基于多维数据与深度学习的区域发电碳排放因子预测研究

作者：李方一; 李楠; 周琰; 谢武

来源：综合智慧能源, 2023, 45(08): 11-17.

DOI：10.3969/j.issn.2097-0706.2023.08.002

• 碳排放计量
• 碳排放因子
• 门控循环单元
• 双重注意力机制
• 深度学习
• 中长期预测

在碳交易背景下，对电力企业进行实时、准确、全面的碳排放计量是开展发电结构调整、技术创新、供需联动、碳交易等工作的基础。受制于数据采集与传输系统的限制，动态碳排放因子的测算与预测目前仍难以完全实现。采用深度学习方法，将双重注意力机制与传统的门控循环单元（GRU）神经网络融合，构建了GRU-Attention预测模型。以合肥市2022年的电力数据为样本，结合合肥市平均气象数据，对GRU模型、长短时记忆（LSTM）模型、基于双重注意力机制的LSTM-Attention模型和GRU-Attention模型进行训练，以实现小时级别的碳排放因子预测。利用不同的评价指标对4种预测模型进行对比，与GRU,LSTM,LSTM-Attention模型相比，GRU-Attention模型预测精度更高，有助于实现发电碳排放因子的中长期预测。

• 单位
  合肥工业大学