基于多源数据及机器学习的电厂CO2排放计量与预测

doi:10.12141/j.issn.1000-565X.250086

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (11): 52-61.doi: 10.12141/j.issn.1000-565X.250086

基于多源数据及机器学习的电厂CO₂排放计量与预测

孙尊强¹, 田一淳², 苏楠², 郑成航³, 张振⁴, 杨宏旻⁴, 高翔³

^1.国电环境保护研究院有限公司，江苏南京 210031
^2.北京低碳清洁能源研究院，北京 102200
^3.浙江大学能源工程学院，浙江杭州 310027
^4.南京师范大学能源与机械工程学院，江苏南京 210042

收稿日期:2025-03-31 出版日期:2025-11-25 发布日期:2025-07-01
通信作者: 杨宏旻（1972—），男，教授，博士生导师，主要从事能源高效清洁利用研究。 E-mail:yanghongmin@njnu.edu.cn
作者简介:孙尊强（1982—），男，博士生，高级工程师，主要从事电力环境保护设计研究。E-mail： sunzunqiang@126.com
基金资助:
国家重点研发计划项目(2022YFC3701504);国家能源集团科技项目(GJNY-23-82)

CO₂ Emission Measurement and Forecasting for Power Plants Based on Multi-Source Data and Machine Learning

SUN Zunqiang¹, TIAN Yichun², SU Nan², ZHENG Chenghang³, ZHANG Zhen⁴, YANG Hongmin⁴, GAO Xiang³

^1.State Power Environmental Protection Research Institute，Nanjing 210031，Jiangsu，China
^2.National Institute of Clean and Low-Carbon Energy，Beijing 102200，China
^3.College of Energy Engineering，Zhejiang University，Hangzhou 310027，Zhejiang，China
^4.School of Energy and Mechanical Engineering，Nanjing Normal University，Nanjing 210042，Jiangsu，China

Received:2025-03-31 Online:2025-11-25 Published:2025-07-01
Contact: 杨宏旻（1972—），男，教授，博士生导师，主要从事能源高效清洁利用研究。 E-mail:yanghongmin@njnu.edu.cn
About author:孙尊强（1982—），男，博士生，高级工程师，主要从事电力环境保护设计研究。E-mail： sunzunqiang@126.com
Supported by:
the National Key Research & Development Program of China(2022YFC3701504)

摘要/Abstract

摘要：

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x_c，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。

关键词: 二氧化碳, 碳计量, 碳预测, 排放因子法, 机器学习

Abstract:

Accurate CO₂ emission measurement and dynamic forecasting are crucial for achieving China’s “dual carbon” goals (carbon peak and carbon neutrality). This study integrates the emission factor method, CO₂-CEMS and machine learning technologies to propose a CO₂ emission measurement and forecasting method based on multi-source data fusion, for the purpose of providing an efficient and accurate carbon emission monitoring tool for coal-fired power plants. In the investigation, by comparing the CO₂ emission calculation results obtained by different methods, the performances of different machine learning algorithms are evaluated, and a dynamic forecasting model based on multi-source data is developed. Experimental results in Units 1 and 3 of a power plant of Guoneng Group Co., Ltd. in Hebei, China show that the relative deviations of CO₂ emission calculations between the emission factor method and CO₂-CEMS for the two units are 1.63% and -1.27%, respectively, meaning that the two methods are of good cross-validation. By comparing the performance of various machine learning models (such as XGBoost, LightGBM, and AdaBoost), beyond the two conventional evaluation metrics, namely the determination coefficient (R²) and the mean absolute percentage error (MAPE), a new selection criterion, namely the mean deviation (x_c), is proposed by applying trained models to other units. Then, x_c is used to assess the generalization capability of machine learning algorithms for further model screening. The results reveal that AdaBoost exhibits superior performance in prediction accuracy and stability, along with higher generalization capability and robustness. The dynamic CO₂ emission forecasting using the optimized AdaBoost algorithm achieves R² values greater than 0.99 on both the training and the testing sets, with a MAPE below 2%, which indicates that the algorithm is of high prediction accuracy, stability, generalization ability and robustness. The proposed multi-source data fusion method not only effectively overcomes the limitations of traditional methods in dynamic scenarios but also enables precise hourly CO₂ emission forecasting based on real-time data.

Key words: carbon dioxide, carbon measurement, carbon forecasting, emission factor method, machine learning

中图分类号:

TK39

孙尊强, 田一淳, 苏楠, 郑成航, 张振, 杨宏旻, 高翔. 基于多源数据及机器学习的电厂CO₂排放计量与预测[J]. 华南理工大学学报(自然科学版), 2025, 53(11): 52-61.

SUN Zunqiang, TIAN Yichun, SU Nan, ZHENG Chenghang, ZHANG Zhen, YANG Hongmin, GAO Xiang. CO₂ Emission Measurement and Forecasting for Power Plants Based on Multi-Source Data and Machine Learning[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(11): 52-61.

图/表 8

表1

表2

图1

图2

表3

图3

图4

图5

参考文献 22

[1]	D-H OH， DAT V N， LEE J-C，et al ．Prediction of CO₂ capture capability of 0.5 MW MEA demo plant using three different deep learning pipelines［J］．Fuel，2022，315：123229．
[2]	姚顺春，李龙千，卢志民，等．机器学习驱动锅炉燃烧优化技术的现状与展望［J］．洁净煤技术，2024，30（2）：228-243．
	YAO Shunchun， LI Longqian， LU Zhimin，et al ．Current situation and prospect of machine learning-driven boiler combustion optimization technology［J］．Clean Coal Technology，2024，30（2）：228-243．
[3]	陈公达，程国辉，蔡汝金，等．烟气碳排放监测数据补缺方法适用性［J］．洁净煤技术，2024，30（8）：32-41．
	CHEN Gongda， CHENG Guohui， CAI Rujin，et al ．Applicability of data gaps imputation methods for monitoring flue gas carbon emissions［J］．Clean Coal Techno-logy，2024，30（8）：32-41．
[4]	李振山，李维成，刘海洋，等．中国化学链燃烧技术研发进展与展望［J］．中国电机工程学报，2024，44（18）：7200-7220．
	LI Zhenshan， LI Weicheng， LIU Haiyang，et al ．Development and prospect of chemical looping combustion technology in China［J］．Proceedings of the CSEE，2024，44（18）：7200-7220．
[5]	王萍萍，赵永椿，张军营，等．双碳目标下燃煤电厂碳计量方法研究进展［J］．洁净煤技术，2022，28（10）：170-183．
	WANG Pingping， ZHAO Yongchun， ZHANG Junying，et al ．Research progress on carbon measurement methods of coal-fired power plants under the background of carbon neutrality［J］．Clean Coal Technology，2022，28（10）：170-183．
[6]	郭军军，张泰，李鹏飞，等．中国煤粉富氧燃烧的工业示范进展及展望［J］．中国电机工程学报，2021，41（4）：1197-1208．
	GUO Junjun， ZHANG Tai， LI Pengfei，et al ．Industrial demonstration progress and trend in pulverized coal oxy-fuel combustion in China［J］．Proceedings of the CSEE，2021，41（4）：1197-1208．
[7]	姚顺春，刘泽明，卢志民，等．软测量技术赋能燃煤电厂碳排放计量的研究进展［J］．洁净煤技术，2024，30（8）：18-31．
	YAO Shunchun， LIU Zeming， LU Zhimin，et al ．Research progress of soft measurement technology optimizing carbon emission measurement of coal-fired power plants［J］．Clean Coal Technology，2024，30（8）：18-31．
[8]	李惠，黄修行，周于惠．“双碳”目标视角下燃煤电厂碳计量方法的研究［J］．资源节约与环保，2024（6）：100-103．
	LI Hui， HUANG Xiuxing， ZHOU Yuhui ．Research on carbon measurement methods of coal-fired ower plants from the perspective of the “Dual Carbon” goals［J］．Resource Conservation and Environmental Protection，2024（6）：100-103．
[9]	曾瑞新，胡松伯，倪忠晓，等．燃煤电厂碳排放典型计算及分析［J］．化工设计通讯，2023，49（3）：167-169．
	ZENG Rui-xin， HU Song-bo， NI Zhong-xiao，et al ．Typical calculation and analysis of carbon emissions from coal-fired power plants［J］．Chemical Engineering Design Communications，2023，49（3）：167-169．
[10]	宋明光，李小江，孙友源，等．基于在线监测法的火电机组碳排放分析［J］．洁净煤技术，2024，30（S1）：464-73．
	SONG Mingguang， LI Xiaojiang， SUN Youyuan，et al ．Analysis of carbon emission for thermal power units based on online monitoring method［J］．Clean Coal Technology，2024，30（S1）：464-473．
[11]	包放．燃煤电厂碳排放核算技术体系研究与应用［J］．能源与节能，2023（9）：94-97．
	BAO Fang ．Research and application of carbon emi-ssion accounting technology system for coal-fired power plants［J］．Energy and Energy Conservation，2023（9）：94-97．
[12]	陈齐，许明海，沈赛燕，等．基于残差双向长短期记忆效应网络模型的电力企业碳排放预测［J］．环境污染与防治，2024，46（5）：689-93，720．
	CHEN Qi， XU Minghai， SHEN Saiyan，et al ．Carbon emission prediction for power companies based on ResNet-BiLSTM model［J］．Environmental Pollution Control，46（5）：689-93，720．
[13]	LEERBECK K， BACHER P， JUNKER RG，et al ．Short-term forecasting of CO₂ emission intensity in power grids by machine learning［J］．Applied Energy，2020，277：115527．
[14]	WU W， LIN Y-T， LIAO P-H，et al ．Prediction of CO-NO _x emissions from a natural gas power plant using proper machine learning models［J］．Energy Techno-logy，2023，11（7）：2300041．
[15]	王妍艳，陆骏超，赵冬建．燃煤电厂二氧化碳排放的核算与管理分析［J］．电力与能源，2024，45（1）：102-106．
	WANG Yanyan， LU Junchao， ZHAO Dongjian ．Accounting and management analysis of CO₂ emissions from coal-fired power plants［J］．Electricity and Energy，2024，45（1）：102-106．
[16]	李朋，周卫青，白孝轩，等．燃煤电厂碳排放绩效核算及影响分析［J］．洁净煤技术，2024，30（8）：66-74．
	LI Peng， ZHOU Weiqing， BAI Xiaoxuan，et al ．Carbon emission performance calculation and impact analysis of coal-fired power plants［J］．Clean Coal Techno-logy，2024，30（8）：66-74．
[17]	王正阳．燃煤电厂的二氧化碳排放计算与影响分析［J］．节能与环保，2022（5）：39-40．
	WANG Zheng-yang ．Calculation and Impact Analysis of carbon dioxide emission from coal-fired power plants［J］．Energy Conservation and Environmental Protection，2022（5）：39-40．
[18]	吴杏平，康重庆，袁启恒．我国碳排放影响因素及电力碳排放核算方法研究综述［J］．中国电机工程学报，2024，44（S1）：1-18．
	WU Xingping， KANG Chongqing， YUAN Qiheng ．A review of the impact factors of carbon emissions and the accounting methods for electricity carbon emissions in China［J］．Proceedings of the CSEE，2024，44（S1）：1-18．
[19]	王明，周志兴，封明敏，等．火电机组实测法CO₂排放监测模型及准确性验证［J］．煤化工，2022，50（2）：18-21，33．
	WANG Ming， ZHOU Zhixing， FENG Mingmin，et al． Online CO 2 emission monitoring system for coal-fired power plant based on direct measurement and its accuracy verification［J］．Coal Chemical Industry，2022，50（2）：18-21，33．
[20]	MA Y， HE P-J， LÜ F，et al ．Machine learning-based prediction of the CO₂ concentration in the flue gas and carbon emissions from a waste incineration plant［J］．ACS ES&T Engineering，2024，4（3）：737-747．
[21]	WEN L， CAO Y ．Influencing factors analysis and forecasting of residential energy-related CO₂ emissions utilizing optimized support vector machine［J］．Journal of Cleaner Production，2020，250：119492．
[22]	YUAN Z， MENG L， GU X，et al ．Prediction of NO _x emissions for coal-fired power plants with stacked-generalization ensemble method［J］．Fuel，2021，289：119748．

日期	日耗煤量			CO₂日排放量
日期	1#	3#	4#	1#	3#	4#
2024-01-01	4 967.54	5 201.15	5 181.70	9 225.26	9 659.10	9 622.98
2024-01-02	5 215.73	5 316.59	5 432.57	9 686.17	9 873.48	10 088.87
︙	︙	︙	︙	︙	︙	︙
2024-03-30	4 118.96	4 855.57	1 852.01	7 757.38	9 281.70	3 560.14
2024-03-31	3 651.09	4 166.70	4 316.76	6 876.23	7 964.89	8 298.15
平均值	4 190.56	4 895.67	4 577.81	7 871.14	9 239.40	9 434.42
最大值	5 301.16	6 303.35	6 482.32	9 900.48	11 706.00	13 266.07
最小值	317.18	3 764.04	12.11	598.99	7 140.53	19.27

时间（2024-01-01）	CO₂体积分数/%	CO₂标干浓度/（mg·m^-3）	CO₂修正浓度/（mg·m^-3）	修正后CO₂排放量/（t·h^-1）	标干浓度/（mg·m^-3）			烟气标干流量/ （m³·h^-1）	烟气修正流量/ （m³·h^-1）	干基O₂百分比/%	烟温/℃	含湿量/%	负荷（蒸气）/%	CO₂日排放量/t
时间（2024-01-01）	CO₂体积分数/%	CO₂标干浓度/（mg·m^-3）	CO₂修正浓度/（mg·m^-3）	修正后CO₂排放量/（t·h^-1）	SO₂	NO _x	颗粒物	烟气标干流量/ （m³·h^-1）	烟气修正流量/ （m³·h^-1）	干基O₂百分比/%	烟温/℃	含湿量/%	负荷（蒸气）/%	CO₂日排放量/t
00：00—01：00	14.80	290 809.39	215 040.59	465.51	10.23	20.84	2.28	1 717 939.50	2 164 746.99	4.60	51.29	13.86	85.70	9 671.20
01：00—02：00	14.09	276 782.41	205 892.88	387.91	9.75	21.81	2.72	1 504 103.50	1 884 022.95	5.35	50.78	13.36	69.70
02：00—03：00	13.75	270 143.71	202 666.64	370.50	9.44	22.13	2.31	1 471 936.50	1 828 154.83	5.77	50.00	12.67	64.67
03：00—04：00	13.69	268 833.16	202 530.89	362.95	13.85	22.45	2.19	1 448 955.63	1 792 082.32	5.84	49.60	12.34	62.98
04：00—05：00	13.01	255 514.08	193 549.90	315.98	12.16	23.24	2.25	1 327 179.38	1 632 536.25	6.57	49.05	11.92	54.47

算法	R²		MAPE/%
算法	1#机组	3#机组	1#机组	3#机组
多元线性回归	0.994 35	0.994 29	1.17	1.25
随机森林	0.991 37	0.993 85	1.38	1.29
决策树	0.986 14	0.989 48	1.67	1.65
LightGBM	0.994 28	0.994 36	1.14	1.26
AdaBoost	0.986 13	0.992 12	1.85	1.60
XGboost	0.995 43	0.994 86	1.03	1.21
岭回归	0.994 37	0.994 30	1.17	1.25
MLPRegressor	-24.350 00	-18.320 00	93.78	93.45
SVR	0.002 00	-0.006 00	15.55	19.94

基于多源数据及机器学习的电厂CO₂排放计量与预测

CO₂ Emission Measurement and Forecasting for Power Plants Based on Multi-Source Data and Machine Learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

[1]	温惠英, 黄坤火, 陈喆, 赵胜, 胡宇晴, 黄俊达. 基于ExiD的高速公路合流汇入特性与安全性研究[J]. 华南理工大学学报(自然科学版), 2025, 53(8): 50-60.
[2]	温惠英, 马肇良, 赵胜, 巫立明, 黄坤火. 山区高速公路货车事故影响因素分析[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 93-103.
[3]	刘文硕, 钟明锋, 周博, 吕方舟. 基于机器学习的高速铁路斜拉桥钢箱梁温度模式研究[J]. 华南理工大学学报(自然科学版), 2025, 53(6): 25-33.
[4]	巩忠文, 熊二刚, 王文翔, 等. 基于裂缝滑移模型的无腹筋RC梁抗剪承载力计算[J]. 华南理工大学学报(自然科学版), 2024, 52(5): 114-126.
[5]	赵建东, 许慧玲, 吕行, 等. 考虑代价敏感的高速公路偷逃费行为识别模型[J]. 华南理工大学学报(自然科学版), 2024, 52(5): 10-19.
[6]	姚顺春, 支嘉琦, 付金杯, 等. 火电企业碳排放在线监测技术研究进展[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 97-108.
[7]	周楚昊, 林培群, 闫明月. 基于自监督学习的交通数据补全算法[J]. 华南理工大学学报(自然科学版), 2023, 51(4): 101-114.
[8]	董萍, 韦述阳, 刘明波. 多网络协作下电动汽车参与电力市场的调度策略[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 83-94.
[9]	王晓飞, 李思雨, 陈迷, 等. 平凸曲线组合均衡性对公路安全性的影响[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 76-84.
[10]	宋建, 王文龙, 李东, 等. 基于Stacking集成学习的注塑件尺寸预测方法[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 19-26.
[11]	夏少军, 金晴龙, 吴志祥. 回热型S-CO2布雷顿循环火用效率分析与优化[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 111-120.
[12]	林培群夏雨周楚昊. 引入时空特征的高速公路行程时间预测方法[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 1-11.
[13]	贾若, 戴昇宏, 黄霓, 等. 交通拥堵判别方法研究综述[J]. 华南理工大学学报（自然科学版）, 2021, 49(4): 124-139.
[14]	赵静, 王选仓, 樊振阳, 等. 基于支持向量机的沥青路面性能评价[J]. 华南理工大学学报（自然科学版）, 2020, 48(9): 116-123.
[15]	张子烨, 李明畅, 梁凌睿, 等. 推荐系统信息跨领域的改进迁移学习算法[J]. 华南理工大学学报（自然科学版）, 2020, 48(11): 99-106.