CN104484749A - 用于燃煤电厂碳排放量预测方法和系统 - Google Patents
用于燃煤电厂碳排放量预测方法和系统 Download PDFInfo
- Publication number
- CN104484749A CN104484749A CN201410741415.4A CN201410741415A CN104484749A CN 104484749 A CN104484749 A CN 104484749A CN 201410741415 A CN201410741415 A CN 201410741415A CN 104484749 A CN104484749 A CN 104484749A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- coal
- emission amount
- power plant
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 222
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000003245 coal Substances 0.000 claims description 55
- 238000005457 optimization Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 7
- 239000002802 bituminous coal Substances 0.000 claims description 5
- 239000003077 lignite Substances 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供一种用于燃煤电厂碳排放量预测方法和系统,其中方法包括以下步骤:获取与燃煤电厂碳排放量相关的影响因素;根据所述影响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的关系曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模型;利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差值反馈至所述拟合曲线;根据反馈的所述差值修正对应的拟合曲线,得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;将各个碳排放优化预测值进行平均处理得到最终预测碳排放量。上述方法由于考虑了不同因素与碳排放量的关系,预测的精度较高。
Description
技术领域
本发明涉及碳排放测量技术领域,特别是涉及一种用于燃煤电厂碳排放量预测方法和用于燃煤电厂碳排放量预测系统。
背景技术
随着经济的快速发展,能源消耗也在逐年增加,由于资源的不合理利用导致环境问题日益严峻,比较突出的是全球气候变暖问题,这无疑是温室气体大量排放导致的,而温室气体中二氧化碳的贡献量最大,因此控制碳排放,对碳排放量进行预测是现今急需解决的问题。
目前碳排放的测量方法有很多,国际上现有的二氧化碳排放量测量方法一般是从燃料投入出发,根据理论计算来计算碳排放量,这种方法根据燃料中碳含量计算碳排放量,未考虑燃烧效率等运行参数的影响,误差较大。
发明内容
基于此,有必要针对现有碳排放的测量方法误差较大的问题,提供一种用于燃煤电厂碳排放量预测方法和用于燃煤电厂碳排放量预测系统。
一种用于燃煤电厂碳排放量预测方法,包括以下步骤:
获取与燃煤电厂碳排放量相关的影响因素,确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量;
根据所述影响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的关系曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模型;
利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差值反馈至所述拟合曲线;
根据反馈的所述差值修正对应的拟合曲线,得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;
将各个碳排放优化预测值进行平均处理得到最终预测碳排放量。
一种用于燃煤电厂碳排放量预测系统,包括:
确定模块,用于获取与燃煤电厂碳排放量相关的影响因素,确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量;
拟合模块,用于根据所述影响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的拟合曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模型;
反馈模块,用于利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差值反馈至所述拟合曲线;
修正模块,用于根据反馈的所述差值修正对应的拟合曲线,得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;
预测模块,用于将各个碳排放优化预测值进行平均处理得到最终预测碳排放量。
上述用于燃煤电厂碳排放量预测方法和用于燃煤电厂碳排放量预测系统,选择对碳排放量有影响的不同因素,一般优先选择影响比较大的因素,然后通过对影响因素数值和对应的碳排放量进行拟合,得到单一预测模型,运用单一预测模型对燃煤电厂当前的碳排放量进行预测,并对预测的值与实际的碳排放量比较,如果差别较大则对拟合曲线进行修正,从而得到碳排放优化预测值。由于考虑了不同参数对碳排放量的影响,误差较小,而同时根据各个影响因素的碳排放优化预测值的平均值得到预测结果,使得预测的精确度更高。
附图说明
图1为一实施例用于燃煤电厂碳排放量预测方法流程图;
图2为一实施例四种影响因素的碳排放量预测方法流程图;
图3为一实施例用于燃煤电厂碳排放量预测系统结构示意图。
具体实施方式
下面结合附图对本发明的用于燃煤电厂碳排放量预测方法和用于燃煤电厂碳排放量预测系统的具体实施方式作详细描述。
请参阅图1,图1为一实施例用于燃煤电厂碳排放量预测方法流程图。
一种用于燃煤电厂碳排放量预测方法,包括以下步骤:
步骤S101:获取与燃煤电厂碳排放量相关的影响因素,确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量;
在步骤S101中,获取的与燃煤电厂碳排放量相关的影响因素一般是指影响比较大的影响因素,比如发热量、煤种、煤粉细度等;由于考虑了相关影响因素对碳排放量的影响,在预测碳排放量时将更为精确。确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量的目的是得到每种因素在不同取值时对应的碳排放量,从而为后续拟合影响因素和碳排放量关系曲线提供依据。
在一实施例中,所述影响因素可以包括:发热量、煤种、过量空气系数和煤粉细度;所述煤种包括:烟煤、无烟煤、褐煤或贫煤。
发热量、煤种、过量空气系数和煤粉细度是影响燃煤电厂碳排放量较大的四种因素,通过在预测碳排放量时考虑这四种因素,所得到的预测值将更加接近实际的碳排放量。
进一步的,在一实施例中,所述确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量的步骤可以包括:
以设定的计算点为初始值,以300千卡为梯度,设定发热量的取值;
以0.05为梯度设定过量空气系数的取值;以百分之二为梯度设定煤粉细度的取值;
根据所述发热量的取值、过量空气系数的取值、煤粉细度的取值确定对应的碳排放量。
通过对影响因素取若干值,特别是进行梯度取值的目的是提高后续根据影响因素数值变化和对应碳排放量拟合的关系曲线的预测精度;发热量以300千卡为梯度,过量空气系数以0.05为梯度,煤粉细度以百分之二为梯度可以使得相邻数值之间的间隔在不太小的情况下也能够得到预测精度较高的关系曲线。
在一实施例中,所述发热量的取值可以为4000千卡、4300千卡、4600千卡至7000千卡。
燃煤电厂发热量的数值一般为4000千卡至7000千卡这个数值范围,将发热量取值设为4000千卡至7000千卡,能提高对于燃煤电厂通常的发热量对应的碳排放量预测精度。
在一实施例中,所述过量空气系数的取值可以为1.05、1.1、1.15至1.5。
燃煤电厂过量空气系数的取值一般为1.05、1.1、1.15至1.5这个数值范围,将过量空气系数取值设为1.05、1.1、1.15至1.5,能更好的预测实际的燃煤电厂碳排放量。
在一实施例中,所述煤粉细度的取值为百分之十四、百分之十六、百分之十八至百分之三十。
煤粉细度采用的是R90标准,不同煤粉细度,燃烧效率也不同,将煤粉细度取值设为百分之十四至百分之三十,考虑的取值范围更贴近实际应用时所采用的煤粉细度,从而使得到的不同煤粉细度对应的单一预测模型上的预测碳排放量与实际碳排放量更接近。
步骤S103:根据所述影响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的关系曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模型;
在步骤S103中,拟合指的是根据影响因素数值和对应的碳排放量的对应关系形成关系曲线的过程,通过这条关系曲线能够预测影响因素可以取的数值范围内的所有碳排放量。
在一实施例中,所述通过最小二乘法拟合碳排放量与每个影响因素之间的关系曲线。
通过最小二乘法拟合碳排放量与每个影响因素之间的关系曲线可以使得关系曲线求得的数据与实际的数据的误差较小,提高了预测碳排放量的精度。
步骤S105:利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差值反馈至所述拟合曲线;
在步骤S105中,根据单一预测模型对待预测的燃煤电厂当前的碳排放量进行预测后,计算预测的碳排放量和实际的碳排放量之间的误差大小,而将这个差值反馈回拟合曲线的目的是为了后续对拟合曲线进行修正提供依据。
步骤S107:根据反馈的所述差值修正对应的拟合曲线,得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;
在步骤S107中,在得到反馈回的差值后,对拟合曲线对应的部分进行修正,以减少拟合曲线上的数值与实际的数值的误差大小,从而得到与实际碳排放量更接近甚至相同的碳排放优化预测值。
在一实施例中,所述根据反馈的所述差值修正对应的拟合曲线步骤可以包括:
判断所述差值的绝对值是否大于设定的差值;
若否,则根据所述实际的碳排放量对所述拟合曲线进行修正。
设定的差值可以按照不同的情况进行设定,从而可以适应不同的应用场景;当设定的差值较小时,拟合曲线进行多次修正迭代后,所得到的拟合曲线中影响因素数值与碳排放量之间的关系更贴近实际,所预测的碳排放量将更为精确。
进一步的,在一实施例中,所述设定的差值可以为0.01g/kw·h,其中g表示克,kw表示千瓦,h表示时。
设定的差值为0.01g/kw·h时,对拟合曲线进行不断的修正迭代后,所得到的基于拟合曲线的单一预测模型的预测精度将更高。
步骤S109:将各个碳排放优化预测值进行平均处理得到最终预测碳排放量。
对各个影响因素对应的碳排放优化预测值进行平均处理能够更好地降低最终预测碳排放量的误差。
上述用于燃煤电厂碳排放量预测方法,选择对碳排放量有影响的不同因素,一般优先选择影响比较大的因素,然后通过对影响因素数值和对应的碳排放量进行拟合,得到单一预测模型,运用单一预测模型对燃煤电厂当前的碳排放量进行预测,并对预测的值与实际的碳排放量比较,如果差别较大则对拟合曲线进行修正,从而得到碳排放优化预测值。由于考虑了不同参数对碳排放量的影响,误差较小,而同时根据各个影响因素的碳排放优化预测值的平均值得到预测结果,使得预测的精确度更高。
为了更进一步的说明本发明的碳排放量预测方法,下面将结合具体应用实例进行说明。
本具体应用实例选择四种参数,发热量、煤种、过量空气系数、煤粉细度。
请参阅图2,图2为一实施例四种影响因素的碳排放量预测方法流程图。
步骤S201:选取四种影响较大的参数:发热量、不同煤种、过量空气系数、煤粉细度;
步骤S202:针对每种影响参数选择计算点,在保持其他参数不变的情况下获取其对应的碳排放量;具体操作步骤如下:
以300kcal(千卡)为梯度,计算烟煤在不同发热量下的碳排放量,发热量取值为4000kcal、4300kcal、4600kcal······7000kcal,计算后对数据进行整理,如表1所示:其中A1-Ai表示对应的碳排放量;
表1
根据煤的分类标准,选取无烟煤、烟煤、褐煤、贫煤四种煤种对应的三种发热量,获取在该发热量下该煤种产生的二氧化碳含量,计算后对数据进行整理,如表2所示:其中B1-B12表示对应的碳排放量
表2
过量空气系数是影响燃烧效率的重要参数,从而影响碳排放量,因此以0.05为梯度获取不同过量空气系数下的碳排放量,过量空气系数取值为1.05、1.1、1.15······1.5,计算后对数据进行整理,如表3所示:其中C1-Ci表示对应的碳排放量
表3
不同的煤粉细度,锅炉的燃烧效率也有很大差别,以R90标准变化2%为梯度,计算不同煤粉细度下的碳排放量,煤粉细度R90取值为14%、16%、18%······30%,计算后对数据进行整理,如下表所示:其中D1-Di表示对应的碳排放量
表4
步骤S203:将上述计算得到的四组数据进行整理后,按最小二乘法对四组数据进行拟合,得到相应的拟合曲线1、拟合曲线2、拟合曲线3和拟合曲线4,如图2所示,这四种拟合曲线分别为四种影响参数下的单一预测模型;
步骤S204:分别利用不同的单一预测模型计算碳排放量Wi,然后获取对应的实际碳排放量,将碳排放量Wi与实际碳排放量的差值反馈给拟合曲线1、拟合曲线2、拟合曲线3和拟合曲线4,修正拟合曲线,修正后的拟合曲线更加接近实际情况。采用修正后的拟合曲线1、拟合曲线2、拟合曲线3和拟合曲线4重新计算碳排放量,将本次的碳排放量与实际的碳排放量进行比较,若两者相差的绝对值Δ≥0.01g/kw·h,则继续进行修正迭代;若两者相差的绝对值Δ<0.01g/kw·h,则该碳排放量数据即为四种影响参数下的碳排放量;
步骤S205:将四种参数下的碳排放量求和取平均值W,即得到真正预测结果即最终预测碳排放量。
请参阅图3,图3为一实施例用于燃煤电厂碳排放量预测系统结构示意图。
一种用于燃煤电厂碳排放量预测系统,包括:
确定模块310,用于获取与燃煤电厂碳排放量相关的影响因素,确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量;
拟合模块330,用于根据所述影响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的拟合曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模型;
反馈模块350,用于利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差值反馈至所述拟合曲线;
修正模块370,用于根据反馈的所述差值修正对应的拟合曲线,得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;
预测模块390,用于将各个碳排放优化预测值进行平均处理得到最终预测碳排放量。
上述用于燃煤电厂碳排放量预测系统,获取的与燃煤电厂碳排放量相关的影响因素一般是指影响比较大的影响因素,比如发热量、煤种、煤粉细度等;由于考虑了相关影响因素对碳排放量的影响,在预测碳排放量时将更为精确。确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量的目的是得到每种因素在不同取值时对应的碳排放量,从而为后续拟合影响因素和碳排放量关系曲线提供依据。拟合指的是根据影响因素数值和对应的碳排放量的对应关系形成的关系曲线,通过这条关系曲线能够预测影响因素可以取的数值范围内的所有碳排放量。根据单一预测模型对待预测的燃煤电厂当前的碳排放量进行预测后,计算预测的碳排放量和实际的碳排放量之间的误差大小,而将这个差值反馈回拟合曲线的目的是为了后续对拟合曲线进行修正提供依据。在得到反馈回的差值后,对拟合曲线对应的部分进行修正,以减少拟合曲线上的数值与实际的数值的误差大小,从而得到与实际碳排放量更接近甚至相同的碳排放优化预测值。
在一实施例中,所述影响因素可以包括:发热量、煤种、过量空气系数和煤粉细度;所述煤种包括:烟煤、无烟煤、褐煤或贫煤。
发热量、煤种、过量空气系数和煤粉细度是影响燃煤电厂碳排放量较大的四种因素,通过在预测碳排放量时考虑这四种因素,所得到的预测值将更加接近实际的碳排放量。
进一步的,在一实施例中,所述确定模块310执行所述确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量的过程可以进一步用于:
以设定的计算点为初始值,以300千卡为梯度,设定发热量的取值;
以0.05为梯度设定过量空气系数的取值;以百分之二为梯度设定煤粉细度的取值;
根据所述发热量的取值、过量空气系数的取值、煤粉细度的取值确定对应的碳排放量。
通过对影响因素取若干值,特别是进行梯度取值的目的是提高后续根据影响因素数值变化和对应碳排放量拟合的关系曲线的预测精度;发热量以300千卡为梯度,过量空气系数以0.05为梯度,煤粉细度以百分之二为梯度可以使得相邻数值之间的间隔在不太小的情况下也能够得到预测精度较高的关系曲线。
在一实施例中,所述发热量的取值可以为4000千卡、4300千卡、4600千卡至7000千卡。
燃煤电厂发热量的数值一般为4000千卡至7000千卡这个数值范围,将发热量取值设为4000千卡至7000千卡,能提高对于燃煤电厂通常的发热量对应的碳排放量预测精度。
在一实施例中,所述过量空气系数的取值可以为1.05、1.1、1.15至1.5。
燃煤电厂过量空气系数的取值一般为1.05、1.1、1.15至1.5这个数值范围,将过量空气系数取值设为1.05、1.1、1.15至1.5,能更好的预测实际的燃煤电厂碳排放量。
在一实施例中,所述煤粉细度的取值为百分之十四、百分之十六、百分之十八至百分之三十。
煤粉细度采用的是R90标准,不同煤粉细度,燃烧效率也不同,将煤粉细度取值设为百分之十四至百分之三十,考虑的取值范围更贴近实际应用时所采用的煤粉细度,从而使得到的不同煤粉细度对应的单一预测模型上的预测碳排放量与实际碳排放量更接近。
在一实施例中,所述通过最小二乘法拟合碳排放量与每个影响因素之间的关系曲线。
通过最小二乘法拟合碳排放量与每个影响因素之间的关系曲线可以使得关系曲线求得的数据与实际的数据的误差较小,提高了预测碳排放量的精度。
在一实施例中,所述修正模块370执行所述根据反馈的所述差值修正对应的拟合曲线的过程可以进一步用于:
判断所述差值的绝对值是否大于设定的差值;
若否,则根据所述实际的碳排放量对所述拟合曲线进行修正。
进一步的,在一实施例中,所述设定的差值可以为0.01g/kw·h,其中g表示克,kw表示千瓦,h表示时。
设定的差值可以按照不同的情况进行设定,从而可以适应不同的应用场景;当设定的差值较小时,拟合曲线进行多次修正迭代后,所得到的拟合曲线中影响因素数值与碳排放量之间的关系更贴近实际,所预测的碳排放量将更为精确。
上述用于燃煤电厂碳排放量预测系统,选择对碳排放量有影响的不同因素,一般优先选择影响比较大的因素,然后通过对影响因素数值和对应的碳排放量进行拟合,得到单一预测模型,运用单一预测模型对燃煤电厂当前的碳排放量进行预测,并对预测的值与实际的碳排放量比较,如果差别较大则对拟合曲线进行修正,从而得到碳排放优化预测值。由于考虑了不同参数对碳排放量的影响,误差较小,而同时根据各个影响因素的碳排放优化预测值的平均值得到预测结果,使得预测的精确度更高。
本发明的用于燃煤电厂碳排放量预测系统与本发明的用于燃煤电厂碳排放量预测方法一一对应,在上述用于燃煤电厂碳排放量预测方法的实施例阐述的技术特征及其有益效果均适用于用于燃煤电厂碳排放量预测系统的实施例中,特此声明。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于燃煤电厂碳排放量预测方法,其特征在于,包括以下步骤:
获取与燃煤电厂碳排放量相关的影响因素,确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量;
根据所述影响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的关系曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模型;
利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差值反馈至所述拟合曲线;
根据反馈的所述差值修正对应的拟合曲线,得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;
将各个碳排放优化预测值进行平均处理得到最终预测碳排放量。
2.根据权利要求1所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述根据反馈的所述差值修正对应的拟合曲线步骤包括:
判断所述差值的绝对值是否大于设定的差值;
若否,则根据所述实际的碳排放量对所述拟合曲线进行修正。
3.根据权利要求2所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述设定的差值为0.01g/kw·h,其中g表示克,kw表示千瓦,h表示时。
4.根据权利要求1所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述影响因素包括:发热量、煤种、过量空气系数和煤粉细度;所述煤种包括:烟煤、无烟煤、褐煤或贫煤。
5.根据权利要求4所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量的步骤包括:
以设定的计算点为初始值,以300千卡为梯度,设定发热量的取值;
以0.05为梯度设定过量空气系数的取值;以百分之二为梯度设定煤粉细度的取值;
根据所述发热量的取值、过量空气系数的取值、煤粉细度的取值确定对应的碳排放量。
6.根据权利要求5所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述发热量的取值为4000千卡、4300千卡、4600千卡至7000千卡。
7.根据权利要求5所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述过量空气系数的取值为1.05、1.1、1.15至1.5。
8.根据权利要求5所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述煤粉细度的取值为百分之十四、百分之十六、百分之十八至百分之三十。
9.根据权利要求1所述的用于燃煤电厂碳排放量预测方法,其特征在于,所述通过最小二乘法拟合碳排放量与每个影响因素之间的关系曲线。
10.一种用于燃煤电厂碳排放量预测系统,其特征在于,包括:
确定模块,用于获取与燃煤电厂碳排放量相关的影响因素,确定所述燃煤电厂在影响因素数值发生改变时产生的对应碳排放量;
拟合模块,用于根据所述影响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的拟合曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模型;
反馈模块,用于利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差值反馈至所述拟合曲线;
修正模块,用于根据反馈的所述差值修正对应的拟合曲线,得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;
预测模块,用于将各个碳排放优化预测值进行平均处理得到最终预测碳排放量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410741415.4A CN104484749A (zh) | 2014-12-04 | 2014-12-04 | 用于燃煤电厂碳排放量预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410741415.4A CN104484749A (zh) | 2014-12-04 | 2014-12-04 | 用于燃煤电厂碳排放量预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104484749A true CN104484749A (zh) | 2015-04-01 |
Family
ID=52759290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410741415.4A Pending CN104484749A (zh) | 2014-12-04 | 2014-12-04 | 用于燃煤电厂碳排放量预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484749A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850899A (zh) * | 2015-04-17 | 2015-08-19 | 广东电网有限责任公司电力科学研究院 | 一种燃煤电厂碳排放有偿配额最优消费方案的计算方法 |
CN105242000A (zh) * | 2015-10-29 | 2016-01-13 | 广东电网有限责任公司电力科学研究院 | 一种燃煤电厂碳排放量的精确测量方法 |
CN105975799A (zh) * | 2016-06-01 | 2016-09-28 | 广东电网有限责任公司电力科学研究院 | 一种碳排放量计算方法及系统 |
CN106650068A (zh) * | 2016-12-12 | 2017-05-10 | 华南理工大学 | 一种预测燃煤电厂碳排放量的计算方法 |
CN110044852A (zh) * | 2019-04-23 | 2019-07-23 | 华南理工大学 | 基于激光诱导击穿光谱法的燃煤电厂碳排放在线监测方法 |
CN111967756A (zh) * | 2020-08-11 | 2020-11-20 | 中国科学院城市环境研究所 | 一种目标驱动源的建筑能耗碳排放确定方法及系统 |
CN113281466A (zh) * | 2021-05-17 | 2021-08-20 | 吴迅海 | 碳排放量检测的校准方法、装置及计算机存储介质 |
CN114462133A (zh) * | 2022-04-12 | 2022-05-10 | 天津水泥工业设计研究院有限公司 | 基于数字孪生技术装备产品碳足迹数字化核算方法及系统 |
CN117236750A (zh) * | 2023-09-08 | 2023-12-15 | 重庆环问问科技有限公司 | 一种基于差异数据分析的全周期碳排放计算方法 |
CN117236750B (zh) * | 2023-09-08 | 2024-07-05 | 重庆环问问科技有限公司 | 一种基于差异数据分析的全周期碳排放计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486833A (zh) * | 2010-12-03 | 2012-06-06 | 财团法人工业技术研究院 | 装置的效能预测及故障检测的方法 |
CN103175214A (zh) * | 2013-04-09 | 2013-06-26 | 章礼道 | 配有智能辊轮式中速磨煤机的天然气点火系统 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
CN104063626A (zh) * | 2014-07-11 | 2014-09-24 | 中国石油大学(华东) | 一种它源圈闭充满度的预测方法 |
-
2014
- 2014-12-04 CN CN201410741415.4A patent/CN104484749A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102486833A (zh) * | 2010-12-03 | 2012-06-06 | 财团法人工业技术研究院 | 装置的效能预测及故障检测的方法 |
CN103175214A (zh) * | 2013-04-09 | 2013-06-26 | 章礼道 | 配有智能辊轮式中速磨煤机的天然气点火系统 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
CN104063626A (zh) * | 2014-07-11 | 2014-09-24 | 中国石油大学(华东) | 一种它源圈闭充满度的预测方法 |
Non-Patent Citations (1)
Title |
---|
吴晓蔚等: "火力发电行业温室气体排放因子测算", 《环境科学研究》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850899A (zh) * | 2015-04-17 | 2015-08-19 | 广东电网有限责任公司电力科学研究院 | 一种燃煤电厂碳排放有偿配额最优消费方案的计算方法 |
CN105242000A (zh) * | 2015-10-29 | 2016-01-13 | 广东电网有限责任公司电力科学研究院 | 一种燃煤电厂碳排放量的精确测量方法 |
CN105975799A (zh) * | 2016-06-01 | 2016-09-28 | 广东电网有限责任公司电力科学研究院 | 一种碳排放量计算方法及系统 |
CN106650068A (zh) * | 2016-12-12 | 2017-05-10 | 华南理工大学 | 一种预测燃煤电厂碳排放量的计算方法 |
CN106650068B (zh) * | 2016-12-12 | 2019-12-10 | 华南理工大学 | 一种预测燃煤电厂碳排放量的计算方法 |
CN110044852A (zh) * | 2019-04-23 | 2019-07-23 | 华南理工大学 | 基于激光诱导击穿光谱法的燃煤电厂碳排放在线监测方法 |
CN111967756A (zh) * | 2020-08-11 | 2020-11-20 | 中国科学院城市环境研究所 | 一种目标驱动源的建筑能耗碳排放确定方法及系统 |
CN113281466A (zh) * | 2021-05-17 | 2021-08-20 | 吴迅海 | 碳排放量检测的校准方法、装置及计算机存储介质 |
CN114462133A (zh) * | 2022-04-12 | 2022-05-10 | 天津水泥工业设计研究院有限公司 | 基于数字孪生技术装备产品碳足迹数字化核算方法及系统 |
CN117236750A (zh) * | 2023-09-08 | 2023-12-15 | 重庆环问问科技有限公司 | 一种基于差异数据分析的全周期碳排放计算方法 |
CN117236750B (zh) * | 2023-09-08 | 2024-07-05 | 重庆环问问科技有限公司 | 一种基于差异数据分析的全周期碳排放计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484749A (zh) | 用于燃煤电厂碳排放量预测方法和系统 | |
Li et al. | Prospective on energy related carbon emissions peak integrating optimized intelligent algorithm with dry process technique application for China's cement industry | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Wu et al. | Application of the novel fractional grey model FAGMO (1, 1, k) to predict China's nuclear energy consumption | |
CN108416691B (zh) | 一种能源替代环保潜力计算方法 | |
Zhu et al. | An optimal incentive policy for residential prosumers in Chinese distributed photovoltaic market: a Stackelberg game approach | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN104635665A (zh) | 一种火电厂锅炉节能潜力分析方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
Dalir et al. | Sensitivity analysis of parameters affecting carbon footprint of fossil fuel power plants based on life cycle assessment scenarios | |
Yu et al. | Optimal path for controlling pollution emissions in the Chinese electric power industry considering technological heterogeneity | |
Karaeva et al. | Improving the approach to efficiency assessment of investment projects in the energy sector | |
CN105633971A (zh) | 一种基于帝国主义竞争算法的智能配电网随机潮流方法 | |
Yang et al. | The prediction for output of blast furnace gas based on genetic algorithm and LSSVM | |
CN108446792A (zh) | 一种在演化路径与规划目标之间迭代的优化方法 | |
Chu et al. | Evaluating CCS Investment of China by a Novel Real Option‐Based Model | |
CN104331748A (zh) | 一种预测规划目标年风电场群持续功率曲线的方法 | |
CN106651094A (zh) | 一种基于等效节能量的企业能效评价方法 | |
Ren et al. | Study on ETFEE in the BTH Region Based on the Window‐SBM‐Undesirable Model | |
Huang et al. | Research on Forecasting Method of Industry Electricity Consumption Considering Price Factor | |
CN110070132A (zh) | 风电场scada系统缺失数据修复结果的修正补偿方法 | |
CN108921726A (zh) | 基于非径向dea的能源转型效率评价模型建立方法 | |
Sergeevich et al. | A method for steam boilers load optimization | |
Zhou et al. | Calculation and Evaluation of Carbon Dioxide Emissions of Regional Logistics Ecosystem: A Study in China. | |
Sun et al. | Application of carbon emissions prediction using least squares support vector machine based on grid search |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150401 |
|
RJ01 | Rejection of invention patent application after publication |