首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于检储配物资的碳足迹核算模型应用研究实践

基于检储配物资的碳足迹核算模型应用研究实践

2025-02-16 56 上传者：管理员

摘要：为了衡量和评价检储配物资全过程碳足迹，本文选取典型检储配物资生产过程、抽检过程、仓储过程、配送过程，构建全过程碳足迹核算模型、计算方法，通过全过程计算结果，量化检储配物资任一环节碳排放以及各环节碳排放贡献。优化生产过程、材料选取、运输环节，减少企业碳排放量，推动检储配物资生产与供应降碳、节能、减污，带动产业链绿色低碳发展。

关键词：
全球气候变化
核算模型
检储配物资
环境保护
碳足迹
加入收藏

随着全球气候变化和环境保护意识的增强,碳足迹成为评估电力物资生产､物资供应影响供应商的重要指标之一｡电力物资供应商需要在“双碳”目标下的优化生产路径､能源结构,迭代升级产品,实现碳减排的同时,提高生产率,以确保可持续发展[1]｡在电力物资供应过程中,碳排放产生在供应链活动的任一环节,电力行业检储配物资是使用量最大､应用最广泛的,该类物资是集中仓储与检测,统一配送为核心,构成电力检储配物资的供应链｡检储配物资的碳足迹指电力物资生产与供应周期内排放的温室气体总量｡包括如下5方面:电力物资生产与供应碳足迹测量和评估,通过收集和分析电力物资生产､供应过程关键环节的数据,计算电力物资的碳足迹;环境指标标签,依据电力物资的碳足迹和其它环境指标,构建环境标签;碳足迹管理工具,提供在线电力物资数据采集和核算软件平台,帮助供应商监测和管理电力物资的碳足迹数据;碳减排建议,基于电力物资碳足迹结果,向供应商提供减少温室气体排放的建议和方案,促进供应商可持续发展;碳足迹认证,为电力物资进行碳足迹认证,提供专业的第三方认证服务,增强电力物资的可信度和市场竞争力｡本文在核算检储配物资碳排放量,纳入检储配物资的生产环节,包括检储配物资生产､仓储､检测､配送等环节,通过采集生产､仓储､检测､配送等环节使用能源种类和消耗量,计算全过程全周期的碳排放量,从而引导供应商低碳绿色生产,指导电力行业采购低碳产品和使用清洁能源[2]｡

1、变压器典型工艺

变压器是一种将电能从一个电路传递到另一个电路时改变电压的设备｡由铁芯､线圈和绝缘材料等组成｡典型制造过程如图1所示｡

(1)原材料:根据设计要求,选用合适的铁芯､线圈等材料｡铁芯材料一般选择硅钢片,线圈材料一般为漆包线｡绝缘材料可以选择纸板､胶带等｡

(2)线圈绕制:包括准备材料､绕制线圈､成型､检查线圈､包扎绝缘等｡

(3)铁芯组装:包括准备材料､材料加工､铁芯剪裁､铁芯钢带成形､铁芯组装等｡

(4)绝缘件加工:包括材料准备､裁剪绝缘材料､加工绝缘材料､组装绝缘材料､测试绝缘件等｡

(5)总装配,包括绕组连接､清洁和包装等｡

2、碳足迹核算模型

对碳排放量的计算,不同研究对象,碳排放量的计算和相关数据的获得会有所差异｡本文采用的碳排放计算方法主要是排放因子法｡排放因子法是IPCC提出的第一种碳排放估算方法,也是目前应用最广泛的方法｡

式中,EM是单位容量下产品的碳排放量,单位为KgCO2e/kVA;EFe是单位容量下铁心耗用硅钢片的碳排放量,单位为KgCO2e/kVA;ECu是单位容量下绕组耗用铜的碳排放量,单位为KgCO2e/kVA;EO是单位容量下变压器油的碳排放量,单位为KgCO2e/kVA;ECs是单台产品油箱耗用的钢材用量,单位为KgCO2e/kVA;MFe是单台产品的硅钢片用量;单位为kg;MCu是单台产品的铜用量,单位为kg;MO是单台产品的油用量,单位为kg;MCs是单台产品油箱耗用的钢材用量,单位为kg;EFFe是硅钢片的碳排放因子,单位为CO2e;EFCu是铜的碳排放因子,单位为CO2e;EFO是油的碳排放因子,单位为CO2e;EFCs是钢材的碳排放因子,单位为CO2e;Cnre是变压器额定容量,单位为kVA｡

3、电-碳分析模型

“电-碳分析模型”以电力数据作为主要输入,结合能源等外部数据,采用差分整合移动平均自回归模型(ARIMA)､简单指数平滑､霍尔特的线性趋势法､Holt-Winters季节性方法､多项式拟合等组合算法,通过对生产过程､抽检过程､仓储过程及配送过程等历史数据一次能源数据消耗量,按照IPCC计算方法,计算电力检储配物资全过程的碳排放情况,与各环节的用电量进行关联分析,从而建立电力检储配物资全过程电碳分析模型,并通过自学习､自适应的方法,自动调整参数,不断提升模型的精度｡

3.1理论模型构建

参考国内外碳排放核算标准及规范(IPCC),研究电力检储配物资全过程的碳排放核算边界,基于直接排放､间接排放､其他排放三个维度,明确理论模型构建所需的数据特征,以电量数据为核心,构建电力检储配物资全过程的“电-碳分析模型”｡包括数据获取､数据治理､数据接入､电碳计算模型等,构建框架如图2所示｡

图2技术路线

3.2数据的预处理

以测算电力检储配物资全过程日､月､年度碳排放量为目标,以电力大数据为分析模型的主要变量,充分融合一次能源数据､二次能源数据､碳排放因子､工业活动等相关数据,通过异常值检测､缺失值补全､季节因素调整､趋势分析等方法对数据进行预处理,形成模型可使用的完整数据集｡

表2油浸式硅钢配电变压器(S20-M-400/10-NX2)原材料获取阶段碳排放评价值

3.3基于ARIMA与GBDT组合算法模型

基于电力数据､能源活动水平､工业生产过程等数据,结合不同企业､仓储数据特征的异质性,确定各类排放源,厘清碳排放源活动水平及排放因子等关键核算元素｡利用差分整合移动平均自回归模型(ARI-MA)､简单指数平滑､霍尔特的线性趋势法､Holt-Win-ters季节性方法､多项式拟合等组合算法,研究电力检储配物资全过程能源消费总量､碳排放与用电量的长期均衡关系｡上述算法,制定不同排放源的核算公式,差异化构建不同企业电力检储配物资全过程“电-碳分析模型”,实时监测､精准预测各企业电力检储配物资全过程碳排放情况｡

模型包括基础影响因素(a0)､因变量(y)､解释变量(x)､补充变量(z)和随机偏差部分(u)｡公式中的因变量是目标对象的自回归部分,主要是能源活动和工业过程的历史数据;公式中的解释变量是目标对象的关联回归部分,是历史和当期的电量数据;公式中的补充变量是模型的其他影响因素,充分考虑除电量外的其他因素对目标对象影响｡φ､β､r是影响系数,表示对各变量的影响程度;p､q是因变量滞后阶数和解释变量滞后阶数｡由于企业正处于经济发展和低碳转型的关键时期,工艺技术改造､能源结构调整等都将对碳排放造成较大影响,“电-碳分析模型”为面对复杂的电力检储配物资全过程发展趋势,选择的的补充变量和滞后阶数比较多样化｡

3.4模型验证优化

基于电力检储配物资全过程的资源禀赋､能源结构异质性等特点,利用机器学习等人工智能技术实现样本自学习､模型智能优选､自动参数推荐及校验､模型自适应等优化功能,提升算法模型的“智慧”能力,开展算法模型的测算验证,并优化模型设计和参数配置,形成标准化“电-碳分析模型”｡

4、计算结果分析

生产同类型､同型号检储配物资,不同生产厂商由于生产工艺差异,材料配比不同,使用生产能源不同,最终生产产品碳排放量差异较大｡本文以型号为S20-M-400/10-NX2油浸式硅钢配电变压器为例如,通过选取材料及生产工艺,计算该型号变压碳排放量,如表2所示｡

检储配过程包括仓储､抽检､配送,涉及能源有电､汽油､柴油｡本文采集某中心库某一批次在仓库存储使用消耗电量､抽检过程消耗的电量､配送过程行驶公里数､消耗的柴油量｡依据排放因子法计算各阶段碳排放量,如表3所示｡

表3检储配过程碳排放量

采集型号为S20-M-400KVA/10-NX2变压器生产过程使用原材料､用能和用电数据,利用电碳计算模型计算各环节碳排放量,如图3所示｡

图3S20-M-400KVA/10-NX2变压器各环节碳排放量计算值

参考文献:

[1]吾兴军“.双碳”背景下工业企业供应链的绿色转型探究[J].中国物流与采购,2024(8):116-117.

[2]肖成祥,王力,陈克松.工业品绿色供应链数字化解决方案研究与探索[J].宝钢技术,2024(8):17-27.

[3]黄晓平,孙银旭.基于层次分析法的工业车辆碳足迹数据质量评价[J].工程机械,2024(7):73-77.