CN113640466A - 一种碳排放强度测量方法、设备及介质 - Google Patents
一种碳排放强度测量方法、设备及介质 Download PDFInfo
- Publication number
- CN113640466A CN113640466A CN202110888943.2A CN202110888943A CN113640466A CN 113640466 A CN113640466 A CN 113640466A CN 202110888943 A CN202110888943 A CN 202110888943A CN 113640466 A CN113640466 A CN 113640466A
- Authority
- CN
- China
- Prior art keywords
- emission intensity
- intensity value
- neural network
- value
- carbon emission
- 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 58
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000003245 coal Substances 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000002485 combustion reaction Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 22
- 239000003546 flue gas Substances 0.000 claims description 18
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 17
- 238000000691 measurement method Methods 0.000 claims description 10
- 238000006477 desulfuration reaction Methods 0.000 claims description 9
- 230000023556 desulfurization Effects 0.000 claims description 8
- 239000007789 gas Substances 0.000 claims description 7
- 239000007787 solid Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000003009 desulfurizing effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 28
- 230000006870 function Effects 0.000 description 24
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 18
- 230000008859 change Effects 0.000 description 14
- 239000001569 carbon dioxide Substances 0.000 description 9
- 238000005070 sampling Methods 0.000 description 7
- 239000002956 ash Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N sulfur dioxide Inorganic materials O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种碳排放强度测量方法、设备及介质，该方法包括：根据实时获取的锅炉热效率与汽轮机热耗率，确定燃烧CO2排放强度值；结合预设的脱硫CO2排放强度值与所述燃烧CO2排放强度值，计算CO2排放强度值；将所述CO2排放强度值输入预设的BP神经网络训练，构建改进的BP神经网络；将实时获取的煤质参数、运行参数及煤耗参数输入所述改进的BP神经网络，获取实时碳排放强度值。本发明实时获取运行数据确定燃烧CO2排放强度值，并结合预设的改进BP神经网络进行训练，获取实时碳排放强度值，提高碳排放强度测量的准确度。
Description
技术领域
本发明涉及热工测量技术领域，尤其涉及一种碳排放强度测量方法、设备及介质。
背景技术
我国作为全球碳排放的第一大国，准确地监测燃煤电厂产生的碳排放量不仅是实施低碳规划和运行的基本依据，同时对于广泛进行碳排放权交易，最终实现燃煤电厂低碳排放具有基础性作用，研究既满足国际温室气体清单编制规范，又符合国内数据条件的火电厂碳排放计算方法具有重要现实意义。
目前，通过监测火电厂的废气排放量及排放密度，并用各种二氧化碳分析仪来监视烟气中的二氧化碳含量，并通过一定的修正手段，来实时在线的对二氧化碳的排放进行测量。由于锅炉烟道结构的复杂性，在烟道内各点测得的二氧化碳排放强度有一定的差别，测点的正确选择对测量的结果和控制效果具有较大的影响。根据现场经验，对电站锅炉燃烧控制而言，一个测点是远远不够的，一般锅炉运行优化控制系统要求有三个以上的测点，每个测点配置两台对称安装的二氧化碳分析仪，最终得到电厂二氧化碳的排放量数据，此方法测量精度较高，但针对二氧化碳的排放量的连续监测成本非常高，而且计算结果受测量设备精确性和稳定性的影响很大，目前受限于技术和成本，实践中还不具有推广价值。联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)发布的指导手册中提供了计算碳排放量的方法即排放系数法，通过将能源消耗量和排放系数相乘后得到燃煤电厂二氧化碳排放量，该方法数据易得、计算简单但对于火电厂来说太过粗略，计算偏差较大。
发明内容
本发明目的在于，提供一种碳排放强度测量方法、设备及介质，以解决目前碳排放强度计算偏差大的问题。
为实现上述目的，本发明提供一种碳排放强度测量方法，包括：
根据实时获取的锅炉热效率与汽轮机热耗率，确定燃烧CO2排放强度值；
结合预设的脱硫CO2排放强度值与所述燃烧CO2排放强度值，计算CO2排放强度值；
将所述CO2排放强度值输入预设的BP神经网络进行训练，构建改进的BP神经网络；
将实时获取的煤质参数、运行参数及煤耗参数输入所述改进的BP神经网络，获取实时碳排放强度值。
优选地，在所述根据实时获取的锅炉热效率与汽轮机热耗率之前，还包括：
实时获取排烟热损失值q2、可燃气体未完全燃烧热损失值q3、固体未完全燃烧热损失值q4、锅炉散热损失值q5以及灰渣物理热损失值q6；
按照以下公式，计算所述锅炉热效率ηg；
ηg＝100-(q2+q3+q4+q5+q6)。
优选地，在所述根据实时获取的锅炉热效率与汽轮机热耗率之前，还包括：
实时获取进入汽轮机的主蒸汽焓hms、进入汽轮机的热再热蒸汽流量Grhr、汽轮机的热再热蒸汽焓hrhr、高压缸排汽流量Grhl、汽轮机的冷再热蒸汽焓hrhl、补充水流量Gma、补充水焓hma、最终给流量Gfw、最终给水焓hfw、过热减温水流量Gss、再热减温水流量Grs、过热减温水焓hss以及再热减温水焓hrs；
按照以下公式，计算汽轮机热耗量Q0；
Q0＝G0×hms+Grhr×hrhr-Grhl×hrhl+Gma×hma-Gfw×hfw-Gss×hss-Grs×hrs；
结合所述汽轮机热耗量Q0与发电机电负荷W，确定所述汽轮机热耗率q；
按照以下公式，计算所述汽轮机热耗率q；
q＝Q0/(1000*W)。
优选地，所述确定燃烧CO2排放强度值，具体为：
获取煤耗量B、入炉煤收到基含碳量Car、固体未完全燃烧热损失值q4、电厂实际入炉煤的收到基热值Qar以及摩尔质量转换系数R；
按照以下公式，计算所述燃烧CO2排放强度值W1；
B＝bf*W*1000*29.307/Qar；
式中，bf表示发电标煤耗率，ηg表示所述锅炉热效率，ηgd表示发电煤耗效率，q表示所述汽轮机热耗率。
优选地，所述计算CO2排放强度值，具体为：
根据脱硫装置入口烟气SO2流量S1与脱硫装置出口烟气SO2流量S2确定所述预设的脱硫CO2排放强度值W2；
结合所述预设的脱硫CO2排放强度值W2与所述燃烧CO2排放强度值W1，按照以下公式，计算所述CO2排放强度值W0；
W2＝(S1-S2)*44/64；
W0＝W1+W2。
优选地，所述构建改进的BP神经网络，具体为：
将所述CO2排放强度值W0输入预设的BP神经网络进行训练，获取输入节点数与输出节点数之间的映射关系，构建所述改进的BP神经网络，其中，根据经验公式确定所述改进的BP神经网络中最优的隐含层神经元个数。
优选地，所述根据经验公式确定所述改进的BP神经网络中最优的隐含层神经元个数，包括：
确定经验公式：
n1＝log2n；
式中，k表示样本个数，n1表示所述隐含层神经元个数，n表示输入单元数，m表示输出单元数，a表示[1,10]之间的常数；
根据所述经验公式确定所述最优的隐含层神经元个数为20。
优选地，所述煤质参数包括，水分参数、灰分参数、挥发分参数和低位发热量值；
所述运行参数包括，主蒸汽流量、主蒸汽温度、热再热蒸汽流量、热再热蒸汽温度、高压缸排汽流量、最终给流量、过热减温水、再热减温水流量、排烟温度、脱硫装置出口烟气SO2流量和脱硫装置入口烟气SO2流量；
所述煤耗参数包括，给煤量和负荷参数。
本发明还提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的碳排放强度测量方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述的碳排放强度测量方法。
相对于现有技术，本发明的有益效果在于：
本发明根据实时获取的锅炉热效率与汽轮机热耗率，确定燃烧CO2排放强度值，并结合脱硫CO2排放强度值与所述燃烧CO2排放强度值，计算CO2排放强度值，将所述CO2排放强度值输入预设的BP神经网络进行训练，构建改进的BP神经网络，获取实时碳排放强度值，提高对机组碳排放强度进行实时评估计算的效率及准确度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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是本发明某一实施例提供的碳排放强度测量方法的流程示意图；
图2是本发明另一实施例提供的碳排放强度测量方法的流程示意图；
图3是本发明又一实施例提供的BP神经网络拓扑结构图；
图4是本发明某一实施例提供的三种传递函数曲线图；
图5是本发明另一实施例提供的碳排放强度测量装置的结构示意图；
图6是本发明又一实施例提供的碳排放强度测量装置的结构示意图；
图7是本发明某一实施例提供的计算机终端设备的结构示意图。
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明某一实施例提供一种碳排放强度测量方法，包括以下步骤：
S101：根据实时获取的锅炉热效率与汽轮机热耗率，确定燃烧CO2排放强度值。
具体的，在机组工况不稳定的情况下，参数变化快，系统输入输出热量不平衡，所以煤耗计算值与实际值存在较大的偏差，当前计算的煤耗值无法反映出真实的煤耗情况，因此，对于训练模型的计算碳排放强度值需要做稳定工况判断的筛选。
以一台机组为例，参照试验规程，选取重要的初终参数作为判定指标，来判断机组工况稳定与否，分别判断这些指标某一时刻的前后若干时间内值的变化大小(变化值：取最大值与最小值的差值，变化率：取最大值与最小值的差值/当前判定时刻的值)是否超出设定的范围，当某一时刻这些指标中任意指标值超出设定的范围时，则认定这一时刻机组为不稳定状态，这时的煤耗数据将不纳入相关统计中。以负荷率指标为例，具体判断过程如下(负荷率判断周期为10分钟，设定范围是变化绝对值不超出3％)。
判断负荷率指标2015-8-1 8:00:00这一时刻值是否超出设定范围，需要获取2015-8-1 8:00:00时刻前后5分钟的数据值，即2015-7-31 23:55:00到2015-8-1 8:05:00的所有值，获取这些数据的最大最小值进行比较，看最大值与最小值之间差值是否超出3％，当2015-8-1 8:00:00这一时刻所有指标的判断结果为正常时，才认定这时刻机组状态为稳定状态。
其他指标的判断过程跟上面类似，下面是目前所用到稳定工况的判断指标以及范围值的设定：
1)排烟温度10分钟前后的变化值不超过10℃。
2)排烟氧量10分钟前后的变化值不超过2％。
3)负荷率5分钟前后的变化值不超过1.5％，10分钟前后的变化不超过3％(这样做是为了避免开停机过程参数单方向的变化。)。
4)主蒸汽流量(实时点)5分钟前后的变化率不超过1.5％。
5)主蒸汽压力5分钟前后的变化值不超过0.6MPa。
6)主蒸汽温度5分钟前后的变化值不超过5℃。
7)再热汽温度5分钟前后的变化值不超过5℃。
根据排烟热损失值q2、可燃气体未完全燃烧热损失值q3、固体未完全燃烧热损失值q4、锅炉散热损失值q5以及灰渣物理热损失值q6确定所述锅炉热效率ηg，如下：
ηg＝100-(q2+q3+q4+q5+q6)。
根据进入汽轮机的主蒸汽焓hms、进入汽轮机的热再热蒸汽流量Grhr、汽轮机的热再热蒸汽焓hrhr、高压缸排汽流量Grhl、汽轮机的冷再热蒸汽焓hrhl、补充水流量Gma、补充水焓hma、最终给流量Gfw、最终给水焓hfw、过热减温水流量Gss、再热减温水流量Grs、过热减温水焓hss以及再热减温水焓hrs，确定汽轮机热耗量Q0，如下：
Q0＝G0×hms+Grhr×hrhr-Grhl×hrhl+Gma×hma-Gfw×hfw-Gss×hss-Grs×hrs；
结合汽轮机热耗量Q0与发电机电负荷W，确定所述汽轮机热耗率q，如下：
q＝Q0/(1000*W)。
根据煤耗量B、入炉煤收到基含碳量Car、固体未完全燃烧热损失值q4、电厂实际入炉煤的收到基热值Qar以及摩尔质量转换系数R确定所述燃烧CO2排放强度值W1，如下：
B＝bf*W*1000*29.307/Qar；
式中，bf表示发电标煤耗率，ηg表示所述锅炉热效率，ηgd表示发电煤耗效率，q表示所述汽轮机热耗率，29.307表示标煤发热量的29.307KJ/Kg的1/1000，32700KJ/Kg表示每千克碳完全燃烧的发热量，摩尔质量转换系数R＝44/12。
将上述公式进行整合，如下：
S102：结合预设的脱硫CO2排放强度值与所述燃烧CO2排放强度值，计算CO2排放强度值。
具体的，由于部分煤粉末与氧气充分接触，导致未燃烧的煤粉中的碳也未能燃烧完全，直接以灰渣、飞灰等固态形式排出炉外，因此在计算燃煤电厂燃烧产生的二氧化碳排放量时，要减去这部分碳元素的损失。
脱硫用CaCO3产生的CO2量，可以根据脱硫量进行计算，根据化学反应方程式可知，脱去的SO2与产生的CO2两者物质的量是相同的，乘以一个摩尔质量系数即可得到脱硫排出的CO2量W2，根据脱硫装置入口烟气SO2流量S1与脱硫装置出口烟气SO2流量S2确定脱硫CO2排放强度值W2，结合燃烧CO2排放强度值W1，获取CO2排放强度值W0，如下：
W2＝(S1-S2)*44/64；
W0＝W1+W2。
S103：将所述CO2排放强度值输入预设的BP神经网络进行训练，构建改进的BP神经网络。
请参阅图2和图3，具体的，BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层，每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。X1,X2,...,Xn是BP神经网络的输入值，Y1,Y2,...,Ym是BP神经网络的预测值，Wij和Wjk为BP神经网络权值，BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量，当输入节点数为n，输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。
请参阅图4，激活函数是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端，有的时候也称为传递函数，如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机。使用激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。BP网络的传递函数有多种，常见的三种传递函数Log-sigmoid型函数、tan-sigmod型函数和purelin型函数，如下：
Log-sigmoid型函数的特征从图可以看出，输入值取任意值均有意义，不存在任何限制，但函数的输出值全部都在0和1之间，表达式如下：
tan-sigmod型函数的特征从图可以看出，输入值取任意值均有意义，不存在任何限制，但函数的输出值全部都在-1到1之间，表达式如下：
purelin型函数是一个线性函数，输入和输出值可以取任意值均有意义，不存在任何限制。
由于碳排放输入数据的波动性，导致误差的方法，本发明采用一种改进的BP神经网络模型，即不采用传统的传递函数模型，而是采用一种可以减少波动性的余弦函数与自然指数函数之积的形式，改进的BP神经网络的激活函数如下：
本发明采用3层BP网络结构，通过以下方式确定输出层参数、输入层参数和隐含层数目。
输出层参数：碳排放强度。
输入层参数：为影响输出参数的自变量。首先，在上述计算过程中引用到的参数一般是影响碳排放强度的，具体有煤质：水分、灰分、挥发分、低位发热量，运行参数，包括：主蒸汽流量、主蒸汽温度、热再热蒸汽流量、热再热蒸汽温度、高压缸排汽流量、最终给流量、过热减温水、再热减温水流量、排烟温度、脱硫装置出口烟气SO2流量、脱硫装置入口烟气SO2流量，以及用于修正计算的煤耗参数：给煤量、负荷。
隐含层数目：三层BP网络预测模型设计时，隐含层神经元的个数确定有些复杂，如果隐含层神经元节点个数太少，网络难以对训练样本进行有效识别，加大训练的难度，同时降低了网络的容错性，如果个数太多，则会增加网络的迭代次数，导致学习时间过长，不能识别训练样本以外的输入，在具体设计神经网络时，初步依据经验公式计算得到隐含层神经元的个数，再变换隐含层神经元个数，来比较具有不同的隐含层个数的网络的训练结果的好坏来选择确定最佳的隐含层神经元个数，确定隐含层神经元数的经验公式有以下三个：
n1＝log2n；
式中，k表示样本个数，n1表示隐含层神经元个数，n表示输入单元数，m表示输出单元数，a表示[1,10]之间的常数，根据经验公式确定最优的隐含层神经元个数为20。
S104：将实时获取的煤质参数、运行参数及煤耗参数输入所述改进的BP神经网络，获取实时碳排放强度值。
具体的，将实时获取的输入层参数输入改进的BP神经网络获取实时碳排放强度值，其中，输入层参数具体有煤质：水分参数、灰分参数、挥发分参数和低位发热量值，运行参数，包括：主蒸汽流量、主蒸汽温度、热再热蒸汽流量、热再热蒸汽温度、高压缸排汽流量、最终给流量、过热减温水、再热减温水流量、排烟温度、脱硫装置出口烟气SO2流量和脱硫装置入口烟气SO2流量，以及用于修正计算的煤耗参数：给煤量和负荷参数。
本发明实时获取锅炉热效率与汽轮机热耗率确定燃烧CO2排放强度值，采用煤质及运行数据的实时计算机组的碳排放强度，有效地消除了传统二氧化碳排放监测方法在监测过程中产生的累积误差，本发明还考虑了煤粉末与氧气接触的碳元素，结合改进的BP神经网络，提高碳排放强度测量的准确度及效率。
请参阅图5和图6，在一实施例中，本发明还提供一种碳排放强度测量装置，包括装置外壳1、数据采集端口2、AT89S51单片机3、告警单元4、显示单元5、数据输出接口6与电源开关7，在装置的内部设置并联比较型数模转换器，装置外壳1上的数据采集端口2与并联比较型数模转换器连接，并联比较型数模转换器再与AT89S51单片机3连接，告警单元4、显示单元5、数据输出接口6分别与AT89S51单片机3连接，AT89S51单片机3连接工作电源，数据采集端口2分别与现场的数据采集装置、煤质化验仪表相连，并联比较型数模转换器的作用是将采集现场仪表的连续模拟信号转变为单片机可以识别的离散数字信号，如下：
模拟信号转化成数据信号(AD转换)经历4个步骤：
1)采样
在A/D转换期间，为了使输入信号不变，保持在开始转换时的值，通常要采用一个采样电路。启动转换实际上是把采样开关接通，进行采样。
2)保持
在A/D转换期间，采样电路采样后，过一段时间后，开关断开，采样电路进入保持模式，才是A/D真正开始转换。
3)量化
模数转化是为了量数字系统不能识别的采集信息转化为能识别的结果，在数字系统中只有0和1两个状态，而模拟量的状态很多，而ADC的作用就是把这个模拟量分为很多一小份的量来组成数字量以便数字系统识别，所以量化的作用就是为了用数字量更精确表示模拟量。
存储单元设置在装置的内部，设置离线训练好的BP人工神经网络模型的算法程序，用于根据所采集来的煤质信号、运行参数信号、脱硫装置出口烟气SO2流量信号、脱硫装置入口烟气SO2流量信号计算碳排放强度值，显示单元5用于现场显示测量的碳排放强度数据，数据输出接口6用于测量数据传输至远程控制站。
请参阅图7，本发明某一实施例提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的碳排放强度测量方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的碳排放强度测量方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的碳排放强度测量方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的碳排放强度测量方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的碳排放强度测量方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种碳排放强度测量方法，其特征在于，包括：
根据实时获取的锅炉热效率与汽轮机热耗率，确定燃烧CO2排放强度值；
结合预设的脱硫CO2排放强度值与所述燃烧CO2排放强度值，计算CO2排放强度值；
将所述CO2排放强度值输入预设的BP神经网络进行训练，构建改进的BP神经网络；
将实时获取的煤质参数、运行参数及煤耗参数输入所述改进的BP神经网络，获取实时碳排放强度值。
2.根据权利要求1所述的碳排放强度测量方法，其特征在于，在所述根据实时获取的锅炉热效率与汽轮机热耗率之前，还包括：
实时获取排烟热损失值q2、可燃气体未完全燃烧热损失值q3、固体未完全燃烧热损失值q4、锅炉散热损失值q5以及灰渣物理热损失值q6；
按照以下公式，计算所述锅炉热效率ηg；
ηg＝100-(q2+q3+q4+q5+q6)。
3.根据权利要求2所述的碳排放强度测量方法，其特征在于，在所述根据实时获取的锅炉热效率与汽轮机热耗率之前，还包括：
实时获取进入汽轮机的主蒸汽焓hms、进入汽轮机的热再热蒸汽流量Grhr、汽轮机的热再热蒸汽焓hrhr、高压缸排汽流量Grhl、汽轮机的冷再热蒸汽焓hrhl、补充水流量Gma、补充水焓hma、最终给流量Gfw、最终给水焓hfw、过热减温水流量Gss、再热减温水流量Grs、过热减温水焓hss以及再热减温水焓hrs；
按照以下公式，计算汽轮机热耗量Q0；
Q0＝G0×hms+Grhr×hrhr-Grhl×hrhl+Gma×hma-Gfw×hfw-Gss×hss-Grs×hrs；
结合所述汽轮机热耗量Q0与发电机电负荷W，确定所述汽轮机热耗率q；
按照以下公式，计算所述汽轮机热耗率q；
q＝Q0/(1000*W)。
4.根据权利要求3所述的碳排放强度测量方法，其特征在于，所述确定燃烧CO2排放强度值，具体为：
获取煤耗量B、入炉煤收到基含碳量Car、固体未完全燃烧热损失值q4、电厂实际入炉煤的收到基热值Qar以及摩尔质量转换系数R；
按照以下公式，计算所述燃烧CO2排放强度值W1；
B＝bf*W*1000*29.307/Qar；
式中，bf表示发电标煤耗率，ηg表示所述锅炉热效率，ηgd表示发电煤耗效率，q表示所述汽轮机热耗率。
5.根据权利要求4所述的碳排放强度测量方法，其特征在于，所述计算CO2排放强度值，具体为：
根据脱硫装置入口烟气SO2流量S1与脱硫装置出口烟气SO2流量S2确定所述预设的脱硫CO2排放强度值W2；
结合所述预设的脱硫CO2排放强度值W2与所述燃烧CO2排放强度值W1，按照以下公式，计算所述CO2排放强度值W0；
W2＝(S1-S2)*44/64；
W0＝W1+W2。
6.根据权利要求5所述的碳排放强度测量方法，其特征在于，所述构建改进的BP神经网络，具体为：
将所述CO2排放强度值W0输入预设的BP神经网络进行训练，获取输入节点数与输出节点数之间的映射关系，构建所述改进的BP神经网络，其中，根据经验公式确定所述改进的BP神经网络中最优的隐含层神经元个数。
7.根据权利要求6所述的碳排放强度测量方法，其特征在于，所述根据经验公式确定所述改进的BP神经网络中最优的隐含层神经元个数，包括：
确定经验公式：
n1＝log2n；
式中，k表示样本个数，n1表示所述隐含层神经元个数，n表示输入单元数，m表示输出单元数，a表示[1,10]之间的常数；
根据所述经验公式确定所述最优的隐含层神经元个数为20。
8.根据权利要求7所述的碳排放强度测量方法，其特征在于，
所述煤质参数包括，水分参数、灰分参数、挥发分参数和低位发热量值；
所述运行参数包括，主蒸汽流量、主蒸汽温度、热再热蒸汽流量、热再热蒸汽温度、高压缸排汽流量、最终给流量、过热减温水、再热减温水流量、排烟温度、脱硫装置出口烟气SO2流量和脱硫装置入口烟气SO2流量；
所述煤耗参数包括，给煤量和负荷参数。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至8任一项所述的碳排放强度测量方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的碳排放强度测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110888943.2A CN113640466A (zh) | 2021-08-03 | 2021-08-03 | 一种碳排放强度测量方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110888943.2A CN113640466A (zh) | 2021-08-03 | 2021-08-03 | 一种碳排放强度测量方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113640466A true CN113640466A (zh) | 2021-11-12 |
Family
ID=78419515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110888943.2A Pending CN113640466A (zh) | 2021-08-03 | 2021-08-03 | 一种碳排放强度测量方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113640466A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015488A (zh) * | 2022-06-16 | 2022-09-06 | 华电电力科学研究院有限公司 | 一种火力发电机组碳排放在线自动核算系统及方法 |
| CN115616139A (zh) * | 2022-10-27 | 2023-01-17 | 江苏未来智慧信息科技有限公司 | 一种提高碳排放计算准确率的方法及系统 |
| CN115689093A (zh) * | 2022-12-26 | 2023-02-03 | 青芥一合碳汇(武汉)科技有限公司 | 基于热力模型和机器学习的电厂碳排放核算方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110087627A1 (en) * | 2009-10-08 | 2011-04-14 | General Electric Company | Using neural network confidence to improve prediction accuracy |
| 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 |
| CN108197723A (zh) * | 2017-11-08 | 2018-06-22 | 国网安徽省电力公司电力科学研究院 | 煤电机组供电煤耗与污染物排放的优化节能调度方法 |
| CN108280047A (zh) * | 2018-01-24 | 2018-07-13 | 江苏方天电力技术有限公司 | 一种基于现场监测数据的火电机组碳排放核算方法 |
| CN109376501A (zh) * | 2018-12-21 | 2019-02-22 | 浙江工业大学 | 一种发电锅炉燃煤碳氧化因子在线软测量方法 |
| CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
| CN212061242U (zh) * | 2019-12-24 | 2020-12-01 | 赫普能源环境科技有限公司 | 一种钢铁企业温室气体排放监测系统 |
-
2021
- 2021-08-03 CN CN202110888943.2A patent/CN113640466A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110087627A1 (en) * | 2009-10-08 | 2011-04-14 | General Electric Company | Using neural network confidence to improve prediction accuracy |
| 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 |
| CN108197723A (zh) * | 2017-11-08 | 2018-06-22 | 国网安徽省电力公司电力科学研究院 | 煤电机组供电煤耗与污染物排放的优化节能调度方法 |
| CN108280047A (zh) * | 2018-01-24 | 2018-07-13 | 江苏方天电力技术有限公司 | 一种基于现场监测数据的火电机组碳排放核算方法 |
| CN109376501A (zh) * | 2018-12-21 | 2019-02-22 | 浙江工业大学 | 一种发电锅炉燃煤碳氧化因子在线软测量方法 |
| CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
| CN212061242U (zh) * | 2019-12-24 | 2020-12-01 | 赫普能源环境科技有限公司 | 一种钢铁企业温室气体排放监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 周盟等: "火电厂碳排放测试平台设计研究", 《计算机仿真》 * |
| 王祝成等: "基于ASME PTC4 标准的超临界350 MW循环流化床机组性能试验研究", 《热力发电》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015488A (zh) * | 2022-06-16 | 2022-09-06 | 华电电力科学研究院有限公司 | 一种火力发电机组碳排放在线自动核算系统及方法 |
| CN115616139A (zh) * | 2022-10-27 | 2023-01-17 | 江苏未来智慧信息科技有限公司 | 一种提高碳排放计算准确率的方法及系统 |
| CN115616139B (zh) * | 2022-10-27 | 2023-12-12 | 江苏未来智慧信息科技有限公司 | 一种提高碳排放计算准确率的方法及系统 |
| CN115689093A (zh) * | 2022-12-26 | 2023-02-03 | 青芥一合碳汇(武汉)科技有限公司 | 基于热力模型和机器学习的电厂碳排放核算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113640466A (zh) | 一种碳排放强度测量方法、设备及介质 | |
| Smrekar et al. | Development of artificial neural network model for a coal-fired boiler using real plant data | |
| CN101796346B (zh) | 燃煤锅炉性能实时监测方法 | |
| CN106768068A (zh) | 火电机组燃煤热值与发电标煤耗指标在线监测系统与方法 | |
| CN111931346B (zh) | 一种燃煤锅炉入炉煤低位热值的实时计算方法及应用 | |
| CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
| CN109523180B (zh) | 一种火电厂煤耗及供热在线监控系统 | |
| CN110675920A (zh) | 一种基于MI-LSTM的锅炉NOx预测方法 | |
| CN111462835B (zh) | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 | |
| CN112506162A (zh) | 一种基于数据模型和机理运算的氧化风系统控制方法 | |
| CN108197723B (zh) | 煤电机组供电煤耗与污染物排放的优化节能调度方法 | |
| CN115656461A (zh) | 一种基于煤质软测量的煤电机组实时碳排放量监测方法 | |
| CN114548481B (zh) | 基于强化学习的电力设备碳中和处理装置 | |
| CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
| Pital et al. | Computational intelligence and low cost sensors in biomass combustion process | |
| CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
| CN110737198A (zh) | 基于bp神经网络的大型燃煤电站co2捕集系统预测控制方法 | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| Pitel et al. | Approximation of CO/lambda biomass combustion dependence by artificial intelligence techniques | |
| CN114239197A (zh) | 供热系统碳转化过程建模和低碳优化运行调度决策的方法 | |
| WO2024146070A1 (zh) | 一种基于改进生成对抗网络的二噁英排放浓度软测量方法 | |
| Fu et al. | Prediction model of desulfurization efficiency of coal-fired power plants based on long short-term memory neural network | |
| CN114609926B (zh) | 一种基于火电仿真平台的火电厂动态在线仿真方法 | |
| CN116401948A (zh) | 基于lstm的电站锅炉灰渣生成量在线预测方法及系统 | |
| CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 |
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 |