CN115423373A - 一种园区的碳排放评价方法、系统、电子设备及存储介质 - Google Patents
一种园区的碳排放评价方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115423373A CN115423373A CN202211243364.3A CN202211243364A CN115423373A CN 115423373 A CN115423373 A CN 115423373A CN 202211243364 A CN202211243364 A CN 202211243364A CN 115423373 A CN115423373 A CN 115423373A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- carbon
- emission
- park
- predicted
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 293
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 293
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000000611 regression analysis Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 239000005431 greenhouse gas Substances 0.000 claims description 4
- 239000002803 fossil fuel Substances 0.000 claims description 3
- 239000003502 gasoline Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 23
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种园区的碳排放评价方法、系统、电子设备及存储介质，系统包括：碳排放监测模块、碳排放预测模块和碳排放评价模块。本发明通过将园区内的排放数据换算成真实碳排放量，并基于园区业务数据进行预测得到预测碳排放量，同时结合碳排放量限额、真实碳排放量和预测碳排放量对园区进行碳排放评分，从而可以进一步提高园区碳排放量数据的准确度，为后续的节能减排优化中提供真实有效的数据基础。
Description
技术领域
本发明涉及碳排放技术领域，更具体地，涉及一种园区的碳排放评价方法、系统、电子设备及存储介质。
背景技术
气候变暖是全世界所面临的重大环境问题，大多数科学家认为，人类活动所释放的二氧化碳是导致全球变暖最重要的温室气体。当前中国正处在快速工业化和城镇化进程中，但城镇化进程脚步加快的同时，大气中二氧化碳含量不断升高，环境负担也进一步加重。
在节能减排中，碳达峰及碳中和的实现至关重要。其中，碳达峰是指二氧化碳的排放量达到历史最高值，然后经历平台期进入持续下降的过程，碳达峰的目标包括达峰年份和峰值。碳中和是指进行二氧化碳排放的对象以一定的方式例如植树造林，抵消所产生的二氧化碳排放量，实现二氧化碳排放量的“收支相抵”。随着节能减排要求的进一步加强，如何进一步准确的针对于工业园区的碳排放量进行评价是亟待解决的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种园区的碳排放评价方法、系统、电子设备及存储介质，用以解决如何进一步准确的针对于工业园区的碳排放量进行评价的问题。
根据本发明的第一方面，提供了一种园区的碳排放评价系统，包括：碳排放监测模块、碳排放预测模块和碳排放评价模块；
所述碳排放监测模块，用于实时接收园区的排放数据，并将所述排放数据转换成真实碳排放量，将所述真实碳排放量发送至所述碳排放评价模块；
所述碳排放预测模块，用于根据输入的园区业务数据进行预测得到预测碳排放量，并将所述预测碳排放量发送至所述碳排放评价模块；
所述碳排放评价模块，用于获取碳排放量限额，并根据所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。
在上述技术方案的基础上，本发明还可以作出如下改进。
优选的，所述排放数据包括直接排放数据和间接排放数据，所述直接排放数据至少包括汽油、天然气和柴油，所述间接排放数据至少包括电力和废弃物。
优选的，所述真实碳排放量包括：
C＝Q*F；
其中，C为某种活动导致排放温室气体的二氧化碳排放量；Q为排放源的活动水平；F为碳排放因子，碳排放因子采用所在地的官方核定值。
优选的，所述园区业务数据至少包括：园区居民消费支出、园区人口数量、当地居民消费水平、当地GDP、当地工业化率、当地能源消费强度、园区能源消费总量和园区化石燃料比重。
优选的，所述碳排放预测模块，包括：主成分分析单元和算法预测单元；
所述主成分分析单元，用于对所述园区业务数据进行降维，得到待预测数据集，并将其输入至所述算法预测单元；
所述算法预测单元，用于对所述待预测数据集进行碳排放量预测，得到预测碳排放量。
优选的，所述算法预测单元，包括：决策树回归分析单元、随机森林回归分析单元、神经网络回归分析单元和k近邻回归分析单元；
所述决策树回归分析单元、所述随机森林回归分析单元、所述神经网络回归分析单元和所述k近邻回归分析单元分别用于对所述待预测数据集进行分析，得到多个预测碳排放量；
所述算法预测单元，还用于根据所述多个预测碳排放量和所述真实碳排放量进行比较，得到最优分析单元，并将所述最优分析单元用于对所述待预测数据集的碳排放量预测。
优选的，所述碳排放评价模块，还用于根据获取到的评价周期和所述碳排放量限额，计算所述评价周期内的碳排放量限额。
根据本发明的第二方面，提供一种园区的碳排放评价方法，包括：
实时接收园区的排放数据，并将其转化为真实碳排放量；
基于预设预测模型，对接收到的园区业务数据进行碳排放预测，得到预测碳排放量；
获取所述园区的碳排放量限额，基于所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第二方面中任一园区的碳排放评价方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现上述第二方面中任一园区的碳排放评价方法的步骤。
本发明提供的一种园区的碳排放评价方法、系统、电子设备及存储介质，系统包括：碳排放监测模块、碳排放预测模块和碳排放评价模块；所述碳排放监测模块，用于实时接收园区的排放数据，并将所述排放数据转换成真实碳排放量，将所述真实碳排放量发送至所述碳排放评价模块；所述碳排放预测模块，用于根据输入的园区业务数据进行预测得到预测碳排放量，并将所述预测碳排放量发送至所述碳排放评价模块；所述碳排放评价模块，用于获取碳排放量限额，并根据所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。本发明通过将园区内的排放数据换算成真实碳排放量，并基于园区业务数据进行预测得到预测碳排放量，同时结合碳排放量限额、真实碳排放量和预测碳排放量对园区进行碳排放评分，从而可以进一步提高园区碳排放量数据的准确度，为后续的节能减排优化中提供真实有效的数据基础。
附图说明
图1为本发明提供的一种园区的碳排放评价系统结构示意图；
图2为本发明提供的排放数据类型的示意图；
图3为本发明提供的园区业务数据类型的示意图；
图4为本发明提供的碳排放监测模块数据转换示意图；
图5为本发明提供的碳排放预测模块数据流转示意图；
图6为本发明提供的算法预测模块数据预测示意图；
图7为本发明提供的碳排放量评价流程示意图；
图8为常用碳排放因子数据示例图；
图9为本发明提供的一种园区的碳排放评价方法流程图；
图10为本发明提供的一种可能的电子设备的硬件结构示意图；
图11为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明提供的一种园区的碳排放评价系统结构示意图，如图1所示，系统包括：碳排放监测模块、碳排放预测模块和碳排放评价模块。
其中，所述碳排放监测模块，用于实时接收园区的排放数据，并将所述排放数据转换成真实碳排放量，将所述真实碳排放量发送至所述碳排放评价模块；所述碳排放预测模块，用于根据输入的园区业务数据进行预测得到预测碳排放量，并将所述预测碳排放量发送至所述碳排放评价模块；所述碳排放评价模块，用于获取碳排放量限额，并根据所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。
参见图2，图2为本发明提供的排放数据类型的示意图，根据图2可知，上述排放数据包括直接排放数据和间接排放数据，上述直接排放数据包括但不限于汽油、天然气和柴油，上述间接排放数据包括但不限于电力和废弃物。
参见图3，图3为本发明提供的园区业务数据类型的示意图，根据图3可知，上述园区业务数据包括但不限于园区居民消费支出、园区人口数量、当地居民消费水平、当地GDP、当地工业化率、当地能源消费强度、园区能源消费总量和园区化石燃料比重。
参见图4，图4为本发明提供的碳排放监测模块数据转换示意图，如图4所示，本发明实施例中通过将排放数据经过碳排放检测模块即可得到真实的碳排放量，其中，将上述排放数据转换为真实碳排放量，其计算方法如下：
C＝Q*F；
其中，C为某种活动导致排放温室气体的二氧化碳排放量；Q为排放源的活动水平；F为碳排放因子，碳排放因子采用所在地的官方核定值。
作为实施例，所述碳排放预测模块，包括：主成分分析单元和算法预测单元。
其中，所述主成分分析单元，用于对所述园区业务数据进行降维，得到待预测数据集，并将其输入至所述算法预测单元；所述算法预测单元，用于对所述待预测数据集进行碳排放量预测，得到预测碳排放量。
参见图5，图5为本发明提供的碳排放预测模块数据流转示意图，如图5所示，园区业务数据在经过主成分分析模块进行降维处理，处理后的园区业务数据作为算法预测单元的输入，经过算法预测单元得到预测的碳排放量。
作为实施例，所述算法预测单元，包括：决策树回归分析单元、随机森林回归分析单元、神经网络回归分析单元和k近邻回归分析单元。
其中，所述决策树回归分析单元、所述随机森林回归分析单元、所述神经网络回归分析单元和所述k近邻回归分析单元分别用于对所述待预测数据集进行分析，得到多个预测碳排放量；所述算法预测单元，还用于根据所述多个预测碳排放量和所述真实碳排放量进行比较，得到最优分析单元，并将所述最优分析单元用于对所述待预测数据集的碳排放量预测。
参见图6，图6为本发明提供的算法预测模块数据预测示意图，在图6中，算法预测单元还包括决策树回归分析单元、随机森林回归分析单元、神经网络回归分析单元和k近邻回归分析单元。其中，上述决策树回归分析单元、上述随机森林回归分析单元、上述神经网络回归分析单元和上述k近邻回归分析单元分别用于对所述待预测数据集进行分析，得到多个预测碳排放量；算法预测单元将得到的多个预测碳排放量和真实碳排放量进行比较，将预测碳排放量与真实碳排放量数值接近的预测碳排放量作为最优预测碳排放量，其对应的分析单元作为最优分析单元，并将上述分析单元用于对后续的待预测数据进行碳排放量预测。
在具体实现中，算法预测单元在进行工作时，需要选定固定周期，如一个月，假设当前月为9月，算法预测模块将接收8月份的其他数据，输出8月份的碳排放预测量的4种结果(对应4种回归分析模块)，将4种8月份的碳排放量结果和真实的8月份的碳排放量进行比较，得到最优模型。算法预测单元得到了8月份的最优模块(4种回归分析模块之一)，将该分析单元接收9月份的其他数据，得到9月份的预测碳排放量。
作为实施例，所述碳排放评价模块，还用于根据获取到的评价周期和所述碳排放量限额，计算所述评价周期内的碳排放量限额。
可以理解的是，上述评价周期可以是由管理员手动设定的，也可以是用户输入的，本实施例对此不作限制。上述碳排放限额可以是根据官方核算的碳排放额计算得到的。
为了进一步说明上述碳排放评价模块的工作原理，参见图7，图7为本发明提供的碳排放量评价流程示意图；在图7中，碳排放评价模块根据真实的碳排放数据、碳排放限额和预测的碳排放数据进行评分，得到真实的碳排放得分和预测的碳排放得分，从而得到总的碳排放得分。其中，常见的排放因子参见图8。
在具体实现中，碳排放评价模块在工作时，可以选定一个固定的评价周期，例如一个月，并依据上述评价周期计算官方核算的全年的碳排放额得到一个月的碳排放限额。
以当前月为9月为例，假设8月的真实的碳排放量为Cr，9月的预测的碳排放量为Cp,官方核算的全年的碳排放额为C，那么官方核算的每个月的碳排放额为C/12；
真实的碳排放量的得分为：
Sr＝(C/12-Cr)/(C/12)；
预测的碳排放量的得分为：
Sp＝(C/12-Cp)/(C/12)；
其中，Sr的值可以为正值，也可以为负值，正值的情况由于负值的情况。
最终的碳排放量综合得分为：
S＝a*Sr+b*Sp；
其中a和b均为0～1之间的值，a+b＝1，并且a>b。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种园区的碳排放评价方法、系统、电子设备及存储介质，系统包括：碳排放监测模块、碳排放预测模块和碳排放评价模块；所述碳排放监测模块，用于实时接收园区的排放数据，并将所述排放数据转换成真实碳排放量，将所述真实碳排放量发送至所述碳排放评价模块；所述碳排放预测模块，用于根据输入的园区业务数据进行预测得到预测碳排放量，并将所述预测碳排放量发送至所述碳排放评价模块；所述碳排放评价模块，用于获取碳排放量限额，并根据所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。本发明通过将园区内的排放数据换算成真实碳排放量，并基于园区业务数据进行预测得到预测碳排放量，同时结合碳排放量限额、真实碳排放量和预测碳排放量对园区进行碳排放评分，从而可以进一步提高园区碳排放量数据的准确度，为后续的节能减排优化中提供真实有效的数据基础。
请参阅图9，图9为本发明实施例提供的一种园区的碳排放评价方法流程图，如图9所示，一种园区的碳排放评价方法，包括：
步骤S100：实时接收园区的排放数据，并将其转化为真实碳排放量；
需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备，例如：电脑、平板电脑等；也可以是具有相同相似功能的服务器设备，还可以是具有相似功能的云服务器，本实施例对此不做限制。为了便于理解，本实施例及下述各实施例将以服务器设备为例进行说明。
步骤S200：基于预设预测模型，对接收到的园区业务数据进行碳排放预测，得到预测碳排放量；
步骤S300：获取所述园区的碳排放量限额，基于所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。
可以理解的是，本发明提供的一种园区的碳排放评价方法与前述各实施例提供的园区的碳排放评价系统相对应，园区的碳排放评价方法的相关技术特征可参考园区的碳排放评价系统的相关技术特征，在此不再赘述。
请参阅图10，图10为本发明实施例提供的电子设备的实施例示意图。如图10所示，本发明实施例提供了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：
实时接收园区的排放数据，并将其转化为真实碳排放量；基于预设预测模型，对接收到的园区业务数据进行碳排放预测，得到预测碳排放量；获取上述园区的碳排放量限额，基于上述真实碳排放量、预测碳排放量和上述碳排放量限额对上述园区进行碳排放评分。
请参阅图11，图11为本发明提供的一种计算机可读存储介质的实施例示意图。如图11所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：
实时接收园区的排放数据，并将其转化为真实碳排放量；基于预设预测模型，对接收到的园区业务数据进行碳排放预测，得到预测碳排放量；获取上述园区的碳排放量限额，基于上述真实碳排放量、预测碳排放量和上述碳排放量限额对上述园区进行碳排放评分。
本发明提供的一种园区的碳排放评价方法、系统、电子设备及存储介质，系统包括：碳排放监测模块、碳排放预测模块和碳排放评价模块；所述碳排放监测模块，用于实时接收园区的排放数据，并将所述排放数据转换成真实碳排放量，将所述真实碳排放量发送至所述碳排放评价模块；所述碳排放预测模块，用于根据输入的园区业务数据进行预测得到预测碳排放量，并将所述预测碳排放量发送至所述碳排放评价模块；所述碳排放评价模块，用于获取碳排放量限额，并根据所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。本发明通过将园区内的排放数据换算成真实碳排放量，并基于园区业务数据进行预测得到预测碳排放量，同时结合碳排放量限额、真实碳排放量和预测碳排放量对园区进行碳排放评分，从而可以进一步提高园区碳排放量数据的准确度，为后续的节能减排优化中提供真实有效的数据基础。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
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。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种园区的碳排放评价系统，其特征在于，所述系统包括：碳排放监测模块、碳排放预测模块和碳排放评价模块；
所述碳排放监测模块，用于实时接收园区的排放数据，并将所述排放数据转换成真实碳排放量，将所述真实碳排放量发送至所述碳排放评价模块；
所述碳排放预测模块，用于根据输入的园区业务数据进行预测得到预测碳排放量，并将所述预测碳排放量发送至所述碳排放评价模块；
所述碳排放评价模块，用于获取碳排放量限额，并根据所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。
2.根据权利要求1所述的园区的碳排放评价系统，其特征在于，所述排放数据包括直接排放数据和间接排放数据，所述直接排放数据至少包括汽油、天然气和柴油，所述间接排放数据至少包括电力和废弃物。
3.根据权利要求1所述的园区的碳排放评价系统，其特征在于，所述真实碳排放量包括：
C＝Q*F；
其中，C为某种活动导致排放温室气体的二氧化碳排放量；Q为排放源的活动水平；F为碳排放因子，碳排放因子采用所在地的官方核定值。
4.根据权利要求1所述的园区的碳排放评价系统，其特征在于，所述园区业务数据至少包括：园区居民消费支出、园区人口数量、当地居民消费水平、当地GDP、当地工业化率、当地能源消费强度、园区能源消费总量和园区化石燃料比重。
5.根据权利要求1所述的园区的碳排放评价系统，其特征在于，所述碳排放预测模块，包括：主成分分析单元和算法预测单元；
所述主成分分析单元，用于对所述园区业务数据进行降维，得到待预测数据集，并将其输入至所述算法预测单元；
所述算法预测单元，用于对所述待预测数据集进行碳排放量预测，得到预测碳排放量。
6.根据权利要求5所述的园区的碳排放评价系统，其特征在于，所述算法预测单元，包括：决策树回归分析单元、随机森林回归分析单元、神经网络回归分析单元和k近邻回归分析单元；
所述决策树回归分析单元、所述随机森林回归分析单元、所述神经网络回归分析单元和所述k近邻回归分析单元分别用于对所述待预测数据集进行分析，得到多个预测碳排放量；
所述算法预测单元，还用于根据所述多个预测碳排放量和所述真实碳排放量进行比较，得到最优分析单元，并将所述最优分析单元用于对所述待预测数据集的碳排放量预测。
7.根据权利要求1所述的园区的碳排放评价系统，其特征在于，所述碳排放评价模块，还用于根据获取到的评价周期和所述碳排放量限额，计算所述评价周期内的碳排放量限额。
8.一种园区的碳排放评价方法，其特征在于，方法包括：
实时接收园区的排放数据，并将其转化为真实碳排放量；
基于预设预测模型，对接收到的园区业务数据进行碳排放预测，得到预测碳排放量；
获取所述园区的碳排放量限额，基于所述真实碳排放量、预测碳排放量和所述碳排放量限额对所述园区进行碳排放评分。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求8所述的园区的碳排放评价方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求8所述的园区的碳排放评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211243364.3A CN115423373A (zh) | 2022-10-11 | 2022-10-11 | 一种园区的碳排放评价方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211243364.3A CN115423373A (zh) | 2022-10-11 | 2022-10-11 | 一种园区的碳排放评价方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115423373A true CN115423373A (zh) | 2022-12-02 |
Family
ID=84206126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211243364.3A Pending CN115423373A (zh) | 2022-10-11 | 2022-10-11 | 一种园区的碳排放评价方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115423373A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
| CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
| CN116579902A (zh) * | 2023-04-07 | 2023-08-11 | 南京电力设计研究院有限公司 | 数字化园区电碳数据映射方法、系统、设备及存储介质 |
| CN116720985A (zh) * | 2023-08-11 | 2023-09-08 | 北京泰豪智能工程有限公司 | 一种建筑碳排放监测方法及系统 |
| CN116975689A (zh) * | 2023-07-31 | 2023-10-31 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
| CN117474167A (zh) * | 2023-11-08 | 2024-01-30 | 国网北京市电力公司 | 一种园区碳减排潜力挖掘分析方法、装置、设备及介质 |
-
2022
- 2022-10-11 CN CN202211243364.3A patent/CN115423373A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
| CN116579902A (zh) * | 2023-04-07 | 2023-08-11 | 南京电力设计研究院有限公司 | 数字化园区电碳数据映射方法、系统、设备及存储介质 |
| CN116579902B (zh) * | 2023-04-07 | 2023-12-12 | 南京电力设计研究院有限公司 | 数字化园区电碳数据映射方法、系统、设备及存储介质 |
| CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
| CN116975689A (zh) * | 2023-07-31 | 2023-10-31 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
| CN116975689B (zh) * | 2023-07-31 | 2024-02-06 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
| CN116720985A (zh) * | 2023-08-11 | 2023-09-08 | 北京泰豪智能工程有限公司 | 一种建筑碳排放监测方法及系统 |
| CN116720985B (zh) * | 2023-08-11 | 2023-10-31 | 北京泰豪智能工程有限公司 | 一种建筑碳排放监测方法及系统 |
| CN117474167A (zh) * | 2023-11-08 | 2024-01-30 | 国网北京市电力公司 | 一种园区碳减排潜力挖掘分析方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115423373A (zh) | 一种园区的碳排放评价方法、系统、电子设备及存储介质 | |
| Lempert et al. | Characterizing climate-change uncertainties for decision-makers | |
| CN115860173A (zh) | 基于Stacking算法的碳排放预测模型的构建和预测方法及介质 | |
| Raihan et al. | The influence of Information and Communication Technologies, Renewable Energies and Urbanization toward Environmental Sustainability in China | |
| CN117633571A (zh) | 一种基于多重聚类的异常用户预警方法及装置 | |
| CN115965136A (zh) | 一种基于电力大数据的碳排放综合预测系统 | |
| CN118296436A (zh) | 针对燃气电厂二氧化碳排放量的预测方法、装置及设备 | |
| Tao et al. | An opportunistic joint maintenance strategy for two offshore wind farms | |
| CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
| Nazaré et al. | Green-Box System Identification and Carbon Footprint Analysis for Sustainable Computing | |
| CN113408205B (zh) | 环境污染分级方法、装置、设备及存储介质 | |
| CN113435857A (zh) | 应聘者数据分析方法及装置 | |
| CN112036713A (zh) | 一种基于主成分分析的煤改电综合效益评价方法和系统 | |
| CN114764741A (zh) | 一种风力发电机运行风功率预测的方法和系统 | |
| CN112116139A (zh) | 一种电力需求预测方法及系统 | |
| CN114004492B (zh) | 基于人工智能的企业环境管理方法、装置、介质及设备 | |
| CN117893099A (zh) | 城市生态环境综合分析方法、装置、设备及存储介质 | |
| Bakht | The Nexus between Economic Growth, Energy Consumption, and Environmental Pollution in Bangladesh | |
| Chen et al. | AI-Based Power Demand Forecasting of California Counties | |
| CN114841242B (zh) | 一种电网数据的质量治理方法及装置 | |
| Stotz et al. | Integrating sustainability in the development and operation of high-volume production lines | |
| CN116029543A (zh) | 用于污染源风险评估的方法、电子设备及存储介质 | |
| CN117541092A (zh) | 电网工程esg评分指标体系模型构建方法和装置 | |
| Sawant | Forecasting Carbon Dioxide Emission from Energy Consumption within the Industrial Sector in US | |
| Singh et al. | Ensemble Learning with Hybrid Modelling for Multivariate AQI, PM2. 5, and PM10 Forecasting in Mumbai |
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 |