CN115994176B - 一种基于大数据和人工智能的碳排放分析及报告生成方法 - Google Patents
一种基于大数据和人工智能的碳排放分析及报告生成方法 Download PDFInfo
- Publication number
- CN115994176B CN115994176B CN202310286250.5A CN202310286250A CN115994176B CN 115994176 B CN115994176 B CN 115994176B CN 202310286250 A CN202310286250 A CN 202310286250A CN 115994176 B CN115994176 B CN 115994176B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- carbon emission
- enterprises
- carbon
- time period
- 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
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
Abstract
本发明提供了一种基于大数据和人工智能的碳排放分析及报告生成方法,包括以下步骤:根据某个碳排放监控区域内的企业碳排放超量的请求概率,构建某个碳排放监控区域内企业的状态转移矩阵;处理获得第t个企业的稳态概率分布;监控系统根据稳态概率分布调整企业的碳排放额度;每隔预设时间段重复上述,并根据上一个预设时间段内的各企业的碳排放超量请求概率对各个企业的碳排放额度进行适应性调整;每隔预设时间段整理某个碳排放监控区域内企业的碳排放数据并形成报告进行公布。本发明能够有效提高监控系统的服务质量,降低监控系统的运行负荷从而减少由于需要对每一个企业进行监控而造成的资源浪费。
Description
技术领域
本发明涉及数据监控领域,尤其涉及一种基于大数据和人工智能的碳排放分析及报告生成方法。
背景技术
随着大数据、智能化、云计算、互联网技术的迅猛发展以及碳排放数据量化的迫切需求,企业碳排放信息的收集、量化、统计、分析的需求越来越受到重视。但目前企业碳排放信息收集的方式还较为传统,碳排放的数据还未得到全面的收集以及有效的利用。对于企业产生的碳排放数据仍采用的是人工记录、人工统计汇总的方式,工作效率不高,数据利用率低。企业向大气中排放温室温室气体的行为称为碳排放,企业碳排放信息受到国家高度重视。
经过本团队的海量检索,了解到现有的碳排放分析技术方案主要有如公开号为KR101823821B1、KR1020170076589A、KR101700648B1和US20160155130A1,其中以公开号为CN114140294B所公开的一种企业碳排放信息实时分析展示的服务方法及系统尤为具有代表性,其方法包括:对企业的温室气体排放源进行识别,获取识别结果,根据所述识别结果在预设计算方式数据库中选择适配的目标计算方式,利用所述目标计算方式对收集的企业的温室气体排放数据进行碳排放量计算,将计算结果进行结构化存储,对所述计算结果进行数据分析生成企业碳排放清单报告并进行展示。可以有效地节省纸质成本的同时也实现了结构化存储,提高了存储效率,可使企业人员直观地看到不同维度下的碳排放数据,有利于数据的快速查询,可为企业人员提供参考样本以便作出合理的减排决策。但是上述技术方案还是存在了需要多人进行人工记录的操作,同时由于需要一直对多个企业进行监控,进而造成了资源浪费。
综上所述,现有技术中的碳排放分析技术方案仍存在不足。
发明内容
本发明的目的在于,针对现在的碳排放分析技术方案所存在的不足,提出了一种基于大数据和人工智能的碳排放分析及报告生成方法。
为了克服现有技术的不足,本发明采用如下技术方案:
一种基于大数据和人工智能的碳排放分析及报告生成方法,包括以下步骤:
S110,根据某个碳排放监控区域内的企业碳排放超量的请求概率,构建对应的碳排放监控区域内第t个企业的状态转移矩阵P;
S120,根据状态转移矩阵Pt处理获得第t个企业的稳态概率分布;
S130,监控系统根据稳态概率分布调整企业的碳排放额度;
S140,每隔预设时间段重复一次步骤S110-S130,并根据上一个预设时间段内的各企业的碳排放超量请求概率基于步骤S110-S130对各个企业的碳排放额度进行适应性调整;
S150,每隔预设时间段整理某个碳排放监控区域内企业的碳排放数据并形成报告进行公布。
进一步地,所述步骤S110具体为:
S111,采集某个碳排放监控区域内总共有X个企业,并采集预设时间段内的各企业的碳排放超量请求数量,根据碳排放超量请求数量,计算出每一个企业在预设时间段内碳排放超量的频率,所述每一个企业在预设时间段内碳排放超量的频率归一化,即为企业碳排放超量的请求概率,具体计算如下:设预设时间段内X个企业的总的碳排放超量请求的总数为D次,其中第t个企业的碳排放超量请求次数为dt次,则
;
其中,(P企业)t为第t个企业碳排放超量的请求概率,且;
S112,根据计算出的企业碳排放超量的请求概率,对各个企业的碳排放超量的请求概率从大到小进行稳态排序形成稳态集合Z={1,2,3,…,t,t+1,…,X};
S113,在步骤S112中得到的稳态排序中,如果集合Z中第t个企业发出碳排放超量请求,则第t个企业在集合Z中的排序上移至第一位;如果集合Z中排在第t个企业之前的企业发出碳排放超量请求,则第t个企业仍处在第t位;如果集合Z中排在第t个企业之后的企业发出碳排放超量请求,则所述排在第t个企业之后的企业上移至第一位,此时原本排在第t个企业的状态下移至t+1;
故以此构建t个企业的状态转移矩阵Pt。
进一步地,所述步骤S120具体为,根据以下公式来计算并求出所述第t个企业的稳态概率分布(πn)t:
,
其中,(π0)t为包含X个元素的一维向量,n为迭代次数,同时通过上述计算获得各个企业的稳态概率分布。
进一步地,所述步骤S130具体为,根据计算出的稳态概率分布以及当前监控系统中的剩余碳排放额度,对各个企业进行碳排放额度发放。
进一步地,所述监控系统为中央调控监控系统,所述剩余碳排放额度为通过对当前碳排放监控区域中的绿化数据以及清洁能源数据处理获得的。
进一步地,每隔预设时间段重新获取当前碳排放监控区域中最新的绿化数据以及最新的清洁能源数据。
进一步地,预设第二阈值,当发放给企业的碳排放额度基础大于预设第二阈值时,监控系统标记企业并发送购买碳排放额度的推荐策略给企业。
本发明所取得的有益效果是:
1、通过对企业的碳排放超量请求进行处理并形成预知,提前对企业的碳排放额度进行调整,降低企业碳排放超量的频率,提高监控系统的效率,能够更加专注标记在调整碳排放额度后还发出碳排放超量请求的企业。
2、能够有效提高监控系统的服务质量,降低监控系统的运行负荷从而减少由于需要对每一个企业进行监控而造成的资源浪费。
3、能够有效整合整个碳排放监控区域的资源。
附图说明
从以下结合附图的描述可以进一步理解本发明。在不同的视图中,相同的附图标记指定相同的部分。
图1为本发明的实施例中的一种基于大数据和人工智能的碳排放分析及报告生成方法的流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内,包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述了所公开的实施例的另外的特征,并且这些特征根据以下详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位,以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例一:
如图1所示,一种基于大数据和人工智能的碳排放分析及报告生成方法,包括以下步骤:
S110,根据某个碳排放监控区域内的企业碳排放超量的请求概率,构建对应的碳排放监控区域内第t个企业的状态转移矩阵Pt;
S120,根据状态转移矩阵Pt处理获得位于第t个企业的稳态概率分布;
S130,监控系统根据稳态概率分布调整企业的碳排放额度;
S140,每隔预设时间段重复一次步骤S110-S130,并根据上一个预设时间段内的各企业的碳排放超量请求概率基于步骤S110-S130对各个企业的碳排放额度进行适应性调整;
S150,每隔预设时间段整理某个碳排放监控区域内企业的碳排放数据并形成报告进行公布。
在本实施例的优选方案中,所述步骤S110具体为:
S111,采集某个碳排放监控区域内总共有X个企业,并采集预设时间段内的各企业的碳排放超量请求数量,根据碳排放超量请求数量,计算出每一个企业在预设时间段内碳排放超量的频率,所述每一个企业在预设时间段内碳排放超量的频率归一化,即为企业碳排放超量的请求概率,具体计算如下:设预设时间段内的X个企业的总的碳排放超量请求的总数为D次,其中第t个企业的碳排放超量请求次数为dt次,则;
其中,(P企业)t为第t个企业碳排放超量的请求概率,且;
S112,根据计算出的企业碳排放超量的请求概率,对各个企业的碳排放超量的请求概率从大到小进行稳态排序形成稳态集合Z={1,2,3,…,t,t+1,…,X};
S113,在步骤S112中得到的稳态排序中,如果集合Z中第t个企业发出碳排放超量请求,则第t个企业在集合Z中的排序上移至第一位;如果集合Z中排在第t个企业之前的企业发出碳排放超量请求,则第t个企业仍处在第t位;如果集合Z中排在第t个企业之后的企业发出碳排放超量请求,则所述排在第t个企业之后的企业上移至第一位,此时原本第t个企业的状态下移至t+1;
故以此构建t个企业的状态转移矩阵Pt,
;
其中,,
,
,
Pi1为第t个企业从位于第i个排序上移到第一位的概率,Pii为第t个企业保持自身的概率,即从第i位跳到第i位的概率,Pi(i+1)为第t个企业下移至第i+1位的概率;j为企业对应的概率在状态转移矩阵Pt中的排序;
从上述的分析中可以得出,当企业位于第t位且t∈Z时,总能满足Pi1+Pii+Pi(i+1)=1,
同时还存在以下的两种特殊情况:
第一种:当i=1时,此时
P11=(P企业)t,P12=1-(P企业)t;
第二种:当i=X时,此时
PX1=(P企业)t,PXX=1-(P企业)t。
在本实施例的优选方案中,
所述步骤S120具体为,根据以下公式来计算并求出所述第t个企业的稳态概率分布(πn)t:
,
其中,(π0)t为包含X个元素的一维向量,具体为,n为迭代次数,n越大,则(πn)t的值越趋于稳定并在求极限后完成收敛,同时通过上述计算获得各个企业的稳态概率分布。
在本实施例的优选方案中,所述步骤S130具体为,根据计算出的稳态概率分布以及当前监控系统中的剩余碳排放额度,对各个企业进行碳排放额度发放。具体的,企业的总碳排放配额包括自身碳排放配额以及通过监控系统将剩余碳排放额度分配给对应企业的附加碳排放配额,也就是说,所述稳态排序中排的越靠前,所述附加碳排放配额越多。
在本实施例的优选方案中,所述监控系统为中央调控监控系统,所述剩余碳排放额度为通过对当前碳排放监控区域中的绿化数据以及清洁能源数据并处理获得的。
在本实施例的优选方案中,每隔预设时间段重新获取当前碳排放监控区域中最新的绿化数据以及最新的清洁能源数据。
在本实施例的优选方案中,所述步骤S140具体为,预设第一阈值g,若第t个企业的资源分配系数et大于g,则在发放给第t个企业的碳排放额度基础上再加一个碳排放额度,即此时企业的附加碳排放配额为发放的碳排放基础加一个碳排放额度,若企业的资源分配系数et不大于g,则在发放给第t个企业的碳排放额度基础上再减一个碳排放额度,即此时企业的附加碳排放配额为发放的碳排放基础减一个碳排放额度。
具体的,所述资源分配系数通过以下公式求得:
;
其中,OT为总共有X个权重元素的权重向量O的转置矩阵,且权重向量O内各个权重元素的总值为1,且O内的各个权重元素依次减小。
举个例子,假如有3个企业,则O=[0.75,0.2,0.05],当然,O内各元素的值可以根据实际情况统计获得并进行调整,O内各元素的值根据各企业超量排放请求的请求概率数据统计获得,在此不再赘述。
同时,g为常数,可以根据各企业超量排放请求的请求概率数据统计获得,在此不再赘述。
实施例二:
本实施例为上述实施例的进一步描述应当理解本实施例包括前述全部技术特征并作进一步具体描述:
为了更精准地获取当前碳排放监控区域中最新的绿化数据以及最新的清洁能源数据,各监控区域均设置有用于监控清洁能源数据的第一采集装置、用于监控绿化数据的第二采集装置以及用于监控普通用电数据的第三采集装置,由于监控区域内并不是所有面积均用于生产,剩余的面积则用于居住、交通与绿化,其中绿化面积可以包括植树面积以及低矮植物面积,通过所述第二采集装置获取所述绿化面积并将植树面积以及低矮植物面积换算获得绿化数据,同时通过所述第一采集装置获取清洁能源数据,通过对比用电数据以及清洁能源数据来获知监控区域是否在自足的情况下向外供能,如果监控区域在实现自足的情况下向外供能,则向外提供的清洁能源换算成第一碳排放配额,绿化数据换算成第二碳排放配额,此时通过如下式子计算剩余碳排放额度:
;
;
;
;
其中,C为剩余碳排放额度,C1为第一碳排放配额,C2为第二碳排放配额,W1为清洁能源数据,W2为普通用电数据,M为中转换算值,m为用电换算值,α为植树面积,A为植树换算值,β为低矮植物面积,B为低矮植物换算值,所述A受种植的树木种类以及种植的密度所影响,具体为,种植的树木种类不同,碳中和能力也不同,同时种植的密度越高,碳中和能力越高,所述B受种植的低矮植物种类以及种植的密度所影响,具体为,种植的低矮植物种类不同,碳中和能力也不同,同时种植的密度越高,碳中和能力越高,所述A和所述B均由本领域技术人员根据多次实验的经验来设置。
实施例三:
本实施例为上述实施例的进一步描述应当理解本实施例包括前述全部技术特征并作进一步具体描述:
为了促进碳排放监控区域的和谐有效发展,减少企业过于依赖监控系统发放的碳排放额度,预设第二阈值,当发放给企业的碳排放额度基础大于预设第二阈值时,监控系统标记企业并发送购买碳排放额度的推荐策略给企业。
具体的,所述推荐策略为,推荐需要购买碳排放额度的企业优先购买碳排放监控区域内具有碳排放额度盈余的企业。
更具体的,获取碳排放监控区域中碳排放额度盈余的企业,若碳排放监控区域内存在碳排放额度盈余的企业,则此类企业不会发送碳排放超量请求,则这类企业的请求概率均为0,此时根据企业的碳排放额度盈余多寡来进行排序从而调整所述稳态合集,且碳排放额度盈余越多,则排得越后此类企业越优先提供给需要购买碳排放额度的企业。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法,系统和设备是示例。各种配置可以适当地省略,替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了众所周知的电路,过程,算法,结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的可能描述。在不脱离本公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于大数据和人工智能的碳排放分析及报告生成方法,其特征在于,包括以下步骤:
S110,根据某个碳排放监控区域内的企业碳排放超量的请求概率,构建对应的碳排放监控区域内第t个企业的状态转移矩阵Pt;
S120,根据状态转移矩阵Pt处理获得第t个企业的稳态概率分布;
S130,监控系统根据稳态概率分布调整企业的碳排放额度;
S140,每隔预设时间段重复一次步骤S110-S130,并根据上一个预设时间段内的各企业的碳排放超量请求概率基于步骤S110-S130对各个企业的碳排放额度进行适应性调整;
S150,每隔预设时间段整理某个碳排放监控区域内企业的碳排放数据并形成报告进行公布;
所述步骤S110具体为:
S111,采集某个碳排放监控区域内总共有X个企业,并采集预设时间段内的各企业的碳排放超量请求数量,根据碳排放超量请求数量,计算出每一个企业在预设时间段内碳排放超量的频率,所述每一个企业在预设时间段内碳排放超量的频率归一化,即为企业碳排放超量的请求概率,具体计算如下:设预设时间段内X个企业的总的碳排放超量请求的总数为D次,其中第t个企业的碳排放超量请求次数为dt次,则
;
其中,(P企业)t为第t个企业碳排放超量的请求概率,且;
S112,根据计算出的企业碳排放超量的请求概率,对各个企业的碳排放超量的请求概率从大到小进行稳态排序形成稳态集合Z={1,2,3,…,t,t+1,…,X};
S113,在步骤S112中得到的稳态排序中,如果集合Z中第t个企业发出碳排放超量请求,则第t个企业在集合Z中的排序上移至第一位;如果集合Z中排在第t个企业之前的企业发出碳排放超量请求,则第t个企业仍处在第t位;如果集合Z中排在第t个企业之后的企业发出碳排放超量请求,则排在第t个企业之后的企业上移至第一位,此时原本排在第t个企业的状态下移至t+1;
故以此构建t个企业的状态转移矩阵Pt。
2.如权利要求1所述的一种基于大数据和人工智能的碳排放分析及报告生成方法,其特征在于,所述步骤S120具体为,根据以下公式来计算并求出所述第t个企业的稳态概率分布(πn)t:
,
其中,(π0)t为包含X个元素的一维向量,n为迭代次数,同时通过上述计算获得各个企业的稳态概率分布。
3.如权利要求2所述的一种基于大数据和人工智能的碳排放分析及报告生成方法,其特征在于,所述步骤S130具体为,根据计算出的稳态概率分布以及当前监控系统中的剩余碳排放额度,对各个企业进行碳排放额度发放。
4.如权利要求3所述的一种基于大数据和人工智能的碳排放分析及报告生成方法,其特征在于,所述监控系统为中央调控监控系统,所述剩余碳排放额度为通过对当前碳排放监控区域中的绿化数据以及清洁能源数据处理获得的。
5.如权利要求4所述的一种基于大数据和人工智能的碳排放分析及报告生成方法,其特征在于,所述步骤S140还包括,每隔预设时间段重新获取当前碳排放监控区域中最新的绿化数据以及最新的清洁能源数据。
6.如权利要求5所述的一种基于大数据和人工智能的碳排放分析及报告生成方法,其特征在于,所述步骤S150还包括,预设第二阈值,当发放给企业的碳排放额度基础大于预设第二阈值时,监控系统标记企业并发送购买碳排放额度的推荐策略给企业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286250.5A CN115994176B (zh) | 2023-03-23 | 2023-03-23 | 一种基于大数据和人工智能的碳排放分析及报告生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286250.5A CN115994176B (zh) | 2023-03-23 | 2023-03-23 | 一种基于大数据和人工智能的碳排放分析及报告生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994176A CN115994176A (zh) | 2023-04-21 |
CN115994176B true CN115994176B (zh) | 2023-08-15 |
Family
ID=85995236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310286250.5A Active CN115994176B (zh) | 2023-03-23 | 2023-03-23 | 一种基于大数据和人工智能的碳排放分析及报告生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994176B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3291165A1 (en) * | 2016-09-06 | 2018-03-07 | Tsinghua University | System for measuring carbon emission in power system |
CN109934470A (zh) * | 2019-02-27 | 2019-06-25 | 上海交通大学 | 聚合大规模空调负荷的信息物理建模与控制方法 |
CN110020943A (zh) * | 2018-01-10 | 2019-07-16 | 巍乾全球技术有限责任公司 | 基于区块链的碳记录和交易方法、设备、区块链节点、计算机介质和系统 |
US11068825B1 (en) * | 2020-10-01 | 2021-07-20 | Morgan Stanley Services Group Inc. | System and method for carbon emissions exposure determination |
CN114065111A (zh) * | 2021-11-18 | 2022-02-18 | 特斯联科技集团有限公司 | 一种单体建筑物的碳排放数据核定方法 |
CN114493213A (zh) * | 2022-01-18 | 2022-05-13 | 上海祺鲲信息科技有限公司 | 一种基于物联网的碳排放数据采集处理方法 |
KR20220114683A (ko) * | 2021-02-09 | 2022-08-17 | 주식회사 수산아이앤티 | 탄소배출권 문서 자동생성 방법 및 그 시스템 |
CN114943480A (zh) * | 2022-06-27 | 2022-08-26 | 南京罕华流体技术有限公司 | 一种钢铁企业碳排放监控方法 |
CN115496284A (zh) * | 2022-09-23 | 2022-12-20 | 福建省电力有限公司泉州电力技能研究院 | 基于lmdi与隐马尔科夫链的能源电力碳排放态势预测方法 |
CN115578017A (zh) * | 2022-09-13 | 2023-01-06 | 侨银城市管理股份有限公司 | 一种城市碳盘查智能管理系统及方法 |
-
2023
- 2023-03-23 CN CN202310286250.5A patent/CN115994176B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3291165A1 (en) * | 2016-09-06 | 2018-03-07 | Tsinghua University | System for measuring carbon emission in power system |
CN110020943A (zh) * | 2018-01-10 | 2019-07-16 | 巍乾全球技术有限责任公司 | 基于区块链的碳记录和交易方法、设备、区块链节点、计算机介质和系统 |
CN109934470A (zh) * | 2019-02-27 | 2019-06-25 | 上海交通大学 | 聚合大规模空调负荷的信息物理建模与控制方法 |
US11068825B1 (en) * | 2020-10-01 | 2021-07-20 | Morgan Stanley Services Group Inc. | System and method for carbon emissions exposure determination |
KR20220114683A (ko) * | 2021-02-09 | 2022-08-17 | 주식회사 수산아이앤티 | 탄소배출권 문서 자동생성 방법 및 그 시스템 |
CN114065111A (zh) * | 2021-11-18 | 2022-02-18 | 特斯联科技集团有限公司 | 一种单体建筑物的碳排放数据核定方法 |
CN114493213A (zh) * | 2022-01-18 | 2022-05-13 | 上海祺鲲信息科技有限公司 | 一种基于物联网的碳排放数据采集处理方法 |
CN114943480A (zh) * | 2022-06-27 | 2022-08-26 | 南京罕华流体技术有限公司 | 一种钢铁企业碳排放监控方法 |
CN115578017A (zh) * | 2022-09-13 | 2023-01-06 | 侨银城市管理股份有限公司 | 一种城市碳盘查智能管理系统及方法 |
CN115496284A (zh) * | 2022-09-23 | 2022-12-20 | 福建省电力有限公司泉州电力技能研究院 | 基于lmdi与隐马尔科夫链的能源电力碳排放态势预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115994176A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Energy forecasting: A review and outlook | |
Wang et al. | Predictive scheduling framework for electric vehicles with uncertainties of user behaviors | |
US10908571B2 (en) | Online multi-period power dispatch with renewable uncertainty and storage | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN105956723A (zh) | 基于数据挖掘的物流信息管理方法 | |
Unterluggauer et al. | Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland | |
CN106228263A (zh) | 基于大数据的物流信息化方法 | |
Wang et al. | Event-based electric vehicle scheduling considering random user behaviors | |
CN110321217A (zh) | 一种多目标的云资源调度方法、装置、设备及存储介质 | |
CN105354092A (zh) | 一种应用性能风险预测方法、装置和系统 | |
CN105956816A (zh) | 物资运输信息智能处理方法 | |
CN104796467A (zh) | 一种计算具有QoS关联关系的QoS最优组合服务限定范围的方法 | |
CN115994176B (zh) | 一种基于大数据和人工智能的碳排放分析及报告生成方法 | |
CN115136438A (zh) | 分布资源管理装置和分布资源管理方法 | |
Zhu et al. | One universal method of complex system reliability, maintainability, supportability, testability quotas design and trade‐off based on improved flower pollination algorithm | |
CN116054286A (zh) | 一种考虑多元弹性资源的居民台区容量优化配置方法 | |
Rahman et al. | On efficient operation of a V2G-enabled virtual power plant: when solar power meets bidirectional electric vehicle charging | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
Niu et al. | A framework for quantifying the value of information to mitigate risk in the optimal design of distributed energy systems under uncertainty | |
CN116894568B (zh) | 一种充电桩的碳排放综合管理预测方法及存储介质 | |
Tang et al. | Stochastic dynamic pricing: Utilizing demand response in an adaptive manner | |
Wang et al. | A stochastic rolling horizon-based approach for power generation expansion planning | |
Upadhya et al. | A Dispatch Optimization Model for Hybrid Renewable and Battery Systems Incorporating a Battery Degradation Model | |
Liang et al. | A risk assessment method of the energy supply chain based on combination weights and Technique for Order Preference by Similarity to an Ideal Solution | |
Kalboussi et al. | Deferred Supplier Energy Amount Prediction Using Neural Network based on Switching Strategy for Resilient Smart Grid |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230725 Address after: Room 07, Room 2801, No. 246, 248, 250, Wushan Road, Tianhe District, Guangzhou, Guangdong 510000 Applicant after: Guangzhou greenstone Carbon Technology Co.,Ltd. Address before: 528000 Intelligent Manufacturing Research Institute, block 2, Jiuding international financial center, Chancheng District, Foshan City, Guangdong Province Applicant before: FOSHAN LONGSHENG GUANGQI TECHNOLOGY CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |