一种基于火电机组实时碳排放监测的配煤掺烧优化决策方法与流程

1.本发明涉及燃煤电厂环保监测技术领域，尤其涉及基于火电机组实时碳排放监测的配煤掺烧优化决策方法。


背景技术：

2.目前电力生产主要以煤为主，近年来由于电煤供需矛盾原因曾导致“煤荒”的出现，使得大部分燃煤火力发电厂的煤质发生不稳定现象，导致发电机组的煤耗增大、发电效率降低、污染物排放超标等，影响了机组的安全、文明、经济、环保运行。
3.除此之外火电厂参与碳交易后，超额的碳排放将产生成本。火电厂使用不同煤质的燃煤，产生不同的经济效应与环境效应。煤质较差的燃煤虽然成本较低，但是会导致锅炉效率下降、发电煤耗率上升；煤质好的燃煤虽然成本更高，但是能提高锅炉效率、降低发电煤耗率。
4.配煤掺烧是发电企业降本增效、提高核心竞争力的重要举措，又是解决机组燃煤紧张且煤种多变、运行性能欠佳的有效方法。
5.本发明考虑多种燃煤的品质与碳排放量，结合碳排放实时监测数据，以及实时的碳交易价格，建立火电机组配煤掺烧优化决策方法。


技术实现要素：

6.本发明提供了基于火电机组实时碳排放监测的配煤掺烧优化决策方法。
7.为解决上述问题，本发明所采取的技术方案如下：
8.所述基于火电机组实时碳排放监测的配煤掺烧优化决策方法，包括以下步骤：
9.步骤一：对燃煤火电机组实时碳排放数据进行采集；
10.步骤二：预测燃煤火电机组当天的碳排放量；
11.步骤三：构建神经网络算法；
12.步骤四：对碳排放权交易市场的碳价进行实时数据采集；
13.步骤五：对采集的燃煤火电机组实时碳排放数据、预测燃煤火电机组当天的碳排放量数据和碳排放权交易市场的碳价的实时数据进行存储、分类及实时更新；
14.步骤六：将分类后的数据通过神经网络算法进行优化，并得出优化结果；
15.步骤七：通过优化结果进行燃煤火电机组配煤掺烧方案。
16.进一步的，在所述步骤一中，所述对燃煤火电机组实时碳排放数据进行采集的方法如下：
17.从燃煤火电机组的烟气排放烟囱中采集数据，包括：采用二氧化碳分析设备所分析出的 co2气体的体积浓度，碳排放浓度计算公式为：
[0018][0019]
式中：x为co2浓度换算值，单位mg/nm3；c为co2浓度测量值，单位ppm；m为co2的分子
量；t为净烟气温度，单位℃；p为净烟气压力，单位pa；
[0020]
碳排放量计算公式为：
[0021][0022]
式中：mc为时间t内co2累计排放量，单位t；x为co2浓度换算值，单位mg/nm3；f 为净烟气流量，单位nm3/h；
[0023]
根据以上方法计算一天内的碳排放量；
[0024]
基于n天碳排放监测数据得到n天的碳排放量：e
i
，i为观测的第i天，n的数值不小于 50。
[0025]
进一步的，在所述所述对燃煤火电机组实时碳排放数据进行采集的方法，需要针对火力发电厂所具有的所有煤炭种类，随机采集样品进行物理化学实验采集得到煤炭数据，包括各个煤种的热值u
i
，单位为gj/t、二氧化碳排放因子cc
i
，单位为tco2/gj、含硫量s
i
、水分h
i
指标，以及每天用量x
i
，单位为t和单价指标q
i
，单位为元/t。
[0026]
进一步的，在步骤三中，所述构建神经网络算法，具体如下：
[0027]
输入不同煤种的参数与某一天用量，预测燃煤火电机组当天的碳排放量：
[0028]
模型建立：
[0029]
神经网络模型由输入层、隐层、输出层组成，采用s型传递函数：
[0030][0031]
反传误差函数：
[0032][0033]
网络结构设计：
[0034]
所述输入层，将不同品种煤炭用量、热值、二氧化碳排放因子、单位热值含碳量、含硫量，每多一种煤炭参与配煤掺烧就增加5层输入层，隐含层个数设置：
[0035][0036]
m为输入层个数，n为输出层个数，a为常数，且1≤a≤10；
[0037]
输出层为碳排放量；
[0038]
模型实现：
[0039]
采用s型正切函数tansig作为隐层神经元的激励函数，网络的输出归一到[
‑
1,1]范围内, 因此预测模型选取s型对数函数tansig作为输出层神经元的激励函数；
[0040]
将训练样本数据归一化后输入网络,采用网络隐层和输出层激励函数分别为tansig和 logsig函数,网络训练函数为traingdx,网络性能函数为mse,设置隐层神经元数、网络参数、网络迭代次数期望误差、学习速率，之后开始训练网络，在开始输入之前，对输入的各种煤炭的参数以及用量进行归一化处理，最后得到的值在[
‑
1,1]之间的值，所以为了还原以前的值，采用postmnmx()函数进行处理，得到碳排放量c，单位为t。
[0041]
进一步的，所述步骤四中，所述对碳排放权交易市场的碳价进行实时数据采集的方法如下：
[0042]
计算燃煤火电机组每天的碳排放成本，对全国碳排放权交易市场的碳价进行实时数据采集的装置，在碳交易平台上获取过去1天的碳价；
[0043]
情况一：火力发电机组碳排放配额为k，单位为t，该火电机组已用完，即碳排放配额k ≤0，则碳排放成本由排放量乘以碳价得到；
[0044]
情况二：该火电机组尚未用完碳排放配额k＞0，则碳排放成本由排放量乘以前一履约周期内的平均单位碳排放成本得到；
[0045]
碳排放成本计算公式：
[0046][0047]
碳排放成本为p，单位为元，若火电机组为情况一时则代入公式(1)，p
c1
为当前碳价，单位为元/t，若火电机组为情况二时则代入公式(2)，p
c2
为前一履约期的平均单位碳排放成本，单位为元/t。
[0048]
进一步的，在步骤六中，所述将分类后的数据通过神经网络算法进行优化，并得出优化结果的具体方法如下：
[0049]
给定初始的配煤掺烧状态，不同的掺烧方式所产生的碳排放量由神经网络算法得到，火电机组发电产生的碳排放、碳排放成本、改变配煤掺烧状态，不同煤种的比例，穷举所有的可能，然后取效益最大值，优化目标：
[0050]
maxw＝发电受益—碳排放成本—购煤成本
[0051][0052]
约束条件：
[0053][0054]
s
i
＜s
max
[0055]
h
i
＜h
max
；
[0056]
i为发电收益，单位为元，p为碳排放成本，x
i
为参与配煤掺烧煤炭使用量，单位为t， q
i
为对应煤炭购置价格，单位为元/t，cal
min
为火力发电机组每日最低燃烧发热量，单位为gj；
[0057]
参与配煤掺烧煤炭使用量x
i
为决策变量，通过模型计算得到各煤炭品种配煤掺烧最佳数量，并且进行煤种组合，改变配煤掺烧状态，重复执行优化模型，得到所有的配煤掺烧状态下的最大综合效益，对应的决策变量给出了配煤掺烧结果。
[0058]
进一步的，在步骤七中，所述通过优化结果进行燃煤火电机组配煤掺烧方案，具体如下：
[0059]
在所述优化结果显示综合效益最大化目标下，第二天用于燃煤火电机组配煤掺烧方案，传导给配煤控制装置实现配煤掺烧功能，并且将第二天的优化结果作为第三天优化的初始状态，将第二天的配煤比例与碳排放监测结果，纳入所述神经网络算法中，并进行更新数据。
[0060]
本发明与现有技术相比较，本发明的有益效果如下：
[0061]
本发明基于火电机组实时碳排放监测的配煤掺烧优化决策方法，建立了火电机组配煤掺烧优化决策方法，结合火力发电厂实施排放数据以及实时碳交易价格，能够容易获取最佳配煤掺烧煤种组合的方法，通过本方法使企业获得最大综合效益，并且能够节约大量能源，节约大量成本。
附图说明
[0062]
图1为本发明基于火电机组实时碳排放监测的配煤掺烧优化决策方法的流程图。
具体实施方式
[0063]
下面将结合具体的实施方式来说明本发明的内容，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的组件或具有相同或类似功能的组件。
[0064]
请参阅图1，图1为本发明基于火电机组实时碳排放监测的配煤掺烧优化决策方法的流程图。
[0065]
所述基于火电机组实时碳排放监测的配煤掺烧优化决策方法，包括以下步骤：
[0066]
步骤一：对燃煤火电机组实时碳排放数据进行采集；
[0067]
所述对燃煤火电机组实时碳排放数据进行采集的方法如下：
[0068]
从燃煤火电机组的烟气排放烟囱中采集数据，包括：采用二氧化碳分析设备所分析出的 co2气体的体积浓度，碳排放浓度计算公式为：
[0069][0070]
式中：x为co2浓度换算值，单位mg/nm3；c为co2浓度测量值，单位ppm；m为co2的分子量；t为净烟气温度，单位℃；p为净烟气压力，单位pa；
[0071]
碳排放量计算公式为：
[0072][0073]
式中：mc为时间t内co2累计排放量，单位t；x为co2浓度换算值，单位mg/nm3；f 为净烟气流量，单位nm3/h；
[0074]
根据以上方法计算一天内的碳排放量；
[0075]
基于n天碳排放监测数据得到n天的碳排放量：e
i
，i为观测的第i天，n的数值不小于 50。
[0076]
步骤二：预测燃煤火电机组当天的碳排放量；
[0077]
所述对燃煤火电机组实时碳排放数据进行采集的方法，需要针对火力发电厂所具有的所有煤炭种类，随机采集样品进行物理化学实验采集得到煤炭数据，包括各个煤种的热值u
i
，单位为gj/t、二氧化碳排放因子cc
i
，单位为tco2/gj、含硫量s
i
、水分h
i
指标，以及每天用量x
i
，单位为t和单价指标q
i
，单位为元/t。
[0078]
步骤三：构建神经网络算法；
[0079]
具体如下：
[0080]
输入不同煤种的参数与某一天用量，预测燃煤火电机组当天的碳排放量：
[0081]
模型建立：
[0082]
神经网络模型由输入层、隐层、输出层组成，采用s型传递函数：
[0083][0084]
反传误差函数：
[0085][0086]
网络结构设计：
[0087]
所述输入层，将不同品种煤炭用量、热值、二氧化碳排放因子、单位热值含碳量、含硫量，每多一种煤炭参与配煤掺烧就增加5层输入层，隐含层个数设置：
[0088][0089]
m为输入层个数，n为输出层个数，a为常数，且1≤a≤10；
[0090]
输出层为碳排放量；
[0091]
模型实现：
[0092]
采用s型正切函数tansig作为隐层神经元的激励函数，网络的输出归一到[
‑
1,1]范围内, 因此预测模型选取s型对数函数tansig作为输出层神经元的激励函数；
[0093]
将训练样本数据归一化后输入网络,采用网络隐层和输出层激励函数分别为tansig和 logsig函数,网络训练函数为traingdx,网络性能函数为mse,设置隐层神经元数、网络参数、网络迭代次数期望误差、学习速率，之后开始训练网络，在开始输入之前，对输入的各种煤炭的参数以及用量进行归一化处理，最后得到的值在[
‑
1,1]之间的值，所以为了还原以前的值，采用postmnmx()函数进行处理，得到碳排放量c，单位为t。
[0094]
步骤四：对碳排放权交易市场的碳价进行实时数据采集；
[0095]
所述对碳排放权交易市场的碳价进行实时数据采集的方法如下：
[0096]
计算燃煤火电机组每天的碳排放成本，对全国碳排放权交易市场的碳价进行实时数据采集的装置，在碳交易平台上获取过去1天的碳价；
[0097]
情况一：火力发电机组碳排放配额为k，单位为t，该火电机组已用完，即碳排放配额k ≤0，则碳排放成本由排放量乘以碳价得到；
[0098]
情况二：该火电机组尚未用完碳排放配额k＞0，则碳排放成本由排放量乘以前一履约周期内的平均单位碳排放成本得到；
[0099]
碳排放成本计算公式：
[0100][0101]
碳排放成本为p，单位为元，若火电机组为情况一时则代入公式(1)，p
c1
为当前碳价，单位为元/t，若火电机组为情况二时则代入公式(2)，p
c2
为前一履约期的平均单位碳排放成本，单位为元/t。
[0102]
步骤五：对采集的燃煤火电机组实时碳排放数据、预测燃煤火电机组当天的碳排
放量数据和碳排放权交易市场的碳价的实时数据进行存储、分类及实时更新。
[0103]
步骤六：将分类后的数据通过神经网络算法进行优化，并得出优化结果；
[0104]
所述将分类后的数据通过神经网络算法进行优化，并得出优化结果的具体方法如下：
[0105]
给定初始的配煤掺烧状态，不同的掺烧方式所产生的碳排放量由神经网络算法得到，火电机组发电产生的碳排放、碳排放成本、改变配煤掺烧状态，不同煤种的比例，穷举所有的可能，然后取效益最大值，优化目标：
[0106]
maxw＝发电受益—碳排放成本—购煤成本
[0107][0108]
约束条件：
[0109][0110]
s
i
＜s
max
[0111]
h
i
＜h
max
；
[0112]
i为发电收益，单位为元，p为碳排放成本，x
i
为参与配煤掺烧煤炭使用量，单位为 t，q
i
为对应煤炭购置价格，单位为元/t，cal
min
为火力发电机组每日最低燃烧发热量，单位为gj；
[0113]
参与配煤掺烧煤炭使用量x
i
为决策变量，通过模型计算得到各煤炭品种配煤掺烧最佳数量，并且进行煤种组合，改变配煤掺烧状态，重复执行优化模型，得到所有的配煤掺烧状态下的最大综合效益，对应的决策变量给出了配煤掺烧结果。
[0114]
步骤七：通过优化结果进行燃煤火电机组配煤掺烧方案；
[0115]
具体如下：
[0116]
在所述优化结果显示综合效益最大化目标下，第二天用于燃煤火电机组配煤掺烧方案，传导给配煤控制装置实现配煤掺烧功能，并且将第二天的优化结果作为第三天优化的初始状态，将第二天的配煤比例与碳排放监测结果，纳入所述神经网络算法中，并进行更新数据。
[0117]
实施例：
[0118]
某火力发电厂根据所述对燃煤火电机组实时碳排放数据进行采集的装置，从燃煤火电机组的烟气排放烟囱中采集相关数据以及所述的基于火电机组实时碳排放监测的配煤掺烧优化决策方法，针对火力发电厂所具有的所有煤炭种类，监测获得前14天火力发电厂碳排放量、火力发电厂所用煤炭种类、用量和对应相关化学物理数据。如表1所示。
[0119]
表1火力发电厂前14天碳排放以及用煤各参数指标
[0120][0121][0122]
第十五天火力发电厂所用煤炭种类、用量和对应相关化学物理数据。如表2所示。
[0123]
表2第十五天火力发电厂煤炭使用数据
[0124]
煤炭品种热值(gj/t)单位热值含碳量(tc/gj)含硫量(％)单价(元/t)131.440.002900.791650221.030.002631.671050313.220.002362.17750
[0125]
在不超过火力发电厂成本阈值与保证发电量的前提下，确定多个掺烧比，待选的掺烧比如表3所示。
[0126]
表3待选配煤掺烧比例
[0127] 比例1比例2比例3比例4比例5比例6比例7比例8煤炭126002400280024002200240032002600煤炭222002000200022002400240018002000煤炭312001600120014001200120010001400
[0128]
这时火力机组已用完碳排放配额。根据所述全国碳排放权交易市场的碳价进行实时数据采集装置，在碳交易平台上获取过去1天的碳价为50元/t。火力发电厂前一天收益为800万元。火力发电机组每日最低燃烧发热量为131380gj。
[0129]
将表1、表2、表3数据通过神经网络算法，输出得到不同配煤掺烧，火力发电厂的碳排放数据。由于神经网络算法在计算时初始化的权值与阈值都是随机的，所以每次的结果都不一样，针对这种现象，我们针对每种预选配烧比进行5次神经网络计算，结果如表4所示。
[0130]
表4：各配烧比碳排放量
[0131][0132][0133]
根据平均碳排放求得各配烧比所得综合收益，结果如表5所示。
[0134]
表5各配烧比所得综合收益
[0135] 比例1比例2比例3比例4比例5比例6比例7比例8综合收益(元)4300086633573078516042888704625383663294478312
[0136]
根据表5可知收益最大为配煤掺烧比例5，即第十五天的配煤掺烧煤炭1、煤炭2、煤炭 3所用数量为2400t、2400t、1200t，预计综合收益为870462元。完全燃烧发热量为141792gj，大于火电机组最低要求发热量，符合要求。将配煤掺烧比例5输出到配煤控制装置，实现配煤掺烧功能。
[0137]
本发明与现有技术相比较，本发明的有益效果如下：
[0138]
本发明基于火电机组实时碳排放监测的配煤掺烧优化决策方法，建立了火电机组配煤掺烧优化决策方法，结合火力发电厂实施排放数据以及实时碳交易价格，能够容易获取最佳配煤掺烧煤种组合的方法，通过本方法使企业获得最大综合效益，并且能够节约大量能源，节约大量成本。
[0139]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。