Para construir un modelo de predicción de emisiones de carbono en centrales térmicas de carbón, ante la falta común de análisis en tiempo real de los elementos del carbón que entra a la caldera en las unidades de carbón, basado en la información de calidad del carbón de una unidad de un millón de kilovatios en 2023, utilizando el poder calorífico inferior, el contenido de volátiles y de azufre como criterios para clasificar la calidad del carbón, se realizó un análisis de clustering utilizando el algoritmo K-means++. A través del análisis de correlación se seleccionaron los parámetros de entrada del modelo de predicción de emisiones de carbono. Basado en una red neuronal BP optimizada con optimización bayesiana, se construyeron modelos de predicción de emisiones de carbono para cada grupo tras el clustering, y se probaron modelos bajo condiciones de variación de carga. Los resultados muestran que el modelo tras el clustering de calidad del carbón mejora significativamente la precisión en la predicción de las emisiones de carbono. En comparación con el modelo sin clustering, el error cuadrático medio y el error relativo medio disminuyeron aproximadamente un 53,4% y un 49,2% respectivamente, especialmente bajo condiciones de carga variable, los resultados de la predicción fueron precisos. Este método no solo puede predecir eficazmente las emisiones de carbono en centrales de carbón, sino que también mantiene una alta precisión bajo condiciones de calidad de carbón compleja y variable.

predicción de emisiones de carbono;algoritmo de clustering;optimización bayesiana;red neuronal BP;calidad del carbón