慈鐵軍，馬皓璨，杜恒，楊曉宇，陳通，吳自高

電煤供應(yīng)鏈碳排放分析與預(yù)測

慈鐵軍1,2，馬皓璨1，杜恒1，楊曉宇1，陳通1，吳自高1

（1. 華北電力大學(xué) 能源動力與機械工程學(xué)院，河北 保定 071003；2. 河北省電力機械裝備健康維護與失效預(yù)防重點實驗室（華北電力大學(xué)），河北 保定 071003）

為控制溫室氣體排放，努力實現(xiàn)“30·60目標(biāo)”，對電煤供應(yīng)鏈碳排放進行分析及預(yù)測，對指導(dǎo)減少碳排放具有重要意義。首先，采用Petri網(wǎng)理論分析電煤供應(yīng)鏈的運行模式，并結(jié)合TOPSIS法尋找關(guān)鍵鏈節(jié)點，為后續(xù)求取碳排放量打下基礎(chǔ)；然后，對各個關(guān)鍵鏈節(jié)點碳排放來源及計算公式進行分析，計算出實際碳排放量；最后，將實際碳排放量及其他影響因素數(shù)據(jù)輸入到GA-BP神經(jīng)網(wǎng)絡(luò)，得出預(yù)測值，并比較預(yù)測值與實際值的誤差，說明其準(zhǔn)確性。GA-BP神經(jīng)網(wǎng)絡(luò)引入遺傳算法，克服了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部最優(yōu)解的問題。

電煤供應(yīng)鏈；Petri網(wǎng)；碳排放；GA-BP神經(jīng)網(wǎng)絡(luò)

0 引言

為響應(yīng)“中國力爭于2030年前二氧化碳排放達到峰值、2060年前實現(xiàn)碳中和”的號召，電力行業(yè)致力于對碳排放的控制。電煤供應(yīng)鏈?zhǔn)侵笍拿禾康拈_采、儲存，經(jīng)過物流的轉(zhuǎn)運，最后到達發(fā)電廠的整個網(wǎng)絡(luò)體系，是電力行業(yè)產(chǎn)生碳排放的主要來源，對其進行研究對減少溫室氣體排放有重要意義。

許多學(xué)者對此進行了研究。文獻[1]對直覺模糊Petri網(wǎng)理論提出了一種新的推理方法；文獻[2]利用Petri網(wǎng)理論對乳制品質(zhì)量鏈進行了分析；文獻[3]提高了系統(tǒng)的適用性。文獻[4]對電煤供應(yīng)鏈采用定性與定量相結(jié)合的方法構(gòu)建了風(fēng)險評估體系。文獻[5]基于各方利益關(guān)系，對電煤供應(yīng)鏈利益協(xié)調(diào)機制進行了改進。文獻[6]分析了二氧化碳排放和經(jīng)濟發(fā)展之間的關(guān)系。文獻[7]分析了國家政策、國家經(jīng)濟發(fā)展對碳排放的影響。文獻[8]研究了碳排放的減排措施，主要方面有庫存碳排放和居民住宅碳排放。

文獻[9]基于LMDI模型對電力行業(yè)碳排放的影響因素進行了分析。文獻[10]提出在整個的供應(yīng)鏈引入綠色植物，提出可持續(xù)發(fā)展建議。文獻[11]分析了二氧化碳排放和經(jīng)濟發(fā)展之間的關(guān)系。文獻[12]分析了國家政策、國家經(jīng)濟發(fā)展對碳排放的影響。文獻[13]研究了碳排放的減排措施，主要方面有庫存碳排放和居民住宅碳排放。

以往的電煤供應(yīng)鏈研究基于的角度包括經(jīng)濟效益、物流環(huán)節(jié)等，很少有關(guān)于碳排放的研究。本文通過收集影響碳排放的相關(guān)因素數(shù)據(jù)，構(gòu)建改進BP神經(jīng)網(wǎng)絡(luò)，對電煤供應(yīng)鏈的碳排放量進行預(yù)測。該方法受主觀影響較小，得出的結(jié)果更具客觀性。

1 方法論述

1.1 Petri網(wǎng)理論

Petri網(wǎng)是將圖論用網(wǎng)狀的結(jié)構(gòu)表示出來的網(wǎng)絡(luò)模型，可用于分析并行系統(tǒng)，可根據(jù)網(wǎng)狀結(jié)構(gòu)之間的關(guān)系，模擬系統(tǒng)運行過程。其定義如下：

稱三元組=(,,)為有向網(wǎng)，簡稱為網(wǎng)（Net），需要滿足以下4個條件。

分別表示的定義域和值域。(Place)表示網(wǎng)的庫所集合，在網(wǎng)圖形中為一個圓圈；(Transition)表示網(wǎng)的變遷集合，在網(wǎng)圖形中為一個黑粗線或方框；(Flow relation)表示流關(guān)系，為庫所元素和變遷元素組成的有序?qū)?，在一個網(wǎng)中即為弧。()為集中的首個元素集合，()為集中的第二個元素集合。一個簡單的網(wǎng)模型如圖1所示：

圖1 簡單Petri網(wǎng)

圖1中的小圓點為托肯。托肯的存在即資源存在，這是變遷發(fā)生的基礎(chǔ)條件。托肯的數(shù)量代表資源的數(shù)量。

1.2 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

遺傳算法具有收斂速度快的優(yōu)點，且能在最短的時間內(nèi)尋找到全局的最優(yōu)解，可以很好地解決BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度較慢、容易陷入局部最優(yōu)的問題；所以本文將這兩種算法結(jié)合，用遺傳算法改進BP神經(jīng)網(wǎng)絡(luò)，即GA-BP神經(jīng)網(wǎng)絡(luò)[14]。

GA-BP神經(jīng)網(wǎng)絡(luò)的建模步驟如下。

步驟1：單BP模型建立。

步驟2：對需要參與實驗的個體進行編碼，且使種群歸一化。編碼長度計算如公式（1）。

式中：、、分別為輸入層、隱含層、輸出層神經(jīng)元節(jié)點數(shù)

步驟3：計算適應(yīng)度函數(shù)。適應(yīng)度是反應(yīng)該特點是否可以遺傳給下一代的關(guān)鍵。若適應(yīng)度較大，則有很大概率遺傳到下一代；相反，則容易在迭代過程中被淘汰[15]。

步驟4：選擇操作。選擇是一個隨機的過程，采用輪盤賭函數(shù)，表達式如公式（2）所示。

式中：p為某個個體被挑選的概率大?。?x)為個體的適應(yīng)度值大小[16]。

步驟5：交叉操作。采用算術(shù)交叉，函數(shù)表達式如公式（3）所示。

式中：為參數(shù)。

步驟6：基因變異。

步驟7：優(yōu)化原始參數(shù)。對網(wǎng)絡(luò)進行訓(xùn)練，當(dāng)滿足約束條件時，輸出最優(yōu)值，反之，返回步驟2。

步驟8：建立GA-BP神經(jīng)網(wǎng)絡(luò)。

2 電煤供應(yīng)鏈關(guān)鍵鏈節(jié)點分析

預(yù)測時，需要將實際的碳排放量作為輸出神經(jīng)元的原始數(shù)據(jù)帶入到神經(jīng)網(wǎng)絡(luò)?，F(xiàn)有的工作研究沒有相關(guān)電力行業(yè)碳排放量數(shù)據(jù)，需要對電煤供應(yīng)鏈進行分析，以計算出整個電煤供應(yīng)鏈的碳排放量。采用構(gòu)建供應(yīng)鏈運行的Petri網(wǎng)模型，尋找產(chǎn)生碳排放的關(guān)鍵環(huán)節(jié)，對各關(guān)鍵環(huán)節(jié)進行計算，進而求出總的碳排放量。

以A省電煤供應(yīng)鏈為例，收集該省主要發(fā)電站及其相應(yīng)的電煤供應(yīng)路線、供應(yīng)量等信息，對碳排放量進行預(yù)測。

2.1 電煤供應(yīng)鏈關(guān)鍵鏈節(jié)點選取

將所有的電煤供應(yīng)鏈的節(jié)點分為兩級節(jié)點。一級節(jié)點為煤炭的開采節(jié)點、集散中心節(jié)點、煤炭轉(zhuǎn)運節(jié)點、煤炭消耗節(jié)點。每個節(jié)點又分為若干個二級鏈節(jié)點。具體的結(jié)構(gòu)如圖2所示。

圖2 電煤物流網(wǎng)絡(luò)結(jié)構(gòu)圖

對關(guān)鍵鏈的選取采用TOPSIS法，TOPSIS（technique for order preference by similarity to an ideal solution）即通過求解與理想解的相似度對方案進行排序。本節(jié)主要說明對于一級關(guān)鍵鏈節(jié)點的計算過程，二級關(guān)鍵鏈節(jié)點的計算過程與此相似。

對于一級電煤供應(yīng)鏈節(jié)點，結(jié)合每個節(jié)點的影響因素，給出初始的矩陣。

對進行規(guī)范化，得矩陣′。

確定權(quán)重。本文由標(biāo)準(zhǔn)值來確定權(quán)重，其計算式如公式（4）所示。

式中：為標(biāo)準(zhǔn)分級數(shù)；S(–1)為因子的第–1級標(biāo)準(zhǔn)值；SI為因子的第級標(biāo)準(zhǔn)值。

通過計算得權(quán)重為：

構(gòu)造元素化矩陣，計算步驟為：

最終得出的距離最理想節(jié)點和最差節(jié)點之間的歐式距離如表1所示。

表1 一級關(guān)鍵節(jié)點相對重要性

由表1可以看出，電煤供應(yīng)鏈的4個一級鏈節(jié)點相對重要性較為平衡，排序為4>1>2>3。由于最后的煤炭開采和煤炭轉(zhuǎn)運需要較多的資金投入，是整個供應(yīng)鏈中較為重要的環(huán)節(jié)，而集散中心作為中轉(zhuǎn)環(huán)節(jié)，重要性比其他環(huán)節(jié)略低，但也是必不可少的環(huán)節(jié)。一級鏈節(jié)點是整條供應(yīng)鏈正常運轉(zhuǎn)且保證其效益的重要支柱，且所有的最后結(jié)果均大于0.6，故認(rèn)為每個鏈節(jié)點皆重要，所以均為關(guān)鍵性鏈節(jié)點。

各二級關(guān)鍵鏈節(jié)點的選取也是按照以上的步驟進行，最終計算出的關(guān)鍵鏈節(jié)點如表2所示。

表2 關(guān)鍵鏈節(jié)點

2.2 基于關(guān)鍵鏈節(jié)點的Petri網(wǎng)模型

根據(jù)以上給出的關(guān)鍵鏈節(jié)點和非關(guān)鍵鏈節(jié)點的選取結(jié)果，以圓形代表托肯，直線箭頭表示流關(guān)系，采用Petri網(wǎng)形式表示各環(huán)節(jié)之間的關(guān)系圖，如圖3所示。

圖3 電煤供應(yīng)鏈各鏈節(jié)點Petri網(wǎng)模型

圖3模型中庫所表示的含義如表3所示。

表3 庫所含義表

基于先驗知識庫形成電煤供應(yīng)鏈模型中的模糊推理規(guī)則如表4所示。

由圖3、表4可以看出，電煤開采過程中，工地建設(shè)、開采設(shè)備對開采時煤炭的運輸有影響，且三者共同構(gòu)成了電煤開采階段的主要影響因素；集散中心主要受庫存和運輸?shù)墓餐绊?；運輸方式?jīng)Q定了運輸?shù)木嚯x，運輸距離和運輸量共同影響著電煤運輸環(huán)節(jié)；最后，電廠的發(fā)電量、電廠的自用電及電廠的備用電共同影響著后電煤供應(yīng)鏈的整體的效益。

表4 模糊推理規(guī)則表

表4中d1、d2、d10分別代表工地建設(shè)、開采運輸、開采器械存在的設(shè)備、調(diào)度、工藝等問題；d3、d4表示暫庫存、倉儲方面的浪費、不及時、過剩的現(xiàn)象；d5、d6、d11表示在運輸過程中存在的運輸方式、運輸量、運輸距離、貨物裝卸方面的問題；d7、d8、d9表示煤炭卸貨、發(fā)電機供電、電廠自用、備用電消耗時，電廠自用電過多、備用電不合理等現(xiàn)象；d12、d13、d14表示一級鏈節(jié)點存在問題；d16為貫穿整個供應(yīng)鏈的管理問題；d15為最終煤炭消耗量效益不高。

2.3 基于電煤供應(yīng)鏈關(guān)鍵節(jié)點的碳排放分析

碳排放量是進行預(yù)測及結(jié)果對比時所必須的數(shù)據(jù)，所以本節(jié)根據(jù)公式計算出總的碳排放量。

（1）生產(chǎn)環(huán)節(jié)碳排放的分析

生產(chǎn)環(huán)節(jié)碳排放量的計算主要是對煤層氣碳排放量的計量。

計算碳排放量可以通過碳排放因子進行估算。開采環(huán)節(jié)氣體排放量的計算公式如（5）所示。

式中：DA為煤炭開采時排放的氣體量，kg；CP為開采煤的產(chǎn)量，其中1為地下開采量，2為露天開采量，t；EF(n)j為排放因子，如表5，m3/t；為氣體的轉(zhuǎn)換因子，將體積換算成質(zhì)量，kg/m3。標(biāo)準(zhǔn)大氣壓下，CH4的值為0.67 kg/m3，CO2的值為0.8 kg/m3。

表5 煤炭開采碳排放因子影響因素

（2）運輸環(huán)節(jié)的碳排放分析

a. 電煤運輸量

獲得電煤運輸量的通常采用逆推的方法：將發(fā)電量代入公式計算出煤使用量，進而計算出運輸量。

火電廠發(fā)電量與電煤調(diào)運量之間的關(guān)系如公式（6）所示。

式中：t為火電廠單位發(fā)電量的電煤調(diào)運量，g/kW·h；sg為發(fā)電廠標(biāo)準(zhǔn)煤耗，g/kW·h；cs為原煤轉(zhuǎn)化為等熱量標(biāo)煤的質(zhì)量轉(zhuǎn)換系數(shù)，%；為電煤在運輸過程中的遺撒率，%，一般取1%。

b. 各類運輸方式的碳排放量

電煤運輸過程中各類運輸方式的碳排放量計算公式如公式（7）～（10）所示。

式中：ys–tl、ys–gl、ys–sl分別為電煤運輸過程中鐵路、公路、水路的碳排放量；ys–dm為電煤的運輸量；tl、gl、sl分別為鐵路、公路、水路電煤運輸量分擔(dān)率；nrj為內(nèi)燃機車在運輸中所占的比重；tl、gl、sl分別為鐵路、公路、水路3種運輸方式的運輸距離；tl、gl、sl分別為鐵路、公路、水路的單位距離平均油耗；rs為單位燃油的燃燒值；yl為CO2排放因子。

（3）消耗環(huán)節(jié)的碳排放分析

煤炭消耗環(huán)節(jié)碳排放包括兩部分，分別為電煤燃燒產(chǎn)生的碳排放和灰渣運輸過程中產(chǎn)生的碳排放。

a. 燃燒發(fā)電碳排放量

由于無法對燃燒現(xiàn)場進行實測，本文采取碳排放系數(shù)法，即通過經(jīng)驗公式根據(jù)碳的燃燒估算碳排放量。

電煤燃燒發(fā)電環(huán)節(jié)的碳排放量計算公式如（11）所示。

b. 灰渣處理碳排放量

火電廠的灰渣排放量以及汽車的運輸能力影響著灰渣運輸過程中所產(chǎn)生的碳排放如公式（12）所示。

式中：hi為粉煤灰排放量，t/年；B為鍋爐每小時原煤燃燒量，t/h；ar為燃料收到基灰分，%；4為未完全燃燒的熱損失率，%，一般取2%；net.ar為燃煤收到基低位發(fā)熱量，KJ/kg；為循環(huán)流化床鍋爐鈣硫比，對于煤粉鍋爐=0；ar為燃煤收到基含硫量，%；c為除塵器運行效率，%，一般取值為98.7%；fh為粉煤灰在總的灰渣中的占比；33 913為標(biāo)準(zhǔn)煤炭的產(chǎn)熱值，kJ/kg；t為鍋爐年運行時間（h/年）。

式中：zi為爐渣排放量，t/年；lz為爐渣占灰渣總量的質(zhì)量份額。

式中：hz為灰渣排放量，t/年。

式中：sy–zyh為灰渣運輸汽車年耗油量，L/年；hz為灰渣排放量，t/年；為運輸汽車額定荷載，t；gl為汽車燃油百公里油耗，L/km；為電廠到灰場的運輸距離，km；sy–hz為灰渣運輸碳排放量，t/年；rs為油料燃燒平均產(chǎn)熱值，TJ/千克油料；yl為CO2排放因子，kg/TJ。

綜上所述，消費環(huán)節(jié)的碳排放量為：

根據(jù)以上的計算公式，通過《中國能源統(tǒng)計年鑒》、《中國電力年鑒》和《中國統(tǒng)計年鑒》，搜集A省的相關(guān)數(shù)據(jù)。主要以月為單元，搜集了近20年的數(shù)據(jù)，共240組。根據(jù)上文給出的計算公式，得到A省電力生產(chǎn)CO2排放量數(shù)據(jù)，見圖4。

3 基于關(guān)鍵鏈節(jié)點碳排放預(yù)測

3.1 數(shù)據(jù)選取

數(shù)據(jù)的選取需要遵循一個原則，即搜集的因素必須和碳排量相關(guān)，如果不相關(guān)可以適當(dāng)剔除[17]。通過對文獻的閱讀及相關(guān)搜索，現(xiàn)選取影響碳排放的20種因素，包括人口、城市化水平、人均GDP、工業(yè)水平、居民消費水平、電力消耗量、地方財政收入、煤炭消耗量、火力發(fā)電量、運輸線路長度、廢棄物排放、水利發(fā)電量、平均每天能源消耗量、材料油消耗量、柴油消耗量、焦煤消耗量、煤油消耗量、汽油消耗量、天然氣消耗量，部分?jǐn)?shù)據(jù)如圖5所示。

圖5 部分影響電煤供應(yīng)鏈碳排放的因素

3.2 數(shù)據(jù)預(yù)處理

由于收集到的數(shù)據(jù)其大小、單位、維度等都不是同一個水平，所以需要對其進行歸一化處理，即把所有的數(shù)據(jù)轉(zhuǎn)化成可以比較、運算的相同維度、量綱的數(shù)據(jù)，把所有數(shù)據(jù)映射到[–1,1]。采用premnmx函數(shù)對實驗數(shù)據(jù)做PCA降維處理，根據(jù)實驗結(jié)果，保留10維數(shù)據(jù)進行實驗仿真。

3.3 GA-BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

將數(shù)據(jù)帶入網(wǎng)絡(luò)，經(jīng)過多次實驗，得出最終參數(shù)如表6所示。

表6 GA-BP神經(jīng)網(wǎng)絡(luò)參數(shù)

3.4 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析

網(wǎng)絡(luò)的預(yù)測結(jié)果如圖6、圖7所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測圖

圖7 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測圖

均方根誤差指的是真實值與預(yù)測值的差值，差值越小說明算法的仿真效果越好，反之同理[18]。該指標(biāo)是一個衡量模型精確度的重要指標(biāo)。表7給出了不同算法的均方根誤差值大小。經(jīng)過分析可以看出，GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值和真實值之間的誤差更小，仿真的結(jié)果更準(zhǔn)確[19]。

表7 均方誤差比較圖

碳排放預(yù)測的直觀表現(xiàn)為預(yù)測擬合折線圖的重合程度。重合度越高，表明預(yù)測的結(jié)果越準(zhǔn)確，

模型的性能越優(yōu)越。兩種算法對供應(yīng)鏈碳排放的預(yù)測都比較準(zhǔn)確，但GA-BP算法最為精確，預(yù)測值和真實值幾乎重合。從均方根誤差也可以看出，預(yù)測值的折線圖和期望值的預(yù)測圖幾乎完全重合。

對模型的訓(xùn)練次數(shù)進行分析，具體訓(xùn)練次數(shù)如圖8、9所示。

圖8 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)

圖9 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)

可以看出，GA-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)更少，用時更短。

4 結(jié)論

通過對電煤供應(yīng)鏈采用Petri網(wǎng)理論和TOPSIS法，得出了影響電煤供應(yīng)鏈的關(guān)鍵鏈環(huán)節(jié)及運行模型?？梢园l(fā)現(xiàn)整個供應(yīng)鏈的一級鏈節(jié)點皆為關(guān)鍵的鏈節(jié)點，二級鏈節(jié)點中關(guān)鍵鏈節(jié)點包括：工地建設(shè)、開采器械、庫存、運輸、運輸方式、運輸量、發(fā)電廠供電、電廠自用電、備用電消耗。計算了A省的碳排放量，并對近20年電煤供應(yīng)鏈碳排放進行分析預(yù)測，預(yù)測方法為遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)。經(jīng)過多次的反復(fù)實驗，選取了合適的參數(shù)。從計算結(jié)果可知A省碳排放仍處于增上階段，月增長平均為1.875萬t，對整個供應(yīng)鏈碳排放的控制依然需要付出長久的努力。對預(yù)測結(jié)果誤差進行分析，可以看出整個模型的誤差很小模型預(yù)測準(zhǔn)確性較高。

[1] 孟飛翔, 雷英杰, 雷陽, 等. 基于直覺模糊Petri網(wǎng)的混合推理方法[J]. 電子學(xué)報, 2017, 45(8): 1937-1946.

MENG FEIXIANG, LEI YINGJIE, LEI YANG, et al. Hybrid reasoning using intuitionistic fuzzy petri nets[J]. Acta Electronica Sinica, 2017, 45(8): 1937-1946(in Chinese).

[2] 唐利萍. 基于直覺模糊Petri網(wǎng)的食品質(zhì)量安全控制[J]. 食品安全導(dǎo)刊, 2016(27): 78.

[3] 趙強. 基于直覺模糊Petri網(wǎng)的知識表示與推理[J]. 信息與電腦, 2018, 30(21): 35-36.

ZHAO QIANG. Knowledge representation and reasoning based on intuitionistic fuzzy petri nets[J]. China Computer & Communication, 2018, 30(21): 35-36(in Chinese).

[4] 譚海燕. 基于層次分析方法的電煤供應(yīng)鏈協(xié)調(diào)評價研究[J]. 中國管理信息化, 2018, 21(12): 68-70.

[5] 李巍巍, 耿大恒. 基于改進集成評價的電煤供應(yīng)鏈協(xié)調(diào)評價及改進措施[J]. 煤炭經(jīng)濟研究, 2016, 36(9): 48-58.

LI WEIWEI, GENG DAHENG. Power-coal supply chain coordination evaluation and improvement measures based on improved integrated evaluation[J]. Coal Economic Research, 2016, 36(9): 48-58(in Chinese).

[6] MOHAMED U, ZHAO Y, YI Q, et al. Evaluation of life cycle energy, economy and CO2emissions for biomass chemical looping gasification to power generation[J]. Renewable Energy, 2021, 176: 366-387.

[7] KHAN M, OZTURK I. Examining the direct and indirect effects of financial development on CO2emissions for 88 developing countries[J]. Journal of Environmental Management, 2021, 293: 112812.

[8] LI W, ELHEDDAD M, DOYTCH N. The impact of innovation on environmental quality: evidence for the non-linear relationship of patents and CO2emissions in China[J]. Journal of Environmental Management, 2021, 292: 112781.

[9] 彭文兵, 王詩婷. 基于LMDI模型的電力行業(yè)碳排放的影響因素分析[J]. 上海電力學(xué)院學(xué)報, 2016, 32(3): 301-305.

PENG WENBING, WANG SHITING. Analysis of the factors of carbon emissions in electric industry based on LMDI model[J]. Journal of Shanghai University of Electric Power, 2016, 32(3): 301-305(in Chinese).

[10] 湯希峰, 丁俊武. 可持續(xù)發(fā)展理念下的配送中心選址模型及算法研究[J]. 徐州工程學(xué)院學(xué)報(自然科學(xué)版), 2016, 31(1): 48-52.

TANG XIFENG, DINGJUNWU. Models and algorithms for locating distribution center in consideration of sustainability[J]. Journal of Xuzhou Institute of Technology(Natural Sciences Edition), 2016, 31(1): 48-52(in Chinese).

[11] MOHAMED U, ZHAO Y, YI Q, et al. Evaluation of life cycle energy, economy and CO2emissions for biomass chemical looping gasification to power generation[J]. Renewable Energy, 2021, 176: 366-387.

[12] KHAN M, OZTURK I. Examining the direct and indirect effects of financial development on CO2emissions for 88 developing countries[J]. Journal of Environmental Management, 2021, 293: 112812.

[13] LI W, ELHEDDAD M, DOYTCH N. The impact of innovation on environmental quality: evidence for the non-linear relationship of patents and CO2emissions in China[J]. Journal of Environmental Management, 2021, 292: 112781.

[14] 牛華. 基于改進BP神經(jīng)網(wǎng)絡(luò)的汽車發(fā)動機故障診斷[J]. 組合機床與自動化加工技術(shù), 2021(5): 57-61.

NIU HUA. Fault diagnosis of automobile engine based on improved BP netural network[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2021(5): 57-61(in Chinese).

[15] 劉森. 基于遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)模型的高等教育人才影響預(yù)測研究[J]. 科技經(jīng)濟導(dǎo)刊, 2021, 29(12): 149-151.

[16] 白鵬, 王浩. 改進遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)高爐煤氣預(yù)測[J]. 機械工程與自動化, 2021(2): 77-79.

BAI PENG, WANG HAO. BP neural network blast furnace gas forecast based on improved genetic algorithm[J]. Mechanical Engineering & Automation, 2021(2): 77-79(in Chinese).

[17] 白玉, 陳自強. 改進的自適應(yīng)遺傳算法在人體行為識別中的應(yīng)用[J]. 電腦與信息技術(shù), 2021, 29(2): 4-7.

BAI YU, CHEN ZIQIANG. Application of adaptive genetic algorithm in human behavior recognition[J]. Computer and Information Technology, 2021, 29(2): 4-7(in Chinese).

[18] 趙華芳, 馬文忠, 王仁讓, 等. 基于改進神經(jīng)網(wǎng)絡(luò)的一種新型MPPT預(yù)測方法[J]. 電氣應(yīng)用, 2021, 40(1): 12-18.

ZHAO HUAFANG, MA WENZHENG, WANG RENRANG, et al. A new MPPT prediction method based on improved neural network[J]. Electrotechnical Application, 2021, 40(1): 12-18(in Chinese).

[19] 王宇, 劉若晨, 李廣軍. 基于改進遺傳算法的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)向架軸承故障診斷[J]. 城市軌道交通研究, 2020, 23(12): 46-49.

WANG YU, LIU RUOCEHN, LI GUANGJUN. Fault diagnosis of bogie bearing based on neural network optimized by improved genetic algorithm[J]. Urban Mass Transit, 2020, 23(12): 46-49(in Chinese).

Analysis and Forecast of Carbon Emission in Power-Coal Supply Chain

CI Tiejun1,2, MA Haocan1, DU Heng1, YANG Xiaoyu1, CHEN Tong1, WU Zigao1

(1. School of Energy Power and Mechanical Engineering, North China Electric Power University, Baoding 071003, China; 2. Hebei Key Laboratory of Electric Machinery Health Maintenance & Failure Prevention, North China Electric Power University, Baoding 071003, China)

In order to control greenhouse gas emissions and strive to achieve the “30-60 target”, analyzes and forecasts the carbon emissions in power-coal supply chain in order to control carbon emissions more effectively. Firstly, the operation mode of power-coal supply chain was analyzed by Petri net theory, and the key chain nodes were found with TOPSIS method, which laid a foundation for the subsequent calculation of carbon emissions. Then the carbon emission source and calculation formula of each key chain node were analyzed to calculate the actual carbon emission. Finally, the data of actual carbon emissions and other influencing factors are input into GA-BP neural network to obtain the predicted value, and the error between the predicted value and the actual value was compared to demonstrate its accuracy. GA-BP neural network introduced genetic algorithm to overcome the problem of the slow convergence speed and easily falling into local optimal solution.

power-coal supply chain; Petri net; carbon emissions; GA-BP neural network

10.3969/j.ISSN.1672-0792.2021.09.008

TM46

A

1672-0792(2021)09-0062-09

2021-06-17

國家自然科學(xué)基金（51777075）

慈鐵軍（1971—），男，副教授，研究方向為電力工程管理技術(shù)及應(yīng)用；

馬浩璨（1998—），男，碩士研究生，研究方向為電力工程管理技術(shù)及應(yīng)用；

杜 恒（1995—），男，碩士研究生，研究方向為電力工程管理技術(shù)及應(yīng)用；

楊曉宇（1996—），男，碩士研究生，研究方向為電力工程管理技術(shù)及應(yīng)用；

陳 通（1994—），男，碩士研究生，研究方向為電力工程管理技術(shù)及應(yīng)用；

吳自高（1990—），男，講師，研究方向為電力生產(chǎn)調(diào)度。

馬皓璨