CN116187788A - 用于厂区的能碳管理算法应用平台 - Google Patents
用于厂区的能碳管理算法应用平台 Download PDFInfo
- Publication number
- CN116187788A CN116187788A CN202310490768.0A CN202310490768A CN116187788A CN 116187788 A CN116187788 A CN 116187788A CN 202310490768 A CN202310490768 A CN 202310490768A CN 116187788 A CN116187788 A CN 116187788A
- Authority
- CN
- China
- Prior art keywords
- carbon
- factory
- target
- area
- current time
- 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
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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"
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于厂区的能碳管理算法应用平台,包括:能碳预测器件,用于采用为目标厂区定制的AI预测模型基于所述目标厂区在当前时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量以及所述目标厂区的多项厂区配置信息预测所述目标厂区在当前时间分段的预测能碳数据;策略定制器件,与所述能碳预测器件连接,用于基于所述预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法。通过本发明,能够采用智能预测模型以基于目标厂区的多份过往能碳数值以及目标厂区的多项厂区配置信息完成对目标厂区未来能碳管理策略的定制,从而实现了对目标厂区的动态能碳管理。
Description
技术领域
本发明涉及能碳管理领域,尤其涉及一种用于厂区的能碳管理算法应用平台。
背景技术
在能耗双控向碳排放总量和强度双控转变下,能碳双控成为各处厂区需要破解的重大难题。
建设绿色低碳厂区是一项系统性的工程,需要厂区运营方、厂区治理方等多方面共同推动。厂区的碳排放量化必然包括厂区实现节能降碳,只有这样,厂区才能实现绿色低碳发展;厂区运营方则一方面提供厂区能源供应,另一方面可以搭建平台服务,助力厂区治理方实现节能降耗和监管目标。
为破解上述难题,一般采用依托物联网、云计算、地理信息、大数据等技术,以碳控路线牵引,打造厂区的能效监测、不同厂区设备的能耗定额和碳控指标体系,以期望建立完善的厂区能碳管理平台。
例如申请公布号CN115809830A的发明公开了基于工业园区的绿色评价数据分析管理系统,涉及碳排放管理技术领域,解决了解决多个生产区之间绿色参数的综合作用,会导致部分生产区排放过高,却不能及时得知,同时,某个时间段排放过高时,也会导致整体的评价数据不准确,导致整体的绿色评价效果不佳的技术问题,将处于同一时段的分析参数进行均值处理得到对应的处理值,再将处理值与评价比对值进行比对,得到不同的处理信号,再通过信号输出端将不同的处理信号输出,将工业园区划分为多个分区,再对多个分区进行时段分析,采用此种方式对整个工业园区进行绿色评价分析,不仅能够快速找到异常的分区,还可提升整体的评价效果,同时提升对整个工业园区绿色评价参数的准确度。
又如申请公布号CN115345532A的发明涉及一种智能群控电供暖系统碳排放管理平台及方法,包括数据采集模块、碳排放计算模块、碳排放控制模块、数据存储模块和碳排放分析模块。数据采集模块采集电暖器功率、室内温度和电碳因子。碳排放计算模块根据内嵌碳排放计算模型,计算系统碳排放量。碳排放控制模块分两种模式,其一当电碳因子为常数,以用电量最小为约束,依据电供暖系统智能控制策略进行碳排放控制;其二当电碳因子为变化值,以碳排放最小为约束,依据内嵌多参数控制模型进行碳排放控制。数据存储模块存储目标用户信息及碳排放量。碳排放分析模块分析用户碳排放动态变化。该平台实现了智能群控电供暖系统碳排放量的可计、可查与可控。
再如申请公布号CN115187400A的发明涉及一种基于区块链和大数据的碳资产管理系统,包括数据中台、碳排放管理单元、CCER项目管理单元、碳资产管理单元和碳交易管理单元,该系统还包括安全管理单元和由多个碳资产数据节点组成的大数据区块链,所述的安全管理单元包括:数据上传模块:用于在各碳资产数据节点上传身份信息和交易信息;加密处理模块:用于对各碳资产数据节点上的身份信息和交易信息进行加密处理;安全认证模块:用于对经过加密处理的身份信息进行安全认证,并将通过安全认证的碳资产数据节点作为可信节点;交易发布模块:用于将各可信节点上经过加密处理的交易信息发布至大数据区块链上。
然而,现有技术中的厂区能碳管理平台在为厂区每一个时间分段制定能碳管理算法时,依赖的厂区能量需求数量以及碳排放数据都是相对于所述时间分段的过往数据,这种时间滞后的参考数据用于制定相应的能碳管理算法,必然导致实际数据与能碳管理算法的错配,进而无法达到预期的节能减碳目标。
发明内容
本发明旨在解决现有技术中存在的技术问题,具体提供了一种用于厂区的能碳管理算法应用平台。
本发明是这样实现的,所述平台包括:
厂区检测机构,用于获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率;
信息捕获机构,用于获取所述目标厂区在当前时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量,所述预设数目的取值与所述目标厂区的能量消耗设备总数正向关联的同时与所述目标厂区的碳排放设备总数正向关联,所述当前时间分段与其之前的多个历史时间分段构成一个完整的时间区间且每一时间分段的持续时长相同;
模型训练器件,用于对深度神经网络执行多次学习操作以获得用于执行能碳数据预测的AI预测模型,学习操作的次数与目标厂区的占据地理面积成正比;
能碳预测器件,分别与所述厂区检测机构、所述信息捕获机构以及所述模型训练器件连接,用于采用所述AI预测模型以基于所述目标厂区在当前时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量、所述目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率智能预测所述目标厂区在当前时间分段的预测能碳数据;
策略定制器件,与所述能碳预测器件连接,用于基于所述目标厂区在当前时间分段的预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法;
其中,所述能碳预测器件智能预测的所述目标厂区在当前时间分段的预测能碳数据包括:所述目标厂区在当前时间分段的预测能量消耗总量以及预测碳排放总量;
其中,获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率包括:被执行能碳管理的目标厂区的平均额定功率为被执行能碳管理的目标厂区内各个能量消耗设备分别对应的各个额定输出功率的平均值。
本发明技术方案能够采用为目标厂区定制的执行未来能碳数值预测的AI预测模型以基于目标厂区的多份过往能碳数值以及目标厂区的多项厂区配置信息,完成对目标厂区未来能碳管理策略的定制,从而实现了对目标厂区的动态能碳管理,达到预期的节能减碳目标。
附图说明
以下将结合附图对本发明的实施例进行描述。
图1为根据本发明第1实施例示出的用于厂区的能碳管理算法应用平台的内容结构示意图。
图2为根据本发明第2实施例示出的用于厂区的能碳管理算法应用平台的内容结构示意图。
图3为根据本发明第3实施例示出的用于厂区的能碳管理算法应用平台的内容结构示意图。
具体实施方式
下面将参照附图对本发明的用于厂区的能碳管理算法应用平台的实施例进行详细说明。
第1实施例
图1为根据本发明第1实施例示出的用于厂区的能碳管理算法应用平台的内容结构示意图,所述平台包括:
厂区检测机构,用于获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率;
示例地,所述厂区检测机构获取的被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率为二进制数值表示模式;
信息捕获机构,用于获取所述目标厂区在当前时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量,所述预设数目的取值与所述目标厂区的能量消耗设备总数正向关联的同时与所述目标厂区的碳排放设备总数正向关联,所述当前时间分段与其之前的多个历史时间分段构成一个完整的时间区间且每一时间分段的持续时长相同;
模型训练器件,用于对深度神经网络执行多次学习操作以获得用于执行能碳数据预测的AI预测模型,学习操作的次数与目标厂区的占据地理面积成正比;
例如,对深度神经网络执行多次学习操作以获得用于执行能碳数据预测的AI预测模型,学习操作的次数与目标厂区的占据地理面积成正比包括:可以采用数值仿真模式对深度神经网络执行多次学习操作以获得用于执行能碳数据预测的AI预测模型;
能碳预测器件,分别与所述厂区检测机构、所述信息捕获机构以及所述模型训练器件连接,用于采用所述AI预测模型以基于所述目标厂区在当前时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量、所述目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率智能预测所述目标厂区在当前时间分段的预测能碳数据;
策略定制器件,与所述能碳预测器件连接,用于基于所述目标厂区在当前时间分段的预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法;
其中,所述能碳预测器件智能预测的所述目标厂区在当前时间分段的预测能碳数据包括:所述目标厂区在当前时间分段的预测能量消耗总量以及预测碳排放总量;
其中,获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率包括:被执行能碳管理的目标厂区的平均额定功率为被执行能碳管理的目标厂区内各个能量消耗设备分别对应的各个额定输出功率的平均值;
其中,基于所述目标厂区在当前时间分段的预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法包括:所述目标厂区在当前时间分段的预测能量消耗总量数值越大,为所述目标厂区在当前时间分段分配的能量资源越多;
其中,基于所述目标厂区在当前时间分段的预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法包括:所述目标厂区在当前时间分段的预测碳排放总量数值越大,为所述目标厂区在当前时间分段执行的碳中和强度越大。
由此可见,本发明在以下三个方面体现出了创造性:
第一方面,为被执行能碳管理的目标厂区定制执行未来能碳数值预测的AI预测模型,以基于目标厂区的历史能碳数值以及厂区配置数据完成对目标厂区的未来能碳数值的智能化预测,从而为后续的目标厂区的能碳管理提供可靠的参考信息;
第二方面,针对预测的目标厂区的未来能碳数值确定自适应的能碳管理算法,在所述能碳管理算法中,所述目标厂区未来预测能量消耗总量数值越大,为所述目标厂区在未来分配的能量资源越多,以及所述目标厂区未来预测碳排放总量数值越大,为所述目标厂区在未来执行的碳中和强度越大,从而实现对目标厂区的动态能碳管理;
第三方面,执行未来能碳数值预测的AI预测模型的定制之处在于模型的各项输入内容的定制以及模型学习机制的定制,其中,学习操作的次数与目标厂区的占据地理面积成正比。
第2实施例
图2为根据本发明第2实施例示出的用于厂区的能碳管理算法应用平台的内容结构示意图。
相比较于图1,图2中的用于厂区的能碳管理算法应用平台还可以包括:
能量分配器件,与所述策略定制器件连接,用于基于为所述目标厂区制定的针对当前时间分段的相应的能碳管理算法执行对所述目标厂区针对当前时间分段的能量资源分配;
示例地,所述能量分配器件用于同时管理多个厂区,所述目标厂区为所述多个厂区中的一个。
第3实施例
图3为根据本发明第3实施例示出的用于厂区的能碳管理算法应用平台的内容结构示意图。
相比较于图1,图3中的用于厂区的能碳管理算法应用平台还可以包括:
中和处理器件,与所述策略定制器件连接,用于基于为所述目标厂区制定的针对当前时间分段的相应的能碳管理算法执行对所述目标厂区针对当前时间分段的碳中和强度;
其中,基于为所述目标厂区制定的针对当前时间分段的相应的能碳管理算法执行对所述目标厂区针对当前时间分段的碳中和强度包括:采用包括分置在所述目标厂区不同位置的各个二氧化碳气体吸附单元执行碳中和操作。
接着,继续对本发明的用于厂区的能碳管理算法应用平台的具体结构进行进一步的说明。
在根据本发明的各个实施例的用于厂区的能碳管理算法应用平台中:
对深度神经网络执行多次学习操作以获得用于执行能碳数据预测的AI预测模型包括:对深度神经网络执行的每一次学习操作中,以所述目标厂区在过往时间分段的已知能碳数据即所述目标厂区在过往时间分段的已知能量消耗总量以及已知碳排放总量作为所述深度神经网络的输出内容,以所述目标厂区在所述过往时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量、所述目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率作为所述深度神经网络的输入内容,完成该次学习操作。
在根据本发明的各个实施例的用于厂区的能碳管理算法应用平台中:
所述预设数目的取值与所述目标厂区的能量消耗设备总数正向关联的同时与所述目标厂区的碳排放设备总数正向关联包括:采用二输入单输出的数值转换公式表示所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数与确定的所述预设数目的取值的数值转换关系;
其中,采用二输入单输出的数值转换公式表示所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数与确定的所述预设数目的取值的数值转换关系包括:所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数为所述二输入单输出的数值转换公式的二项输入参数;
其中,采用二输入单输出的数值转换公式表示所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数与确定的所述预设数目的取值的数值转换关系包括:确定的所述预设数目的取值为所述二输入单输出的数值转换公式的单项输出参数。
以及在根据本发明的各个实施例的用于厂区的能碳管理算法应用平台中:
获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率包括:被执行能碳管理的目标厂区的占据地理面积大于被执行能碳管理的目标厂区的工厂占据面积。
另外,在所述用于厂区的能碳管理算法应用平台中,被执行能碳管理的目标厂区的占据地理面积大于被执行能碳管理的目标厂区的工厂占据面积包括:被执行能碳管理的目标厂区的占据地理面积包括被执行能碳管理的目标厂区的工厂占据面积以及被执行能碳管理的目标厂区的绿植种植面积。
采用本发明的用于厂区的能碳管理算法应用平台,针对现有技术中为厂区定制未来时间分段的能碳管理算法时因为未来时间分段能碳数值难以预测导致算法有效性较差的技术问题,通过采用智能预测模型以基于目标厂区的多份过往能碳数值以及目标厂区的多项厂区配置信息完成对目标厂区未来能碳管理策略的定制,从而实现了对目标厂区的动态能碳管理,降低了厂区未来节能减碳的难度。
虽然以上只详细描述本发明的示范性实施例,本行业熟练人士将立即理解在这些示范性方案中可以有许多变型而不致实质上偏离本发明的新颖原理和优点。相应地,所有这些变型均将包括在以下权利要求所限定的本发明范围以内。在权利要求中,手段和功能条款打算包括在此描述的结构作为实施所叙述的功能,并且不但包括结构上的相当者,还包括相当的结构。
Claims (10)
1.一种用于厂区的能碳管理算法应用平台,其特征在于,所述平台包括:
厂区检测机构,用于获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率;
信息捕获机构,用于获取所述目标厂区在当前时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量,所述预设数目的取值与所述目标厂区的能量消耗设备总数正向关联的同时与所述目标厂区的碳排放设备总数正向关联,所述当前时间分段与其之前的多个历史时间分段构成一个完整的时间区间且每一时间分段的持续时长相同;
模型训练器件,用于对深度神经网络执行多次学习操作以获得用于执行能碳数据预测的AI预测模型,学习操作的次数与目标厂区的占据地理面积成正比;
能碳预测器件,分别与所述厂区检测机构、所述信息捕获机构以及所述模型训练器件连接,用于采用所述AI预测模型以基于所述目标厂区在当前时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量、所述目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率智能预测所述目标厂区在当前时间分段的预测能碳数据;
策略定制器件,与所述能碳预测器件连接,用于基于所述目标厂区在当前时间分段的预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法;
其中,所述能碳预测器件智能预测的所述目标厂区在当前时间分段的预测能碳数据包括:所述目标厂区在当前时间分段的预测能量消耗总量以及预测碳排放总量;
其中,获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率包括:被执行能碳管理的目标厂区的平均额定功率为被执行能碳管理的目标厂区内各个能量消耗设备分别对应的各个额定输出功率的平均值。
2.如权利要求1所述的用于厂区的能碳管理算法应用平台,其特征在于:
基于所述目标厂区在当前时间分段的预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法包括:所述目标厂区在当前时间分段的预测能量消耗总量数值越大,为所述目标厂区在当前时间分段分配的能量资源越多;
其中,基于所述目标厂区在当前时间分段的预测能碳数据为所述目标厂区制定针对当前时间分段的相应的能碳管理算法包括:所述目标厂区在当前时间分段的预测碳排放总量数值越大,为所述目标厂区在当前时间分段执行的碳中和强度越大。
3.如权利要求2所述的用于厂区的能碳管理算法应用平台,其特征在于,所述平台还包括:
能量分配器件,与所述策略定制器件连接,用于基于为所述目标厂区制定的针对当前时间分段的相应的能碳管理算法执行对所述目标厂区针对当前时间分段的能量资源分配。
4.如权利要求2所述的用于厂区的能碳管理算法应用平台,其特征在于,所述平台还包括:
中和处理器件,与所述策略定制器件连接,用于基于为所述目标厂区制定的针对当前时间分段的相应的能碳管理算法执行对所述目标厂区针对当前时间分段的碳中和强度。
5.如权利要求4所述的用于厂区的能碳管理算法应用平台,其特征在于:
基于为所述目标厂区制定的针对当前时间分段的相应的能碳管理算法执行对所述目标厂区针对当前时间分段的碳中和强度包括:采用包括分置在所述目标厂区不同位置的各个二氧化碳气体吸附单元执行碳中和操作。
6.如权利要求2-5任一所述的用于厂区的能碳管理算法应用平台,其特征在于:
对深度神经网络执行多次学习操作以获得用于执行能碳数据预测的AI预测模型包括:对深度神经网络执行的每一次学习操作中,以所述目标厂区在过往时间分段的已知能碳数据即所述目标厂区在过往时间分段的已知能量消耗总量以及已知碳排放总量作为所述深度神经网络的输出内容,以所述目标厂区在所述过往时间分段之前预设数目的多个历史时间分段的能量消耗总量以及碳排放总量、所述目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率作为所述深度神经网络的输入内容,完成该次学习操作。
7.如权利要求2-5任一所述的用于厂区的能碳管理算法应用平台,其特征在于:
所述预设数目的取值与所述目标厂区的能量消耗设备总数正向关联的同时与所述目标厂区的碳排放设备总数正向关联包括:采用二输入单输出的数值转换公式表示所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数与确定的所述预设数目的取值的数值转换关系。
8.如权利要求7所述的用于厂区的能碳管理算法应用平台,其特征在于:
采用二输入单输出的数值转换公式表示所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数与确定的所述预设数目的取值的数值转换关系包括:所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数为所述二输入单输出的数值转换公式的二项输入参数。
9.如权利要求8所述的用于厂区的能碳管理算法应用平台,其特征在于:
采用二输入单输出的数值转换公式表示所述目标厂区的能量消耗设备总数以及所述目标厂区的碳排放设备总数与确定的所述预设数目的取值的数值转换关系包括:确定的所述预设数目的取值为所述二输入单输出的数值转换公式的单项输出参数。
10.如权利要求2-5任一所述的用于厂区的能碳管理算法应用平台,其特征在于:
获取被执行能碳管理的目标厂区的占据地理面积、能量消耗设备总数、碳排放设备总数、工厂占据面积、工作人员数量、注册车辆数量以及平均额定功率包括:被执行能碳管理的目标厂区的占据地理面积大于被执行能碳管理的目标厂区的工厂占据面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310490768.0A CN116187788A (zh) | 2023-05-04 | 2023-05-04 | 用于厂区的能碳管理算法应用平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310490768.0A CN116187788A (zh) | 2023-05-04 | 2023-05-04 | 用于厂区的能碳管理算法应用平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187788A true CN116187788A (zh) | 2023-05-30 |
Family
ID=86442689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310490768.0A Pending CN116187788A (zh) | 2023-05-04 | 2023-05-04 | 用于厂区的能碳管理算法应用平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629588A (zh) * | 2023-07-24 | 2023-08-22 | 江苏智能低碳科技发展有限公司 | 基于人工智能的厂区碳管理方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272243A (zh) * | 2018-09-30 | 2019-01-25 | 大唐碳资产有限公司 | 碳资产管理方法及系统 |
CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
CN113742817A (zh) * | 2021-08-12 | 2021-12-03 | 生态环境部环境规划院 | 一种建筑二氧化碳排放的预测方法及预测系统 |
CN114444777A (zh) * | 2021-12-31 | 2022-05-06 | 特斯联科技集团有限公司 | 用于车辆碳排量识别的人工智能模型应用系统 |
CN114519451A (zh) * | 2021-12-26 | 2022-05-20 | 特斯联科技集团有限公司 | 智能化孤岛型园区车辆碳排量预测方法和系统 |
CN115345532A (zh) * | 2022-10-20 | 2022-11-15 | 中国建筑科学研究院有限公司 | 一种智能群控电供暖系统碳排放管理平台及方法 |
CN115409271A (zh) * | 2022-09-02 | 2022-11-29 | 中建工程产业技术研究院有限公司 | 一种建筑企业碳排放预测与建议方法和平台 |
CN115471014A (zh) * | 2022-10-24 | 2022-12-13 | 国网重庆市电力公司电力科学研究院 | 一种基于深度神经网络的电网企业度电碳耗预测方法 |
CN115705510A (zh) * | 2021-08-06 | 2023-02-17 | 中国石油化工股份有限公司 | 厂区气体污染分布预测方法、系统、电子设备及存储介质 |
CN115796023A (zh) * | 2022-11-23 | 2023-03-14 | 国网新疆电力有限公司电力科学研究院 | 一种基于碳配额的电力系统调度方法、装置及设备 |
CN116030210A (zh) * | 2023-01-10 | 2023-04-28 | 深圳润澄金景科技服务有限公司 | 碳排放数据统计方法、电子设备及存储介质 |
-
2023
- 2023-05-04 CN CN202310490768.0A patent/CN116187788A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272243A (zh) * | 2018-09-30 | 2019-01-25 | 大唐碳资产有限公司 | 碳资产管理方法及系统 |
CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
CN115705510A (zh) * | 2021-08-06 | 2023-02-17 | 中国石油化工股份有限公司 | 厂区气体污染分布预测方法、系统、电子设备及存储介质 |
CN113742817A (zh) * | 2021-08-12 | 2021-12-03 | 生态环境部环境规划院 | 一种建筑二氧化碳排放的预测方法及预测系统 |
CN114519451A (zh) * | 2021-12-26 | 2022-05-20 | 特斯联科技集团有限公司 | 智能化孤岛型园区车辆碳排量预测方法和系统 |
CN114444777A (zh) * | 2021-12-31 | 2022-05-06 | 特斯联科技集团有限公司 | 用于车辆碳排量识别的人工智能模型应用系统 |
CN115409271A (zh) * | 2022-09-02 | 2022-11-29 | 中建工程产业技术研究院有限公司 | 一种建筑企业碳排放预测与建议方法和平台 |
CN115345532A (zh) * | 2022-10-20 | 2022-11-15 | 中国建筑科学研究院有限公司 | 一种智能群控电供暖系统碳排放管理平台及方法 |
CN115471014A (zh) * | 2022-10-24 | 2022-12-13 | 国网重庆市电力公司电力科学研究院 | 一种基于深度神经网络的电网企业度电碳耗预测方法 |
CN115796023A (zh) * | 2022-11-23 | 2023-03-14 | 国网新疆电力有限公司电力科学研究院 | 一种基于碳配额的电力系统调度方法、装置及设备 |
CN116030210A (zh) * | 2023-01-10 | 2023-04-28 | 深圳润澄金景科技服务有限公司 | 碳排放数据统计方法、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
王少明 等: "实现绿化减排的途径探讨", 湖北林业科技, pages 57 - 59 * |
赵荣钦 等: "城市系统碳循环与碳管理研究进展", 自然资源学报, vol. 24, no. 10, pages 1847 - 1859 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629588A (zh) * | 2023-07-24 | 2023-08-22 | 江苏智能低碳科技发展有限公司 | 基于人工智能的厂区碳管理方法 |
CN116629588B (zh) * | 2023-07-24 | 2023-09-19 | 江苏智能低碳科技发展有限公司 | 基于人工智能的厂区碳管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Building's electricity consumption prediction using optimized artificial neural networks and principal component analysis | |
KR102407764B1 (ko) | 그리드 내의 차폐된 시스템을 위한 계층적 암시적 제어기 | |
US10223167B2 (en) | Discrete resource management | |
Yao et al. | An improved grey-based approach for electricity demand forecasting | |
Wang et al. | Multi-agent control system with information fusion based comfort model for smart buildings | |
Cárdenas et al. | Load forecasting framework of electricity consumptions for an Intelligent Energy Management System in the user-side | |
CN106934497A (zh) | 基于深度学习的智慧小区用电量实时预测方法及装置 | |
CN116187788A (zh) | 用于厂区的能碳管理算法应用平台 | |
CN113344192B (zh) | 企业级电机系统节能优化自动控制方法及系统 | |
CN104037761B (zh) | 一种agc功率多目标随机优化分配方法 | |
KR20190063198A (ko) | 에너지 수요 동적 관리 시스템 및 그 동작방법 | |
CN115796393A (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN104573848A (zh) | 一种基于电力需求预测规划及可靠性的配电网建设方法 | |
CN110245771A (zh) | 需量预测方法、需量控制方法及系统 | |
Yao et al. | Development of an integrated Grey–fuzzy-based electricity management system for enterprises | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN106849064B (zh) | 一种基于气象数据的区域电网负荷预测管理系统 | |
Sarkar et al. | Concurrent Carbon Footprint Reduction (C2FR) Reinforcement Learning Approach for Sustainable Data Center Digital Twin | |
CN113690885A (zh) | 一种供电控制方法及供电平台 | |
KR101517996B1 (ko) | 멀티에이전트 기반의 가상발전기 운영시스템 | |
CN117134380A (zh) | 一种基于云边协同分布式储能分层级优化运行方法及系统 | |
Bianchini et al. | Receding horizon control for demand-response operation of building heating systems | |
Schmitt et al. | A dynamic load control strategy for an efficient building demand response | |
CN116050754A (zh) | 一种基于数字孪生的虚拟电厂协同管控方法及系统 | |
Wang et al. | A novel cloud-edge collaboration based short-term load forecasting method for 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 |