CN115656461A - 一种基于煤质软测量的煤电机组实时碳排放量监测方法 - Google Patents

一种基于煤质软测量的煤电机组实时碳排放量监测方法 Download PDF

Info

Publication number
CN115656461A
CN115656461A CN202211014212.6A CN202211014212A CN115656461A CN 115656461 A CN115656461 A CN 115656461A CN 202211014212 A CN202211014212 A CN 202211014212A CN 115656461 A CN115656461 A CN 115656461A
Authority
CN
China
Prior art keywords
coal
daf
data
real
time
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.)
Pending
Application number
CN202211014212.6A
Other languages
English (en)
Inventor
蒋欢春
朱凌君
卞韶帅
夏杰
吕晓东
杨士华
车凌云
周铁
董飞英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shangdian Caojing Power Generation Co ltd
Shanghai Minghua Power Technology Co ltd
Original Assignee
Shanghai Shangdian Caojing Power Generation Co ltd
Shanghai Minghua Power Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Shangdian Caojing Power Generation Co ltd, Shanghai Minghua Power Technology Co ltd filed Critical Shanghai Shangdian Caojing Power Generation Co ltd
Priority to CN202211014212.6A priority Critical patent/CN115656461A/zh
Publication of CN115656461A publication Critical patent/CN115656461A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems
    • Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]

Landscapes

  • Regulation And Control Of Combustion (AREA)

Abstract

本发明涉及一种基于煤质软测量的煤电机组实时碳排放量监测方法，该方法用于准确监测各类掺配煤的煤电机组的实时碳排放数据，所述监测方法包括以下步骤：步骤1、数据收集；步骤2、数据清洗和预处理；步骤3、机组稳定工况的判定；步骤4、建立飞灰炉渣含碳量神经网络预测模型，通过软测量预测灰渣含量；步骤5、建立煤质软测量模型；步骤6、实时碳排放量计算。与现有技术相比，本发明具有使得各类掺配煤的煤电机组在燃煤特性实时发生变化的情况下，也有可靠的手段进一步准确掌握机组实时碳排放数据等优点。

Description

一种基于煤质软测量的煤电机组实时碳排放量监测方法
技术领域
本发明涉及碳排放量监测领域，尤其是涉及一种基于煤质软测量的煤电机组 实时碳排放量监测方法。
背景技术
要早日实现“碳达峰”甚至“碳中和”的目标，控制和减少电力行业尤其是煤 电领域的碳排放量无疑是一个非常重要的因素。而另一方面，目前我国的能源消费 结构也决定了以煤电为主的电力生产格局在较长一段时间内也不会根本转变。因此， 在新的形势下，如何准确掌握煤电行业发展与运行规律，科学有效地计算煤电机组 实时碳排放量，以此来推动燃煤发电机组效率和煤炭资源利用率的提高，从而进一 步改善环境质量，对煤电企业优化发展及电网合理安排调度规划都具有十分重要的 指导意义。
目前，国内对碳排放实行核算主要依据有《温室气体排放核算与报告要求第1 部分：发电企业》(GB/T32151.1—2015)、《中国发电企业温室气体排放核算方法与 报告指南(试行)》、2022年生态环境部的《企业温室气体排放核算方法与报告指 南发电设施(2022年修订版)》。此类核算方法主要适用于对较长时间或周期内对 碳排放总量的核算，难以实现对煤电机组进行实时碳排放量计算。
针对上述问题，国内在碳排放实时监测领域目前被广泛认可的主要有三条技术路径来实现煤电机组实时碳排放量的计算，即排放因子法、实测法和质量平衡法。
排放因子法，又被称为排放系数法，根据IPCC提供的碳核算基本方程：温室 气体(GHG)排放＝活动数据(AD)×排放因子(EF)，EF是与活动水平数据对 应的系数，包括单位热值含碳量或元素碳含量、氧化率等，表征单位生产或消费活 动量的温室气体排放系数，该方法适用于较为宏观的核算层面，可以粗略的对特定 区域的整体情况进行宏观把控。而缺点在于一方面IPCC国家温室气体清单默认的 排放因子库主要获取于发达国家，不一定能准确反映我国的实际情况，另一方面我 国不同地区能源品质差异、机组燃烧效率不同等原因，各类能源消费统计及碳排放 因子测度容易出现较大偏差，这也成为碳排放核算结果误差的主要来源。
实测法是依靠电厂现有的CEMS(continuous emission monitoring system)***的 CO2、CO等与碳元素相关的含量以及烟气量来计算碳排放量。如中国专利申请号202111112049.2，一种燃煤电厂碳排放量指标实时监测***及方法。该发明公开了 一种燃煤电厂碳排放量指标实时监测***及方法，通过采集一次风机、送风机入口 数据以及空气成分数据和烟气成分数据来实时计算机组碳排放量。这是一种典型的 实测法，其主要问题一是该检测手段成本较高；二则是该测量方法的波动性比较大， 尤其是空气和烟气流量的测量稳定性差，无法满足电厂长期稳定需求。
质量平衡法是指利用机组能量平衡原理通过机组的实时运行数据来计算不同 负荷、不同工况下的碳排放量数据。该方法主要基于具体设施和工艺流程的碳质量 平衡法计算排放量，可以反映碳排放发生地的实际排放量。如中国专利申请号 202111112049.2，一种预测燃煤电厂碳排放量的计算方法。该发明公开了一种预测 燃煤电厂碳排放量的计算方法，通过建立数学模型得出燃料特性系数的关系式、计 算电厂燃烧的煤的燃料特性系数值、计算烟气中二氧化碳的百分比含量、计算烟气 的排放总量、计算二氧化碳的排放总量。但该计算方法所采用数据均是常规燃煤电 厂的基本检测数据，未考虑实时煤种变化情况对碳排放量的影响，对于掺烧煤种的 运行机组其实用性不高。国网山东省电力公司刘科等提出了“基于实时监测的燃煤 机组碳排放特性研究”，该方法为研究燃煤机组不同运行状态下的碳排放特性，采 用基于能量平衡和物料守恒的碳核算方法，实现了燃煤机组碳排放强度的分钟级连 续监测，但该方法中的飞灰含碳量和煤质分析成分都是基于电厂各班的统计结果， 其仅适用于煤质变化不大的机组。
因此，在当前由于煤炭资源短缺、煤炭市场供应紧张使得许多电厂采购煤种多 样化、并且在运行方式上采用配煤掺烧的大背景下，如何通过燃煤电厂现有实时数 据来相对准确地将煤电机组实时碳排放量进行精确计算也成为值得深入分析和研 究的重点，这也是本发明的所要解决的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于煤质软 测量的煤电机组实时碳排放量监测方法。
本发明的目的可以通过以下技术方案来实现：
根据本发明的一个方面，提供了一种基于煤质软测量的煤电机组实时碳排放量监测方法，该方法用于准确监测各类掺配煤的煤电机组的实时碳排放数据，所述监 测方法包括以下步骤：
步骤1、数据收集；
步骤2、数据清洗和预处理；
步骤3、机组稳定工况的判定；
步骤4、建立飞灰炉渣含碳量神经网络预测模型，通过软测量预测灰渣含量；
步骤5、建立煤质软测量模型；
步骤6、实时碳排放量计算。
作为优选的技术方案，所述步骤1具体包括：通过实时数据接口采集计算相关 数据；
其中所述采集计算相关数据包括：
(a)、计算煤质水分涉及的数据，包括各台磨煤机实时出力、入口风量、功率、 进出口风温和环境温度；
(b)、计算实时锅炉效率所需的省煤器出口氧量、排烟温度和漏风率；
(c)、计算煤质热值涉及的数据,包括主蒸汽流量、主蒸汽压力、主蒸汽温度、 主给水压力，主给水温度、冷再流量、再热蒸汽热端压力、再热蒸汽热端温度、再 热蒸汽冷端压力、再热蒸汽冷端温度、再热器减温水量、再热器减温水压力、再热 器减温水温度，过热器减温喷水量、过热器减温喷水压力、过热器减温喷水温度、 锅炉燃煤实时消耗量和机组当前负荷；
(d)、飞灰含碳量预测模型所需机组运行数据，包括燃煤低位发热量、燃煤水 分、燃煤灰分、各台磨煤机煤量、一次风量、出口风温、主给水流量、空预器入口 烟气温度、总一次风量、总二次风量、总风量和SCR进口氧量。
作为优选的技术方案，所述的步骤2具体包括以下步骤：
步骤2.1、插值：对于数据缺失的情况，需要根据已经设定的目标值或者历史 最优值对缺失值进行插值处理，并将目标值或者历史最优值***到数据缺失的测点 的对应属性上；
步骤2.2、重复数据检查：通过约定的重复数据判定原则，直接判定采集的数 据是否重复，如果为重复数据则直接丢弃重复数据；
步骤2.3、量程检查：直接进行运行参数上下限判断，超过上下限范围的判断 为坏点；
步骤2.4、精度检查：确定运行参数的基准曲线，并以此为标准对实际参数进 行判别，数据精度不符合实际运行工况的测点值判定该测点为坏点；
步骤2.5、参数辨识：建立参数的正常状态矩阵模型，当模型输入实际的运行 参数时，以正常状态矩阵为基础，找到实际数据与正常数据的相关程度，以此对实 际运行数据的正常期望值进行参数辨识。
作为优选的技术方案，所述的步骤3中通过移动平均求方差的方法来判定稳定 工况，具体包括：
Figure BDA0003811856040000041
Figure BDA0003811856040000042
Figure BDA0003811856040000043
其中,P1,...,P10表示至当前工况下频率间隔为1分钟的前10分钟的机组功率值，Fc1,...,Fc10表示至当前工况下频率间隔为1分钟的前10分钟总煤量值，因此Pavg表 示前10十分钟机组功率的平均值，Fcavg表示前10十分钟总煤量的平均值，σP表 示稳定工况下机组功率允许的平方差，σFc表示稳定工况下总煤量允许的平方差； 在式3-2、式3-3同时满足的情况下通过将当前工况下符合采集要求的前10之分钟 运行数据求平均后，再在计算模型中进行数值计算，避免了计算过程中由于负荷或 者煤量变化大而引起计算结果偏差大的情况。
作为优选的技术方案，所述的步骤4为采用深度神经网络算法进行灰渣平均含 碳量的预测建模和在线预测，根据部分训练集数据进行损失函数值的计算。
作为优选的技术方案，所述的深度神经网络算法的样本输入和输出变量如下表所示：
Figure BDA0003811856040000044
Figure BDA0003811856040000051
其中深度神经网络算法模型的网络结构为25-100-1，即49个输入节点，100 个隐层节点，1个输出节点；求解权值和偏置的过程采用梯度下降算法，同时针对 学习速率的自适应调整以及局部极值的问题采用Adam优化算法。
作为优选的技术方案，所述的步骤5具体包括：
步骤5.1、基于磨煤机运行状态计算各台磨煤机的收到基水分；
步骤5.2、入炉煤低位发热量和元素分析监测。
作为优选的技术方案，所述的步骤5.1具体为：
进入磨煤机的热量包括：干燥剂的物理热qgz、漏入冷空气的物理热qlf、研磨 部件产生的热量qnm和原煤的物理热qr；流出磨煤机的热量包括：蒸发水分消耗的 热量qz、加热燃料消耗的热量qjr、干燥剂带出***的热量q2和磨煤机的散热损失q5， 根据能量守恒原理，进入磨煤机的热量和流出磨煤机的热量相等，即：
qgz+qlf+qnm+qr＝qz+qjr+q2+q5；(5-1)
将式5-1展开，整理得：
Figure BDA0003811856040000061
其中：
mm为磨煤机实时出力；mf为磨煤机入口风量；W为磨煤机消耗的功率；t1为 进口一次风温；t2为磨煤机出口风温；tA为环境温度；C1为磨进口干燥剂的质量比 热；C2为磨出口干燥剂的质量比热；Crd为煤的干燥基比热；Clk为冷风的质量比热； Klf为磨煤机的漏风系数；R90为煤粉细度；Q5为制粉***的总散热损失；Knm为磨 功率转化为热量的系数；
上述公式中Mar为方程左右两边唯一的一个未知数，通过假设Mar0不断使得方 程左右两边的值不断逼近，最终计算得到磨煤机各台磨煤机的收到基水分Mar。
作为优选的技术方案，所述的步骤5.2具体为：
步骤5.2.1、工质在锅炉中的总吸热量为：
Qboiler＝Gms(hms-hfw)+Grc(hrh-hrc)+Grj(hrh-hrj)+Gsj(hms-hsj)
式中Gms为主蒸汽流量，hms为主蒸汽焓，hfw为主给水热焓，Grc为冷再流量， hrh为再热蒸汽热端焓，hrc为再热蒸汽冷端焓，Grj为再热器减温水量，hrj为再热器 减温水焓，Gsj为过热器减温喷水量，hsj为过热器减温喷水焓；
步骤5.2.2、设置初始锅炉效率η0；
步骤5.2.3、此时计算锅炉入炉煤低位热值初值Qar0：
Figure BDA0003811856040000071
式中，
Gcoal为锅炉的入炉煤量，对于直吹式制粉***，它是所有运行的磨煤机的煤量 之和；
步骤5.2.4、根据物质平衡和煤燃烧化学分析原理，将煤燃烧生成的各种气体 表示成干燥无灰基元素含量的方程：
Cdaf＝53.59γco2(VRO2,daf+VN2,daf+VO2,daf)+(1-γCO2)Xcucr
Sdaf＝142.86γso2(VRO2,daf+VN2,daf+VO2,daf)
Figure BDA0003811856040000072
Odaf＝k1Cdaf+k2
Ndaf＝k3Hdaf
Cdaf+Hdaf+Odaf+Ndaf+Sdaf＝100
VRO2,daf＝0.01866(Cdaf+0.375Sdaf)-0.01866Xcucr
Figure BDA0003811856040000073
Figure BDA0003811856040000074
Figure BDA0003811856040000075
Vgk,daf＝0.0889(Cdaf+0.375Sdaf)+0.265Har-0.0333Oar-0.0889Xcucr
Figure BDA0003811856040000076
Ccucr＝αfhCfh+αlzClz
Figure BDA0003811856040000077
Qar＝339Car+1028Har-109(Oar-Sar)-25Mar
式中：
k1、k2、k3为干燥无灰基成分相关系数，根据大量不同煤种拟合得到；Ccucr为 渣中的平均未燃尽碳含量；γCO2、γSO2、γO2为排烟烟气中的气体容积份额；Cdaf、 Hdaf、Odaf、Ndaf、Sdaf为煤的干燥无灰基元素成分；Car、Har、Oar、Nar、Sar为 煤的收到基元素成分；VRO2,daf、VN2,daf、VO2,daf为以干燥基成分计算的各种标准 气体量；α为过量空气系数；
Figure BDA0003811856040000081
为为空气中氧气的容积份额；Xcucr为燃尽碳损失的 修正量；αfh，αlz为灰和炉渣的份额；Cfh，Clz为飞灰和炉渣的含碳量；
步骤5.2.5、求解步骤5.2.4中所列方程组，获得入炉煤低位热值Qar与收到基 各元素成分；
步骤5.2.6、计算锅炉效率，其中的飞灰含碳量、炉渣含碳量按步骤4计算所 得；锅炉效率所用的煤质数据由步骤5.2.3～步骤5.2.5中计算；
步骤5.2.7、根据计算得到的锅炉效率回到步骤5.2.3中迭代计算煤质数据，直 到步骤5.2.5中计算得到的煤质数据中的低位热值Qar与步骤5.2.3中计算所得低位 热值Qar0的差值小于某一值:
Figure BDA0003811856040000082
作为优选的技术方案，所述的步骤6具体包括：
计算公式如下：
Er＝FCc×Car,c×OFC×44/12
其中：
Er为机组实时发电碳排放强度；
FCC为机组燃煤的实时煤量；
Car,c为燃煤元素分析中的收到基碳元素含量；
OFC为燃煤的碳氧化率；
44/12为CO2与C两种物质的相对分子质量之比；
由于不同煤种的碳氧化率不一样，公式计算:
Figure BDA0003811856040000083
其中：
Glz为单位小时炉渣产量；
Gfh为单位小时飞灰产量；
Clz为炉渣含碳量；
Cfh为飞灰含碳量；
ηcc为除尘***平均除尘效率；
其中Glz和Gfh的计算首先根据年度炉渣和飞灰产量的统计值以及年度发电量 的比值关系确定系数klz和kfh，实时计算则根据当前的发电机功率来进行，计算公 式如下所示：
不同发电机功率的下的小时统计数据进行线性拟合后得到计算值，即：
Glz＝klz×Pe
Gfh＝kfh×Pe
其中Pe为发电机功率。
与现有技术相比，本发明具有以下优点：
1)通过该发明使得各类掺配煤的煤电机组在燃煤特性实时发生变化的情况下，也有可靠的手段进一步准确掌握机组实时碳排放数据。
2)进一步通过科学有效的技术手段来控制实时碳排放量，为双碳目标的早日 实现奠定基础。
3)随着碳交易市场不断开放，本发明实时、准确且连续监测碳排放量是未来 实现机组碳排放精准控制的关键因素，对提高煤电企业智能化管理水平以及经营效 益均具有举足轻重的作用。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。 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的前提下所获 得的所有其他实施例，都应属于本发明保护的范围。
随着国家双碳目标政策的明确和未来碳交易市场的不断发展，煤电行业的碳排放量控制将逐渐成为一项十分重要和艰巨的任务，煤电企业本身面临发电成本上的 困境使其当前所燃用煤种特性变化大，因此在现有条件下准确计算单位发电量下机 组的碳排放量也成为一个十分困难的课题。而在未来，随着碳交易市场不断开放， 实时、准确且连续监测碳排放量是未来实现机组碳排放精准控制的关键因素，对提 高煤电企业智能化管理水平以及经营效益均具有举足轻重的作用。
如图1所示，一种基于煤质软测量的煤电机组实时碳排放量监测方法，用于准 确监测各类掺配煤的煤电机组的实时碳排放数据，该方法包括以下步骤：
Step1数据收集：
1.1通过实时数据接口采集计算相关数据，采集频率为1分钟1次，主要数据 源包括磨煤机进出口风量、煤量、风温；汽机热力***进出口参数(温度、压力、 流量)；锅炉效率计算所需实时参数(如氧量、排烟温度)、飞灰含碳量神经网络预 测输入参数。
Step2数据清洗和预处理：
2.1插值；
2.2重复数据检查；
2.3量程检查；
2.4精度检查；
2.5参数辨识
Step3机组稳定工况的判定
电厂运行工况的变化尤其是当机组功率发生大幅变化期间，由于大幅增减煤量的影响会导致煤质低位发热量计算结果不准确，因此需要通过机组稳定工况判定算 法来避免机组功率大幅波动造成计算结果产生偏差。
Step4建立飞灰炉渣含碳量神经网络预测模型，通过软测量预测灰渣含量
Step5建立煤质软测量模型：
5.1基于磨煤机运行状态的收到基水分监测。
5.2入炉煤低位发热量和元素分析监测(迭代计算)
Step6实时碳排放量计算
Step1数据收集
通过对实时碳排放量计算公式中涉及的变量为依据建立计算模型，整合实时数据库中相关指标的数据。
计算煤质水分中用到了磨煤机进出口能量平衡原理，涉及的数据主要有各台磨煤机实时出力、入口风量、功率、进出口风温、环境温度。
计算实时锅炉效率所需的省煤器出口氧量、排烟温度、漏风率。
计算煤质热值用到的主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水压力，主 给水温度、冷再流量、再热蒸汽热端压力、再热蒸汽热端温度、再热蒸汽冷端压力、 再热蒸汽冷端温度、再热器减温水量、再热器减温水压力、再热器减温水温度，过 热器减温喷水量、过热器减温喷水压力、过热器减温喷水温度、锅炉燃煤实时消耗 量、机组当前负荷。
飞灰含碳量预测模型所需机组运行数据燃煤低位发热量、燃煤水分、燃煤灰分、各台磨煤机煤量、一次风量、出口风温、主给水流量、空预器入口烟气温度、总一 次风量、总二次风量、总风量、SCR进口氧量。
Step2数据预处理
采集的数据应采用数据处理技术进行有效性检验和预处理，保证数据的准确性、有效性与稳定性。同时，数据清洗服务具有错误数据替代功能，通过某种方式(如： 数据合，数据插值、数据排重、数据替换等)替代故障数据。根据不同类型的数据 可采用以下几种方式进行测点采集数据清洗：
2.1插值：对于数据缺失的情况，需要根据已经设定的目标值或者历史最优值 对缺失值进行插值处理，并将目标值或者历史最优值***到数据缺失的测点的对应 属性上；
2.2重复数据检查：通过约定的重复数据判定原则，直接判定采集的数据是否 重复，如果为重复数据则直接丢弃重复数据；
2.3量程检查：直接进行运行参数上下限判断，超过上下限范围的判断为坏点；
2.4精度检查：确定运行参数的基准曲线，并以此为标准对实际参数进行判别， 数据精度不符合实际运行工况的测点值判定该测点为坏点；
2.5参数辨识：某些关键参数如调节级后温度等，建立参数的正常状态矩阵模 型，当模型输入实际的运行参数时，以正常状态矩阵为基础，找到实际数据与正常 数据的相关程度，以此对实际运行数据的正常期望值进行参数辨识。
Step3机组稳定工况的判定
在实际实时程序计算过程中，可通过移动平均求方差的方法来判定稳定工况， 判别方法如下：
Figure BDA0003811856040000121
Figure BDA0003811856040000122
Figure BDA0003811856040000123
其中,P1,...,P10表示至当前工况下频率间隔为1分钟的前10分钟的机组功率值，Fc1,...,Fc10表示至当前工况下频率间隔为1分钟的前10分钟总煤量值，因此Pavg表 示前10十分钟机组功率的平均值，因此Fcavg表示前10十分钟总煤量的平均值，σP表示稳定工况下机组功率允许的平方差,***中取值为20，σFc表示稳定工况下总煤 量允许的平方差，***中取值为20。在式3-2、式3-3同时满足的情况下通过将当 前工况下符合采集要求的前10之分钟运行数据求平均后，再在计算模型中进行数 值计算，这样就避免了计算过程中由于负荷或者煤量变化大而引起计算结果偏差大 的情况。
Step4飞灰炉渣含碳量预测模型
目前机组的飞灰炉渣含碳量在线测量装置测量误差较大，但飞灰炉渣的实时值对碳排放量计算而言也是一个不可或缺的变量，故本方法中采用深度神经网络的算 法结合试验及日常化验数据进行灰渣平均含碳量的预测建模和在线预测。DNN模 型训练是根据损失函数(loss function)进行监督学习的过程，对于回归模型而言， 损失函数通常定义为均方误差函数。为了加快DNN模型的训练效率，在训练过程 中使用基于Batch的训练方式，即在计算损失函数值和进行梯度回传时并不是针对 训练集中全部样本进行计算，而是根据部分训练集数据进行损失函数值的计算。
样本输入和输出变量如下：
Figure BDA0003811856040000124
Figure BDA0003811856040000131
求解权值和偏置的过程一般采用梯度下降算法，同时针对学习速率的自适应调整以及局部极值的问题，还可以采用一些优化算法如Adam优化算法。本模型的网 络结构为25-100-1，即49个输入节点，100个隐层节点，1个输出节点。
Step5煤质软测量
5.1入炉煤水分
磨煤机是制粉***的主要设备，原煤的煤质和干燥均在磨煤机内进行，进入磨 煤机的热量包括：干燥剂的物理热qgz、漏入冷空气的物理热qlf、研磨部件产生的 热量qnm和原煤的物理热qr，流出磨煤机的热量包括：蒸发水分消耗的热量qz、加 热燃料消耗的热量qjr、干燥剂带出***的热量q2和磨煤机的散热损失q5，根据能 量守恒原理，进入磨煤机的热量和流出磨煤机的热量相等，即：
qgz+qlf+qnm+qr＝qz+qjr+q2+q5；(5-1)
将式5-1展开，整理得：
Figure BDA0003811856040000141
其中：
mm——磨煤机实时出力，t/h；
mf——磨煤机入口风量，t/h；
W——磨煤机消耗的功率，kW；
t1——进口一次风温，℃；
t2——磨煤机出口风温，℃；
tA——环境温度，℃；
C1——磨进口干燥剂的质量比热，kJ/(kg℃)；
C2——磨出口干燥剂的质量比热，kJ/(kg℃)；
Crd——煤的干燥基比热，kJ/(kg℃)；
Clk——冷风的质量比热，kJ/(kg℃)；
Klf——磨煤机的漏风系数；
R90——煤粉细度；
Q5——制粉***的总散热损失，kW；
Knm——磨功率转化为热量的系数；
上述公式中Mar为方程左右两边唯一的一个未知数，通过假设Mar0不断使得方 程左右两边的值不断逼近，最终计算得到磨煤机各台磨煤机的收到基水分Mar。
5.2入炉煤低位发热量和元素分析监测
5.2.1工质在锅炉中的总吸热量为：
Qboiler＝Gms(hms-hfw)+Grc(hrh-hrc)+Grj(hrh-hrj)+Gsj(hms-hsj)
式中Gms为主蒸汽流量，hms为主蒸汽焓，hfw为主给水热焓，Grc为冷再流量， hrh为再热蒸汽热端焓，hrc为再热蒸汽冷端焓，Grj为再热器减温水量，hrj为再热器 减温水焓，Gsj为过热器减温喷水量，hsj为过热器减温喷水焓。
5.2.2设置初始锅炉效率η0
5.2.3此时计算锅炉入炉煤低位热值初值Qar0：
Figure BDA0003811856040000151
式中:
Gcoal——锅炉的入炉煤量，对于直吹式制粉***，它是所有运行的磨煤机的煤 量之和。
5.2.4根据物质平衡和煤燃烧化学分析原理，将煤燃烧生成的各种气体表示成 干燥无灰基元素含量的方程：
Cdaf＝53.59γco2(VRO2,daf+VN2,daf+VO2,daf)+(1-γCO2)Xcucr
Sdaf＝142.86γso2(VRO2,daf+VN2,daf+VO2,daf)
Figure BDA0003811856040000152
Odaf＝k1Cdaf+k2
Ndaf＝k3Hdaf
Cdaf+Hdaf+Odaf+Ndaf+Sdaf＝100
VRO2,daf＝0.01866(Cdaf+0.375Sdaf)-0.01866Xcucr
Figure BDA0003811856040000153
Figure BDA0003811856040000154
Figure BDA0003811856040000155
Vgk,daf＝0.0889(Cdaf+0.375Sdaf)+0.265Har-0.0333Oar-0.0889Xcucr
Figure BDA0003811856040000156
Ccucr＝αfhCfh+αlzClz
Figure BDA0003811856040000161
Qar＝339Car+1028Har-109(Oar-Sar)-25Mar
式中：
k1、k2、k3——干燥无灰基成分相关系数，根据大量不同煤种拟合得到；
Ccucr——渣中的平均未燃尽碳含量，％；
γCO2、γSO2、γO2——排烟烟气中的气体容积份额；
Cdaf、Hdaf、Odaf、Ndaf、Sdaf——煤的干燥无灰基元素成分，％；
Car、Har、Oar、Nar、Sar——煤的收到基元素成分，％；
VRO2,daf、VN2,daf、VO2,daf——以干燥基成分计算的各种标准气体量；m3/kg；
α——过量空气系数；
Figure BDA0003811856040000162
——为空气中氧气的容积份额，％；
Xcucr——燃尽碳损失的修正量；
αfh，αlz——灰和炉渣的份额，％；
Cfh，Clz——飞灰和炉渣的含碳量,％；
5.2.5求解第5.2.4条所列方程组，可获得入炉煤低位热值Qar与收到基各元素 成分。
5.2.6计算锅炉效率，可参考GB10184-2015《电站锅炉性能试验规程》,其中的 飞灰含碳量、炉渣含碳量按第Step4计算所得。锅炉效率所用的煤质数据由第 5.2.3-5.2.5条计算。
5.2.7根据计算得到的锅炉效率回到第5.2.3条迭代计算煤质数据，直到第5.2.5条计算得到的煤质数据中的低位热值Qar与第5.2.3条计算所得低位热值Qar0的差 值小于某一值:
Figure BDA0003811856040000163
Step6实时碳排放量计算
6.1碳排放量计算公式
根据《企业温室气体排放核算方法与报告指南发电设施(2022年修订版)》一 文指出在计算发电企业碳排放特性时考虑的主要因素为化石燃料燃烧排放(Er), 其计算公式如下：
Er＝FCc×Car,c×OFC×44/12
其中：
Er为机组实时发电碳排放强度
FCC为机组燃煤的实时煤量，t/h
Car,c为燃煤元素分析中的收到基碳元素含量，％
OFC为燃煤的碳氧化率，％
44/12为CO2与C两种物质的相对分子质量之比
由于不同煤种的碳氧化率不一样，本文采用《温室气体排放核算与报告要求第 1部分：发电企业》(GB/T32151.1—2015)公式计算:
Figure BDA0003811856040000171
其中:
Glz为单位小时炉渣产量，t/h
Gfh为单位小时飞灰产量，t/h
Clz为炉渣含碳量，％
Cfh为飞灰含碳量，％
ηcc为除尘***平均除尘效率，％
其中Glz和Gfh的计算首先根据年度炉渣和飞灰产量(t)的统计值以及年度发 电量(MWh)的比值关系确定系数klz和kfh，实时计算则根据当前的发电机功率来 进行，计算公式如下图所示：
不同发电机功率的下的小时统计数据进行线性拟合后得到计算值，即：
Glz＝klz×Pe
Gfh＝kfh×Pe
Pe为发电机功率，MW
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效 的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明 的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，该方法用于准确监测各类掺配煤的煤电机组的实时碳排放数据，所述监测方法包括以下步骤：
步骤1、数据收集；
步骤2、数据清洗和预处理；
步骤3、机组稳定工况的判定；
步骤4、建立飞灰炉渣含碳量神经网络预测模型，通过软测量预测灰渣含量；
步骤5、建立煤质软测量模型；
步骤6、实时碳排放量计算。
2.根据权利要求1所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述步骤1具体包括：通过实时数据接口采集计算相关数据；
其中所述采集计算相关数据包括：
(a)、计算煤质水分涉及的数据，包括各台磨煤机实时出力、入口风量、功率、进出口风温和环境温度；
(b)、计算实时锅炉效率所需的省煤器出口氧量、排烟温度和漏风率；
(c)、计算煤质热值涉及的数据,包括主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水压力，主给水温度、冷再流量、再热蒸汽热端压力、再热蒸汽热端温度、再热蒸汽冷端压力、再热蒸汽冷端温度、再热器减温水量、再热器减温水压力、再热器减温水温度，过热器减温喷水量、过热器减温喷水压力、过热器减温喷水温度、锅炉燃煤实时消耗量和机组当前负荷；
(d)、飞灰含碳量预测模型所需机组运行数据，包括燃煤低位发热量、燃煤水分、燃煤灰分、各台磨煤机煤量、一次风量、出口风温、主给水流量、空预器入口烟气温度、总一次风量、总二次风量、总风量和SCR进口氧量。
3.根据权利要求1所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的步骤2具体包括以下步骤：
步骤2.1、插值：对于数据缺失的情况，需要根据已经设定的目标值或者历史最优值对缺失值进行插值处理，并将目标值或者历史最优值***到数据缺失的测点的对应属性上；
步骤2.2、重复数据检查：通过约定的重复数据判定原则，直接判定采集的数据是否重复，如果为重复数据则直接丢弃重复数据；
步骤2.3、量程检查：直接进行运行参数上下限判断，超过上下限范围的判断为坏点；
步骤2.4、精度检查：确定运行参数的基准曲线，并以此为标准对实际参数进行判别，数据精度不符合实际运行工况的测点值判定该测点为坏点；
步骤2.5、参数辨识：建立参数的正常状态矩阵模型，当模型输入实际的运行参数时，以正常状态矩阵为基础，找到实际数据与正常数据的相关程度，以此对实际运行数据的正常期望值进行参数辨识。
4.根据权利要求1所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的步骤3中通过移动平均求方差的方法来判定稳定工况，具体包括：
Figure FDA0003811856030000021
Figure FDA0003811856030000022
Figure FDA0003811856030000023
其中,P1,...,P10表示至当前工况下频率间隔为1分钟的前10分钟的机组功率值，Fc1,...,Fc10表示至当前工况下频率间隔为1分钟的前10分钟总煤量值，因此Pavg表示前10十分钟机组功率的平均值，Fcavg表示前10十分钟总煤量的平均值，σP表示稳定工况下机组功率允许的平方差，σFc表示稳定工况下总煤量允许的平方差；在式3-2、式3-3同时满足的情况下通过将当前工况下符合采集要求的前10之分钟运行数据求平均后，再在计算模型中进行数值计算，避免了计算过程中由于负荷或者煤量变化大而引起计算结果偏差大的情况。
5.根据权利要求1所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的步骤4为采用深度神经网络算法进行灰渣平均含碳量的预测建模和在线预测，根据部分训练集数据进行损失函数值的计算。
6.根据权利要求5所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的深度神经网络算法的样本输入和输出变量如下表所示：
Figure FDA0003811856030000031
其中深度神经网络算法模型的网络结构为25-100-1，即49个输入节点，100个隐层节点，1个输出节点；求解权值和偏置的过程采用梯度下降算法，同时针对学习速率的自适应调整以及局部极值的问题采用Adam优化算法。
7.根据权利要求1所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的步骤5具体包括：
步骤5.1、基于磨煤机运行状态计算各台磨煤机的收到基水分；
步骤5.2、入炉煤低位发热量和元素分析监测。
8.根据权利要求7所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的步骤5.1具体为：
进入磨煤机的热量包括：干燥剂的物理热qgz、漏入冷空气的物理热qlf、研磨部件产生的热量qnm和原煤的物理热qr；流出磨煤机的热量包括：蒸发水分消耗的热量qz、加热燃料消耗的热量qjr、干燥剂带出***的热量q2和磨煤机的散热损失q5，根据能量守恒原理，进入磨煤机的热量和流出磨煤机的热量相等，即：
qgz+qlf+qnm+qr＝qz+qjr+q2+q5； (5-1)
将式5-1展开，整理得：
Figure FDA0003811856030000042
其中：
mm为磨煤机实时出力；mf为磨煤机入口风量；W为磨煤机消耗的功率；t1为进口一次风温；t2为磨煤机出口风温；tA为环境温度；C1为磨进口干燥剂的质量比热；C2为磨出口干燥剂的质量比热；Crd为煤的干燥基比热；Clk为冷风的质量比热；Klf为磨煤机的漏风系数；R90为煤粉细度；Q5为制粉***的总散热损失；Knm为磨功率转化为热量的系数；
上述公式中Mar为方程左右两边唯一的一个未知数，通过假设Mar0不断使得方程左右两边的值不断逼近，最终计算得到磨煤机各台磨煤机的收到基水分Mar。
9.根据权利要求7所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的步骤5.2具体为：
步骤5.2.1、工质在锅炉中的总吸热量为：
Qboiler＝Gms(hms-hfw)+Grc(hrh-hrc)+Grj(hrh-hrj)+Gsj(hms-hsj)
式中Gms为主蒸汽流量，hms为主蒸汽焓，hfw为主给水热焓，Grc为冷再流量，hrh为再热蒸汽热端焓，hrc为再热蒸汽冷端焓，Grj为再热器减温水量，hrj为再热器减温水焓，Gsj为过热器减温喷水量，hsj为过热器减温喷水焓；
步骤5.2.2、设置初始锅炉效率η0；
步骤5.2.3、此时计算锅炉入炉煤低位热值初值Qar0：
Figure FDA0003811856030000051
式中，
Gcoal为锅炉的入炉煤量，对于直吹式制粉***，它是所有运行的磨煤机的煤量之和；
步骤5.2.4、根据物质平衡和煤燃烧化学分析原理，将煤燃烧生成的各种气体表示成干燥无灰基元素含量的方程：
Cdaf＝53.59γco2(VRO2,daf+VN2,daf+VO2,daf)+(1-γCO2)Xcucr
Sdaf＝142.86γso2(VRO2,daf+VN2,daf+VO2,daf)
Figure FDA0003811856030000052
Odaf＝k1Cdaf+k2
Ndaf＝k3Hdaf
Cdaf+Hdaf+Odaf+Ndaf+Sdaf＝100
VRO2,daf＝0.01866(Cdaf+0.375Sdaf)-0.01866Xcucr
Figure FDA0003811856030000053
Figure FDA0003811856030000054
Figure FDA0003811856030000055
Vgk,daf＝0.0889(Cdaf+0.375Sdaf)+0.265Har-0.0333Oar-0.0889Xcucr
Figure FDA0003811856030000061
Ccucr＝αfhCfh+αlzClz
Figure FDA0003811856030000062
Qar＝339Car+1028Har-109(Oar-Sar)-25Mar
式中：
k1、k2、k3为干燥无灰基成分相关系数，根据大量不同煤种拟合得到；Ccucr为渣中的平均未燃尽碳含量；γCO2、γSO2、γO2为排烟烟气中的气体容积份额；Cdaf、Hdaf、Odaf、Ndaf、Sdaf为煤的干燥无灰基元素成分；Car、Har、Oar、Nar、Sar为煤的收到基元素成分；VRO2,daf、VN2,daf、VO2,daf为以干燥基成分计算的各种标准气体量；α为过量空气系数；
Figure FDA0003811856030000063
为为空气中氧气的容积份额；Xcucr为燃尽碳损失的修正量；αfh，αlz为灰和炉渣的份额；Cfh，Clz为飞灰和炉渣的含碳量；
步骤5.2.5、求解步骤5.2.4中所列方程组，获得入炉煤低位热值Qar与收到基各元素成分；
步骤5.2.6、计算锅炉效率，其中的飞灰含碳量、炉渣含碳量按步骤4计算所得；锅炉效率所用的煤质数据由步骤5.2.3～步骤5.2.5中计算；
步骤5.2.7、根据计算得到的锅炉效率回到步骤5.2.3中迭代计算煤质数据，直到步骤5.2.5中计算得到的煤质数据中的低位热值Qar与步骤5.2.3中计算所得低位热值Qar0的差值小于某一值:
Figure FDA0003811856030000064
10.根据权利要求7所述的一种基于煤质软测量的煤电机组实时碳排放量监测方法，其特征在于，所述的步骤6具体包括：
计算公式如下：
Er＝FCc×Car,c×OFC×44/12
其中：
Er为机组实时发电碳排放强度；
FCC为机组燃煤的实时煤量；
Car,c为燃煤元素分析中的收到基碳元素含量；
OFC为燃煤的碳氧化率；
44/12为CO2与C两种物质的相对分子质量之比；
由于不同煤种的碳氧化率不一样，公式计算:
Figure FDA0003811856030000071
其中：
Glz为单位小时炉渣产量；
Gfh为单位小时飞灰产量；
Clz为炉渣含碳量；
Cfh为飞灰含碳量；
ηcc为除尘***平均除尘效率；
其中Glz和Gfh的计算首先根据年度炉渣和飞灰产量的统计值以及年度发电量的比值关系确定系数klz和kfh，实时计算则根据当前的发电机功率来进行，计算公式如下所示：
不同发电机功率的下的小时统计数据进行线性拟合后得到计算值，即：
Glz＝klz×Pe
Gfh＝kfh×Pe
其中Pe为发电机功率。
CN202211014212.6A 2022-08-23 2022-08-23 一种基于煤质软测量的煤电机组实时碳排放量监测方法 Pending CN115656461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211014212.6A CN115656461A (zh) 2022-08-23 2022-08-23 一种基于煤质软测量的煤电机组实时碳排放量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211014212.6A CN115656461A (zh) 2022-08-23 2022-08-23 一种基于煤质软测量的煤电机组实时碳排放量监测方法

Publications (1)

Publication Number Publication Date
CN115656461A true CN115656461A (zh) 2023-01-31

Family

ID=85024502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211014212.6A Pending CN115656461A (zh) 2022-08-23 2022-08-23 一种基于煤质软测量的煤电机组实时碳排放量监测方法

Country Status (1)

Country Link
CN (1) CN115656461A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151134A (zh) * 2023-04-23 2023-05-23 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种二氧化碳排放计量方法
CN118069978A (zh) * 2024-04-22 2024-05-24 江西江投能源技术研究有限公司 一种燃煤电厂二氧化碳排放量计算方法及***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151134A (zh) * 2023-04-23 2023-05-23 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种二氧化碳排放计量方法
CN116151134B (zh) * 2023-04-23 2023-07-18 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种二氧化碳排放计量方法
CN118069978A (zh) * 2024-04-22 2024-05-24 江西江投能源技术研究有限公司 一种燃煤电厂二氧化碳排放量计算方法及***

Similar Documents

Publication Publication Date Title
CN115656461A (zh) 一种基于煤质软测量的煤电机组实时碳排放量监测方法
CN1841422B (zh) 使用人工智能技术对发电厂的运行进行优化的方法和装置
WO2005083447A1 (fr) Procede et dispositif de controle en ligne pour un appareil de conversion de combustible fossile
CN103759277A (zh) 燃煤电站锅炉智能吹灰闭环控制方法、装置和***
CN110263452B (zh) 一种烟道内烟气时间分布特性分析方法、***及脱硝***
CN104008297A (zh) 煤粉与高炉煤气混烧锅炉的热效率计算方法
CN111695249B (zh) 一种燃气锅炉热效率的预测方法
CN103697946A (zh) 一种火电厂燃煤锅炉烟气流量的计算方法及污染物排放量的控制方法
CN109523180B (zh) 一种火电厂煤耗及供热在线监控***
CN106768068A (zh) 火电机组燃煤热值与发电标煤耗指标在线监测***与方法
CN111754093A (zh) 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
Srinivas et al. Efficiency of a coal fired boiler in a typical thermal power plant
CN107831651A (zh) 煤粉电站锅炉scr与sncr脱硝***协同控制方法
CN103679549A (zh) 火电机组节能潜力分析方法
CN103208035A (zh) 机组节能调度优化方法
CN104075341A (zh) 基于反馈的低氮燃烧控制方法和***
CN108197723B (zh) 煤电机组供电煤耗与污染物排放的优化节能调度方法
US7398652B1 (en) System for optimizing a combustion heating process
CN108021027B (zh) 一种超临界循环流化床机组输出功率预测***及方法
CN1771439B (zh) 化石燃料换能设备的在线监测方法
CN117350458A (zh) 一种基于在线监测的火电机组碳排放分析方法
Dong et al. Evaluation of TPGU using entropy-improved TOPSIS-GRA method in China
CN109655489B (zh) 一种燃煤机组标准煤耗的计量方法及装置
CN108875165B (zh) 基于运行数据的锅炉特性标定方法
CN116759005A (zh) 一种用于燃煤发电的碳排放量计算方法及***

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