气候变化已成为各国进行政治、经济和文化博弈的重要议题。因温室效应引起的环境问题逐渐引起了人们的关注。为全面控制二氧化碳等温室气体的排放,以缓解气候变暖给人类经济和社会带来的不利影响,国际各国开始纷纷采取行动——约束排放和减少排放,共同为应对气候变化做出努力。控制减排的首要环节是了解当下二氧化碳排放情况。电力行业是二氧化碳主要排放行业之一,国际上虽然已经有大量关于燃煤电厂二氧化碳排放量计算的方法研究,但大多是依据各自国家的煤炭统计数据、电力设备运行状况等设计的。我国煤炭分布不均,质量参差不齐,其质量对于发电设备影响极大。而且,电力相关统计资料并不完善,电力运行工况与国外相比存在较大差异,若直接套用国际现有方法,必然会与真实值之间存在很大误差。由于国外的方法学理念较为完善,因此借鉴国外方法建立符合中国国情的燃煤电厂二氧化碳排放计算方法是一种省时省力又较准确的计算方法。本文深入探讨了我国煤炭质量情况及其对发电性能的影响。首先,我国煤炭分布情况及煤炭质量特征显示我国煤炭资源分布不均,地区间煤炭质量差异较大,且煤炭指标如灰分、硫分、挥发分等指标数据与国外指标存在显著差异。而且,煤炭资源分布与消费分布极不协调,江苏、浙江、山东、广东等需求量较高的地区煤炭资源却较为贫瘠,致使电煤供应成为制约电煤质量的一大因素；这些地区实际用煤质量波动较大,多不符合设计煤质要求。本文选择10家典型电厂作为主要研究对象,分别从煤炭发热量、灰分、硫分、水分等煤质指标入手,分析其对发电设备的影响,结果显示《IPCC指南》中的缺省系数无法直接应用于我国电厂二氧化碳排放计算中为了更准确的建立我国燃煤电厂二氧化碳排放量的计算方法,本文结合电厂设备运行理论,通过工业分析数据(全水分Mar、收到基灰分Aar、收到基挥发分Var、固定碳FCar四个数据)预测收到基含碳量Car,继而通过锅炉燃烧理论,得出燃煤发电过程和脱硫过程的计算公式。在工业分析数据预测收到基含碳量Car时,采用BP神经网络的非线性映射特征,利用Matlab建立可通过工业分析数据(全水分Mar、收到基灰分Aar、收到基挥发分Var、固定碳FCar)预测Car的神经网络模型。通过网络学习与优化,最终使得学习后的数据预测值的相对误差绝对值为0.602%,新数据预测结果的相对误差绝对值平均可降低至2.827%。为了验证上述计算方法的准确性,以江苏某发电厂为例,利用BP神经网络模型预测,收到基平均值Car的相对误差可降至0.24%,通过计算,该燃煤电厂固定源二氧化碳排放量为4.923×106t/n。利用《2006IPCC指南》中提供的缺省因子计算所得二氧化碳排放量为5.244×106t/n,高于电厂实际二氧化碳排放量6.5个百分点。