基于轻量化超分辨感知与动态排放因子的近实时家庭碳排放估算

《Sustainable Energy Technologies and Assessments》：Near real-time household carbon emission estimation based on lightweight super-resolution perception and dynamic emission factors

　　

• •
  近实时家庭碳排放估算，具有增强的时空分辨率和精度。
• •
  轻量级超分辨率感知模型，用于从小时级测量数据中重建分钟级数据。
• •
  引入单元级动态排放因子，以准确捕捉电力系统实时特征。
• •
  融合元学习方法，提升框架在不同家庭和场景中的泛化能力。

引言

人为活动产生的温室气体排放加剧了全球气温上升、海平面上升以及极端天气事件的发生频率。建筑部门在追求碳达峰和碳中和目标中发挥着至关重要的作用[1]，大约有28%的温室气体排放来自建筑运行，包括电力、天然气和制冷剂的使用[2]、[3]。在这些运行排放中，范围二排放占据主导地位。了解家庭实时碳排放特征有助于建筑集成碳监测[4]和需求侧碳感知运行[5]。此外，这种高分辨率数据还为碳核查和碳交易提供了可靠的基础。

目前有多种方法用于估算建筑碳排放，包括联合国政府间气候变化专门委员会（IPCC）清单方法、排放因子法、投入产出分析和生命周期评估（LCA）。Yi等人[6]利用排放因子法估算了建筑施工过程中产生的碳排放。Zhang和Liu[7]通过投入产出分析计算了建筑行业的直接、间接和相关碳排放。Xiaoyu Jin等人[8]利用LCA框架，采用排放因子法量化了高密度城市区域的碳排放。然而，这些传统方法主要侧重于长期碳核算，无法满足家庭层面的分析需求。具体而言，它们依赖时间粒度较粗的低频率历史数据，无法捕捉日常家庭能耗和碳排放的动态波动。超越这些静态评估需要转向及时监测。严格实时估算旨在以秒级响应速度推断当前排放，但往往受限于观测数据的完整性。为此，近实时估算提供了一种实用解决方案：其目标与实时估算完全相同，但允许数分钟至数小时的延迟，以满足数据传输、处理和计算的需求。

近实时家庭碳排放估算需要更高频率的表计数据采集以及对设备使用情况的了解。与以小时或15分钟为间隔采集的传统智能电表数据相比，高分辨率计量数据使能源管理公司能够进行更精细的消耗模式分析，从而提高预测精度和运营管理效率[9]。然而，数据采集频率的提高给存储基础设施、云计算资源和数据处理流程带来了沉重负担，导致公用事业公司和服务提供者的成本大幅上升。此外，电网中现有的低频表计基数庞大，全面更换在经济上不可行[10]。为应对这些问题，超分辨率感知方法在从低频测量数据重建高分辨率能耗数据方面已证明有效[10]、[11]、[12]、[13]、[14]。这些先进方法能够准确恢复详细数据，减少对昂贵的高频数据采集、传输和存储的需求，使数据管理更加高效。

为提高碳核算精度，本文提出了一种融合超分辨率模型与动态排放因子的近实时家庭碳排放估算框架。本研究的主要贡献如下：

• 1.
  提出了一种近实时家庭碳排放估算框架，将超分辨率感知方法与动态排放因子相结合，大幅提升碳排放评估的时空分辨率和精度。
• 2.
  开发了一种轻量级超分辨率感知模型，从低频测量数据中重建高频数据，以提高能源使用状况的准确性，并通过涉及20户家庭的实验验证了其有效性。
• 3.
  引入单元级动态排放因子，考虑电网碳排放的时间动态特征，从而提高家庭碳排放估算精度。
• 4.
  融入元学习方法优化模型初始化，有效提升了框架在不同家庭和场景中的泛化能力。

章节摘要

碳排放估算

为实现精确、快速、高分辨率的碳排放估算，最新方法利用了传感器数据和机器学习技术。Liu等人[15]提出了一种将多头自注意力机制与门控循环单元相结合的家电识别方法，并将其应用于工厂间接排放估算。一种工厂级碳排放估算方法将非侵入式负荷监测算法与深度网络相结合[16]。最近，一种深度

总体框架

为估算家庭实时碳排放，通常需要考虑范围一和范围二排放类别。范围一排放是家庭通过自有或控制的资源直接排放的温室气体，例如烹饪过程中现场燃料燃烧。范围二涵盖从进口能源（如电力或供暖）产生的间接排放。范围三包括家庭供应链中的所有其他间接排放，但不包括范围二中的排放。对于家庭而言，实时

数据集与预处理

为评估所提出碳排放估算框架的有效性和实用性，本研究采用了开源的REFIT数据集[35]（可通过 https://pureportal.strath.ac.uk/en/datasets/refit-electrical-load-measurements-cleaned/ 获取）进行实验验证。在测试中，我们聚焦于电力相关的范围二排放近实时估算。范围一排放已纳入框架但未经实证评估，因其影响有限。REFIT数据集

结论

本文提出了一种基于轻量级SRP技术、动态排放因子和元学习的近实时家庭碳排放估算框架。该框架利用智能电表数据大幅降低了碳排放估算误差。具体而言，对于小时级分辨率的智能电表数据，首先采用SRP方法重建五分钟的细粒度电力消耗曲线，然后结合动态排放因子

CRediT作者贡献声明

Wu Haibin：撰写–审阅与编辑、可视化、软件、资源、项目管理。 Long Yiwen：撰写–初稿撰写、验证、形式化分析、数据整理。 Zhao Huan：撰写–审阅与编辑、监督、方法论、概念化。 Di Zichen：撰写–审阅与编辑、资源、资金获取。 Liu Guolong：撰写–审阅与编辑、软件。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究获得国家自然科学基金（资助号52500167，授予Z.D.）和PolyU Direct（P0055915，P0051105）的经费支持。

Wu Haibin|Long Yiwen|Zhao Huan|Di Zichen|Liu Guolong