CN114441714A - 基于车载测量***的电厂碳排放强度监测方法及*** - Google Patents
基于车载测量***的电厂碳排放强度监测方法及*** Download PDFInfo
- Publication number
- CN114441714A CN114441714A CN202210109107.4A CN202210109107A CN114441714A CN 114441714 A CN114441714 A CN 114441714A CN 202210109107 A CN202210109107 A CN 202210109107A CN 114441714 A CN114441714 A CN 114441714A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- carbon
- emission intensity
- power plant
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 155
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000009792 diffusion process Methods 0.000 claims abstract description 92
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 44
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000005259 measurement Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 6
- 239000005431 greenhouse gas Substances 0.000 description 7
- 239000003245 coal Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
- G01W1/04—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving only separate indications of the variables measured
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Computer Hardware Design (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于车载测量***的电厂碳排放强度监测方法和***，所述方法包括：获取目标区域内的实测数据，所述实测数据至少包括气象数据和二氧化碳浓度数据；根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征；基于所述碳扩散特征，建立碳排放扩散模型；根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度。解决了现有技术中电厂碳排放监测时效性差、精度低的技术问题。
Description
技术领域
本发明涉及环境监测技术领域，具体涉及一种基于车载测量***的电厂碳排放强度监测方法及***。
背景技术
本部分提供的仅仅是与本公开相关的背景信息，其并不必然是现有技术。
CO2作为最重要的痕量温室气体，其对地球的加热效应已经严重威胁了人类的居住环境。电厂的碳排放量较大，是碳排放监督的重要目标之一。目前，针对电厂的强点源碳排放缺少有效的监测方法，碳排放量只能通过统计年鉴对其进行粗略性的年际评估，其无法实现碳排放量的实时监控，导致监控时效性较差，且仅可进行粗略评估，缺乏有效的定量算法，导致碳排放的精度较低。
发明内容
为此，本发明实施例提供一种基于车载测量***的电厂碳排放强度监测方法及***，以至少部分解决现有技术中电厂碳排放监测时效性差、精度低的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种基于车载测量***的电厂碳排放强度监测方法，所述方法包括：
获取目标区域内的实测数据，所述实测数据至少包括气象数据和二氧化碳浓度数据；
根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征；
基于所述碳扩散特征，建立碳排放扩散模型；
根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度。
进一步地，所述获取目标区域内的实测数据，具体包括：
获取并记录所述目标区域内的若干点位信息；
获取并记录与各所述点位信息对应的二氧化碳浓度数据和气象数据。
进一步地，所述气象数据包括风速、风向、大气温度、大气湿度和大气压强。
进一步地，车载测量***预存的行走路线通过以下方法获取：
采集待监测电厂区域的地形特征、风场、温度、湿度和压强信息；
基于所述地形特征和所采集的气象信息设计走航路线；
将所述走航路线存储于所述车载测量***内。
进一步地，基于所述碳扩散特征，建立碳排放扩散模型，具体包括：
在所述目标区域内选择目标点，基于所述目标点和所述气象数据中的风向数据扩散坐标系：
基于所述扩散坐标系，建立以下碳排放扩散模型：
其中，(x,y,z)为测量点坐标，C(x,y,z)为(x,y,z)坐标处的CO2浓度，q为排放强度，u为风速，H为电厂碳排放的有效排放高度，σy和σz分别为水平扩散参数和垂直扩散参数，B为CO2的背景浓度，α为地面反射系数，σy＝a·xb，σz＝c·xd，a，b为水平扩散系数，c，d为垂直扩散系数。
进一步地，根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度，具体包括：
将采集到的实测数据建立总数据集，并提取所述总数据集中的预设比例的数据量作为输入集；
基于所述输入集和遗传算法对所述碳排放扩散模型中的待求解参数进行初步计算，并得到各所述带求解参数的初步参数求解值；
基于所述初步参数求解值、所述输入集和二次规划法对所述碳排放扩散模型中的待求解参数进行二次计算，并将得到的二次计算结果作为参数求解值。
进一步地，基于所述输入集和遗传算法对所述碳排放扩散模型中的待求解参数进行初步计算，并得到各所述带求解参数的初步参数求解值，具体包括；
对各所述待求解参数进行界限设置，以得到参数求解界限；
将所述输入集的实测数据带入所述碳排放扩散模型，基于所述参数求解界限，重复计算N次，其中，N为正整数；
选取排放强度q重复出现最高的概率范围的数据组作为初始数据组；
计算所述初始数据组中对应的参数进行平均值计算，并将得到的参数平均值作为初步参数求解值。
进一步地，基于所述初步参数求解值、所述输入集和二次规划法对所述碳排放扩散模型中的待求解参数进行二次计算，并将得到的二次计算结果作为参数求解值，具体包括：
将所述初步参数求解值的1.1倍作为第一计算界限，将所述初步参数求解值的0.9倍作为第二计算界限；
将所述输入集的实测数据带入所述碳排放扩散模型，基于所述第一计算界限和所述第二计算界限根据二次规划对待求解参数进行求解，以得到参数求解值。
进一步地，所述方法还包括：
提取所述总数据集中除所述输入集以外的数据集作为验证集；
根据所述验证集评估计算碳排放结果的准确性。
本发明还提供一种基于车载测量***的电厂碳排放强度监测***，其特征在于，所述***包括：
实测数据获取单元，用于获取目标区域内的实测数据，所述实测数据至少包括位置信息、气象数据和二氧化碳浓度数据；
扩散模型创建单元，用于根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征，并基于所述碳扩散特征，建立碳排放扩散模型；
排放强度结果获取单元，用于根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度；
排放强度结果验证单元，用于提取所述总数据集中除所述输入集以外的数据集作为验证集，并根据所述验证集评估计算碳排放结果的准确性。
本发明所提供的基于车载测量***的电厂碳排放强度监测方法及***，通获取目标区域内的实测数据，所述实测数据至少包括气象数据和二氧化碳浓度数据；根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征；基于所述碳扩散特征，建立碳排放扩散模型；根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度。
这样，该方法基于车载监测***以及稳定的碳排放核算方法去快速、高精度地获得电厂碳排放的方案，车载***的高灵活性可以在电厂附近获得大量高精度的温室气体浓度，结合气象参数等辅助数据得到的碳排放扩散模型，不仅能够根据采集值实时监控碳排放量，从而提高监测时效性，且能够得到较为精准的监测结果，解决了现有技术中电厂碳排放监测时效性差、精度低的技术问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明所提供的电厂碳排放强度监测方法一种具体实施方式的流程图；
图2为坐标系示意图；
图3为本发明所提供的电厂碳排放强度监测方法一种具体实施***的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
强点源碳排放占总人为排放的31％，且大多数使用的是煤炭等化石燃料，目前针对该类碳源的碳排放量只能通过统计年鉴对其进行粗略性的年际评估，其时效性以及精度都无法满足碳核算以及碳交易的要求。基于遥感监测手段通过浓度数据去计算碳排放数据已经成为目最科学以及有效的碳监测手段。卫星监测可以在特定的过境时刻对点源碳排放进行反演，但是无法满足对点源碳排放稳定长期监测。激光雷达可以获得高时空分辨率的温室气体廓线数据，但是其便携性较差。傅里叶变换光谱仪只能获得整层大气温室气体柱浓度，且极易受到观测环境的影响。这些监测手段都限制了在实际点源碳监测中的应用。
基于此，本发明所提供的电厂碳排放强度监测方法能够快速、高精度地获得电厂碳排放强度，并利用车载***的高灵活性，在电厂附近获得大量高精度的温室气体浓度，结合气象参数等辅助数据创建碳排放监测模型，不仅解决了现有技术中电厂碳排放监测时效性差、精度低的技术问题，并且极大地降低对观测数据的精度要求。
请参考图1，图1为本发明所提供的电厂碳排放强度监测方法一种具体实施方式的流程图。
在一种具体实施方式中，如图1所示，本发明所提供的基于车载测量***的电厂碳排放强度监测方法包括以下步骤：
S1：获取目标区域内的实测数据，所述实测数据至少包括位置信息、气象数据和二氧化碳浓度数据。其中，目标区域是指需要监测碳排放量的电厂中的部分区域或全部区域，监测的数据是基于车载***测量的计算碳排强度所需的必要数据，例如CO2浓度、位置信息以及气象数据等。
在数据采集时，为了提高后续的数据处理精度，需将目标区域划分多个点位，通过采集点位对应的浓度和气象数据作为目标区域内的实测数据。
也就是说，获取目标区域内的实测数据，具体包括以下步骤：
S11：获取并记录所述目标区域内的若干点位信息；
S12：获取并记录与各所述点位信息对应的二氧化碳浓度数据和气象数据其中，所述气象数据包括风速、风向、大气温度、大气湿度和大气压强中的至少一者，该实施例中，为了提高测量准确性，车载***测量采集的气象数据包括上述所有数据类型。
在一个具体使用场景中，步骤S1中基于车载***测量所需的必要数据包括位置信息、CO2浓度以及气象数据。根据车载观测***的高灵活性的特点，结合待监测电厂区域的地形特征、风场信息，设计合理的走航路线，以获取电厂碳排放的扩散特征。主要在下风向区域开展高频率、高精度的CO2浓度观测，同时记录位置信息以及气象参数，包括风速、风向、大气温度、大气湿度、大气压强。其中，CO2监测仪器包括但不限于光腔衰荡仪器技术(CRDS)、离轴积分腔输出光谱技术(OA-ICOS)移动温室气体分析仪。位置信息由GNSS仪器所记录，气象实测数据由车载气象站所获取，气象参数将参与CO2浓度由ppm转换为g/m3的计算过程。
S2：根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征。
其中，车载测量***预存的行走路线通过以下方法获取：
S21：采集待监测电厂区域的地形特征、风场、温度、湿度和压强信息；
S22：基于所述地形特征和所采集的气象信息设计走航路线；
S23：将所述走航路线存储于所述车载测量***内。
S3：基于所述碳扩散特征，建立碳排放扩散模型。
具体地，电厂燃烧煤炭所释放的CO2可认为强点源碳排放，根据其排放特点，基于高斯扩散模型建立电厂碳排放扩散模型。
在建模时，首先需要在所述目标区域内选择目标点，基于所述目标点和所述气象数据中的风向数据扩散坐标系。在一个具体使用场景中，根据电厂排气烟囱的位置以及风向建立扩散坐标系，如图2所示，以煤矿区的排气口为坐标原点，以风向为X轴，以水平方向上垂直于风向的方向为Y轴，以垂直于XOY平面的方向为Z轴建立坐标系。
坐标系建立完成后，基于所述扩散坐标系，建立以下碳排放扩散模型：
其中，(x,y,z)为测量点坐标，C(x,y,z)为(x,y,z)坐标处的CO2浓度，q为排放强度，u为风速，H为电厂碳排放的有效排放高度，σy和σz分别为水平扩散参数和垂直扩散参数，B为CO2的背景浓度，α为地面反射系数，σy＝a·xb，σz＝c·xd，a，b为水平扩散系数，c，d为垂直扩散系数。
S4：根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度。
为了提高计算准确性，可基于碳排放扩散模型，首先利用遗传算法得到初步计算结果，再利用二次规划法得到最终计算结果。
具体地，步骤S4包括以下步骤：
S41：将采集到的实测数据建立总数据集，并提取所述总数据集中的预设比例的数据量作为输入集；
S42：基于所述输入集和遗传算法对所述碳排放扩散模型中的待求解参数进行初步计算，并得到各所述带求解参数的初步参数求解值；
S43：基于所述初步参数求解值、所述输入集和二次规划法对所述碳排放扩散模型中的待求解参数进行二次计算，并将得到的二次计算结果作为参数求解值。
其中，步骤S42具体包括；
对各所述待求解参数进行界限设置，以得到参数求解界限；
将所述输入集的实测数据带入所述碳排放扩散模型，基于所述参数求解界限，重复计算N次，其中，N为正整数；
选取排放强度q重复出现最高的概率范围的数据组作为初始数据组；
计算所述初始数据组中对应的参数进行平均值计算，并将得到的参数平均值作为初步参数求解值。
步骤S43具体包括：
将所述初步参数求解值的1.1倍作为第一计算界限，将所述初步参数求解值的0.9倍作为第二计算界限；
将所述输入集的实测数据带入所述碳排放扩散模型，基于所述第一计算界限和所述第二计算界限根据二次规划对待求解参数进行求解，以得到参数求解值。
下面以一个具体使用场景为例，详述步骤S4中基于遗传算法以及二次规划法(SQP)对电厂碳排放强度进行计算的过程。
车载监测***可以获得下风口大量的实测数据，根据实测数据以及碳排放扩散模型，基于遗传算法以及二次规划法(SQP)可对参数(q、H、α、B、z、a、b、c、d)进行求解，具体如下：
将所采集的总数据集进行分类，随机选取80％的观测数据量(测量点位置信息、CO2浓度以及气象数据)作为输入集，参与对参数(q、H、α、B、z、a、b、c、d)的解算。
根据遗传算法对待求解参数进行初步计算；求待求解参数的界限设置：风速与风向根据实际气象站的风速、风向测量精度，设置其对应的上下界限；发电厂烟囱物理高度为h,有效排放高度的上下界限设置为h-3h；地面反射系数α的设置界限为0-1；其余待求解参数均不设置界限。将所输入集的CO2浓度数据，气象数据以及位置信息带入碳排放扩散模型，基于设置的参数求解界限，重复计算1000次。选取q重复出现最高的概率范围的数据组作为符合逻辑性的数据，并将对应的参数进行平均值计算，对应的参数平均值作为初步参数求解值。
基于二次规划法(SQP)对待求解参数进行精确计算；将输入集的CO2浓度数据，气象数据以及位置信息带入碳排放扩散模型，根据S3.2中初步计算的初步参数求解值的上下10％，作为待求解参数的上下界限。根据SQP算法对待求解参数进行求解。其计算结果作为最后的参数求解值。
为了验证计算准确性，在一些实施例中，所述方法还包括：
提取所述总数据集中除所述输入集以外的数据集作为验证集；
根据所述验证集评估计算碳排放结果的准确性。
具体地，将S41中的剩余20％观测数据作为验证集，评估步骤S4解算参数的准确性。根据步骤S4中解算的参数以及扩散模型，对验证集不同位置对应的CO2浓度进行模拟。通过同一位置的实测CO2浓度与模拟CO2浓度的相关系数对待求解参数的准确性进行判断。
C’(xi,yi,zi)，i＝1,2,3…n,为验证集不同位置的CO2浓度模拟值，q、H、α、B、z、a、b、c、d为步骤S4中计算所得的参数值。相关系数计算如下：
其中，Cv为验证集中不同位置处的实测CO2浓度值，Cov(C’,C)为C’和C的协方差，Var(C’)为C’的方差，Var(C)为C的方差。
当其R大于95％时，步骤S4中的参数求解值将作为最终的计算结果，电厂碳排放q以及其他与扩散有关的参数即可获得。
在上述具体实施方式中，本发明所提供的基于车载测量***的电厂碳排放强度监测方法及***，通获取目标区域内的实测数据，所述实测数据至少包括气象数据和二氧化碳浓度数据；根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征；基于所述碳扩散特征，建立碳排放扩散模型；根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度。
这样，该方法基于车载监测***以及稳定的碳排放核算方法去快速、高精度地获得电厂碳排放的方案，车载***的高灵活性可以在电厂附近获得大量高精度的温室气体浓度，结合气象参数等辅助数据得到的碳排放扩散模型，不仅能够根据采集值实时监控碳排放量，从而提高监测时效性，且能够得到较为精准的监测结果，解决了现有技术中电厂碳排放监测时效性差、精度低的技术问题。
除了上述方法，本发明还提供一种基于车载测量***的电厂碳排放强度监测***，如图3所示，所述***包括：
实测数据获取单元100，用于获取目标区域内的实测数据，所述实测数据至少包括位置信息、气象数据和二氧化碳浓度数据；
扩散模型创建单元200，用于根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征，并基于所述碳扩散特征，建立碳排放扩散模型；
排放强度结果获取单元300，用于根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度；
排放强度结果验证单元400，用于提取所述总数据集中除所述输入集以外的数据集作为验证集，并根据所述验证集评估计算碳排放结果的准确性。
这样，该***基于车载监测***以及稳定的碳排放核算方法去快速、高精度地获得电厂碳排放的方案，车载***的高灵活性可以在电厂附近获得大量高精度的温室气体浓度，结合气象参数等辅助数据得到的碳排放扩散模型，不仅能够根据采集值实时监控碳排放量，从而提高监测时效性，且能够得到较为精准的监测结果，解决了现有技术中电厂碳排放监测时效性差、精度低的技术问题。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific工ntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于车载测量***的电厂碳排放强度监测方法，其特征在于，所述方法包括：
获取目标区域内的实测数据，所述实测数据至少包括位置信息、气象数据和二氧化碳浓度数据；
根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征；
基于所述碳扩散特征，建立碳排放扩散模型；
根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度。
2.根据权利要求1所述的电厂碳排放强度监测方法，其特征在于，所述获取目标区域内的实测数据，具体包括：
获取并记录所述目标区域内的若干点位信息；
获取并记录与各所述点位信息对应的二氧化碳浓度数据和气象数据。
3.根据权利要求2所述的电厂碳排放强度监测方法，其特征在于，所述气象数据包括风速、风向、大气温度、大气湿度和大气压强。
4.根据权利要求3所述的电厂碳排放强度监测方法，其特征在于，车载测量***预存的行走路线通过以下方法获取：
采集待监测电厂区域的地形特征、风场、温度、湿度和压强信息；
基于所述地形特征和所采集的气象信息设计走航路线；
将所述走航路线存储于所述车载测量***内。
5.根据权利要求1所述的电厂碳排放强度监测方法，其特征在于，基于所述碳扩散特征，建立碳排放扩散模型，具体包括：
在所述目标区域内选择目标点，基于所述目标点和所述气象数据中的风向数据扩散坐标系：
基于所述扩散坐标系，建立以下碳排放扩散模型：
其中，(x,y,z)为测量点坐标，C(x,y,z)为(x,y,z)坐标处的CO2浓度，q为排放强度，u为风速，H为电厂碳排放的有效排放高度，σy和σz分别为水平扩散参数和垂直扩散参数，B为CO2的背景浓度，α为地面反射系数，σy＝a·xb，σz＝c·xd，a，b为水平扩散系数，c，d为垂直扩散系数。
6.根据权利要求5所述的电厂碳排放强度监测方法，其特征在于，根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度，具体包括：
将采集到的实测数据建立总数据集，并提取所述总数据集中的预设比例的数据量作为输入集；
基于所述输入集和遗传算法对所述碳排放扩散模型中的待求解参数进行初步计算，并得到各所述带求解参数的初步参数求解值；
基于所述初步参数求解值、所述输入集和二次规划法对所述碳排放扩散模型中的待求解参数进行二次计算，并将得到的二次计算结果作为参数求解值。
7.根据权利要求6所述的电厂碳排放强度监测方法，其特征在于，基于所述输入集和遗传算法对所述碳排放扩散模型中的待求解参数进行初步计算，并得到各所述带求解参数的初步参数求解值，具体包括；
对各所述待求解参数进行界限设置，以得到参数求解界限；
将所述输入集的实测数据带入所述碳排放扩散模型，基于所述参数求解界限，重复计算N次，其中，N为正整数；
选取排放强度q重复出现最高的概率范围的数据组作为初始数据组；
计算所述初始数据组中对应的参数进行平均值计算，并将得到的参数平均值作为初步参数求解值。
8.根据权利要求7所述的电厂碳排放强度监测方法，其特征在于，基于所述初步参数求解值、所述输入集和二次规划法对所述碳排放扩散模型中的待求解参数进行二次计算，并将得到的二次计算结果作为参数求解值，具体包括：
将所述初步参数求解值的1.1倍作为第一计算界限，将所述初步参数求解值的0.9倍作为第二计算界限；
将所述输入集的实测数据带入所述碳排放扩散模型，基于所述第一计算界限和所述第二计算界限根据二次规划对待求解参数进行求解，以得到参数求解值。
9.根据权利要求8所述的电厂碳排放强度监测方法，其特征在于，所述方法还包括：
提取所述总数据集中除所述输入集以外的数据集作为验证集；
根据所述验证集评估计算碳排放结果的准确性。
10.一种基于车载测量***的电厂碳排放强度监测***，其特征在于，所述***包括：
实测数据获取单元，用于获取目标区域内的实测数据，所述实测数据至少包括位置信息、气象数据和二氧化碳浓度数据；
扩散模型创建单元，用于根据车载测量***预存的走航路线，确定所述目标区域内的碳扩散特征，并基于所述碳扩散特征，建立碳排放扩散模型；
排放强度结果获取单元，用于根据所述实测数据和所述碳排放扩散模型，并基于遗传算法和二次规划法计算所述目标区域内的碳排放强度；
排放强度结果验证单元，用于提取所述总数据集中除所述输入集以外的数据集作为验证集，并根据所述验证集评估计算碳排放结果的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109107.4A CN114441714B (zh) | 2022-01-28 | 2022-01-28 | 基于车载测量***的电厂碳排放强度监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210109107.4A CN114441714B (zh) | 2022-01-28 | 2022-01-28 | 基于车载测量***的电厂碳排放强度监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114441714A true CN114441714A (zh) | 2022-05-06 |
| CN114441714B CN114441714B (zh) | 2022-12-09 |
Family
ID=81371149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210109107.4A Active CN114441714B (zh) | 2022-01-28 | 2022-01-28 | 基于车载测量***的电厂碳排放强度监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114441714B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819411A (zh) * | 2022-06-23 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种基于走航监测车的大气污染物排放溯源方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040254740A1 (en) * | 2003-06-16 | 2004-12-16 | Ryohji Ohba | Diffusion status prediction method and diffusion status prediction system for diffused substance |
| CN103258116A (zh) * | 2013-04-18 | 2013-08-21 | 国家电网公司 | 一种大气污染物扩散模型的构建方法 |
| CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
| US20190331652A1 (en) * | 2018-04-27 | 2019-10-31 | International Business Machines Corporation | Air-pollution emission source monitoring |
| CN111461405A (zh) * | 2020-03-09 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 污染物的扩散预测方法、装置、设备及存储介质 |
| CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
| CN112686531A (zh) * | 2020-12-29 | 2021-04-20 | 生态环境部卫星环境应用中心 | 一种结合卫星遥感与车载观测的大气污染企业识别方法 |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析***及方法 |
-
2022
- 2022-01-28 CN CN202210109107.4A patent/CN114441714B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040254740A1 (en) * | 2003-06-16 | 2004-12-16 | Ryohji Ohba | Diffusion status prediction method and diffusion status prediction system for diffused substance |
| CN103258116A (zh) * | 2013-04-18 | 2013-08-21 | 国家电网公司 | 一种大气污染物扩散模型的构建方法 |
| CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
| US20190331652A1 (en) * | 2018-04-27 | 2019-10-31 | International Business Machines Corporation | Air-pollution emission source monitoring |
| CN111461405A (zh) * | 2020-03-09 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 污染物的扩散预测方法、装置、设备及存储介质 |
| CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析***及方法 |
| CN112686531A (zh) * | 2020-12-29 | 2021-04-20 | 生态环境部卫星环境应用中心 | 一种结合卫星遥感与车载观测的大气污染企业识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘焕等: "《基于粒子***的污染气流扩散仿真》", 《计算机工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819411A (zh) * | 2022-06-23 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种基于走航监测车的大气污染物排放溯源方法和装置 |
| CN114819411B (zh) * | 2022-06-23 | 2022-09-13 | 航天宏图信息技术股份有限公司 | 一种基于走航监测车的大气污染物排放溯源方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114441714B (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hopke | Recent developments in receptor modeling | |
| Gillani et al. | Gas-to-particle conversion of sulfur in power plant plumes—I. Parametrization of the conversion rate for dry, moderately polluted ambient conditions | |
| CN114441714B (zh) | 基于车载测量***的电厂碳排放强度监测方法及*** | |
| CN110687020B (zh) | 基于四聚氧吸收反演气溶胶光学特性的测量方法及其装置 | |
| CN116297068B (zh) | 基于地表反射率优化的气溶胶光学厚度反演方法及*** | |
| CN112131789B (zh) | 一种基于随机森林算法的多光谱降水检测***及方法 | |
| CN108693084B (zh) | 产生源分析装置以及产生源分析*** | |
| CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
| CN114487300B (zh) | 基于车载测量***的零散点源碳排放强度监测方法及*** | |
| CN118035600A (zh) | 一种基于oco-2卫星反演发电厂碳排放强度的方法及*** | |
| CN116824410A (zh) | 针对高光谱遥感影像数据的植被覆盖度的反演方法和装置 | |
| Korbeń et al. | Quantification of methane emission rate from oil and gas wells in Romania using ground-based measurement techniques | |
| CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与*** | |
| Alcamo et al. | The uncertainty of atmospheric source-receptor relationships in Europe | |
| Tian et al. | Evaluation of profile retrievals of aerosols and trace gases for MAX-DOAS measurements under different aerosol scenarios based on radiative transfer simulations | |
| Reinhardt | On the retrieval of circumsolar radiation from satellite observations and weather model output | |
| Agbo et al. | Meteorological analysis of the relationship between climatic parameters: understanding the dynamics of the troposphere | |
| CN114460232B (zh) | 基于车载测量***的多点源碳氮比监测方法及*** | |
| Barnett et al. | The potential effect of GCM uncertainties and internal atmospheric variability on anthropogenic signal detection | |
| Klaas | Model-based study of the five main influencing factors on the wind speed error of lidars in complex and forested terrain | |
| Zhi-li et al. | Satellite-Based Analysis of Spatial–Temporal Distributions of NH3 and Factors of Influence in North China | |
| CN115032332B (zh) | 一种基于车载***测量强点源碳排放的方法 | |
| CN115808501B (zh) | 一种基于oco-2卫星反演发电厂碳排放强度的方法 | |
| Chen | First observations of mesospheric OH emission profiles from OMPS/LP | |
| CN115456329A (zh) | 基于无人机采样的反演强点源碳排放强度计算方法及*** |
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 |