SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

ENERGY SAVING FORUM

SHANGHAI ENERGY SAVING

2018 年第 08 期

節(jié)

能

論

壇

大于凝汽式汽輪機。因此，在一定轉速條件下，背

壓式汽輪機的極限功率大于凝汽式汽輪機，或者

說，在一定功率條件下，背壓式汽輪機的工作轉速

可以高于凝汽式汽輪機。

變轉速汽輪機通常會用于驅(qū)動泵與風機。當

負荷降低或流量減小時，變轉速汽輪機的工作轉速

也會相應降低。在蒸汽的初終參數(shù)一定時，汽輪機

轉速會根據(jù)工作機械負荷特性的變換而進行調(diào)

整。在通流部分不變的情況下，如果一臺多級工業(yè)

汽輪機在其它工作轉速或蒸汽參數(shù)下運行，此時的

變工況過程就會存在差異。

以等轉速運行的發(fā)電用汽輪機為例，其通常

以零負荷狀態(tài)啟動。為了克服空轉時的內(nèi)部摩擦

鼓風損失和外部機械損失，其在額定轉速下必然

會具有一定的空轉功率和相應的空轉扭矩。通常

而言，等轉速汽輪機的空轉功率和空轉扭矩都會

比較小。

這兩類特性使汽輪機成為一類性能較為優(yōu)越

的動力機械。一是汽輪機的啟動扭矩較大，有利

于快速驅(qū)動工作機械，二是在驅(qū)動其它工作機械

時，易于實現(xiàn)機組的平衡運行，且轉速不會出現(xiàn)大

幅變化。

在根據(jù)用戶要求選用汽輪機的基型時，應在主

要的運行工況范圍內(nèi)進行選擇。這時，就需要將汽

輪機的內(nèi)特性和外特性結合在一起進行分析。

4 工業(yè)汽輪機的未來發(fā)展研究

如上文所述，工業(yè)汽輪機目前已被許多產(chǎn)業(yè)所

采用，其中以石油化工、冶金和造紙等領域最為廣

泛。除此以外，工業(yè)汽輪機在紡織、印染、制糖、建

材及食品等領域中也得到了一定程度的應用。

由于工業(yè)部門所采用工業(yè)汽輪機的類型及品

種繁多，為了降低設計及制造成本，并縮短生產(chǎn)周

期，通常一款工業(yè)汽輪機只需配備幾款基型，就能

滿足大部分用戶的需求，并以此形成產(chǎn)品體系。為

了合理地形成產(chǎn)品體系，必須合適地選取部件及結

構尺寸。以單級工業(yè)汽輪機為例，其能以葉輪直徑

作為基礎尺寸，由此來對機組的基型進行選擇。每

一基型的汽缸、蒸汽室及轉子等均屬于不變的基本

部件。主汽門、調(diào)速器、軸承座、軸承及汽封等均可

采用標準部件。汽閥、噴嘴、動葉及導葉等零件的

尺寸和型式則應按進排汽參數(shù)及蒸汽流量來進行

調(diào)整。這樣，一種基型只要變動少量零件就可適應

一定的工作需求。目前，工業(yè)汽輪機的未來發(fā)展主

要如下：

1）提高主蒸汽參數(shù)

目前，工業(yè)汽輪機的主蒸汽參數(shù)與工廠生產(chǎn)過

程中使用的蒸汽壓力、溫度、蒸汽量，所需的電量及

汽輪機類型等有關，并且最終會通過經(jīng)濟比對來確

定。近年來，由于工業(yè)化進程的推進，工業(yè)汽輪機

的單機容量需求也隨之提高，為了提高熱效率，并

利用有限的蒸汽流量輸出盡可能高的功率，需要持

續(xù)提升主蒸汽參數(shù)。與發(fā)電用汽輪機相比，工業(yè)汽

輪機的參數(shù)同樣有了進一步提升。

2）小容量汽輪機的高速化

工業(yè)汽輪機有著進一步提高單機功率的趨勢，

但小型工業(yè)汽輪機目前主要朝著提高轉速的方向

發(fā)展。在材料強度許可的限度內(nèi)提高小型汽輪機

的轉速，可相應縮減機組的級數(shù)，并且機組的外形

尺寸也會縮小，從而減少占地面積與建設費用，進

一步降低運行成本。

3）采用電子油壓式調(diào)速器

近年來，隨著工業(yè)生產(chǎn)進程的復雜化，同樣需

要抽汽式汽輪機，而且對抽汽壓力的控制要求也在

逐步提升。因此，汽輪機的控制機構會變得日益復

雜。不僅如此，在生產(chǎn)中，可通過電子控制系統(tǒng)來

優(yōu)化工業(yè)汽輪機的運行過程，使其與火力發(fā)電設備

實現(xiàn)合理匹配。同時，目前已采用電子式液壓調(diào)速

器來代替原有的機械式液壓調(diào)速器。

5 汽輪機結構運行特征研究及技術趨勢展望

上文對工業(yè)汽輪機的技術特點、實際應用及發(fā)

展前景進行了詳盡闡述?？紤]到汽輪機這類動力

裝置固有的技術特點，其在發(fā)電及運輸?shù)阮I域中同

樣得到了廣泛應用。下文對汽輪機的結構特征、運

行過程及未來技術發(fā)展趨勢進行重點研究。

工業(yè)汽輪機技術應用及未來發(fā)展研究

1843

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING FORUM

SHANGHAI ENERGY CONSERVATION

上海節(jié)能 No.08

2018

節(jié)能論壇

5.1 汽輪機的結構及運行特征研究

汽輪機的轉速較高，又可以使工作機構以較高

的轉速運動，且工作機構的轉速與汽流速度成一定

的比例，從而具有較高的效率。同時，在功率相同的

情況下，較高的轉速又可減小汽輪機的尺寸及重

量。除此以外，汽輪機可將工質(zhì)的熱能轉換為動能，

再將工質(zhì)的動能轉換為機械功，并通過動力輸出軸

輸出，以驅(qū)動工作機械。由于汽輪機的工作過程是

連續(xù)進行的，因此當汽輪機在一定的穩(wěn)定工況下運

作時，汽輪機內(nèi)任何一處蒸汽的壓力、溫度和速度，

均處于定常流動的狀態(tài)，不隨時間而發(fā)生變化。而

在蒸汽機等往復機械中，即使在穩(wěn)定的工況下，機體

內(nèi)任何一處的工質(zhì)的壓力、溫度和流動速度，都會

隨著時間而發(fā)生變化。因此，往復機械內(nèi)的工質(zhì)平

均流動速度不會特別高，否則流動損失就會過大，

而在汽輪機中卻可以采用較高的汽流速度，不致引

起過大的流動損失，有效提升了機組功率。

汽輪機的功率同樣也受蒸汽流量及蒸汽自身

參數(shù)的影響。在相同的時間內(nèi)，工質(zhì)的流動速度越

高，通過機組的工質(zhì)流量就越多，因此就有可能制

造出具有更高功率的機組。與蒸汽機相比，同樣功

率的汽輪機往往尺寸更小，且重量更輕。柴油機的

效率雖然較高，但總功率較低。目前，最大的柴油

機通常為船用柴油機，其所能達到的最高輸出功率

明顯低于船用汽輪機。

根據(jù)蒸汽動力裝置的熱力學特性，對其所遵循

的朗肯循環(huán)進行分析。提高蒸汽的初參數(shù)（壓力及

溫度）并降低排汽壓力，可以提高循環(huán)效率，并改進

蒸汽動力裝置的經(jīng)濟性。如上文所述，汽輪機可通

過兩次轉換過程，將工質(zhì)的熱能轉換為機械功，并

對外輸出。蒸汽的膨脹過程主要是在靜止的噴嘴

中進行［7］

，有時也在葉片中進行，所對應的基型分別

為沖動式汽輪機和反動式汽輪機。與沖動式汽輪

機不同，反動式汽輪機的葉片會承受兩種作用力：

一是蒸汽的沖擊力；二是蒸汽在葉片中膨脹時由于

汽流壓力降低所產(chǎn)生的反作用力。反動式汽輪機

的每級葉片的前后都存在著壓力差，不可避免地有

汽流從間隙中流過。這部分蒸汽不參加工作，從而

造成了能量損失。因此，目前通常不會制造全部采

用反動級的汽輪機。反動級葉片高度較低，因此具

有較大的間隙，當采用比容較小的高參數(shù)蒸汽時，

往往會造成較大的漏汽損失。此外，無法通過噴嘴

來調(diào)節(jié)反動式汽輪機的功率，一般多采用節(jié)流調(diào)

節(jié)，導致機組工作效率不夠穩(wěn)定。所以現(xiàn)代汽輪機

多采用混合的結構型式，即高壓部分采用沖動級，

而低壓部分則采用反動級。

5.2 汽輪機與蒸汽機的對比研究

汽輪機與蒸汽機不同，蒸汽在汽輪機中的膨脹

過程，不受工作部件運動的限制，可實現(xiàn)充分膨

脹。同時，由于結構上的特點，使汽輪機能采用多

級結構，以實現(xiàn)蒸汽的充分膨脹，更有效地利用蒸

汽的能量。因此，汽輪機更適于采用較高的蒸汽參

數(shù)和較低的排汽壓力。與蒸汽機相比，汽輪機往往

具有更高的經(jīng)濟性。

除此以外，作為一類旋轉機械，汽輪機內(nèi)部沒

有往復運動件及由此引起的周期性往復慣性力。

因此，汽輪機通?？梢赃_到更高的轉速，同時運行

時振動幅度較小，且更安全、更可靠。

1）汽輪機與傳統(tǒng)蒸汽機相比的優(yōu)點

（1）由于汽輪機是一類直接進行回轉運動的葉

輪機械，輸出的扭矩比較均勻。而蒸汽機則采用了

做往復直線運動的活塞，因此輸出的扭矩并不均

勻，必須采用飛輪，相應增加了設備的尺寸與重量。

（2）受到往復慣性力的限制，蒸汽機的轉速一

般相對較低。而汽輪機不受往復慣性力限制，運轉

穩(wěn)定性更好，振動幅度更小，轉速更高，流量更大，

功率也明顯高于蒸汽機。換言之，在功率相同的情

況下，汽輪機的結構更為緊湊，比重量更輕，當用于

驅(qū)動移動設備時，可以增大載重量。

（3）在蒸汽機內(nèi)，活塞與汽缸壁之間存在著較

大的摩擦損失。而除了軸承外，汽輪機內(nèi)不存在會

產(chǎn)生劇烈摩擦的部件，所以機械效率通常高于蒸汽

機，并且耐久性更好，機件維護及修理的期限可以

進一步延長。

1844

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

ENERGY SAVING FORUM

SHANGHAI ENERGY SAVING

2018 年第 08 期

節(jié)

能

論

壇

（4）在蒸汽機內(nèi)，機油通常會直接與蒸汽發(fā)生

混合，排出汽缸的乏汽中同樣帶有油分，不但使機

油消耗較大，且使凝結水中含有油污，不宜作為給

水再送入鍋爐。而汽輪機的排汽更為清潔［8］

，且機

油消耗量相對更低。

（5）汽輪機熱效率較高，燃油消耗率也相應更

低，當用于驅(qū)動移動設備時，具有更長的續(xù)航里程。

（6）因為汽輪機的運動機構都在機體內(nèi)部，一

般不會有油和水飛濺出來，所以更為安全。

（7）汽輪機的啟動及運行過程更為簡易，可以

減少人員的配置。

（8）汽輪機對凝汽器真空度的利用程度更高［9］

。

2）汽輪機的缺點

在某些場合應用時，汽輪機亦有一定的缺點，

主要如下：

（1）汽輪機的制造成本通常高于蒸汽機。

（2）對汽輪機內(nèi)部結構的檢查過程更為麻煩，

并且不易進行修理與維護。

（3）汽輪機無法實現(xiàn)反轉，因而不適用于需要

反轉的場合，如需實現(xiàn)反轉，通常需要配備倒車級。

（4）在低轉速工況下，蒸汽機具有較高的扭

矩。因此與（3）相結合，鐵道機車更適合采用蒸汽

機，而汽輪機在鐵道運輸領域的應用也受到了一定

限制［10］

。

（5）只有在一定的轉速條件下，汽輪機才會實

現(xiàn)高效運行。因此，汽輪機更適于在定速情況下運

行，如需頻繁調(diào)整轉速，效率往往會有所降低。

（6）小型汽輪機轉速較高，因而在與工作機械

匹配時必須采用減速裝置，使傳動設備復雜化。

（7）在輸出功率較小的前提下，汽輪機的效率

往往并不高于同功率的蒸汽機。

（8）在制造、裝配和安裝汽輪機時，需要有更高

的精確度，并且需要經(jīng)常觀測裝配間隙的大小。

綜上所述，對汽輪機與蒸汽機之間的差異進行

了歸納總結（如表2所示）。

就其特點而言，汽輪機更適合驅(qū)動發(fā)電機及其

它有著較高功率需求的工作機械。目前，大多數(shù)火

力發(fā)電廠都以汽輪機作為動力來源。除了大中型

船舶以外，采用汽輪機作為動力裝置的船型相對較

少，因為在行駛過程中，船舶往往需要進行變速或

實現(xiàn)倒航。如上文所述，由于汽輪機自身無法直接

實現(xiàn)反轉，通常需配備倒車級，由此增加了設備復

雜性和成本。

表2 汽輪機與蒸汽機的對比

對比項目

機組尺寸

機組重量

工質(zhì)流量

機組轉速

輸出功率

工作效率

轉動慣量

摩擦損耗

制造成本

裝配難度

維修難度

機油消耗

能否反轉

部件數(shù)量

結構緊湊性

運轉穩(wěn)定性

工質(zhì)流動連續(xù)性

汽輪機

小

輕

大

高

高

高

小

小

高

高

難

少

否

少

好

好

連續(xù)

蒸汽機

大

重

小

低

低

低

大

大

低

低

易

多

能

多

差

差

間斷

為了結合蒸汽機與汽輪機各自的優(yōu)勢，在船舶

動力領域，歷史上曾出現(xiàn)過蒸汽機與乏汽式汽輪機

組成的聯(lián)合動力裝置。但如今，由于與過去相比，

汽輪機的初溫和初壓等參數(shù)均有了顯著提升，相應

改善了循環(huán)的經(jīng)濟性和動力性，加之汽輪機既有的

一些優(yōu)勢，目前已完全取代了蒸汽機。

5.3 汽輪機總體技術趨勢展望

目前，汽輪機的總體發(fā)展技術趨勢如下：

1）提高汽輪機組的單機功率。提高單機功率

不僅能迅速地推動電力工業(yè)的發(fā)展，而且還能降低

機組單位功率成本，提高機組經(jīng)濟性，加快發(fā)電站

的建設進程。

2）發(fā)展核電汽輪機。為了進一步推動電力工

業(yè)的發(fā)展，針對核電站的研究也在持續(xù)開展中。核

工業(yè)汽輪機技術應用及未來發(fā)展研究

1845

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING FORUM

SHANGHAI ENERGY CONSERVATION

上海節(jié)能 No.08

2018

節(jié)能論壇

電站建設成本較高，但其運營費用較低，而且機組

總功率越高，相對的投資和運營成本越低。因此，

部分國家已開始大力發(fā)展核電站，并取得了一系列

成果。目前，核電汽輪機主要用于承擔基本負荷。

3）實現(xiàn)爐、機、電的集中控制，并提高發(fā)電站的

自動化水平。

6 結論與展望

作為一類動力裝置，汽輪機有著顯著的優(yōu)勢。

其可實現(xiàn)能量轉換，并以此驅(qū)動工作機械，因此在

石油化工、礦山冶金、交通運輸、低溫制冷、能源動

力、機械制造、建筑空調(diào)、食品醫(yī)藥、水利工程、城市

供水及農(nóng)田灌溉等許多領域得到了廣泛應用，并且

在國防技術領域也有著重要的地位?？梢哉f，汽輪

機的總體技術水平是體現(xiàn)一個國家工業(yè)化發(fā)展態(tài)

勢的重要標志。

作為汽輪機中的一類分支產(chǎn)品，工業(yè)汽輪機具

有較高的轉速及較廣的變速范圍。隨著國民經(jīng)濟

的發(fā)展，對工業(yè)汽輪機基型和數(shù)量的需求與日俱

增。工業(yè)汽輪機應用領域?qū)拸V，隨著使用條件的不

同，對進排汽參數(shù)、功率、轉速、布置型式和調(diào)節(jié)特

性等都有著不同的要求，從而導致工業(yè)汽輪機的品

種及規(guī)格繁雜。因此，亟待完善的產(chǎn)品體系、需進

一步拓寬的應用領域、有待提升的部件產(chǎn)量，以及

產(chǎn)品自身特點所引起的強度、振動等問題，都是工

業(yè)汽輪機在設計及制造中需要直面的重要課題。

為此，需要充分掌握模塊化設計原理，大力應用并

推廣計算機輔助設計技術，提高工業(yè)汽輪機產(chǎn)品的

通用化、標準化及系列化，還需要結合國情，盡快開

發(fā)出具有先進技術經(jīng)濟效益的產(chǎn)品體系，供不同用

戶選擇。

除此以外，仍需進一步提高工業(yè)汽輪機的可靠

性和易損件的耐久性，同時也應持續(xù)提高產(chǎn)品工作

效率，并在材料強度許可的限度內(nèi)盡可能提高機組

轉速及調(diào)節(jié)器的調(diào)節(jié)精度。為此，還需開展科研工

作，以加快行業(yè)的發(fā)展速度。

參考文獻

［1］喬志青.選用高效汽輪機提高生活垃圾發(fā)電效益探析［J］.上海節(jié)能,

2022,404(8):1027-1030.

［2］胡中強.背壓式汽輪機組與有機朗肯循環(huán)耦合的熱電聯(lián)產(chǎn)系統(tǒng)分析

及應用［J］.上海節(jié)能,2020,383(11):1265-1268.

［3］伍賽特.船用核動力裝置的技術特點及應用前景分析［J］.上海節(jié)能,

2022,402(6):670-675.

［4］伍賽特.船舶動力裝置及系統(tǒng)的技術特點與應用研究［J］.上海節(jié)能,

2022,397(1):33-37

［5］伍賽特.工業(yè)汽輪機技術特點及未來發(fā)展趨勢研究［J］.科技創(chuàng)新與應

用,2021,334(6):150-152.

［6］陶毅平,任健.背壓汽輪機變工況優(yōu)化運行研究［J］.上海節(jié)能,2018,

353(5):319-322.

［7］陶有宏,付文龍,戈建新,等.630 MW超臨界汽輪機高壓缸進汽噴嘴組

優(yōu)化改造［J］.上海節(jié)能,2022,403(7):930-933.

［8］王敏,馮建偉,王杰.660 MW汽輪機進水異常分析及治理措施［J］.上

海節(jié)能,2020,380(8):837-841.

［9］倪湯杰.抽凝式汽輪機啟動及運行過程中低真空的分析與處理［J］.上

海節(jié)能,2020,382(10):1213-1215.

［10］伍賽特.燃氣輪機與汽輪機應用于機車牽引動力的可行性分析研究

［J］.內(nèi)燃機與配件,2018,271(19):86-87.

1846

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

ENERGY SAVING FORUM

SHANGHAI ENERGY SAVING

2018 年第 08 期

節(jié)

能

論

壇

燃煤發(fā)電企業(yè)環(huán)保電價政策研究

周沛婕1 潘翔龍2 吳凱露3

1. 金華市生態(tài)環(huán)境保護發(fā)展中心

2. 國網(wǎng)金華供電公司婺城供電分公司

3. 浙江省環(huán)境科技有限公司

摘要：燃煤發(fā)電企業(yè)環(huán)保電價相關政策是我國鼓勵燃煤發(fā)電企業(yè)加大環(huán)保投入力度，減少大氣污染物排

放的電價加價政策。在分析現(xiàn)有燃煤發(fā)電企業(yè)環(huán)保電價政策體系建設、實踐成效和監(jiān)管模式的基礎上，

提出面臨的問題和優(yōu)化建議，以期能更好地發(fā)揮環(huán)保電價政策減排效應。

關鍵詞：燃煤發(fā)電企業(yè)；環(huán)保電價政策；監(jiān)管；優(yōu)化建議

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.014

Research on Environmental Protection Electricity Price

Policy for Coal-Fired Power Generation Enterprises

ZHOU Peijie1

, PAN Xianglong2

, WU Kailu3

1. Jinhua Ecological Environment Protection and Development Center

2. Wucheng Power Supply Branch of State Grid Jinhua Power Supply Company

3. Zhejiang Environmental Technology Co., Ltd.

Abstract: The policy of environmental protection electricity price for coal-fired power generation enterprises is

a policy of electricity price increase that encourages coal-fired power generation enterprises to increase their

investment in environmental protection and reduce the emission of atmospheric pollutants. Based on the analysis of the existing policy system construction, practical effectiveness, and regulatory model of environmental

protection electricity price for coal-fired power generation enterprises, this paper puts forward the problems

faced and optimization suggestions, in order to better play the role of environmental protection electricity price

policy in reducing emissions.

Key words: Coal-Fired Power Generation Enterprises; Environmental Protection Electricity Pricing Policy; Supervision; Optimization Suggestions

收稿日期：2023-05-12

作者簡介：周沛婕（1989-10-），女，碩士，工程師，研究方向為污染減排、排放源統(tǒng)計和環(huán)境污染源信息管理等領域

潘翔龍（1989-10-），男，碩士，工程師，研究方向為輸配電及用電工程領域

吳凱露（1991-09-），女，碩士，工程師，研究方向為大氣污染源排放清單、空氣質(zhì)量模擬、大氣污染防治等領域

1847

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING FORUM

SHANGHAI ENERGY CONSERVATION

上海節(jié)能 No.08

2018

節(jié)能論壇

0 前言

燃煤發(fā)電行業(yè)作為用煤主要行業(yè)，其煤炭用量

占我國煤炭總用量的一半左右［1］

，其發(fā)電過程中產(chǎn)

生的大氣污染物嚴重影響大氣環(huán)境質(zhì)量。為改善

環(huán)境質(zhì)量，逐步削減電力行業(yè)污染排放，我國燃煤

發(fā)電企業(yè)依規(guī)安裝投運環(huán)保設施后，可享受上網(wǎng)電

價加價政策，這種通過電價價格杠桿引導生產(chǎn)者朝

著節(jié)能環(huán)保方向發(fā)展的價格政策即為環(huán)保電價政

策。目前，我國已出臺了一系列環(huán)保電價政策，鑒

于此，本文分析了燃煤發(fā)電企業(yè)環(huán)保電價政策體系

建設、實踐成效和監(jiān)管模式，并提出面臨的問題和

優(yōu)化建議。

1 環(huán)保電價政策體系建設

我國現(xiàn)行的“基準價+上下浮動”市場化電價機

制即包含了脫硫、脫硝、除塵電價以及超低排放電

價政策，表1總結了國內(nèi)現(xiàn)行燃煤發(fā)電企業(yè)環(huán)保電

價的主要政策。

1.1 脫硫、脫硝、除塵電價政策

我國環(huán)保電價政策是從2004年國家發(fā)展改革

委對安裝脫硫設施的新建燃煤電廠采取上網(wǎng)電價

加價 0.015 元/kWh 的政策為標志開始實施，并于

2007 年出臺細化脫硫電價相關實施辦法。2011

年，國家發(fā)展改革委提出在14個?。▍^(qū)、市）開展脫

硝電價試點，并于 2013 年 1 月擴大到全國范圍實

施，同年 8 月，脫硝電價加價 0.008 元/kWh 升至

0.010元/kWh，并提出除塵電價加價0.002元/kWh。

1.2 超低排放電價政策

2015年《政府工作報告》提出“推動燃煤電廠超

低排放改造”，同年12月，國家出臺超低排放電價標

準，包括現(xiàn)役燃煤機組（2016 年 1 月 1 日前已并網(wǎng)

運行）加價0.010元/kWh和新建燃煤機組（2016年

1 月 1 日以后并網(wǎng)運行的）加價 0.005 元/kWh 兩檔

執(zhí)行。

2 環(huán)保電價實踐成效

經(jīng)過十幾年的實踐和完善，燃煤發(fā)電企業(yè)環(huán)保

電價政策已形成包括脫硫電價、脫硝電價、除塵電

價以及超低排放電價在內(nèi)的電價補償體系。從橫

向時間軸上分析，隨著環(huán)保電價政策的不斷出臺，

火電行業(yè)排放標準的不斷升級，環(huán)保電價在減排增

效上的作用日益凸顯。

2.1 污染減排顯成效

在發(fā)電量逐年提高的前提下，我國電力行業(yè)大

氣污染物排放控制成效顯著。截至 2015 年，火

電廠 SO2排放量約為 528 萬 t，較 2006 年峰值（約

1 155 萬 t）減少 54.2%；NOx 排放量約為 552 萬 t，

較 2011 年峰值（約 1 073 萬 t）減少 48.6%；煙塵排

放量約 165萬 t，較 2014年（約 236 萬 t）減少 30%。

到 2020 年底，火電廠上述三項主要污染物排放量

表1 燃煤發(fā)電企業(yè)環(huán)保電價重要政策一覽表［1-2］

類型

脫硫電價

脫硝電價

除塵電價

超低排放電

價

政策依據(jù)

《燃煤發(fā)電機組脫硫電價及脫硫設施運行管理辦

法（試行）》（發(fā)改價格〔2007〕1176號）

《關于調(diào)整可再生能源電價附加標準與環(huán)保電價

有關事項的通知》（發(fā)改價格〔2013〕1651號）

《關于實行燃煤電廠超低排放電價支持政策有關

問題的通知》（發(fā)改價格〔2015〕2835號）

執(zhí)行時間

2007-07-01

2013-09-25

2016-01-01

實施范圍

安裝脫硫設施燃煤發(fā)電機組

安裝脫硝設施燃煤發(fā)電機組

采用新技術進行除塵設施改

造的燃煤發(fā)電機組

完成超低排放改造的燃煤發(fā)

電機組

加價標準

（元/kWh）

0.015

0.010

0.002

現(xiàn)役機組0.010、

新建機組0.005

考核要求

按大氣污染物①種類

單項考核

按大氣污染物種類多

項合并考核

注：①包括SO2、NOx、煙塵

1848

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

ENERGY SAVING FORUM

SHANGHAI ENERGY SAVING

2018 年第 08 期

節(jié)

能

論

壇

已分別減少至37.4萬t，61.2萬t和16.7萬t。結合

政策發(fā)布時間和政策效應的滯后性，污染物排放量

減少與政策實施呈正相關性。相關研究也證實環(huán)

保電價實施后，電力行業(yè)污染物排放量減少趨勢明

顯［3-4］

。同時，環(huán)保電價政策明確，對于環(huán)保電價罰

沒款，?？顚Ｓ?，主要用于電力企業(yè)環(huán)保相關補貼，

保障減排成效。

2.2 發(fā)電企業(yè)降成本

為了實現(xiàn)短期競爭優(yōu)勢和經(jīng)濟效益，企業(yè)不愿

意建設環(huán)保設施或?qū)⒁呀ōh(huán)保設備閑置，甚至部分

電力企業(yè)為了在競價上網(wǎng)中得到價格優(yōu)勢，采用價

格低含硫量高的煤作為燃料，造成更嚴重的大氣環(huán)

境污染［5］

。考慮到環(huán)保設施成本要素，環(huán)保電價政

策對燃煤發(fā)電企業(yè)污染物控制的治理成本進行經(jīng)

濟補償，降低企業(yè)減排成本，充分調(diào)動企業(yè)安裝和

有效運行環(huán)保設施的積極性和主動性。

2.3 環(huán)保設備增效益

隨著環(huán)保電價政策的實施，火電廠的環(huán)保設施

投入呈整體上升趨勢。相關數(shù)據(jù)顯示，截至 2014

年底，火電廠脫硫設施從 2004 年的 1 110 套增至

4 836套，脫硝設施從2011年的274套增至2 484套，

除塵設施達到5 791套。截至“十三五”期末，我國

燃煤發(fā)電機組中完成超低排放和節(jié)能改造的占比

已達到76%。電力行業(yè)環(huán)保設施建設比率的增加，

切實減少電力行業(yè)大氣污染物排放，并實現(xiàn)環(huán)保設

備相關行業(yè)企業(yè)借綠增收。

3 環(huán)保電價監(jiān)管模式

執(zhí)行環(huán)保電價的燃煤發(fā)電企業(yè)在享有政策紅利

的同時，還應承擔污染治理的主體責任。近年來，環(huán)

保電價政策體系逐步強化環(huán)保設施運行的監(jiān)督管理

措施，有效改善相關企業(yè)超標排放和設施閑置等問

題，切實提高達標排放比率以及設施投運率。

3.1 監(jiān)督從實

1）強化在線數(shù)據(jù)監(jiān)督管控

充分利用環(huán)保分布式控制系統(tǒng)（簡稱“DCS”）

的 歷 史 數(shù) 據(jù) 和 煙 氣 排 放 連 續(xù) 監(jiān) 測 系 統(tǒng)（簡 稱

“CEMS”）數(shù)據(jù)進行邏輯分析，確保數(shù)據(jù)的真實性、

準確性和及時性。

2）健全環(huán)保設施管理制度

參照發(fā)電主設備的管理要求，建立環(huán)保設施運

行管理制度，規(guī)范運行報表和臺賬，確保環(huán)保設施

運行與生產(chǎn)同步。

3）提高信息公開實效

相關企業(yè)環(huán)保設施運行情況定期公開，問題

企業(yè)和典型案例及時公告，鼓勵全社會共同參與

監(jiān)督。

3.2 考核從嚴

目前，環(huán)保電價考核依據(jù)主要采用大氣污染物

排放濃度小時均值，燃煤發(fā)電企業(yè)需確保每個大氣

污染物考核指標每個小時都要達標，脫硫、脫硝和

除塵電價為單項指標考核，超低排放電價為多項指

標合并考核，與投運率考核相比，該項指標考核更

嚴、執(zhí)行更細、效果更實。

3.3 處罰從重

燃煤發(fā)電企業(yè)大氣污染物排放濃度小時均值

超限值時段將被沒收環(huán)保電價款，除相關文件規(guī)定

的特殊工況或客觀原因可免于罰款的時段外，超過

限值 1 倍及以上的，并處超限值時段環(huán)保電價款 5

倍以下罰款。相關企業(yè)未按規(guī)定安裝或未達到安

裝要求、安裝后擅自拆除或無故停運環(huán)保設施等情

況，將予以罰款，并按相關規(guī)定追究有關責任人的

責任。對因弄虛作假導致CEMS或DCS等數(shù)據(jù)丟

失或失實的行為，要從重處罰。

4 環(huán)保電價面臨的問題和優(yōu)化建議

4.1 面臨的問題

近年來，環(huán)保電價政策在實施過程中也存在一

些問題：

1）環(huán)保電價加價標準未實現(xiàn)差異化

郝春旭等［6］

采用平均成本法對不同裝機容量、

燃煤發(fā)電企業(yè)環(huán)保電價政策研究

1849

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING FORUM

SHANGHAI ENERGY CONSERVATION

上海節(jié)能 No.08

2018

節(jié)能論壇

不同區(qū)域、不同經(jīng)濟參數(shù)（燃煤含硫量、脫硫技術、

脫硝技術等）的燃煤機組開展脫硫、脫硝、除塵等成

本研究，提出了具有差別化的環(huán)保電價方案。杜振

等［7］

分析了重點地區(qū)300 MW、600 MW、1 000 MW

三個等級的燃煤發(fā)電機組實施超低排放改造所需

成本，其中300 MW和600 MW等級的燃煤發(fā)電機

組改造成本超過環(huán)保電價補償金額，建議進一步出

臺相關電價優(yōu)惠政策。

2）部分燃煤發(fā)電企業(yè)獲得環(huán)保電價補償?shù)耐?/p>

時仍超標排放

2016 年，國家有關部門專項檢查發(fā)現(xiàn)，759 家

檢查對象中605家燃煤發(fā)電企業(yè)在上一年度存在環(huán)

保電價違規(guī)現(xiàn)象，累計罰沒款達 3.28 億元。2020

年8月，湖北省19家電力公司因大氣污染物超限制

排放仍執(zhí)行環(huán)保電價，被沒收違規(guī)所得，類似的違

規(guī)現(xiàn)象在山東、江西、山西以及上海等也有發(fā)生。

本是為了督促企業(yè)落實環(huán)保主體責任，鼓勵企業(yè)加

大環(huán)保設施投入的補償政策，卻造成了市場潛在的

不公平競爭因素。

4.2 優(yōu)化建議

為持續(xù)發(fā)揮環(huán)保電價政策減排效應，后期建議

開展以下研究：

1）優(yōu)化環(huán)保電價補償標準

鑒于現(xiàn)有的政策主要依據(jù)平均治理成本，建議

根據(jù)機組容量的規(guī)模分檔調(diào)整環(huán)保電價加價幅度，

從而引導大機組多發(fā)電、小機組強治理。

2）優(yōu)化環(huán)保電價監(jiān)管方式

在企業(yè)在線監(jiān)測數(shù)據(jù)基礎上，結合生態(tài)環(huán)境部

門日常的監(jiān)督性檢測、專項執(zhí)法檢查等，多方位核

定燃煤發(fā)電企業(yè)環(huán)保設施投運率、脫硫效率、脫硝

效率和除塵效率。鑒于環(huán)保電價檢查涉及管理部

門多，探索監(jiān)督檢查協(xié)作機制和信息管理平臺。

3）優(yōu)化環(huán)保電價罰沒細則

在充分考慮客觀條件帶來的超標情況外，著

重關注企業(yè)改裝環(huán)保設備、拒報或謊報環(huán)保數(shù)據(jù)

以及竄改或故意丟失歷史監(jiān)測數(shù)據(jù)等行為，細化

罰沒條款。

參考文獻

［1］馬中, 蔣姝睿, 馬本, 等. 中國環(huán)境保護相關電價政策效應與資金機

制［J］. 中國環(huán)境科學,2020,40(6) : 2715-2728．

［2］柳凌, 倪吳忠. 我國環(huán)保電價政策體系及監(jiān)管方式探索［J］. 中國價格

監(jiān)管與反壟斷,2018(10) : 56-60．

［3］張晶杰, 王志軒, 趙毅. 環(huán)保電價政策改革優(yōu)化研究——基于燃煤發(fā)

電企業(yè)環(huán)保治理成本的分析［J］. 價格理論與實踐,2017(3) : 57-60．

［4］石光, 周黎安, 鄭世林, 等. 環(huán)境補貼與污染治理——基于電力行業(yè)

的實證研究［J］. 經(jīng)濟學（季刊）,2016,15(3) : 1439-1462．

［5］李金穎, 張世英, 何永貴. 關于環(huán)境成本與綠色電價機制的思考［J］.

價格理論與實踐,2004(3) : 29-30．

［6］郝春旭, 董戰(zhàn)峰, 楊莉菲. 電力行業(yè)環(huán)保綜合電價補貼政策研究［J］.

環(huán)境污染與防治,2016,38(12): 103-110．

［7］杜振, 柴磊, 魏宏鴿, 等. 燃煤機組煙氣超低排放改造投資和成本分

析［J］. 環(huán)境污染與防治,2016,38(9) : 93-98．

1850

城市交通碳管理技術研究

唐心雨1 唐 文2 蔣 曄2

1. 安徽師范大學

2. 上海方融科技有限責任公司

摘要：在全球環(huán)境保護及節(jié)能減碳背景下，交通碳排放是城市碳排放的

重要因素，研究城市交通碳管理關鍵技術和模型標準，建立交通碳管理體

系，通過對交通領域碳排放數(shù)據(jù)的采集和高效分析核算評價，實現(xiàn)政府服

務端、企業(yè)治理端、金融助力端的多場景應用，引導整個社會節(jié)能減排，助

力全社會節(jié)能減排、提高能效、安綠同行。

關鍵詞：交通碳管理；碳核算評價；安綠同行

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.015

Research on Urban Transportation

Carbon Management Technology

TANG Xinyu1

, TANG Wen2

, JIANG Ye2

1. Anhui Normal University

2. Shanghai Fangrong Technology Co., Ltd.

Abstract: In the context of global environmental protection and energy saving and carbon reduction, transportation carbon emissions are

an important factor in urban carbon emissions. Research on key

technologies and model standards for urban transportation carbon

收稿日期：2023-10-12

基金項目：“中國新能源汽車與可再生能源綜合應用商業(yè)化推廣”項目上海示范項目（GEF6）；上海市科

學技術委員會科研計劃項目（18DZ1203300）

作者簡介：唐心雨（2002-06-），女，本科，統(tǒng)計學專業(yè)

唐文（1970-11-），男，碩士，高級工程師，從事物聯(lián)網(wǎng)、能源互聯(lián)網(wǎng)關鍵技術研究及智能云

平臺集成解決方案架構及運用

蔣曄（1972-02-），男，碩士，高級工程師，從事用戶側配電網(wǎng)電氣設備智能云服務平臺研發(fā)等

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

management, a transportation carbon management system is established, and achieve multi-scenario

applications for government service providers, enterprise governance providers, and financial assistance providers through the collection, efficient analysis, accounting, and evaluation of transportation

carbon emissions data, to guide the entire society to achieve energy saving and emission reduction,

improve energy efficiency, and promote green development.

Key words: Transportation Carbon Management; Carbon Accounting and Evaluation; Green and Safe

0 引言

在國際環(huán)境保護、節(jié)能降碳背景下，交通碳管

理是城市安綠同行的重要舉措，各地政府結合地方

實際情況，以政府數(shù)字化改革為契機，按照“動態(tài)采

集—專業(yè)核算—綜合評價—多跨應用”的流程化思

路，開展交通碳排放數(shù)據(jù)倉庫建設、數(shù)據(jù)采集標準

規(guī)范、核算評價模型算法、監(jiān)管考核和激勵機制等

關鍵技術研究及應用推廣，取得了一些成果，為城

市綠化和低碳管理提供寶貴經(jīng)驗。

我國“雙碳”治理整體尚處在初級探索階段，交

通碳達峰和碳中和要達到國家“雙碳”目標要求，實

現(xiàn)交通安綠同行的路還很長，交通碳排放很多關鍵

技術尚處于攻關階段，比如：對應不斷推新的交通

工具，如何動態(tài)建模實現(xiàn)無限適配和業(yè)務擴展、交

通碳管理數(shù)據(jù)采集類型和真實性保證，碳排放核算

評價體系如何建立，如何激活政府管控、企業(yè)參與、

金融助力、產(chǎn)學研用相結合，匯智聚力，形成多行業(yè)

支撐的可持續(xù)健康發(fā)展生態(tài)體系等。

本文開展交通碳排放特性分析，進行碳管理

e-CIM 模型設計、碳指標核算評價算法、五維時空

分布式數(shù)據(jù)庫碳賬戶管理等關鍵技術研究，對城市

交通領域的企業(yè)和車輛建立交通能碳管理體系，包

括能源消耗量、碳排放總量、碳排放強度、碳源構

成、低碳基礎建設等數(shù)據(jù)采集運算、交通碳管理指

標核算評價、交通碳碼貼標、綠色金融等，研制交通

碳管理平臺，技術成果在長三角城市級、區(qū)縣級交

通碳管理應用推廣，形成可復制可推廣的交通碳管

理模式，收到很好的社會效應和經(jīng)濟效應，為我國

交通領域碳管理體系建設提供指導意義。

1 交通碳管理技術研究

1.1 交通碳管理數(shù)據(jù)安全保障技術研究

基于能碳時空五維分布式數(shù)據(jù)庫底座，構建區(qū)

塊鏈云—邊—端分布式架構體系，實現(xiàn)數(shù)據(jù)分級采

集、運算、管理、全網(wǎng)N-1同步熱備，確保數(shù)據(jù)防竄

改的完整性和可靠性，從采集上鏈全程可追溯，從

而形成獲碳、看碳、析碳、治碳、用碳的全產(chǎn)業(yè)鏈管

控和服務體系，為城市及園區(qū)交通碳管理建設和應

用提供指導。

數(shù)據(jù)管理安全保障體系技術研究要充分考慮

適應新能源發(fā)展的設備動態(tài)模型擴展、海量數(shù)據(jù)的

分布式彈性支撐、開放式發(fā)布環(huán)境低代碼支撐等因

素［1］

，避免各系統(tǒng)之間壁壘、煙囪等情況。能碳時空

五維分布式數(shù)據(jù)庫底座見圖1。

1.2 交通碳管理核算方法研究

核算方法選用排放因子法，溫室氣體排放量為

活動數(shù)據(jù)與溫室氣體排放因子的乘積。

溫室氣體排放因子獲取優(yōu)先級見表1。

具體核算方案如下：

碳排放總量計算：碳排放總量（tCO2e）等于企

業(yè)凈消耗的各種化石燃料燃燒活動產(chǎn)生的氣體排

放量（tCO2e）、企業(yè)的運輸車輛在尾氣凈化過程由

于使用尿素等還原劑產(chǎn)生的CO2排放量（tCO2）、企

業(yè)凈購入電力產(chǎn)生的CO2排放量（tCO2）三者之和。

1852

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

表1 溫室氣體排放因子獲取優(yōu)先級

數(shù)據(jù)類型

排放因子實測值或測算值

排放因子參考值

描述

通過交通運輸領域內(nèi)的直接測量、能量平衡或物料平衡等方法得到的排放因子或

相關參考值

采用相關指南或文件中提供的排放因子

優(yōu)先級

高

低

圖1 能碳時空五維分布式數(shù)據(jù)庫底座

化石燃料燃燒碳排放量計算：化石燃料燃燒碳

排放量（tCO2）等于凈消耗化石燃料燃燒產(chǎn)生的

CO2排放量（tCO2e）、運輸車輛燃燒化石燃料產(chǎn)生的

N2O 排放量（tCO2）三者之和。

CO2排放量計算：化石燃料燃燒碳排放量是通

過累加所有化石燃料活動水平與其對應的 CO2排

放因子的乘積來計算。

核算方案還包括甲烷和氧化亞氮排放量、尾氣

凈化過程碳排放、凈購入電力產(chǎn)生的碳排放、碳減

排總量的純電動車減排量、天然氣車減排量、混合

動力車減排量等方案。

1.3 交通碳管理貼標評價體系研究

1）碳賬戶評價指標

評價指標包括：里程碳排放強度、車均碳排放強

度、貨運周轉量碳排放強度和客運周轉量碳排放強度。

其中：

里程碳排放強度=碳排放總量/企業(yè)車輛總里

程數(shù)；

車均碳排放強度=碳排放總量/企業(yè)車輛總數(shù)；

貨運周轉量碳排放強度=碳排放總量/企業(yè)總貨

運周轉量；

客運周轉量碳排放強度=碳排放總量/企業(yè)總客

運周轉量。

2）碳管理評價指標方法

（1）里程碳排放強度評價方法

里程碳排放強度對標率=（里程碳排放強度/對

標值）×100%。

對標值確定方法如下：

行業(yè)平均車均碳排放強度=行業(yè)內(nèi)所有企業(yè)碳

排放量總和/行業(yè)內(nèi)所有企業(yè)車輛總和。

（2）車均碳排放強度評價方法

車均碳排放強度對標率=（車均碳排放強度/對

標值）×100%。

對標值確定方法如下：

行業(yè)平均里程碳排放強度=行業(yè)內(nèi)所有企業(yè)碳

排放量總和/車均內(nèi)所有企業(yè)里程總和。

（3）貨運周轉量碳排放強度評價方法

城市交通碳管理技術研究

1853

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

貨運周轉量碳排放強度對標率=（貨運周轉量

碳排放強度/對標值）×100%。

對標值確定方法如下：

行業(yè)平均貨運周轉量碳排放強度=行業(yè)內(nèi)所有企

業(yè)碳排放量總和/行業(yè)內(nèi)所有企業(yè)貨運周轉量總和。

（4）客運周轉量碳排放強度評價方法

客運周轉量碳排放強度對標率=（客運周轉量

碳排放強度/對標值）×100%。

對標值確定方法如下：

行業(yè)平均客運周轉量碳排放強度=行業(yè)內(nèi)所有企

業(yè)碳排放量總和/行業(yè)內(nèi)所有企業(yè)客運周轉量總和。

3）碳管理評價等級劃分

碳管理評價以道路運輸企業(yè)里程碳排放強度、

車均碳排放強度、貨運周轉量碳排放強度和客運周

轉量碳排放強度為評價維度，以計算分級為評價方

式。根據(jù)計算所得的碳排放強度情況賦予 AAA、

AA、A 貼標結果，AAA 代表碳排放強度狀況優(yōu)秀、

AA代表碳排放強度狀況較良好、A代表碳排放強度

狀況中等、深綠代表碳排放強度狀況偏差。碳管理

評價等級劃分見表2和圖2。

圖2 碳管理評價等級

表2 碳排放強度評價等級劃分

標志顏色

深綠

淺綠

黃色

強度等級

AAA

AA

A

對標率

[0，100%）

[100%，120%）

[120%，[∞]）

1.4 交通碳排放金融服務模式探討

將碳金融系統(tǒng)中的融資信息、金融產(chǎn)品信息、

保險產(chǎn)品信息、減排效果等數(shù)據(jù)歸集至交通碳管理

平臺，通過貸款融資額控制和政府貼息形成交通碳

排放金融服務。

交通碳管理碳效評估分為貸前和貸后評估。

金融機構貸前碳效分析，由金融機構輸入基期及預

期交通企業(yè)碳排放數(shù)據(jù)，基期及預期企業(yè)主營業(yè)務

收入，相應扣減因素后得出貸前碳效分析數(shù)據(jù)和指

標；貸后碳效分析為針對金融機構逐筆交通貸款的

碳效核算。貸前包括交通貸款融資額和交通碳排

放貼息。

2 交通碳管理平臺建設

圍繞新能源充分利用、碳排放數(shù)據(jù)獲取、監(jiān)測

和分析、場景應用，實現(xiàn)交通治理和低碳化目標，利

用物聯(lián)網(wǎng)、區(qū)塊鏈、大數(shù)據(jù)、云計算等先進技術，開

展對交通領域碳排放特征分析及關鍵技術研究，研

發(fā)基于五維時空分布式數(shù)據(jù)庫底座的交通碳管理

平臺，構建交通碳管理數(shù)據(jù)模型、搭建云—邊—端

1854

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

多層分布式架構、提供開放式海量接入環(huán)境，從交

通監(jiān)管部門、交通企業(yè)、交通車輛、交通樞紐站、交

通能源基站等多系統(tǒng)、多設備海量接入數(shù)據(jù)和標準

化處理、全網(wǎng)多賬本同步校驗和應用，實現(xiàn)碳賬戶

及資產(chǎn)管理、碳排放數(shù)據(jù)采集、碳足跡分析評價、碳

指標評價管控、企業(yè)碳碼貼標、碳金融服務等，為政

府服務端及企業(yè)治理端提供交通碳排放服務指導。

交通碳管理總體設計以時空五維分布式數(shù)據(jù)

庫底座為基礎，采用云—邊—端分布式多級架構［2］

，

實現(xiàn)政府服務端采用云服務模式，提供系統(tǒng)服務、

模型構建、數(shù)據(jù)實時監(jiān)管、分析評價、碳足跡、碳金

融、碳駕駛艙展示等相關應用功能，邊端通過基

礎支撐和模型實現(xiàn)、數(shù)據(jù)匯聚，實現(xiàn)企業(yè)治理端

數(shù)據(jù)采集和評判貼標，端側通過數(shù)據(jù)接口和系統(tǒng)

對接等方式，實現(xiàn)從政務云、交通企業(yè)、交通基

礎、交通車輛等海量數(shù)據(jù)采集。云邊端體系各司

其職，在各自節(jié)點承擔數(shù)據(jù)來源、標準化運算處

理、存儲、全網(wǎng)賬本統(tǒng)一，充分釋放云端計算存儲

和訪問壓力，確保全網(wǎng)數(shù)據(jù)的防竄改、真實可信

和高安全保障。

總體設計充分考慮系統(tǒng)的安全性，通過全網(wǎng)資

源監(jiān)管分析，提供數(shù)據(jù)安全、應用安全、系統(tǒng)安全、

云平臺安全、網(wǎng)絡安全等實時監(jiān)管分析和恢復能

力，構建了交通碳管理的安全體系。交通碳管理平

臺架構見圖3。

2.1 政府服務端交通碳管理

基于交互動態(tài)地圖的城市交通企業(yè)能耗總量、

能耗強度、碳排放總量、碳排放強度總覽。交通碳

管理概況，接入企業(yè)、接入車輛、清潔能源車。碳排

放強度，各類交通企業(yè)，當年上年同比比較。清潔

能源車概況，各類交通企業(yè)的各種清潔能源車情

況。碳源結構，碳減排量，各類交通企業(yè)的碳管理

貼標情況匯總。交通碳金融，新能源車的購置補

貼、運營補貼、低碳貸款情況匯總。政府服務端城

市交通碳管理見圖4。

2.2 企業(yè)治理端交通碳管理

交通企業(yè)碳管理，為每個碳管理主體配置獨立

的用戶界面，詳細展示單一企業(yè)的各類信息：企業(yè)

信息、碳排放指標、貼標信息、碳源結構、車輛結構、

清潔能源車的交通碳金融信息。企業(yè)治理端交通

碳管理見圖5。

3 交通碳管理場景應用

浙江某城市交通碳管理是城市碳賬戶工業(yè)、交

通、建筑、能源、農(nóng)林業(yè)、居民6大領域的重要環(huán)節(jié)，

項目建設包括交通碳賬戶模型構建、數(shù)據(jù)采集、碳

圖3 交通碳管理平臺架構

城市交通碳管理技術研究

1855

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

賬戶監(jiān)管、碳足跡核算評價、企業(yè)碳碼貼標、用能預

算化管理、碳金融應用，實現(xiàn)交通碳數(shù)據(jù)采集核算

與指標體系建設，使交通企業(yè)獲得新能源購車補

貼、充電樁建設援助、運營資金的低成本支持，為政

府服務端和企業(yè)治理端提供節(jié)能減排指導服務。

項目至2022年接入全市73個交通企業(yè)，包括公交、

出租、客運、貨運等車輛6 119輛、清潔能源車1 517

輛，全市交通能耗總量211 468.45 tce、碳排放總量

362 919.26 tCO2，碳減排 9 715.18 tCO2。碳管理

綠貸規(guī)模達 102.14 億元，撬動企業(yè)投入減排減碳

技改資金達 30 億元。城市交通碳管理建設如圖 6

所示。

圖4 政府服務端城市交通碳管理

圖5 企業(yè)治理端交通碳管理

1856

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

4 總結

本文對城市交通碳管理模型構建、采集標準規(guī)

范、核算評價方法、碳金融服務等關鍵技術及應用

進行了初步探討，建立數(shù)智化交通碳管理平臺，開

展長三角區(qū)域場功應用和推廣，相關成果將有助于

引導整個社會節(jié)能減排、提高能效、安綠同行，對城

市“雙碳”目標建設的政府服務端、企業(yè)治理端、金

融服務端提供很好的指導意義。

參考文獻

［1］蔣曄,邵燕,張勇躍.一種基于元數(shù)據(jù)的綜合能源一體化e-CIM模型設

計方法：CN201811179584.8［P］. 公告號：CN109272248A.

［2］蔣曄,邵燕,張勇躍. 一種基于分布式架構的綜合能源服務平臺系統(tǒng)：

2018111795744［P］. 公告號：CN109379420B.

圖6 城市交通碳管理建設

城市交通碳管理技術研究

1857

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

冷藏車廂門不同開啟狀態(tài)的廂體內(nèi)部

溫度場模擬研究

趙 舉 朱洪亮 許敬能

上海市質(zhì)量監(jiān)督檢驗技術研究院

摘要：廂門不同開啟狀態(tài)對冷藏車廂體內(nèi)部貨物溫度影響較大。以短途冷藏車為對象，建立了三維冷藏車

的物理模型和CFD計算模型，搭建了冷藏車實驗平臺。通過采集獲取廂體內(nèi)部溫度分布情況完成了CFD

仿真計算模型的驗證。利用該模型，模擬研究了廂門關閉、單側廂門開啟及兩側廂門均開啟三種情況下廂

體內(nèi)部溫度分布情況，并進一步研究了冷藏車制冷系統(tǒng)故障停機后廂體內(nèi)部瞬態(tài)溫度變化。研究結果表

明：在室外溫度為12 ℃、裝載率為80%情況下，廂門開啟情況對冷藏車近出風口貨物影響不大，主要影響近

廂門處的貨物溫度，廂門全開與廂門關閉情況下貨物平均溫度會上升21%。

關鍵詞：冷藏車；廂門；溫度場；數(shù)值模擬

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.016

Simulation Study on Internal Temperature Field of Compartment Door of Refrigerated Truck in Different Opening States

ZHAO Ju, ZHU Hongliang, XU Jingneng

Shanghai Institute of Quality Supervision and Inspection Technology

Abstract: The different opening states of the compartment door have a significant impact on the temperature of the goods inside the refrigerated compartment. Taking short-distance refrigerated trucks as

the object, a three-dimensional physical model and CFD calculation model of refrigerated trucks were

established, and a refrigerated truck experimental platform was built. The verification of the CFD simu收稿日期：2023-04-17

基金項目：上海市市場監(jiān)督管理局2022年度科技項目——冷鏈用冷藏車運行性能驗證及安全管理規(guī)范的研究（2022-61）

第一作者（通訊）：趙舉（1990-02-），男，碩士，工程師，主要從事質(zhì)量監(jiān)督檢驗技術研究等

1858

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

0 引言

冷藏車是一種用于運輸冷藏貨物的車輛，它的

主要功能是保持貨物的低溫狀態(tài)，以確保貨物的質(zhì)

量和安全。為了達到這個目的，冷藏車通常配備了

制冷系統(tǒng)和保溫隔熱材料。隨著社會經(jīng)濟的不斷

發(fā)展，冷鏈物流行業(yè)迅速發(fā)展。冷藏車作為冷鏈物

流中不可或缺的一環(huán)，承擔著運輸易腐食品的重要

責任。

在冷藏運輸過程中，溫度是冷藏效果的一個重

要指標，受到越來越多人的關注。然而，目前我國

冷鏈物流中存在著薄弱環(huán)節(jié)，其中之一就是冷藏

車。隨著我國公路冷藏車運量的年增長率急劇上

升，對冷藏車技術研究的需求日益迫切。然而，由

于冷藏車內(nèi)部存在復雜的流動和傳熱現(xiàn)象，為了確

保冷藏車的性能和安全，需要進行CFD模擬和優(yōu)化

設計［1］

。

冷藏車的溫度場研究是優(yōu)化設計和保障貨物

安全的重要方向［2］

。目前，已經(jīng)有很多研究關注冷

藏車的溫度場問題，并嘗試通過實驗和數(shù)值模擬等

手段進行研究。數(shù)值模擬是研究冷藏車溫度場的

常用方法之一。通過建立冷藏車的三維模型，應用

CFD軟件模擬冷藏車內(nèi)部的流動和傳熱現(xiàn)象，分析

溫度分布、空氣流速等參數(shù)，以及制冷系統(tǒng)的性能

等因素對溫度場的影響。Chourasia等［3］

利用CFD

模擬貨物不同寬高比及貨物堆棧之間不同間隙時

所需要的冷卻時間，確定了最佳貨物寬高比和垂直

水平間隙。Ferruh等［4］

同樣借助CFD技術，分析了

不同冷卻條件的熟雞蛋冷卻時間及溫度分布情況，

模擬結果與實際情況基本吻合。韓佳偉等［5］

以土豆

為貨物區(qū)試驗材料，建立了求解冷藏車車廂溫度場

分布計算模型，采用CFD模擬開啟風機和關閉風機

不同階段車廂內(nèi)溫度場的分布情況。張翔等［6］

進一

步對4種結構不同的冷藏車廂體，在相同的運輸時

間和同樣貨物堆碼方式下的廂體冷卻性能(溫度分

布、冷卻時間、冷卻均勻性)進行CFD模擬對比與分

析。徐笑鋒等［7］

將蓄冷技術運用到冷藏車，并使用

CFD 模擬手段研究了不同環(huán)境溫度下蓄冷車廂內(nèi)

部溫度分布及變化情況。趙時等［8］

建立了冷藏車廂

的仿真模型，利用 CFD 技術研究了梯級送風對空

倉時冷藏車廂內(nèi)溫度場的影響，并進行了實驗驗

證。結果顯示，梯級送風可以提高冷藏車廂內(nèi)射

流區(qū)的氣流速度，提高車廂內(nèi)溫度場的整體降溫

速度。

文獻調(diào)研結果顯示，已有研究主要將CFD手段

用于優(yōu)化改進冷藏車設計，如送風方式、制冷系統(tǒng)

位置、增加蓄冷設備等。鮮有研究關注冷藏車實際

運行過程開關廂門對貨物溫度的影響，以及車輛斷

電故障下冷藏車廂內(nèi)溫度分布情況。因此，本文以

短途冷藏車為研究對象，借助CFD模擬研究不同廂

門開啟狀態(tài)下貨物溫度分布以及制冷系統(tǒng)斷電故

障下的廂內(nèi)溫度情況。

lation calculation model was completed by collecting and obtaining the temperature distribution inside

the compartment. Using this model, the internal temperature distribution of the car body is simulated

under three conditions: the car door is closed, the door is opened on one side and the door is opened

on both sides, and the transient temperature change in the car body is further studied after the refrigeration system of the refrigerated truck is shut down. The research results showed that: when the outdoor

temperature is 12 ℃ and the loading rate is 80%, the opening of the compartment door has little impact

on the goods near the air outlet of the refrigerated truck, mainly affecting the temperature of the goods

near the compartment door. The average temperature of the goods will rise by 21% when the compartment door is fully opened and closed.

Key words: Refrigerated Truck; Compartment Door; Temperature Field; Numerical Simulation

冷藏車廂門不同開啟狀態(tài)的廂體內(nèi)部溫度場模擬研究

1859

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

1 冷藏車廂模型建立

1.1 物理模型與網(wǎng)格劃分

本文研究對象為市場上最常用的短距離冷藏

車，該車型冷藏車廂呈立方體形，尺寸為6 600 mm×

2 300 mm×2 300 mm（長×寬×高），見圖1。冷

藏車廂外圍選用20 cm保溫材料包裹，用以減少車

廂漏熱。車廂運行平均溫度為 5 ℃。風機和制冷

機組安裝于車廂前部，送風方式采用單一冷風機送

風，冷風機由車前向車后送風，冷氣由風機送風口

經(jīng)車體內(nèi)循環(huán)之后由送風口兩側的回風口回風。

冷藏車貨物裝載率設置為80%。

為了驗證模型，在車廂內(nèi)共設置33個測溫點，

用于獲取車廂內(nèi)部溫度分布。其中高度方向平均

分為3層，每層均勻布11個點，底層距離車廂5 cm，

頂層與冷風機出風口下端平齊，中層介于頂層與底

層中間。所有溫度通過數(shù)據(jù)采集儀采集后記錄在

電腦中便于后續(xù)數(shù)據(jù)分析。

圖 1 實驗用冷藏車

本研究采用商用ANSYS軟件進行研究。首先

采用 ICEM 搭建如圖 2 所示冷藏車廂物理模型，車

廂右上位置y=1.7 m處放置制冷系統(tǒng)進出風口，送

風口和回風口尺寸均為 0.3 m×1.7 m。為了進一

步簡化模型，提高模擬計算效率，將冷藏車外殼設

置為常壁溫的殼體，壁溫邊界條件視外界環(huán)境溫度

及車廂內(nèi)熱負荷而定。內(nèi)部空氣域外圍采用20 cm

的保溫材料進行廂體保溫，兩側車門采用相同的保

溫材料。對廂體、車門、廂體外殼、進出風口進行命

名便于后續(xù)計算邊界條件設置。

圖 2 冷藏車物理模型簡圖

冷藏車廂物理模型構建完成之后，需要對模型

進行網(wǎng)格劃分。網(wǎng)格劃分嚴格按照物理規(guī)律（對近

壁面和進出風口周圍設置邊界層、高換熱部位進行

網(wǎng)格加密）。采用非結構網(wǎng)格方法，在貨物表面，流

場域與保溫材料交界面及制冷系統(tǒng)風道周圍設置

邊界層，邊界層 y+值為 40，第一層網(wǎng)格尺寸為

0.001 m，增長率為1.1，邊界層的層數(shù)為5。選擇最

小網(wǎng)格尺寸0.2 m、0.1 m、0.05 m進行網(wǎng)格劃分，得

到網(wǎng)格總數(shù)量為粗(總網(wǎng)格單元數(shù)：544 533，54 W)、

中(總網(wǎng)格單元數(shù)：1 665 193，166 W)、精(總網(wǎng)格單

元數(shù)：3 686 810，368 W)三種網(wǎng)格密度用于進行網(wǎng)

格無關性驗證。模型網(wǎng)格劃分見圖3。

(a)整體網(wǎng)格 (b)局部網(wǎng)格

圖 3 模型網(wǎng)格劃分

1.2 數(shù)學模型

本研究采用κ-ε湍流模型進行瞬態(tài)數(shù)值模擬，

模擬中涉及庫內(nèi)流體流動與傳熱過程均服從質(zhì)量守

恒定律、能量守恒定律及動量守恒定律。在數(shù)值模

擬計算中，對所建的物理模型有以下假設條件：

（1）車廂內(nèi)空氣為不可壓縮流體。

（2）空氣在固體壁面上無滑移。

（3）忽略影響微乎其微的流體黏性力做功產(chǎn)生

的耗散熱。

（4）忽略場景內(nèi)影響較小的輻射傳熱。

模型控制方程如下：

1860

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

連續(xù)性方程

?ui

?xi

= 0 （1）

湍流流動能量方程：

?

?xi

(puiT)= ?

?Xi

é

?

ê ù

?

ú ?

è

? ?

?

÷ μ

pr

+ μi

σi

?T

?xi

+ qT

Cp

（2）

湍流脈動動能方程（κ方程）：

?

?xi

(ρuik) = ?

?xi

?

è

? ?

?

÷ μi

σk

?k

?xi

+ G - ρε

+βg

μi

Pr

?T

?xi

（3）

湍流脈動動能耗散率方程（ε方程）：

?

?xi

(ρuiε)= ?

?xi

?

è

? ?

?

÷ μi

σε

?ε

?xi

+ (c1G - c2 ρε)

+c3βg

ε

k

μi

Pr

?T

?xi

（4）

式中，G——湍流脈動動能產(chǎn)生項：

G = μi(

?ui

?xj

+ ?uj

?xi

)

?ui

?xj

,i,j = 1,2,3 （5）

ui——空氣流動的速度分量(m/s)，i取1，2，3時

分別對應x，y，z方向；

ρ——空氣密度，(kg/m3

)；

P——壓力(Pa)；

T——空氣溫度；

β——空氣體積膨脹系數(shù)(1/℃)；

μ——氣體層流動力黏性系數(shù)(m2

/s)；

μt——氣體紊流動力黏性系數(shù)(m2

/s)；

g——重力加速度(m2

/s)；

k——空氣紊流脈動動能(m2

/s)；

Pr——紊流時的普朗特數(shù)；

qT——熱源強度(W/m3

)；

ε——紊流能量耗散率(m2

/s)；

式中各經(jīng)驗系數(shù)取值為：

c1=1.44，c2=1.92，c3=1，σ3=0.09，σk=1。

1.3 邊界條件及相關參數(shù)設定

最后，模擬仿真之前需要對計算區(qū)域的材料物

性和計算的邊界條件進行設定。

材料屬性設置（模型計算域分為三種材料

屬性）：

a)貨物區(qū)選擇果蔬和肉類的平均物性參數(shù)，設

置換熱系數(shù)為10 W/(m2

·K)，密度為750 kg/m3

；

b)車內(nèi)風域設置為不可壓流，選擇材料庫的空

氣屬性進行計算；

c)外部保溫材料換熱系數(shù)為0.34 W/(m2

·K)，定

壓比熱為0.75 kJ/(kg·K)。

邊界條件設置：根據(jù)制冷系統(tǒng)制冷量計算出風

口風速為2.1 m/s，制冷系統(tǒng)除進出風口外設置常壁

溫邊界為2 ℃。貨物表面為coupled換熱面，保溫

棉外表面為定壁溫壁面（根據(jù)環(huán)境溫度設定 8.8~

12.7 ℃），車門在關閉時為絕熱壁面，打開狀態(tài)下為

interface。風域與保溫棉交界面為 coupled 換熱

面。計算方法：采用SIMPLE算法進行計算，湍流動

能和湍流耗散率選擇二階精度。

1.4 網(wǎng)格無關性檢驗及模型驗證

考慮到CFD模型的計算精度與模型復雜度，對

粗(54 W)、中(166 W)、精(368 W)三種網(wǎng)格密度的

CFD 模型模擬結果進行分析。在雙側車門均關閉

情況下進行網(wǎng)格無關性驗證模擬計算。當各計算

殘差（連續(xù)性殘差1e-05、溫度殘差1e-08、流速殘

差 1e-05、湍流強度 k&ε殘差 1e-05）均低于設定

收斂值時，認為計算達到收斂，見圖 4所示。

圖 4 計算過程的殘差變化

將不同網(wǎng)格精度下模擬得到的廂內(nèi)溫度場結

果與實驗數(shù)據(jù)進行對比。選取制冷系統(tǒng)出風口前

0.05 m 處，位于（X=3.3 m，Y=2.15 m）平面及（X=

6.25 m，Z=1.15 m）平面的實驗測試數(shù)據(jù)與模擬結

果進行對比，結果見圖 5。從圖5中可以看出，隨著

冷藏車廂門不同開啟狀態(tài)的廂體內(nèi)部溫度場模擬研究

1861

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

計算網(wǎng)格數(shù)的增加，模擬與實驗數(shù)據(jù)的誤差將會減

小。其中，基于320 W和183 W網(wǎng)格的模擬結果與

實驗數(shù)據(jù)吻合較好，最大誤差不超過5%，滿足計算

精度要求。因此，綜合考慮模型精度和計算效率，

最終選擇中間網(wǎng)格尺度（最小網(wǎng)格尺寸為0.1 m）為

后續(xù)模擬計算網(wǎng)格。

(a) X=3.3m, Y=2.15m

(a) X=6.25m, Z=1.15m

圖 5 網(wǎng)格無關性檢驗及模型驗證結果

2 模擬結果分析

在對模型進行實驗驗證后，選擇中等網(wǎng)格尺寸

作為后續(xù)模擬基準。對冷藏車廂內(nèi)部穩(wěn)態(tài)和瞬態(tài)

的溫度場進行了模擬分析。

2.1 穩(wěn)態(tài)溫度場結果分析

在冷藏車實際運行過程中，由于需要卸貨和裝

貨，冷藏車廂門會經(jīng)常開啟關閉，造成內(nèi)部冷量的

損失，引起冷藏車廂內(nèi)溫度場的變化，為了得到不

同廂門開啟狀態(tài)下內(nèi)部溫度場，對以下三種的穩(wěn)態(tài)

溫度場進行了研究：Case 1—廂門關閉、Case 2—

單側廂門開啟、Case 3—兩側廂門均開，其模擬結

果如圖 6和圖 7所示。

不同廂門開啟狀態(tài)下Z=1.15 m平面的廂體內(nèi)

溫度場如圖 6所示。從圖6(a)中可以看出廂門關閉

情況下，廂內(nèi)貨物的溫度可以保證在2.0~8.0 ℃之

間，滿足冷藏車預設功能要求。一側廂門開啟后，

貨物的溫度梯度發(fā)生了改變，近門處的貨物溫度接

近 8.0 ℃，但 Z=1.15 m 平面的溫度仍可保證在

2.0~8.0 ℃之間（圖 6(b)）。這是因為廂內(nèi)貨物裝載

率較高，盡管單層門開啟，但由于貨物的阻隔，減弱

了外側空氣與內(nèi)部氣體的對流傳熱。當兩側廂門

均開啟后，在 Z=1.15 m 平面近門處位置的貨物溫

度將超過8.0 ℃，已無法滿足預設要求。

(a) Case 1

(b) Case 2

(c) Case 3

圖 6 不同廂門開啟狀態(tài)的廂體內(nèi)溫度場（Z=1.15 m）

不同廂門開啟狀態(tài)下廂體中間平面（X=3.3 m）

1862

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

溫度場如圖 7所示。從圖7中可以看出，不同廂門

開啟情況下，廂體內(nèi)貨物中間平面的溫度場區(qū)別不

大，溫度均能保證在2.0~8.0 ℃之間。這是因為由

于進門處貨物的堆放阻礙了車廂內(nèi)部貨物與外界

的傳熱，因此廂門開啟與否對于廂體中后部貨物溫

度的影響較小。

(a) Case 1 (b) Case 2 (c) Case 3

圖 7 不同廂門開啟狀態(tài)的廂體內(nèi)溫度場（X=3.3 m）

不同廂門開啟狀態(tài)的貨物平均溫度及貨物中

間面平均溫度對比見圖8。

關閉車門穩(wěn)定運行時 X=3.3 m 中間面的面平

均溫度為5.8 ℃。貨物體的平均溫度為4.6 ℃。打

開單側車門時，X=3.3 m 中間面的面平均溫度為

5.94 ℃，相較于車門全關狀態(tài)下的 5.8 ℃升高了

0.14 ℃。貨物的平均溫度為4.8 ℃，相較于車門全

關狀態(tài)下的4.6 ℃升高了0.2 ℃。兩側車門均打開

時X=3.3 m中間面的面平均溫度為6.157 ℃，相較

于車門全關狀態(tài)下的5.8 ℃升高了 0.357 ℃，開單

側門狀態(tài)下的5.94 ℃升高了0.217 ℃。貨物的體

平均溫度為 5.57 ℃，相較于車門全關狀態(tài)下的

4.6 ℃升高了0.97 ℃，開單側門狀態(tài)下的4.8 ℃升

高了0.77 ℃。

圖8 不同廂門開啟狀態(tài)的貨物平均溫度及貨物中間面平均溫度對比

3 制冷系統(tǒng)故障停機情況下廂內(nèi)瞬態(tài)溫度場

分析

冷藏車實際運行過程中，由于外部環(huán)境變化劇

烈，制冷系統(tǒng)長期運行中會存在故障停機情況，為

了保證貨物冷藏效果需要及時進行維修。分析制

冷系統(tǒng)停機情況下廂內(nèi)溫度變化，對室外溫度為

12 ℃，廂門均關閉情況下系統(tǒng)故障停機的600 s內(nèi)

瞬態(tài)溫度場進行了模擬故障停機后20 s內(nèi)廂體內(nèi)

溫度場如圖 9所示。

(a) 停機后10 s

(b) 停機后20 s

圖 9 故障停機后20 s內(nèi)廂內(nèi)溫度場

從圖9中可見，20 s內(nèi)廂體內(nèi)溫度變化不大，貨

物均能保證在 8 ℃之內(nèi)。貨物平均溫度及中間面

平均溫度隨停機時間變化見圖10。10 s時，X=3.3 m

中 間 面 平 均 溫 度 5.84 ℃ ，貨 物 體 平 均 溫 度

4.625 ℃ ；20 s 時 ，X=3.3 m 中 間 面 平 均 溫 度

5.875 ℃，貨物體平均溫度4.65 ℃；100 s時，X=3.3 m

中 間 面 平 均 溫 度 6.175 ℃ ，貨 物 體 平 均 溫 度

4.852 ℃ ；200 s 時 ，X=3.3 m 中 間 面 平 均 溫 度

6.221 ℃，貨物體平均溫度 4.856 ℃；600 s 時，

X=3.3 m中間面平均溫度6.513 ℃，貨物體平均溫

冷藏車廂門不同開啟狀態(tài)的廂體內(nèi)部溫度場模擬研究

1863

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

度為5.036 ℃。從圖10中可以看出，前200 s內(nèi)溫

度升高較為明顯，200 s 后溫度上升逐漸減慢。這

是因為隨著廂內(nèi)溫度上升，廂內(nèi)與廂外傳熱溫差下

降，漏熱減少，而由于貨物熱容較大，因此貨物平均

溫度上升較為緩慢。從溫度變化趨勢分析，24 h內(nèi)

貨物平均溫度均能保證在8 ℃以內(nèi)，滿足冷藏車預

設要求。

圖 10 貨物平均溫度及中間面平均溫度隨停機時間變化

4 總結

冷藏車作為一種重要的運輸工具，對于貨物的

保鮮和安全至關重要。冷藏車溫度場研究的主要

目的是為了優(yōu)化冷藏車的設計和運行，以確保貨物

的質(zhì)量和安全。本文以短途冷藏車為對象，建立了

三維冷藏車的物理模型和CFD計算模型，通過搭建

冷藏車實驗臺獲取廂體溫度分布完成了CFD仿真

計算模型的驗證。借助該模型對廂門不同開啟狀

態(tài)下的廂內(nèi)溫度場進行了CFD模擬分析。

模擬結果顯示，在室外溫度為12 ℃、裝載率為

80%情況下，廂門開啟情況對冷藏車近出風口貨物

影響不大，主要影響近廂門處的貨物溫度，廂門全

開與廂門關閉情況下貨物平均溫度會上升 21%。

除此之外，在制冷系統(tǒng)故障停機下，若車廂保溫良

好，由于貨物較大得到熱容，廂內(nèi)貨物能夠在較長

時間內(nèi)維持在8 ℃以內(nèi)。

參考文獻

［1］Copertaro B, Principi P, Fioretti R. Thermal performance analysis of

PCM in refrigerated container envelopes in the Italian context–Numerical modeling and validation［J］. Appl Therm Eng, 2016, 102:

873-81.

［2］Leungtongkum T, Flick D, Hoang H M, et al. Insulated box and refrigerated equipment with PCM for food preservation: State of the art［J］.

J Food Eng, 2022, 317:110874.

［3］Chourasia M, Goswami T. Simulation of effect of stack dimensions and

stacking arrangement on cool-down characteristics of potato in a cold

store by computational fluid dynamics［J］. Biosys Eng, 2007, 96(4):

503-515.

［4］Erdogdu F, Ferrua M, Singh S K, et al. Air-impingement cooling of

boiled eggs: analysis of flow visualization and heat transfer［J］. J

Food Eng, 2007, 79(3): 920-928.

［5］韓佳偉, 趙春江, 楊信廷,等. 基于CFD數(shù)值模擬的冷藏車節(jié)能組合方

式比較［J］. 農(nóng)業(yè)工程學報, 2013, 19: 55-62.

［6］張翔, 韓佳偉, 楊信廷, 等. 不同構造冷藏車廂體的冷卻性能模擬與

對比［J］. 制冷學報, 2018, 39(2): 89-98.

［7］徐笑鋒, 章學來, 王建軍. 不同環(huán)境溫度下蓄冷式冷藏車溫度場的模

擬研究［J］. 低溫與超導, 2018, 46(2): 65-69.

［8］趙時, 姜兆亮, 丁兆磊, 等. 梯級送風對冷藏車廂內(nèi)溫度場的影響

［J］. 制冷學報, 2020, 41(5): 116-123.

1864

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

燃煤電廠CO2捕集技術研究

孟 磊 張力元 何鎮(zhèn)翔

國電電力雙維內(nèi)蒙古上海廟能源有限公司

摘要：CO2作為主要的溫室氣體之一，其大量排放對環(huán)境和生活造成了一定的影響。在“碳達峰、碳中和”的

目標下，急需開發(fā)有效的CO2捕集技術。詳細介紹了CO2的三種捕集技術：燃燒前碳捕集、燃燒中碳捕集和

燃燒后碳捕集。其中燃燒后碳捕集技術包含吸附法、吸收法、膜分離法和低溫分離法。

關鍵詞：燃煤電廠；CO2；燃燒前碳捕集；富氧燃燒技術；燃燒后碳捕集

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.017

Research on CO2 Capture Technology in Coal-Fired Power Plants

MENG Lei, ZHANG Liyuan, HE Zhenxiang

State Grid Shuangwei Inner Mongolia Shanghai Temple Energy Co., Ltd.

Abstract: As one of the main greenhouse gases, the large-scale emission of CO2 has caused certain

impact on the environment and life. Under the goal of \"carbon peaking and carbon neutrality\", it is urgent to develop effective CO2 capture technology. Three CO2 capture technologies are introduced in

detail: pre-combustion carbon capture, in-combustion carbon capture, and post-combustion carbon

capture. Among them, post-combustion carbon capture technology includes adsorption, absorption,

membrane separation, and low temperature separation.

Key words: Coal-Fired Power Plant; CO2; Pre-Combustion Carbon Capture; Oxygen-Enriched Combustion Technology; Post-Combustion Carbon Capture

收稿日期：2022-10-10

第一作者（通訊）：孟磊（1994-07-），男，碩士，主要從事電力相關的研究

1865

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

0 引言

隨著社會經(jīng)濟的快速發(fā)展，能源的需求也日

益增長。其中化石燃料在能源的使用過程中帶來

了溫室氣體的排放，CO2氣體的排放占溫室氣體

的比例達到 64%。溫室氣體的排放對環(huán)境造成了

一定的破環(huán)，導致全球氣候變暖，進而引發(fā)冰川融

化，海平面上升等問題，極大地危害到人類的生存

環(huán)境。

各國政府相繼出臺一系列的政策和法規(guī)。

2015年，第21屆聯(lián)合國氣候變化大會上由全世界

178個締約方共同簽署的氣候變化協(xié)定，對2020年

后全球應對氣候變化的行動作出統(tǒng)一安排，并制定

了《巴黎協(xié)定》。2020 年 9 月，在第 75 屆聯(lián)合國大

會上，我國提出了碳達峰和碳中和的目標，力爭于

2030年前達到峰值，努力爭取于2060年前實現(xiàn)碳

中和。為實現(xiàn)這一目標，中國政府制定一系列降低

碳強度和減少碳排放的措施，具體包括改善能源結

構、優(yōu)化經(jīng)濟結構等。然而，中國作為世界上最大

的能源消費國，對于實現(xiàn)“雙碳”目標，面臨著非常

嚴峻的考驗和壓力。

我國的能源特點是“富煤，貧油，少氣”，煤炭在

我國能源的利用過程中扮演著重要的角色。由于

煤在以化石燃料為主要能源的發(fā)電行業(yè)中的重要

地位，對煤燃燒產(chǎn)生的溫室氣體的控制也變得非常

重要。

1 電廠煙氣CO2捕集技術

燃煤電廠CO2捕集技術主要分為三類，即燃燒

前捕集、燃燒中捕集以及燃燒后捕集［1］

。

1.1 燃燒前CO2捕集技術

燃煤電廠燃燒前 CO2捕集技術流程示意圖見

圖1。燃燒前碳捕集工藝具體為：利用煤氣化方式

將煤炭氣化為合成氣等氣體，進一步通過水煤氣變

換的方式轉化為 CO2和 H2。然后通過分離裝置將

CO2分離出來，H2則被燃氣輪機用來發(fā)電。此工藝

與常規(guī)電站燃燒后CO2捕集方式相比，避免了煙氣

流量大、CO2濃度低的特點。但是,其成本遠高于在

役燃煤機組，同時其發(fā)電熱效率將下降 7~10 個百

分點［2］

。燃燒前CO2捕集技術示意圖見圖1。

圖1 燃燒前CO2捕集技術示意圖

2015 年華能天津煤氣化發(fā)電有限公司建成

了IGCC（燃氣-蒸汽聯(lián)合循環(huán)）的6萬~10萬t CO2

捕集系統(tǒng)裝置，這一示范系統(tǒng)是中國容量最大的

燃燒前 CO2捕集系統(tǒng)［3］

。樊強等［3］

對上述燃燒前

CO2捕集系統(tǒng)進行了詳細的分析。結果表明：該

系統(tǒng)的捕集能力為 9.46 萬 t/年，捕集率大于 88%，

捕集CO2能耗為2.34 GJ/t，捕集成本為281.37元/t。

吸附增強型水氣轉移(SEWGS)技術是一種很有前

途的燃燒前脫碳技術，非常適合在聯(lián)合循環(huán)發(fā)電

方案中脫碳從天然氣和煤基燃料生產(chǎn)的合成氣。

Selow 等［4］采用碳酸鉀負載水滑石基材料作為

CO2吸附劑，CO2捕集效率達到 90%以上。該循

環(huán)法是一種低成本、燃燒前 CO2捕獲方案，其平均

吸附能力高達401 mg-CO2/g-CaO。由于鈣循環(huán)

法 CO2捕獲技術獨特的高 CO2選擇性，實現(xiàn)了極

高的 CO2捕集效率。Wu 等［5］

采用鈣循環(huán)法實現(xiàn)

了極高的 CO2捕集效率。通過使用最佳的吸附和

解吸溫度，鈣循環(huán)法技術表現(xiàn)出極高的 CO2承載

能力，達到51%。

1.2 燃燒中CO2捕集技術

燃煤電廠燃燒中 CO2捕集技術流程示意圖見

圖 2。燃燒中 CO2捕集技術是采用富氧燃燒的方

式，采用高純度氧（濃度大于95%）和部分再循環(huán)煙

氣作為燃料燃燒的氧化劑，燃燒產(chǎn)物主要為CO2和

水蒸氣。該技術以煙氣中的CO2來替代氮氣（N2），

使煙氣中 CO2的濃度大大提高，降低 CO2捕集能

耗。但是采用富氧燃燒技術空分裝置制氧需要消

耗能量，發(fā)電效率降低10%～12%［2］

。

1866

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

圖2 富氧燃燒CO2捕集技術示意圖

富氧燃燒作為 CO2捕集技術為燃煤電廠實現(xiàn)

接近零排放提供了一種方式。在富氧燃燒技術中，

由于燃燒中氮的減少，煙氣量減少了4～5倍（以干

基計）。減少的富含 CO2的煙氣體積必須壓縮至

25~35 bar進行凈化，從而進一步減少25~35倍的

實際煙氣體積。如果煙氣壓縮機下游安裝了去除

雜質(zhì)（SOX、NOX和Hg）的設備，與空氣燃燒相比，投

資成本可以大幅減少。此外，通過在CO2凈化裝置

中處理整個煙氣量，可以去除和濃縮固體和液體廢

物流中的微量雜質(zhì)，并產(chǎn)生接近零排放的排氣流和

相對無微量雜質(zhì)的高純度 CO2。Praxair 公司開發(fā)

了一種利用協(xié)同效應的富氧燃燒煙氣凈化技術，與

空氣燃燒煤粉發(fā)電廠相比，該技術將捕集>99%的

CO2、SOx 和 Hg 排放量，以及>95%的 NOx 排放

量。該技術的好處包括管理空氣進入問題、節(jié)省

SOx和NOx脫除的資金和運營成本、降低CO2捕獲

成本和生產(chǎn)用于封存的高純度 CO2

［6］

。Xiong 等［7］

對 2×300 MW 亞臨界、2×600 MW 超臨界和 2×

1 000 MW超超臨界富氧燃燒燃煤電站進行了技術

經(jīng)濟評價。結果表明，2×300 MW富氧燃燒裝置的

電費為500.04元（/ MWh）（449.09元/，常規(guī)裝置）的

1.39 倍；其靜態(tài)投資成本是相應常規(guī)裝置的 1.19

（1.23，1.25）倍；其凈功率輸出是相應常規(guī)電廠的

0.73 倍。靜態(tài)投資成本的增加主要是因為空分裝

置的價格較高。Soundararajan等［8］

采用模擬的方

法建立了一種新型的富氧燃燒煤基電廠，模擬結果

表明，加壓富氧燃燒動力循環(huán)比常規(guī)空氣燃燒CO2

捕集效率更高。通過在燃燒室之前壓縮少量氣體

（O2），可以在燃燒室之后的廢氣壓縮工作中實現(xiàn)相

當大的節(jié)省，效率提高約為1.7個百分點，CO2捕集

效率提高了2.8個百分點，達到97.8%。

1.3 燃燒后CO2捕集技術

燃煤電廠燃燒后CO2捕集技術流程見圖3。目

前，工業(yè)上大規(guī)模采用燃燒后CO2捕集方式對CO2

進行捕集，其具有低能耗，易于在燃煤電廠進行改

造實施等特點，具有廣闊的應用前景。燃燒后CO2

捕集技術主要有吸附法、吸收法、膜分離法和低溫

分離法等［9-11］

。

圖3 燃燒后CO2捕集技術示意圖

1.3.1 吸附法

吸附分離法主要是通過煙氣與固體吸附劑發(fā)

生作用來吸附CO2，被吸附的CO2利用降低壓力或

升高溫度的方式進行解吸。常見的吸附劑有碳基、

分子篩等多孔材料，堿金屬、固體胺等吸附材料。

Anyanwu 等［10］采用 SBA-15 吸附劑研究了

CO2的吸附特性，結果表明，在90 ℃，1 bar條件下，

CO2的吸附容量達到3.30 mmol/g。Cao等［12］

采用

水熱法制備了不同配比的UiO-66和GO復合吸附

材料，在室溫下進行了CO2吸附試驗。復合材料具

有 高 的 BET 比 表 面 積 和 總 孔 隙 體 積 。 其 中

UiO-66/GO5 表現(xiàn)出較好的 CO2 吸收能力。在

298 K和1 bar條件下，其CO2容量達到3.37 mmol/g。

Gaikwad等［13］

首次使用三種不同的胺-聚乙烯亞胺

（PEI）、四乙烯五胺（TEPA）和二乙烯三胺（DETA），

通過胺基對 MOF-177 進行改性，以提高其低壓

CO2 吸附能力。根據(jù)吸附動力學評估了胺改性

MOF-177 樣品的 CO2 吸附性能。結果表明，與

298 K下的MOF-177相比，TEPA改性的MOF-174

粉末（在20%的負載量下）的CO2吸附能力也有顯著

提高（4.8倍），而PEI和DETA改性樣品的CO2吸附

性能改善相對較小。隨著溫度的升高，328 K 時

CO2的吸附容量增加到4.6 mmol/g，高于報道的胺

燃煤電廠CO2捕集技術研究

1867

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

改性吸附劑（318~348 K 時為 1.6~3.8 mmol/g）。

Ma 等［14］

合成并篩選了三種 Li4SiO4粉末，并通過擠

出滾圓技術進一步制備球形球團，以聚乙烯為造孔

劑形成多孔微結構。然后對吸附劑顆粒的 CO2吸

附性能、壓縮強度和耐磨性進行了系統(tǒng)測試。結果

表明，采用 20 wt%聚乙烯改性的吸附劑在整個 40

個試驗循環(huán)中達到 0.31 g CO2/g 吸附劑的吸附能

力，制備的Li4SiO4吸附劑顆粒適用于流化床反應器

中的高溫CO2捕集。

1.3.2 吸收法

化學吸收法由于其CO2處理能力高，可靠性強

以及前期在工程應用中積累了大量的經(jīng)驗，被認為

是最成熟和最具商業(yè)可行性的碳捕集技術之一。

澳 大 利 亞 LoyYang 發(fā) 電 廠 采 用 單 乙 醇 胺

（MEA）吸收劑對CO2進行捕集，其捕集吸收能力為

2 t CO2/天［11］

。陸詩建等［15］

分析了中石化勝利電廠

100 t/天 CO2捕集系統(tǒng)的分析，該系統(tǒng)采用復合胺

作為吸收劑，其水溶液呈堿性。劉珍珍［16］

提出了三

種新型混合吸收劑配方，通過快速篩選實驗裝置研

究了不同濃度配比下的吸收性能、再生性能和理化

性質(zhì)，結果表明2.5 mAMP + 2 mMEA（MAH）的方

案最有可能實現(xiàn)工業(yè)化應用。

1.3.3 膜分離法

膜分離技術是一種可以在燃煤電廠、水泥和鋼

鐵廠等大型排放源中發(fā)揮重要作用的碳捕集技術，

其在經(jīng)濟、安全、環(huán)境和技術方面具有一定競爭力，

近年來已經(jīng)得到了較快的發(fā)展。

美國邁特爾膜技術有限公司（MTR）開發(fā)的

Polaris?膜在1 MW的燃煤電廠通過試驗［17］

，該系

統(tǒng)膜每天可以從煙氣中捕集 20 tCO2，在兩年內(nèi)進

行了三次延長運行，實現(xiàn)了穩(wěn)定運行，碳捕獲率達

到 90%以上。挪威國家技術大學開發(fā)的 CO2捕集

聚合聚乙烯胺固定位置載體膜［18］

，在葡萄牙EDP的

Sines發(fā)電廠進行了中試，連續(xù)測試6.5個月。結果

表明，該膜具有穩(wěn)定的碳捕集性能，滲透液中 CO2

的最大含量為75%。

1.3.4 低溫分離法

低溫分離法是在低溫條件下，通過相分離的方

法將 CO2從煙氣中分離出來的一種方法。低溫分

離工藝在石油開采和天然氣 CO2分離過程中應用

較多，主要應用于高體積分數(shù)（大于50%）和高壓氣

體中的CO2分離。

Clodic等［19］

開發(fā)了一種低溫CO2捕集技術，將

CO2氣體凝結到低溫蒸發(fā)器表面，并通過制冷劑混

合物逐步蒸發(fā)來捕獲CO2。Berstad等［20］

介紹了低

溫蒸餾脫除天然氣中 CO2的工藝原理。該工藝將

天然氣產(chǎn)品在約 40 bar 壓力和-88 ℃溫度下進行

液化，天然氣中含有CO2濃度從最初50.6 vol脫除

至50 ppm。

2 總結與展望

綜合比較上述CO2捕集技術，建議對電廠煙氣

CO2捕集的同時，利用電廠現(xiàn)有設備或在現(xiàn)有設備

的基礎上進行改造，采用多種碳捕集技術進行聯(lián)合

脫除。加快碳捕集核心技術的研發(fā)，提高技術成熟

度，提升中國碳捕集技術核心競爭力。從而實現(xiàn)電

廠低碳高效，全面落實“節(jié)約、清潔、安全”的能源戰(zhàn)

略方針，促進電力行業(yè)的高效、清潔、可持續(xù)發(fā)展，

實現(xiàn)“雙碳”目標。

參考文獻

［1］ Mohamed Kanniche, René Gros-Bonnivard, Philippe Jaud, et al.

Pre-combustion, post-combustion and oxy-combustion in thermal power plant for CO2 capture［J］. Applied Thermal Engineering, 2010, 30

(1): 53-62.

［2］韓濤，趙瑞，張帥，等. 燃煤電廠二氧化碳捕集技術研究及應用［J］. 煤

炭工程, 2017, 49(5): 24-28.

［3］樊強，許世森，劉沅，等 基于IGCC的燃燒前CO2捕集技術應用與示

范［J］. 中國電力, 2017, 50(5): 163-184.

［4］E. R. van Selow, P. D. Cobden, R. W. van den Brink, et al. Performance

of sorption-enhanced water-gas shift as a pre-combustion CO2 capture

technology［J］. Energy Procedia, 2009, 1(1): 689-696.

［5］Fan Wu, Paul A. Dellenback, Maohong Fan. Highly efficient and stable

calcium looping based pre-combustion CO2 capture for high-purity H2

production［J］. Materials Today Energy, 2019, 13: 233-238.

［6］Minish Shah, Nick Degenstein, Monica Zanfir, et al. Near zero emis1868

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

sions oxy-combustion CO2 purification technology［J］. Energy Procedia, 2011, 4: 988-995.

［7］Jie Xiong, HaiBo Zhao, ChuGuang Zheng. Techno-economic evaluation of oxy-combustion coal-fired power plants［J］. Chinese Science

Bulletin, 2011, 56(31).

［8］Rengarajan Soundararajan, Truls Gundersen. Coal based power plants

using oxy-combustion for CO2 capture: Pressurized coal combustion to

reduce capture penalty［J］. Applied Thermal Engineering, 2013, 61(1):

115-122.

［9］溫翯，韓偉，車春霞，等. 燃燒后二氧化碳捕集技術與應用進展［J］. 精

細化工, 2022, 39(8): 1584-1595+1632.

［10］John-Timothy Anyanwu, Yiren Wang, Ralph T. Yang. SBA-15 Functionalized with Amines in the Presence of Water: Applications to CO2

Capture and Natural Gas Desulfurization［J］. Industrial & Engineering Chemistry Research, 2021, 60(17): 6277-6286.

［11］Yuli Artanto, James Jansen, Pauline Pearson, et al. Performance of

MEA and amine-blends in the CSIRO PCC pilot plant at Loy Yang

Power in Australia［J］. Fuel, 2012, 101: 264-275.

［12］Yan Cao, Yunxia Zhao, Zijian Lv, et al. Preparation and enhanced CO2

adsorption capacity of UiO-66/graphene oxide composites［J］. Journal of Industrial and Engineering Chemistry, 2015, 27: 102-107.

［13］Sanjit Gaikwad, Yeonhee Kim, Ranjit Gaikwad, et al. Enhanced CO2

capture capacity of amine-functionalized MOF-177 metal organic

framework［J］. Journal of Environmental Chemical Engineering,

2021, 9(4).

［14］Long Ma, Changlei Qin, Shuai Pi, et al. Fabrication of efficient and

stable Li4SiO4-based sorbent pellets via extrusion-spheronization for

cyclic CO2 capture［J］. Chemical Engineering Journal, 2020, 379.

［15］陸詩建，趙東亞，朱全民，等. 勝利電廠100 t/d煙氣CO2捕集裝置?

分析與節(jié)能方法探索［J］. 天然氣化工（C1 化學與化工），2019，44:

96-101+106.

［16］劉珍珍. 燃煤煙氣二氧化碳捕集吸收劑的研究及工藝優(yōu)化運行模

擬［D］. 杭州：浙江大學. 2021.

［17］Lloyd S. White, Xiaotong Wei, Saurabh Pande, et al. Extended flue

gas trials with a membrane-based pilot plant at a one-ton-per-day carbon capture rate［J］. Journal of Membrane Science, 2015, 496: 48-57.

［18］Marius Sandru, Taek-Joong Kim, Wieslaw Capala, et al. Pilot Scale

Testing of Polymeric Membranes for CO2 Capture from Coal Fired

Power Plants［J］. Energy Procedia, 2013, 37: 6473-6480.

［19］M. Younes D. Clodic. A new method for CO2 capture frosting CO2 at

atmospheric pressure［J］. Greenhouse Gas Control Technologies-6th

International Conference, 2003: 155-160.

［20］Zhongxi Chao, Yuefa Wang, Jana P. Jakobsen, et al. Jakobsen. Numerical Investigation of the Sorption Enhanced Steam Methane Reforming in a Fluidized Bed Reactor［J］. Energy Procedia, 2012, 26: 15-21.

穩(wěn)石氫能發(fā)布全球首臺套AEM電解水制氫系統(tǒng)（10 kW）

12月15日，穩(wěn)石氫能AEM電解槽（10 kW）新品發(fā)布會吸引了業(yè)內(nèi)專家和客戶關注。大家集聚一堂共

同探討氫能前沿領域的發(fā)展趨勢和潛在機遇。

以低成本制氫為目標，穩(wěn)石氫能新產(chǎn)品 AEM 電解水制氫系統(tǒng)（10 kW）是基于 AEM 電解水制氫系統(tǒng)

（2.5 kW）的提高和增強，更適合市場需求，是目前制氫技術領域的新生力量。AEM電解水制氫系統(tǒng)（10 kW）

新產(chǎn)品將能源轉換提升到了新的高度，具有更大的制氫能力，能夠更快地制備氫氣。這對于大規(guī)模應用氫

能技術，如儲能市場、制加氫一體站等具有重要意義。

與AEM電解水制氫系統(tǒng)（2.5 kW）相比，AEM電解水制氫系統(tǒng)（10 kW）每千瓦制造成本低40%，且具有

更高的電解水制氫效率（電解槽制氫效率可達4.3 kWh/1 Nm3

）。能量密度更高，系統(tǒng)集成度更好，更適合大

規(guī)模應用。例如：1 MW系統(tǒng)需要集成400臺2.5 kW電解器，而只需100臺10 kW電解器。

產(chǎn)品迭代旨在不斷適應市場需求，隨著市場對制氫成本的需求越來越嚴苛，AEM的需求更突顯。需要

指出的是，與其他電解水制氫解決方案相比，穩(wěn)石氫能AEM電解水制氫解決方案具有更加可靠的能源轉化

優(yōu)勢。簡易的集成方式以及更低的設備維護成本，使其成為一種極具競爭力的能源解決方案，進一步深化

了能源轉型，促進經(jīng)濟提質(zhì)增效。 （來源：氫云鏈）

燃煤電廠CO2捕集技術研究

1869

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

基于改進鯨魚優(yōu)化算法的變壓器繞組

檢測系統(tǒng)

馮 翼 陳偉國

國網(wǎng)上海市電力公司奉賢供電公司

摘要：在超聲波檢測變壓器繞組變形系統(tǒng)中，對超聲信號時延估計的準確性和實時性的需求，以最小二乘時

延估計為研究對象，提出了一種基于改進鯨魚優(yōu)化的自適應時延估計方法。該方法將改進鯨魚算法（WOA）

引入在最小二乘時延估計的尋優(yōu)規(guī)劃中，解決了傳統(tǒng)LMSTDE的計算量大的問題；通過引入非線性調(diào)整策

略增強了WOA的全局搜索能力，提高了算法的收斂速度和精度，避免過早陷入局部最優(yōu)。實驗結果表明：

改進后的算法在保持了原有算法的精度和抗噪聲優(yōu)點的同時，極大地提高了運算速度，滿足在超聲檢測變

壓器繞組時實時性的需求。

關鍵詞：變壓器繞組檢測；超聲波測距；鯨魚算法；非線性收斂因子

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.018

Transformer Winding Detection System Based on Improved Whale Optimization Algorithm

FENG Yi, CHEN Weiguo

State Grid Shanghai Electric Power Company Fengxian Power Supply Company

Abstract: In the ultrasonic detection system for transformer winding deformation, the accuracy and real-time requirements for ultrasonic signal time delay estimation are addressed. Taking the least

squares time delay estimation as the research object, an adaptive time delay estimation method based

on improved whale optimization is proposed. This method introduces the improved whale optimization

algorithm (WOA) into the optimization planning of the least squares time delay estimation, which solves

收稿日期：2023-03-28

第一作者（通訊）：馮翼（1995-10-），男，碩士，工程師，主要從事電力系統(tǒng)運行及規(guī)劃

1870

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

0 引言

電力變壓器是變電站中重要的設備，繞組變形

故障在變壓器事故中占據(jù)較大比重。過電流、不當

運輸?shù)仍蚨紩棺儔浩骼@組產(chǎn)生不同程度的形

變，嚴重威脅著電力系統(tǒng)的安全。

在變壓器繞組變形檢測領域，超聲波檢測作為

在線檢測方法，與傳統(tǒng)的離線檢測方法相比存在較

大優(yōu)勢。首先超聲檢測與電力系統(tǒng)存在電氣隔離，

不影響變壓器系統(tǒng)運行，其次檢測結果為距離量相

對清晰直觀。在超聲檢測變壓器繞組變形中，由于

變壓器外殼與變壓器油存在界面衰減，使得發(fā)射波

與接收波在能量上存在較大差距，在渡越時間的估

計上也有不同方法。 提出一種基于閾值法檢測渡

越時間的超聲檢測技術，通過硬件有源濾波及對數(shù)

放大，使得回波達到足夠的幅值［1］

。該方法檢測簡

便，但是存在精度不足，抗干擾性能差的問題。常

用的渡越時間估計方法還有廣義互相關法、自適應

時延估計法、分數(shù)濾波器法等。 通過一種廣義互相

關法進行超聲的時延估計，該方法以超聲波發(fā)射波

和回波信號做互相關計算，優(yōu)點是抗噪性能強，缺

點是計算量大，當回波信號畸變的情況下，測量精

度不穩(wěn)定［2］

。 將自適應濾波器應用到時延估計

中，提出自適應時延估計法，通過標準信號對回波

信號進行自適應濾波處理［3-4］

。該方法抗干擾能力

強、精度高，缺點是計算量大。

將遺傳算法引入LMS時延估計中，提高了運算

速度，但是算法的局部收斂速度較低［5］

。

在傳統(tǒng) LMS 時延估計的基礎上，引入了鯨魚

優(yōu)化算法［6］

，對自適應權值進行優(yōu)化，減小了計算

量，滿足了實時性的需求。同時在鯨魚優(yōu)化算法

中通過在收斂因子中加入非線性調(diào)整策略，增強

算法的全局搜索能力和局部收斂速度。該算法滿

足了在超聲檢測變壓器繞組時準確性和實時性等

要求。

1 最小二乘時延估計LMSTDE

1.1 算法基本描述

該算法的信號模型為兩傳感器的離散時間

輸出：

x(k)= s(k)+ n1(k) (1)

y(k)= s(k - D)+ n2(k) (2)

其中 s(k) 為信號源，n1(k) 和 n2(k) 分別為兩傳感

器的噪聲信號，假設兩者之間互不相關，且為平穩(wěn)高

斯白噪聲。一般的，假設采樣周期單位為Ts ，目標是

根據(jù)發(fā)射信號 x(n) 和接收信號 y(n) 估計時間差 D 。

傳統(tǒng)的 LMSTDE 算法是一個自適應 FIR 濾波

器，如圖1所示，該濾波器對輸入信號 x(n) 進行時間

the problem of large computation load in traditional LMSTDE. By introducing a nonlinear adjustment

strategy, the global search ability of WOA is enhanced, which improves the convergence speed and accuracy of the algorithm and avoids premature local optimization. The experimental results show that the

improved algorithm maintains the accuracy and noise immunity of the original algorithm while greatly

improving the operation speed, meeting the real-time requirements in ultrasonic detection of transformer winding.

Key words: Transformer Winding Detection; Ultrasonic Ranging; Whale Algorithm; Nonlinear Convergence Factor

基于改進鯨魚優(yōu)化算法的變壓器繞組檢測系統(tǒng)

1871

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

平移，其傳輸函數(shù)為：

W(z)= ∑i = -P

P

ωi

z-i (3)

此時濾波器是非因果的，階數(shù)為 2P 。濾波器

的輸出減去回波信號 y(k) ，并給出誤差函數(shù) e(k) 。

在無噪聲條件下，如果誤差函數(shù)趨于零，則LMS濾

波器中的時延值就等于發(fā)射信號和接收信號的準

確時延值。誤差函數(shù) e(k) 為：

e(k)= y(k)- ∑

i = -P

P

ωi(k)x(k - i) (4)

每一個濾波器系數(shù) ωi(k) 自動適應地根據(jù)最小

均方誤差準則（minimum mean square error）進行

調(diào)整，根據(jù)widrow的LMS算法［7］

，有：

ωi(k + 1)= ωi(k)- μω

?e

2

(k)

?ωi(k)

,

= ωi(k)+ 2μωe(k)x(k - i)

(5)

其中參數(shù) μω 為一正標量，用來控制算法的收

斂速率和穩(wěn)定性。

圖1 自適應濾波器結構圖示

s(k) 的延遲形式，s(k - D) 可以表示為:

s(k - D)= ∑i = -∞

∞

sin c(i - D)s(k - i) (6)

其中：

sin c(v)= sin(πv)

πv (7)

根據(jù)上式，如果 P 趨于無窮大，則濾波器系數(shù)

為 sin c (·)函數(shù)的采樣形式，則 LMSTDE 將對輸入

信號引入準確的延遲。

1.2 實際超聲信號的選取

在使用超聲波對變壓器內(nèi)部繞組進行探測時，

需要能量較大的發(fā)射波，同時超聲波的傳播路徑經(jīng)

過兩次界面透射，產(chǎn)生較大的能量衰減，需要對發(fā)

射波波形和回波波形進行適當分析。

圖2 發(fā)射波波形

發(fā)射波為頻率為400 kHz的正弦波，發(fā)射電壓

波形如圖 2 所示。本系統(tǒng)設計時采用的水聲換能

器具有一定的頻率選通特性，只有 400 ± 10 kHz的

脈沖信號可以作為超聲激勵，可以使系統(tǒng)發(fā)射出

400 kHz攜帶一定能量的超聲發(fā)射波。

圖3 超聲波回波波形

超聲波經(jīng)過變壓器外殼與變壓器油界面透射，

并在變壓器內(nèi)部繞組表面產(chǎn)生聲波的反射，反射波

經(jīng)過同樣的路徑傳播到變壓器外殼表面，超聲波回

波波形是在變壓器外殼表面利用超聲換能器進行

超聲波回波的接收，回波信號如圖3所示。超聲波

回波的電壓幅值比發(fā)射波電壓幅值小很多，而且除

1872

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

有效回波外，存在一定時長的余振現(xiàn)象。

2 鯨魚優(yōu)化算法

2.1 傳統(tǒng)鯨魚優(yōu)化算法

鯨魚優(yōu)化算法是從座頭鯨的覓食行為出發(fā)，通

過模擬“向上螺旋”和“雙循環(huán)”的捕食方法，來獲取

目標函數(shù)中最優(yōu)解的過程。

鯨魚優(yōu)化算法的數(shù)學模型包括：包圍獵物、螺

旋泡網(wǎng)和捕食獵物三個步驟。

2.1.1 包圍獵物

由于在搜索空間中最優(yōu)設計的位置不是先驗

已知的，因此 WOA 算法假設當前最佳候選解是目

標獵物附件。在第一步，鯨魚個體不斷更新位置。

D = |C?X | *

(t)-X(t) (8)

X(t + 1)=X* - A ? D (9)

式中：X 為當前鯨魚個體所在位置；G 為當前迭代

次數(shù)；

向量 A 和 C 由下式計算得出：

A = 2a ?r - a (10)

C= 2 ?r (11)

其中 a 在搜索過程中從 2 線性減小到 0；r 是

[0,1] 內(nèi)的隨機向量。

2.1.2 螺旋泡網(wǎng)

對于座頭鯨的在捕食獵物時的氣幕攻擊，有兩

種方法做數(shù)學模擬。

1)縮小環(huán)繞機制

這種方法主要是改變 a 的值，在式(9)中 A 的波

動范圍隨著 a 的減小而逐漸變小。 A 是區(qū)間

[-a,a] 中的隨機值，其中 a 在迭代過程中從2減小

到0。如果將 A 的波動范圍設置為 [-1,1] ，則新的

目標個體位置比當前目標位置更加逼近最優(yōu)解。

2)螺旋更新機制

該方法首先計算當前鯨魚個體與獵物目標之

間的距離，然后在鯨魚和獵物的位置之間創(chuàng)建螺旋

方程以模仿座頭鯨的螺旋狀運動如下：

X(t + 1)= D' ? e

bl

? cos(2πl(wèi))+X*

(t) (12)

D' = | X | *

(t)-X(t) (13)

其中 D' 表示當前鯨魚位置與獵物目標之間的

距離；b 是限定螺旋形狀的常量，本文取1；l 是區(qū)間

[-1,1] 內(nèi)的隨機數(shù)。

座頭鯨在縮小的圓圈內(nèi)沿著螺旋形路徑在獵

物周圍游動。為了模擬這種同時行為，我們假設，

在優(yōu)化時，有 50% 的概率在收縮螺旋模型的同時更

新鯨魚的位置。數(shù)學模型如下：

X(t + 1)= ì

í

?

X*

(t)- A ? Dp < 0.5

D' ? e

bl

? cos(2πl(wèi))+X*

(t) p ≥ 0.5 (14)

其中 p 為 [0,1] 內(nèi)的隨機數(shù)。

2.1.3 捕食獵物

通過改變 A 的值，可以探索到更優(yōu)的獵物，增

強全局搜索能力，其數(shù)學模型如下：

D = |C?X | rand -X (15)

X(t + 1)=Xrand - A ? D (16)

其中 Xrand 表示隨機鯨魚位置向量。

2.2 基于改進鯨魚算法優(yōu)化的LMS時延估計

2.2.1 優(yōu)化目標函數(shù)

根據(jù)前文可知，傳統(tǒng)的LMS時延估計是對信號

逐點處理，這樣增加了運算時長。鯨魚算法是通過

目標函數(shù)指導的隨機搜索算法，將鯨魚優(yōu)化算法引

入LMS時延估計算法中，使得逐點搜索變?yōu)殡S機搜

索，并通過鯨魚捕食的特點優(yōu)化運算過程，減少運

算量，提高了系統(tǒng)的實時性。

將鯨魚優(yōu)化算法引入LMS時延估計的重點在

于目標函數(shù)的確立。在LMS時延估計中目標是得

到最小均方誤差，因此可將其作為目標函數(shù)：

f (τ)=C- ξ(τ)=C- ∑

k = 0

N

e

2

k (τ) (17)

其中 C 為固定常數(shù)。

2.2.2 引入非線性調(diào)整策略改進鯨魚優(yōu)化

在實際測試中發(fā)現(xiàn)，由于在現(xiàn)場測試時環(huán)境噪

基于改進鯨魚優(yōu)化算法的變壓器繞組檢測系統(tǒng)

1873

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

聲干擾較多，回波信號受噪聲影響。單純地將鯨魚

優(yōu)化算法與LMS時延估計算法相結合容易陷入局

部極值點。故改進鯨魚優(yōu)化算法以適應強噪聲環(huán)

境下的超聲檢測。

通過對傳統(tǒng)WOA算法分析可知，該優(yōu)化算法的

全局搜索能力以及局部開發(fā)能力主要依賴 A 向量。

在優(yōu)化過程中，A 向量主要由收斂因子向量 a 和隨

機向量 r 確定。當收斂因子 a 較大時，算法的全局搜

索能力強；當收斂因子 a 逐步減小，算法的全局搜索

能力減弱，并在局部收斂速度加快。在傳統(tǒng)WOA中

a 是隨著迭代次數(shù)呈線性減小的，本文在不改變原始

收斂因子變化趨勢的情況下，引入非線性調(diào)整策略，

以確保全局搜索能力的情況下，加快收斂速度。

收斂因子 a 公式如下：

a =(2 - 2t

Tmax

)(1 - t

3

Tmax

) (18)

其中：t 為迭代次數(shù)；Tmax 為最大迭代次數(shù)。

非線性的收斂因子 a 在優(yōu)化前期生成較大參數(shù) A ，

提高全局搜索能力；在優(yōu)化后期生成較小參數(shù) A ，

加快收斂速度。

3 硬件檢測系統(tǒng)設計

超聲波檢測變壓器繞組系統(tǒng)由主控芯片、超聲

波發(fā)射模塊、超聲回波接收模塊、數(shù)據(jù)傳輸模塊、上

位機等部分組成，如圖4所示。檢測時主控芯片發(fā)

射頻率為400 kHz的脈沖信號，經(jīng)過超聲發(fā)射模塊

后將低壓脈沖信號進行升壓，升高到峰值電壓為

200 V 的高壓脈沖，作為超聲換能器的激勵電壓。

超聲波從變壓器外殼表面進入到變壓器內(nèi)部，之后

在繞組表面發(fā)生反射后回到變壓器外殼表面。將

超聲換能器接收探頭安置在變壓器外殼表面特定

位置后，超聲回波接收模塊將接收到超聲波回波轉

換為電信號，同時作放大、濾波處理。數(shù)據(jù)采集模

塊將超聲波發(fā)射信號和處理后的超聲回波信號一

起傳輸?shù)缴衔粰C中。上位機軟件將回波信號與發(fā)

射波信號進行時延估計運算得出準確的時延值。

最后將時延值換算成距離得到變壓器繞組被檢測

點的位置信息。

圖4 檢測系統(tǒng)結構圖

4 檢測系統(tǒng)實際應用

利用閾值法、互相關法和基于鯨魚優(yōu)化的LMS

時延估計算法同時對幾組超聲波信號進行時延估

計，超聲信號及時延估計結果見表1-表4：

表1 閾值法檢測結果

實際距離

/cm

10

15

20

25

30

時間間隔

/us

81.89

115.47

158.98

190.27

225.14

測量距離

/cm

12.12

17.09

23.53

28.16

33.32

絕對誤差

/cm

2.12

2.09

3.53

3.16

3.32

相對誤差

/%

21.20

13.93

16.75

12.64

11.06

表2 互相關檢測結果

實際距離

/cm

10

15

20

25

30

時間間隔

/us

74.86

111.82

141.76

176.49

221.89

測量距離

/cm

11.08

16.55

20.98

26.12

31.36

絕對誤差

/cm

1.08

1.55

0.98

1.12

1.36

相對誤差

/%

10.80

10.33

4.90

5.60

4.53

表3 基于鯨魚優(yōu)化的LMS結果

實際距離

/cm

10

15

20

25

30

時間間隔

/us

71.35

104.39

137.77

173.45

206.01

測量距離

/cm

10.56

15.45

20.39

25.67

30.49

絕對誤差

/cm

0.56

0.45

0.39

0.67

0.49

相對誤差

/%

5.60

3.00

1.95

2.68

1.63

1874

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

表4 優(yōu)化前后運算時長對比

實際距離/cm

10

15

20

25

30

傳統(tǒng)LMSTDE/s

2.20

2.32

2.43

2.49

2.52

WOA+LMSTDE/s

0.16

0.18

0.18

0.19

0.19

通過實驗可以看出，用鯨魚算法優(yōu)化的LMS時

延估計可以在保持自適應時延估計原有精度的情

況下，提高運算速度，滿足在變壓器繞組檢測時實

時性的需求。

5 結論

1）將鯨魚優(yōu)化算法應用在自適應時延估計中，

在保留了LMSTDE算法精度高的優(yōu)點的同時，極大

地提高了運算速度。基礎鯨魚優(yōu)化的改進，改善了

優(yōu)化算法過早陷入局部最優(yōu)的問題，提高了運算穩(wěn)

定性。

2）將 WOA-LMSTDE 與常規(guī)時延估計算法相

比，精度上有較大提升，運算速度滿足常規(guī)測距的

實時性需求。

3）在傳統(tǒng)鯨魚優(yōu)化算法中，將非線性調(diào)整策略

引入到收斂因子中，提高了算法的全局搜索能力和

局部收斂能力。

參考文獻

［1］王昕,劉偉家,鄭益慧,等.基于超聲波技術的繞組變形3維成像檢測裝

置設計［J］.高電壓技術,2017,43(12):4054-4059.

［2］劉彬,繆文炳.互相關步長影響低信噪比超聲波評價應力研究［J］.江

蘇科技大學學報(自然科學版),2017,31(1):26-30.

［3］諸葛晶昌,吳軍,詹湘琳,等.基于自適應小波去噪法的精密超聲波測

距方法［J］.吉林大學學報(工學版),2017,47(4):1301-1307.

［4］Xiong Y, He D L, Feng Y, et al. A rapid method for determination of acid value in transformer oil by PPy modified electrode［J］. Journal of

Central South University, 2014, 21(6):2202-2207.

［5］童峰,許肖梅,許天增.基于遺傳算法的超聲信號LMS自適應時延估

計［J］.應用聲學,2000(4):26-30.

［6］鞏世兵,沈海斌.仿生策略優(yōu)化的鯨魚算法研究［J］.傳感器與微系統(tǒng),

2017,36(12):10-12.

［7］馮翼,杜好陽,李一木,等.基于脈沖編碼激勵超聲擴頻測距的變壓器

繞組變形檢測技術［J］.高電壓技術,2020,46(11):3960-3969.

基于改進鯨魚優(yōu)化算法的變壓器繞組檢測系統(tǒng)

1875

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

基于改進YOLO v5的巡更安全風險

識別方法研究

齊芳平 石 曄 崔志威 王 輝 朱 澈

淮河能源集團煤層氣開發(fā)利用公司

摘要：為了自動檢測巡更人員是否佩戴安全帽，提高單人巡檢的安全性，提出一種針對瓦斯電站內(nèi)巡更人員

的安全風險識別方法。首先使用網(wǎng)絡爬蟲收集佩戴安全帽的圖像構建數(shù)據(jù)集，其次使用YOLO v5對構建好

的數(shù)據(jù)集進行訓練，訓練出安全帽檢測模型，最后在實際生產(chǎn)過程中進行應用。該算法通過YOLO v5模型

對巡更人員是否佩戴安全帽進行檢測，并記錄人員在廠房內(nèi)的逗留時長，在超時后及時發(fā)出警報，有效保護

了巡更人員的生命安全。同時，依據(jù)算法檢測是否佩戴安全帽，減少了一定的人力輸出，更具有一定的經(jīng)濟

效應。

關鍵詞：瓦斯電站；安全帽；YOLO v5；安全防護；經(jīng)濟性

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.019

Research on Patrol Safety Risk Identification Method

Based on Improved YOLO v5

QI Fangping, SHI Ye, CUI Zhiwei, WANG Hui, ZHU Che

Huaihe Energy Group Coalbed Methane Development and Utilization Company

Abstract: In order to automatically detect whether the patrol personnel are wearing safety helmets and

improve the safety of individual patrol inspection, a safety risk identification method for patrol personnel

收稿日期：2023-06-11

作者簡介：齊芳平（1982-05-），女，本科，高級工程師，主要從事煤層氣（煤礦瓦斯氣）加工利用等相關工作

石 曄（1982-05-），男，本科，高級工程師，主要從事煤層氣（煤礦瓦斯氣）加工利用等相關工作

崔志威（1981-06-），男，本科，高級工程師，主要從事煤層氣（煤礦瓦斯氣）加工利用等相關工作

王 輝（1986-01-），男，本科，工程師，主要從事煤層氣（煤礦瓦斯氣）加工利用等相關工作

朱 澈（1999-08-），男，本科，主要從事煤層氣（煤礦瓦斯氣）加工利用等相關工作

1876

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

0 前言

瓦斯是與煤伴生、共生的氣體資源，儲存在煤

層中，主要成分是甲烷［1］

。在開采煤炭的過程中，若

不對瓦斯加以利用就將其直接排放到大氣中，會造

成嚴重的溫室效應［2］

。我國有著十分豐富的瓦斯資

源，是世界上第三大儲量國，瓦斯有望成為我國新

常規(guī)能源資源。利用瓦斯發(fā)電，有節(jié)約能源和環(huán)境

污染小的優(yōu)勢，可以帶來顯著的經(jīng)濟效益［3］

，且滿足

我國用電量大的需求，對國計民生各個方面產(chǎn)生了

深遠的影響。

1 項目概況

為了保證瓦斯電站安全穩(wěn)定運行，需要巡更人

員定時檢查、維護發(fā)電設備。然而在瓦斯電站實際

巡檢維護過程中，通常需要至少兩人同時進入電

站，以防單人在巡更過程中出現(xiàn)人身意外。為減少

人力需求，提升瓦斯電站運營的經(jīng)濟性，可依托視

頻監(jiān)控檢測替代人員冗余，檢測巡更人員是否佩戴

安全帽，并記錄巡更人員在廠房內(nèi)部逗留的時長，

若超時則發(fā)出警報。故亟須一種基于計算機視覺

的安全防護系統(tǒng)對巡更人員進行檢測，減少事故發(fā)

生的可能，進一步提高瓦斯電站安全管控水平。

本文以佩戴安全帽的巡更人員和未佩戴安全帽

的巡更人員兩類目標為檢測任務，通過爬蟲獲取大

量圖片進行預處理，構建人員佩戴安全帽的檢測數(shù)

據(jù)集，選取YOLO v5算法為主體，通過改進YOLO v5

檢測算法，對巡更人員是否佩戴安全帽、逗留是否

超時進行檢測。

2 YOLO v5網(wǎng)絡結構

YOLO v5 的網(wǎng)絡結構如圖 1 所示。骨干網(wǎng)絡

和頸部主要通過CBL結構、CSP1結構、CSP2結構、

SPPF 結構、拼接操作（Concat）和上采樣操作（Up

Sample）構成。其中CBL模塊是由卷積層、批歸一

化層和LeakyRelu非線性單元構成，該模塊可有效

提升網(wǎng)絡的特征提取能力和表達能力，增強目標檢

測的性能。CSP1和CSP2結構均為CSP Net的改

進版，二者結構圖如圖1所示，由卷積、多個最大池

化和拼接操作構成［3-4］

。

在YOLO v5模型中，輸入網(wǎng)絡的圖片在主干網(wǎng)

絡部分首先會進入Focus模塊。Focus模塊對每個

通道的數(shù)據(jù)進行切片操作，通過隔像素取值，每一

通道均得四個切片，每一切片相當于2倍下采樣所

得。所有切片將按照通道連接在一起，并通過卷積

操作實現(xiàn)下的采樣。

YOLO v5 模型中的 Focus 模塊被替換成了一

個6×6的卷積層，并在每層卷積后添加歸一化和激

活操作。在特征提取網(wǎng)絡中，用步幅為2的卷積層

替代池化層對特征圖進行下采樣，從而有效避免了

由于池化操作導致低級特征的丟失［5］

。將大小為

608×608×3的圖像輸入YOLO v5模型，通過通道

in gas power stations is proposed. Firstly, a data set is constructed by using a web crawler to collect images of people wearing safety helmets. Secondly, YOLO v5 is used to train the constructed data set to

generate a safety helmet detection model. Finally, the algorithm is applied in the actual production process. The algorithm detects whether the patrol personnel are wearing safety helmets through the YOLO v5 model, records the length of stay in the plant, and sends an alarm in time after timeout, effectively protecting the life safety of the patrol personnel. At the same time, based on the algorithm to detect

whether to wear safety helmets, it reduces certain human output and has certain economic effects.

Key words: Gas Power Station; Safety Helmet; YOLO v5; Safety Protection; Economic Effect

基于改進YOLO v5的巡更安全風險識別方法研究

1877

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

數(shù)為 32 的卷積操作以及 BatchNorm 標準化等，可

以有效解決SSD檢測算法對小目標的弊端［6］

。

3 改進的YOLO v5安全帽檢測算法

3.1 CBAM （Convolutional Block Attention

Module）注意力機制

在完成背景復雜圖像的目標檢測時，在模型中

引入注意力機制可以自動學習并對特征圖中的不

同通道和空間位置加權，增強網(wǎng)絡對重要特征的關

注，抑制冗余和噪聲信息，提高特征表示能力。常

用的注意力機制模塊為 CBAM 模塊，包含 CAM

（Channel Attention Module）和 SAM（Spatial Attention Module）兩個子模塊，如圖2所示。該模塊

可分別進行通道和空間Attention，能夠節(jié)約參數(shù)和

算力，并且能夠方便地集成到現(xiàn)有的網(wǎng)絡架構中［7］

。

CBAM首先將輸入特征圖分別進行全局平均池

化和全局最大池化，獲取通道維度上的全局平均特

征和全局最大特征，再將這兩種特征通過兩個獨立

的全連接層進行學習，生成通道注意力權重。通道

注意力權重與輸入特征圖進行逐通道乘法操作，得

到加權后的特征圖，增強重要通道的特征表示能

力。SAM將輸入特征圖經(jīng)過一維卷積操作，生成空

間注意力權重，通過空間池化操作，在空間維度上分

別進行平均池化和最大池化獲取平均特征和最大特

征。平均特征和最大特征通過兩個獨立的全連接層

進行學習，生成空間注意力權重?？臻g注意力權重

與輸入特征圖進行逐元素乘法操作，得到加權后的

特征圖，增強重要空間位置的特征表示能力［8］

。

在原始YOLO v5模型中，在輸出層的卷積模塊

后引入CBAM模塊，給定一個輸入圖像有三個注意

力模塊，這三個模塊將CAM和SAM以順序的方式

放置。依據(jù)之前的實驗，通道優(yōu)先順序優(yōu)于空間優(yōu)

先順序［9-10］

，故在引入的CBAM模塊中，以通道優(yōu)先

的方式進行嵌入。改進后的網(wǎng)絡如圖3所示。

圖1 YOLO v5網(wǎng)絡結構［7］

圖2 CBAM結構圖

1878

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

3.2 預測過程

改進的YOLO v5網(wǎng)絡輸出的特征圖將整幅圖

片分為76×76、38×38、19×19的網(wǎng)格，每一個網(wǎng)

格都會預測三個先驗框，這些先驗框是在自建數(shù)據(jù)

集上通過 k-means 聚類得出的，以適應不同大小

的目標檢測任務，每個先驗框包含三個信息：邊界

框的坐標和寬高、目標的置信度和類別信息，公式

如下：

bx = σ(tx)+ cx （1）

by = σ(t

y

)+ cy （2）

bw = pwe

tw

（3）

bh = phe

th

（4）

其中：

bx、by、bw、bh——邊界框的坐標和寬高；

tx、ty、tw、th——網(wǎng)絡的輸出值；

Cx、Cy——目標中心點所在網(wǎng)格左上角的坐標；

Pw、Ph——給定先驗框的寬和高。

改進的 YOLO v5 采用了多尺度特征圖的方

式，輸出三個不同尺寸的特征圖，并且每個特征圖

的感受也不同，適用于檢測不同大小的目標。較

大感受野的特征圖可以捕捉更廣闊的上下文信

息，對于大目標的檢測有優(yōu)勢；而較小感受野的特

征圖則可以更好地捕捉局部細節(jié)特征，適合于小

目標的檢測。通過輸出多尺度特征圖，提供了不

同層次的語義信息，即從局部到全局的信息。這

些特征圖可以協(xié)同工作，融合不同層次的信息，提

高了模型的檢測精度、減少誤檢和漏檢，并且增強

了模型的魯棒性。

4 實驗與測試結果

4.1 實驗環(huán)境

實驗環(huán)境為Intel(R)Core(TM)I5-12400F CPU，

16GB 內(nèi) 存 ，GeForce Nvidia RTX2060 GPU，

Windows 10 操作系統(tǒng)，使用 PyTorch 框架，通過

Python3.8編程實現(xiàn)。

4.2 數(shù)據(jù)集搭建

通過安全帽、佩戴安全帽、安全帽施工等關鍵

詞爬取收集網(wǎng)絡公開圖像，共計28 309張圖片，經(jīng)

人工篩選出 7 581 張圖片作為數(shù)據(jù)集，隨機選取

6 139張圖片作為訓練集、683張作為驗證集。使用

圖像標注工具 Labelimg 對所有圖片進行標注，

“helmet”標簽表示正確佩戴安全帽、“nohelmet”標

簽表示未佩戴安全帽，標注文件統(tǒng)一以XML文件格

式進行保存。

4.3 網(wǎng)絡訓練

網(wǎng)絡訓練過程中，主要針對已標注的兩種圖

片，網(wǎng)絡初始參數(shù)使用 YOLO v5 官方原始訓練權

重。根據(jù)數(shù)據(jù)集兩種類別，設置classes=2，初始參

數(shù)見表1 ［11］

。

表1 初始參數(shù)

參數(shù)

Learning rate

Batch size

Epoch

Momentum

初始值

0.001

8

300

0.937

圖3 改進YOLO v5網(wǎng)絡結構

基于改進YOLO v5的巡更安全風險識別方法研究

1879

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

本文使用的損失函數(shù)為分類損失、定位損失和

置信度損失三類損失的疊加。經(jīng)測試，網(wǎng)絡損失函

數(shù)值隨迭代次數(shù)的變化曲線見圖4。

圖4 損失值變化曲線

可以看出，在開始迭代的第 20 到 50 輪中，原

YOLO v5模型的損失值出現(xiàn)了劇烈的波動，而改進

后的 YOLO v5 模型的損失值則迅速下降，在 50 輪

后兩個模型的損失函數(shù)均開始收斂，并且改進模型

的損失函數(shù)值低于原YOLO v5模型，表明改進后的

模型在訓練集上獲得了更好的檢測效果。

4.4 模型對比

在目標檢測領域，精度（Precision，P）、召回率

（Recall，R）、推理時間和均值平均精度（MAP）是評

估訓練算法性能和可靠性的常用指標［12-13］

，本文使

用MAP和推理時間對安全帽佩戴檢測算法性能進

行評估。

為做進一步對比實驗，將本文模型與原始模型

YOLO v5進行比較，將上述算法在經(jīng)過文中方法處

理的自建數(shù)據(jù)集上進行訓練與測試，并選擇平均精

度均值 MAP 和推理時間兩項指標評價算法。表 2

展示了不同算法在自建數(shù)據(jù)集目標檢測上的實驗

結果。與原始模型相比，改進模型的MAP指標提升

了 4.59%，推理時間縮短了近一半。由此可見，

CBAM模塊的引入使模型的準確率顯著提升，且檢

測速度顯著加快。

表2 試驗結果對比

YOLO v5算法

改進前

改進后

MAP/%

86.64

91.23

推理時間(ms)

65

35

4.5 驗證結果

為驗證網(wǎng)絡模型在實際工作情況下的準確性

與有效性，在完整數(shù)據(jù)集中隨機選取683張圖片作

為測試集。調(diào)用預先訓練好的檢測網(wǎng)絡對測試集

進行檢測，經(jīng)過測試驗證后，網(wǎng)絡模型可以達到

91.23%的識別平均準確率（MAP）。

5 安全風險識別系統(tǒng)

5.1 系統(tǒng)工作流程

安全風險識別系統(tǒng)包括對人員是否佩戴安全

帽進行檢測與巡更人員在廠房逗留時間進行計

時。在巡更人員進入廠房前，系統(tǒng)對人員進行識

別，若人員未佩戴安全帽，系統(tǒng)會及時發(fā)出警報，當

人員正確佩戴安全帽進入廠房后，系統(tǒng)會記錄當前

時刻，若人員在廠房逗留時間超出上限，系統(tǒng)會發(fā)

出警報。具體安全風險識別系統(tǒng)流程見圖5。

圖5 安全風險識別系統(tǒng)流程圖

1880

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

5.2 系統(tǒng)測試效果

將該系統(tǒng)應用于瓦斯電站的視頻監(jiān)控系統(tǒng)，利

用該系統(tǒng)對巡更人員進行檢測，檢測結果如圖6所

示。佩戴安全帽檢測的置信度可達到99%，超時檢

測和報警功能均可穩(wěn)定運行。將該系統(tǒng)應用于實

際生產(chǎn)過程中，可有效替代人員冗余，進行巡更人

員的人身安全風險檢測。

圖6 安全保障系統(tǒng)檢測效果

6 結論

本文基于 YOLO v5 原始網(wǎng)絡，在其中引入

CBAM機制作為改進方法，訓練獲得人員佩戴安全

帽的檢測模型。該模型較原始模型具有更高的準

確率和更短的推理時間，有效提升了網(wǎng)絡性能?；?/p>

于該模型搭建了一套瓦斯電站巡更安全風險識別

系統(tǒng)，對巡更人員是否佩戴安全帽進行檢測，并對

人員在廠房內(nèi)逗留時間進行記錄，若人員未正確佩

戴安全帽或逗留超時，系統(tǒng)及時發(fā)出警報。該系統(tǒng)

可有效檢測巡更人員的人身安全風險，保障了瓦斯

電站的正常工作生產(chǎn)，減少了人力配置，可以有效

提升瓦斯電站運營的經(jīng)濟性。

參考文獻

［1］王盈,朱吉欽,李攀,等.低濃度甲烷流向變換催化燃燒的研究［J］.燃料

化學學報，2005(6):760-762.

［2］張皖生,唐立朝.煤礦瓦斯發(fā)電現(xiàn)狀與前景分析［J］.中國煤層氣,2005,

2(4):23-26.

［3］李揚，腰彩紅，高冠群，等.一種基于YOLO v5的草莓多階段目標檢

測方法［J］.天津農(nóng)業(yè)科學, 2022, 28(11):81-90.

［4］鄭利浩,鄭秋嵐,林志潔,等.醫(yī)學圖像語義分割的深度學習技術綜述

［J］.計算機工程與應用, 2021, 57(14):48-59.

［5］張旭彤，胡鵬，趙鑫，等．火災預警中基于YOLO v5的火源智能檢測

定位方法［J］.微電子學與計算機，2023，40（3）：67-74

［6］郭磊,薛偉,王邱龍,等.一種基于改進 YOLO v5 的小目標檢測算法：

CN202111382559.1［P］.

［7］趙元章,耿生玲.基于改進YOLO v5的人臉遮擋物目標檢測算法［J］.

信息通信，2021, 34(11):32-35.

［8］牛為華,殷苗苗.基于改進YOLO v5的道路小目標檢測算法［J］.傳感

技術學報, 2023, 36(1):36-44.

［9］王旭,管聲啟,劉通,等.基于改進YOLO v5的陶瓷環(huán)缺陷檢測算法［J］.

輕工機械,2023,41(3):66-71.

［10］彭晏飛,袁曉龍,陳炎康,等.改進YOLO v5s的帶鋼表面缺陷檢測方

法［J/OL］. 機 械 科 學 與 技 術:1-9［2023-06-11］.DOI:10.13433/j.

cnki.1003-8728.20230254.

［11］曹選,郝萬君.改進YOLO v5的密集行人檢測算法研究［J］.蘇州科技

大學學報:自然科學版, 2022, 39(4):64-72.

［12］李揚,腰彩紅,高冠群,等.一種基于YOLO v5的草莓多階段目標檢測

方法［J］.天津農(nóng)業(yè)科學, 2022, 28(11):81-90.

［13］黃少華,梁喜鳳.基于改進YOLO v5的茶葉雜質(zhì)檢測算法［J］.農(nóng)業(yè)工

程學報, 2022, 38(17):8-17.

基于改進YOLO v5的巡更安全風險識別方法研究

1881

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

基于服務站區(qū)域互聯(lián)的共享電動汽車

調(diào)度方法

何鈜博 徐 偉

國網(wǎng)上海市電力公司奉賢供電公司

摘要：用戶出行的不規(guī)律性和不均衡性造成服務站點保有的共享電動汽車數(shù)量存在動態(tài)供需不平衡的問

題，一定程度上限制了共享車輛服務行業(yè)的發(fā)展。為此，在準確預測共享電動汽車需求量的基礎上，提出了

基于服務站區(qū)域互聯(lián)架構的共享電動汽車調(diào)度方法。在充分考慮用戶實際需求影響因素的基礎上，提出服

務站區(qū)域互聯(lián)調(diào)度模型，采用改進的Elman神經(jīng)網(wǎng)絡預測區(qū)域互聯(lián)站點的車輛需求，以滿足用戶的出行需

求。結合上海EVCARD共享電動汽車行業(yè)的實際數(shù)據(jù)，通過仿真實驗將改進的Elman神經(jīng)網(wǎng)絡預測模型

和未改進的Elman神經(jīng)網(wǎng)絡預測模型的預測結果與實際需求量進行對比，采用不同指標進行計算和分析，

驗證了該方法的合理性和優(yōu)越性。

關鍵詞：共享電動汽車；服務站區(qū)域互聯(lián)；需求預測；神經(jīng)網(wǎng)絡；車輛調(diào)度規(guī)劃

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.020

Scheduling Method for Shared Electric Vehicles Based on

Regional Interconnection of Service Stations

HE Hongbo, XU Wei

State Grid Shanghai Electric Power Company Fengxian Power Supply Company

Abstract: The irregularity and imbalance of user travel have caused a dynamic supply-demand imbalance in the number of shared electric vehicles maintained by service stations, which to some extent

limits the development of the shared vehicle service industry. Therefore, based on accurately predicting

the demand for shared electric vehicles, a scheduling method for shared electric vehicles based on the

收稿日期：2023-05-14

作者簡介：何鈜博（1994-04-），男，碩士，主要從事電動汽車的路徑優(yōu)化工作

徐偉(1995- )，男，碩士，主要從事電動汽車的優(yōu)化調(diào)度工作

1882

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

0 引言

共享電動汽車是一種新型的汽車應用模式，具

有服務范圍廣、便利性強的優(yōu)勢，是目前發(fā)展較好

的共享模式［1］

。然而，用戶出行需求的不均衡性和

潮汐性造成了共享服務站點間的車輛庫存存在不

平衡的現(xiàn)象［2-4］

,導致部分服務站車輛短缺，用戶提

前預約卻無車輛可借的情況。因此，如何在平衡供

需關系的基礎上合理地調(diào)度車輛，增加車輛的利用

率，是共享電動汽車行業(yè)持續(xù)發(fā)展的關鍵。

目前針對共享電動汽車車輛調(diào)度的研究載體

都是獨立分開的服務站點，忽略了相鄰站點的聯(lián)系

與影響，主要內(nèi)容分為以下兩個方面，一是確定服

務站點共享電動汽車數(shù)量的情況下，運營商通過價

格激勵用戶，鼓勵其改變出行路徑，以改善服務站

點間車輛庫存不平衡的狀況［5-7］

。然而價格激勵方

式的影響范圍較小，無法徹底解決服務站點車輛庫

存不平衡的問題。二是在基于歷史數(shù)據(jù)預測服務

站可用車輛與需求的基礎上，提出共享電動汽車

車輛調(diào)度方法，構建不同目標的調(diào)度模型［8-10］。

然而上述文獻均利用歷史數(shù)據(jù)進行預測，忽略了

不同影響因素之間的關聯(lián)性以及預測的時效性，

存在一定的誤差。

基于上述分析，提出了采用改進的Elman神經(jīng)

網(wǎng)絡預測互聯(lián)服務站點范圍內(nèi)用戶需求的共享電

動汽車車輛調(diào)度方法。首先，對服務站區(qū)域互聯(lián)

調(diào)度結構進行定義，引入了影響共享電動汽車需

求的關鍵因素。然后，介紹了改進的 Elman 神經(jīng)

網(wǎng)絡算法以及流程，對服務站點的用戶需求進行

預測。接著，構建了以調(diào)度成本、閑置成本和潛在

用戶收益損失最小為目標的共享電動汽車調(diào)度模

型。通過上海徐匯區(qū)以及浦東新區(qū)部分 EVCARD

服務站點的實際數(shù)據(jù)驗證了所提模型的合理性，

同時實現(xiàn)了區(qū)域互聯(lián)服務站點共享電動汽車調(diào)度

的經(jīng)濟性。

1 服務站區(qū)域互聯(lián)調(diào)度模型

1.1 服務站區(qū)域互聯(lián)調(diào)度的提出

在基于運營商的共享車輛調(diào)度策略中，服務站

通常作為獨立個體存在，運營商擁有其中的用戶需

求信息，但并未向其他運營商公開。而且，運營商

都是以自身最小化調(diào)度成本或者最大化營業(yè)利潤

為目標，導致無法完全平衡供需以及供小于求時追

逐利益最大化無法及時滿足用戶要求的情況出

現(xiàn)。因此，提出了服務站區(qū)域互聯(lián)調(diào)度策略，通過

用戶信息的共享，不僅可以實現(xiàn)一對一單向服務站

點間的車輛調(diào)度，而且可以滿足多對一多向服務站

點間的車輛調(diào)度。

regional interconnection architecture of service stations is proposed. On the basis of fully considering

the factors affecting the actual demand of users, a regional interconnection scheduling model for service stations is proposed, and an improved Elman neural network is used to predict the vehicle demand

of regional interconnection stations to meet the travel needs of users.Combined with the actual data of

the EVCARD shared electric vehicle industry in Shanghai, the prediction results of the improved Elman

neural network prediction model and the unimproved Elman neural network prediction model are compared with the actual demand through simulation experiments, and different indicators are used for calculation and analysis to verify the rationality and superiority of the method.

Key words: Shared Electric Vehicle; Regional Interconnection of Service Station; Demand Forecasting;

Neural Network; Vehicle Scheduling Planning

基于服務站區(qū)域互聯(lián)的共享電動汽車調(diào)度方法

1883

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

電動汽車屬于共享運營服務的載體，如何確定

區(qū)域變量信息即影響共享電動汽車需求的因素直

接影響需求預測的準確性，在參考相關文獻并結合

調(diào)研結果［11-13］

的前提下，得到如下結論：服務站點覆

蓋區(qū)域內(nèi)土地使用屬性的不同將造成顧客出行目

的和共享電動汽車需求的差異以及時間因素（是否

工作日、不同時段等）對共享電動汽車的需求影

響。其中影響因素的具體內(nèi)容如表1所示。

表1 共享電動汽車需求量影響因素

類別

E1

E2

具體內(nèi)容

時間段e1、星期屬性e2、日期屬性e3

工作區(qū)e4、居民區(qū)e5、商業(yè)區(qū)e6、醫(yī)院e7

為了及時有效地得到大量的反饋數(shù)據(jù)，將車聯(lián)

網(wǎng)技術應用于服務站區(qū)域內(nèi)的信息交互。基于此，

共享電動汽車運營商與用戶能夠進行雙向溝通。

1.2 服務站區(qū)域互聯(lián)調(diào)度結構

圖1為共享電動汽車服務站區(qū)域互聯(lián)系統(tǒng)的分

層調(diào)度優(yōu)化模式，區(qū)域內(nèi)包括服務站控制中心以及

用于協(xié)調(diào)各個服務站控制中心的統(tǒng)一調(diào)控中心。

圖1 服務站區(qū)域互聯(lián)調(diào)度結構

統(tǒng)一調(diào)控中心用于匯總各服務站區(qū)域詳細的

變量信息，包含用戶的預約信息以及某一時間段內(nèi)

車輛短缺或多余的數(shù)目，同時每個服務站控制中心

通過與統(tǒng)一調(diào)控中心交換變量信息，從而求解服務

站區(qū)域內(nèi)部獨立變量，確定服務站點調(diào)入或調(diào)出的

車輛數(shù)目。其中每個服務站控制器之間相互獨立，

可采用平行計算。

2 基于改進的Elman神經(jīng)網(wǎng)絡的預測模型

2.1 Elman神經(jīng)網(wǎng)絡算法原理

Elman 神經(jīng)網(wǎng)絡（Elman NN）是一種典型的局

部回歸網(wǎng)絡，與傳統(tǒng)靜態(tài)前饋神經(jīng)網(wǎng)絡（FNN）相

比，具有四層結構：輸入層、隱含層、輸出層［14］

，還包

括一個特殊的關聯(lián)層。Elman神經(jīng)網(wǎng)絡的非線性狀

態(tài)空間的表達式可寫成如下形式：

輸入層到隱含層的輸出：

RL(t)= f

é

?

ê ù

? ∑ ú i = 1

M

W1ij(t)Xi(t)+ ∑r = 1

N

W2rj(t)iRcr(t) (1)

式中：Rcr(t)為關聯(lián)層在t時刻到隱含層的反饋輸出，

Rcr(t) = Rj(t-1)。

隱含層到輸出層的輸出：

yp(t)= g

é

?

ê

ê

ù

?

ú ∑ ú

j = 1

N

W3jq(t)Rj(t) (2)

式中：W1ij(t)、W2rj(t)、W3qj(t)分別為輸入層到隱含層、

關聯(lián)層到隱含層、隱含層到輸出層的權值矩陣。

2.2 改進的Elman神經(jīng)網(wǎng)絡算法

用戶在預約當前時刻的共享電動汽車時，會傾

向于選擇服務站點中距離近且可用車輛較多的服

務站，所以相鄰服務站點在相同時間的需求會互相

影響。此外，用戶會根據(jù)手機APP終端所獲取的上

一時刻可用車輛信息作出判斷，因此相同服務站當

前時刻的需求還受到上一時刻需求的影響?；?/p>

此，將Elman神經(jīng)網(wǎng)絡算法應用于共享電動汽車的

需求預測。然而，傳統(tǒng)的Elman神經(jīng)網(wǎng)絡不能很好

地確定預測值之間的聯(lián)系［15］

，無法控制初始樣本的

權值和網(wǎng)絡結構的閾值，使得迭代次數(shù)進一步增

加，降低訓練速度。因此，需要對 Elman 神經(jīng)網(wǎng)絡

算法進行改進。通過與粒子群算法的結合，可以建

1884

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

立不同時間段輸出的預測值之間的聯(lián)系，優(yōu)化 Elman神經(jīng)網(wǎng)絡的權值和閾值，從而解決循環(huán)神經(jīng)網(wǎng)

絡中梯度爆炸的問題，提高訓練速度，以較快的速

度達到全局最優(yōu)。

2.3 基于改進Elman神經(jīng)網(wǎng)絡算法預測需求量

粒子群算法具有良好的全局尋優(yōu)的能力，可以

通過其改善 Elman 神經(jīng)網(wǎng)絡算法預測共享電動汽

車需求量樣本的權值與閾值，但當其搜索到全局最

優(yōu)附近位置時，搜索過程會變慢或停滯，從而陷入

局部最優(yōu)的局面，而Elman神經(jīng)網(wǎng)絡算法則具有良

好的局部尋優(yōu)能力，與粒子群算法互為補充。因

此，通過粒子群算法與 Elman 神經(jīng)網(wǎng)絡算法的結

合，可充分發(fā)揮粒子群算法全局尋優(yōu)的能力以及

Elman神經(jīng)網(wǎng)絡算法局部尋優(yōu)的特點，對服務站用

戶對于共享電動汽車的需求量進行預測。其流程

如下：

1）讀取數(shù)據(jù)，按照相同站點提取五天工作日內(nèi)

相同時間段內(nèi)共享電動汽車的歷史需求數(shù)據(jù)以及

涉及時間與空間分布的影響因素數(shù)據(jù)。

2）分別對五天內(nèi)的歷史需求數(shù)據(jù)和影響因素

數(shù)據(jù)進行歸一化處理，使樣本數(shù)據(jù)的取值范圍處于

(0,1)之間。歸一化的公式如下：

X= Xi -Xi,min

Xi,max -Xi,min

(3)

式中：Xi為站點i歷史需求樣本數(shù)據(jù)的輸入值；Xmin為

站點i歷史需求樣本數(shù)據(jù)輸入的最小值；Xmax為站點i

歷史需求樣本數(shù)據(jù)輸入的最大值；X為站點i歷史需

求樣本歸一化處理后得到的數(shù)據(jù)。

Y = Yim - Yim,min

Yim,max - Yim,min

(4)

式中：Yim為服務站點 i 第 m 個影響因素；Yim,min為第

m 個影響因素的最小值；Yim,max為 m 個影響因素的

最大值；Y 為服務站點 i 影響因素歸一化處理后得

到的數(shù)據(jù)。

3）確定Elman網(wǎng)絡結構，初始化Elman神經(jīng)網(wǎng)

絡的各層連接權值和閾值。

4）結合粒子群算法進行改進，將初始車輛歷史

需求數(shù)據(jù)與影響因素數(shù)據(jù)賦予Elman網(wǎng)絡神經(jīng)元，

將每一個連接權值記為一個粒子，對粒子進行初始

化編碼，優(yōu)化迭代 Elman 神經(jīng)網(wǎng)絡的連接權值和

閾值。

5）設定 Elman 神經(jīng)網(wǎng)絡的適應度函數(shù)為在時

間段［0,T］內(nèi)服務站點 i 車輛需求預測的誤差目標

函數(shù)：

Et

i = 1

2∑t = 1

T

(y

t

i - dt

i )

2 (5)

式中：y

t

i 為車輛需求的實際輸出值；dt

i 為車輛需求

期 望 的 輸 出 值 。 設 定 學 習 目 標 函 數(shù) 閾 值

Err_goal = 10-5 。

6）比較粒子與粒子群的當前位置與尋優(yōu)過程

中的最優(yōu)位置，更新當前最優(yōu)位置。

7）改變粒子的速度與位置，進行循環(huán)迭代直至

車輛需求預測的適應度函數(shù)滿足條件，獲得網(wǎng)絡訓

練的最優(yōu)權值和閾值。

8）輸出粒子的最優(yōu)位置，即Elman神經(jīng)網(wǎng)絡各

層的最優(yōu)連接權值。更新權值，直至滿足預測要

求，獲得服務站點車輛需求結果。

9）將車輛需求數(shù)據(jù)進行反歸一化：

nt

i = zt

i(Xi,max -Xi,min)+Xi,min (6)

式中：nt

i 為t時刻服務站點i的車輛需求預測值；zt

i

為t時刻服務站點i的歸一化車輛需求預測值。

因此，得到服務站點i的需求為：

nt

i - pi = ì

í

?

s

t

i nt

i - pi > 0

rt

i nt

i - pi < 0 (7)

式中：s

t

i 為t時刻服務站點i的車輛多余數(shù)；rt

i 為t時

刻服務站點i的車輛短缺數(shù)；pi為服務站點i的停車

位數(shù)量。

流程圖見圖2所示。

3 基于服務站互聯(lián)的共享電動汽車調(diào)度

3.1 共享電動汽車調(diào)度模型

在滿足用戶需求的前提下，調(diào)度成本是共享電

動汽車運營商需要考慮的重要因素，運營商通過確

定區(qū)域互聯(lián)服務站點內(nèi)車輛的調(diào)度數(shù)量和調(diào)度路

基于服務站區(qū)域互聯(lián)的共享電動汽車調(diào)度方法

1885

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

線構建共享電動汽車的調(diào)度需求模型。因此，共享

電動汽車調(diào)度問題可表示為調(diào)度成本最小化的單

目標優(yōu)化問題。同時，運營商需要考慮在預測服務

站點車輛需求的基礎上對車輛進行調(diào)度時車輛多

余的閑置成本和車輛短缺的潛在用戶損失收益。

3.2 前提與假設

建立目標函數(shù)的前提與假設如下：

1）車輛維度：所有電動汽車均為同一型號，任

一輛車在任何時刻只能滿足一個服務需求。在站

點時，車輛默認與充電樁處于連接充電的狀態(tài)；車

輛任何時刻續(xù)航里程已知，并且充電時單位時間增

加的續(xù)航里程相同。

2）服務站維度：服務站點內(nèi)每個停車位均配備

相同屬性的充電樁。

3）服務周期：在一個周期內(nèi)，用戶的用車需求

隨機性比較大，無法確定用戶的集中用車需求時

間。因此，為了簡化模型，將1天24 h劃分為24個

時段，每個時段為1 h。

3.3 目標函數(shù)

在預測用戶需求的基礎上建立以調(diào)度成本、閑

置成本和潛在用戶損失收益最小為目標的共享電

動汽車調(diào)度模型，數(shù)學表達式如下：

min f + y + z = min(∑t = 1

T

∑i = 1

n

∑

j = 1

j ≠ i

n

xt

ijdijc

+∑t = 1

T

∑i = 1

n

Ci(s

t

i - ∑

j = 1

j ≠ i

n

xt

ij) + ∑t = 1

T

∑i = 1

n

Ci(rt

i - ∑

j = 1

j ≠ i

n

xt

ij))

(8)

式中：f表示調(diào)度成本最小；y表示閑置成本最小；z

表示潛在用戶損失收益最??；n為互聯(lián)區(qū)域所有服

務站點的數(shù)量；T為車輛調(diào)度時間上限；dij為從服務

圖2 改進的Elman神經(jīng)網(wǎng)絡算法流程圖

1886

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

站點 i 到服務站點 j 的距離，km；c 為單位距離的車

輛運輸費用，主要為人工費用，元/h；xt

ij 為決策變

量，表示 t 時刻從服務站點 i到服務站點 j調(diào)度車輛

的數(shù)量；Ci 為服務站點i車輛多余的單位閑置成本，

采用模擬退火算法求解此車輛調(diào)度問題。

3.4 約束條件

1）服務站點車輛調(diào)出約束

∑i = 1

j ≠ i

n

xt

ji ≤ s

t

i ; j = 1,2,...,n,t = 1,2,...,T (9)

2）服務站點車輛調(diào)入約束

∑

j = 1

i ≠ j

n

xt

ij ≤ max(pi

,rt

i ); i = 1,2,...,n,t = 1,2,...,T (10)

3）服務站點間調(diào)度車輛最小續(xù)航里程約束

ì

í

?

xt

ij,k ≤ 1, l

t

ij,k - dij ≥ 0;

xt

ij,k = 0, l

t

ij,k - dij < 0;

k = 1,2,...,K (11)

式中：xt

ij,k 為t時刻服務站點i向服務站點j調(diào)入車

輛 k的決策變量；l

t

ij,k 為 t時刻服務站點 i向服務站

點j調(diào)入車輛k的續(xù)航里程。

4）服務站點間調(diào)度車輛的最大距離約束

ì

í

?

xt

ij,k ≤ 1, Lt

ij,k - dij ≥ 0;

xt

ij,k = 0, Lt

ij,k - dij < 0;

k = 1,2,...,K (12)

式中：Lt

i.k 為t時刻服務站點i向服務站點j調(diào)入車輛

k的最大續(xù)航里程。

5）服務站點調(diào)度車輛數(shù)量約束

ì

í

?

xt

ij,k ≤ 1, l

t

ij,k - dij ≥ 0;

xt

ij,k = 0, l

t

ij,k - dij < 0;

k = 1,2,...,K (13)

4 仿真分析

4.1 算例數(shù)據(jù)

采用 EVCARD 位于上海市徐匯區(qū)與浦東新區(qū)

的部分共享服務站點的車輛數(shù)據(jù)進行分析，以實際

歷史需求數(shù)據(jù)和影響因素數(shù)據(jù)作為輸入，采用改進

的Elman神經(jīng)網(wǎng)絡方法預測共享電動汽車需求量，

并在此基礎上以多成本目標進行車輛調(diào)度優(yōu)化，驗

證所提調(diào)度策略的有效性。

通過手機客戶端APP 獲取上海市EVCARD 共

享服務站點 2020 年 7 月某一周的歷史需求數(shù)據(jù)。

在運營周期內(nèi)，每1 h統(tǒng)計1次，如表2所示，服務站

車輛需求為總停車位與可用停車位之差。基于

此，構建服務站區(qū)域互聯(lián)調(diào)度模型，將徐匯區(qū)一定

范圍內(nèi)的服務站點與浦東新區(qū)一定范圍內(nèi)的服務

站點組建為一個大范圍的服務調(diào)度系統(tǒng)，同時包

含區(qū)域內(nèi)所有服務站點的借車、還車數(shù)量以及調(diào)

度車輛數(shù)量。

在需求預測的過程中，所需影響因素e1～e7由

上海市區(qū)域統(tǒng)計數(shù)據(jù)以及高德地圖獲得，e8劃分每

1 h為一個時間段，e9劃分為一周5天。

表2 上海市徐匯區(qū)與浦東新區(qū)EVCARD服務站散點分布

序號

1

2

3

4

5

6

7

8

地址

上海市徐匯區(qū)

東安路562號

上海市徐匯區(qū)

云錦路5號

上海市浦東新區(qū)

世博村路300號

上海市浦東新區(qū)

雪野路1188號

上海市浦東新區(qū)

長清北路博成路

上海市浦東新區(qū)

雪野路839號

上海市浦東新區(qū)

浦建路160號

上海市浦東新區(qū)

東方路1630號

日期

2020年7月

2020年7月

2020年7月

2020年7月

2020年7月

2020年7月

2020年7月

2020年7月

時間

7:00-10:00

7:00-10:00

7:00-10:00

7:00-10:00

7:00-10:00

7:00-10:00

7:00-10:00

7:00-10:00

總停車位

38

12

27

5

15

6

9

7

4.2 基于改進的Elman神經(jīng)網(wǎng)絡算法的需求預測

4.2.1 網(wǎng)絡結構設計

以連續(xù)5個工作日早高峰3個時間段內(nèi)的需求量

來預測第6個工作日早高峰3個時間段內(nèi)的需求量，

因此輸入層和輸出層的節(jié)點個數(shù)分別為15個和3個。

選取單個隱含層和連接層，采用經(jīng)驗公式確定

最優(yōu)的節(jié)點數(shù)，通過多次實驗的方法確定最優(yōu)節(jié)點

為9個。

基于服務站區(qū)域互聯(lián)的共享電動汽車調(diào)度方法

1887

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

4.2.2 需求預測

將 2020 年 7 月 5 個工作日的歷史需求數(shù)據(jù)和

e1~e9的影響因素數(shù)據(jù)分別輸入到改進的Elman神

經(jīng)網(wǎng)絡模型與Elman神經(jīng)網(wǎng)絡模型中，其中改進的

Elman神經(jīng)網(wǎng)絡結合粒子群算法優(yōu)化網(wǎng)絡結構中各

層之間的權值。設置隱含層單元數(shù)為9，迭代目標

誤差值為 0.000 1，最大迭代次數(shù)為 3 000，通過網(wǎng)

絡訓練得到次日工作日的共享服務站車輛需求預

測值如圖3所示。

圖3 需求量預測曲線

由圖3的預測曲線可以看出，相較于Elman神

經(jīng)網(wǎng)絡，改進的Elman神經(jīng)網(wǎng)絡的預測結果更接近

實際需求量，與實際需求曲線更為貼合。

圖4為改進后與未改進的Elman神經(jīng)網(wǎng)絡預測

訓練狀態(tài)，由圖可知，Elman神經(jīng)網(wǎng)絡預測過程的訓

練步數(shù)為1 135步；改進后的Elman神經(jīng)網(wǎng)絡預測

過程的訓練步數(shù)為393步，相較于Elman神經(jīng)網(wǎng)絡，

其訓練梯度幅度較小，學習速率更快。

接 下 來 采 用 絕 對 誤 差（MAE）、相 對 誤 差

(MAPE)和平方和誤差（SSE）來評價改進后的 Elman神經(jīng)網(wǎng)絡模型的預測精度，計算公式如下：

MAE= 1

n∑i = 1

n

| x(i)- | y(i) (14)

MAPE= 1

n∑i = 1

n |

|

|

|

|

|

|

|

x(i)- y(i)

y(i) (15)

MSE= 1

n ∑i = 1

n

(x(i)- y(i))

2 (16)

式中：n為五天工作日內(nèi)高峰時間段某一小時的共

享電動汽車需求量輸入數(shù)據(jù)數(shù)量；x(i)為第i個點的

共享電動汽車預測數(shù)據(jù)量；y(i)為第i個點的共享電

動汽車實際需求量。

以下對兩種算法的高峰時段 7:00-10:00 內(nèi)的

不同誤差分別進行了計算與分析，結果如表3。

表3 不同模型預測誤差對比

算法

未改進的

Elman神經(jīng)網(wǎng)

絡算法

改進后的

Elman神經(jīng)網(wǎng)

絡算法

時間段

7:00-8:00

8:00-9:00

9:00-10:00

7:00-8:00

8:00-9:00

9:00-10:00

絕對誤差

0.065 6

0.041 9

0.062 8

0.040 5

0.024 0

0.026 3

相對誤差

27.92

5.11

13.20

16.62

1.70

5.94

均方誤差

0.021 2

0.009 6

0.012 7

0.013 3

0.006 8

0.008 5

由表 3 可知，Elman 神經(jīng)網(wǎng)絡在某一個時間段

內(nèi)的絕對誤差最大值達到了 27.92%，遠大于改進

1888

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

后的Elman神經(jīng)網(wǎng)絡的最大誤差值16.62%。改進

后的 Elman 神經(jīng)網(wǎng)絡在某一個時間段內(nèi)的相對誤

差最大值為 0.040 5，小于 Elman 神經(jīng)網(wǎng)絡預測的

最小絕對誤差 0.041 9。同時，改進后的 Elman 神

經(jīng)網(wǎng)絡算法的均方誤差全部小于未改進的 Elman

神經(jīng)網(wǎng)絡的指標。因此，改進后的Elman神經(jīng)網(wǎng)絡

模型對區(qū)域互聯(lián)共享服務站點早高峰時間段內(nèi)的

需求量預測的性能指標與結果均優(yōu)于 Elman 神經(jīng)

網(wǎng)絡模型，使用該預測模型能較好地在某一時間段

內(nèi)對區(qū)域互聯(lián)服務站內(nèi)的共享電動汽車的需求量

進行預測，降低調(diào)度的盲目性，改善服務站電動汽

車供應不平衡的狀態(tài)。

4.3 不同調(diào)度模型的調(diào)度策略對比

4.3.1 不同調(diào)度模型

將預測后的數(shù)據(jù)反歸一化，按照不同調(diào)度模型

求解早高峰運營時間段內(nèi)不同服務站點的共享電

動汽車調(diào)度結果進行對比。

調(diào)度模型1：單一服務站點調(diào)度。

調(diào)度模型2：互聯(lián)服務站點調(diào)度。

4.3.2 調(diào)度策略對比

1）單一服務站點

以調(diào)度成本最小為目標，得到調(diào)度結果如表4

所示。

表4 單一服務站點共享電動汽車最優(yōu)調(diào)度方案

出發(fā)服務站

1

3

7

到達服務站

5

5

5

調(diào)度車輛數(shù)

2

3

2

距離/km

4.5

3.7

3.2

成本/元

63.22

82.55

60.53

2）互聯(lián)服務站點

表5 互聯(lián)服務站點共享電動汽車最優(yōu)調(diào)度方案

出發(fā)服務站

1

3,8

8

到達服務站

4

6

4

調(diào)度車輛數(shù)

3

5

2

距離/km

7.8

4.4

3.7

成本/元

88.71

96.30

67.39

由表4可知，調(diào)度的車輛總數(shù)為7輛，最小調(diào)度成本

圖4 改進后與未改進的Elman神經(jīng)網(wǎng)絡預測訓練狀態(tài)

基于服務站區(qū)域互聯(lián)的共享電動汽車調(diào)度方法

1889

SHANGHAI ENERGY SAVING

上海節(jié)能 No.12

2023

ENERGY SAVING TECHNOLOGY

節(jié)能技術

為206.30元，平均每輛車分擔的調(diào)度成本為29.47元。

由表5可知，區(qū)域互聯(lián)服務站調(diào)度的車輛總數(shù)

為10輛，最小調(diào)度成本為252.40元，平均每輛車分

擔的調(diào)度成本為25.24元。

如圖5所示，單一服務站點模型同時由服務站

點1、服務站點3以及服務站點7向服務站點5調(diào)入

車輛；互聯(lián)服務站點模型分別由服務站點1向服務

站點4以及服務站點3向服務站6調(diào)入車輛，同時服

務站點8向站點4和站點6調(diào)入車輛。

對比兩種調(diào)度模型，單一服務站點以自身調(diào)度

成本最小化為目標，所有車輛都會調(diào)入同一服務站

點，并不考慮閑置成本、潛在損失成本以及周圍服

務站點的成本，潛在地會對周圍服務站點造成一定

的影響；互聯(lián)服務站點會統(tǒng)一考慮所有的服務站

點，進行統(tǒng)一調(diào)度規(guī)劃，使得整體成本達到最小。

圖5 不同調(diào)度模型的車輛調(diào)度策略

4.4 不同目標函數(shù)下的調(diào)度策略對比

接著按照調(diào)度成本最小的目標，求解早高峰運

營時間段內(nèi)不同服務站點的共享電動汽車調(diào)度結

果，與按照綜合成本最小的目標求解相同時段內(nèi)區(qū)

域互聯(lián)服務站車輛的調(diào)度結果進行對比。

1）調(diào)度成本最小

以調(diào)度成本最小為目標，得到調(diào)度結果如表6

所示。

表6 調(diào)度成本最小的共享電動汽車最優(yōu)調(diào)度方案

出發(fā)服務站

1

3

5

到達服務站

4

6

4

調(diào)度車輛數(shù)

3

4

2

距離/km

7.8

5.5

4.2

成本/元

88.71

102.40

78.53

2）綜合成本最小

以調(diào)度成本、閑置成本和潛在用戶損失收益最

小為目標，得到調(diào)度結果同樣如表7所示。

表7 綜合成本最小的共享電動汽車最優(yōu)調(diào)度方案

出發(fā)服務站

1

3,8

8

到達服務站

4

6

4

調(diào)度車輛數(shù)

3

5

2

距離/km

7.8

4.4

3.7

成本/元

88.71

96.30

67.39

由表6可知，調(diào)度的車輛總數(shù)為9輛，最小調(diào)度

成本為 269.64 元，平均每輛車分擔的調(diào)度成本為

29.96元。

由表7可知，區(qū)域互聯(lián)服務站調(diào)度的車輛總數(shù)

為10輛，最小調(diào)度成本為252.40元，平均每輛車分

擔的調(diào)度成本為25.24元。

對比兩種調(diào)度策略，單目標調(diào)度方案只考慮

相鄰服務站點最大的多余車輛，將其全部調(diào)度到

某一空缺站點；而多目標調(diào)度方案還包括閑置成

本以及潛在損失成本，存在調(diào)度多個服務站點的

車輛到某一空缺站點的情況。而且所提的基于改

進后的 Elman 神經(jīng)網(wǎng)絡預測的多目標共享電動汽

車調(diào)度方法相較于單目標車輛調(diào)度方法調(diào)度成本

降低了4.72元。

5 結論

基于服務站區(qū)域互聯(lián)需求改進的 Elman 神經(jīng)

網(wǎng)絡共享電動汽車車輛調(diào)度方法，提高了預測模型

預測的精度，結果表明：

1）改進的 Elman 神經(jīng)網(wǎng)絡與未改進的 Elman

網(wǎng)絡算法相比，收斂速度更快、預測精度更高，更

適用于共享電動汽車需求量的預測，降低調(diào)度的

盲目性。

2）服務站區(qū)域互聯(lián)調(diào)度模型能夠?qū)λ牱秶?/p>

內(nèi)共享電動汽車的需求量進行統(tǒng)一規(guī)劃，按照成本

最小的目標進行合理調(diào)配，從而改善所轄范圍內(nèi)服

務站點電動汽車供應不平衡的狀態(tài)。

3）慮及閑置成本以及用戶損失收益的綜合成

1890

SHANGHAI ENERGY SAVING

2023年第 12 期

SHANGHAI ENERGY SAVING

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

上海節(jié)能

SHANGHAI ENERGY CONSERVATION

2018 年第 08 期

ENERGY SAVING TECHNOLOGY

節(jié)

能

技

術

本最小的車輛調(diào)度模型可以實現(xiàn)區(qū)域互聯(lián)服務站

內(nèi)參與調(diào)度車輛的最優(yōu)分配，將每輛車分擔的調(diào)度

成本控制在25.24元，與單目標車輛調(diào)度策略相比

將調(diào)度成本降低了4.72元，從而實現(xiàn)了共享電動汽

車調(diào)度的經(jīng)濟性。

參考文獻

［1］CORREIA G H D A，JORGE D R，ANTUNES D M．The added value

of accounting for users′ flexibility and information on the potential

of a station-based one–way car-sharing system：An application in Lisbon，Portugal［J］．Journal of Intelligent Transportation Systems：Technology，Planning, and Operations，2014，18(3)：299- 308．

［2］Xu IRNKORN J，MUELLER M．What will be the environmental effects of new free-floating car-sharing systems? The case of car2go in

Ulm［J］．Ecological Economics，2011，70(8)：1519-1528．

［3］王寧，張文劍，劉向，等．電動汽車共享站點間車輛人工調(diào)度策略

［J］.同濟大學學報（自然科學版），2018，46(8)：1064-1071．

Wang Ning，Zhang Wenjian，Liu Xiang，et al．Inter-site-vehicle artificial scheduling strategy design for electric vehicle sharing［J］．Journal of Tongji University (Natural Science)，2018，46(8)：1064-1071．

［4］邢強，楊祺銘，范軍太，等．基于數(shù)據(jù)驅(qū)動方式和行為決策的電動汽

車快充需求預測模型［J］．電網(wǎng)技術，2020，44(7)：2439-2448．

Xing Qiang，Yang Qiming，F(xiàn)an Juntai，et al． Electric Vehicle Fast

Charging Demand Forecasting Model Based on Data-driven Approach

and Human Behavior Decision-making［J］．Power System Technology，2020，44(7)：2439-2448．

［5］Di Febbraro A，Sacco N，Saeednia M．One-way carsharing for solving

the relocation problem［J］.Transportation research record，2012，2319

(1)：113-120．

［6］王寧，文暉，劉向，等．基于用戶激勵的共享電動汽車調(diào)度成本優(yōu)化

［J］．同濟大學學報．2018，46(12)：1668-1675．

Wang Ning，Zhen Wenhui，Liu Xiang，et al．Relocation Cost Optimization Model of Electric Vehicle Sharing Based on User Incentive［J］.

Journal of Tongji University ( Natural Science)，2018，46(12)：

1668-1675．

［7］王寧，舒雅靜，唐林浩，等．基于動態(tài)定價的共享汽車自適應調(diào)度策

略［J］．交通運輸系統(tǒng)工程與信息，2018，18(5)：12-17．

Wang Ning，SHU Yajing，TANG Linhao，et al． Adaptive Scheduling

Strategy in Car-sharing System Based on Feedback Dynamic Pricing［J］.

Journal of Tongji University ( Natural Science)，2018，18(5)：12-17．

［8］宋婷穎，盛建平．基于馬爾科夫鏈模型與遺傳算法的共享汽車調(diào)度

方法研究［J］．工業(yè)控制計算機，2019，32(5)：127-131．

Song Tingying，Sheng Jianping．Vehicle Relocation Scheduling Method Based on Markov Chain Model and Genetic Algorithm［J］．Industrial Control Computer，2019，32(5)：127-131．

［9］高俊杰，崔曉敏，趙鵬，等．基于需求預測的單向共享電動汽車車輛

調(diào)度方法［J］．大連理工大學學報，2019，59(6)：648-655．

Gao Junjie，Cui Xiaomin，Zhao Peng，et al．Scheduling method for

one-way electric car-sharing based on demand forecasting［J］．Journal of Dalian University of Technology，2019，59(6)：648-655．

［10］姚恩建，何媛媛，金方磊，等．面向自組織平衡的共享電動汽車調(diào)

度優(yōu)化方法［J］．交通運輸系統(tǒng)工程與信息，2020，20(5)：135-141．

Yao Enjian，He Yuanyuan，Jin Fanglei，et al．A Self-organized Equilibrium-oriented Relocation Optimization Method for Electric Vehicle Sharing［J］．Journal of Transportation Systems Engineering and

Information Technology，2020，20(5)：135-141．

［11］Li Wenxiang，LI Ye，F(xiàn)AN Jing，et al．Siting of carsharing stations

based on spatial multi- criteria evaluation：a case study of Shanghai

EVCARD［J］．Sustainability，2017，9(1)：152-167．

［12］高俊杰，謝亞南，顧豐，等．基于結構關系識別的中國汽車銷量預

測［J］．大連理工大學學報，2018，58(1)：92-98．

Gao Junjie，Xie Yanan，Gu Feng，et al．Chinese automobile sales forecasting based on structural relationship identification［J］． Journal of

Dalian University of Technology，2018，58(1)：92-98．

［13］錢科軍，謝鷹，張新松，等．考慮充電負荷隨機特性的電動汽車充

電網(wǎng)絡模糊多目標規(guī)劃［J］．電網(wǎng)技術，2020，44(11)：4404-4414．

Qian Kejun，Xie Ying，Zhang Xinsong，et al．Fuzzy Multi-objective

Optimization of Electric Vehicle Charging Network With Stochastic

Characters of Charging Load［J］．Power System Technology，2020，

44(11)：4404-4414．

［14］段雪，張昌華，張坤，等．電動汽車換電需求時空分布的概率建模

［J］．電網(wǎng)技術，2019，43(12)：4541-4550．

Duan Xue，Zhang Changhua，Zhang Kun，et al．Probabilistic Modeling of Battery Swapping Demand of Electric Vehicles Based on Spatio-temporal Distribution［J］．Power System Technology，2019，43

(12)：4541-4550．

［15］劉榮，方鴿飛．改進Elman 神經(jīng)網(wǎng)絡的綜合氣象短期負荷預測［J］.

電力系統(tǒng)保護與控制，2012，40(22)：113-117．

Liu Rong，F(xiàn)ang Gefei．Short-term load forecasting with comprehensive weather factors based on improved Elman neural network［J］．

Power System Protection and Control，2012，40(22)：113-117．

基于服務站區(qū)域互聯(lián)的共享電動汽車調(diào)度方法

1891

高效空調(diào)制冷機房建設

應用分析

易檢長1,2 任中俊1,2 楊心宇1

1. 深圳市紫衡技術有限公司

2. 廣東省建設設備智慧控制與運維工程技術研究中心

摘要：據(jù)調(diào)研，我國大部分公共建筑空調(diào)制冷機房全年運行能效比僅為

2.0～3.0，能效水平低下。隨著國家住建部、發(fā)改委發(fā)布《城鄉(xiāng)建設領域

碳達峰實施方案》（建標［2022］53號），明確提出要加強空調(diào)等重點用能

設備運行調(diào)試，提升設備能效，到2030年實現(xiàn)公共建筑機電系統(tǒng)總體能

效在現(xiàn)有水平上提升 10%［1］

。如何建設與運營高效空調(diào)制冷機房成為

了當前研究的熱點。采用理論研究、IT 開發(fā)及示范應用相結合的方法，

研究了高效空調(diào)制冷機房建設相關技術，并通過項目示范應用，將示范

項目空調(diào)制冷機房系統(tǒng)年運行能效比提升至5.32，達到了現(xiàn)行團體標準

《高效制冷機房技術規(guī)程》（T/CECS 1012-2022）規(guī)定的 3 級能效要求。

結果表明，該技術可顯著提升空調(diào)制冷機房運行能效水平，應進一步推

廣應用。

關鍵詞：高效；空調(diào)制冷機房；建設；應用分析

DOI: 10.13770/j.cnki.issn2095-705x.2023.12.021

Application Analysis on High Efficiency

Air Conditioning Refrigeration Room

Construction

YI Jianchang1，2

, REN Zhongjun1，2

, YANG Xinyu1

收稿日期：2023-05-24

基金項目：廈門市建設科技計劃項目(XJK-2021-4)

第一作者（通訊）：易檢長（1988-02-），男，碩士，高級工程師，主要從事建筑節(jié)能與暖通空調(diào)的研究管理