-
21世纪以来，碳排放量的持续增长直接破坏了碳循环的全球平衡，导致气候发生不可逆的恶化[1-2]。因此，需要通过社会经济和技术干预以减少碳排放并增加碳封存[3]。欧盟委员会于2020年3月发布的《循环经济行动计划》将为2050年实现碳中和做出关键贡献[4]。2020年10月，日本提出到2050年实现“碳中和”，以最大限度地发展绿色社会[5]。中国于2020年9月在联合国大会上提出“2030年力争CO2排放峰值，2060年实现碳中和”的气候行动目标 (简称“双碳”目标) [6]。实现“双碳”目标刻不容缓，需要全人类共同的努力。
土壤碳库占陆地生态系统碳库的90%以上，大气碳库仅为土壤碳库的1/3~1/2[7]。因此，要加强土壤保护力度，具体到土壤修复产业中，体现为恢复土壤碳库容量，减少土壤修复过程中的能源消耗、碳排放等[8]。污染场地修复过程产生的碳排放已成为我国工业活动碳排放中不可忽视的一部分[9]，“绿色、低碳、可持续”将成为土壤修复工程技术发展的主要方向。据不完全统计，清除土壤中1 kg污染物最高可产生5 t CO2排放[10]。现有的修复技术研究主要集中于应用过程的改进与优化，如优化设备参数[11]、尾气处理优化[12]、污染物去除方式[13]、联合技术修复[14]等，而针对修复过程的碳足迹与产生的碳排放分析核算的研究还不足，形成一套完整的土壤修复碳足迹评价体系仍需要进一步深入研究和发展。周实际等[15]采用基于全生命周期过程分析的排放因子法，核算重金属污染土壤的稳定化技术工程的碳排放量，提出减排路径，但仍缺少足够的碳排放核算数据。吴翠华等[16]使用排放因子法计算水泥窑协同处置废弃物的碳排放，多角度分析了处置过程减排路径，但没有从时间角度预测未来的碳排放强度。
杨洁等[17]罗列了多种采用不同方式加热的热脱附技术修复污染土壤典型案例，单位碳排放量最低为 0.5 kgCO2eq·m−3，最高达330.0 kgCO2eq·m−3，但未给出具体的核算过程与核算方法。刘文晓等[18]运用Site Wise工具计算某焦化厂有机污染土壤原位热脱附和阻隔通风修复过程的碳足迹，二者相差约6.48倍；刘爽等[19]采用生命周期评价理论核算异位热脱附技术在污染土壤修复过程产生的碳排放量，得到修复1 m3污染土壤的总碳排放量为212.22 kgCO2，但上述碳排放核算并没有针对技术优化和能源结构优化策略下的碳排放潜力进行研究。此外，基于中国碳中和碳达峰策略，热脱附技术需进一步采用优化策略进行碳减排，但针对热脱附技术修复过程碳减排策略和减排潜力尚不明确，缺乏定量标准指标。
本研究以异位热脱附修复过程造成的碳排放为角度，采用排放因子法，构建技术优化、能源类型优化和能源结构优化3种优化策略，通过核算场地修复过程造成的碳排放量来揭示异位热脱附技术的碳减排潜力和年际碳排放差异，并从技术与能源结构2个方面优化热脱附过程，依靠优化后的核算结果提出降碳减排策略。此外，本研究还利用我国2000—2022年电网能源结构组成数据，构建神经网络时间序列预测模型，对我国未来5年 (2023—2028) 有机污染场地异位热脱附技术碳排放量进行预测分析。
-
1) 碳排放因子来源。本研究涉及的数据包括煤炭、柴油、汽油、天然气等化石能源的碳排放因子；火电、水电、风电、太阳能、核电等不同电力类型的碳排放因子。以上国内外各类型碳排放因子的获取，国际层面参考联合国政府间气候变化专门委员会 (IPCC，2006) (https://www.ipcc-nggip.iges.or.jp/) [20]、英国参考英国环境部 (UK，2023) (https://www.gov.uk/) [21]、美国参考美国环境保护署 (EPA) (https://www.epa.gov/) [22]、欧盟参考欧洲环境署 (EEA) (https://www.eea.europa.eu/) [23]、中国参考《中国产品全生命周期温室气体排放因子集2022》 (CPC，2022) (http://www.caep.org.cn/) [24]。
2) 活动水平数据来源。污染场地异位热脱附所需的能源和材料数据来源于华东地区涉及农药、电镀、焦化、化工、金属冶炼五大污染行业所造成的五处有机物污染场地，取均值数据[19]，以1 m3 实方污染土壤为基本单位。
3) 电力能源结构数据来源。实际电网电力来源包括火电、水电、风电、太阳能、核电和生物电能等，文中2000—2022年我国电网电力能源结构占比数据来源于气候和能源智库EMBER网站 (https://ember-climate.org/) 。
-
1) 核算边界。土壤热脱附修复主要包括6个过程：①土壤开挖：使用挖机将污染区的土壤挖出；②运输：用车辆将开挖土壤从污染场地运输到预处理场地的过程，预处理场地通常在污染场地内或附近布设，以节约运输成本；③预处理：为避免二次污染和气味逸散，污染土壤需要进行破碎、筛分、调节含水率等预处理；④主处理：通过给料机和传送装置，将土壤输送到回转窑，通入天然气，将土壤均匀加热到特定温度，并按照设定速率向窑尾输送至出料仓，在回转窑中使土壤中的污染物充分气化挥发；⑤尾气处理：热脱附后的废气经过旋风除尘器、二次燃烧室、热交换器、急冷塔、布袋除尘器和喷淋吸收洗涤塔后达标排放；尾气处理需投入电力和水，并用活性炭和氢氧化钠 (NaOH) 溶液吸收尾气；⑥最终处置：热脱附后的土壤，会暂存在修复场地内等待效果评估单位的验收，验收合格后回填到场地内或运输到场地外处置。
2) 核算方法-排放因子法。碳排放核算基础公式 为：碳排放量 = 活动水平数据 (AD)×碳排放因子 (EF) 。目前，排放因子法是应用最普遍，适用范围最广的碳排放核算方法[25]。核算过程简洁，数据的获取方式也相对容易。具体核算式如式(1)[26]。
式中：Eco2为污染土壤热脱附修复总CO2排放量；i为材料类别，qi为材料i的消耗量；efi为材料i的排放因子；r为燃料类别，efd为燃料r的直接碳排放因子；vd为燃料r的消耗量；efin为燃料r的间接碳排放因子；t为耗电设备类别，efp为不同类型电力碳排放因子；ut为设备t的耗电量。
3) 预测方法-神经网络预测法。人工神经网络 (artificial neural network，ANN) 是一种模仿生物神经网络 (动物的中枢神经系统，特别是大脑) 的结构和功能的数学模型或计算模型， 用于对函数进行估计和预测[27, 28]。而极强的可靠性和容错性是人脑的神经网络系统最与众不同的特点之一，因而可靠性是构造的神经网络系统的重要因素[29]。此外，基于人工神经网络技术结构上的优势和对信息处理的高效性，其适用性较广。例如，运用人工神经网络技术进行图像处理、智能识别、自动监控和信号处理等[30]。本研究基于ANN构建异位热脱附技术电力能源的时间序列预测模型Prophet Model，以2000—2022年的5大类型电力能源结构 (发电量与占比) 作为初始训练集进行碳排放量可视化数据分析，得出模型线性变化趋势，并以此预测未来5年 (2023—2028年) 不同类型发电量占比与其对应的碳排放量。
-
1) 不同数据库碳排放因子差异对核算结果的影响。国际上各大碳排放数据库的温室气体清单，是根据自身的方法学，部门与核算边界来核算得到碳排放量。含碳量 (以热值计) 和碳氧化率是碳排放因子的主要参数。各个机构的核算边界与方法学不统一，机构清单列出的排放因子值略有差距，具有参考意义。本研究基于不同国内外机构 (IPCC、EPA、EEA、UK、CPC等) 的碳排放因子，对热脱附技术在各个国家或地区具体碳排放强度进行核算，以揭示不同国家或地区采用不同方法学下的碳排放差异。
2) 基于技术优化策略热脱附技术碳减排潜力估算。有机物污染土壤修复产生的尾气主要含有颗粒物、SO2、NOx、CO及苯系物等，通过对热脱附技术进行优化调整可以在一定程度上减少碳排放，如脱附剂的选择，废气处理与碳捕集技术，过程的优化与控制和多修复技术耦合。不同技术的耦合使用可以发挥各个技术的优势，产生协同效应，可以实现单一技术无法达到的修复效果，以此降低修复过程碳排放。而微生物技术作为一种绿色低碳、具有较大碳减排潜力的修复技术。本研究拟构建微生物修复+热脱附耦合修复场景，核算3种工况下的碳排放。工况1：微生物修复技术消减10%原土中污染物量。工况2：微生物修复技术消减20%原土中污染物量。工况3：微生物修复技术消减40%原土中污染物量。
3) 基于能源类型调整和结构优化热脱附技术碳减排潜力估算。一般而言，提供同等热量下，柴油和汽油等传统化石能源产生的碳排放高于清洁电力能源产生的碳排放。基于此，本研究对热脱附技术涉及的能源活动水平进行如下2方面优化。①能源结构优化：电力能源主要分为传统火力发电与清洁电力能源 (绿电) 两大类，风电、太阳能等绿电的排放因子仅为火电的十分之一左右，将热脱附过程中的火电能源优化为水电、风电、核电、太阳能等绿电或将成为较为理想的碳减排策略。本研究分别核算火电调整为绿电后的碳排放量，评估碳减排潜力。②能源类型调整：从能源量化的角度看，核算过程中传统化石能源与电力能源之间可以通过热值，即释放的热能进行等量换算。如：1 L柴油将能量完全释放可产生约8 330 kcal的热能，1度电将能量完全释放可产生约860 kcal的热能。同时，柴油机的效率约为35%~45%，本研究取40%；我国一般小发电机效率约为80%~90%，本研究取85%；故1 L柴油的热能约等于4.56度电的能量。本研究以热值衡算的方式，将柴油，天然气等能源替换为电力能源，使整个技术过程转为以电力消耗为主，核算能源类型调整后碳排放量，评估碳减排潜力
4) 基于实际电网能源组成变化下热脱附技术排放量核算和预测。一般核算主要聚焦异位热脱附修复过程的静态数据，而实际电网能源结构动态变化下获取的碳排放量则更准确，更能满足实时场景的需求和预测。为实现未来2023—2028年基于时间动态变化下的碳排放核算预测需求，本研究采用深度学习算法Prophet模型，基于2000—2020年我国国家层面实际电网不同类型电力能源结构数据，对我国未来5年实际电网能源结构数据进行预测。Prophet模型是一种加法回归模型，它由趋势项 (trend) 、季节项 (seasonality) 及假期项 (holidays) 构成，可用作预测时间序列。
本研究中，Prophet模型以Spyder作为软件开发工具，使用Python作为编程语言，采用TensorFlow作为RNN搭建的工具。将2000—2022年的我国不同类型电力能源发电数据进行汇总处理，通过模型预测能源变化趋势结果，以此得到未来2023—2028年我国热脱附技术的碳排放变化情况。核算边界是我国地理边界内有机物污染场地异位热脱附技术直接或间接产生的碳排放。具体步骤如下：①将2000—2020年我国国家层面实际电网不同类型电力能源作为初始集进行训练，输入已知的时间序列的时间戳和相应的值；②将2021与2022年的数据作为测试集，提取数据特征，构建模型，按照时间顺序输入模型中，输入需要预测的时间序列的长度 (2023—2028年) ；③训练模型并进行预测，输出未来的时间序列走势。以期通过Prophet计算，得出时间序列的预测值 (yhat) 、预测值的下界 (yhat_lower) 和预测值的上界 (yhat_upper) ，并根据结果计算各类型电力能源占比。
-
图1(a)表明，煤炭的碳排放因子范围为2.01~2.69 kgCO2eq·kg−1，其中IPCC发布的因子值最高 (2.69 kgCO2eq·kg−1) ，EEA发布的因子值最低 (2.01 kgCO2eq·kg−1) 。其中，2022 CPC的煤炭碳排放因子相对较小 (2.03 kgCO2eq·kg−1) ，这主要因为我国本土煤的灰分较高，含碳量整体低于世界平均水平[31-32]。此外，柴油的碳排放因子范围为2.70~3.15 kgCO2eq·L−1 (图1(b)) ，车用汽油的碳排放因子范围为2.20~3.23 kgCO2eq·L−1 (图1(c)) ，天然气的排放因子范围为1.94~2.56 kgCO2eq·m−3 (图1(d)) 。
由于2022 CPC基于全生命周期理论，采用我国自身的排放因子，将排放过程分为生产过程产生的上游排放，使用过程产生的下游排放和废弃物处理排放三部分，选取方法更加契合我国碳排放实际状况与能源架构。2022 CPC的柴油和车用汽油的碳排放因子分别达到3.15和3.04，相对较高[33]。美国和英国的排放因子覆盖区域与行政区域不完全对应，排放因子由EPA和UK Gov通过能源公司的经营范围每年定期更新，具备足够的可靠性[34]。EEA则通过欧洲38个国家的其他机构合作，收集与环境、气候和可持续发展相关的数据发布排放因子[23]。
-
图2显示了采用国内外不同机构排放因子，通过排放因子法核算得到热脱附修复1 m3有机污染土壤产生的碳排放量 (表1) 。可以看出，采用不同碳排放因子获得的单位有机污染土壤碳排放量具有36.09 kgCO2eq·m−3的差异，排放量范围在173.87~209.96 kgCO2eq·m−3之间 (图2) 。其中，欧洲的碳排放量最低，与中国相差约17.19%。因为欧洲污水处理厂吸收尾气采用的NaOH溶液浓度较低，导致碳排放因子与排放量较低。各个国家或地区通常基于当地实际情况选用恰当的核算公式和对应因子获取碳排放量，由于排放因子相关参数会随着产业调整与技术更迭发生变化[31]，因此明确碳排放活动所在国家或地区的产业特征，是准确核算碳排放的重要前提条件。
-
热脱附技术可从技术角度进行优化，在一定程度上能够降低修复能耗与碳排放量，可采用不同修复技术的耦合、能源效率的改进、脱附剂的创新等手段。徐停[14]的研究表明，通过添加高效氧化剂对污染土壤进行一定时间的预处理，可达到快速削减原土中污染物量的目的，尤其是非饱和水中污染物可快速被降解和矿化。这一耦合技术可以显著降低主处理加热过程的能耗 (缩短加热时间) 和后续尾气处理过程物料 (活性炭和NaOH) 的消耗量。而微生物修复技术具有成本低、环境友好、操作方便、能就地恢复等优点[45]，具有更大的碳减排潜力。因此，本研究基于3种不同工况核算联合修复技术的碳减排潜力。工况1：微生物修复技术消减10%原土中污染物量。工况2：微生物修复技术消减20%原土中污染物量。工况3：微生物修复技术消减40%原土中污染物量。图3为基于以上联合技术不同工况获取的热脱附碳排放量；工况1为173.67 kgCO2eq·m−3；工况2为169.3 kgCO2eq·m−3；工况3为158.83 kgCO2eq·m−3。相较于单一热脱附技术 (209.96 kgCO2eq·m−3) ，联合技术的碳减排潜力达到了15%~22%。
-
图4为2022年中国全生命周期产品因子集颁布的不同电力类型 (火电、水电、太阳能、风电、核电、生物质电) 碳排放因子，因子范围在0.012~0.930之间。其中，火电因子 (0.930) 远远高于其它类型因子 (0.012、0.014、0.028、0.090、0.126) 。根据国家发布的2021年国内各类型发电装机占比显示[46]，火电装机容量占比54.6%。火电主要以燃煤 (含煤矸石) 发电为主，另有石油、天然气等，碳排放因子较高。截止目前，通过燃烧化石能源获得电力的火电仍然在我国乃至世界范围的发电方式和电力来源中占据市场主导地位。虽然煤炭等化石能源发电效能不断地经过技术改进而提高，但火电仍会对环境造成大量污染和不可逆的资源消耗。其余清洁能源 (核电、风电、太阳能电、水电、生物质电) 由于可再生性和环境友好的特性，产生的碳排放量远低于火电。
图5为采用清洁电力能源替换火电策略后热脱附技术总碳排放量。采用火电能源，热脱附技术核算后的碳排放量为209.96 kgCO2eq·m−3。采用核能、水力、风力、太阳能作为能源，该技术碳排放量范围约为203.94~204.68 kgCO2eq·m−3，总减排量在5.28~6.02 kgCO2eq·m−3，碳排放降低了2.51%~2.87%。这说明当前热脱附技术采用电力供应占比较小，仅通过优化调整电力类型的策略对该技术的整体碳减排潜力不大。因此，可采用优化能源结构的手段 (调整其他处理过程化石能源消耗变为电力能源) 提升热脱附技术的碳减排潜力。
由于当前热脱附技术大部分采用化石燃料如柴油，天然气作为能源，电力能源占比较小，通过对该技术碳排放各过程占比整体分析，发现主处理过程碳排放较大。因此，本研究采用优化能源结构手段 (化石能源转化为清洁电力能源) 尝试提升该技术碳减排潜力 (物料变化见表2) 。
-
图6为提供同等能量下，能源结构调整后 (化石能源优化为电力) 热脱附技术碳排放量。结果表明调整为使用火电后，热脱附技术碳排放量为281.62 kgCO2eq·m−3，相比未优化前 (209.96 kgCO2eq·m−3)，采用火电后，碳排放量不减反增，这说明采用火电替换热脱附技术中的化石能源并不能达到预期减排效果。而全部采用核电、水电、风电、生物质电或太阳能等绿电替换化石能源，核算后的单位碳排放量在125.83~145.17 kgCO2eq·m−3之间，碳减排达到了64.79~84.13 kgCO2eq·m−3，碳排放降低了约31%~40%。
以上结果表明，能源结构的调整和优化对热脱附技术的整体碳减排潜力提升显著。相对化石能源来说，清洁绿色电力能源具有更低的碳排放因子；同时，能源结构优化后热脱附电力能源消耗占比大幅提升，采用绿电后，这使得主要的耗电过程 (土壤开挖、运输和预处理部分) 的碳排放显著降低。因此，能源结构优化策略中，化石能源转化为绿电可显著提升热脱附技术的碳减排潜力。
-
由于实际热脱附技术消耗电力来源于国家电网，故应结合具体能源结构占比获取该技术修复过程排放量更为精确。国家电网的电力能源不仅有火电，还包含清洁能源如风电、水电、核电、生物质电和太阳能电。图7为基于中国国家层面的过去20年 (2000—2022年) 实际电网电力能源结构占比及未来预测占比 (2023—2028)。从图7可得，2000—2022年国家电网的电力能源结构不断趋向于清洁能源占比的提高 (从17.87%升至35.4%) 和火电占比的降低 (从82.13%降至64.6%)，热脱附技术的碳排放也会随着能源结构的改变而降低。表3为深度学习Prophet模型预测的我国2023—2028年火电、水电、太阳能、风电、核电的生物能电占比数据，可以看出，未来五年火电能源结构的占比会继续降低 (60.22%)，以进一步减少异位热脱附技术过程的化石能源消耗与碳排放。
根据预测得到的电力能源结构数据 (图7) ，结合CPC因子数据库，得到基于2023—2028年中国电力能源结构变化下的能源类型未替换前的热脱附技术碳排放水平 (图8) 。基于国家电力能源结构变化下的污染场地热脱附修复技术，会随着我国清洁能源发电在电力能源结构中的占比不断提升，逐年小幅降低碳排放量，从2023年的207.84 kgCO2eq·m−3减少至2030年的207.62 kgCO2eq·m−3。结果表明，虽然清洁能源占比显著提升，但其碳排放降低幅度仅有0.1%，这源于活动过程中大量使用化石能源，而电力能源占比较低。基于2.4，2.5和2.6结果，热脱附技术仅依靠国家电网能源结构调整，其减排潜力并不显著，还应采用化石能源大量调整为绿色电力能源策略，方可显著降低碳排放。
-
1) 采用国内外不同机构碳排放因子获得的单位污染土壤碳排放量具有36.09 kgCO2eq·m−3的差异，排放量在173.87~209.96 kgCO2eq·m−3，欧盟的最低，低于中国17.19%。碳排放核算应基于实际情况选用合适的方法学公式与对应因子得出准确的碳排放量，因此明确碳排放活动所在地区的产业特征，是核算碳排放的重要前提条件。
2) 采用国内外不同机构碳排放因子获得的单位污染土壤碳排放量具有36.09 kgCO2eq·m−3的差异，排放量在173.87~209.96 kgCO2eq·m−3 ，欧盟的最低，低于中国17.19%。碳排放核算应基于实际情况选用合适的方法学公式与对应因子得出准确的碳排放量，因此明确碳排放活动所在地区的产业特征，是核算碳排放的重要前提条件。
3) 能源类型变化 (太阳能、风电等替换火电) 策略下，热脱附技术的碳排放量由209.96 kgCO2eq降低到203.94~204.68 kgCO2eq·m−3，碳减排潜力为2.51%~2.87%。能源类型变化 (油改电) 策略下，当化石能源全部转化成太阳能、风电等清洁能源时，碳排放量为125.83~145.17 kgCO2eq·m−3，碳减排潜力显著，达到31%~40%；太阳能、风电、水电、核电、生物质电等清洁能源丰富的地区 (如西北、西南、湖北) 可进行能源结构调整以获取更低碳排放。
4) 通过Prophet模型预测的碳排放量从2023年的207.84 kgCO2eq·m−3降低至2028年的207.62 kgCO2eq·m−3。这表明，虽然清洁能源占比显著提升，但该技术碳排放降低幅度仅有0.1%，这源于活动过程中大量使用化石能源，而电力能源占比较低。因此，仅依靠国家电网能源结构调整，其减排潜力并不显著，还应采用化石能源大量调整为绿色电力能源策略，方可显著降低碳排放。
场地修复异位热脱附碳排放核算、优化与预测
Accounting, optimization and prediction of carbon emission in ex-situ thermal desorption for site remediation
-
摘要: 场地修复碳排放随市场发展逐年增加，迫切需要采取碳减排措施，降低我国实现“双碳”目标的压力。本研究聚焦污染场地异位热脱附修复技术进行碳排放核算、减碳协同增效优化和潜力预测；以场地有机污染土壤修复活动为对象，对异位热脱附修复过程进行碳排放量化分析。本研究还基于生命周期评价理论探究国内外机构 (IPCC、EPA、EEA、UK、CPC等) 不同碳排放因子下的碳排放核算差异，探索技术优化、清洁电力能源优化 (火电改风电、太阳能等) 、能源类型调整 (化石能源改为电力) 策略下碳排放量核算差异及碳减排潜力，获取基于实际电网能源结构动态变化下碳排放量。此外，本研究利用我国2000—2022年电网能源结构数据，构建Prophet时间序列预测模型，对我国未来5年 (2023—2028) 有机污染场地异位热脱附技术碳排放量进行预测分析。因此，本研究有望提升场地修复热脱附碳排放核算精度，拓展和丰富减碳协同增效路径，获取动态变化下的碳排放预测和碳减排潜力预测方法提供理论基础。Abstract: Carbon emissions from site remediation have been steadily increasing in tandem with market development, necessitating urgent implementation of carbon reduction measures to alleviate the pressure on China's pursuit of its “double carbon” goal. This study focused on the ex-situ thermal desorption remediation technology for carbon emission accounting, carbon reduction synergistic optimization and potential prediction. The carbon emission in the process of ex-situ thermal desorption was quantitatively analyzed in the field of organic contaminated soil remediation. Based on the life cycle assessment theory, this study also explored variations in carbon emission accounting using different factors from domestic and foreign institutions (IPCC, EPA, EEA, UK, CPC, etc.). It investigated differences in carbon emission accounting and the potential for carbon emission reduction under strategies such as technology optimization, clean power energy optimization (from thermal power to wind power, solar energy), and energy type adjustment (from fossil energy to electricity). Additionally, this study used China's 2000-2022 power grid energy structure data to construct a Prophet time series prediction model to predict and analyze carbon emissions from ex-situ thermal desorption technology for organic contaminated sites in China in the next five years (2023-2028). Therefore, this study is expected to improve the accuracy of carbon emission accounting for thermal desorption in site remediation, expand and enrich the path of carbon reduction synergies, and provide theoretical basis for carbon emission prediction and carbon emission reduction potential prediction methods under dynamic changes.
-
随着我国成品油消费数量急剧上升，加油站数量也不断增加。据统计，中国加油站数量已经超过了1.2×105座[1]。加油站经营的汽油在运输、储存和销售过程中产生的油气[2]，主要以沸点120 ℃以下的烷烃、烯烃、苯系物等碳氢类有机化合物为主，其中包含很多致癌物质，对人体及周边环境危害较大[3]。作为PM2.5与O3的重要前体物，烃类VOCs具有较强的挥发性[4-7]。VOCs的强活性特征决定了在条件合适的情况下会有光化学反应发生，氮氧化物在反应中可与VOCs结合产生臭氧[4,8-10]。因此，VOCs的检测是加油站空气污染防控的重要内容之一。
在20世纪70年代，美国相关企业就开展了对油气回收技术的研究[3]。1990年，美国联邦政府出台了相关法令，要求空气质量不达标区域的加油站须加装油气回收系统[11]。目前，全球环保领域公司研发的油气回收系统对加油站油气排放抑制的作用显著，为减少油罐及其附属设施的无组织排放发挥了重要作用[12]。为减少油气排放产生的VOCs对周边环境造成影响，我国自2016年前后开始要求加油站进行油气回收改造，并要求加油站定期对油气回收系统进行密闭性、液阻和气液比进行检测。为进一步减少加油站经营过程中的油气排放，我国新版《加油站大气污染物排放标准》(GB 20952-2020)中增加了油气回收系统密闭点位油气泄漏质量分数的检测项目，并要求在营加油站从2022年1月1日开始执行。
加油站挥发性有机物排放超标的主要原因是油气回收系统密闭点位存在损坏、泄漏等问题[13]。因此，如何及时、准确地发现超标排放的密闭点位置就显得尤为重要。中华人民共和国生态环境部组织编制的《工业企业挥发性有机物泄漏检测与修复技术指南》对加油站油气回收系统定期检测与修复提供了指导 [14] 。目前，加油站VOCs泄漏质量分数检测通常采用聚乙烯氟化物(PVF)气袋或苏玛罐对加油站油气回收系统密闭点进行取样并送入实验室，在实验室中采用气相色谱仪检测加油站油气回收系统密闭点油气泄漏质量分数，进而对加油站油气泄漏情况做出分析判断[15-16]。这种方法虽然可以对加油站VOCs的泄漏质量分数进行精准检测，但由于此方法操作步骤较为繁琐，并且要求取样48 h内完成检测，取样人员需要频繁地送样品到实验室，综合成本较高；同时气袋采样无法保证样品的代表性，无法及时有效地找出加油站油气回收系统超标排放的密闭点。
2021年，生态环境部和国家市场监督管理总局联合发布了《加油站大气污染物排放标准》(GB 20952-2020)并以此标准替代GB 20952-2007。在该标准中，对油气回收系统密闭点位油气泄漏质量分数值做出了明确要求。该标准要求任何时间段检测值均应≤500 μmol·mol−1，一旦在政府环保部门的检查中发现加油站密闭点油气泄漏质量分数值超标，加油站会遭受经济或行政处罚[17-18]。如何有效提高对油气回收系统油气泄漏质量分数检测数据的时效性、代表性与准确性成为亟待研究解决的课题。采用便携式氢火焰离子化检测仪(FID)检测油气泄漏质量分数，可以实现现场实时检测，具有检测效率高、数据代表性强、成本低等优势，成为加油站油气回收系统密闭点位油气泄漏质量分数检测的首选方法。
为提高检测效率并保证检测数据具有代表性，本研究在分析油气回收系统结构与已有检测仪器原理的基础上，提出一种既能保证检测数据准确性及代表性，又能有效提高检测效率并能准确找出超标排放密闭点位置的现场检测方法；探讨现场检测方法与实验室气相色谱法的区别；梳理现场检测的准备工作流程并对检测的对比结果进行讨论；分析现场检测的时效性和代表性、数据的准确性及质量保证和控制效果。本研究结果可为加油站采用FID现场检测油气回收系统VOCs泄漏气体提供参考。
1. 检测仪器与方法
1.1 检测仪器原理
本研究采用便携式氢火焰离子化检测仪(FID)检测油气泄漏质量分数。FID是以氢气与空气燃烧生成的火焰为能源，使有机物发生化学电离，并在电场作用下产生电信号来进行检测[19-20]。当载气携带被测组分从色谱柱流出后，与氢气按照一定的比例混合，一起从喷嘴喷出，并在喷嘴周围空气中燃烧；以燃烧所产生的高温(约2 100 ℃)火焰为能源，被测组分在火焰中被电离成正离子和负离子，在极化电压形成的电场作用下，正负离子分别向负极和正极移动，形成离子流。离子流强度很小，一般为10−8 A，这些微电流经过微电流放大器放大后被记录下来，信号的大小在一定范围内与单位时间内进入检测器的被测组分的质量成正比，从而测定出被测物的质量分数。
1.2 检测步骤及要求
检测人员到达加油站现场接受加油站入场安全培训后，开始勘察加油站油气回收系统工艺线路，确定需要检测的密闭点，并将密闭点的名称和照片录入到防爆手持终端，对各个点位进行唯一性编号；建档完成后，就可以开展现场检测。具体操作要求：检测前做好风向风速判定、设备状态判定、设备校准；检测时及时将检测数据上传；检测后应检查设备漂移；当发现泄漏点超标时，及时通知加油站维修；修复后进行复测，复测合格后出具检测结果报告。此外，加油站油气回收系统密闭点泄漏质量分数检测还需要遵循以下几个方面的要求。
1)检测仪器的性能要求。现场使用的便携式氢火焰离子化检测仪必须满足以下几项要求：FID经过有校准资质的检定机构校准合格后方可使用；FID的量程应能满足加油站油气排放质量分数限值的测定要求，分辨率应保证质量分数限值的±2.5％范围内可读；FID校准时示值相对误差必须在±10％范围内，响应时间不应超过30 s；FID必须通过防爆安全检验认证。
2)检测人员的要求。现场检测人员一般由2名取得油气回收项目资格证书的检验员组成，1人检测，1人复核。检测人员穿戴防静电工作服，严格执行加油站各项安全规定。
3)检测点的选取要求。通过对加油站油气回收系统结构的分析，可以得到容易产生泄漏的部位，主要包括人工量油口端盖、卸油口、油气回收口盖帽、集液罐管口、加油机油气回收管和阀门处、真空泵、排放管压力/真空阀(关闭状态时)、与油气处理装置连接的管道连接法兰、阀门等部位，同时还要检测在卸油过程中与油罐车连接的接口、管道等密闭点位。
4) FID仪器的操作要求。为保证检测数据的代表性，检测时将FID检测探头放置于确定好的密闭点周围，并沿其外围以小于10 cm∙s−1的速度移动，同时关注仪器读数。如果发现读数上升，放慢检测探头移动速度直至测得最大读数，并在最大读数处停住，停留时间约为仪器响应时间的2 倍，记录最大读数。
5)泄漏点状态的稳定性要求。加油站的一些密闭区域，由于长期的油气聚集，油气质量分数往往很高，故检测时须提前打开密封盖板通风，检测时才能真实反映密闭点位的泄漏质量分数值。
1.3 检测方法
1) FID使用前的校准。为提高加油站油气回收系统密闭点油气泄漏质量分数检测的准确度，每次检测前需要对氢火焰离子化检测仪进行校准。校准时，使用零气(VOCs质量分数<10−5 μmol·mol−1(以甲烷计)的清洁空气)和3组标准气体(甲烷)完成对仪器示值相对误差的测定。其中，测得的仪器示值相对误差必须在±10％范围内。
在仪器预热和零气校准后，向FID检测探头通入校准参考化合物标准气体(甲烷)。待仪器读数稳定后，按标准值来调节仪器读数。如果仪器读数无法调整到合适的质量分数值，表明仪器有故障，在使用前应予以排除。进行多点校准，标准质量分数限值均应在校准值的范围之内。
反复3次测定零气和同一质量分数的校准参考化合物标准气体(甲烷)，仪器示值相对误差的计算方法见式(1)。
D=ci−cscs×100% (1) 式中：
D ci cs 2) 响应时间的测定。检测前，还需要对FID响应时间进行测定。响应时间是指FID测定VOCs泄漏质量分数时，从仪器读数开始变化到仪器最终显示稳定读数的 90％所需要的时间。依据《泄漏和敞开液面排放的挥发性有机物检测技术导则》(HJ 733-2014)[21]的规定，FID响应时间应不超过30 s。
在测定响应时间的过程中，使用数值为1 990 μmol∙mol−1的标准气体，检测人员使用机械秒表记录测定时间。检测时，将检测泵、检测探头和过滤装置安装调整到位，从检测探头口通入零气，待氢火焰离子化检测仪读数稳定后，迅速切换通入校准气体，记录人员观察记录仪器达到最终稳定显示读数的 90％(1 791 μmol∙mol−1)所需要的时间。重复进行3次上述操作，取平均值作为该仪器的响应时间。
3) 检测点位的选择。检测点位的选择对于检测数据的准确性以及确定油气回收系统超标排放密封点位置至关重要。检测点包括阀门、法兰及其他连接件、油气回收真空泵、开口阀和开口管线4部分。
①阀门。阀门是加油站最常见的设备，加油站油气回收系统阀门通常检测的部位包括阀杆与填料压盖之间的密封、填料压盖或压板与阀盖之间的密封、阀盖与阀体之间的密封和其他可能泄漏VOCs的部位。具体检测部位如图1所示。检测人员首先将检测探头置于阀杆填料压盖处，沿其界面周围移动进行检测；然后将检测探头置于填料压盖下的法兰连接部位，在其外围移动进行检测；最后对阀体可能发生泄漏的其它连接界面进行检测。
②法兰及其他连接件。现场检测人员在检测时，应将检测探头置于法兰垫圈处，沿其外围移动进行检测，检测探头应尽可能插入两法兰之间的缝隙进行检测。如果检测探头直径超过缝隙宽度，则应将检测探头紧贴两法兰之间的缝隙，并与密封边缘垂直。连接件(螺纹接头)检测探头同样应与密封边缘垂直，并与管线走向呈30°~60°。对于活接头，接头两侧都应检测。法兰和连接件检测位置见图2。
③油气回收真空泵。加油站油气回收真空泵是转动设备，转动密封部位容易泄漏油气，因此，检测人员应在泵轴杆和密封界面处来回移动检测探头进行检测。如果是旋转轴，检测探头放置在离轴杆密封界面1 cm内进行检测；如果由于其构造的外形原因而无法完整地对阀杆周围进行检测，则应对所有可以检测的部位进行检测。对真空泵可能发生油气泄漏的所有连接处都应进行检测，具体检测位置如图3所示。
④开口阀和开口管线。加油站开口阀和开口管线主要包括人工计量口端盖、卸油口、集液罐管口、排放管压力/真空阀以及在卸油过程中与油罐车连接的接口等部位，现场检测人员须将检测探头置于其开口处与空气接触区域的中心部位进行检测。
2. 检测准备与数据对比
为验证检测数据的准确性与重复性，对所选取的郑州市某加油站现场1#、2#油气回收系统15个密闭点位进行了检测并完成仪器校准和响应时间的测定。通过现场勘查后，确定加油站油气回收系统需要检测的密闭点位，即可进行密闭点位泄漏质量分数的检测工作。
2.1 现场检测准备工作
首先，对实验所用仪器进行校准。FID显示的最大示值相对误差为-0.7%，满足技术导则要求，校准误差结果如表1所示。
表 1 郑州市某加油站仪器校准相对误差Table 1. Relative error of instrument calibration in a gas station in Zhengzhou气体 测量值/(μmol∙mol−1) 标准气体值/(μmol∙mol−1) 相对误差/% 第1次 第2次 第3次 零气 0 0 0 0 0 标准气体1 500.8 499.8 490.9 500.7 −0.7 标准气体2 1 987.2 1 980.1 1 975.0 1 990.1 −0.5 标准气体3 9 952.1 9 933.6 9 914.7 9 998.5 −0.6 注：零气为VOCs质量分数<10−5 μmol·mol−1（以甲烷计）的清洁空气；示值误差小于10%，说明仪器满足标准要求。 | Show Table
DownLoad:
CSV
其次，对该加油站使用的FID检测仪响应时间进行3次测定。响应时间分别为10、12和14 s。仪器响应平均时间为12 s，满足技术导则的要求。
第三，对密闭点油气质量分数进行检测。在FID满足技术导则的要求后，对该加油站油气回收系统密闭点位油气泄漏质量分数进行检测。现场检测时应将加油机下部盖板、量油作业区的人孔盖、卸油区的盖板及罐区操作井盖板提前打开，保证密闭区域聚集的油气通过自然通风扩散，否则，检测质量分数会偏高且数据显示不稳定，缺乏代表性。图4反映了打开密封区域盖板后不同时间段FID的检测值趋势。
图 4 密闭区域不同时间点FID检测值曲线Figure 4. Curve of FID detection values at different time points in closed area第四，对仪器精密度进行验证。通过检测甲烷标准气体验证FID的精密度。实验中甲烷标准气体质量分数分别为500.7 μmol∙mol−1和9 998.5 μmol∙mol−1，同一操作人员分别连续进行6次重复测量。据表2数据计算出了相对标准偏差RSD。计算结果表明，本次实验的相对标准偏差分别为0.69%、0.16%，远远小于10%。
表 2 精密度质量分数检测数据Table 2. Precision for mass fraction detection data检测次数 样品1质量分数/(μmol∙mol−1) 样品2质量分数/(μmol∙mol−1) 标准值 检测值 标准值 检测值 1 500.7 510.4 9 998.5 10 012.1 2 500.7 508.1 9 998.5 9 994.7 3 500.7 511.7 9 998.5 10 035.9 4 500.7 503.9 9 998.5 9 998.2 5 500.7 509.3 9 998.5 10 028.4 6 500.7 502.6 9 998.5 10 016.6 | Show TableDownLoad:
CSV
2.2 检测数据的对比
FID现场检测法和实验室气相色谱检测法原理相似，不同点在于检测的时效性不同。FID检测可以在加油站现场实时完成；而实验室气相色谱法需要现场取样后，送到实验室分析才可以得到泄漏质量分数值。
为进一步验证2种方法测量准确度与检测效率，对选定的密闭点采用气袋法采样并送实验室进行了检测。检测时，检测人员使用PVF气袋在每个密闭点的不同部位取4个样品，共取样品60个，取样用时约3 h。取样后，立即将样品送实验室并使用气相色谱仪进行检测，检测用时约3 h。同时使用FID在相同密闭点的4个不同部位进行现场检测。具体检测数据见表3。
表 3 加油站油气回收系统密闭点VOCs泄漏质量分数检测结果Table 3. VOCs leakage mass fraction detection result at sealing points of oil and gas recovery system in gas stations采样区域 泄漏点 FID现场检测泄漏质量分数/(μmol∙mol−1) 实验室检测泄漏质量分数/(μmol∙mol−1) 偏差/% 检测值1 检测值2 检测值3 检测值4 最大值 样品1 样品2 样品3 样品4 最大值 加油区 1#枪油气回收铜管连接口 33.6 37.6 32.3 32.3 37.6 32.5 35.2 30.3 31.3 35.2 6.4 加油区 1#枪油气回收检测口 2.0 3.0 1.9 2.4 3.0 1.5 2.3 1.3 2.2 2.3 23.3 加油区 1#枪油气回收管线弯头 208.1 209.2 227.1 226.5 227.1 203.8 205.9 223.2 221.4 223.2 1.7 加油区 2#枪油气回收铜管连接口 0.3 0.4 0.3 0.4 0.4 0.2 0.3 0.2 0.3 0.3 25.0 加油区 2#枪油气回收检测口 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0 加油区 2#枪油气回收管线弯头 209.1 229.2 217.9 207.1 229.1 203.8 221.2 214.3 202.4 221.2 3.4 储油区 油气回收接口 0.5 0.5 0.4 0.3 0.5 0.5 0.5 0.3 0.3 0.5 0 储油区 1#卸油口 1.6 1.4 1.7 1.4 1.7 1.5 1. 1.6 1.4 1.6 5.9 储油区 2#卸油口 0.3 0.3 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0.2 0 储油区 1#罐量油口 181.2 172.3 174.9 179.6 181.2 178.3 168.1 172.4 172.7 178.3 1.6 储油区 1#罐量油口法兰1 356.3 345.4 342.1 359.9 359.9 353.4 342.3 332.1 356.1 356.1 1.1 储油区 1#罐量油口法兰2 379.3 371.4 379.8 374.4 379.8 378.2 368.3 379.2 372.8 379.2 0.2 储油区 2#罐量油口 201.4 203.1 197.9 201.4 203.1 197.7 200.8 197.3 199.1 200.8 1.1 储油区 2#罐量油口法兰1 325.2 327.9 326.8 329.2 329.2 322.8 325.7 318.3 326.9 326.9 0.7 储油区 2#罐量油口法兰2 378.1 379.2 379.9 377.4 379.9 375.8 376.2 376.1 368.8 376.2 1.0 | Show TableDownLoad:
CSV
由表3可以看出，与实验室气相色谱法相比，采用现场检测方法所测量的不同密封点VOCs泄漏质量分数最大值偏差在5%以下，最大值偏差大的密封点位主要是泄漏质量分数值很低的检测点，远远低于排放限值，且2种方法反映的质量分数值基本一致。
2.3 易泄漏点分析及防范措施
由表3还可以看出，加油站油气回收系统容易发生泄漏的部位包括真空泵附近的油气回收管线弯头、量油口及其下部的法兰等密闭点，其检测质量分数值均>100 μmol∙mol−1。由油气回收的工作原理可知，与油气回收系统相连接的储罐内一直处于微正压，密闭点的密封性是预防泄漏质量分数超标的重要环节。对于自吸式加油机，在其下部同时安装有自吸泵、计量器和真空泵等转动设备，运转时产生的振动，会造成通过丝扣连接的油气回收管线弯头密闭点产生松动，易引起泄漏质量分数超标。在加油站日常经营过程中，为监控油品损溢，计量员每天需要打开量油口量取储罐内油品的液位。由于打开阀门时单向施力的作用，长期积累会造成量油口下部的法兰连接螺栓松动并容易引起这些密闭点泄漏质量分数超标。加油枪气液比是加油站油气回收系统最关键的参数，如果设置不合理，会造成储罐内油气压力增高，也容易引起密闭点泄漏质量分数超标。
为确保加油站油气回收系统易泄漏密闭点的密封性完好，加油站应采取以下防范措施：在油罐上设置液位仪，取代人工计量，可以最大限度地降低量油口的打开频次；设备管理人员应定期对加油机下部的设备进行维护保养，避免振动超标；每月使用铜扳手对真空泵附近的丝扣连接和量油口附近的法兰连接螺栓进行紧固；对量油口球阀定期维护保养，避免阀门打开时施力过大；结合实际检测工作，合理设置气液比，建议设置在1.05~1.15。
3. 检测效果分析与建议
3.1 检测时效性分析
采用现场取样送实验室检测的方法，依据有关取样规范要求，取样数量为120~200个，单站取样时间约1 d，取样完成后送回实验室检测及数据处理时间约2 d，完成1座加油站的检测需要3 d左右。采用FID现场检测时，仅需1名人员检测，另1名人员监督复核。通过防爆手持数据终端直接记录检测数据，方便检测数据的溯源。通过数据接口将检测数据导入已编制好的检测报告模板中，从而快速生成检测报告，缩短了编制时间。按照检测质量控制要求，每天开始检测前，检测人员需要对FID进行标准气体校准，一般用时为 20 min左右，每站现场检测需要1 h左右，每天大约可以检测5座加油站，检测效率是前者的15 倍左右。检测成本的核算主要包括参与的检测人员、交通运输、检测仪器和耗材等费用，采用现场取样送实验室检测的单站费用为5 000~6 000元，而采用现场检测法可以随密闭性、气液比和液阻3项指标一起进行，单站费用仅需要500元左右，费用是前者的1/10，可以极大地降低检测成本。所以，采用FID检测加油站油气回收系统VOCs泄漏质量分数效率高、成本低、时效性强。
3.2 检测数据准确性分析
由表1可以看出，现场实验所使用的FID最大示值相对误差为-0.7%，标准气体校准相对误差远低于《泄漏和敞开液面排放的挥发性有机物检测技术导则》(HJ 733-2014)规定的限值。FID响应时间均优于前述技术导则的要求。根据表2数据计算出的FID2种不同标准气体检测的相对标准偏差RSD，分别为0.69%和0.16%，RSD值远远小于10%。所以，采用FID现场检测法能够满足密闭点VOCs质量分数检测准确度的要求。
为进一步说明现场FID检测方法得到的数据与目前通用的气袋现场采样后送实验室检测方法在精度上无明显下降，在该加油站油气回收系统的关键点进行采样，得到的数据见表3。通过对比可以看出，采用现场检测方法对比现场取样后送检方法，最大质量分数偏差绝对值基本在5%以下。
3.3 密闭区域检测建议
由图4可以看出，加油机量油口聚集了较大质量分数的油气，当盖板打开后，随着时间的推移，油气快速扩散，7 min左右FID显示值趋于稳定，基本能够显示密闭区域内密闭点的泄漏状态。所以，为保证检测数据的代表性，降低检测时所带来的随机误差与系统误差，检测人员在密闭区域检测时，应提前打开密闭区域内的盖板，以便聚集的油气扩散后再开始检测。
3.4 质量保证和控制建议
便携式FID属于移动检测设备，仪器工作环境无法达到实验室的环境条件，并且经常放置到机动车上，随道路的起伏而颠簸，因此，保证仪器的准确性及稳定性显得尤为重要。为做好检测质量保证和控制，FID在出库、入库时，检测人员和设备管理人员应共同检查设备是否完好，校准证书是否在有效期内，并使用零气和标准气体进行校准，一旦发现示值误差超过最大允许误差，检测人员应当对存在疑问的检测项目重新安排复测。检测人员使用FID现场检测时，每天检测前应使用零气和标准气体进行仪器校准，仪器示值误差必须小于10%，一旦发现超差，需要查找原因，并对前1 d的检测项目进行复测。现场检测时采样探头在待测设备外围移动不能过快，避免漏掉最高质量分数点。变换待测源时，在下一个待测源检测开始前，检测人员应确定FID是否处于待测状态。
4. 结论
1) 采用现场检测方法对油气回收系统密闭点进行检测对比现场采样后送实验室检测，检测成本可降低90%，检测效率可提高15倍左右，同时通过对关键点位的检测可以及时在现场排查出超标排放的密闭点位置，有利于及时进行维修。
2) 检测前完成仪器的校准、响应时间的测定与精密度的验证工作，可使加油站油气回收系统密闭点VOCs最大质量分数偏差维持在5%以下。
3) 为保证检测质量与准确度，并确保FID现场检测示值相对误差在±10％范围内，须对检测设备的定期校准，检测仪器响应时间不超过30 s。
4) 容易发生泄漏的位置主要来自于真空泵附近的油气回收管线弯头、量油口及其下部的法兰等密闭点，可通过采取液位仪自动计量技术、加强设备的维护保养和合理设置加油枪的气液比等有效防范措施，确保易泄漏点的密封完好。
-
图 2 基于国内外不同机构排放因子下热脱附技术修复有机污染土壤 (1m3) 碳排放量
Figure 2. Carbon emissions for thermal desorption-based remediation of organic contaminated soil (1 m3) under different carbon emission factors
图 3 基于单一热脱附技术和联合技术优化下的热脱附技术的碳排放量[17]
Figure 3. Carbon emissions of thermal desorption technology under optimization using sole thermal desorption and combined technologies
图 5 采用清洁电力 (核能，水力，风力，太阳能) 替换火力发电策略后的热脱附技术总碳排放量变化
Figure 5. Change in total carbon emissions from thermal desorption technologies after replacing thermal power with clean electricity (nuclear, hydro, wind, and solar)
图 6 能源类型调整后热脱附技术碳排放量 (化石能源替换为电力)
Figure 6. Carbon emissions of thermal desorption technology after adjustment of energy types (substituting fossil energy with electricity)
图 7 基于中国国家层面的实际电网能源结构占比 (2000—2022年) 及预测数据 (2023—2028年)
Figure 7. Actual power grid energy structure ratio (2000—2022) and forecast data (2023—2028) at China’s national level
图 8 基于Prophet模型预测得到的2023—2028年中国电力能源结构变化下的热脱附技术碳排放水平
Figure 8. Carbon emissions of thermal desorption technology under the change of power energy structure in China from 2023 to 2028 based on Prophet model
表 1 热脱附过程涉及所有物料国内外不同机构碳排放因子和对应碳排放量
Table 1. Carbon emission factors and corresponding carbon emissions for all materials in the thermal desorption process
修复过程 设备名称 材料/能源类型 活动水平 主要能源/材料排放因子EF/ ( kgCO2eq·单位活动水平−1) 修复1 m3土壤碳排放量/ (kgCO2eq·m−3) 国际 美国 英国 欧盟 中国 国际 美国 英国 欧盟 中国 土壤开挖 挖掘机 柴油/L 0.11 2.73 2.70 3.02 3.14 3.15 0.30 0.30 0.33 0.35 0.35 运输 卡车 柴油/L 0.13 2.73 2.70 3.02 3.14 3.15 0.35 0.35 0.39 0.41 0.41 预处理 筛分机 柴油/L 0.6 2.73 2.70 3.02 3.14 3.15 1.64 1.62 1.81 1.88 1.89 破碎机 柴油/L 0.15 2.73 2.70 3.02 3.14 3.15 0.41 0.41 0.45 0.47 0.47 — 生石灰/kg 6.00 0.75 0.75* 0.75* 0.75* 1.34 4.50 4.50 4.50 4.50 8.04 负压大棚骨架 钢材/kg 0.13 1.06 2.25 1.77 1.22 2.42 0.14 0.29 0.23 0.16 0.31 负压大棚覆膜 PVDF膜 0.0012 — — — — — — — — — — 负压大棚地面 混凝土/m3 0.0054 295.98 296.10 310.93 255.60 321.30 1.60 1.60 1.68 1.38 1.74 负压大棚引风机 电力/kWh 2.52 0.88 0.86 0.81 0.88 0.93 2.23 2.18 2.04 2.22 2.34 — 一般固废 50.00 — — — — — — — — — — 主处理 上料机 柴油/L 0.20 2.73 2.70 3.02 3.14 3.15 0.55 0.54 0.60 0.63 0.63 热脱附设备 钢材/kg 0.08 1.06 2.25 1.77 1.22 2.42 0.08 0.18 0.14 0.10 0.19 — 天然气/m3 35.00 2.09 1.944 2.56 2.35 2.16 73.15 68.04 89.60 82.25 75.60 — 电力/KWh 1.50 0.884 0.864 0.81 0.88 0.93 1.33 1.30 1.22 1.32 1.40 尾气处理 — 电力/KWh 2.50 0.884 0.864 0.81 0.88 0.93 2.21 2.16 2.03 2.20 2.33 — 活性炭/kg 0.98 4.96* 3.06 4.43 2.37 9.97 4.86 3.00 4.34 2.32 9.77 — NaOH/kg 50.00 1.85* 1.98 1.66 1.43 1.97 92.50 99.00 101.00 71.50 98.50 — 自来水/t 0.20 0.17* 0.21 0.177 0.119 0.17 0.03 0.04 0.04 0.02 0.03 — 废水/t 5.00 1.44* 1.37 3.04 0.3 1.06 7.20 6.85 15.20 1.50 5.30 最终处置 回填设备 柴油/L 0.21 2.73 2.7 3.02 3.14 3.15 0.57 0.57 0.63 0.66 0.66 总碳排放 — — — — — — — — 193.65 192.92 208.24 173.87 209.96 *注：由于美国、英国、欧盟的生石灰排放因子未在EPA、EEA、UK Gov数据库发布，本研究使用IPCC国际排放因子 (0.75) 替代；由于IPCC指南中未公布自来水和废水排放因子，本研究IPCC涉及相关核算因子取中国、美国、英国和欧盟公布的自来水、废水排放因子平均值；由于IPCC未公布NaOH与活性炭在活动消耗过程中的排放因子，本研究采用中国、美国、英国和欧盟公布的NaOH与活性炭排放因子平均值；中国的NaOH与废水[35-36]、英国的废水[37]、美国的钢材[38]、欧盟的混凝土[39]、美国与欧盟的自来水[40-41]、欧盟的活性炭、NaOH以及废水[42]、英国的NaOH与活性炭 [43]、美国的NaOH与活性炭[44]的排放因子来源于参考文献，其它数据来源于IPCC，EPA，EEA，UK Gov，CPC，CLCD等国内外不同机构数据库 (见2.1 数据来源) 。
下载: 导出CSV
表 2 不同优化策略下，有机物污染土壤 (1 m3) 异位热脱附技术物料消耗量调整 (基于5个场地) [19]
Table 2. Adjustment of material consumption for ex-situ thermal desorption technology of organic-contaminated soil (1 m3) under different optimization strategies (based on 5 sites)[19]
修复过程 设备名称 材料/能源类型 原始消耗量 微生物耦合技术优化后消耗量 电力能源调整 (火电→清洁能源) 能源结构优化 (化石能源→清洁能源) 能源结构优化后消耗量 土壤开挖 挖掘机 柴油/L 0.11 不影响 消耗量不受影响，排放因子降低，见3.4所述因子变化 电力/kWh 1.06 运输 卡车 柴油/L 0.13 不影响 电力/kWh 1.26 预处理 筛分机 柴油/L 0.6 不影响 电力/kWh 5.81 破碎机 柴油/L 0.15 电力/kWh 1.45 — 生石灰/kg 6.00 生石灰/kg 不影响 负压大棚骨架 钢材/kg 0.13 钢材/kg 负压大棚覆膜 PVDF膜 0.001 2 PVDF膜 负压大棚地面 混凝土/kg 0.005 4 混凝土/kg 负压大棚引风机 电力/kWh 2.52 电力/kWh — 一般固废 50.00 一般固废 主处理 上料机 柴油/L 0.20 不影响 电力/kWh 1.94 热脱附设备 钢材/kg 0.08 钢材/kg 不影响 — 天然气/m3 35.00 消减10%~40% 电力/kWh 345.80 — 电力/KWh 1.50 电力/KWh 不影响 尾气处理 — 电力/KWh 2.50 消减10%~40% 电力/KWh 不影响 — 活性炭/kg 0.98 活性炭/kg — NaOH/kg 50.00 NaOH/kg — 自来水/t 0.20 自来水/t — 废水/t 5.00 废水/t 最终处置 回填设备 柴油/L 0.21 不影响 电力/kWh 2.03
下载: 导出CSV
表 3 我国2023—2028年火电、水电、风电、太阳能、核电和生物质电占比预测数据
Table 3. Predicted proportional data for thermal power, hydro, wind, solar, nuclear, and biomass power
年份 火电占比/% 水电占比/% 风电占比/% 太阳能占比/% 核电占比/% 生物能电占比/% 2023 63.99 15.68 8.63 4.94 4.79 1.97 2024 63.05 15.86 8.99 5.17 4.89 2.03 2025 62.06 15.10 9.93 5.65 5.04 2.22 2026 61.53 14.98 10.17 6.02 5.09 2.23 2027 60.91 15.01 10.41 6.26 5.14 2.26 2028 60.22 15.18 10.67 6.41 5.22 2.30
下载: 导出CSV
-
[1] WANG S, CHEN J, TER-MIKAELIAN M T, et al. From carbon neutral to climate neutral: Dynamic life cycle assessment for wood-based panels produced in China[J]. Journal of Industrial Ecology, 2022, 26(4): 1437-1449. doi: 10.1111/jiec.13286 [2] WANG W, ZHANG Y. Analysis of Cities Participating in Global Climate Governance in the Trend of Carbon Neutrality[J]. Journal of Global Energy Interconnection, 2022, 5(1): 97-104. [3] 陈彬, 杨维思. 产业园区碳排放核算方法研究[J]. 中国人口·资源与环境, 2017, 27(3): 1-10. [4] 田慧芳. 碳中和背景下中欧气候合作的潜力与挑战[J]. 欧亚经济, 2022(5): 78-101+126. [5] 张文闻. 碳中和背景下的日本"绿色增长战略"及其借鉴研究[J]. 现代日本经济, 2023, 42(3): 50-65. [6] ZENG G, GUO H, GENG C. Mechanism analysis of influencing factors on financing efficiency of strategic emerging industries under the "dual carbon" background: Evidence from China[J]. Environmental Science and Pollution Research, 2023, 30(4): 10079-10098. [7] HEPBURN C, ADLEN E, BEDDINGTON J, et al. The technological and economic prospects for CO2 utilization and removal[J]. Nature, 2019, 575(7781): 87-97. doi: 10.1038/s41586-019-1681-6 [8] 薛成杰, 方战强. 土壤修复产业碳达峰碳中和路径研究[J]. 环境工程, 2022, 40(8): 231-238. [9] 姜文超. 污染场地热脱附技术的绿色低碳评价与措施研究[J]. 环境污染与防治, 2023, 45(8): 1189-1194. [10] 孟豪, 董璟琦, 张红振, 等. 污染场地风险管控碳排放计算方法及案例分析[J]. 中国环境科学, 2023: 1-10. [11] 沈曙华. 大型污染场地土壤修复技术应用实践及优化设计——以上海某污染场地修复工程为例[J]. 上海化工, 2023, 48(2): 38-41. doi: 10.3969/j.issn.1004-017X.2023.02.024 [12] 张海静, 姜文超, 殷瑶, 等. 土壤修复的热脱附技术特征尾气模块化处理工艺研究进展[J]. 环境污染与防治, 2022, 44(3): 386-391. [13] 严志楼, 王昶童, 张施阳. 碱活化过硫酸钠和热脱附技术对TPH和PAHs污染土壤修复的试验研究[J]. 化工管理, 2022(12): 49-53. [14] 徐停. 组合技术修复某焦化厂不同浓度苯并(a)芘污染土壤的应用案例[J]. 山东化工, 2023, 52(9): 245-247. doi: 10.3969/j.issn.1008-021X.2023.09.071 [15] 周实际, 孙慧洋, 李颖臻, 等. 污染土壤稳定化碳排放计算方法及案例研究[J]. 中国环境科学, 2022, 42(10): 4840-4848. doi: 10.3969/j.issn.1000-6923.2022.10.042 [16] 吴翠华, 于晓华, 高军政, 等. 典型水泥窑协同处置废弃物的碳排放核算及碳减排分析[J]. 环境工程, 2023, 41(7): 30-36+60. [17] 杨洁, 叶春梅, 司马菁珂, 等. "双碳"目标下污染场地原位热处理技术发展趋势[J]. 环境工程学报, 2022, 16(11): 3517-3529. doi: 10.12030/j.cjee.202203006 [18] 刘文晓, 夏天翔, 张丽娜, 等. 基于修复效果的污染土壤修复工程环境足迹分析[J]. 环境科学研究, 2022, 35(10): 2367-2377. [19] 刘爽, 陈盼, 宋慧敏, 等. 我国华东地区污染土壤异位热脱附修复碳排放及减排策略[J]. 环境工程学报, 2022, 16(8): 2663-2671. doi: 10.12030/j.cjee.202203028 [20] Intergovernmental Panel on Climate Change. IPCC 排放因子数据库EFDB [EB/OL]. [2006-03-03].https://www.ipcc-nggip.iges.or.jp/EFDB/main.php,2006. [21] UK Government. UK Government GHG Conversion Factors for Company Reporting[EB/OL]. [2023-06-10]. https://www.gov.uk/government/publications/greenhouse-gas-reporting-conversion-factors-2023,2023. [22] U. S. Environmental Protection Agency. Emission Factors for Greenhouse Gas Inventories[EB/OL]. [2014-04-04]. https://www.epa.gov/climateleadership/ghg-emission-factors-hub,2014. [23] European Environmetal Agency. EMEP/EEA air pollutant emission inventory guidebook 2019[EB/OL]. [2019-10-17]. https://www.eea.europa.eu/publications/emep-eea-guidebook-2019/emission-factors-database,2019. [24] 生态环境部环境规划院碳达峰碳中和研究中心. 中国产品全生命周期温室气体排放系数集(2022)[EB/OL]. [2021-12-13]. http://www.caep.org.cn/sy/tdftzhyjzx/zxdt/202201/t20220105_966202.shtml,2022. [25] 刘明达, 蒙吉军, 刘碧寒. 国内外碳排放核算方法研究进展[J]. 热带地理, 2014, 34(2): 248-258. [26] 陈先昌. 基于卷积神经网络的深度学习算法与应用研究[D]. 浙江: 浙江工商大学, 2014. [27] 黄丽. BP神经网络算法改进及应用研究[D]. 重庆: 重庆师范大学, 2008. [28] 魏薇. 人工神经网络的可靠性与容错性及其研究方法[J]. 科技导报, 1993(9): 30-33. [29] 张红兰. 人工神经网络技术的应用现状分析[J]. 中国新通信, 2014, 16(2): 76. [30] 李青青, 苏颖, 尚丽, 等. 国际典型碳数据库对中国碳排放核算的对比分析[J]. 气候变化研究进展, 2018, 14(3): 275-280. [31] 郜二刚, 李社红, 吴代赦, 等. 基于发热量的中国煤炭碳含量研究[J]. 地球与环境, 2014, 42(1): 95-101. [32] 高源. 整合碳排放评价的中国绿色建筑评价体系研究[D]. 天津: 天津大学, 2014. [33] 陈政, 何耿生, 尚楠. 面向碳达峰碳中和的电网碳排放因子改进计算方法[J]. 南方电网技术, 2023: 1-10. [34] 李容, 曾永寿, 段成义. 烧碱行业碳排放现状分析及企业碳排放管理[J]. 中国氯碱, 2020(5): 36-39. doi: 10.3969/j.issn.1009-1785.2020.05.013 [35] 余娇, 赵荣钦, 肖连刚, 等. 基于"水—能—碳"关联的城市污水处理系统碳排放研究[J]. 资源科学, 2020, 42(6): 1052-1062. doi: 10.18402/resci.2020.06.04 [36] SINGH E, KUMAR A, MISHRA R, et al. Pyrolysis of waste biomass and plastics for production of biochar and its use for removal of heavy metals from aqueous solution[J]. Bioresource Technology, 2021, 320: 124278. doi: 10.1016/j.biortech.2020.124278 [37] RYAN N A, MILLER S A, SKERLOS S J, et al. Reducing CO2 emissions from US steel consumption by 70% by 2050[J]. Environmental Science & Technology, 2020, 54(22): 14598-14608. [38] CELIK K, MERAL C, GURSEL A P, et al. Mechanical properties, durability, and life-cycle assessment of self-consolidating concrete mixtures made with blended portland cements containing fly ash and limestone powder[J]. Cement & Concrete Composites, 2015, 56: 59-72. [39] U. S. Environmental Protection Agency. Estimates of global greenhouse gas emissions from industrial and domestic wastewater treatment[EB/OL]. [2014-04-04].https://www.epa.gov/climateleadership/ghg-emission-factors-hub,1997. [40] MOLINOS-SENANTE M, MAZIOTIS A, SALA-GARRIDO R, et al. Estimating the cost efficiency and marginal cost of carbon reductions in the production of drinking water[J]. Sustainable Cities and Society, 2022, 85: 104091. doi: 10.1016/j.scs.2022.104091 [41] FARAGO M, DAMGAARD A, REBSDORF M, et al. Challenges in carbon footprint evaluations of state-of-the-art municipal wastewater resource recovery facilities[J]. Journal of Environmental Management, 2022, 320: 115715. doi: 10.1016/j.jenvman.2022.115715 [42] VAN EGMOND R, SPARHAM C, HASTIE C, et al. Monitoring and modelling of siloxanes in a sewage treatment plant in the UK[J]. Chemosphere, 2013, 93(5): 757-765. doi: 10.1016/j.chemosphere.2012.10.046 [43] CAKIR F Y, STENSTROM M K. Greenhouse gas production: A comparison between aerobic and anaerobic wastewater treatment technology[J]. Water Research, 2005, 39(17): 4197-4203. doi: 10.1016/j.watres.2005.07.042 [44] 郭会云. 污染土壤的修复方法在生态环境保护中的应用[J]. 皮革制作与环保科技, 2023, 4(16): 117-118+121. [45] 王圣, 庄柯, 徐静馨. 全球绿色电力及我国电力低碳发展分析[J]. 环境保护, 2022, 50(19): 37-41. -
点击查看大图
计量
- 文章访问数: 1529
- HTML全文浏览数: 1529
- PDF下载数: 81
- 施引文献: 0
