Проблема глобального изменения климата стала самым масштабным и далеко идущим вызовом, с которым когда-либо сталкивалось человечество. Сдержать глобальное потепление позволит низкоуглеродное развитие – новый тип подхода к развитию современного общества, позволяющий справиться с глобальным изменением климата и энергетическим кризисом. Рассмотрим проблему на примере г. Пекин (КНР). Национальный план развития четко выдвигает необходимость минимизации потребления энергии и, соответственно, выбросов предприятий-источников энергии (ПИЭ), в то же время для каждого промышленного предприятия (ПП) потребление энергии непосредственно влияет на выпуск продукции. Комплексы ПИЭ и ПП, на вход которых поступают природные ресурсы, а на выходе, помимо основной продукции (энергии, машин, цемента и т.д.), выбросы в атмосферу (CO2, SO2, …), могут оказаться экологически более вредными, чем каждое предприятие в отдельности. Возникает проблема минимизации выбросов совокупности ПИЭ и ПП при условии ограничений потребления энергии.

Интегрированная модель принятия решений по планированию атмосферной среды и энергетики в Пекине была предложена в 1991 г. и в основном используется для количественного описания зависимости между качеством атмосферной среды и планированием энергети-  ки [1]. Проведены исследования по целевым показателям выбросов углерода и сделан анализ будущих энергетических стратегий и политики Китая. Построена комплексная система оценочных рамок для региональной ресурсной и экологической несущей способности [2]. Модель оптимизации энергетической структуры объединена с моделью контроля загрязнения воздуха [3]. Исследовано влияние изменения энергопотребления на загрязнение воздуха на примере промышленной структуры г. Шанхая (КНР) [4]. Предложена технология углеродных ферм, основанная на уникальной эколого-географической среде России, с использованием лесных технологий для поглощения парниковых газов для достижения цели декарбонизации экономики [5].

Приведенные исследования являются ориентиром для авторов данной работы, но не могут быть полностью применимыми для решения конкретных задач из-за различных фоновых условий. На основе этих данных создается и развивается система управления циклом декарбонизации с двойными целями ПИЭ и ПП для конкретного региона.

Основное внимание уделяется минимизации выбросов CO2 на ПИЭ и ПП при ограничениях на энергопотребление ПП [6, 7]. Принципиальная схема системы взаимодействия ПИЭ и ПП с управлениями (U1(t) и U2(t)) потоками сырья, энергии, продукции, выбросов ПИЭ и ПП по критерию min(CO2) и заданных ограничений показана на рисунке 1.

Анализ выбросов CO2

Ископаемые источники энергии, такие как уголь и нефть, составляют подавляющее большинство источников топлива в Пекине, что отражается в измеренных и рассчитанных выбросах CO2 от ПИЭ и ПП. Данные о расходе топлива в Пекине с 2000 по 2019 гг. показали, что среднегодовой темп его роста составил 4,09 %. Статистика конкретных данных показана на рисунке 2 [8].

В настоящем исследовании рассматриваются природные источники топлива ПИЭ, которые вызывают наибольшие выбросы CO2 (уголь, природный газ и т.п.). Поскольку каждый источник топлива имеет различные единицы измерения и содержание углерода, в данной работе он приводится к стандартному углю с коэффициентами пересчета, приведенными в Руководстве МГЭИК для национальной инвентаризации парниковых газов. Коэффициенты пересчета расхода различных видов топлива следующие: уголь – 0.7143, мазут – 1.4286, природный газ – 1.33, сжиженный нефтяной газ – 1.7143, бензин/керосин – 1.4714, дизель – 1.4571.

Вначале определяется количество стандартного угля Q [9, 10]:

Q = CEi,                                                 (1)

где C – коэффициент пересчета; Ei – потребление i-го источника энергии.

Количество стандартного угля, рассчитанное по формуле (1), пересчитывается в количество выбросов CO2 на основе коэффициента перевода стандартного угля в CO2  по формуле

,                                             (2)

где K – коэффициент преобразования стандартного угля в CO2, который варьируется от региона к региону в силу особенностей и технических условий.

Общие выбросы CO2 рассчитываются путем умножения количества сжигаемых ископаемых энергоносителей на соответствующие ко-  эффициенты выбросов CO2.

Выбросы углерода от энергетического топлива i = потребление энергетического топлива i * коэффициент выброса CO2 для энергетического топлива i.

Коэффициент выброса CO2 = производство низкого тепла * коэффициент содержания   углерода * коэффициент окисления углеро-  да * 44/12.

В Китае уголь потребляется чаще, а энергоемкость его ниже, чем у других высокоугле-  родистых видов топлива, поэтому текущий   коэффициент преобразования (k) в основном находится в диапазоне 2,42–2,72. В данной работе используется коэффициент преобразова-  ния 2,6 [9].

В Пекине относительно мало отраслей промышленного производства, которые непосредственно производят углекислый газ, но связаны с ПИЭ и ПП, производящими материалы для ПП, которые выбрасывают углекислый газ. Основные выбросы приходятся на ТЭЦ, металлургические и цементные заводы.

Анализ выбросов CO2 совокупности ПИЭ и ПП с учетом приведенных коэффициентов показал их сокращение с 5886.868 в 2008 г. до 3700.476 в 2019 г. (рис. 3).

Для оценки дальнейших тенденций рассмотрим прогноз промышленных выбросов СО2 на ближайшие годы на основе метода регрессионного анализа [9].

Обработка исходных данных на стационарность в данной работе проводилась в системе MATLAB с тестированием ADF и KPSS [10, 11]. Результаты обработки показаны в таблице.

Результаты исходных данных обработки

The results of the raw processing data

Данные	Тест		Проходимость теста на стационарность
	ADF	KPSS
Необработанные	1	1	Нет
После обработки	1	0	Да

Объединением модели авторегрессии (AR) и модели скользящего среднего (MA) получена модель разностного авторегрессионного скользящего среднего ARIMA с параметрами p, d, q, где d – порядок разности, которую необходимо внести в данные [12]. Исходя из оценки d = 1, численные значения, выбранные для p и q в данной работе, составляют 4 и 3 соответственно. После расчетов по указанным моделям и алгоритмам оказалось, что полученные прогнозы соответствуют общим промышленным выбросам углерода. Полученные результаты анализа вводятся в базу знаний (БЗ) средствами системы управления БЗ (СУБЗ) аналогично [7]. В дальнейшем такая БЗ служит для проектирования АСУ ТП в составе системы управления ПИЭ и ПП (рис. 1).

Переходя к построению замкнутой системы управления «Природа–Техногеника» (ЗСУ ПТ) для ПИЭ и ПП, будем исходить из условия, что минимизация выбросов CO2 происходит после оценки спроса на энергию ПП. Этот спрос используется в качестве оценки верхнего предела потребления энергии ПП от ПИЭ в виде

                                   (3)

где E – общее количество энергии, доступное для использования в промышленной системе региона; Ei – количество энергии, поступающей от i-го ПИЭ;  – предельное значение   Ei [13].

Первое ограничение в (3) состоит в том, что для решения задачи энергосбережения общее количество выделенной энергии должно находиться в заданном диапазоне; второе – i-е ПП не должно потреблять больше энергии, чем определено стандартами [14], третье – распределение энергии между ПП-k и ПП-i должно быть связано с объемом их промышленного производства, предприятия с высоким объемом производства, как правило, имеют более высокие энергозатраты.

Минимизация выбросов CO2

На основе концепции ЗСУ ПТ рассмотрим структуру совместного управления ПИЭ и   ПП [14].

На рисунке 4 представлена обобщенная схема минимизации выбросов совокупности ПИЭ и ПП. На схеме изображены два контура управления с регуляторами – внутренний L1(p) и внешний L2(p). Операторы L1(p), L2(p) строятся по передаточным функциям «вход-выход» звеньев контуров управления, p @ d/dt.

Минимизация выбросов CO2 (Y1, Y2) дости-  гается путем разработки АСУ ТП на основе концепции ЗСУ ПТ для сочетания ПИЭ и ПП по критериям, принятым стандартами по промышленным выбросам.

Установление связей функционирования ПИЭ и ПП сводится к построению соответствующих математических моделей системной динамики рассматриваемых потоков.

Модели взаимодействия ПИЭ и ПП, а также выбросов этих предприятий и окружающей среды имеют вид

                  (4)

где  [МДж] – количество энергии от i-го ПИЭ; Xi [кг] – количество топлива (уголь) на входе ПИЭ; Yi [кг] – количество CO2, выбрасываемого в атмосферу ПИЭ; [кг] – количество продукции ПП (сталь, цемент); Xj [кг] – количество сырья (железная руда, известняк) на входе ПП; Yj [кг] – количество CO2, выбрасываемого в атмосферу ПП;  – коэффициент преобразования топлива в энергию;  – коэффициент преобразования сгорания угля в выбросы CO2; – коэффициент преобразования энергии в продукцию;  – коэффициент преобразования (потерь) продукции в выбросы CO2;  – коэффициент преобразования сырья в продукцию. Исходные данные для ПИЭ и ПП приведены после преобразования в стандартный уголь (энергосодержание одной тонны стандартного угля составляет 29 307 МДж):

                              (5)

где – соответствующие коэффициенты преобразования потоков энергии от ПИЭ, потоков продукции от ПП, компенсации потоков выбросов от ПИЭ и ПП природными и техногенными средствами [6].

Классификация источников энергии

Усредненные значения коэффициентов   и  получены из Китайского ежегодника статистики энергетики.

Начальные значения переменных ( =   = 1.64´1011 [МДж],  = 1.32´1010 [кг],   Yi(0) = 0 [кг], Yj(0) = 0 [кг], Xi(0) = 5.6´109 [кг], Xj(0) = 1.42´1010 [кг]) и коэффициентов ( =   = 29.31,  = 18.47,  = 0.02,  = 0.14,  = 0.70,  = 0.28,  = 31.07,  =   = 1.55,  = 1.68) приведены по официальным данным Китая.

После ввода управлений U1 и U2 получим:

                        (6)

где  – управления, которые синтезируются в общем случае по функционалу

.                                  (7)

Решение системы уравнений (4), (5) при заданных начальных условиях , , Yi(0), Yj(0), Xi(0), Xj(0) и средних значениях коэффициентов       позволяет произвести предварительный анализ функционирования системы ПИЭ–ПП. Включение управлений (7) добавляет к уравнениям (4) и (5) систему уравнений (6) с синтезированными параметрами регуляторов.

На рисунке 5 приведены результаты моделирования системы ПИЭ–ПП по уравнениям (4), (5).

Результаты моделирования системы управления ПИЭ–ПП после ввода управлений

               (8)

            (9)

с варьируемыми коэффициентами g1, z1, x1, g2, z2, x2 (см. http://www.swsys.ru/uploaded/image/2022-4/2022-4-dop/4.jpg) приведены на рисунке (см. http://www.swsys.ru/uploaded/image/2022-4/2022-4-dop/5–.jpg).

Путем параметрического синтеза ПИД-регулятора, как следует из результатов моделирования, можно значительно снизить выбросы CO2 в системе управления ПИЭ–ПП.

На следующем этапе разработки АСУ ТП, соответствующей рассмотренной концепции ЗСУ ПТ для объекта проектирования ПИЭ-i–ПП-j, проводятся анализ, синтез и расчет каждого кон-  тура САУ, представленного операторами L1(p), L2(p) на принципиальной схеме (рис. 4).

Заключение

Предложен подход к созданию декарбонизирующей системы управления, основанной на ЗСУ ПТ. Для анализа выбросов CO2 ПП в зависимости от ПИЭ (например, ТЭЦ) предложены   математические модели взаимодействия «промышленные предприятия–выбросы углерода–потребители продукции». Проведены анализ и параметрический синтез управлений по этим моделям на основе математического моделирования. Полученные результаты основаны на проведенном анализе по модели ARIMA для расчета данных и прогнозов временного ряда промышленных выбросов углерода в Пекине. Полученные данные прогноза на период 2020–2022 гг.   показали, что результаты соответствуют существующей тенденции энергетических и производственных выбросов углерода. Модели передачи энергии от ПИЭ к ПП с вводом управлений и взаимодействием ПИЭ с ПП с определенным контролем энергии приводят к решению задачи минимизации выбросов CO2.

Предложенный подход имеет практический выход по снижению выбросов CO2. Его реализация в виде соответствующей АСУ ТП позволит снизить выбросы CO2, что окажет положительное влияние на экологическую защиту города. В перспективе подход может найти широкое применение для построения декарбонизирующей системы управления.

Исследование проводится при поддержке Государственного комитета по стипендиям КНР (грант № 202109010139).

Литература

1.     Dong K. Transition path of China’s energy consumption structure and its optimization model in a low-carbon. Doctor of Management. Management Science and Engineering, 2019, pp. 1–21.

2.     Wang L., Liu H. Comprehensive evaluation of regional resources and environmental carrying capacity based on PS-DR-DP theoretical model. J. of Geographical Sciences, 2019, vol. 29, no. 3, pp. 363–376. DOI: 10.1007/s11442-019-1603-4.

3.     Zhou L. Air pollutant emission control based on energy structure adjustment. Proc. Int. Conf. on Science, Technology, Innovation and Education Development, 2019, pp. 272–273.

4.     Li S., Zhu P. The impact of industrial restructuring and energy consumption changes on air pollution – an empirical analysis based on Shanghai input-output tables. Shanghai Economic Research, 2017, no. 6,   pp. 82–89.

5.     Митрофанова И.В. Декарбонизация экономики – генеральный тренд развития России и ее регионов в XXI веке // Региональная экономика. Юг России. 2021. № 4. С. 4–13. DOI: 10.15688/re.volsu.  2021.4.1.

6.     Сольницев Р.И., Коршунов Г.И. Системы управления «Природа–Техногеника». СПб: Политехника, 2013. 205 с.

7.     Сольницев Р.И., Лэй В., Кузьмин С.А., Куприянов Г.А. Анализ состояния окружающей среды и вопросы нейтрализации выбросов в Китае на примере Пекина // Программные продукты и системы. 2021. Т. 34. № 4. C. 649–659. DOI: 10.15827/0236-235X.136.649-659.

8.     Zhu S., Cai B. et al. The main content and insights of 2019 refinements to IPCC 2006 Guidelines. Climate Change Research, 2018, vol. 14, no. 1, pp. 86–94.

9.     Liu Yusheng. The research on the relationship for carbon emissions, energy consumption and economic growth of Beijing. Master of Economics. National Economics, 2013, pp. 16–25.

10. Aylar E., Smeekes S., Westerlund J. Lag truncation and the local asymptotic distribution of the ADF test for a unit root. Statistical Papers, 2019, vol. 60, no. 6, pp. 2109–2118. DOI: 10.1007/s00362-017-0911-y.

11. Kokoszka P., Young G. KPSS test for functional time series. Statistics, 2016, vol. 50, no. 5,   pp. 957–973. DOI: 10.1080/02331888.2015.1128937.

12. Zhou K., Wang W.Y., Hu T., Wu C.H. Comparison of time series forecasting based on statistical ARIMA model and LSTM with attention mechanism. J. of Physics: Conf. Ser., 2020, vol. 1631, no. 1,   art. 012141. DOI: 10.1088/1742-6596/1631/1/012141.

13. Qiang H., Zhenglin L. A two-tier planning model for energy allocation in industrial sector based on total control. Chinese J. of Management Science, 2013, vol. 21, no. 2, pp. 168–174.

14. Korshunov G.I., Solnitsev R.I., Zhilnikova N.A., Polyakov S.L. Models of cyber-physical control systems for pollution minimization technologies. Proc. SAEC, 2022, pp. 442–450.

References

1. Dong K. Transition path of China’s energy consumption structure and its optimization model in a low-carbon. Doctor of Management. Management Science and Engineering, 2019, pp. 1–21.
2. Wang L., Liu H. Comprehensive evaluation of regional resources and environmental carrying capacity based on PS-DR-DP theoretical model. J. of Geographical Sciences, 2019, vol. 29, no. 3, pp. 363–376. DOI: 10.1007/s11442-019-1603-4.
3. Zhou L. Air pollutant emission control based on energy structure adjustment. Proc. Int. Conf. on Science, Technology, Innovation and Education Development, 2019, pp. 272–273.
4. Li S., Zhu P. The impact of industrial restructuring and energy consumption changes on air pollution – an empirical analysis based on Shanghai input-output tables. Shanghai Economic Research, 2017, no. 6,
   pp. 82–89.
5. Mitrofanova I.V. Decarbonization of the economy – the general trend of development of Russia and its regions in the 21st century. Regional Economy. South of Russia, 2021, no. 4, pp. 4–13. DOI: 10.15688/re.
   volsu.2021.4.1 (in Russ.).
6. Solnitsev R.I., Korshunov G.I. "Nature–Technology" Control Systems. St. Petersburg, 2013, 205 p.
   (in Russ.).
7. Solnitsev R.I., Lei W., Kuzmin S.A., Kupriyanov G.A. The environment status analysis and the issues of emission neutralization in China on the example of the Beijing area. Software & Systems, 2021, vol. 34,
   no. 4, pp. 649–659. DOI: 10.15827/0236-235X.136.649-659 (in Russ.).
8. Zhu S., Cai B. et al. The main content and insights of 2019 refinements to IPCC 2006 Guidelines. Climate Change Research, 2018, vol. 14, no. 1, pp. 86–94.
9. Liu Yusheng. The research on the relationship for carbon emissions, energy consumption and economic growth of Beijing. Master of Economics. National Economics, 2013, pp. 16–25.
10. Aylar E., Smeekes S., Westerlund J. Lag truncation and the local asymptotic distribution of the ADF test for a unit root. Statistical Papers, 2019, vol. 60, no. 6, pp. 2109–2118. DOI: 10.1007/s00362-017-0911-y.
11. Kokoszka P., Young G. KPSS test for functional time series. Statistics, 2016, vol. 50, no. 5,
    pp. 957–973. DOI: 10.1080/02331888.2015.1128937.
12. Zhou K., Wang W.Y., Hu T., Wu C.H. Comparison of time series forecasting based on statistical ARIMA model and LSTM with attention mechanism. J. of Physics: Conf. Ser., 2020, vol. 1631, no. 1,
    art. 012141. DOI: 10.1088/1742-6596/1631/1/012141.
13. Qiang H., Zhenglin L. A two-tier planning model for energy allocation in industrial sector based on total control. Chinese J. of Management Science, 2013, vol. 21, no. 2, pp. 168–174.
14. Korshunov G.I., Solnitsev R.I., Zhilnikova N.A., Polyakov S.L. Models of cyber-physical control systems for pollution minimization technologies. Proc. SAEC, 2022, pp. 442–450.