基于机器学习的燃煤电厂碳排放研究进展
卢志民
叶建威
刘泽明
黄仁龙
林玥
姚顺春
华南理工大学 电力学院,广东 广州 510641;广东省能源高效清洁利用重点实验室,广东 广州 510641;广东省能源高效低污染转化工程技术中心,广东 广州 510641
摘要：燃煤电厂是全球能源供应的重要组成,同时也是二氧化碳等温室气体的主要排放源,对气候变化产生了深远影响.精准量化燃煤电厂的发电碳排放,是实现"双碳"目标的关键技术挑战,只有通过可靠的排放量化方法,才能准确掌握排放底数,制定有效的减排路径.近年来,机器学习技术凭借强大的数据建模与预测能力,为这一难题提供了新的解决路径.为此,简要概述了机器学习技术的发展历史与分类,并系统综述了机器学习技术在燃煤电厂碳排放研究中的应用进展与前沿方向.首先,针对传统核算法实时性不足和连续监测系统(Continuous Emission Monitoring Systems,CEMS)成本高、覆盖低的局限性,探讨了预测性排放监测系统(Predictive Emission Monitoring System,PEMS)如何通过机器学习实现碳排放的实时预测与数据修复.其次,分析了基于电力大数据与机器学习技术的电-碳模型,探讨了非侵入式负载监测(Non-Intrusive Load Monitoring,NILM)在多设备精细化碳排放分解的应用潜力,显著提升了排放来源的可解释性.最后,融合卫星遥感与机器学习,实现了燃煤电厂CO2 排放的广域反演与异常值重建,实证了卫星监测与地面清单的互补性.相关研究表明:机器学习通过多维技术融合(PEMS-电-碳模型-卫星遥感)推动了碳排放监测向实时化、智能化发展,但仍面临模型泛化性及可解释性等挑战.未来需强化物理模型与数据驱动的协同创新,构建"空-天-地"一体化监测体系,为全球燃煤电厂的低碳转型提供技术支撑.
关键词：机器学习燃煤电厂碳排放预测性排放监测系统电-碳模型卫星遥感
分类号：X701(一般性问题)TK114(热能、热力工程)
资助基金：国家重点研发计划(2024YFC3909002)国家重点研发计划(2024YFC3909004-02)广州市科技菁英领航资助项目(2024A04J4486)
论文发表日期：2025-10-31
在线出版日期：2025-11-20（本平台首次上网日期，不代表文献的发表时间）
页数：13( 87-99 )
英文信息