资讯中心

对于石化企业，常见的碳排放源除了化石燃料燃烧、外购电力和热力等，还有一个大类叫做工业生产过程碳排放。石化企业的原料和产物多为有机物，在生产过程中常常存在“碳流失”，这部分“流失的碳元素”，最终往往以CO₂气体的形式排至大气中。

但在现实中，生产过程碳排放的计算异常复杂。原因有三：
一是石化企业涉及到的原料和产物种类繁多，其消耗量、含碳量、纯度不一，碳核算工作量巨大；
二是企业温室气体报送在时间上往往存在滞后情况， 企业通常只能在一年后才能拿到经第三方机构核查后的上一年的温室气体报告数据，难以获得实时的碳排放数据。且由于排放源分散，CEMS二氧化碳直接监测难以适用于石化产业生产过程中的无组织排放场景；
三是计算应用“质量平衡法”，把生产过程当成黑盒，忽略工艺流程对碳排放的影响，导致计算准确率不高。

上述这些困难，使得企业、园区对生产过程碳排放无法做到及时、精细管控。

擎工互联结合15年的数字化碳管理服务经验，基于擎天碳排放MRV核算标准库，入园区、进厂房，深度调研化工产业生产过程及工艺流程，开展定性研究和定量求证，最终创新推出了生产过程碳排放反演模型。

（1）定性研究
- 研究工艺。深入研究石化企业生产过程和工艺流程，分析其碳元素流向，绘制碳流图。
- 分析流向。依托碳流图，进一步分析原料中的碳元素的具体细化“走向”。研究发现，碳元素一部分流入到产物中，另外有很大一部分流入废液、固废中。
- 穿透跟踪。跟踪废液、固废等流量与去向，经产业园区统一处理（燃烧、污水处理）后，从烟气、废水排口分别排出。
- 定性推理。烟气、废水排口的污染物指标数据（如二氧化硫、氮氧化物、化学需氧量COD），与生产过程碳排放量理论上存在较强关联性。

（2）定量建模
应用人工智能、大数据等新兴技术，对园区过往海量的污染物和已有的碳排放数据进行耦合分析，成功揭示了两者间的关联关系，从而构建了一套从污染物数据反演碳排放的算法。通过这套算法，只需输入污染物数据，就可科学、合理地反演出生产过程的碳排放量。
- 计算实时性。该模型可将生产过程碳排放的计算从每年一次，缩短至每小时/每天一次，大大提高了数据的实时性。
- 数据准确性。通过污染物在线监测系统的实时反馈和神经网络的自适应学习能力，不断训练优化、持续拟合，准确率超80%，具有较好的应用推广价值。
实时性的提升和准确率的提高，极大地帮助企业和园区监管生产过程，促使其能够动态发现问题，保证了碳排放量的可控性。

（1）AI深度学习：基于AI人工智能，采用深度学习算法，利用神经网络对复杂的非线性数据进行持续寻优建模，使用实景数据训练的动态模型可有效应对实际工业环境的变化。
（2）时序关联分析：通过对时序数据的精细分解和拟合，从线性角度捕捉碳排放与污染物浓度之间的动态变化，进而建立碳排放和污染物间的直观数据感受。
（3）多源数据治理：融合废气、废水等多种污染物数据，实现园区主要污染物全覆盖，并进一步纳入原辅材料消耗量、能耗数据等，实现碳排放数据完整拟合，充分挖掘污染物和碳排放数据协同价值。
（4）实时监测与反馈：利用数据的实时性，确保数据来源的丰富和连续。通过AI持续优化模型，提升多维分析准确度，助力园区寻找减污降碳协同的最佳路径。