一种锅炉CO2排放量计算方法及其系统与流程

技术特征：

1.一种锅炉CO2排放量计算方法，其特征在于，包括：

获取所述锅炉的含碳量相关数据以及机组的煤耗率；

将所述含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

将所述空干基含碳量转换为收到基含碳量；

根据所述收到基含碳量、所述机组的煤耗率以及CO2排放量关系式得到所述锅炉的CO2排放量。

2.根据权利要求1所述的方法，其特征在于，所述含碳量相关数据具体包括所述锅炉的空干基固定碳含量、空干基灰分、空干基挥发分以及空干基高位发热量。

3.根据权利要求2所述的方法，其特征在于，所述CO2排放量关系式具体为：

$m_{{\mathrm{CO}}_2}=\frac{44}{12}B(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a})$

$m_{e,{\mathrm{CO}}_2}=\frac{44}{12}{b}_s\frac{29703}{Q_{ar,net}}(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a})$

$M_{{\mathrm{CO}}_2}=\frac{44}{12}\underset{i=1}{\overset{k_1}{\Σ}}{B}_i{\left(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a}\right)}_i{\mathrm{\τ}}_i$

$M_{e,{\mathrm{CO}}_2}=\frac{44}{12}\underset{i=1}{\overset{k_2}{\Σ}}{b}_{s,i}{\[\frac{29703}{Q_{ar,net}}(\frac{C_{ar}}{100}-\frac{A_{ar}}{100}\×\frac{C_a}{100-C_a})\]}_i{P}_i{\mathrm{\τ}}_i\×{10}^3$

其中，为每小时的CO2排放量，单位为t/h；为每产生1kWh的电量的CO2排放量，单位为g/kWh；为k₁段时间段内的CO2排放量之和，为k₂段发电量下的CO2排放量之和，单位均为t；B为所述锅炉机组每小时的燃料消耗量；C_ar为所述收到基含碳量，单位为％；A_ar为收到基灰分，单位为％；C_a为所述锅炉炉灰的平均含碳量，单位为％；b_s为所述锅炉机组供电/发电标准煤耗率，单位为g/kWh；Q_ar,net为收到基低位发热量，单位为kJ/kg；τ_i表示第i段发电时间，单位为h；P_i为第i段时间内对应的供电/发电功率，单位为MW。

4.根据权利要求3所述的方法，其特征在于，得到所述预设BP神经网络模型的过程具体为：

收集所述锅炉的含碳量相关数据与空干基含碳量的若干个数据样本，并将其分为训练样本和校核样本；

建立BP神经网络模型；

采用粒子群算法以及所述训练样本优化所述BP神经网络模型的权值和阈值；

将所述校核样本带入优化后的BP神经网络模型，并将输出结果与所述校核样本内的实际结果进行比较，若误差处于预设误差范围内，则将所述优化后的BP神经网络模型作为所述预设BP神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述采用粒子群算法以及所述训练样本优化所述BP神经网络模型的权值和阈值的过程具体为：

S1：初始化所述粒子群算法中的参数，所述参数包括粒子群的种群规模N、每个粒子的位置和速度；其中，每个所述粒子的位置代表所述BP神经网络模型中全部权值和阈值的一组解；

S2：根据位置更新关系式更新各个所述粒子位置，其中，所述位置更新关系式具体为：

v_i,t+1＝wv_i,t+c₁r_1,t(P_hi,t-x_i,t)+c₂r_2,t(Q_hi,t-x_i,t)

x_i,t+1＝x_i,t+v_i,t+1

其中，w为惯性权重，w＝w_max-(w_max-w_min)t/t_m，w_max和w_min分别表示w的最大值和最小值，t为当前迭代次数，t_m为预设最大迭代次数，c₁和c₂为加速系数，r₁和r₂为[0,1]区间内的随机数，P_hi,t为第i个粒子到第h次迭代为止得到的个体最优方案，Q_hi,t为粒子群到第h次迭代为止得到的全局最优方案；所述粒子群每迭代一次，所述粒子群内全部粒子的位置发生一次变化；

S3：根据适应值关系式计算所述粒子群中每个所述粒子的适应值，所述适应值关系式为：

$f\left(x_{i,t}\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\Σ}}{(y_j-{y^{\′}}_j)}^2$

其中，n为所述训练样本的个数，n>1，y_j和y'_j分别为所述BP神经网络模型的目标输出值和实际输出值，x_i,t为迭代t次时第i个所述粒子的位置，1≤i≤N，f(x_i,t)为迭代t次时第i个所述粒子的适应值；

S4：每次迭代完成后，若有粒子的适应值优于自身当前的个体最优适应值，则将其当前的适应值作为自身的个体最优值，并将其当前的位置设置为自身的个体最优方案；若有粒子的适应值优于所述粒子群当前的全局最优适应值，则将其当前的适应值作为全局最优值，并将其当前的位置设置为所述粒子群的全局最优方案；

S5：判断优化过程是否满足结束条件，如果是，将所述全局最优方案带入BP神经网络模型，得到所述优化后的BP神经网络模型；否则，返回S2。

6.根据权利要求5所述的方法，其特征在于，所述判断优化过程是否满足结束条件的过程具体为：

判断所述迭代次数是否达到所述预设最大迭代次数，如果是，所述优化过程满足结束条件，否则，不满足。

7.根据权利要求5所述的方法，其特征在于，所述判断优化过程是否满足结束条件的过程具体为：

判断得到的最优方案是否满足预设误差判断关系式，如果是，所述优化过程满足结束条件，否则，不满足；

所述预设误差判断关系式具体为：

abs(f(Q_hi,t)-f(Q_hi,t+1))≤ε

其中，abs()为绝对值计算，f(Q_hi,t)为采用到第t次迭代为止得到的全局最优方案时的适应值，f(Q_hi,t+1)为采用到第t+1次迭代为止得到的全局最优方案时的适应值，ε为预设误差阈值。

8.根据权利要求2-7任一项所述的方法，其特征在于，所述将所述空干基含碳量转换为收到基含碳量的过程具体为：

将所述空干基含碳量带入转换关系式得到所述收到基含碳量，所述转换关系式为：

$C_{ar}=\frac{100-M_{ar}}{100-M_{ad}}{C}_{ad}$

其中，C_ar为所述收到基含碳量，M_ar为收到基水分，M_ad为空干基水分，C_ad为所述空干基含碳量。

9.一种锅炉CO2排放量计算系统，其特征在于，包括：

数据获取模块，用于获取所述锅炉的含碳量相关数据以及机组的煤耗率；

空干基含碳量计算模块，用于将所述含碳量相关数据带入预设BP神经网络模型内，得到空干基含碳量；

转换模块，用于将所述空干基含碳量转换为收到基含碳量；

CO2排放量计算模块，用于根据所述收到基含碳量、所述机组的煤耗率以及CO2排放量关系式得到所述锅炉的CO2排放量。