【Objectif】 Les centrales électriques au charbon occupent une place importante dans le système électrique de notre pays. La prévision précise des émissions de CO₂ des centrales au charbon est cruciale pour atteindre les objectifs d'économie d'énergie et de réduction des émissions. Ainsi, cet article propose un modèle de prévision à court terme des émissions de CO₂ des centrales au charbon basé sur CNN-BiLSTM-Attention. 【Méthode】 Tout d'abord, la sélection des caractéristiques est réalisée en analysant la corrélation entre la charge des unités à charbon, la vitesse d'émission de SO₂, la vitesse d'émission de NO_x et les variables environnementales avec la vitesse d'émission de CO₂, afin de réduire l'impact des informations redondantes sur l'entraînement du modèle ; ensuite, les caractéristiques sélectionnées sont utilisées comme entrée pour construire un modèle de prévision des émissions de CO₂ intégrant un réseau neuronal convolutif (CNN), un réseau de mémoire à long court terme bidirectionnel (BiLSTM) et un mécanisme d'attention, avec introduction d'un algorithme d'optimisation Kepler amélioré (IKOA) pour optimiser les hyperparamètres du modèle ; enfin, une validation par simulation est effectuée à l'aide des données réelles de fonctionnement des unités des centrales au charbon. 【Résultats】 Les résultats montrent que le modèle proposé maintient de bonnes performances de prévision lors de la prédiction inter-unités de même capacité, démontrant une bonne transférabilité ; lors de la prévision inter-périodes, le modèle peut bien décrire la tendance de variation des émissions de CO₂, mais l'erreur relative augmente pendant les phases de changement de saison, ce qui reflète l'influence des conditions de fonctionnement et de la qualité du charbon sur les résultats de la prévision ; le modèle proposé est supérieur aux modèles comparés en termes de précision et de stabilité. 【Conclusion】 Le modèle de prévision des émissions de CO₂ basé sur CNN-BiLSTM-Attention peut effectuer une prédiction efficace des émissions de CO₂ des centrales au charbon sans mesures directes du CO₂, présentant une bonne applicabilité et un potentiel de promotion.

Prévision des émissions de CO_2;Centrales au charbon;CNN;BiLSTM;Mécanisme d'attention;KOA