温室模型

温室模型（精选5篇）

温室模型 篇1

0 引言

温室智能控制系统是在计算机综合控制下,根据作物生长的最适宜生态条件,将现代信息技术、自动化技术与生物工程技术、农业工程技术、环境工程技术相结合,创造适宜于作物生长的环境,实现作物优质、高效和低耗的工业化规模生产[1]。温室控制系统需要根据温室气候环境的变化,控制执行机构进行相应的调节:气温过低时,需要利用供暖系统补充温度;气温过高时,需要控制通风口、遮阳系统、排气扇或蒸发冷却装置等工作,避免过热。现在大多数的温室控制系统中,各执行器通常根据其实际测量值和设定值来单独控制[2]。这种常规的控制系统设计方案具有的缺点:一是执行器设定值的调整在很大程度上依赖于工作人员所具有的专业知识水平;二是控制系统工作在被动状态,当温室气候环境发生变化时才进行调节,不能预测温室环境未来的状态,无法提前做出反应;三是因为各执行器的设定值及工作地点相互独立,所以各执行器进行调节时工作不协调,容易导致控制系统的超调和振荡。

为了克服上述缺点,必须增加控制系统的智能水平,能够对整个系统实现全局优化[3]。本文采取了基于全局优化预测的控制模型,将温室内部和外部的温度、湿度、光照及当地天气情况进行综合分析,将各全局变量作为控制模型的输入值,得出温室未来气候的预测值。根据预测值,可以提前对温室环境即将出现的改变做出相应的调整,有效提高温室的控制质量。

1 温室智能控制的特点及要求

温室控制的目标是为作物提供合适的环境条件。传统控制模式在很大程度上取决于工作人员的专业知识和实际经验,要求工作人员具备必要的知识,对作物生长、生产管理的经济性和控制系统之间的相互关系有很好的了解。只有这样,生产者才能得到最优的控制方案和经济效益,而温室的管理人员往往并不具备上述的要求。此外,温室环境系统由于自身的复杂性以及各种环境因素之间相互影响,使得采用传统的控制方法很难达到最佳的控制效果[4]。

1.1 温室智能控制系统的特点

温室智能控制系统主要是根据外界环境的温度、湿度、光照、风速、风向以及雨量等气候因子, 基于温室专家系统和用户参数设定, 通过一些控制措施来调节温室内的温度、湿度、通风和光照等环境因子, 创造出适合作物生长的温室生态环境。即根据作物不同生长阶段的需求,制定出检测标准, 通过对温室环境的实时检测,将测得参数进行比较后自动调整温室各个控制设备的状态,从而使各项环境因子符合既定的要求[5]。

1.2 温室智能控制系统的要求

温室智能控制系统利用AI(Artificial Intelligence)模型生成控制方案,让所有执行器共同协调工作,达到最优控制效果。智能控制所需的必要基础如下:

1)控制模型的精确性。温室内作物生长到一定时期,一方面对温室环境进行调控会影响作物的生长;另一方面因作物光合作用和蒸腾作用的改变又对室内环境因子产生新的影响,由此产生一种反馈作用机制,而在现有的温室环境控制系统并没有考虑到这种反馈作用机制[6]。温室环境各要素之间也存在着较强的耦合性,某个要素的改变也会对其它要素构成影响。因此,智能控制系统需要建立精确的模型,实现调控方式既节约资源又提高生产效率的目标。

2)大量的检测数据。精确建模需要大量的数据采集(包括时间上和空间上),各传感器采集的数据都将为模型的建立提供支持。实现温室的智能控制模型,不但需要考虑温室内部各参数的值(如温度、湿度和光照等),还需要考虑温室外部的环境参数、当地的实时天气状况以及短期天气状况的预测等。

2 温室的总体结构

实验用的温室为中等规模(96m2),温室中分为16个区域(苗床),其热区域模型如图1所示。考虑到温室中各参数的耦合作用,将温室分为5个区域[7]:区域1为加热系统;区域2为作物生长区(苗床);区域3包括温室侧窗和遮光帘;区域4为温室顶部;区域5代表温室外部环境。在每个区域设置相关的传感器采集数据,传感器类型及采集数据类别如表1所示(本实验中只考虑了温湿度和光照,未进行CO2及其它因素的讨论)。

3 温室的控制模型

在温室中,影响作物生长状况和管理费用的主要物理参数是内部温度、湿度及光照强度。如果能对这3个参数进行精确的预测,并在此基础上进行控制,就能达到最优化的控制目的。控制模型如图2所示。

3.1 全局参数优化预测模型

3.1.1 温室外部天气模块

直接利用天气预报来预测温室外部气候模型,其预测精度较低,所以需要在温室外部设置温度传感器和光照传感器,采集外部环境的具体数据。利用外部传感器采集到的数据,建立数据库,根据历史记录和天气预报对温室外部短期气候(几小时后)做出预测。

3.1.2 在线天气预报模块

从控制精度的角度来说,网络在线获取的天气预报不能满足建模的精确性。但是将其作为控制模型1个输入量,最终产生的趋势预测却是比较可靠的。然而,当网络发生故障或者获取的天气数据损坏时,必须利用一个近似的数据去替代该数据。替代的数据可以利用下面的公式来近似获得。

TR=α0+α1TL+α2RL+α3R2L (1)

式中 TR—当地的近似温度;

TL和RL—当地实际温度值和光照强度值;

αi—加权系数,αi的值会根据实际情况进行阶段性的调整。

3.1.3 全局优化预测模型

全局参数共46个,包括21个温度值、16个湿度值、2个光照强度值、6个执行器工作状态值、1个在线天气预报提供的未来温度值。该模型的功能通过神经网络来实现。全局优化模型输入量分为4部分:

1)各区域温湿度及光照强度测量值,由温室内部各传感器采集;

2)在线天气预报,由在线天气预报模块提供预测值或近似值;

3)温室外部环境预测值,由外部天气模块提供;

4)执行器的最新配置方案(包括遮光、通风、加热和灌溉等)即各执行器工作状态,作为全局优化预测的参考。

3.2 智能控制模型

智能控制模型在输入量的基础之上,预测出各输出的状态值,用来对温室的内部环境进行调节。该模型的输入分为3部分:一是当前各传感器的测量值;二是作物生长模型的预测值;三是全局优化模型的预测值。该模型有32输入和32个输出状态预测,其功能通过神经网络来实现。

3.3 神经网络模型及实验结果分析

3.3.1 BP神经网络模型

人工神经网络[7]是一种借鉴人脑神经元互连结构的信息处理网络, 具有非线性、鲁棒性和学习特性, 并具有并行处理、自组织学习、自适应和高度的非线性映射特征。因BP 神经网络结构简单, 对样本训练具有很好的效果, 故选用BP网络。

BP神经网络即误差反向传播网络,是由输入层、隐含层和输出层3部分组成的多层前馈网络。当给定1个输入时, 从输入层到输出层的传递是个前向传播过程。如果实际输出与期望输出存在一定的误差, 那么就转入误差反向传播的阶段, 并根据各层误差的大小来调节各层的权值。如此不断迭代修正各层的权值,直到收敛[8]。其结构如图3所示。

图3中, 设i,j ,k 分别表示输入层个数和隐层个数和输出层个数; Wij 为输入层与隐层的连接权值;Tj k为隐层至输出层的连接权值。若Xi为输入模式, Yk为输出模式向量,则隐层节点输出为

undefined (2)

输出层输出为

undefined (3)

其中,激励函数为( 0, 1) 内连续取值的Sigmoid函数为

undefined (4)

误差计算公式为

undefined (5)

式中 ti—第i个样本的期望输出值;

Oi—第i 节点实际输出值。

权矩阵修正公式为

ΔWij(n+1)=h×Φi×Oj+ΔWij(n) (6)

式中 h—学习因子;

Φi—输出节点i的计算误差;

Oj—输出节点j的实际输出。

3.3.2 实验结果分析

实验研究的时间段选在0:00-24:00,数据每小时采集1次,共采集24个数据点。图4为某天(2011年3月5日)温湿度实测数据与仿真结果的对比情况。从结果可以看出,经过模型的控制后,输出的室内温度和湿度变化情况比没有经过智能控制时的变化要平缓得多。

4 结论

1)本文提出了一种基于全局优化预测的温室智能控制模型,并在其基础上设计了基于神经网络控制系统的控制器,最后利用仿真模型进行验证,证明了该控制模型的性能。

2)该模型综合考虑了温室内外的温度、湿度、光照、控制器状态和作物生长状态等全局变量,并且将对短期天气的预测作为全局变量之一加以讨论,保证了控制模型的前瞻性,在一定程度上克服了控制系统的迟滞性和振荡。

参考文献

[1]陈广庆,孙爱芹,徐克宝.基于PLC和组态软件的温室控制系统设计[J].安徽农业科学,2010,38(34):19827-19828.

[2]Zazueta F S,Bucklin R,Jones,P H,et al.Basic conceptsin environmental computer control of agricultural systems[C]//Agricultural and Biological Engineering Dept,Instituteof Food and Agricultural Sciences.Florida:University of Flor-ida,2008.

[3]Blasco X,Martineza M,Herreroa JM,et al.Model-basedpredictive control of greenhouse climate for reducing energyand water consumption[C]//Computers and Electronics inAgriculture.Amsterdam:Elsevier Science Publishers B.V,2007.

[4]屈毅,宁铎,赖展翅,等.温室温度控制系统的神经网络PID控制[J].农业工程学报,2011,27(2):307-311.

[5]齐文新,周学文.分布式智能型温室计算机控制系统的一种设计与实现[J].农业工程学报,2004,20(1):246-249.

[6]胡伟松.基于网络的温室环境控制设备自动化选配系统研究[D].杭州:浙江大学,2001.

[7]P Eredics,T P Dobrowiecki.Hybrid knowledge modeli ng foran intelligent greenhouse[C]//2010 IEEE 8th InternationalSymposium on Intelligent Systems and Informatics.Serbia,459-463.

[8]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006.

温室小气候环境模型的应用及综述 篇2

温室是以采光覆盖材料作为全部或部分围护结构材料,可供冬季或其他不适宜露地植物生长的季节栽培植物的建筑。现代化温室可以有效地调控温度、湿度、光照、二氧化碳浓度和土壤环境等环境因子,创造一个与室外大气候环境相对隔离的小气候环境。维持温室内部良好的小气候环境,有利于更好地实现温室气候控制,从而达到提高作物品质、高产和低能耗的最终目的。温室小气候建模方法的研究对温室建筑、生产和发展有着十分重要的意义,目前多利用热力学、传热学的基本原理,建立能量平衡方程式,从而定量地确定温室内部和外部各参数间的关系以及所需供热(制冷)负荷,也有基于输入和输出数据的方法建模,如应用模糊逻辑网络和人工神经网络等。

1 温室小气候模型在温室控制系统中的应用

建立温室的主要目的是改善作物生长的环境条件,温室环境控制的目标是进一步改善环境条件来优化作物的生长过程[1]。根据外部气象条件和作物的生长发育阶段,利用环境控制设备对温室内环境条件进行有效的控制,采取连续生产方式和管理方式高效、均衡地进行生产。为了更好地管理和控制温室气候环境,必须建立一个用来计算最优控制信号的合适的气候控制策略,这个控制信号能够确定温室的性价比,自适应PID控制器能够实现这一功能。

气候自适应PID控制器的结构如图1所示。

其主要包括:温室内部小气候模型、反馈校正、滚动优化、参考值输入等几个部分。用历史的气候数据的输入输出信息、由天气模型得到的预测的气象数据和期望控制设备输入的数据;然后根据温室模型,预测出未来的温室气候,再将预测输出数据与参考输入轨迹进行比较,经过与模型输出误差进行反馈校正;最后优化后计算当前时刻应加于系统的控制动作,完成整个控制循环。

一般地,执行最优化就是实现价值函数的最大化,达到期望收成经济价值的最大化和气候调节设备的经营成本最小化。在性能指标中加入控制量约束条件,可限制过大的控制量冲击,使过程输出变化平稳,还可使系统能获得稳定的运行性能。

2 国内外温室小气候环境模型的研究

2.1 国外温室小气候环境模型研究的历史及现状

温室是一个半封闭的热力系统,它随时受到室内外诸多扰量的影响。其中,室外扰量有室外空气温度、湿度、太阳辐射强度、风速、风向等;室内扰量包括采暖系统、照明及其他设备的散热和作物及土壤散热、散湿等。在这些扰量作用下,温室内的空气始终保持着动态平衡。19世纪60年代以来,基于传热学和生物环境工程学的理论,研究温室热环境的变化规律,国内外研究人员已进行了大量深入的研究工作,从单个因子(辐射、通风、水、热、气交换等)的基本过程到多因子综合的小气候模型。对温室微气候的研究起步较早的国家是荷兰、以色列等。1963年荷兰的Businger将温室分为4层:覆盖物、室内空气、作物、土壤,在能量守恒公式化以来,这种研究方法成为以后温室建模的核心。1977年,S. Takami, Z. Uchijima没有精确考虑土壤热容并在土壤的传热计算中采用了许多近似处理后,首次建立了基于初等边界条件的温室稳态模型;于是在20世纪80年代,荷兰研制出了基于温室小气候模拟模型和番茄作物生长模型的温室环境优化控制模型 KASPRO[2],该模型能够综合考虑温室的材料和布局、温室室外气象条件、番茄的播种日期和温室环境控制目标来预测模拟温室内环境的控制结果( 温室内温度、 湿度、 作物蒸腾速率和能耗等)。1995年J.C.Bakker,G.P.A Bot[3]等在温室建模与控制的著作中,综合研究了跟温室相关的各个领域的成果,从植物的生理学、热力学角度研究温室内温度、湿度、二氧化碳浓度的变化模型。1997年,A. Mistriotis[4]系统分析无风和弱风情况下温室的自然通风过程,应用计算流体动力学知识,对各种通风结构温室的通风效率进行了预测。1998年,R.Linker等[5]在假设温室作物模型已知的情况下,利用神经网络建立温室气候模型,实现了对CO2浓度的控制。1999年,J. G. Pieters[6]对种植西红柿的全光温室构件数学模型仅考虑太阳辐射单次反射的前提下,定量研究了覆盖材料与地面光学参数及覆盖物表面蒸汽的冷凝方式对温室太阳能利用率的影响。1999年,M. N. Bargach[7] 根据能量平衡的方法,研究了一套目前较为全面的模型,将温室划分为包括室内水蒸汽、4个土壤层在内的9个子成分,并对温室计算涉及的能量项进行了逐个分析,提出了构建系统模型的方法。2000年L.Chen等[8]利用杂交模型的方式,将物理模型和神经网络模型结合,得到比单个应用建立模型更好的结果。2003年J. B.Cunha等[9]分别基于物理模型、ARX黑箱模型以及人工神经网络模型对温室小气候环境进行建模,并比较了3种方法的优缺点。其中,ARX模型将室外温度、室外光辐射、室外湿度、室外风速作为输入量,利用递推最小二乘建立了温室内温度的二阶模型,模型的参数是在线时变的,但是对于模型的结构没有作分析。2005年,Litagoetal采用时间序列分析的方法对自然通风温室的温湿度进行建模。国外还有一些典型的综合环境模型[10]:如比利时的GDGCM模型、法国的SIMULSERRE模型和美国的POLY-2模型等。

2.2 国内温室小气候环境模型研究的历史及现状

我国的现代温室起步较晚。20世纪50年代末,在华北地区曾建造过屋脊式大型玻璃温室;60年代初,在东北地区建成1hm2的大型玻璃温室,但基本没有什么配套设施,没有形成有效利用;从20世纪80年代初开始得到长足发展,其中95%以上是日光温室。从国内温室小气候建立模型方法的研究情况来看,目前主要有以下两种方法:

1)以能量平衡方程和质量平衡方程为理论依据研究温室的模型。2003年,司慧萍、苗香雯和崔绍荣[11]利用能量平衡、质量平衡的方法,在外界气象条件已知的情况下,得到与地理位置、温室结构、温室容积等因素有关联温室温度的动态预测模型,并基于华东型连栋塑料温室对模型进行了实验验证,实测数据与预测模型输出的数据基本吻合。2005年李惟毅、李兆力等[12]建立了供热温室通用方程,并以全光温室为例通过各层能量微分方程,对研究对象进行简化后建立了微气候理论模型。2005年胥芳、张立彬等[13]沿用4层理论模型,分析了玻璃温室能量小气候的质热平衡,建立了温室小气候温湿度动态模型,并对模型进行了仿真。2007年,高振波和赵立强等[14]研究从温室采光面的光学模型入手,分析温室内外环境的热交换,建立相应的热平衡数学模型。2009年,孟力力、杨其长等[15]针对组成温室系统的各内表面及室内空气建立热平衡方程,建立温室热环境数学模型,定量揭示日光温室热环境的变化规律,1996年陈青云和汪政富[16],郦伟,1997年董仁杰等[17],2005年杨昊谕[18]也做过类似的研究,并对模型进行验证和模拟计算。2010年,霍飞、王旭等[19]以温室热平衡理论为基础,将温室黄瓜生长发育植物模型与栽培环境模型相结合,应用MATLAB进行了模拟计算,建立了塑料连栋温室热环境模型。

2)基于输入输出数据的模型。利用模糊逻辑网络和人工神经网络等对温室小气候环境进行建模。2000年,王万良、李敏等[20]利用利用模糊逻辑网络建立了温室分布参数的模糊逻辑网络预测模型,提出了基于神经优化计算的优化控制算法。2000年,宫赤坤、陈翠英和毛罕平[21]用神经网络对温室这类缓变系统进行辨识时, 解决外部环境对系统影响的方法。2001年顾寄南和毛罕平[22]证实了温室内温度和湿度的变化符合以e为底的指数函数这一规律,在建立温室数学模型时考虑温度、湿度的变化与时间之间的关系,提出了一种新的温室小气候建模方法。2004年,王定成[23]采用支持向量机回归算法对温室的数据进行回归,并用采集到的数据检验了修正模型,这种建模方法能较好地处理温室环境的非线性和不确定性。2006年,杜尚丰和李迎霞等[24]利用人工神经网络对温室环境温度进行建模。2008年,何芬等[25]基于算法优化人工神经网络预测方法,建立了一个用基于神经网络模型,用于预报华北地区冬季日光温室空气湿度的神经网络模型。2008年,李晋[26]等选择ARIMAX模型描述温室内温度系统,建立了试验温室的温度系统模型。2009年,丁为民、王小旵等[27]通过对温室小气候建立模拟模型,可以了解温室结构特征、气象条件及作物生长等对温室环境的影响。2009年,严海[28]针对Venlo型温室环境温度和湿度两个主要因子进行分析,运用各种智能算法建立模型并进行仿真研究,从而提高温室环境控制的稳定性和控制精度。2010年,徐意和向美晶[29]运用RBF神经网络建立温室生菜光合速率与二者的量化模型,预测不同温度下作物光合作用速率来调控温室内作物生长。

2.3 目前存在的问题及发展趋势展望

目前,对温室小气候环境模型的研究(尤其国内)多注重于温室温度、湿度和CO2的浓度模型的建立。由于温室中的各种因素是相互影响的,如在同一时间内,通风会影响温度、湿度和CO2的浓度等,不同的作物生长规律和温室小气候环境相互作用,要正确的建立温室小气候模型就必须综合考虑这些因素。今后的研究应从作物的生理学、热力学角度出发,将作物的生长模型和温室小气候模型相结合,建立综合的更精确的温室模型来预测小气候的变化;另一方面,在实际建模过程中,物理模型涉及许多参数和物理变量 ,因此很难应用到实践工程中。线性参数模型方法会产生较大的误差;神经网络模型由于多自由度,需要大量的数据例子来训练,而且学习时间较长,推理不可靠,因此不能在实时系统中运用。若采用单一的建模方法,难以克服温室气候建立模型的局限性,为消除它们各自的不利因素,采用杂交(Hybrid)模型的方式,如线性参数受控自回归模型(ARX)和神经网络结构结合组成基于神经网络的线性参数受控自回归模型(NNARX)系统,采用遗传算法和物理模型,用粒子群最优化与遗传算法等方法结合建立温室小气候模型等方式,实现温室小气候的优化控制。在完善温室作物和环境模型理论研究与方法的基础上,针对我国的具体国情和气候条件,研究开发适用于生产实践的温室作物生长发育和小气候环境模型。

3 结论

温室小气候建模为改善温室环境的管理和控制效率有非常重要的作用,它是认识温室机理的理论基础,也为温室的气候预测和控制提供了决策依据。采用各种不同方法建立模型时应该考虑控制设备、作物的生长状况和栽培方式对温室小气候环境的影响,从辐射、通风、水、热、气交换等基本过程到综合的小气候模型,提高建模精度,提高控制算法的实用价值。

温室模型 篇3

水源热泵技术是20世纪70年代发展起来的一项新型节能技术,采用水源热泵加温或制冷,其COP(Coefficient of Performance,能效比)可达3.5～4.5,被称为21世纪最有效的供热和制冷技术。由于突出的效率和无污染等特点,使其越来越多地应用于家庭、公共建筑、厂房等各个温度调控领域。其中,温室作为一个对温度要求非常敏感的典型代表,也逐渐开始采用水源热泵作为供暖/制冷设备,用以取代传统的锅炉、热风机等。

国外,Onder Ozgener[1](2007)对温室太阳能辅助式地源热泵系统的性能进行了分析,从实验上分析了地源热泵在温室应用的可行性;Koroneos[2](2003)通过试验研究了温室地源热泵加热系统在固定温度条件下的效率;Hermann[3](2006)研究了环境温度变化对温室地源热泵加热系统效率的影响,结果表明在温室地源热泵空调系统中,温室风机盘管单元对整个系统效率的影响最大;国内,张伟伟[4](2005)结合温室大棚对水源热泵采暖系统进行了可用能效率的计算,并定性分析了影响整个系统可用能效的因素;舒海文[5](2006)根据对流换热、导热理论和能量平衡方程,得出了地埋管换热系统设计的简明算法模型。

以往研究[1,2,3]只注重于热泵的效率以及相关性能,而研究[4,5]只注重于以热泵为基础的温室末端供暖系统控制,缺乏兼顾热泵和温室末端制暖/制冷系统的相关研究。本文在依据机理法建立的温室模型基础上,采用阀值控制方法,设计一套以单片机为基础的智能温室采暖控制系统,在满足植物生长需要的适当温度前提下,尽量减少能量的消耗,达到能源节约的最大化。

1 温室水源热泵系统

系统采用水源热泵作为温室的热源,其热水进出口温度为45℃/40℃。温室内部,采用风机盘管和低温热水地板辐射采暖系统作为温室的末端采暖系统,热水循环系统的动力来自于循环水泵和旁流式水处理器。温室吸收的热量与流经循环水泵的水流量成正比。系统结构如图1所示。

选用克莱门特PSRHHY螺杆式水源热泵3台,其标准制热量为1 164kW,可采用开关量控制。KQL200/300型循环水泵4台,标准水流量为262m3/h。其中,3台采用开关量控制,另外1台采变频器驱动,其水流量与变频器的输入频率成正比。

2 温室环境物理模型

温室内部的温度主要由空调循环水路中热水的流量来控制。为此,需要建立合理的温室能量平衡模型,明确温室内部的温度与循环水量的关系,才能达到对温度的有效调控。

温室是一个半封闭的热力系统,它随时受到室内外诸多干扰量的影响。其中,室外干扰量有:室外温度、湿度、太阳辐射强度、风速、风向等;室内干扰量包括采暖系统、照明及其他设备的散热,作物及土壤散热、散湿等。在这些干扰量作用下,温室内的空气始终保持着动态热平衡。用不同的符号来表示温室内能量来源和损失,建立的温室能量(热)平衡,如图2所示。

基于温室气候物理过程的分析和能量平衡关系,根据经典热平衡方程可以建立起温室内部温度的微分方程式,即在单位时间内供给温室的热量与单位时间内温室散失的热量之差,应等于温室热量储存的变化率。方程为

$\rho {}_{\text{a}\text{i}\text{r}}\cdot V\cdot C{}_{\text{a}\text{i}\text{r}}\cdot \frac{\text{d}{\rm T}{}_i}{\text{d}t}=q{}_t+q{}_s+q{}_r+q{}_l+q{}_b-$

qc-qw-qe-qp (1)

式中 ρair—密度(kg[干燥空气]/m3);

V— 温室的体积(m3);

Cair—空气中的热含量(J/kg·K);

Ti —温室室内温度(℃);

t—时间(s);

qt—太阳光照辐射热流量(W);

qs—温室热源提供的热流量(W);

qr—植物呼吸作用释放的热流量(W);

ql—长波辐射热流量(W);

qb—补光灯辐射热流量(W);

qc—温室与外界热传导的热流量(W);

qw—温室通风换热的热流量(W);

qe—作物蒸腾所需要的能量(W/m2);

qp—作物光合作用吸收的热流量(W)。

由于风机盘管和地暖设备供热时,天窗和侧窗均关闭,并视其密闭良好,故

qw=0 (2)

在温室内部,补光灯辐射热流量、作物蒸腾所需要的能量、呼吸热量和光合作用热与其它热量相比可忽略不计,故方程可变为

$\rho {}_{\text{a}\text{i}\text{r}}\cdot V\cdot C{}_{\text{a}\text{i}\text{r}}\cdot \frac{\text{d}{\rm T}{}_i}{\text{d}t}=q{}_t+q{}_s+q{}_l-q{}_c$ (3)

1) 太阳光辐射。根据热辐射定律太阳光辐射能量可表示为

qt=AsIaτa (4)

式中 As—温室覆盖材料的表面积(m2);

Ia—总辐射强度(W/m2),由系统测量得到;

τa—覆盖材料的总透光率。

2)温室热源提供的能量。

温室的能量来自于3台水源热泵机组,在此,将温室看成一个整体,可得

qs=QρwCw(t1-t2) (5)

式中 t1,t2—热泵循环热水进、出口温度(℃);

Q—为进入温室的水流量(m3/h);

ρw—水的密度(kg/m3);

Cw—水的热含量[J/(kg·K)]。

3)长波辐射能量。

温室对热辐射有阻碍作用,其效率取决于热辐射的波长范围。不同介质的热辐射用Stefan-Boltzman定律表示

ql=ε12Asσ(T${}_i^4$-T${}_0^4$) (6)

式中 σ—Stefan-Boltzman常数(W/m2·K);

ε12—表面之间的发射率。其值可表示为

ε12=(ε${}_1^{-1}$+ε${}_2^{-1}$-1)-1 (7)

式中 ε1—空气的发射率系数;

ε2—玻璃的发射率系数。

4)温室与外界热传导的能量。

温室内的空气与温室表面进行能量交换,同时温室表面与外界空气进行能量交换。这些交换主要是通过对流形成的,以对流、辐射的形式向外面散失热量。温室与外界空气的热量交换的计算公式为

qc=As·Kg·(Ti-T0) (8)

式中 Kg—覆盖材料的传热系数[W/(m2·k)]。

将式(4)、式(5)、式(6)、式(8)代入式(3),整理得到微分方程为

$Q={\rm K}{}_1\frac{\text{d}{\rm T}{}_i}{\text{d}t}+{\rm K}{}_2({\rm T}{}_i-{\rm T}{}_0){\rm K}{}_3({\rm T}{}_i{}^4-{\rm T}{}_0^4)-{\rm K}{}_4$ (9)

其中,dTi/dt为单位时间内室内温度的变化量;K1=ρairVCair/5ρwCw,K2=ρairVCairAsKg/5ρwCw, K3=ε12Asσ/5ρwCw,K4=Asτa/5ρwCw。

3 控制系统设计

3.1 硬件设计

控制系统的硬件,如图3所示。整个系统采用STC89C52RC+单片机为处理核心,通过各种传感器检测温室内外的温度、湿度、光照度等环境因素,经由控制系统的模拟量输入接口传输到CPU中,并与系统设定值进行比较、判断、处理。然后将CPU处理后各种控制结果控制设备的运转,从而实现对温室温度的控制。另外,温室独立控制系统上还包括各种人机界面和数据传输接口,实现了人机交换方式、实时参数的设定以及数据的传输。

选用的室内温湿度传感器型号为HMW61Y,其温度测量范围:0～60℃,精度为±0.1℃;湿度测量范围:0～100%RH,精度为±2.0%。室外传感器选用HOBO自动气象站,其温度测量范围:-20～50℃,精度为±0.5℃;辐射测量范围:0～1 280W/m2,精度为±5%。

3.2 软件设计

系统采用阈值控制方法。事先根据作物生长条件设定温室环境参数的阈值,当传感器检测到的温室环境参数不在阈值范围内时,控制相应的执行机构,改变温室环境状态。控制软件采用C语言编程,采用模块化设计思想,各功能模块都有相应的子程序,通过主程序调用。系统包括的功能模块有传感器检测、液晶显示、键盘输入等。温室控制系统主程序流程图,如图4所示。

由于加热管道水流迟滞、控制阀门动作延迟、加热系统热量传输过程迟滞和温室热惯性,温室加热系统是个大时滞系统。对其进行一定的能量输入或输出,其室内温度会在一定时间之后才做出相应的变化。若采用实时控制策略,非但不能有效地控制室内的温度,还将造成能量的浪费,故此采取延时控制策略,延时时间为5min。开机初始化后,首先通过传感器采集室内外温湿度和光照强度,存储后再显示于LCD上。然后将室内温度与设定阈值进行比较,若在设定范围内,则等待5min再继续采集;若超出阈值,则需重新计算循环水量。为了减小超调,在此设计了模糊控制器,其输入为温度偏差和偏差变化率,输出为期望温度变化率dTi/dt。当偏差或偏差变化率较大时,增大期望温度变化率;当偏差或偏差变化率较小时,减小期望温度变化率。依据式(9),可计算出温室的需水量,并依此控制水源热泵和循环水泵。

4 结果与讨论

系统应用于江阴升泰现代农业有限公司花鸟园内的venlo型玻璃温室,其位于东经120°09',北纬30°14',温室体积60 480m3(112 m×72 m×7.5 m)。系统设定最低温度为15℃,每隔5 min 记录1次环境参数。选取2009年12月1日-12月11日时间段的数据,整理如图5所示。

由图5可知,冬季温室内部实测温度在15.0～26.4℃之间,虽然受到了室外温度变化的影响,但完全满足设定的最低温度的要求,满足了系统的需要。

5 结论

本文介绍了水源热泵作为一种新型的温室供暖技术在温室中的应用,并采用风机盘管和地暖作为温室末端制暖设备,设计了一整套温室温度调节系统。基于机理法建立了温室温度模型,并依据该模型,设计了嵌入式控制器。本系统运行至今已半年余,其工作稳定,控制效果良好,大大节省了人力物力资源。

参考文献

[1]Onder Ozgenera,Arif Hepbasli.A parametrical study on theenergetic and exergetic assessment of a solar-assisted verti-cal ground-source heat pump system used for heating agreenhouse[J].Building and Environment,2007,42:11-24.

[2]Koroneos C.Spachos T,Moussiopoulos N.Exergy analysis ofrenewable energy sources[J].Renew Energy,2003,28:295-310.

[3]Hermann WA.Quantifying global exergy resources[J].Ener-gy,2006,31(12):1 685-1 702.

[4]张伟伟,刘俊杰,朱能.水源热泵采暖系统的可用能效率分析[J].流体机械,2005,33(3):64-66.

温室模型 篇4

关于日光温室光环境模型前人研究很多,但成果多用于日光温室结构优化方面[1,2,3,4],且研究对象大多数是针对北京地区的日光温室进行的[5,6]。北方干旱、寒冷地区的日光温室光环境模型应用于预测方面的研究几乎没有。

北方干旱、寒冷地区包括内蒙古、新疆一带,属于蒙新气候区,特点是半干旱、干旱气候,日照丰富,年总辐射除准噶尔盆地为120kcal/cm2外,其余大部分地区为130～170kcal/cm2,年日照时数一般在3 000h以上,日照百分率在60%～80%以上,北疆分别在2 600～2 800h和60%。但冬季除北疆外,大部分地区干冷,1月份平均气温在-16～-20℃,春季多大风和风沙,夏季酷热。

日光温室内获得的太阳短波辐射是室内环境监控的重要指标,它直接影响室内空气温度和作物生长的光合作用效果。根据日光温室所在地的地理位置、气候特点,考虑天空云量和作物生长对光环境的影响因素,构建了北方干旱、寒冷地区的日光温室内外太阳辐射动态预测模型。根据当地每日天气预报的晴、多云、阴,模型可预测全天以小时为周期的日光温室内、外太阳辐射随时间的变化趋势值。其意义在于根据室外太阳辐射预测值,能确定日光温室保温被的揭盖时间,科学指导人为调控室内光环境,进一步预测值是温室内热环境模型的前提条件。特别是具有上述气候特色的北方干旱、寒冷地区,日光温室太阳辐射动态预测模型的成功应用意义更是重大。为此,选择典型地区典型结构的日光温室为研究对象,对模型的预测效果进行了冬季试验验证。

1 模型构建

构建适用于北方干旱、寒冷地区的到达日光温室外大地表面的太阳辐射模型和到达室内土壤表面的太阳辐射模型。

1.1 室外模型

根据后尚的研究成果[7],北方干旱、寒冷地区适用HOTTEL太阳辐射模型。

大气层外太阳辐射通量I0(W/m2)计算公式为

${\rm I}{}_0={\rm I}{}_{sc}\times [1+0.033\cos (2\text{π}\frac{day{}_{\text{Ν}\text{R}}}{365})](1)$

式中 Isc—太阳常数,取Isc=1 367W/m2;

dayNR—从1月1日算起的天数。

大气层外切平面上瞬时太阳辐射通量 I1(W/m2)计算公式为

I1=I0sin β (2)

太阳高度角的正弦值sin β为

$\begin{array}{l}\sin \beta =\sin \lambda \sin \delta +\cos \lambda \cos \delta \cos \omega \\ \delta =-\arcsin (\sin (2\text{π}\frac{23.45}{360})\cos (2\text{π}\frac{day{}_{\text{Ν}\text{R}}+10}{365}))\\ \omega =15°(S{\rm O}L{}_{\text{h}\text{r}}-12)\\ S{\rm O}L{}_{\text{h}\text{r}}=hour-(1-\frac{\phi {}_{\text{g}\text{h}}}{15})\end{array}$

式中 λ—日光温室所在地北纬度(°);

δ—太阳赤纬角(°);

ω—太阳时角(°);

SOLhr—当地太阳时;

hour—日小时时间,取值[0,23];

φgh—日光温室所在地经度(°)。

将I1进行直散分离,晴天无云时到达地面的太阳直射通量I直(W/m2)、散射通量I散(W/m2)分别为[7,8]

I直=I1Γ直 (3)

I散=I1Γ散 (4)

式中 Γ直—太阳直射透过率;

Γ散—散射透过率。

Γ直$=\alpha {}_0+\alpha {}_{1}e{}^{\frac{-k}{\sin \beta }}$

Γ散=0.271-0.293Γ直

α0,α1,k—具有23 km能见度的标准晴空大气的物理常数。

当海拔高度小于2.5km时,可先求解α*0,α*1,k*,再通过气候类型求解α0,α1,k。求解过程为

α*0=0.423 7-0.008 21(6-h)

α*1=0.505 5-0.005 95(6.5-h)

k*=0.271 1-0.018 58(2.5-h)

式中 h—海拔高度,试验日光温室所在地h=1.086km;

α0=α*0r0; α1=α*1r1; k=k*rk

r0,r1,rk—气候修正系数,见表1所示。

不同天气条件下,天空中云量的多少直接影响到达地面的太阳辐射通量,用云遮系数法[9]对晴天无云到达地面的太阳辐射进行校正,获得少云、多云和阴天天气下到达地面的直射通量I′直(W/m2)与散射通量I′散(W/m2)。

I′直=I直(1-0.1CC) (5)

I′散=(I直+I散)(P+Q(CC)+R(CC)2)-I′直 (6)

式中 CC—云量,可根据气象局资料或观察在1～10之间按晴天、少云、多云和阴天从小到大取值,北方干旱、寒冷地区冬季CC取值见表2所示,其它季节需要进一步研究总结;

P,Q,R—常数,P,Q,R的取值与地区和季节有关,取值见表3所示[10]。北方干旱、寒冷地区冬季的P,Q,R值通过试验已经验证是适用的,其它季节需要进一步验证。

到达温室外大地表面的太阳辐射总通量I2(W/m2)为

I2=I′直+I′散 (7)

1.2 室内模型

将日光温室前屋面(即透光面)简化为斜面,透过透光斜面到达作物冠层表面的太阳直射通量I冠层直(W/m2)和散射通量I冠层散(W/m2)为

I冠层直=I′Γ膜直 (8)

${\rm I}{}_{\text{冠}\text{层}\text{散}}=(\frac{1+\cos \alpha }{2}){\rm I}$散Γ膜散F (9)

式中 α—前屋面与水平面夹角(°);

F—前屋面对室内地面的角系数;

Γ膜直—透光膜直射光透过率,随时间变化;

Γ膜散—透光膜散射光透过率,取Γ膜散=0.7[11]。

参考刘洪[6]、吴毅明[3]和董吉林[12]关于采光面透过率的研究成果,求取Γ膜散的过程如下:

日光温室的Γ膜直受到当地的纬度、时间、前屋面的倾角、方位和内部骨架的因素影响,计算公式为

Γ膜直=Γ1ISF(1-IRS)(1-NOSE)

式中 IRS—边框胶条等所占采光面的面积比率;

NOSE—透光膜受风沙、大气以及煤灰等污染的程度;

ISF—受骨架阴影影响的透过率;

Γ1—透光膜的透过率。

$\Gamma {}_1=\frac{(1-r){}^2\alpha }{1-r{}^2\alpha {}^2}$

α—内投射比,即太阳辐射透过材料内部时材料吸收的比率,按照Lambeer-Bouguer定律,计算式为$\alpha =e{}^{\frac{-kl{}^{´}}{\cos \theta {}^{´}}}$。

r—透光膜对直射光的反射比,根据Fresnel公式可以求得。

$r=\frac{1}{2\times \frac{\sin {}^2(\theta -\theta {}^{´})}{\sin {}^2(\theta +\theta {}^{´})}+\frac{\tan {}^2(\theta -\theta {}^{´})}{\tan {}^2(\theta +\theta {}^{´})}}$

θ—太阳直射光对透光膜斜面的入射角(°);

θ′—太阳直射光在材料内部的折射角(°);

k—透光膜的消光系数;

l′—透光膜厚度(m)。

式(9)中,前屋面对室内地面的角系数的计算公式为[11]

$F=\frac{l{}_1+l{}_2-l{}_3}{2l{}_1}$

式中 l1—前屋面宽度(m);

l2—室内地面长度,即温室跨度(m);

l3—前屋面与室内地面构成三角形的第3边长度(m)。

到达作物冠层表面的总辐射通量I冠层(W/m2)为

I冠层=I冠层直+I冠层散 (10)

室内作物对太阳辐射通量的影响主要是吸收并反射一部分,其余的到达土壤表面。

作物吸收和反射的太阳辐射通量I冠层吸、反(W/m2)计算公式为[6]

I冠层吸、反=ρI冠层e-μILA (11)

$\rho =\frac{1-(1-\nu ){}^{0.5}}{1+(1-\nu ){}^{0.5}}\times (\frac{2}{1+1.6\sin \beta })$

式中 ILA—作物叶面积指数;

μ—作物消光吸收,取μ=0.43;

ρ—作物冠层反射率;

ν—单叶的散射系数,取v=0.2 。

到达温室内土壤表面的太阳辐射通量I土壤(W/m2)为

I土壤=1-I冠层吸、反 (12)

依据笔者的太阳辐射预测模型和前人的研究[10,11],可以进一步获得室内到达后墙和后坡的太阳辐射通量,为温室热环境模型构建提供了前提条件。

2 试验

选取内蒙古农牧业科技园区(位于包头市土默特右旗)的一栋日光温室为试验温室,东经为110.5°,北纬40.5°,东西走向,方位角为0°,长度50m,跨度为6.5m,前屋面斜面长为6m,走道宽为0.5m,脊高为3.5m,后墙高为2.12m,后坡斜面为1.2m。透光膜是新膜,材料为3层复合聚乙烯膜。

试验时间为2009年11月15日-2010年 2月5日,保温被揭开时间固定为9:00时,盖上时间固定为16:00时。揭开后保证太阳洒满地面,室内种植紫叶生菜。

2.1 试验方案

日光温室外无遮挡处的地平面和室内土壤水平表面各放置一个DAVIS全光谱农用光照传感器,连接Auto-22数据采集器,数据采集器每隔10min采集存储一次数据。通过RS-485总线与计算机连接,将数据导入计算机,以Excel形式保存,如图1所示。

2.2 数据处理

MATLAB编写预测模型程序。代入每日天气预报晴或阴的条件(见表3所示),程序就可计算出每日室内、外太阳辐射随小时时间变化的预测值,并将预测值和实测值进行比较分析,见图2、图3和图4所示。

3 结果分析

从图2、图3和图4可以看出,不管晴天、多云,还是阴天的典型天气,预测值与实测值比较接近(去除个别时间突然出现变化的云的影响,实测值明显低于预测值数据),相对误差低于8%。

4 结论

构建了北方干寒地区典型日光温室内外太阳辐射动态预测模型。根据天气预报,模型可成功预测晴天、多云、阴天天气情况下的到达室外大地水平面和透过透光膜到达土壤表面的太阳辐射随时间推移的动态过程,误差较小,低于8%。

温室模型 篇5

气候变化是当前科学界和国际社会普遍关注的热点问题, 当前遏制全球气候变暖, 削减碳排放量, 已经成为21世纪世界各国的共识[1,2]。随着我国经济社会持续稳定快速增长, 港口货物吞吐量也将持续增长, 相应的能源消耗、CO2排放量也随之增加。因此, 为有效控制港口温室气体排放增长速度, 必须进一步加大节能减排工作力度, 并开展相关研究。目前港口行业已成为温室气体排放的重要来源之一, 探索削减港口能源碳排放的技术方法与政策措施是当前环境管理学研究的前沿发展方向, 具有重要的现实和理论意义。

LEAP (Long-range Energy Alternatives Planning system) 模型是由斯德哥尔摩环境研究院开发的基于情景模拟的能源一环境分析工具[3]。LEAP模型因其用户可根据研究问题的自身特点和数据的可获得性而灵活设定模型结构和数据形式的突出优点, 被广泛应用于各类能源战略规划和温室气体减排评价研究。Dhakal和Pradhan都应用LEAP模型对城市交通的节能减排潜力进行了评价研究[4,5]。

国内学者也应用LEAP模型进行了相关研究, 詹鹃铭等采用LEAP模型, 以珠三角的佛山市为例, 模拟了不同情景下交通总量、陆运和水运的能源消耗、能源结构和碳排放由2011~2030年的变化情况, 并据此提出了珠三角城市低碳交通发展对策[7]。高小玲等使用LEAP工具, 设置了“基准情景”、“发展公共交通情景”、“新能源汽车推广情景”、“最佳情景”4 种情景, 预测了2015~2030年北京城市客运系统能源消耗及污染气体排放情景[8]。

由此, 本文应用LEAP模型对全国港口行业的节能减排潜力进行定量的评价分析, 首先介绍了LEAP模型构建及使用方法, 其次根据全国港口行业实际节能减排政策设计基准、低碳及强化底单3种不同情景, 并详细分析各部分的节能减排潜力, 最后根据不同情景设定, 得出全国港口行业截至2050年的能耗及温室气体排放预测, 并给出相应的减排路径构建建议。

2 基于LEAP模型的温室气体排放量预测方法

2.1 模型构建思路

LEAP模型采用自下而上的方法, 该模型依赖于已编制好的环境数据库对能源利用引起温室气体排放量进行核算。本研究只考虑港口行业能源消耗引起的温室气体排放, 不考虑其它污染物。LEAP模型的设计思路为:首先基于2010年港口行业分部门吞吐量基础数据, 结合分部门吞吐量与GDP的回归方程得到未来吞吐量预测值, 而后根据各类能源单耗数据及温室气体排放因子得到能源消耗量和温室气体排放量数据, 具体过程如图1所示。

2.2 港口碳排放情景设定

参照交通运输部《公路水路交通节能中长期规划纲要》和国家发展和改革委员会能源研究所《中国2050年低碳发展之路:能源需求暨碳排放情景分析》中的经济、能源等背景描述, 结合我国港口行业现状和特点, 以及现有数据的可得性等条件的制约, 设计了3种情景, 即基准情景、低碳情景和强化低碳情景, 情景设定如下。

基准情景的核心是情景时间内不会采用任何新措施来减少能源消费量和温室气体排放量。由于没有技术革新和节能政策, 各部门吞吐量单耗均保持现状。

低碳情景下, 温室气体排放的国家责任在港口行业逐渐显现, 国家加大在交通行业的节能减排政策倾向和要求。节能减排得到行业和企业的充分认识和重视, 节能减排相关技术、管理手段、政策和措施不断得到应用, 此情景下港口行业主要通过自身努力控制温室气体排放。

强化低碳情境下, 低碳理念深入人心, 减少排放的相应标准、规范、政策和措施十分严厉, CO2减排向纵深推进, 新能源和清洁能源的技术和经济性大幅提高, 使用清洁能源比重大幅提升。港口行业在转变发展方式、提高行业科技水平、推进节能减排、采用清洁能源等方面采取更为强有力的措施, 取得明显成效, 碳排放明显减少。此情景下, 除了港口行业自身努力之外, 还需要国家在资金、技术和政策上给予全力支持使控制温室气体排放效果更加明显, 具体各个情景影响效果说明见表1、表2。

随着我国经济发展, 港口吞吐量仍将不断提高, 随之带来的能源消耗和温室气体排放量也将大幅提高。如不采取针对性的节能减碳措施, 到2050年我国港口行业能源消耗和温室气体排放仍然不能得到有效控制, 节能减排形势依然严峻。因此必须采取多种措施减少港口能源消耗, 并进行能源结构调整, 减少化石燃料使用, 从而达到更好的减排效果。

低碳情景下港口行业实行严格的节能措施, 能源利用效率得到很大改善, 节能的潜力被挖掘出来。节能技术改造带来显著的节能效果, 在港口吞吐量不断增加的情况下, 将在2044年出现能源消耗量峰值, 能源消耗得到有效控制。同时由于能源结构调整, 化石燃料使用比例进一步下降, 使温室气体排放量的控制效果更加明显。

强化低碳情景下, 主要考虑在全球一致减缓气候变化的共同意愿下, 中国可以做进一步贡献。考虑在全球共同努力情况下, 进一步强化技术进步, 重大技术成本下降更快, 发达国家的政策会逐渐扩展到发展中国家, 国家进一步加大对低碳经济的投入, 更好地利用低碳经济提供的机会促进经济发展。强化低碳情景假定交通行业实行更为严格的节能措施, 节能的潜力完全挖掘;港口技术进步能够支撑大量非化石能源的利用, 港口行业能源消耗和温室气体排放的控制作用更加明显。

3 减排路径规划

由以上分析预测可以看出, 未来随着我国经济的不断发展和国际贸易的不断增加, 如不采取有效措施, 港口行业的温室气体排放将持续增长, 因此提出温室气体减排路径规划建议的重点任务如下。

3.1 着力推进综合交通运输体系建设

推进交通资源的系统整合和优化配置, 实现各种运输方式的协调发展, 加速形成“宜水则水、宜路则路、宜铁则铁、宜空则空”的交通格局, 充分发挥港口在综合运输体系中的衔接作用, 大力发展多式联运、甩挂运输、水水中转等高效运输方式。

继续完善各省市港口布局, 提升沿海港口群现代化水平, 加快港口基础设施建设, 完善港口集疏运系统, 鼓励具备条件的城市建设港口专用公路和铁路专用线, 推进内陆“无水港”建设。

3.2 持续提升港口运输组织管理水平

完善沿海、内河港口运输体系, 推进江海直达运输发展, 平衡船舶运力、港口通过能力和货物装卸, 提高港口装卸生产和水平运输协作能力, 提升港口运输组织管理水平。

加强港口生产信息资源整合, 提高信息化、智能化水平, 打造以“物联化、互联化、智能化”为特征的“智慧港口”, 完善信息服务体系和提升质量, 利用系统的智能化、互联互通、信息共享、内外业务协同等手段, 不断提高港口生产作业、运输组织效率, 持续提升管理水平。

3.3 加快提升低碳运输装备比例

加快港口装卸机械技术升级改造, 在全面完成轮胎式集装箱门式起重机 “油改电”基础上, 推广 “无油转场”;推广以天然气为动力及混合动力的高能效港口装卸设备和工具, 在继续推广LNG集卡的基础上, 在牵引车、装载机、自卸车、轮胎吊等其他港口装卸设备及港作船舶上推广LNG应用, 推进LNG加气站点的布局建设, 加强各类港口天然气应用试点示范工作, 在有条件的港口开展港作船舶、流动机械设备等建设的试点示范。

推广新一代低碳型港作船舶, 综合应用船舶节能新技术, 采用先进动力系统, 采用新技术、新材料、新工艺和新结构提高船舶设计制造水平, 优化新船型及其主尺度线型, 采用节能型柴油机, 提高燃油效率。

3.4 不断优化港口能源消费结构

探索建立港口作业机械能耗准入与退出机制, 从源头控制高能耗、高排放设备在港口的应用, 提高以电力、天然气为动力的设备应用比例, 减少化石能源消耗。

大力推进港口辅助生产领域能源消费结构, 逐步淘汰在用燃煤、燃油锅炉, 推进风能、太阳能、地热能、海洋能等新能源在港口的开发和利用。逐步推广以天然气为能源的建筑供暖制冷系统, 在适合的区域和场所应用太阳能和分布式能源等新能源技术, 继续推广地源热泵等可再生能源利用技术, 通过多种措施进一步优化港口能源消费结构, 提高清洁能源和可再生能源的使用。

3.5 扩大港口气候友好技术推广应用

进行装卸生产工艺及资源优化研究, 在装卸生产过程中, 通过组织物流, 调配货源, 合理配备机、车, 改进和完善装卸作业工艺, 研制各种货类的专用及高效属具;促进杂货成组装卸、散货集装箱化等技术的研究和应用;在煤炭码头开展底开门车技术应用、连续式卸船机的适用性研究等;系统总结推广先进生产操作经验和方法, 制定并实施严格的港口生产节能减排操作标准。

推广进港船舶岸电技术的应用, 在邮轮、集装箱、散货等主要客、货运码头配套建设码头船舶岸电设施或预留建设岸电设施空间和容量, 鼓励各类码头应用码头船舶岸电技术。

3.6 拓宽港口应对气候变化资金渠道

积极争取国际应对气候变化资金支持, 充分利用外国政府、国际组织等双边和多边基金;积极利用世行、亚行、联合国开发计划署等国际组织以及外国政府的赠款和长期低息、无息贷款, 优先安排应对气候变化建设项目。

各级政府部门应加强财税、金融等政策支持, 加大财政资金支持力度, 积极探索绿色信贷融资等新模式, 引导企业进行设备引进、改造升级以及产业链整合。推动建立以企业为主体、市场为导向、多种形式相结合的低碳技术与装备产业联盟。

探索完善与市场体制相适应的港口行业应对气候变化管理体制, 吸引各类创业投资企业、股权投资企业、社会捐赠资金对港口行业应对气候变化方面的投入, 充分利用中国清洁发展机制基金等资金支持, 不断扩展资金来源。

3.7 深化港口应对气候变化宣传培训

利用多种形式和手段, 进行低碳知识普及。各级港航主管部门、港口企业应加大低碳宣传力度, 充分发挥舆论引导作用, 经常性开展节能减排培训及节能技术、经验交流, 提高全行业人员节能意识和节能技术。

积极拓展应对气候变化交流合作渠道, 积极借鉴和吸纳国外优秀节能减排经验。建立技术转让和人才流动机制, 构建交流合作平台。提高低碳技术水平, 减少温室气体排放。

3.8 健全港口能耗及排放监测统计核查规范

制定符合港口用能特点的能源计量器具配备标准规范, 进一步提高港口企业能源计量器具配备率, 进一步夯实能源监测统计考核基础。研究港口温室气体排放监测技术方法, 实现港口温室气体排放实时监测, 统一温室气体排放核算方法。

完善港口行业能源管理的体系建设, 建立分级能源管理制度, 细化能源消耗统计, 不断提高能源管理水平。建设港口能源消耗实时监测系统, 制定港口主要耗能设备能源消耗限值标准, 严格执行能耗考核制度, 引导和规范港口企业减少能源消耗和温室气体排放。

4 结语

本文在借鉴以往基于LEAP模型的温室气体排放量相关研究的基础上, 针对港口行业生产特点, 设定基准、低碳和强化低碳三种情景模式, 以2010 年为基准年, 构建港口行业温室气体排放量LEAP模型, 并据此提出温室气体减排路径规划的重点任务建议, 对港口行业节能减排工作具有参考意义。

摘要：指出了温室气体的排放已成为全球的热点问题, 港口行业作为温室气体排放大户其温室气体排放必须引起足够重视, 从港口行业出发, 应用LEAP模型进行了节能减排情景分析, 并在此基础上提出了相应的减排路径规划建议。

关键词：温室气体,LEAP,港口

参考文献

[1]Solomon S, Plattner G K, Knutti R, et al.Irreversible climate change due to carbon dioxide emission[J].PNAS, 2009, 106 (6) :1704~1709.

[2]Roger P J, wigley T, Green C.Dangerous assumptions[J].Nature, 2008 (452) :531~532.

[3]Stockholm Environment Institute (SEI) , Tellus Institute.LEAP:long Range Energy Alternative Planning System, User Guide for LEAP2006, 2006.[EB/OL][2009-08-25].http://www.energycommunity.or/document/Leap2006UserGuideEnglish.pdf.

[4]曹斌, 林剑艺, 崔胜辉.基于LEAP的厦门市节能与温室气体减排潜力情景分析[J].生态学报, 2010, 30 (12) .

[5]Dhakal S.Implications of transportation policies on energy and environment in Kathmandu Valley, Nepal[J].Energy Policy, 2003 (31) :1493~1507.

[6]Pradhan S, Ale B B, Amatya V B.Mitigation potential of greenhouse gas emission and implications on fuel consumption due to clean energy vehicles as public passenger transport in Kathmandu Valley of Nepal:a case study of trolley buses in Ring Road[J].Energy, 2006 (31) :1748.

[7]詹鹃铭, 刘永红, 贺龙辉, 等.基于LEAP模型的佛山市交通碳排放研究[J].交通节能与环保, 2015 (3) :22~27.