CN114778767B - 碳排放园区直接碳排放连续测量方法、装置、设备及介质 - Google Patents
碳排放园区直接碳排放连续测量方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114778767B CN114778767B CN202210356828.5A CN202210356828A CN114778767B CN 114778767 B CN114778767 B CN 114778767B CN 202210356828 A CN202210356828 A CN 202210356828A CN 114778767 B CN114778767 B CN 114778767B
- Authority
- CN
- China
- Prior art keywords
- park
- network
- fully
- neural network
- carbon
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 108
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 35
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 196
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 98
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 97
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000007599 discharging Methods 0.000 claims abstract description 19
- 230000002093 peripheral effect Effects 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000691 measurement method Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 5
- 239000003344 environmental pollutant Substances 0.000 claims description 3
- 231100000719 pollutant Toxicity 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 2
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 claims 4
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于电力自动化技术领域，公开一种碳排放园区直接碳排放连续测量方法、装置、设备及介质，所述方法，包括：采集园区周边地面CO2分布图；采集园区CO2直接排放关联参数；将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。本发明通过采集高碳排放工业园区周边地面CO2实时浓度数据，厂区主要生产指标，厂区温度、风力，以及厂区上空二氧化碳浓度卫星监测数据，通过改进的融合了卷积网络以及全连接网络的BP神经网络，实现对高碳排放园区直接碳排放的连续实时监测。
Description
技术领域
本发明属于电力自动化技术领域，特别涉及一种碳排放园区直接碳排放连续测量方法、装 置、设备及介质。
背景技术
工业园区、火力发电厂等高碳排放园区CO2排放分别占到CO2排放总量的30％和40％， 且两者兼为集中固定碳排放源，具有碳监测和减排的先天优势，是进行科学、精准碳减排的关 键靶点。
二氧化碳(CO2)的减排依赖于准确的碳排放监测体系，客观、准确、可核实的碳排放数 据是政府进行环境立法、制定污染源排放限制和考核政策、控制碳减排进度以及构建互信、权 威的碳交易市场的重要基础和前提。
监测二氧化碳排放，可以直接从气体排放物出发，通过测量烟气流量和二氧化碳浓度等进 行测算，也可以从入口燃料量/原料出发，结合含碳量等参数进行计算。现有技术中，可将园 区二氧化碳排放的计算监测方法分为三类：
(1)排放因子法，对园区内生产不同条件的状态评估，通过分条件列举排放因子计算园 区碳排放。
(2)碳平衡法，通过质量守恒估算碳排放，要求有完备数据进行支撑。
(3)直接监测法，通常是利用直接测量装置，如排放连续测量系统(CEMS)进行碳排放测量，目前欧美已有大量机组通过CEMS报告碳排放。
以上方法，排放因子法，需要分条件列举园区碳排放因子，条件少排放因子粗略，条件多 数据多的，排放因子准确，但操作繁琐；碳平衡法，对园区原料含碳数据等要求极高，大部分 园区、企业难以满足条件；直接监测法，在测量气流紊乱时，设备误差增加，且设备工作环境 恶劣，设备易损坏，监测成本高。
综上所述，前两种方法，操作繁琐且数据要求严苛，在实际应用中或难于操作或准确程度 有限；而第三种方法，一般来说，设备工作环境恶劣，设备易损坏，监测成本高。
发明内容
本发明的目的在于提供一种碳排放园区直接碳排放连续测量方法、装置、设备及介质， 以解决上述技术问题。本发明通过易于获取的厂区上空碳卫星CO2监测结果、园区地面实时 CO2分布、实时温度、风力等数据，对整个园区的直接CO2排放进行连续实时监测，操作简便， 数字化程度高，且设备工作环境稳定，碳监测成本低。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种碳排放园区直接碳排放连续测量方法，包括：
采集园区周边地面CO2分布图；
采集园区CO2直接排放关联参数；
将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了 卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。
本发明进一步的改进在于：所述采集园区周边地面CO2分布图的步骤具体包括：
在园区四周远端均匀布置N台红外二氧化碳监测仪，使用红外二氧化碳监测仪监测园区 地面CO2浓度；N为大于等于4的自然数。
本发明进一步的改进在于：所述采集园区CO2直接排放关联参数的步骤具体包括：
从园区数字化系统或者通过就地测量装置获取关联参数；
所述关联参数包括：园区生产/发电总功率、园区总能耗、地表温度、大气温度、大气湿 度和风力信息。
本发明进一步的改进在于：所述将所述步骤园区周边地面CO2分布图、园区CO2直接排 放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述BP 神经网络包括：第一卷积神经网络Conv1、第二卷积神经网络Conv2、第一全连接网络FC1、 第二全连接网络FC2、第三全连接网络FC3和第四全连接网络FC4；
第一卷积神经网络Conv1的输出连接第二卷积神经网络Conv2的输入；第一全连接网络 FC1的输出连接第二全连接网络FC2的输入；第二卷积神经网络Conv2的输出和第二全连接 网络FC2的输出连接第三全连接网络FC3的输入，第三全连接网络FC3的输出连接第四全连 接网络FC4。
本发明进一步的改进在于：所述将所述步骤园区周边地面CO2分布图、园区CO2直接排 放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述训练 好的融合了卷积网络以及全连接网络的BP神经网络的训练方法包括：
获取园区周边地面CO2浓度分布图；
获取园区CO2直接排放关联参数；
将所述园区周边地面CO2浓度分布图输入第一卷积神经网络Conv1，第一卷积神经网络 Conv1和连接第二卷积神经网络Conv2提取园区周边地面CO2浓度分布特征；
将园区CO2直接排放关联参数输入第一全连接网络FC1，第一全连接网络FC1和第二全 连接网络FC2提取二氧化碳浓度的关联参数特征；
第三全连接网络FC3将所述园区周边地面CO2浓度分布特征和二氧化碳浓度的关联参数 特征进行合并；合并后数据分为两路，一路数据与碳卫星检测的园区二氧化碳浓度数据进行对 比，通过误差函数loss1反向传播的方式，对第一卷积神经网络Conv1、第二卷积神经网络Conv2、 第一全连接网络FC1、第二全连接网络FC2和第三全连接网络FC3的网络参数进行调整；另 一路数据进入第四全连接网络FC4，第四全连接网络FC4输出结果与CEMS所检测到的园区CO2总浓度C0进行对比，通过第二误差函数loss2反向传播的方式，对第一卷积神经网络Conv1、 第二卷积神经网络Conv2、第一全连接网络FC1、第二全连接网络FC2、第三全连接网络FC3 和第四全连接网络FC4的网络参数进行优化；直至到达训练最大训练次数或者满足收敛条件， 获得训练好的融合了卷积网络以及全连接网络的BP神经网络。
本发明进一步的改进在于：CEMS所检测到的园区CO2总浓度C0的公式为：
式中，Ci、Vi分别为园区内第i台CEMS设备采集到的气体污染物排放口CO2浓度和体积，n为园区/厂区所有安装有CEMS设备的CO2排放口个数。
本发明进一步的改进在于：所述训练好的融合了卷积网络以及全连接网络的BP神经网 络的训练方法中，将获取园区周边地面CO2浓度分布图和园区CO2直接排放关联参数归一化 后分为训练数据和测试数据；采用训练数据对所述BP神经网络进行训练，训练率为0.8，最 大训练次数为100，学习率为0.001，批大小为16；收敛条件为loss1与loss2均方误差MSE 小于设定阈值：
式中，FC3_out,FC4_out分别表示第三全连接层FC3和第四全连接层FC4的输出值；s_sample表示测量时段碳卫星测量的园区上空CO2浓度；set_error表示收敛函数设定阈值；m 表示采样样本数。
第二方面，本发明提供一种碳排放园区直接碳排放连续测量装置，包括：
第一采集模块，用于采集园区周边地面CO2分布图；
第二采集模块，用于采集园区CO2直接排放关联参数；
计算模块，用于将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入 训练好的融合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结 果。
第三方面，本发明提供一种电子设备，包括处理器和存储器，所述处理器用于执行存储 器中存储的计算机程序以实现所述的碳排放园区直接碳排放连续测量方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少 一个指令，所述至少一个指令被处理器执行时实现所述的碳排放园区直接碳排放连续测量方法。
相对于现有技术，本发明具有以下有益效果：
本发明一种碳排放园区直接碳排放连续测量方法、装置、设备及介质，通过采集高碳排 放工业园区周边地面CO2实时浓度数据，厂区主要生产指标(如能耗、出力等)，厂区温度、 风力，以及厂区上空二氧化碳浓度卫星监测数据(非实时)，通过改进的融合了卷积网络以及 全连接网络的BP神经网络，实现对高碳排放园区直接碳排放的连续实时监测。
本发明通过易于获取的厂区上空碳卫星CO2监测结果、园区地面实时CO2分布、实时温 度、风力等数据，对整个园区的直接CO2排放进行连续实时监测，相较于传统排放因子法、 碳平衡法及直接测量法，具有操作简便，数字化程度高，设备工作环境稳定，碳监测成本低等 重要优势。
本发明首次提出的，用于园区直接CO2计算/预测的CNN/FC混合神经网络结构。利用园 区“矩阵式”布放的红外CO2监测仪，获得园区整体CO2排放空间分布图；利用园区数字化系 统或新增传感器，获取厂区发电(生产)总功率、厂区能耗、地表温度、大气温度、大气湿度、 风力等碳排放关联特征参数；通过CNN/FC混合神经网络结构，提取园区CO2空间分布及关 联特征。
本发明通过同一时段碳卫星监测到的园区上空CO2浓度以及园区内气体排放出口直接 测量装置得到的CO2浓度，对神经网络参数进行双重反馈校核，实现对用于园区直接CO2计 算/预测的CNN/FC混合神经网络结构参数的优化调整。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实 施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明中园区直接CO2排放监测系统示意图；
图2为BP神经网络结构设置及网络训练过程示意图；
图3为园区直接CO2排放浓度计算及结果输出示意图；
图4为本发明一种碳排放园区直接碳排放连续测量方法的流程示意图；
图5为本发明一种碳排放园区直接碳排放连续测量装置的结构框图；
图6为本发明一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下， 本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明， 本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发 明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
请参阅图1至图4所示，本发明提供一种碳排放园区直接碳排放连续测量方法，包括以 下步骤：
S1、采集园区周边地面CO2分布图；
S2、采集园区CO2直接排放关联参数；
S3、将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融 合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。
在步骤S1中所述厂区周边地面CO2分布图的获取方式具体为：
请参阅图1所示，在园区四周远端均匀布置8台红外二氧化碳监测仪，使用红外二氧化 碳监测仪监测园区地面CO2浓度，监测时间间隔为15分钟，即每个测量点位每小时进行4次 CO2浓度检测。
在步骤S2中的园区直接碳排放关联参数，是从园区数字化系统获取测量时间对应的园 区生产(发电)总功率、园区总能耗、地表温度、大气温度、大气湿度和风力信息，园区数字 化系统中缺少的关联参数则通过就地测量装置获取；获取和测量间隔为15分钟/次。
步骤S3中的BP神经网络的训练包含以下步骤：
S31、通过直接监测设备(如CEMS等)测量园区气体排放物出口(一个或多个)的CO2排放量，测量或CEMS相关模块开机频度为每月10天，测量频度为15分钟/次。
S32、获取S32步骤时段内，园区上空CO2浓度的碳卫星监测数值。该数值，可从开放数据库(如我国国家卫星气象中心碳卫星、日本温室气体观测卫星及美国碳卫星)，获取监测 时间范围内，1*2Km空间精度上的、园区上空CO2浓度数据(L3级别)。
S33、获取S32步骤时段内，园区周边地面CO2浓度分布图；
S34、对S31-S33所获取数据进行归一化；归一化方式为MinMaxScaler(如式1所示)。
式中，x0，x分别表示各类输入数据归一化前、后数值；xmax，xmin分别表示各类输入数 据的最大、最小值。
S35、神经网络结构设计。本发明采用卷积神经网络(Convolutional NeuralNetworks,CNN) 和全连接神经网络(Fully Connected Neural Network,FC)的混合网络，对数据特征进行提取(如 图2)。其中，卷积神经网络(Conv1和Conv2)，用于提取由8台红外二氧化碳监测仪采集到 的园区CO2分布空间特征；全连接网络(FC1，FC2)用于提取二氧化碳浓度的关联参数特征。 卷积神经网络(Conv1和Conv2)和全连接网络(FC1，FC2)提取特征通过一个全连接层(FC3) 进行合并。合并后分为两路数据，一路数据用于与步骤S32采集到的碳卫星数据进行对比，通 过误差(loss1，见式3)反向传播的方式，对卷积神经网络(Conv1和Conv2)及全连接网络 (FC1，FC2，FC3)的网络参数进行调整；另一路数据共同进入最后一层全连接层FC4，全 连接层FC4输出结果，与步骤S31中CEMS所检测到的CO2总浓度C0(如式2所示)，进行 对比，通过误差(loss2)反向传播的方式，对卷积神经网络(Conv1和Conv2)及全连接网络 (FC1，FC2，FC3，FC4)的网络参数进行优化。网络Conv1和Conv2与网络FC1，FC2，FC3 接受碳卫星数据和CEMS数据的双重校正，保证了网络参数的精确和合理。以上神经网络激 活函数采用Relu函数，使用Adam优化器进行优化求解。
式中，Ci、Vi分别为园区/厂区内第i台CEMS设备采集到的气体污染物排放口CO2浓度 (ppm)和体积，C0为园区/厂区在数据采集时段的CO2总浓度(ppm)，n为园区/厂区所有安装有CEMS设备的CO2排放口个数。
S36、神经网络训练过程。把步骤S34处理过的数据样本划分为训练数据和测试数据。 采用设计好的网络结构进行训练，这里训练率为0.8，训练次数为100，学习率为0.001，批大 小设置为16。收敛条件为loss1与loss2均方误差(MSE)小于设定阈值，如式(3)-(5)所示。
式中，FC3_out,FC4_out,分别表示图2所示混合神经网络全连接层FC3和FC4的输出 值；s_sample表示测量时段碳卫星测量的园区上空CO2浓度；set_error表示收敛函数设定阈值； m表示采样样本数。
由于当前全球碳卫星数量及测量能力有限，s_sample采样频率为次/月。在当前计算中， 根据卫星历史测量数据，设置为固定值。随着碳卫星数量以及CO2监测能力的不断提升，针 对高碳排放工业园区等重要CO2直接碳排放区域的CO2时空监测精度也将提升，由此将进一 步提升本方法对于园区CO2直接碳排放的计算能力和计算精度。
考虑到园区可能包括CCUS(碳捕获、利用与封存)系统以及大量绿植覆盖在内的碳汇， 园区CO2直接排放强度可以低于当地CO2环境监测值。
实施例2
请参阅图5所示，本实施例提供一种碳排放园区直接碳排放连续测量装置，包括：
第一采集模块，用于采集园区周边地面CO2分布图；
第二采集模块，用于采集园区CO2直接排放关联参数；
计算模块，用于将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入 训练好的融合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结 果。
第一采集模块、第二采集模块和计算模块的执行步骤详见实施例1的步骤S1、S2和S3。
实施例3
请参阅图6所示，本发明还提供一种碳排放园区直接碳排放连续测量方法的电子设备100； 所述电子设备100包括存储器101、至少一个处理器102、存储在所述存储器101中并可在所 述至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储所述计算机程序103，所述处理器102通过运行或执行存储在所 述存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1所述的碳 排放园区直接碳排放连续测量方法方法步骤。所述存储器101可主要包括存储程序区和存储数 据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、 图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据) 等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡 (Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁 盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述至少一个处理器102可以是中央处理单元(Central Processing Unit，CPU)，还可以是 其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是 微处理器或者该处理器102也可以是任何常规的处理器等，所述处理器102是所述电子设备 100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
所述电子设备100中的所述存储器101存储多个指令以实现一种碳排放园区直接碳排放 连续测量方法，所述处理器102可执行所述多个指令从而实现：
采集园区周边地面CO2分布图；
采集园区CO2直接排放关联参数；
将所述步骤园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了 卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。
具体地，所述处理器102对上述指令的具体实现方法可参考实施例1中相关步骤的描述， 在此不赘述。
实施例4
所述电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销 售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实 施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算 机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个 方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为 源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括： 能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、 计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。 因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形 式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质 (包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或 方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通 用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器， 使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工 作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造 品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的 功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或 其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程 设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个 方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照 上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发 明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替 换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.碳排放园区直接碳排放连续测量方法，其特征在于，包括：
采集园区周边地面CO2分布图；
采集园区CO2直接排放关联参数；
将所述园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果；
所述采集园区CO2直接排放关联参数的步骤具体包括：
从园区数字化系统或者通过就地测量装置获取关联参数；
所述关联参数包括：园区生产/发电总功率、园区总能耗、地表温度、大气温度、大气湿度和风力信息；
所述将所述园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述BP神经网络包括：第一卷积神经网络Conv1、第二卷积神经网络Conv2、第一全连接网络FC1、第二全连接网络FC2、第三全连接网络FC3和第四全连接网络FC4；
第一卷积神经网络Conv1的输出连接第二卷积神经网络Conv2的输入；第一全连接网络FC1的输出连接第二全连接网络FC2的输入；第二卷积神经网络Conv2的输出和第二全连接网络FC2的输出连接第三全连接网络FC3的输入，第三全连接网络FC3的输出连接第四全连接网络FC4；
所述将所述园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络的步骤中，所述训练好的融合了卷积网络以及全连接网络的BP神经网络的训练方法包括：
获取园区周边地面CO2浓度分布图；
获取园区CO2直接排放关联参数；
将所述园区周边地面CO2浓度分布图输入第一卷积神经网络Conv1，第一卷积神经网络Conv1和连接第二卷积神经网络Conv2提取园区周边地面CO2浓度分布特征；
将园区CO2直接排放关联参数输入第一全连接网络FC1，第一全连接网络FC1和第二全连接网络FC2提取二氧化碳浓度的关联参数特征；
第三全连接网络FC3将所述园区周边地面CO2浓度分布特征和二氧化碳浓度的关联参数特征进行合并；合并后数据分为两路，一路数据与碳卫星检测的园区二氧化碳浓度数据进行对比，通过误差函数loss1反向传播的方式，对第一卷积神经网络Conv1、第二卷积神经网络Conv2、第一全连接网络FC1、第二全连接网络FC2和第三全连接网络FC3的网络参数进行调整；另一路数据进入第四全连接网络FC4，第四全连接网络FC4输出结果与CEMS所检测到的园区CO2总浓度C0进行对比，通过第二误差函数loss2反向传播的方式，对第一卷积神经网络Conv1、第二卷积神经网络Conv2、第一全连接网络FC1、第二全连接网络FC2、第三全连接网络FC3和第四全连接网络FC4的网络参数进行优化；直至到达训练最大训练次数或者满足收敛条件，获得训练好的融合了卷积网络以及全连接网络的BP神经网络。
2.根据权利要求1所述的碳排放园区直接碳排放连续测量方法，其特征在于，所述采集园区周边地面CO2分布图的步骤具体包括：
在园区四周远端均匀布置N台红外二氧化碳监测仪，使用红外二氧化碳监测仪监测园区地面CO2浓度；N为大于等于4的自然数。
3.根据权利要求1所述的碳排放园区直接碳排放连续测量方法，其特征在于，CEMS所检测到的园区CO2总浓度C0的公式为：
式中，Ci、Vi分别为园区内第i台CEMS设备采集到的气体污染物排放口CO2浓度和体积，n为园区/厂区所有安装有CEMS设备的CO2排放口个数。
4.根据权利要求1所述的碳排放园区直接碳排放连续测量方法，其特征在于，所述训练好的融合了卷积网络以及全连接网络的BP神经网络的训练方法中，将获取园区周边地面CO2浓度分布图和园区CO2直接排放关联参数归一化后分为训练数据和测试数据；采用训练数据对所述BP神经网络进行训练，训练率为0.8，最大训练次数为100，学习率为0.001，批大小为16；收敛条件为loss1与loss2均方误差MSE小于设定阈值：
式中，FC3_out,FC4_out分别表示第三全连接层FC3和第四全连接层FC4的输出值；s_sample表示测量时段碳卫星测量的园区上空CO2浓度；set_error表示收敛函数设定阈值；m表示采样样本数。
5.碳排放园区直接碳排放连续测量装置，其特征在于，用于实现权利要求1-4中任一项所述的碳排放园区直接碳排放连续测量方法，包括：
第一采集模块，用于采集园区周边地面CO2分布图；
第二采集模块，用于采集园区CO2直接排放关联参数；
计算模块，用于将所述园区周边地面CO2分布图、园区CO2直接排放关联参数输入训练好的融合了卷积网络以及全连接网络的BP神经网络，获得园区直接碳排放的实时测量结果。
6.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至4中任意一项所述的碳排放园区直接碳排放连续测量方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至4中任意一项所述的碳排放园区直接碳排放连续测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210356828.5A CN114778767B (zh) | 2022-04-06 | 2022-04-06 | 碳排放园区直接碳排放连续测量方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210356828.5A CN114778767B (zh) | 2022-04-06 | 2022-04-06 | 碳排放园区直接碳排放连续测量方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114778767A CN114778767A (zh) | 2022-07-22 |
| CN114778767B true CN114778767B (zh) | 2024-03-19 |
Family
ID=82428075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210356828.5A Active CN114778767B (zh) | 2022-04-06 | 2022-04-06 | 碳排放园区直接碳排放连续测量方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114778767B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994264B (zh) * | 2022-07-28 | 2022-11-08 | 江苏荣泽信息科技股份有限公司 | 基于区块链企业级台账的园区数字化监控平台 |
| CN115271265B (zh) * | 2022-09-27 | 2022-12-16 | 四川中电启明星信息技术有限公司 | 基于碳卫星数据的电能碳流转分析方法及系统 |
| CN116026418B (zh) * | 2023-03-23 | 2023-09-22 | 山东石油化工学院 | 一种用于石油化工的碳排放核查在线监测系统 |
| CN116029466B (zh) * | 2023-03-29 | 2023-05-23 | 北京壹清能环科技有限公司 | 一种碳排放量预测方法、装置、存储介质及设备 |
| CN117871792B (zh) * | 2024-03-13 | 2024-05-14 | 河北省建筑科学研究院有限公司 | 用于对园区绿植碳汇的动态监测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
| CN113487466A (zh) * | 2021-06-29 | 2021-10-08 | 浙江数秦科技有限公司 | 一种基于区块链的碳汇证书系统 |
| CN113887552A (zh) * | 2021-08-25 | 2022-01-04 | 苏州数言信息技术有限公司 | 一种基于传感器的碳计量方法及装置 |
-
2022
- 2022-04-06 CN CN202210356828.5A patent/CN114778767B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111103220A (zh) * | 2019-12-31 | 2020-05-05 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及系统 |
| CN113487466A (zh) * | 2021-06-29 | 2021-10-08 | 浙江数秦科技有限公司 | 一种基于区块链的碳汇证书系统 |
| CN113887552A (zh) * | 2021-08-25 | 2022-01-04 | 苏州数言信息技术有限公司 | 一种基于传感器的碳计量方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 基于Matlab的神经网络在绵阳空气质量预测中的应用;陶雪梅;李高;;四川环境;20200426(第02期);第53-58页 * |
| 基于混合深度神经网络的大气污染预测;宋耀宇;;信息与电脑(理论版);20191225(第24期);第101-103页 * |
| 融合系统聚类与BP神经网络的世界碳排放预测模型研究;张发明;王艳旭;;数学的实践与认识;20160108(第01期);第77-84页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114778767A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114778767B (zh) | 碳排放园区直接碳排放连续测量方法、装置、设备及介质 | |
| CN110909483B (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
| CN104820072B (zh) | 基于云计算的电子鼻空气质量监测系统的监测方法 | |
| US20200273047A1 (en) | Systems and methods for tracking greenhouse gas emissions associated with an entity | |
| CN111369057A (zh) | 一种基于深度学习的空气质量预测优化方法及系统 | |
| CN112986492B (zh) | 一种建立气体浓度预测模型的方法及装置 | |
| CN111510500B (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
| CN115685853A (zh) | 一种基于大数据的水环境污染分析管理系统及方法 | |
| CN110926532A (zh) | 一种基于大数据的城市扬尘数字化监控系统 | |
| CN107450449A (zh) | 一种农业监控系统 | |
| CN113642223B (zh) | 空气质量预报方法、装置、设备和计算机可读存储介质 | |
| CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| CN113570163A (zh) | 基于数学模型的大气臭氧浓度预测方法、系统和装置 | |
| CN115375522A (zh) | 智慧城市碳中和数据分析系统 | |
| Chen et al. | An adaptive Kalman filtering approach to sensing and predicting air quality index values | |
| CN115984026A (zh) | 一种基于云计算的智慧农业管理系统 | |
| CN115600919A (zh) | 用于对实时无组织排放定位与园区排放总量计算的方法 | |
| CN117422004B (zh) | 基于神经网络的碳势预测方法及系统 | |
| CN113295826B (zh) | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 | |
| CN114462511A (zh) | 一种基于XGBoost算法的PM2.5数据异常识别方法 | |
| CN117151272A (zh) | 一种基于机器学习的碳核查电力排放因子预测方法 | |
| AU2023202496A1 (en) | An on-line monitoring method and system for fugitive carbon emission in cement industrial plant area | |
| CN115616333A (zh) | 一种配电网线损预测方法及系统 | |
| CN112707508B (zh) | 基于bp-ann的农污设施cod处理效果预测方法、装置、平台 | |
| CN115619605A (zh) | 一种基于语义信息的传统民居环境质量评估方法 |
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 |