【Objetivo】 As usinas termelétricas a carvão ocupam uma posição importante no sistema elétrico do nosso país, e a previsão precisa das emissões de CO₂ das usinas a carvão é de grande importância para alcançar metas de economia de energia e redução de emissões. Por isso, este artigo propõe um modelo de previsão de curto prazo das emissões de CO₂ das usinas a carvão baseado em CNN-BiLSTM-Attention. 【Métodos】 Primeiramente, realiza-se a seleção de características a partir da análise da correlação entre a carga das unidades a carvão, a taxa de emissão de SO₂, a taxa de emissão de NO_x e variáveis ambientais com a taxa de emissão de CO₂, reduzindo o impacto de informações redundantes no treinamento do modelo; em seguida, as características selecionadas são utilizadas como entrada para construir um modelo preditivo de emissões de CO₂ que integra redes neurais convolucionais (CNN), redes neuronais de memória de longo prazo bidirecionais (BiLSTM) e mecanismo de atenção, e introduz-se um algoritmo aprimorado de otimização de Kepler (IKOA) para otimizar os hiperparâmetros do modelo; por fim, utiliza-se dados reais de operação das unidades das usinas a carvão para validação por simulação. 【Resultados】 Os resultados mostram que o modelo proposto mantém bom desempenho preditivo na previsão entre unidades de mesma capacidade, demonstrando boa transferibilidade; na previsão entre períodos, o modelo consegue representar bem a tendência de variação das emissões de CO₂, mas o erro relativo aumenta durante as fases de troca de estação, refletindo o impacto das condições de operação e da qualidade do carvão nos resultados da previsão; o modelo proposto supera os modelos comparativos em precisão e estabilidade. 【Conclusão】 O modelo de previsão de emissões de CO₂ baseado em CNN-BiLSTM-Attention pode realizar uma previsão eficaz das emissões de CO₂ das usinas térmicas a carvão na ausência de condições de medição direta de CO₂, apresentando boa aplicabilidade e potencial de divulgação.

Previsão de emissões de CO_2;Usinas térmicas a carvão;CNN;BiLSTM;Mecanismo de atenção;KOA