近日，中國科學院廣州能源研究所能源戰略與碳資產研究中心汪鵬研究員課題組在電力系統碳排放監測領域取得新進展。

電力行業是人為碳排放的主要來源。當前，火力發電廠碳排放監測主要依賴于企業自主上報、安裝的排放監測設備，或基于太陽同步軌道衛星的稀疏觀測數據進行反演。上述方法普遍存在數據易被篡改、成本高昂、監測頻率受限等問題。為實現低成本、高頻率的連續監測，該研究提出了一種融合深度學習與自注意力機制的實時碳排放監測方法，首次基于高頻地球同步軌道衛星數據，實現了火力發電廠日尺度碳排放量與發電量的滾動協同監測，為電力行業碳排放監測提供了新路徑。

圖1 研究框架

研究以美國環保署（EPA）管理的火電廠為研究對象，采用GOES-16地球靜止衛星提供的多光譜遙感數據及火電廠相關靜態信息作為模型輸入，以火電廠日尺度的碳排放與發電量數據為預測目標，構建端到端的監測框架（圖1）。在算法設計上，模型融合了卷積神經網絡（CNN）、雙向長短期記憶網絡（BiLSTM）和特征與時間雙重注意力機制（圖2），顯著提升了模型測算的準確性與魯棒性。

圖2 碳排放監測模型架構

在模型評估方面，研究從個體（圖3），區域，國家三個空間尺度驗證了所提模型架構（CNN-BiLSTM-Attention）的性能優越性。以碳排放為例，模型在RMSE、MAPE、R2等關鍵指標上相比傳統方法平均提升10%-14%、5%-7%和16%-25%，在區域和國家尺度上亦展現出良好的測算準確性。

圖3 火電廠個體尺度碳排放評估

在模型擴展應用方面，研究首先利用完整衛星數據對EPA統計數據進行補充評估，發現火電廠碳排放和發電量數據存在約10%-25%的潛在記錄遺漏（圖4）。其次，通過誤差敏感性分析發現，季節因素和火電廠排放規模對模型預測精度有顯著影響（圖5）。此外，基于自注意力權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的波段數據，這些波段與大氣中的CO?濃度與水汽條件密切相關；同時模型對白天信息權重較高，在夜間則通過紅外波段數據進行有效補償（圖6）。

圖4 美國EPA記錄火電廠數據與模型測算的完整數據對比

圖5 模型監測誤差敏感性分析

圖6 模型的特征和時間自注意力權重分布

本研究開創性地將地球同步軌道衛星的高頻遙感數據引入火電廠碳排放與發電量的同步監測，為構建第三方高頻、低成本、廣覆蓋的碳排放監管體系提供了重要技術支撐。該方法可為政策制定者和能源監管機構提供實時碳強度評估工具，支撐電力系統碳配額動態調整與低碳調度策略優化。未來研究可進一步融合多源衛星數據與物理機制模型，提升模型的可解釋性與通用性，助力構建智能化、透明化的電力行業碳監測新路徑。

相關研究成果以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院戰略性先導科技專項課題以及海南電網“基于多變量機器學習的電-能-碳核算體系研究”資金項目的資助。

論文鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0360544225032128