端開發框架,使用 Spring Boot 作為后 端開發框架,使用 MariaDB 存儲關系型數據,使用 InfluxDB 存儲生產時序性數據, 使用 PyCharm 軟件和 IntelliJ IDEA 軟件作為開發 IDE。
    (2) 研究了面向服務的企業服務總線,實現了選煤信息管理系統中選煤數據集成 接口規范化。研究了主數據管理系統并編制了《選煤主數據字段選用表白皮書》,滿 足了主數據管理系統與各信息系統間的集成需要。通過選煤數據集成關鍵技術,實現 了不同能源信息系統中選煤數據集成規范化,選煤數據共享標準化。
    (3) 研究角色設定技術實現了區分自變量與因變量,研究樣本集拆分與隨機粒子 技術實現了按照預設比例穩定拆分訓練集與驗證集,研究歸一化去量綱技術實現了多 數據變量間單位、量綱自動規約與映射,研究皮爾遜相關性分析技術提升了數據間相 關性分析能力。通過選煤數據處理關鍵技術,顯著提高了選煤數據的處理能力與處理 效率。
    (4)針對傳統紙質或電子表格展現數據不直觀的痛點,介紹了 Echarts組件的主 要功能和基本步驟,通過 Echarts 組件開發了選煤信息管理系統中的智慧大屏看板, 實現了選煤數據實時、動態、可交互的可視化展示。
    34
    第 4 章 基于 LCA 的選煤碳排放核算研究
    4.1選煤碳排放核算相關概念界定
    4.1.1 碳排放與碳排放核算
    ( 1 )碳排放 碳排放是所有溫室氣體碳排放的簡稱,溫室氣體因吸取大地反射的長波輻射, 并重新釋放紅外輻射,造成全球溫度升高,形成溫室效應[52]。《京都議定書》中規 定的六種溫室氣體一直沿用至今,分別為C02、CH4、N2O、HFCs、PFCs與SF6。
    眾所周知,溫室效應的產生超過半數來自于CO2的排放,其它溫室氣體排放量 可通過與全球變暖潛勢值(GWP)相乘得到二氧化碳當量進行代替計算[53]。因此, 將CO2定義為核算其它溫室氣體排放量的基準,本研究中對選煤廠碳排放核算也就 是對選煤廠二氧化碳排放當量進行核算。
    ( 2)碳排放核算
    2021年8月,我國碳排放統計與核算工作小組正式組建,該組織肩負統籌并核算 全國各區域、各行業碳排放量的重擔。核算小組指出準確的碳排放核算是解決信息不 對稱、推動碳減排機制市場化運轉與真正實現“雙碳”目標的基礎保障。
    碳排放核算指在搜集、統計碳排放相關活動數據與參數的基礎上,進行計算與核 查向地球大氣層直接或間接釋放二氧化碳及其它當量氣體的過程,碳排放核算的基本 原則[54]應包括:
    1) 準確性 碳排放核算過程中應盡最大可能減少核算數據的誤差度,減少碳排放數據本身誤
    差與核算過程中的人為誤差,盡可能提高碳排放核算的準確性。
    2) 完整性 碳排放核算需包括核算邊界內所有能源與資源消耗造成的碳排放,包括但不限于
    化石能源燃燒碳排放、生產過程碳排放、電力和水資源碳排放及其它碳排放。
    3) 透明性 能源消耗數據、碳排放因子數據等碳排放基礎數據的采集、存儲應做到操作透明,
    便于相關機構與人員對碳排放核算結果進行核查與溯源。
    4.1.2 碳排放核算方法
    包括選煤廠在內的煤炭生產鏈集群企業碳排放量核算方法主要有碳排放因子法 和現場監測法兩種。
    35
    ( 1 ) 碳排放因子法
    碳排放因子法最初由政府間氣候變化專門委員會(IPCC)提出,發展至今已成為 目前適用范圍最廣的核算方法之一。碳排放因子法的核心思想是構造碳排放清單列表, 詳細篩選出每一項能源消耗類別,分別對每一項能源消耗與對應的碳排放因子值相乘, 最終求和進行估算。碳排放因子法的優勢在于通過成熟的公式計算,過程透明易理解, 適用于碳排放源邊界清晰、碳排放量波動水平小等場景。
    ( 2) 現場監測法
    現場監測法指在選煤廠生產現場的碳排放源位置,利用溫室氣體監測設備連續監 測排放數據后,匯總得出該選煤廠碳排放總量。現場監測法的優勢在于因地制宜,能 最為精確地測量研究對象的碳排放情況,符合碳排放核算的現實意義。但其弊端在于 流程及操作極為繁瑣,適用于小范圍、小規模、碳排放數據容易獲取的場景。現實情 況下,選煤廠多不具備相關資質與技術條件進行現場監測,因此目前學界研究大多采 用碳排放因子法對碳排放量進行核算。
    4.1.3 生命周期評價
    生命周期最初作為經濟學術語,指一個對象經歷誕生、發展、衰敗和消亡等完整 階段。在此基礎上, Raymond Vernon 首次提出產品生命周期理論的基本體系,定義了 產品包括導入期、茁壯期、頂峰期和衰敗期四個具體階段[55]。此后,生命周期的概念 逐漸衍生至項目管理、企業管理等諸多領域,使得生命周期理論不斷擴充與完善[56-57]。
    生命周期評價(LCA)起源于飲料容器從生產原料到垃圾遺棄物全過程的量化研 究過程中[58]。隨后生命周期評價被納入ISO14040環境規范體系,成為產品設計與環 境管控的通用方法。生命周期評價適用范圍包括產品與生產過程從發生到消亡的全生 命周期,用于量化描述與評價資源輸入、能源消耗等因素對環境的影響強度。
    生命周期評價主要步驟包括明確主體范疇、繪制主體列表、評估作用范圍與詮釋 成果,將生命周期評價方法運用于選煤廠碳排放核算流程,將傳統四個步驟擴充為以 下五個步驟:
    (1)梳理選煤廠生產工藝與流程,繪制生產工藝流程圖。
    ( 2)明確碳排放源頭,準確化分選煤廠碳排放邊界。
    (3)核定碳排放活動相關數據,通過查閱文獻與實地監測等方法收集各能源消耗 量等生產數據、碳排放因子缺省值、全球增溫趨勢值等碳排放指數數據。
    (4)通過模型與公式分階段核算碳排放量。
    (5)結果分析與驗證。
    36
    4.2選煤碳排放源核查
    選煤廠洗選加工多由原煤準備、重介分選、跳汰分選、濃縮浮選、粗煤泥回收、 尾煤回收和介質回收等環節組成。
    ( 1)原煤準備階段碳排放源包括入場原煤通過鐵路和公路運輸產生交通運輸碳 排放,卸煤機、給煤機、破碎機等生產設備的耗電碳排放。
    (2)重介分選階段碳排放源包括重介質旋流器、磁選機等生產設備的耗電碳排 放。
    (3)跳汰分選階段碳排放源包括跳汰機、鼓風機、空壓機等生產設備的耗電碳排 放。
    (4)濃縮浮選階段碳排放源包括浮選機等生產設備的耗電碳排放、生產用水碳排 放和煤油消耗碳排放。
    (5)選煤廠煤泥水處理實質是通過煤泥濃縮與煤泥澄清等步驟將固體與液體分 離并回收的過程,但由于廢水中有機物的數據獲取難度大,所占比例極小,故相關研 究不將煤泥水處理過程的碳排放納入核算源頭之內。
    (6)各個生產階段均需通過膠帶輸送機與刮板輸送機運輸煤炭,由此產生耗電碳 排放。
    另外,選煤廠建廠過程中消耗的水泥、鋼筋等建筑原料與選煤廠投產后的日常生 產無關,選煤廠人員通勤、辦公場所產生的溫室氣體計入城市碳排放核算范圍,不再 重復計入選煤廠碳排放量。
    4.3選煤碳排放核算邊界確定
    目前,學界對企業級別碳排放核算邊界界定方法分為組織邊界、運行邊界和會計 基準年三種形式。
    組織邊界是一種縱向界定方法,指以集團企業為研究對象,將旗下所有子分公司、 組織機構、生產活動中的人、物料、設施等范圍都囊括在企業碳排放核算的組織邊界 中。
    運行邊界則是基于實際生產流程和排放源頭類型來橫向確定碳排放源與邊界的 方法。運行邊界分為直接碳排放、間接能源碳排放和間接其它碳排放。直接碳排放包 括生產過程碳排放,間接能源碳排放指以選煤廠為主體,由外界組織輸入,歸屬權為 第三方單位的資源消耗碳排放,如外購電力、外購水資源碳排放,間接其它碳排放包 括交通運輸碳排放等。
    會計基準年是立足于會計邊界核算思想的確定方法,即選取過往某一年碳排放量
    37
    或多年碳排放量平均值作為核算基準對碳排放進行度量。會計基準年界定方法雖然操 作簡便,但以一年或多年平均值作為核算基準或多或少存在偏誤,因此,僅基于會計 基準年界定碳排放邊界的研究較少。
    本研究對選煤廠碳排放邊界進行確定時采用組織邊界與運行邊界交互的方法,先 以選煤廠本身為核心,縱向確定碳排放核算主體,再根據主體及其生產流程橫向確定 排放源類型,最后從縱橫交錯視角逐一確定排放邊界。將會計基準年、組織邊界和運 行邊界三種形式相結合使用,以組織邊界、運行邊界為主要界定方法,以會計基準年 核算作為時間輔助基準,實現在對過去碳排放精準核算的同時,對未來碳排放量進行 科學預估。
    根據生命周期評價方法核定選煤廠碳排放邊界,包括組織邊界與運行邊界。由于 選煤廠沒有下屬二級子單位,因此組織邊界為選煤廠各生產部門本身。運行邊界包括 直接碳排放(生產過程碳排放)、間接能源碳排放(外購電力與外購水資源碳排放) 及間接其它碳排放(交通運輸碳排放)三部分。
    綜上,選煤廠碳排放核算邊界如圖 4-1 所示。
     
    圖 4-1 選煤廠碳排放核算邊界
    Fig. 4-1 Boundary diagram of carbon emission accounting of coal preparation plant
     
    4.4選煤碳排放核算因子選擇
    碳排放因子(Carbon Emission Factor,即Cef),也稱碳排放系數,是產品、企業、 區域等主體碳排放量核算的重要參數,其映射了消耗單位物質所釋放的溫室氣體對環 境的污染程度[59]。碳排放因子取值方法主要包括標準年鑒法與計算法。
    4.4.1標準年鑒法
    標準年鑒法指選煤廠相關碳排放因子取值通過參考國際、國內相關年鑒與標準規 范獲得。
    國際方面,早在2008年,英國標準協會(BSI)公開了全球首個碳足跡標準規范
    38
    《PAS2050》,用于評估組織在整個生命周期內溫室氣體的排放量。國際標準化組織 (ISO)也編制了國際溫室氣體計算標準ISO 14064,對溫室氣體的全球通用度量方 法與驗證模型進行了詳細界定。政府間氣候變化專門委員會(IPCC )發布的《IPCC2006 國家溫室氣體清單指南(2019修訂版)》中明確公布了原油、汽油、柴油等化石能源 的碳排放因子。
    國內方面可參考《中國能源統計年鑒2020》 [60]、《中國煤炭生產企業溫室氣體排 放核算方法與報告指南(試行)》、《中國區域電網基準碳排放因子》等文件中公布的各 類能源的碳排放因子。
    標準年鑒法是目前學界適用范圍最廣的碳排放因子取值方法,其優勢在于權威性、 可獲得性和規范性。但在處理碳排放核算動態問題與個案問題時,可能存在數據缺失 和取值偏誤等弊端,需要結合具體研究問題進一步考量其合理性。
    4.4.2 計算法
    計算法包括修正碳排放因子法和換算碳排放因子法。
    (1)修正碳排放因子法
    IPCC 公布了不同行業各能源的碳排放因子缺省值,缺省值指無法實測時而選用 的替代值。因此碳排放因子缺省值不針對特定行業,實際計算時需對其進行修正。將 選煤碳排放因子修正值定義為能源碳排放因子缺省值與能源凈發熱值之積,公式為:
    Cef 修=Cef 缺 xNcu (4-1)
    式中,Ce/■修Z(kgCO2e,kg-1)為不同能源碳排放因子修正值,Ce/缺/(kg-TJ-1)為碳排 放因子缺省值,Ncv/(kJ?kg-1)為凈發熱值。
    (2)換算碳排放因子法 以選煤廠水資源為例,核算水資源碳排放的思路是將生產中用水量折算成標準
    煤量,再根據標準煤的碳排放因子換算得出水的碳排放因子,公式為:
    Cef了水=Ce/co2 x e水 (4-2)
    式中Ce/水/(kgCO2e-kg-1)為水的碳排放因子,Ce/(kgCO2e-kg-1)為標準煤的碳排
    放因子,e水為水資源的折煤比例系數,選用0.0857kg/t。
    通過對選煤廠現有碳排放因子取值方法的研究與分析可知,兩種方法各有優劣, 適用于不同情形。使用標準年鑒法選取的碳排放因子數值來源可靠度高,但因其高普 適性而忽略了不同選煤廠主體生產工藝不同對核算結果的影響。通過計算法核定碳排 放因子數值更精確,但需消耗高經濟成本與人力成本。碳排放因子的選擇順序應優先 進行現場實測計算,其次參考地區、國家標準,最后參考國際通用數值,碳排放因子
    39
    主要取值方法如表 4-1 所示。
    表 4-1 選煤廠碳排放因子取值方法比較
    Table 4-1 Comparison of carbon emission factors in Coal preparation plant
    方法 原理 優點 缺點
    標準年鑒法 依據 IPCC 清單、 年鑒等公布的碳 排放因子 數據來源可靠、 獲取容易 不針對特定生產 場景
    修正碳排放因子法 修正值=缺省值X 針對特定能源, 精度取決于缺省
    凈發熱值 數值精確 值的準確性
    計算法 碳排放因子=標準 覆蓋范圍廣、普 精度取決于折煤
    換算碳排放因子法 煤碳排放因子X折
    煤比例系數 遍適用性強 比例系數的準確
     
    4.4.3 碳排放因子清單
    在選煤碳排放核算實操中,碳排放因子的選擇直接決定著碳排放核算模型與現實 情況的匹配度,是連接碳排放內涵與最終測算結果的橋梁。
    本研究依據4.4.2 小節(4-1)公式對選煤廠的相關能源的碳排放因子進行計算與 修正,其中碳排放因子缺省值與對應的凈發熱值數據來源于《中國能源統計年鑒2020》 和《IPCC2006國家溫室氣體清單指南(2019修訂版)》等文獻,部分能源碳排放因子 相關數據如表 4-2 所示。
    表 4-2 部分能源碳排放因子
    Table 4-2 Carbon emission factors of some energy sources
    能源種類 CO2 CH4 N2O Ncv 熱值/(kJ-kg-1)
    缺省值/(kg-TJ-1) 74100 3.9 3.9
    柴油Cefi 43070
    修正值 / (kgCO2e-kg-1) 3.19 1.68X10 - 4 1.68X10 - 4
    缺省值 / (kg-TJ-1) 74100 3.9 3.9
    煤油Ceft 42652
    修正值 / (kgCO2e-kg-1) 3.16 1.66X10 - 4 1.66X10 - 4
    除CO2外的其它溫室氣體排放量通過與全球變暖潛勢值(GWP)相乘得到二氧化 碳當量進行代替計算。CH4的GWP值為23, N2O的GWP值為296,最終得到柴油 的修正值為3.21 kgCO2e?kg-1,煤油的修正值為3.26 kgCOze^kg-1。本研究的研究對象 太原選煤廠位于山西省太原市,根據《省級溫室氣體清單編制指南》中華北區域電網 的相關數值,電力碳排放因子取值為1.246kgCO2/(kW?h),水資源碳排放因子參照清 單指南取值為2. 12x10「4(kgCO2e?kg-1)。本研究的碳排放因子清單表如表4-3所示。
    40
     
    表 4-3 碳排放因子清單表
    Table 4-3 List of carbon emission factors
    能源種類 碳排放因子 單位
    柴油Ce/; 3.21 kgCO2e-kg_1
    煤油Cefi 3.26 kgCO2e-kg_1
    電Ce/電 1.246 kgCO2/(kW?h)
    水C"水 2. 12x10「4 kgCO2e-kg_1
     
    4.5選煤碳排放核算模型構建
    針對上述選煤廠碳排放源頭與核算邊界分別構建了對應的碳排放核算模型。選煤 廠碳排放Ce選包括直接碳排放Ce直接(生產過程碳排放)、間接能源碳排放Ce間能(外 購電力碳排放與外購水資源碳排放)及間接其它碳排放Ce間其(交通運輸碳排放)三
    部分,計算公式為:
     
     
     
    (1)直接碳排放Ce直接包括生產過程碳排放Ce生,公式為:
    Ce直接=Ce生
    Ce生=y Eq x Ce齊
    式中,i為不同能源類型(柴油、煤油等),殆為第i類型的能源消費量,為 不同能源的碳排放因子。
    (2)間接能源碳排放Ce間能包括外購電力碳排放Ce外電與外購水資源碳排放Ce外水,
    公式為:
    3間能=Ce外電+ Ce外水
    3外電=Ec電 x Cef 電
    °e外水=Ec水 x Cef 水
    式中,Ec電、Ec水分別為電資源和水資源的能源消耗量;Cef電、Cef水分別為電資 源和水資源的碳排放因子。
    (3)間接其它碳排放Ce間其包括交通運輸碳排放Ce交通,交通運輸因消耗柴油等 資源釋放的碳排放量公式為:
    41
    3間其=Ce交通
    \ce交通=Eq x Cefi
    式中,Eq為第i類型的能源消費量,Ceft為不同能源的碳排放因子。
    4.6選煤碳排放核算實證研究
    本文以太原選煤廠為研究對象,太原選煤廠始建于 20 世紀 50 年代,歷史悠久, 是隸屬于山西焦煤集團西山煤電有限公司的典型中大型選煤廠。太原選煤廠入洗能力 達630 噸/年,擁有原煤分級準備系統、主洗系統(包括重介分選系統和跳汰分選系統)、 粗煤泥回收系統、濃縮浮選系統、尾煤回收系統和介質回收系統。
    通過在太原選煤廠實地駐場調研,搜集相關技術資料與文檔數據,最終整理出太 原選煤廠2012 年至2021 年十年的柴油、煤油、水、電等相關碳排放活動數據,匯總 核算出碳排放清單如表 4-4 所示。
    表 4-4 2012-2021 年碳排放清單
    Table 4-4 Carbon emission inventory in 2012-2021
    年份 能源類別 能源消耗量 碳排放因子 碳排放/tCO2e
    柴油/t 641.8 3.21/(kgCO2e-kg-1) 2060.2
    2012 煤油/t 725.4 3.26/(kgCO2e-kg-1) 2364.8
    水資源/t 263234 2. 12x10「4/(kgCO2e?kg-1) 55.8
    電資源/(MWh) 40357.1 1.246 kgCO2/(kW?h) 50284.9
    柴油/t 659.8 3.21/(kgCO2e-kg-1) 2118.0
    2013 煤油/t 712.6 3.26/(kgCO2e-kg-1) 2323.1
    水資源/t 231884 2. 12x10^4/(kgCO2e-kg-1) 49.2
    電資源/(MWh) 40692.5 1.246 kgCO2/(kW?h) 50702.9
    柴油/t 606.5 3.21/(kgCO2e-kg-1) 1946.9
    2014 煤油/t 644.2 3.26/(kgCO2e-kg-1) 2100.1
    水資源/t 170735 2. 12x10「4/(kgCO2e?kg-1) 36.2
    電資源/(MWh) 35855.9 1.246 kgCO2/(kW?h) 44676.5
    柴油/t 219.7 3.21/(kgCO2e-kg-1) 705.2
    2015 煤油/t 495.7 3.26/(kgCO2e-kg-1) 1616.0
    水資源/t 127063 2. 12x10「4/(kgCO2e?kg-1) 26.9
    電資源/(MWh) 32789.9 1.246 kgCO2/(kW?h) 40856.2
     
    42
     
    續表 4-4 2012-2021 年碳排放清單
    Table 4-4 Carbon emission inventory in 2012-2021 (Continued)
    年份 能源類別 能源消耗量 碳排放因子 碳排放/tCO2e
    柴油/t 374.861 3.21/(kgCO2e-kg-1) 1203.3
    2016 煤油/t 457.6 3.26/(kgCO2e-kg-1) 1491.8
    水資源/t 118511 2. 12x10「4/(kgCO2e?kg-1) 25.1
    電資源/(MWh) 32730.9 1.246 kgCO2/(kW?h) 40782.7
    柴油/t 242.1 3.21/(kgCO2e-kg-1) 777.1
    2017 煤油/t 367.0 3.26/(kgCO2e-kg-1) 1196.4
    水資源/t 111322 2. 12x10^4/(kgCO2e-kg-1) 23.6
    電資源/(MWh) 29752.5 1.246 kgCO2/(kW?h) 37071.6
    柴油/t 369.0 3.21/(kgCO2e-kg-1) 1184.5
    2018 煤油/t 376.8 3.26/(kgCO2e-kg-1) 1228.4
    水資源/t 118189 2. 12x10「4/(kgCO2e?kg-1) 25.1
    電資源/(MWh) 34098.4 1.246 kgCO2/(kW?h) 42486.6
    柴油/t 309.69 3.21/(kgCO2e-kg-1) 994.1
    2019 煤油/t 369.0 3.26/(kgCO2e-kg-1) 1202.9
    水資源/t 117982 2. 12x10^4/(kgCO2e-kg-1) 25.0
    電資源/(MWh) 34436.3 1.246 kgCO2/(kW?h) 42907.6
    柴油/t 155.9 3.21/(kgCO2e-kg-1) 500.4
    2020 煤油/t 206.8 3.26/(kgCO2e-kg-1) 674.2
    水資源/t 109147 2. 12x10^4/(kgCO2e-kg-1) 23.1
    電資源/(MWh) 27344.3 1.246 kgCO2/(kW?h) 34071.0
    柴油/t 180.7 3.21/(kgCO2e-kg-1) 580.0
    2021 煤油/t 271.0 3.26/(kgCO2e-kg-1) 883.5
    水資源/t 113910 2. 12x10^4/(kgCO2e-kg-1) 24.1
    電資源/(MWh) 33107.7 1.246 kgCO2/(kW?h) 41252.2
     
    匯總得出太原選煤廠2012年至2021年十年的全年碳排放量,如表4-5所示。
    43
     
    表 4-5 2012-2021 年碳排放
    Table 4-5 Carbon emissions in 2012-2021
    年份 碳排放/tCO2e
    2012 54765.7
    2013 55193.0
    2014 48759.6
    2015 43204.4
    2016 43502.9
    2017 39068.7
    2018 44924.6
    2019 45129.6
    2020 35268.7
    2021 42739.8
    由表 4-5可以得出,太原選煤廠碳排放量整體趨勢是穩中有降, 2012年碳排放量 最大,為54765.7tCO2e, 2020年碳排放量最小,為35268.7tCO2e,平均碳排放量為 45255.7tCO2e。
    將2012年至2021 年煤油、柴油、水資源與電資源的年度碳排放與選煤廠生產年 度總碳排放相除,得出各能源碳排放所占比重大小,如表 4-6 所示。
    表 4-6 2012-2021 年各能源碳排放比重清單
    Table 4-6 List of carbon emission proportion of various energy sources from 2012 to 2021
    年份 能源類別 碳排放/tCO2e 碳排放比重/%
    柴油/t 2060.2 3.8
    煤油/t 2364.8 4.3
    2012 水資源/t 55.8 0.1
    電資源/(MWh) 50284.9 91.8
    柴油/t 2118.0 3.8
    煤油/t 2323.1 4.2
    2013 水資源/t 49.2 0.1
    電資源/(MWh) 50702.9 91.9
    柴油/t 1946.9 4.0
    煤油/t 2100.1 4.3
    2014 水資源/t 36.2 0.1
    電資源/(MWh) 44676.5 91.6
     
    44
     
    續表4-6 2012-2021 年各能源碳排放比重清單
    Table 4-6 List of carbon emission proportion of various energy sources from 2012 to 2021 (Continued)
    年份 能源類別 碳排放/tCO2e 碳排放比重/%
    柴油/t 705.2 1.6
    煤油/t 1616.0 3.7
    2015 水資源/t 26.9 0.1
    電資源/(MWh) 40856.2 94.6
    柴油/t 1203.3 2.8
    煤油/t 1491.8 3.4
    2016 水資源/t 25.1 0.1
    電資源/(MWh) 40782.7 93.7
    柴油/t 777.1 2.0
    煤油/t 1196.4 3.1
    2017 水資源/t 23.6 0.1
    電資源/(MWh) 37071.6 94.9
    柴油/t 1184.5 2.6
    煤油/t 1228.4 2.7
    2018 水資源/t 25.1 0.1
    電資源/(MWh) 42486.6 94.6
    柴油/t 994.1 2.2
    煤油/t 1202.9 2.7
    2019 水資源/t 25.0 0.1
    電資源/(MWh) 42907.6 95.1
    柴油/t 500.4 1.4
    煤油/t 674.2 1.9
    2020 水資源/t 23.1 0.1
    電資源/(MWh) 34071.0 96.6
    柴油/t 580.0 1.4
    煤油/t 883.5 2.1
    2021 水資源/t 24.1 0.1
    電資源/(MWh) 41252.2 96.5
    由表 4-6 可以得出, 2012 年至 2021 年電資源消耗碳排放均占全廠生產碳排放的 90%以上,最大比重為 2020 年 96.6%,最小比重為 2014 年 91.6%。十年間水資源消 耗碳排放占全廠生產碳排放比重均僅為 0.1%。
    45
    4.7 本章小結
    (1)首先介紹了碳排放的基本概念與囊括范圍,接著介紹了碳排放核算的基本定 義與三大核算原則。其次論述了包含碳排放因子法和現場監測法在內的碳排放核算方 法,通過比較兩種方法各自的優劣,得出選煤廠大多不具備相關資質與技術條件進行 現場監測。因此本研究采用碳排放因子法對選煤碳排放量進行核算。最后論述了生命 周期與生命周期評價的基本內涵,并將其四個步驟結合選煤碳排放實際情況,擴充為 五大核算步驟。
    (2)以煤炭洗選加工的流程工藝為順序,梳理了選煤廠各項生產環節中的碳排放 源頭,包括但不限于生產設備耗電碳排放、水資源與電資源消耗碳排放、生產試劑碳 排放與交通運輸碳排放。此外,建廠時資源消耗、員工日常通勤、辦公場所能源消耗 碳排放歸為城市碳排放核算范圍,不再重復計入選煤碳排放源頭之列。
    ( 3)將會計基準年、組織邊界和運行邊界三種核算邊界確定方法結合運用,梳理 出本研究的選煤碳排放核算邊界包括直接碳排放(生產過程碳排放)、間接能源碳排 放(外購電力與外購水資源碳排放)及間接其它碳排放(交通運輸碳排放)三部分。
    (4)在論述了碳排放因子基本內涵基礎之上,通過標準年鑒法與修正碳排放因子 法計算出本研究所需的電資源、水資源、柴油與煤油的碳排放因子清單。
    (5)針對上述選煤碳排放源頭與核算邊界分別構建了直接碳排放、間接能源碳排 放和間接其它碳排放三大選煤碳排放核算模型。
    (6)以太原選煤廠為研究對象進行實證分析,搜集了該廠2012年至2021 年十 年的柴油、煤油、水、電等相關碳排放活動數據,匯總出選煤碳放核算清單。從實驗 結果可以看出太原選煤廠碳排放近十年間穩中有降,平均年碳排放量為45255.7tCO2e, 其中電資源消耗碳排放均占全廠生產碳排放的 90%以上。
    46
    第 5 章 基于 GA-BP 的選煤碳排放預測研究
    5.1 BP神經網絡
    人工神經網絡是一種模仿動物神經元行為,分布式并行計算的數學模型。人工神 經網絡根據拓撲結構可分為前饋網絡模型與逆向反饋網絡模型。人工神經網絡具備自 身學習、關聯存儲與高速尋優三大功能,已在回歸與分類、信號處理、構建專家系統 和設計優化組合等諸多領域廣泛運用。
    BP神經網絡是逆向反饋網絡模型中運用范圍最廣泛的非線性神經網絡模型之一, 是根據誤差逆向反饋的多層次前饋神經網絡。 BP 神經網絡的核心思想是信息延輸入 層、隱藏層和輸出層的方向正向傳播,誤差反方向反饋,通過雙向傳遞不斷調整優化 權值與偏置值,最終達到實際輸出值與預期輸出值的差值小于誤差精度的目標[61]。
    5.1.1 BP神經網絡拓撲結構
    BP 神經網絡由三層構成,分別為輸入層、隱藏層和輸出層。輸入層和輸出層各有 一層,隱藏層根據需要可設計一層或多層,隱藏層只有一層稱為傳統的淺層神經網絡, 隱藏層由多層組成稱為基于深度學習的神經網絡,每層均由一個或多個神經元組成。 BP神經網絡拓撲結構如圖5-1所示。
     
    圖 5-1 BP 神經網絡拓撲結構圖
    Fig. 5-1 BP neural network topology
     
    圖 5-1 中各符號定義如下:
    47
    (1) 弘為BP神經網絡層數;
    (2) 乙為第l層,其中S為輸入層,L陀為輸入層,其余多層為隱藏層;
    (3) 坊為第1+1層的第i個神經元與第1層的第j個神經元間的權值;
    (4) 坊為第1層的第i個神經元的偏置值;
    (5) z;為第1層的第i個神經元的加權累計值;
    (6) 出為第1層的第i個神經元被激活后的輸出值;
    (7) S]為第1層的神經元個數;
    (8) 如^(X)為BP神經單元最終輸出值。
    BP神經網絡中單個神經元由輸入值竝、權值g、偏置值饑、激活函數6()和輸出值 刃組成,如圖5-2所示。
     
    圖 5-2 神經元結構圖
    Fig. 5-2 Neuron structure diagram
     
    前一層與后一層的神經元之間通過權值與偏置值表現其相互關系,同一層的各個 神經元之間沒有建立直接聯系,彼此獨立。每個神經元的輸入等于前一層的神經元輸 出與各權值乘積加上偏置值的和,輸出為其代入激活函數的結果值。將激活函數值作 為后一層神經元的輸入值,往復更新,最終得到輸出層的訓練輸出值。正向傳遞結束 后,將訓練實際輸出值與預期輸出值的差和誤差精度相比較,再通過逆向反饋,采用 梯度下降算法不斷多次循環尋優權值與偏置值。
    5.1.2 BP神經網絡核心步驟
    BP 神經網絡的核心步驟[62]如下圖 5-3 所示,其中實線為正向傳遞,虛線為逆向 反饋。
    48
     
    (1) 原始數據初始化
    首先對訓練樣本數據集通過歸一化去量綱方法實現數據集預處理,接著初始化相 對應的權值3、偏置值饑與激活函數5(),最后對上述輸入數據集轉換為矩陣。
    其中,5(%)激活函數用于區分有價值數據與無價值數據,并確定該數據狀態為“激 活”或“舍棄”,實現神經元之間的非線性傳遞。激活函數選取 sigmoid 函數, sigmoid 函數的作用是將數據樣本映射成為從0 至1 的實數,其公式為:
     
    (2) 確定 BP 神經網絡結構
    根據輸入數據集的矩陣行數與列數確定BP神經網絡的層數弘、分別確定每層的 神經元數S]及訓練次數。
    (3) 正向傳遞計算
    計算隱藏層和輸出層厶2、厶3至神經元的輸入值zf、被激活后的輸出值出,公式 如下:
    5-2)
    ai = f(zi) = ^?)
    1+e S
    計算輸出層的誤差函數J(®,b;x,y),誤差函數是關于自變量、權值3仃和偏置值 時的方程函數,其公式為:
    =訓如b(X) -y-||2 (5-4)
    式中 (X)為BP神經單元的最終實際輸出值,咗為預期輸出值。
    ( 4)逆向反饋優化
    如果實際輸出與預期輸出誤差小于等于誤差精度,則結束BP神經網絡訓練。若 大于誤差精度則通過梯度下降法多次循環迭代,優化權值和偏置值,最終實現誤差函 數無限趨近于 0。
    梯度下降法中“梯度”為矢量,為函數方法在某橫坐標處的方向導數沿該方向的最 大取值。正梯度與負梯度分別對應變大最快的與變小最快的方向。梯度下降法的核心 是選取合適的下降步長,步長®公式為:
    d/(x)
    dx
    式中,n為學習率。
    對權值砒)和偏置值時求偏導,權值砒)和偏置值時的循環更新公式分別為:
    w-y =隔 +na;■皆+1) (5-6)
    時=時+耳皆+1) (5-7)
    式中,器+1)為第1+1層的第i個神經元的激活函數,出為第1層的第i個神經元 被激活后的輸出值。
    5.2 GA遺傳算法
    GA遺傳算法由美國科學家John holland在研究博弈問題時提出,是一種并行全 域迭代更新算法。全局搜索優化算法的優勢在于不受初始條件必須可微與連續的限制, 適用于非線性、多極值、求解域不明確的情形[63]。
    遺傳算法效仿大自然環境下,動物與種群之間遺傳與進化過程,參考了達爾文進 化學說中“物競天擇,適者生存”的思想和孟德爾的三大遺傳定律。遺傳算法的基本思 想是根據問題域種群中的適應度值,將求解域的每個解映射為染色體,在種群每代中 進行高質量個體選擇,交叉與變異產生一個新的近似解,以此不斷迭代尋優得出需要 解[64]。
    5.2.1 GA遺傳算法理論原理
    ( 1 )編碼
    50
     
    將問題域種群中的可能解通過二進制編碼[65],抽象為適用于遺傳算法中染色體的 形式,即將數值轉換為二進制串表達式,二進制字符串中的各個元素視為基因。編碼 時需滿足可能解與染色體一一映射的原則,那么二進制編碼串的個數需大于等于可能 數值解的個數。
    (2)適應度函數
    適應度函數F(Xi )用于量化生物個體在自然環境中的優劣程度,間接影響遺傳算法 收斂速度與優化時間。通常情況下,適應度函數由目標方法f(^)變換而成,適應度函 數值必須>0,具體轉化形式分為三種。
    1)目標方法fg)直接變換為適應度函數Fg),公式如下
     
     
     
    2)界限構造法一轉換
    f (竝)— 求目標函數最大值,f (竝)> ^min
    F(fg)) = {emax — fg),求目標函數最小值,f(Xi) < emax (5-9)
    0,其它
    式中,emin為目標函數f(Xi )的最小估算值,emax為目標函數f(竝)的最大估算值。
    3)界限構造法二轉換
    ,求目標函數最大值,egg — f(Xi) > 0 (5-10)
    ,求目標函數最小值,egua + f(Xi) > 0
    式中,egua為目標函數f(Xi)的保守估算值。
    ( 3)遺傳操作
    遺傳算法中遺傳操作包括選擇操作、復制操作與交叉操作。
    1 )選擇操作
    遺傳算法中使用“輪盤賭”思想實現從樣本群體對象中選取部分“優等”個體進行隨 后的遺傳操作而舍棄“劣等”個體。選中個體的概率與適應度函數值呈正相關關系,設 群體個數為N,個體竝的適應度函數值為F(迪),Xj F(Xj)為種群中所有染色體適應度 之和,則選中個體的概率P(xt )公式為:
    卩(心卅
    具體步驟為:
    ①計算每個子染色體的適應度值F(xJ。
    ②運算過程中,逐個統計每個染色體對象的適應度值,統計過程累計值cen和最
    終累計值 fin。
    51
    /•沅=yF(可) (5-12)
    ③通過隨機函數產生隨機值 n, 0<n<fin。
    ④選取中間累計值cen對應的首個染色體進入后續復制、交叉與變異操作。
    ⑤循環步驟③和步驟④,直至獲得足夠多的染色體滿足問題求解時退出。
    2) 復制操作
    遺傳算法中將被選擇染色體按照原基因進行復制,得到與父染色體基因型完全相 同的子染色體的操作稱為復制操作。
    3) 交叉操作
    復制不能產生新的染色體,通過交叉與變異操作能產生新的染色體,實現解空間 更新。交叉操作將染色體的部分基因互換形成兩個新的染色體對象,按照基因交換數 目與形式不同,分為單點交叉、兩點交叉、多點交叉與平均交叉四種,如圖 5-4所示。
    I染色體A 單點交叉 A' □ □□□□□□;
    |染色體B □ □:□□□□□ £□□□□□!□口 |
    | 交叉點
    |染色體A 雙點交叉 A' □ □□□□□□ 1
    |染色體B □ » £□□□□□!□口 |
    [ 交叉點1 交叉點2 I
    |染色體A □□□□□□■_ 多點交叉 A'
    |染色體B 口口 止□口口 B □□□□□□口 !
    [ 交叉點1交叉點2 交叉點3 I
    | 染色體A |~~II~~II~~I)~~II~~II~~II~~| 平均交叉 A' □ □□□■□■ 1
    |染色體B □ □□□□□□ B □□ □□□ □□ !
    I J
    圖 5-4 GA 遺傳算法交叉操作圖
    Fig. 5-4 GA genetic a1gorithm crossover operation diagram
    ①單點交叉
    單點交叉是染色體基因交叉中最為常見的一種。首先隨機選擇交叉斷點,接著將 交叉斷點左右的部分染色體互換。
    ②雙點交叉與多點交叉 雙點交叉與多點交叉是隨機選擇兩個或多個交叉斷點,對交叉斷點之間的染色體
    互相轉換而形成新的子染色體對象。
    52
    ③平均交叉
    平均交叉是多點交叉的特殊情況,交叉斷點在兩個染色體之間均勻分布而互相交 叉。
    4)變異操作
    變異操作效仿大自然中基因突變行為而引入新個體,在染色體對象二進制編碼后, 1突變為0, 0突變為1,實現染色體進化的豐富性,有助于避免遺傳算法在運算早期 陷入局部極值最優的問題。個體的適應度函數值越低,該個體變異概率越大。
    ( 4)遺傳參數
    遺傳算法的基本參數包括參與遺傳進化的種群數量P、代溝G (子代群體與上代 群體之間不相同的染色體數目)、交叉概率巴、變異概率冷、最大迭代次數與重復 試驗次數。其中,各參數建議取值范圍分別為20<P<200;不重復時G=1,有重復時 0<G<1; 60%<巴<100%; 1 %<冷<10%。
    5.2.2 GA遺傳算法運算過程
    GA遺傳算法的運算過程如下圖5-5所示,首先對問題的可行解(種群求解域) 進行二進制編碼,表示為染色體形式。接著初始父代種群并分別計算父代各染色體對 象的適應度值代表種群的優劣,通過適應函數值模擬自然界競爭中的優勝劣汰現象。 隨后進行選擇、復制、交叉、變異等遺傳操作而形成子代種群。最后根據以何種條件 結束算法及子代種群是否滿足預定指標來判斷遺傳算法是執行解碼,結束算法,還是 繼續循環上述步驟進行遺傳操作,直至找出全局最優解后退出循環。
    53
     
     
    圖 5-5 GA 遺傳算法運算過程圖
    Fig. 5-5 Operation process diagram of GA genetic algorithm
     
    5.3選煤碳排放影響因素確定
    選煤碳排放影響因素選取過少會影響碳排放預測準確度,過多會導致預測難度過 大。由于影響因素眾多、影響因素之間互為影響、部分影響因素統計數據缺失等現實 弊端,無法對每一個影響因素都納入預測范圍之內,因此需要將影響因素對碳排放的 影響強弱進行排序。輸入層神經元數由影響因素個數決定,使用 GA 遺傳算法和 BP 神經網絡對樣本集進行訓練時,當數據量和數據維度過大時,會產生“維度災難”現象 并占用大量軟硬件資源,導致訓練時間變慢。
    5.3.1 數據降維方法
    學界對數據降維采用兩種主流方法,包括主成分分析法和相關性分析法。
    ( 1 ) 主成分分析法
    主成分分析法也稱主量分析法,通過破壞數據集的原有結構,利用降維思想,將
    54
    其轉換為少數幾個關鍵指標。由于主成分分析法破壞數據的原有物理結構,并且無法 將先驗知識以參數化形式進行人工干預,本研究對其不做詳述。
    ( 2)相關性分析法 相關性分析法通過數學法則提取數據集的關鍵特征,保留重要特征而舍棄非重要 特征,實現數據降維。相關性分析法又分為線性相關性分析法和非線性相關性分析法 兩種。
    本研究針對線性相關性分析法采用主流的皮爾遜相關性分析法,針對非線性相關 性分析法采用成熟的灰色關聯度分析法。
    灰色關聯度分析法將不同系統中,隨時間變化因素的關聯性量化值定義為關聯度 [66]。灰色關聯度分析法的主要步驟包括:
    1)確定參考數列與比較數列 將體現數據集特點的序列定義為參考數列,而影響數據集特點的序列定義為比較
    數列。
    2)去量綱 由于參考數列與比較數列中各數據因素的物理意義、表示意義與量綱均不相同,
    因此在進行運算之前需進行去量綱操作,具體實現方法詳見3.3.3 小節歸一化去量綱 部分。
    3)計算灰色關聯因子
    參考數列%0與若干比較數列衍、%2……竊在某時刻的曲線間差值稱為灰色關聯因 子勺:,計算公式為:
    A(min)+pA(max) z - . -
    % = A°©)+pA 血宓) (5-13)
    式中,A(min)為二等最小差值,A(max)為二等最大差值,A0((fc)為t時刻兩數列 的絕對差值,p為關聯分析系數,0<p <1, 一般取值為0.5。
    4)計算灰色關聯度
    灰色關聯因子&o:是兩數列在不同t時刻下差值的一組數據,為方便統一比較,對 其取平均值得到灰色關聯度計算公式為:
    ^二段鮎勺的 (5-14)
    5)灰色關聯度排序 將灰色關聯度按照數值大小從大到小排序,數值越大表示比較數列對參考數列的
    影響水平與關聯水平越大。
    5.3.2 備選影響因素排序 通過文獻整理發現,針對煤化工行業、行政區域級別的碳排放影響因素研究較 多[67-69],對企業級別的碳排放影響因素研究較少。因此在研究選煤廠碳排放影響因
    55
    素時,需參考其它研究成果與選煤廠實際生產工藝流程,遵循歷史數據與未來數據 準確性、可獲取性原則,從生產、人力與經濟角度,選取7 個選煤碳排放備選影響 因素[70-71]。其中,生產影響因素包括煉焦精煤產量、洗混煤產量、煤泥產量,人力 影響因素包括全員勞動效率,經濟影響因素包括成本、加工費與材料費。
    通過灰色關聯度分析法對備選因素進行計算并排序可知煤泥產量灰色關聯度值 最大,為 0.89,成本、加工費與材料費灰色關聯度均大于 0.5,全員勞動效率、洗混 煤產量與煉焦精煤產量的灰色關聯度值相近。由灰色關聯度值印證了備選影響因素選 取的有效性,具體結果如表 5-1 所示。
    表 5-1 灰色關聯度分析法結果
    Table 5-1 Results of grey correlation analysis
    影響因素 灰色關聯度
    煤泥產量/t 0.89
    成本/(元/噸精煤) 0.61
    加工費/(元/噸原煤) 0.58
    材料費/(元/噸原煤) 0.53
    全員勞動效率/(噸/工) 0.44
    洗混煤產量/t 0.42
    煉焦精煤產量/t 0.41
     
    5.4選煤碳排放預測模型構建
    BP 神經網絡的缺點一是訓練過程中運用梯度下降法優化,導致尋優速度慢,收 斂時間長,二是權值、偏置值取值不合適極易使算法產生小范圍的最佳解,導致訓練 失敗。而 GA 遺傳算法的優點在于通過變異操作,避免算法只得出小范圍的最佳解; 通過隨機概率操作,提高了算法收斂速度,縮短了算法運算時間[72]。
    因此,本研究引入GA遺傳算法的優點來彌補BP神經網絡的缺點,構建了基于 GA-BP 的選煤碳排放預測模型,主要步驟包括首先確定 BP 神經網絡結構,即輸入 層、隱藏層、輸出層層數與每層神經元數目,接著將BP神經網絡的初始權值及偏置 值作為初始參數傳入GA遺傳算法,將BP神經網絡的訓練實際輸出值與預期輸出值 的差傳入 GA 遺傳算法的適應度函數,最后循環迭代得出的最優權值與偏置值回代 BP神經網絡得出最終的預測結果[73]。
    5.4.1 網絡結構設計
    (1)輸入層、隱藏層和輸出層層數
    56
    GA-BP神經網絡在構建初期首先需明確輸入層、隱藏層和輸出層的層數與各層的 神經元數目。由BP神經網絡結構定義可知,輸入層與輸出層的層數由定義預先確定, 均默認為一層。
    理論上隱藏層的層數越多, BP 神經網絡的非線性回歸效果越好,但實際運用效 果表明,隱藏層的層數過多會發生過度擬合現象。同時層數選取越多,會延長迭代時 間,收斂越困難[74]。參考其它學者在碳排放預測時BP神經網絡的隱藏層的層數均為 1,且單層隱藏層的淺層神經網絡便可實現多維有限空間到多維有限空間的連續映射, 故本研究亦選取隱藏層的層數為 1 層。
    (2)輸入層、隱藏層和輸出層各層的神經元數
    輸入層神經元數目為 7,即 7 個碳排放影響因素,輸出層神經元數目為 1,即碳 排放量。
    隱藏層神經元數取值偏小時,無法完成復雜關系的非線性映射,取值偏大可能導 致訓練迭代時間過長。隱藏層神經元數目可通過實驗法與計算法得到最適值。實驗法 指在其它條件不變的情況下,經過不斷改變隱藏層神經元數目,選取擬合結果標準差 最小時的神經元個數。計算法通過輸入層與輸出層的神經元數目運算得出隱藏層神經 元數目S2,公式為:
    S2 = V (Si + S3)+ O (5-15)
    式中,Si、S3分別為輸入層和輸出層神經元數目,可選取1-10之間的任意整數。
    將輸入層神經元數Si = 7、輸出層神經元數S3 = 1代入公式可得,隱藏層神經元數 宜在 4-13 之間取值。接著在保證測試樣本、訓練次數等其它條件均相同的情況下, 通過設置隱藏層神經元數從4到13進行多次實驗,得出隱藏層神經元數為 9時,該 GA-BP神經網絡的絕對誤差值最小,為0.061,實驗結果如表5-2所示。
    57
     
    表 5-2 隱藏層不同節點數絕對誤差
    Table 5-2 Absolute error of different nodes in hidden layer
    隱藏層神經元數 絕對誤差
    4 0.086
    5 0.078
    6 0.076
    7 0.069
    8 0.064
    9 0.061
    10 0.066
    11 0.063
    12 0.067
    13 0.066
     
    綜上得出基于 GA-BP 的選煤碳排放核算預測模型結構為三層淺層神經網絡,輸
    入層神經元數目為7,隱藏層神經元數目為9,輸出層神經元數目為1, GA-BP神經
    網絡結構如圖5-6所示。
    煉焦清煤/t 洗溫煤/t 煤泥/t 全員勞動效率/% 成本/{元/噸楕) 加工費/(元/噸原)
    圖 5-6 GA-BP 神經網絡結構
    Fig. 5-6 GA-BP neural network structure
    5.4.2 初始化參數設計
    ( 1 )交叉概率、變異概率設計
    交叉概率巴設計取值偏小會導致迭代速率偏慢,取值偏大導致適應度函數值大的 個體被錯誤舍棄。變異概率冷設計取值偏小導致不易產生新的子代個體,取值偏大會 使遺傳算法通過任意搜索的方式進行迭代計算。交叉概率與變異概率的公認初始取值
    58
    范圍分別為 60%<PC<100%, 1%<Pm<10%o
    高于平均適應度函數值的對象交叉概率、變異概率低,對象被保留;而低于平均 適應度函數值的對象交叉概率與變異概率高,對象被舍棄。因此,根據適應度函數平 均值計算出最優的自適應交叉概率PC為0.66與變異概率Pm為0.01,公式為:
    皿如,C - ave (5-16)
    ^2, Fc
    (
    k3 (Fmax—Fm) Fmax-Fa”e,m- (5-17)
    ^4, Fm V Fave
    式中,ki、處、他、短為比例系數;Fmax為適應度函數最大值,Fave為適應度函數 平均值;Fc為交叉個體的適應度函數值,Fm為變異個體的適應度函數值。
    ( 2)其它初始化參數設計
    學習率小訓練次數與迭代優化次數等其它初始化參數采用多次實驗法試錯,在 保證其余參數不變的條件下,以每次試驗誤差值與訓練時間為標準進行參數選擇并初 始化。
    學習率步長初始賦值偏小會增加循環次數,延長模型運行時間,步長取值偏大會 導致局部來回震蕩,直至沒有完全收斂而結束。學習率n為0.4時,誤差值最小為0.056, 具體結果如表5-3所示。
    表 5-3 不同學習率誤差
    Table 5-3 Error of different learning rate
    學習率n 、口 Air 誤差
    0.2 0.058
    0.4 0.056
    0.6 0.061
    0.8 0.066
    訓練次數越大對應的誤差值越小,但訓練次數過大時影響算法收斂時間,當訓練 次數為 120 時,誤差值為 0.071,此后隨著訓練次數繼續增大,誤差值趨于平穩,具 體結果如表5-4所示。
    59
     
    表 5-4 不同訓練次數率誤差
    Table 5-4 Rate error of different training times
    訓練次數 、口 Air 誤差
    20 0.097
    40 0.093
    60 0.083
    80 0.081
    100 0.075
    120 0.071
    140 0.070
    160 0.070
    180 0.069
    200 0.070
    400 0.068
    600 0.069
    800 0.068
    1000 0.066
     
    迭代優化次數為100時,算法訓練時間最短,隨后逐漸趨于平穩,具體結果如表
    5-5 所示。
    表 5-5 不同迭代優化次數的訓練時間
    Table 5-5 Training time of different iterative optimization times
    迭代優化次數 訓練時間/s
    20 0.071
    40 0.64
    60 0.53
    80 0.44
    100 0.4
    120 0.41
    140 0.4
    160 0.39
    180 0.4
    200 0.4
     
    最終,基于GA-BP的選煤碳排放預測神經網絡各參數如表5-6所示。
    60
     
    表 5-6 選煤碳排放預測神經網絡參數
    Table 5-6 Carbon emission prediction neural network parameters
    參數名稱 參數值
    網絡層數 3
    輸入層神經元數 7
    隱藏層神經元數 9
    輸出層神經元數 1
    學習率 0.4
    交叉概率 0.66
    變異概率 0.01
    訓練次數 120
    迭代優化次數 100
     
    5.5選煤碳排放預測實證研究
    將太原選煤廠2012年1月至2019年12月8年的96組數據作為訓練數據集,部 分數據如表5-7所示。將2020年1月至2021年12月的24組數據作為測試數據集, 部分數據如表5-8所示。
    表 5-7 訓練樣本數據集
    Table 5-7 Training sample data set
    日期 煉焦精煤
    /t 洗混煤
    /t 煤泥/t 全員勞動效率
    /(噸/工) 成本
    /(元/噸精) 加工費
    /(元/噸原) 材料費
    /(元/噸原) 碳排放
    /tCO2e
    2012-01 162878 41205 14976 9.18 737.85 61.61 6.33 3536.4
    2012-02 142090 43616 15520 11.67 776.87 68.15 2.42 4748.8
    2012-03 167982 4710 9977 10.15 787.34 74.11 8.39 3733.0
    2012-04 168921 34036 15034 9.54 705.31 86.15 12.45 4239.1
    2012-05 130902 43662 19996 10.89 771.18 73.58 7.02 3503.3
    2012-06 168921 40494 11153 11.52 748.3 122.68 8.34 7362.2
    2019-07 139802 42186 18377 10.26 762.19 54.27 12 2722.7
    2019-08 145621 45946 13647 9.73 726.26 79.59 12.63 3752.6
    2019-09 142682 41842 11244 10.07 744.44 77.92 13.17 3674.4
    2019-10 128792 44029 9553 11.75 724.87 94.88 12.64 3757.9
     
    61
     
    續表 5-7 訓練樣本數據集
    Table 5-7 Training sample data set (Continued)
    日期 煉焦精煤
    /t 洗混煤
    /t 煤泥/t 全員勞動效率
    /(噸/工) 成本
    /(元/噸精) 加工費
    /(元/噸原) 材料費
    /(元/噸原) 碳排放
    /tCO2e
    2019-11 187823 33346 10784 10.24 756.34 60.92 21.39 3460.5
    2019-12 167529 44638 11419 10.12 867.04 92.59 12.13 3683.7
     
    表 5-8 測試樣本數據集
    Table 5-8 Test sample data set
    日期 煉焦精煤/t 洗混煤/t 煤泥/t 全員勞動效率
    /(噸/工) 成本
    /(元/噸
    精) 加工費
    /(元/噸
    原) 材料費
    /(元/噸
    原) 碳排放
    /tCO2e
    2020-01 167221 42859 18890 11.09 697.84 63.52 4.07 3506
    2020-02 148021 39516 12396 9.43 706.64 60.1 6.83 3868.8
    2020-03 138902 52681 19247 9.81 753.92 57.49 4.27 2827.6
    2020-04 167923 48136 15808 7.38 578.89 73.77 11.62 3048
    2020-05 172372 62488 20043 5.68 512.18 85.13 15.23 2679.9
    2020-06 162502 33684 17812 6.43 594.22 127.58 22.20 2562.1
    2021-07 165384 66827 8667 11.25 802.98 79.68 13.31 3701.8
    2021-08 122648 67892 10150 11.5 918.1 70.2 5.57 3692
    2021-09 177673 53517 15595 11.32 1149.3 87.7 12.63 3343.6
    2021-10 179393 61810 14711 15.35 1166.95 119.77 4.72 3475.8
    2021-11 134984 40487 19379 9.54 1284.3 81.57 8.44 3269.9
    2021-12 184669 56290 9964 13.4 936.02 72.88 15.74 3189.6
    將 96 組訓練數據集中的煉焦精煤產量、洗混煤產量、煤泥產量、全員勞動效率、 成本、加工費與材料費7個碳排放影響因素輸入GA-BP神經網絡預測模型進行訓練。 由于數據的單位、量綱不相同,輸入數據需通過 3.3.3 小節介紹的選煤信息管理系統 中Z標準化方法,將數據集變為無量綱數。
    模型訓練完成后,再將24組測試數據集的 7個影響因素作為輸入數據代入模型, 測試模型的預測準確性,測試結果如表5-9所示。
    62
    表 5-9 GA-BP 模型預測結果
    Table 5-9 Prediction results of GA-BP model
    月份 實際碳排放/tCO2e 預測碳排放/tCO2e 絕對誤差/ tCO2e 相對誤差
    2020-01 3506.0 3447.8 -58.2 -1.66%
    2020-02 3868.8 3950.4 81.6 2.11%
    2020-03 2827.6 2792.0 -35.6 -1.26%
    2020-04 3048.0 3002.0 -46.0 -1.51%
    2020-05 2679.9 2759.8 79.9 2.98%
    2020-06 2562.1 2586.7 24.6 0.96%
    2021-07 3701.8 3619.6 -82.2 -2.22%
    2021-08 3692.0 3713.4 21.4 0.58%
    2021-09 3343.6 3303.8 -39.8 -1.19%
    2021-10 3475.8 3526.5 50.7 1.46%
    2021-11 3269.9 3252.9 -17.0 -0.52%
    2021-12 3189.6 3252.1 62.5 1.96%
     
    為了證明經遺傳算法改進的 BP 神經網絡預測模型的擬合性,將上述同樣的訓練
    數據集與測試數據集代入傳統BP神經網絡,測試結果如表5-10所示。
    表 5-10 BP 模型預測結果
    Table 5-10 Prediction results of BP model
    月份 實際碳排放/tCO2e 預測碳排放/tCO2e 絕對誤差/ tCO2e 相對誤差
    2020-01 3506.0 3352.8 153.2 4.37%
    2020-02 3868.8 3669.2 199.6 5.16%
    2020-03 2827.6 3059.7 -232.1 -8.21%
    2020-04 3048.0 2824.6 223.4 7.33%
    2020-05 2679.9 2719.8 -39.9 -1.49%
    2020-06 2562.1 2682.3 -120.2 -4.69%
    2021-07 3701.8 3549.7 152.1 4.11%
    2021-08 3692.0 3545.8 146.2 3.96%
    2021-09 3343.6 3528.5 -184.9 -5.53%
    2021-10 3475.8 3236.7 239.1 6.88%
    2021-11 3269.9 3505.0 -235.1 -7.19%
     
    63
    續表5-10 BP模型預測結果
    Table 5-10 Prediction results of BP model (Continued)
    月份 實際碳排放/tCO2e 預測碳排放/tCO2e 絕對誤差/ tCOze 相對誤差
    2021-12 3189.6 3366.9 -177.3 -5.56%
    表5-9與表5-10結果表明,基于GA-BP的碳排放預測模型相對誤差均小于3%, 平均相對誤差為1.28%o而相同數據集、相同模型參數情況下,傳統BP神經網絡模 型的碳排放預測值相對誤差最大值為 8.21%,平均相對誤差為 5.52%,因此, GA-BP 模型相比于傳統BP神經網絡預測模型預測結果更精準,具有更好的擬合與預測效果。
    選煤碳排放核算階段,碳排放活動基礎數據包括煤油、柴油、水資源與電資源等 能源消耗量,這些數據來源均為實際消耗后統計所得,多不具備可預測性。選煤碳排 放預測階段,遵循數據未來可獲取性原則,從生產、人力與經濟角度選取了7個影響 因素,均可在相關文件中得到其未來計劃值。《太原選煤廠2022年奮斗目標及產量 建議安排表》明確設定了該廠 2022 年全年生產計劃、數質量計劃與采購計劃等相關 信息,以此為依據搜集得到7個影響因素的2022年計劃值,如表5-11所示。
    表5-11 2022年影響因素計劃值
    Table 5-11 2022 planned impact factors
    年份 煉焦精煤
    /萬噸 洗混煤
    /萬噸 煤泥
    /萬噸 全員勞動效率
    /(噸/工) 成本
    /(元/噸精) 加工費
    /(元/噸原) 材料費
    /(元/噸原)
    2022 195 56.9 14.9 12.7 790.71 81.5 11.5
    將 2022 年各影響因素計劃值代入訓練好的基于 GA-BP 的選煤碳排放預測模型 中,得到太原選煤廠 2022 年碳排放量預測值為 38149.5 tCO2eo
    64
    5.6 本章小結
    (1) 介紹了 BP神經網絡的相關概念,論述了其包含輸入層、隱藏層與輸出層在 內的網絡結構,論述了其正向傳遞與逆向反饋的核心步驟。介紹了 GA遺傳算法的基 本內涵、相關理論原理與運算過程。通過對兩項基礎算法的深入研究,為本論文合理 構建與優化預測模型奠定了扎實的理論基礎。
    (2) 選擇合理的選煤碳排放影響因素是預測模型是否準確的關鍵步驟,參考其它 學者的最新研究成果,從生產、人力與經濟角度選取企業級選煤碳排放影響因素。接 著介紹了數據降維的主要方法,論述了其中相對成熟的灰色關聯度分析法的主要步驟。 最后,對煉焦精煤產量、洗混煤產量、煤泥產量、全員勞動效率、成本、加工費與材 料費的灰色關聯度的數值進行由大到小排序。
    (3) 引入遺傳算法中的相關變異操作替代BP神經網絡中的梯度下降法優化權值 與偏置值,設計GA-BP神經網絡的分層結構與交叉概率、變異概率等初始化參數, 最終構建了基于GA-BP的選煤碳排放預測模型。
    ( 4 )以太原選煤廠2012年至2021 年10年的月度樣本集作為訓練集與驗證集, 分別代入傳統BP神經網絡與優化后的GA-BP神經網絡。結果表明,優化后的選煤 碳排放預測模型的相對誤差均小于3%,平均相對誤差為1.28%,均小于傳統BP神 經網絡預測模型。因此基于GA-BP的選煤碳排放預測模型預測結果更精準,具有更 好的擬合與預測效果。
    (5)將7個影響因素2022年計劃值代入基于GA-BP的選煤碳排放預測模型中, 得到太原選煤廠2022年碳排放量預測值為38149.5 tCO2e。
    65
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
    66
     
     
    第 6 章 選煤信息管理系統實現與應用
    6.1 選煤信息管理系統 Web 端實現與應用
    6.1.1 系統 Web 端登錄
    選煤信息管理系統統一門戶認證功能采用 OAuth 與 SAML 協議,實現不同業務 部門頁面統一集成,便于集中管理。通過單點登錄功能實現一次登錄便可按預先分配 權限訪問選煤信息管理系統的不同集成頁面,無需多次重復登錄。
    系統 Web 端登錄頁面實現用戶登錄功能,用戶通過輸入預分配的個人賬號與個 人密碼,點擊登錄按鈕后,即可進入系統主界面,同時系統使用人員可在常用終端上 勾選記住用戶名選項,實現下次登陸時自動填充用戶名與密碼,提高了用戶的使用便
    捷性與可交互性,登錄頁面如圖 6-1 所示。
     
    圖 6-1 Web 端登錄頁面
    Fig. 6-1 Web terminal login page
     
    67
    6.1.2 系統 Web 端主頁
    點擊用戶登錄后進入選煤信息管理系統主頁面,主頁界面分為四部分,包括上側 用戶名顯示區域、左側日期時間及天氣顯示區域、右側各功能模塊 APP 圖標顯示區 域與下側全屏/退出功能點擊區域,如圖6-2所示。
     
    圖 6-2 Web 端主頁
    Fig. 6-2 Web terminal homepage
     
    6.1.3系統 Web 端數據管理
    數據管理通過數據集合管理與對象實例管理兩部分實現了選煤生產相關數據對 象化建模與對象化存儲,方便使用人員通過可視化頁面對數據集進行日常維護。
    (1)數據集合管理
    數據集合管理用于自定義復雜數據結構,每一行對應一個對象數據集,每一個字 段表示一個特定存儲變量。數據集合管理包括基礎信息與字段定義兩個子頁面。基礎 信息子頁面中需要定義的信息包括數據集合的英文名稱、中文描述與該數據集合所屬 的功能模塊 APP 名稱。字段定義子頁面中需要定義每一行字段的名稱、描述、字段 類型、字段長度與默認值。
    以生產管理技術指標的數據集合管理為例,共包括ID、填報選煤廠ID、填報選 煤廠名稱、入洗率、能力利用率與數量效率等字段定義信息,如圖6-3 所示。
    68
     
    ( 2)對象實例管理
    對象實例管理用于表示具有業務聯系的主體在生命周期內的數據信息模型,對象 實例管理具有基礎描述信息、屬性、服務管理三個子頁面。其中作為核心的服務管理 子頁面包括服務名稱、服務描述、服務的輸入與輸出(輸入與輸出的名稱、類型、描
    述與是否必填項)與管理數據庫的 SQL 代碼調試區域。
    以電耗月度累計值的對象實例管理為例,相關服務定義信息與SQL代碼如圖6-4 所示。
    6 sql - sal* * a2 wtier* al.scglJs:N)»te >* u.$cglHzboat«)/{select su«(»3.scguszb i . H(sejtUiiliDate){
    and scglJulAau like •S"tseglHibO«t."*'-
    圖6-4 Web端對象實例管理
    Fig. 6-4 Web terminal object instance management
    6.1.4系統 Web 端報表結算
    通過人工填報數據或從其它數據庫中接入、轉儲數據兩種方式獲得相關數據并轉
    69 儲到選煤信息管理系統數據庫中,報表結算模塊自動讀取相關數據形成月度、年度報 表并對異常數據進行報警提醒。
    以月經濟技術指標報表為例,每張報表包含添加、修改和展示三個子頁面。用戶 點擊右上角指標填報按鈕,跳轉到數據填報頁面,輸入完成后點擊確定則返回該數據 查詢頁面,點擊右側操作欄中修改按鈕跳轉到數據修改頁面,點擊刪除按鈕實現刪除 當前行記錄。通過點擊并選擇頁面上側查詢起始日期下拉框,實現快速查詢任意時間 段內的相關數據,如圖 6-5 所示。
     
    圖 6-5 Web 端報表結算
    Fig. 6-5 Web terminal report settlement
     
    6.1.5 系統 Web 端智慧大屏看板
    智慧大屏看板左上部區域以柱狀圖形式顯示選煤廠月度四耗數據,通過點擊下方 圖例文字可展示單項指標月度數據或同時顯示電耗、油耗、介耗與水耗的月度數據。 通過點擊橫坐標月份標簽,選擇查詢起始月份與結束月份可實現一張圖展示不同月份 的四耗數據。看板左中部區域以折線圖形式顯示不同月份的原料煤的平均灰分、水分、 硫分與熱量等質量數據。看板左下部區域顯示洗水濃度與噸煤水耗的具體數值并自動 判斷并顯示出當前洗水閉路循環等級。
    看板中部上區域展現選煤廠集控車間的 ifix 集控系統,實現遠程調用與查看。看 板中下部區域實現生產監控視頻集成與切換,方便調度人員能快速、實時了解選煤生 產車間現場情況。
    看板右部區域由上向下依次自動滾動刷新三違信息、隱患排查和風險管控制度的 標題與內容等信息。
    智慧大屏看板真正實現用戶與選煤數據的可視化實時交互,具體界面如圖 6-6 所
    70
     
    示。
     
    圖 6-6 Web 端智慧大屏
    Fig. 6-6 Web terminal smart large screen
     
    6.2 選煤信息管理系統移動端實現與應用
    6.2.1 系統移動端登錄
    用戶使用移動設備首次登錄時自動彈出登錄界面,輸入賬號及密碼后提示登錄成 功,下次使用該設備登錄無需再次重復輸入。其中,移動端管理員登錄用戶名密碼與 Web 端一致,具體移動端登錄頁面如圖6-7所示。
    71
    中 IB移動 簽 46% Q 9:13
    e
    a
    山西焦isim有眼責任公司
    SHANXI COKING COAL GROUP CO.,LTD.
    凹礙錮魄謝0息管固爲侃
    賬號
    admin
    密碼
    登錄
    <00
    圖 6-7 移動端登錄頁面
    Fig. 6-7 Mobile terminal login page
    6.2.2 系統移動端主頁
    選煤信息管理系統移動端主頁界面由上而下分為三部分,分別包括頂部工作流狀 態欄、中部應用欄與底部導航欄。工作流狀態欄可將 Web 端工作流的新建、待辦、 已辦和歷史記錄同步至移動端,實現 Web 端移動化。中部應用欄包括監控畫面、過 程報警、趨勢圖、公告等基礎應用與質量管理、計劃管理、生產管理等業務應用,輕 觸相關應用圖標可自動跳轉相對應頁面。底部導航欄包括工作臺、消息、組織與賬戶 四大功能項。移動端主頁如圖 6-8 所示。
    72
     
    中四移金 46%WEJ9:14
    艇SB魏號 全部應用
    ©Writ 山待辦 3己辦 ①歷史
    基礎應用
    O Q Q
    監控畫而 過程報2? 視頻監控
    O
    生產報表 公吿
    應用
    O
    質臼管理 駕駛胎 計劃骨理 生產管理
    H
    安全tin 環保er理
    工作白
    <] O □
     
    圖 6-8 移動端主頁
    Fig. 6-8 Home page of mobile terminal
    6.2.3 系統移動端應用
    以生產管理應用為例,輕觸移動端主頁面的生產管理圖標,自動跳轉到其二級子
    頁面。移動端生產管理應用包括生產檢修時間、生產設備監視與生產指標監控三個二
    級子頁面,如圖 6-9 所示。
    中03移動B3".誠金 45%»J 9:15
    < 生產管理
     
    生產檢修時間(... 生產設備監視(...
     
     
     
    生產指標監控(…
     
    圖 6-9 移動端生產管理
    Fig. 6-9 Mobile terminal production management
    73
     
    以生產監控指標子頁面為例,輕觸跳轉到頁面詳情。生產監控指標子頁面包括上 側基礎信息與下側詳情信息。基礎信息顯示系統移動端所在城市的天氣、溫度、日期 與時間等信息。月度生產技術指標統計表自動匯總與顯示不同選煤廠的能力利用率、 數量效率、材料費等相關字段信息。月度生產指標統計圖以柱狀圖的形式顯示選煤廠 的精煤產量、中煤產量與煤泥產量。移動端詳情頁面可進行放大、縮小、移動頁面位 置與切換橫/豎屏等操作,觸摸屏幕任意位置可顯示頁面標題與詳情信息,如圖 6-10 所示。
     
    月度生產技術指標統計表
    WUiAHK
    62.45
     
    圖 6-10 移動端生產監控指標
    Fig. 6-10 Production monitoring index of mobile terminal
    6.3選煤信息管理系統碳排放核算與預測實現與應用
    6.3.1選煤碳排放核算實現與應用 選煤信息管理系統開發了選煤碳排放核算填報與選煤碳排放核算分析兩個功能
    項。
    (1)選煤碳排放核算填報 選煤碳排放核算時的基礎能源消耗數據可通過兩種方式獲取并存儲,其一是通過
    ESB 企業服務總線讀取并同步相關信息系統數據庫中已有的能耗數據,其二是在填 報頁面進行人工手動錄入。
    74
     
    進入選煤碳排放核算填報界面,系統自動獲取登陸賬號的所屬選煤廠名稱,接著 以下拉框形式選擇數據填報年份與月份,接著輸入柴油、煤油、水資源與電資源等活 動水平數據,點擊確定便可實現保存,詳細情況如圖6-11所示。
     
    圖 6-11 選煤碳排放核算填報
    Fig. 6-11 Coal preparation carbon emission accounting filling
    ( 2 )選煤碳排放核算分析
    選煤碳排放核算分析頁面實現以可視化圖表的形式實時、可交互的展現相關碳排 放分析數據。界面上部區域通過選擇起始年份/月份與結束年份/月份,以折線圖形式 自動展現碳排放量的數值變化趨勢。界面左下部區域以餅狀圖形式展現年度/月度碳 排放占比分析與具體相關占比數值。界面右下部區域將數據庫中存儲的的能源消耗數 據經后臺自動核算,形成各能源的年度/月度碳排放清單,詳細情況如圖 6-12 所示。
     
    圖 6-12 選煤碳排放核算分析
    Fig. 6-12 Accounting analysis of carbon emission from coal preparation
    75
     
    選煤碳排放核算分析功能在保證基礎能源數據準確性的前提下,省去了大量碳排 放計算的人工工作量。同時,將數據以可視化圖表的形式直觀展現,更提高了選煤碳 排放管理人員的管理與決策效率。
    6.3.2選煤碳排放預測實現與應用
    選煤信息管理系統開發了選煤碳排放預測樣本集管理、實驗管理與結果分析三大 功能項。
    (1)樣本集管理
    樣本集管理可通過兩種方式獲取數據,其一是通過讀取并同步選煤信息管理系統 數據庫中相關碳排放能源消耗數據,其二是通過上傳.txt/.csv/.xlsx等格式的能源消耗 數據統計文件至樣本集中。
    樣本集管理分為基礎信息、表結構和樣例數據三個子頁面。基礎信息子頁面展示 樣本集名稱與樣本集描述。表結構子頁面可根據讀取或上傳的相關數據自動為字段分 配相關數據類型,如年份數據類型為Integer,月份數據類型為String,煉焦精煤產量、 洗混煤產量、煤泥產量、全員勞動效率、成本、加工費與材料費與碳排放數據類型為 Double,同時可手動修改自動匹配數據類型不符的相關字段,詳細情況如圖6-13所 示。
     
    曲軸稱 可亠 操作
    7 林集 2022-04-29 16:20:34 2022-04-29 16:20:34 u
    信息 薛構 樣傍確
    圖 6-13 選煤碳排放預測樣本集表結構
    Fig. 6-13 Table structure of coal preparation carbon emission prediction sample set
    76
     
    樣例數據子頁面提供自動分頁功能,每頁可展示100 條數據集數據,詳細情況如 圖 6-14 所示。
     
     
    圖 6-14 選煤碳排放預測樣本集樣例數據
    Fig. 6-14 Sample data of coal preparation carbon emission prediction sample set
    (2)實驗管理 實驗管理通過可視化組態形式構建相關實驗模型,實驗管理功能項的主要操作步 驟包括數據集接入、數據預處理、模型訓練與測試、模型絕對誤差與相對誤差評估。 實驗管理組件包括數據輸入/輸出、數據預處理、特征工程、模型算法與模型評估,詳 細情況如圖 6-15 所示。
     
     
    圖 6-15 選煤碳排放預測實驗管理
    Fig. 6-15 Experimental management of coal preparation carbon emission prediction
    77
    (3)結果分析
    1 )選煤碳排放預測影響因素結果分析
    根據 3.2.4 節中論述的皮爾遜相關性分析方法,選取 2012-2021 年 120 組月度數 據集中的煉焦精煤產量、洗混煤產量、煤泥產量、全員勞動效率、成本、加工費、材 料費與碳排放量作為輸入數據,代入皮爾遜相關性分析程序,得到的實驗結果如圖 6- 16所示。
     
     
    圖 6-16 皮爾遜相關系數矩陣結果
    Fig. 6-16 Pearson correlation coefficient matrix results
    由 3.2.4 節中公式(3-3)可知,碳排放與煤泥產量相關系數大于 0.8,屬于高度相 關;碳排放與成本、加工費、材料費相關系數大于 0.5,屬于中度相關;碳排放與全 員勞動效率、煉焦精煤產量、洗混煤產量相關系數大于 0.3,屬于輕度相關。因此, 7 個備選影響因素與碳排放量相關關系均大于 0.3,均應納入選煤碳排放影響因素之 列。
    2)權值與偏置值更新分析
    將遺傳算法中的相關遺傳操作引入 BP 神經網絡,以代替原有通過梯度下降法對 權值與偏置值進行迭代更新。系統自動記錄每次循環迭代時,輸入層與隱藏層、隱藏 層與輸出層的權值與偏置值更新矩陣,幫助判斷相關參數設置偏大或偏小,詳細情況 如圖 6-17 所示。
    78
     
    GA-BR選舷排還測鯉 < 謔信息
    I険層> 埼出層矩陣
    6Jfi= 陰航點1
    點 3
    點 5 爍諫煤/t 妁XSU點1 瞬t 輸ABU點 4 點 5 加工劃園稠
    點6 imw(7c/iFa^}
    0.09019638332073264 0,04470566564162797 -0,8148809389346198 -0,3850035103053012 031606362544431726 0,12791900775393614 -0.05794349806028023 0.1263986728206S27B
    0.08890991913259391 0,04394424776116912 -0.8101575648455338 -0,3829904359962649 0,31406699939875277 0,12699111112033545 -0.05772521&45274544 0.12474332323583144
    -0,05398158096870458 -0.026972269283761636 0.6W443287975494 0.31659474251515446 -0,2536442392154953 -fl.09830227519532969 0.04975548430058912 -0,08189223004891485
    -0,05324220515599364 -0.026692558425937275 0.6580762464765185 031540504420249293 -02529173249041562 -0,097998250225465 0.04953491440454381 -0,08085834479588558
    0,0945150353889352 0,04704303770139427 -0.8330014442578781 -0,39289391244712296 0,32320095504096097 0,13115142358999965 -0,058967761003508146 0.13199165360496035
    點 6 -0.054993321657770856 -0.027400256326244935 0.664404499155321 031825568034829894 -0.25524428449640413 -0.09898670733482035 0.049846153992212185 -0.0826037836280737
    0.09171622121048995 0.04558324S43385354 -0,821074159016113 -0.38760334773151184 031900565847706924 0,1293279246809241 -0.058160738695418254 0.1282483774228682
    -0.051998177381515506 -0.026042173899443376 0.6509468890815261 03121425118076304 -0,24979521092730744 -C.09&44770173857975 0.049167010345207145 -0.07910399949742143
    0.09137883510437249 0.0452503370902226 -0.818677300298214 -0.3866299133509051 0.31755305448078425 0.12&46060300083378 -0.05832282913337333 0.12762523375157395
     
    圖 6-17 權值與偏置值更新分析
    Fig. 6-17 Update analysis of weight and offset values
    3)GA-BP選煤碳排放預測模型誤差評估分析
    將太原選煤廠 2012年 1月至 2019年 12月 8年的 96組數據作為訓練數據集,將 2020年 1月至 2021年 12月的 24組數據作為測試數據集。將煉焦精煤產量、洗混煤 產量、煤泥產量、全員勞動效率、成本、加工費與材料費作為輸入層神經元,將碳排 放量作為輸出層神經元代入 GA-BP 選煤碳排放預測模型,得到的預測模型誤差評估 結果如圖 6-18 所示。
     
     
    圖 6-18 GA-BP 選煤碳排放預測模型誤差評估
    Fig. 6-18 Error evaluation of GA-BP coal preparation carbon emission prediction model
    由誤差評估結果分析可知基于 GA-BP 模型的選煤碳排放預測模型平均絕對誤差
    為35.9,相對誤差均小于 3%,平均相對誤差為 1.28%,具有較好的擬合與預測效果。
    79
    4) GA-BP選煤碳排放預測模型誤差圖分析 將誤差評估表格轉換為誤差擬合折線圖,藍色圓點代表真實值,紅色圓點表示預 測值,從擬合折線圖中可以明顯看出,真實值與預測值波動范圍與波動幅度近似相同, 基于GA-BP的選煤碳排放預測模型預測效果得到了驗證,得到的誤差擬合圖如圖6- 19 所示。
     
    圖 6-19 GA-BP 選煤碳排放預測模型誤差擬合圖
    Fig. 6-19 Error fitting diagram of GA-BP coal preparation carbon emission prediction model
     
    6.4 本章小結
    (1) 介紹了選煤信息管理系統Web端登錄、主頁、數據管理、報表結算、智慧 大屏看板五大功能與選煤信息管理系統移動端登陸、主頁與應用的實現過程、相關操 作與主要界面。
    (2) 論述了使用選煤信息管理系統實現了選煤碳排放核算填報與分析功能,使用 選煤信息管理系統實現了碳排放預測的樣本集、實驗管理、結果分析三大功能項,并 將核算分析與預測結果以可視化圖表的形式直觀展現,極大提高了碳排放管理人員的 管理與決策效率。
    80
    第 7 章 結論與展望
    7.1 結論
    選煤廠生產工藝繁復,加工流程復雜,因而產生大量的選煤數據,如何高效利用 選煤數據,將彼此獨立的“選煤數據孤島”連接形成“選煤大數據湖”,成為選煤廠急需 解決的痛點難題。選煤廠實現 “雙碳”目標的基礎性工作就是對碳排放量進行精確核 算,幫助選煤廠了解自身的碳排放情況。通過選煤信息管理系統的建設,將海量多源 的能源消耗時序性數據存儲在系統數據庫中。在此基礎上,結合碳排放相關理論與現 場實際情況,研究并實現了基于全生命周期評價的選煤碳排放核算模型。
    我國目前尚處于“雙碳”目標的起步階段,在準確核算選煤碳排放量基礎之上,需 要以 2030 年的碳排放峰值為目標,倒排未來年度碳排放量計劃量。因此,如何精確 預測 2030 年的碳排放量峰值,如何預測未來年度碳排放量成為又一研究重點。本研 究采取目前學界運用最成熟的BP神經網絡作為基礎預測模型,又引入GA遺傳算法 模型克服了 BP神經網絡的弊端,從而構建了基于GA-BP的選煤碳排放預測模型。
    本研究以山西焦煤集團太原選煤廠為研究對象,通過現場調研與理論學習,設計 并開發了選煤信息管理系統,并對其碳排放進行了核算與分析,相關研究結論如下:
    (1) 設計了選煤信息管理系統的總體架構包括數據獲取層、設施支持層、技術應 用層和功能實現層,業務模塊包括選煤基礎信息管理、選煤生產管理、選煤質量管理、 選煤設備管理與選煤環保管理。進而提出了選煤信息管理系統的網絡拓撲設計、運行 環境設計與數據庫設計等具體方案。研究并設計了包含企業服務總線和主數據管理系 統在內的數據集成技術,包含角色設定、樣本集拆分、歸一化去量綱和皮爾遜相關性 分析在內的數據處理技術,基于 Echarts 的數據可視化技術,最終實現了選煤數據從 產生到消亡的全生命周期管理。
    (2) 選煤信息管理系統已在山西焦煤集團一級洗選加工部、二級西山煤電和三級 太原選煤廠部署應用。系統工業運行效果表明,系統滿足了現有數據集成、未來數據 接入的規范要求,達到了海量選煤數據從采集到展示全鏈路高效處理的目標。系統降 低了選煤數據使用成本和調度崗位工作強度,提高了數據產出速度與數據治理效率, 真正聯通“選煤數據孤島”,成為“選煤大數據湖”。系統有效促進選煤廠實現數據專業 化、透明化、精細化管理,有助于選煤廠掌握數據資產狀態,為選煤智能化發展提供 數據支撐。
    (3) 研究了選煤廠碳排放核算邊界應囊括煤炭產品全鏈路的碳排放活動,采用全 生命周期評價方法將選煤廠碳排放邊界科學劃分為組織邊界、運行邊界、會計基準年
    81 三種形式。將選煤廠組織邊界確定為選煤廠各生產與職能部門本身,將選煤廠運行邊 界分為直接碳排放(生產過程碳排放)、間接能源碳排放(外購電力與外購水資源碳 排放)及間接其它碳排放(交通運輸碳排放)三部分。根據會計基準年的基本思想, 匯總選煤廠的年度碳排放量。
    (4) 明確了選煤碳排放因子的選擇順序應優先在具有技術與資質的情況下進行 碳排放源實地監測與計算,其次參考地區、國家標準,最后參考國際通用數值。而選 煤廠由于相關資質、實地監測成本與技術等方面的限制,尚不滿足現場實時監測的可 能性。本研究通過參考標準年鑒法與修正碳排放因子法,編制了碳排放因子清單,明 晰了煤油、柴油、電資源與水資源的碳排放因子。
    (5) 通過構建的基于生命周期評價的碳排放核算模型,以太原選煤廠為研究對 象,精確核算了該廠 2012年至 2021年十年的年度碳排放量。核算結果表明,太原選 煤廠碳排放量整體趨勢穩中有降,2012 年碳排放量最大,為 54765.7tCO2e,2020 年 碳排放量最小,為35268.7tCO2e,平均碳排放量為45255.7tCO2e,其中,電耗碳排放 占總碳排放比重的 90%以上。
    (6) 對選煤碳排放量準確預測的關鍵是探究并篩選出選煤碳排放的重要影響因 素,本研究根據學界對企業級別碳排放的研究結論,確定了篩選影響因素的基本原則。 通過灰色關聯度分析法與皮爾遜相關系數法計算了影響因素的具體數值,最終確定影 響因素集為煉焦精煤產量、洗混煤產量、煤泥產量、全員勞動效率、成本、加工費與 材料費。
    (7)通過遺傳算法改進了 BP神經網絡的權值與偏置值,通過模型的訓練結果與 測試結果表明,基于GA-BP的選煤碳排放預測模型的相對誤差均小于3%,平均相對 誤差為1.28%,其平均相對誤差小于傳統BP神經網絡預測模型,滿足了選煤廠碳排 放預測的實際需求。將7個影響因素2022年計劃值代入基于GA-BP的選煤碳排放預 測模型中,得到太原選煤廠2022年碳排放量預測值為38149.5 tCO2e。
    7.2 展望
    (1) 選煤信息管理系統實現了選煤數據從采集、集成、存儲、處理與可視化展示 的全生命周期標準化管理,選煤信息管理系統在山西焦煤集團洗選加工部與太原選煤 廠試運行效果良好。在后續研究中,應從單個選煤廠試點橫向擴展與覆蓋不同類型的 選煤廠,充分驗證選煤信息管理系統精益化管理的有效性并對系統不斷改進與完善。
    (2) 根據選煤工藝理論與選煤廠實際生產調研情況發現,在重介質選煤工藝中使 用磁鐵礦粉與水配比形成懸浮液介質實現煤與矸石的篩分。在浮選工藝中使用煤油與 輕柴油等作為捕收劑,使用脂肪醇等作為起泡劑,使用石灰與硫酸等作為PH值調整
    82 劑,使用偏硅酸鈉與水玻璃等作為抑制劑實現煤與矸石的分離。以上生產過程中大量 消耗的的化學藥劑必然會引起碳排放,但因其碳排放因子取值沒有權威機構測算、物 質消耗量值缺乏統計等原因,故沒有納入本次碳排放核算邊界之內。在后續研究中, 丞需對生產過程中的各種化學藥劑消耗量分門別類做好統計,并建議相關部門盡快精 確測算相關物質對應的碳排放因子清單。
    ( 3)目前碳排放預測研究領域尚處于起步摸索階段,尤其針對煤炭行業、洗選企 業的碳排放預測研究案例為數不多。在后續研究中,應及時搜集與學習碳排放預測領 域的最新研究成果,并結合不同選煤廠的實際碳排放情況,不斷優化預測模型,通過 選擇不同選煤廠豐富數據集多樣性,以期為煤炭洗選企業實現“雙碳”目標貢獻一份力 量。
    83
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
     
    84
     
     
    參考文獻
    [1]何敏.智能煤礦數據治理框架與發展路徑[J].工礦自動化,2020,v.46;No.296(ll):23-27.
    [2]董永勝,陳為高,侯佃平,等.智能化選煤廠研究與建議J].工礦自動化,2021,47(S1):26-31.
    ⑶ 王國法,王虹,任懷偉,等.智慧煤礦2025情景目標和發展路徑J].煤炭學報,2018,v.43;No.281(02): 295-305.
    [4]孫小路,周春俠,張永志,等.選煤生產過程標準數據系統建設及其關鍵技術J].煤炭工程,2021,v.5 3;No.521(01):38-42.
    [5]劉峰,郭林峰,趙路正.雙碳背景下煤炭安全區間與綠色低碳技術路徑J].煤炭學報,2022,v.47;No. 328(01):1-15.
    [6]謝和平,任世華,謝亞辰,等.碳中和目標下煤炭行業發展機遇[J].煤炭學報,2021,v.46;No.322(07): 2197-2211.
    [7]卞正富,于昊辰,韓曉彤.碳中和目標背景下礦山生態修復的路徑選擇J].煤炭學報,2022,v.47;No. 328(01):449-459.
    [8]孫雪,王成新,郝兆印“一帶一路”戰略背景下我國煤炭行業轉型發展探究J].煤炭經濟研究,201 5,35(07):22-25.
    [9]王晨.碳中和背景下我國煤炭行業發展路徑研究[J].煤炭經濟研究,2021,41(05):59-64.
    [10]李宏.碳中和背景下我國煤炭行業的發展與轉型研究[J].低碳世界,2021,11(08):23-24.
    [11]程惠.碳中和愿景下煤炭行業發展危機分析J].內蒙古煤炭經濟,2021(15):1-3.
    [12]衛中寬,郭大林,劉鋼槍,等“雙碳”目標下選煤廠設計之發力點[J/OL].選煤技術:1-6[2022-02-2 3].http://kns.cnki.net/kcms/detail/13.1115.TD.20220127.1104.002.html.
    [13]張秀捧“雙碳”形勢下我國煤炭洗選業發展途徑[J].煤炭加工與綜合利用,2022(01):11-19.
    [14]周宏強,宗召,畢傳祥,等.碳中和愿景下潘三選煤廠的發展方向研究J].煤炭加工與綜合利用,20 21(09):11-14+18.
    [15]程子曌.新形勢下我國煤炭洗選加工現狀及展望J].煤炭加工與綜合利用,2022(01):20-26.
    [16]宋曉波,胡伯.碳中和背景下煤炭行業低碳發展研究[J]沖國煤炭,2021,47(07):17-24.
    [17]柳君波,徐向陽,霍志佳,等.中國煤炭格局變化對煤礦甲烷排放的影響及原因[J].生態經濟,2021, 37(07):176-182.
    [18]劉銀志,趙廷釗,毛善君,等.大型煤礦集團管理智能化系統研究[J].工礦自動化,2020,46(12):25-3 0+69.
    [19]張育銘.選煤標準數據系統中生產過程控制信息融合及應用研究[D].中國礦業大學,2020.
    [20]曹福睿.基于選煤中心生產信息系統的建設與實踐一以上海大屯能源股份有限公司為例J]. 內蒙古煤炭經濟,2017(18):45+49.
    [21]段慧,蘇旭東,楊晉明,等.發電企業碳排放數據自動采集與核算系統的研究J].能源與節能,2019 (08):62-64.
    [22]韓安.基于Hadoop的煤礦數據中心架構設計[J].工礦自動化,2019,v.45;No.281(08):60-64.
    [23]朱川,姜英,張國光.煤炭生產企業碳排放狀況的分析研究[J].節能與環保,2011(11):54-56.
    [24]陳浮,王思遙,于昊辰,等.論碳中和目標下煤炭變革的技術路徑[J/OL].煤炭學報:1-11[2022-03-1 8].https://doi.org/10.13225/j.cnki.jccs.2022.0192.
    [25]才慶祥,劉福明,陳樹召.露天煤礦溫室氣體排放計算方法[J].煤炭學報,2012,v.37;No.208(01):10 3-106.
    [26]周游.露天煤礦溫室氣體核算模型構建及減排策略研究[J].煤炭工程,2019,51(07):138-141.
    85
    [27]王艷.煤炭生產企業碳的確認與計量研究[D].西安科技大學,2020.
    [28]Quick,JC. Carbon dioxide emission tallies for 210 U.S. coal-fired power plants: A compari son of two accounting methods[J]. J Air Waste Manage, 2014.
    [29]尹志東.煤炭產品碳排放核算及減排途徑研究[D].首都經濟貿易大學,2015.
    [30]曾繁偉,劉靜靜.煤炭產品的碳足跡計算方案研究[J].煤炭工程,2017,49(12):169-172.
    [31]陳浮,于昊辰,卞正富,等.碳中和愿景下煤炭行業發展的危機與應對J].煤炭學報,2021,46(06):1 808-1820.
    [32]劉靜靜,王傳生.煤炭企業的碳排放測算及評價[J].煤礦開采,2013,18(06):99-102+98.
    [33]王猛,馬如英,代旭光,等.煤礦區碳排放的確認和低碳綠色發展途徑研究[J].煤田地質與勘探,20 21,49(05):63-69.
    [34]薛黎明,張心智,劉保康,等.基于支持向量回歸機的河北省能源消費碳排放預測J].煤炭工程,20 17,v.49;No.474(08):165-168.
    [35]夏丹.中國煤炭生命周期碳排放核算與預測研究[D].安徽理工大學,2021.
    [36]徐勇戈,宋偉雪.基于FCS-SVM的建筑業碳排放預測研究[J].生態經濟,2019,35(11):37-41.
    [37]C Saleh, NR Dzakiyullah, JB Nugroho. Carbon dioxide emission prediction using support vector machine[J]. IOP Conference Series: Materials Science and Engineering, 2016.
    [38]劉曉蝶,孟祥瑞,王向前.基于Lasso-BP神經網絡模型的江蘇省碳排放預測[J].黑龍江工業學院 學報(綜合版),2021,21(08):60-65.
    [39]趙金元,馬振,唐海亮.BP神經網絡和多元線性回歸模型對碳排放預測的比較J].科技和產業,2 020,20(11):172-176.
    [40]范德成,張修凡.基于PSO-BP神經網絡模型的中國碳排放情景預測及低碳發展路徑研究J].中 外能源,2021,26(08):11-19.
    [41]疏禮春.智能煤礦數據中臺架構及關鍵技術研究[J].工礦自動化,2021,v.47;No.303(06):40-44.
    [42]王然風,高建川,付翔.智能化選煤廠架構及關鍵技術[J].工礦自動化,2019,45(07):28-32.
    [43]李福興,李璐爔.面向煤炭開采的大數據處理系統構建關鍵技術[J].煤炭學報,2019,44(S1):362-3 69.
    [44]梁胤程,楊超宇,徐昕軍.基于Hadoop的礦山電力設備監控保護系統設計與研究J].煤炭工程,2 015,v.47;No.447(07):110-113.
    [45]劉洋,李筱楠,劉會杰.基于Hadoop的煤炭企業數據共享系統設計[J].煤炭技術,2017,v.36;No.28 2(06):326-328.
    [46]王國法,任懷偉,趙國瑞,等.智能化煤礦數據模型及復雜巨系統耦合技術體系J].煤炭學報,2022, v.47;No.328(01):61-74.
    [47]羅香玉,李嘉楠,郎丁.智慧礦山基本內涵、核心問題與關鍵技術[J].工礦自動化,2019,45(09):61 -64.
    [48]韓安.企業服務總線技術研究[J].工礦自動化,2013,v.39;No.212(11):50-53.
    [49]賀耀宜,王海波.基于物聯網的可融合性煤礦監控系統研究[J].工礦自動化,2019,v.45;No.281(0 8):13-18.
    [50]陳賓賓,張艷博,李健,等.砂巖破裂失穩聲發射特征及相關性分析[J].礦業研究與開發,2014,v.34; No.169(03):74-77.
    [51]任海東.基于D-S證據理論的帶式輸送機故障診斷[J].煤炭技術,2017,v.36;No.287(11):273-275.
    [52]張若玉,何金海,張華.溫室氣體全球增溫潛能的研究進展[J].安徽農業科學,2011,39(28):17416- 17419+17422.
    [53]龍世叇.火力發電廠溫室氣體排放控制[J].云南電力技術,2005(05):31-32.
    86
    [54]舟丹.我國碳排放核算工作現狀[J].中外能源,2022,27(01):45.
    [55]馬費成,望俊成,張于濤.國內生命周期理論研究知識圖譜繪制[J].情報科學,2010,28(03):334-34 0.
    [56]朱曉峰.生命周期方法論[J].科學學研究,2004(06):566-571.
    [57]楊建新,王如松.生命周期評價的回顧與展望J].環境科學進展,1998(02):22-29.
    [58]楊建新,王如松,劉晶茹.中國產品生命周期影響評價方法研究[J].環境科學學報,2001(02):234-2 37.
    [59]邱燕超.構建新型碳排放統計核算體系[N].中國電力報,2021-10-14(008).
    [60]《中國能源統計年鑒 2020》編輯出版人員《中國能源統計年鑒 2020》編輯出版人員. 劉文華
    總編,中國能源統計年鑒,中國統計出版社,2020,4-5,年鑒.
    [61]戚德虎,康繼昌.BP神經網絡的設計[J].計算機工程與設計,1998(02):47-49.
    [62]李振華,許延春,李龍飛,等.基于BP神經網絡的導水裂隙帶高度預測[J].采礦與安全工程學報, 2015,v.32;No.123(06):905-910.
    [63]席裕庚,柴天佑,惲為民.遺傳算法綜述[J].控制理論與應用,1996(06):697-708.
    [64]王廷棟.基于遺傳算法的采煤機截割控制系統研究[J].煤炭技術,2021,v.40;No.334(10):206-208.
    [65]黃凱.基于遺傳算法優化BP神經網絡的車道保持輔助系統研究[D].長安大學,2019.
    [66]劉思峰,蔡華,楊英杰,等.灰色關聯分析模型研究進展[J].系統工程理論與實踐,2013,33(08):204 1-2046.
    [67]田娟娟,張金鎖.基于STIRPAT模型的煤炭資源富集區碳排放影響因素分析J].西安科技大學 學報,2021,41(04):692-699.
    [68]張士強,蔣蓬陽,宋曉妮.山東省煤炭行業碳排放影響因素及減排措施分析J].煤炭技術,2018,37 (06):315-317.
    [69]戴新穎.我國煤炭碳排放影響因素分析及減排措施研究[D]沖國礦業大學,2015.
    [70]劉夢.山西煤炭企業低碳發展研究[D].山西財經大學,2019.
    [71]岳遠朋,梁宏霞,張顯雨.企業級碳排放分析預測研究[J].內蒙古科技與經濟,2019(18):69-70+72.
    [72]王崇駿,于汶滌,陳兆乾,等.一種基于遺傳算法的BP神經網絡算法及其應用J].南京大學學報 (自然科學版),2003(05):459-466.
    [73]郭西進,邵輝,王廣勝,等.基于GA-BP神經網絡的浮選加藥量預測[J].煤炭工程,2017,v.49;No.46 7(02):106-108.
    [74]劉陽,譚凱旋,郭欽鵬,等.運用隨機森林和GA-BP神經網絡預測巖石爆破塊度[J].礦業研究與開 發,2021,v.41;No.246(01):135-140.
    [75]Liu Q.Research on the Platform of Coalmine Safety Information Sharing and Decision-Mak ing on the Web[J]. Acta Scicentiarum Naturalum Universitis Pekinesis, 2004, 40(4):652-657.
    [76]Wu Y,Chen M,Wang K,et al. A dynamic information platform for underground coal mine s afety based on internet of things[J]. Safety science, 2019, 113: 9-18.
    [77]Bing WU,Zhou L,Zhang XX.Study of Coal Mine Emergency Rescue Information Managem ent System Based on NET Platform[J]. Mining Safety & Environmental Protection, 2009.
    [78]Arora VK,Scinocca JF,Boer GJ,et al. Carbon emission limits required to satisfy future repr esentative concentration pathways of greenhouse gases[J]. Geophysical Research Letters, 201 1, 38(5):387-404.
    [79]Development W.Cement technology roadmap 2009: carbon emission reductions up to 2050 [J]. Energy Consumption, 2009.
    [80]Ho M S,Garbaccio RF,Jorgenson DW.Controlling Carbon Emission in China[J]. Environmen
    87
    t and Development Economics, 1999, 4(4):493-518.
    [81]Chen S,Santos-Paulino AU.Energy Consumption and Carbon Emission Based Industrial Pro ductivity in China: A Sustainable Development Analysis[J]. Review of Development Econo mics, 2013, 17(4):644-661.
    [82]Dakwale VA,Ralegaonkar RV.Review of carbon emission through buildings: threats, causes and solution[J]. International Journal of Low Carbon Technologies, 2012(2):2.
    【本文地址:http://www.bzhlmm.com//guanlilei/gongshangguanli/xixinguanli/8761.html

    上一篇:常州市應急信息管理對策研究

    下一篇:沒有了

    相關標簽: