基于多模态数据融合的热电厂碳排放精准估算模型研究

为解决热电厂碳排放估算精度不足、成本高昂等问题，研究人员提出了一种融合卫星数据、电力数据与环境数据的多模态深度学习模型CLAFF。该模型整合CNN-LSTM-AE架构，引入频率感知跨模态注意力(FACMA)和迭代注意力特征融合(iAFF)模块，实验表明其精度与泛化能力显著优于基线模型，为无CEMS系统的热电厂提供了快速更新的碳计量方案。

　　

全球气候治理正面临严峻挑战，热电厂作为最大的二氧化碳(CO₂)排放源之一，其精准碳计量是减排工作的核心。然而现有方法存在明显局限：传统核算方法如排放因子法和质量平衡法受地域技术差异影响大，连续排放监测系统(CEMS)虽精度高但部署成本昂贵；新兴的碳卫星监测技术（如NASA的OCO-2/3）又易受云层干扰和数据噪声影响。更棘手的是，电力数据的高频特性与卫星数据的空间覆盖尚未有效协同，环境因素（如风速、温度）对CO₂扩散的影响也常被忽略。

针对这一科学难题，中国研究人员创新性地提出了CLAFF多模态融合模型。该研究通过整合三种异构数据源——碳卫星观测的XCO₂柱浓度、热电厂的实时电力数据以及温度/风速等环境参数，构建了包含卷积神经网络(CNN)、长短期记忆网络(LSTM)和自编码器(AE)的混合架构。其中CNN提取卫星数据的空间特征，LSTM捕捉电力数据的时间动态，AE则编码环境变量的潜在模式。研究团队特别设计了频率感知跨模态注意力模块(FACMA)，通过频域分析增强关键特征的跨模态关联；迭代注意力特征融合模块(iAFF)则动态调整各模态权重，最终实现CO₂排放量的精准预测。实验采用美国热电厂的真实数据验证，模型在R²、Pearson相关系数(ρ)等指标上均显著优于传统方法。

关键技术包括：1) 多源数据融合技术，整合OCO-2卫星的XCO₂观测、热电厂的电力负荷数据及气象站环境参数；2) CNN-LSTM-AE混合架构，分别处理空间、时间和辅助特征；3) FACMA模块通过快速傅里叶变换(FFT)实现频域特征对齐；4) iAFF模块采用级联注意力机制优化特征组合。

【碳卫星观测】
研究证实OCO-2卫星的2.06μm波段数据对热电厂排放敏感，但单靠卫星数据估算误差达20-30%。通过高斯羽流模型预处理可初步提取排放信号，但仍需其他数据补充。

【模型架构】
CLAFF模型创新性地将电力数据（采样频率1小时）与卫星数据（重访周期16天）在时-空维度耦合。实验显示，引入环境数据后模型R²提升12.7%，证明温度、风速对CO₂扩散建模至关重要。

【性能验证】
在测试集上，CLAFF的MSE较基线模型降低38%，Spearman秩相关系数(ρ_S)达0.89。模型对未部署CEMS的电厂表现尤为突出，误差控制在±15%以内。

这项研究开创了多模态数据融合在碳计量领域的应用范式。其重要意义在于：1) 为缺乏CEMS的发展中国家提供了低成本监测方案；2) 频率感知注意力机制为异源数据融合提供了新思路；3) 迭代特征融合方法可推广至其他环境监测场景。作者团队特别指出，未来可结合TROPOMI等新型卫星数据进一步提升时空分辨率。该成果发表于《Geoenergy Science and Engineering》，为全球碳中和目标提供了重要的技术支撑。