天然气发电厂二氧化碳排放分析与控制策略：基于多模型预测与废热回收的创新研究

《Journal of CO2 Utilization》：Analysis of CO 2 emissions from natural gas-fired power plants and an emission control strategy

为应对天然气发电厂CO2排放问题，本研究结合ARIMA、ETS、TBATS、ELM、Holt及Holt-Winters模型进行排放预测，并量化废气锅炉（EGB）的减排效果（平均降低0.8–10%）。创新性提出废空气回收（WAR）概念框架，为发电厂碳减排提供数据支持和新技术方向。

　　

随着全球能源需求持续增长，化石燃料在发电领域仍占据主导地位，但其燃烧产生的二氧化碳（CO₂）排放对气候变化和人类健康构成严重威胁。电力行业是能源相关CO₂排放的主要贡献者，占比高达41%。尽管《巴黎协定》等国际协议设定了减排目标，但实现这些目标需要具体到国家和行业层面的精准策略。孟加拉国严重依赖天然气发电（占电力结构的79%），其发电过程中的CO₂排放控制成为紧迫课题。然而，针对孟加拉国天然气电厂的高分辨率排放预测和有效控制策略研究仍相对缺乏，特别是人工智能（AI）和先进统计模型在该地区的应用尚未充分探索。

为此，来自Noakhali科学与技术大学环境科学与灾害管理系的Mustafizur Rahman和Faijunnesa Rashid在《Journal of CO2 Utilization》上发表了一项研究，系统分析了天然气发电厂的CO₂排放，并评估了多种预测模型和减排技术的效果。研究聚焦于Chattogram、Feni、Narshingdi和Tangail地区的四座天然气电厂，利用2015年至2022年的月度燃料消耗和发电数据，旨在量化排放、预测未来趋势，并评估废热回收（Waste Heat Recovery, WHR）技术的减排潜力。

研究采用了多种关键技术方法：首先依据IPCC指南计算排放量，使用公式E = ∑F × EF（其中F为燃料消耗，EF为排放因子）。随后应用六种时间序列模型进行预测，包括自回归积分滑动平均（ARIMA）、误差-趋势-季节性（ETS）、三角函数季节性-Box-Cox变换-ARMA误差-趋势和季节性成分（TBATS）、极端学习机（ELM）、Holt线性方法及Holt-Winters季节性模型。模型性能通过均方根误差（RMSE）、平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、平均绝对缩放误差（MASE）和平均百分比误差（MPE）等指标评估。此外，使用便携式气体分析仪（Testo 350）实测了废气锅炉（Exhaust Gas Boiler, EGB）前后的CO₂浓度，以量化其减排效果，并采用Pearson相关分析评估发动机负荷与减排率的关系。

2.1 研究区域与数据收集

研究选取孟加拉国四座天然气电厂，因其代表该国天然气发电的重要部分且数据可靠。收集2015-2022年月度燃料消耗和发电数据，结合IPCC排放因子计算CO₂排放量。

2.2 数据分析

基于IPCC方法，使用公式E = ∑F × EF计算排放，其中F为燃料消耗（TJ），EF为排放因子（kg/TJ）。数据使用R和RStudio处理，并应用多种预测模型。

2.3 ARIMA模型

ARIMA（p, d, q）模型结合自回归（AR）、差分（I）和移动平均（MA）成分，用于处理平稳和非平稳时间序列。模型通过Box-Jenkins方法构建，包括数据准备、模型选择、参数估计和预测步骤。

2.4 ETS模型

ETS（误差、趋势、季节性）模型考虑时间序列的水平和季节性成分，适用于具有趋势和季节性的数据。模型通过指数平滑处理，生成点预测和预测区间。

2.5 TBATS模型

TBATS（三角函数季节性、Box-Cox变换、ARMA误差、趋势和季节性成分）模型处理多季节性和非整数季节性数据，使用三角函数表示季节性成分，适合复杂时间序列预测。

2.6 ELM模型

极端学习机（ELM）是一种单隐藏层前馈神经网络，使用随机权重快速学习数据特征。其数学公式为Y_t+1 = (a + b)Y_t + c(Y_t - Y_t-1)，用于CO₂排放预测。

2.7 Holt模型

Holt线性方法扩展简单指数平滑，包含水平和趋势成分，适用于有趋势但无季节性的数据。公式包括预测方程和两个平滑方程（水平和趋势）。

2.8 Holt-Winters模型

Holt-Winters方法在Holt基础上添加季节性成分，处理具有趋势和季节性的数据。模型包括水平、趋势和季节性平滑方程，使用加性或多重性方法。

2.9 性能度量与最佳模型选择

通过RMSE、MAPE、MAE、MASE和MPE评估模型性能。TBATS模型显示最低误差（RMSE=1440.507，MAPE=2.965），被选为最佳预测模型。

2.10 CO₂减排策略

2.10.1 废热回收（WHR） via EGB

使用EGB回收废气热量，生成蒸汽用于工业过程或发电。实测显示EGB平均减排0.8-10%，减排率与发动机负荷呈正相关（r=0.94-0.99）。减排公式为E_r = (E_d - E_b)/E_d × 100%，其中E_d为直接排放，E_b为EGB后排放。

2.10.2 废空气回收（WAR）概念框架

提出WAR作为未来研究方向，利用EGB后废气驱动空气涡轮发电，进一步提效减排。理论基础为功率公式W = 1/2 × ρ × A × v³，其中ρ为空气密度，A为截面积，v为速度。WAR可潜在降低燃料消耗和热污染。

3. 结果与讨论

研究量化了四座电厂2015-2022年CO₂排放，年均约44万吨。TBATS模型预测2023-2026年排放保持稳定（年均409106.11吨），呈现季节性波动（3-8月较高）。EGB实证显示减排效果依赖发动机负荷，Chattogram电厂减排率最高（9.32%）。相关性分析证实负荷与减排率显著正相关（p<0.05）。WAR概念虽未实证，但为未来研究提供创新方向。

结论表明，天然气发电厂CO₂排放可通过预测模型精准管理，EGB技术可有效减排，且WAR有潜力进一步提升能效。研究为孟加拉国及类似地区提供了数据驱动的减排策略，支持气候变化减缓目标。未来工作应聚焦WAR的实证研究和模型优化。