安徽省火电厂超低排放改造对减排成效的影响

2020-10-10王润芳马大卫黄齐顺陈剑余靖程靖张其良

综合智慧能源 2020年9期

关键词：燃煤排放量空气质量

王润芳，马大卫，黄齐顺，陈剑，余靖，程靖，张其良

WANG Runfang，MA Dawei，HUANG Qishun，CHEN Jian，YU Jing，CHENG Jing，ZHANG Qiliang

（国网安徽省电力有限公司电力科学研究院，合肥230601）

（State Grid Anhui Electric Power Research Institute，Hefei 230601，China）

0 引言

燃煤过程会排放大量的大气污染物，包括氮氧化物（NOx）、二氧化硫（SO2）和颗粒物（PM）［1-2］。2013 年以来，中国多次爆发严重且持续的灰霾事件，其主要污染物就是PM2.5，而SO2，NOx是形成二次气溶胶的前体物［3-5］。中国作为煤炭消费大国，煤炭在能源消费构成中占比高达61.8%，其中接近50.0%用于火力发电［6］，因此，燃煤电厂是人为排放大气污染物的重要来源，燃煤电厂减排是大气污染治理的重要环节。2011 年7 月，国家环保部发布了GB 13223—2011《火电厂大气污染物排放标准》，限制燃煤锅炉PM，SO2，NOx的最高排放质量浓度为30，100，100 mg∕m3，并针对重点地区制定了更低的排放限值［7］。随着中国对生态文明建设的重视，针对主要污染行业相继出台了更严格的要求，2014 年国家发改委出台了《煤电节能减排升级与改造行动计划（2014—2020 年）》，限制燃煤电厂PM，SO2，NOx的最高排放质量浓度为10，35，50 mg∕m3（称为超低排放改造）［8］。在此基础上，大部分电厂对脱硫、脱硝和除尘等环保装置开展技术升级，从而达到超低排放的要求。

安徽省是中部经济快速发展的代表。由于煤炭资源储量丰富、电量需求高［9］、水能等可再生资源较为匮乏，使安徽形成了能源消费以煤为主、电力消费以煤电为主的基本格局［10］。至2019年年底，全省共计分布了37 家95 台火电机组，其中大型火电机组在数量及能耗方面都处于主体地位。2015 至2019 年，全省火电厂机组的容量逐年上升，从40 625 MW 增长到50 020 MW，煤耗量也逐年增加。2014年7月，安徽省积极响应国家号召，实施超低排放改造行动：2017 年年底完成200 MW 及以上机组的超低排放改造；2018 年年底完成流化床、小火电机组的超低排放改造；至2019 年，全省超过97%的燃煤火电机组完成超低排放改造［11］。通过开展改造工作，进一步提高安徽省火电行业绿色发展水平，改善空气质量，提高资源利用效率。

当前，国内已有大量关于单个燃煤机组的超低排放改造减排效果的研究［12-14］。本文以一个省级电网为例，通过对超低排放改造前后火电厂主要烟气污染物排放量的变化进行分析，定量评估超低排放改造的减排成效，同时，利用中尺度天气-化学预报（WRF-Chem）模式，模拟超低排放改造对全省环境空气主要污染物质量浓度的影响。

1 研究方法

1.1 火电厂排放清单

根据2014—2019 年安徽省16 个市37 个火电厂各机组连续排放监测系统（CEMS）获得的大气污染物排放数据，结合烟气量和年发电量等数据，得到安徽省各年份的火电厂污染物排放总量。

（1）计算燃煤电厂污染物排放绩效［15］。

式中：排放绩效为生产1 kW·h 电量所排放的污染物，g∕（kW·h）；烟气量，m3∕h；污染物排放质量浓度，mg∕m3；负荷，MW。

（2）根据排放绩效和全年发电量，计算全年污染物排放总量［15］，

排放总量=（SO2+NOx+PM）排放绩效×年发电量，（2）式中：排放总量为SO2，NOx，PM 排放量之和，g；年发电量，kW·h。

1.2 WRF-Chem模式

目前，国内外学者已经利用空气质量模式和大气化学模式对大气污染问题进行了许多研究工作：孙伶俐等［16］应用化学质量平衡模型CMB 和因子分析法FA 进行大气颗粒物源解析；赵秀勇等［17］通过建立中尺度气象模型MM5 与空气质量模型CALPUFF 的耦合模型系统研究江苏火电排放对环境空气PM2.5质量浓度的影响。相比于其他模型，WRF-Chem 模式的优点在它完成了气象模式和化学模式在线完全耦合，是新一代的区域空气质量模式。WRF-Chem 模式包含了一种全新的大气化学模式理念，它的化学和气象过程使用相同的水平和垂直坐标系、相同的物理参数化方案，不存在时间上的插值，并且能够模拟大气气溶胶辐射等过程对气象过程的反馈作用，从而模拟出一种更加真实的大气环境［18-19］。目前，WRF-Chem 模式已广泛应用于中国区域空气质量问题、气溶胶气象以及污染物减排计算等方面的研究［20-22］。

本研究利用WRF-Chem 模式进行模拟，计算不同减排情景下空气质量的改善情况。模拟采用双层嵌套网格，如图1所示：外层网格覆盖中国东部大部分地区，水平分辨率为27 km×27 km；内层网格覆盖安徽省全部区域和周边省部分区域（d02），水平分辨率为9 km×9 km，垂直方向28 层，顶层气压为50 hPa。气象场初始与边界场取自美国国家环境预测中心- 全球预测系统（National Centers for Environmental Prediction-Global Forecast System，NCEP-GFS），水平分辨率为0.25°×0.25°，时间间隔为6 h。云微物理采用Lin 2 方案，陆面过程采用NOAH 2 方案，近地面层和边界层采用MYNN 方案，积云参数化采用方案Grell 3D Ensemble Scheme 5，气溶胶机制采用MOSAIC（Model for Simulating Aerosol Interactions and Chemistry）方案，污染源采用清华大学主持开发的MEIC 2016 基准年0.25°×0.25°排放清单［23］。

1.3 减排试验设计

为验证超低排放改造对大气污染物的减排贡献，本文建立了一个基准情景（BS），即未进行超低排放改造的2019 年情景，选取2014—2019 年排放的最高值，以便更贴近实际情况下未实施超低排放改造的情景。另建立了减排情景（UE），即实施超低排放改造后2019年实际情景。按照不同情景（见表1）重新设置污染源清单，并输入模拟系统进行计算，得到不同情景下年度平均空气质量指标，包括SO2，NOx，PM2.5，PM10的质量浓度，并以此为依据，计算空气质量改善程度。

图1 WRF-Chem模式模拟区域Fig.1 WRF-Chem modeling domains

燃煤电厂的历史减排量按假设未实施超低排放改造的情景BS与情景UE大气污染物排放量的差额进行计算。

式中：ΔEij为超低排放改造前后第i 年j 污染物的减排量，即排放量差额，g；Cij，C'ij分别为未进行和进行超低排放改造后第i 年j 污染物的质量浓度，g∕m3；Qi为第i 年的发电量，kW·h；αj表示j 污染物的排放绩效，g∕（kW·h）。

2 结果与讨论

2.1 燃煤电厂实际减排成效

根据排放绩效计算公式得到全省2014 年和2019 年燃煤电厂主要污染物排放绩效，见表2。超低排放改造完成后，安徽省燃煤电厂SO2，NOx，PM的排放绩效显著下降，下降比例分别为78%，78%和90%。安徽省各地级市间的SO2和NOx排放绩效存在差异，淮北市、阜阳市和池州市的SO2排放绩效均较高，排放绩效下降比例相对较低，马鞍山市、宣城市和安庆市的NOx排放绩效下降比例相对较低（如图2 所示），这些城市需要进行进一步的脱硫、脱硝改造。各地级市颗粒物排放绩效相近，除淮北市外，颗粒物的减排比例均高于85%，说明超低排放改造在颗粒物减排上取得了良好效果。亳州市的2台机组建于2016 年，建成同时完成超低排放，而黄山市为全省唯一无燃煤电厂的城市。此外，安徽省燃煤电厂标准煤耗均值总体上也呈逐年下降趋势。这说明降低燃煤机组大气污染物排放水平，一方面要通过淘汰小型机组、建设大型机组来降低煤耗水平，另一方面要对机组实施超低排放改造。

表2 安徽省火电厂主要污染物排放绩效Tab. 2 Emission performance of main pollutant from coal-fired power plants in Anhui g∕(kW·h)

图2 2019年较2014年主要污染物排放绩效下降比例Fig.2 Reduction ratio of main pollutant emission performance in 2019 compared with that in 2014

利用2014 年和2019 年全省燃煤电厂主要大气污染物排放质量浓度，结合烟气量和年发电量等数据，得到安徽省各地级市燃煤电厂污染物减排总量，见表3。2014年超低排放改造前，全省燃煤电厂SO2，NOx，PM 排放量分别为40 174.1，65 947.2，14 683.6 t。至2019 年，安徽省超低排放改造基本结束，全省燃煤电厂SO2，NOx，PM 排放量分别为12 579.5，23 709.3，1 817.6 t，与2014 年改造前相比，三者排放量分别下降27 594.6，42 237.9，12 866.0 t。

安徽省各市的大气污染物减排比例如图3 所示，SO2，NOx，PM 的减排比例分别为68.7%，64.1%，87.6%。而江苏省在进行火电机组超低排放改造后，SO2，NOx，PM 的排放量分别下降93.7%，90.4%，82.3%，减排比例较高［17］，这可能是由于江苏省火电装机容量大，减排前的排放量基数更大。

表3 2014和2019年安徽省各地级市燃煤电厂主要大气污染物排放量Tab. 3 Emissions of major air pollutants from coal-fired power plants in cities in Anhui Province in 2014 and 2019 t

由表3 可知，安徽省2019 年SO2的排放量约为PM 的2.7 倍，NOx的排放量约为PM 的4.5 倍，但两者的减排比例均远低于PM，因此安徽省燃煤电厂NOx和SO2控制水平还有待提高。

各地级市污染物排放量有较大差异，中北部城市（如淮南、马鞍山、铜陵、淮北、合肥）的污染物排放量显著高于南部地区，这与安徽省电厂主要集中在中北部相关。尽管大部分电厂超低排放改造前后污染物排放量显著下降（如图3 所示），但六安市SO2的排放量升高且NOx，PM 的减排量较低，其主要原因是六安市在2016 和2017 年分别新建了1 台660 MW 机组。另外，安庆市2015 年也新建2 台1 000 MW 机组，故SO2和NOx的排放量均有所升高。此外，合肥市、淮北市、宣城市的SO2减排比例较低，淮北市、滁州市、马鞍山市、宣城市的NOx减排比例较低，六安市、淮北市、安庆市的颗粒物减排比例较低，建议有针对性地对烟气脱硫、脱硝、除尘系统进行进一步改造，提升脱硝、脱硫、除尘效率。

2.2 超低排放改造对空气质量的改善模拟结果

为进一步验证超低排放改造对区域大气污染物质量浓度的影响，利用WRF-Chem 模式模拟2019年安徽省在UE 和BS 情景下SO2，NOx，PM2.5，PM10的质量浓度（如图4—5 所示），衡量空气质量的改善程度。

图3 安徽省各市2019年污染物排放量较2014年的下降比例Fig.3 Reduction ratio of total emissions of pollutant in various city of Anhui Province from 2014 to 2019

在UE 情景下，2019 年安徽省大气中SO2和NOx的年均质量浓度较低，分别为10 和35 μg∕m3，与BS情景下相比，SO2和NOx的排放质量浓度分别下降了0.41，1.49 μg∕m3，降幅分别为4.0%和4.1%，说明超低排放改造显著改善了空气质量。对SO2质量浓度改善显著的主要是铜陵、合肥、淮南和芜湖等地级市，NOx质量浓度显著改善的城市主要集中在北部，包括合肥、淮南和蚌埠等地级市。UE情景下，部分地区PM2.5和PM10质量浓度仍然较高，全省平均质量浓度分别为46，72 μg∕m3，主要集中在安徽省中部和北部，原因可能是大气中PM 的来源广泛，除燃煤外，仍受其他较大污染排放源影响。UE 情景较BS情景下，PM2.5与PM10质量浓度分别下降了1.28，2.07 μg∕m3，降幅度分别为2.7%和2.8%。

图4 WRF-Chem模拟的2019年UE情景下主要污染物的排放情况（μg/m3）Fig.4 Mass concentrations of major pollutans under UE scenario in 2019 stimulated by WRF-Chem（μg/m3）

图5 WRF-Chem模拟的2019年UE情景下主要污染物较BS情景下的变化量（μg/m3）Fig.5 Variation of major-pollutant mass concentrations under UE scenario in 2019 compared to that under BS scenario stimulated by WRF-Chem（μg/m3）

UE 情景较BS情景的污染物质量浓度下降比例如图6所示，SO2质量浓度降幅度较大的地级市有铜陵、淮南、合肥、芜湖和马鞍山；NOx质量浓度降幅度较大的地级市有淮南、合肥、铜陵、淮北和蚌埠；PM2.5质量浓度降幅度较大的地级市有阜阳、淮南、淮北和合肥；PM10质量浓度降幅度较大的地级市有淮南、合肥、阜阳和淮北。超低排放改造行动对空气质量改善起到重要作用。与全省下降幅度的均值相比，各地级市中，淮南、合肥、铜陵和阜阳的超低排放改造对大气污染物减排的贡献较高。

2.3 大气污染物减排现状

2019 年安徽省基本完成超低排放改造，燃煤污染物排放占环境大气污染物排放比例显著降低，研究显示，燃煤电厂对大气SO2，NOx，PM 排放贡献比分别由2014 年6.1%，5.8%，5.2%降至2019 年的3.0%，3.8%和0.5%，减排效果显著。

但是安徽省部分城市仍然存在大气颗粒物污染问题。图3中排放量下降比例下降比例最高的是PM，但图6中显示大气环境中PM2.5和PM10平均质量浓度降幅最低，且图4中实施超低排放改造后，安徽省中部和北部部分地区PM2.5和PM10年均质量浓度较高，结合其他文献中的研究结果，部分城市在经过超低排放改造后，大气颗粒物来源的分配发生了显著变化［24］。在尤佳等［25］对合肥市2014 年和2019年PM2.5源的解析中，燃煤对大气中PM2.5的贡献比从2014 年的25.9%下降为2019 年的19.0%，而机动车尾气尘贡献比从9.9%升高到33.7%，从而削弱了超低排放改造对大气污染物的减排影响［17］，即使将燃煤电厂的贡献完全去除，PM2.5的排放值仍然超国家二级标准。这说明必须加大非火电污染源的减排力度，进一步改善环境空气质量。