CN115689093A - 基于热力模型和机器学习的电厂碳排放核算方法及系统 - Google Patents
基于热力模型和机器学习的电厂碳排放核算方法及系统 Download PDFInfo
- Publication number
- CN115689093A CN115689093A CN202211672038.4A CN202211672038A CN115689093A CN 115689093 A CN115689093 A CN 115689093A CN 202211672038 A CN202211672038 A CN 202211672038A CN 115689093 A CN115689093 A CN 115689093A
- Authority
- CN
- China
- Prior art keywords
- carbon
- carbon emission
- calculating
- carbon content
- steam
- 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 216
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 239000003245 coal Substances 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 12
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 40
- 238000012946 outsourcing Methods 0.000 claims description 19
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 14
- 239000003546 flue gas Substances 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000002485 combustion reaction Methods 0.000 claims description 10
- 239000002803 fossil fuel Substances 0.000 claims description 10
- 230000003647 oxidation Effects 0.000 claims description 10
- 238000007254 oxidation reaction Methods 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims 1
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000003860 storage Methods 0.000 description 26
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 229910002092 carbon dioxide Inorganic materials 0.000 description 9
- 239000001569 carbon dioxide Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 235000009508 confectionery Nutrition 0.000 description 6
- 238000005086 pumping Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000006477 desulfuration reaction Methods 0.000 description 5
- 230000023556 desulfurization Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000002209 hydrophobic effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- Engine Equipment That Uses Special Cycles (AREA)
Abstract
本发明公开了一种基于热力模型和机器学习的电厂碳排放核算方法及系统，涉及火力发电碳排放监控技术领域，该方法包括：获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。通过本发明能够实时监控火力发电厂各工作单元的碳排放数据，从而控制火力发电厂各工作单元的碳排放量。
Description
技术领域
本发明属于火力发电碳排放监控技术领域，更具体地，涉及一种基于热力模型和机器学习的电厂碳排放核算方法及系统。
背景技术
我国能源消费结构不断改善，煤炭消费占一次能源消费比重显著下降。但是目前“富煤、少油、缺气”仍是我国的基本国情，煤炭仍然是国家能源安全的“压舱石”。2021年煤炭消费占一次能源消费总量的比重最大，约56.0%。其中，燃煤电厂是我国最大的煤炭消耗行业。因此，实现燃煤电厂的低碳节能运行，对未来碳中和目标的达成至关重要。同时，各地逐步建立起来的碳交易市场，逐步完善的碳税政策，也对燃煤电厂的经济运行造成了巨大的压力。综上所述，合理规划燃煤电厂的碳排放指标，准确核算碳排放量对于电厂相关运行和管理人员来说非常必要。
目前电厂最常用的碳排放核算标准是《GB/T 32151.1 温室气体排放核算与报告要求第1部分：发电企业》。核算的主要温室气体为二氧化碳，包括化石燃料燃烧产生的二氧化碳排放、脱硫过程的二氧化碳排放、企业购入的电力产生的二氧化碳排放。核算方法主要根据每日燃煤低位发热量的测量以及单位热值含碳量的测量等化验数据。但是由于化验过程显著落后于生产过程，一般每月才能获得一次较准确的碳排放数据。而且国内电厂多采用混煤燃料，化验的采集样品与入炉燃煤间也可能存在较大的差异，导致目前电厂难以实现实时的碳排放核算。发明专利申请号202111112049.2 公布的一种燃煤电厂碳排放量指标实时监测系统，通过对烟气中二氧化碳浓度的测量和一次风机入口空气流量的测量获得实时的二氧化碳排放量。但是对于当前大多数电厂来说并未安装二氧化碳浓度测量传感器，而且空气流量的测量误差也较大，导致二氧化碳排放量的计算误差较大，并且该专利并未考虑脱硫过程及企业购入的电力产生的二氧化碳排放核算。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出一种基于热力模型和机器学习的电厂碳排放核算方法，包括：
获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
进一步的，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
进一步的，所述单位热值含碳量拟合模型为：
低位发热量=k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn为拟合系数。
进一步的，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
进一步的，还包括：
脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
本发明还提出一种基于热力模型和机器学习的电厂碳排放核算系统，包括：
获取抽气流量模块，用于获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
计算汽轮机热耗量模块，用于根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
计算锅炉效率模块，用于根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
计算含碳量模块，用于根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
计算燃煤碳排放量模块，用于根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
进一步的，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
进一步的，所述单位热值含碳量拟合模型为：
低位发热量= k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn为拟合系数。
进一步的，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
进一步的，还包括：
脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
通过本发明能够实时监控火力发电厂各工作单元的碳排放数据，从而控制火力发电厂各工作单元的碳排放量。
附图说明
图1是本发明实施例1涉及的一种基于热力模型和机器学习的电厂碳排放核算方法的流程图；
图2是本发明实施例2涉及的系统的结构图；
图3是本发明实施例3涉及的高压加热器/低压加热器换热模型图；
图4是本发明实施例3涉及的除氧器换热模型图；
图5是本发明实施例3涉及的最小二乘支持向量机锅炉效率模型图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例1
如图1所示，本发明实施例提供一种基于热力模型和机器学习的电厂碳排放核算方法，包括：
步骤101，获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
步骤102，根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
具体的，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
步骤103，根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
步骤104，根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
具体的，所述单位热值含碳量拟合模型为：
低位发热量=k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn分别为每阶多项式的拟合系数。对于煤炭来源比较稳定的电厂来说，采用一阶线性拟合。步骤105，根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
具体的，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
进一步的，脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
实施例2
如图2所示，本发明实施例提供一种基于热力模型和机器学习的电厂碳排放核算系统，包括：
获取抽气流量模块，用于获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
计算汽轮机热耗量模块，用于根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
具体的，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
计算锅炉效率模块，用于根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
计算含碳量模块，用于根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
具体的，所述单位热值含碳量拟合模型为：
低位发热量=k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn分别为每阶多项式的拟合系数。对于煤炭来源比较稳定的电厂来说，采用一阶线性拟合。计算燃煤碳排放量模块，用于根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
具体的，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
进一步的，脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
实施例3
本实施例结合火力发电厂实际案例阐述本发明技术方案，具体为：
第一步，电厂运行数据实时采集
建立电厂碳排放实时核算实时/历史数据库，依托电厂已有的信息数据系统(如SIS厂级信息监控信息，DCS集散控制系统等)，对电厂的大量的运行实时数据和历史数据进行了采集和存储。主要包括锅炉、汽轮机和脱硫系统运行数据。锅炉系统的运行数据主要包括：主蒸汽流量、主蒸汽压力、主蒸汽温度、给水压力、给水温度、再热蒸汽流量、再热蒸汽出口压力、再热蒸汽入口压力、省煤器出口过量空气系数、排烟温度、燃煤量、总风量、总烟气量、环境温度。汽轮机系统的运行数据主要包括：发电功率、凝气压力、凝气温度、补水流量、补水温度、每个高压加热器抽汽压力、抽汽温度、温度端差、除氧器的抽汽压力、抽汽温度和工作温度、每个低压加热器抽汽压力、抽汽温度、温度端差，各级抽汽供热的抽汽压力、抽汽温度和抽汽流量等。脱硫运行数据主要包括：脱硫入口烟气流量、入口二氧化硫浓度，出口二氧化硫浓度等。
第二步，如图3、4所示，根据质量守恒和能量守恒计算每个高压加热器、除氧器和每个低压加热器的抽汽流量。
基于水和水蒸汽热力性质IAPWS-IF97公式的计算模型，根据每个高压加热器、除氧器和每个低压加热器的抽汽温度和抽汽压力，计算抽汽蒸汽的焓值。
质量守恒：α1+α4=α5，α2=α3；
能量守恒：α1*H1+α4*H4-α5*H5=α3*H3-α2*H2
质量守恒：α1+α2+α4=α3；
能量守恒：α1*H1+α4*H4+α2*H2 =α3*H3。
其中，α1为高压加热器/低压加热器/除氧器蒸汽侧入口流量，H1为高压加热器/低压加热器/除氧器蒸汽侧入口焓值；α2为高压加热器/低压加热器/除氧器水侧入口流量，H2为高压加热器/低压加热器/除氧器水侧入口焓值；α3为高压加热器/低压加热器/除氧器水侧出口流量，H3为高压加热器/低压加热器/除氧器水侧出口焓值；α4为高压加热器/低压加热器/除氧器上级疏水流量，H4为高压加热器/低压加热器/除氧器上级疏水焓值；α5为高压加热器/低压加热器疏水流量，H5为高压加热器/低压加热器疏水焓值。
第三步，建立汽轮机特性方程
根据汽轮机历史运行数据，采用最小二乘线性拟合算法得到汽轮机热耗特性与各级抽汽和发电量、供热量、凝气压力之间的关系。
汽轮机热耗量=主蒸汽流量*（主蒸汽焓-给水焓）+再热蒸汽流量*（再热器入口焓-再热器出口焓值）
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中a1-an为各级高压加热器、除氧器、低压加热器和各级抽汽供热蒸汽的最小二乘回归系数，r1-rn为各级高压加热器、除氧器、低压加热器和各级抽汽供热蒸汽的流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
第四步，建立锅炉特性方程
建立锅炉特性方程可采用梯度提升树方法或最小二乘支持向量机的方法。
4.1梯度提升树方法
采用梯度提升树方法，建立锅炉特性方程。输入量为主蒸汽流量、主蒸汽压力、主蒸汽温度、给水压力、给水温度、再热蒸汽流量、再热蒸汽出口压力和温度、再热蒸汽入口压力和温度、省煤器出口过量空气系数、排烟温度、环境温度、燃煤量、总风量、总烟气量，输出量梯度提升树为锅炉效率。
输入：超参数ω，训练集
，（xi，yi）为
第i个样例。
输出：梯度提升树f。
4.11.基于超参数ω对回归树f初始化,设定单个样本上的损失函数
4.12.令
，
4.13.for 
对
拟合一个回归树
，
更新
，其中
,
4.14.
梯度提升树超参数自动寻优
输入：历史数据集
。
输出：最优梯度提升树
。
5.1.将历史数据集随机切分成训练集
5.2.初始化最优超参数
，
初始化测试集上预测的平均绝对偏差
。
5.3.for 
给定超参数
，在
上训练梯度提升树
，
基于
，对测试集中的每个样本的输出变量进行预测,
计算测试集上的预测平均绝对偏差
,
if 
5.4.基于最优超参数
，在历史数据集
上训练梯度提升树
。
拟合特性方程
特性方程是一个函数，描述了系统输入变量和系统输出变量之间的映射关系。由
于影响输出变量的因素非常多，通常情况下并无理论或经验公式来描述特性方程，此时需
要通过布置在硬件系统上的各种传感器来采集输入变量和输出变量的历史数据，使用梯度
提升树学习算法来拟合输入变量和输出变量之间的映射关系，并通过超参数自动寻优来确
定最优的特性方程
。
4.2 最小二乘支持向量机方法
采用最小二乘支持向量机方法，建立锅炉特性方程。输入量为主蒸汽流量、主蒸汽压力、主蒸汽温度、给水压力、给水温度、再热蒸汽流量、再热蒸汽出口压力和温度、再热蒸汽入口压力和温度、省煤器出口过量空气系数、排烟温度、环境温度、燃煤量、总风量、总烟气量，输出量为锅炉效率。
对于训练数据(xi,yi)，其中xi=(xi1,xi2,…,xid)T是d维的输入向量，yi是相应的输出数据，N是训练数据的总数。采用非线性核函数Φ(xi)将输入空间映射到特征空间。并基于结构化风险最小化原则，将评估问题描述为优化问题，构造相应的拉格朗日函数。根据泛函理论，本发明选用满足Mercer条件的径向基作为核函数。对于不同类型的变量，如图5所示，分别对正则化参数γ以及核函数的带宽参数σ进行训练，提高模型的计算准确率。
第五步，建立单位热值含碳量拟合方程
根据电厂每天的历史化验数据，采用多元拟合方法将其元素碳含量和低位发热量之间建立拟合方程。
低位发热量= k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn分别为每阶多项式的拟合系数。对于煤炭来源比较稳定的电厂来说，采用一阶线性拟合。
第六步，碳排放实时计算模型
基于第四步得到的锅炉效率f和第三步得到的汽轮机热耗量Q，可以得到锅炉化石燃料燃烧的实时热值：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，一般取设计数据99%左右。
碳氧化率可按照GB/T32151.1（温室气体排放核算与报告要求第1部分：发电企业）的锅炉类型采用推荐值。
脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子
区域平均供电碳排放因子，可根据电厂所在区域，在东北或者、华北、华东、华中、西北、南方电网，选用主管部门公布的相应区域平均供电碳排放因子。
则电厂实时碳排放=燃煤碳排放+脱硫碳排放+外购电力碳排放。
实施例4
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种基于热力模型和机器学习的电厂碳排放核算方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
步骤102，根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
具体的，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
步骤103，根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
步骤104，根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
具体的，所述单位热值含碳量拟合模型为：
低位发热量= k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn分别为每阶多项式的拟合系数。对于煤炭来源比较稳定的电厂来说，采用一阶线性拟合。
步骤105，根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
具体的，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
进一步的，脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种基于热力模型和机器学习的电厂碳排放核算方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的基于热力模型和机器学习的电厂碳排放核算方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的碳排放的实时监控方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
步骤102，根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
具体的，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
步骤103，根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
步骤104，根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
具体的，所述单位热值含碳量拟合模型为：
低位发热量= k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn分别为每阶多项式的拟合系数。对于煤炭来源比较稳定的电厂来说，采用一阶线性拟合。
步骤105，根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
具体的，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
进一步的，脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于热力模型和机器学习的电厂碳排放核算方法，其特征在于，包括：
获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
2.如权利要求1所述的基于热力模型和机器学习的电厂碳排放核算方法，其特征在于，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
3.如权利要求1所述的基于热力模型和机器学习的电厂碳排放核算方法，其特征在于，所述单位热值含碳量拟合模型为：
低位发热量= k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn为拟合系数。
4.如权利要求1所述的基于热力模型和机器学习的电厂碳排放核算方法，其特征在于，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
5.如权利要求4所述的基于热力模型和机器学习的电厂碳排放核算方法，其特征在于，还包括：
脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
6.一种基于热力模型和机器学习的电厂碳排放核算系统，其特征在于，包括：
获取抽气流量模块，用于获取电厂的历史运行数据，根据所述历史运行数据，计算抽汽蒸汽的抽气流量；
计算汽轮机热耗量模块，用于根据所述抽气流量，建立汽轮机特性模型，并计算汽轮机热耗量；
计算锅炉效率模块，用于根据梯度提升树方法或最小二乘支持向量机方法，建立锅炉特性模型，计算锅炉效率；
计算含碳量模块，用于根据所述历史运行数据，建立单位热值含碳量拟合模型，计算单位热值含碳量；
计算燃煤碳排放量模块，用于根据所述汽轮机热耗量、所述锅炉效率和所述单位热值含碳量，建立碳排放实时计算模型，计算燃煤碳排放量。
7.如权利要求6所述的基于热力模型和机器学习的电厂碳排放核算系统，其特征在于，所述汽轮机特性模型为：
汽轮机热耗量=a1*r1+a2*r2+……+an*rn+b1*W1+c1*P1+D
其中，a1…an为所述抽汽蒸汽的最小二乘回归系数，r1...rn为所述抽气流量，b1为汽轮机发电功率的回归系数，w1为汽轮机的发电功率，c1为凝汽压力的回归系数，P1为凝气压力，D为拟合常数项。
8.如权利要求7所述的基于热力模型和机器学习的电厂碳排放核算系统，其特征在于，所述单位热值含碳量拟合模型为：
低位发热量= k0+k1*元素碳含量+k2*元素碳含量2+……+ kn*元素碳含量n
单位热值含碳量=元素碳含量/低位发热量
其中，k0为拟合常数项，k1…kn为拟合系数。
9.如权利要求7所述的基于热力模型和机器学习的电厂碳排放核算系统，其特征在于，碳排放实时计算模型为：
Q燃烧=Q汽机/(f*η管)
燃煤碳排放=Q燃烧*单位热值含碳量*44/12*碳氧化率
其中，η管为蒸汽管道的传输效率，Q燃烧为锅炉化石燃料燃烧的实时热值，Q汽机为汽轮机热耗量，f为锅炉效率。
10.如权利要求9所述的基于热力模型和机器学习的电厂碳排放核算系统，其特征在于，还包括：
脱硫碳排放=脱硫入口烟气流量*（入口二氧化硫浓度-出口二氧化硫浓度）*44/64；
外购电力碳排放=外购电力量*区域平均供电碳排放因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211672038.4A CN115689093A (zh) | 2022-12-26 | 2022-12-26 | 基于热力模型和机器学习的电厂碳排放核算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211672038.4A CN115689093A (zh) | 2022-12-26 | 2022-12-26 | 基于热力模型和机器学习的电厂碳排放核算方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115689093A true CN115689093A (zh) | 2023-02-03 |
Family
ID=85055614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211672038.4A Pending CN115689093A (zh) | 2022-12-26 | 2022-12-26 | 基于热力模型和机器学习的电厂碳排放核算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115689093A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118091052A (zh) * | 2024-04-24 | 2024-05-28 | 江西江投能源技术研究有限公司 | 一种基于cems的二氧化碳在线监测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104048842A (zh) * | 2014-05-29 | 2014-09-17 | 华中科技大学 | 一种基于软测量技术的汽轮机热耗率在线监测方法 |
| CN111191354A (zh) * | 2019-12-18 | 2020-05-22 | 北京航天智造科技发展有限公司 | 基于gbdt的锅炉建模方法及装置 |
| CN113640466A (zh) * | 2021-08-03 | 2021-11-12 | 广东电网有限责任公司 | 一种碳排放强度测量方法、设备及介质 |
| CN114418791A (zh) * | 2021-11-29 | 2022-04-29 | 华能集团技术创新中心有限公司 | 一种火电厂小时级碳排放在线监测方法 |
-
2022
- 2022-12-26 CN CN202211672038.4A patent/CN115689093A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104048842A (zh) * | 2014-05-29 | 2014-09-17 | 华中科技大学 | 一种基于软测量技术的汽轮机热耗率在线监测方法 |
| CN111191354A (zh) * | 2019-12-18 | 2020-05-22 | 北京航天智造科技发展有限公司 | 基于gbdt的锅炉建模方法及装置 |
| CN113640466A (zh) * | 2021-08-03 | 2021-11-12 | 广东电网有限责任公司 | 一种碳排放强度测量方法、设备及介质 |
| CN114418791A (zh) * | 2021-11-29 | 2022-04-29 | 华能集团技术创新中心有限公司 | 一种火电厂小时级碳排放在线监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李越胜;江政纬;甘云华;卓献荣;: "基于PSO-LSSVM算法的燃油工业锅炉效率软测量" * |
| 桂良明 等: "基于RF-GBDT 的燃煤锅炉NOx 排放预测" * |
| 盖志杰 等: "燃煤电厂碳排放典型计算及分析" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118091052A (zh) * | 2024-04-24 | 2024-05-28 | 江西江投能源技术研究有限公司 | 一种基于cems的二氧化碳在线监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101689050B (zh) | 发电厂性能监测中统计分析的使用 | |
| JP4993336B2 (ja) | 複合サイクル／複合プロセス施設を最適化する方法 | |
| US20150159518A1 (en) | Multistage hrsg control in a combined cycle unit | |
| CN112395744B (zh) | 一种面向火电厂的设备安全性在线评价方法及系统 | |
| CN115689093A (zh) | 基于热力模型和机器学习的电厂碳排放核算方法及系统 | |
| CN111365733B (zh) | 一种燃煤锅炉经济氧量动态寻优方法、系统及设备 | |
| CN103390211A (zh) | 火力发电机组全过程能量管理及成本分析系统 | |
| Mohtaram et al. | An innovative approach for utilizing waste heat of a triple-pressure cogeneration combined cycle power plant by employing TRR method and thermodynamic analysis | |
| CN112862314A (zh) | 一种火电厂生产经营环境指标的报表化管理系统 | |
| CN114266165A (zh) | 考虑碳排放的蒸汽动力系统中蒸汽透平布局优化方法 | |
| CN111366394A (zh) | 一种燃机在线性能试验计算系统实现方法 | |
| Elwardany et al. | Advancing sustainable thermal power generation: insights from recent energy and exergy studies | |
| Kler et al. | Investigating the efficiency of a steam-turbine heating plant with a back-pressure steam turbine and waste-heat recovery | |
| CN114370648B (zh) | 锅炉自动化控制方法与装置 | |
| EP2644850B1 (en) | A system for analyzing operation of power plant units and a method for analyzing operation of power plant units | |
| KR101952792B1 (ko) | 에너지 시스템의 고장진단 방법 및 장치 | |
| JP2019108881A (ja) | 発電プラント性能評価方法及び発電プラント性能評価プログラム | |
| JP4111153B2 (ja) | 運用計画システムおよび運用計画立案プログラム | |
| Godoy et al. | Optimal economic strategy for the multiperiod design and long-term operation of natural gas combined cycle power plants | |
| Chamorro et al. | Operational control of the energy performance of a water-tube boiler using intelligent monitoring of operating variables and parameters | |
| CN114424128A (zh) | 非线性模型的建模方法、装置及存储介质 | |
| CN113591283B (zh) | 燃气锅炉的运行氧量调整方法、装置和计算机设备 | |
| CN112085352B (zh) | 一种灵活性热电厂日前市场分时报价优化方法及系统 | |
| Putna et al. | Short-time Fluctuations and Their Impact on Waste-to-Energy Conceptual Design Optimized by Multi-Stage Stochastic Model | |
| Saturday et al. | Determination of gas turbine optimal part load operation from lifting and economic perspectives |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230203 |
|
| RJ01 | Rejection of invention patent application after publication |