华南理工大学学报(自然科学版)

作者：孙尊强, 田一淳, 苏楠, 郑成航, 张振, 杨宏旻, 高翔

单位：1.国电环境保护研究院有限公司，江苏 南京 2100312.北京低碳清洁能源研究院，北京 1022003.浙江大学 能源工程学院，浙江 杭州 3100274.南京师范大学 能源与机械工程学院，江苏 南京 210042

关键词：二氧化碳,碳计量,碳预测,排放因子法,机器学习

基金：国家重点研发计划项目(2022YFC3701504);国家能源集团科技项目(GJNY-23-82)

准确的CO2排放计量与动态预测对于推动我国“双碳”目标（碳达峰与碳中和）的实现至关重要。该文结合排放因子法、CO2-CEMS法和机器学习技术，提出了一种基于多源数据融合的CO2排放计量与预测方法，旨在为燃煤电厂提供一个高效且精确的碳排放监测工具。研究中通过对比不同方法的碳排放量计算结果，评估了不同机器学习算法的性能，并基于多源数据开发了一个动态预测模型。在国能集团有限公司河北某电厂1#和3#机组上的实验结果表明，排放因子法和CO2-CEMS法的CO2排放量计算相对偏差分别为1.63%和-1.27%，两种方法具有较好的互证性。对多种机器学习模型（如XGBoost、LightGBM、AdaBoost）的性能进行了对比，在决定系数（R²）和平均绝对百分比误差（MAPE）这两个常规评价指标之外，提出一个新的筛选标准——将已训练模型应用至其他机组得到的与实测值的均值偏差xc，将其用于机器学习算法的泛化能力评估及进一步筛选，发现AdaBoost算法在预测精度和稳定性方面表现最佳，并具有更好的泛化能力与鲁棒性。采用优选的AdaBoost算法进行CO2排放的动态预测，在训练集和测试集上的决定系数均大于0.99，MAPE低于2%，表明该算法具有很高的预测准确性和稳定性，并且具有极强的泛化能力和鲁棒性。该文提出的多源数据融合方法不仅有效克服了传统方法在动态变化中的局限性，还能根据实时数据进行小时级的CO2排放量精准预测。

来源：2025年第11期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2025年第11期