CN115660918A - 一种工业园区碳排放计算及预测方法 - Google Patents
一种工业园区碳排放计算及预测方法 Download PDFInfo
- Publication number
- CN115660918A CN115660918A CN202211143271.3A CN202211143271A CN115660918A CN 115660918 A CN115660918 A CN 115660918A CN 202211143271 A CN202211143271 A CN 202211143271A CN 115660918 A CN115660918 A CN 115660918A
- Authority
- CN
- China
- Prior art keywords
- cev
- carbon
- carbon emission
- emission
- heat
- 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
Images
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
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种工业园区碳排放计算及预测方法,基于能源消耗、工业过程、废弃物处理在内的一系列环节,建立一种考虑碳减排的工业园区碳排放核算模型,将工业园区一年的光伏发电、负荷量、购电量等数据,按照四季划分为四组,利用系统聚类法得到12个代表日,计算工业园区一年的碳排放量。最后对影响碳排放量的各个因素进行相关性分析,得到主要影响因素,作为广义回归神经网络GRNN神经网络的输入量,利用相关性分析和广义回归神经网络耦合模型对未来碳排放量做出预测。本发明在样本数据较少时,预测效果也较好。
Description
技术领域
本发明属于碳排放研究领域,具体涉及一种工业园区碳排放计算及预测方法。
背景技术
全球温室气体的过量排放导致温室效应不断增强,全球气候的不断变化,产生了诸多不良影响,对人类社会造成了重大威胁。二氧化碳作为温室气体中最主要的部分,减少其碳排放被视为解决气候问题最主要的根源,如何减少碳排放也成为了全球性议题。越来越多国家将“碳中和”上升为国家战略,提出了无碳未来的愿景。
工业是碳排放的重要领域,约占总量的70%,而工业园区正是我国工业碳排放最集中的区域,是实现碳减排必须要把握的重头。然而,如何评判减排也就成为了我们需要关注的问题。制定各类碳排放模型、将碳排放量化是评判减排路上必不可少的环节。于是,针对工业园区的碳减排模型产生。工业园区不是简单的生产或消费模式,它包括能源消耗、工业过程、废弃物处理等一系列环节,排放的污染物除了二氧化碳外,占比较大的还有甲烷和氧化亚氮。为了更准确的对工业园区碳排放进行核算,需综合考虑全过程和主要污染物两方面。
可再生能源的大规模发展,在一定程度上促进了碳排放的缩减。光伏、风电、储能等很多因素可以平衡碳排放,起到减排作用。当前仅包含碳排放的计算模型就显得不够全面,综合考虑减排因素的碳减排模型对于结合预测后最终实现碳中和更具实际意义。在计算全年碳排放量时,由于涉及数据量较大,应用代表日的方法,可在数据可追溯性和求解精度之间做适当权衡。
发明内容
为了准确计算工业园区碳排放量,本发明提出了一种综合考虑碳排放和碳减排的碳减排计算方法,碳排放的计算包括能源消耗、工业过程、废弃物处理在内的一系列环节,污染物包括二氧化碳、甲烷、一氧化二氮三种主要排放气体;碳减排的计算包括多种可再生能源及相应辅助设备所平衡的碳排放量。根据所提出的工业园区碳减排计算模型,对工业园区一年的碳排放进行核算。基于工业园区一年的光伏发电、负荷量、购电量等数据,分别按照春、夏、秋、冬四个季节分析,采用系统聚类法(Hierarchical Cluster Method)得到12个代表日,作为一年中的典型日,将聚类后的结果用以计算工业园区年碳排放量。得到各年碳排放计算结果后,利用广义回归神经网络(GRNN)结合拟合,建立了碳排放预测模型,并利用历史统计数据对碳排放进行预测。根据对碳排放影响因素的分析,分别取国内生产总值(GDP)、园区所在省生产总值、该省全社会用电量、光伏发电量、原煤消耗量 5项指标因素作为网络输入,以碳排放量作为网络输出,构建GRNN,由于训练数据较少,采取交叉验证方法训练GRNN神经网络,最终得到预测结果。
为了解决上述技术问题本发明提供如下技术方案:
一种工业园区碳排放计算及预测方法,包括以下步骤:
S1:建立一种综合考虑碳排放和碳减排的碳减排计算模型,碳排放源包括能源消耗、工业过程和废弃物处理,污染物包括二氧化碳、甲烷和一氧化二氮;
S2:基于工业园区一年的光伏发电、负荷量、购电量等数据,按照四季将其划分为四组,利用系统聚类法得到每组3个代表日,共 12个代表日,计算工业园区一年的碳排放量;
S3:利用历史统计数据对碳排放进行预测,通过相关性分析,取国内生产总值、园区所在省生产总值、该省全社会用电量、光伏发电量、原煤消耗量5项指标因素作为网络输入,取所求碳排放量作为网络输出,结合拟合构建GRNN,采取交叉验证方法训练GRNN,得到预测结果。
进一步,所述步骤S1中,建立碳减排计算模型包括以下过程:
S1-1.确定工业园区温室气体排放来源:能源消耗、工业过程和废弃物处理,温室气体:二氧化碳、甲烷和一氧化二氮;
S1-2.确定能源消耗、工业过程、废弃物处理三个环节具体的碳排放核算方法,其中,能源消耗又包括燃料燃烧、电力和热力三部分,废弃物处理包括固体废弃物和废水两部分,公式如下:
CEVi=∑i[ADi×∑jEFi,j×GWPj] (1)
ADi=Coni×CVi (2)
EFi,CH4=EFi,CH4,Heat×HVi (4)
EFi,N2O=EFi,N2O,Heat×HVi (5)
CEVElec=ConElec×∑jEFElec,j×GWPj (6)
CEVHeat=ConHeat×∑jEFHeat,j×GWPj (7)
式中,CEVi、CEVElec、CEVElec分别为燃料i燃烧、电力、热力产生的碳排放;ADi为燃料i的活动水平;Coni、ConElec、ConHeat分别为燃料、电力、热力消耗量;CVi为燃料i的平均低位发热值;EFi,j、 EFElec,j、EFHeat,j分别为燃料i燃烧、电力和热力产生温室气体j的排放因子;GWPj为温室气体j的碳排放二氧化碳当量;分别为燃料i的单位热值含碳量和燃料碳氧化率;MCO2、MC分别为二氧化碳和碳的摩尔质量;EFi,CH4,Heat、EFi,N2O,Heat分别为甲烷、一氧化二氮基于热值的排放因子;HVi为基于重量或体积的热值;
CEVIP=∑i(ADi×EFi×Fi) (8)
CEVSW=∑i[ADi×∑jEFi,j×GWPj] (9)
CEVW=CH4EVwater×GWPCH4+N2OEVwater×GWPN2O (10)
CH4EVwater=(OM-S)×EFCH (11)
N2OEVwater=WN×EFN20 (12)
式中,CEVIP、CEVSW、CEVW分别为工业过程、固体废弃物、废水处理产生的碳排放;Fi为原料i分解率;CH4EVwater、N2OEVwater分别为废水中甲烷和一氧化二氮的排放量;OM、S、WN分别为有机物总量、沉降的有机物总量和废水中氮含量;
S1-3.确定“负碳”核算方法,即可再生能源电力设施发一度电时,对应减少的温室气体排放量,公式如下:
ED=ADi×egrid,CM,y (13)
egrid,CM=egrid,OM,y×wOM+egrid,BM,y×wBM (14)
CEVr=EFr×Pr (15)
式中,ED为碳减排量;egrid,CM,y、egrid,OM,y、egrid,BM,y分别为综合排放因子、电量边际排放因子、容量边际排放因子;wOM、wBM分别为OM、BM的权重;CEVr、EFr、Pr分别为可再生能源r的碳减排量、综合减排因子和发电量;
S1-4.建立综合考虑碳排放和碳减排的碳减排计算模型,公式如下:
ECO2=CEVi+CEVElec+CEVHeat+CEVIP+CEVSW+CEVW-CEVr
(16)。
再进一步,所述步骤S2中,利用系统聚类法得到以四季为依据的12个代表日,包括以下步骤:
S2-1.聚类之前,先将样本数据按照季节分为4组,利用zscore 函数分别进行标准化;
S2-2.计算样本之间的欧氏距离dij,计算公式如下:
式中,xik、xjk分别表示第i、j个样本;
S2-3.利用系统聚类法中的类平均法将每组原始样本聚为3类,公式如下:
更进一步,所述步骤S3中,利用相关性分析和广义回归神经网络结合拟合,建立碳排放预测模型,包括以下过程:
S3-1.确定GRNN输入层、模式层、求和层、输出层。本发明中,通过相关性分析,取国内生产总值、园区所在省生产总值、该省全社会用电量、光伏发电量、原煤消耗量5项指标因素作为网络输入,取所求碳排放量作为网络输出,构建GRNN,公式如下:
求和层中使用两种类型神经元进行求和,式(20-21)对所有模式层神经元的输出进行算术、加权求和;
S3-2.利用拟合得到未来输入输出数据;
S3-3.载入数据,分别将数据分成训练数据和预测数据两类;
S3-4.采取交叉验证方法训练GRNN神经网络,并用循环找出最佳的SPREAD;
S3-5.利用newgrnn函数设计一个广义回归神经网络,采用最佳方法建立GRNN网络,最终得到碳排放预测值。
本发明的有益效果主要表现在:碳减排模型同时考虑碳排放和碳减排两部分,核算内容包括能源消耗、工业过程、废弃物处理在内的所有环节,温室气体包括二氧化碳、甲烷、一氧化二氮三种主要排放气体,一定程度上增加了工业园区碳排放核算的精确度。在计算全年碳排放时,采用系统聚类法得到基于四季的代表日,大大缩减了计算量,在数据可追溯性和求解精度之间做到了适当权衡。最后利用相关性分析、广义回归神经网络结合拟合建立碳排放预测模型,该方法在逼近能力和学习速度上较RBF网络有更强的优势,网络最后收敛于样本量积聚较多的优化回归面,并且在样本数据较少时,预测效果也较好。
附图说明
图1是工业园区碳排放流向图。
图2是聚类选取代表日流程图。
图3是灰色关联度法分析结果。
图4是广义回归神经网络结构图。
图5是碳排放预测结果图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1~图5,一种工业园区碳排放计算及预测方法,包括以下步骤:
S1:建立一种综合考虑碳排放和碳减排的碳减排计算模型,碳排放源包括能源消耗、工业过程和废弃物处理,污染物包括二氧化碳、甲烷和一氧化二氮;
S2:基于工业园区一年的光伏发电、负荷量、购电量等数据,按照四季将其划分为四组,利用系统聚类法得到每组3个代表日,共 12个代表日,计算工业园区一年的碳排放量;
S3:利用历史统计数据对碳排放进行预测,通过相关性分析,取国内生产总值、园区所在省生产总值、该省全社会用电量、光伏发电量、原煤消耗量5项指标因素作为网络输入,取所求碳排放量作为网络输出,结合拟合构建GRNN,采取交叉验证方法训练GRNN,得到预测结果。
进一步,所述步骤S1中,工业园区的碳排放流向如图1所示,建立碳减排计算模型包括以下过程:
S1-1.确定工业园区温室气体排放来源:能源消耗、工业过程和废弃物处理,温室气体:二氧化碳、甲烷和一氧化二氮;
S1-2.确定能源消耗、工业过程、废弃物处理三个环节具体的碳排放核算方法,其中,能源消耗又包括燃料燃烧、电力和热力三部分,废弃物处理包括固体废弃物和废水两部分,公式如下:
CEVi=∑i[ADi×∑jEFi,j×GWPj] (1)
ADi=Coni×CVi (2)
EFi,CH4=EFi,CH4,Heat×HVi (4)
EFi,N2O=EFi,N2O,Heat×HVi (5)
CEVElec=ConEtec×∑jEFElec,j×GWPj (6)
CEVHeat=ConHeat×∑jEFHeat,j×GWPj (7)
式中,CEVi、CEVElec、CEVElec分别为燃料i燃烧、电力、热力产生的碳排放;ADi为燃料i的活动水平;Coni、ConElec、ConHeat分别为燃料、电力、热力消耗量;CVi为燃料i的平均低位发热值;EFi,j、 EFElec,j、EFHeat,j分别为燃料i燃烧、电力和热力产生温室气体j的排放因子;GWPj为温室气体j的碳排放二氧化碳当量;分别为燃料i的单位热值含碳量和燃料碳氧化率;MCO2、MC分别为二氧化碳和碳的摩尔质量;EFi,CH,Heat、EFi,N2O,Heat分别为甲烷、一氧化二氮基于热值的排放因子;HVi为基于重量或体积的热值;
CEVIP=∑i(ADi×EFi×Fi) (8)
CEVSW=∑i[ADi×∑jEFi,j×GWPj] (9)
CEVW=CH4EVwater×GWPCH+N2OEVwater×GWPN2O (10)
CH4EVwater=(OM-S)×EFCH4 (11)
N2OEVwater=WN×EFN20 (12)
式中,CEVIP、CEVSW、CEVW分别为工业过程、固体废弃物、废水处理产生的碳排放;Fi为原料i分解率;CH4EVwater、N2OEVwater分别为废水中甲烷和一氧化二氮的排放量;OM、S、WN分别为有机物总量、沉降的有机物总量和废水中氮含量;
S1-3.确定“负碳”核算方法,即可再生能源电力设施发一度电时,对应减少的温室气体排放量,公式如下:
ED=ADi×egrid,CM,y (13)
egrid,CM=egrid,OM,y×wOM+egrid,BM,y×wBM (14)
CEVr=EFr×Pr (15)
式中,ED为碳减排量;egrid,CM,y、egrid,OM,y、egrid,BM,y分别为综合排放因子、电量边际排放因子、容量边际排放因子;wOM、wBM分别为OM、BM的权重;CEVr、EFr、Pr分别为可再生能源r的碳减排量、综合减排因子和发电量;
S1-4.建立综合考虑碳排放和碳减排的碳减排计算模型,公式如下:
ECO2=CEVi+CEVElec+CEVHeat+CEVIP+CEVSW+CEVW-CEVr
(16)。
再进一步,所述步骤S2中,利用系统聚类法得到以四季为依据的12个代表日,考虑不同因素对代表日的影响比重,以负荷量、购电量、光伏出力为主要指标,流程如图2所示,包括以下步骤:
S2-1.聚类之前,先将样本数据按照季节分为4组,利用zscore 函数分别进行标准化;
S2-2.计算样本之间的欧氏距离dij,计算公式如下:
式中,xik、xjk分别表示第i、j个样本;
S2-3.利用系统聚类法中的类平均法将每组原始样本聚为3类,公式如下:
更进一步,所述步骤S3中,经灰色关联度分析,结果如图3所示,1-7分别代表国内生产总值、江苏省生产总值、江苏省光伏发电量、江苏省风力发电量、江苏省全社会用电量、江苏省原煤消耗量及政策影响指数。广义回归神经网络结构如图4所示,利用广义回归神经网络建立碳排放预测模型,碳排放预测结果如图5所示,包括以下过程:
S3-1.确定GRNN输入层、模式层、求和层、输出层。本发明中,通过相关性分析,取国内生产总值、园区所在省生产总值、该省全社会用电量、光伏发电量、原煤消耗量5项指标因素作为网络输入,取所求碳排放量作为网络输出,构建GRNN,公式如下:
求和层中使用两种类型神经元进行求和,式(20-21)对所有模式层神经元的输出进行算术、加权求和;
S3-2.利用拟合得到未来输入输出数据;
S3-3.载入数据,分别将数据分成训练数据和预测数据两类;
S3-4.采取交叉验证方法训练GRNN神经网络,并用循环找出最佳的SPREAD;
S3-5.利用newgrnn函数设计一个广义回归神经网络,采用最佳方法建立GRNN网络,最终得到碳排放预测值。
为使本领域研究人员更好地了解所提出的碳减排模型,绘制了图 1的碳流动图,直观形象,便于理解。在应用此模型计算全年碳排放时,本发明采用系统聚类法选取代表日的方法,将一年划分为四季,每个季节聚类出以光照强弱、用电多少等为依据的3个代表日。本发明以江苏某工业园区为例,验证选取代表日的方法可提高计算的简便性,同时也保证了数据的精确性。
针对计算得到后的历年碳排放数据,本发明采用相关性分析和广义回归神经网络耦合模型对碳排放进行预测。先利用相关性分析法选取碳排放的主要影响因素,将其作为GRNN神经网络的输入量,对未来碳排放做出预测。GRNN具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,适用于解决非线性问题。其在逼近能力和学习速度上有较强的优势,网络最后收敛于样本量积聚较多的优化回归面,并且在样本数据较少时,预测效果也较好。此外,网络还可以处理不稳定的数据,对预测精度有一定保障。综上,本发明所建立的基于工业园区的碳减排模型以及预测方法为研究碳中和路径提供了一定的参考。
Claims (4)
1.一种工业园区碳排放计算及预测方法,其特征在于,所述方法包括以下步骤:
S1:建立一种综合考虑碳排放和碳减排的碳减排计算模型,碳排放源包括能源消耗、工业过程和废弃物处理,污染物包括二氧化碳、甲烷和一氧化二氮;
S2:基于工业园区一年的光伏发电、负荷量、购电量等数据,按照四季将其划分为四组,利用系统聚类法得到每组3个代表日,共12个代表日,计算工业园区一年的碳排放量;
S3:利用历史统计数据对碳排放进行预测,通过相关性分析,取国内生产总值、园区所在省生产总值、该省全社会用电量、光伏发电量、原煤消耗量5项指标因素作为网络输入,取所求碳排放量作为网络输出,结合拟合构建广义回归神经网络GRNN,采取交叉验证方法训练GRNN,得到预测结果。
2.如权利要求1所述的一种工业园区碳排放计算及预测模型,其特征在于,所述步骤S1中,建立碳减排计算模型包括以下过程:
S1-1.确定工业园区温室气体排放来源:能源消耗、工业过程和废弃物处理,温室气体:二氧化碳、甲烷和一氧化二氮;
S1-2.确定能源消耗、工业过程、废弃物处理三个环节具体的碳排放核算方法,其中,能源消耗又包括燃料燃烧、电力和热力三部分,废弃物处理包括固体废弃物和废水两部分,公式如下:
CEVi=∑i[ADi×∑jEFi,j×GWPj] (1)
ADi=Coni×CVi (2)
EFi,CH4=EFi,CH4,Heat×HVi (4)
EFi,N2O=EFi,N2O,Heat×HVi (5)
CEVElec=ConElec×∑jEFElec,j×GWPj (6)
CEVHeat=ConHeat×∑jEFHeat,j×GWPj (7)
式中,CEVi、CEVElec、CEVElec分别为燃料i燃烧、电力、热力产生的碳排放;ADi为燃料i的活动水平;Coni、ConElec、ConHeat分别为燃料、电力、热力消耗量;CVi为燃料i的平均低位发热值;EFi,j、EFElec,j、EFHeat,j分别为燃料i燃烧、电力和热力产生温室气体j的排放因子;GWPj为温室气体j的碳排放二氧化碳当量;分别为燃料i的单位热值含碳量和燃料碳氧化率;MCO2、MC分别为二氧化碳和碳的摩尔质量;EFi,CH4,Heat、EFi,N2O,Heat分别为甲烷、一氧化二氮基于热值的排放因子;HVi为基于重量或体积的热值;
CEVIP=∑i(ADi×EFi×Fi) (8)
CEVSW=∑i[ADi×∑jEFi,j×GWPj] (9)
CEVW=CH4EVwater×GWPCH+N2OEVwater×GWPN2O (10)
CH4EVwater=(OM-S)×EFCH4 (11)
N2OEVwater=WN×EFN20 (12)
式中,CEVIP、CEVSW、CEVW分别为工业过程、固体废弃物、废水处理产生的碳排放;Fi为原料i分解率;CH4EVwater、N2OEVwater分别为废水中甲烷和一氧化二氮的排放量;OM、S、WN分别为有机物总量、沉降的有机物总量和废水中氮含量;
S1-3.确定“负碳”核算方法,即可再生能源电力设施发一度电时,对应减少的温室气体排放量,公式如下:
ED=ADi×egrid,CM,y (13)
egrid,CM=egrid,OM,y×wOM+egrid,BM,y×wBM (14)
CEVr=EFr×Pr (15)
式中,ED为碳减排量;egrid,CM,y、egrid,OM,y、egrid,BM,y分别为综合排放因子、电量边际排放因子、容量边际排放因子;wOM、wBM分别为OM、BM的权重;CEVr、EFr、Pr分别为可再生能源r的碳减排量、综合减排因子和发电量;
S1-4.建立综合考虑碳排放和碳减排的碳减排计算模型,公式如下:
ECO2=CEVi+CEVElec+CEVHeat+CEVIP+CEVSW+CEVW-CEVr (16)。
4.如权利要求3所述的一种工业园区碳排放计算及预测模型,其特征在于,所述步骤S3中,利用相关性分析和广义回归神经网络结合拟合,建立碳排放预测模型,包括以下过程:
S3-1.确定GRNN输入层、模式层、求和层、输出层,通过相关性分析,取国内生产总值、园区所在省生产总值、该省全社会用电量、光伏发电量、原煤消耗量5项指标因素作为网络输入,取所求碳排放量作为网络输出,构建GRNN,公式如下:
求和层中使用两种类型神经元进行求和,式(20-21)对所有模式层神经元的输出进行算术、加权求和;
S3-2.利用拟合得到未来输入输出数据;
S3-3.载入数据,分别将数据分成训练数据和预测数据两类;
S3-4.采取交叉验证方法训练GRNN神经网络,并用循环找出最佳的SPREAD;
S3-5.利用newgrnn函数设计一个广义回归神经网络,采用最佳方法建立GRNN网络,最终得到碳排放预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143271.3A CN115660918A (zh) | 2022-09-20 | 2022-09-20 | 一种工业园区碳排放计算及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143271.3A CN115660918A (zh) | 2022-09-20 | 2022-09-20 | 一种工业园区碳排放计算及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660918A true CN115660918A (zh) | 2023-01-31 |
Family
ID=84983834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211143271.3A Pending CN115660918A (zh) | 2022-09-20 | 2022-09-20 | 一种工业园区碳排放计算及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660918A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186852A (zh) * | 2023-02-14 | 2023-05-30 | 西南科技大学 | 一种光伏-绿化屋顶设计方法及系统 |
CN116415728A (zh) * | 2023-04-07 | 2023-07-11 | 北京金风零碳能源有限公司 | 一种碳排放量的预测方法、系统、电子设备及存储介质 |
CN116632839A (zh) * | 2023-07-21 | 2023-08-22 | 国网浙江省电力有限公司宁波供电公司 | 一种基于能碳监测的园区电力管理调节方法及装置 |
CN116862151A (zh) * | 2023-06-16 | 2023-10-10 | 上海凌荣网络科技有限公司 | 一种基于云计算的碳排放分析方法及系统 |
CN117391906A (zh) * | 2023-10-17 | 2024-01-12 | 上海南洋万邦软件技术有限公司 | 双碳应用平台的控制方法 |
CN117744952A (zh) * | 2024-02-18 | 2024-03-22 | 四川省德阳生态环境监测中心站 | 基于时序网络的大气碳排放量分析方法及系统 |
CN117852779A (zh) * | 2024-03-08 | 2024-04-09 | 广东立胜综合能源服务有限公司 | 一种工业园区碳排放计算方法及系统 |
CN117951457A (zh) * | 2024-03-26 | 2024-04-30 | 深圳碳中和生物燃气股份有限公司 | 基于生物炭的负碳产品碳减排量核算方法及系统 |
-
2022
- 2022-09-20 CN CN202211143271.3A patent/CN115660918A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186852B (zh) * | 2023-02-14 | 2023-09-26 | 西南科技大学 | 一种光伏-绿化屋顶设计方法及系统 |
CN116186852A (zh) * | 2023-02-14 | 2023-05-30 | 西南科技大学 | 一种光伏-绿化屋顶设计方法及系统 |
CN116415728B (zh) * | 2023-04-07 | 2023-11-17 | 北京金风零碳能源有限公司 | 一种碳排放量的预测方法、系统、电子设备及存储介质 |
CN116415728A (zh) * | 2023-04-07 | 2023-07-11 | 北京金风零碳能源有限公司 | 一种碳排放量的预测方法、系统、电子设备及存储介质 |
CN116862151A (zh) * | 2023-06-16 | 2023-10-10 | 上海凌荣网络科技有限公司 | 一种基于云计算的碳排放分析方法及系统 |
CN116862151B (zh) * | 2023-06-16 | 2024-04-30 | 刘甲彬 | 一种基于云计算的碳排放分析方法及系统 |
CN116632839A (zh) * | 2023-07-21 | 2023-08-22 | 国网浙江省电力有限公司宁波供电公司 | 一种基于能碳监测的园区电力管理调节方法及装置 |
CN116632839B (zh) * | 2023-07-21 | 2023-11-07 | 国网浙江省电力有限公司宁波供电公司 | 一种基于能碳监测的园区电力管理调节方法及装置 |
CN117391906A (zh) * | 2023-10-17 | 2024-01-12 | 上海南洋万邦软件技术有限公司 | 双碳应用平台的控制方法 |
CN117744952A (zh) * | 2024-02-18 | 2024-03-22 | 四川省德阳生态环境监测中心站 | 基于时序网络的大气碳排放量分析方法及系统 |
CN117744952B (zh) * | 2024-02-18 | 2024-05-17 | 四川省德阳生态环境监测中心站 | 基于时序网络的大气碳排放量分析方法及系统 |
CN117852779A (zh) * | 2024-03-08 | 2024-04-09 | 广东立胜综合能源服务有限公司 | 一种工业园区碳排放计算方法及系统 |
CN117951457A (zh) * | 2024-03-26 | 2024-04-30 | 深圳碳中和生物燃气股份有限公司 | 基于生物炭的负碳产品碳减排量核算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115660918A (zh) | 一种工业园区碳排放计算及预测方法 | |
Yuan et al. | A new technique for optimal estimation of the circuit-based PEMFCs using developed sunflower optimization algorithm | |
Lin et al. | Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model based on multivariate meteorological factors and historical power datasets | |
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
Xu et al. | Does the high–tech industry consistently reduce CO2 emissions? Results from nonparametric additive regression model | |
Shi et al. | How can China achieve the 2030 carbon peak goal—a crossover analysis based on low-carbon economics and deep learning | |
CN114091785A (zh) | 一种基于能源大数据的碳排放监测方法 | |
CN111949936A (zh) | 一种郊区综合能源系统的评价方法及系统 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
Suo et al. | An air quality index-based multistage type-2-fuzzy interval-stochastic programming model for energy and environmental systems management under multiple uncertainties | |
Lau et al. | Modelling carbon emissions in electric systems | |
Peng et al. | A framework for evaluating energy security in China: Empirical analysis of forecasting and assessment based on energy consumption | |
Lv et al. | Optimal capacity configuration model of power-to-gas equipment in wind-solar sustainable energy systems based on a novel spatiotemporal clustering algorithm: A pathway towards sustainable development | |
Lu et al. | Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy | |
Zhang et al. | A novel grey Lotka–Volterra model driven by the mechanism of competition and cooperation for energy consumption forecasting | |
CN112132481A (zh) | 一种区域能效综合评价方法 | |
Qin et al. | Two‐stage short‐term wind power forecasting algorithm using different feature-learning models | |
CN114971048A (zh) | 一种零碳园区综合能源规划仿真方法、系统和计算机设备 | |
Hu et al. | Adaptive corrected parameters algorithm applied in cooling load prediction based on black-box model: A case study for subway station | |
Cao et al. | Economy and carbon emissions optimization of different provinces or regions in China using an improved temporal attention mechanism based on gate recurrent unit | |
CN112200469A (zh) | 基于熵权和层次分析法的综合能源系统运行服务评价方法及装置 | |
CN112508231A (zh) | 一种基于系统动力学的中长期电力负荷预测方法及系统 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
Fouad et al. | Simulation and energy management of an experimental solar system through adaptive neural networks | |
CN115907198A (zh) | 一种长距离供热负荷智能预测系统 |
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 |