【Цель】 Угольные электростанции занимают важное место в энергетической системе нашей страны, точное прогнозирование выбросов CO₂ угольных электростанций имеет важное значение для достижения целей энергосбережения и сокращения выбросов. В связи с этим в статье предлагается модель краткосрочного прогнозирования выбросов CO₂ угольных электростанций на основе CNN-BiLSTM-Attention. 【Методы】 Во-первых, проведен отбор признаков путём анализа корреляции между нагрузкой угольных блоков, скоростью выбросов SO₂, скоростью выбросов NO_x и Umwelt-переменными с скоростью выбросов CO₂, что позволяет уменьшить влияние избыточной информации на обучение модели; затем отобранные признаки используются в качестве входных данных для построения модели прогнозирования выбросов CO₂, сочетающей сверточные нейронные сети (CNN), двунаправленные сети с долговременной памятью (BiLSTM) и механизм внимания, а также вводится улучшенный алгоритм оптимизации Кеплера (IKOA) для настройки гиперпараметров модели; в конце проводится симуляционная проверка с использованием данных реальной работы угольных блоков. 【Результаты】 Результаты показывают, что предложенная модель сохраняет хорошую точность при межблочном прогнозировании среди блоков одинаковой мощности, демонстрируя хорошую переносимость; при межвременном прогнозировании модель хорошо отображает тенденции изменения выбросов CO₂, однако относительная ошибка увеличивается в периоды смены сезонов, что отражает влияние условий работы и качества угля на результаты предсказания; предложенная модель превосходит сравниваемые модели по точности и стабильности. 【Заключение】 Модель прогнозирования выбросов CO₂ на основе CNN-BiLSTM-Attention может эффективно предсказывать выбросы CO₂ угольных электростанций в условиях отсутствия прямых измерений CO₂, обладает хорошей применимостью и потенциалом для распространения.

Прогноз выбросов CO_2;Угольная электростанция;CNN;BiLSTM;Механизм внимания;KOA