【儀表網(wǎng) 研發(fā)快訊】近日，中國科學(xué)院廣州能源研究所能源戰(zhàn)略與碳資產(chǎn)研究中心汪鵬研究員課題組在電力系統(tǒng)碳排放監(jiān)測領(lǐng)域取得新進(jìn)展。
 

　　電力行業(yè)是人為碳排放的主要來源。當(dāng)前，火力發(fā)電廠碳排放監(jiān)測主要依賴于企業(yè)自主上報(bào)、安裝的排放監(jiān)測設(shè)備，或基于太陽同步軌道衛(wèi)星的稀疏觀測數(shù)據(jù)進(jìn)行反演。上述方法普遍存在數(shù)據(jù)易被篡改、成本高昂、監(jiān)測頻率受限等問題。為實(shí)現(xiàn)低成本、高頻率的連續(xù)監(jiān)測，該研究提出了一種融合深度學(xué)習(xí)與自注意力機(jī)制的實(shí)時(shí)碳排放監(jiān)測方法，首次基于高頻地球同步軌道衛(wèi)星數(shù)據(jù)，實(shí)現(xiàn)了火力發(fā)電廠日尺度碳排放量與發(fā)電量的滾動協(xié)同監(jiān)測，為電力行業(yè)碳排放監(jiān)測提供了新路徑。
 

圖1 研究框架
 

　　研究以美國環(huán)保署(EPA)管理的火電廠為研究對象，采用GOES-16地球靜止衛(wèi)星提供的多光譜遙感數(shù)據(jù)及火電廠相關(guān)靜態(tài)信息作為模型輸入，以火電廠日尺度的碳排放與發(fā)電量數(shù)據(jù)為預(yù)測目標(biāo)，構(gòu)建端到端的監(jiān)測框架(圖1)。在算法設(shè)計(jì)上，模型融合了卷積神經(jīng)網(wǎng)絡(luò)(CNN)、雙向長短期記憶網(wǎng)絡(luò)(BiLSTM)和特征與時(shí)間雙重注意力機(jī)制(圖2)，顯著提升了模型測算的準(zhǔn)確性與魯棒性。
 

圖2 碳排放監(jiān)測模型架構(gòu)
 

　　在模型評估方面，研究從個(gè)體(圖3)，區(qū)域，國家三個(gè)空間尺度驗(yàn)證了所提模型架構(gòu)(CNN-BiLSTM-Attention)的性能優(yōu)越性。以碳排放為例，模型在RMSE、MAPE、R²等關(guān)鍵指標(biāo)上相比傳統(tǒng)方法平均提升10%-14%、5%-7%和16%-25%，在區(qū)域和國家尺度上亦展現(xiàn)出良好的測算準(zhǔn)確性。
 

圖3 火電廠個(gè)體尺度碳排放評估
 

　　在模型擴(kuò)展應(yīng)用方面，研究首先利用完整衛(wèi)星數(shù)據(jù)對EPA統(tǒng)計(jì)數(shù)據(jù)進(jìn)行補(bǔ)充評估，發(fā)現(xiàn)火電廠碳排放和發(fā)電量數(shù)據(jù)存在約10%-25%的潛在記錄遺漏(圖4)。其次，通過誤差敏感性分析發(fā)現(xiàn)，季節(jié)因素和火電廠排放規(guī)模對模型預(yù)測精度有顯著影響(圖5)。此外，基于自注意力權(quán)重開展的模型可解釋性分析表明，模型高度依賴編號為5、7、8和10的波段數(shù)據(jù)，這些波段與大氣中的CO?濃度與水汽條件密切相關(guān)；同時(shí)模型對白天信息權(quán)重較高，在夜間則通過紅外波段數(shù)據(jù)進(jìn)行有效補(bǔ)償(圖6)。
 

圖4 美國EPA記錄火電廠數(shù)據(jù)與模型測算的完整數(shù)據(jù)對比
 

圖5 模型監(jiān)測誤差敏感性分析
 

圖6 模型的特征和時(shí)間自注意力權(quán)重分布
 

　　本研究開創(chuàng)性地將地球同步軌道衛(wèi)星的高頻遙感數(shù)據(jù)引入火電廠碳排放與發(fā)電量的同步監(jiān)測，為構(gòu)建第三方高頻、低成本、廣覆蓋的碳排放監(jiān)管體系提供了重要技術(shù)支撐。該方法可為政策制定者和能源監(jiān)管機(jī)構(gòu)提供實(shí)時(shí)碳強(qiáng)度評估工具，支撐電力系統(tǒng)碳配額動態(tài)調(diào)整與低碳調(diào)度策略優(yōu)化。未來研究可進(jìn)一步融合多源衛(wèi)星數(shù)據(jù)與物理機(jī)制模型，提升模型的可解釋性與通用性，助力構(gòu)建智能化、透明化的電力行業(yè)碳監(jiān)測新路徑。
 

　　相關(guān)研究成果以Real-time monitoring of daily carbon emissions and electricity generation from fossil fuel power plants using geostationary satellite band data and deep learning techniques為題發(fā)表于Energy期刊，博士研究生莫海華為第一作者，汪鵬研究員為通訊作者。研究得到了中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)課題以及海南電網(wǎng)“基于多變量機(jī)器學(xué)習(xí)的電-能-碳核算體系研究”資金項(xiàng)目的資助。