碳排放核算的准确性，很大程度上取决于在线监测数据的完整性。实际运行中，CEMS 探头反吹、量程漂移、通讯中断都会留下数据缺口，而这些缺口常被台账平均掉，最终体现为核算偏差。
能源AI实验室将机组负荷、燃料计量、烟气流量与 NOx/SO2/含氧量等时序对齐，采用「缺失补全 + 异常识别」两段式模型：先按工况分箱做时序插补，再用残差与工况一致性判据识别探头漂移、堵塞等异常，只输出可疑区间，不直接改写原始数据。
- 进展：在某热电厂 3 个月历史数据回测中，对缺失率约 8.7% 的片段，插补值与化验比对的中位偏差小于 5%；探头异常识别召回率 0.86，误报约每周 2 次。
- 下一步：把不确定度区间随核算结果一并输出，与第三方核查口径对齐，并扩展到多机组、不同燃料类型的场景验证。
模型定位为辅助核查，不替代人工判断，所有修正均保留原始值与操作痕迹。
评论