ФИЗИЧЕСКИ ИНФОРМИРОВАННОЕ ГИБРИДНОЕ ОБУЧЕНИЕ ДЛЯ ПОЧАСОВОГО ПРОГНОЗИРОВАНИЯ ВЫБРОСОВ ЭЛЕКТРОСТАН-ЦИЙ: МНОГОКОМПОНЕНТНЫЙ БЕНЧМАРК С ОЦЕНКОЙ НЕОПРЕ-ДЕЛЁННОСТИ И ПЕРЕНОСИМОСТЬЮ МОДЕЛЕЙ

2026

Полный текст Открытый доступ: Gold Метаданные (CSL-JSON)
DOI 10.54309/ijict.2026.27.3.008
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

В работе проверяется, можно ли использовать один и тот же подход для почасовой оценки выбросов CO₂, NOx и SO₂ на электростанци-ях или выбор модели должен зависеть от загрязняющего вещества и сценария применения. Бенчмарк объёмом 10 144 680 агрегато-часов для 583 генерирую-щих установок в Джорджии, Кентукки и Техасе за 2022 и 2024 годы сформиро-ван путём объединения U.S. EPA Clean Air Markets Program Data с метаданными EIA-860 через EPA/EIA Power Sector Crosswalk. Модели на основе коэффици-ентов выбросов, статистические методы, машинное обучение и физически ин-формированные гибриды оценивались на разбиениях blocked-time, plant-holdout и seasonal-holdout, ограничивающих временную утечку данных и пересечение установок между обучением и тестированием. Предложенный PHASE исполь-зует масштабированную оценку по коэффициенту выбросов как физический априор, а оставшееся отклонение обучает по данным и дополняет оценкой не-определённости. Результаты существенно различаются по загрязняющим веще-ствам. Для CO₂ факторная модель уже объясняет основную часть вариации (R² = 0,992), тогда как для NOx (R² = 0,394) и SO₂ (R² = 0,413) её точность значительно ниже. XGBoost достиг R² = 0,999, 0,973 и 0,980 для CO₂, NOx и SO₂ соответ-ственно. Для NOx наибольшее ухудшение возникало при исключении недавней временной истории, а удаление простого физического априора немного снижало среднюю внутридоменную MAE. При этом PHASE-lite уменьшал часть круп-ных ошибок по тесту Диболда-Мариано (p < 10⁻³), обеспечивал 89,2% эмпири-ческого покрытия для номинального 90%-го интервала и сохранял R² = 0,965 на ранее не встречавшихся установках. Полученные результаты указывают на необходимость дифференцированного подхода: для CO₂ прозрачная факторная модель уже является сильным решением, тогда как NOx и SO₂ требуют обучае-мого представления изменяющихся режимов работы. Гибрид наиболее полезен там, где важны неопределённость, устойчивость к крупным ошибкам и перенос между электростанциями, а не минимальная средняя внутридоменная ошибка. Также определён протокол будущего сопоставления с наблюдениями Sentinel-5P TROPOMI NO₂ над тепловыми электростанциями Казахстана.