基于LIBS光谱实现燃煤企业碳排放量高精度快速预测

王猛 刘树林 刘晓东 孙浩瀚 张颖 李安 刘瑞斌

摘 要：准确预测煤炭的碳排放数据是实现中国“双碳”目标的重要基础。在煤炭入炉前完成碳排放量数据和煤质指标的精确、快速预测，将转变目前“先排放，后检测”的碳排放数据计算方式，对落实 “双碳”战略意义重大。以煤炭碳含量和煤质指标的精准预评估为研究目标，通过自行搭建激光诱导击穿光谱（Laser Induced Breakdown Spectroscopy，LIBS）系统和LIBS光谱统计分析，利用主成分分析-偏最小二乘（PCA-PLS）结合小样本算法对训练集进行回归训练，建立了一种煤炭的碳排放预测模型，并通过在新疆A电厂和山东B电厂中的实际应用，证明了LIBS系统在煤质指标分析中的可靠性。结果表明：所提出的预测方法与传统方法相比绝对误差最大为0.025 6 t，表现出较好的碳排放预测能力。所提方法可以用于燃煤企业碳排放量的精准预测，为实现煤炭碳排放和煤质指标的预评估提供了一种较为高效的技术解决路径。

关键词：激光诱导击穿光谱技术；碳排放；高精度快速预测

中图分类号：TD463

文献标志码：A

文章编号：1672-9315（2024）03-0597-07

DOI：10.13800/j.cnki.xakjdxxb.2024.0319开放科学（资源服务）标识码（OSID）：

High precision and fast prediction of carbon emissions from

coal-fired enterprises based on LIBS spectroscopy

WANG Meng1，LIU Shulin1，LIU Xiaodong2，

SUN Haohan2，

ZHANG Ying2，LI An2，LIU Ruibin2

（1.

College of Mechanical Engineering，Xian University of Science and Technology，Xian 710054，China；

2.School of Physics，Beijing Institute of Technology，Beijing 100081，China）

Abstract：

The accurate prediction of coal carbon emissions is an important basis for achieving Chinas “dual carbon” goal.Completing the accurate and fast prediction of carbon emissions and coal quality indicators before coal entering the furnace will transform the current method of calculating carbon emissions data from “emission first，then detection，” and is essential for implementing the “dual carbon” strategy.Our study aims to accurately evaluate the coal carbon content and coal quality indicators.We build a laser-induced breakdown spectroscopy（LIBS） system and use principal component analysis-partial least squares（PCA-PLS） combined with small sample algorithms to regressively train the training set.A prediction model of coal carbon emission is established to demonstrate the reliability of the LIBS system in the analysis of coal quality indicators through its practical application in the A power plant in Xinjiang and the B power plant in Shandong.The results show that the proposed prediction method has a maximum absolute error of 0.025 6 t compared to the traditional method，demonstrating good prediction capabilities for carbon emission.It can be adopted for the accurate prediction of carbon emissions in coal-fired enterprises and provides a relatively efficient technical solution for the pre-assessment of coal carbon emissions and coal quality indicators.

Key words：Laser-Induced Breakdown Spectroscopy（LIBS）;carbon emission;high precision and fast prediction

0 引 言

煤炭作为中国存量最大、可靠性最高的能源类型，决定了较长时期内将保持以煤炭为主的能源生产和消费结构[1-2]。碳减排是 “十四五”规划中的工作重点，精准可靠的碳排放预测技术将有助于实现“双碳”承诺中的碳排放目标。因此，发展和研究煤炭的碳排放量在线高精度快检技术对燃煤优化、节能减排至关重要。目前，工业生产中急需能够实现煤炭碳排放量在线分析的新技术。鉴于激光诱导击穿光谱技术（Laser Induced Breakdown Spectroscopy，LIBS）在定量分析待测样品中各类指标参数方面的优势，使用LIBS方法快速、精准分析煤炭中各种指标参数，尤其是碳含量数据，

实现碳排放量精确预测，是一种高效易行的方法[3-4]。

国内外众多的研究团队将LIBS技术应用于煤样成分分析[5-7]。OTTESEN等在美国加利福尼亚州利弗莫尔的桑迪亚国家实验室对单个煤颗粒中的Si、Al、Fe、Ti、Ca、Mg元素的无机组分进行了原位在线定量测量[8]；

BLEVINS等使用回声光谱仪和改进后的光学探针研发了升级版实验室LIBS系统，可以应对更恶劣的工业现场环境[9] ；GAFT等在南非的奥普提莫姆煤矿进行了4个月的性能测试，利用LIBS装置详细分析了煤样的灰分含量[10-11] ；ROMERO等在美国宾夕法尼亚州的蒙图尔发电站利用基于人工神经网络的算法对传送带上的在线LIBS装置对煤样数据进行了处理分析[12-14] ；DENG等在美国尼斯卡尤纳通用电气全球研究中心，用LIBS系统取代了相对耗时的离线分析方法，分析了IGCC电厂的固体煤与合成气中各类成分的含量[15] ；KURIHARA等在日本原町火电厂1号机组锅炉的排气管上安装了用于分析粉煤灰中的未燃烧碳MLIBS-UC2002原型机组，其分析结果与使用日本JIS M8815标准来分析得到的结果之间相关性的SD值为0.27%，表现出较高的准确性[16]。

LIBS技术可以快速精确地检测C、H、Si、Al、Fe、Ti、Ca、Mg、Na、K、Mn、Sr、Ba元素含量，而TMA可以分析计算煤渣指数。CTVRTNICKOVA等应用LIBS和热机械分析（TMA）预测煤和煤混合物的沉渣，证明了LIBS和TMA连用是取代耗时和昂贵的ICP-OES的可行技术[17] ；STIPE等利用LIBS对过滤器上积累的煤尘中的二氧化硅颗粒进行了定量分析，检测灵敏度是传统技术（基于傅里叶变换红外光谱，

FTIR的25倍[18] ；ZHANG等设计了一个完全由软件控制的LIBS系统，包括LIBS仪器、分析室和控制模块[19]。利用支持向量机（SVM）结合主成分分析（PCA）建立预测模型来定量分析灰分含量、挥发分含量和热值。

目前，LIBS技术

实现对煤质在线分析主要是通过将激光

直接作用到传送带上的流动煤样上

[20-22]。然而，在利用LIBS实现碳排放量的在线实时预测方面，研究仍相对较少。

由于LIBS光谱数据具有高维的特点，数据中光谱变量一般包含103～104个；煤质的LIBS光谱数据更加复杂，受基体效应和自吸收效应的影响，一般的单变量回归无法满足高精度定量分析的要求。基于主成分分析的偏最小二乘法（Partial Least Squares Based on Principal Component Analysis，PCA-PLS），综合考虑了光谱中所有变量，利用主成分分析法（Principal Component Analysis，PCA）可以将高维数据降维，变换到低维空间，将原始数据中变量之间的多重共线性排除，提升所建立模型的鲁棒性和泛化能力。

文中提出利用LIBS技术，对采集的定标样品光谱与固定碳含量进行定量分析，通过光谱统计分析，建立基于主成分分析的偏最小二乘法预测模型，并使用该模型所预测的含碳量进一步进行碳排放量的预测计算。

在此基础上，可实现对煤炭燃烧碳排放量的精准实时预检，并利用预测值在开采环节对煤样实现煤炭标签化，进而彻底转变目前碳排放“先排放，后检测”的传统方式，最终实现在提升工业生产效率的同时降低企业监管成本。该技术的实施在碳工业分析方面有巨大的应用价值，将为能源行业提供高效、可靠的碳排放量预测技术。

1 LIBS试验系统

1.1 试验装置

LIBS试验装置主要包括激光器、光谱仪和3D步进平台，如图1所示。试验系统采用空间光路实现，调Q脉冲激光器为美国Newwave公司的Tempest-300型Nd：YAG激光器，可以输出四波长。

依托1 064 nm脉冲开展试验，产生的激光光束经过反射镜R1、透镜L1（f=100 mm）聚焦到样品表面，从而产生等离子体，等离子体辐射光谱通过透镜组L2（f=100 mm）、L3（f=60 mm）耦合进光谱仪中。为了减小激光能量波动对试验产生的影响，试验前需将激光器预热半小时，使能量计调整激光输出能量500 mJ，透过衰减片后能量为100 mJ，并监测100次激光脉冲能量波动STD值小于0.6 mJ （Pulse to Pulse），即波动小于0.6%。光谱仪为五通道光纤光谱仪（Avantes，Netherlands），内置4 096像素线阵硅基CCD 探测器，探测波长范围为180～900 nm，光谱分辨率为0.18 nm。光谱采集延迟时间为0.5 μs，积分时间为30 μs时为最优试验参数。

1.2 样品制备与数据采集

含水对煤光谱会产生一些消极影响，减小了烧蚀质量，增大了等离子体不稳定性，从而导致其原子、分子光谱辐射强度不能代表所测样品的元素含量，元素特征峰强度与对应粒子的辐射强度出现非线性甚至无线性关系。因此，为了减小水分对光谱预测碳排放的影响，对10组煤样空干基进行烘干，将热台温度设置为100 ℃并干燥30 min，使其完全失去水分，成为干燥基。每个样品取0.4 g，使用压饼机压饼，压力15 t，保压2 min，制备成煤饼，煤饼直径15 mm，厚度4 mm。在同一样品表面选取17个采集点，采集5次脉冲。每组煤样收集85组光谱数据作为原始光谱。

1.3 数据处理与模型评估

煤饼的光谱数据处理过程，如图2所示。首先对原始谱线进行有效的光谱筛选，去除存在饱和峰（强度大于65 000）的光谱；然后去除谱线平均强度波动大于一个标准差的光谱，剩余光谱为有效光谱，做平均处理后作为相应样品的最终光谱，如图2（a）所示。对平均后的光谱数据进行预处理，包括如图2（c）光谱背景基线矫正和如图2（d）的数据归一化处理过程。在对归一化的光谱进行特征峰标记和选取的过程中，只选取大于最大峰强1/60的峰为所需要的特征峰，将其他强度置零，从而得到预处理完毕的光谱。在试验过程中，将待测样品的特征峰强度作为定量分析的输入变量。

通常采用以下几个标准评价建模的优劣：决定系数R2一般用来评估线性回归模型的线性相关度，其值在0～1，在一元线性回归的情况下，是皮尔逊相关系数R的平方值[24-25]；校正集均方根误差RMSEC、预测均方根误差RMSEP用来评估预测模型的精度，平均绝对误差MAE用来评估模型的稳定性，其值受离群点影响较大。计算公式如下

R2=SSRSST=1－SSESST=1－∑ni=1（yi－i）2∑ni=1（i－i）2

（1）

RMSE=1n∑ni=1+（yi－i）2

（2）

MAE=1n∑ni=1i－yi

（3）

式中 i为真值；yi为真值的平均值，为

预测值。对于RMSEC，n为训练集的个数；对于RMSEP，n为预测集的个数。

将10个干燥基煤样随机分割为6个训练集和4个测试集，利用PCA-PLS方法结合小样本算法（由于所用样本量较少，利用数据分割和重新组合的方法获得了具有样本代表性的光谱数据，并放大了样品组间光谱的方差信息，提升模型预测精度，预测的精度是传统方法中只用样品的平均光谱来建立定量分析模型所不能达到的[23]）对训练

集进行回归训练，得到的结果如图3所示。其中，

小样本算法中训练集数据需大于等于5，训练集数量为6，满足小样本算法样本的最低要求。最终得到的模型RMSEC为5×10-15%，R2c=1，将模型导入预测集，得到预测结果RMSEP为0.3%，R2p=

0.78，使用该模型能够较为准确地预测样品的含碳量。

2 碳排放预测

在通过LIBS技术准确获取样品含碳量后，可通过建立样品碳排放预测模型，实现碳排放量的在线评估。将采集的定标样品光谱与固定碳含量建立基于主成分分析的偏最小二乘法预测模型[26]。该模型可以表述为

yi=a1X1+a2X2+a3X3+…+akXk+b0

（4）

式中 y为所要预测的煤质中固定碳含量值；ak为线性回归模型的回归系数；Xk为所采集到的光谱强度值；b0为常数项。由此可以预测计算得到碳排放量为

F燃=Wcoal×y×MCO2MC×OF煤

（5）

式中 Wcoal为燃煤的质量，t；y为燃煤中的含碳量，%；MCO2为化学计量中二氧化碳的摩尔质量，取值为44 g/mol；MC为化学计量中碳的摩尔质量，取值12 g/mol；OF煤为燃煤机组氧化率，%。

根据《省级温室气体清单编制指南》，燃煤机组氧化率OF煤取值为98%[27-28]。进而得到光谱强度值与对应所测煤样碳排放量的值为

F燃=0.035 9×Wcoal×（a1X1+a2X2+a3X3+…+akXk+b0）

（6）

使用式（6），设置Wcoal值为1 t，根据模型所预测的固定碳浓度预测每吨煤样碳排放，得到的结果如图4所示。

图4中橙色点为根据含碳量真值计算的碳排放，黑色点为基于模型预测的碳排放。其中预测结果为RP2=0.979 1，RMSEP=0.009 t，

最大误差0.025 6 t，

MAE=0.004 4 t。预测模型的绝对误差最大为0.025 6 t，显示出文中使用的模型具有很好的预测能力。因此，使用文中方法预测碳排放量是完全可行的，上述方法也为煤矿在线评估碳排放提供了初步依据。

3 工程验证

为了验证实验室中基于LIBS系统建立的碳排放的预测统计模型对于实际工业生产中碳排放的预测能力，选取新疆A电厂煤质的固定碳数据，分别计算了每吨煤基于真值（化验值）和测试数值（LIBS）的二氧化碳排放量，并绘制出二氧化碳排放量的预测误差曲线，如图5所示。从图5可以看出，现场检测化验值和测试数值计算得到的二氧化碳排放量误差非常小，证明LIBS煤质快速检测系统和PCA-PLS建模方法在实际工业生产中的可靠性，该系统和检测方法能够应用于实际工况下的碳排放的评估。

为了进一步确定LIBS系统在实际工况下实时预测煤样碳排放的准确度，使用基于文中研究所开发的LIBS在线检测平台对山东B电厂在某日的入炉煤碳排放量进行了实时监测，图6为对现场煤样预测碳排放量的实时监测数据。从图6可以看出，对于传送带上的煤，设备在依次采集待测样品光谱后即可实时给出相应煤样的碳排放量预测值。将每吨燃煤中获取的煤样碳排放量作均值处理，获得现场分时段每吨燃煤的预测碳排放量。通过LIBS预测模型计算碳含量与电厂传统方式数据相比较，所使用的LIBS模型和现场取得的真值曲线十分吻合。

因此，相较于煤电企业，目前使用的通过燃煤计算飞灰含碳量、脱硫过程中计算二氧化碳的碳排放传统计算方法，基于LIBS光谱统计

技术能够对碳排放数据给出实时的监测值，也能够更准确地给出燃煤相应的排放值。

目前燃煤企业广泛采用的方法是在废弃排放口位置安装碳排放检测装置对排放的碳进行监测，这种方法实际上是一种事后测量的方法，无法在煤炭燃烧前提前预知碳排放量。基于LIBS光谱统计技术提前对煤质测试，可对煤炭在燃烧前进行选择与控制，从而调控入炉煤炭的使用量。同时，使用LIBS技术可对不同产地的煤炭进行碳排放量标签化处理，最终将为碳交易体系提供更加精确的数据支持。

4 结 论

1） LIBS的光谱强度与被测物质基体性质有着一定的相关性，利用PCA-PLS结合小样本算法，可以实现根据煤样光谱数据预测煤样中的碳含量。

2）基于主成分分析的偏最小二乘法建立的煤炭碳排放预测模型能够在煤样燃烧之前提前预测其碳排放量，其预测结果与根据煤样含碳量真值计算的碳排放量绝对误差最大为0.025 6 t，显示出该预测模型较好的预测能力。

3）基于 LIBS光谱统计高精度预测系统在新疆A电厂及山东B电厂中的实际应用证明，使用LIBS系统可以完成传送带上流动煤样的预评估，进而实现流动煤样挥发含量、挥发分含量和热值等煤质指标的实时在线分析。

参考文献（References）：

[1] 李朋林，钟玉祥.ICT投资对碳排放效率的空间效应和影响机制[J].西安科技大学学报，2022，42（6）：1232-1242.

LI Penglin，ZHONG Yuxiang.Spatial effects and impact mechanisms of ICT investment on carbon efficiency[J].Journal of Xian University of Science and Technology，2022，42（6）：1232-1242.

[2]吕靖烨，杜靖南，曹铭，等.利用 ARIMA-SVM 模型的碳排放交易价格预测[J].西安科技大学学报，2020，40（3）：542-548.

LYU Jingye，DU Jingnan，CAO Ming，et al.Carbon emissions trading price prediction using the ARIMA-SVM model[J].Journal of Xian University of Science and Technology，2020，40（3）：542-548.

[3]施沈城，胡梦云，曾和平.几种激光诱导击穿光谱技术的改进方法[J].实验技术与管理，2022，39（7）：24-29.

SHI Shencheng，HU Mengyun，ZENG Heping.Several improved methods of laser-induced breakdown spectroscopy[J].Experimental Technology and Management，2022，39（7）：24-29.

[4]潘高威，史晋芳，邱荣，等.一种针对激光诱导击穿光谱技术的基线校正方法[J].应用光学，2022，43（3）：538-543.

PAN Gaowei，SHI Jinfang，QIU Rong，et al.A baseline correction method for laser-induced breakdown spectroscopy[J].Application Optics，2022，43（3）：538-543.

[5]丁雨昊，吕干云，刘永卫，等.考虑碳排放目标约束和需求侧响应的综合能源系统日前优化调度[J].南方电网技术，2022，16（8）：1-11.

DING Yuhao，LV Qianyun，Liu Yongwei，et al.Day-ahead optimal scheduling of integrated energy systems considering carbon emission target constraints and demand-side response[J].China Southern Power Grid Technology，2022，16（8）：1-11.

[6]白锐，赵灿，何平，等.基于DCNN-LSTM-AE-AM的短期电力负荷和碳排放量预测方法及系统：CN202211425385.7[P].2023-04-07.

BAI Rui，ZHAO Can，HE Ping，et al.Short-term power load and carbon emission prediction method and system based on DCNN-LSTM-AE-AM：CN202211425385.7[P].2023-04-07.

[7]MOULIJIN J A，NATER K A，G C H A.1987 international conference on coal science：Proceedings of the 1987 international conference on coal science，maastricht，the netherlands[J].Neurocomputing，1987，71（4-6）：26-30.

[8]OTTESEN D K，BAXTER L L，RADZIEMSKIL J，et al.Laser spark emission spectroscopy for in-situ，real-time monitoring of pulverized coal particle composition[J].Energy & Fuels，1991，5（2）：304-312.

[9]BLEVINS L G，SHADDIX C R，SICKAFOOSE S M E A.Laser-induced

breakdown spectroscopy at high temperatures in industrial boilers and furnaces[J].Applied Optics，2003，42（30）：1-12.

[10]GAFT M，SAPIR-SOFER I，MODIANO H，et al.Laser induced breakdown spectroscopy for bulk minerals online analyses[J].Spectrochimica Acta Part B：Atomic Spectroscopy，2007，62（12）：1496-1503.

[11]GAFT M，DVIR E，MODIANO H，et al.Laser induced breakdown spectroscopy machine for online ash analyses in coal[J].Spectrochimica Acta Part B：Atomic Spectroscopy，2008，63（10）：1177-1182.

[12]ROMERO C E，CRAPARO J，WEISBERG A E A.Laser-induced breakdown spectroscopy for coal characterization and assessing slagging propensity[J].Energy & Fuels，2010，24（1）：510-517.

[13]ZHANG Y，SHI M，WANG J，et al.Occurrence of uranium in Chinese coals and its emissions from coal-fired power plants[J].Fuel，2016，166：404-409.

[14]ZHANG Y，SHANG P，WANG J，et al.Trace element （Hg，As，Cr，Cd，Pb） distribution and speciation in coal-fired power plants[J].Fuel，2017，208：647-654.

[15]DENG Y，PENG B，HAO Y，et al.Laser-induced breakdown spectroscopy of aqueous silicone rubber in an argon environment[J].Frontiers in Materials，2022，9：1016209.

[16]KURIHARA M，IKEDA K，IZAWA Y E A.Optimal boiler control through real-time monitoring of unburned carbon in fly ash by laser-induced breakdown spectroscopy[J].Applied Optics，2003，42（30）：1-7.

[17]CTVRTNICKOVA T，MATEO M P，YAEZ A，et al.Application of LIBS and TMA for the determination of combustion predictive indices of coals and coal blends[J].Applied Surface Science，2011，257（12）：5447-5451.

[18]STIPE C B，MILLER A L，BROWN J E A.Evaluation of Laser-Induced Breakdown Spectroscopy（LIBS） for measurement of silica on filter samples of coal dust[J].Applied Spectroscopy，2012，66（11）：1286-1293.

[19]ZHANG L，GONG Y，LI Y E A.Development of a coal quality analyzer for application to power plants based on laser-induced breakdown spectroscopy[J].Spectrochimica Acta Part B：Atomic Spectroscopy，2015，113：167-173.

[20]杨启帆，段大卫，李楠，等.基于主成分分析的串联电池组故障诊断实用方法[J].电力自动化设备，2022，42（12）：210-216.

YANG Qifan，DUAN Dawei，LI Nan，et al.A practical method for fault diagnosis of series battery packs based on principal component analysis[J].Electric Power Automation Equipment，2022，42 （12）：210-216.

[21]周宇麒，谢晓华，何郎，等.一种基于通道加权鲁棒性主成分分析的三维脉波影像去噪方法及系统：CN201910845210.3[P].2022-09-30.

ZHOU Yuqi，XIE Xiaohua，HE Lang，et al.A Three-dimensional pulse image denoising method and system based on channel weighted robust principal component analysis：CN201910845210.3[P].2022-09-30.

[22]陈凤霞，杨天伟，李杰庆，等.基于偏最小二乘法判别分析与随机森林算法的牛肝菌种类鉴别[J].光谱学与光谱分析，2022，42（2）：549-554.

CHEN Fengxia，YANG Tianwei，LI Jieqing，et al.Identification of boletus species based on partial least squares discriminant analysis and random forest algorithm[J].Spectroscopy and Spectral Analysis，2022，42（2）：549-554.

[23]LI A，ZHANG X，WANG X，et al.High-accuracy quantitative analysis of coal by small samplemodelling algorithm based laser induced breakdown spectroscopy[J].Journal of Analytical Atomic Spectrometry，2022，37（10），2022-2032.

[24]尹晨，周世超，何建樑，等.基于多源同步信号与深度学习的刀具磨损在线识别方法[J].中国机械工程，2021，32（20）：2482-2491.

YIN Chen，ZHOU Shichao，HE Jianliang，et al.Online tool wear identification method based on multi-source synchronous signal and deep learning[J].China Mechanical Engineering，2021，32（20）：2482-2491.

[25]唐振宇，黄凯，杨期江，等.基于相关系数稀疏表征的转子振动信号周期特征提取[J].机床与液压，2022，50（17）：200-205.

TANG Zhenyu，HUANG Kai，YANG Qijiang，et al.Periodic feature extraction of rotor vibration signal based on sparse representation of correlation coefficient[J].Machine tool and hydraulic，2022，50（17）：200-205.

[26]

黄建军，李雪梅，滕宏泉.基于偏最小二乘法的黄土湿陷性评价模型[J].灾害学，2021，36（2）：60-64.

HUANG Jianjun，LI Xuemei，TENG Hongquan.Evaluation model of loess collapsibility based on partial least squares method[J].Disasterology，2021，36（2）：60-64.

[27]张骁栋，朱建华，康晓明，等.中国湿地温室气体清单编制研究进展[J].生态学报，2022，42（23）：9417-9430.

ZHANG Xiaodong，ZHU Jianhua，KANG Xiaoming，et al.Research progress of wetland greenhouse gas inventory in China[J].Acta Ecologica Sinica，2022，42（23）：9417-9430.

[28]李光华，高健，邓顺熙，等.渭南市道路移动源高分辨温室气体排放清单及特征研究[J].环境科学学报，2022，42（12）：332-340.

LI Guanghua，GAO Jian，DENG Shunxi，et al.Study on high-resolution greenhouse gas emission inventory and characteristics of road mobile sources in Weinan city[J].Journal of Environmental Sciences，2022，42（12）：332-340.

（责任编辑：高佳）