CN114925874A - 一种基于bert神经网络模型的碳排量预判方法及装置 - Google Patents
一种基于bert神经网络模型的碳排量预判方法及装置 Download PDFInfo
- Publication number
- CN114925874A CN114925874A CN202210311220.0A CN202210311220A CN114925874A CN 114925874 A CN114925874 A CN 114925874A CN 202210311220 A CN202210311220 A CN 202210311220A CN 114925874 A CN114925874 A CN 114925874A
- Authority
- CN
- China
- Prior art keywords
- building
- carbon emission
- data
- neural network
- network model
- 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.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 252
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 251
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000003062 neural network model Methods 0.000 title claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims description 37
- 239000004566 building material Substances 0.000 claims description 33
- 238000005265 energy consumption Methods 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000001816 cooling Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 101150041570 TOP1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/08—Construction
-
- 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
- Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及预测规划领域，具体涉及一种基于BERT神经网络模型的碳排量预判方法及装置，方法包括：获取与碳排放量相关的建筑物数据；对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；将基于碳排放因子法计算出的碳排放量数据输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果；本发明通过基于BERT神经网络模型对建筑的碳排放量进行预测，从而精准预测建筑物未来的碳排放。
Description
技术领域
本发明涉及预测规划领域，具体而言，涉及一种基于BERT神经网络模型的碳排量预判方法及装置。
背景技术
建筑行业在应对全球气候变暖问题中有重要作用，建筑能耗约占全球终端总能耗的36％，由此产生的碳排放量约占总碳排放量的40％。近年来，由于城市化进程的加快和居民能源消费需求的增加，建筑碳排放已成为全新的增长领域；而在中国，筑是继工业和交通之后高能耗、高污染的代表；2017年我国建筑业相关的碳排放总量有43.7亿t，接近我国碳排放总量的50％，而到了2018年，这一数字再度飙升，2018年我国建筑业相关的碳排放总量达到49.3亿t，占全国碳排放总量的51.3％，给国家节能减排工作带来了巨大挑战；但与此同时，建筑行业也具有最大的节能减排的潜力。据估计，到2050年，中国建筑行业将为56％的减碳量作出贡献，因此，建筑行业的节能减排尤为重要；在碳中和目标背景下，我国亟需制定涵盖建筑能耗及碳排放计算模型的减碳路线，制定合理的碳排放指标。基于上述情况，对此研究者已经进行了一些研究，现有的研究方法主要有以下几类：一是自上而下的研究方法，即从宏观层面如整个建筑行业或某一大类建筑进行总的碳排放量预测，如厄瓜多尔使用的ELENA模型；二是自下而上的研究方法，即针对某一单体建筑进行全生命周期的碳排放量计算和节能分析时，如欧洲多国采用的ECCABS、CoreBee等模型方法；三是考虑将碳排量相关因素进行预处理，最后使用机器学习建模来预测建筑碳排量。
现有的方法中比如自上而下的研究方法建模，往往采用整个国家或地区的平均数据来计算目标建筑的材料或能源消耗，没有考虑不同区域之间建筑碳排放量的差异性，且层级和范围较大时存在估算结果不确定性大、责任不明确、不利于减排政策的制定和实施等缺点；而自下而上的研究方法建模往往只局限于自身，没有与同类型其他建筑进行比较。
因此，现有技术还差在缺陷，有待于进一步发展。
发明内容
本发明实施例提供了一种基于BERT神经网络模型的碳排量预判方法及装置，以至少解决现有碳排量预判不精确的技术问题。
根据本发明的一实施例，提供了一种基于BERT神经网络模型的碳排量预判方法及装置，包括以下步骤：
S100:获取与碳排放量相关的建筑物数据；
S200:对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；
S300:基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；
S400:将基于碳排放因子法计算出的碳排放量数据及训练集输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；
S500:将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果。
进一步地，建筑物数据包括：
建筑物，包括选定区域的建筑物占地面积、建筑材料、建筑内各类器材使用时间及建筑物人流量数据；
能源消耗数据，包括选定区域的中央空调系统、照明系统、冷热水系统、动力及其他耗电系统的能耗。
进一步地，所对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集具体为：
将建筑物数据进行张量化处理，使建筑物数据为n维向量格式；
对存在缺省值情况的数据进行数据填充，数据填充包括若缺省的数据是数值型特征，则是使用平均值来填充，若是类别型特征，则是使用众数来填充；
将存在异常数据的向量剔除，剩余数据形成数据集；
将数据集划分为训练集与验证集。
进一步地，基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量具体为：
建筑物的建筑全生命周期包括建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段；
建筑物的全生命周期碳排放量为：
E＝EMT+EC+EOM+EDR
其中，EMT、EC、EOM及EDR分别对应为建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段的碳排放量。
进一步地，建材生产及运输阶段的碳排放量为：
EMT＝EMat+ETrans
EMat＝∑QMat,iαi
ETrans＝∑QMat,iLi
其中，EMat为建材生产阶段碳排放，ETrans为建材运输阶段碳排放，QMat,i为第i种建材的用量，αi为第i种建材的碳排放因子，QMat,i为第i种建材的质量，Li为第i种建材的运输距离，η为对应运输工具的碳排放系数；
施工建造阶段的碳排放量为：
EC＝S·λC/1000
λC＝(x+1.99)·ξ
S为建筑面积，λC为单位建筑面积建造施工过程碳排放量指标，x为地上建筑层数，ξ为能源碳排放修正系数；
运行维护阶段及拆除阶段的碳排放量为：
EOM＝EOpe+EMt
其中，EOp为建筑使用阶段碳排放，EMt为建筑维护阶段碳排放；Y为建筑使用年限，p为建筑使用阶段共有p种能耗种类，QOpe,i为第i种能耗在建筑使用期限内的年消耗总，fi指第i种能源的碳排放因子；QOpe,H、QOpe,C分别对应为建筑使用阶段采暖能耗和建筑使用阶段制冷能耗，QC(kWh/m2)和EERC分别为建筑累计冷负荷和供冷系统综合能效比，QH(kWh/m2)和EERH分别为建筑累计热负荷及采暖系统的综合能效比；EMt＝25％×1％×Y×EMat，Y为建筑使用年限，EMat为建材生产环节碳排放量；
拆除阶段的碳排放量为：
EDR＝S·λd/1000
λd＝(0.06x+2.01)·ξ
其中，S为建筑面积，λd为单位建筑面积拆除施工过程碳排放量指标；x为地上建筑层数，ξ为能源碳排放修正系数。
进一步地，在将基于碳排放因子法计算出的碳排放量数据输入到BERT神经网络模型中进行训练，提高BERT神经网络模型泛化能力之前还包括：
基于BERT设计BERT神经网络模型，用于对建筑物的碳排放量进行预测。
进一步地，在将基于碳排放因子法计算出的碳排放量数据输入到BERT神经网络模型中进行训练，提高BERT神经网络模型泛化能力具体为：
将基于碳排放因子法计算出的碳排放量数据输入到BERT神经网络模型，使用Adam优化器调整学习效率，并选择均方根误差作为损失函数，均方根误差的计算公式为：
其中，yi为实际碳排放值，
为预测的碳排放值；
选择使用K折交叉验证法来不断进行训练。
一种基于BERT神经网络模型的碳排量精确预判装置，包括：
数据获取模块，用于获取与碳排放量相关的建筑物数据；
数据处理模块，用于对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；
计算模块，用于基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；
训练模块，用于将基于碳排放因子法计算出的碳排放量数据及训练集输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；
预测输出模块，用于将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果。
一种计算机可读介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述任意一项的基于BERT神经网络模型的碳排量预判方法中的步骤。
一种终端设备，包括：处理器、存储器及通信总线；存储器上存储有可被处理器执行的计算机可读程序；
通信总线实现处理器和存储器之间的连接通信；
处理器执行计算机可读程序时实现如上述任意一项的基于BERT神经网络模型的碳排量预判方法中的步骤。
本发明实施例中的基于BERT神经网络模型的碳排量预判方法及装置，方法包括：获取与碳排放量相关的建筑物数据；对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；将基于碳排放因子法计算出的碳排放量数据及训练集输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果；本发明通过基于BERT神经网络模型对建筑的碳排放量进行预测，从而精准预测建筑物未来的碳排放。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，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为本发明基于BERT神经网络模型的碳排量预判方法的流程图；
图2为本发明基于Bert的神经网络结构图；
图3为本发明Transfromer模块；
图4为本发明基于BERT神经网络模型的碳排量预判装置的模块图；
图5为本发明终端设备图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明一实施例，提供了一种基于BERT神经网络模型的碳排量预判方法，参见图1，包括以下步骤：
S100：获取与碳排放量相关的建筑物数据。
首先从BAS能源系统平台收集各类建筑碳排放量相关的一些建筑物数据，包括建筑物的占地面积、建筑材料、建筑内各类器材使用时间、建筑人流量等建筑内相关信息，同时获取室外气象信息等相关信息作为研究数据集。
本发明根据建筑类型分类收集建筑信息，例如商业建筑、住宅建筑和工业建筑等；同时选区的研究对象覆盖夏热冬冷、夏热冬暖、寒冷、严寒四大建筑气候区，这有利于将气候对建筑碳排量的影响考虑在内；能源消耗数据包括中央空调系统、照明系统、冷热水系统、动力及其他耗电，故此类数据本文也收集在内；最后从能源系统平台可导出建筑运行时刻表，节假日信息、客流量及逐日能耗数据，以及室外温度湿度气象信息。
S200：对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集。
对获取到的建筑物数据进行预处理，使其成为向量，方便后续输入模型进行运算，同时根据得到的向量利用平均值填补空缺数据值，去除存在异常数据的信息，最后根据8：2的比例划分数据集为训练集及验证集。
步骤S200具体为：
S201：将建筑物数据进行张量化处理，使建筑物数据为n维向量格式。
S202：对存在缺省值情况的数据进行数据填充，数据填充包括若缺省的数据是数值型特征，则是使用平均值来填充，若是类别型特征，则是使用众数来填充。
对存在缺省值情况的数据，利用平均值填充，即如果是数值型特征，则是使用平均值来填充，如果是类别型特征，则是使用众数来填充。
S203：将存在异常数据的向量剔除，剩余数据形成数据集；
S204：将数据集划分为训练集与验证集.
将步骤S100中收集到的数据进行张量化处理，即将各类数据由转换为张量元，例如根据建筑分类，分别将各个分类打上标签；例如，将商业建筑置为1，住宅建筑置为2，工业建筑置为3；同时收集中央空调系统、照明系统、冷热水系统、动力及其他耗电系统的能耗，以及建筑运行时刻表、节假日信息、客流、逐日能耗数据及室外温度湿度气象信息等信息，将其处理为n维向量格式，方便后续处理；对存在缺省值情况的数据，利用平均值填充，即如果是数值型特征，则是使用平均值来填充，如果是类别型特征，则是使用众数来填充；对于存在异常数据的情况，则直接将该条向量直接剔除；最后按照8：2的比例将数据集划分为训练集和验证集。
S300：基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量。
在碳排放量的具体数值计算上，本发明选择使用碳排放因子法来计算建筑产生的碳排放量；该方法的基本原理是，将各项碳排放源的活动数据与其对应的碳排放因子的乘积作为碳排放量；通过这种方法可以由步骤S200得到的各类参数的所导致的碳排放量具体数值化，方便后续的神经网络模型预测。
步骤S300具体为：
建筑物的建筑全生命周期包括建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段；
建筑物的全生命周期碳排放量为：
E＝EMT+EC+EOM+EDR
其中，EMT、EC、EOM及EDR分别对应为建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段的碳排放量。
本发明选择使用碳排放因子法来计算建筑产生的碳排放量；而已有研究将建筑全生命周期分为建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段四个阶段，因此，建筑全生命周期碳排放量E共由4部分组成。
建材生产及运输阶段的碳排放量EMT为建材生产阶段碳排放EMat和建材运输阶段碳排放ETrans之和；建材生产阶段产生的碳排放EMat指建筑所含全部建筑材料从原材料获取到制成成品的全过程产生的碳排放量，由建材原材料的开采、运输、加工和建材生产消耗的能量折算而来；建材生产产生的碳排放EMat可根据建筑建材用量与相应材料碳排放系数来确定，具体可以按照下式计算：
建材生产及运输阶段的碳排放量为：
EMT＝EMat+ETrans
EMat＝∑QMat,iαi
ETrans＝∑QMat,iLi
其中，EMat为建材生产阶段碳排放，ETrans为建材运输阶段碳排放，QMat,i为第i种建材的用量，αi为第i种建材的碳排放因子，QMat,i为第i种建材的质量；Li为第i种建材的运输距离；η为对应运输工具的碳排放系数。
施工建造阶段的碳排放EC指建筑施工建造全过程中所产生的碳排放量，由施工机械设备消耗的能量折算而成；其可根据获取资料的详细程度选择下列三种方法进行计算：实际施工能耗数据折算、单位指标法、施工工艺法；由于有些建筑建成时间较久，无法获取施工能耗数据，故本文选择使用单位指标法近似计算建造阶段的碳排放量，具体可以按下式进行计算：
施工建造阶段的碳排放量为：
EC＝S·λC/1000
其中，S为建筑面积，λC为单位建筑面积建造施工过程碳排放量指标；为了方便计算，业界指出可近似按照式计算：
λC＝(x+1.99)·ξ
其中，x为地上建筑层数，ξ为能源碳排放修正系数。
运行维护阶段碳排放EOM由建筑使用阶段碳排放EOpe和建筑维护阶段碳排放EMt两部分组成；建筑使用阶段中的碳排放EOpe指建筑在使用阶段中中央空调系统、照明系统、冷热水系统、动力及其他耗电系统等过程产生的碳排放量，是建筑在使用阶段消耗的各种能耗的碳排放折算值之和，具体可以按下式进行计算：
运行维护阶段及拆除阶段的碳排放量为：
EOM＝EOpe+EMt
其中，EOp为建筑使用阶段碳排放，EMt为建筑维护阶段碳排放，Y为建筑使用年限，p为建筑使用阶段共有p种能耗种类，QOpe,i为第i种能耗在建筑使用期限内的年消耗总，fi指第i种能源的碳排放因子；
QOpe,H、QOpe,C分别对应为建筑使用阶段采暖能耗和建筑使用阶段制冷能耗，可分别按照下面两式计算：
其中，QC(kWh/m2)和EERC分别为建筑累计冷负荷和供冷系统综合能效比，QH(kWh/m2)和EERH分别为建筑累计热负荷及采暖系统的综合能效比；对于同一供冷系统，供冷系统综合能效比EERC近似为常数，对于同一采暖系统，采暖系统综合能效比EERH同样近似为常数；
建筑维护阶段的碳排放EMt指建筑使用期间，因原材料替换及相应的施工过程中产生的碳排放量，目前以估算为主；建筑维护阶段的年碳排放量，以非建筑主体结构工程碳排放量的1％进行计算，其中非建筑主体结构部分碳排放以建材总排放量的25％计算，具体计算公式如下：
EMt＝25％×1％×Y×EMat
其中，Y为建筑使用年限，EMat为建材生产环节碳排放量。
建筑拆除阶段的碳排放EDR指建筑拆除过程中所产生的碳排放量，由施工机械设备消耗的能量折算而成；此阶段通常采用单位指标法近似计算，具体计算公式如下：
拆除阶段的碳排放量为：
EDR＝S·λd/1000
其中，S为建筑面积，λd为单位建筑面积拆除施工过程碳排放量指标,为了方便计算，业界指出可近似按照式计算:
λd＝(0.06x+2.01)·ξ
其中，x为地上建筑层数，ξ为能源碳排放修正系数。
至次，整个建筑物相关的碳排量建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段的碳排放量已经计算完成。
S400：将基于碳排放因子法计算出的碳排放量数据及训练集输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力。
将步骤S300处理过后的碳排放量数据传入预先设计好的BERT神经网络模型进行训练，同时由于建筑种类繁多，而期望模型在各类建筑上的表现效果都呈现良好状态，本发明采用k折交叉验证法来降低模型方差，并提高模型的泛化能力；将训练集输入到BERT神经网络模型中，使用K折交叉验证法时使用训练集的数据去训练模型，最终保留损失函数值最小的模型参数。
步骤S400具体为：
将步骤S300中处理好的碳排放量数据传入BERT神经网络模型，使用Adam优化器调整学习率，并选择MSE(Mean Squared Error，均方根误差)作为损失函数；MSE的计算公式如下：
其中，yi为实际碳排放值，
为预测的碳排放值；
为了兼顾模型的泛化效果，本发明选择使用K折交叉验证法来不断进行训练，最终保留损失函数值最小的模型参数作为最终模型的参数。
在步骤S400之前还包括：
基于BERT设计BERT神经网络模型，用于对建筑物的碳排放量进行预测。
因为建筑的能耗和碳排放量不仅与建筑本身物理参数相关，同时受到气候条件、人流量等各种客观因素的综合影响；传统的方法很难量化这种复杂联系，而神经网络由于具有良好的自学习能力，善于捕捉数据间的非线性关系，因而适用于受多因素综合影响的建筑能耗和碳排量的预测；为此，本发明设计一个基于BERT的神经网络模型，用于建筑物的碳排放量预测。
以下为BERT的神经网络模型的详细说明：
如图2所示，为基于Bert的神经网络模型图，将处理好的数据各个模块按照其属性分别分割，作为Tok 1～Tok N，这里是为了方便看出每个属性最终预测结果的影响，而[Mask]主要是为了MLM任务，即预测每个属性上的碳排量预测；之后将输入数据中的每一个位置上的元素送入嵌入层，将之前收集到的一些文本类别的信息转化为数值数据，在模型中的体现即从Top1变成了E1，方便后续计算，然后经过2层的Transformer模块的计算处理得到各个属性不同角度之间的关联性并提取特征，最后经过两层全连接层运算将各个位置的属性对于碳排量的影响累加汇总压缩维度得到最终预测的碳排量。
图2模型中涉及到的其中的transformer模块中的具体运算过程如图3所示，其中multi-head attention：多头注意力层，用于提取各个不同位置元素之前的关系；Positionencoding：由于自注意力层并没有区分元素的顺序，所以一个位置编码层被用于添加位置信息；Add&norm层的作用将多头注意力层和前馈网络的输出传到该层进行处理，该层包含残差结构以及层归一化；Feed Forward:该层包含了两层，第一层是一个线性激活函数，第二层是激活函数是ReLu。
S500：将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果。
在使用模型的预测阶段，对建筑物的碳排放量进行预测，已经建成已久的建筑收集其过去几年内的数据，根据步骤S200及S300对数据进行处理，处理过后传入步骤400得到的BERT神经网络模型进行预测未来的碳排量即可；
若使用模型预测待建的建筑物碳排量，待建或新建建筑由于无历史运行数据，则收集多栋与该建筑附近且与该建筑功能相同的建筑的相关数据，例如若待预测建筑为住宅，则根据步骤S100收集该建筑过去几年的数据，根据步骤S200及S300对数据进行处理，传入步骤5训练完毕的BERT神经网络模型进行预测，将预测得到的碳排量的平均值，作为待建或新建的建筑未来碳排量；最终根据预测值，通过制订相关决策降低建筑碳排放，进而实现节能减排以响应国家大力推行的双碳政策。
本发明的目的在于精准预测建筑碳排量，通过基于提示学习BERT的模型方法对建筑的碳排放量进行预测，从而及时得到建筑未来的碳排放，以便通过制订相关决策降低建筑碳排放；本发明引入了较多的与建筑碳排量相关的因素用于预测建筑的碳排量，并对其进行了预处理，这使得发明的BERT神经网络模型较以往的模型更具鲁棒性；另外，使用碳排放因子分析法，能够更好的计算出各个元素所导致的碳排量，并且较之前研究别人所使用的BP神经网络，本发明选择了在自然语言处理界表现极为优越的Bert模型，对其进行了修改，搭建了可以预测建筑碳排量的基于Bert的神经网络模型，它的性能十分优越，同时其中使用到的Transformer模块可以注意到各个属性之间的关联性，以提高最后预测的精确性。
实施例2
参见图4，根据本发明的另一实施例，提供了一种基于BERT神经网络模型的碳排量精确预判装置，包括：
数据获取模块100，用于获取与碳排放量相关的建筑物数据；
数据处理模块200，用于对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；
计算模块300，用于基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；
训练模块400，将基于碳排放因子法计算出的碳排放量数据及训练集输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；
预测输出模块500，用于将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果。
本发明实施例中的基于BERT神经网络模型的碳排量预判方法及装置，获取与碳排放量相关的建筑物数据；对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；将基于碳排放因子法计算出的碳排放量数据输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果；本发明通过基于BERT神经网络模型对建筑的碳排放量进行预测，从而精准预测建筑物未来的碳排放。
实施例3
基于上述基于BERT神经网络模型的碳排量预判方法，本实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例的基于BERT神经网络模型的碳排量预判方法中的步骤。
实施例4
一种终端设备，包括：处理器、存储器及通信总线；存储器上存储有可被处理器执行的计算机可读程序；通信总线实现处理器和存储器之间的连接通信；处理器执行计算机可读程序时实现上述的基于BERT神经网络模型的碳排量预判方法中的步骤。
基于上述基于BERT神经网络模型的碳排量预判方法，本发明提供了一种终端设备，如图5所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过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。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可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；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于BERT神经网络模型的碳排量预判方法，其特征在于，包括以下步骤：
S100：获取与碳排放量相关的建筑物数据；
S200：对所述建筑物数据进行处理得到数据集，并将所述数据集分为训练集与验证集；
S300：基于所述建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；
S400：将基于所述碳排放因子法计算出的所述碳排放量数据及所述训练集输入到BERT神经网络模型中进行训练，以提高所述BERT神经网络模型泛化能力；
S500：将设定时间内的历史碳排放数据输入到所述BERT神经网络模型，根据输入的数据，所述BERT神经网络模型对未来碳排放量进行预测并输出预测结果。
2.根据权利要求1所述的基于BERT神经网络模型的碳排量预判方法，其特征在于，所述建筑物数据包括：
建筑物，包括选定区域的建筑物占地面积、建筑材料、建筑内各类器材使用时间及建筑物人流量数据；
能源消耗数据，包括选定区域的中央空调系统、照明系统、冷热水系统、动力及其他耗电系统的能耗。
3.根据权利要求1所述的基于BERT神经网络模型的碳排量预判方法，其特征在于，所对所述建筑物数据进行处理得到数据集，并将所述数据集分为训练集与验证集具体为：
将所述建筑物数据进行张量化处理，使所述建筑物数据为n维向量格式；
对存在缺省值情况的数据进行数据填充，所述数据填充包括若缺省的数据是数值型特征，则是使用平均值来填充，若是类别型特征，则是使用众数来填充；
将存在异常数据的向量剔除，剩余数据形成数据集；
将所述数据集划分为训练集与验证集。
4.根据权利要求1所述的基于BERT神经网络模型的碳排量预判方法，其特征在于，所述基于所述建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量具体为：
所述建筑物的建筑全生命周期包括建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段；
所述建筑物的全生命周期碳排放量为：
E＝EMT+EC+EOM+EDR
其中，EMT、EC、EOM及EDR分别对应为建材生产及运输阶段、施工建造阶段、运行维护阶段及拆除阶段的碳排放量。
5.根据权利要求4所述的基于BERT神经网络模型的碳排量预判方法，其特征在于，所述建材生产及运输阶段的碳排放量为：
EMT＝EMat+ETrans
EMat＝∑QMat，iαi
ETrans＝∑QMat，iLi
其中，EMat为建材生产阶段碳排放，ETrans为建材运输阶段碳排放，QMat，i为第i种建材的用量，αi为第i种建材的碳排放因子，QMat，i为第i种建材的质量，Li为第i种建材的运输距离，η为对应运输工具的碳排放系数；
所述施工建造阶段的碳排放量为：
EC＝5·λC/1000
λC＝(x+1.99)·ξ
S为建筑面积，λC为单位建筑面积建造施工过程碳排放量指标，x为地上建筑层数，ξ为能源碳排放修正系数；
所述运行维护阶段及拆除阶段的碳排放量为：
EOM＝EOpe+EMt
其中，E0p为建筑使用阶段碳排放，EMt为建筑维护阶段碳排放；Y为建筑使用年限，p为建筑使用阶段共有p种能耗种类，QOpe，i为第i种能耗在建筑使用期限内的年消耗总，fi指第i种能源的碳排放因子；QOpe，H、QOpe，C分别对应为建筑使用阶段采暖能耗和建筑使用阶段制冷能耗，QC(kWh/m2)和EERC分别为建筑累计冷负荷和供冷系统综合能效比，QH(kWh/m2)和EERH分别为建筑累计热负荷及采暖系统的综合能效比；EMt＝25％×1％×Y×EMat，Y为建筑使用年限，EMat为建材生产环节碳排放量；
所述拆除阶段的碳排放量为：
EDR＝S·λd/1000
λd＝(0.06x+2.01)·ξ
其中，S为建筑面积，λd为单位建筑面积拆除施工过程碳排放量指标；x为地上建筑层数，ξ为能源碳排放修正系数。
6.根据权利要求2所述的基于BERT神经网络模型的碳排量预判方法，其特征在于，在所述将基于所述碳排放因子法计算出的所述碳排放量数据输入到BERT神经网络模型中进行训练，提高所述BERT神经网络模型泛化能力之前还包括：
基于BERT设计BERT神经网络模型，用于对所述建筑物的碳排放量进行预测。
7.根据权利要求2所述的基于BERT神经网络模型的碳排量预判方法，其特征在于，在所述将基于所述碳排放因子法计算出的所述碳排放量数据输入到BERT神经网络模型中进行训练，提高所述BERT神经网络模型泛化能力具体为：
将基于所述碳排放因子法计算出的所述碳排放量数据输入到所述BERT神经网络模型，使用Adam优化器调整学习效率，并选择均方根误差作为损失函数，均方根误差的计算公式为：
其中，yi为实际碳排放值，
为预测的碳排放值；
选择使用K折交叉验证法来不断进行训练。
8.一种基于BERT神经网络模型的碳排量预判装置，其特征在于，包括：
数据获取模块，用于获取与碳排放量相关的建筑物数据；
数据处理模块，用于对所述建筑物数据进行处理得到数据集，并将所述数据集分为训练集与验证集；
计算模块，用于基于所述建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；
训练模块，用于将基于所述碳排放因子法计算出的所述碳排放量数据输入及所述训练集到BERT神经网络模型中进行训练，以提高所述BERT神经网络模型泛化能力；
预测输出模块，用于将设定时间内的历史碳排放数据输入到所述BERT神经网络模型，根据输入的数据，所述BERT神经网络模型对未来碳排放量进行预测并输出预测结果。
9.一种计算机可读介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的基于BERT神经网络模型的碳排量预判方法中的步骤。
10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的基于BERT神经网络模型的碳排量预判方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210311220.0A CN114925874A (zh) | 2022-03-28 | 2022-03-28 | 一种基于bert神经网络模型的碳排量预判方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210311220.0A CN114925874A (zh) | 2022-03-28 | 2022-03-28 | 一种基于bert神经网络模型的碳排量预判方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114925874A true CN114925874A (zh) | 2022-08-19 |
Family
ID=82805012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210311220.0A Pending CN114925874A (zh) | 2022-03-28 | 2022-03-28 | 一种基于bert神经网络模型的碳排量预判方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114925874A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689086A (zh) * | 2023-01-03 | 2023-02-03 | 江苏华邦工程造价咨询有限公司 | 一种基于建筑信息模型的碳排放评估系统及方法 |
| CN116050955A (zh) * | 2023-03-31 | 2023-05-02 | 杭州百子尖科技股份有限公司 | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 |
| CN116151692A (zh) * | 2023-04-17 | 2023-05-23 | 南京赛宝工业技术研究院有限公司 | 多源固废再生建筑砌体寿命周期的碳排放评估系统及方法 |
| CN116757364A (zh) * | 2023-06-28 | 2023-09-15 | 广州珠江外资建筑设计院有限公司 | 一种基于bim技术的碳排放评估方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447776A (zh) * | 2015-10-21 | 2016-03-30 | 上海市建筑科学研究院(集团)有限公司 | 一种绿色建筑碳排放评价方法 |
| CN106529732A (zh) * | 2016-11-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于神经网络与随机前沿分析的碳排放效率预测方法 |
| CN111680169A (zh) * | 2020-06-03 | 2020-09-18 | 国网内蒙古东部电力有限公司 | 一种基于bert模型技术的电力科技成果数据抽取方法 |
| CN113627737A (zh) * | 2021-07-19 | 2021-11-09 | 深圳市紫衡技术有限公司 | 碳排放监测方法、系统、电子设备及存储介质 |
| CN113902183A (zh) * | 2021-09-28 | 2022-01-07 | 浙江大学 | 基于bert的非侵入式台区充电桩状态监测与电价调整方法 |
| CN114139845A (zh) * | 2021-09-01 | 2022-03-04 | 深圳卓越智联科技有限公司 | 一种医院建筑碳核算与碳中和评价系统及评价方法 |
-
2022
- 2022-03-28 CN CN202210311220.0A patent/CN114925874A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447776A (zh) * | 2015-10-21 | 2016-03-30 | 上海市建筑科学研究院(集团)有限公司 | 一种绿色建筑碳排放评价方法 |
| CN106529732A (zh) * | 2016-11-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于神经网络与随机前沿分析的碳排放效率预测方法 |
| CN111680169A (zh) * | 2020-06-03 | 2020-09-18 | 国网内蒙古东部电力有限公司 | 一种基于bert模型技术的电力科技成果数据抽取方法 |
| CN113627737A (zh) * | 2021-07-19 | 2021-11-09 | 深圳市紫衡技术有限公司 | 碳排放监测方法、系统、电子设备及存储介质 |
| CN114139845A (zh) * | 2021-09-01 | 2022-03-04 | 深圳卓越智联科技有限公司 | 一种医院建筑碳核算与碳中和评价系统及评价方法 |
| CN113902183A (zh) * | 2021-09-28 | 2022-01-07 | 浙江大学 | 基于bert的非侵入式台区充电桩状态监测与电价调整方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689086A (zh) * | 2023-01-03 | 2023-02-03 | 江苏华邦工程造价咨询有限公司 | 一种基于建筑信息模型的碳排放评估系统及方法 |
| CN116050955A (zh) * | 2023-03-31 | 2023-05-02 | 杭州百子尖科技股份有限公司 | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 |
| CN116050955B (zh) * | 2023-03-31 | 2023-07-28 | 杭州百子尖科技股份有限公司 | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 |
| CN116151692A (zh) * | 2023-04-17 | 2023-05-23 | 南京赛宝工业技术研究院有限公司 | 多源固废再生建筑砌体寿命周期的碳排放评估系统及方法 |
| CN116757364A (zh) * | 2023-06-28 | 2023-09-15 | 广州珠江外资建筑设计院有限公司 | 一种基于bim技术的碳排放评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
| CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
| CN101667013B (zh) | 微型燃气轮机冷电联供分布式供能系统优化运行控制方法 | |
| Xikai et al. | Comparison of regression models for estimation of carbon emissions during building's lifecycle using designing factors: a case study of residential buildings in Tianjin, China | |
| CN101619850B (zh) | 基于热电系统负荷在线预测的调度方法与系统 | |
| WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
| CN110198042B (zh) | 一种电网储能的动态优化方法及存储介质 | |
| CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
| CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| CN106292325A (zh) | 一种数据驱动的家居环境舒适性偏好建模与控制方法 | |
| CN116720750B (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 | |
| CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
| CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
| CN113609778B (zh) | 一种综合能源系统多目标优化方法及系统 | |
| CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
| CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
| Chen et al. | The predictive management in campus heating system based on deep reinforcement learning and probabilistic heat demands forecasting | |
| CN112488352A (zh) | 一种基于梯度提升回归的房价区间预测方法及系统 | |
| CN111598349A (zh) | 一种短期用电量预测方法、装置及可读存储介质 | |
| Khairunizam et al. | Energy Consumption and Energy Efficiency Prediction using Artificial Neural Network | |
| CN114239973B (zh) | 基于深度学习的换热站热负荷短期预测方法及预测系统 | |
| CN115271463B (zh) | 智慧能源管理系统 |
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 |