基于空间分析方法的我国燃煤耦合生物质发电潜力分析
0 引 言
电力部门的绿色低碳转型对于我国实现“碳中和”愿景和“美丽中国”目标具有重要意义[1-2]。2020年我国燃煤机组装机容量占全部发电装机容量的49%,燃煤机组发电量占全国总发电量的61%[3]。燃煤机组碳排放约占全国能源活动相关碳排放的46%,而我国现役燃煤机组平均服役时间仅约12 a[4]。按照现实可行且成本可负担的煤电机组退役路径,预计近中期燃煤发电仍将在我国电力生产中占较高比例[5]。如何以成本有效的方式降低现役燃煤机组碳排放成为亟待解决的问题。
燃煤耦合生物质发电是可以降低燃煤电厂CO2排放且有效利用生物质资源的重要技术措施[6-8]。该技术通过掺混秸秆等生物质资源替代部分煤炭燃烧,从而实现燃煤机组碳减排。与新建生物质电厂相比,燃煤耦合生物质发电可充分利用现有燃煤电厂设施,初始投资成本较低,且可以降低单纯依赖生物质燃料的供应风险,增强电厂的燃料灵活性 [9]。我国《电力发展“十三五”规划》中明确指出要开展燃煤与生物质耦合发电[10],燃煤耦合生物质发电技术将成为我国近中期CO2减排的重要技术选择。
燃煤耦合生物质发电还可以有效减少由秸秆田间焚烧导致的空气污染。我国每年产出的秸秆在7亿~8亿t[11-12],其中部分秸秆通过露天焚烧和作为农村居民的薪材直接燃烧。秸秆焚烧是细颗粒物(PM2.5)的重要来源[13-14]。SUN等[15]研究表明1996—2013年,我国秸秆露天焚烧占比22.45%。周裕雯等[16]基于卫星遥感数据分析显示,2018年我国秸秆露天焚烧生物量为662万t,排放大量污染物。根据《中国环境状况公报》,2020年卫星遥感共监测到全国秸秆焚烧火点7 635个[17],我国秸秆焚烧问题依然十分严峻。与露天焚烧相比,燃煤耦合秸秆发电可以有效减少污染物排放。根据中国电力企业联合会统计,2019年全国达到超低排放限值的煤电机组容量为8.9亿kW[4],约占当年全部煤电机组的86%。生物质与燃煤掺混发电可以利用燃煤电厂已有污染物排放末端处理设备,实现秸秆高效能源化利用并减少秸秆焚烧导致的空气污染。
燃煤耦合生物质发电具备技术可行性,但燃煤耦合生物质电厂的高效运行依赖于稳定和低成本的生物质供应。秸秆本身能量密度低,从技术经济性考虑,不可能对其进行大规模远距离运输。一般认为秸秆的最大经济运输距离在100 km以内[18]。生物质资源的可获得性很大程度上决定了燃煤耦合生物质发电技术的应用潜力。因此从燃煤电厂与生物质资源空间匹配度视角,分析燃煤耦合生物质发电的应用潜力十分重要。
秸秆与燃煤电厂空间匹配问题,本质上是在满足一定掺混比例条件下,要使秸秆到电厂的运输成本尽可能低,且电厂尽可能多地获得秸秆。空间匹配问题在碳捕集与封存(CCS)的源汇匹配[19-20]、氢能基础设施的供应链设计[21-22]等问题上已有较多研究。在生物质资源的空间匹配方法上,已有研究对特定区域内燃煤耦合生物质资源可获得性进行分析。GARCIA-GALINDO等[23]基于地理信息系统(GIS)对西班牙20个燃煤电厂共39个燃煤机组创建了缓冲区,得到各电厂在缓冲区内的生物质资源量及电厂可能掺混比例。RONI等[24]从燃煤电厂生物质供应链网络设计角度研究了美国燃煤电厂寻找生物质资源供应的最佳路径。WANG等[25]以湖北省20多个电厂为例,基于线性规划模型分析了燃煤电厂与生物质资源的匹配。在生物质资源供给上采用秸秆收集站的方式,将10 km×10 km网格内的秸秆资源与电厂进行匹配。考虑数据可获得性与求解速度等问题,我国尚缺乏国家层面燃煤耦合生物质发电空间匹配研究。
笔者基于高分辨率燃煤电厂数据与秸秆资源分布数据,设计了电厂和秸秆资源之间的空间匹配算法,探讨了全国层面燃煤电厂耦合生物质发电的可能潜力。
1 研究方法和数据
1.1 情景设置
根据农作物秸秆资源可能源化利用情况和燃煤电厂可掺混秸秆比例,设计了9个情景(表1)。
表1 情景设置
Table 1 Scenario setting
农作物秸秆可用于肥料、饲料、基料、原料和能源等,竞争性用途的存在会影响燃煤电厂可掺混秸秆量。设置了低、中、高3种秸秆能源化利用率。霍丽丽等[26]研究表明,我国不同区域的秸秆作为燃料的利用率为5.8%~21.9%,秸秆未利用率为9.5%~36.9%,根据该研究结果将不同区域秸秆可燃料化利用率作为本研究的低能源化利用率;秸秆可燃料化利用率与未利用率之和作为中能源化利用率;同时,考虑全部可收集秸秆参与燃煤电厂耦合发电作为高能源化利用率(表2)。
表2 各区域秸秆的可能源化利用率设置
Table 2 Energy utilization rate of straw in different regions
燃煤耦合生物质发电可采用直接混燃、间接混燃和平行混燃等多种方式,且掺混比例高于30%需对电厂进行较大改造[27],因此,假设10%、20%和30%三种燃煤电厂秸秆掺烧比例,用生物质秸秆替代同等热值的煤炭。
1.2 燃煤电厂数据处理
基于笔者构建的中国电厂数据库——China Power Plant Database(CPPD)开展燃煤电厂数据处理。CPPD数据库整合了Global Coal Plant Trackor[28]、The GID-Power Emission Database[29]、The Global Power Plant Database[30]、全国燃煤机组脱硫脱硝措施清单[31]、全国火电机组能效水平对标结果[32]等数据库,包含了我国煤电、气电和核电等发电厂主要机组的基本信息(投产时间、技术类别、地理坐标等)。
在煤电机组方面,CPPD数据主要来自Global Coal Plant Trackor发布的截至2022年1月的煤电机组信息[28]。在该数据库基础上,根据《电力工业统计资料汇编》[33],在国家和省级层面对数据库的装机容量进行校验比对;同时,通过清洗、融合等方式,修改或补充了近300个煤电在运机组信息。目前CPPD包含我国30 MW以上规模的近3 000个在运煤电机组,总装机容量约10.5亿kW,覆盖了约97%的中国煤电装机。
为了设置不同掺混比例下煤电厂对农作物秸秆的掺混需求,在CPPD数据库基础上,根据不同煤电机组发电技术类型(亚临界、超临界和超超临界)设置了发电效率(表3,以标准煤计)。机组利用小时按照其所在各省2020年煤电发电利用小时设定[35]。
表3 不同燃煤发电技术的发电煤耗[34]
Table 3 Coal consumption of coal-fired power generation with different technologies[34]
1.3 秸秆资源空间降尺度
考虑稻谷、小麦、玉米、豆类、薯类、棉花、花生、油菜籽、甘蔗、甜菜、烟叶共11种农作物的秸秆。收集2020年各种作物的年产量[36],结合草谷比、可收集系数和设定的可能源化利用率,计算各种作物秸秆的省级可能源化利用量。基于我国2015年净初级生产力(NPP)数据[37]和2020年1 km土地利用数据[38],对各省作物秸秆量进行空间降尺度处理,得到各省1 km分辨率网格内每种农作物秸秆的数量,计算方法为
(1)
式中,gp,i,n为分配给p省的第i个网格n种秸秆的数量;wp,i,n为根据土地利用和NPP数据计算得到的网格权重;为p省n种秸秆的总权重,其中m为p省网格总数;sp,n为p省n种秸秆的总可利用量。
综合分省及各类型农作物秸秆数据,得到全国1 km分辨率各类型秸秆总量的栅格数据(1 km网格内的秸秆资源,以下简称秸秆点)。数据处理流程如图1所示。
图1 全国1 km分辨率秸秆资源可利用量栅格数据生成
Fig.1 Production of usable straw grid data at 1 km resolution in China
11种作物的草谷比和相应秸秆资源的可收集系数见表4。
表4 各种作物的草谷比和可收集系数[39]
Table 4 Grain-straw and collectable ratio of different crops[39]
1.4 燃煤电厂耦合生物质发电空间匹配方法
利用地理信息系统的空间分析方法结合Python程序将秸秆与燃煤电厂进行空间匹配。在空间匹配算法上,以运输距离越短,电厂获得秸秆的成本越低这一假设进行考虑,按照电厂“就近消纳”生物质的思路设计了以下运算规则:① 由于1 km网格内的秸秆资源量相对有限,因此假设一个秸秆点只能供应一个电厂,而一个电厂可以匹配多个秸秆点;② 按照秸秆点与电厂之间的距离进行匹配,优先匹配距离较短的;③ 燃煤电厂应尽可能满足设定的掺混比例;④ 秸秆点到燃煤电厂的最大运输距离不超过100 km。
根据以上规则设计了以下算法:① 计算每个电厂到每个秸秆点之间的距离,形成一个距离数组;② 排除距离数组中超过100 km距离的元素;③ 对该距离数组按升序排序;④ 为电厂设定需满足的秸秆掺混比例;⑤ 从距离最短的元素开始配对;⑥ 电厂获得的秸秆达到设定掺混比例时,将不再参与剩余秸秆点的分配;⑦ 所有电厂满足设定的掺混比例或依序匹配完数组中的所有元素时,则停止运算。
空间匹配的主要流程如图2所示。通过图2分配方式,将秸秆分配到相应的燃煤电厂进行耦合发电。需要说明的是,本研究使用的距离是燃煤电厂到秸秆资源点中心的直线距离,未考虑实际道路与地形等情况,且未分析秸秆收集范围内的具体运输方式。
图2 空间匹配方法及研究框架
Fig.2 Spatial matching method and research framework
2 分析结果
2.1 我国秸秆资源空间分布
结合统计数据,利用空间降尺度方法获得了1 km分辨率秸秆资源空间分布。全国可收集秸秆资源总量约为6.59亿t,所有非空栅格的平均秸秆可收集量为380 t/km2,其中东北、华东、华中地区的秸秆可收集量占全国总可收集量的61.8%,山东、河南、江苏、吉林4省秸秆可收集量超过380 t/km2的栅格占全省总栅格占比分别约59.8%、56.3%、39.9%、36.4%,属于秸秆资源相对集中的地区。
计算结果表明,在秸秆低、中、高能源化利用率下,全国秸秆资源可利用量分别为0.76亿、2.06亿和6.59亿t。
2.2 我国燃煤耦合生物质发电潜力
2.2.1 不同情景下满足掺混比例的电厂数量及消纳的秸秆量
将高分辨率秸秆资源分布数据与电厂位置相结合发现,位于所有电厂100 km范围内的秸秆可收集量为5.86亿t,占全部可收集秸秆总量的88.9%,我国秸秆资源与燃煤电厂空间匹配度较好。
燃煤电厂能获得的秸秆量很大程度上受不同情景下秸秆可能源化利用率的影响。如在低能源化利用率的情景1下,仅有236个电厂可满足10%的掺混比例,共消纳秸秆0.23亿t。而对于高能源化利用率的情景7,满足掺混10%的电厂可达838个,占全部电厂的77.5%,并可消纳秸秆1.72亿t。
对于不同掺混比例的影响,适当提高电厂最大掺混比例可消纳更多秸秆,但随着掺混比例提高,在秸秆可能源化利用率相同的情况下,消纳秸秆量的增加相对有限。对于秸秆低能源化利用率的情景1、情景2和情景3,最大掺混比例为10%时,所有电厂消纳秸秆0.57亿t,最大掺混比例为20%时,所有电厂秸秆消纳量增加到0.63亿t,继续提高掺混比例到30%时,秸秆消纳量仅增加了0.01亿t。对于秸秆中、高能源化利用率情景,同样随着掺混比例的提高,秸秆消纳增加量逐渐减小。这可能是由于某些区域燃煤电厂分布较密集,在有限距离内难以找到足够的秸秆资源同时支撑多个燃煤电厂掺混需求。
随着设定的最大掺混比例的增加,满足掺混比例的电厂数量逐渐下降。对于低能源化利用率情景,随着掺混比例从10%增加到30%,满足掺混比例的电厂从236个降至83个。对于高能源化利用率情景,随着掺混比例从10%增加到30%,满足相应掺混比例的电厂从838个降至561个。提高设定的最大掺混比例时,可能有更多电厂处于低比例掺混状态(0<掺混比例λ<10%)。如情景7、8、9下,λ=0~10%的电厂各有230、303和343个。
在高能源化利用率下,即使掺混比例较高(30%),仍有51.9%的电厂满足这一掺混比例,这表明在高能源化利用率下,较高的掺混比例可以提高秸秆消纳量。在秸秆高能源化利用率及满足30%掺混比例下,燃煤耦合生物质发电消纳秸秆最多,达3.84亿t(表5),占我国秸秆可收集量的58.3%。
表5 不同情景下的电厂数量、装机容量、消纳的秸秆量
Table 5 Number of power plants,capacity and the amount of straw for co-firing in different scenarios
2.2.2 满足掺混比例的电厂最远运输距离
在满足掺混比例的电厂中,大部分电厂获得秸秆的最远运输距离都在50 km内,如在情景7中,满足掺混10%的电厂共838个,其中84.5%的电厂在50 km内获得10%掺混比例的秸秆(图3,横坐标为按距离升序排序的电厂)。
图3 情景7中每个电厂的最远运输距离
Fig.3 Maximum transport distance of each power plant in scenario 7
虽然满足掺混比例的电厂中大部分收集秸秆的最远运输距离在50 km内,但这些电厂的装机容量也相对较小,如在情景4中,最远运输距离在50 km内的345个电厂的平均装机容量为476.67 MW,而在50~100 km的124个电厂的平均装机容量为1 054.68 MW。
对于秸秆中、低能源化利用率,随着满足掺混比例的提高,最远运输距离在50~100 km的电厂数量逐渐减少。而对于高能源化利用率,随着满足掺混比例的提高,最远运输距离在50~100 km的电厂数量逐渐增加,表明只有提高秸秆可能源化利用率,燃煤电厂才能随运输距离增加获得更多秸秆(表6)。
表6 最远运输距离对应的电厂数量及装机容量
Table 6 Number and capacity of power plants corresponding to maximum transport distance
注:仅统计满足设定掺混比例的电厂。
2.2.3 分区域燃煤耦合生物质发电潜力
不同的能源化利用率对各省满足掺混比例影响不同。对于黑龙江、吉林、四川、广西等地区,即使在中、低能源化利用率下大部分电厂仍满足设定的掺混比例。如在低能源化利用率且掺混30%的情景3
下,黑龙江仍有69.70%的电厂可获得10%以上的掺混比例(图4(a),各省统计数据中不包括掺混比例为0的电厂,每个省份3个柱状图依次对应情景1、4和7)。这些地区的电厂和秸秆的匹配程度较高,因此可考虑较高的掺混比例以消纳更多的秸秆,同时对于无法运输到电厂的秸秆资源可以考虑提高秸秆的综合利用。
山东、河北、河南、江苏等地区受秸秆资源能源化利用率影响较大。在低能源化利用率下大部分电厂无法获得足够的秸秆进行掺混,而在秸秆高能源化利用率下,大部分电厂能满足设定的掺混比例。如在低能源化利用率满足10%掺混比例的情景1下,山东共有43个电厂满足掺混比例,占该省全部电厂的32.10%,而在高能源化利用率满足10%掺混比例的情景7下,山东仅1个电厂未满足10%掺混比例(图4(b),各省统计数据中不包括掺混比例为0的电厂,每个省份3个柱状图依次对应情景3、6和9)。
图4 各情景中各省电厂数量
Fig.4 Number of power plants by province in each scenario
此外,对于秸秆资源相对较少的地区,如内蒙古、宁夏、浙江、福建等,即使在高能源化利用率下,大部分电厂仍无法满足设定的掺混比例,如在高能源化利用率满足30%掺混比例的情景9中,内蒙古63%的电厂无法满足10%掺混比例。这些地区的燃煤电厂更适合较低掺混比例,或综合考虑燃煤电厂自身特点和秸秆运输距离,优先选择部分燃煤电厂发展耦合生物质发电。
2.2.4 碳减排量
根据掺混生物质所替代的燃煤量,可以估算出不同情景下燃煤耦合生物质发电的碳减排潜力。煤炭排放因子采用生态环境部2021年发布的《省级二氧化碳排放达峰行动方案编制指南》数据,即2.66 t/t(以标准煤计,下同)。据此估算,不同情景下我国燃煤耦合生物质发电的碳减排潜力为0.76亿~5.11亿t(表7),占我国燃煤机组碳排放总量的2%~11%。
表7 不同情景下燃煤耦合生物质发电的碳减排潜力
Table 7 CO2 emission reduction potential of co-firing power plants under different scenarios
本研究考虑的燃煤耦合生物质发电掺混比例仅为10%~30%,若进一步提高掺混比例,或进行燃煤机组的纯生物质发电改造,减排潜力将进一步增加。
3 结论与建议
本研究基于空间分析方法对我国燃煤耦合生物质发电潜力进行初步探索。结果显示,我国秸秆资源可收集量约6.59亿t,其中约89%的可收集秸秆位于燃煤电厂周围100 km内,我国燃煤电厂与秸秆资源空间匹配程度较高。燃煤电厂可掺混秸秆量受秸秆可能源化利用率和电厂秸秆可掺混比例影响。燃煤电厂获得的秸秆量受不同情景下秸秆可能源化利用率的影响较大。掺混比例均为10%的条件下,在秸秆可能源化利用率较低的情景1下,燃煤电厂可消纳秸秆0.57亿t,而在秸秆可能源化利用率较高的情景7下,燃煤电厂消纳秸秆1.97亿t。秸秆可能源化利用率越高且掺混比例越高时,燃煤电厂可掺混的秸秆量越多。因此情景9消纳秸秆最多,达3.84亿t。从运输距离来看,不同情境下大部分电厂获得秸秆的最远运输距离在50 km内。该研究可为我国燃煤耦合生物质发电技术支持政策以及秸秆能源化利用政策制定提供技术支撑。基于本文研究结果,提出如下建议:
1)将燃煤耦合生物质发电作为重要的技术选择纳入国家碳达峰碳中和、美丽中国以及乡村振兴等发展战略中,深入开展燃煤耦合生物质发电技术研发和资源潜力评价。
2)对于秸秆资源丰富且燃煤电厂密集度较低的地区,应大力发展燃煤耦合生物质发电,并通过技术改造适当提高掺混比例,以提高秸秆的利用效率。
3)对于受秸秆资源能源化利用率影响较大的地区,可考虑划定秸秆资源能源化利用优先区,通过政策引导和市场机制,在划定区域优先保证秸秆的能源化利用。
4)对于秸秆资源相对匮乏的地区,可以考虑较低的秸秆掺混比例,同时采取精准定位的方式,着重选择局部资源条件较好的燃煤电厂开展燃煤耦合生物质发电。
值得说明的是,本研究仅考虑了燃煤电厂与秸秆资源的空间匹配,而实际上林业剩余物以及能源植物等生物质资源也是燃煤电厂耦合生物质发电的重要来源。若考虑林业剩余物和能源植物,可能有更多的燃煤电厂在较短距离内获得足够的生物质掺混量。同时,目前在役农林生物质发电厂与燃煤耦合掺混生物质发电的生物质原料竞争也有待进一步研究。
[1] 项目综合报告编写组. 《中国长期低碳发展战略与转型路径研究》综合报告[J].中国人口·资源与环境,2020,30(11):1-25.
[2] 张希良,黄晓丹,张达,等. 碳中和目标下的能源经济转型路径与政策研究[J]. 管理世界,2022,38(1):35-66.
ZHANG Xiliang,HUANG Xiaodan,ZHANG Da,et al. Research on the pathway and policies for China′s energy and economy transformation toward carbon neutrality[J]. Journal of Management World,2022,38(1):35-66.
[3] 中国电力企业联合会. 2020年全国电力工业统计快报一览表[EB/OL]. [2022-02-28]. https://www.cec.org.cn/upload/1/editor/1611623903447.pdf.
[4] 中国电力企业联合会. 煤电机组灵活性运行与延寿运行研究[R]. 北京:中国电力企业联合会,2021.
[5] 李政,陈思源,董文娟,等. 现实可行且成本可负担的中国电力低碳转型路径[J]. 洁净煤技术,2021,27(2):1-7.
LI Zheng,CHEN Siyuan,DONG Wenjuan,et al. Feasible and affordable pathways to low-carbon power transition in China [J]. Clean Coal Technology,2021,27(2):1-7.
[6] BASU P,BUTLER J,LEON M A. Biomass co-firing options on the emission reduction and electricity generation costs in coal-fired power plants[J]. Renewable Energy,2011,36(1):282-288.
[7] BAXTER L. Biomass-coal co-combustion:Opportunity for affordable renewable energy[J]. Fuel,2005,84(10):1295-1302.
[8] BERGGREN M,LJUNGGREN E,JOHNSSON F. Biomass co-fir-ing potentials for electricity generation in Poland:Matching supply and co-firing opportunities[J]. Biomass and Bioenergy,2008,32(9):865-879.
[9] 毛健雄. 燃煤耦合生物质发电[J]. 分布式能源,2017,2(5):47-54.
MAO Jianxiong. Co-firing biomass with coal for power generation[J]. Distributed Energy,2017,2(5):47-54.
[10] 国家发展改革委,国家能源局. 电力发展“十三五”规划(2016-2020)[EB/OL]. (2016-12-22)[2022-02-28]. https://zfxxgk.ndrc.gov.cn/web/iteminfo.jsp?id=398.
[11] JIANG Dong,ZHUANG Dafang,FU Jinying,et al. Bioenergy potential from crop residues in China:Availability and distribution[J]. Renewable and Sustainable Energy Reviews,2012,16(3):1377-1382.
[12] QIU Huanguang,SUN Laixiang,XU Xinliang,et al. Potentials of crop residues for commercial energy production in China:A geographic and economic analysis[J]. Biomass and Bioenergy,2014,64:110-123.
[13] ZHANG Hefeng,HU Jun,QI Yixuan,et al. Emission characterization,environmental impact,and control measure of PM2.5 emitted from agricultural crop residue burning in China[J]. Journal of Cleaner Production,2017,149:629-635.
[14] HUANG L,ZHU Y,WANG Q,et al. Assessment of the effects of straw burning bans in China:Emissions,air quality,and health impacts[J]. Science of The Total Environment,2021,789:147935.
[15] SUN Jianfeng,PENG Haiyun,CHEN Jianmin,et al. An estim-ation of CO2 emission via agricultural crop residue open field burning in China from 1996 to 2013[J]. Journal of Cleaner Production,2016,112:2625-2631.
[16] 周裕雯,廖炜鹏,杨静,等. 基于MODIS火点数据分析南北方省份生物质开放式燃烧与排放特征[J]. 环境科学学报,2021,41(9):3696-3708.
ZHOU Yuwen,LIAO Weipeng,YANG Jing,et al. Based on MODIS fire pixel location data to characterize the biomass burning and air pollutants emissions in northern and southern China[J]. Acta Scientiae Circumstantiae,2021,41(9):3696-3708.
[17] 生态环境部. 2020年中国生态环境状况公报[EB/OL]. (2021-05-26) [2022-02-28]. https://www.mee.gov.cn/hjzl/sthjzk/zghjzkgb/.
[18] IEA Bioenergy. Bioenergy:A sustainable and reliable energy source[R]. Paris:IEA Bioenergy,2009.
[19] 李永,陈文颖,刘嘉. 二氧化碳收集与封存的源汇匹配模型[J]. 清华大学学报(自然科学版),2009,49(6):910-912,916.
LI Yong,CHEN Wenying,LIU Jia. Source-sink matching model for CO2 capture and storage[J]. Journal of Tsinghua University(Science and Technology),2009,49(6):910-912,916.
[20] 孙亮,陈文颖.基于GAMS的CCS源汇匹配管网优化模型[J]. 清华大学学报(自然科学版),2013,53(1):111-116.
SUN Liang,CHEN Wenying. CCS source-sink matching network optimization model based on GAMS [J]. Journal of Tsinghua
University(Science and Technology),2013,53(1):111-116.
[21] LI L,MANIER H,MANIER M A. Integrated optimization model for hydrogen supply chain network design and hydrogen fueling station planning[J]. Computers & Chemical Engineering,2020,134:106683.
[22] CANTV H,AZZARO-PANTEL C,PONSICH A. A novel Ma-theuristic based on bi-level optimization for the multi-objective design of hydrogen supply chains [J]. Computers & Chemical Engineering,2021,152:107370.
[23] GARCA-GALINDO D,JAVIER R,SEBASTIN F. Assessment of biomass co-firing potentials in coal power plants[J]. Strojarstvo,2010,52:411-427.
[24] RONI M S,EKSIOGLU S D,SEARCY E,et al. A supply chain network design model for biomass co-firing in coal-fired power plants[J]. Transportation Research Part E:Logistics and Transportation Review,2014,61:115-134.
[25] WANG Rui,CHANG Shiyan,CUI Xueqin,et al. Retrofitting coalfired power plants with biomass co-firing and carbon capture and storage for net zero carbon emission:A plant-by-plant assessment framework [J]. GCB Bioenergy,2021,13(1):143-160.
[26] 霍丽丽,赵立欣,孟海波,等. 中国农作物秸秆综合利用潜力研究[J]. 农业工程学报,2019,35(13):218-224.
HUO Lili,ZHAO Lixin,MENG Haibo,et al. Study on straw multi-use potential in China[J]. Transactions of the Chinese Society of Agricultural Engineering,2019,35(13):218-224.
[27] SCHAKEL W,MEERMAN H,TALAEI A,et al. Comparative life cycle assessment of biomass co-firing plants with carbon capture and storage[J]. Applied Energy,2014,131:441-467.
[28] Global Energy Monitor. Global coal plant tracker[EB/OL]. [202202-28]. https://endcoal.org/globalcoal-plant-tracker/.
[29] TONG Dan,ZHANG Qiang,DAVIS S J,et al. Targeted emission reductions from global super-polluting power plant units[J]. Nature Sustainability,2018,1:59-68.
[30] Global Energy Observatory,Google,KTH Royal Institute of Technology in Stockholm,Enipedia,World Resources Institute. Global power plant database[EB/OL]. (2021-06-24) [2022-02-28]. https://datasets.wri.org/dataset/globalpowerplantdatabase.
[31] 生态环境部. 关于公布全国燃煤机组脱硫脱硝设施等重点大气污染减排工程名单的公告[EB/OL]. (2014-07-08) [2022-02-28].https://www.mee.gov.cn/gkml/hbb/bgg/201407/t20140711_278584.htm.
[32] 中国电力企业联合会. 关于公布2020年度电力行业火电机组能效水平对标结果的通知[EB/OL].(2021-05-31) [2022-02-28]. https://cec.org.cn/detail/index.html?3-296876.
[33] 中国电力企业联合会. 中国电力工业统计资料汇编2019[M]. 北京:中国电力企业联合会,2020.
[34] 黄其励,岳光溪,倪维斗,等. 先进燃煤发电技术[M]. 北京:科学出版社,2014.
[35] 中国电力企业联合会. 中国电力统计年鉴2021[M]. 北京:中国统计出版社,2021.
[36] 国家统计局.中国统计年鉴2021[M].北京:中国统计出版社,2022.
[37] 陈鹏飞. 北纬18°以北中国陆地生态系统逐月净初级生产力1公里栅格数据集(1985—2015)[J]. 全球变化数据学报,2019,3(1):34-41.
CHEN Pengfei. Monthly NPP dataset covering China′s terrestri-al ecosystems at North of 18°N (1985—2015)[J]. Global Change Research Data Publishing & Repository,2019,3(1):34-41.
[38] 中国科学院资源环境科学与数据中心.2020年中国土地利用遥感监测数据[EB/OL].[2022-02-28]. https://www.resdc.cn/data.aspx?DATAID=335.
[39] 清华大学中国车用能源研究中心. 中国车用能源展望. 2012[M]. 北京:科学出版社,2012.
Potential analysis of coal-biomass co-firing power generation in China based on a spatial analysis method
移动阅读
ZHENG Dingqian,TIAN Shanjun,MA Sining,et al.Potential analysis of coal-biomass co-firing power generation in China based on a spatial analysis method[J].Clean Coal Technology,2022,28(6):35-43.