基于灰色-马尔科夫模型的电力系统CO2排放

基于灰色-马尔科夫模型的电力系统CO2排放

徐杰1，马娜2

(1.河北大学 管理学院，河北 保定071002；2.河北大学 图书馆，河北 保定071002)

摘要：运用灰色-马尔科夫方法对电力负荷进行中长期预测，并结合电厂发电煤耗值的预测对电力系统2011-2030年的碳排放进行了测算.计算结果表明：电力系统2015，2020，2025和2030年的碳排放分别是95.583 1×108，106.724 7×108，112.359 0×108，112.914 7×108 t，在此基础上进行了分析并对电力系统未来减少CO2排放的路径从国家政策层面、电力生产环节和电网规划及调度等方面提出了建议.

关键词：灰色-马尔科夫模型；负荷预测；电力系统；碳排放

DOI：10.3969/j.issn.1000-1565.2015.05.002

中图分类号：F224.0；O211.67文献标志码：A

收稿日期:2015-02-03

基金项目：教育部中央高校科研重点资助项目(12ZX21)

CO2emissions of power systems in China based

on Grey-Markov model

XU Jie1，MA Na2

(1 College of Management, Hebei University, Baoding 071002， China;

2. Library, Hebei University, Baoding 071002， China)

Abstract：Gray-Markov method is used for long-term load forecasting, combined with the prediction of power generation coal consumption value. Meanwhile, the carbon emissions of power system in 2011-2030 are estimated through the prediction. The results show that: the power system 2015，2020，2025 and 2030 carbon emissions are 95.583 1×108，106.724 7×108，112.359 0×108 and 112.914 7×108 t.Based on that, the trend of power system low-carbon development were analyzed. Then some suggestions to reduce CO2 emissions of power system from the level of the national policy, power generation components, power grid optimize and dispatching in the future were suppesed.

Key words: Grey-Markov model; load forecasting; power system; CO2emissions

MSC 2010: 62-07; 62J05

第一作者：徐杰(1970-)，女，江苏武进人，河北大学副教授，华北电力大学在读博士，主要从事低碳经济研究和技术经济与管理研究. E-mail：crystral-2008@163.com

随着全球经济的高速发展，在人类的经济活动中，大量燃烧化石燃料产生过量的CO2，导致严重的灾害性环境问题发生.中国作为发展中国家，改革开放以来经济实现了快速发展，同时也加大了CO2的排放.按照《中国能源报告(2008)碳排放研究》一书中提供的数据，在1970-2004年中国的电力、交通运输部门和工业部门CO2排放比较集中，这些部门的碳排放量占总的碳排放量的63%~73%。电力行业作为国民经济中CO2排放的主要部门之一，占总排放量的38.76%[1].因此，在巨大减排要求下,电力行业具备显著的减排空间，而摸清电力行业碳排放状况，分析其未来的发展趋势，对电力行业制定低碳发展的路线和相关政策方针具有非常重要的意义.

对电力系统碳排放进行预测研究需要以对电力需求的准确预测为前提.为达到中国政府制定的减排目标，电力行业应该在保证国民经济发展的前提下，对电力负荷准确预测，对电源结构进行合理调整，才能掌握电力系统的碳排放情况，找到减少碳排放的途径.本文利用灰色-马尔科夫模型对电力负荷进行预测，并结合供电煤耗预测值对电力系统的碳排放进行了预测.在此基础上，对电力系统的低碳化发展提出了一些建议.

1中国近年来电力结构基本情况

中国电力结构组成见表1，火电发电量占总发电量的80%以上，且发电量逐年上升；水电发电量占总发电量的比重保持在14.55%~17.77%，核电发电量在总发电量中所占的比重一直很小，2008年最高也只占到2.30%，其他如风电等更是微乎其微.水电的碳排放几乎是零，核电链的温室气体排放为13.71 g等效每kWh CO2，而煤电链的温室气体排放[2]为1 302 g等效每kWh CO2.火电基本上是以煤炭发电为主，与此同时，发电机组往往具有较长的服役年限，这就使得中国电力行业具有很强的碳锁定效应，即未来相当长一段时间内行业的CO2排放将被当前的电源结果所“锁定”[3-4].也就是说，电力系统的碳排放主要来自于火力发电，因此，本文以火电各年的负荷数据为依据，对电力系统未来若干年后的负荷进行预测，再根据发电煤耗计算出电力系统的碳排放情况.

表1　2000-2010年中国电力结构组成

2预测方法

对于负荷预测，国内外均有比较系统的研究，目前使用的电力负荷预测技术主要有趋势外推预测技术、回归预测技术、时间序列预测技术，灰色预测技术等.其中，灰色预测技术以其较小的样本量，较高的预测精度被广泛应用于短期、中期和长期的电力负荷预测中[5].在此基础上应用改进的灰色预测技术对负荷进行预测的研究也很多.本文拟采用灰色预测和马尔科夫预测相结合的方法，即灰色-马尔科夫模型进行负荷预测.针对灰色预测使用小样本量难以进行长期预测的问题，本文采用灰色滚动预测技术，即用GM(1.1)模型预测出若干个值，然后将其补充到已知数据之后的同时去掉一些老的数据，保持数列等维，这样建立的GM(1.1)模型，再去预测下一个值，再将其结果补充到数列之后，再去掉最老的一个数据，直到完成预测目标或达到预定精度，最后再与马尔科夫预测技术相结合进行预测.灰色预测模型和马尔科夫链都可以用于时间序列的预测，灰色系统对随机性问题的处理方法进行了改变，它把系统的随机性看成灰色的，较好地应用在信息不明或不完全明确的系统中.但灰色预测一般用于数据少、时间短和波动不大的问题，其预测趋势是1条较平滑的曲线，单调递减或者递增，在进行预测时，其预测精度对随机波动较大的序列相对较低，会出现偏低或偏高的现象.而马尔科夫链研究的是随机变化系统，1个n阶马尔科夫链由n个状态的集合{a1,a2,…,an}与一组转移概率Pij(i,j=1,2,…,n)来确定.在此过程中，任意时刻只能处于一个状态，若在时刻k处于ai状态，则在时刻k+1处于aj状态，转移概率Pij反映各因素的影响程度，所以马尔科夫链适合对随机波动较大的动态过程进行预测，正好弥补了灰色预测的不足，二者组合可实现不同模型之间的互补，具有一定的实用性.

2.1　灰色预测模型GM(1.1)的建立

GM(1.1)模型是用原始数据作生成处理后建立的微分方程.建立GM(1.1)模型只需要1个数列，

X(0)=(X(0)(1),X(0)(2),…,X(0)(n))，

(1)

对该数列作一阶累加生成1-AGO(accumulated generating operation),得

X(1)=(X(1)(1),X(1)(2),…,X(1)(n))=(X(1)(1),X(1)(1)+X(0)(2),…,X(1)(n-1)+X(0)(n)),

(2)

将原始数列经累加生成后，弱化了原始数据中坏数据的影响，使其变为有规律的生成数列后再建模.利用X(1)构成下述一级白化微分方程：

(3)

利用最小二乘法求解参数a,u,

X=[a,u]T=(BTB)-1BTYN,

(4)

(5)

YN=[X(0)(2),X(0)(3),…,X(0)(n)]T，

(6)

得到灰色预测模型为

(7)

2.2　灰色马尔科夫模型的建立

灰色马尔科夫预测模型的基本思想为：先建立灰色GM模型，得到拟合曲线；再根据拟合曲线将其划分成几个动态区间，然后通过马尔科夫转移概率矩阵预测下一个状态，从而计算出预测值.具体步骤如下:

第1步：预测值计算

第2步：状态划分

首先利用灰色预测模型进行各年火力发电量的预测，用实际值与预测值比较得到每年发电量的预测残差.根据残差所占实际值的比重对残差状态进行划分，本文对负荷预测结果做如下处理.

1)残差比重在-4%以下，表示电力负荷预测值被严重低估，称为状态F1；2)残差比重在(-4%,0]范围内，表示电力负荷预测值被正常低估，称为状态F2；3)残差比重在(0,4%]范围内，表示电力负荷预测值被正常高估，称为状态F3；4)残差比重在4%以上，表示电力负荷预测值被严重高估，称为状态F4.

第3步：状态转移概率矩阵的确定

第4步：预测

根据马尔科夫预测模型，s1=s0*P;s2=s0*P2;…;sn=s0*Pn即可进行预测.

3负荷和发电煤耗预测

3.1　负荷预测

3.1.1原始数据和火力发电预测值

根据中国2000-2010年的负荷数据，按照上述方法对未来若干年的负荷情况进行了预测.考虑到电力系统的碳排放主要来自于火力发电，本文在测算时选取火力发电数据.

根据前述的改进的灰色GM(1.1)模型，将2000-2010年的火力发电数据作为原始序列，进行灰色预测，预测值如表2所示.

表2　火力发电量预测值

图1　2000-2010年原始数据与预测值的比较

3.1.2状态划分

根据前述方法，对2000-2010年的预测值进行状态划分，其中2001,2002年处于状态F1，2000,2003,2004,2008,2009,2010年处于状态F2，2005年处于状态F3，2006，2007年处于状态F4.由残差的状态转移的频数统计得到状态转移概率矩阵为

3.1.3预测

根据马尔科夫预测模型，可得2015，2020，2025，2030年的状态转移预测值.其中S0=(0.1820.5450.0910.182).终预测值=灰色预测值/(1+p*中值)，P为该年度状态的最大概率值，中值=0.5*(该状态的上限+下限)，其中，状态1和4的中值分别取-2%和2%.通过计算，可以得到电力负荷的预测值：2015年为44 881.24×108kWh；2020年为56 213.65×108kWh；2025年为67 478.96×108kWh；2030年为79 547.23×108kWh.

为了提高预测精度，在使用灰色马尔科夫预测方法的同时，本文还应用趋势外推预测技术和回归预测技术对预测结果进行了修正，具体结果见表3.

表3　电力负荷预测值

3.2　发电煤耗值的预测

中国火力发电2000-2010年的发电煤耗原始数据见表4.根据表4数据，采用改进的GM(1.1)模型，即灰色滚动预测，同时结合趋势外推预测和回归预测，可得到如下预测结果：2015年的煤耗值为302.28 g/kWh;2020年的煤耗值为268.58 g/kWh；2025年的煤耗值为234.88 g/kWh；2030年的煤耗值为201.18 g/kWh.

表4　2000-2010年的发电煤耗数据

4电力系统碳排放的计算

电厂发电运行中，产生的温室气体主要是CO2和少量的N2O.燃煤电厂按常规燃烧方式所生成的NOx中，NO占90%左右，N2O仅占1%左右[7].根据国家发改委能源研究所和《节能手册2006》推荐的数值，吨标煤CO2排放系数(t/tce)为2.456 7 t/tce，吨标煤NOx排放系数(t/tce)为0.015 6 t/tce.此外，根据IPCC第3次评估报告(2001)给出的温室气体的预设GWP值，CO2为1 g CO2当量每g温室气体，N2O为296 g CO2当量每g温室气体.通过计算可得各年的碳排放量：2015年的CO2排放量为95.583 1×108t；2020年的CO2排放量为106.724 7×108t；2025年的CO2排放量为112.359 0×108t；2030年的CO2排放量为112.914 7×108t.

5结论

计算结果表明：电力系统的CO2排放量呈现出不断上涨的趋势，但随着电力低碳技术的不断改进，发电煤耗会呈现出不断降低的趋势，虽然随着国民经济的发展，对电力负荷的需求会持续增加，但电力系统的总体CO2排放的增长趋势相比负荷增长是相对缓慢的.如果保持现有的电源结构，电力系统的减排工作任重而道远。建设低碳电力系统，不仅要实现现有化石燃料发电机组的减排，从长远看还要以可再生能源等清洁能源为主要依托实现电力系统的低碳发展.具体可从以下几方面开展工作.

1)国家相关政策层面，可适时适当的开征“二氧化碳税”.作为一个有效治理环境的经济政策工具，从长期来看，碳税能有效地降低企业的CO2排放量，改变电力行业的能源消费结构并起到降低能源消耗的作用.

2)在电力生产环节，鼓励发电企业的低碳发展，加大化石燃料低碳发电技术的创新和应用，发展循环经济；大力发展以超临界、超超临界为代表的高效、清洁的发电技术和增压流化床联合循环技术、热电联产等等，通过技术创新降低电力生产环节的碳排放.

3)在电力战略规划方面，要不断调整区域电源结构，逐渐降低火力发电所占比例，大力发展以太阳能发电、风能发电和水能发电为主的可再生能源发电，这对电力行业CO2的减排工作能起到至关重要的作用.

4)电网环节要优化厂网布局，加大智能电网建设；加强低碳电力调度约束；继续建设UHA变电站和数字化变电站.

参考文献:

[1]魏一鸣，刘兰翠，范英，等.中国能源报告(2008)：碳排放研究[M]. 北京：科学出版社，2008.

[2]马忠海，潘自强，谢建伦，等.我国核电链温室气体排放系数研究[J]. 辐射防护，2001,21(1)：19-24.

MA Zhonghai, PAN Ziqiang, XIE Jianlun,et al. Study of greenhouse gases emission factor for nuclear power chain of china [J]. Radiation Protection, 2001,21(1):19-24.

[3]张坤民，潘家华，崔大鹏.低碳经济论[M]. 北京：中国环境科学出版社，2008.

[4]GRUBBM, JAMASB T, POLLITT M G. Delivering a low-carbon electricity system [M]. Cambridge, UK: Cambridge University Press, 2008.

[5]邓聚龙. 灰色预测与决策[M]. 武汉：华中理工大学出版社，1986.

[6]王泽文，张文，邱淑芳. 灰色-马尔科夫模型的改进及其参数计算方法[J]. 数学的实践与认识，2009,39(1)：125-131.

WANG Zewen, ZHANG Wen, QIU Shufang. Improvement of Grey-Markov model and computational methods of its parameters [J]. Mathematics In Practice And Theory, 2009, 39(1):125-131.

[7]康重庆，周天睿，陈启鑫.电网低碳效益评估模型及其应用[J]. 电网技术，2009(17)：1-6.

KANG Chongqing, ZHOU Tianrui, CHEN Qixin. Assessment model on low-carbon effects of power grid and its application [J]. Power System Technology, 2009(17):1-6.

[8]李敏，江辉，黄银华，等. 马尔科夫链在电力负荷组合预测中的应用[J]. 电力系统及其自动化学报，2011，23(2)：131-134.

LI Min, JIANG Hui,HUANG Yinhua,et al. Combination load forecasting with time-varying weights based on Markov chain[J]. Proceedings of the CSU-EPSA, 2011,23(2):131-134.

[9]夏慧明，王志刚，吴金林. 灰色系统非线性回归电力负荷预测[J]. 科学技术与工程，2012,23(12)：5884-5887.

XIA Huiming,WANG Zhigang, WU Jinlin. Nonlinear regression in power load forecasting based on Grey model[J].Science Technology and Engineering,2012,23(12):5884-5887.

[10]PAO Hsiaotien, FU Hsinchia, TSENG Chenglung. Forecasting of CO2emissions energy consumption and economic growth in China using an improved Grey model[J]. Energy, 2012, 40(1): 400-409.

[11]SUN Wei, WANG Jingmin, CHANG Hong. Forecasting carbon dioxide emissions in China using optimization Grey model[J].Journal of Computers,2013, 8: 91-101.

[12]GUO Linbao. Grey forecasting model for CO2emissions[J].Advanced Materials Research, 2012,518-523: 1664-1668.

(责任编辑：王兰英)