项目详情
用于电力行业碳排放测度的两阶段 Transformer 框架
背景与动机
在双碳目标背景下，电力行业作为碳排放大户，亟需高频、精准的碳排放估算能力，以支撑碳交易、碳核查与减排决策。传统基于排放因子的核算方法时间分辨率低（年度/月度）、难以刻画机组级动态波动，且对数据缺失与异常高度敏感。
火电厂的碳排放同时受燃料特性、机组运行状态、气象条件等多重因素耦合影响，呈现强非线性与显著时空异质性。单一的计量经济模型难以捕捉残差中的非线性动态，而纯数据驱动的深度学习又缺乏经济可解释性。本项目提出计量经济与深度学习相融合的两阶段框架，兼顾精度与可解释性。
方法与创新
第一阶段：双重固定效应模型
采用面板数据双重固定效应（Two-way Fixed Effects）模型提取碳排放的线性结构，控制机组固定效应与时间固定效应，剥离掉机组固有差异与宏观时间趋势，得到具备明确经济含义的线性基准估计与残差序列。
第二阶段：时空 Transformer
将第一阶段残差作为目标，输入构建的时空 Transformer 网络。编码器采用时间注意力捕捉机组运行的长短期动态，解码器引入空间注意力建模不同机组、不同电厂之间的协同与溢出效应。该设计使模型能自适应学习残差中的非线性时空依赖，从而补全线性模型无法解释的部分。
融合策略
- 线性部分保证经济可解释性和小样本稳定性
- 非线性部分通过时空注意力提升高频估计精度
- 两阶段解耦训练，避免端到端黑箱导致的过拟合
实验与成果
在多家火电厂实际运行数据集上验证，相比单一 LSTM、XGBoost 及纯固定效应模型，本框架在日度碳排放估算上的 MAE 降低约 23%，在碳排高峰时段的捕捉能力提升尤为明显。
该论文获得2024 国研大数据建模大赛第二名，验证了"计量经济 + 深度学习"融合范式在电力碳测度场景的有效性与实用性。