基于个性化变压器的电力系统新型碳排放计算方法,采用两阶段训练原理
《Engineering》:A Novel Carbon Emission Calculation Method for Power System Based on Personalized Transformer with Two-Stage Training
【字体:
大
中
小
】
时间:2026年01月21日
来源:Engineering 11.6
编辑推荐:
毕轩高 | 张日伟 | 孔向宇 | 刘高华 | 方凯杰 | 段梅梅
华东交通大学电气与自动化工程学院,南昌330013,中国
**摘要**
准确全面地计算电力系统中的碳排放是实现低碳能源转型的基本前提。现有的基于碳流理论的方法主要集中在电网侧和负载侧的排放上,而发电
毕轩高 | 张日伟 | 孔向宇 | 刘高华 | 方凯杰 | 段梅梅
华东交通大学电气与自动化工程学院,南昌330013,中国
**摘要**
准确全面地计算电力系统中的碳排放是实现低碳能源转型的基本前提。现有的基于碳流理论的方法主要集中在电网侧和负载侧的排放上,而发电侧排放的测量方法通常依赖于昂贵的连续监测系统或不准确的默认排放因子。然而,在实践中,大多数发电单元无法实现实时和精确的碳排放测量,导致发电侧数据偏差影响整体计算准确性。为了解决这些限制,本文提出了一种基于异构数据和个性化Transformer的新碳排放测量方法,适用于各种发电单元。该方法具有几个关键创新:① 将传统的基于总电力生产的模型扩展到多特征框架,以捕捉不同发电机单元之间时间序列数据的相似性和差异性;② 设计了一种改进的Transformer,该变压器整合了短期关系提取、长期差异识别以及长期和短期特征融合模块,以增强基于多特征的排放映射过程;③ 采用了两阶段训练协议,首先对特征提取器进行自监督预训练,然后进行微调,以加速收敛并提高准确性。在真实世界发电单元数据上的实验表明,与标准Transformer相比,所提出的方法平均RMSE降低了22.3%,与Informer相比降低了15.9%。进一步利用电气与电子工程师协会(IEEE)的30节点测试案例验证确认了该模型在电力系统所有部分进行碳排放测量的有效性和适用性。
**1. 引言**
目前,全球约70%的碳排放来自能源行业,其中电力行业是该行业中最大的碳排放来源[1]。因此,要实现减排目标,必须将能源行业作为主要行动领域,电力行业成为重点[2]。准确计算电力系统的碳排放是开发低碳电力基础设施的关键科学挑战之一。精确和全面的碳排放测量和分析方法对于量化与电力相关的碳排放、明确电力行业碳足迹的实际情况和趋势以及探索整个电力系统的减排潜力至关重要[3]。在电力市场中,准确的系统级排放核算可以为价格形成和市场清算提供信息,鼓励需求侧参与低碳需求响应,并通过指导电力使用来减少排放。它还支持公平透明的碳交易系统和可信的排放验证,同时为详细和有针对性的缓解措施和气候政策提供证据基础[4]。
电力系统所有部分的碳排放测量包括发电、传输和消耗组件[5]。主要方法包括电网排放因子法、敏感性追踪法、合作博弈论法、定价机制法和碳排放流追踪法。参考文献[1]对这些方法进行了比较分析,证明了碳排放流追踪法在多个维度上的优越性。碳排放流理论可以追踪碳排放的来源。给定发电侧的碳排放强度(CEI),它可以推导出所有电网节点的电力消耗排放因子和其他与碳相关的数据。然而,当前的实现通常假设发电侧的CEI可以高频直接且准确地获得[6],从而在应用碳排放流追踪方法时导致整个电力系统的碳排放量化出现系统性偏差。同时,不同类型发电机的异构运行特性和日益复杂的电网进一步加剧了准确的全链排放核算难度。智能电网的成熟扩大了对运营数据的访问,促进了数据驱动和人工智能(AI)基方法的更广泛使用。因此,将碳排放流追踪与深度学习相结合显示出提高排放计算准确性和效率的强大潜力,同时保持碳流的高度可追溯性[7]。
目前发电侧碳排放计算的主要方法包括:① 排放因子法;② 质量平衡法;③ 直接测量法。根据政府间气候变化专门委员会(IPCC)的指南,排放因子法使用详细的能源消耗数据计算排放,在电力行业得到了广泛应用[8]。质量平衡法通过应用质量守恒原理来量化特定来源的排放[9],而直接测量法则利用连续监测系统进行实时数据收集[10]。分析建模构建数据分析模型以模拟发电侧排放行为,并提供明确的物理可解释性[11][12]。然而,这些方法在电力系统碳排放测量方面存在固有的局限性。具体来说,排放因子法和质量平衡法都严重依赖手动收集、处理和计算详细的能源数据,导致碳排放量化的显著时间延迟。此外,安装和维护连续排放监测系统的巨额成本阻碍了直接测量方法的广泛采用[13]。分析建模的有效性高度依赖于单元级别数据的质量和CEI的准确性。当运行数据表现出强烈的非平稳特性时,分析模型难以捕捉瞬态特征,其在复杂运行条件下的性能会下降。
为了解决这些挑战,研究人员提出了基于电力大数据和机器学习(ML)的碳核算方法[14][15]。这些方法利用电力消费与碳排放之间的强相关性,并利用电力数据的高时间分辨率和可获取性。根据运营范式,这些方法分为两类:① 非侵入式负载监测(NILM)方法[16][17][18];② 电力到碳估计方法。在NILM框架中,碳排放计算被构建为一个分类问题。NILM方法使用AI算法判别工业设备的运行状态(开启或关闭),然后使用典型的发电单元CEI值估计排放。电力到碳的方法将碳排放计算概念化为一个回归问题,其中传统的ML模型(例如支持向量机、多层感知器)建立历史电力数据与相应碳排放之间的非线性映射[8][9][10][19][20]。然而,电力系统通常由多种类型的发电机单元组成,这些单元在不同运行条件下的CEI会有显著波动[7]。这种变异性导致使用基于典型CEI的NILM方法进行碳排放计算时出现显著偏差。另一方面,电力到碳估计方法严重依赖电力数据,通常是为特定行业或企业级场景设计的。当应用于多样类型和多规模设置时,这些方法往往会表现出更大的不确定性和性能下降[13]。
Transformer模型在NILM和电力到碳估计方法中都显示出一定的适用性。其核心架构包括带有多头自注意力的编码器和解码器,非常适合建模长期时间依赖性。与传统ML方法相比,Transformer更有效地捕捉了复杂的时间序列结构和不同发电机类别(例如燃煤和燃气单元)的运行数据与其产生的碳排放之间的耦合关系。然而,直接将Transformer应用于碳排放计算面临关键挑战:① 在传统的预测任务中,Transformer通过分别将历史独立变量特征和依赖变量特征输入编码器和解码器来生成预测[21],而NILM和电力到碳估计方法旨在基于实时电力数据(独立变量)计算碳排放(依赖变量),这使得传统架构不适合碳排放计算需求。② 电力系统发电侧的发电单元在类型和规模上存在显著差异。因此,模型必须能够捕捉各个发电机的关键短期特征,并识别单元特定特征之间的差异[22]。然而,Transformer的多头自注意力机制在处理短期特征时存在局限性,并且在使用非平稳信号时容易过拟合[23]。此外,其二次计算复杂性限制了其建模长期依赖性的能力[16]。因此,需要对Transformer模型进行针对性改进,以更好地满足碳排放计算的需求。这样的改进将使发电侧多样化发电机单元的碳排放估计更加准确,并有助于分析负载侧的碳排放波动。
**2. 电力系统碳排放计算的实现框架**
所提出的电力系统所有部分碳排放计算框架如图1所示,包括四个步骤:电力系统的完整链碳核算;从电气和热信号中提取多频特征;开发基于CEMformer的碳计算模型;以及评估测量模型。
**下载:下载高分辨率图像(1MB)**
**下载:下载完整尺寸图像**
图1. 基于CEMformer的电力系统完整链碳排放计算框架。参数和缩写的定义可在第3节中找到。
第一步对电力系统进行完整链碳计算。基于碳流理论和功率流分析,这一步骤模拟了从发电到负载的整个链的排放。考虑到实际约束,包括有限的准确性和高成本,这些约束阻碍了对不同来源的发电单元进行实时和精确的估计,因此引入了一种使用改进的Transformer的多特征碳模型来估计发电侧排放,并推导出系统所有部分的CEI。
第二步使用VMD对电气和热信号进行多频特征提取。收集了涵盖多种发电机类型(例如煤、气、油和混合燃料单元)的数据集,包括功率输出、热输出和碳排放数据。为了确保数据完整性并保留关键信息,预处理应用了基于异常因子的异常检测、使用k近邻插补(KNNI)删除和插补缺失或无效记录,以及数据归一化[24][25]。然后使用VMD分解电气和热信号并提取多频特征,为后续的排放计算提供高质量的多尺度数据集。
第三步构建基于CEMformer的碳计算模型。该模型包括四个组件:时间特征嵌入模块、SRFE模块、LDFI模块和LSFF模块。在特定任务损失函数的指导下,CEMformer旨在识别排放的短期波动、捕捉长期排放趋势,并表示发电机单元之间的异质性。
最后一步分两部分评估模型性能。第一部分评估增强型Transformer与多频特征碳模型在测试集上的有效性,并进行了将CEMformer与多种最先进基线进行比较的消融研究。第二部分研究了该方法在全链条碳排放计算中的性能。3. 对电力系统所有部分的碳排放计算进行建模在电力系统中,准确计算碳排放需要综合考虑三个关键方面:发电机组的直接排放、电网内的碳流传输和分布以及电力消费者的间接碳排放。因此,对于固定的时间间隔t,确定区域内电网所有部分的电力消耗碳强度至关重要。基于碳排放流理论[26],对于一个拥有K个发电机组、B条输电线路和N个节点的电力网络,在任何给定时间t的“发电-电网-负载”碳排放可以通过以下公式计算:对于发电侧,节点的碳强度表示为CEI^tG∈RK×1,其中每个发电机节点的值是使用提出的CEMformer模型计算的:(1)CEI^tG(n)=1FCMEformerG(xn,t,Θ?),n∈ΩG其中FCMEformerG(·)代表发电机节点的碳排放,ΩG代表发电机节点集合。Θ?代表CEMformer模型的可训练参数,xn,t∈RT×2M是节点n在时间t的多频率特征输入矩阵:(2)xn,t=Concat(ImfPn,M[t],ImfHn,M[t])其中Pn∈RT和Hn∈RT分别代表发电机节点n的电信号和热信号序列。T代表时间序列的长度,M代表内在模态函数(IMF)组分的数量。Concat(·)是连接操作符,ImfPn,M∈RT×M和ImfHn,M∈RT×M是通过fVMD(·)从Pn和Hn分解得到的IMF矩阵:(3)ImfPn,M[t]=fVMD(Pn,M)[t]=imfPn,1t-TimfPn,2t-T?imfPn,M-1t-TimfPn,1t-T+1imfPn,2t-T+1?imfPn,M-1t-T+1????imfPn,1timfPn,2t?imfPn,M-1tresPnt-TresPnt-T+1?resPnt(4)ImfHn,M[t]=fVMD(Hn,M)[t]=imfHn,1t-TimfHn,2t-T?imfHn,M-1t-TimfHn,1t-T+1imfHn,2t-T+1????imfHn,1timfHn,2t?imfHn,M-1tresHnt-TresHnt-T+1?resHnt其中fVMD(·)代表VMD操作符;imfPn,kt和imfHn,kt分别是ImfPn,M∈RT×M和ImfHn,M∈RT×M的第k个IMF序列(k∈{1,2,...,M-1});resPn和resHn分别是Pn和Hn的残差。对于电网侧,碳流情况为:(5)RtB=PtB·diag(CEI^tN)(6)CEI^tN=PtN-(PtB)T-1(PtG)TCEI^tG(n)其中RtB∈RN×N对应于支路碳流率,PtB∈RN×N代表通过最优功率流解[27]获得的电网支路功率流矩阵。CEI^tN∈RN×N是电力系统的碳强度,PtG∈RK×N和PtN∈RN×N分别代表发电机功率注入矩阵和有功功率流矩阵,其计算方法如下:(7)PtN=diag(ζ·PtB,PtGT)其中ζ∈R1×(K+N)代表所有元素均为1的行向量。对于负载侧节点,碳强度和碳排放的计算如下:(8)CE^tΩL=PtLCEI^tΩL(9)CEI^tΩL(n)=CEItN(n),n∈ΩL其中CE^tΩL∈R(N-K)×1代表负载侧的直接碳排放,CEI^tΩL∈R(N-K)×1代表负载侧的碳排放强度向量,ΩL代表负载节点集合,PtL∈R(N-K)×N是负载节点的功率消耗,Etn∈RN×1是节点的碳潜能。从上述分析可以看出,本文中的准确碳排放测量问题可以进一步转化为构建CEMformer模型FCMEformerG(·)并获取其最优模型参数Θ?。最终,通过来自发电机节点的功率和热数据构建的多频率输入xn,t,可以有效地监测电力系统所有部分的实时碳排放。基于改进的Transformer的电力系统碳排放测量方法的详细过程图如图2所示。下载:下载高分辨率图像(751KB)下载:下载全尺寸图像图2. 基于改进的Transformer的电力系统碳排放计算流程图,包含两阶段训练。参数的定义可以在3. 对电力系统所有部分的碳排放计算进行建模和4. 从电热信号中提取多频率特征中找到。4. 从电热信号中提取多频率特征4.1. 基于VMD算法的原始信号分解原始的电信号和热信号时间序列使得模型难以准确学习区分性特征,特别是限制了其准确量化不同类型发电机组排放的能力。VMD是一种自适应的、完全非递归的信号处理方法,它克服了小波变换分解(WTD)的适应性局限性,并减轻了经验模态分解(EMD)和集成EMD(EEMD)[28]中观察到的模态混合问题。与带有自适应噪声的完整集成EMD(CEEMDAN)相比,VMD不需要噪声辅助分解,从而产生更干净、分离更好的频率成分和波形特征,从而提高下游模型的性能[29]、[30]。通过利用VMD,所提出的模型能够有效分离高频和低频成分,实现对不同时间尺度特征的更全面探索[31]。以电力数据为例,VMD的基本原理是将原始电力信号Pn分解为多个IMFs(ImfPn=imfPn,1,imfPn,2,…,imfPn,M-1,resPn)。每个imfPn,k都有一个以其中心频率ωk为中心的有限带宽。VMD框架的核心在于变分问题的构建和求解。目标函数旨在最小化每个IMF的估计带宽,同时满足所有IMF之和必须精确重构原始信号的限制:(10)min{ImfPn},{ω}∑k=1M-1?tδ(t)+jπt*imfPn,k(t)e-jωkt22s.t.∑k=1M-1imfPn,k(t)=Pn(t)其中ω=ω1,ω2,…,ωk,…,ωM-1代表每个模态成分imfPn,k的中心频率,resPn是残差项。?t表示时间t的导数,用于捕捉信号的局部变化特性。δ(t)表示狄拉克分布,δ(t)+jπt是希尔伯特变换核,用于将信号转换为解析信号,*表示卷积。调制项e-jωkt将模态从其中心频率ωk移至零频率。为了简化方程(10),VMD引入了二次惩罚项α和拉格朗日乘数λ,将原始的约束问题转化为无约束问题。惩罚项α用于减少噪声干扰并确保信号重构的准确性,λ用于严格约束。增广的拉格朗日表达式如下:(11)LImfPn,ω,λ=α∑k=1M-1?tδ(t)+jπt?imfPn,k(t)e-jωkt22+Pn(t)-∑k=1M-1imfPn,k(t)22+λ(t),Pn(t)-∑k=1M-1imfPn,k(t)4.2. 基于ADMM的变分问题求解采用交替方向乘子法(ADMM)来优化方程(11)并获得这个变分问题的最优解。通过迭代方案更新imfPn,k、ωk和λ,根据以下更新规则:(12)imf^Pn,kr+1(ω)=Pn^(ω)-∑j≠kimf^Pn,j(ω)+λ?(ω)21+2αω-ωk2(13)ωkn+1=∫0∞ωimf^Pn,k(ω)2dω∫0∞imf^Pn,k(ω)2dω(14)λ?r+1(ω)=λ?r(ω)+τf?(ω)-∑k=1Nimf^Pn,kr+1(ω)其中Pn^(ω)、imf^Pe,k(ω)和λ?(ω)分别是Pn(t)、imfPn,k(t)和λ(t)的傅里叶变换。r和τ分别是迭代次数和保真度因子。当分解后的IMFs满足以下条件时,VMD的迭代过程停止:(15)∑kimf^Pn,kr+1-imf^Pn,kr22imf^Pn,kr22<ε为了便于理解,使用函数fvmd(·)统一表示上述分解过程。图3(a)展示了使用fvmd(·)将电信号和热信号分解为多频率成分的过程。图3(b)展示了基于fvmd(·)分解的多频率电信号和热信号输入数据集xi={xi,1,...,xi,t,...,xi,n-t}的构建。下载:下载高分辨率图像(534kb)下载:下载全尺寸图像图3. 多频率电信号和热特征提取过程:(a)将电信号和热信号分解为多频率成分;(b)构建多频率电信号和热信号输入数据集xi={xi,1,...,xi,t,...,xi,n-t}。5. 基于cemformer的碳排放计算模型基于cemformer的碳排放计算模型的架构如图4所示。下载:下载高分辨率图像(482kb)下载:下载全尺寸图像图4. (a)传统transformer和(b)提出的两阶段训练cemformer的框架。cemformer引入了以下关键创新,以克服传统碳排放计算方法的局限性:①采用高效的仅编码器transformer架构,结合时间嵌入来捕获季节性变化、周期性波动和时间依赖性,从而增强模型对时间序列不同特征的适应性。②设计srfe模块,该模块建模多频率特征并捕获碳排放的局部关键表示。③引入ldfi模块,该模块提取长期趋势特征并识别不同类型发电机组之间的异质性。④集成lsff模块,该模块全面分析并融合上述关系特征以生成最终的碳排放计算结果。5.1. 带有时间嵌入的多特征输入在transformer模型中,输入数据首先通过嵌入层映射到特征空间,然后使用位置编码来结合位置信息。然而,在碳排放计算任务中,季节性变化和周期性波动是关键的时间特征,尤其是在电力生产中。例如,由于供暖和制冷需求,冬季和夏季的电力消耗和碳排放有显著差异。此外,假期、工作日和周末等因素对发电模式也有显著影响。图5(a)展示了一个时间嵌入示例,其中时间序列包括小时、假期状态和季节性等关键时间属性。相关计算公式如下:(16)x′i=fembed(xi)=fpe(xi)+ftimestamp(xi)下载:下载高分辨率图像(726kb)下载:下载全尺寸图像图5. cemformer架构中的关键模块设计:(a)多特征输入时间嵌入,(b) srfe,(c) lsff,(d) ldfi。参数的定义可以在第5节中找到。其中fembed(xi)代表嵌入函数,fpe(xi)代表特征映射函数,ftimestamp(xi)代表嵌入的时间戳信息,xi和x′i分别是要嵌入的时间序列和处理后的序列。5.2. srfe模块如图5(b)所示,srfe模块由多个堆叠的时间卷积层组成。该模块有效捕获短期波动模式,确保对碳排放时间序列变化的快速响应[32]。时间卷积作为传统电力转碳估算模型中常用的卷积神经网络(cnn)和循环神经网络(rnn)的替代方案。与受固定核大小约束的cnn不同,时间卷积使用扩展卷积,允许灵活且可扩展地建模短期到中期依赖性[33]。此外,与存在梯度消失问题的长短期记忆(lstm)网络相比,时间卷积保持了更好的梯度流动并加速了收敛。时间卷积模块的核心组成部分是扩展因果卷积。因果卷积确保计算输出仅依赖于当前和过去的特征,保留时间序列的因果性,这对于逐点碳排放计算尤为重要。同时,扩展卷积在特定时间间隔选择性地采样,使模型能够关注短期到中期的特征模式。每个srfe模块结合了权重归一化、修正线性单元(relu)和dropout技术,以稳定梯度、提高收敛速度和增强模型泛化能力。srfe模块的特征提取过程形式化为:(17)xsrfel1=fsrfe(xsrfel1-1) = relu(fweightnorm(ftcn(xsrfel1-1))) +xsrfel1-1(18)ftcn(xsrfel1-1)=∑k=0twtcn(k)*xsrfel1-1(t-k·d)其中fsrfe(·)代表srfe模块,l1∈{0,1,2,...,l1}代表第l1层的srfe模块。xsrfel1-1代表前一个srfe模块的输出,xsrfe0=x′i。ftcn代表tcn模块,wtcn(·)是卷积核的权重,k代表卷积的核大小,d是扩张率。5.3. lsff模块lsff模块是cemformer的核心组成部分,旨在有效整合srfe模块提取的短期特征和ldfi模块得到的长期特征。短期特征反映碳排放的快速波动和短周期变化,而长期特征揭示不同类型发电机组之间的趋势变化和异质性。传统的特征融合方法通常使用直接连接或加权合并,这可能导致信息丢失或特征之间的冲突。为了解决这些问题,lsff模块引入了交叉注意力机制,自适应地捕获短期和长期特征之间的相互作用(如图5(c)所示)。该机制有效地整合了两种特征类型的键信息,从而提高碳排放估计的准确性。lsff模块的实现形式化为:(19)xlsff=flsff(xsrfel1,xldfil2)=flayernorm(xsrfel1+fcrossatten(xsrfel1,xldfil2))其中xsrfel1和xldfil2分别代表srfe和ldfi模块提取的特征。fcrossatten(·)指的是交叉注意力机制。如图5(c)所示,在cemformer的交叉注意力层中,短期关系特征用作查询,而长期差异特征用作键和值来建立这两种类型变量之间的连接:(20)fcrossatten(xsrfel1,xldfil2)=softmax(xsrfel1wqsrfe(xldfil2wkldfi)xldfil2wvldfi)tdkldfi其中wqsrfe、wkldfi和wvldfi是线性变换权重矩阵。dkldfi代表xldfil2wkldfi的维度。然后对提取的融合特征进行线性投影以生成最终的碳排放估算结果:(21)cem^=fprojection(flayernorm(fff(xlsff)+xlsff))其中cem^代表模型的碳排放输出。fprojection(·)代表投影算子,在本研究中实现为全连接层。整个过程统一表示为fcemformer(·,θ)。5.4. ldfi模块在碳排放测量任务中,捕获电力数据中的长期依赖性和识别不同类型发电机组之间的异质性至关重要。虽然传统transformer模型使用多头自注意力有效捕获长期依赖性,但cemformer中的ldfi模块通过关注碳排放数据的长期趋势和异质性进一步增强了这一能力。为了提高计算效率并减少冗余计算,cemformer将多头稀疏注意力机制整合到传统的自注意力框架中,如图5(d)所示。该机制在每个时间步骤选择性地关注最相关的查询,显著降低计算成本同时加速处理速度。 多频率电信号和热特征提取过程:(a)将电信号和热信号分解为多频率成分;(b)构建多频率电信号和热信号输入数据集xi={xi,1,...,xi,t,...,xi,N-T}。5. 基于cemformer的碳排放计算模型基于cemformer的碳排放计算模型的架构如图4所示。下载:下载高分辨率图像(482kb)下载:下载全尺寸图像图4. (a)传统transformer和(b)提出的两阶段训练cemformer的框架。cemformer引入了以下关键创新,以克服传统碳排放计算方法的局限性:①采用高效的仅编码器transformer架构,结合时间嵌入来捕获季节性变化、周期性波动和时间依赖性,从而增强模型对时间序列不同特征的适应性。②设计srfe模块,该模块建模多频率特征并捕获碳排放的局部关键表示。③引入ldfi模块,该模块提取长期趋势特征并识别不同类型发电机组之间的异质性。④集成lsff模块,该模块全面分析并融合上述关系特征以生成最终的碳排放计算结果。5.1. 带有时间嵌入的多特征输入在transformer模型中,输入数据首先通过嵌入层映射到特征空间,然后使用位置编码来结合位置信息。然而,在碳排放计算任务中,季节性变化和周期性波动是关键的时间特征,尤其是在电力生产中。例如,由于供暖和制冷需求,冬季和夏季的电力消耗和碳排放有显著差异。此外,假期、工作日和周末等因素对发电模式也有显著影响。图5(a)展示了一个时间嵌入示例,其中时间序列包括小时、假期状态和季节性等关键时间属性。相关计算公式如下:(16)x′i=fEmbed(xi)=fPE(xi)+fTimeStamp(xi)下载:下载高分辨率图像(726KB)下载:下载全尺寸图像图5. cemformer架构中的关键模块设计:(a)多特征输入时间嵌入,(b) srfe,(c) lsff,(d) ldfi。参数的定义可以在第5节中找到。其中fembed(xi)代表嵌入函数,fpe(xi)代表特征映射函数,ftimestamp(xi)代表嵌入的时间戳信息,xi和x′i分别是要嵌入的时间序列和处理后的序列。5.2. srfe模块如图5(b)所示,srfe模块由多个堆叠的时间卷积层组成。该模块有效捕获短期波动模式,确保对碳排放时间序列变化的快速响应[32]。时间卷积作为传统电力转碳估算模型中常用的卷积神经网络(cnn)和循环神经网络(rnn)的替代方案。与受固定核大小约束的cnn不同,时间卷积使用扩展卷积,允许灵活且可扩展地建模短期到中期依赖性[33]。此外,与存在梯度消失问题的长短期记忆(lstm)网络相比,时间卷积保持了更好的梯度流动并加速了收敛。时间卷积模块的核心组成部分是扩展因果卷积。因果卷积确保计算输出仅依赖于当前和过去的特征,保留时间序列的因果性,这对于逐点碳排放计算尤为重要。同时,扩展卷积在特定时间间隔选择性地采样,使模型能够关注短期到中期的特征模式。每个srfe模块结合了权重归一化、修正线性单元(relu)和dropout技术,以稳定梯度、提高收敛速度和增强模型泛化能力。srfe模块的特征提取过程形式化为:(17)xsrfel1=fSRFE(xSRFEl1-1) = relu(fweightnorm(ftcn(xsrfel1-1))) +xsrfel1-1(18)ftcn(xsrfel1-1)=∑k=0TwTCN(k)*xSRFEl1-1(T-k·d)其中fSRFE(·)代表SRFE模块,l1∈{0,1,2,...,L1}代表第l1层的SRFE模块。xSRFEl1-1代表前一个SRFE模块的输出,xSRFE0=x′i。fTCN代表TCN模块,wTCN(·)是卷积核的权重,k代表卷积的核大小,d是扩张率。5.3. lsff模块lsff模块是cemformer的核心组成部分,旨在有效整合srfe模块提取的短期特征和ldfi模块得到的长期特征。短期特征反映碳排放的快速波动和短周期变化,而长期特征揭示不同类型发电机组之间的趋势变化和异质性。传统的特征融合方法通常使用直接连接或加权合并,这可能导致信息丢失或特征之间的冲突。为了解决这些问题,lsff模块引入了交叉注意力机制,自适应地捕获短期和长期特征之间的相互作用(如图5(c)所示)。该机制有效地整合了两种特征类型的键信息,从而提高碳排放估计的准确性。lsff模块的实现形式化为:(19)xlsff=fLSFF(xSRFEL1,xLDFIL2)=fLayerNorm(xSRFEL1+fCrossAtten(xSRFEL1,xLDFIL2))其中xSRFEL1和xLDFIL2分别代表SRFE和LDFI模块提取的特征。fCrossAtten(·)指的是交叉注意力机制。如图5(c)所示,在CEMformer的交叉注意力层中,短期关系特征用作查询,而长期差异特征用作键和值来建立这两种类型变量之间的连接:(20)fCrossAtten(xSRFEL1,xLDFIL2)=Softmax(xSRFEL1WQSRFE(xLDFIL2WKLDFI)xLDFIL2WVLDFI)TdKLDFI其中WQSRFE、WKLDFI和WVLDFI是线性变换权重矩阵。dKLDFI代表XLDFIL2WKLDFI的维度。然后对提取的融合特征进行线性投影以生成最终的碳排放估算结果:(21)CEM^=fProjection(fLayerNorm(fFF(xLSFF)+xLSFF))其中CEM^代表模型的碳排放输出。fProjection(·)代表投影算子,在本研究中实现为全连接层。整个过程统一表示为FCEMformer(·,Θ)。5.4.>ε为了便于理解,使用函数fvmd(·)统一表示上述分解过程。图3(a)展示了使用fvmd(·)将电信号和热信号分解为多频率成分的过程。图3(b)展示了基于fvmd(·)分解的多频率电信号和热信号输入数据集xi={xi,1,...,xi,t,...,xi,n-t}的构建。下载:下载高分辨率图像(534kb)下载:下载全尺寸图像图3. 多频率电信号和热特征提取过程:(a)将电信号和热信号分解为多频率成分;(b)构建多频率电信号和热信号输入数据集xi={xi,1,...,xi,t,...,xi,n-t}。5. 基于cemformer的碳排放计算模型基于cemformer的碳排放计算模型的架构如图4所示。下载:下载高分辨率图像(482kb)下载:下载全尺寸图像图4. (a)传统transformer和(b)提出的两阶段训练cemformer的框架。cemformer引入了以下关键创新,以克服传统碳排放计算方法的局限性:①采用高效的仅编码器transformer架构,结合时间嵌入来捕获季节性变化、周期性波动和时间依赖性,从而增强模型对时间序列不同特征的适应性。②设计srfe模块,该模块建模多频率特征并捕获碳排放的局部关键表示。③引入ldfi模块,该模块提取长期趋势特征并识别不同类型发电机组之间的异质性。④集成lsff模块,该模块全面分析并融合上述关系特征以生成最终的碳排放计算结果。5.1. 带有时间嵌入的多特征输入在transformer模型中,输入数据首先通过嵌入层映射到特征空间,然后使用位置编码来结合位置信息。然而,在碳排放计算任务中,季节性变化和周期性波动是关键的时间特征,尤其是在电力生产中。例如,由于供暖和制冷需求,冬季和夏季的电力消耗和碳排放有显著差异。此外,假期、工作日和周末等因素对发电模式也有显著影响。图5(a)展示了一个时间嵌入示例,其中时间序列包括小时、假期状态和季节性等关键时间属性。相关计算公式如下:(16)x′i=fembed(xi)=fpe(xi)+ftimestamp(xi)下载:下载高分辨率图像(726kb)下载:下载全尺寸图像图5. cemformer架构中的关键模块设计:(a)多特征输入时间嵌入,(b) srfe,(c) lsff,(d) ldfi。参数的定义可以在第5节中找到。其中fembed(xi)代表嵌入函数,fpe(xi)代表特征映射函数,ftimestamp(xi)代表嵌入的时间戳信息,xi和x′i分别是要嵌入的时间序列和处理后的序列。5.2. srfe模块如图5(b)所示,srfe模块由多个堆叠的时间卷积层组成。该模块有效捕获短期波动模式,确保对碳排放时间序列变化的快速响应[32]。时间卷积作为传统电力转碳估算模型中常用的卷积神经网络(cnn)和循环神经网络(rnn)的替代方案。与受固定核大小约束的cnn不同,时间卷积使用扩展卷积,允许灵活且可扩展地建模短期到中期依赖性[33]。此外,与存在梯度消失问题的长短期记忆(lstm)网络相比,时间卷积保持了更好的梯度流动并加速了收敛。时间卷积模块的核心组成部分是扩展因果卷积。因果卷积确保计算输出仅依赖于当前和过去的特征,保留时间序列的因果性,这对于逐点碳排放计算尤为重要。同时,扩展卷积在特定时间间隔选择性地采样,使模型能够关注短期到中期的特征模式。每个srfe模块结合了权重归一化、修正线性单元(relu)和dropout技术,以稳定梯度、提高收敛速度和增强模型泛化能力。srfe模块的特征提取过程形式化为:(17)xsrfel1=fsrfe(xsrfel1-1) = relu(fweightnorm(ftcn(xsrfel1-1))) +xsrfel1-1(18)ftcn(xsrfel1-1)=∑k=0twtcn(k)*xsrfel1-1(t-k·d)其中fsrfe(·)代表srfe模块,l1∈{0,1,2,...,l1}代表第l1层的srfe模块。xsrfel1-1代表前一个srfe模块的输出,xsrfe0=x′i。ftcn代表tcn模块,wtcn(·)是卷积核的权重,k代表卷积的核大小,d是扩张率。5.3. lsff模块lsff模块是cemformer的核心组成部分,旨在有效整合srfe模块提取的短期特征和ldfi模块得到的长期特征。短期特征反映碳排放的快速波动和短周期变化,而长期特征揭示不同类型发电机组之间的趋势变化和异质性。传统的特征融合方法通常使用直接连接或加权合并,这可能导致信息丢失或特征之间的冲突。为了解决这些问题,lsff模块引入了交叉注意力机制,自适应地捕获短期和长期特征之间的相互作用(如图5(c)所示)。该机制有效地整合了两种特征类型的键信息,从而提高碳排放估计的准确性。lsff模块的实现形式化为:(19)xlsff=flsff(xsrfel1,xldfil2)=flayernorm(xsrfel1+fcrossatten(xsrfel1,xldfil2))其中xsrfel1和xldfil2分别代表srfe和ldfi模块提取的特征。fcrossatten(·)指的是交叉注意力机制。如图5(c)所示,在cemformer的交叉注意力层中,短期关系特征用作查询,而长期差异特征用作键和值来建立这两种类型变量之间的连接:(20)fcrossatten(xsrfel1,xldfil2)=softmax(xsrfel1wqsrfe(xldfil2wkldfi)xldfil2wvldfi)tdkldfi其中wqsrfe、wkldfi和wvldfi是线性变换权重矩阵。dkldfi代表xldfil2wkldfi的维度。然后对提取的融合特征进行线性投影以生成最终的碳排放估算结果:(21)cem^=fprojection(flayernorm(fff(xlsff)+xlsff))其中cem^代表模型的碳排放输出。fprojection(·)代表投影算子,在本研究中实现为全连接层。整个过程统一表示为fcemformer(·,θ)。5.4. ldfi模块在碳排放测量任务中,捕获电力数据中的长期依赖性和识别不同类型发电机组之间的异质性至关重要。虽然传统transformer模型使用多头自注意力有效捕获长期依赖性,但cemformer中的ldfi模块通过关注碳排放数据的长期趋势和异质性进一步增强了这一能力。为了提高计算效率并减少冗余计算,cemformer将多头稀疏注意力机制整合到传统的自注意力框架中,如图5(d)所示。该机制在每个时间步骤选择性地关注最相关的查询,显著降低计算成本同时加速处理速度。>这种方法不仅有效地捕捉了关键的长期依赖关系,还最小化了资源消耗,在大规模碳排放数据处理中展现了显著的优势。LDFI模块的特征识别过程如下形式化:(22)xLDFIl2=fLDFI(xLDFIl2-1)=fLayerNorm(fFF(hLDFIl2-1) +hLDFIl2-1)(23)hLDFIl2-1=fLayerNorm(fMultiSparseAtten(Kl2,Ql2,Vl2) +xLDFIl2-1)(24)Ql2=xLDFIl2-1Wq,Kl2=xLDFIl2-1Wk,Vl2=xLDFIl2-1Wv其中fLDFI(·)是LDFI模块,l2∈{0,1,2,...,L2}代表第l2个LDFI模块,xLDFIl2-1代表前一个LDFI模块的输出,xLDFI0=x′i,hLDFIl2-1代表LDFI模块的隐藏状态,fFF(·)指的是前馈网络。fMultiSparseAtten(·)表示多头概率稀疏注意力机制,它选择顶键(Kl2)、值(Vl2)和查询(Qtop-ul2)对作为输入,并将查询和键值对映射到输出。可以表示为:(25)MultiSparseAtten(Kl2,Qtop-ul2,Vl2) =fConcat(head1,...,headh)Wo(26)headh=f SparseAtten(Kl2,Qtop-ul2,Vl2)=fSoftmaxQtop-ul2(Kl2)TdKl2Vl2(27)Qtop-ul2=argTop -u(KL(qi,Kl2))qi∈Ql2(28)KL(qi,Kl2)=maxjqi(kjl2)TdKl2-1T∑j=1Tqi(kjl2)TdKl2其中dKl2是Kl2的维度,qi是Ql2中第i个位置的元素。KL(·)表示Kullback–Leibler散度,用作稀疏性度量来区分关键查询。5.5. 两阶段模型训练方法CEMformer在从E型发电机单元收集的数据集X1:E上进行训练和评估,因此两阶段训练可以描述如下。在预训练的第一阶段,分别训练SRFE和LDFI模块,以提高它们识别不同特征类型的能力,从而提高多类型单元碳排放计算的准确性。对于预期用于捕捉短期动态特征的SRFE模块,引入了掩码特征学习方法。该方法随机屏蔽部分输入特征,迫使模型使用上下文线索重建被屏蔽的部分。掩码特征学习的重建损失定义为:(29)Lrecon=argminΘSRFE∑e∈X1:E∑i∈Rxe,i-xe,irecon22(30)xe,irecon=FN(SRFE(xLDFIl2-1))其中xe,irecon代表重建的多频电热输入特征,ΘSRFE是SRFE模块的可训练参数。对于旨在识别发电机单元之间长期差异特征的LDFI模块,引入了特征源识别学习来鼓励模型识别来自不同发电机单元的数据。特征源识别损失定义为:(31)Ldistin=argminΘLDFI(-∑e∈X1:E∑i=1L-Tce,ilogc^e,i)(32)c^e,i是发电机类别的总数,c^e,i是SRFE模块估计的类别,ΘLDFI是LDFI模块的可训练参数。在第二阶段,整体训练目标是最小化CEMformer预测的碳排放与真实值之间的均方误差:(33)L=argminΘ∑e∈X1:E∑i=1L-TCEi-FCMEformer(fVMD(xe,i,M),Θ)22其中CEi代表真实的碳排放值,Θ是整个模型的可训练参数。在实际应用中,必须整理和预处理来自异构发电机单元的数据集,以便应用VMD进行信号分解和多频特征提取。此外,应定期重新训练以保持和增强模型对发电设施变化的操作条件的适应性,从而确保持续的估计准确性和鲁棒性。6. 案例研究6.1. 场景构建和数据描述为了验证所提出的碳排放测量方法在多种类型发电机单元中的有效性,本研究设计了三个实验场景,从不同角度和应用环境全面评估模型的性能。场景1:消融研究。该场景遵循之前用于评估电转碳估计模型的实验设计原则,旨在验证所提出模型在处理多类型发电机单元时的优势。具体来说,该实验验证了VMD在多特征提取中的有效性,并将其与传统的电转碳模型和常用的信号分解方法(包括EEMD [34]、WTD [35] 和 CEEMDAN [36])进行比较。为了进一步评估CEMformer模型的性能,还将其与文献中常用的最先进(SOTA)碳排放估计模型进行了比较,包括:多注意力门控循环单元(MA-GRU)[16]、图卷积网络(GCN)[37]、CNN-LSTM [15]、Transformer(仅编码器)和Informer(仅编码器)[17]。此外,该场景还包括对CEMformer四个核心模块对碳排放计算性能影响的详细分析。场景1的数据集包括来自美国环境保护署(EPA)的六个公开可用的数据集。它包含了使用各种燃料类型(包括煤炭、天然气、石油、木质生物质和混合燃料)的发电机单元的每小时发电量、热能和碳排放记录。表1提供了数据集的统计特征总结。为了便于参考,表1中的所有发电机单元都依次标记。表1. 多类型发电机单元的统计结果。单元名称 单元类型 & 数据集大小 数据类型 最大值 平均值 标准差Cayuga(Unit I)燃煤发电(2022.1.1–2023.12.31)功率(MW)1091.0544.5215.1热量(GJ)11 175.95410.92109.1碳排放(tCO2)1086.8526.2205.1F B Culley 发电厂(Unit II)燃煤发电(2022.1.1–2023.12.31)功率(MW)385.0147.6130.0热量(GJ)4920.21812.81473.6碳排放(tCO2)478.5175.9143.5Seminole(136)(Unit III)燃气发电(2023.1.1–2023.12.31)功率(MW)1182.0703.0479.0热量(GJ)7931.64683.93165.0碳排放(tCO2)446.8263.8178.3Canal Station(Unit IV)燃油发电(2022.1.1–2023.2.5)功率(MW)589.012.774.0热量(GJ)5599.2124.5706.3碳排放(tCO2)430.69.654.3DTE Stockton(Unit V)木质生物质发电(2022.1.1–2023.12.31)功率(MW)113.058.139.1热量(GJ)1607.2800.5514.7碳排放(tCO2)159.079.251.0Gulf Clean Energy Center(Unit VI)混合燃料发电(煤和气)(2020.1.1–2020.12.31)功率(MW)729.0148.9166.8热量(GJ)33 236.61739.92310.7碳排放(tCO2)2011.8143.8178.0场景2:电力系统中的负载侧碳排放计算。该场景基于IEEE 30节点系统,重点是计算负载侧的碳排放。系统由六个发电机单元组成,数据来源于EPA,包括:连接节点1、2、21和27的四个热电单元(两个燃煤单元、一个天然气单元和一个煤-天然气混合单元),以及两个可再生能源单元,数据来源于[36]、[38],包括:节点12的一个风力发电机和节点22的一个光伏(PV)单元。对于非发电节点,负载数据源自中国典型工业用户的日负载曲线,初始负载值取自标准的IEEE 30节点系统。在这个实验中,功率流和碳排放流模型的时间分辨率为1小时。6.2. 评估指标和模型超参数本研究采用四个评估指标来评估碳排放测量模型的性能:均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和标准化RMSE(nRMSE)。这些评估指标的公式如下:(34)RMSE=1S∑i=1SCEi-CEi^2(35)MAE=1S∑i=1SCEi-CEi^(36)MAPE=1S∑i=1SCEi-CEi^CEi-CEi^×100%(37)nRMSE=RMSECEˉ其中CE和CE^分别代表实际和估计的碳排放。CEˉ是实际碳排放的平均值,S是数据集中的样本总数。表2列出了所提出方法的超参数设置。对于VMD,IMF的数量是使用中心频率标准选择的,所有其他参数设置为它们的默认值[39]。从K = 2开始,K逐步增加;当K = 9时,新添加的中心频率与K = 8时的几乎相同。因此,选择K = 8作为IMF的数量。为了防止特征泄露,本研究遵循参考文献[40]中的策略,分别对训练集和测试集应用VMD分解。模型输入长度L设置为96,意味着模型利用时间窗口[j?L, j]内的功率和热IMF来计算时间j的碳排放。时间卷积模块包含四层因果膨胀卷积,其中膨胀率从1指数增长到4。表2. 电力系统提出的碳排放计算方法的超参数。模块超参数值VMD IMF的数量8数据集输入长度96时间嵌入投影维度512时间信息嵌入类型小时 & 周期性与节假日SRFE层数3扩展因子[1],[2],[4]核心大小3步长1LDFI层数2稀疏注意力头数4激活函数GELULSFF交叉注意力头数4全局参数epoch数30学习率0.001优化器Adam批量大小16损失函数MSE丢弃率0.1实验在配备Intel? Core? i9-11900K CPU(3.50 GHz)和32GB DDR RAM的计算机上进行,运行Windows 10。VMD在MATLAB R2021a中实现,而CEMformer是用Python 3.10和PyTorch 2.2开发的。6.3. 场景1:消融研究为了全面评估所提出方法在碳排放计算任务中的性能,进行了一系列消融实验。这些实验从多个角度系统地比较了所提出的方法及其核心组件,包括数据特征分解、多源碳排放映射模型和CEMformer模块。实验设置如下:1) 使用严格控制变量方法,分别消融所提出方法的每个核心模块以验证其有效性;2) 数据集按8:1:1的比例分为训练集、验证集和测试集,确保在训练期间对模型性能进行科学合理的评估;3) 每种碳排放计算方法独立训练五次,并在测试集上记录性能指标(RMSE、MAE、MAPE和nRMSE)。6.3.1. 不同数据处理策略的讨论本节重点分析VMD对异构发电机单元碳排放计算的影响。为了验证VMD在多频特征提取中的优势,本研究将其与常用的信号分解方法(包括EEMD、WTD、CEEMDAN和其他传统的电转碳估计方法)进行比较。图6展示了当VMD被其他数据预处理方法替换时,CEMformer模型在不同发电机单元上的性能变化。IRMSE、IMAE、IMAPE和InRMSE分别代表了VMD相对于其他方法(EEMD、WTD、CEEMDAN和传统的电转碳估计方法)在RMSE、MAE、MAPE和nRMSE方面的性能改进。下载:下载高分辨率图像(555KB)下载:下载全尺寸图像图6. 不同原始数据处理策略下的模型性能。从图6可以明显看出,对于单元Ⅰ、Ⅱ和Ⅵ,VMD在所有四个评估指标上都表现出显著的优势。与表现最差的传统电转碳估计方法相比,VMD在异构数据上显示出显著的性能改进:RMSE减少了7.4–41.9 tCO2,MAE减少了5.1–29.5 tCO2,MAPE减少了0.2%–7.4%,nRMSE减少了6.9%–7.4%。与表现相对较好的CEEMDAN相比,VMD仍然显示出明显的改进:RMSE减少了2.9–9.9 tCO2,MAE减少了1.5–11.4 tCO2,MAPE减少了0.1%–2.0%,nRMSE减少了2.3%–8.4%。然而,对于单元Ⅳ和Ⅴ,VMD、EEMD和CEEMDAN之间的性能差异相对较小。例如,VMD、WTD和CEEMDAN之间的RMSE和MAE差异在0.2 tCO2以内。这可能归因于这些单元的碳排放相对稳定(如表1中的统计特征所示)。对于相对稳定的信号,如EEMD、WTD和CEEMD等分解方法仍然显示出合理的有效性,导致模型性能的差异较小。此外,所有具有分解的方法都显著优于传统方法。实验结果表明,VMD在碳排放计算中具有显著优势。在多频特征提取方面,VMD的表现优于EEMD、WTD和CEEMD等信号分解方法,特别是在高度异构的发电机单元中。相比之下,传统的电转碳估计方法在所有单元上的表现较差,可能是由于它无法有效地从数据中提取关键特征。6.3.2. 与其他模型的性能比较本节使用来自六个不同发电机单元的数据集,评估CEMformer与五种基线方法(MA-GRU、GCN、CNN-LSTM、Transformer和Informer)的性能。图7展示了四个指标的雷达图,说明了不同模型在单位I–VI之间的碳排放计算性能。CEMformer在异构数据集上展示了相对于传统深度学习架构的显著性能优势。具体来说,它相对于GCN在RMSE、MAE、MAPE和nRMSE方面平均分别减少了9.38 tCO2、6.88 tCO2、2.61%和6.81%。同样,相对于MA-GRU(7.11 tCO2、4.53 tCO2、1.86%和5.82%)和CNN-LSTM(6.00 tCO2、4.35 tCO2、2.05%和5.90%)也取得了显著改进。虽然Transformer和Informer模型表现出竞争力,但CEMformer在各个指标上保持了优势,分别比Informer高出1.87 tCO2、1.09 tCO2、0.28%和0.82%,比Transformer高出2.82 tCO2、2.15 tCO2和2.76%。这些结果表明,基于自注意力的模型,特别是CEMformer,在识别发电机单元的独特特征及其与碳排放的关系方面具有明显优势。这种能力使得异构电力系统的排放计算更加可靠。下载:下载高分辨率图像(453KB)下载:下载全尺寸图像图7. 提出模型和基线模型在异构发电机单元中的性能。图8中的单元特定性能分析揭示了所提出的CEMformer与基线模型在碳排放计算方面的关键差异。对于碳排放信号相对稳定的单元(例如单元V和VI),CEMformer、Informer和Transformer表现出较低的计算误差,例如2023年11月30日的单元V和2023年12月25日的单元VI。这表明这些架构在处理一致、低波动性的数据时具有强大的泛化能力。然而,在排放波动较大的单元(例如单元I–IV)上,这些模型的性能差异显著。在这些更具挑战性的场景中,CEMformer始终提供了更准确地跟踪实际排放变化的估计。相比之下,尽管Transformer和Informer在捕捉长期依赖性方面表现出色,但当面对来自不同发电机单元的易变时间序列数据中的异质性和复杂性时,它们存在局限性。这些发现表明CEMformer在提取和整合短期和长期特征方面具有显著优势。它擅长捕捉不同时间尺度上的碳排放模式,提供更准确的估计,特别是对于波动较大的单元。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图8. 不同发电机单元的碳排放结果。6.3.3. 关于CEMformer模块的讨论本节分析了每个CEMformer模块的贡献,并将结果与不同的基线模型进行了比较。为此,实验评估了SRFE模块(记为CEMformer*)、LDFI模块(记为CEMformer**)和LSFF模块(记为CEMformer***)对碳排放准确性的影响。表3提供了详细结果,说明了移除每个模块对计算准确性的具体影响。表3. CEMformer中不同模块对碳排放计算的影响模型RMSE(tCO2)MAE(tCO2)MAPE(%)nRMSE(%)单元ⅠCEMformer19.0314.062.467.81CEMformer*25.2718.572.979.95CEMformer**30.4022.433.6111.97CEMformer***23.2917.472.799.21单元ⅡCEMformer10.537.902.669.29CEMformer*15.1211.383.8513.29CEMformer**17.3412.894.3515.20CEMformer***14.7811.133.8212.97单元ⅢCEMformer15.3010.833.759.52CEMformer*17.8712.714.4411.06CEMformer**23.4916.645.7514.49CEMformer***16.9711.774.0810.56单元ⅣCEMformer1.931.191.564.43CEMformer*2.771.522.806.66CEMformer**1.740.911.114.16CEMformer***1.931.151.534.63单元ⅤCEMformer2.602.032.9313.62CEMformer*2.631.982.9413.79CEMformer**2.782.173.0414.54CEMformer***2.642.072.9113.85单元ⅥCEMformer9.762.583.926.20CEMformer*11.087.842.716.88CEMformer**10.957.692.676.80CEMformer***:移除了SRFE模块;CEMformer**:移除了LDFI模块;CEMformer***:移除了LSFF模块。结果显示,移除SRFE模块(CEMformer*)会导致所有单元的估计误差普遍增加,尤其是在碳排放波动较大的单元Ⅰ、Ⅱ和Ⅲ中。这些单元的RMSE和MAE显著增加,表明SRFE对于捕捉碳排放的短期变化和趋势至关重要。SRFE利用堆叠的时间卷积层和膨胀卷积来有效建模时间序列数据中的短期变化。具体来说,移除SRFE模块后,单元Ⅰ、Ⅱ和Ⅲ的RMSE、MAE、MAPE和nRMSE分别平均增加了4.47 tCO2、3.29 tCO2、0.79%和2.56%。移除LDFI模块(CEMformer**)进一步显著降低了模型性能。对于单元Ⅰ、Ⅱ和Ⅲ,RMSE、MAE、MAPE和nRMSE的平均增加分别为8.79 tCO2、6.39 tCO2、1.63%和5.01%。LDFI模块利用稀疏注意力机制来识别长期依赖性并区分不同单元之间的特征,对于处理长期排放趋势和异质性尤为关键。其缺失显著削弱了模型捕捉长期特征的能力,特别是对于有强烈趋势或高变异性的单元。移除LSFF模块(CEMformer***)的影响相对较小,但导致准确性显著下降。对于单元Ⅰ、Ⅱ和Ⅲ,RMSE、MAE、MAPE和nRMSE的平均增加分别为3.39 tCO2、2.52 tCO2、0.61%和2.04%。LSFF模块动态整合了短期和长期特征,增强了模型的泛化能力。尽管其移除对性能的影响不如SRFE或LDFI严重,但它通过促进特征融合在整体性能提升中发挥了重要作用。对于某些单元,如单元Ⅳ、Ⅴ和Ⅵ,移除SRFE或LDFI模块几乎不会导致性能显著下降。在某些情况下,CEMformer*和CEMformer**的性能与完整CEMformer模型相当。例如,在单元Ⅳ中,CEMformer**对整体性能的影响很小。这可能是由于这些单元的短期碳排放信号相对稳定且缺乏显著的长期趋势。LDFI模块主要识别长期差异化特征和趋势,因此其对变化较小或长期变化较少的单元的影响有限。6.3.4. 关于模型效率和可解释性的讨论本节详细探讨了所提出的CEMformer在碳排放计算方面的效率和可解释性,重点关注性能提升、训练时间、模型大小以及LSFF模块的注意力权重分析。图9将CEMformer与几种基线模型(即GCN、MA-GRU、CNN-LSTM、Transformer和Informer)在多类型发电机碳排放任务上的表现进行了比较。使用平均RMSE、训练时间和模型大小作为指标,较小的模型如GCN和MA-GRU训练速度更快,需要的内存也更少,但其平均RMSE超过了16 tCO2,这不足以进行多样化发电机类型的可靠碳排放计算。与Transformer和Informer相比,CEMformer需要更长的训练时间和更大的模型大小;然而,它实现的RMSE为9.58 tCO2,远低于Transformer的12.68 tCO2和Informer的11.72 tCO2。这些结果表明,由于CEMformer是为多类型单元计量定制设计的,因此在准确性和计算效率之间取得了良好的平衡。尽管它需要更长的训练时间和更高的存储需求,但其准确性提升和建模能力使其成为高精度碳核算的理想选择。下载:下载高分辨率图像(129KB)下载:下载全尺寸图像图9. 不同计量模型在多种发电机类型上的碳排放计算任务效率比较。图10可视化了LSFF模块对不同发电机类型输入特征的注意力权重。x轴表示输入特征的时间索引,例如最后一个输入时间步与碳排放估计的目标时间对齐。y轴报告了每个时间步所有输入特征的Softmax分数。这些分数的差异反映了单元之间的操作差异。对于操作模式规则的发电机,如单元Ⅱ和单元Ⅲ,模型关注周期性和重复性变化。对于操作不确定性较大的单元,如单元Ⅳ和单元Ⅴ,模型则关注短期、剧烈波动。这种行为表明该方法能够区分不同单元类型的异质性,并集中在关键时间窗口内最具信息量的电气和热学特征上,从而提高计量准确性。此外,尽管操作特性不同,CEMformer在所有六个单元中都表现出一致的注意力模式:它在估计时间附近关注电气和热学输入。这一发现表明CEMformer有效识别了发电过程中与排放最相关的时间窗口,从而提高了碳排放计算的准确性。下载:下载高分辨率图像(325KB)下载:下载全尺寸图像图10. 六个发电单元的LSFF注意力权重Softmax分数。6.4. 场景2:电力系统中的负荷侧碳排放计算本节评估了所提出的CEMformer模型在使用IEEE 30节点系统计算负荷侧碳排放时的可行性和有效性。CEMformer计算不同类型发电机的每小时碳排放量,以确定CEI。然后使用功率流和碳排放流模型计算每个负荷节点和发电机注入节点的每小时CEI。附录A中的图S1和S2展示了典型一天内不同发电机的每小时发电量和代表性负荷节点的电力消耗模式。使用所提出方法获得的IEEE 30节点系统CEI分布的热图如图11所示。它显示较高的CEI值集中在热电厂附近。连接到煤或天然气发电机的节点(例如节点3-7和19-20)的CEI值显著较高。相反,连接到风能和太阳能发电机的节点(例如节点13-16和24-25)的CEI值相对较低。然而,由于上游碳排放注入,这些节点的CEI值不为零,因为它们可能包括来自上游节点的热电厂的排放。图12展示了代表性负荷节点(节点3、13、20和28)的每小时碳排放量。绿色曲线表示基于发电机实际CEI值的碳排放量。红色曲线表示使用CEMformer估计的间接CEI计算的碳排放量。下载:下载高分辨率图像(456KB)下载:下载全尺寸图像图11. 基于所提方法的IEEE 30节点系统的节点CEI分布。下载:下载高分辨率图像(318KB)下载:下载全尺寸图像图12. 节点3、13、20和28的每小时碳排放量结果。结果表明,所提出的综合碳排放计算方法与基于实际排放强度的计算在大多数时间段内高度一致。图12中的灰色阴影区域代表计算误差的分布,显示在大多数情况下误差相对较小。总误差保持在1.7 tCO2以下,在某些高峰或低谷期间仅有轻微增加。7. 结论本文提出了一种新颖的方法,旨在提高电力系统中碳排放计算的准确性,以实现多类型发电机单元排放的精确测量。该方法将传统的电力到碳估计方法扩展到基于VMD和CEMformer的多特征碳排放计算框架,并引入了三个关键模块:SRFE、LDFI和LSFF。这些模块有效捕捉了多类型发电机单元排放的低频和高频特征,并通过短期和长期特征的自适应融合提高了建模准确性。实验结果表明,所提出的方法在多类型发电机单元的碳排放计算中实现了高准确性。与传统的电力到碳估计方法相比,所提出的多特征方法在多类型电力数据集上的平均RMSE和MAE分别减少了12.17 tCO2和8.45 tCO2。与先进的Transformer模型相比,CEMformer在多类型电力数据集上的最大RMSE和MAE分别减少了4.17 tCO2和2.96 tCO2。对于负荷侧碳排放计算,整体误差保持在1.7 tCO2以下,验证了模型捕捉动态和静态碳流特性的可靠性。随着大数据和AI算法的进步,电力系统中碳排放计算的准确性和效率不断提高。所提出的方法可以为气候政策设计和建立碳交易市场提供数据基础和决策支持[41]。在电力市场中,可靠的单元级排放数据可以指导调度中心在市场清算和经济调度期间优先考虑低排放单元。在需求侧,基于CEI的差异化激励可以鼓励灵活负荷调整消费,从而减少系统范围内的排放[42]。在碳交易中,监管机构可以使用历史和实时排放数据更精确地定义基准,并以更严格和透明的方式分配配额。更精确的测量还可以自动化第三方验证和审计,降低成本并提高市场流动性。尽管有这些优势,实际部署仍面临一些挑战。首先,目前获取可靠和完整的大规模数据集非常困难且耗时,这限制了在更大电网上的验证。在未来的工作中,我们将扩大可用数据集的规模和类型,并开发更适合大规模电力系统的碳排放测量方法。例如,一个有前景的方向是使用AI技术实现精确的全系统碳计算。其次,由于机械故障、设备维护和人为操作问题,智能传感器经常产生测量误差和延迟。我们将在模型设计中加入智能异常检测和校正功能,以提高鲁棒性和减少不准确性。最后,高质量碳数据具有价值,在数据交换过程中可能会产生隐私风险。同时提高测量精度时,信息安全也将成为一个关键的研究课题。BRediT作者贡献声明高碧轩:撰写 - 原稿、可视化、软件、方法论、调查。张瑞伟:撰写 - 原稿、可视化、软件、方法论。孔向宇:撰写 - 原稿、可视化、概念化。刘高华:撰写 - 评审与编辑、监督、资源、项目管理、正式分析。方凯杰:撰写 - 评审与编辑、验证、正式分析、概念化。段美美:可视化、数据策划、概念化。