京津冀“以电代煤”替代大气污染物排放清单

李 朋,吴华成,周卫青,张子健,汪美顺,张茹婷,刘松涛,陈传敏

京津冀“以电代煤”替代大气污染物排放清单

李 朋1*,吴华成1,周卫青1,张子健2,汪美顺3,张茹婷4,刘松涛4,陈传敏4

(1.国网冀北电力有限公司电力科学研究院,华北电力科学研究院有限责任公司,北京 100045；2.国网冀北电力有限公司,北京 100054；3.国家电网公司,北京 100031；4.华北电力大学(保定)环境科学与工程系,河北 保定 071003)

本研究建立了基于人工神经网络的民用散煤燃用量估算模型,得到了京津冀地区“以电代煤”替代民用散煤大气污染物排放清单.结果表明:截止到2018年,京津冀地区“以电代煤”替代散煤用户约259万户,每年可减少散煤燃烧约706.6万t,减少PM2.5、NO、SO2的排放量分别约为2.81,0.76,2.17万t.其中,北京市和天津市实施效果较为明显,占京津冀地区“以电代煤”散煤替代总量的62.01%和22.82%.基于调研数据得到京津冀各市燃煤量月分布系数,1月份分布系数最大,燃煤量占比为27%~40%.

以电代煤；人工神经网络；民用散煤；排放清单；月分布系数

近几年来,散煤治理一直是国家大气污染防治攻坚战的主战场.民用散煤受炉具、煤质影响,燃烧条件差且缺乏污染物治理措施,其一次PM2.5排放因子约为燃煤电厂的100倍[1].与集中燃煤相比,散煤治理具有更高的环境效益[2].据估算,2017年散煤清洁化替代对京津冀地区PM2.5平均浓度下降贡献率为21%[3];北京市冬季PM2.5浓度大幅降低,散煤治理的贡献率达40%左右[4].2017年原环保部实施京津冀大气污染传输通道的“2+26”城市散煤污染综合治理,全面完成“以电代煤”、“以气代煤”任务.

“以电代煤”(以下简称“煤改电”)政策是京津冀地区散煤清洁化替代的重要措施,然而有关“煤改电”政策对区域大气污染物减排量的相关研究却非常少[5-7],其重要原因之一在于民用散煤的燃用量难以准确估计.部分研究采用“自上而下”的方法,使用能源统计年鉴中相关数据[7],估算京津冀地区散煤用量.但支国瑞等[8-10]的研究表明能源统计数据严重低估了民用散煤的使用量.目前,大部分研究采用“自下而上”的方法,通过入户调研的方式获得地区内人均散煤的年燃用量,然后根据地区统计年鉴数据中农村常住人口来推算民用散煤年用量[8,11-14].入户调研的样本量越多,得到的结果越接近实际的民用燃煤消费水平. Cai等[11]基于对北京市全部3612个村庄的调研数据,得出了北京市冬季民用采暖对大气污染物排放的贡献值.然而调研样本量的增多,一方面对样本的数据质量控制提出了挑战,另一方面,也耗费大量调研成本.

为解决这一问题,近几年来,有研究者在入户调研数据的基础上,构建农户燃煤量与影响因素之间的数学模型,用于估算各地区民用散煤用量[15-18]. Peng等[15]调研了全国183个乡村共17000多个农村常住家庭,在此基础上,开发了非线性回归的广义加性模型(GAM),建立了固体燃料消费量与供暖天数、收入、燃煤产量、燃煤价格、植被盖度之间的关系,并将GAM模型用于估算全国各县的固体燃料消费量.Zhu等[16]调研河南地区64个县2809个农村家庭,通过一般最小二乘(OLS)回归模型,建立了人均年燃料用量与气温、家庭人均收入以及人均播种面积之间的线性关系,并将该模型用于预测河南省各县的人均年燃料用量.Yuan等[17-18]从建筑能耗的角度,通过支持向量机(SVM)模型,研究了北方严寒地区农村家庭煤炭消耗量与室内外积温差、太阳辐射、加热面积、屋顶与外墙的导热系数、加热设备等因素的关系,发现最重要的3个影响因素分别是加热设备、加热面积与室内外积温差.

尽管越来越多的研究者通过建立数学模型来预测区域民用散煤用量,但目前研究报道中的模型还存在输入因子偏多、输入因子数据难以获得、非线性拟合能力不足等问题.一方面需要开发拟合以及预测能力更强大的数据模型;另一方面,也需要结合现场调研,提炼影响散煤燃用量的关键因子,并结合相关统计数据是否容易获得,来选择模型的输入因子,以提高数据模型的适用性.

人工神经网络(ANN)是一种非线性统计性数据建模工具,通过ANN的训练可以掌握样本的内在规律,建立输入与输出之间的非线性映射,这种非线性映射对训练数据外的样本也具有良好的适应能力.ANN由于具有强大的非线性拟合能力以及良好的预测效果,被广泛应用于解决图像识别[19]、电力负荷预测[20]、气象预报[21]等实际问题,其中BP神经网络是最常用的模型之一.本文通过对京津冀地区民用散煤消费特征的入户调研,建立基于人工神经网络的民用散煤消费量预测模型,计算京津冀地区“煤改电”实施后替代民用散煤大气污染物排放清单,为科学准确评价“煤改电”政策实施效果提供技术方法和数据支持.

1 数据与方法

1.1 数据调研

以2018年为基准年份,在2018~2019年供暖季期间,对京津冀各县市农村地区民用散煤燃用情况开展入户调研.在调研过程中,从气温、人均可支配收入、人均住房面积和户均常住人口4个维度选择典型样本,并将民用燃煤分为原煤和型煤两大类.为保证调研数据的准确性,通过熟人带领进入农户家中,与农户进行交流,并结合调研数据对散煤称重核实并现场测量房屋面积,记录农户家庭相关信息以及年散煤燃用量.调研区域为京津冀各地共17个区(县),其地理分布如图1所示,每个村庄选择5~10个典型农户,收集有效样本共154个.

图1 入户调研的京津冀各村地理分布

为准确掌握散煤燃烧活动水平,在上述调研农户中,每个地区选取3~4户典型用户共44户,通过设计简明易懂的记录本,让农户记录其整个供暖季内每天的燃煤使用情况,包括加煤时间、加煤量、炉子燃烧状态时间段(加煤、旺火和封火).为保证数据质量,每月对农户进行1次回访,对数据记录情况进行检查.在供暖季结束后,对记录本的信息进行统计分析,得出京津冀各地区散煤使用量的时间分布特点.

1.2 基于人工神经网络的户均年燃煤量估算模型

目前文献报道的民用散煤燃煤量估算模型中,影响民用散煤燃用量的主要因素有气温、经济水平、房屋保暖结构等[14-18];本研究结合文献报道以及现场调研结果,确定气温(10月到次年4月日均最低气温与日均最高气温)、人均可支配收入、人均住房面积和户均常住人口作为BP神经网络的5个输入参数.这些信息便于从实际调研中获取,更重要的是,在模型应用时相关数据都能从公开资料以及地区统计年鉴中获得.选用的BP神经网络包含2个隐藏层,每1层包含13个节点.

如果用BP神经网络直接计算户均年燃煤量值,属于非线性回归模型,要取得良好的预测效果,需要大量的样本数据对模型进行训练,且模型预测结果易出现“过拟合”的情况[22-23].在实际调研过程中,发现大部分农户对于年散煤使用量的精确度为0.5t/a,且每户散煤用量的范围在0.5~5t/a.因此,本研究将输出值设置为[0.5,5]之间,以0.5为间隔共设置10个特征值.BP神经网络的输出结果将在这10个特征值中进行选择,从而将回归问题变为了分类问题.通过三角模糊数方法将户均年燃煤量值转换为由10个[0,1]之间节点值构成的数列,对应不同的特征值.用C++语言建立了基于人工神经网络的燃煤量计算模型,经过100000次运算后均方误差(MSE)为0.0614,体现了人工神经网络良好的拟合效果.

1.3 京津冀“煤改电”用户统计与数据输入

京津冀各地区“煤改电”实施的时间以及规模不同.北京地区“煤改电”工程可以追溯到2003年,截至2018年底,北京平原地区村庄基本实现“无煤化”,北京地区“煤改电”用户约128万户[24].天津地区2015年在和平区开始首批“煤改电”试点[25],截至2018年底,“煤改电”用户约为71.9万户[26].河北省自2015年开始在石家庄和保定部分区域“煤改电”试点,截止到2018年底,国网河北省电力公司与国网冀北电力有限公司共实现“煤改电”用户约58.5万户[27].北京、天津各区以及河北各县市“煤改电”用户详细清单由国家电网公司各省公司提供.

京津冀各“煤改电”实施区域的气温历史数据通过网络获得[28],人均可支配收入、人均住房面积和户均常住人口数据分别通过北京市统计年鉴[29]、天津市统计年鉴[30]和河北省经济年鉴[31]获得.相关数据经过归一化处理后,输入训练好的人工神经网络,计算得到京津冀共194个不同地区的户均散煤年燃用量.通过户均年燃用量与各地区“煤改电”户数的乘积,得到京津冀各地区“煤改电”实施后,每年替代散煤用量.

1.4 排放因子选择与排放量计算

原煤与型煤的排放因子引用文献中相关数据[9],其中SO2的排放因子计算方法参考《民用煤大气污染物排放清单编制技术指南》[32]中相关规定. 民用煤燃烧排放因子见表1.京津冀各地区型煤与原煤的燃用比例通过统计调研数据获得,具体值见表2.京津冀各地区“煤改电”每年替代散煤产生大气污染物排放量通过公式(1)计算:

很多时政热点能体现时代的特点、社会的主流价值观以及国家的重大方针和政策；近几年的思想政治高考试题考查时政热点的趋势比较明显。因此，将时政热点引入课堂教学十分必要。在思想政治教学中加强时政教育可以深化中学的政治理论教学，增强教育教学的生命力和凝聚力；还能够有效弥补教材的滞后性，培养学生理论联系实际分析解决问题的能力，提高学生道德品质；同时，能丰富教学内容，帮助学生深刻理解理论知识，提高政治教学的时效性与有效性。

表1 民用煤燃烧排放因子(kg/t)

表2 京津冀各地区型煤与原煤燃用比例(%)

式中:EM代表某污染物排放量,t/a;代表地区年燃煤量,t/a;代表地区原煤使用比例,%;EF和EF分别代表该污染物排放因子,kg/t.

2 结果与讨论

2.1 调研数据与人工神经网络模型计算结果

从图2可知,现场调研与模型计算结果都能通过正态分布函数良好拟合,图2(a)中现场调研数据拟合得到平均值为2.35t,标准偏差为1.0t,而图2(b)中模型计算数据拟合得到平均值为2.09t,标准偏差为0.81t.通过模型同时能够计算得到京津冀地区人均散煤用量为0.63t/a.从整体上看,现场调研与人工神经网络模型计算结果得到的平均值和标准偏差相近,这体现了人工神经网络对户均年燃煤量良好的预测效果.另一方面,图2(b)中模型预测结果大部分集中在0.5~2.5t的区间内,其占总样本数量的比例约为75.25%;而图2(a)中现场调研的结果分布较宽,样本集中在1.5~3.5t的区间内,其数量占比约为75.32%.人工神经网络模型计算结果分布偏窄的主要原因在于模型输入数据中,京津冀各地区的人均住房面积与户均常住人口数据只能通过公开年鉴资料获得,而现有年鉴资料并没有精确到各地市的数据,只能通过北京市、天津市与河北省的平均数据分别进行代替,这就导致与调研样本相比,模型计算时输入数据的差异性变小,使得最后计算结果数据分布变窄.

图2 户均年燃煤量的统计直方图与正态拟合分布曲线

(a)调研样本;(b)人工神经网络模型计算结果

从表3可知,文献报道国内部分地区户均/人均年燃煤量之间存在较大差别. 以北京为例,人均年燃煤量最高值与最低值之间相差2.8倍.与文献报道相比,本研究中北京地区人均燃煤量1.09t/a与Cai等[11]基于全北京农村的调研结果1.02t/a十分接近.本研究中天津地区的人均燃煤量0.84t/a,略低于北京地区值,但明显高于文献报道值0.34~0.4t/a[15,33].本研究中河北地区人均燃煤量为0.56t/a,与文献报道0.36~0.73t/a相比处于中间水平[10,15,33].

表3 本研究与文献报道结果对比

注:1.背景年份是指研究中调研数据所代表的年份;2.“○”和“△”分别代表户均与人均年燃用量;3.人均年燃用量根据该论文中各地区的年燃煤总量与该地区农村人口人数之比计算得到;其中2010年北京地区农村常住人口275.3万人[34];天津地区农村常住人口265.7万人[30];河北地区乡村人口3993万人[35];4.该研究为文献统计后取平均值,有效样本数为其引用文献中样本数;5.该研究为供暖季而非全年燃用量;6.人均年燃用量根据该研究中提供的农村人口数、污染物排放量与排放因子进行计算.

2.2 京津冀地区“煤改电”替代民用散煤大气污染物排放清单

基于人工神经网络得到京津冀各地区户均年燃用量,结合截至2018年年底“煤改电”在各地区的实施情况,各地区原煤与型煤燃用比例以及排放因子,得出京津冀各地区“煤改电”替代民用散煤大气污染物排放清单,汇总如表4.不同地区各类大气污染物的减排量受“煤改电”替代燃煤量,型煤与原煤燃用比例,以及排放因子的不同而体现差异性.截至2018年京津冀各地区“煤改电”政策实施后,共替代散煤用户约259万户,每年可减少散煤约706.60万t,减少TSP、PM10、PM2.5、BC、OC、CO、NO、SO2、VOCs的排放量分别为5.24, 3.67, 2.81, 0.56, 1.99, 86.30, 0.76, 2.17和1.23万t.其中,北京市“煤改电”实施较早,散煤替代量为438.16万t,占整个京津冀地区“煤改电”替代总量的62.01%;天津地区“煤改电”实施力度较大,散煤替代量为161.22万t,占替代总量的22.82%; 河北地区“煤改电”开展较晚,近2a开始大规模实施,根据河北省发改委相关信息,2019年河北省力争60万户“煤改电”目标任务,超过2018年年底前累计“煤改电”用户总量[27].

表4 京津冀地区“煤改电”替代民用散煤大气污染物排放清单

王彦超等[6]分析了2016~2017年京津冀大气传输通道“2+26”城市燃煤大气减排潜力,其研究表明散煤改电(气)措施替代农户户数约为366万户,实施后对PM2.5的减排量约为7.05万t,按京津冀及周边地区“煤改电”占散煤改电(气)总量约30%估算[2],可以得到其研究中“煤改电”2a间替代户数约为110万户,措施对PM2.5的减排量约为2.11万t.对比本研究中“煤改电”替代户数259万户,PM2.5的减排量约为2.81万t,可见尽管两研究中采用的户均排放量与排放因子不同,但得到减排量的估算结果比较接近.

2.3 排放清单的空间分布

截至2018年年底,京津冀地区“煤改电”政策实施后,每年替代民用散煤排放PM2.5、BC、OC、NO、SO2与VOCs的空间分布如图3中所示.

从图3可知,“煤改电”实施后大气污染物的减排主要集中在北京市、天津市以及河北石家庄地区,这是由于上述地区的“煤改电”实施较早,替代燃煤量较大,相关污染物的减排量也较为明显.与之相比,张家口市与秦皇岛市部分地区,以及保定北部地区、沧州北部、石家庄南部等地区,在2018年及之前,“煤改电”尚未大规模开展,因此对相关大气污染物的减排量仍处于空白状态.由图3可见,与北京市、天津市相比,河北省大部分区域的“煤改电”工程还有很大的实施空间.

2.4 排放清单的时间分布

图4 京津冀各地区散煤燃用量月分布系数

2.5 不确定性分析

为了评估基于现场调研数据以及人工神经网络计算得到的各污染物排放量的不确定性范围,采用蒙特卡洛模拟进行不确定性分析.蒙特卡洛分析的原理是根据排放因子、活动数据或者其他估算参数的概率分布函数选择随机值,然后计算得到相应的排放值.利用计算机多次重复这一过程,每次计算的结果用来构建总排放的概率密度函数[36].京津冀地区“煤改电”替代民用散煤大气污染物排放清单不确定性主要来自于燃煤量、排放因子以及原煤与型煤比例的不确定性.假定基于人工神经网络计算得到的燃煤量为对数正态分布,其标准偏差根据表3中燃煤量最大偏差区间取值43.5%;原煤与型煤比例为对数正态分布,标准偏差设置为10%;排放因子为三角分布[9,15,37].在95%的置信区间下,评估得到京津冀地区“煤改电”替代民用散煤排放各类大气污染物的不确定性范围(表5).BC与OC的不确定性区间分别为-45.76%~59.32%和-52.13%~68.62%,与Peng等[15]的结果-62%~155%和-58%~119%相比偏小,其原因在于本研究基于文献统计分析减少了燃煤量的偏差范围.此外,由于使用了相同的污染物排放因子,本研究得到污染物的不确定性区间与Cheng等[9]报道结果相近.

表5 京津冀地区“煤改电”替代民用散煤污染物排放量的不确定性(%)

3 结论

3.1 在实地调研京津冀地区民用散煤消费特征的基础上,构建了基于人工神经网络的京津冀地区民用散煤消费量预测模型.计算得到京津冀地区户均、人均散煤燃用量平均值为2.09,0.63t/a,其中北京地区户均、人均燃用量为3.39,1.09t/a,天津地区为2.77,0.84t/a,河北地区为1.90,0.56t/a.

3.2 截至2018年京津冀各地区“煤改电”政策实施后,共替代散煤用户约259万户,每年可减少散煤706.6万t,减少TSP、PM10、PM2.5、BC、OC、CO、NO、SO2、VOCs的排放量分别为5.24, 3.67, 2.81, 0.56, 1.99, 86.30, 0.76, 2.17和1.23万t.

3.3 北京与天津地区“煤改电”实施较早,对大气污染物的减排效果比较明显;河北张家口、承德等地区“煤改电”实施相对较晚,在“煤改电”政策实施方面还有很大的空间.

3.4 基于对农户长期跟踪数据统计分析,得到了京津冀各地区燃煤消费量月分布系数.京津冀地区供暖季集中在11月至次年4月,1月份燃煤系数最大,占比为27%~40%.

3.5 在95%置信区间下的不确定性分析结果表明,排放清单中PM2.5、BC、OC、CO、NO、SO2和VOCs排放量的不确定性区间分别为-59.77% ~ 90.57%、-45.76% ~ 59.32%、-52.13% ~ 68.62%、-42.74% ~ 61.16%、-52.33% ~ 70.93%、-36.52% ~ 50.00%、-43.94% ~ 55.30%.

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

[2] 中国煤控研究项目散煤治理课题组.中国散煤综合治理调研报告2018 [EB/OL]. http://coalcap.nrdc.cn/datum/info?id=79&type=22018-08-31/2020-08-03. China coal consumption cap plan and policy research project dispersed coal governance group. China dispersed coal governance report 2018 [EB/OL]. http://coalcap.nrdc.cn/datum/info?id=79&type=22018-08- 31/2020-08-03.

[3] 卢亚灵,周 思,王建童,等.北方试点地区农村散煤治理的政策回顾与展望 [J]. 环境与可持续发展, 2020,45(3):39-44. Lu Y L, Zhou S, Wang J T, et al. Review and prospect of rural bulk coal management policy in pilot cities of the North China [J]. Environment and Sustainable Development, 2020,45(3):39-44.

[4] 生态环境部.专家解读《打赢蓝天保卫战三年行动计划》 [EB/OL]. http://www.gov.cn/zhengce/2018-07/06/content_5303964.htm2020-07-06/2020-08-03. Ministry of ecology and environment of the people’s republic of China. Expert interpretation of "Three-year Action Plan to Win the Blue Sky Defense War" [EB/OL]. http://www.gov.cn/zhengce/2018-07/06/ content_5303964.htm2020-07-06/2020-08-03.

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

[6] 王彦超,蒋春来,贺晋瑜,等.京津冀大气污染传输通道城市燃煤大气污染减排潜力 [J]. 中国环境科学, 2018,38(7):2401-2405. Wang Y C, Jiang C L, He J Y, et al. Air pollutant emissions reduction potential from burning coal in cities of air pollution transmission channel in Beijing-Tianjin-Hebei area [J]. China Environmental Science, 2018,38(7):2401-2405.

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

[8] 支国瑞,杨俊超,张 涛,等.我国北方农村生活燃煤情况调查、排放估算及政策启示 [J]. 环境科学研究, 2015,28(8):1179-1185. Zhi G R, Yang J C, Zhang T, et al. Rural household coal use survey, emission estimation and policy implications [J]. Research of Environmental Science, 2015,28(8):1179-1185.

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

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

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

[12] 牛宏宏,王宝庆,刘博薇,等.乌鲁木齐市散煤燃烧大气污染物排放清单及时空分布特征 [J]. 环境科学研究, 2019,32(1):135-141. Niu H H, Wang B Q, Liu B W, et al. Emission inventory and temporal-spatial distribution of air pollutants from residential coal combustion in Urumqi City [J]. Research of Environmental Science, 2019,32(1):135-141.

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

[14] 谢卧龙,张怀德,刘 鑫,等.山西省农村地区燃煤采暖情况入户调查及排污量估算 [J]. 环境科学研究, 2018,31(4):642-647. Xie W L, Zhang H D, Liu X, et al. Sampling survey and air pollutants emission estimation of coal combustion for heating in rural areas of Shanxi Province [J]. Research of Environmental Science, 2018,31(4): 642-647.

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

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

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

[18] 袁鹏丽,端木琳,王宗山.基于实测能耗数据的农宅供暖能耗影响因素分析 [J]. 建筑科学, 2020,36(2):28-37. Yuan P L, Duan M L, Wang Z S. Analysis of influencing factors of heating energy consumption of rural residence based on measured energy consumption data [J]. Building Science, 2020,36(2):28-37.

[19] 郑远攀,李广阳,李 晔.深度学习在图像识别中的应用研究综述 [J]. 计算机工程与应用, 2019,55(12):20-36. Zheng Y P, Li G Y, Li Y. Survey of application of deep learning in image recognition [J]. Computer Engineering and Applications, 2019, 55(12):20-36.

[20] 梁 荣,王洪涛,吴奎华,等.基于神经网络和ARIMA模型的冷热电短期负荷预测 [J]. 电力系统及其自动化学报, 2020,32(3):52-58. Liang R, Wang H T, Wu K H, et al. Short-term forecasting of cooling, heating and power loads based on neural network and ARIMA mode [J]. Proceedings of the CSU-EPSA, 2020,32(3):52-58.

[21] 杨仲江,蔡 波,刘 旸.利用双隐层BP网络进行雷暴潜势预报试验——以太原为例 [J]. 气象, 2013,39(3):377-382. Yang Z J, Cai B, Liu Y. Experimental research on thunderstorm forecasting with double hidden layer BP neural network:case study on Taiyuan [J]. Meteorology, 2013,39(3):377-382.

[22] 宗宸生,郑焕霞,王林山.改进粒子群优化BP神经网络粮食产量预测模型 [J]. 计算机系统应用, 2018,27(12):204-209. Zong C S, Zheng H X, Wang L S. Grain yield prediction based on BP neural network optimized by improved particle swarm optimization [J]. Computer Systems and Applications, 2018,27(12):204-209.

[23] 李 春.基于BP和LSTM神经网络的基因表达预测研究 [D]. 太原:太原理工大学, 2019. Li C. Gene expression prediction based on BP and LSTM neural networks [D]. Taiyuan:Taiyuan university of technology, 2019.

[24] 北京市发展和改革委员会.北京市“煤改电”用户达到128万户[EB/OL].http://fgw.beijing.gov.cn/gzdt/fgzs/gzdt/202004/t20200417_ 1814458.htm2018-12-14/2020-08-03. Beijing Municipal Development and Reform Commission.Beijing's "Coal to Electricity" users reached 1.28million [EB/OL].http://fgw. beijing.gov.cn/gzdt/fgzs/gzdt/202004/t20200417_1814458.htm2018- 12-14/2020-08-03.

[25] 国网天津市电力公司.中国电力报《为了天更蓝环境更美》[EB/OL]. http://www.tj.sgcc.com.cn/html/main/col37/2015-12/29/20151229103408823202890_1.html2015-12-29/2020-08-03. State Grid Tianjin Electric Power Company. China Electric Power News "For the Blue Sky and the Beautiful Environment" [EB/OL]. http://www.tj.sgcc.com.cn/html/main/col37/2015-12/29/20151229103408823202890_1.html2015-12-29/2020-08-03.

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

[27] 河北省发展和改革委员会.对政协河北省第十二届委员会第二次会议第605号提案的答复 [EB/OL]. http://hbdrc.hebei.gov.cn/web/web/ xxgkzhzwjytadf/4028818b6a540d2b016a5895c5e7389f.htm2019-04-19/2018-08-03. Hebei provincial development and reform commission. Reply to proposal No. 605of the second meeting of the 12th Hebei provincial committee of the CPPCC [EB/OL]. http://hbdrc.hebei.gov.cn/web/ web/xxgkzhzwjytadf/4028818b6a540d2b016a5895c5e7389f.htm2019-04-19/2018-08-03.

[28] 天气网.国内城市历史天气 [EB/OL]. https://lishi.tianqi.com2020- 08-03/2020-08-03. Tianqi Net. Historical weather in domestic cities [EB/OL]. https: //lishi.tianqi.com2020-08-03/2020-08-03.

[29] 北京市统计局,国家统计局北京调查总队.北京统计年鉴2019 [EB/OL]. http://nj.tjj.beijing.gov.cn/nj/main/2019-tjnj/zk/indexch.htm/2019-09-01. Beijing municipal bureau of statistics, Survey office of the national bureau of statistics in Beijing. Beijing statistical yearbook 2019 [EB/OL]. http://nj.tjj.beijing.gov.cn/nj/main/2019-tjnj/zk/indexch. htm2019-09-01/2020-08-03.

[30] 天津市统计局,国家统计局天津调查总队.天津市统计年鉴2019 [EB/OL]. http://stats.tj.gov.cn/nianjian/2019nj/zk/indexch.htm2019- 09-01/2020-08-03. Tianjin municipal bureau of statistics, Survey office of the national bureau of statistics in Tianjin. Tianjin statistical yearbook 2019 [EB/OL]. http://stats.tj.gov.cn/nianjian/2019nj/zk/indexch.htm2019- 09-01/2020-08-03.

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

[32] 中华人民共和国生态环境部.关于发布《民用煤燃烧污染综合治理技术指南(试行)》与《民用煤大气污染物排放清单编制技术指南(试行)》的公告 [EB/OL]. http://www.mee.gov.cn/gkml/hbb/bgg/201610/ t20161031_366528.htm2016-10-26/2020-08-03. Ministry of ecology and environment of the people’s republic of China. Announcement on the issuance of "Technical Guidelines for the Comprehensive Treatment of Residential Coal Combustion Pollution (Trial)" and "Technical Guidelines for the Compilation of Residential Coal Air Pollutant Emission Inventories (Trial)" [EB/OL]. http://www. mee.gov.cn/gkml/hbb/bgg/201610/t20161031_366528.htm2016-10- 26/2020-08-03.

[33] 霍沫霖,赵 佳,徐 朝,等.中国散烧煤消费地图及影响因素研究 [J]. 中国电力, 2018,51(1):139-146. Huo M L, Zhao J, Xu C, et al. China scattered coal consumption map and influence factors [J]. China Electric Power, 2018,51(1):139-146.

[34] 国家统计局.北京市2010年第六次全国人口普查主要数据公报 [EB/OL]. http://www.stats.gov.cn/tjsj/tjgb/rkpcgb/dfrkpcgb/201202/t20120228_30381.html2012-02-28/2020-08-03. National bureau of statistics. Beijing 2010sixth national census data bulletin [EB/OL]. http://www.stats.gov.cn/tjsj/tjgb/rkpcgb/dfrkpcgb/ 201202/t20120228_30381.html2012-02-28/2020-08-03.

[35] 河北省统计局.河北经济年鉴2012 [EB/OL]. http://tjj.hebei.gov.cn/ extra/col20/2012/0201.htm2012-09-01/2020-08-03. Hebei statistics bureau. Hebei economic yearbook 2012 [EB/OL]. http://tjj.hebei.gov.cn/extra/col20/2012/0201.htm2012-09-01/2020-08-03.

[36] 日本全球环境战略研究所,2006年IPCC国家温室气体清单指南 [EB/OL]. https://www.ipcc-nggip.iges.or.jp/public/2006gl/chinese/ vol2.html2006-01-01/2020-08-03. The institute for global environmental strategies, 2006IPCC guidelines for national greenhouse gas inventories [EB/OL]. https://www.ipcc- nggip.iges.or.jp/public/2006gl/chinese/vol2.html2006-01-01/2020- 08-03.

[37] 彭立群,张 强,贺克斌.基于调查的中国秸秆露天焚烧污染物排放清单 [J]. 环境科学研究, 2016,29(8):1109-1118. Peng L Q, Zhang Q, He K B. Emissions inventory of atmospheric pollutants from open burning of crop residues in china based on a national questionnaire [J]. Research of Environmental Science, 2016, 29(8):1109-1118.

致谢：本研究中人工神经网络模型是在华北电力大学(保定)电子与通信工程系张卫华老师的大力支持下完成的,在此表示衷心的感谢.

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

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

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

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

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

X513

A

1000-6923(2021)04-1489-09

李 朋(1986-),男,湖北仙桃人,高级工程师,博士,主要从事能源与环保领域相关研究.发表论文10余篇.

2020-09-14

国家电网公司总部科技项目(52010118000C);国网冀北电力公司科技项目(52018K18001D)

* 责任作者, 高级工程师, lipengzt@139.com