Pour construire un modèle de prédiction des émissions de carbone des centrales électriques au charbon, en réponse au problème général du manque d’analyse élémentaire en temps réel du charbon d’entrée dans les unités au charbon, basé sur les informations qualité du charbon d’entrée d’une unité de plusieurs millions de kilowatts en 2023, en utilisant le pouvoir calorifique inférieur, la teneur en volatils et en soufre comme critères de classification de la qualité du charbon, une analyse de clustering a été réalisée avec l’algorithme K-means++. À travers une analyse de corrélation, les paramètres d’entrée du modèle de prédiction des émissions de carbone ont été sélectionnés. Basé sur un réseau de neurones BP optimisé par optimisation bayésienne, un modèle de prédiction des émissions de carbone a été construit respectivement pour chaque cluster après clustering, et testé dans des conditions de charge variable. Les résultats montrent que le modèle basé sur le clustering de qualité du charbon améliore significativement la précision de la prédiction des émissions de carbone. Par rapport au modèle non clustering, l’erreur quadratique moyenne et l’erreur relative moyenne ont été réduites respectivement d’environ 53,4 % et 49,2 %, en particulier sous des conditions de charge variable, les résultats de la prédiction sont précis. Cette méthode peut non seulement prédire efficacement les émissions de carbone des centrales à charbon, mais aussi maintenir une haute précision en présence d’une qualité de charbon complexe et variable.

prédiction des émissions de carbone;algorithme de clustering;optimisation bayésienne;réseau de neurones BP;qualité du charbon