CN115130900A - 一种基于lstm的燃气机组变工况下碳排放在线计算方法 - Google Patents

一种基于lstm的燃气机组变工况下碳排放在线计算方法 Download PDF

Info

Publication number
CN115130900A
CN115130900A CN202210847082.8A CN202210847082A CN115130900A CN 115130900 A CN115130900 A CN 115130900A CN 202210847082 A CN202210847082 A CN 202210847082A CN 115130900 A CN115130900 A CN 115130900A
Authority
CN
China
Prior art keywords
carbon emission
gas
data
gas turbine
active
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
CN202210847082.8A
Other languages
English (en)
Other versions
CN115130900B (zh
Inventor
刘盼盼
章锐
周吉
钱俊良
邰伟
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.)
Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Liyang Research Institute of Southeast University
Original Assignee
Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Liyang Research Institute of Southeast University
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 Nanjing Dongbo Intelligent Energy Research Institute Co ltd, Liyang Research Institute of Southeast University filed Critical Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Priority to CN202210847082.8A priority Critical patent/CN115130900B/zh
Publication of CN115130900A publication Critical patent/CN115130900A/zh
Application granted granted Critical
Publication of CN115130900B publication Critical patent/CN115130900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Engine Equipment That Uses Special Cycles (AREA)

Abstract

本发明公开了基于LSTM的燃气机组变工况下碳排放在线计算方法，所述方法包括如下步骤：步骤（1）对燃气发电机组在变工况下进行采样，然后对数据进行预处理；步骤（2）构建变工况下燃气轮机的碳排放计算模型；步骤（3）建立基于LSTM的燃机发电机组单位上网有功碳排放因子训练模型；步骤（4）机组上网有功碳排放在线计算模型。本发明提供的一种基于LSTM的燃气机组变工况下碳排放在线计算方法，对燃气机组在变工况下有功碳排放进行精准计量，助力电网碳减排，对实现“碳达峰、碳中和”目标具有重要意义，大大提高燃气机组发电效率。

Description

一种基于LSTM的燃气机组变工况下碳排放在线计算方法
技术领域
本发明涉及电力系统调控领域，尤其涉及一种基于LSTM的燃气机组变工况下碳排放在 线计算方法。
背景技术
燃气发电机组在运行中，其运行工况与其进、排气参数、流量、转速和功率等都有关系。 由于电网所需的负载随着外界需求的变化而变化，使得燃气发电机组的输出功率随之而变， 这是导致机组在变工况下工作的一个重要原因。因此，燃气轮机是经常在变工况下工作的， 它的各个参数，如输出功率、燃气初温、压比、空气流量、转速、燃料流量和机组效率等都 不是固定不变的，而是随着外界对功率的需求情况在变化。在燃气轮机循环的计算中，大气 温度取为定值。但大气温度却是经常变化的，由此而引起压气机进口空气状态的变化，使燃 气轮机偏离设计工况，成为导致燃气轮机在变工况下工作的另一个重要因素。大气压力也是 变化的，这也使得燃气轮机在变工况下工作。燃气机组燃烧燃气会产生碳排放，与国家双碳 目标不适应，为有效促进燃气发电机组碳减排，提高燃气机组发电效率，掌控燃气机组有功 碳排放量具有重要意义。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于LSTM的燃气机组变工况下碳排 放在线计算方法，燃气机组在变工况下有功碳排放进行精准计量，助力电网碳减排，对实现 “碳达峰、碳中和”目标具有重要意义，大大提高燃气机组发电效率。
为了达到上述目的，本发明是通过以下技术方案实现的：
基于LSTM的燃气机组变工况下碳排放在线计算方法，所述方法包括如下步骤：
(1)对燃气发电机组在变工况下进行采样，然后对数据进行预处理，所述采样包括有功 数据P(t)、大气温度数据T(t)、大气压强数据Pa(t)、燃气流量数据V(t)，由于有功数据P(t)、 大气温度数据T(t)、大气压强数据Pa(t)、燃气流量数据V(t)的数据量纲不同，在计算过程中 需要对其进行预处理；
(2)构建变工况下燃气轮机的碳排放计算模型，计算不同工况下火电机组在做有功时锅 炉燃烧煤产生的碳排放量；
(3)建立基于LSTM的燃机发电机组单位上网有功碳排放因子训练模型：基于不同工 况下火电机组在做有功时锅炉燃烧煤产生的碳排放量，然后借助LSTM(Long Short-Term Memory，LSTM)长短期记忆网络算法，训练单位有功功率对应的碳排放量，即建立燃气发电 机组上网单位有功功率与碳排放量之间的关联关系，从而给出燃气发电机组变工况下单位上 网有功对应的碳排放因子；
(4)构建燃气机组上网有功碳排放在线计算模型：基于LSTM的燃机发电机组单位上 网有功碳排放因子训练模型给出的燃气发电机组变工况下单位上网有功对应的碳排放因子， 结合在线采集燃气发电机组上网有功数据，对变工况下燃气发电机组上网有功碳排放量进行 在线动态计算，在线给出燃气发电机组上网有功碳排放量。
预处理过程如公式(2)所示：
Figure BDA0003753235770000021
式中：X′i(t)为预处理后的第i个元素值，Xi(t)为向量X(t)的第i个元素，若i＝1，则 X1(t)＝P(t)，X′1(t)＝P'(t)；若i＝2，则X2(t)＝T(t)，X'2(t)＝T'(t)；若i＝3，则X3(t)＝Pa(t)， X′3(t)＝P′a(t)；若i＝4，则X4(t)＝V(t)，X'4(t)＝V'(t)；
所述uA、σA分别为向量X(t)的第i个元素样本的平均值、方差；预处理后的t时刻采集的燃 气发电机组基础数据表示为X′(t)，表达式如公式(3)所示：
X′(t)＝[P′(t),T′(t),Pa′(t),V′(t)] (3)
式中：P′(t)为预处理后的t时刻燃气发电机组有功数据，T′(t)为预处理后的t时刻大气温度 数据，Pa′(t)为预处理后的t时刻大气压强数据，V′(t)为预处理后的t时刻燃气流量数据。
步骤(2)中，构建的变工况下燃气轮机的碳排放计算模型如公式(4)所示：
Figure BDA0003753235770000024
式中：
Figure BDA0003753235770000025
为t时刻燃气发电机组在运行工况yi下发出有功时燃气轮机产生的碳排放量， εc为单位流量燃气燃烧时产生的碳排放量，yi为燃气发电机组运行在满载率i下的燃气耗 量因子，Vyi(t)为t时刻燃气发电机组运行在满载率i下的燃气流量。
基于预处理后的t时刻燃气发电机组有功数据P′(t)、预处理后的t时刻大气温度数据 T′(t)、预处理后的t时刻大气压强数据Pa′(t)、预处理后的t时刻燃气流量数据V′(t)以及计 算出的有功碳排放数据，然后借助LSTM算法，训练单位变工况下燃气发电机组有功碳排放 因子。
训练过程如下：
输入样本：
Figure BDA0003753235770000031
输出：
Figure BDA0003753235770000032
根据P′(t)、T′(t)、Pa′(t)、V′(t)以及计算出的有功碳排放数据输入样本中，在隐含层中 输入对应的碳排放量数据，然后基于输入样本数据和细胞状态信息，对LSTM深度学习网络 进行训练，训练过程如公式(5)所示：
Figure BDA0003753235770000033
式中，ht-1为隐藏输入层，
Figure BDA0003753235770000034
σ为激活函数；ft为遗忘门的输出，Wf、bf为相 应的遗忘门矩阵；it为输入门的输出，Wi、bi为相应的输入门权重矩阵；Ct-1为旧细胞状态信 息，
Figure BDA0003753235770000035
为选择添加候选状态信息，Ct为更新的细胞信息，WC、bC为对应的神经元矩阵；ot为输出门的输出，Wo、bo为相应的输出门矩阵；ht为输出结果。
最终输出燃气发电机组单位有功碳排放量LSTM训练模型，如公式(6)所示：
Figure BDA0003753235770000036
式中：fyi()为燃气发电机组单位上网有功碳排放因子LSTM训练模型，
Figure BDA0003753235770000037
为t时刻燃气发 电机组在变工况yi下上网的有功单位碳排放因子。
所述步骤(4)中，构建的燃气机组上网有功碳排放在线计算模型如公式(7)所示：
Figure BDA0003753235770000038
式中：FSW(t)为t时刻燃气发电机组上网有功碳排放量，PSW(t)为t时刻燃气发电机组上网有 功功率。
本发明的有益效果如下：本发明提供的一种基于LSTM的燃气机组变工况下碳排放在线 计算方法，对燃气机组在变工况下功碳排放进行精准计量，助力电网碳减排，对实现“碳达 峰、碳中和”目标具有重要意义，大大提高燃气机组发电效率。
附图说明
图1为燃气机组单位上网有功碳排放因子LSTM训练模型。
具体实施方式
下面结合说明书附图对本发明的技术方案作进一步说明：
基于LSTM的燃气机组变工况下碳排放在线计算方法，所述方法包括如下步骤：
(1)对燃气发电机组在变工况下进行采样，然后对数据进行预处理，所述采样包括有功 数据P(t)、大气温度数据T(t)、大气压强数据Pa(t)、燃气流量数据V(t)，由于有功数据P(t)、 大气温度数据T(t)、大气压强数据Pa(t)、燃气流量数据V(t)的数据量纲不同，在计算过程中 需要对其进行预处理；
(2)构建变工况下燃气轮机的碳排放计算模型，计算不同工况下火电机组在做有功时锅 炉燃烧煤产生的碳排放量；
(3)建立基于LSTM的燃机发电机组单位上网有功碳排放因子训练模型：基于不同工 况下火电机组在做有功时锅炉燃烧煤产生的碳排放量，然后借助LSTM(Long Short-Term Memory，LSTM)长短期记忆网络算法，训练单位有功功率对应的碳排放量，即建立燃气发电 机组上网单位有功功率与碳排放量之间的关联关系，从而给出燃气发电机组变工况下单位上 网有功对应的碳排放因子；
(4)构建燃气机组上网有功碳排放在线计算模型：基于LSTM的燃机发电机组单位上 网有功碳排放因子训练模型给出的燃气发电机组变工况下单位上网有功对应的碳排放因子， 结合在线采集燃气发电机组上网有功数据，对变工况下燃气发电机组上网有功碳排放量进行 在线动态计算，在线给出燃气发电机组上网有功碳排放量。
预处理过程如公式(2)所示：
Figure BDA0003753235770000041
式中：X′i(t)为预处理后的第i个元素值，Xi(t)为向量X(t)的第i个元素，若i＝1，则 X1(t)＝P(t)，X′1(t)＝P'(t)；若i＝2，则X2(t)＝T(t)，X'2(t)＝T'(t)；若i＝3，则X3(t)＝Pa(t)， X′3(t)＝P′a(t)；若i＝4，则X4(t)＝V(t)，X'4(t)＝V'(t)；
所述uA、σA分别为向量X(t)的第i个元素样本的平均值、方差；预处理后的t时刻采集的燃 气发电机组基础数据表示为X′(t)：
X′(t)＝[P′(t),T′(t),Pa′(t),V′(t)] (3)
式中：P′(t)为预处理后的t时刻燃气发电机组有功数据，T′(t)为预处理后的t时刻大气温度 数据，Pa′(t)为预处理后的t时刻大气压强数据，V′(t)为预处理后的t时刻燃气流量数据。
步骤(2)中，构建的变工况下燃气轮机的碳排放计算模型如公式(4)所示：
Figure BDA0003753235770000051
式中：
Figure BDA0003753235770000052
为t时刻燃气发电机组在运行工况yi下发出有功时燃气轮机产生的碳排放量， εc为单位流量燃气燃烧时产生的碳排放量，yi为燃气发电机组运行在满载率i下的燃气耗 量因子，Vyi(t)为t时刻燃气发电机组运行在满载率i下的燃气流量。
基于预处理后的t时刻燃气发电机组有功数据P′(t)、预处理后的t时刻大气温度数据 T′(t)、预处理后的t时刻大气压强数据Pa′(t)、预处理后的t时刻燃气流量数据V′(t)以及计 算出的有功碳排放数据，然后借助LSTM算法，训练单位变工况下燃气发电机组有功碳排放 因子。
训练单位变工况下燃气发电机组有功碳排放因子过程如图1所示，
输入样本：
Figure BDA00037532357700000510
输出：
Figure BDA0003753235770000053
根据P′(t)、T′(t)、Pa′(t)、V′(t)以及计算出的有功碳排放数据输入样本中，在隐含层中 输入对应的碳排放量数据，然后基于输入样本数据和细胞状态信息，对LSTM深度学习网络 进行训练，训练过程如公式(5)所示：
Figure BDA0003753235770000054
式中，ht-1为隐藏输入层，
Figure BDA0003753235770000055
σ为激活函数；ft为遗忘门的输出，Wf、bf为相 应的遗忘门矩阵；it为输入门的输出，Wi、bi为相应的输入门权重矩阵；Ct-1为旧细胞状态信 息，
Figure BDA0003753235770000059
为选择添加候选状态信息，Ct为更新的细胞信息，WC、bC为对应的神经元矩阵；ot为输出门的输出，Wo、bo为相应的输出门矩阵；ht为输出结果。
最终输出燃气发电机组单位有功碳排放量LSTM训练模型，如公式(6)所示：
Figure BDA0003753235770000056
式中：fyi()为燃气发电机组单位上网有功碳排放因子LSTM训练模型，
Figure BDA0003753235770000057
为t时刻燃气发 电机组在变工况yi下上网的有功单位碳排放因子。
所述步骤(4)中，构建的燃气机组上网有功碳排放在线计算模型如公式(7)所示：
Figure BDA0003753235770000058
式中：FSW(t)为t时刻燃气发电机组上网有功碳排放量，PSW(t)为t时刻燃气发电机组上网有 功功率。
本发明主要包括：燃气发电机组在变工况下数据采集及预处理技术，变工况下燃气轮机 的碳排放计算模型，基于LSTM的燃机发电机组单位上网有功碳排放因子训练模型，燃气机组 上网有功碳排放在线计算模型。本发明基于燃气发电机组LSTM有功碳排放模型给出的燃气发 电机组单位上网有功碳排放因子，结合在线采集燃气发电机组上网有功数据，对变工况下燃 气发电机组上网有功碳排放量进行在线动态计算，在线给出燃气发电机组上网有功碳排放量。 本发明提供的一种基于LSTM的燃气机组变工况下碳排放在线计算方法，对燃气机组在变工况 下有功碳排放进行精准计量，助力电网碳减排，对实现“碳达峰、碳中和”目标具有重要意 义。
需要注意的是，以上列举的仅是本发明的一种具体实施例。显然，本发明不限于以上实 施例，还可以有许多变形，总之，本领域的普通技术人员能从本发明公开的内容直接导出或 联想到的所有变形，均应认为是本发明的保护范围。

Claims (6)

1.一种基于LSTM的燃气机组变工况下碳排放在线计算方法，其特征在于，所述方法包括以下步骤：
步骤(1)对燃气发电机组在变工况下进行采样，然后对数据进行预处理，所述采样包括有功数据P(t)、大气温度数据T(t)、大气压强数据Pa(t)、燃气流量数据V(t)，由于有功数据P(t)、大气温度数据T(t)、大气压强数据Pa(t)、燃气流量数据V(t)的数据量纲不同，在计算过程中需要对其进行预处理；
步骤(2)构建变工况下燃气轮机的碳排放计算模型，计算不同工况下火电机组在做有功时锅炉燃烧煤产生的碳排放量；
步骤(3)建立基于LSTM的燃机发电机组单位上网有功碳排放因子训练模型：基于不同工况下火电机组在做有功时锅炉燃烧煤产生的碳排放量，然后借助LSTM长短期记忆网络算法，训练单位有功功率对应的碳排放量，即建立燃气发电机组上网单位有功功率与碳排放量之间的关联关系，从而给出燃气发电机组变工况下单位上网有功对应的碳排放因子；
步骤(4)构建燃气机组上网有功碳排放在线计算模型：基于LSTM的燃机发电机组单位上网有功碳排放因子训练模型给出的燃气发电机组变工况下单位上网有功对应的碳排放因子，结合在线采集燃气发电机组上网有功数据，对变工况下燃气发电机组上网有功碳排放量进行在线动态计算，在线给出燃气发电机组上网有功碳排放量。
2.根据权利要求1所述基于LSTM的燃气机组变工况下碳排放在线计算方法，其特征在于，所述预处理过程如公式(2)所示，
Figure FDA0003753235760000011
式中：X'i(t)为预处理后的第i个元素值，Xi(t)为向量X(t)的第i个元素，若i＝1，则X1(t)＝P(t)，X'1(t)＝P'(t)；若i＝2，则X2(t)＝T(t)，X'2(t)＝T'(t)；若i＝3，则X3(t)＝Pa(t)，X3'(t)＝P'a(t)；若i＝4，则X4(t)＝V(t)，X'4(t)＝V'(t)；
所述uA、σA分别为向量X(t)的第i个元素样本的平均值、方差；预处理后的t时刻采集的燃气发电机组基础数据表示为X'(t)，表达式如公式(3)所示：
X'(t)＝[P'(t),T'(t),Pa'(t),V'(t)] (3)
式中：P'(t)为预处理后的t时刻燃气发电机组有功数据，T'(t)为预处理后的t时刻大气温度数据，Pa'(t)为预处理后的t时刻大气压强数据，V'(t)为预处理后的t时刻燃气流量数据。
3.根据权利要求1所述基于LSTM的燃气机组变工况下碳排放在线计算方法，其特征在于，所述步骤(2)中，构建的变工况下燃气轮机的碳排放计算模型如公式(4)所示：
Figure FDA0003753235760000021
式中：
Figure FDA0003753235760000022
为t时刻燃气发电机组在运行工况yi下发出有功时燃气轮机产生的碳排放量，εc为单位流量燃气燃烧时产生的碳排放量，yi为燃气发电机组运行在满载率i下的燃气耗量因子，Vyi(t)为t时刻燃气发电机组运行在满载率i下的燃气流量。
4.根据权利要求1所述基于LSTM的燃气机组变工况下碳排放在线计算方法，其特征在于，基于预处理后的t时刻燃气发电机组有功数据P'(t)、预处理后的t时刻大气温度数据T'(t)、预处理后的t时刻大气压强数据Pa'(t)、预处理后的t时刻燃气流量数据V'(t)以及计算出的有功碳排放数据，然后借助LSTM算法，训练单位变工况下燃气发电机组有功碳排放因子。
5.根据权利要求4所述基于LSTM的燃气机组变工况下碳排放在线计算方法，其特征在于，训练过程如下：
输入样本：
Figure FDA0003753235760000023
输出：
Figure FDA0003753235760000024
根据P'(t)、T'(t)、Pa'(t)、V'(t)以及计算出的有功碳排放数据输入样本中，在隐含层中输入对应的碳排放量数据，然后基于输入样本数据和细胞状态信息，对LSTM深度学习网络进行训练，训练过程如公式(5)所示，
Figure FDA0003753235760000025
式中，ht-1为隐藏输入层，
Figure FDA0003753235760000026
σ为激活函数；ft为遗忘门的输出，Wf、bf为相应的遗忘门矩阵；it为输入门的输出，Wi、bi为相应的输入门权重矩阵；Ct-1为旧细胞状态信息，
Figure FDA0003753235760000027
为选择添加候选状态信息，Ct为更新的细胞信息，WC、bC为对应的神经元矩阵；ot为输出门的输出，Wo、bo为相应的输出门矩阵；ht为输出结果；
最终输出燃气发电机组单位有功碳排放量LSTM训练模型，如公式(6)所示：
Figure FDA0003753235760000028
式中：fyi()为燃气发电机组单位上网有功碳排放因子LSTM训练模型，
Figure FDA0003753235760000031
为t时刻燃气发电机组在变工况yi下上网的有功单位碳排放因子。
6.根据权利要求5所述基于LSTM的燃气机组变工况下碳排放在线计算方法，其特征在于，所述步骤(4)中，构建的燃气机组上网有功碳排放在线计算模型如公式(7)所示：
Figure FDA0003753235760000032
式中：FSW(t)为t时刻燃气发电机组上网有功碳排放量，PSW(t)为t时刻燃气发电机组上网有功功率。
CN202210847082.8A 2022-07-19 2022-07-19 一种基于lstm的燃气机组变工况下碳排放在线计算方法 Active CN115130900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210847082.8A CN115130900B (zh) 2022-07-19 2022-07-19 一种基于lstm的燃气机组变工况下碳排放在线计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210847082.8A CN115130900B (zh) 2022-07-19 2022-07-19 一种基于lstm的燃气机组变工况下碳排放在线计算方法

Publications (2)

Publication Number Publication Date
CN115130900A true CN115130900A (zh) 2022-09-30
CN115130900B CN115130900B (zh) 2023-04-18

Family

ID=83384803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210847082.8A Active CN115130900B (zh) 2022-07-19 2022-07-19 一种基于lstm的燃气机组变工况下碳排放在线计算方法

Country Status (1)

Country Link
CN (1) CN115130900B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120016605A1 (en) * 2010-07-16 2012-01-19 Powertech Industrial Co., Ltd. Carbon emission tracker and tracking system
CN112749840A (zh) * 2020-12-29 2021-05-04 华北电力大学 一种火电机组能效特征指标基准值的获取方法
CN112906974A (zh) * 2021-03-11 2021-06-04 东南大学 一种负荷电量及其碳排放预测与校验方法
CN113469470A (zh) * 2021-09-02 2021-10-01 国网浙江省电力有限公司杭州供电公司 基于电力大脑中枢的用能数据与碳排放量关联分析方法
CN114417571A (zh) * 2021-12-24 2022-04-29 国网湖北省电力有限公司电力科学研究院 一种实现燃煤发电机组碳排放在线监测方法、系统及存储介质
CN114744684A (zh) * 2022-04-24 2022-07-12 国网浙江省电力有限公司 一种新型电力系统低碳经济调控方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120016605A1 (en) * 2010-07-16 2012-01-19 Powertech Industrial Co., Ltd. Carbon emission tracker and tracking system
CN112749840A (zh) * 2020-12-29 2021-05-04 华北电力大学 一种火电机组能效特征指标基准值的获取方法
CN112906974A (zh) * 2021-03-11 2021-06-04 东南大学 一种负荷电量及其碳排放预测与校验方法
CN113469470A (zh) * 2021-09-02 2021-10-01 国网浙江省电力有限公司杭州供电公司 基于电力大脑中枢的用能数据与碳排放量关联分析方法
CN114417571A (zh) * 2021-12-24 2022-04-29 国网湖北省电力有限公司电力科学研究院 一种实现燃煤发电机组碳排放在线监测方法、系统及存储介质
CN114744684A (zh) * 2022-04-24 2022-07-12 国网浙江省电力有限公司 一种新型电力系统低碳经济调控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KUTLUMUKHAMEDOV A.R.: "Combined Method for Prediction of Carbon Monoxide Emission from Gas Turbine Combustion Chambers" *
QIANG ZHANG: "Vehicle Emission Forecasting Based on Wavelet Transform and Long Short-Term Memory Network" *
张展鹏 等: "适用于环境－经济调度研究的燃煤机组 二氧化碳排放特性模型" *

Also Published As

Publication number Publication date
CN115130900B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN108334672B (zh) 基于有效风速估计的变速风力发电机组最大风能捕获方法
JP6248124B2 (ja) 再生可能エネルギー対応ガスタービンおよびその制御方法
CN100389253C (zh) 微型燃气轮机燃烧控制器及控制方法
Vali et al. Model predictive active power control for optimal structural load equalization in waked wind farms
CN109184933B (zh) 沼气内燃发电机组的协同优化控制方法及系统
CN110764419A (zh) 大型燃煤电站co2捕集整体调度及预测控制系统和方法
CN114022311B (zh) 基于时序条件生成对抗网络的综合能源系统数据补偿方法
CN113489024A (zh) 热电联供机组多模式抽汽辅助调峰调频控制系统及方法
CN111950118B (zh) 一种燃气-蒸汽联合发电机组操作优化方法及设备
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
Chen et al. Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station
CN115656439A (zh) 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法
CN109375503B (zh) 一种蒸汽余热梯级利用优化控制方法
Ping et al. An efficient multilayer adaptive self-organizing modeling methodology for improving the generalization ability of organic Rankine cycle (ORC) data-driven model
CN115130900B (zh) 一种基于lstm的燃气机组变工况下碳排放在线计算方法
Guan et al. Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data
Wu Dynamic performance simulation analysis method of split shaft gas turbine based on RBF neural network
CN113837459A (zh) 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法
CN117674216A (zh) 一种基于模仿学习机制的蒸汽储能设群体调控方法
CN111708388A (zh) 一种基于gru-pid的锅炉调压预测控制方法
Zhang et al. Furnace temperature prediction using optimized kernel extreme learning machine
CN113836819B (zh) 一种基于时序关注的床温预测方法
CN112796845B (zh) 基于orc的工业能源梯级利用供电系统及方法
CN115713029A (zh) 一种考虑迟延的风电场随机模型预测优化控制方法
CN114386651A (zh) 一种基于电、气、热量价关系的燃机最佳负荷点动态寻优方法

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