CN114324747B - 广域碳排放实时监测方法及系统 - Google Patents
广域碳排放实时监测方法及系统 Download PDFInfo
- Publication number
- CN114324747B CN114324747B CN202111466759.5A CN202111466759A CN114324747B CN 114324747 B CN114324747 B CN 114324747B CN 202111466759 A CN202111466759 A CN 202111466759A CN 114324747 B CN114324747 B CN 114324747B
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- monitoring
- carbon
- monitoring area
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 325
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 325
- 238000012544 monitoring process Methods 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012806 monitoring device Methods 0.000 claims description 33
- 239000000779 smoke Substances 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 26
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 16
- 229910002092 carbon dioxide Inorganic materials 0.000 description 13
- 239000001569 carbon dioxide Substances 0.000 description 13
- 229910000831 Steel Inorganic materials 0.000 description 10
- 239000000446 fuel Substances 0.000 description 10
- 239000010959 steel Substances 0.000 description 10
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 9
- 229910052757 nitrogen Inorganic materials 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 6
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000005431 greenhouse gas Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- -1 freon Chemical compound 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000001272 nitrous oxide Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 229910018503 SF6 Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical compound FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种广域碳排放实时监测方法及系统，所述广域碳排放实时监测方法包括：包括：于各监测区域配置碳排放监测设备，监测各监测区域内的碳排放数据；通过一实时碳数据云端平台，实时从各监测区域内的碳排放监测设备获取碳排放数据；通过所述实时碳数据云端平台对所述碳排放数据进行异常分析，定位异常的监测区域。本发明以厂区边缘节点实时监测数据为基础，结合云端多源(气象、图像监控等)辅助数据，构建广域碳排放实时监测系统，一方面可实时更新各监测厂域的碳排放信息，能够及时感知异常信息，可对对应节点快速定位排查，另一方面也能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
Description
技术领域
本发明涉及大数据技术领域，特别是涉及大数据监测分析技术领域，具体为一种广域碳排放实时监测方法及系统。
背景技术
由于人类活动或者自然形成的温室气体，如：水汽(H2O)、氟利昂、二氧化碳(CO2)、氧化亚氮(N2O)、甲烷(CH4)、臭氧(O3)、氢氟碳化物、全氟碳化物、六氟化硫等的排放。温室气体排放来源多为世界重工业发展产生、汽车尾气等，温室气体一旦超出大气标准，便会造成温室效应，使全球气温上升，威胁人类生存。因此，控制温室气体排放已成为全人类面临的一个主要问题。
当前的碳排放实时监测系统，通常只是安装在厂域范围，只是针对本厂的设备工作和碳排放进行收集，因为碳排放指标参数受多种因素影响，单纯厂域指标难以实时精确的反应真实碳排放情况，并且难以进行动态的广域碳核查工作。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种广域碳排放实时监测方法及系统，用于解决现有技术中对碳排放难以有效动态监测的技术问题。
为实现上述目的及其他相关目的，本发明提供一种广域碳排放实时监测方法，包括：于各监测区域配置碳排放监测设备，监测各监测区域内的碳排放数据；通过一实时碳数据云端平台，实时从各监测区域内的碳排放监测设备获取碳排放数据；通过所述实时碳数据云端平台对所述碳排放数据进行异常分析，定位异常的监测区域。
于本发明的一实施例中，还包括：实时碳数据云端平台获取各监测区域的验证数据；基于所述验证数据对所述碳排放数据的可信度进行验证。
于本发明的一实施例中，所述验证数据包括监测区域图像数据；所述基于所述验证数据对所述碳排放数据的可信度进行验证包括：获取监测区域图像数据；基于所述监测区域图像数据中的排烟情况对所述碳排放数据的可信度进行验证。
于本发明的一实施例中，所述验证数据包括监测区域气象数据；所述基于所述验证数据对所述碳排放数据的可信度进行验证包括：获取监测区域气象数据；基于所述监测区域气象数据中确定所述监测区域的空气质量情况；基于所述监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
于本发明的一实施例中，所述对所述碳排放数据进行异常分析，定位异常的监测区域包括：将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据是否异常：若是，则确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域；
否若，则基于所述验证数据对所述碳排放数据的可信度进行验证，判断所述碳排放数据是否通过验证，若通过验证，则确认所述碳排放数据正常，若未通过验证，则确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域。
为实现上述目的及其他相关目的，本发明还提供一种广域碳排放实时监测系统，包括：多个碳排放监测设备，配置于各监测区域，并监测各监测区域内的碳排放数据；实时碳数据云端平台，用于实时从各监测区域内的碳排放监测设备获取碳排放数据，并对所述碳排放数据进行异常分析，定位异常的监测区域。
于本发明的一实施例中，所述实时碳数据云端平台包括：可信度验证模块，用于获取各监测区域的验证数据，并基于所述验证数据对所述碳排放数据的可信度进行验证。
于本发明的一实施例中，所述验证数据包括监测区域气象数据；所述可信度验证模块用于获取监测区域气象数据，基于所述监测区域气象数据中确定所述监测区域的空气质量情况，并基于所述监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
于本发明的一实施例中，所述验证数据包括监测区域图像数据；所述可信度验证模块用于获取监测区域图像数据，并基于所述监测区域图像数据中的排烟情况对所述碳排放数据的可信度进行验证。
于本发明的一实施例中，所述实时碳数据云端平台包括：对比分析模块，用于将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据是否异常，并在确认所述碳排放数据存在异常时，基于该所述碳排放数据定位异常的监测区域；所述可信度验证模块在所述对比分析模块确认所述碳排放数据正常时，基于所述验证数据对所述碳排放数据的可信度进行验证，判断所述碳排放数据是否通过验证，并在所述碳排放数据未通过验证时，确认所述碳排放数据存在异常，基于该所述碳排放数据定位异常的监测区域。
如上所述，本发明的一种广域碳排放实时监测方法及系统，具有以下有益效果：
本发明以厂区边缘节点实时监测数据为基础，结合云端多源(气象、图像监控等)辅助数据，构建广域碳排放实时监测系统，一方面可实时更新各监测厂域的碳排放信息，能够及时感知异常信息，可对对应节点快速定位排查，另一方面也能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
附图说明
图1显示为本发明的广域碳排放实时监测方法的整体流程示意图；
图2显示为本发明的广域碳排放实时监测方法中对碳排放数据的可信度进行验证的流程示意图；
图3显示为本发明的广域碳排放实时监测方法中对碳排放数据的可信度进行验证的一种具体实施过程示意图；
图4显示为本发明的广域碳排放实时监测方法中对碳排放数据的可信度进行验证的另一种具体实施过程示意图；
图5显示为本发明的广域碳排放实时监测方法的具体实施过程示意图；
图6显示为本发明的广域碳排放实时监测系统的原理结构示意图；
图7显示为本发明的广域碳排放实时监测系统中的实时碳数据云端平台的原理示意图。
元件标号说明
100 广域碳排放实时监测系统
110 碳排放监测设备
120 实时碳数据云端平台
121 对比分析模块
122 可信度验证模块
S100～S300 步骤
S410～S420 步骤
S411～S412 步骤
S421～S423 步骤
S310～S370 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，故图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本实施例提供的广域碳排放实时监测方法及系统，用于解决现有技术中对碳排放难以有效动态监测的技术问题。
云上建立实时碳数据云端平台，在各厂域建立边缘碳排放监测节点，边缘节点的碳排放监测数据实时传送到实时碳数据云端平台，一方面可实时更新各监测厂域的碳排放信息，同时，实时碳数据云端平台能够及时感知异常信息，可对对应节点快速定位排查。实时碳数据云端平台能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
以下将详细阐述本实施例的广域碳排放实时监测方法及系统的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本实施例的广域碳排放实时监测方法及系统。
实施例1
如图1所示，本实施例提供一种广域碳排放实时监测方法，所述广域碳排放实时监测方法包括以下步骤：
步骤S100：于各监测区域配置碳排放监测设备，监测各监测区域内的碳排放数据；
步骤S200：通过一实时碳数据云端平台，实时从各监测区域内的碳排放监测设备获取碳排放数据；
步骤S300：通过所述实时碳数据云端平台对所述碳排放数据进行异常分析，定位异常的监测区域。
以下对本实施例广域碳排放实时监测方法的步骤S100至步骤S300进行详细说明。
步骤S100：于各监测区域配置碳排放监测设备，监测各监测区域内的碳排放数据。
于本实施例中，于各监测区域配置碳排放监测设备即以以厂区边缘节点配置碳排放监测设备，其中，所述碳排放监测设备有多个，分别配置于各监测区域，每一个监测区域对应至少一个碳排放监测设备。
于本实施例中，所述碳排放监测设备包括若干监测传感器和主控设备，若干监测传感器监测所述监测区域内空气成分中二氧化碳、氮、臭氧及气象参数中温度、湿度、光照度、大气压强、竖向风速、晴雨雾等数据中的多种，并把监测到的上述数据传输给监测区域内的主控设备。即本实施例中的所述碳排放监测设备除能测试空气中二氧化碳含量外，同时还能测试空气其他成分的氮含量、臭氧含量，以及空气温度、湿度、光照度、大气压强、竖向风速和晴雨雾等气象参数，这些其他空气成分和气象参数有助于对二氧化碳监测数据的处理、分析、修正，提高了监测二氧化碳排放量的精准度，本实施例中的所述碳排放监测设备具有精度高、量程大、功能齐全、重复性好、构造简单、安装简便等的特点。
本实施例中的所主控设备获取所述碳排放监测设备监测到的数据，并根据所述碳排放监测设备监测到的数据计算监测区域内的碳排放数据。
此外，本实施例中的所述碳排放监测设备还监测获取燃料消耗量或钢材消耗量等数据，所述主控设备基于燃料消耗量或钢材消耗量计算碳排放数据。即本实施例中，将所述碳排放监测设备监测到的二氧化碳数据，结合氮含量、臭氧含量，以及空气温度、湿度、光照度、大气压强、竖向风速和晴雨雾等气象参数，并结合燃料消耗量或钢材消耗量等消耗数据，计算当前监测区域内的碳排放数据。其中，可以分别配置二氧化碳数据，结合氮含量、臭氧含量，以及空气温度、湿度、光照度、大气压强、竖向风速和晴雨雾等气象参数的权重，配置燃料消耗量或钢材消耗量等消耗数据的权重，然后根据各数据及其权重计算该监测区域内的碳排放数据。
本实施例中，也可以单独基于燃料消耗量或钢材消耗量等能源消耗数据计算监测区域内的碳排放数据。这样，可以实时监测整个监测区域或者单个耗能设备的碳排放量。
其中，所述主控设备在监测到单个耗能设备的碳排放数据超过预定标准值时，控制关闭该耗能设备或者控制该耗能设备启动低功耗运行模式或者启动节能运行模式。这样，可以实时监测单个厂区单个设备的碳排放量，实际地落实国家的环保政策，减少碳排放量，维持一个环保的碳排放水平，保证减小对环境的实际影响。
步骤S200：通过一实时碳数据云端平台，实时从各监测区域内的碳排放监测设备获取碳排放数据。
即边缘节点的碳排放监测数据实时传送到实时碳数据云端平台，由实时碳数据云端平台统一对各监测区域内的碳排放数据进行监控管理。
具体地，于本实施例中，实时碳数据云端平台实时更新从各监测区域内的碳排放监测设备获取碳排放数据。
步骤S300：通过所述实时碳数据云端平台对所述碳排放数据进行异常分析，定位异常的监测区域。
具体地，于本实施例中，所述通过所述实时碳数据云端平台对所述碳排放数据进行异常分析，定位异常的监测区域包括：
将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据是否异常：若是，则确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域。
所以本实施例中的实时碳数据云端平台可以实时更新各监测厂域的碳排放信息，能够及时感知异常信息，可对对应节点快速定位排查。
于本实施例中，所述实时碳数据云端平台能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
具体地址，如图2所示，于本实施例中，所述广域碳排放实时监测方法还包括：
步骤S410：实时碳数据云端平台获取各监测区域的验证数据；
步骤S420：基于所述验证数据对所述碳排放数据的可信度进行验证。
单纯监测区域内的碳排放数据难以实时精确的反应真实碳排放情况，本实施例以监测区域内的碳排放数据之外的数据对监测区域内的碳排放数据进行可信度验证，确保监测区域内的碳排放数据的真实性。
其中，本实施例基于所述验证数据对所述碳排放数据的可信度进行验证的方式采用但不限于以下两种方式。
1)第一种方式：
于本实施例中，所述验证数据包括监测区域图像数据；如图3所示，所述基于所述验证数据对所述碳排放数据的可信度进行验证包括：
步骤S411：获取监测区域图像数据；
步骤S412：基于所述监测区域图像数据中的排烟情况对所述碳排放数据的可信度进行验证。
本实施例中，将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据正常时，继续采集监测区域图像数据，对所述监测区域图像数据进行图像分析，例如，分析监测区域图像数据中的排烟情况，也可以分析监测区域图像数据中特定物的清晰度等对监测区域内的碳排放数据的可信度进行验证。
2)第二种方式：
于本实施例中，所述验证数据包括监测区域气象数据；如图4所示，所述基于所述验证数据对所述碳排放数据的可信度进行验证包括：
步骤S421：获取监测区域气象数据；
步骤S422：基于所述监测区域气象数据中确定所述监测区域的空气质量情况；
步骤S423：基于所述监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
本实施例中，将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据正常时，继续采集监测区域气象数据，结合监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
此外，也可以获取监测区域内的水文数据，基于水文污染状态对所述碳排放数据的可信度进行验证。
所以本实施例的广域碳排放实时监测方法能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
作为一种优选方案，如图5所示，于本实施例中，所述对所述碳排放数据进行异常分析，定位异常的监测区域包括：
步骤S310：将所述碳排放数据与预设排放指标标准对比；
步骤S320：判断所述碳排放数据是否异常：若是，则继续执行步骤S330：确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域；否若，则继续执行步骤S340：基于所述验证数据对所述碳排放数据的可信度进行验证；
S350：判断所述碳排放数据是否通过验证，若通过验证，则继续执行步骤S36：确认所述碳排放数据正常，若未通过验证，则继续执行步骤S370：确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域。
由上可见，本实施例的广域碳排放实时监测方法以厂区边缘节点实时监测数据为基础，结合云端多源(气象、图像监控等)辅助数据，构建广域碳排放实时监测系统，一方面可实时更新各监测厂域的碳排放信息，能够及时感知异常信息，可对对应节点快速定位排查，另一方面也能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
实施例2
如图6所示，本实施例提供一种广域碳排放实时监测系统100，所述广域碳排放实时监测系统100包括多个碳排放监测设备110(图6中所示的碳排放监测设备1、碳排放监测设备2，……，碳排放监测设备N)和实时碳数据云端平台120。
于本实施例中，多个碳排放监测设备110配置于各监测区域，并监测各监测区域内的碳排放数据。
于本实施例中，于各监测区域配置碳排放监测设备110即以以厂区边缘节点配置碳排放监测设备110，其中，所述碳排放监测设备110有多个，分别配置于各监测区域，每一个监测区域对应至少一个碳排放监测设备110。
于本实施例中，所述碳排放监测设备110包括若干监测传感器和主控设备，若干监测传感器监测所述监测区域内空气成分中二氧化碳、氮、臭氧及气象参数中温度、湿度、光照度、大气压强、竖向风速、晴雨雾等数据中的多种，并把监测到的上述数据传输给监测区域内的主控设备。即本实施例中的所述碳排放监测设备110除能测试空气中二氧化碳含量外，同时还能测试空气其他成分的氮含量、臭氧含量，以及空气温度、湿度、光照度、大气压强、竖向风速和晴雨雾等气象参数，这些其他空气成分和气象参数有助于对二氧化碳监测数据的处理、分析、修正，提高了监测二氧化碳排放量的精准度，本实施例中的所述碳排放监测设备110具有精度高、量程大、功能齐全、重复性好、构造简单、安装简便等的特点。
本实施例中的所主控设备获取所述碳排放监测设备110监测到的数据，并根据所述碳排放监测设备110监测到的数据计算监测区域内的碳排放数据。
此外，本实施例中的所述碳排放监测设备110还监测获取燃料消耗量或钢材消耗量等数据，所述主控设备基于燃料消耗量或钢材消耗量计算碳排放数据。即本实施例中，将所述碳排放监测设备110监测到的二氧化碳数据，结合氮含量、臭氧含量，以及空气温度、湿度、光照度、大气压强、竖向风速和晴雨雾等气象参数，并结合燃料消耗量或钢材消耗量等消耗数据，计算当前监测区域内的碳排放数据。其中，可以分别配置二氧化碳数据，结合氮含量、臭氧含量，以及空气温度、湿度、光照度、大气压强、竖向风速和晴雨雾等气象参数的权重，配置燃料消耗量或钢材消耗量等消耗数据的权重，然后根据各数据及其权重计算该监测区域内的碳排放数据。
本实施例中，也可以单独基于燃料消耗量或钢材消耗量等能源消耗数据计算监测区域内的碳排放数据。这样，可以实时监测整个监测区域或者单个耗能设备的碳排放量。
其中，所述主控设备在监测到单个耗能设备的碳排放数据超过预定标准值时，控制关闭该耗能设备或者控制该耗能设备启动低功耗运行模式或者启动节能运行模式。这样，可以实时监测单个厂区单个设备的碳排放量，实际地落实国家的环保政策，减少碳排放量，维持一个环保的碳排放水平，保证减小对环境的实际影响。
于本实施例中，所述实时碳数据云端平台120用于实时从各监测区域内的碳排放监测设备110获取碳排放数据，并对所述碳排放数据进行异常分析，定位异常的监测区域。
即边缘节点的碳排放监测数据实时传送到实时碳数据云端平台120，由实时碳数据云端平台120统一对各监测区域内的碳排放数据进行监控管理。
具体地，于本实施例中，实时碳数据云端平台120实时更新从各监测区域内的碳排放监测设备110获取碳排放数据。
具体地，于本实施例中，所述通过所述实时碳数据云端平台120对所述碳排放数据进行异常分析，定位异常的监测区域包括：
将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据是否异常：若是，则确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域。
所以本实施例中的实时碳数据云端平台120可以实时更新各监测厂域的碳排放信息，能够及时感知异常信息，可对对应节点快速定位排查。
于本实施例中，所述实时碳数据云端平台120能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
具体地，于本实施例中，如图7所示，所述实时碳数据云端平台120包括：可信度验证模块122，用于获取各监测区域的验证数据，并基于所述验证数据对所述碳排放数据的可信度进行验证。
其中，于本实施例中，所述验证数据包括监测区域气象数据；所述可信度验证模块122用于获取监测区域气象数据，基于所述监测区域气象数据中确定所述监测区域的空气质量情况，并基于所述监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
本实施例中，将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据正常时，继续采集监测区域图像数据，对所述监测区域图像数据进行图像分析，例如，分析监测区域图像数据中的排烟情况，也可以分析监测区域图像数据中特定物的清晰度等对监测区域内的碳排放数据的可信度进行验证。
于本实施例中，所述验证数据包括监测区域图像数据；所述可信度验证模块122用于获取监测区域图像数据，并基于所述监测区域图像数据中的排烟情况对所述碳排放数据的可信度进行验证。
本实施例中，将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据正常时，继续采集监测区域气象数据，结合监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
此外，也可以获取监测区域内的水文数据，基于水文污染状态对所述碳排放数据的可信度进行验证。
所以本实施例的广域碳排放实时监测方法能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。
于本实施例中，如图7所示，所述实时碳数据云端平台120包括：对比分析模块121和可信度验证模块122。
所述对比分析模块121用于将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据是否异常，并在确认所述碳排放数据存在异常时，基于该所述碳排放数据定位异常的监测区域；所述可信度验证模块122在所述对比分析模块121确认所述碳排放数据正常时，基于所述验证数据对所述碳排放数据的可信度进行验证，判断所述碳排放数据是否通过验证，并在所述碳排放数据未通过验证时，确认所述碳排放数据存在异常，基于该所述碳排放数据定位异常的监测区域。
综上所述，本发明以厂区边缘节点实时监测数据为基础，结合云端多源(气象、图像监控等)辅助数据，构建广域碳排放实时监测系统，一方面可实时更新各监测厂域的碳排放信息，能够及时感知异常信息，可对对应节点快速定位排查，另一方面也能够接入其他相关数据(如气象等信息)，对收集的碳排放数据进行多角度验证，提高碳排放数据可信度。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种广域碳排放实时监测方法，其特征在于：包括：
于各监测区域配置碳排放监测设备，监测各监测区域内的碳排放数据；
通过一实时碳数据云端平台，实时从各监测区域内的碳排放监测设备获取碳排放数据；通过所述实时碳数据云端平台对所述碳排放数据进行异常分析，定位异常的监测区域；
实时碳数据云端平台获取各监测区域的验证数据；
基于所述验证数据对所述碳排放数据的可信度进行验证；
所述验证数据包括监测区域图像数据；所述基于所述验证数据对所述碳排放数据的可信度进行验证包括：
获取监测区域图像数据；
基于所述监测区域图像数据中的排烟情况对所述碳排放数据的可信度进行验证。
2.根据权利要求1所述的广域碳排放实时监测方法，其特征在于：所述验证数据包括监测区域气象数据；所述基于所述验证数据对所述碳排放数据的可信度进行验证包括：
获取监测区域气象数据；
基于所述监测区域气象数据中确定所述监测区域的空气质量情况；
基于所述监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
3.根据权利要求1所述的广域碳排放实时监测方法，其特征在于：所述对所述碳排放数据进行异常分析，定位异常的监测区域包括：
将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据是否异常：
若是，则确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域；
否若，则基于所述验证数据对所述碳排放数据的可信度进行验证，判断所述碳排放数据是否通过验证，若通过验证，则确认所述碳排放数据正常，若未通过验证，则确认所述碳排放数据存在异常，并基于该所述碳排放数据定位异常的监测区域。
4.一种广域碳排放实时监测系统，其特征在于：包括：
多个碳排放监测设备，配置于各监测区域，并监测各监测区域内的碳排放数据；实时碳数据云端平台，用于实时从各监测区域内的碳排放监测设备获取碳排放数据，并对所述碳排放数据进行异常分析，定位异常的监测区域；
所述实时碳数据云端平台包括：
可信度验证模块，用于获取各监测区域的验证数据，并基于所述验证数据对所述碳排放数据的可信度进行验证；
所述验证数据包括监测区域图像数据；所述可信度验证模块用于获取监测区域图像数据，并基于所述监测区域图像数据中的排烟情况对所述碳排放数据的可信度进行验证。
5.根据权利要求4所述的广域碳排放实时监测系统，其特征在于：所述验证数据包括监测区域气象数据；所述可信度验证模块用于获取监测区域气象数据，基于所述监测区域气象数据中确定所述监测区域的空气质量情况，并基于所述监测区域的空气质量情况对所述碳排放数据的可信度进行验证。
6.根据权利要求4所述的广域碳排放实时监测系统，其特征在于：所述实时碳数据云端平台包括：
对比分析模块，用于将所述碳排放数据与预设排放指标标准对比，判断所述碳排放数据是否异常，并在确认所述碳排放数据存在异常时，基于该所述碳排放数据定位异常的监测区域；
所述可信度验证模块在所述对比分析模块确认所述碳排放数据正常时，基于所述验证数据对所述碳排放数据的可信度进行验证，判断所述碳排放数据是否通过验证，并在所述碳排放数据未通过验证时，确认所述碳排放数据存在异常，基于该所述碳排放数据定位异常的监测区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111466759.5A CN114324747B (zh) | 2021-12-01 | 2021-12-01 | 广域碳排放实时监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111466759.5A CN114324747B (zh) | 2021-12-01 | 2021-12-01 | 广域碳排放实时监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114324747A CN114324747A (zh) | 2022-04-12 |
| CN114324747B true CN114324747B (zh) | 2024-04-19 |
Family
ID=81048436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111466759.5A Active CN114324747B (zh) | 2021-12-01 | 2021-12-01 | 广域碳排放实时监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114324747B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258239B (zh) * | 2022-12-08 | 2024-01-26 | 江苏巨亘建筑科技有限公司 | 智控能源碳排管理集成系统及碳排管理方法 |
| CN116684077B (zh) * | 2023-04-06 | 2024-02-02 | 深圳前海中碳综合能源科技有限公司 | 一种基于碳平台的碳排放监测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102405404A (zh) * | 2009-02-02 | 2012-04-04 | 行星排放管理公司 | 监测温室气体通量的各系统的系统 |
| CN102507586A (zh) * | 2011-11-14 | 2012-06-20 | 辽宁师范大学 | 碳排放遥感监测方法 |
| CN104658213A (zh) * | 2014-12-31 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 基于物联网的碳排放量监测方法及系统 |
| CN111247544A (zh) * | 2017-10-03 | 2020-06-05 | 戴内瑟特股份公司 | 追踪与实体关联的温室气体排放的系统和方法 |
| CN113709598A (zh) * | 2021-08-31 | 2021-11-26 | 宁夏百川电力股份有限公司 | 一种基于物联网的碳排放监测管理系统 |
-
2021
- 2021-12-01 CN CN202111466759.5A patent/CN114324747B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102405404A (zh) * | 2009-02-02 | 2012-04-04 | 行星排放管理公司 | 监测温室气体通量的各系统的系统 |
| CN102507586A (zh) * | 2011-11-14 | 2012-06-20 | 辽宁师范大学 | 碳排放遥感监测方法 |
| CN104658213A (zh) * | 2014-12-31 | 2015-05-27 | 中国科学院深圳先进技术研究院 | 基于物联网的碳排放量监测方法及系统 |
| CN111247544A (zh) * | 2017-10-03 | 2020-06-05 | 戴内瑟特股份公司 | 追踪与实体关联的温室气体排放的系统和方法 |
| CN113709598A (zh) * | 2021-08-31 | 2021-11-26 | 宁夏百川电力股份有限公司 | 一种基于物联网的碳排放监测管理系统 |
Non-Patent Citations (4)
| Title |
|---|
| 中国人民共和国生态环境部.《2016年中国环境质量报告》.中国环境出版集团,2018,第18-20页. * |
| 城市区域碳排放测量反演研究国际进展;胡鹤鸣;王池;张金涛;;计量学报(01);第9-14页 * |
| 基于地基观测的城市社区碳排放监测研究;朱勇;储美华;;城市勘测(04);第29-32、36页 * |
| 生态环境部工程评估中心.《环境影响评价案例分析》.中国环境出版集团,2021,第152-154页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114324747A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114324747B (zh) | 广域碳排放实时监测方法及系统 | |
| Borrego et al. | Assessment of air quality microsensors versus reference methods: The EuNetAir Joint Exercise–Part II | |
| US20200393434A1 (en) | Evaluation method for impact of emission control on air quality, device and storage medium thereof | |
| CN107764765A (zh) | 用于大气污染的监测系统及用于大气污染的监测方法 | |
| US11047843B2 (en) | Atmospheric environment monitoring apparatus detecting failure of atmospheric environment sensor, and method for detecting failure of atmospheric environment sensor | |
| Christidis et al. | The contribution of anthropogenic forcings to regional changes in temperature during the last decade | |
| Zhou et al. | Anthropogenic influence on extreme Meiyu rainfall in 2020 and its future risk | |
| CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
| US20110313958A1 (en) | System and method for empirical ensemble-based virtual sensing of particulates | |
| KR20140024541A (ko) | 대기 모델링 서비스 제공 시스템 | |
| CN113777236B (zh) | 基于排放源的空气质量监控方法和装置 | |
| WO2019224545A2 (en) | A system for detecting air pollution | |
| CN109754581A (zh) | 机房设备预警方法、装置、设备及存储介质 | |
| CN106547695B (zh) | 一种规模软件的测试系统及方法 | |
| KR20210085772A (ko) | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 | |
| Al‐Adwani et al. | A surrogate‐based optimization methodology for the optimal design of an air quality monitoring network | |
| CN114121169A (zh) | 一种基于深度学习的化工园区VOCs污染溯源方法 | |
| CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
| CN117291343A (zh) | 一种基于空天地监测网络的大气污染防治管控系统 | |
| Andria et al. | Model characterization in measurements of environmental pollutants via data correlation of sensor outputs | |
| CN112784392A (zh) | 待测区域内污染物动态分布模拟方法及模拟系统 | |
| US11620181B2 (en) | Utility infrastructure fault detection and monitoring | |
| Campanile et al. | Applying machine learning to weather and pollution data analysis for a better management of local areas: the case of Napoli, Italy | |
| CN111047160B (zh) | 污染原因分析方法、装置、可读存储介质及电子设备 | |
| Schober et al. | An IoT-Based Anomaly Detection and Identification Approach for Gas Sensor Networks |
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 |