CN116090708B - 一种可视化的碳排放量管理方法及系统 - Google Patents
一种可视化的碳排放量管理方法及系统 Download PDFInfo
- Publication number
- CN116090708B CN116090708B CN202310358186.7A CN202310358186A CN116090708B CN 116090708 B CN116090708 B CN 116090708B CN 202310358186 A CN202310358186 A CN 202310358186A CN 116090708 B CN116090708 B CN 116090708B
- Authority
- CN
- China
- Prior art keywords
- management
- carbon
- sample
- display
- information
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 443
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 443
- 238000007726 management method Methods 0.000 title claims abstract description 424
- 230000000007 visual effect Effects 0.000 title description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 157
- 238000006073 displacement reaction Methods 0.000 claims abstract description 112
- 238000012360 testing method Methods 0.000 claims description 101
- 238000010276 construction Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 238000011214 deviation management Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2151—Time stamp
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种可视化的碳排放量管理方法及系统,涉及碳排放技术领域,该方法包括:获取待进行碳排放管理的G个管理主体的碳排放配额,获得G个碳配额;构建碳排放管理链;按照第一时间周期,获得G个第一显示方案和G个第一管理方案;按照第二时间周期,获得G个实测碳排量信息;获得G个可信度系数;将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,解决了现有技术中存在的由于原始数据可靠性不足,进而导致碳排放量管理准确度和管理效果不佳的技术问题,达到有效提升碳排放量显示管理效果和准确度的技术效果。
Description
技术领域
本公开涉及碳排放技术领域,具体涉及一种可视化的碳排放量管理方法及系统。
背景技术
碳排放是关于温室气体排放的一个总称,随着工业技术的发展,全球变暖已经成为不可忽视的问题,因此,碳排放管理的应用,对于实现碳中和具有重要的现实意义。由于检测资源有限,传统上的碳排放检测管理方法是由被监管方进行碳排放数据的人工填报,并辅以碳排放的实地检测计算,会出现难以识别数据是否可信,进而影响碳排放管理的准确性,对于节能减排的意义不大。
目前,现有技术中存在由于原始数据可靠性不足,进而导致碳排放量管理准确度和管理效果不佳的技术问题。
发明内容
本公开提供了一种可视化的碳排放量管理方法及系统,用以解决现有技术中存在的由于原始数据可靠性不足,进而导致碳排放量管理准确度和管理效果不佳的技术问题。
根据本公开的第一方面,提供了一种可视化的碳排放量管理方法,包括:获取待进行碳排放管理的G个管理主体的碳排放配额,获得G个碳配额,G为大于1的整数;在所述G个管理主体内,基于区块链技术,构建碳排放管理链,所述碳排放管理链内包括所述G个管理主体内的G个主体节点;按照第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息,并结合所述G个碳配额输入第一管理分析模型内,获得G个第一显示方案和G个第一管理方案,对所述G个管理主体进行显示和管理;按照第二时间周期,对所述G个管理主体进行碳排放量检测,获得所述预设时间范围内的G个实测碳排量信息,并上传至所述碳排放管理链内;计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数,将所述G个偏差参数输入第二管理分析模型内的偏差管理分析模块内,获得G个可信度系数;将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,对所述G个管理主体进行显示和管理。
根据本公开的第二方面,提供了一种可视化的碳排放量管理系统,包括:碳排放配额获取模块,所述碳排放配额获取模块用于获取待进行碳排放管理的G个管理主体的碳排放配额,获得G个碳配额,G为大于1的整数;碳排放管理链构建模块,所述碳排放管理链构建模块用于在所述G个管理主体内,基于区块链技术,构建碳排放管理链,所述碳排放管理链内包括所述G个管理主体内的G个主体节点;第一管理分析模块,所述第一管理分析模块用于按照第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息,并结合所述G个碳配额输入第一管理分析模型内,获得G个第一显示方案和G个第一管理方案,对所述G个管理主体进行显示和管理;碳排放量检测模块,所述碳排放量检测模块用于按照第二时间周期,对所述G个管理主体进行碳排放量检测,获得所述预设时间范围内的G个实测碳排量信息,并上传至所述碳排放管理链内;偏差分析模块,所述偏差分析模块用于计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数,将所述G个偏差参数输入第二管理分析模型内的偏差管理分析模块内,获得G个可信度系数;第二管理分析模块,所述第二管理分析模块用于将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,对所述G个管理主体进行显示和管理。
根据本公开采用的一种可视化的碳排放量管理方法,本公开分别设置不同的时间周期进行企业碳排放量自检和碳排放量实际检测,分别根据自检碳排量信息和实测碳排量信息获得第一显示管理方案和第二显示管理方案,通过对自检碳排量信息和实测碳排量信息进行比对分析,可以对企业的诚信程度进行显示,达到有效提升碳排放量显示管理效果和准确度的技术效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种可视化的碳排放量管理方法的流程示意图;
图2为本公开实施例中获得G个第一显示方案和G个第一管理方案的流程示意图;
图3为本公开实施例中获得G个第二显示方案和G个第二管理方案的流程示意图;
图4为本公开实施例提供的一种可视化的碳排放量管理系统的结构示意图。
附图标记说明:碳排放配额获取模块11,碳排放管理链构建模块12,第一管理分析模块13,碳排放量检测模块14,偏差分析模块15,第二管理分析模块16。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了解决现有技术中存在由于原始数据可靠性不足,进而导致碳排放量管理准确度和管理效果不佳的技术问题,本公开的发明人经过创造性的劳动,得到了本公开的一种可视化的碳排放量管理方法及系统。
实施例一
图1为本公开实施例提供的一种可视化的碳排放量管理方法图,如图1所示,所述方法包括:
步骤S100:获取待进行碳排放管理的G个管理主体的碳排放配额,获得G个碳配额,G为大于1的整数;
具体而言,G个管理主体是指需要进行碳排放管理的多个企业,例如汽车企业、化工企业等,碳排放配额是指对企业在生产经营过程中排放二氧化碳等温室气体的限额,该碳排放配额由监管方根据企业的情况进行设定,比如1吨碳排放配额,G个管理主体对应有G个碳配额,G个碳配额可能部分相同或全部不同。
步骤S200:在所述G个管理主体内,基于区块链技术,构建碳排放管理链,所述碳排放管理链内包括所述G个管理主体内的G个主体节点;
其中,本公开实施例步骤S200还包括:
步骤S210:在所述G个管理主体内,构建所述G个主体节点;
步骤S220:获取所述G个管理主体基于所述第一时间周期获取的多个自测碳排量信息;
步骤S230:获取基于所述第二时间周期,对所述G个管理主体进行碳排放量检测获得的多个实测碳排量信息;
步骤S240:对所述多个自测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第一数据区块;
步骤S250:对所述多个实测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第二数据区块;
步骤S260:按照所述多个第一数据区块和所述第二数据区块的时间顺序,通过所述G个主体节点进行上传,构建所述碳排放管理链。
具体而言,在G个管理主体内,构建G个主体节点,G个主体节点是G个管理主体内的一个服务器,一个企业所有运行的碳排量信息存储于该服务器里,比如各个企业的计算机终端。第一时间周期是企业自行检测自己的碳排放量的时间周期,获取G个管理主体基于第一时间周期检测计算获取的多个自测碳排量信息;第二时间周期是碳排监测部门对企业进行碳排放量检测的时间周期,第二时间周期优选大于第一时间周期,也可以与第一时间周期相同。获取基于第二时间周期,碳排监测部门对G个管理主体进行碳排放量检测计算获得的多个实测碳排量信息,碳排放量检测计算的方法可为现有技术中任意的碳排放量检测计算方法。对多个自测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第一数据区块;对多个实测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第二数据区块。
对多个自测碳排量信息进行哈希算法处理,哈希算法用于将任意长度的二进制值映射为较短的固定长度的二进制值,这个小的二进制值称为哈希值,哈希值是一段数据唯一且极其紧凑的数值表示形式,如果散列一段明文而且哪怕只更改该段落的一个字母,随后的哈希都将产生不同的值,要找到散列为同一个值的两个不同的输入,在计算上是不可能的,因此对多个自测碳排量信息和多个实测碳排量信息进行哈希算法处理,每一个自测碳排量信息和实测碳排量信息均会获得一个唯一的哈希值,哈希值可以检验自测碳排量信息和实测碳排量信息的完整性,核实数据是否被篡改。时间戳信息表示在某个特定时间点存在数据,通常是一个字符序列,唯一地标识某一刻的时间,通俗地讲,时间戳是一份完整的可验证的时间数据证明,它能够证明自测碳排量信息和实测碳排量信息存在或发生于哪个时间点。由此,通过G个管理主体节点对区块链上的自测碳排量信息或者实测碳排量信息进行上传,生成多个第一数据区块和第二数据区块时,每一个数据区块都会被打上时间戳,最终依照数据区块生成时间的先后顺序相连成碳排放管理链,碳排放管理链被存储在G个管理主体的服务器里,如果要修改碳排放管理链中的信息,必须征得半数以上节点的同意并修改所有节点中的信息,如此,达到防止碳排放量数据被篡改的效果。
步骤S300:按照第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息,并结合所述G个碳配额输入第一管理分析模型内,获得G个第一显示方案和G个第一管理方案,对所述G个管理主体进行显示和管理;
其中,如图2所示,本公开实施例步骤S300还包括:
步骤S310:基于所述碳排放管理链,获取所述G个管理主体过去时间内的自测碳排量信息,获得G个自测碳排量信息集合;
步骤S320:分别根据所述G个自测碳排量信息集合和所述G个碳配额,进行显示方案和管理方案的制定,获得G个样本第一显示方案集合和G个样本第一管理方案集合;
步骤S330:采用所述G个自测碳排量信息集合、所述G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合,构建所述第一管理分析模型内的G个第一管理分析模块,获得所述第一管理分析模型;
步骤S340:获取并按照所述第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息;
步骤S350:分别将所述G个自测碳排量信息和所述G个碳配额进行组合,并输入所述G个第一管理分析模块,获得所述G个第一显示方案和G个第一管理方案。
其中,本公开实施例步骤S350还包括:
步骤S351:对所述G个自测碳排量信息集合、所述G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合进行数据标注,获得G个第一构建数据集;
步骤S352:基于BP神经网络,构建所述G个第一管理分析模块,所述G个第一管理分析模块的输入数据分别为所述G个管理主体的自测碳排量信息和碳配额,输出数据为第一显示方案和第一管理方案;
步骤S353:采用所述G个第一构建数据集,对所述G个第一管理分析模块进行监督训练、验证和测试,获得符合预设条件的所述G个第一管理分析模块。
具体而言,第一时间周期和预设时间范围相同,例如为1个月,G个管理主体会根据第一时间周期定时对自身的碳排放量进行自检,并通过对应的G个主体节点将自检获得的自测碳排量信息上传至碳排放管理链。根据第一时间周期,采集在第一时间周期内,G个管理主体上传至碳排放管理链内的G个自测碳排量信息,结合G个碳配额输入第一管理分析模型内,获得G个第一显示方案和G个第一管理方案,对G个管理主体进行显示和管理。第一管理分析模型通过对G个自测碳排量信息和G个碳配额进行比对分析,确定自测碳排量是否超过碳配额,根据超过程度获取G个第一显示方案和G个第一管理方案。第一显示方案是对碳排量进行显示的方案,仅显示碳排放量,不进行监督管理,对于自测碳排量没有超过碳排配额的管理主体不进行标记,对于自测碳排量超过碳排配额的管理主体进行碳排放量超标标记显示,且超过程度越高,显示越醒目,例如显示颜色从绿到橙到红越来越深。第一管理方案是对自测碳排量超过碳排配额的管理主体进行惩罚的方案,对于未超过碳排配额的管理主体不进行监督管理,对于超过碳排配额的管理主体进行监督管理,且超过程度越高,管理越严格,包括罚款、限制生产、责令停业整顿等方案。根据实际情况,通过电子屏或者网页等平台按照第一显示方案对碳排放量进行显示,相关监督部门按照第一管理方案中的惩罚手段对企业进行管理。
具体地,基于碳排放管理链,获取G个管理主体过去时间内的自测碳排量信息,获得G个自测碳排量信息集合,G个自测碳排量信息集合中均包含多个自测碳排量信息,G个管理主体对应G个碳配额,需要说明的是,自测碳排量信息是企业自行检测并上传的,因此,其可靠性不足,企业可能存在信息虚报的可能。分别对各个自测碳排量信息集合中的多个自测碳排量信息与对应的碳配额进行比较,判断多个自测碳排量信息是否超出对应的碳配额,获取超出程度,根据超出程度进行显示方案和管理方案的制定,由此获得G个样本第一显示方案集合和G个样本第一管理方案集合,制定的过程可基于碳排放管理领域的技术人员进行制定获取。进而采用G个自测碳排量信息集合、G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合,构建第一管理分析模型内的G个第一管理分析模块,获得第一管理分析模型。也就是说第一管理分析模型内包括G个第一管理分析模块,每个管理主体均对应一个第一管理分析模块。获取第一时间周期,采集G个管理主体在第一时间周期内上传至碳排放管理链内的G个自测碳排量信息,分别将G个自测碳排量信息和G个碳配额进行组合,并输入G个第一管理分析模块,获得G个第一显示方案和G个第一管理方案,针对不同企业的碳排放量和碳排配额进行针对性分析,达到针对化管理的效果。
G个第一管理分析模块的构建过程如下:根据G个自测碳排量信息集合、G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合内的数据的一一对应关系进行数据标注,获得G个第一构建数据集,G个第一构建数据集中均包含多组一一对应的自测碳排量信息、碳配额、样本第一显示方案集合和样本第一管理方案。基于BP神经网络,构建G个第一管理分析模块的网络结构,即一个管理主体对应一个第一管理分析模块,G个第一管理分析模块的输入数据分别为G个管理主体的自测碳排量信息和碳配额,输出数据为第一显示方案和第一管理方案。具体来说,可以将G个管理主体分别对应的第一构建数据集进行数据划分,获得多个训练集、多个验证集、多个测试集,根据多个训练集、多个验证集、多个测试集对G个第一管理分析模块进行监督训练、验证和测试,G个第一管理分析模块为机器学习中的可以不断进行自我迭代训练的BP神经网络模型,多个训练集中的每组数据均包含自测碳排量信息、碳配额,多个验证集中的数据是与多个训练集中的数据一一对应的样本第一显示方案和样本第一管理方案,多个测试集中每一组数据均包括自测碳排量信息、碳配额、样本第一显示方案集合和样本第一管理方案。
进一步地,将多个训练集中的每一组自测碳排量信息、碳配额输入到G个第一管理分析模块,通过多个验证集中与输入数据对应的样本第一显示方案和样本第一管理方案对G个第一管理分析模块的输出进行验证调整,使得输出数据与对应的验证数据一致,利用相同的方法,将多个训练集和多个验证集中的所有数据训练完成,进而利用多个测试集中的数据对G个第一管理分析模块进行准确率测试,获取测试准确率,如果测试准确率满足预设条件,则G个第一管理分析模块构建完成,预设条件即为预期的准确率要求,例如可为85%。
步骤S400:按照第二时间周期,对所述G个管理主体进行碳排放量检测,获得所述预设时间范围内的G个实测碳排量信息,并上传至所述碳排放管理链内;
具体而言,第二时间周期是相关碳排监测部门对于G个管理主体进行实际碳排放量检测的时间周期,此处的预设时间范围与第二时间周期相同,优选地,第二时间周期长于第一时间周期,也可以等于第一时间周期,举例如,第一时间周期为一个月,第二时间周期可以为两个月,就是G个管理主体每隔一个月会自行检测碳排量并将自测碳排量信息上传至碳排放管理链,相关碳排监测部门每两个月会对G个管理主体进行实际碳排放量检测,那么在第一时间周期会有一套显示方案和管理方案,即第一显示方案和第一管理方案,在第二时间周期,则有两套显示方案和管理方案,即第一显示方案和第一管理方案,以及第二显示方案和第二管理方案,第二显示方案和第二管理方案的准确度优于第一显示方案和第一管理方案。由此获得G个实测碳排量信息,并将其上传至碳排放管理链。实测碳排量信息相对于自测碳排量信息来说,其可信度更高。
步骤S500:计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数,将所述G个偏差参数输入第二管理分析模型内的偏差管理分析模块内,获得G个可信度系数;
其中,本公开实施例步骤S500还包括:
步骤S510:基于所述碳排放管理链,计算获取样本偏差参数集合,并划分获得样本偏差参数区间集;
步骤S520:根据所述样本偏差参数区间集内的多个样本偏差参数区间,设置获得多个样本可信度系数;
步骤S530:构建所述多个样本偏差参数区间和所述多个样本可信度系数的索引关系,获得所述偏差管理分析模块;
步骤S540:计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数;
步骤S550:将所述G个偏差参数输入所述偏差管理分析模块,获得落入的G个样本偏差参数区间以及所述G个可信度系数。
具体而言,对G个实测碳排量信息与G个自测碳排量信息进行比较,计算G个实测碳排量信息与G个自测碳排量信息之间存在的偏差,具体为实测碳排量信息与自测碳排量信息的差值与自测碳排量信息的比值,以偏差计算结果作为G个偏差参数,将G个偏差参数输入到第二管理分析模型内的偏差管理分析模块,获得G个可信度系数,可信度系数表示管理主体的实测碳排量超出自测碳排量的程度,超出程度越大,可信度系数越低。第二管理分析模型包括偏差管理分析模块和显示管理分析模块,示例性地,偏差管理分析模块是嵌入第二管理分析模型的中间层,通过偏差管理分析模块获取的可信度系数会与实测碳排量信息、碳配额组合作为显示管理分析模块的输入数据。
具体地,首先基于碳排放管理链,获取过去一段时间内的G个管理主体的多个样本实测碳排量信息和多个样本自测碳排量信息,多个样本实测碳排量信息和多个样本自测碳排量信息具有一一对应关系,计算样本实测碳排量信息与样本自测碳排量信息之间的差值与样本自测碳排量信息的比值,以多个比值组成样本偏差参数集合,并对样本偏差参数集合中的样本偏差参数按照由小到大进行排列,根据排列结果对样本偏差参数集合中进行等距离划分,划分出多个样本偏差参数区间,每个样本偏差参数区间中包含多个样本偏差参数,多个样本偏差参数区间组成样本偏差参数区间集,根据样本偏差参数区间的区间范围,对样本偏差参数区间集内的每一个样本偏差参数区间设置一个样本可信度系数,获得多个样本可信度系数,构建所述多个样本偏差参数区间和所述多个样本可信度系数的索引关系,索引是一种单独的、物理的对数据库表中一列或多列的值进行排序的一种存储结构,它是某个表中一列或若干列值的集合和相应的指向表中物理标识这些值的数据页的逻辑指针清单,通俗地讲,将多个样本偏差参数区间和多个样本可信度系数分别作为数据表中的两列数据,两列数据每一行的数据具有对应关系,以具有对应关系的数据表作为获得偏差管理分析模块,也就是说,随机给定一个偏差参数,可以根据该偏差参数的大小在数据表中找到该偏差参数落入的样本偏差参数区间,进而获取对应的样本可信度系数。
基于此,计算G个实测碳排量信息与G个自测碳排量信息的偏差,获得G个偏差参数,将G个偏差参数输入偏差管理分析模块,获得G个偏差参数落入的G个样本偏差参数区间,进而根据索引关系获取G个样本偏差参数区间对应的G个可信度系数。
步骤S600:将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,对所述G个管理主体进行显示和管理。
其中,如图3所示,本公开实施例步骤S600还包括:
步骤S610:基于所述碳排放管理链,获取G个样本实测碳排量信息集合,以及计算获取G个样本可信度系数集合;
步骤S620:对所述G个样本实测碳排量信息集合和所述G个样本可信度系数集合内的数据进行组合,结合所述G个碳配额,进行显示方案和管理方案的制定,获得G个样本第二显示方案集合和G个样本第二管理方案集合;
步骤S630:采用所述G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合,构建所述显示管理分析模块内的G个第二显示管理分析单元,获得所述显示管理分析模块;
步骤S640:将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述G个第二显示管理分析单元内,获得所述G个第二显示方案和所述G个第二管理方案。
其中,本公开实施例步骤S630还包括:
步骤S631:基于BP神经网络,构建所述G个第二显示管理分析单元;
步骤S632:对所述G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合进行数据标注,获得G个第二构建数据集;
步骤S633:采用所述G个第二构建数据集对所述G个第二显示管理分析单元进行监督训练、验证和测试,获得符合预设条件的所述G个第二显示管理分析单元。
具体而言,将G个可信度系数、G个实测碳排量信息与G个碳配额输入第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,根据实际情况,通过电子屏或者网页等平台按照第二显示方案对G个管理主体碳排放量进行显示,相关监督部门按照第二管理方案中的惩罚手段对G个管理主体企业进行管理。显示管理分析模块是机器学习中可以不断进行自我迭代的BP神经网络模型,包含G个第二显示管理分析单元,一个管理主体对应一个第二显示管理分析单元。
具体地,基于碳排放管理链,获取过去一段时间内的G个样本实测碳排量信息集合,同时获取与G个样本实测碳排量信息集合对应的G个样本自测排放量信息集合,根据G个样本实测碳排量信息集合和对应的G个样本自测排放量信息集合计算获取G个样本可信度系数集合。
对G个样本实测碳排量信息集合和G个样本可信度系数集合内的数据进行组合,并结合G个碳配额,进行显示方案和管理方案的制定,获得G个样本第二显示方案集合和G个样本第二管理方案集合,示例性的,可信度系数越高,且实测碳排量未超过碳配额,说明企业不存在碳排放量的虚报,且碳排放量处于合格范围,则不进行特殊显示,也不进行监督管理;可信度系数低,但是实测碳排量未超过碳配额,说明企业存在碳排放量的虚报,但是实际碳排放量也处于合格范围,则进行不可信的可视化显示,同时提升对该企业的检测频率,例如显示不可信以及具体的可信度系数;可信度系数高,但是实测碳排量超过碳配额,说明该企业不存在数据虚报,但是碳排放量超出了标准指标,则进行碳排放量超标显示,同时根据超出程度给予一定的惩罚(罚款、限制生产等);可信度系数低,实测碳排量超过碳配额,说明该企业不仅存在数据虚报,且碳排放量超出了标准指标,则进行不可信的可视化显示,以及碳排放量超标显示,以及更为严格的监督管理(比如限制生产或责令停业整顿)。采用G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合,构建显示管理分析模块内的G个第二显示管理分析单元,以G个第二显示管理分析单元组成显示管理分析模块,将G个可信度系数、G个实测碳排量信息与G个碳配额输入G个第二显示管理分析单元内,获得G个第二显示方案和G个第二管理方案,提高碳排放量的显示管理准确性,防止由于企业瞒报导致的显示管理准确度不高问题的出现。
具体地,G个第二显示管理分析单元的构建过程如下:基于BP神经网络,构建G个第二显示管理分析单元,G个第二显示管理分析单元的输入数据分别是G个可信度系数、G个实测碳排量信息与G个碳配额,输出是第二显示方案和第二管理方案。按照G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合中的数据之间的一一对应关系,进行数据标注,获得G个第二构建数据集,每一个第二构建数据集均包括具有一一对应关系的G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案,采用G个第二构建数据集对G个第二显示管理分析单元进行监督训练、验证和测试,获得符合预设条件的G个第二显示管理分析单元。具体来说,可以将G个第二显示管理分析单元分别对应的第二构建数据集进行数据划分,获得多个训练集、多个验证集、多个测试集,根据多个训练集、多个验证集、多个测试集对G个第二显示管理分析单元进行监督训练、验证和测试。进一步地,将多个训练集中的每一组样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额输入到G个第二显示管理分析单元,通过多个验证集中与输入数据对应的样本第二显示方案集合和样本第二管理方案对G个第二显示管理分析单元的输出进行验证调整,使得输出数据与对应的验证数据一致,利用相同的方法,将多个训练集和多个验证集中的所有数据训练完成,进而利用多个测试集中的数据对G个第二显示管理分析单元进行准确率测试,获取测试准确率,如果测试准确率满足预设条件,则G个第二显示管理分析单元构建完成,预设条件即为预期的准确率要求,示例性地,预设条件可以设为85%的准确率。
基于上述分析可知,本公开提供了一种可视化的碳排放量管理方法,在本实施例中,分别设置不同的时间周期,进行企业碳排放量自检和碳排放量实际检测,分别根据自检碳排量信息和实测碳排量信息获得第一显示管理方案和第二显示管理方案,通过对自检碳排量信息和实测碳排量信息进行比对分析,可以对企业的诚信程度进行显示,有效提升碳排放量显示管理效果和准确度的技术效果。
实施例二
基于与前述实施例中一种可视化的碳排放量管理方法同样的发明构思,如图4所示,本公开还提供了一种可视化的碳排放量管理系统,所述系统包括:
碳排放配额获取模块11,所述碳排放配额获取模块11用于获取待进行碳排放管理的G个管理主体的碳排放配额,获得G个碳配额,G为大于1的整数;
碳排放管理链构建模块12,所述碳排放管理链构建模块12用于在所述G个管理主体内,基于区块链技术,构建碳排放管理链,所述碳排放管理链内包括所述G个管理主体内的G个主体节点;
第一管理分析模块13,所述第一管理分析模块13用于按照第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息,并结合所述G个碳配额输入第一管理分析模型内,获得G个第一显示方案和G个第一管理方案,对所述G个管理主体进行显示和管理;
碳排放量检测模块14,所述碳排放量检测模块14用于按照第二时间周期,对所述G个管理主体进行碳排放量检测,获得所述预设时间范围内的G个实测碳排量信息,并上传至所述碳排放管理链内;
偏差分析模块15,所述偏差分析模块15用于计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数,将所述G个偏差参数输入第二管理分析模型内的偏差管理分析模块内,获得G个可信度系数;
第二管理分析模块16,所述第二管理分析模块16用于将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,对所述G个管理主体进行显示和管理。
进一步而言,所述系统还包括:
主体节点构建模块,所述主体节点构建模块用于在所述G个管理主体内,构建所述G个主体节点;
自测碳排量信息获取模块,所述自测碳排量信息获取模块用于获取所述G个管理主体基于所述第一时间周期获取的多个自测碳排量信息;
实测碳排量信息获取模块,所述实测碳排量信息获取模块用于获取基于所述第二时间周期,对所述G个管理主体进行碳排放量检测获得的多个实测碳排量信息;
第一数据区块获取模块,所述第一数据区块获取模块用于对所述多个自测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第一数据区块;
第二数据区块获取模块,所述第二数据区块获取模块用于对所述多个实测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第二数据区块;
区块上传模块,所述区块上传模块用于按照所述多个第一数据区块和所述第二数据区块的时间顺序,通过所述G个主体节点进行上传,构建所述碳排放管理链。
进一步而言,所述系统还包括:
自测碳排量信息集合获取模块,所述自测碳排量信息集合获取模块用于基于所述碳排放管理链,获取所述G个管理主体过去时间内的自测碳排量信息,获得G个自测碳排量信息集合;
方案制定模块,所述方案制定模块用于分别根据所述G个自测碳排量信息集合和所述G个碳配额,进行显示方案和管理方案的制定,获得G个样本第一显示方案集合和G个样本第一管理方案集合;
第一构建模块,所述第一构建模块用于采用所述G个自测碳排量信息集合、所述G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合,构建所述第一管理分析模型内的G个第一管理分析模块,获得所述第一管理分析模型;
上传数据采集模块,所述上传数据采集模块用于获取并按照所述第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息;
组合输入模块,所述组合输入模块用于分别将所述G个自测碳排量信息和所述G个碳配额进行组合,并输入所述G个第一管理分析模块,获得所述G个第一显示方案和G个第一管理方案。
进一步而言,所述系统还包括:
第一构建数据集获取模块,所述第一构建数据集获取模块用于对所述G个自测碳排量信息集合、所述G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合进行数据标注,获得G个第一构建数据集;
第二构建模块,所述第二构建模块用于基于BP神经网络,构建所述G个第一管理分析模块,所述G个第一管理分析模块的输入数据分别为所述G个管理主体的自测碳排量信息和碳配额,输出数据为第一显示方案和第一管理方案;
监督训练模块,所述监督训练模块用于采用所述G个第一构建数据集,对所述G个第一管理分析模块进行监督训练、验证和测试,获得符合预设条件的所述G个第一管理分析模块。
进一步而言,所述系统还包括:
样本偏差参数计算模块,所述样本偏差参数计算模块用于基于所述碳排放管理链,计算获取样本偏差参数集合,并划分获得样本偏差参数区间集;
样本可信度系数设置模块,所述样本可信度系数设置模块用于根据所述样本偏差参数区间集内的多个样本偏差参数区间,设置获得多个样本可信度系数;
第三构建模块,所述第三构建模块用于构建所述多个样本偏差参数区间和所述多个样本可信度系数的索引关系,获得所述偏差管理分析模块;
偏差参数获取模块,所述偏差参数获取模块用于计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数;
偏差分析模块,所述偏差分析模块用于将所述G个偏差参数输入所述偏差管理分析模块,获得落入的G个样本偏差参数区间以及所述G个可信度系数。
进一步而言,所述系统还包括:
样本可信度系数集合获取模块,所述样本可信度系数集合获取模块用于基于所述碳排放管理链,获取G个样本实测碳排量信息集合,以及计算获取G个样本可信度系数集合;
样本方案集合获取模块,所述样本方案集合获取模块用于对所述G个样本实测碳排量信息集合和所述G个样本可信度系数集合内的数据进行组合,结合所述G个碳配额,进行显示方案和管理方案的制定,获得G个样本第二显示方案集合和G个样本第二管理方案集合;
第四构建模块,所述第四构建模块用于采用所述G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合,构建所述显示管理分析模块内的G个第二显示管理分析单元,获得所述显示管理分析模块;
第二显示管理方案获取模块,所述第二显示管理方案获取模块用于将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述G个第二显示管理分析单元内,获得所述G个第二显示方案和所述G个第二管理方案。
进一步而言,所述系统还包括:
第五构建模块,所述第五构建模块用于基于BP神经网络,构建所述G个第二显示管理分析单元;
第二构建数据集获取模块,所述第二构建数据集获取模块用于对所述G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合进行数据标注,获得G个第二构建数据集;
第二监督训练模块,所述第二监督训练模块用于采用所述G个第二构建数据集对所述G个第二显示管理分析单元进行监督训练、验证和测试,获得符合预设条件的所述G个第二显示管理分析单元。
前述实施例一中的一种可视化的碳排放量管理方法具体实例同样适用于本实施例的一种可视化的碳排放量管理系统,通过前述对一种可视化的碳排放量管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种可视化的碳排放量管理系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行,也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种可视化的碳排放量管理方法,其特征在于,所述方法包括:
获取待进行碳排放管理的G个管理主体的碳排放配额,获得G个碳配额,G为大于1的整数;
在所述G个管理主体内,基于区块链技术,构建碳排放管理链,所述碳排放管理链内包括所述G个管理主体内的G个主体节点;
按照第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息,并结合所述G个碳配额输入第一管理分析模型内,获得G个第一显示方案和G个第一管理方案,对所述G个管理主体进行显示和管理;
按照第二时间周期,对所述G个管理主体进行碳排放量检测,获得所述预设时间范围内的G个实测碳排量信息,并上传至所述碳排放管理链内;
计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数,将所述G个偏差参数输入第二管理分析模型内的偏差管理分析模块内,获得G个可信度系数;
将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,对所述G个管理主体进行显示和管理。
2.根据权利要求1所述的方法,其特征在于,在所述G个管理主体内,基于区块链技术,构建碳排放管理链,包括:
在所述G个管理主体内,构建所述G个主体节点;
获取所述G个管理主体基于所述第一时间周期获取的多个自测碳排量信息;
获取基于所述第二时间周期,对所述G个管理主体进行碳排放量检测获得的多个实测碳排量信息;
对所述多个自测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第一数据区块;
对所述多个实测碳排量信息进行哈希算法处理,并结合时间戳信息,构建多个第二数据区块;
按照所述多个第一数据区块和所述第二数据区块的时间顺序,通过所述G个主体节点进行上传,构建所述碳排放管理链。
3.根据权利要求1所述的方法,其特征在于,按照第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息,并结合所述G个碳配额输入第一管理分析模型内,包括:
基于所述碳排放管理链,获取所述G个管理主体过去时间内的自测碳排量信息,获得G个自测碳排量信息集合;
分别根据所述G个自测碳排量信息集合和所述G个碳配额,进行显示方案和管理方案的制定,获得G个样本第一显示方案集合和G个样本第一管理方案集合;
采用所述G个自测碳排量信息集合、所述G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合,构建所述第一管理分析模型内的G个第一管理分析模块,获得所述第一管理分析模型;
获取并按照所述第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息;
分别将所述G个自测碳排量信息和所述G个碳配额进行组合,并输入所述G个第一管理分析模块,获得所述G个第一显示方案和G个第一管理方案。
4.根据权利要求3所述的方法,其特征在于,采用所述G个自测碳排量信息集合、所述G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合,构建所述第一管理分析模型内的G个第一管理分析模块,包括:
对所述G个自测碳排量信息集合、所述G个碳配额、G个样本第一显示方案集合和G个样本第一管理方案集合进行数据标注,获得G个第一构建数据集;
基于BP神经网络,构建所述G个第一管理分析模块,所述G个第一管理分析模块的输入数据分别为所述G个管理主体的自测碳排量信息和碳配额,输出数据为第一显示方案和第一管理方案;
采用所述G个第一构建数据集,对所述G个第一管理分析模块进行监督训练、验证和测试,获得符合预设条件的所述G个第一管理分析模块。
5.根据权利要求1所述的方法,其特征在于,计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数,将所述G个偏差参数输入第二管理分析模型内的偏差管理分析模块内,获得G个可信度系数,包括:
基于所述碳排放管理链,计算获取样本偏差参数集合,并划分获得样本偏差参数区间集;
根据所述样本偏差参数区间集内的多个样本偏差参数区间,设置获得多个样本可信度系数;
构建所述多个样本偏差参数区间和所述多个样本可信度系数的索引关系,获得所述偏差管理分析模块;
计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数;
将所述G个偏差参数输入所述偏差管理分析模块,获得落入的G个样本偏差参数区间以及所述G个可信度系数。
6.根据权利要求1所述的方法,其特征在于,将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,包括:
基于所述碳排放管理链,获取G个样本实测碳排量信息集合,以及计算获取G个样本可信度系数集合;
对所述G个样本实测碳排量信息集合和所述G个样本可信度系数集合内的数据进行组合,结合所述G个碳配额,进行显示方案和管理方案的制定,获得G个样本第二显示方案集合和G个样本第二管理方案集合;
采用所述G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合,构建所述显示管理分析模块内的G个第二显示管理分析单元,获得所述显示管理分析模块;
将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述G个第二显示管理分析单元内,获得所述G个第二显示方案和所述G个第二管理方案。
7.根据权利要求6所述的方法,其特征在于,采用所述G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合,构建所述显示管理分析模块内的G个第二显示管理分析单元,包括:
基于BP神经网络,构建所述G个第二显示管理分析单元;
对所述G个样本实测碳排量信息集合、G个样本可信度系数集合、G个碳配额、G个样本第二显示方案集合和G个样本第二管理方案集合进行数据标注,获得G个第二构建数据集;
采用所述G个第二构建数据集对所述G个第二显示管理分析单元进行监督训练、验证和测试,获得符合预设条件的所述G个第二显示管理分析单元。
8.一种可视化的碳排放量管理系统,其特征在于,所述系统包括:
碳排放配额获取模块,所述碳排放配额获取模块用于获取待进行碳排放管理的G个管理主体的碳排放配额,获得G个碳配额,G为大于1的整数;
碳排放管理链构建模块,所述碳排放管理链构建模块用于在所述G个管理主体内,基于区块链技术,构建碳排放管理链,所述碳排放管理链内包括所述G个管理主体内的G个主体节点;
第一管理分析模块,所述第一管理分析模块用于按照第一时间周期,采集所述G个管理主体上传至所述碳排放管理链内的在预设时间范围内的G个自测碳排量信息,并结合所述G个碳配额输入第一管理分析模型内,获得G个第一显示方案和G个第一管理方案,对所述G个管理主体进行显示和管理;
碳排放量检测模块,所述碳排放量检测模块用于按照第二时间周期,对所述G个管理主体进行碳排放量检测,获得所述预设时间范围内的G个实测碳排量信息,并上传至所述碳排放管理链内;
偏差分析模块,所述偏差分析模块用于计算所述G个实测碳排量信息与所述G个自测碳排量信息的偏差,获得G个偏差参数,将所述G个偏差参数输入第二管理分析模型内的偏差管理分析模块内,获得G个可信度系数;
第二管理分析模块,所述第二管理分析模块用于将所述G个可信度系数、G个实测碳排量信息与所述G个碳配额输入所述第二管理分析模型内的显示管理分析模块内,获得G个第二显示方案和G个第二管理方案,对所述G个管理主体进行显示和管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310358186.7A CN116090708B (zh) | 2023-04-06 | 2023-04-06 | 一种可视化的碳排放量管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310358186.7A CN116090708B (zh) | 2023-04-06 | 2023-04-06 | 一种可视化的碳排放量管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090708A CN116090708A (zh) | 2023-05-09 |
CN116090708B true CN116090708B (zh) | 2023-06-02 |
Family
ID=86208641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310358186.7A Active CN116090708B (zh) | 2023-04-06 | 2023-04-06 | 一种可视化的碳排放量管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090708B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05189440A (ja) * | 1991-12-09 | 1993-07-30 | Oki Electric Ind Co Ltd | 車両移動時間管理方式 |
CN114218454A (zh) * | 2021-11-01 | 2022-03-22 | 上海赛扬信息技术有限公司 | 基于bim技术的建筑物运维阶段的碳排放量管理方法及系统 |
CN114417435A (zh) * | 2022-03-31 | 2022-04-29 | 广东省特种设备检测研究院顺德检测院 | 一种基于区块链的控排企业碳排放数据监管系统及方法 |
CN115203789A (zh) * | 2022-06-24 | 2022-10-18 | 中建八局第二建设有限公司 | 一种基于bim技术的实测实量数据集成管理方法及系统 |
-
2023
- 2023-04-06 CN CN202310358186.7A patent/CN116090708B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05189440A (ja) * | 1991-12-09 | 1993-07-30 | Oki Electric Ind Co Ltd | 車両移動時間管理方式 |
CN114218454A (zh) * | 2021-11-01 | 2022-03-22 | 上海赛扬信息技术有限公司 | 基于bim技术的建筑物运维阶段的碳排放量管理方法及系统 |
CN114417435A (zh) * | 2022-03-31 | 2022-04-29 | 广东省特种设备检测研究院顺德检测院 | 一种基于区块链的控排企业碳排放数据监管系统及方法 |
CN115203789A (zh) * | 2022-06-24 | 2022-10-18 | 中建八局第二建设有限公司 | 一种基于bim技术的实测实量数据集成管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116090708A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122483B (zh) | 基础地理信息数据质检方法、装置及系统 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
WO2017157203A1 (zh) | 一种分布式环境下监督学习算法的基准测试方法和装置 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
JPH10510385A (ja) | ソフトウエア品質のアーキテクチャに基づく分析のための方法およびシステム | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN114879613A (zh) | 一种工业控制系统信息安全攻击风险评估方法及系统 | |
CN111176953A (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN115062675A (zh) | 一种基于神经网络的全光谱污染溯源方法及云系统 | |
CN113504935A (zh) | 软件开发质量评估方法、装置、电子设备及可读存储介质 | |
KR20140051678A (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN115689396A (zh) | 污染物排放管控方法、装置、设备及介质 | |
CN114441463B (zh) | 全光谱水质数据分析方法 | |
CN114091863B (zh) | 园区内目标对象挥发性有机物污染等级的评估方法和装置 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
CN110716998A (zh) | 一种精细尺度人口数据空间化方法 | |
CN116090708B (zh) | 一种可视化的碳排放量管理方法及系统 | |
CN114548700A (zh) | 建筑工程信用模型的生成方法及装置 | |
Liu et al. | Quantifying the reliability of defects located by bridge inspectors through human observation behavioral analysis | |
Morello et al. | Quality Control (QC) procedures for Australia’s National Reference Station’s sensor data—Comparing semi-autonomous systems to an expert oceanographer | |
CN116305498B (zh) | 隧道数字孪生建模指标判断网络模型构建方法、分析方法 | |
CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
US20210157707A1 (en) | Transferability determination apparatus, transferability determination method, and recording medium | |
CN108921434A (zh) | 一种通过人机交互完成用户能力预测的方法 |
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 |