基于碳卫星与电力排放数据的碳计量

章政文; 顾津锦; 赵俊华; 黄建伟; 吴海峰; 文福拴

doi:10.7500/AEPS20230314004

您当前的位置：

首页 >

文章列表页 >

基于碳卫星与电力排放数据的碳计量

碳视角下的电力系统分析与优化 | 更新时间：2025-06-16

- 基于碳卫星与电力排放数据的碳计量
- Carbon Measurement Based on Carbon Satellite and Electricity Emission Data
- 电力系统自动化 2024年48卷第1期页码：2-9
- 作者机构：
  
  1.香港中文大学(深圳)理工学院,广东省深圳市 518100
  2.悉尼大学电气与信息工程学院,悉尼 2006,澳大利亚
  3.香港中文大学(深圳)高等金融研究院,广东省深圳市 518100
  4.浙江大学电气工程学院,浙江省杭州市 310027
- 作者简介：
  
  章政文（1994—），男，通信作者，博士研究生，主要研究方向：碳计量、人工智能、卫星遥感、碳卫星、新能源。E-mail：221019930@link.cuhk.edu.cn
  顾津锦（1995—），男，博士研究生，主要研究方向：人工智能，深度学习及其可解释性。E-mail：jinjin.gu@sydney.edu.au
  赵俊华（1980—），男，博士，副教授，主要研究方向：电力系统分析与计算、智能电网、数据挖掘与人工智能、电力市场。E-mail：zhaojunhua@cuhk.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(72171206)
- DOI：10.7500/AEPS20230314004
  中图分类号：
- 收稿：2023-03-14，
  
  修回：2023-11-03，
  
  网络出版：2023-12-22，
  
  纸质出版：2024-01-10
- 稿件说明：
移动端阅览
章政文,顾津锦,赵俊华等.基于碳卫星与电力排放数据的碳计量[J].电力系统自动化,2024,48(1):2-9.

ZHANG Zhengwen,GU Jinjin,ZHAO Junhua,et al.Carbon Measurement Based on Carbon Satellite and Electricity Emission Data[J].Automation of Electric Power Systems,2024,48(1):2-9.
章政文,顾津锦,赵俊华等.基于碳卫星与电力排放数据的碳计量[J].电力系统自动化,2024,48(1):2-9. DOI： 10.7500/AEPS20230314004.

ZHANG Zhengwen,GU Jinjin,ZHAO Junhua,et al.Carbon Measurement Based on Carbon Satellite and Electricity Emission Data[J].Automation of Electric Power Systems,2024,48(1):2-9. DOI： 10.7500/AEPS20230314004.

摘要

目前，基于温室气体卫星遥感探测技术的碳感知正逐步成为新一代碳计量方法的重要组成部分。然而，从碳卫星数据中准确提取由人类活动产生的碳排放数据是一项至关重要且极具挑战性的任务。文中结合碳卫星与电力排放数据，提出一种新的人工智能算法，以实现准确的碳排放计量。首先，介绍了所使用的包括碳卫星和电力数据在内的多模态数据源，并设计了相应的数据筛选方法。然后，提出了考虑此多模态数据特性的深度学习方法，构建反映碳卫星数据、发电量数据与碳源碳排放量之间函数关系的数据驱动模型。最后，基于美国OCO-2碳卫星的碳浓度遥感数据及美国1 304家火力发电厂的连续烟气监测系统数据验证了所提方法在发电厂碳排放量计量问题上的有效性。

Abstract

At present

carbon perception based on greenhouse gas satellite remote sensing technology is gradually becoming a crucial component of new-generation carbon measurement methods. However

accurately extracting carbon emissions data generated by human activities from carbon satellite data represents a key and highly challenging task. In this paper

we propose a novel artificial intelligence algorithm

integrating carbon satellite and electricity emission data

to achieve precise carbon emission measurement. Firstly

we introduce the multimodal data sources used

including carbon satellite and power data

and design corresponding data processing methods. Subsequently

we propose a deep learning method that considers the characteristics of this multimodal data

and construct a data-driven model that reflects the functional relationship among carbon satellite data

power generation data

and carbon source emissions. Finally

based on the carbon concentration remote sensing data from the American OCO-2 carbon satellite and continuous emission monitoring system (CEMS) data from 1 304 American power plants

we validate the effectiveness of the proposed method in the measurement of carbon emissions from power plants.

关键词

Keywords

references

LIU Z ， SUN T C ， YU Y ， et al . Near-real-time carbon emission accounting technology toward carbon neutrality ［J］. Engineering ， 2022 ， 14 ： 44 - 51 .

DALY A ， ZANNETTI P . Air pollution modeling—an overview ［J］. Ambient air pollution ， 2007 ： 15 - 28 .

BOVENSMANN H ， BUCHWITZ M ， BURROWS J P ， et al . A remote sensing technique for global monitoring of power plant CO 2 emissions from space and related applications ［J］. Atmospheric Measurement Techniques ， 2010 ， 3 （ 4 ）： 781 - 811 .

NASSAR R ， HILL T G ， MCLINDEN C A ， et al . Quantifying CO 2 emissions from individual power plants from space ［J］. Geophysical Research Letters ， 2017 ， 44 （ 19 ）： 10 - 45 .

NASSAR R ， MASTROGIACOMO J P ， BATEMAN-HEMPHILL W ， et al . Advances in quantifying power plant CO 2 emissions with OCO-2 ［J］. Remote Sensing of Environment ， 2021 ， 264 ： 112579 .

GUO W Y ， SHI Y S ， LIU Y ， et al . CO 2 emissions retrieval from coal-fired power plants based on OCO-2/3 satellite observations and a Gaussian plume model ［J］. Journal of Cleaner Production ， 2023 ， 397 ： 136525 .

LIN X J ， VAN DER A R ， DE LAAT J ， et al . Monitoring and quantifying CO 2 emissions of isolated power plants from space ［J］. Atmospheric Chemistry and Physics ， 2023 ， 23 （ 11 ）： 6599 - 6611 .

REUTER M ， BUCHWITZ M ， SCHNEISING O ， et al . Towards monitoring localized CO 2 emissions from space： co-located regional CO 2 and NO 2 enhancements observed by the OCO-2 and S5P satellites ［J］. Atmospheric Chemistry and Physics ， 2019 ， 19 （ 14 ）： 9371 - 9383 .

ZHENG B ， CHEVALLIER F ， CIAIS P ， et al . Observing carbon dioxide emissions over China’s cities and industrial areas with the Orbiting Carbon Observatory-2 ［J］. Atmospheric Chemistry and Physics ， 2020 ， 20 （ 14 ）： 8501 - 8510 .

张钦，张达，张希良 . 在线监测应用于中国碳排放监测的相关问题和制度建议［J］. 环境经济研究， 2021 ， 6 （ 3 ）： 136 - 146 .

ZHANG Qin ， ZHANG Da ， ZHANG Xiliang . Issues and institutional recommendations related to the application of online monitoring to carbon emission monitoring in China ［J］. Environmental Economics Research ， 2021 ， 6 （ 3 ）： 136 - 146 .

王萍萍，赵永椿，张军营，等 . 双碳目标下燃煤电厂碳计量方法研究进展［J］. 洁净煤技术， 2022 ， 28 （ 10 ）： 170 - 183 .

WANG Pingping ， ZHAO Yongchun ， ZHANG Junying ， et al . Research progress on carbon measurement methods of coal-fired power plants under the background of carbon neutrality ［J］. Clean Coal Technology ， 2022 ， 28 （ 10 ）： 170 - 183 .

卢伟业，陈小玄，陆继东，等 . 双碳背景下火电企业碳计量分析与建议［J］. 洁净煤技术， 2023 ， 29 （ 1 ）： 194 - 203 .

LU Weiye ， CHEN Xiaoxuan ， LU Jidong ， et al . Analysis and suggestion on carbon accounting of thermal power enterprises under the background of carbon peak and carbon neutrality ［J］. Clean Coal Technology ， 2023 ， 29 （ 1 ）： 194 - 203 .

JAHNKE J A . Continuous emission monitoring ［M］. New York， USA ： Wiley ， 2022 .

VOULODIMOS A ， DOULAMIS N ， DOULAMIS A ， et al . Deep learning for computer vision： a brief review ［J］. Computational Intelligence and Neuroscience ， 2018 ， 2018 ： 1 - 13 .

OTTER D W ， MEDINA J R ， KALITA J K . A survey of the usages of deep learning for natural language processing ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2021 ， 32 （ 2 ）： 604 - 624 .

SHINDE P P ， SHAH S . A review of machine learning and deep learning applications ［C］// 2018 Fourth International Conference on Computing Communication Control and Automation （ICCUBEA）， August 16-18 ， 2018 ， Pune， India .

TANG L ， JIA M ， YANG J N ， et al . Chinese industrial air pollution emissions based on the continuous emission monitoring systems network ［J］. Scientific Data ， 2023 ， 10 ： 153 .

OCO-2 level 2 bias-corrected XCO 2 and other select fields from the full-physics retrieval aggregated as daily files ， retrospective processing V 10 r （OCO 2 _L 2 _Lite_FP） at GES DISC ［EB/OL］. ［ 2023-03-14 ］. https：//www.opendatanetwor k.com/dataset/data.nasa.gov/wzgn-qvmy https://www.opendatanetwork.com/dataset/data.nasa.gov/wzgn-qvmy .

LIU Y ， WANG J ， YAO L ， et al . The TanSat mission： preliminary global observations ［J］. Science Bulletin ， 2018 ， 63 （ 18 ）： 1200 - 1207 .

United States Environmental Protection Agency （EPA） . Washington， DC： office of atmospheric programs， clean air markets division ［EB/OL］. ［ 2023-03-14 ］. https：//campd.epa.gov/ https://campd.epa.gov/ .

JIAO S M ， GAO Y ， FENG J ， et al . Does deep learning always outperform simple linear regression in optical imaging？［J］. Optics Express ， 2020 ， 28 （ 3 ）： 3717 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［EB/OL］. ［ 2023-03-14 ］. https：//arxiv.org/abs/1706.03762 https://arxiv.org/abs/1706.03762 .

KINGMA D P ， BA J . Adam： a method for stochastic optimization ［EB/OL］. ［ 2023-03-14 ］. https：//arxiv.org/abs/1412.6980.pdf https://arxiv.org/abs/1412.6980.pdf .

RUSLI S P ， HASEKAMP O ， AAN DE BRUGH J ， et al . Anthropogenic CO 2 monitoring satellite mission： the need for multi-angle polarimetric observations ［J］. Atmospheric Measurement Techniques ， 2021 ， 14 （ 2 ）： 1167 - 1190 .

MOORE B ， CROWELL S M R ， RAYNER P J ， et al . The potential of the geostationary carbon cycle observatory （GeoCarb） to provide multi-scale constraints on the carbon cycle in the americas ［J］. Frontiers in Environmental Science ， 2018 ， 6 ： 109 .

YOKOTA T ， YOSHIDA Y ， EGUCHI N ， et al . Global concentrations of CO 2 and CH 4 retrieved from GOSAT： first preliminary results ［J］. SOLA ， 2009 ， 5 ： 160 - 163 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于深度学习的电力工控流量应用层报文异常检测

新一代人工智能技术在电力系统调度运行中的应用评述

深度学习在智能电网中的应用现状分析与展望

深度强化学习在需求响应中的应用