Um ein Prognosemodell für die Kohlenstoffemissionen von Kohlekraftwerken zu erstellen und dem verbreiteten Problem des Fehlens einer Echtzeitanalyse der Kohlelemente im Feuerraum der Kohleeinheiten entgegenzuwirken, basierend auf den Brennstoffeigenschaften einer Megawatt-Einheit im Jahr 2023, wurden Heizwert, Flüchtige Bestandteile und Schwefelgehalt als Kriterien zur Kohlequalitätsklassifizierung verwendet. Mit dem K-means++-Algorithmus wurde eine Clusteranalyse durchgeführt. Durch Korrelationsanalyse wurden Eingabeparameter für das Prognosemodell der Kohlenstoffemissionen ausgewählt. Basierend auf einem BP-Neuronalen Netzwerk mit Bayesscher Optimierung wurde für jeden Cluster ein separates Prognosemodell für die Kohlenstoffemissionen erstellt und für Laständerungsbedingungen getestet. Die Ergebnisse zeigen, dass das Modell nach der Kohlequalitäts-Clusterbildung die Genauigkeit der Kohlenstoffemissionsvorhersage signifikant verbessert, mit einer Reduktion des mittleren quadratischen Fehlers und des mittleren relativen Fehlers um etwa 53,4 % bzw. 49,2 % im Vergleich zum Modell ohne Clusterbildung, insbesondere bei variabler Last sind die Vorhersagen genau. Diese Methode kann nicht nur die Kohlenstoffemissionen von Kohlekraftwerken effektiv vorhersagen, sondern behält auch bei komplexer und variabler Kohlequalität eine hohe Genauigkeit bei.

Kohlenstoffemissionsprognose;Clustering-Algorithmus;Bayessche Optimierung;BP-Neuronales Netzwerk;Kohlequalität