CN116187584A - 一种基于梯度下降算法的建筑碳足迹预测方法及系统 - Google Patents

一种基于梯度下降算法的建筑碳足迹预测方法及系统 Download PDF

Info

Publication number
CN116187584A
CN116187584A CN202310415923.2A CN202310415923A CN116187584A CN 116187584 A CN116187584 A CN 116187584A CN 202310415923 A CN202310415923 A CN 202310415923A CN 116187584 A CN116187584 A CN 116187584A
Authority
CN
China
Prior art keywords
carbon
carbon footprint
concentration
building
factor
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.)
Granted
Application number
CN202310415923.2A
Other languages
English (en)
Other versions
CN116187584B (zh
Inventor
吴荣义
孙丽锋
李政道
文姝
左丽娜
寇立夫
洪竞科
谭毅
张帆
李骁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
China Construction Fourth Engineering Division Corp Ltd
Original Assignee
Shenzhen University
China Construction Fourth Engineering Division Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University, China Construction Fourth Engineering Division Corp Ltd filed Critical Shenzhen University
Priority to CN202310415923.2A priority Critical patent/CN116187584B/zh
Publication of CN116187584A publication Critical patent/CN116187584A/zh
Application granted granted Critical
Publication of CN116187584B publication Critical patent/CN116187584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/08—Construction
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Carbon And Carbon Compounds (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于梯度下降算法的建筑碳足迹预测方法及系统，涉及数字处理技术领域，方法包括：计算碳总量，碳总量
Figure ZY_1
；选定碳总量计算过程中的优化碳足迹因子
Figure ZY_2
，构建梯度下降算法模型；设置损失函数和学习率参数；通过梯度下降算法模型、损失函数和学习率参数进行最优解求取，获得更新碳足迹因子；进行碳总量计算公式更新，获得更新碳总量。解决了建筑碳足迹预测方案不合理，导致碳总量预测值精确度低技术问题，达到了基于梯度下降算法，优化建筑碳足迹计算预测方案，精准快速更新碳足迹因子，提高碳总量预测值的精确度技术效果。

Description

一种基于梯度下降算法的建筑碳足迹预测方法及系统
技术领域
本发明涉及数字处理技术领域，具体涉及一种基于梯度下降算法的建筑碳足迹预测方法及系统。
背景技术
碳足迹代表了与气候变化相关的人类生产及消费活动而带来的特定气体的排放，梯度下降算法，是一种常用的寻找最优解的算法，用于递归性地逼近最小偏差模型，相比于传统的碳足迹计算模式，可以提高碳足迹因子估计值精确度，降低实际碳排放量与计划碳排放量之间的差值，为节能减排的落实提供技术支持。
现有技术中存在建筑碳足迹预测方案不合理，导致碳总量预测值精确度低的技术问题。
发明内容
本申请通过提供了一种基于梯度下降算法的建筑碳足迹预测方法及系统，解决了建筑碳足迹预测方案不合理，导致碳总量预测值精确度低的技术问题，达到了基于梯度下降算法，优化建筑碳足迹计算预测方案，精准快速更新碳足迹因子，提高碳总量预测值的精确度的技术效果。
鉴于上述问题，本申请提供了一种基于梯度下降算法的建筑碳足迹预测方法及系统。
第一方面，本申请提供了一种基于梯度下降算法的建筑碳足迹预测方法，其中，所述方法包括：通过公式计算获得碳总量，计算公式如下：
Figure SMS_3
，其中，/>
Figure SMS_5
为碳总量，/>
Figure SMS_7
为建材开采碳足迹浓度，/>
Figure SMS_2
为运输阶段碳足迹浓度，/>
Figure SMS_4
为建筑物碳足迹浓度，/>
Figure SMS_6
为施工配套设施碳足迹浓度，/>
Figure SMS_8
为建筑面积；选定所述碳总量计算过程中的优化碳足迹因子/>
Figure SMS_1
，基于所述优化碳足迹因子构建梯度下降算法模型；设置损失函数和学习率参数；通过所述梯度下降算法模型、所述损失函数和所述学习率参数进行最优解求取，根据最优解求取结果获得更新碳足迹因子；通过所述更新碳足迹因子进行碳总量计算公式更新，基于更新结果获得更新碳总量。
第二方面，本申请提供了一种基于梯度下降算法的建筑碳足迹预测系统，其中，所述系统包括：碳总量计算单元，所述碳总量计算单元用于通过公式计算获得碳总量，计算公式如下：
Figure SMS_10
，其中，/>
Figure SMS_13
为碳总量，/>
Figure SMS_16
为建材开采碳足迹浓度，/>
Figure SMS_11
为运输阶段碳足迹浓度，/>
Figure SMS_12
为建筑物碳足迹浓度，/>
Figure SMS_14
为施工配套设施碳足迹浓度，/>
Figure SMS_15
为建筑面积；梯度模型构建单元，所述梯度模型构建单元用于选定所述碳总量计算过程中的优化碳足迹因子/>
Figure SMS_9
，基于所述优化碳足迹因子构建梯度下降算法模型；函数和参数设置单元，所述函数和参数设置单元用于设置损失函数和学习率参数；最优解求取单元，所述最优解求取单元用于通过所述梯度下降算法模型、所述损失函数和所述学习率参数进行最优解求取，根据最优解求取结果获得更新碳足迹因子；计算公式更新单元，所述计算公式更新单元用于通过所述更新碳足迹因子进行碳总量计算公式更新，基于更新结果获得更新碳总量。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过公式计算获得碳总量，计算公式如下：
Figure SMS_17
；选定碳总量计算过程中的优化碳足迹因子
Figure SMS_18
，构建梯度下降算法模型；设置损失函数和学习率参数；通过梯度下降算法模型、损失函数和学习率参数进行最优解求取，根据最优解求取结果获得更新碳足迹因子；通过所述更新碳足迹因子进行碳总量计算公式更新，获得更新碳总量。本申请实施例达到了基于梯度下降算法，优化建筑碳足迹计算预测方案，精准快速更新碳足迹因子，提高碳总量预测值的精确度的技术效果。
附图说明
图1为本申请一种基于梯度下降算法的建筑碳足迹预测方法的流程示意图；
图2为本申请一种基于梯度下降算法的建筑碳足迹预测方法的获得碳总量的流程示意图；
图3为本申请一种基于梯度下降算法的建筑碳足迹预测方法的进行最优解求取的流程示意图；
图4为本申请一种基于梯度下降算法的建筑碳足迹预测系统的结构示意图。
附图标记说明：碳总量计算单元11，梯度模型构建单元12，函数和参数设置单元13，最优解求取单元14，计算公式更新单元15。
具体实施方式
本申请通过提供了一种基于梯度下降算法的建筑碳足迹预测方法及系统，解决了建筑碳足迹预测方案不合理，导致碳总量预测值精确度低的技术问题，达到了基于梯度下降算法，优化建筑碳足迹计算预测方案，精准快速更新碳足迹因子，提高碳总量预测值的精确度的技术效果。
实施例
如图1所示，本申请提供了一种基于梯度下降算法的建筑碳足迹预测方法，其中，所述方法包括：
S100：通过公式计算获得碳总量，计算公式如下：
Figure SMS_19
，其中，/>
Figure SMS_20
为碳总量，/>
Figure SMS_21
为建材开采碳足迹浓度，/>
Figure SMS_22
为运输阶段碳足迹浓度，/>
Figure SMS_23
为建筑物碳足迹浓度，/>
Figure SMS_24
为施工配套设施碳足迹浓度，/>
Figure SMS_25
为建筑面积；
进一步的，所述通过公式计算获得碳总量，步骤S100还包括：
S110：计算获得建材开采碳足迹浓度
Figure SMS_26
，计算公式如下：/>
Figure SMS_27
，其中，/>
Figure SMS_28
为第i种材料的消耗量，/>
Figure SMS_29
为第i种材料的损耗量，/>
Figure SMS_30
为第i种材料的周转次数，/>
Figure SMS_31
为第i种材料每生产1单位时所产生的气体排放碳足迹因子，i为材料的种类数，s为建筑面积；
S120：计算获得运输阶段碳足迹浓度
Figure SMS_32
，计算公式如下：/>
Figure SMS_33
，其中，/>
Figure SMS_34
为第a种物料的运输距离，/>
Figure SMS_35
为第a种物料的重量，/>
Figure SMS_36
为第a种物料的运输机械工具的荷载；/>
Figure SMS_37
为第a种运输机械工具每台班运输的碳足迹因子；
S130：根据所述建材开采碳足迹浓度
Figure SMS_38
和运输阶段碳足迹浓度/>
Figure SMS_39
获得所述碳总量。
具体而言，对于建筑项目碳排放的总量计算，需要对建筑项目的各碳足迹浓度分别进行计算，最后通过建筑面积，确定碳总量
Figure SMS_41
，其中，/>
Figure SMS_46
为碳总量，单位为/>
Figure SMS_49
，/>
Figure SMS_42
为建材开采碳足迹浓度，也就是建材生产阶段的碳足迹浓度，单位为/>
Figure SMS_48
，/>
Figure SMS_51
为运输阶段碳足迹浓度，单位为/>
Figure SMS_52
，/>
Figure SMS_40
为建筑物碳足迹浓度，单位为/>
Figure SMS_44
，/>
Figure SMS_47
为施工配套设施碳足迹浓度，单位为
Figure SMS_50
，/>
Figure SMS_43
为建筑面积，单位为/>
Figure SMS_45
，所述建筑面积是建筑物各层水平面积的总和，包括使用面积、辅助面积和结构面积，可以结合GB/T50353-2021《建筑工程建筑面积计算规范》等相关标准进行具体确定，此处不做赘述，为物化阶段的碳足迹计算公式，从建筑全生命周期角度进行分析，运营阶段的碳排放量与使用者的使用方式、建筑使用寿命年限等相关指标数据与碳足迹的关联度高，因此无法具体量化。通过选择物化阶段的碳足迹，可以通过计算进行监控，为达到有效减少碳排放的目标提供技术支持，结合碳总量计算公式，进行建筑项目碳排放的总量计算，能有效保证碳总量结果的有效性，提高碳总量的精确度。
具体而言，计算建材开采碳足迹浓度
Figure SMS_65
，其中，/>
Figure SMS_55
为第i种材料的消耗量，所述消耗量为第i种材料的消耗个数，特别的，部分建筑用材会切割后使用，实际需要结合该建筑用材的特征进行消耗量对照匹配，示例性的，在进行地砖的消耗量计算过程，可以通过铺设面积减去地砖拼接缝的宽度与分布长度所得面积，进行消耗量计算，/>
Figure SMS_62
为第i种材料的损耗量，实际建筑材料的开采过程中，因建筑材料规格标准等相关规范限制，通常存在一定的材料损耗，/>
Figure SMS_61
为第i种材料的周转次数，若第i种材料没有进行周转则/>
Figure SMS_66
=1，/>
Figure SMS_67
为第i种材料每生产1单位时所产生的气体排放碳足迹因子，i为材料的种类数，i/>
Figure SMS_72
，s为建筑面积，单位为/>
Figure SMS_57
，一般的，为保证数据信息的可靠性，将存在小数位数的数值统一精确至千分位，保证数据运算处理的效率；代入计算运输阶段碳足迹浓度/>
Figure SMS_69
，/>
Figure SMS_53
的单位为/>
Figure SMS_68
，运输阶段碳足迹浓度/>
Figure SMS_60
，其中，/>
Figure SMS_71
为第a种物料的运输距离，单位为100km，/>
Figure SMS_59
为第a种物料的重量，单位/>
Figure SMS_70
，/>
Figure SMS_56
为第a种物料的运输机械工具的荷载，即运输机械工具的载重量；/>
Figure SMS_63
为第a种运输机械工具每台班运输的碳足迹因子，特别的，由于运输车次只能取整数，因此在理论计算时不满一次的均按照一次计算，且不考虑空车返回时的碳足迹；根据所述建材开采碳足迹浓度/>
Figure SMS_58
和所述运输阶段碳足迹浓度/>
Figure SMS_64
，代入碳总量/>
Figure SMS_54
中，获得所述碳总量，为提高碳总量的数据精确度提供技术支持。
进一步的，如图2所示，本申请实施例还包括：
S131：计算获得建筑物碳足迹浓度
Figure SMS_73
，计算公式如下：/>
Figure SMS_74
，其中，
Figure SMS_75
为第b项主体施工工艺所使用的机械台班的能源消耗量；/>
Figure SMS_76
为施工设备所消耗的能源碳足迹因子；
S132：计算获得施工配套设施碳足迹浓度
Figure SMS_77
，计算公式如下：/>
Figure SMS_78
，其中，P为工程施工过程所需的电能；/>
Figure SMS_79
为电能的碳足迹因子；N为工程施工中办公生活所需要的燃气能源；/>
Figure SMS_80
为燃气能源的碳足迹因子；
S133：根据所述建材开采碳足迹浓度
Figure SMS_81
和运输阶段碳足迹浓度/>
Figure SMS_82
、所述建筑物碳足迹浓度/>
Figure SMS_83
、所述施工配套设施碳足迹浓度/>
Figure SMS_84
获得所述碳总量。
具体而言，计算建筑物碳足迹浓度
Figure SMS_92
，建筑物碳足迹浓度/>
Figure SMS_89
，其中，/>
Figure SMS_96
为第b项主体施工工艺所使用的机械台班的能源消耗量，示例性说明，在建筑施工过程，建筑用材重力势能的变化通过起重装置辅助提供；/>
Figure SMS_88
为施工设备所消耗的能源碳足迹因子，s为建筑面积，单位为/>
Figure SMS_99
；计算施工配套设施碳足迹浓度/>
Figure SMS_97
，施工配套设施碳足迹浓度/>
Figure SMS_100
，其中，P为工程施工过程所需的电能，单位为千瓦时（kW·h），通过1千瓦时=3.6×/>
Figure SMS_86
焦耳进行换算，/>
Figure SMS_94
为电能的碳足迹因子，N为工程施工中办公生活所需要的燃气能源，一般的，燃气能源为天然气，单位为立方米，通过1立方米=35588千焦进行换算；/>
Figure SMS_85
为燃气能源的碳足迹因子，s为建筑面积，单位为/>
Figure SMS_93
；根据所述建材开采碳足迹浓度
Figure SMS_87
和运输阶段碳足迹浓度/>
Figure SMS_98
、所述建筑物碳足迹浓度/>
Figure SMS_91
、所述施工配套设施碳足迹浓度/>
Figure SMS_95
，代入碳总量/>
Figure SMS_90
中，获得所述碳总量，为提高碳总量的数据精确度提供技术支持。
S200：选定所述碳总量计算过程中的优化碳足迹因子
Figure SMS_101
，基于所述优化碳足迹因子构建梯度下降算法模型；/>
具体而言，确认优化模型的假设函数，假设
Figure SMS_102
为模型参数，一般的，选取需要计算的碳足迹因子时，需要选择项目所需的、不同地区、不同项目、差别较大的碳足迹因子，进行计算，将需要计算的碳足迹因子，设置样本的n个特征
Figure SMS_103
，基于所述优化碳足迹因子，构建梯度下降算法模型，保证碳足迹因子选定方案的合理性。
S300：设置损失函数和学习率参数；
S400：通过所述梯度下降算法模型、所述损失函数和所述学习率参数进行最优解求取，根据最优解求取结果获得更新碳足迹因子；
具体而言，所述损失函数，通过求得预测值和真实值，从而衡量系数值对于模型的贡献，已知的，预测值和真实值可能存在一定的误差，预测值等于真实值为进行运算为参数运算的理想状态，但不可避免的，真实值在实际的环境影响下，与预测值存在一定的误差，设置损失函数可以将对误差函数做数据表达，保证了数据的可靠度，所述学习率参数作为梯度下降算法的一个参数，在整个所述梯度下降算法模型的迭代运算中，起重要的作用，设置学习率参数，可使学习率参数随着梯度下降算法模型迭代变化自动增大或减小；通过所述梯度下降算法模型、所述损失函数和所述学习率参数进行最优解求取，所述最优解求取过程存在一预期阈值，当所述损失函数满足所述预期阈值，完成最优解求取，获取最优解求取结果，通过最优解求取结果获得更新碳足迹因子，保证了所述最优解求取结果的可靠性，为后续进行碳总量计算公式更新提供数据支持。进一步的，本申请实施例还包括：
S310：构建优化模型的假设函数，
Figure SMS_104
，其中，/>
Figure SMS_105
为梯度下降算法模型的预测值，/>
Figure SMS_106
为优化碳足迹因子，
Figure SMS_107
为模型参数；
S320：设置损失函数
Figure SMS_108
，其中，/>
Figure SMS_109
为样本的实际值；
S330：设置学习率
Figure SMS_110
，其中，/>
Figure SMS_111
，
Figure SMS_112
为在t时刻损失函数的值，/>
Figure SMS_113
为t时刻和t的下一刻t+1时刻的损失函数变化值。
具体而言，通过梯度下降算法，构建优化模型的假设函数，优化模型的假设函数
Figure SMS_117
，其中，/>
Figure SMS_119
为梯度下降算法模型的预测值，/>
Figure SMS_123
为优化碳足迹因子，/>
Figure SMS_115
为模型参数；设置损失函数，损失函数/>
Figure SMS_118
，其中，/>
Figure SMS_122
为梯度下降算法模型的预测值，/>
Figure SMS_126
为样本的实际值，j/>
Figure SMS_114
；设置学习率/>
Figure SMS_121
，其中，/>
Figure SMS_124
为在t时刻损失函数的值，/>
Figure SMS_125
为t时刻和t的下一刻t+1时刻的损失函数变化值，令
Figure SMS_116
，e为常数，通过自适应的梯度下降法，设置自适应学习率
Figure SMS_120
，利用函数的非线性特点，结合损失函数，使学习率自然增大或减小，从而加速计算，降低了梯度下降算法的繁琐性，为后续进行数据处理提供算法理论基础。
进一步具体说明，当损失函数的变化值满足预期阈值时，即
Figure SMS_127
满足预期阈值时，学习率/>
Figure SMS_128
逐渐收敛，模型得到最优解，输出最优解，即得到当前模型中的碳足迹因子。
进一步的，如图3所示，本申请实施例还包括：
S340：建立寻找最优模型
Figure SMS_129
，其中，/>
Figure SMS_130
表示所有参数在t时刻的状态；/>
Figure SMS_131
为损失函数的梯度；
S350：根据所述寻找最优模型进行最优解求取。
进一步的，当所述损失函数的变化值满足预期阈值时，则完成最优解求取。
具体而言，通过梯度下降算法寻得最优解，建立寻找最优模型
Figure SMS_132
，其中，/>
Figure SMS_133
表示所有参数在t时刻的状态；/>
Figure SMS_134
为损失函数的梯度，/>
Figure SMS_135
为学习率，/>
Figure SMS_136
表示所有参数在t+1时刻的状态；根据所述寻找最优模型进行最优解求取，所述预期阈值为一非零参数，预期阈值的数值量接近于零，可以通过用户设置调整所述预期阈值的数值量，当所述损失函数的变化值满足预期阈值时，完成最优解求取，为保证最优解的可靠性提供技术支持。
S500：通过所述更新碳足迹因子进行碳总量计算公式更新，基于更新结果获得更新碳总量。
具体而言，所述更新碳足迹因子即当前模型中的碳足迹因子，通过所述更新碳足迹因子进行碳总量计算公式更新，代入
Figure SMS_137
，基于更新结果，得到新的碳足迹计算模型，获得更新碳总量，通过建筑碳足迹预测，提高碳总量数据的精确度，降低实际排放值与计划排放值之间的差值，为推动节能减排的建设，建立符合标准的绿色建筑提供技术支持。
综上所述，本申请所提供的一种基于梯度下降算法的建筑碳足迹预测方法及系统具有如下技术效果：
由于采用了通过公式计算获得碳总量，计算公式如下：
Figure SMS_138
，选定碳总量计算过程中的优化碳足迹因子
Figure SMS_139
，构建梯度下降算法模型，设置损失函数和学习率参数，通过梯度下降算法模型、损失函数和学习率参数进行最优解求取，获得更新碳足迹因子，进行碳总量计算公式更新，获得更新碳总量。本申请通过提供了一种基于梯度下降算法的建筑碳足迹预测方法及系统，达到了基于梯度下降算法，优化建筑碳足迹计算预测方案，精准快速更新碳足迹因子，提高碳总量预测值的精确度的技术效果。/>
由于采用了计算获得建筑物碳足迹浓度
Figure SMS_140
，计算公式如下：/>
Figure SMS_141
；计算获得施工配套设施碳足迹浓度/>
Figure SMS_142
；根据建材开采碳足迹浓度/>
Figure SMS_143
和运输阶段碳足迹浓度/>
Figure SMS_144
、建筑物碳足迹浓度/>
Figure SMS_145
、施工配套设施碳足迹浓度/>
Figure SMS_146
获得碳总量，为提高碳总量的数据精准度提供技术支持。
由于采用了构建优化模型的假设函数，
Figure SMS_147
；设置损失函数
Figure SMS_148
；设置学习率
Figure SMS_149
。通过自适应的梯度下降法，设置自适应学习率/>
Figure SMS_150
，利用函数的非线性特点，结合损失函数，使学习率自然增大或减小，从而加速计算，降低了梯度下降算法的繁琐性，为后续进行数据处理提供算法理论基础。
实施例二
基于与前述实施例中一种基于梯度下降算法的建筑碳足迹预测方法相同的发明构思，如图4所示，本申请提供了一种基于梯度下降算法的建筑碳足迹预测系统，其中，所述系统包括：
碳总量计算单元11，所述碳总量计算单元11用于通过公式计算获得碳总量，计算公式如下：
Figure SMS_151
，其中，/>
Figure SMS_152
为碳总量，/>
Figure SMS_153
为建材开采碳足迹浓度，/>
Figure SMS_154
为运输阶段碳足迹浓度，/>
Figure SMS_155
为建筑物碳足迹浓度，/>
Figure SMS_156
为施工配套设施碳足迹浓度，/>
Figure SMS_157
为建筑面积；
梯度模型构建单元12，所述梯度模型构建单元12用于选定所述碳总量计算过程中的优化碳足迹因子
Figure SMS_158
，基于所述优化碳足迹因子构建梯度下降算法模型；
函数和参数设置单元13，所述函数和参数设置单元13用于设置损失函数和学习率参数；
最优解求取单元14，所述最优解求取单元14用于通过所述梯度下降算法模型、所述损失函数和所述学习率参数进行最优解求取，根据最优解求取结果获得更新碳足迹因子；
计算公式更新单元15，所述计算公式更新单元15用于通过所述更新碳足迹因子进行碳总量计算公式更新，基于更新结果获得更新碳总量。
进一步的，所述系统包括：
建材开采碳足迹浓度计算单元，所述建材开采碳足迹浓度计算单元用于计算获得建材开采碳足迹浓度
Figure SMS_159
，计算公式如下：/>
Figure SMS_160
，其中，/>
Figure SMS_161
为第i种材料的消耗量，/>
Figure SMS_162
为第i种材料的损耗量，/>
Figure SMS_163
为第i种材料的周转次数，/>
Figure SMS_164
为第i种材料每生产1单位时所产生的气体排放碳足迹因子，i为材料的种类数，s为建筑面积；
运输阶段碳足迹浓度计算单元，所述运输阶段碳足迹浓度计算单元用于计算获得运输阶段碳足迹浓度
Figure SMS_165
，计算公式如下：/>
Figure SMS_166
，其中，/>
Figure SMS_167
为第a种物料的运输距离，/>
Figure SMS_168
为第a种物料的重量，/>
Figure SMS_169
为第a种物料的运输机械工具的荷载；/>
Figure SMS_170
为第a种运输机械工具每台班运输的碳足迹因子；
碳总量获得单元，所述碳总量获得单元用于根据所述建材开采碳足迹浓度
Figure SMS_171
和运输阶段碳足迹浓度/>
Figure SMS_172
获得所述碳总量。
进一步的，所述系统包括：
建筑物碳足迹浓度计算单元，所述建筑物碳足迹浓度计算单元用于计算获得建筑物碳足迹浓度
Figure SMS_173
，计算公式如下：/>
Figure SMS_174
，其中，/>
Figure SMS_175
为第b项主体施工工艺所需要的机械消耗量；/>
Figure SMS_176
为第b项主体施工工艺所使用的机械台班的能源消耗量；/>
Figure SMS_177
为施工设备所消耗的能源碳足迹因子；
施工设施碳足迹浓度计算单元，所述施工设施碳足迹浓度计算单元用于计算获得施工配套设施碳足迹浓度
Figure SMS_178
，计算公式如下：/>
Figure SMS_179
，其中，P为工程施工过程所需的电能；/>
Figure SMS_180
为电能的碳足迹因子；N为工程施工中办公生活所需要的燃气能源；/>
Figure SMS_181
为燃气能源的碳足迹因子；
碳总量获取单元，所述碳总量获取单元用于根据所述建材开采碳足迹浓度
Figure SMS_182
和运输阶段碳足迹浓度/>
Figure SMS_183
、所述建筑物碳足迹浓度/>
Figure SMS_184
、所述施工配套设施碳足迹浓度
Figure SMS_185
获得所述碳总量。
进一步的，所述系统包括：假设函数构建单元，所述假设函数构建单元用于构建优化模型的假设函数，
Figure SMS_186
，其中，
Figure SMS_187
为梯度下降算法模型的预测值，/>
Figure SMS_188
为优化碳足迹因子，
Figure SMS_189
为模型参数；
损失函数设置单元，所述损失函数设置单元用于设置损失函数
Figure SMS_190
，其中，/>
Figure SMS_191
为样本的实际值；
学习率设置单元，所述学习率设置单元用于设置学习率
Figure SMS_192
，其中，/>
Figure SMS_193
，/>
Figure SMS_194
为在t时刻损失函数的值，
Figure SMS_195
为t时刻和t的下一刻t+1时刻的损失函数变化值。
进一步的，所述系统包括：
最优模型建立单元，所述最优模型建立单元用于建立寻找最优模型
Figure SMS_196
，其中，/>
Figure SMS_197
表示所有参数在t时刻的状态；/>
Figure SMS_198
为损失函数的梯度；
最优解求取单元，所述最优解求取单元用于根据所述寻找最优模型进行最优解求取。
进一步的，所述系统包括：最优解确定单元，所述最优解确定单元用于当所述损失函数的变化值满足预期阈值时，则完成最优解求取。
本说明书和附图仅仅是本申请的示例性说明，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.一种基于梯度下降算法的建筑碳足迹预测方法，其特征在于，所述方法包括：
通过公式计算获得碳总量，计算公式如下：
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
为碳总量，/>
Figure QLYQS_3
为建材开采碳足迹浓度，/>
Figure QLYQS_4
为运输阶段碳足迹浓度，/>
Figure QLYQS_5
为建筑物碳足迹浓度，/>
Figure QLYQS_6
为施工配套设施碳足迹浓度，/>
Figure QLYQS_7
为建筑面积；
选定所述碳总量计算过程中的优化碳足迹因子
Figure QLYQS_8
，基于所述优化碳足迹因子构建梯度下降算法模型；
设置损失函数和学习率参数；
通过所述梯度下降算法模型、所述损失函数和所述学习率参数进行最优解求取，根据最优解求取结果获得更新碳足迹因子；
通过所述更新碳足迹因子进行碳总量计算公式更新，基于更新结果获得更新碳总量。
2.如权利要求1所述的方法，其特征在于，所述通过公式计算获得碳总量，还包括：
计算获得建材开采碳足迹浓度
Figure QLYQS_9
，计算公式如下：
Figure QLYQS_10
其中，
Figure QLYQS_11
为第i种材料的消耗量，/>
Figure QLYQS_12
为第i种材料的损耗量，/>
Figure QLYQS_13
为第i种材料的周转次数，/>
Figure QLYQS_14
为第i种材料每生产1单位时所产生的气体排放碳足迹因子，i为材料的种类数，s为建筑面积；
计算获得运输阶段碳足迹浓度
Figure QLYQS_15
，计算公式如下：
Figure QLYQS_16
其中，
Figure QLYQS_17
为第a种物料的运输距离，/>
Figure QLYQS_18
为第a种物料的重量，/>
Figure QLYQS_19
为第a种物料的运输机械工具的荷载；/>
Figure QLYQS_20
为第a种运输机械工具每台班运输的碳足迹因子；
根据所述建材开采碳足迹浓度
Figure QLYQS_21
和运输阶段碳足迹浓度/>
Figure QLYQS_22
获得所述碳总量。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
计算获得建筑物碳足迹浓度
Figure QLYQS_23
，计算公式如下：
Figure QLYQS_24
其中，
Figure QLYQS_25
为第b项主体施工工艺所使用的机械台班的能源消耗量；/>
Figure QLYQS_26
为施工设备所消耗的能源碳足迹因子；
计算获得施工配套设施碳足迹浓度
Figure QLYQS_27
，计算公式如下：/>
Figure QLYQS_28
其中，P为工程施工过程所需的电能；
Figure QLYQS_29
为电能的碳足迹因子；N为工程施工中办公生活所需要的燃气能源；/>
Figure QLYQS_30
为燃气能源的碳足迹因子；
根据所述建材开采碳足迹浓度
Figure QLYQS_31
和运输阶段碳足迹浓度/>
Figure QLYQS_32
、所述建筑物碳足迹浓度/>
Figure QLYQS_33
、所述施工配套设施碳足迹浓度/>
Figure QLYQS_34
获得所述碳总量。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
构建优化模型的假设函数，
Figure QLYQS_35
，其中，/>
Figure QLYQS_36
为梯度下降算法模型的预测值，/>
Figure QLYQS_37
为优化碳足迹因子，
Figure QLYQS_38
为模型参数；
设置损失函数
Figure QLYQS_39
，其中，/>
Figure QLYQS_40
为样本的实际值；
设置学习率
Figure QLYQS_41
，其中，/>
Figure QLYQS_42
，/>
Figure QLYQS_43
为在t时刻损失函数的值，/>
Figure QLYQS_44
为t时刻和t的下一刻t+1时刻的损失函数变化值。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
建立寻找最优模型
Figure QLYQS_45
，其中，/>
Figure QLYQS_46
表示所有参数在t时刻的状态；/>
Figure QLYQS_47
为损失函数的梯度；
根据所述寻找最优模型进行最优解求取。
6.如权利要求1所述的方法，其特征在于，当所述损失函数的变化值满足预期阈值时，则完成最优解求取。
7.一种基于梯度下降算法的建筑碳足迹预测系统，其特征在于，所述系统包括：
碳总量计算单元，所述碳总量计算单元用于通过公式计算获得碳总量，计算公式如下：
Figure QLYQS_48
，其中，/>
Figure QLYQS_49
为碳总量，/>
Figure QLYQS_50
为建材开采碳足迹浓度，/>
Figure QLYQS_51
为运输阶段碳足迹浓度，/>
Figure QLYQS_52
为建筑物碳足迹浓度，/>
Figure QLYQS_53
为施工配套设施碳足迹浓度，/>
Figure QLYQS_54
为建筑面积；
梯度模型构建单元，所述梯度模型构建单元用于选定所述碳总量计算过程中的优化碳足迹因子
Figure QLYQS_55
，基于所述优化碳足迹因子构建梯度下降算法模型；
函数和参数设置单元，所述函数和参数设置单元用于设置损失函数和学习率参数；
最优解求取单元，所述最优解求取单元用于通过所述梯度下降算法模型、所述损失函数和所述学习率参数进行最优解求取，根据最优解求取结果获得更新碳足迹因子；
计算公式更新单元，所述计算公式更新单元用于通过所述更新碳足迹因子进行碳总量计算公式更新，基于更新结果获得更新碳总量。
CN202310415923.2A 2023-04-19 2023-04-19 一种基于梯度下降算法的建筑碳足迹预测方法及系统 Active CN116187584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310415923.2A CN116187584B (zh) 2023-04-19 2023-04-19 一种基于梯度下降算法的建筑碳足迹预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310415923.2A CN116187584B (zh) 2023-04-19 2023-04-19 一种基于梯度下降算法的建筑碳足迹预测方法及系统

Publications (2)

Publication Number Publication Date
CN116187584A true CN116187584A (zh) 2023-05-30
CN116187584B CN116187584B (zh) 2023-09-05

Family

ID=86449156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310415923.2A Active CN116187584B (zh) 2023-04-19 2023-04-19 一种基于梯度下降算法的建筑碳足迹预测方法及系统

Country Status (1)

Country Link
CN (1) CN116187584B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843080A (zh) * 2023-07-12 2023-10-03 济南明泉数字商务有限公司 一种基于机器学习的尿素生产碳元素足迹预测方法及系统
CN117152588A (zh) * 2023-10-31 2023-12-01 苏州元脑智能科技有限公司 一种数据优化方法、系统、装置及介质
CN117314135A (zh) * 2023-11-30 2023-12-29 中建海龙科技有限公司 基于bim与物联网的装配式建筑碳排放管控方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611712A (zh) * 2020-05-21 2020-09-01 武汉轻工大学 基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备
CN111861247A (zh) * 2020-07-28 2020-10-30 中国建筑第五工程局有限公司 一种基于碳排放量的建筑工程施工方案比选方法
US20200372588A1 (en) * 2019-05-20 2020-11-26 Singularity Energy, Inc. Methods and systems for machine-learning for prediction of grid carbon emissions
CN114742278A (zh) * 2022-03-17 2022-07-12 西安建筑科技大学 一种基于改进lstm的建筑能耗预测方法及系统
CN114861980A (zh) * 2022-04-02 2022-08-05 武汉理工大学 一种基于bp-lstm模型的碳预测方法
CN115205082A (zh) * 2022-07-05 2022-10-18 江苏海洋大学 一种基于全生命周期理论的建筑碳排放计算系统
US20230020417A1 (en) * 2021-07-12 2023-01-19 Johnson Controls Tyco IP Holdings LLP Control system with adaptive carbon emissions optimization

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200372588A1 (en) * 2019-05-20 2020-11-26 Singularity Energy, Inc. Methods and systems for machine-learning for prediction of grid carbon emissions
CN111611712A (zh) * 2020-05-21 2020-09-01 武汉轻工大学 基于粒子群算法的稻谷碳足迹计量优化方法、装置及设备
CN111861247A (zh) * 2020-07-28 2020-10-30 中国建筑第五工程局有限公司 一种基于碳排放量的建筑工程施工方案比选方法
US20230020417A1 (en) * 2021-07-12 2023-01-19 Johnson Controls Tyco IP Holdings LLP Control system with adaptive carbon emissions optimization
CN114742278A (zh) * 2022-03-17 2022-07-12 西安建筑科技大学 一种基于改进lstm的建筑能耗预测方法及系统
CN114861980A (zh) * 2022-04-02 2022-08-05 武汉理工大学 一种基于bp-lstm模型的碳预测方法
CN115205082A (zh) * 2022-07-05 2022-10-18 江苏海洋大学 一种基于全生命周期理论的建筑碳排放计算系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
宋伟雪: "基于机器学习的建筑业二氧化碳排放预测模型研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 01, pages 027 - 1976 *
毛希凯: "建筑生命周期碳排放预测模型研究——以天津市住宅为例", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 06, pages 038 - 167 *
洪竞科等: "中国省域建筑业碳锁定效应时空演进", 《资源科学》, vol. 44, no. 07, pages 1388 - 1404 *
路明: "碳税政策下建筑生命周期成本和碳排放优化研究", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, no. 01, pages 150 - 451 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843080A (zh) * 2023-07-12 2023-10-03 济南明泉数字商务有限公司 一种基于机器学习的尿素生产碳元素足迹预测方法及系统
CN116843080B (zh) * 2023-07-12 2024-03-19 济南明泉数字商务有限公司 一种基于机器学习的尿素生产碳元素足迹预测方法及系统
CN117152588A (zh) * 2023-10-31 2023-12-01 苏州元脑智能科技有限公司 一种数据优化方法、系统、装置及介质
CN117152588B (zh) * 2023-10-31 2024-02-09 苏州元脑智能科技有限公司 一种数据优化方法、系统、装置及介质
CN117314135A (zh) * 2023-11-30 2023-12-29 中建海龙科技有限公司 基于bim与物联网的装配式建筑碳排放管控方法
CN117314135B (zh) * 2023-11-30 2024-03-26 中建海龙科技有限公司 基于bim与物联网的装配式建筑碳排放管控方法

Also Published As

Publication number Publication date
CN116187584B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN116187584B (zh) 一种基于梯度下降算法的建筑碳足迹预测方法及系统
Liu et al. Real-time carbon emission monitoring in prefabricated construction
CN110795836B (zh) 基于区间与有界概率混合不确定性的机械臂稳健优化方法
Ng et al. Using genetic algorithms and linear regression analysis for private housing demand forecast
CN104252652A (zh) 电力系统中空间负荷预测方法
CN114580851B (zh) 一种基于全生命周期碳排放计算的既有建筑改造数字化设计方法
CN110796293B (zh) 一种电力负荷预测方法
CN111861247A (zh) 一种基于碳排放量的建筑工程施工方案比选方法
CN108256969A (zh) 一种公共自行车租赁点调度区域划分方法
Liu et al. Multi-objective optimal scheduling of automated construction equipment using non-dominated sorting genetic algorithm (NSGA-III)
CN116228171B (zh) 一种企业碳排放监测系统及方法
Victoria et al. Developing an early design stage embodied carbon prediction model: a case study.
CN115952894A (zh) 一种电力物资需求及采购的预测方法
Ozturk et al. Estimating petroleum exergy production and consumption using vehicle ownership and GDP based on genetic algorithm approach
Lin et al. A novel efficient model for gas compressibility factor based on GMDH network
CN115018327A (zh) 一种基于系统模拟的碳排放核定方法及系统
Yang et al. Concrete vehicle scheduling based on immune genetic algorithm
Wang Optimized mathematical model for energy efficient construction management in smart cities using building information modeling
Liu et al. Life cycle energy consumption prediction based on an extended system boundary with the Bi-LSTM model: An empirical study of China
CN115392988A (zh) 一种工程项目造价确定方法、装置、电子设备及存储介质
Jia et al. The Biobjective Bike‐Sharing Rebalancing Problem with Balance Intervals: A Multistart Multiobjective Particle Swarm Optimization Algorithm
Mo et al. Dynamic cost evaluation method of intelligent manufacturing enterprises based on dea model
JPH09179850A (ja) 需要予測モデル評価方法
CN111047108A (zh) 一种基于最优组合模型的终端能源消费中电能占比预测方法
Li et al. Study on fuzzy optimization methods based on principal operation and inequity degree

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