CN112650740A - 一种降低在线监测碳排放量数据不确定度的方法及系统 - Google Patents

一种降低在线监测碳排放量数据不确定度的方法及系统 Download PDF

Info

Publication number
CN112650740A
CN112650740A CN202011551115.1A CN202011551115A CN112650740A CN 112650740 A CN112650740 A CN 112650740A CN 202011551115 A CN202011551115 A CN 202011551115A CN 112650740 A CN112650740 A CN 112650740A
Authority
CN
China
Prior art keywords
uncertainty
carbon emission
emission data
total
reducing
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.)
Granted
Application number
CN202011551115.1A
Other languages
English (en)
Other versions
CN112650740B (zh
Inventor
任健
黄海舟
邹晓辉
郭振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202011551115.1A priority Critical patent/CN112650740B/zh
Publication of CN112650740A publication Critical patent/CN112650740A/zh
Application granted granted Critical
Publication of CN112650740B publication Critical patent/CN112650740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种降低在线监测碳排放量数据不确定度的方法及系统，该方法包括：在线监测碳排放量数据，识别不确定度来源；构建总体不确定度计算模型；通过总体不确定计算模型，计算碳排放量数据的总体不确定度；根据不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；若总体不确定度大于或等于目标值，则通过不确定度措施决策模型通过枚举算法决策出成本最低且总体不确定度小于目标值的最优方案。通过该最优方案可有效降低碳排放量数据不确定度且成本低，这种模式能大规模推广应用于不同类型的火电机组，为碳排放在线监测数据的数据质量提供有力的支撑。

Description

一种降低在线监测碳排放量数据不确定度的方法及系统
技术领域
本发明涉及碳排放在线监测领域，特别是涉及一种降低在线监测碳排放量数据不确定度的方法及系统。
背景技术
目前，火电厂二氧化碳排放量统计方法分为两种，第一种为核算法，需要统计入炉煤量和煤质信息；第二种为在线监测法，通过测量火电机组烟气的流量和烟气CO2浓度等参数，计算出火电厂烟气中二氧化碳排放量的数据，包括瞬时值(排放速率)和特定时间的累计值(累计排放量)。将示范电厂在线监测计算结果与核算法数据对比可知，火电厂在线监测法与核算法碳排放量有一定差异，且受监测条件的影响，正负偏差均有，碳排放量的直接对比无法判断不同方法的准确性。并且，在线监测法得到的碳排放量数据质量参差不齐，不确定度较大，使用价值较低。
因此，如何降低在线监测碳排放量数据的整体不确定度，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种降低在线监测碳排放量数据不确定度的方法及系统，可以有效降低碳排放量数据不确定度且成本低，为碳排放在线监测数据的数据质量提供有力的支撑。其具体方案如下：
一种降低在线监测碳排放量数据不确定度的方法，包括：
在线监测碳排放量数据，识别不确定度来源；
构建总体不确定度计算模型；
通过构建的所述总体不确定计算模型，计算碳排放量数据的总体不确定度；
根据识别出的所述不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；
若所述总体不确定度大于或等于目标值，则通过构建的所述不确定度措施决策模型通过枚举算法决策出成本最低且所述总体不确定度小于所述目标值的最优方案。
优选地，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，当判断出烟气CO2测量预处理系统采用冷干法时，通过下述公式构建对应的总体不确定度计算模型：
Figure BDA0002857223630000021
Figure BDA0002857223630000022
Figure BDA0002857223630000023
Figure BDA0002857223630000024
Figure BDA0002857223630000025
Figure BDA0002857223630000026
Figure BDA0002857223630000027
Figure BDA0002857223630000028
Figure BDA0002857223630000029
其中，uc(Gy)为采用冷干法时得到的总体不确定度，Gy为二氧化碳累计排放量，C’为标准状态下二氧化碳排放浓度，Qsn为标准状态下干烟气流量，Qs为实际工况下湿烟气流量，ts为烟温，Ba为大气压力，Ps为烟气静压，XSW为烟气含湿量。
优选地，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，当判断出烟气CO2测量预处理系统采用热湿法时，通过下述公式构建对应的总体不确定度计算模型：
Figure BDA00028572236300000210
Figure BDA0002857223630000031
Figure BDA0002857223630000032
Figure BDA0002857223630000033
Figure BDA0002857223630000034
Figure BDA0002857223630000035
Figure BDA0002857223630000036
Figure BDA0002857223630000037
其中，uc(Gy)'为采用热湿法时得到的总体不确定度，Gy为二氧化碳累计排放量，C’为标准状态下二氧化碳排放浓度，Qsw为标准状态下湿烟气流量，Qs为实际工况下湿烟气流量，ts为烟温，Ba为大气压力，Ps为烟气静压。
优选地，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，所述对影响碳排放量数据不确定度的因素进行维护的方法库包括：
在日常维护时，增加标定频次，保持核心传感器处于最佳温度和湿度，以及保持相关辅助系统正常运转。
优选地，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，所述对影响碳排放量数据不确定度的因素进行校准的方法库包括：
选择不确定度低的标准系统或标准物质，选择合理的校准曲线，定期开展现场校准和实验室校准。
优选地，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，所述对影响碳排放量数据不确定度的因素进行更换的方法库包括：
在测量主体设备不变的基础上，若传感器漂移和线性度未满足使用要求时，更换相同型号的传感器。
优选地，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，所述对影响碳排放量数据不确定度的因素进行更换的方法库还包括：
若当前测点位置流场紊乱时，更换测点位置。
优选地，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，所述对影响碳排放量数据不确定度的因素进行更换的方法库还包括：
若测量方式和测量原理改变时，更换整体设备。
本发明实施例还提供了一种降低在线监测碳排放量数据不确定度的系统，包括：
不确定度来源识别模块，用于在线监测碳排放量数据，识别不确定度来源；
计算模型构建模块，用于构建总体不确定度计算模型；
总体不确定度计算模块，用于通过构建的所述总体不确定计算模型，计算碳排放量数据的总体不确定度；
决策模型构建模块，用于根据识别出的所述不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；
最优方案决策模块，用于若所述总体不确定度大于或等于目标值，则通过构建的所述不确定度措施决策模型通过枚举算法决策出成本最低且所述总体不确定度小于所述目标值的最优方案。
从上述技术方案可以看出，本发明所提供的一种降低在线监测碳排放量数据不确定度的方法及系统，包括：在线监测碳排放量数据，识别不确定度来源；构建总体不确定度计算模型；通过构建的总体不确定计算模型，计算碳排放量数据的总体不确定度；根据识别出的不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；若总体不确定度大于或等于目标值，则通过构建的不确定度措施决策模型通过枚举算法决策出成本最低且总体不确定度小于目标值的最优方案。
本发明引入计量领域不确定度的概念，在完成不确定度来源辨识的基础上，提出不同类别的降低监测数据的不确定度方法，并通过决策模型决策出成本最低的不确定度降低方法组合的最优方案，该最优方案可有效降低碳排放量数据不确定度且成本低，这种模式能够大规模推广应用于不同类型的火电机组，为碳排放在线监测数据的数据质量提供有力的支撑，效果好，易于实现。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的降低在线监测碳排放量数据不确定度的方法的流程图；
图2为本发明实施例提供的降低在线监测碳排放量数据不确定度的方法的具体流程图；
图3为本发明实施例提供的降低在线监测碳排放量数据不确定度的系统的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明提供一种降低在线监测碳排放量数据不确定度的方法，如图1所示，包括以下步骤：
S101、在线监测碳排放量数据，识别不确定度来源；
需要说明的是，不确定度为衡量测量数据质量的重要参数之一，在实际评定过程中，根据评定对象的不确定度来源采用测量不确定度的评定方法(如A类或B类评定法)，得到各个分量的不确定度，最终计算总体不确定度；具体地，在识别不确定度来源，将现有数据的不确定度来源分组以简化评估，然后量化分组分量，如图2所示，各个分量可以包括浓度、流量、温度、压力、湿度等，将分量转换为标准偏差，最后计算总体不确定度；
S102、构建总体不确定度计算模型；
在实际应用中，根据识别的不确定度来源，可以判断出烟气CO2测量预处理系统采用的是冷干法还是湿热法(原理上也包含稀释法，只要采用过程中没有除水都归为这一类)，针对不同的方法可以构建不同的总体不确定度计算模型；
S103、通过构建的总体不确定计算模型，计算碳排放量数据的总体不确定度；
S104、根据识别出的不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；
S105、若总体不确定度大于或等于目标值，则通过构建的不确定度措施决策模型通过枚举算法决策出成本最低且总体不确定度小于目标值的最优方案。
需要注意的是，现有的方法主要是针对单个参数、单个指标或者设备开展不确定度评定，另外一般的测量数据评定都是自下而上，先评定各个分量然后再合成总量不确定度；而本发明从降低碳排放量总体不确定度的角度出发，是另外一种思路，就是自上而下，定下需要降低的总体不确定度指标，分配至下级各个指标参数，然后根据经济性和可操作性等因素，选择合理的技术方案或者方法。
在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，引入计量领域不确定度的概念，在完成不确定度来源辨识的基础上，提出不同类别的降低监测数据的不确定度方法，并通过决策模型决策出成本最低的不确定度降低方法组合的最优方案，该最优方案可有效降低碳排放量数据不确定度且成本低，这种模式能够大规模推广应用于不同类型的火电机组，为碳排放在线监测数据的数据质量提供有力的支撑，效果好，易于实现。
可以理解的是，根据烟气CO2测量预处理系统可以采用冷干法或湿热法，本发明构建的总体不确定度计算模型可以分为两类，一种是针对采用冷干法的烟气CO2测量预处理系统，另一种是针对采用湿热法的烟气CO2测量预处理系统。
在具体实施时，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，在执行步骤S102时，当判断出烟气CO2测量预处理系统采用冷干法时，通过下述公式构建对应的总体不确定度计算模型：
Figure BDA0002857223630000071
Figure BDA0002857223630000072
Figure BDA0002857223630000073
Figure BDA0002857223630000074
Figure BDA0002857223630000075
Figure BDA0002857223630000076
Figure BDA0002857223630000077
Figure BDA0002857223630000078
Figure BDA0002857223630000079
其中，uc(Gy)为采用冷干法时得到的总体不确定度，Gy为二氧化碳累计排放量，C’为标准状态下干烟气状态下二氧化碳排放浓度，Qsn为标准状态下干烟气流量，Qs为实际工况下湿烟气流量，ts为烟温，Ba为大气压力，Ps为烟气静压，XSW为烟气含湿量。
另外，在具体实施时，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，在执行步骤S102时，当判断出烟气CO2测量预处理系统采用热湿法时，通过下述公式构建对应的总体不确定度计算模型：#
Figure BDA00028572236300000710
Figure BDA00028572236300000711
Figure BDA00028572236300000712
Figure BDA0002857223630000081
Figure BDA0002857223630000082
Figure BDA0002857223630000083
Figure BDA0002857223630000084
Figure BDA0002857223630000085
其中，uc(Gy)'为采用热湿法时得到的总体不确定度，Gy为二氧化碳累计排放量，C’为标准状态下湿烟气状态下二氧化碳排放浓度，Qsw为标准状态下湿烟气流量，Qs为实际工况下湿烟气流量，ts为烟温，Ba为大气压力，Ps为烟气静压。
在具体实施时，在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的方法中，如图2所示，在执行步骤S104时，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库主要包括五类降低不确定度方法：提高日常维护质量、校准、更换传感器、更换测点位置、更换整体设备等。相应地，对应的成本库主要包括五类：日常维护成本、校准成本、更换传感器的成本、更换测点位置的成本、更换整体设备的成本等。
具体地，对影响碳排放量数据不确定度的因素进行维护的方法库可以包括这种降低不确定度的方法：在日常维护时，增加标定频次，保持核心传感器处于最佳温度和湿度，保持相关辅助系统(如预处理系统)正常运转，避免电磁干扰及强烈震动等。
进一步地，对影响碳排放量数据不确定度的因素进行校准的方法库可以包括这种降低不确定度的方法：选择不确定度低的标准系统或标准物质(如气瓶)，选择合理的校准曲线，定期开展现场校准和实验室校准。
进一步地，对影响碳排放量数据不确定度的因素进行更换的方法库可以包括这三种降低不确定度的方法：第一种是在测量主体设备不变的基础上，主要针对传感器部分，若传感器漂移和线性度未满足使用要求时，更换相同型号的传感器；第二种主要针对流量测量问题，解决点测量、线测量、面测量情况下测点位置流场严重紊乱带来的测量不具备代表性，若当前测点位置流场紊乱时，更换测点位置；第三种主要涉及测量方法和测量原理的改变，例如点测量改成线测量或者面测量，单声道超声线测量升级为多声道超声波线测量，若测量方式和测量原理改变时，更换整体设备。
可以理解的是，本发明在评判在线监测碳排放量数据的不确定度基础上，分析不同参数的测量方法、测量设备及校准方式的不同不确定度影响分量，提供了上述降低火电厂在线监测碳排放量数据不确定度的方法。结合实验室数据、现场模拟及经验，以及结合现场设备情况，可以给出各种方法的不确定度和对应的经济成本，通过决策模型可分析得出适用于当前测量状态的经济性最优的降低总体不确定度方法。
基于同一发明构思，本发明实施例还提供了一种降低在线监测碳排放量数据不确定度的系统，由于该系统解决问题的原理与前述一种降低在线监测碳排放量数据不确定度的方法相似，因此该系统的实施可以参见降低在线监测碳排放量数据不确定度的方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的降低在线监测碳排放量数据不确定度的系统，如图3所示，具体包括：
不确定度来源识别模块11，用于在线监测碳排放量数据，识别不确定度来源；
计算模型构建模块12，用于构建总体不确定度计算模型；
总体不确定度计算模块13，用于通过构建的总体不确定计算模型，计算碳排放量数据的总体不确定度；
决策模型构建模块14，用于根据识别出的不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；
最优方案决策模块15，用于若总体不确定度大于或等于目标值，则通过构建的不确定度措施决策模型通过枚举算法决策出成本最低且总体不确定度小于目标值的最优方案。
在本发明实施例提供的上述降低在线监测碳排放量数据不确定度的系统中，可以通过上述五个模块的相互作用，在完成不确定度来源辨识的基础上，决策出成本最低的不确定度降低方法组合的最优方案，这种模式能够大规模推广应用于不同类型的火电机组，为碳排放在线监测数据的数据质量提供有力的支撑，效果好，易于实现。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明实施例提供的一种降低在线监测碳排放量数据不确定度的方法及系统，包括：在线监测碳排放量数据，识别不确定度来源；构建总体不确定度计算模型；通过构建的总体不确定计算模型，计算碳排放量数据的总体不确定度；根据识别出的不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；若总体不确定度大于或等于目标值，则通过构建的不确定度措施决策模型通过枚举算法决策出成本最低且总体不确定度小于目标值的最优方案。本发明引入计量领域不确定度的概念，在完成不确定度来源辨识的基础上，提出不同类别的降低监测数据的不确定度方法，并通过决策模型决策出成本最低的不确定度降低方法组合的最优方案，该最优方案可有效降低碳排放量数据不确定度且成本低，这种模式能够大规模推广应用于不同类型的火电机组，为碳排放在线监测数据的数据质量提供有力的支撑，效果好，易于实现。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。
以上对本发明所提供的降低在线监测碳排放量数据不确定度的方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种降低在线监测碳排放量数据不确定度的方法，其特征在于，包括：
在线监测碳排放量数据，识别不确定度来源；
构建总体不确定度计算模型；
通过构建的所述总体不确定计算模型，计算碳排放量数据的总体不确定度；
根据识别出的所述不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；
若所述总体不确定度大于或等于目标值，则通过构建的所述不确定度措施决策模型通过枚举算法决策出成本最低且所述总体不确定度小于所述目标值的最优方案。
2.根据权利要求1所述的降低在线监测碳排放量数据不确定度的方法，其特征在于，当判断出烟气CO2测量预处理系统采用冷干法时，通过下述公式构建对应的总体不确定度计算模型：
Figure FDA0002857223620000011
Figure FDA0002857223620000012
Figure FDA0002857223620000013
Figure FDA0002857223620000014
Figure FDA0002857223620000015
Figure FDA0002857223620000016
Figure FDA0002857223620000017
Figure FDA0002857223620000018
Figure FDA0002857223620000019
其中，uc(Gy)为采用冷干法时得到的总体不确定度，Gy为二氧化碳累计排放量，C’为标准状态下二氧化碳排放浓度，Qsn为标准状态下干烟气流量，Qs为实际工况下湿烟气流量，ts为烟温，Ba为大气压力，Ps为烟气静压，XSW为烟气含湿量。
3.根据权利要求1所述的降低在线监测碳排放量数据不确定度的方法，其特征在于，当判断出烟气CO2测量预处理系统采用热湿法时，通过下述公式构建对应的总体不确定度计算模型：
Figure FDA0002857223620000021
Figure FDA0002857223620000022
Figure FDA0002857223620000023
Figure FDA0002857223620000024
Figure FDA0002857223620000025
Figure FDA0002857223620000026
Figure FDA0002857223620000027
Figure FDA0002857223620000028
其中，uc(Gy)'为采用热湿法时得到的总体不确定度，Gy为二氧化碳累计排放量，C’为标准状态下二氧化碳排放浓度，Qsw为标准状态下湿烟气流量，Qs为实际工况下湿烟气流量，ts为烟温，Ba为大气压力，Ps为烟气静压。
4.根据权利要求1所述的降低在线监测碳排放量数据不确定度的方法，其特征在于，所述对影响碳排放量数据不确定度的因素进行维护的方法库包括：
在日常维护时，增加标定频次，保持核心传感器处于最佳温度和湿度，以及保持相关辅助系统正常运转。
5.根据权利要求4所述的降低在线监测碳排放量数据不确定度的方法，其特征在于，所述对影响碳排放量数据不确定度的因素进行校准的方法库包括：
选择不确定度低的标准系统或标准物质，选择合理的校准曲线，定期开展现场校准和实验室校准。
6.根据权利要求5所述的降低在线监测碳排放量数据不确定度的方法，其特征在于，所述对影响碳排放量数据不确定度的因素进行更换的方法库包括：
在测量主体设备不变的基础上，若传感器漂移和线性度未满足使用要求时，更换相同型号的传感器。
7.根据权利要求6所述的降低在线监测碳排放量数据不确定度的方法，其特征在于，所述对影响碳排放量数据不确定度的因素进行更换的方法库还包括：
若当前测点位置流场紊乱时，更换测点位置。
8.根据权利要求7所述的降低在线监测碳排放量数据不确定度的方法，其特征在于，所述对影响碳排放量数据不确定度的因素进行更换的方法库还包括：
若测量方式和测量原理改变时，更换整体设备。
9.一种降低在线监测碳排放量数据不确定度的系统，其特征在于，包括：
不确定度来源识别模块，用于在线监测碳排放量数据，识别不确定度来源；
计算模型构建模块，用于构建总体不确定度计算模型；
总体不确定度计算模块，用于通过构建的所述总体不确定计算模型，计算碳排放量数据的总体不确定度；
决策模型构建模块，用于根据识别出的所述不确定度来源，对影响碳排放量数据不确定度的因素进行维护、校准或更换的方法库以及对应的成本库，构建不确定度措施决策模型；
最优方案决策模块，用于若所述总体不确定度大于或等于目标值，则通过构建的所述不确定度措施决策模型通过枚举算法决策出成本最低且所述总体不确定度小于所述目标值的最优方案。
CN202011551115.1A 2020-12-24 2020-12-24 一种降低在线监测碳排放量数据不确定度的方法及系统 Active CN112650740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011551115.1A CN112650740B (zh) 2020-12-24 2020-12-24 一种降低在线监测碳排放量数据不确定度的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011551115.1A CN112650740B (zh) 2020-12-24 2020-12-24 一种降低在线监测碳排放量数据不确定度的方法及系统

Publications (2)

Publication Number Publication Date
CN112650740A true CN112650740A (zh) 2021-04-13
CN112650740B CN112650740B (zh) 2023-04-18

Family

ID=75359925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011551115.1A Active CN112650740B (zh) 2020-12-24 2020-12-24 一种降低在线监测碳排放量数据不确定度的方法及系统

Country Status (1)

Country Link
CN (1) CN112650740B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091978A (zh) * 2021-12-06 2022-02-25 新加坡导航亚洲有限公司 碳排放量监测系统、方法、碳交易系统
CN117075567A (zh) * 2023-10-16 2023-11-17 昆山千友工业环保设备有限公司 一种应用于工业废气排放的监管方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040158478A1 (en) * 2003-02-10 2004-08-12 Zimmerman Patrick Robert Method and apparatus for generating standardized carbon emission reduction credits
CN103115881A (zh) * 2013-01-22 2013-05-22 内蒙古包钢钢联股份有限公司 评定并减小铁矿石中钾的不确定度数值的方法
CN106097151A (zh) * 2016-06-24 2016-11-09 清华大学 一种基于数据协调的降低电厂数据不确定度的方法
CN106249728A (zh) * 2016-09-28 2016-12-21 清华大学 一种基于部件特性的火力发电机组在线性能监测方法
CN107179289A (zh) * 2017-04-28 2017-09-19 河南省计量科学研究院 基于红外光谱法测定工业烟气中二氧化碳浓度的不确定度分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040158478A1 (en) * 2003-02-10 2004-08-12 Zimmerman Patrick Robert Method and apparatus for generating standardized carbon emission reduction credits
CN103115881A (zh) * 2013-01-22 2013-05-22 内蒙古包钢钢联股份有限公司 评定并减小铁矿石中钾的不确定度数值的方法
CN106097151A (zh) * 2016-06-24 2016-11-09 清华大学 一种基于数据协调的降低电厂数据不确定度的方法
CN106249728A (zh) * 2016-09-28 2016-12-21 清华大学 一种基于部件特性的火力发电机组在线性能监测方法
CN107179289A (zh) * 2017-04-28 2017-09-19 河南省计量科学研究院 基于红外光谱法测定工业烟气中二氧化碳浓度的不确定度分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张铭 等: "碳排放在线检测中CO2示值误差测得值的不确定度分析", 《计量与测试技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091978A (zh) * 2021-12-06 2022-02-25 新加坡导航亚洲有限公司 碳排放量监测系统、方法、碳交易系统
CN117075567A (zh) * 2023-10-16 2023-11-17 昆山千友工业环保设备有限公司 一种应用于工业废气排放的监管方法及系统
CN117075567B (zh) * 2023-10-16 2024-01-30 昆山千友工业环保设备有限公司 一种应用于工业废气排放的监管方法及系统

Also Published As

Publication number Publication date
CN112650740B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112650740B (zh) 一种降低在线监测碳排放量数据不确定度的方法及系统
JP4799168B2 (ja) 配水及び管路情報解析システム
CN102667352B (zh) 制冷剂泄漏检测系统和方法
CN108614071B (zh) 分布式室外大气质量监测精度校正系统及参数更新方法
CN111625953B (zh) 气体高压等温吸附曲线预测方法、系统、存储介质、终端
CN111510500B (zh) 一种基于边缘计算的水质监测数据校准方法
CN101839817A (zh) 有毒有害气体报警器智能检测实验方法及其装置
CN115824993B (zh) 水体化学需氧量的确定方法、装置、计算机设备及介质
CN114814091A (zh) 一种大气气态污染物检测方法、装置及电子设备
CN110837933A (zh) 基于神经网络的漏损识别方法、装置、设备及存储介质
JP5110891B2 (ja) 水処理施設における流入水水質の統計的予測方法及びその装置
Diebold et al. Climate models underestimate the sensitivity of Arctic sea ice to carbon emissions
CN117630283A (zh) 燃煤发电企业在线碳排放监测方法与系统
CN114487284B (zh) 一种测量空气中重金属浓度的方法及系统
CN116245378A (zh) 碳排放策略的确定方法、装置、存储介质以及电子设备
CN109858699B (zh) 水质定量模拟方法、装置、电子设备及存储介质
CN116067829A (zh) 一种火力发电厂脱硫石膏浆液密度的软测量方法及系统
T Agami Reddy PhD The nearest neighborhood method to improve uncertainty estimates in statistical building energy models
CN110472801B (zh) 直流输电线路电磁环境评估方法及系统
CN116413318B (zh) 一种基于井盖的有毒气体联合检测方法及系统
KR102599802B1 (ko) 산업 공정 및 유틸리티 에너지효율향상을 위한 에너지솔루션
CN111327630A (zh) 基于全对称多胞形理论的攻击检测与修正方法
De Vito et al. Adaptive machine learning for backup air quality multisensor systems continuous calibration
CN117408378A (zh) 一种火力发电机组的NOx排放监测方法
CN116448966B (zh) 基于智能物联网和深度学习相结合的空气质量评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant