CN115994628B - 基于大数据的能源管理方法和装置 - Google Patents
基于大数据的能源管理方法和装置 Download PDFInfo
- Publication number
- CN115994628B CN115994628B CN202310286081.5A CN202310286081A CN115994628B CN 115994628 B CN115994628 B CN 115994628B CN 202310286081 A CN202310286081 A CN 202310286081A CN 115994628 B CN115994628 B CN 115994628B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- principal component
- target
- matrix
- vector
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于大数据的能源管理方法和装置,收集目标组织及其各部门在历史碳排放监测周期内的历史碳排放量数据;为目标组织设定当前碳排放监测周期内的目标碳排放量;利用主成分分析的方式和注意力机制分别为各部门分配在当前碳排放监测周期内的碳排放量份额,采集各部门的有功碳排放量和无功碳排放量对应的历史比例数据;通过历史比例数据预测得到有功碳排放量和无功碳排放量的预测比例;根据碳排放量份额和预测比例进行计算,预测当前碳排放监测周期内各部门的有功碳排放量数据和无功碳排放量数据。通过本申请的技术方案,提供了一种能够准确、科学预测碳排放量的方法。
Description
技术领域
本申请一般地涉及环保监测技术领域,尤其涉及一种基于大数据的能源管理方法和装置。
背景技术
二氧化碳等温室气体的排放导致全球气候变暖已经成为当前人类面临的一个挑战性问题。为了应对全球变暖的趋势,全球各个国家也在不断地努力中。2009年召开的全球气候变化峰会上,各个国家都做出了节能减排的承诺。
为了实现节能减排,各级地方政府和相关企业等单位需要设定碳减排目标并实施相应的碳减排措施以实现碳减排目标。然而,现有的碳减排目标设定过程中往往是人为地盲目设定碳减排目标和分配碳减排任务而不能科学准确地设定碳减排目标和分配碳减排任务,导致无法完成所设定的碳减排目标。
在某些场景中,需要对碳排放数据进行预测,因此亟需一种能够准确、科学预测碳排放量的方法。
发明内容
为了解决现有技术中的上述技术问题,本申请提供了一种基于大数据的能源管理方法和装置,以期科学准确地预测碳排放量。
根据本申请的第一方面,提供了一种基于大数据的能源管理方法,应用于包括多个部门的目标组织,包括:收集所述目标组织及其各部门在历史碳排放监测周期内的历史碳排放量数据,其中所述历史碳排放监测周期为当前碳排放监测周期之前的一个或多个碳排放监测周期;根据所述目标组织的所述历史碳排放量数据,为所述目标组织设定所述当前碳排放监测周期内的目标碳排放量;对所述目标组织及其各部门的所述历史碳排放量数据进行主成分分析,以计算所述目标组织及其各部门的主成分向量;根据所述目标碳排放量以及所述目标组织及其各部门的所述主成分向量,利用注意力机制分别为所述各部门分配在当前碳排放监测周期内的碳排放量份额;采集各部门的有功碳排放量和无功碳排放量对应的历史比例数据;将所述历史比例数据输入预训练的神经网络模型中,以输出各部门当前碳排放监测周期的有功碳排放量和无功碳排放量的预测比例;根据各部门分配在当前碳排放监测周期内的碳排放量份额和所述预测比例进行计算,预测当前碳排放监测周期内各部门的有功碳排放量数据和无功碳排放量数据。
在一个实施例中,所述根据所述目标碳排放量以及所述目标组织及其各部门的所述主成分向量,利用注意力机制分别为所述各部门分配在当前碳排放监测周期内的碳排放量份额包括:根据所述目标碳排放量和所述目标组织的所述主成分向量计算所述目标组织的目标碳排放向量;根据所述各部门的所述主成分向量,构建主成分基础矩阵,其中所述主成分基础矩阵中的每个元素对应于每个部门的主成分向量;根据所述目标碳排放向量和所述主成分基础矩阵,利用注意力机制计算主成分权重矩阵,其中所述主成分权重矩阵中的每个元素对应于每个部门的碳排放量分配权重;根据所述目标碳排放量和所述主成分权重矩阵分别为所述各部门分配所述碳排放量份额。
在一个实施例中,所述根据所述目标碳排放向量和所述主成分基础矩阵,利用注意力机制计算主成分权重矩阵包括:计算所述主成分基础矩阵中各元素的注意力评分值,以构建注意力评分矩阵;对所述注意力评分矩阵中各元素进行归一化处理以获得每个元素的归一化权重;根据每个元素的归一化权重构建所述主成分权重矩阵。
在一个实施例中,所述计算所述主成分基础矩阵中各元素的注意力评分值,以构建注意力评分矩阵包括:通过预设的注意力评分模型依次计算所述主成分基础矩阵中每个元素与其他所有元素之间的基础注意力评分值;计算所述主成分基础矩阵中每个元素对应的所有基础注意力评分值的平均值;根据所述目标碳排放向量计算各平均值对应的权重值;对每个元素所对应的基础注意力评分值的平均值和权重值进行加权求和,并将所述加权求和结果作为所述元素的注意力评分值;根据所述主成分基础矩阵中所有元素的注意力评分值,构建所述注意力评分矩阵。
在一个实施例中,所述注意力评分模型是点积模型,所述点积模型满足以下关系式:
其中,ki为所述主成分基础矩阵k中第i个元素,kj为所述主成分基础矩阵k中第j个元素,S(ki,kj)为所述基础注意力评分值。
在一个实施例中,所述主成分基础矩阵中每个元素对应的平均值对应的权重值是通过余弦相似度算法计算所述元素的主成分向量与所述目标碳排放向量之间的相似度获得。
在一个实施例中,所述对所述注意力评分矩阵中的各元素进行归一化处理以获得每个元素的归一化权重包括:使用归一化指数函数Softmax对所述注意力评分矩阵中的各注意力评分值进行归一化处理,以获得每个元素的归一化权重。
在一个实施例中,所述对所述目标组织及其各部门的所述历史碳排放量数据进行主成分分析,以计算所述目标组织及其各部门的主成分向量包括:针对所述目标组织及其各部门中的每个对象,将所述对象的历史碳排放量数据表示为二维空间中的数据点;根据各数据点的坐标将各数据点表示为矩阵,计算所述矩阵中每一行数值的均值,并将每一行数值减去所述行的均值以得到中心化数据矩阵;计算所述中心化数据矩阵的协方差矩阵;计算所述协方差矩阵的特征值及对应的特征向量,并将较大特征值对应的特征向量作为所述对象的主成分向量。
在一个实施例中,所述根据所述目标碳排放量和所述目标组织的所述主成分向量计算所述目标组织的目标碳排放向量包括:根据所述目标碳排放量和所述目标组织的所述历史碳排放量数据,计算碳排放量减排向量;响应于所述目标组织的所述主成分向量的下降速度大于或等于所述碳排放减排向量,将所述目标组织的所述主成分向量作为所述目标碳排放向量;或者响应于所述目标组织的所述主成分向量的下降速度小于所述碳排放减排向量,计算所述碳排放量减排向量和所述目标组织的所述主成分向量的向量差;将所述向量差作为所述目标碳排放向量。
根据本申请的第二方面,提供了一种基于大数据的能源管理装置,包括存储器和处理器,所述存储器上存储有计算机可执行指令,所述计算机可执行指令在被所述处理器执行时,实现根据本申请的第一方面所述的基于大数据的能源管理方法。
本申请的技术方案具有以下有益技术效果:
本申请的技术方案根据目标组织及其各部门的历史碳排放量数据,综合运用主成分分析法和注意力机制为所述目标组织设定碳减排目标并为所述各部门分配碳减排份额,然后根据历史数据中的有功碳排放量和无功碳排放量之间的比例关系预测了各部门在当前排放监测周期内各部门的有功碳排放量数据和无功碳排放量数据,从而实现了对各部门碳排放量情况的准确量化计算,有效预测了各部门中的能源消耗情况,能够科学准确地为各部门采取节能减排措施提供科学指导。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的基于大数据的能源管理方法的流程图;
图2是根据本申请实施例的主成分向量的示意图;
图3是根据本申请实施例的利用注意力机制分配碳排放量份额的流程图;
图4是根据本申请实施例的计算目标碳排放向量的示意图;
图5是根据本申请实施例的基于大数据的能源管理装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面,本申请提供了一种基于大数据的能源管理方法。所述能源管理方法可以应用于包括多个部门的目标组织,例如数字化工厂、医院和建筑等,所述能源管理方法也可以应用于以国家为单位计算各省市具体的减排任务等场景。下面以所述目标组织为医院作为一个实例进行描述,其中所述医院包括内科、外科、麻醉医学科、医学影像科等多个部门。
图1是根据本申请实施例的基于大数据的能源管理方法的流程图。如图1所示,所述能源管理方法包括步骤S101至步骤S104,下面具体说明。
S101,收集所述目标组织及其各部门在历史碳排放监测周期内的历史碳排放量数据,其中所述历史碳排放监测周期为当前碳排放监测周期之前的一个或多个碳排放监测周期。
具体而言,可以通过碳排放管理系统收集所述目标组织及其各部门的历史碳排放量数据。所述碳排放监测周期可以以年为单位,在这种情况下,所述当前碳排放监测周期为当年,所述历史碳排放监测周期为当年之前的一年或几年,例如去年。在上述实例中,通过医院的碳排放管理系统收集该医院各科室去年每日的碳排放量数据以及医院去年每日的碳排放量数据,并计算该医院去年的总碳排放量,例如为100吨。
S102,根据所述目标组织的所述历史碳排放量数据,为所述目标组织设定所述当前碳排放监测周期内的目标碳排放量。
在收集所述目标组织的历史碳排放量数据之后,可以根据所述历史碳排放量数据为所述目标组织设定所述当前碳排放监测周期内的目标碳排放量。作为示例,在上述实例中,根据该医院去年的总碳排放量,设定该医院的目标碳排放量为80吨。
S103,对所述目标组织及其各部门的所述历史碳排放量数据进行主成分分析,以计算所述目标组织及其各部门的主成分向量。
主成分分析(PrincipalComponentAnalysis,PCA)是一种多变量统计方法,它是最常用的降维方法之一,通过正交变换将一组可能存在相关性的变量数据,转换为一组线性不相关的变量,转换后的变量被称为主成分。
具体而言,所述对所述目标组织及其各部门的所述历史碳排放量数据进行主成分分析,以计算所述目标组织及其各部门的主成分向量包括:针对所述目标组织及其各部门中的每个对象,将所述对象的历史碳排放量数据表示为二维空间中的数据点;根据各数据点的坐标将各数据点表示为矩阵,计算所述矩阵中每一行数值的均值,并将每一行数值减去所述行的均值以得到中心化数据矩阵;计算所述中心化数据矩阵的协方差矩阵;计算所述协方差矩阵的特征值及对应的特征向量,并将较大特征值对应的特征向量作为所述对象的主成分向量。
在上述实例中,由于计算医院及其各科室的主成分向量的过程类似,因此以其中一个科室如内科为例,将内科科室的每日碳排放量数据按照横坐标为时间,纵坐标为碳排放量表示为二维空间中的数据点,同时能够根据各数据点的坐标将各数据点表示为2行M列的矩阵形式,M表示共有M个数据点。然后,利用主成分分析法获取所述数据矩阵的主成分向量,所述主成分向量为数据点主要特征分布的方向向量,主要过程为:第一步:在2行M列的数据矩阵中,计算每一行M个数值的均值,并将每一行中M个数值减去该行的均值以获取中心化数据矩阵X,所述中心化数据矩阵X同样为2行M列;
第二步:计算协方差矩阵C,所述协方差矩阵C的计算公式如下:
其中,X为所述中心化数据矩阵,为所述中心化数据矩阵的转置矩阵,所述协方差矩阵C为2行N列的方阵;
第三步:计算协方差矩阵C的特征值及对应的特征向量,所述特征向量即为所述主成分向量,共可以得到2个主成分向量,本方案中将较大特征值对应的特征向量作为内科科室碳排放量数据的主成分向量。
示例性的,图2是根据本申请实施例的主成分向量的示意图。
至此,可获得各科室的主成分向量和医院的总碳排放量数据的主成分向量。
S104,根据所述目标碳排放量以及所述目标组织及其各部门的所述主成分向量,利用注意力机制分别为所述各部门分配在当前碳排放监测周期内的碳排放量份额。
神经网络中的注意力机制(Attention Mechanism)是在计算能力有限的情况下,将计算资源分配给更重要的任务,同时解决信息超载问题的一种资源分配方案。在神经网络学习中,一般而言模型的参数越多则模型的表达能力越强,模型所存储的信息量也越大,但这会带来信息过载的问题。那么通过引入注意力机制,在众多的输入信息中聚焦于对当前任务更为关键的信息,降低对其他信息的关注度,甚至过滤掉无关信息,就可以解决信息过载问题,并提高任务处理的效率和准确性。
S105,采集各部门的有功碳排放量和无功碳排放量对应的历史比例数据。在一些实施例中,各部门的有功碳排放量和无功碳排放量对应的历史比例数据可以通过单独采集的方式获取,也可以从上述历史碳排放量数据提取。例如可以通过分析每个部门的电网供电内容和形式,实现有功功率和无功功率计算,从而得到对应的有功碳排放量和无功碳排放量。
S106,将历史比例数据输入预训练的神经网络模型中,以输出各部门当前碳排放监测周期的有功碳排放量和无功碳排放量的预测比例。在一些实施例中,可以将各部门的历史碳排放量数据中有功碳排放量和无功碳排放量的占比作为训练集,对神经网络模型进行训练,从而可以利用训练好的模型预测当前或下一碳排放监测周期内的有功碳排放量和无功碳排放量占比。
S107,根据各部门分配在当前碳排放监测周期内的碳排放量份额和所述预测比例进行计算,预测当前碳排放监测周期内各部门的有功碳排放量数据和无功碳排放量数据。在一些实施例中,可以根据预测比例对各部门的有功碳排放量数据和无功碳排放量数据进行量化计算,从而得到各部门的碳排放量情况。通过这种量化各部门中具体的碳排放量情况的方式,实现了对各部门碳排放量情况准确、可靠地量化计算,从而对各部门所要实施的节能减排措施提供科学有效的指导。
图3是根据本申请实施例的利用注意力机制分配碳排放量份额的流程图。如图3所示,所述根据所述目标碳排放量以及所述目标组织及其各部门的所述主成分向量,利用注意力机制分别为所述各部门分配在当前碳排放监测周期内的碳排放量份额包括步骤S1041至步骤S1045,具体说明如下。
S1041,根据所述目标碳排放量和所述目标组织的所述主成分向量计算所述目标组织的目标碳排放向量。
具体而言,所述根据所述目标碳排放量和所述目标组织的所述主成分向量计算所述目标组织的目标碳排放向量包括:根据所述目标碳排放量和所述目标组织的所述历史碳排放量数据,计算碳排放量减排向量;响应于所述目标组织的所述主成分向量的下降速度大于或等于所述碳排放减排向量,将所述目标组织的所述主成分向量作为所述目标碳排放向量;或者响应于所述目标组织的所述主成分向量的下降速度小于所述碳排放减排向量,计算所述碳排放量减排向量和所述目标组织的所述主成分向量的向量差;将所述向量差作为所述目标碳排放向量。
在上述实例中,根据医院今年设定的目标碳排放量和上述计算获得的医院碳排放量的主成分向量计算医院的目标碳排放向量。图4是根据本申请实施例的计算目标碳排放向量的示意图。如图4所示,B表示去年碳排放量到今年目标碳排放量的下降方程所在的碳排放减排向量,A为医院的总碳排放量数据的主成分向量。
在计算出所述碳排放减排向量和医院的总碳排放量数据的主成分向量后,可对二者进行比较,若所述医院总碳排放量的主成分向量的下降速度小于所述碳排放减排向量,则说明当前医院的碳排放量的减排速度低于预期速度,需按照计算出的目标碳排放向量的方向前进,若不小于,则可按照当前医院总碳排放量的主成分向量的方向前进,此时所述目标碳排放向量即为所述医院总碳排放量的主成分向量。由图4可知当前A向量的下降速度低于B向量,因此通过B向量与A向量相减即可计算出二者之间的向量差C,本方案中将计算出的向量差C作为医院的目标碳排放向量,即若要满足目标碳排放量的要求,当前医院的碳排放量需要按照所述目标碳排放量的方向前进。
S1042,根据所述各部门的所述主成分向量,构建主成分基础矩阵,其中所述主成分基础矩阵中的每个元素对应于每个部门的主成分向量。
具体而言,将所述各部门的所述主成分向量构建为主成分基础矩阵。在上述实例中,将所有科室的主成分向量构建为主成分基础矩阵,矩阵中的每一个元素代表一个科室的主成分向量。
S1043,根据所述目标碳排放向量和所述主成分基础矩阵,利用注意力机制计算主成分权重矩阵,其中所述主成分权重矩阵中的每个元素对应于每个部门的碳排放量分配权重。
具体而言,所述根据所述目标碳排放向量和所述主成分基础矩阵,利用注意力机制计算主成分权重矩阵包括:计算所述主成分基础矩阵中各元素的注意力评分值,以构建注意力评分矩阵;对所述注意力评分矩阵中各元素进行归一化处理以获得每个元素的归一化权重;根据每个元素的归一化权重构建所述主成分权重矩阵。
进一步地,所述计算所述主成分基础矩阵中各元素的注意力评分值,以构建注意力评分矩阵包括:通过预设的注意力评分模型依次计算所述主成分基础矩阵中每个元素与其他所有元素之间的基础注意力评分值;计算所述主成分基础矩阵中每个元素对应的所有基础注意力评分值的平均值;根据所述目标碳排放向量计算各平均值对应的权重值;对每个元素所对应的基础注意力评分值的平均值和权重值进行加权求和,并将所述加权求和结果作为所述元素的注意力评分值;根据所述主成分基础矩阵中所有元素的注意力评分值,构建所述注意力评分矩阵。
作为示例,所述注意力评分模型可以是点积模型,所述点积模型满足以下关系式:
其中,ki为所述主成分基础矩阵k中第i个元素,kj为所述主成分基础矩阵k中第j个元素,S(ki,kj)为所述基础注意力评分值。
本申请中需要依次计算所述主成分基础矩阵中每一个元素与其他所有元素之间的基础注意力评分值,并计算第i个元素对应的所有基础注意力评分值的平均值,最终计算出所述主成分基础矩阵k中每一个元素的基础注意力评分值的平均值。
针对获得的每个元素对应的基础注意力评分值的平均值,可根据所述目标碳排放向量计算各平均值的权重值。作为示例,所述权重值可以通过余弦相似度算法计算当前元素的主成分向量与所述目标碳排放向量之间的相似度获得。当然,也可以使用其他算法计算所述权重值,本申请对此不作特别限定。
最终对每个元素所对应的基础注意力评分值的平均值和权重值进行加权求和,并将加权求和结果作为该元素的注意力评分值,从而获得所述主成分基础矩阵中各元素的注意力评分值,本申请中将由这些注意力评分值组成的矩阵作为注意力评分矩阵。
作为示例,可以通过归一化指数函数Softmax对所述注意力评分矩阵中的各注意力评分值进行归一化处理,从而获得所述注意力评分矩阵中每个元素的归一化权重,并将所有具有归一化权重的元素组成的矩阵作为主成分权重矩阵,即此时可获取到每一个科室的主成分向量所对应的权重。
S1044,根据所述目标碳排放量和所述主成分权重矩阵分别为所述各部门分配所述碳排放量份额。
具体而言,根据所述目标碳排放量和所述主成分权重矩阵中的各权重分别为各部门分配碳排放量份额。
在上述实例中,可以根据医院今年需要减排的碳排放量进行分配,比如减少的20吨碳排放量具体应该分配到哪些科室去落实,也可以根据今年的目标碳排放量进行分配,比如目标碳排放量80吨应该按上述权重分配给对应的科室去实际落实目标指标。
以上通过具体实施例和实例描述了本申请的基于大数据的能源管理方法的技术原理和必要实施细节。通过本申请提供的技术方案,根据目标组织及其各部门的历史碳排放量数据,综合运用主成分分析法和注意力机制为所述目标组织设定碳减排目标并为所述各部门分配碳减排份额,并通过对有功碳排放量和无功碳排放量的比例的计算,实现了对各部门有功碳排放量数据和无功碳排放量数据地准确量化计算,能够科学准确地预测有功和无功碳排放量,为后续各部门的节能减排措施提供指导。
根据本申请的第二方面,本申请还提供了一种基于大数据的能源管理装置。
图5是根据本申请实施例的基于大数据的能源管理装置的结构框图。如图5所示,所述能源管理装置50包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的基于大数据的能源管理方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(HybridMemory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
根据本说明书的上述描述,本领域技术人员还可以理解如下使用的术语,例如“上”、“下”等指示方位或位置关系的术语是基于本说明书的附图所示的方位或位置关系的,其仅是为了便于阐述本申请的方案和简化描述的目的,而不是明示或暗示所涉及的装置或元件必须要具有所述特定的方位、以特定的方位来构造和进行操作,因此上述的方位或位置关系术语不能被理解或解释为对本申请方案的限制。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于大数据的能源管理方法,应用于包括多个部门的目标组织,其特征在于,包括:
收集所述目标组织及其各部门在历史碳排放监测周期内的历史碳排放量数据,其中所述历史碳排放监测周期为当前碳排放监测周期之前的一个或多个碳排放监测周期;
根据所述目标组织的所述历史碳排放量数据,为所述目标组织设定所述当前碳排放监测周期内的目标碳排放量;
对所述目标组织及其各部门的所述历史碳排放量数据进行主成分分析,以计算所述目标组织及其各部门的主成分向量,其中针对所述目标组织及其各部门中的每个对象,将所述对象的历史碳排放量数据表示为二维空间中的数据点;根据各数据点的坐标将各数据点表示为矩阵,其中,每个对象对应一个矩阵,该矩阵为2行M列的形式,第1行为碳排放量,第2行为碳排放量对应的时间;计算所述矩阵中每一行数值的均值,并将每一行数值减去所述行的均值以得到中心化数据矩阵;计算所述中心化数据矩阵的协方差矩阵;计算所述协方差矩阵的特征值及对应的特征向量,并将最大特征值对应的特征向量作为所述对象的主成分向量;
根据所述目标碳排放量以及所述目标组织及其各部门的所述主成分向量,利用注意力机制分别为所述各部门分配在当前碳排放监测周期内的碳排放量份额,其中根据所述目标碳排放量和所述目标组织的所述主成分向量计算所述目标组织的目标碳排放向量;
根据所述各部门的所述主成分向量,构建主成分基础矩阵,其中所述主成分基础矩阵中的每个元素对应于每个部门的主成分向量;
根据所述目标碳排放向量和所述主成分基础矩阵,利用注意力机制计算主成分权重矩阵,其中通过预设的注意力评分模型依次计算所述主成分基础矩阵中每个元素与其他所有元素之间的基础注意力评分值,所述注意力评分模型是点积模型,点积模型满足以下关系式:
其中,ki为所述主成分基础矩阵k中第i个元素,kj为所述主成分基础矩阵k中第j个元素,s(ki,kj)为所述基础注意力评分值;计算所述主成分基础矩阵中每个元素对应的所有基础注意力评分值的平均值;根据所述目标碳排放向量计算各平均值对应的权重值;对每个元素所对应的基础注意力评分值的平均值和权重值进行加权求和,并将所述加权求和结果作为所述元素的注意力评分值;根据所述主成分基础矩阵中所有元素的注意力评分值,构建注意力评分矩阵;对所述注意力评分矩阵中各元素进行归一化处理以获得每个元素的归一化权重;根据每个元素的归一化权重构建所述主成分权重矩阵;所述主成分权重矩阵中的每个元素对应于每个部门的碳排放量分配权重;
根据所述目标碳排放量和所述主成分权重矩阵分别为所述各部门分配所述碳排放量份额;
采集各部门的有功碳排放量和无功碳排放量对应的历史比例数据;
将所述历史比例数据输入预训练的神经网络模型中,以输出各部门当前碳排放监测周期的有功碳排放量和无功碳排放量的预测比例;
根据各部门分配在当前碳排放监测周期内的碳排放量份额和所述预测比例进行计算,预测得到当前碳排放监测周期内各部门的有功碳排放量数据和无功碳排放量数据。
2.根据权利要求1所述的基于大数据的能源管理方法,其特征在于,所述主成分基础矩阵中每个元素对应的平均值对应的权重值是通过余弦相似度算法计算所述元素的主成分向量与所述目标碳排放向量之间的相似度获得。
3.根据权利要求1所述的基于大数据的能源管理方法,其特征在于,所述对所述注意力评分矩阵中的各元素进行归一化处理以获得每个元素的归一化权重包括:使用归一化指数函数Softmax对所述注意力评分矩阵中的各注意力评分值进行归一化处理,以获得每个元素的归一化权重。
4.根据权利要求1所述的基于大数据的能源管理方法,其特征在于,所述根据所述目标碳排放量和所述目标组织的所述主成分向量计算所述目标组织的目标碳排放向量包括:
根据所述目标碳排放量和所述目标组织的所述历史碳排放量数据,计算碳排放量减排向量;
响应于所述目标组织的所述主成分向量的下降速度大于或等于所述碳排放减排向量,将所述目标组织的所述主成分向量作为所述目标碳排放向量;或者
响应于所述目标组织的所述主成分向量的下降速度小于所述碳排放减排向量,计算所述碳排放量减排向量和所述目标组织的所述主成分向量的向量差;
将所述向量差作为所述目标碳排放向量。
5.一种基于大数据的能源管理装置,包括存储器和处理器,所述存储器上存储有计算机可执行指令,其特征在于,所述计算机可执行指令在被所述处理器执行时,实现根据权利要求1至4中任一项所述的基于大数据的能源管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286081.5A CN115994628B (zh) | 2023-03-23 | 2023-03-23 | 基于大数据的能源管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286081.5A CN115994628B (zh) | 2023-03-23 | 2023-03-23 | 基于大数据的能源管理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994628A CN115994628A (zh) | 2023-04-21 |
CN115994628B true CN115994628B (zh) | 2023-07-18 |
Family
ID=85995235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310286081.5A Active CN115994628B (zh) | 2023-03-23 | 2023-03-23 | 基于大数据的能源管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994628B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217418B (zh) * | 2023-11-07 | 2024-02-09 | 中电山河数字科技(南通)有限公司 | 一种碳排放监测的移动边缘计算系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006095748A1 (ja) * | 2005-03-07 | 2006-09-14 | Intellectual Property Bank Corp. | 株式ポートフォリオ選択装置、株式ポートフォリオ選択方法及び株式ポートフォリオ選択プログラム |
CN102012985A (zh) * | 2010-11-19 | 2011-04-13 | 国网电力科学研究院 | 一种基于数据挖掘的敏感数据动态识别方法 |
CN109874053A (zh) * | 2019-02-21 | 2019-06-11 | 南京航空航天大学 | 基于视频内容理解和用户动态兴趣的短视频推荐方法 |
US10572885B1 (en) * | 2018-10-25 | 2020-02-25 | Beijing Trusfort Technology Co., Ltd. | Training method, apparatus for loan fraud detection model and computer device |
CN110956497A (zh) * | 2019-11-27 | 2020-04-03 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
CN114022179A (zh) * | 2021-09-28 | 2022-02-08 | 南京云创大数据科技股份有限公司 | 一种结合网络舆情和相依性的股票价格预测方法 |
CN115115088A (zh) * | 2022-05-17 | 2022-09-27 | 国网上海市电力公司 | 商业楼宇碳排放量动态监测预警方法、系统、终端及介质 |
-
2023
- 2023-03-23 CN CN202310286081.5A patent/CN115994628B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006095748A1 (ja) * | 2005-03-07 | 2006-09-14 | Intellectual Property Bank Corp. | 株式ポートフォリオ選択装置、株式ポートフォリオ選択方法及び株式ポートフォリオ選択プログラム |
CN102012985A (zh) * | 2010-11-19 | 2011-04-13 | 国网电力科学研究院 | 一种基于数据挖掘的敏感数据动态识别方法 |
US10572885B1 (en) * | 2018-10-25 | 2020-02-25 | Beijing Trusfort Technology Co., Ltd. | Training method, apparatus for loan fraud detection model and computer device |
CN109874053A (zh) * | 2019-02-21 | 2019-06-11 | 南京航空航天大学 | 基于视频内容理解和用户动态兴趣的短视频推荐方法 |
CN110956497A (zh) * | 2019-11-27 | 2020-04-03 | 桂林电子科技大学 | 一种电子商务平台用户重复购买行为预测方法 |
CN114022179A (zh) * | 2021-09-28 | 2022-02-08 | 南京云创大数据科技股份有限公司 | 一种结合网络舆情和相依性的股票价格预测方法 |
CN115115088A (zh) * | 2022-05-17 | 2022-09-27 | 国网上海市电力公司 | 商业楼宇碳排放量动态监测预警方法、系统、终端及介质 |
Non-Patent Citations (1)
Title |
---|
基于Logistic模型的中国各省碳排放预测;杜强;陈乔;杨锐;;长江流域资源与环境(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115994628A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A generalized pattern matching approach for multi-step prediction of crude oil price | |
CN109636010B (zh) | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 | |
CN115994628B (zh) | 基于大数据的能源管理方法和装置 | |
CN107862416B (zh) | 一种基于盒子不确定集的应急物资储备库选址优化方法 | |
CN113393028B (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
Belbin | A multivariate approach to the selection of biological reserves | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
De Luca et al. | Value-at-Risk dynamics: a copula-VAR approach | |
Xiao et al. | Prediction of house price based on RBF neural network algorithms of principal component analysis | |
Nermend et al. | Decision making methods in comparative studies of complex economic processes management | |
CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
Sulkava et al. | Clustering of the self-organizing map reveals profiles of farm profitability and upscaling weights | |
Zhang et al. | Cross-market infection research on stock herding behavior based on DGC-MSV models and Bayesian network | |
CN113538239A (zh) | 一种基于时空自回归神经网络模型的插值方法 | |
CN114638405A (zh) | 能源需求预测方法、装置及计算机设备 | |
Shifei et al. | A clustering algorithm based on information visualization | |
CN115188055A (zh) | 一种针对nnie神经网络加速器的轻量级表情识别方法 | |
RU80604U1 (ru) | Автоматизированная система распределения ресурсов для оптимального решения целевых задач | |
Kang et al. | Urban management image classification approach based on deep learning | |
CN111598296A (zh) | 电力负载预测方法、装置、计算机设备和存储介质 | |
CN106960213A (zh) | 一种基于大数据分析的消防安全重点单位等级排序系统 | |
Chen et al. | Fuzzy theory-based data placement for scientific workflows in hybrid cloud environments | |
Best | Extensions to the Kruskal-Wallis test and a generalised median test with extensions | |
Xie et al. | Insurance Risk Assessment Model based on Game Theory-Combined Weighting-TOPSIS |
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 |