CN116127729B - 基于线性动态模型的二氧化碳捕集精准预测方法及系统 - Google Patents
基于线性动态模型的二氧化碳捕集精准预测方法及系统 Download PDFInfo
- Publication number
- CN116127729B CN116127729B CN202211693421.8A CN202211693421A CN116127729B CN 116127729 B CN116127729 B CN 116127729B CN 202211693421 A CN202211693421 A CN 202211693421A CN 116127729 B CN116127729 B CN 116127729B
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- volume concentration
- predicted
- dioxide absorption
- prediction
- 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.)
- Active
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种基于线性动态模型的二氧化碳捕集精准预测方法及系统,该方法包括:实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。本发明将对二氧化碳浓度进行预测,利用线性动态系统预测处理方式,使得计算藻类捕集的二氧化碳吸收量更为准确。
Description
技术领域
本发明属于二氧化碳吸收量预测与控制技术领域,更具体地,涉及一种基于线性动态模型的二氧化碳捕集精准预测方法及系统。
背景技术
二氧化碳空气直接捕集技术(Direct Air Capture,DAC)可以维持并真实的降低大气中二氧化碳浓度。空气直接捕集CO2技术的核心是吸附剂的选择,国内外研究较多的吸附剂有强碱性溶液、分子筛、金属有机框架及胺类吸附剂等。此外,CO2解吸有着技术成熟、处理能力和效率高等优点,已经在工业上得到应用。当吸附剂达到饱和后,通过变压、变温从而实现吸附剂和二氧化碳的分离。该系统的关键部分是确定吸附剂解吸CO2所需的压力、温度以及时间。根据解吸时间以及吸附时间,确定吸附室并联个数,保证吸附解吸系统动态平衡,能够稳定运行。
为了更好的将二氧化碳固化,早期藻类培养系统研究最多的是开放式系统和封闭式系统两类。传统开放式具有结构简单、可扩展性好、成本低的优势,但固碳率低;封闭式虽然可以改造提高固碳率,但成本较高。综合效率、成本、占地、能耗等多个因素考虑。
发明内容
本发明针对通风系统流速、压力等客观参数,采用工业上较成熟的吸附法捕集CO2,通过流量计、CO2分析仪随时监控CO2捕集量,配合吸附材料吸附-解吸过程中温度和压力的要求,通过工业控制来实现两者协调运行,完成CO2捕集过程的精准预测与控制。
本发明提出一种基于线性动态模型的二氧化碳捕集精准预测方法,包括:
实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
进一步的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的体
积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的当
前二氧化碳的吸收量。
进一步的,所述预测模型为:
(2)
(3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;为
过程噪声,其协方差为Q;vk为测量噪声,其协方差为R。
进一步的,还包括:
对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到
(4)
其中,表示k-1时刻二氧化碳体积浓度,表示由k-1时刻
预测得到k时刻的二氧化碳体积浓度。
进一步的,还包括:
计算误差协方差,公式具体为:
(5)
其中,P(k-1 | k-1)为k-1时刻的误差协方差;P(k | k-1)为由k-1时刻推测得到的k时刻的误差协方差。
进一步的,还包括:
将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
其中,增益,此时计算误差协方差的公式可
修正为:
(7)
进一步的,设置所述优化模型的具体步骤包括:
对多个时刻的所述预测二氧化碳吸收量进行去除波动性和随机性处理,具体为:
,b=1,2…n; (8)
其中,为第b个已去除波动性和随机性的预测二氧化碳吸收量,为第i个预
测二氧化碳吸收量,n为个数;
对多个时刻的所述真实二氧化碳吸收量进行去除波动性和随机性处理,具体为:
b=1,2…n; (9)
其中,为第b个已去除波动性和随机性的真实二氧化碳吸收量, 为第i个真
实二氧化碳吸收量;
根据已去除波动性和随机性的所述预测二氧化碳吸收量和已去除波动性和随机性的所述真实二氧化碳吸收量,结合调整因子,设置所述优化模型,使所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值无限接近1,所述优化模型为:
(10)
其中,为第b个所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值,s为调整因子。
本发明还提出一种二氧化碳捕集精准预测与控制系统,包括:
获取二氧化碳参数模块,用于实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
获取预测参数模块,用于设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
预测吸收量模块,用于设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
修正模块,用于获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
进一步的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的
体积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的
当前二氧化碳的吸收量。
进一步的,所述预测模型为:
(2)
(3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;为
过程噪声,其协方差为Q;v k 为测量噪声,其协方差为R。
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:
本发明将对二氧化碳浓度进行预测,利用线性动态系统预测处理方式,使得计算捕集的二氧化碳吸收量更为准确。
附图说明
图1是本发明实施例1的方法的流程图;
图2是本发明实施例2的系统的结构图;
图3是本发明实施例3的用于藻类培养的基于线性动态模型的CO2捕集精准预测与控制系统的结构图;
图4为本发明实施例6的方法的流程图;
图5为本发明实施例7的系统的结构图。
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线性动态模型的二氧化碳捕集精准预测方法,包括:
步骤101,实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
步骤102,设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
步骤103,设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量。
具体的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的
体积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的
当前二氧化碳的吸收量。
具体的,所述预测模型为:
(2)
(3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;为
过程噪声,其协方差为Q;vk为测量噪声,其协方差为R。
具体的,还包括:对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到
(4)
其中, 表示k-1时刻二氧化碳体积浓度,表示由k-1时刻
预测得到k时刻的二氧化碳体积浓度。
具体的,还包括:计算误差协方差,公式具体为:
(5)
其中,P(k-1 | k-1)为k-1时刻的误差协方差;P(k | k-1)为由k-1时刻推测得到的k时刻的误差协方差。
具体的,还包括:将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
其中,增益,此时计算误差协方差的公式可修正
为:
(7)。
实施例2
如图2所示,本发明实施例提供一种基于线性动态模型的二氧化碳捕集精准预测方法,包括:
获取二氧化碳参数模块,用于实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
获取预测参数模块,用于设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
预测吸收量模块,用于设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量。
具体的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的
体积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的
当前二氧化碳的吸收量。
具体的,所述预测模型为:
(2)
(3)
其中,z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;
为过程噪声,其协方差为Q;vk为测量噪声,其协方差为R。
具体的,还包括:对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到
(4)
其中,表示k-1时刻二氧化碳体积浓度,表示由k-1时刻
预测得到k时刻的二氧化碳体积浓度。
具体的,还包括:计算误差协方差,公式具体为:
(5)
其中,P(k-1 | k-1)为k-1时刻的误差协方差;P(k | k-1)为由k-1时刻推测得到的k时刻的误差协方差。
具体的,还包括:将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
其中,增益,此时计算误差协方差的公式可
修正为:
(7)
实施例3
如图3所示,本发明装置安装在楼宇的通风系统末端,利用排风风机的余压将楼宇中空气排至吸收罐内。当空气量不足时,可增设外置风机进行补风。空气进入吸收罐内后,由吸附材料采用化学和物理相结合的方式对其中的CO2进行捕捉,饱和后,则通过变温装置将吸附到的CO2统一释放,完成CO2的吸附-解吸过程。同时,装置附带小规模的跑道式(开放型)或者管式(封闭型)的微藻生长容器,捕集到的CO2通过专用气体或液体管道输入至微藻环境,利用微藻固碳,完成二氧化碳捕集。
具体步骤如下:
步骤1: 采集系统入口和出口处二氧化碳的浓度信息;
步骤2: 计算二氧化碳的吸收量;
所述的二氧化碳吸收量,所述预测模型为
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的体
积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的当
前二氧化碳的吸收量。
所述的二氧化碳体积浓度预测,采用线性动态系统处理模型,所述预测模型为:
(2)
(3)
其中,x(k)为二氧化碳体积浓度;z(k)为状态的观测值;A为系数;H为增益;为
过程噪声,其协方差为Q;vk为测量噪声,其协方差为R。
对于当前时刻采集到的二氧化碳体积浓度,其余前一刻体积浓度相同,得到
(4)
对于误差协方差矩阵,其与前一个误差协方差和测量噪声方差有关,得到:
(5)
式中P(k-1 | k-1)表示k-1时刻的误差协方差;P(k | k-1)表示由k-1时刻推测得到的k时刻的误差协方差。
上述得到的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
式中增益,此时误差协方差矩阵可修正为
(7)
针对每一个时刻,将预测结果值代入式(1),得到该时刻捕集的二氧化碳量。
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线性动态模型的二氧化碳捕集精准预测方法。
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201,实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
步骤202,设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
步骤203,设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
具体的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的
体积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的
当前二氧化碳的吸收量。
具体的,所述预测模型为:
(2)
(3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;为
过程噪声,其协方差为Q;v k 为测量噪声,其协方差为R。
具体的,还包括:对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到
(4)
其中,表示k-1时刻二氧化碳体积浓度,表示由k-1时刻预
测得到k时刻的二氧化碳体积浓度。
具体的,还包括:计算误差协方差,公式具体为:
(5)
其中,P(k-1 | k-1)为k-1时刻的误差协方差;P(k | k-1)为由k-1时刻推测得到的k时刻的误差协方差。
具体的,还包括:将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
其中,增益,此时计算误差协方差的公式可修
正为:
(7)
步骤204,获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
具体的,设置所述优化模型的具体步骤包括:
对多个时刻的所述预测二氧化碳吸收量进行去除波动性和随机性处理,具体为:
,b=1,2…n; (8)
其中,为第b个已去除波动性和随机性的预测二氧化碳吸收量,为第i个
预测二氧化碳吸收量,n为个数;
对多个时刻的所述真实二氧化碳吸收量进行去除波动性和随机性处理,具体为:
b=1,2…n; (9)
其中,为第b个已去除波动性和随机性的真实二氧化碳吸收量, 为第i个
真实二氧化碳吸收量;
根据已去除波动性和随机性的所述预测二氧化碳吸收量和已去除波动性和随机性的所述真实二氧化碳吸收量,结合调整因子,设置所述优化模型,使所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值无限接近1,所述优化模型为:
(10)
其中,为第b个所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值,
s为调整因子。
实施例5
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线性动态模型的二氧化碳捕集精准预测方法。
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二氧化碳捕集方法,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,即实现上述的二氧化碳捕集方法。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201,实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
步骤202,设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
步骤203,设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
具体的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的体
积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的当
前二氧化碳的吸收量。
具体的,所述预测模型为:
(2)
(3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;为
过程噪声,其协方差为Q;v k 为测量噪声,其协方差为R。
具体的,还包括:对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到
(4)
其中,表示k-1时刻二氧化碳体积浓度,表示由k-1时刻
预测得到k时刻的二氧化碳体积浓度。
具体的,还包括:计算误差协方差,公式具体为:
(5)
其中,P(k-1 | k-1)为k-1时刻的误差协方差;P(k | k-1)为由k-1时刻推测得到的k时刻的误差协方差。
具体的,还包括:将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
其中,增益,此时计算误差协方差的公式可
修正为:
(7)
步骤204,获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
具体的,设置所述优化模型的具体步骤包括:
对多个时刻的所述预测二氧化碳吸收量进行去除波动性和随机性处理,具体为:
,b=1,2…n; (8)
其中,为第b个已去除波动性和随机性的预测二氧化碳吸收量,为第i个
预测二氧化碳吸收量,n为个数;
对多个时刻的所述真实二氧化碳吸收量进行去除波动性和随机性处理,具体为:
b=1,2…n; (9)
其中,为第b个已去除波动性和随机性的真实二氧化碳吸收量, 为第i个
真实二氧化碳吸收量;
根据已去除波动性和随机性的所述预测二氧化碳吸收量和已去除波动性和随机性的所述真实二氧化碳吸收量,结合调整因子,设置所述优化模型,使所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值无限接近1,所述优化模型为:
(10)
其中,为第b个所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值,
s为调整因子。
实施例6
如图4所示,本发明实施例提供一种基于线性动态模型的二氧化碳捕集精准预测方法,包括:
步骤201,实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
步骤202,设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
步骤203,设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
具体的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的
体积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的
当前二氧化碳的吸收量。
具体的,所述预测模型为:
(2)
(3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;为
过程噪声,其协方差为Q;vk为测量噪声,其协方差为R。
具体的,还包括:对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到
(4)
其中,表示k-1时刻二氧化碳体积浓度,表示由k-1时刻预
测得到k时刻的二氧化碳体积浓度。
具体的,还包括:计算误差协方差,公式具体为:
(5)
其中,P(k-1 | k-1)为k-1时刻的误差协方差;P(k | k-1)为由k-1时刻推测得到的k时刻的误差协方差。
具体的,还包括:将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
其中,增益,此时计算误差协方差的公式可
修正为:
(7)
步骤204,获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
具体的,设置所述优化模型的具体步骤包括:
对多个时刻的所述预测二氧化碳吸收量进行去除波动性和随机性处理,具体为:
,b=1,2…n;
其中,为第b个已去除波动性和随机性的预测二氧化碳吸收量,为第i个
预测二氧化碳吸收量,n为个数;
对多个时刻的所述真实二氧化碳吸收量进行去除波动性和随机性处理,具体为:
b=1,2…n;
其中,为第b个已去除波动性和随机性的真实二氧化碳吸收量,为第i个
真实二氧化碳吸收量;
根据已去除波动性和随机性的所述预测二氧化碳吸收量和已去除波动性和随机性的所述真实二氧化碳吸收量,结合调整因子,设置所述优化模型,使所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值无限接近1,所述优化模型为:
其中,为第b个所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值,s为调整因子。
实施例7
如图5所示,本发明实施例提供一种二氧化碳捕集精准预测与控制系统,包括:
获取二氧化碳参数模块,用于实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
获取预测参数模块,用于设置线性动态系统处理模型,结合所述集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
预测吸收量模块,用于设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
具体的,所述预测模型为:
(1)
其中,k表示时刻;y co2 为所述输出二氧化碳体积浓度,为所述输出二氧化碳的
体积,x co2 为所述输入二氧化碳体积浓度,为所述输入二氧化碳的体积,为预测的
当前二氧化碳的吸收量。
具体的,所述预测模型为:
(2)
(3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;为
过程噪声,其协方差为Q;vk为测量噪声,其协方差为R。
具体的,还包括:对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到
(4)
其中,表示k-1时刻二氧化碳体积浓度,表示由k-1时刻
预测得到k时刻的二氧化碳体积浓度。
具体的,还包括:计算误差协方差,公式具体为:
(5)
其中,P(k-1 | k-1)为k-1时刻的误差协方差;P(k | k-1)为由k-1时刻推测得到的k时刻的误差协方差。
具体的,还包括:将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
(6)
其中,增益,此时计算误差协方差的公式可
修正为:
(7)
修正模块,用于获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
具体的,设置所述优化模型的具体步骤包括:
对多个时刻的所述预测二氧化碳吸收量进行去除波动性和随机性处理,具体为:
,b=1,2…n;
其中,为第b个已去除波动性和随机性的预测二氧化碳吸收量,为第i个
预测二氧化碳吸收量,n为个数;
对多个时刻的所述真实二氧化碳吸收量进行去除波动性和随机性处理,具体为:
b=1,2…n;
其中,为第b个已去除波动性和随机性的真实二氧化碳吸收量,为第i个真
实二氧化碳吸收量;
根据已去除波动性和随机性的所述预测二氧化碳吸收量和已去除波动性和随机性的所述真实二氧化碳吸收量,结合调整因子,设置所述优化模型,使所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值无限接近1,所述优化模型为:
其中,为第b个所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值,
s为调整因子。
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 (5)
1.一种基于线性动态模型的二氧化碳捕集精准预测方法,其特征在于,包括:
实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
设置线性动态系统处理模型,结合所述采集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
其中,所述预测模型为:
其中,k表示时刻;为所述输出二氧化碳体积浓度,V2为所述输出二氧化碳的体积,xco2为所述输入二氧化碳体积浓度,V1为所述输入二氧化碳的体积,x(k)为预测的当前二氧化碳的吸收量;
x(k)=A×x(k-1)+ωk-1 (2)
z(k)=H×x(k)+vk (3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;ωk-1为过程噪声,其协方差为Q;vk为测量噪声,其协方差为R;
还包括:
对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到:
x(k|k-1)=x(k-1|k-1) (4)
其中,x(k-1|k-1)表示k-1时刻二氧化碳体积浓度,x(k|k-1)表示当前时刻采集到的二氧化碳体积浓度;
获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
2.如权利要求1所述的一种基于线性动态模型的二氧化碳捕集精准预测方法,其特征在于,还包括:
计算误差协方差,为:
P(k|k-1)=P(k-1|k-1)+Q (5)
其中,P(k-1|k-1)为k-1时刻的误差协方差;P(k|k-1)为由k-1时刻推测得到的k时刻的误差协方差。
3.如权利要求2所述的一种基于线性动态模型的二氧化碳捕集精准预测方法,其特征在于,还包括:
将公式(5)的结果代入式(1),令H=1,则当前二氧化碳体积浓度预测的结果为:
x(k|k)=x(k|k-1)+Kg(k)(z(k)-x(k|k-1)) (6)
其中,增益Kg(k)=P(k|k-1)/(P(k|k-1)+R),此时计算误差协方差的公式可修正为:
P(k|k)=(1-Kg(k))P(k|k-1) (7)。
4.如权利要求1-3中任一项所述的基于线性动态模型的二氧化碳捕集精准预测方法,其特征在于,设置所述优化模型的具体步骤包括:
对多个时刻的所述预测二氧化碳吸收量进行去除波动性和随机性处理,具体为:
其中,mb为第b个已去除波动性和随机性的预测二氧化碳吸收量,y(i)为第i个预测二氧化碳吸收量,n为个数;
对多个时刻的所述真实二氧化碳吸收量进行去除波动性和随机性处理,具体为:
其中,db为第b个已去除波动性和随机性的真实二氧化碳吸收量,c(i)为第i个真实二氧化碳吸收量;
根据已去除波动性和随机性的所述预测二氧化碳吸收量和已去除波动性和随机性的所述真实二氧化碳吸收量,结合调整因子,设置所述优化模型,使所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值无限接近1,所述优化模型为:
其中,q(b)为第b个所述预测二氧化碳吸收量与所述真实二氧化碳吸收量的比值,s为调整因子。
5.一种基于线性动态模型的二氧化碳捕集精准预测系统,其特征在于,包括:
获取二氧化碳参数模块,用于实时采集输出二氧化碳体积浓度和输入二氧化碳体积浓度;
获取预测参数模块,用于设置线性动态系统处理模型,结合所述采集输出二氧化碳体积浓度和所述输入二氧化碳体积浓度,得到二氧化碳捕集的预测参数;
设置预测模型,结合所述预测参数,预测当前二氧化碳的吸收量;
其中,所述预测模型为:
其中,k表示时刻;为所述输出二氧化碳体积浓度,V2为所述输出二氧化碳的体积,为所述输入二氧化碳体积浓度,V1为所述输入二氧化碳的体积,x(k)为预测的当前二氧化碳的吸收量;
x(k)=A×x(k-1)+ωk-1 (2)
z(k)=H×x(k)+vk (3)
其中z(k)为k-1时刻推测出k时刻的二氧化碳体积浓度;A为系数;H为增益;ωk-1为过程噪声,其协方差为Q;vk为测量噪声,其协方差为R;
还包括:
对于当前时刻采集到的二氧化碳体积浓度,与前一刻的二氧化碳体积浓度相同,则得到:
x(k|k-1)=x(k-1|k-1) (4)
其中,x(k-1|k-1)表示k-1时刻二氧化碳体积浓度,x(k|k-1)表示当前时刻采集到的二氧化碳体积浓度;
修正模块,用于获取多个时刻的预测二氧化碳吸收量和多个相对应真实二氧化碳吸收量,设置优化模型,结合所述预测二氧化碳吸收量和所述真实二氧化碳吸收量,对当前的预测二氧化碳吸收量进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211693421.8A CN116127729B (zh) | 2022-12-28 | 2022-12-28 | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211693421.8A CN116127729B (zh) | 2022-12-28 | 2022-12-28 | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127729A CN116127729A (zh) | 2023-05-16 |
CN116127729B true CN116127729B (zh) | 2023-08-15 |
Family
ID=86305717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211693421.8A Active CN116127729B (zh) | 2022-12-28 | 2022-12-28 | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127729B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110078156A (ko) * | 2009-12-30 | 2011-07-07 | 재단법인 포항산업과학연구원 | 회귀분석모델을 통한 이산화탄소 포집공정의 반응생성물 농도 예측방법 |
CN102690916A (zh) * | 2012-06-19 | 2012-09-26 | 冶金自动化研究设计院 | 一种高炉co2排放量的实时监测系统和方法 |
WO2014175490A1 (ko) * | 2013-04-23 | 2014-10-30 | 재단법인 포항산업과학연구원 | 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
JP2016029918A (ja) * | 2014-07-29 | 2016-03-07 | カシオ計算機株式会社 | 二酸化炭素吸収量取得装置、二酸化炭素吸収量取得方法及びプログラム |
CN108182337A (zh) * | 2018-03-12 | 2018-06-19 | 重庆科技学院 | 一种基于ScMiUKFNN算法的天然气净化工艺建模方法 |
CN109442695A (zh) * | 2018-11-12 | 2019-03-08 | 清华大学 | 基于室内人数的空调及新风系统预测性控制方法及系统 |
CN110837938A (zh) * | 2019-11-14 | 2020-02-25 | 山东大学 | 基于模型预测控制架构的综合能源系统优化运行方法及系统 |
CN111353227A (zh) * | 2020-02-28 | 2020-06-30 | 西安石油大学 | 基于跨尺度多流动空间气体传输机制的co2强化页岩气藏开发动态仿真方法 |
US10786693B1 (en) * | 2012-04-06 | 2020-09-29 | Orbital Research Inc. | Biometric and environmental monitoring and control system |
CN112816652A (zh) * | 2021-02-23 | 2021-05-18 | 国电环境保护研究院有限公司 | 一种测试燃机燃料氧化率与碳排放的装置 |
JP2021114968A (ja) * | 2020-01-28 | 2021-08-10 | 株式会社誠和 | 温室内環境推定方法、温室内環境推定装置及びコンピュータプログラム |
GB202114411D0 (en) * | 2020-10-30 | 2021-11-24 | Ibm | Method for designing an initialization function for programming a memory element |
CN113703314A (zh) * | 2020-05-20 | 2021-11-26 | 中国石油化工股份有限公司 | 碳三液相加氢反应器在线预测自动控制方法及系统 |
CN113763796A (zh) * | 2020-06-04 | 2021-12-07 | 中国石油化工股份有限公司 | 模拟二氧化碳饱和流体-围岩相互作用的实验装置及方法 |
CN114548552A (zh) * | 2022-02-21 | 2022-05-27 | 国网北京市电力公司 | 碳排放量预测方法、装置以及电子设备 |
CN114626637A (zh) * | 2022-04-06 | 2022-06-14 | 湖南工商大学 | 一种二氧化碳排放量预测及规划使用方法 |
CN114638411A (zh) * | 2022-03-10 | 2022-06-17 | 中国科学技术大学先进技术研究院 | 二氧化碳浓度预测方法、装置、设备及介质 |
CN114819423A (zh) * | 2022-06-30 | 2022-07-29 | 南京众鑫云创软件科技有限公司 | 应用gis技术及数据信息融合系统的碳排治理系统 |
CN114939323A (zh) * | 2022-04-20 | 2022-08-26 | 西安热工研究院有限公司 | 一种低能耗空气直接碳捕集系统 |
CN115062823A (zh) * | 2022-05-26 | 2022-09-16 | 中国科学院地理科学与资源研究所 | 一种基于土地利用的二氧化碳排放预测方法及装置 |
CN115445390A (zh) * | 2022-08-11 | 2022-12-09 | 东南大学 | 带吸收剂存储的火电机组碳捕集系统调度与预测控制方法 |
-
2022
- 2022-12-28 CN CN202211693421.8A patent/CN116127729B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110078156A (ko) * | 2009-12-30 | 2011-07-07 | 재단법인 포항산업과학연구원 | 회귀분석모델을 통한 이산화탄소 포집공정의 반응생성물 농도 예측방법 |
US10786693B1 (en) * | 2012-04-06 | 2020-09-29 | Orbital Research Inc. | Biometric and environmental monitoring and control system |
CN102690916A (zh) * | 2012-06-19 | 2012-09-26 | 冶金自动化研究设计院 | 一种高炉co2排放量的实时监测系统和方法 |
WO2014175490A1 (ko) * | 2013-04-23 | 2014-10-30 | 재단법인 포항산업과학연구원 | 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
JP2016029918A (ja) * | 2014-07-29 | 2016-03-07 | カシオ計算機株式会社 | 二酸化炭素吸収量取得装置、二酸化炭素吸収量取得方法及びプログラム |
CN108182337A (zh) * | 2018-03-12 | 2018-06-19 | 重庆科技学院 | 一种基于ScMiUKFNN算法的天然气净化工艺建模方法 |
CN109442695A (zh) * | 2018-11-12 | 2019-03-08 | 清华大学 | 基于室内人数的空调及新风系统预测性控制方法及系统 |
CN110837938A (zh) * | 2019-11-14 | 2020-02-25 | 山东大学 | 基于模型预测控制架构的综合能源系统优化运行方法及系统 |
JP2021114968A (ja) * | 2020-01-28 | 2021-08-10 | 株式会社誠和 | 温室内環境推定方法、温室内環境推定装置及びコンピュータプログラム |
CN111353227A (zh) * | 2020-02-28 | 2020-06-30 | 西安石油大学 | 基于跨尺度多流动空间气体传输机制的co2强化页岩气藏开发动态仿真方法 |
CN113703314A (zh) * | 2020-05-20 | 2021-11-26 | 中国石油化工股份有限公司 | 碳三液相加氢反应器在线预测自动控制方法及系统 |
CN113763796A (zh) * | 2020-06-04 | 2021-12-07 | 中国石油化工股份有限公司 | 模拟二氧化碳饱和流体-围岩相互作用的实验装置及方法 |
GB202114411D0 (en) * | 2020-10-30 | 2021-11-24 | Ibm | Method for designing an initialization function for programming a memory element |
CN114446339A (zh) * | 2020-10-30 | 2022-05-06 | 国际商业机器公司 | 用于设计对存储器元件进行编程的初始化功能的方法 |
CN112816652A (zh) * | 2021-02-23 | 2021-05-18 | 国电环境保护研究院有限公司 | 一种测试燃机燃料氧化率与碳排放的装置 |
CN114548552A (zh) * | 2022-02-21 | 2022-05-27 | 国网北京市电力公司 | 碳排放量预测方法、装置以及电子设备 |
CN114638411A (zh) * | 2022-03-10 | 2022-06-17 | 中国科学技术大学先进技术研究院 | 二氧化碳浓度预测方法、装置、设备及介质 |
CN114626637A (zh) * | 2022-04-06 | 2022-06-14 | 湖南工商大学 | 一种二氧化碳排放量预测及规划使用方法 |
CN114939323A (zh) * | 2022-04-20 | 2022-08-26 | 西安热工研究院有限公司 | 一种低能耗空气直接碳捕集系统 |
CN115062823A (zh) * | 2022-05-26 | 2022-09-16 | 中国科学院地理科学与资源研究所 | 一种基于土地利用的二氧化碳排放预测方法及装置 |
CN114819423A (zh) * | 2022-06-30 | 2022-07-29 | 南京众鑫云创软件科技有限公司 | 应用gis技术及数据信息融合系统的碳排治理系统 |
CN115445390A (zh) * | 2022-08-11 | 2022-12-09 | 东南大学 | 带吸收剂存储的火电机组碳捕集系统调度与预测控制方法 |
Non-Patent Citations (1)
Title |
---|
倡导低碳生活,解析"碳足迹";薛菲等;《中国高新技术企业》(第36期);第136-138页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127729A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491811A (zh) | 用于加速神经网络处理器的方法和系统及神经网络处理器 | |
CN109544038B (zh) | 一种基于生命周期分析的生物质碳排放估算系统和方法 | |
CN108038340B (zh) | 一种质子交换膜燃料电池分数阶状态空间模型辨识方法 | |
CN110807522A (zh) | 一种神经网络加速器的通用计算电路 | |
CN116127729B (zh) | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 | |
CN116577464A (zh) | 用于大气污染的智能监测系统及其方法 | |
CN111257505A (zh) | 一种森林碳通量计量系统及方法 | |
CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
CN112508333B (zh) | 一种生物质能源化利用温室效应的估算系统及方法 | |
CN101771639B (zh) | 一种预失真参数的处理方法和装置 | |
CN108266251A (zh) | 柴油机排放循环测试结果评价及修正方法 | |
CN116008252B (zh) | 一种拉曼光谱下的混合物定量分析方法及装置 | |
CN108629410A (zh) | 基于主成分分析降维和/或升维的神经网络处理方法 | |
CN108153896A (zh) | 针对输入数据、输出数据的处理方法及装置 | |
CN109063767B (zh) | 一种基于样本和变量共识的近红外光谱建模方法 | |
CN108932483B (zh) | 一种基于机器嗅觉的气味识别方法及装置 | |
Heyl et al. | Using Statistical Emulation and Knowledge of Grain-surface Diffusion for Bayesian Inference of Reaction Rate Parameters: An Application to a Glycine Network | |
CN111045861B (zh) | 一种基于深度神经网络的传感器数据恢复方法 | |
CN110794001A (zh) | 碳捕集系统能效指标copco2的标准化测试法 | |
CN103723684A (zh) | 可循环过滤的制氧机 | |
Vannak et al. | Air-Purge Regenerative Direct Air Capture Using an Externally Heated and Cooled Temperature-Swing Adsorber Packed with Solid Amine | |
CN203699898U (zh) | 可循环过滤的制氧机 | |
CN116644781B (zh) | 模型压缩方法、数据处理方法、装置、存储介质及芯片 | |
CN115620824B (zh) | 空气质量模型的处理方法、装置、设备及介质 | |
CN114906817B (zh) | 存储器、双氧水萃取工艺控制方法、装置和设备 |
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 |