碳排放园区直接碳排放连续测量方法、装置、设备及介质制造方法及图纸

本发明专利技术属于电力自动化技术领域，公开一种碳排放园区直接碳排放连续测量方法、装置、设备及介质，所述方法，包括：采集园区周边地面CO2分布图；采集园区CO2直接排放关联参数；将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。本发明专利技术通过采集高碳排放工业园区周边地面CO2实时浓度数据，厂区主要生产指标，厂区温度、风力，以及厂区上空二氧化碳浓度卫星监测数据，通过改进的融合了卷积网络以及全连接网络的BP神经网络，实现对高碳排放园区直接碳排放的连续实时监测。园区直接碳排放的连续实时监测。园区直接碳排放的连续实时监测。

Continuous measurement method, device, equipment and medium of direct carbon emission in carbon emission Park

【技术实现步骤摘要】
碳排放园区直接碳排放连续测量方法、装置、设备及介质


[0001]本专利技术属于电力自动化
，特别涉及一种碳排放园区直接碳排放连续测量方法、装 置、设备及介质。

技术介绍

[0002]工业园区、火力发电厂等高碳排放园区CO2排放分别占到CO2排放总量的30％和40％， 且两者兼为集中固定碳排放源，具有碳监测和减排的先天优势，是进行科学、精准碳减排的关 键靶点。
[0003]二氧化碳(CO2)的减排依赖于准确的碳排放监测体系，客观、准确、可核实的碳排放数 据是政府进行环境立法、制定污染源排放限制和考核政策、控制碳减排进度以及构建互信、权 威的碳交易市场的重要基础和前提。
[0004]监测二氧化碳排放，可以直接从气体排放物出发，通过测量烟气流量和二氧化碳浓度等进 行测算，也可以从入口燃料量/原料出发，结合含碳量等参数进行计算。现有技术中，可将园 区二氧化碳排放的计算监测方法分为三类：
[0005](1)排放因子法，对园区内生产不同条件的状态评估，通过分条件列举排放因子计算园 区碳排放。
[0006](2)碳平衡法，通过质量守恒估算碳排放，要求有完备数据进行支撑。
[0007](3)直接监测法，通常是利用直接测量装置，如排放连续测量系统(CEMS)进行碳排 放测量，目前欧美已有大量机组通过CEMS报告碳排放。
[0008]以上方法，排放因子法，需要分条件列举园区碳排放因子，条件少排放因子粗略，条件多 数据多的，排放因子准确，但操作繁琐；碳平衡法，对园区原料含碳数据等要求极高，大部分 园区、企业难以满足条件；直接监测法，在测量气流紊乱时，设备误差增加，且设备工作环境 恶劣，设备易损坏，监测成本高。
[0009]综上所述，前两种方法，操作繁琐且数据要求严苛，在实际应用中或难于操作或准确程度 有限；而第三种方法，一般来说，设备工作环境恶劣，设备易损坏，监测成本高。

技术实现思路

[0010]本专利技术的目的在于提供一种碳排放园区直接碳排放连续测量方法、装置、设备及介质， 以解决上述技术问题。本专利技术通过易于获取的厂区上空碳卫星CO2监测结果、园区地面实时 CO2分布、实时温度、风力等数据，对整个园区的直接CO2排放进行连续实时监测，操作简便， 数字化程度高，且设备工作环境稳定，碳监测成本低。
[0011]为了实现上述目的，本专利技术采用如下技术方案：
[0012]第一方面，本专利技术提供一种碳排放园区直接碳排放连续测量方法，包括：
[0013]采集园区周边地面CO2分布图；
[0014]采集园区CO2直接排放关联参数；
[0015]将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融
合了 卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。
[0016]本专利技术进一步的改进在于：所述采集园区周边地面CO2分布图的步骤具体包括：
[0017]在园区四周远端均匀布置N台红外二氧化碳监测仪，使用红外二氧化碳监测仪监测园区 地面CO2浓度；N为大于等于4的自然数。
[0018]本专利技术进一步的改进在于：所述采集园区CO2直接排放关联参数的步骤具体包括：
[0019]从园区数字化系统或者通过就地测量装置获取关联参数；
[0020]所述关联参数包括：园区生产/发电总功率、园区总能耗、地表温度、大气温度、大气湿 度和风力信息。
[0021]本专利技术进一步的改进在于：所述将所述步骤园区周边地面CO2分布图、园区CO2直接排 放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述BP 神经网络包括：第一卷积神经网络Conv1、第二卷积神经网络Conv2、第一全连接网络FC1、 第二全连接网络FC2、第三全连接网络FC3和第四全连接网络FC4；
[0022]第一卷积神经网络Conv1的输出连接第二卷积神经网络Conv2的输入；第一全连接网络 FC1的输出连接第二全连接网络FC2的输入；第二卷积神经网络Conv2的输出和第二全连接 网络FC2的输出连接第三全连接网络FC3的输入，第三全连接网络FC3的输出连接第四全连 接网络FC4。
[0023]本专利技术进一步的改进在于：所述将所述步骤园区周边地面CO2分布图、园区CO2直接排 放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述训练 好的融合了卷积网络以及全连接网络的BP神经网络的训练方法包括：
[0024]获取园区周边地面CO2浓度分布图；
[0025]获取园区CO2直接排放关联参数；
[0026]将所述园区周边地面CO2浓度分布图输入第一卷积神经网络Conv1，第一卷积神经网络 Conv1和连接第二卷积神经网络Conv2提取园区周边地面CO2浓度分布特征；
[0027]将园区CO2直接排放关联参数输入第一全连接网络FC1，第一全连接网络FC1和第二全 连接网络FC2提取二氧化碳浓度的关联参数特征；
[0028]第三全连接网络FC3将所述园区周边地面CO2浓度分布特征和二氧化碳浓度的关联参数 特征进行合并；合并后数据分为两路，一路数据与碳卫星检测的园区二氧化碳浓度数据进行对 比，通过误差函数loss1反向传播的方式，对第一卷积神经网络Conv1、第二卷积神经网络Conv2、 第一全连接网络FC1、第二全连接网络FC2和第三全连接网络FC3的网络参数进行调整；另 一路数据进入第四全连接网络FC4，第四全连接网络FC4输出结果与CEMS所检测到的园区CO2总浓度C0进行对比，通过第二误差函数loss2反向传播的方式，对第一卷积神经网络Conv1、 第二卷积神经网络Conv2、第一全连接网络FC1、第二全连接网络FC2、第三全连接网络FC3 和第四全连接网络FC4的网络参数进行优化；直至到达训练最大训练次数或者满足收敛条件， 获得训练好的融合了卷积网络以及全连接网络的BP神经网络。
[0029]本专利技术进一步的改进在于：CEMS所检测到的园区CO2总浓度C0的公式为：
[0030][0031]式中，C
i
、V
i
分别为园区内第i台CEMS设备采集到的气体污染物排放口CO2浓度和体 积，n为园区/厂区所有安装有CEMS设备的CO2排放口个数。
[0032]本专利技术进一步的改进在于：所述训练好的融合了卷积网络以及全连接网络的BP神经网 络的训练方法中，将获取园区周边地面CO2浓度分布图和园区CO2直接排放关联参数归一化 后分为训练数据和测试数据；采用训练数据对所述BP神经网络进行训练，训练率为0.8，最 大训练次数为100，学习率为0.001，批大小为16；收敛条件为loss1与loss2均方误差MSE 小于设定阈值：
[0033][0034][0035][0036]式中，FC3_out,FC4_out分别表示第三全连接层FC3和第四全连接层FC4的输出值； s_sample表示测量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.碳排放园区直接碳排放连续测量方法，其特征在于，包括：采集园区周边地面CO2分布图；采集园区CO2直接排放关联参数；将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。2.根据权利要求1所述的碳排放园区直接碳排放连续测量方法，其特征在于，所述采集园区周边地面CO2分布图的步骤具体包括：在园区四周远端均匀布置N台红外二氧化碳监测仪，使用红外二氧化碳监测仪监测园区地面CO2浓度；N为大于等于4的自然数。3.根据权利要求1所述的碳排放园区直接碳排放连续测量方法，其特征在于，所述采集园区CO2直接排放关联参数的步骤具体包括：从园区数字化系统或者通过就地测量装置获取关联参数；所述关联参数包括：园区生产/发电总功率、园区总能耗、地表温度、大气温度、大气湿度和风力信息。4.根据权利要求1所述的碳排放园区直接碳排放连续测量方法，其特征在于，所述将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述BP神经网络包括：第一卷积神经网络Conv1、第二卷积神经网络Conv2)、第一全连接网络FC1、第二全连接网络FC2、第三全连接网络FC3和第四全连接网络FC4；第一卷积神经网络Conv1的输出连接第二卷积神经网络Conv2的输入；第一全连接网络FC1的输出连接第二全连接网络FC2的输入；第二卷积神经网络Conv2的输出和第二全连接网络FC2的输出连接第三全连接网络FC3的输入，第三全连接网络FC3的输出连接第四全连接网络FC4。5.根据权利要求4所述的碳排放园区直接碳排放连续测量方法，其特征在于，所述将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述训练好的融合了卷积网络以及全连接网络的BP神经网络的训练方法包括：获取园区周边地面CO2浓度分布图；获取园区CO2直接排放关联参数；将所述园区周边地面CO2浓度分布图输入第一卷积神经网络Conv1，第一卷积神经网络Conv1和连接第二卷积神经网络Conv2提取园区周边地面CO2浓度分布特征；将园区CO2直接排放关联参数输入第一全连接网络FC1，第一全连接网络FC1和第二全连接网络FC2提取二氧化碳浓度的关联参数特征；第三全连接网络FC3将所述园区周边地面CO2浓度分布特征和二氧化碳浓度的关联参数特征进行合并；合并后数据分为两路，一路数据与碳卫星检测的园区二氧化碳浓度数据进行对比，通过误差函数loss1反向传播的方式，对第一卷积神经网络Conv1、第二卷...

【专利技术属性】
技术研发人员：王继业，赵日晓，蒲天骄，王新迎，闫冬，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：