Машинное обучение для расширенного мониторинга выбросов и стратегий их сокращения на электростанциях, работающих на ископаемом топливе

Machine Learning for Advanced Emission Monitoring and Reduction Strategies in Fossil Fuel Power Plants
Mengjie Zhou, Zitu Zuo, Yongjie Niu, Jiale Li, Hongpeng Fu
2024-09-19

выбросы CO2/NOxмониторинг выбросовэлектростанции на ископаемом топливемодели машинного обученияпрогнозный мониторинг выбросов
Электростанции, работающие на ископаемом топливе, являются значительным источником глобальных выбросов диоксида углерода (CO2) и оксидов азота (NOx). Точный мониторинг и эффективное сокращение этих выбросов имеют решающее значение для смягчения последствий изменения климата. В настоящем систематическом обзоре рассматривается современное состояние исследований применения методов машинного обучения для оценки выбросов электростанций, работающих на ископаемом топливе. Сначала кратко представлены системы непрерывного мониторинга выбросов (CEM) и системы прогнозного мониторинга выбросов (PEM), обычно используемые на электростанциях, и показано, что модели машинного обучения способны значительно совершенствовать системы PEM благодаря интеллектуальной обработке и интерпретации больших массивов данных, преобразуя традиционные системы мониторинга выбросов за счет повышения их точности, эффективности и экономичности. В отличие от ранее опубликованных обзорных статей, ключевой вклад и новизна настоящего обзора заключаются в систематическом обсуждении моделей машинного обучения для прогнозирования выбросов CO2/NOx в зависимости от используемых алгоритмов, включая их преимущества и недостатки, что должно помочь будущим исследователям разрабатывать более эффективные модели машинного обучения. К наиболее распространенным моделям машинного обучения относятся обучение с подкреплением, нейронные сети прямого распространения, нейронные сети с долговременной кратковременной памятью и метод опорных векторов для регрессии. Хотя каждый метод имеет собственные преимущества и недостатки, важную роль играют качество обучающих данных и правильный выбор параметров модели. Выявлены такие проблемы и пробелы в исследованиях, как переносимость моделей, более глубокое понимание физики формирования выбросов CO2/NOx и доступность высококачественных данных для обучения моделей машинного обучения; также предложены и обсуждены рекомендации и потенциальные направления дальнейших исследований для решения этих проблем.
1
Машинное обучение может существенно улучшить системы прогнозного мониторинга выбросов, повышая точность, эффективность и экономичность оценки выбросов на ископаемых электростанциях.
2
К основным пробелам исследований относятся ограниченная переносимость моделей, недостаточное понимание физики образования выбросов CO2 и NOx и нехватка высококачественных обучающих данных.
3
В обзоре предложены рекомендации и перспективные направления исследований для решения этих проблем и разработки более эффективных моделей мониторинга выбросов.
4
В обзоре систематически сравниваются алгоритмы моделирования выбросов CO2 и NOx, включая обучение с подкреплением, прямые нейронные сети, сети долгой краткосрочной памяти и метод опорных векторов для регрессии.
5
Качество обучающих данных и правильный выбор параметров модели определяют эффективность машинного обучения при мониторинге выбросов.

Выбросы CO2 и NOx от электростанций, работающих на ископаемом топливе

Мониторинг, прогнозирование и стратегии снижения выбросов на основе машинного обучения, включая эффективность, применимость и переносимость моделей

Publication Details
Publication Date
2024-09-19
Journal
Publisher
ISSN
Cited by
40
Access Type
Author Information
Authors
Mengjie Zhou
Zitu Zuo
Yongjie Niu
Jiale Li
Hongpeng Fu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%