CN111445060A - 一种社区碳排放监测和预测系统及方法 - Google Patents

Abstract

本发明公开了一种社区碳排放监测和预测系统及方法，系统包括碳排放监测模块和碳排放预测模块。碳排放监测模块对社区电力、燃气、液化石油气、汽油和柴油等能源消耗活动数据、以及垃圾和废水等固废活动数据进行采集，并利用排放因子法计算得到社区的碳排放量，实现对社区碳排放进行监测功能；监测模块对人均居民消费支出、社区居民常住人口数量和当地居民消费价格指数输入参数进行采集，碳排放预测模块首先对输入参数进行无量纲化，继而将转化处理的参数输入至改进支持向量机进行训练建模，实现对社区碳排放进行预测功能。本发明能够有助于全面、准确监控社区边界范围内各碳排放源，并预测得到社区未来的碳排放，为社区制定碳减排措施提供依据。

Description

一种社区碳排放监测和预测系统及方法

技术领域

本发明涉及二氧化碳排放量管理领域，具体涉及一种社区碳排放监测和预测系统及方 法。

背景技术

气候变暖是全世界所面临的重大环境问题，大多数科学家认为，人类活动所释放的二 氧化碳是导致全球变暖最重要的温室气体。当前中国正处在快速工业化和城镇化进程中， 但城镇化进程脚步加快的同时，大气中二氧化碳含量不断升高，环境负担也进一步加重。

社区作为居民生活集聚区，居民生活的碳排放有着逐步增加的趋势。随着中国经济水 平的增加，居民生活能源消费、垃圾废水等废弃物产生量也会加速增长。准确核算和预测 其碳排放量是制定针对性节能减碳措施的前提。生活用能能耗的降低和资源的有效利用， 更多是通过科技手段或教育，以及人们行为方式改变的结果，而承担这一责任的单位自然 是社区。

然而，目前国内外对碳排放特征和低碳发展的研究主要集中在城市尺度，且大多利用 各部门社会经济发展数据，国外如泰国曼谷、加拿大多伦多等，国内如北京、上海、广州 等城市，在居住区小尺度进行碳排放特征及碳排放核算的研究较少。由此可知，社区存在 巨大的节能减碳潜力，但是缺少相应评估计算方法以便核算社区的碳排放量。无法掌握社 区的碳排放量，在社区开展相关的节能技术改造将难以开展。本发明将社区碳排放核算方 法系统化，能够识别社区碳排放源，保证社区碳排放活动数据的可获得性，从而量化社区 的碳排放水平，并对社区碳排放进行预测，挖掘其节能减碳潜力，促进社区往绿色低碳、可持续的方向发展。

发明内容

为了解决上述技术问题，本发明目的之一是提供一种社区碳排放监测和预测系统，实 现对社区碳排放的自动监测以及未来碳排放的预测。该系统用于解决社区碳排放核算困难 问题，能够衡量社区低碳建设水平，为制定社区节能减碳措施提供参考借鉴作用。

为实现上述发明目的，本发明采取的技术方案如下：

一种社区碳排放监测和预测系统，包括碳排放监测模块和碳排放预测模块；

所述碳排放监测模块包括数据采集模块和数据分析模块，所述数据采集模块用于对所 述社区碳排放活动数据和碳排放预测所需输入参数进行采集，所述输入参数包括人均居民 消费支出、社区居民常住人口数量和当地居民消费价格指数；

所述数据采集模块包括传感器、数据采集器、存储服务器，所述传感器与社区的碳排 放源连接，所述传感器将从所述碳排放源上测量到的所述社区碳排放活动数据传递至所述 数据采集器，所述数据采集器将社区碳排放活动数据传递至所述存储服务器进行存储形成 存储数据；

所述数据分析模块从所述存储服务器读取所述存储数据，并对所述存储服务器中的分 析信息进行综合分析，所述数据分析模块用于将所述社区碳排放活动数据转化成碳排放量， 并进行汇总生成社区碳排放总量；

所述碳排放预测模块对输入参数进行无量纲化处理，并用改进支持向量机对社区碳排 放进行预测；

所述碳排放预测模块和所述分析模块均安装在终端计算机中。

优选的，所述分析信息包括社区碳排放边界范围、社区建筑面积、碳排放单元识别信 息、社区常住人口数、社区碳排放量、户均碳排放量、人均碳排放量。

优选的，所述社区碳排放活动数据包括居民居住区域碳排放数据、社区公共区域碳排 放数据、社区垃圾处理碳排放数据、废水处理碳排放数据，所述居民居住区域碳排放数据 包括居民区消耗电量产生碳排放数据、居民区消耗天然气产生碳排放数据，所述社区公共 区域碳排放数据包括社区消耗电量碳排放数据、社区消耗天然气碳排放数据、社区消耗汽 油碳排放数据、社区消耗柴油碳排放数据、社区消耗其它能源碳排放数据，上述数据不包 括社区生产部分的碳排放；所述社区碳排放活动数据经过所述数据分析模块转化为社区碳 排放总量，所述社区碳排放总量计算公式如下：

其中：

—社区碳排放总量；E_{居民居住区域}—居民居住区域碳排放量；E_{社区公共区域}—社区公共区域碳排放量；E_垃圾—社区垃圾处理碳排放量；E_废水—废水处理碳排放量；E_电力— 居民居住区域和社区公共区域消耗电量碳排放量；E_天然气—居民居住区域和社区公共区域消 耗天然气碳排放量，E_柴油—社区消耗柴油碳排放量；E_汽油—社区消耗汽油碳排放量；E_其它— 社区消耗天然气、柴油、汽油之外的其它能源碳排放量；以上单位均为吨二氧化碳(tCO₂)。

优选的，所述社区碳排放活动数据采用在线传输或离线传输两种方式传输，在线传输 包括以太网或无线传输方式，所述离线传输则采用移动终端拍照上传、数据录入。

优选的，所述碳排放预测模块包括改进支持向量机预测模型模块，将社区碳排放总量 和经过无量纲化的所述输入参数输入改进支持向量机预测模型模块中；

通过遗传算法优化最小二乘支持向量机模型得到所述改进支持向量机预测模型模块中 的改进支持向量机，并通过优化后的所述改进支持向量机对社区碳排放量进行预测。

利用离差标准化方法可以消除人均居民消费支出、社区居民常住人口数量和当地居民 消费价格指数这三个参数中的大数据和小数据的影响(消除量纲)、变异大小的差异影响。

优选的，所述支持向量机中的核函数为RBF，即

将支持向量机的 优化转化为对支持向量机惩罚因子C和和函数的方差σ的寻优。

本发明的目的之二是提供一种社区碳排放监测和预测方法，包括如下步骤：

步骤1.通过碳排放监测模块对社区碳排放活动数据和碳排放预测所需输入参数进行采 集，所述输入参数包括人均居民消费支出、社区居民常住人口数量和当地居民消费价格指 数；所述碳排放监测模块包括数据采集模块和数据分析模块，所述数据采集模块用于对所 述社区碳排放活动数据和碳排放预测所需输入参数进行采集，所述数据采集模块包括传感 器、数据采集器、存储服务器，所述传感器与社区的碳排放源连接，所述传感器将从所述 碳排放源上测量到的所述社区碳排放活动数据传递至所述数据采集器，所述数据采集器将 社区碳排放活动数据传递至所述存储服务器进行存储形成存储数据；所述数据分析模块从 所述存储服务器读取所述存储数据，并对所述存储服务器中的分析信息进行综合分析，所 述数据分析模块用于将所述社区碳排放活动数据转化成碳排放量，并进行汇总生成社区碳 排放总量；

步骤2.通过碳排放监测模块采集社区历史碳排放量，采用离差标准化方法对所述输入 参数数据进行无量纲化，人均居民消费支出、社区居民常住人口数量和当地居民消费价格 指数进行无量纲化的计算公式为：x′_i＝(x_i-x_min)/(x_max-x_min)，其中i＝1,2,…m，m为参数x 的个数；x_min和x_max分别表示为参数x的最小值和最大值，x'_i为经过无量纲化的输入参数 数据，x_i为经过当前实际的输入参数数据；

步骤3：将分析计算后的社区碳排放总量和经过无量纲化的所述输入参数输入碳排放预 测模块中的改进支持向量机预测模型中，通过遗传算法优化最小二乘支持向量机模型得到 所述改进支持向量机预测模型模块中的改进后的支持向量机，并通过优化后的所述改进支 持向量机对社区碳排放总量进行预测。

优选的，所述社区碳排放活动数据包括居民居住区域碳排放数据、社区公共区域碳排 放数据、社区垃圾处理碳排放数据、废水处理碳排放数据，所述居民居住区域碳排放数据 包括居民区消耗电量产生碳排放数据、居民区消耗天然气产生碳排放数据，所述社区公共 区域碳排放数据包括社区消耗电量碳排放数据、社区消耗天然气碳排放数据、社区消耗汽 油碳排放数据、社区消耗柴油碳排放数据、社区消耗其它能源碳排放数据，不包括社区生 产部分的碳排放；所述社区碳排放活动数据经过所述数据分析模块转化为社区碳排放总量， 在获得社区碳排放活动数据基础上，社区碳排放监测和预测系统采用排放因子法计算得到 社区碳排放，包括居民居住区域碳排放量、社区公共区域碳排放量、社区垃圾处理碳排放 量、废水处理碳排放数据量，不包含社区内生产碳排放；

所述社区碳排放总量计算公式如下：

其中：

—社区碳排放总量；E_{居民居住区域}—居民居住区域碳排放量；E_{社区公共区域}—社区公共区域碳排放量；E_垃圾—社区垃圾处理碳排放量；E_废水—废水处理碳排放量；E_电力— 居民居住区域和社区公共区域消耗电量碳排放量；E_天然气—居民居住区域和社区公共区域消 耗天然气碳排放量，E_柴油—社区消耗汽油碳排放量；E_汽油—社区消耗柴油碳排放量；E_其它— 社区消耗天然气、柴油、汽油之外的其它可燃性能源碳排放量；以上单位均为吨二氧化碳(tCO₂)；

优选的，所述社区碳排放活动数据的采集采用以下步骤：

步骤(1).居民居住区域和社区公共区域的电力和天然气消耗采集通过在线传输或离线 传输两种方式中的一种；

其中在线传输方式包括：

社区碳排放监测模块与供电局和天然气公司系统对接，通过数据采集器分别采集各居 民用户和社区公共区域的实时用电量和用气量；

或者在居民和社区公共区域的电表和天然气表安装数据传输装置，将实时用电量和用 气量采用以太网或GPRS形式进行传输；

其中离线传输方式为：居民或物业管理人员采用移动终端设备通过拍照或直接录入电 量和气量数据定期分别上传至数据采集器中的电力数据采集单元和天然气数据采集单元中， 完成居民居住区域和社区公共区域消耗电量产生碳排放数据和消耗天然气产生碳排放数据；

步骤(2).社区公共区域的汽油、柴油、其它可燃性能源的碳排放数据采用离线方式采 集，通过社区物业管理员定期统计消耗量并上传至相应的采集单元；定期为每周周一或每 个月一号统计一次，

步骤(3).居民居住区域和社区公共区域的垃圾通过衡器进行称重，同时记录垃圾处理 方式，并上传至数据采集器中的垃圾数据采集单元；居民居住区域和社区公共区域的废水 产生量通过流量计进行测量，同时记录废水处理方式，并上传至数据采集器中的废水数据 采集单元中。

优选的，预测模型选择RBF作为支持向量机的核函数，即

将支持 向量机的优化问题转化为对支持向量机惩罚因子C和和函数的方差σ的寻优问题，利用遗 传算法改进支持向量机的步骤如下：

步骤a：确定惩罚因子C和和函数的方差σ取值范围，两个参数的取值范围应为非零正 数；

步骤b：选择训练样本的均值误差E作为遗传算法的适应度计算函数，为

其中l为样本个数，y_i(i＝1,2,…,l)为第i个样本的真实值，y_i′(i＝1,2,…,l)为第i个样 本的预测值；

步骤c：在取值范围内随机产生惩罚因子C和和函数的方差σ产生初始训练种群；

步骤d：将初始化后的种群代入支持向量机进行训练，计算适应度函数数值；

步骤e：利用遗传算法对适应度高的染色体进行复制、交叉和变异得到新群种，判断预 测精度是否达到要求，如是则停止；否则返回步骤d重新计算；

步骤f：训练结束后，得到最优的惩罚因子C和和函数的方差σ，代入支持向量机预测 测试样本的数据。

相对于现有技术，本发明取得了有益的技术效果：

1、本发明能够解决社区碳排放活动数据搜集困难问题：该发明明确社区各碳排放活动 数据的搜集方式，通过在线和离线两种方式保证数据的可获得性；

2、本发明能够解决社区碳排放核算复杂问题：社区物业管理员或居委会管理人员缺乏 社区碳排放核算方法学，导致社区碳排放核算难度大，本发明通过嵌入社区碳排放核算方 法，只需输入碳排放源活动数据，即自动计算社区碳排放；

3、本发明能够解决社区碳排放预测不准确问题：利用遗传算法优化支持向量机得到社 区碳排放预测模型，具有较高的预测精度；

4、本发明能够解决社区碳减排措施制定针对性不高问题：该发明通过识别社区碳排放 源，并预测社区未来碳排放趋势，为社区挖掘节能减碳措施提供技术支撑，更有利于低碳 社区建设的开展。

附图说明

图1为本发明社区碳排放监测和预测系统的整体构架示意图；

图2为本发明社区碳排放监测模块示意图；

图3为本发明社区碳排放预测构架示意图；

图4为本发明遗传算法优化支持向量机的社区碳排放预测流程图；

图5为本发明社区碳排放训练结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例对本发明进行 进一步详细说明，但本发明要求保护的范围并不局限于下述具体实施例。

系统实施例

一种社区碳排放监测和预测系统，包括碳排放监测模块和碳排放预测模块；社区碳排 放的监测范围包含居民生活、商业等非生产碳排放，社区内生产活动引起的碳排放不予以 考虑，如工业生产等，但社区范围内商业设施等第三产业碳排放活动应纳入；若社区内房 屋建筑包含生产活动，原则上只考虑生活用能引起的碳排放；在无法区分生产用能和生活 用能的情况下，按照保守原则，相关数据可包含生产用能。

如图2所示，所述碳排放监测模块包括数据采集模块和数据分析模块，所述数据采集 模块用于对所述社区碳排放活动数据和碳排放预测所需输入参数进行采集，所述输入参数 包括人均居民消费支出、社区居民常住人口数量和当地居民消费价格指数；

所述数据采集模块包括传感器、数据采集器、存储服务器，所述传感器与社区的碳排 放源连接，所述传感器将从所述碳排放源上测量到的所述社区碳排放活动数据传递至所述 数据采集器，所述数据采集器将社区碳排放活动数据传递至所述存储服务器进行存储形成 存储数据；传感器主要包括电能表、天然气流量计、污水流量计和衡器计量器。

所述数据分析模块从所述存储服务器读取所述存储数据，并对所述存储服务器中的分 析信息进行综合分析，所述数据分析模块用于将所述社区碳排放活动数据转化成碳排放量， 并进行汇总生成社区碳排放总量；

所述碳排放预测模块对输入参数进行无量纲化处理，并用改进支持向量机对社区碳排 放进行预测；

所述碳排放预测模块和所述分析模块均安装在终端计算机中。

在社区实施该社区碳排放监测系统前，需识别社区碳排放源，确定各碳排放活动数据 最为合适的搜集方式，并搜集社区建筑面积、常住人口数等基本信息。根据社区的规模确 定数据采集器的数量以及存储服务器的存储容量，为设计合理的系统架构提供基础。所述 分析信息包括社区碳排放边界范围、社区建筑面积、碳排放单元识别信息、社区常住人口 数、社区碳排放量、户均碳排放量、人均碳排放量。

如图1和3所示，所述社区碳排放活动数据包括居民居住区域碳排放数据、社区公共 区域碳排放数据、社区垃圾处理碳排放数据、废水处理碳排放数据，所述居民居住区域碳 排放数据包括居民区消耗电量产生碳排放数据、居民区消耗天然气产生碳排放数据，所述 社区公共区域碳排放数据包括社区消耗电量碳排放数据、社区消耗天然气碳排放数据、社 区消耗汽油碳排放数据、社区消耗柴油碳排放数据、社区消耗其它能源碳排放数据，上述 数据不包括社区生产部分的碳排放；所述社区碳排放活动数据经过所述数据分析模块转化 为社区碳排放总量，所述社区碳排放总量计算公式如下：

其中：

—社区碳排放总量；E_{居民居住区域}—居民居住区域碳排放量；E_{社区公共区域}—社区公共区域碳排放量；E_垃圾—社区垃圾处理碳排放量；E_废水—废水处理碳排放量；E_电力— 居民居住区域和社区公共区域消耗电量碳排放量；E_天然气—居民居住区域和社区公共区域消 耗天然气碳排放量，E_柴油—社区消耗柴油碳排放量；E_汽油—社区消耗汽油碳排放量；E_其它— 社区消耗天然气、柴油、汽油之外的其它能源碳排放量；以上单位均为吨二氧化碳(tCO₂)。

所述社区碳排放活动数据采用在线传输或离线传输两种方式传输，在线传输包括以太 网或无线传输方式，所述离线传输则采用移动终端拍照上传、数据录入。

所述碳排放预测模块包括改进支持向量机预测模型模块，将社区碳排放总量和经过无 量纲化的所述输入参数输入改进支持向量机预测模型模块中；通过遗传算法优化最小二乘 支持向量机模型得到所述改进支持向量机预测模型模块中的改进支持向量机，并通过优化 后的所述改进支持向量机对社区碳排放量进行预测。

所述支持向量机中的核函数为RBF，即

将支持向量机的优化转化 为对支持向量机惩罚因子C和和函数的方差σ的寻优。

方法实施例

步骤1.通过碳排放监测模块对社区碳排放活动数据和碳排放预测所需输入参数进行采 集，所述输入参数包括人均居民消费支出、社区居民常住人口数量和当地居民消费价格指 数；所述碳排放监测模块包括数据采集模块和数据分析模块，所述数据采集模块用于对所 述社区碳排放活动数据和碳排放预测所需输入参数进行采集，所述数据采集模块包括传感 器、数据采集器、存储服务器，所述传感器与社区的碳排放源连接，所述传感器将从所述 碳排放源上测量到的所述社区碳排放活动数据传递至所述数据采集器，所述数据采集器将 社区碳排放活动数据传递至所述存储服务器进行存储形成存储数据；所述数据分析模块从 所述存储服务器读取所述存储数据，并对所述存储服务器中的分析信息进行综合分析，所 述数据分析模块用于将所述社区碳排放活动数据转化成碳排放量，并进行汇总生成社区碳 排放总量；

步骤2.通过碳排放监测模块采集社区历史碳排放量，采用离差标准化方法对所述输入 参数数据进行无量纲化，人均居民消费支出、社区居民常住人口数量和当地居民消费价格 指数进行无量纲化的计算公式为：x′_i＝(x_i-x_min)/(x_max-x_min)，其中i＝1,2,…m，m为参数x 的个数；x_min和x_max分别表示为参数x的最小值和最大值，x'_i为经过无量纲化的输入参数 数据，x_i为经过当前实际的输入参数数据；

步骤3：将分析计算后的社区碳排放总量和经过无量纲化的所述输入参数输入碳排放预 测模块中的改进支持向量机预测模型中，通过遗传算法优化最小二乘支持向量机模型得到 所述改进支持向量机预测模型模块中的改进后的支持向量机，并通过优化后的所述改进支 持向量机对社区碳排放总量进行预测。

优选的，所述社区碳排放活动数据包括居民居住区域碳排放数据、社区公共区域碳排 放数据、社区垃圾处理碳排放数据、废水处理碳排放数据，所述居民居住区域碳排放数据 包括居民区消耗电量产生碳排放数据、居民区消耗天然气产生碳排放数据，所述社区公共 区域碳排放数据包括社区消耗电量碳排放数据、社区消耗天然气碳排放数据、社区消耗汽 油碳排放数据、社区消耗柴油碳排放数据、社区消耗其它能源碳排放数据，不包括社区生 产部分的碳排放；所述社区碳排放活动数据经过所述数据分析模块转化为社区碳排放总量， 在获得社区碳排放活动数据基础上，社区碳排放监测和预测系统采用排放因子法计算得到 社区碳排放，包括居民居住区域碳排放量、社区公共区域碳排放量、社区垃圾处理碳排放 量、废水处理碳排放数据量，不包含社区内生产碳排放；

所述社区碳排放总量计算公式如下：

其中：

—社区碳排放总量；E_{居民居住区域}—居民居住区域碳排放量；E_{社区公共区域}—社区公共区域碳排放量；E_垃圾—社区垃圾处理碳排放量；E_废水—废水处理碳排放量；E_电力— 居民居住区域和社区公共区域消耗电量碳排放量；E_天然气—居民居住区域和社区公共区域消 耗天然气碳排放量，E_柴油—社区消耗柴油碳排放量；E_汽油—社区消耗汽油碳排放量；E_其它— 社区消耗天然气、柴油、汽油之外的其它能源碳排放量；以上单位均为吨二氧化碳(tCO₂)；

优选的，所述社区碳排放活动数据的采集采用以下步骤：

步骤(1).居民居住区域和社区公共区域的电力和天然气消耗采集通过在线传输或离线 传输两种方式中的一种；

其中在线传输方式包括：

社区碳排放监测模块与供电局和天然气公司系统对接，通过数据采集器分别采集各居 民用户和社区公共区域的实时用电量和用气量；

或者在居民和社区公共区域的电表和天然气表安装数据传输装置，将实时用电量和用 气量采用以太网或GPRS形式进行传输；

其中离线传输方式为：居民或物业管理人员采用移动终端设备通过拍照或直接录入电 量和气量数据定期分别上传至数据采集器中的电力数据采集单元和天然气数据采集单元中， 完成居民居住区域和社区公共区域消耗电量产生碳排放数据和消耗天然气产生碳排放数据；

步骤(2).社区公共区域的汽油、柴油、其它能源的碳排放数据采用离线方式采集，通 过社区物业管理员定期统计消耗量并上传至相应的采集单元；定期为每周周一或每个月一 号统计一次，

步骤(3).居民居住区域和社区公共区域的垃圾通过衡器进行称重，同时记录垃圾处理 方式，并上传至数据采集器中的垃圾数据采集单元；居民居住区域和社区公共区域的废水 产生量通过流量计进行测量，同时记录废水处理方式，并上传至数据采集器中的废水数据 采集单元中。

选取一个小区作为本发明系统的实施例，对该社区连续监测4年，以社区2018年碳排 放监测数据示例如下表1：

表1社区2018年碳排放监测数据

采用离差标准化方法对输入参数：人均居民消费支出、社区居民常住人口数量和当地 居民消费价格指数进行无量纲化。利用离差标准化方法可以消除人均居民消费支出、社区 居民常住人口数量和当地居民消费价格指数这三个参数中的大数据和小数据的影响(消除 量纲)、变异大小的差异影响。将社区2015、2016年和2017年的监测数据作为训练样本， 2018年监测数据作为测试数据。

如图4所示，定义训练样本集为{(x_ij,y_ij)_,i＝1,2,...,l；j＝1,2,3}，其中x_ij(x_ij∈R)为第i 个训练样本的输入向量，j＝1,2,3分别表示人均居民消费支出、社区居民常住人口数量和当 地居民消费价格指数。y_ij∈R为对应的输出值。

设在高维特征空间中建立的线性回归函数为：

f(x)＝wφ(x)+b

引入松弛变量ξ_i和

可将支持向量机的回归函数转化为寻找w和b问题的数学公式， 如下：

其中C为惩罚因子，C越大表示对训练误差大于ε的样本惩罚越大，ε规定了回归函数的误差要求，越小表示回归函数的误差越小。

引入拉格朗日函数，将上式转换为对偶形式：

其中，K(x_i,x_j)＝φ(x_i)φ(x_j)为核函数。则支持向量机的回归函数可转化为：

转化后回归函数f(x)为支持向量机的数据输出层，经过回归函数后完成社区碳排放的预 测输出。

预测模型选择RBF作为支持向量机的核函数，即

将支持向量机的 优化问题转化为对支持向量机惩罚因子C和和函数的方差σ的寻优问题，利用遗传算法改 进支持向量机的步骤如下：

步骤a：确定惩罚因子C和和函数的方差σ取值范围，两个参数的取值范围应为[0.01,500]；

步骤b：选择训练样本的均值误差E作为遗传算法的适应度计算函数，为

其中l为样本个数，y_i(i＝1,2,…,l)为第i个样本的真实值，y_i′(i＝1,2,…,l)为第i个样本的 预测值；

步骤c：在取值范围内随机产生惩罚因子C和和函数的方差σ，产生初始训练种群；

步骤d：将初始化后的种群代入支持向量机进行训练，计算适应度函数数值；

步骤e：计算适应度：利用遗传算法对适应度高的染色体进行复制、交叉和变异得到新 群种，判断预测精度是否达到要求，如是则停止；否则返回步骤d重新计算；

步骤f：训练结束后，得到最优的惩罚因子C和和函数的方差σ，代入支持向量机预测 测试样本的数据。

步骤d具体包括：解码得到惩罚因子C和和函数的方差σ，将惩罚因子C和和函数的方差σ赋值给支持向量机，使用训练样本训练模型，使用测试样本测试网络，然后测试误差。

利用该社区2015、2016年和2017年的样本进行训练，将碳排放预测值设为横坐标，碳排放真实值设为纵坐标，进行拟合见图5。由图5可知，预测结果和真实值的拟合相关系数达到0.996，说明利用遗传算法优化支持向量机的方法可实现较好的拟合结果。

将2018年的测试样本输入所建的社区碳排放预测模型，可得到社区碳排放预测结果。 为了验证所建模型的预测精度，本案例同时采用BP神经网络和支持向量机进行预测，其对 比结果如下表2所示。由表可知，本发明所建的改进支持向量机预测社区碳排放精度要高 于其它方法，说明该方法对社区碳排放的预测具有实用性和有效性。

表2采用BP神经网络和支持向量机进行碳排放预测后的对比表

2018年	改进支持向量机/％	支持向量机/％	BP神经网络/％
				1月	0.13	-4.59	7.39
2月	-0.84	1.02	-5.93
				3月	0.93	1.16	8.41
4月	0.47	-1.55	-8.67
				5月	-0.64	3.08	-7.61
6月	-0.25	-4.98	6.36
				7月	0.61	-2.18	-3.73
8月	-0.77	1.54	6.35
				9月	0.33	5.12	-7.98
10月	0.22	-0.77	-8.30
				11月	-0.40	-5.43	8.79
12月	0.50	5.51	-8.73

本发明的社区碳排放监测和预测系统中的碳排放监测模块功能对社区电力、燃气、液 化石油气、汽油和柴油等能源消耗活动数据、以及垃圾和废水等固废活动数据进行采集， 并利用排放因子法计算得到社区的碳排放量，实现对社区碳排放进行监测功能；碳排放预 测模块通过监测模块对人均居民消费支出、社区居民常住人口数量和当地居民消费价格指 数等输入参数进行采集，预测模块首先对输入参数进行无量纲化，继而将转化处理的参数 输入至改进支持向量机进行训练建模，实现对社区碳排放进行预测功能。本发明能够解决 社区碳排放活动数据采集困难问题，有助于全面、准确监控社区边界范围内各碳排放源， 并预测得到社区未来的碳排放，为社区制定碳减排措施提供依据，促进低碳社区工作的开 展。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进 行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对发明的一些 修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一 些特定的术语，但这些术语只是为了方便说明，并不对发明构成任何限制。

Claims (10)

1.一种社区碳排放监测和预测系统，其特征在于，包括碳排放监测模块和碳排放预测模块；

所述碳排放监测模块包括数据采集模块和数据分析模块，所述数据采集模块用于对所述社区碳排放活动数据和碳排放预测所需输入参数进行采集，所述输入参数包括人均居民消费支出、社区居民常住人口数量和当地居民消费价格指数；

所述数据采集模块包括传感器、数据采集器、存储服务器，所述传感器与社区的碳排放源连接，所述传感器将从所述碳排放源上测量到的所述社区碳排放活动数据传递至所述数据采集器，所述数据采集器将社区碳排放活动数据传递至所述存储服务器进行存储形成存储数据；

所述数据分析模块从所述存储服务器读取所述存储数据，并对所述存储服务器中的分析信息进行综合分析，所述数据分析模块用于将所述社区碳排放活动数据转化成碳排放量，并进行汇总生成社区碳排放总量；

所述碳排放预测模块对输入参数进行无量纲化处理，并用改进支持向量机对社区碳排放进行预测；

所述碳排放预测模块和所述分析模块均安装在终端计算机中。

2.根据权利要求1所述的一种社区碳排放监测和预测系统，其特征在于，所述分析信息包括社区碳排放边界范围、社区建筑面积、碳排放单元识别信息、社区常住人口数、社区碳排放量、户均碳排放量、人均碳排放量。

3.根据权利要求1所述的一种社区碳排放监测和预测系统，其特征在于，所述社区碳排放活动数据包括居民居住区域碳排放数据、社区公共区域碳排放数据、社区垃圾处理碳排放数据、废水处理碳排放数据，所述居民居住区域碳排放数据包括居民区消耗电量产生碳排放数据、居民区消耗天然气产生碳排放数据，所述社区公共区域碳排放数据包括社区消耗电量碳排放数据、社区消耗天然气碳排放数据、社区消耗汽油碳排放数据、社区消耗柴油碳排放数据、社区消耗其它能源碳排放数据；所述社区碳排放活动数据经过所述数据分析模块转化为社区碳排放总量，所述社区碳排放总量计算公式如下：

其中：

—社区碳排放总量；E_{居民居住区域}—居民居住区域碳排放量；E_{社区公共区域}—社区公共区域碳排放量；E_垃圾—社区垃圾处理碳排放量；E_废水—废水处理碳排放量；E_电力—居民居住区域和社区公共区域消耗电量碳排放量；E_天然气—居民居住区域和社区公共区域消耗天然气碳排放量，E_柴油—社区消耗柴油碳排放量；E_汽油—社区消耗汽油碳排放量；E_其它—社区消耗天然气、柴油、汽油之外的其它能源碳排放量；以上单位均为吨二氧化碳(tCO₂)。

4.根据权利要求1所述的一种社区碳排放监测和预测系统，其特征在于，所述社区碳排放活动数据采用在线传输或离线传输两种方式传输，在线传输包括以太网或无线传输方式，所述离线传输则采用移动终端拍照上传、数据录入。

5.根据权利要求1所述的一种社区碳排放监测和预测系统，其特征在于，所述碳排放预测模块包括改进支持向量机预测模型模块，将社区碳排放总量和经过无量纲化的所述输入参数输入改进支持向量机预测模型模块中；

通过遗传算法优化最小二乘支持向量机模型得到所述改进支持向量机预测模型模块中的改进支持向量机，并通过优化后的所述改进支持向量机对社区碳排放量进行预测。

6.根据权利要求5所述的一种社区碳排放监测和预测系统，其特征在于，所述支持向量机中的核函数为RBF，即

将支持向量机的优化转化为对支持向量机惩罚因子C和和函数的方差σ的寻优。

7.一种社区碳排放监测和预测方法，其特征在于，包括如下步骤：

步骤1.通过碳排放监测模块对社区碳排放活动数据和碳排放预测所需输入参数进行采集，所述输入参数包括人均居民消费支出、社区居民常住人口数量和当地居民消费价格指数；所述碳排放监测模块包括数据采集模块和数据分析模块，所述数据采集模块用于对所述社区碳排放活动数据和碳排放预测所需输入参数进行采集，所述数据采集模块包括传感器、数据采集器、存储服务器，所述传感器与社区的碳排放源连接，所述传感器将从所述碳排放源上测量到的所述社区碳排放活动数据传递至所述数据采集器，所述数据采集器将社区碳排放活动数据传递至所述存储服务器进行存储形成存储数据；所述数据分析模块从所述存储服务器读取所述存储数据，并对所述存储服务器中的分析信息进行综合分析，所述数据分析模块用于将所述社区碳排放活动数据转化成碳排放量，并进行汇总生成社区碳排放总量；

步骤2.通过碳排放监测模块采集社区历史碳排放量，采用离差标准化方法对所述输入参数数据进行无量纲化，人均居民消费支出、社区居民常住人口数量和当地居民消费价格指数进行无量纲化的计算公式为：x′_i＝(x_i-x_min)/(x_max-x_min)，其中i＝1,2,…m，m为参数x的个数；x_min和x_max分别表示为参数x的最小值和最大值，x'_i为经过无量纲化的输入参数数据，x_i为经过当前实际的输入参数数据；

步骤3：将分析计算后的社区碳排放总量和经过无量纲化的所述输入参数输入碳排放预测模块中的改进支持向量机预测模型中，通过遗传算法优化最小二乘支持向量机模型得到所述改进支持向量机预测模型模块中的改进后的支持向量机，并通过优化后的所述改进支持向量机对社区碳排放总量进行预测。

8.根据权利要求7所述的一种社区碳排放监测和预测方法，其特征在于，

所述社区碳排放活动数据包括居民居住区域碳排放数据、社区公共区域碳排放数据、社区垃圾处理碳排放数据、废水处理碳排放数据，所述居民居住区域碳排放数据包括居民区消耗电量产生碳排放数据、居民区消耗天然气产生碳排放数据，所述社区公共区域碳排放数据包括社区消耗电量碳排放数据、社区消耗天然气碳排放数据、社区消耗汽油碳排放数据、社区消耗柴油碳排放数据、社区消耗其它能源碳排放数据；所述社区碳排放活动数据经过所述数据分析模块转化为社区碳排放总量，所述社区碳排放总量计算公式如下：

其中：

—社区碳排放总量；E_{居民居住区域}—居民居住区域碳排放量；E_{社区公共区域}—社区公共区域碳排放量；E_垃圾—社区垃圾处理碳排放量；E_废水—废水处理碳排放量；E_电力—居民居住区域和社区公共区域消耗电量碳排放量；E_天然气—居民居住区域和社区公共区域消耗天然气碳排放量，E_柴油—社区消耗柴油碳排放量；E_汽油—社区消耗汽油碳排放量；E_其它—社区消耗天然气、柴油、汽油之外的其它能源碳排放量；以上单位均为吨二氧化碳(tCO₂)。

9.根据权利要求8所述的一种社区碳排放监测和预测方法，其特征在于，所述社区碳排放活动数据的采集采用以下步骤：

步骤(1).居民居住区域和社区公共区域的电力和天然气消耗采集通过在线传输或离线传输两种方式中的一种；

其中在线传输方式包括：

社区碳排放监测模块与供电局和天然气公司系统对接，通过数据采集器分别采集各居民用户和社区公共区域的实时用电量和用气量；

或者在居民和社区公共区域的电表和天然气表安装数据传输装置，将实时用电量和用气量采用以太网或GPRS形式进行传输；

其中离线传输方式为：居民或物业管理人员采用移动终端设备通过拍照或直接录入电量和气量数据，定期分别上传至数据采集器中的电力数据采集单元和天然气数据采集单元中，完成居民居住区域和社区公共区域消耗电量产生碳排放数据和消耗天然气产生碳排放数据的搜集；

步骤(2).社区公共区域的汽油、柴油、其它能源的碳排放数据采用离线方式采集，通过社区物业管理员定期统计消耗量并上传至相应的采集单元；

步骤(3).居民居住区域和社区公共区域的垃圾通过衡器进行称重，同时记录垃圾处理方式，并上传至数据采集器中的垃圾数据采集单元；居民居住区域和社区公共区域的废水产生量通过流量计进行测量，同时记录废水处理方式，并上传至数据采集器中的废水数据采集单元中。

10.根据权利要求7所述的一种社区碳排放监测和预测方法，其特征在于，利用遗传算法改进支持向量机的步骤如下：

步骤a：确定惩罚因子C和和函数的方差σ取值范围，两个参数的取值范围应为非零正数；

步骤b：选择训练样本的均值误差E作为遗传算法的适应度计算函数，为

，其中l为样本个数，y_i(i＝1,2,…,l)为第i个样本的真实值，y_i′(i＝1,2,…,l)为第i个样本的预测值；

步骤c：在取值范围内随机产生惩罚因子C和和函数的方差σ产生初始训练种群；

步骤d：将初始化后的种群代入支持向量机进行训练，计算适应度函数数值；

步骤e：利用遗传算法对适应度高的染色体进行复制、交叉和变异得到新群种，判断预测精度是否达到要求，如是则停止；否则返回步骤d重新计算；

步骤f：训练结束后，得到最优的惩罚因子C和和函数的方差σ，代入支持向量机预测测试样本的数据。

Images