CN106485051A - 一种锅炉co2排放量计算方法及其系统 - Google Patents

Abstract

本发明公开了一种锅炉CO2排放量计算方法及其系统，包括获取锅炉的含碳量相关数据以及机组的煤耗率；将含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；将空干基含碳量转换为收到基含碳量；根据收到基含碳量、机组的煤耗率以及CO2排放量关系式得到锅炉的CO2排放量。本发明能够降低CO2计算时的不确定性；并且，能够综合考虑锅炉机组类型及燃烧技术等问题，精确度更高。

Description

一种锅炉CO2排放量计算方法及其系统

技术领域

本发明涉及碳排放计算领域，特别是涉及一种锅炉CO2排放量计算方法及其系统。

背景技术

随着全球社会经济的发展，气候变化已成为国际社会普遍关注的重大问题，而CO2的排放量是一个需要重点关注的问题。燃煤发电作为中国最主要的电源与化石能源消耗源，统计锅炉的CO2排放量对火力发电企业的控排与管理上具有重要意义。

目前主要采用IPCC的碳排放系数法来计算锅炉的CO2排放量，即通过制定的燃料排放系数与燃煤量及燃煤热值相乘即可得到CO2排放量。但是该方法只考虑燃料的热值水平，由于在不同燃烧技术下，燃煤量与燃煤热值的对应关系会发生变化，这种情况下采用固定的燃料排放系数会导致计算得到的CO2排放量不确定性大，精确度低。并且，IPCC的碳排放系数法未考虑锅炉的机组类型的影响。

因此，如何提供一种精确度高的锅炉CO2排放量计算方法及其系统是本领域技术人员目前需要解决的问题。

发明内容

本发明的目的是提供一种锅炉CO2排放量计算方法及其系统，能够降低CO2计算时的不确定性；并且，能够综合考虑锅炉机组类型及燃烧技术等问题，精确度更高。

为解决上述技术问题，本发明提供了一种锅炉CO2排放量计算方法，包括：

获取所述锅炉的含碳量相关数据以及机组的煤耗率；

将所述含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

将所述空干基含碳量转换为收到基含碳量；

根据所述收到基含碳量、所述机组的煤耗率以及CO2排放量关系式得到所述锅炉的CO2排放量。

优选地，所述含碳量相关数据具体包括所述锅炉的空干基固定碳含量、空干基灰分、空干基挥发分以及空干基高位发热量。

优选地，所述CO2排放量关系式具体为：

其中，为每小时的CO2排放量，单位为t/h；为每产生1kWh的电量的CO2排放量，单位为g/kWh；为k₁段时间段内的CO2排放量之和，为k₂段发电量下的CO2排放量之和，单位均为t；B为所述锅炉机组每小时的燃料消耗量；C_ar为所述收到基含碳量，单位为％；A_ar为收到基灰分，单位为％；C_a为所述锅炉炉灰的平均含碳量，单位为％；b_s为所述锅炉机组供电/发电标准煤耗率，单位为g/kWh；Q_ar,net为收到基低位发热量，单位为kJ/kg；τ_i表示第i段发电时间，单位为h；P_i为第i段时间内对应的供电/发电功率，单位为MW。

优选地，得到所述预设BP神经网络模型的过程具体为：

收集所述锅炉的含碳量相关数据与空干基含碳量的若干个数据样本，并将其分为训练样本和校核样本；

建立BP神经网络模型；

采用粒子群算法以及所述训练样本优化所述BP神经网络模型的权值和阈值；

将所述校核样本带入优化后的BP神经网络模型，并将输出结果与所述校核样本内的实际结果进行比较，若误差处于预设误差范围内，则将所述优化后的BP神经网络模型作为所述预设BP神经网络模型。

优选地，所述采用粒子群算法以及所述训练样本优化所述BP神经网络模型的权值和阈值的过程具体为：

S1：初始化所述粒子群算法中的参数，所述参数包括粒子群的种群规模N、每个粒子的位置和速度；其中，每个所述粒子的位置代表所述BP神经网络模型中全部权值和阈值的一组解；

S2：根据位置更新关系式更新各个所述粒子位置，其中，所述位置更新关系式具体为：

v_i,t+1＝wv_i,t+c₁r_1,t(P_hi,t-x_i,t)+c₂r_2,t(Q_hi,t-x_i,t)

x_i,t+1＝x_i,t+v_i,t+1

其中，w为惯性权重，w＝w_max-(w_max-w_min)t/t_m，w_max和w_min分别表示w的最大值和最小值，t为当前迭代次数，t_m为预设最大迭代次数，c₁和c₂为加速系数，r₁和r₂为[0,1]区间内的随机数，P_hi,t为第i个粒子到第h次迭代为止得到的个体最优方案，Q_hi,t为粒子群到第h次迭代为止得到的全局最优方案；所述粒子群每迭代一次，所述粒子群内全部粒子的位置发生一次变化；

S3：根据适应值关系式计算所述粒子群中每个所述粒子的适应值，所述适应值关系式为：

其中，n为所述训练样本的个数，n>1，y_j和y'_j分别为所述BP神经网络模型的目标输出值和实际输出值，x_i,t为迭代t次时第i个所述粒子的位置，1≤i≤N，f(x_i,t)为迭代t次时第i个所述粒子的适应值；

S4：每次迭代完成后，若有粒子的适应值优于自身当前的个体最优适应值，则将其当前的适应值作为自身的个体最优值，并将其当前的位置设置为自身的个体最优方案；若有粒子的适应值优于所述粒子群当前的全局最优适应值，则将其当前的适应值作为全局最优值，并将其当前的位置设置为所述粒子群的全局最优方案；

S5：判断优化过程是否满足结束条件，如果是，将所述全局最优方案带入BP神经网络模型，得到所述优化后的BP神经网络模型；否则，返回S2。

优选地，所述判断优化过程是否满足结束条件的过程具体为：

判断所述迭代次数是否达到所述预设最大迭代次数，如果是，所述优化过程满足结束条件，否则，不满足。

优选地，所述判断优化过程是否满足结束条件的过程具体为：

判断得到的最优方案是否满足预设误差判断关系式，如果是，所述优化过程满足结束条件，否则，不满足；

所述预设误差判断关系式具体为：

abs(f(Q_hi,t)-f(Q_hi,t+1))≤ε

其中，abs()为绝对值计算，f(Q_hi,t)为采用到第t次迭代为止得到的全局最优方案时的适应值，f(Q_hi,t+1)为采用到第t+1次迭代为止得到的全局最优方案时的适应值，ε为预设误差阈值。

优选地，所述将所述空干基含碳量转换为收到基含碳量的过程具体为：

将所述空干基含碳量带入转换关系式得到所述收到基含碳量，所述转换关系式为：

其中，C_ar为所述收到基含碳量，M_ar为收到基水分，M_ad为空干基水分，C_ad为所述空干基含碳量。

为解决上述技术问题，本发明还提供了一种锅炉CO2排放量计算系统，包括：

数据获取模块，用于获取所述锅炉的含碳量相关数据以及机组的煤耗率；

空干基含碳量计算模块，用于将所述含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

转换模块，用于将所述空干基含碳量转换为收到基含碳量；

CO2排放量计算模块，用于根据所述收到基含碳量、所述机组的煤耗率以及CO2排放量关系式得到所述锅炉的CO2排放量。

本发明提供了一种锅炉CO2排放量计算方法及其系统，本发明采用BP神经网络模型来计算空干基含碳量，BP神经网络模型能够通过学习来更新权值及阈值，进而使输出的空干基含碳量更符合实际需要，相比仅采用制定的系数的方式，减少了不确定性；并且，本发明在计算CO2排放量时，考虑了锅炉机组的煤耗率，即考虑的不同机组类型以及不同燃烧技术带来的影响，故精确度更高。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种锅炉CO2排放量计算方法的过程的流程图；

图2为本发明提供的一种锅炉CO2排放量计算系统的结构示意图。

具体实施方式

本发明的核心是提供一种锅炉CO2排放量计算方法及其系统，能够降低CO2计算时的不确定性；并且，能够综合考虑锅炉机组类型及燃烧技术等问题，精确度更高。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种锅炉CO2排放量计算方法，参见图1所示，图1为本发明提供的一种锅炉CO2排放量计算方法的过程的流程图；包括：

步骤s101：获取锅炉的含碳量相关数据以及机组的煤耗率；

步骤s102：将含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

步骤s103：将空干基含碳量转换为收到基含碳量；

步骤s104：根据收到基含碳量、机组的煤耗率以及CO2排放量关系式得到锅炉的CO2排放量。

作为优选地，含碳量相关数据具体包括锅炉的空干基固定碳含量、空干基灰分、空干基挥发分以及空干基高位发热量。

其中，空干基为空气干燥基的简称，空气干燥基为以空气干燥过的煤样为基准的成分。收到基为以实际收到的燃料为基准(含水分、灰分)进行计算，又称应用基。另外，这里的含碳量相关数据还可以为固定碳含量，煤经热解出挥发分之后，剩下的不挥发物称为焦渣，焦渣减去灰分称为固定碳。

作为优选地，CO2排放量关系式具体为：

其中，为每小时的CO2排放量，单位为t/h；为每产生1kWh的电量的CO2排放量，单位为g/kWh；为k₁段时间段内的CO2排放量之和，为k₂段发电量下的CO2排放量之和，单位均为t；B为锅炉机组每小时的燃料消耗量；C_ar为收到基含碳量，单位为％；A_ar为收到基灰分，单位为％；C_a为锅炉炉灰的平均含碳量，单位为％；b_s为锅炉机组供电/发电标准煤耗率，单位为g/kWh；Q_ar,net为收到基低位发热量，单位为kJ/kg；τ_i表示第i段发电时间，单位为h；P_i为第i段时间内对应的供电/发电功率，单位为MW。

其中，由于锅炉炉灰中飞灰占了绝大部分，故也可用锅炉飞灰含碳量代表锅炉炉灰的平均含碳量C_a。

具体采用以上哪一个关系式可根据实际需要而定，本发明对此不做限定。

可以理解的是，本发明中的CO2排放量关系式采用的是碳平衡的计算方式，综合考虑了灰分、水分、炉灰的含碳量、发热量以及煤耗率等因素，考虑的方面更为全面，并且兼顾了燃烧技术与锅炉机组类型的影响，准确度更高。

其中，得到预设BP神经网络模型的过程具体为：

步骤s201：收集锅炉的含碳量相关数据与空干基含碳量的若干个数据样本，并将其分为训练样本和校核样本；

这里的训练样本的个数大于1个，校核样本至少为1个。当然，训练样本以及校核样本的具体个数根据实际需要以及试验结果自行确定，本发明对此不做限定。

步骤s202：建立BP神经网络模型；

其中，BP神经网络模型的输入层包括的节点数m与含碳量相关数据具体包括的数据类型数量相同，例如，在含碳量相关数据具体包括锅炉的空干基固定碳含量、空干基灰分、空干基挥发分以及空干基高位发热量时，m＝4；输出层为空干基含碳量，输出层节点数l＝1；隐含层个数n＝2m+1，该关系式为经验公式，本发明不限定隐含层个数的确定方式。

步骤s203：采用粒子群算法以及训练样本优化BP神经网络模型的权值和阈值；

可以理解的是，通过调整BP神经网络模型的权值和阈值，可以调整输出的空干基含碳量的大小，即通过优化权值和阈值，能够尽可能使输出的空干基含碳量接近实际的数值。

步骤s204：将校核样本带入优化后的BP神经网络模型，并将输出结果与校核样本内的实际结果进行比较，若误差处于预设误差范围内，则将优化后的BP神经网络模型作为预设BP神经网络模型。

进一步可知，采用粒子群算法以及训练样本优化BP神经网络模型的权值和阈值的过程具体为：

S1：初始化粒子群算法中的参数，参数包括粒子群的种群规模N、每个粒子的位置和速度；其中，每个粒子的位置代表BP神经网络模型中全部权值和阈值的一组解；

S2：根据位置更新关系式更新各个粒子位置，其中，位置更新关系式具体为：

v_i,t+1＝wv_i,t+c₁r_1,t(P_hi,t-x_i,t)+c₂r_2,t(Q_hi,t-x_i,t)

x_i,t+1＝x_i,t+v_i,t+1

其中，w为惯性权重，w＝w_max-(w_max-w_min)t/t_m，w_max和w_min分别表示w的最大值和最小值，t为当前迭代次数，t_m为预设最大迭代次数，c₁和c₂为加速系数，r₁和r₂为[0,1]区间内的随机数，P_hi,t为第i个粒子到第h次迭代为止得到的个体最优方案，Q_hi,t为粒子群到第h次迭代为止得到的全局最优方案；粒子群每迭代一次，粒子群内全部粒子的位置发生一次变化；

S3：根据适应值关系式计算粒子群中每个粒子的适应值，适应值关系式为：

其中，n为训练样本的个数，n>1，y_j和y'_j分别为BP神经网络模型的目标输出值和实际输出值，x_i,t为迭代t次时第i个粒子的位置，1≤i≤N，f(x_i,t)为迭代t次时第i个粒子的适应值；

S4：每次迭代完成后，若有粒子的适应值优于自身当前的个体最优适应值，则将其当前的适应值作为自身的个体最优值，并将其当前的位置设置为自身的个体最优方案；若有粒子的适应值优于粒子群当前的全局最优适应值，则将其当前的适应值作为全局最优值，并将其当前的位置设置为粒子群的全局最优方案；

S5：判断优化过程是否满足结束条件，如果是，将全局最优方案带入BP神经网络模型，得到优化后的BP神经网络模型；否则，返回S2。

作为优选地，判断优化过程是否满足结束条件的过程具体为：

判断迭代次数是否达到预设最大迭代次数，如果是，优化过程满足结束条件，否则，不满足。

作为优选地，判断优化过程是否满足结束条件的过程具体为：

判断得到的最优方案是否满足预设误差判断关系式，如果是，优化过程满足结束条件，否则，不满足；

预设误差判断关系式具体为：

abs(f(Q_hi,t)-f(Q_hi,t+1))≤ε

其中，abs()为绝对值计算，f(Q_hi,t)为采用到第t次迭代为止得到的全局最优方案时的适应值，f(Q_hi,t+1)为采用到第t+1次迭代为止得到的全局最优方案时的适应值，ε为预设误差阈值。

其中，将空干基含碳量转换为收到基含碳量的过程具体为：

将空干基含碳量带入转换关系式得到收到基含碳量，转换关系式为：

其中，C_ar为收到基含碳量，M_ar为收到基水分，M_ad为空干基水分，C_ad为空干基含碳量。

本发明提供了一种锅炉CO2排放量计算方法，本发明采用BP神经网络模型来计算空干基含碳量，BP神经网络模型能够通过学习来更新权值及阈值，进而使输出的空干基含碳量更符合实际需要，相比仅采用制定的系数的方式，减少了不确定性；并且，本发明在计算CO2排放量时，考虑了锅炉机组的煤耗率，即考虑的不同机组类型以及不同燃烧技术带来的影响，故精确度更高。

本发明还提供了一种锅炉CO2排放量计算系统，参见图2所示，图2为本发明提供的一种锅炉CO2排放量计算系统的结构示意图。包括：

数据获取模块11，用于获取锅炉的含碳量相关数据以及机组的煤耗率；

空干基含碳量计算模块12，用于将含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

转换模块13，用于将空干基含碳量转换为收到基含碳量；

CO2排放量计算模块14，用于根据收到基含碳量、机组的煤耗率以及CO2排放量关系式得到锅炉的CO2排放量。

本发明提供了一种锅炉CO2排放量计算系统，本发明采用BP神经网络模型来计算空干基含碳量，BP神经网络模型能够通过学习来更新权值及阈值，进而使输出的空干基含碳量更符合实际需要，相比仅采用制定的系数的方式，减少了不确定性；并且，本发明在计算CO2排放量时，考虑了锅炉机组的煤耗率，即考虑的不同机组类型以及不同燃烧技术带来的影响，故精确度更高。

需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种锅炉CO2排放量计算方法，其特征在于，包括：

获取所述锅炉的含碳量相关数据以及机组的煤耗率；

将所述含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

将所述空干基含碳量转换为收到基含碳量；

根据所述收到基含碳量、所述机组的煤耗率以及CO2排放量关系式得到所述锅炉的CO2排放量。

2.根据权利要求1所述的方法，其特征在于，所述含碳量相关数据具体包括所述锅炉的空干基固定碳含量、空干基灰分、空干基挥发分以及空干基高位发热量。

3.根据权利要求2所述的方法，其特征在于，所述CO2排放量关系式具体为：

$m_{{\mathrm{CO}}_2}=\frac{44}{12}B(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a})$

$m_{e,{\mathrm{CO}}_2}=\frac{44}{12}{b}_s\frac{29703}{Q_{ar,net}}(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a})$

$M_{{\mathrm{CO}}_2}=\frac{44}{12}\underset{i=1}{\overset{k_1}{\Σ}}{B}_i{\left(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a}\right)}_i{\mathrm{\τ}}_i$

$M_{e,{\mathrm{CO}}_2}=\frac{44}{12}\underset{i=1}{\overset{k_2}{\Σ}}{b}_{s,i}{\[\frac{29703}{Q_{ar,net}}(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a})\]}_i{P}_i{\mathrm{\τ}}_i\×{10}^3$

其中，为每小时的CO2排放量，单位为t/h；为每产生1kWh的电量的CO2排放量，单位为g/kWh；为k₁段时间段内的CO2排放量之和，为k₂段发电量下的CO2排放量之和，单位均为t；B为所述锅炉机组每小时的燃料消耗量；C_ar为所述收到基含碳量，单位为％；A_ar为收到基灰分，单位为％；C_a为所述锅炉炉灰的平均含碳量，单位为％；b_s为所述锅炉机组供电/发电标准煤耗率，单位为g/kWh；Q_ar,net为收到基低位发热量，单位为kJ/kg；τ_i表示第i段发电时间，单位为h；P_i为第i段时间内对应的供电/发电功率，单位为MW。

4.根据权利要求3所述的方法，其特征在于，得到所述预设BP神经网络模型的过程具体为：

收集所述锅炉的含碳量相关数据与空干基含碳量的若干个数据样本，并将其分为训练样本和校核样本；

建立BP神经网络模型；

采用粒子群算法以及所述训练样本优化所述BP神经网络模型的权值和阈值；

将所述校核样本带入优化后的BP神经网络模型，并将输出结果与所述校核样本内的实际结果进行比较，若误差处于预设误差范围内，则将所述优化后的BP神经网络模型作为所述预设BP神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述采用粒子群算法以及所述训练样本优化所述BP神经网络模型的权值和阈值的过程具体为：

S1：初始化所述粒子群算法中的参数，所述参数包括粒子群的种群规模N、每个粒子的位置和速度；其中，每个所述粒子的位置代表所述BP神经网络模型中全部权值和阈值的一组解；

S2：根据位置更新关系式更新各个所述粒子位置，其中，所述位置更新关系式具体为：

v_i,t+1＝wv_i,t+c₁r_1,t(P_hi,t-x_i,t)+c₂r_2,t(Q_hi,t-x_i,t)

x_i,t+1＝x_i,t+v_i,t+1

其中，w为惯性权重，w＝w_max-(w_max-w_min)t/t_m，w_max和w_min分别表示w的最大值和最小值，t为当前迭代次数，t_m为预设最大迭代次数，c₁和c₂为加速系数，r₁和r₂为[0,1]区间内的随机数，P_hi,t为第i个粒子到第h次迭代为止得到的个体最优方案，Q_hi,t为粒子群到第h次迭代为止得到的全局最优方案；所述粒子群每迭代一次，所述粒子群内全部粒子的位置发生一次变化；

S3：根据适应值关系式计算所述粒子群中每个所述粒子的适应值，所述适应值关系式为：

$f\left(x_{i,t}\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\Σ}}{(y_j-{y^{\′}}_j)}^2$

其中，n为所述训练样本的个数，n>1，y_j和y'_j分别为所述BP神经网络模型的目标输出值和实际输出值，x_i,t为迭代t次时第i个所述粒子的位置，1≤i≤N，f(x_i,t)为迭代t次时第i个所述粒子的适应值；

S4：每次迭代完成后，若有粒子的适应值优于自身当前的个体最优适应值，则将其当前的适应值作为自身的个体最优值，并将其当前的位置设置为自身的个体最优方案；若有粒子的适应值优于所述粒子群当前的全局最优适应值，则将其当前的适应值作为全局最优值，并将其当前的位置设置为所述粒子群的全局最优方案；

S5：判断优化过程是否满足结束条件，如果是，将所述全局最优方案带入BP神经网络模型，得到所述优化后的BP神经网络模型；否则，返回S2。

6.根据权利要求5所述的方法，其特征在于，所述判断优化过程是否满足结束条件的过程具体为：

判断所述迭代次数是否达到所述预设最大迭代次数，如果是，所述优化过程满足结束条件，否则，不满足。

7.根据权利要求5所述的方法，其特征在于，所述判断优化过程是否满足结束条件的过程具体为：

判断得到的最优方案是否满足预设误差判断关系式，如果是，所述优化过程满足结束条件，否则，不满足；

所述预设误差判断关系式具体为：

abs(f(Q_hi,t)-f(Q_hi,t+1))≤ε

其中，abs()为绝对值计算，f(Q_hi,t)为采用到第t次迭代为止得到的全局最优方案时的适应值，f(Q_hi,t+1)为采用到第t+1次迭代为止得到的全局最优方案时的适应值，ε为预设误差阈值。

8.根据权利要求2-7任一项所述的方法，其特征在于，所述将所述空干基含碳量转换为收到基含碳量的过程具体为：

将所述空干基含碳量带入转换关系式得到所述收到基含碳量，所述转换关系式为：

$C_{ar}=\frac{100-M_{ar}}{100-M_{ad}}{C}_{ad}$

其中，C_ar为所述收到基含碳量，M_ar为收到基水分，M_ad为空干基水分，C_ad为所述空干基含碳量。

9.一种锅炉CO2排放量计算系统，其特征在于，包括：

数据获取模块，用于获取所述锅炉的含碳量相关数据以及机组的煤耗率；

空干基含碳量计算模块，用于将所述含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

转换模块，用于将所述空干基含碳量转换为收到基含碳量；

CO2排放量计算模块，用于根据所述收到基含碳量、所述机组的煤耗率以及CO2排放量关系式得到所述锅炉的CO2排放量。