CN111611712A - 基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备 - Google Patents
基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备 Download PDFInfo
- Publication number
- CN111611712A CN111611712A CN202010438697.6A CN202010438697A CN111611712A CN 111611712 A CN111611712 A CN 111611712A CN 202010438697 A CN202010438697 A CN 202010438697A CN 111611712 A CN111611712 A CN 111611712A
- Authority
- CN
- China
- Prior art keywords
- rice
- preset
- carbon
- target
- carbon footprint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 339
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 339
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 311
- 235000009566 rice Nutrition 0.000 title claims abstract description 311
- 238000005457 optimization Methods 0.000 title claims abstract description 134
- 239000002245 particle Substances 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 53
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 310
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 239000000463 material Substances 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 32
- 239000000126 substance Substances 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 4
- 240000008042 Zea mays Species 0.000 claims 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims 2
- 235000005822 corn Nutrition 0.000 claims 2
- 238000011156 evaluation Methods 0.000 abstract description 5
- 239000002994 raw material Substances 0.000 description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 239000005431 greenhouse gas Substances 0.000 description 9
- 238000003801 milling Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000012271 agricultural production Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 7
- 239000011707 mineral Substances 0.000 description 7
- 238000004806 packaging method and process Methods 0.000 description 7
- 238000005498 polishing Methods 0.000 description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 description 6
- 239000001569 carbon dioxide Substances 0.000 description 6
- 239000003502 gasoline Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000003337 fertilizer Substances 0.000 description 5
- 238000003306 harvesting Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 239000010902 straw Substances 0.000 description 4
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 4
- 239000012773 agricultural material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 229910018503 SF6 Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 239000001272 nitrous oxide Substances 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 229960000909 sulfur hexafluoride Drugs 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Animal Husbandry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Adjustment And Processing Of Grains (AREA)
- Carbon And Carbon Compounds (AREA)
Abstract
本发明属于碳足迹技术领域,公开了一种基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备。该方法通过获取稻谷产品碳足迹的生命周期数据建立稻谷产品的碳足迹模型;获取预设碳足迹计量模型提取预设参数,根据预设参数及碳足迹模型确定全生命周期碳排放量;按预设优化策略根据碳足迹模型和碳足迹计量模型建立双目标优化模型;基于预设粒子群算法求解双目标优化模型获得目标帕累托解集对全生命周期碳排放量进行优化。本发明中基于生命周期评价法计算稻谷产品的碳排放量,建立稻谷产量最高和碳排放最小的双目标优化模型,引入粒子群算法求解稻谷产量和碳排放的最佳组合,解决了如何优化稻谷生产碳足迹计量实现稻谷产量和碳排放的最佳组合问题。
Description
技术领域
本发明涉及碳足迹技术领域,尤其涉及一种基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备。
背景技术
随着全球气候变暖日益引起各国政府和公众的普遍关注,碳足迹分析方法成为近年来学术界的新兴研究热点之一。碳足迹分析是一种评价碳排放影响的全新测度方法,其从生命周期的角度揭示不同对象的碳排放过程,具体衡量某种产品全生命周期或某种活动过程中直接和间接相关的碳排放量,为探索合理有效的温室气体减排途径提供科学依据。产品碳足迹则是用于计算产品和服务在整个生命周期内(从原材料的获取,到生产、分销、使用和废弃后的处理)温室气体排放量。
我国稻谷生产面临着增产缓慢、成本高、污染大的三重压力,迫切需要实现农业转型,如何获得最大的经济效益、社会效益和生态效益需要从技术、市场和管理等方面采取综合措施,例如可以基于生命周期评价法(Life Cycle Assessment,LCA)进行粮食生产碳足迹核算,但是该方式并不能实现稻谷产量和碳排放量的最佳组合。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备,旨在解决如何优化稻谷生产碳足迹计量,实现稻谷产量和碳排放量的最佳组合的技术问题。
为实现上述目的,本发明提供了一种基于粒子群算法的稻谷碳足迹计量优化方法,所述方法包括以下步骤:
获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型;
获取预设碳足迹计量模型;
提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量;
按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型;
基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
优选地,所述获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型的步骤,具体包括:
获取稻谷产品在预设生命周期阶段中的物质总量,其中,所述预设生命周期阶段包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;
根据所述物质总量提取预设排放源物质总量;
根据所述预设排放源物质总量确定对应生命周期阶段的碳排放量;
根据所述碳排放量建立所述稻谷产品的碳足迹模型。
优选地,所述提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量的步骤,具体包括:
获取所述预设碳足迹计量模型的单位碳排放因子;
通过所述碳足迹模型确定所述稻谷产品的物质强度参数;
获取预设质量平衡方程;
将所述单位碳排放因子以及所述物质强度参数代入所述预设质量平衡方程确定所述稻谷产品的全生命周期碳排放量。
优选地,所述按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型的步骤,具体包括:
根据所述碳足迹模型以及预设优化策略确定目标稻谷产量;
根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量;
根据所述目标稻谷产量、所述目标碳排放量以及预设约束条件建立所述稻谷产品的双目标优化模型。
优选地,所述基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤,具体包括:
基于预设粒子群算法初始化预先建立的粒子母群以及所述粒子母群的速度分量;
通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度;
根据所述目标适应度生成目标帕累托解集;
根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
优选地,所述根据所述目标适应度生成目标帕累托解集的步骤之后,所述方法还包括:
判断所述目标帕累托解集是否属于预设帕累托解集;
在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件;
在所述目标帕累托解集满足所述预设粒子群算法的终止条件时,执行根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤。
优选地,所述在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件的步骤之后,所述方法还包括:
在所述目标帕累托解集不满足所述预设粒子群算法的终止条件时,更新所述粒子母群以及所述速度分量;
在所述粒子母群以及所述速度分量更新后,执行通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度的步骤。
此外,为实现上述目的,本发明还提出一种基于粒子群算法的稻谷碳足迹计量优化装置,所述基于粒子群算法的稻谷碳足迹计量优化装置包括:
获取模块,用于获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型;
计量模块,用于获取预设碳足迹计量模型;
确定模块,用于提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量;
建立模块,用于按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型;
优化模块,用于基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
优选地,所述获取模块包括:物质获取模块、排放提取模块、排放确定模块以及足迹建立模块;其中,
所述物质获取模块,用于获取稻谷产品在预设生命周期阶段中的物质总量,其中,所述预设生命周期阶段包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;
所述排放提取模块,用于根据所述物质总量提取预设排放源物质总量;
所述排放确定模块,用于根据所述预设排放源物质总量确定各生命周期阶段的碳排放量;
所述足迹建立模块,用于根据所述碳排放量建立所述稻谷产品的碳足迹模型。
此外,为实现上述目的,本发明还提出一种基于粒子群算法的稻谷碳足迹计量优化设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于粒子群算法的稻谷碳足迹计量优化程序,所述基于粒子群算法的稻谷碳足迹计量优化程序配置为实现如上文所述的基于粒子群算法的稻谷碳足迹计量优化方法的步骤。
本发明通过获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型;获取预设碳足迹计量模型;提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量;按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型;基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。通过上述方式,基于生命周期评价法计算稻谷产品在整个生命周期内的温室气体排放量,建立稻谷产量最高和碳排放量最小的双目标优化模型,引入粒子群算法求解双目标优化模型对稻谷产品碳足迹进行优化,达到稻谷产量和碳排放量的最佳组合,解决了如何优化稻谷生产碳足迹计量,实现稻谷产量和碳排放量的最佳组合的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于粒子群算法的稻谷碳足迹计量优化设备的结构示意图;
图2为本发明基于粒子群算法的稻谷碳足迹计量优化方法第一实施例的流程示意图;
图3为本发明基于粒子群算法的稻谷碳足迹计量优化方法第二实施例的流程示意图;
图4为本发明基于粒子群算法的稻谷碳足迹计量优化装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于粒子群算法的稻谷碳足迹计量优化设备结构示意图。
如图1所示,该基于粒子群算法的稻谷碳足迹计量优化设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于粒子群算法的稻谷碳足迹计量优化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于粒子群算法的稻谷碳足迹计量优化程序。
在图1所示的粒子群算法的稻谷碳足迹计量优化设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于粒子群算法的稻谷碳足迹计量优化设备中的处理器1001、存储器1005可以设置在基于粒子群算法的稻谷碳足迹计量优化设备中,所述基于粒子群算法的稻谷碳足迹计量优化设备通过处理器1001调用存储器1005中存储的基于粒子群算法的稻谷碳足迹计量优化程序,并执行本发明实施例提供的基于粒子群算法的稻谷碳足迹计量优化方法。
本发明实施例提供了一种基于粒子群算法的稻谷碳足迹计量优化方法,参照图2,图2为本发明一种基于粒子群算法的稻谷碳足迹计量优化方法第一实施例的流程示意图。
本实施例中,所述基于粒子群算法的稻谷碳足迹计量优化方法包括以下步骤:
步骤S10:获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型。
需要说明的是,所述获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型的步骤,具体包括:获取稻谷产品在预设生命周期阶段中的物质总量,其中,所述预设生命周期阶段包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;根据所述物质总量提取预设排放源物质总量;根据所述预设排放源物质总量确定对应生命周期阶段的碳排放量;根据所述碳排放量建立所述稻谷产品的碳足迹模型。
具体地,所述预设生命周期阶段可以包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;所述稻谷生产阶段可以包括:原料生产以及农资生产;所述稻谷种植阶段可以包括灌溉、播种、耕种以及收获;所述稻谷加工阶段可以包括清理、砻谷、碾米、抛光、色选、分级以及打包;所述稻谷运输阶段可以包括原料运输、农资运输以及产品运输。所述稻谷生产阶段的预设排放源可以为电力以及矿物原料;所述稻谷种植阶段的预设排放源可以为土地排放、化肥、农药以及汽油;所述稻谷加工阶段的预设排放源可以为电力以及加工耗材;所述稻谷运输阶段的预设排放源可以为汽油。
此外,所述稻谷生产阶段还可以包括农田上游环节投入品(化肥、农药、机械和农膜等)的生产加工环节、所述稻谷种植阶段可以包括植保以及秸秆处理等。
易于理解的是,hij可以表示第i个阶段的第j个环节的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n;例如h12可以表示第1个阶段的第2个环节物质总量,即稻谷生产阶段中农资生产环节的物质总量。pij可以表示第i个阶段的第j个预设排放源的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n;例如p12可以表示第1个阶段的第2个环节预设排放源的物质总量,即稻谷生产阶段中农资生产环节预设排放源即电力以及矿物原料的物质总量。根据所述预设排放源物质总量确定对应生命周期阶段的碳排放量;根据所述碳排放量建立所述稻谷产品的碳足迹模型。
具体地,例如对于稻谷加工阶段,h3j表示第3个阶段的第j个环节的物质总量,其中,j=1,2,3,...,7;则所述稻谷加工阶段可以表示为:
i=3,p3j=ψj(h31,h32,...,h37),j=1,2
所述稻谷加工阶段的成果是大米,可以用Q表示产出大米的量,Q的表达式为:
Q=ζ(h11,h12;h21,h22,...,h25;h31,h32,...,h37)
所述稻谷加工阶段可以包括清理、砻谷、碾米、抛光、色选、分级以及打包;对于清理、砻谷、碾米、抛光、色选、分级以及打包的稻谷加工阶段h3j,h3j又是h1j和h2j的函数,比如所述稻谷加工阶段的碾米和所述稻谷种植阶段的播种和收获相关。
步骤S20:获取预设碳足迹计量模型。
需要说明的是,所述预设碳足迹计量模型可以参考碳足迹计量的政府统计数据和公开发表的文献数据;例如国际标准化组织制定的ISO 14067,ISO 14067是为解决产品碳足迹具体计算方法制定的标准,适用于商品或服务(统称产品),主要涉及的温室气体包括京都议定书规定的六种气体二氧化碳(CO2)、甲烷(CH4)、氧化亚氮(N2O)、六氟化硫(SF6)、全氟碳化物(PFCs)以及氢氟碳化物(HFCs)外,也包含蒙特利尔议定书中管制的气体等,共63种气体。ISO 14067标准主要包括两大部分ISO 14067-1(量化/计算)以及ISO 14067-2(沟通/标识);所述预设碳足迹计量模型可以参考国际标准化组织制定的ISO 14067,还可以参考英国标准协会所制定的PAS 2050即产品和服务生命周期温室气体排放评估规范;还可以参考日本公告的碳足迹标准TS Q0010;还可以参考世界企业可持续发展协会与世界资源研究院制定的产品生命周期计算与报告,以及企业价值链(范畴三)计算与报告等。
步骤S30:提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量。
易于理解的是,所述提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量的步骤,具体包括:获取所述预设碳足迹计量模型的单位碳排放因子;通过所述碳足迹模型确定所述稻谷产品的物质强度参数;获取预设质量平衡方程;将所述单位碳排放因子以及所述物质强度参数代入所述预设质量平衡方程确定所述稻谷产品的全生命周期碳排放量。
具体地,获取所述预设碳足迹计量模型的单位碳排放因子Ci;通过所述碳足迹模型确定所述稻谷产品的物质强度参数Qi,物质强度参数Qi为物质或活动的数量或强度数据(质量/体积/km/kWh);获取预设质量平衡方程:其中,E为产品碳足迹,Qi为物质或活动的数量或强度数据(质量/体积/km/kWh),Ci为单位碳排放因子(每个单位的二氧化碳当量)。
步骤S40:按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型。
需要说明的是,所述按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型的步骤,具体包括:根据所述碳足迹模型以及预设优化策略确定目标稻谷产量;根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量;根据所述目标稻谷产量、所述目标碳排放量以及预设约束条件建立所述稻谷产品的双目标优化模型。
具体地,所述预设优化策略可以为稻谷产量最高和碳排放量最小;根据所述碳足迹模型以及预设优化策略确定目标稻谷产量,所述目标稻谷产量可以为稻谷产量最高;根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量,所述目标碳排放量可以为碳排放量最小。
步骤S50:基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
易于理解的是,所述基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤,具体包括:基于预设粒子群算法初始化预先建立的粒子母群以及所述粒子母群的速度分量;通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度;根据所述目标适应度生成目标帕累托解集;根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
此外,所述根据所述目标适应度生成目标帕累托解集的步骤之后,所述方法还包括:判断所述目标帕累托解集是否属于预设帕累托解集;在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件;在所述目标帕累托解集满足所述预设粒子群算法的终止条件时,执行根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤。
应当理解的是,所述在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件的步骤之后,所述方法还包括:在所述目标帕累托解集不满足所述预设粒子群算法的终止条件时,更新所述粒子母群以及所述速度分量;在所述粒子母群以及所述速度分量更新后,执行通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度的步骤。
此外,稻谷生产的碳排放在区域间存在较大的差异,这主要是由于自然因素和种植方式共同造成,例如南方稻田气温高造成的甲烷高排放,西北地区高氮肥投入以及东北等地区的秸秆焚烧等,本实施例所述基于粒子群算法的稻谷碳足迹计量优化方法还可以通过建立不同区域计量模型,分析了种植区域调整对碳排放的影响,对稻谷产品碳足迹进行优化,达到稻谷产量和碳排放量的最佳组合。
本实施例通过获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型;获取预设碳足迹计量模型;提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量;按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型;基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。通过上述方式,基于生命周期评价法计算稻谷产品在整个生命周期内的温室气体排放量,建立稻谷产量最高和碳排放量最小的双目标优化模型,引入粒子群算法求解双目标优化模型对稻谷产品碳足迹进行优化,达到稻谷产量和碳排放量的最佳组合,解决了如何优化稻谷生产碳足迹计量,实现稻谷产量和碳排放量的最佳组合的技术问题。
参考图3,图3为本发明一种基于粒子群算法的稻谷碳足迹计量优化方法第二实施例的流程示意图。基于上述第一实施例,本实施例基于粒子群算法的稻谷碳足迹计量优化方法在所述步骤S40,具体包括:
步骤S401:根据所述碳足迹模型以及预设优化策略确定目标稻谷产量。
需要说明的是,所述预设优化策略可以为稻谷产量最高和碳排放量最小;根据所述碳足迹模型以及预设优化策略确定目标稻谷产量,所述目标稻谷产量Q可以为稻谷产量最高;所述目标稻谷产量可以表示为:
maxQ=ζ(h11,h12;h21,h22,...,h25;h31,h32,...,h37)
其中,Q表示目标稻谷产量即产出大米的量;所述预设生命周期阶段可以包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;所述稻谷生产阶段可以包括原料生产以及农资生产,预设排放源可以为电力以及矿物原料;所述稻谷种植阶段可以包括灌溉、播种、耕种以及收获,预设排放源可以为土地排放、化肥、农药以及汽油;所述稻谷加工阶段可以包括清理、砻谷、碾米、抛光、色选、分级以及打包,预设排放源可以为电力以及加工耗材;所述稻谷运输阶段可以包括原料运输、农资运输以及产品运输,预设排放源可以为汽油。hij可以表示第i个阶段的第j个环节的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n,pij可以表示第i个阶段的第j个预设排放源的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n,例如p12可以表示第1个阶段的第2个环节预设排放源的物质总量,即稻谷生产阶段中农资生产环节预设排放源即电力以及矿物原料的物质总量。
步骤S402:根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量。
易于理解的是,所述预设优化策略可以为稻谷产量最高和碳排放量最小,根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量,所述目标碳排放量可以为碳排放量最小,所述目标碳排放量E可以表示为:
其中,Ei表示第i个阶段的碳排放量,i=1,2,3,4;Ei可以根据下式获得:
其中,hij可以表示第i个阶段的第j个环节的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n;例如h12可以表示第1个阶段的第2个环节物质总量,即稻谷生产阶段中农资生产环节的物质总量。pij可以表示第i个阶段的第j个预设排放源的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n;例如p12可以表示第1个阶段的第2个环节预设排放源的物质总量,即稻谷生产阶段中农资生产环节预设排放源即电力以及矿物原料的物质总量。
步骤S403:根据所述目标稻谷产量、所述目标碳排放量以及预设约束条件建立所述稻谷产品的双目标优化模型。
需要说明的是,所述目标稻谷产量可以表示为:
maxQ=ζ(h11,h12;h21,h22,...,h25;h31,h32,...,h37)
所述目标碳排放量E可以表示为:
所述预设约束条件包括:
Q>Q0
其中,Q表示目标稻谷产量即产出大米的量,Q0表示产出大米的固定值,该式表示目标稻谷产量不能低于产出大米的固定值,产出大米的固定值可以根据实际情况设置。
所述预设约束条件还包括:
其中,该式表示双目标优化模型阶段的内部规律约束。
所述预设约束条件还包括:
其中,该式表示预设排放源的物质总量。
所述预设约束条件还包括:
其中,该式表示第i个阶段的碳排放量。
本实施例通过根据所述碳足迹模型以及预设优化策略确定目标稻谷产量;根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量;根据所述目标稻谷产量、所述目标碳排放量以及预设约束条件建立所述稻谷产品的双目标优化模型。通过上述方式,建立稻谷产量最高和碳排放量最小的双目标优化模型,引入粒子群算法求解双目标优化模型对稻谷产品碳足迹进行优化,达到稻谷产量和碳排放量的最佳组合,解决了如何优化稻谷生产碳足迹计量,实现稻谷产量和碳排放量的最佳组合的技术问题。
参照图4,图4为本发明基于粒子群算法的稻谷碳足迹计量优化装置第一实施例的结构框图。
如图4所示,本发明实施例中所述基于粒子群算法的稻谷碳足迹计量优化装置包括:
获取模块10,用于获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型。
需要说明的是,所述获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型的步骤,具体包括:获取稻谷产品在预设生命周期阶段中的物质总量,其中,所述预设生命周期阶段包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;根据所述物质总量提取预设排放源物质总量;根据所述预设排放源物质总量确定对应生命周期阶段的碳排放量;根据所述碳排放量建立所述稻谷产品的碳足迹模型。
具体地,所述预设生命周期阶段可以包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;所述稻谷生产阶段可以包括:原料生产以及农资生产;所述稻谷种植阶段可以包括灌溉、播种、耕种以及收获;所述稻谷加工阶段可以包括清理、砻谷、碾米、抛光、色选、分级以及打包;所述稻谷运输阶段可以包括原料运输、农资运输以及产品运输。所述稻谷生产阶段的预设排放源可以为电力以及矿物原料;所述稻谷种植阶段的预设排放源可以为土地排放、化肥、农药以及汽油;所述稻谷加工阶段的预设排放源可以为电力以及加工耗材;所述稻谷运输阶段的预设排放源可以为汽油。
此外,所述稻谷生产阶段还可以包括农田上游环节投入品(化肥、农药、机械和农膜等)的生产加工环节、所述稻谷种植阶段可以包括植保以及秸秆处理等。
易于理解的是,hij可以表示第i个阶段的第j个环节的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n;例如h12可以表示第1个阶段的第2个环节物质总量,即稻谷生产阶段中农资生产环节的物质总量。pij可以表示第i个阶段的第j个预设排放源的物质总量,其中,i=1,2,3,4;j=1,2,3,...,n;例如p12可以表示第1个阶段的第2个环节预设排放源的物质总量,即稻谷生产阶段中农资生产环节预设排放源即电力以及矿物原料的物质总量。根据所述预设排放源物质总量确定对应生命周期阶段的碳排放量;根据所述碳排放量建立所述稻谷产品的碳足迹模型。
具体地,例如对于稻谷加工阶段,h3j表示第3个阶段的第j个环节的物质总量,其中,j=1,2,3,...,7;则所述稻谷加工阶段可以表示为:
i=3,p3j=ψj(h31,h32,...,h37),j=1,2
所述稻谷加工阶段的成果是大米,可以用Q表示产出大米的量,Q的表达式为:
Q=ζ(h11,h12;h21,h22,...,h25;h31,h32,...,h37)
所述稻谷加工阶段可以包括清理、砻谷、碾米、抛光、色选、分级以及打包;对于清理、砻谷、碾米、抛光、色选、分级以及打包的稻谷加工阶段h3j,h3j又是h1j和h2j的函数,比如所述稻谷加工阶段的碾米和所述稻谷种植阶段的播种和收获相关。
计量模块20,用于获取预设碳足迹计量模型。
需要说明的是,所述预设碳足迹计量模型可以参考碳足迹计量的政府统计数据和公开发表的文献数据;例如国际标准化组织制定的ISO 14067,ISO14067是为解决产品碳足迹具体计算方法制定的标准,适用于商品或服务(统称产品),主要涉及的温室气体包括京都议定书规定的六种气体二氧化碳(CO2)、甲烷(CH4)、氧化亚氮(N2O)、六氟化硫(SF6)、全氟碳化物(PFCs)以及氢氟碳化物(HFCs)外,也包含蒙特利尔议定书中管制的气体等,共63种气体。ISO 14067标准主要包括两大部分ISO 14067-1(量化/计算)以及ISO 14067-2(沟通/标识);所述预设碳足迹计量模型可以参考国际标准化组织制定的ISO 14067,还可以参考英国标准协会所制定的PAS 2050即产品和服务生命周期温室气体排放评估规范;还可以参考日本公告的碳足迹标准TS Q0010;还可以参考世界企业可持续发展协会与世界资源研究院制定的产品生命周期计算与报告,以及企业价值链(范畴三)计算与报告等。
确定模块30,用于提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量。
易于理解的是,所述提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量的步骤,具体包括:获取所述预设碳足迹计量模型的单位碳排放因子;通过所述碳足迹模型确定所述稻谷产品的物质强度参数;获取预设质量平衡方程;将所述单位碳排放因子以及所述物质强度参数代入所述预设质量平衡方程确定所述稻谷产品的全生命周期碳排放量。
具体地,获取所述预设碳足迹计量模型的单位碳排放因子Ci;通过所述碳足迹模型确定所述稻谷产品的物质强度参数Qi,物质强度参数Qi为物质或活动的数量或强度数据(质量/体积/km/kWh);获取预设质量平衡方程:其中,E为产品碳足迹,Qi为物质或活动的数量或强度数据(质量/体积/km/kWh),Ci为单位碳排放因子(每个单位的二氧化碳当量)。
建立模块40,用于按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型。
需要说明的是,所述按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型的步骤,具体包括:根据所述碳足迹模型以及预设优化策略确定目标稻谷产量;根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量;根据所述目标稻谷产量、所述目标碳排放量以及预设约束条件建立所述稻谷产品的双目标优化模型。
具体地,所述预设优化策略可以为稻谷产量最高和碳排放量最小;根据所述碳足迹模型以及预设优化策略确定目标稻谷产量,所述目标稻谷产量可以为稻谷产量最高;根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量,所述目标碳排放量可以为碳排放量最小。
优化模块50,用于基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
易于理解的是,所述基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤,具体包括:基于预设粒子群算法初始化预先建立的粒子母群以及所述粒子母群的速度分量;通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度;根据所述目标适应度生成目标帕累托解集;根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
此外,所述根据所述目标适应度生成目标帕累托解集的步骤之后,所述方法还包括:判断所述目标帕累托解集是否属于预设帕累托解集;在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件;在所述目标帕累托解集满足所述预设粒子群算法的终止条件时,执行根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤。
应当理解的是,所述在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件的步骤之后,所述方法还包括:在所述目标帕累托解集不满足所述预设粒子群算法的终止条件时,更新所述粒子母群以及所述速度分量;在所述粒子母群以及所述速度分量更新后,执行通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度的步骤。
此外,稻谷生产的碳排放在区域间存在较大的差异,这主要是由于自然因素和种植方式共同造成,例如南方稻田气温高造成的甲烷高排放,西北地区高氮肥投入以及东北等地区的秸秆焚烧等,本实施例所述基于粒子群算法的稻谷碳足迹计量优化方法还可以通过建立不同区域计量模型,分析了种植区域调整对碳排放的影响,对稻谷产品碳足迹进行优化,达到稻谷产量和碳排放量的最佳组合。
本实施例中获取模块10,用于获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型;计量模块20,用于获取预设碳足迹计量模型;确定模块30,用于提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量;建立模块40,用于按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型;优化模块50,用于基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。通过上述方式,基于生命周期评价法计算稻谷产品在整个生命周期内的温室气体排放量,建立稻谷产量最高和碳排放量最小的双目标优化模型,引入粒子群算法求解双目标优化模型对稻谷产品碳足迹进行优化,达到稻谷产量和碳排放量的最佳组合,解决了如何优化稻谷生产碳足迹计量,实现稻谷产量和碳排放量的最佳组合的技术问题。
此外,本发明实施例还提出一种基于粒子群算法的稻谷碳足迹计量优化设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于粒子群算法的稻谷碳足迹计量优化程序,所述基于粒子群算法的稻谷碳足迹计量优化程序配置为实现如上文所述的基于粒子群算法的稻谷碳足迹计量优化方法的步骤。由于本基于粒子群算法的稻谷碳足迹计量优化设备采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于粒子群算法的稻谷碳足迹计量优化方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于粒子群算法的稻谷碳足迹计量优化方法,其特征在于,所述方法包括:
获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型;
获取预设碳足迹计量模型;
提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量;
按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型;
基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
2.如权利要求1所述的基于粒子群算法的稻谷碳足迹计量优化方法,其特征在于,所述获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型的步骤,具体包括:
获取稻谷产品在预设生命周期阶段中的物质总量,其中,所述预设生命周期阶段包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;
根据所述物质总量提取预设排放源物质总量;
根据所述预设排放源物质总量确定对应生命周期阶段的碳排放量;
根据所述碳排放量建立所述稻谷产品的碳足迹模型。
3.如权利要求2所述的基于粒子群算法的稻谷碳足迹计量优化方法,其特征在于,所述提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量的步骤,具体包括:
获取所述预设碳足迹计量模型的单位碳排放因子;
通过所述碳足迹模型确定所述稻谷产品的物质强度参数;
获取预设质量平衡方程;
将所述单位碳排放因子以及所述物质强度参数代入所述预设质量平衡方程确定所述稻谷产品的全生命周期碳排放量。
4.如权利要求3所述的基于粒子群算法的稻谷碳足迹计量优化方法,其特征在于,所述按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型的步骤,具体包括:
根据所述碳足迹模型以及预设优化策略确定目标稻谷产量;
根据所述碳足迹计量模型以及所述预设优化策略确定目标碳排放量;
根据所述目标稻谷产量、所述目标碳排放量以及预设约束条件建立所述稻谷产品的双目标优化模型。
5.如权利要求4所述的基于粒子群算法的稻谷碳足迹计量优化方法,其特征在于,所述基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤,具体包括:
基于预设粒子群算法初始化预先建立的粒子母群以及所述粒子母群的速度分量;
通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度;
根据所述目标适应度生成目标帕累托解集;
根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
6.如权利要求5所述的基于粒子群算法的稻谷碳足迹计量优化方法,其特征在于,所述根据所述目标适应度生成目标帕累托解集的步骤之后,所述方法还包括:
判断所述目标帕累托解集是否属于预设帕累托解集;
在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件;
在所述目标帕累托解集满足所述预设粒子群算法的终止条件时,执行根据所述目标帕累托解集对所述全生命周期碳排放量进行优化的步骤。
7.如权利要求5所述的基于粒子群算法的稻谷碳足迹计量优化方法,其特征在于,所述在所述目标帕累托解集属于所述预设帕累托解集时,判断所述目标帕累托解集是否满足所述预设粒子群算法的终止条件的步骤之后,所述方法还包括:
在所述目标帕累托解集不满足所述预设粒子群算法的终止条件时,更新所述粒子母群以及所述速度分量;
在所述粒子母群以及所述速度分量更新后,执行通过所述粒子母群以及所述速度分量求解所述目标稻谷产量以及所述目标碳排放量的目标适应度的步骤。
8.一种基于粒子群算法的稻谷碳足迹计量优化装置,其特征在于,所述基于粒子群算法的稻谷碳足迹计量优化装置包括:
获取模块,用于获取稻谷产品碳足迹的生命周期数据,根据所述生命周期数据建立所述稻谷产品的碳足迹模型;
计量模块,用于获取预设碳足迹计量模型;
确定模块,用于提取所述预设碳足迹计量模型中的预设参数,并根据所述预设参数以及所述碳足迹模型确定所述稻谷产品的全生命周期碳排放量;
建立模块,用于按预设优化策略根据所述碳足迹模型和所述碳足迹计量模型建立所述稻谷产品的双目标优化模型;
优化模块,用于基于预设粒子群算法求解所述双目标优化模型,以获得目标帕累托解集,根据所述目标帕累托解集对所述全生命周期碳排放量进行优化。
9.如权利要求8所述的基于粒子群算法的稻谷碳足迹计量优化装置,其特征在于,所述获取模块包括:物质获取模块、排放提取模块、排放确定模块以及足迹建立模块;其中,
所述物质获取模块,用于获取稻谷产品在预设生命周期阶段中的物质总量,其中,所述预设生命周期阶段包括稻谷生产阶段、稻谷种植阶段、稻谷加工阶段以及稻谷运输阶段;
所述排放提取模块,用于根据所述物质总量提取预设排放源物质总量;
所述排放确定模块,用于根据所述预设排放源物质总量确定各生命周期阶段的碳排放量;
所述足迹建立模块,用于根据所述碳排放量建立所述稻谷产品的碳足迹模型。
10.一种基于粒子群算法的稻谷碳足迹计量优化设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于粒子群算法的稻谷碳足迹计量优化程序,所述基于粒子群算法的稻谷碳足迹计量优化程序配置为实现如权利要求1至7中任一项所述的基于粒子群算法的稻谷碳足迹计量优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438697.6A CN111611712B (zh) | 2020-05-21 | 2020-05-21 | 基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438697.6A CN111611712B (zh) | 2020-05-21 | 2020-05-21 | 基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611712A true CN111611712A (zh) | 2020-09-01 |
CN111611712B CN111611712B (zh) | 2023-05-02 |
Family
ID=72199474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010438697.6A Active CN111611712B (zh) | 2020-05-21 | 2020-05-21 | 基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611712B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417503A (zh) * | 2022-01-11 | 2022-04-29 | 蔚来汽车科技(安徽)有限公司 | 用于车辆的碳足迹估计方法和碳足迹估计系统 |
CN115222201A (zh) * | 2022-06-06 | 2022-10-21 | 扬州大学 | 一种作物生产碳足迹评价的全局敏感性分析方法 |
CN116071180A (zh) * | 2022-11-23 | 2023-05-05 | 中国科学院沈阳应用生态研究所 | 一种设施栽培碳排放量核算方法及系统 |
CN116167552A (zh) * | 2023-04-25 | 2023-05-26 | 中国信息通信研究院 | 基于工业互联网的碳足迹确定方法和装置、设备和介质 |
CN116187584A (zh) * | 2023-04-19 | 2023-05-30 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
CN117408365A (zh) * | 2023-08-25 | 2024-01-16 | 上海智双和曦科技有限公司 | 碳排放量的计算方法、装置、设备、可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179794A1 (en) * | 2009-01-13 | 2010-07-15 | Shah Amip J | Multi-variable control-based optimization to achieve target goal |
CN107451387A (zh) * | 2016-05-30 | 2017-12-08 | 中国石油化工股份有限公司 | 一种石化产品碳足迹的计量方法 |
CN108491976A (zh) * | 2018-03-29 | 2018-09-04 | 华南理工大学 | 一种微能源网多目标运行控制方法 |
-
2020
- 2020-05-21 CN CN202010438697.6A patent/CN111611712B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100179794A1 (en) * | 2009-01-13 | 2010-07-15 | Shah Amip J | Multi-variable control-based optimization to achieve target goal |
CN107451387A (zh) * | 2016-05-30 | 2017-12-08 | 中国石油化工股份有限公司 | 一种石化产品碳足迹的计量方法 |
CN108491976A (zh) * | 2018-03-29 | 2018-09-04 | 华南理工大学 | 一种微能源网多目标运行控制方法 |
Non-Patent Citations (7)
Title |
---|
刘勇;张俊飚;张露;: "基于DEA-SBM模型对不同稻作制度下我国水稻生产碳排放效率的分析" * |
刘莎;刘佳琦;: "基于全生命周期成本和碳排放量的绿色建筑设计优化研究" * |
张子泳;仉梦林;李莎;: "基于多目标粒子群算法的电力系统环境经济调度研究" * |
张忠学;张世伟;郭丹丹;谭智湘;陈选;梁乾平;: "玉米不同水肥条件的耦合效应分析与水肥配施方案寻优" * |
戢守峰;唐金环;蓝海燕;朱宝琳;: "考虑选址-路径-库存联合优化的碳排放多目标模型与算法" * |
杨蕊菲;: "南昌市农田生态系统碳源/汇及碳足迹分析" * |
王建华;陈荣;: "基于多目标规划的钢铁供应链网络优化研究" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417503A (zh) * | 2022-01-11 | 2022-04-29 | 蔚来汽车科技(安徽)有限公司 | 用于车辆的碳足迹估计方法和碳足迹估计系统 |
CN114417503B (zh) * | 2022-01-11 | 2023-09-12 | 蔚来汽车科技(安徽)有限公司 | 用于车辆的碳足迹估计方法和碳足迹估计系统 |
CN115222201A (zh) * | 2022-06-06 | 2022-10-21 | 扬州大学 | 一种作物生产碳足迹评价的全局敏感性分析方法 |
CN115222201B (zh) * | 2022-06-06 | 2024-03-08 | 扬州大学 | 一种作物生产碳足迹评价的全局敏感性分析方法 |
CN116071180A (zh) * | 2022-11-23 | 2023-05-05 | 中国科学院沈阳应用生态研究所 | 一种设施栽培碳排放量核算方法及系统 |
CN116071180B (zh) * | 2022-11-23 | 2024-05-28 | 中国科学院沈阳应用生态研究所 | 一种设施栽培碳排放量核算方法及系统 |
CN116187584A (zh) * | 2023-04-19 | 2023-05-30 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
CN116187584B (zh) * | 2023-04-19 | 2023-09-05 | 深圳大学 | 一种基于梯度下降算法的建筑碳足迹预测方法及系统 |
CN116167552A (zh) * | 2023-04-25 | 2023-05-26 | 中国信息通信研究院 | 基于工业互联网的碳足迹确定方法和装置、设备和介质 |
CN117408365A (zh) * | 2023-08-25 | 2024-01-16 | 上海智双和曦科技有限公司 | 碳排放量的计算方法、装置、设备、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111611712B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611712A (zh) | 基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备 | |
Lehuger et al. | Bayesian calibration of the nitrous oxide emission module of an agro-ecosystem model | |
Li et al. | From ORYZA2000 to ORYZA (v3): An improved simulation model for rice in drought and nitrogen-deficient environments | |
Sándor et al. | Ensemble modelling of carbon fluxes in grasslands and croplands | |
Soltani et al. | Modeling physiology of crop development, growth and yield | |
Zhao et al. | Sensitivity and uncertainty analysis of the APSIM-wheat model: Interactions between cultivar, environmental, and management parameters | |
Xu et al. | Fertilizer recommendation for maize in China based on yield response and agronomic efficiency | |
Blasi et al. | An ecological footprint approach to environmental–economic evaluation of farm results | |
Philibert et al. | Prediction of N2O emission from local information with Random Forest | |
Miehle et al. | A comparison of four process-based models and a statistical regression model to predict growth of Eucalyptus globulus plantations | |
Knörzer et al. | Integrating a simple shading algorithm into CERES-wheat and CERES-maize with particular regard to a changing microclimate within a relay-intercropping system | |
Tao et al. | Terrestrial carbon balance in tropical Asia: Contribution from cropland expansion and land management | |
Khoshnevisan et al. | A multi-criteria evolutionary-based algorithm as a regional scale decision support system to optimize nitrogen consumption rate; A case study in North China plain | |
Huang et al. | Water content quantitatively affects metabolic rates over the course of plant ontogeny | |
Vandenberghe et al. | Evaluation of uncertainty propagation into river water quality predictions to guide future monitoring campaigns | |
Wan et al. | Energy flux across multitrophic levels drives ecosystem multifunctionality: Evidence from nematode food webs | |
Venema et al. | Forest structure optimization using evolutionary programming and landscape ecology metrics | |
CN116542537B (zh) | 用于增加碳汇的绿色空间规划方法、系统、设备及介质 | |
Marvinney et al. | Life cycle–based assessment of energy use and greenhouse gas emissions in almond production, Part II: Uncertainty analysis through sensitivity analysis and scenario testing | |
CN115186519A (zh) | 一种基于可变系统边界情景的农业碳足迹计量方法及装置 | |
Paleari et al. | Sensitivity analysis using Morris: Just screening or an effective ranking method? | |
Fitton et al. | Modelling biological N fixation and grass-legume dynamics with process-based biogeochemical models of varying complexity | |
Xu et al. | Impact of industrial agglomeration on carbon emissions from dairy farming——empirical analysis based on life cycle assessmsent method and spatial durbin model | |
Canaj et al. | Analyzing the water-energy-environment nexus of irrigated wheat and maize production in Albania | |
Blanc et al. | Functional–structural plant modeling highlights how diversity in leaf dimensions and tillering capability could promote the efficiency of wheat cultivar mixtures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |