一种基于BP神经网络的燃气机组碳排放量的核算方法技术

本发明专利技术公开了基于BP神经网络的燃气机组碳排放量的核算方法，该核算方法包括如下步骤：获取燃气机组的碳排放浓度数据、进气量数据、燃机负荷数据、汽机负荷数据以及状态数据，利用碳排放浓度数据和状态数据将碳排放浓度数据转化为碳排放质量数据，通过碳排放质量数据和进气量数据确定单位碳排量数据，利用单位碳排量数据、进气量数据、燃机负荷数据及汽机负荷数据对初始BP神经网络模型进行训练，得到用于对燃气机组碳排放量进行核算的BP神经网络模型。本发明专利技术能够对异常碳排放数据进行筛查和对剔除的数据进行合理补充，以实现对燃气机组碳排放量的准确且实时核算，为火电行业参与碳排放交易提供坚实的数据支持，从而推动碳市场交易的活跃度。

A Method of Calculating Carbon Emission of Gas Turbine Unit Based on BP Neural Network

【技术实现步骤摘要】
一种基于BP神经网络的燃气机组碳排放量的核算方法
本专利技术涉及碳排放检测
，更为具体来说，本专利技术为一种基于BP神经网络的燃气机组碳排放量的核算方法。
技术介绍
随着人们对环境问题的日益重视，许多国家提出了严格的碳减排目标，比如，在2017年，中国全面启动了全国碳排放交易市场，电力行业作为最大的二氧化碳排放源，被纳入碳排放交易体系，而且在第一阶段以电力行业为全国碳排放交易体系的突破口，以希望使碳排放总量能够得到有效控制。目前，碳排放量的核算往往依赖于排放因子进行计算，但火电企业的实际情况千差万别，现有基于排放因子的碳排放量核算方法往往难以准确核算不同火电企业的碳排放量，比如，对不同企业的燃气机组采用相同的排放因子和参数进行碳排放量核算，核算结果的准确性较差、可信度较差，不准确、不公平、可信度较差的核算结果会影响碳交易的鼓励机制和惩罚机制，进而会导致对积极参与碳减排的企业激励不够、对不履行碳减排的企业约束力小等问题，所以现有的碳排量的核算方法阻碍了碳市场交易的活跃度。另外，由于现有核算方法只能在排放之后进行核算，所以现有的核算方法的实时性也比较差，无法实现对碳排量进行及时核算、无法及时报送碳排量核算结果。因此，如何能够实现对燃气机组碳排量的准确且及时核算，成为了本领域技术人员亟待解决的技术问题和始终研究的重点。
技术实现思路
为解决现有基于排放因子的燃气机组碳排放量核算方法存在的准确性差、无法及时报送等问题，本专利技术创新提供了一种基于BP神经网络的燃气机组碳排放量的核算方法，具体为一种基于BP神经网络的燃气机组碳排放异常数据筛查机制，对燃气机组可能产生的碳排放异常数据监测值进行筛查，保证碳排放量核算结果的真实有效性；而且，本专利技术将有助于准确且完整地获取火电行业碳排放实时数据，为火电行业参与碳排放交易提供了坚实的数据支持。为实现上述技术目的，本专利技术公开了一种基于BP神经网络的燃气机组碳排放量的核算方法，该核算方法包括如下步骤；步骤1，获取燃气机组的碳排放浓度数据、进气量数据、燃机负荷数据、汽机负荷数据及状态数据，其中，所述状态数据包括测量时的气体流压力数据、烟道气体的每小时平均积流量数据及测量时的气体温度数据；步骤2，利用所述碳排放浓度数据和所述状态数据将所述碳排放浓度数据转化为碳排放质量数据；步骤3，通过所述碳排放质量数据和所述进气量数据确定单位碳排量数据，且单位碳排量为在同一时间下的碳排放质量与进气量的比值；步骤4，将所述单位碳排量数据、所述进气量数据、所述燃机负荷数据及所述汽机负荷数据共同作为样本数据，利用所述样本数据对初始BP神经网络模型进行训练，从而得到训练后的BP神经网络模型；其中，将所述进气量数据、所述燃机负荷数据以及所述汽机负荷数据作为BP神经网络模型的输入数据，并令BP神经网络模型的输出为单位碳排量幅值；步骤5，利用所述训练后的BP神经网络模型对燃气机组进行碳排放量核算。基于上述的技术方案，本专利技术能够根据燃气机组碳排放相关历史数据得到用于核算碳排放的BP神经网络模型，从而实现准确且及时地对燃气机组碳排放数据进行核算，以较好地解决现有技术存在的诸多问题。进一步地，步骤5包括如下步骤；步骤5-1，利用所述训练后的BP神经网络模型确定随进气量变化而变化的单位碳排量波动幅值的预测区间；步骤5-2，在进气量相同的情况下，将与待进行碳排放量核算的单位碳排量数据与所述单位碳排量波动幅值的预测区间进行比较，将预测区间之外的待进行碳排放量核算的单位碳排量数据剔除。基于上述改进的技术方案，本专利技术提供了一种基于BP神经网络的碳排放量异常数据筛查机制，其能够对燃气机组碳排放异常数据进行有效地去除，保证碳排放量数据的准确性。进一步地，步骤5-1中，利用所述随进气量变化而变化的单位碳排量波动幅值的预测区间确定碳排放基准线，所述碳排放基准线为随进气量变化而变化的单位碳排量曲线；步骤5-2中，获取已被剔除的待进行碳排放量核算的单位碳排量数据对应的进气量数据，并将该进气量数据对应在基准线上的碳排量数据作为修正后的碳排量数据。基于上述改进的技术方案，在保证碳排放数据的准确性的基础上，本专利技术还能够对燃气机组碳排放异常数据进行补充，保证了碳排放量数据的完整性，以准确地对燃气机组碳排放量进行核算。进一步地，步骤2中，通过如下方式将所述碳排放浓度数据转化为碳排放质量数据；其中，表示碳排放质量，MWCO2表示CO2的分子量，P表示测量时的气体流压力，Q表示烟道气体的每小时平均积流量，CCO2表示碳排放浓度，T表示测量时的气体温度，0.08314表示气体常数，273.15表示温度转化系数。进一步地，步骤2中，还包括将碳排放质量数据转换为水分校正处理后的碳排放质量数据的步骤；步骤3中，利用进气量数据和所述水分校正处理后的碳排放质量数据计算单位碳排量。进一步地，步骤2中，通过如下方式对碳排放质量数据进行水分校正处理；其中，表示水分校正处理后的碳排放质量，％H2O表示每小时烟道气体中的水分百分比，表示水分校正处理前的碳排放质量。基于上述改进的技术方案，通过直接处理碳排放干基数据，本专利技术还能够进一步地提高碳排放量核算的准确性。进一步地，步骤4中，通过如下方式得到训练后的BP神经网络模型；步骤4-1，对初始BP神经网络模型的隐层中各神经元进行初始化；步骤4-2，将样本数据中的进气量数据、燃机负荷数据及汽机负荷数据送入至BP神经网络模型的输入层，然后计算BP神经网络模型的输出层给出的输出结果与样本数据中的单位碳排量之间的误差；步骤4-3，如果所述误差大于或等于预设的精度值，则执行步骤4-4；如果所述误差小于预设的精度值，则执行步骤4-5；步骤4-4，修正当前BP神经网络模型的隐层中各神经元的网络权值和阈值，然后返回步骤4-2；步骤4-5，将当前BP神经网络模型作为训练后的BP神经网络模型。进一步地，所述初始BP神经网络模型为3×k×1的三层BP神经网络模型，即所述三层BP神经网络模型的输入层数量为3、输出层数量为1、隐层数量为k，而且每个隐层具有l个神经元；其中，k≥1，3≤l≤12。进一步地，所述三层BP神经网络模型具有一个隐层，通过如下方式确定该隐层具有的神经元个数；其中，l表示隐层具有的神经元个数，n表示输入层的神经元个数，m表示输出层的神经元个数，a表示[1，10]之间的常数。进一步地，步骤1中，从烟气连续监测系统中获取燃气机组的碳排放浓度数据、进气量数据、燃机负荷数据、汽机负荷数据及状态数据，且步骤1还包括将排口标定不为零时的数据和处于排口故障时间段内的数据剔除的步骤。本专利技术的有益效果为：本专利技术能够对燃气机组的碳排放数据进行准确校核，包括对异常碳排放数据进行筛查和对剔除的数据进行合理补充，以实现对燃气机组碳排放量的准确且实时核算，保证火电行业碳排放数据的准确完整性，进而实现对积极参与碳减排的企业进行鼓励以及对不履行碳减排的企业进行强力约束的作用，为火电行业参与碳排放交易提供坚实的数据支持，从而推动碳市场交易的活跃度，进而彻底解决现有技术存在的诸多问题。附图说明图1为基于BP神经网络的燃气机组碳排放量的核算方法的流程示意图。图2为随进气量变化而变化的单位碳排量波动幅值的预测区间示意图。图3为随进气量变化而变化的单位碳排量幅值波动本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的燃气机组碳排放量的核算方法，其特征在于：该核算方法包括如下步骤；步骤1，获取燃气机组的碳排放浓度数据、进气量数据、燃机负荷数据、汽机负荷数据及状态数据，其中，所述状态数据包括测量时的气体流压力数据、烟道气体的每小时平均积流量数据及测量时的气体温度数据；步骤2，利用所述碳排放浓度数据和所述状态数据将所述碳排放浓度数据转化为碳排放质量数据；步骤3，通过所述碳排放质量数据和所述进气量数据确定单位碳排量数据，且单位碳排量为在同一时间下的碳排放质量与进气量的比值；步骤4，将所述单位碳排量数据、所述进气量数据、所述燃机负荷数据及所述汽机负荷数据共同作为样本数据，利用所述样本数据对初始BP神经网络模型进行训练，从而得到训练后的BP神经网络模型；其中，将所述进气量数据、所述燃机负荷数据以及所述汽机负荷数据作为BP神经网络模型的输入数据，并令BP神经网络模型的输出为单位碳排量幅值；步骤5，利用所述训练后的BP神经网络模型对燃气机组进行碳排放量核算。

【技术特征摘要】
1.一种基于BP神经网络的燃气机组碳排放量的核算方法，其特征在于：该核算方法包括如下步骤；步骤1，获取燃气机组的碳排放浓度数据、进气量数据、燃机负荷数据、汽机负荷数据及状态数据，其中，所述状态数据包括测量时的气体流压力数据、烟道气体的每小时平均积流量数据及测量时的气体温度数据；步骤2，利用所述碳排放浓度数据和所述状态数据将所述碳排放浓度数据转化为碳排放质量数据；步骤3，通过所述碳排放质量数据和所述进气量数据确定单位碳排量数据，且单位碳排量为在同一时间下的碳排放质量与进气量的比值；步骤4，将所述单位碳排量数据、所述进气量数据、所述燃机负荷数据及所述汽机负荷数据共同作为样本数据，利用所述样本数据对初始BP神经网络模型进行训练，从而得到训练后的BP神经网络模型；其中，将所述进气量数据、所述燃机负荷数据以及所述汽机负荷数据作为BP神经网络模型的输入数据，并令BP神经网络模型的输出为单位碳排量幅值；步骤5，利用所述训练后的BP神经网络模型对燃气机组进行碳排放量核算。2.根据权利要求1所述的基于BP神经网络的燃气机组碳排放量的核算方法，其特征在于：步骤5包括如下步骤；步骤5-1，利用所述训练后的BP神经网络模型确定随进气量变化而变化的单位碳排量波动幅值的预测区间；步骤5-2，在进气量相同的情况下，将与待进行碳排放量核算的单位碳排量数据与所述单位碳排量波动幅值的预测区间进行比较，将预测区间之外的待进行碳排放量核算的单位碳排量数据剔除。3.根据权利要求2所述的基于BP神经网络的燃气机组碳排放量的核算方法，其特征在于：步骤5-1中，利用所述随进气量变化而变化的单位碳排量波动幅值的预测区间确定碳排放基准线，所述碳排放基准线为随进气量变化而变化的单位碳排量曲线；步骤5-2中，获取已被剔除的待进行碳排放量核算的单位碳排量数据对应的进气量数据，并将该进气量数据对应在基准线上的碳排量数据作为修正后的碳排量数据。4.根据权利要求1至3中任一权利要求所述的基于BP神经网络的燃气机组碳排放量的核算方法，其特征在于：步骤2中，通过如下方式将所述碳排放浓度数据转化为碳排放质量数据；其中，表示碳排放质量，MWCO2表示CO2的分子量，P表示测量时的气体流压力，Q表示烟道气体的每小时平均积流量，CCO2表示碳排放浓度，T表示测量时的气体温度，0.08314表示气体常数，273.1...

【专利技术属性】
技术研发人员：王鹏，李梦，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11