基于電力大數據的鋼鐵企業大氣污染物排放核算模型構建及應用

周衛青，楊俊琦，寧 亮，吳華成，薄 宇，張 強，田賀忠*

1. 國網冀北電力有限公司電力科學研究院，華北電力科學研究院有限責任公司，北京 100045

2. 北京師范大學環境學院，環境模擬與污染控制國家重點聯合實驗室，北京 100875

3. 北京師范大學大氣環境研究中心，北京 100875

4. 國網冀北電力有限公司唐山供電公司，河北 唐山 063000

5. 清華大學地球系統科學系，北京 100084

近年來，全球眾多國家和地區面臨空氣污染的持續危害[1-2]. 2021年9月，世界衛生組織(World Health Organization, WHO)對《世衛組織空氣質量指南》中多項空氣污染物的指導值進行了修訂，并指出全球99%的人口呼吸著受污染的空氣，空氣污染對人體的危害不容忽視[3-4]. 以煤為主的能源消費結構和鋼鐵、建材等重工業快速發展，致使我國的空氣污染問題尤為突出[5]. 我國政府自2013年以來先后發布并實施了《大氣污染防治行動計劃》《打贏藍天保衛戰三年行動計劃》等措施，推動了空氣質量的顯著改善.然而，2022年PM2.5年均濃度為29 μg/m3[6]，仍遠高于WHO最新發布的PM2.5年均標準限值(5 μg/m3). 因此，建立健全環境治理體系，推進精準、科學、依法、系統治污將成為我國“十四五”時期生態環境保護工作的重心[7-8].

近年來大氣污染防治程度不斷加深，重污染行業的精細化管控尤為迫切. 然而，基于宏觀年度統計數據構建的傳統排放清單難以精確反映污染源的近實時排放狀況，制約了重污染行業的精準治污和應急管控. 而電力大數據覆蓋范圍日漸廣泛[9-10]，并且數據精度隨智能電網發展不斷提高[11]. 近年來，國家和地方環保部門與國家電網公司緊密合作，以期充分挖掘和發揮電力大數據潛在價值，促進電力大數據產品和服務在生態環境綜合管理信息化平臺中的應用[12]. 因此，建立基于電力大數據的精細化大氣污染物排放核算模型，將有利于量化企業的真實動態化污染排放水平，從本質上提升電力大數據在大氣污染防治中的作用.

本研究基于電力大數據包含的高時空精度企業運行動態信息，結合聚類分析和生產負荷核算建立唐山市近實時大氣污染物排放動態清單核算模型，并以唐山市2019年和2022年鋼鐵行業企業為實例進行排放核算，通過核算提供近實時的排放數據從而精準定量鋼鐵行業污染物排放，實現鋼鐵行業年/月/日/小時排放水平的直接評估與量化，進而更為全面、準確、動態地反映鋼鐵行業企業真實、動態排放狀況. 基于核算模型，以期為環境監管部門提供主動實施、精準監控的技術手段，改變目前監管人力消耗大、監管效果差的現狀，進一步提升電力大數據在大氣環境監管中的應用價值.

1 電力大數據在大氣污染防治中的應用現狀

2013年《大氣污染防治行動計劃》發布以來，我國頒布并實施了一系列政策措施，環境空氣質量得到明顯改善，各地污染物濃度呈下降趨勢[4]. 但隨著典型污染源深度治理的不斷推進，進一步減排的難度也逐漸加大，大氣污染防治進入深水區. 近期多位學者對減污降碳的協同效益進行了研究，指出“雙碳”目標的實現將推動我國空氣質量的顯著改善[13-18]，因此確保相關政策措施的落地見效、實現進一步精準治污顯得尤為重要.

1.1 各級生態環境部門與電網公司戰略合作協議簽署情況

鑒于電力大數據在覆蓋性和精細化方面的優勢，2020年11月11日生態環境部與國家電網有限公司在北京簽署《電力大數據助力打贏打好污染防治攻堅戰戰略合作協議》，旨在推進深化大數據應用，助力精準治污、科學治污和依法治污. 隨后，各省份各級生態環境保護部門與國家電網子公司陸續開始簽署本地化的戰略合作協議(見圖1). 截至2022年底，全國各級生態環境部門與電網公司公開簽署戰略合作協議約20份，戰略協議的簽署將加速推進電力大數據在助力打好污染防治攻堅戰的應用.

圖1 我國不同省份各級生態環境部門與電網公司簽署戰略合作協議的情況Fig.1 The situation of strategic cooperation agreements signed between departments of ecology and environment and state grid electric power companies in different provinces in China

1.2 利用電力大數據評估環境空氣質量

部分學者嘗試使用電力數據開展環境空氣質量評估研究. 汲國強等[19]通過分析2014年亞洲太平洋經濟合作組織(Asia-Pacific Economic Cooperation, APEC)會議期間唐山市日用電量數據與空氣質量指數(AQI)的關聯發現，在同時考慮氣象等其他因素的前提下，電力數據可以反映停限產措施對空氣質量的改善效果. 吳力波等[20]通過結合上海市工業企業用電數據和排放因子計算方法，提出了單位用電量的污染物排放系數，建立了工業企業基于用電量的高頻(15 min)常規大氣污染物排放清單估算方法，并提出可在智能電網大數據基礎上建立工業企業污染物排放實時監測熱力圖，服務于上海市大氣污染的實時預警和預測.

1.3 利用電力大數據配合環保部門進行停/限電

大氣污染物排放量的降低可以從降低企業用電量著手[21]. 2017年，國網河南省電力公司商丘供電公司立足行業特點，配合環保部門累計對153家污染企業采取限電措施，確保了大氣污染防治各項措施的有效開展[21]. 2017年12月，國網河南省電力公司舞陽縣供電公司按照政府《河南省2017-2018年秋冬季工業企業錯峰生產實施方案》等省定限產/停產文件通知下發倒逼任務方案，確保省定停產企業拉閘限電以及限產企業供電量曲線出現一定幅度的下滑，助力大氣污染防治攻堅任務圓滿完成[22].

1.4 利用電力大數據輔助企業用電監管

電力數據可有效監控企業生產運行情況，評估企業對重污染應急預案的執行力度. 國網湖南省電力有限公司株洲供電分公司積極推進企業生產和環保設施用電采集設備安裝，通過對加裝電表企業的遠程實時監測和未加裝企業用電負荷晝夜不平衡度分析，建立“電力大數據+環保監管”數據平臺，致力于將被動的環境監管執法轉為主動精準查處[23]. 國網新疆電力有限公司基于數據中臺和數據云平臺架構，搭建重點企業污染防治監控體系，用于評估污染源生產狀況、實時監測企業減排和限排措施執行情況、分析“散亂污”企業歷史用電特征，助力“散亂污”企業的治理和監管[24].

1.5 存在問題

大氣污染物排放核算通?；趥鹘y宏觀統計資料進行，常見的有物料衡算法、排放因子法和實際測量法等. 已有許多研究對燃煤電廠[25]、鋼鐵[26-28]、水泥[29]、焦化[30]、平板玻璃[31-32]等重污染行業進行核算，隨著環境數據的不斷公開，核算日趨精細化[33-34]，然而相關核算仍具有數據更新周期時間長、難以實現動態更新的缺點，目前大氣污染物排放特征仍有待進一步提高，而電力大數據具備覆蓋范圍廣、價值密度高、實時準確性強、體量大、類型多、異常值少、時序性強等優勢，已被率先用于環境空氣質量管理. 但從電力大數據的應用形式看，只是數據的被動共享，針對電力數據優化大氣污染物核算及排放清單時空分辨率提升的研究較為鮮見，未真正體現電力大數據的價值.

2 基于電力大數據的鋼鐵企業大氣污染排放核算模型構建

唐山市作為代表性的資源型重工業城市，鋼鐵、水泥、陶瓷、焦化等重化工企業密集，在其經濟快速發展的同時，也向大氣環境中排放了大量污染物，對本地和區域大氣環境空氣質量產生影響. 2019年全國地級及以上城市空氣質量狀況排名中唐山市位居倒數第6位，給當地人民的經濟健康造成一定危害.《唐山市統計年鑒-2020年》[35]顯示，區域工業用電量占全社會用電量的比例為83%，而作為唐山市支柱產業的鋼鐵行業本身具有工序復雜、排污量大、用電量高等特征. 因此，以唐山市鋼鐵企業為例，探究基于電力大數據的大氣污染物排放核算模型的構建方法，以期實現唐山市鋼鐵企業大氣污染物高時間精度排放的定量評估.

2.1 設計思路

選擇唐山市鋼鐵企業用電量數據為研究對象. 通過數據清洗優選得出不同規模/工藝類型的長流程鋼鐵企業小時尺度數據. 通過確定研究邊界(焦化、燒結/球團、高爐煉鐵、轉爐煉鋼)，建立電力大數據與鋼鐵企業污染排放關系，包括4個步驟，即鋼鐵企業電力數據獲取、外購電和總用電關系模型建立、鋼鐵行業用電量與產品產量關系模型構建、基于負荷的大氣污染物排放清單建立.

2.2 鋼鐵企業電力數據獲取

確定研究邊界后，即可進入數據收集階段. 數據收集主要包括電力大數據和鋼鐵企業生產數據，工藝及產能規模如表1所示. 本研究采用的電力大數據來自國家電網公司. 通過數據清洗優選，得到唐山市17家不同規模/工藝類型長流程鋼鐵企業的小時尺度電力數據. 與此同時，基于實地調研及專家咨詢等方法手段，同步收集鋼鐵企業內部包括焦化、燒結、球團、高爐煉鐵、轉爐煉鋼等工序情況以及總用電量數據及分工序產品產量數據.

表1 唐山市17家鋼鐵企業工藝類型及產能規模Table 1 Process type and capacity scale of 17 steel enterprises in Tangshan City

2.3 外購和總用電量的關系模型建立

數據收集優選后，根據實際鋼鐵行業生產狀況構建外購電量和總用電量關系模型. 而鋼鐵行業自備電廠發電使用量占總用電量的比例在40%以上[36]，直接構建外購電量與鋼鐵產品產量之間的關系模型存在較高不確定性. 通過唐山鋼鐵企業實地調研、行業專家咨詢和文獻調研等方法[37]，率先建立外購電量與總用電量關系. 此外，為避免不同鋼鐵企業產能差異對模型結果的干擾，本研究引入鋼鐵企業高爐工序的生鐵產量對用電量數據進行修正和離差標準化，建立離差標準化后的單位鐵水生產所需的外購電與離差標準化后的單位鐵水生產所需總用電的擬合關系. 由圖2(a)可見，鋼鐵行業單位鐵水外購電量與總用電量呈較為顯著的線性關系，擬合曲線相關系數可達0.794.

圖2 鋼鐵行業用電數據分析結果Fig.2 Analysis results of electricity consumption data in iron and steel industry

我國鋼鐵行業以長流程鋼鐵為主，具有焦化、燒結/球團、高爐煉鐵、轉爐煉鋼等工序，不同工序用電量及污染特征具有較大差異. 因此，結合行業專家咨詢及文獻調研[38-40]等多種方式確定焦化、燒結、球團、高爐、煉鋼、軋制、其他工序用電量占總用電量的比例分別為9.3%、8.2%、2.5%、15.3%、9.5%、21.1%、34.1%.結合對應工序用電量比例即可得出對應工序用電量〔見式(1)〕.

式中：E為總電量，kW·h；Ij為j工序(焦化、燒結、球團、煉鐵、煉鋼)用電量比例，%；Ej為j工序用電量，kW·h.

2.4 鋼鐵行業用電量與產品產量關系模型構建

最高實際生產負荷對建立用電量和實際生產負荷關系模型具有重要意義. 基于現場調研發現，鋼鐵行業整體生產負荷基于高爐生產情況進行調節，總體表現為全年絕大部分時間處于穩定生產狀態，少數時間處于檢修狀態. 因此，本研究假定鋼鐵企業存在3種生產狀態，即穩定狀態、非穩定狀態及檢修狀態.基于K-means聚類分析[41]，并將各鋼鐵企業總用電量數據分為三類，分別對應檢修狀態(一類)、穩定狀態(二類)和非穩定狀態(三類). 以唐山市某鋼鐵公司為例，聚類分析結果如圖2(b)所示. 由圖2(b)可見，在該公司選取的生產時段(共365 d)中，其中，穩定狀態共246 d，占總時段的67.4%；檢修狀態35 d，占總時段的9.6%；非穩定狀態84 d，占總時段的23.0%. 因此，本研究假定企業穩定狀態時的最大用電量對應的生產負荷為企業最高實際生產負荷.

由于受到鋼鐵產品利潤變化及政策等因素影響，鋼鐵行業處于產能過剩狀態，因此通常鋼鐵企業生產不能達到設計產能滿負荷生產[42]，最高實際生產負荷用電量往往小于設計產能負荷用電量，因此直接由設計產能負荷電量確定的工序用電負荷往往大于實際負荷. 為減小系統誤差，本研究引入工序修正系數〔見式(2)〕，即基于工序年產品產量和工序年產品產能對工序用電負荷進行修正〔見式(3)〕.

式中：Xj為j工序的修正系數；Lj為j工序的年產品產量，104t；Nj為j工序的年產品產能，104t；Fj為j工序的用電負荷，%；Emax為j工序的最高實際生產負荷用電量，kW·h. 基于實際用電負荷與產能數據即可求得生產負荷.

基于式(1)～(3)，結合工序小時產能即可得出小時產量，計算公式：

式中：Cj為鋼鐵行業j工序的活動水平，104t；Fj為j工序的用電負荷，%；Nj為j工序的年產品產能，104t；D為年實際生產運行天數，d.

2.5 基于負荷的大氣污染物排放清單建立

排放因子是用于量化單位活動水平污染物排放量的重要系數. 本研究通過排放因子法構建污染物排放量計算模型，并將式(6)結果作為活動水平，結合《城市大氣污染源排放清單編制技術手冊》[43]中的排放因子計算相關鋼鐵企業的大氣污染物排放量，計算公式：

式中：P為相關鋼鐵企業的大氣污染物排放量，t；Pj為相關鋼鐵企業j工序的大氣污染物排放量，t；Cj為鋼鐵行業j工序活動水平，104t；EFj為排放因子，t/(104t)；η為污染物控制減排效率，%. 2019年唐山市鋼鐵企業大氣污染物控制措施的安裝情況通過企業調研和環境公開報告等資料的收集梳理獲取.

2.6 模型結果驗證

基于所建立的排放核算模型，本研究核算了17家典型鋼鐵企業工序節點化大氣污染物排放，并與唐山市生態環境局提供的2019年唐山市大氣污染物排放清單(簡稱“城市清單”)進行比較，驗證模型核算結果的可靠性. 由圖3(a)可見，基于排放核算模型計算所得2019年唐山市17家典型鋼鐵企業的SO2、NOx、PM2.5、總懸浮顆粒物(TSP)、PM10、CO、黑碳(BC)、有機碳(OC)排放量分別為1 017.90、2 047.75、1 141.81、4 512.42、1 950.06、4 206 438.91、28.42、60.83 t，與城市清單的相關結果(1 002.94、2 057.11、1 130.48、1 950.06、1 897.63、4 048 697.03、27.83、60.80 t)相近，相對誤差在0.46%～4.27%之間，其中CO排放量的相對誤差為4.27%，可能是由于各企業CO排放與焦炭燃燒情況相關，較難通過電力數據進行體現，因而導致相關排放核算結果誤差較大. 對于不同工序而言，以PM2.5排放量為例，各鋼鐵行業不同工序大氣污染物排放的模型核算值與城市清單結果的相對誤差在-17.34%～10.60%之間〔見圖3(b)〕. 本研究進一步使用決定系數(r2)、歸一化平均偏差(Normalized Mean Bias,NMB)、歸一化平均誤差(Normalized Mean Error,NME)驗證所構建模型的準確性. 各鋼鐵企業PM2.5排放量如圖3(c)所示，模型核算值與城市清單結果相差較小，相對誤差在-17.34%～10.59%之間. 鋼企L污染物排放模型核算值與城市清單結果誤差較大，可能是排放因子誤差導致，其排放核算值與城市清單結果的NMB、NME分別為-0.02%、0.53%，r2為0.99.綜上，基于電力大數據的大氣污染物排放核算模型可信度較高，模型所得結果可為排放特征的精細化分析及相關排放預警措施的發布與實施提供參考依據.

圖3 基于鋼鐵行業的排放核算模型核算結果誤差分析Fig.3 Error analysis of accounting results based on emission accounting model for the iron and steel industry

3 基于電力大數據的鋼鐵行業大氣污染物排放核算模型應用

基于上述構建的基于電力大數據的大氣污染物排放核算模型，對唐山市某鋼鐵企業(粗鋼年產能約8×106t)的2022年大氣污染物排放特征進行了分析.通過將國家電網公司提供的該企業2022年營銷數據輸入模型，得出該企業2022年SO2、NOx、CO、VOCs、TSP、PM10、PM2.5、BC、OC排放核算值分別為41.13、113.8、354 528.3、3 310.25、196.31、61.08、38.13、1.44、18.45 t，與城市清單結果相比，相對誤差在6.14%以內. 該企業2022年月、日、小時尺度大氣污染物排放核算情況如圖4所示. 由圖4可見，該企業2022年大氣污染物月排放量呈先降后升的“U”型分布態勢，與蘭格鋼鐵研究中心公開的2022年度國內鋼鐵價格指數(https://www.lgmi.com)趨勢一致. 其中，1月和6月分別為最高和最低污染排放月，可能是由于鋼鐵價格波動導致生產規模發生變化，進而導致污染物排放量呈現與價格相近趨勢；此外，鋼鐵行業一般在鋼鐵價格較低的情況下進行檢修工作，使得污染物排放量在6月進一步降低. 該企業在最高污染排放月及最低污染排放月的PM2.5日排放量波動較小. 此外，該企業最高污染物排放月小時PM2.5排放量集中于18:00-翌日07:00，產量分布與電價趨勢較為一致，原因可能是由于鋼鐵行業電力消耗較大，在高負荷生產月為了降低成本采取錯峰生產，進而降低日間產量；在最低污染物排放月小時PM2.5排放量分布較平均，與高爐、轉爐等設備生產的穩定性有關. 從筆者研究結果來看，電力數據可為該鋼鐵企業進行大氣污染物高時間分辨率核算提供依據，由此可見，通過監控該鋼鐵企業用電情況可協助進行相關大氣污染物排放監管，同時也可為進一步提升電力大數據應用價值提供參考.

圖4 2022年唐山市某企業基于鋼鐵行業排放核算模型的核算結果Fig.4 Comparison of accounting results based on emission accounting model with the electricity consumption of an iron and steel industry in Tangshan City, 2022

4 結論與建議

a) 基于鋼鐵行業用電特征、企業用電量數據及其他相關企業數據構建用電量-產量-污染負荷核算模型，核算得到2019年唐山市17家典型鋼鐵企業的SO2、NOx、PM2.5、TSP、PM10、CO、BC和OC排放核算量分別為1 017.90、2 047.75、1 141.81、4 512.42、1 950.06、4 206 438.91、28.42、60.83 t. 核算結果與城市清單結果的相對誤差在-0.46%～4.27%之間，鋼鐵行業不同工序大氣污染物排放的模型核算值與城市清單結果的相對誤差在-17.34%～10.60%之間.

b) 唐山市某鋼鐵企業2022年PM2.5排放核算結果顯示，該企業2022年大氣污染物月排放量呈先降后升的“U”型分布態勢，1月和6月分別為最高和最低排放月. PM2.5日排放量變化相對較為平穩，最高排放月與最低排放月的PM2.5日排放量分別為1.7×103和7.0×102t. 最高排放月PM2.5小時尺度排放集中在18:00-翌日07:00，有較為明顯的晝夜差異.

c) 電力貫穿于企業生產的各環節，即使是以化石燃料為主要能源的行業，其生產環節風機和原輔料及產品輸送過程中的耗電量也較為可觀. 后續研究應繼續深入挖掘電力大數據在企業監管方面的應用價值，在推進企業內部不同工序或關鍵環節開展智能電表的節點化部署前提下，關聯通過環保部門審核后的企業自行減排方案，挖掘不同預警時段企業用電量的歷史規律曲線，進一步構建特殊時期關鍵生產工序用電與工業產品產量間的關系，可以實現企業停/限產措施執行情況的精準監管，確保污染防控措施的切實落地.