Para construir um modelo de previsão de emissões de carbono em usinas termelétricas a carvão, considerando a falta generalizada de análise em tempo real dos elementos do carvão na entrada do forno nas unidades a carvão, com base nas informações da qualidade do carvão de uma unidade de um milhão de quilowatts em 2023, utilizou-se o poder calorífico inferior, o teor de voláteis e o teor de enxofre como critérios para a classificação da qualidade do carvão. Foi realizada uma análise de agrupamento usando o algoritmo K-means++. Por meio de análise de correlação, foram selecionados os parâmetros de entrada do modelo de previsão de emissões de carbono. Com base em uma rede neural BP otimizada por otimização Bayesiana, foram construídos modelos de previsão de emissões de carbono para cada grupo pós-agrupamento, e o modelo foi testado em condições de variação de carga. Os resultados mostram que o modelo após o agrupamento da qualidade do carvão melhorou significativamente a precisão da previsão das emissões de carbono, reduzindo o erro médio quadrático e o erro relativo médio em cerca de 53,4% e 49,2%, respectivamente, em comparação com o modelo sem agrupamento, especialmente sob condições de carga variável, mostrando previsões mais precisas. Este método não só pode prever efetivamente as emissões de carbono das usinas a carvão, mas também manter alta precisão em condições de qualidade de carvão complexa e variável.

previsão de emissões de carbono;algoritmo de agrupamento;otimização Bayesiana;rede neural BP;qualidade do carvão