【Ziel】 Kohlekraftwerke nehmen in unserem Stromsystem eine wichtige Stellung ein. Eine genaue Vorhersage der CO₂-Emissionen von Kohlekraftwerken ist von großer Bedeutung für die Erreichung der Ziele der Energieeinsparung und Emissionsreduzierung. Daher schlägt dieser Artikel ein kurzfristiges Vorhersagemodell für CO₂-Emissionen von Kohlekraftwerken basierend auf CNN-BiLSTM-Attention vor. 【Methode】 Zunächst erfolgt die Merkmalsauswahl durch Analyse der Korrelation zwischen Kohleeinheitlast, SO₂-Emissionsrate, NO_x-Emissionsrate und Umweltvariablen mit der CO₂-Emissionsrate, um den Einfluss redundanter Informationen auf das Modelltraining zu reduzieren; dann werden die ausgewählten Merkmale als Eingabe verwendet, um ein CO₂-Emissionsvorhersagemodell zu erstellen, das ein konvolutionales neuronales Netzwerk (CNN), ein bidirektionales Langzeit-Kurzzeitgedächtnis (BiLSTM) und einen Aufmerksamkeitsmechanismus kombiniert. Darüber hinaus wird ein verbesserter Kepler-Optimierungsalgorithmus (IKOA) zur Optimierung der Modellhyperparameter eingeführt; schließlich wird die Simulation mit realen Betriebsdaten von Kohleeinheiten durchgeführt. 【Ergebnisse】 Die Ergebnisse zeigen, dass das vorgeschlagene Modell bei der Vorhersage zwischen Einheiten gleicher Kapazität eine gute Vorhersageleistung aufrechterhält und eine gute Übertragbarkeit aufweist; bei Vorhersagen über Zeiträume kann das Modell die Veränderungen der CO₂-Emissionen gut darstellen, jedoch nimmt der relative Fehler in den Jahreszeitenwechselphasen zu, was die Auswirkungen der Betriebsbedingungen und der Kohlequalität auf die Vorhersageergebnisse widerspiegelt; das vorgeschlagene Modell übertrifft die Vergleichsmodelle sowohl in Genauigkeit als auch Stabilität. 【Fazit】 Das CO₂-Emissionsvorhersagemodell basierend auf CNN-BiLSTM-Attention kann eine effektive Vorhersage der CO₂-Emissionen von Kohlekraftwerken unter fehlenden direkten CO₂-Messbedingungen ermöglichen und besitzt eine gute Anwendbarkeit und Verbreitungspotenzial.

CO_2-Emissionsvorhersage;Kohlekraftwerk;CNN;BiLSTM;Aufmerksamkeitsmechanismus;KOA