CN116541666A - 一种基于影响因素溯源的低碳园区碳追踪方法 - Google Patents

Abstract

本发明公开了一种基于影响因素溯源的低碳园区碳追踪方法，包括确定碳足迹的碳管控范围,对碳排放进行动态预测获得碳源和碳汇数据；将所述碳源和碳汇数据进行预处理；将预处理后所述碳源和碳汇数据利用投入产出法分别进行计算，分别确定碳源类型及排放因子计算相应的碳足迹,根据低碳园区的全周期的碳足迹在m个区域的n个领域的直接碳排放量和间接碳排放量后计算低碳园区的碳足迹总量。本发明对园区建筑、能源等碳流向进行智慧管控，且能够为低碳园区提供实时且持续的相关数据，整合全园区内的运维管理、交通运输、照明供能等方面，高效快速的实现了碳足迹计算数据计算和追踪，提升园区的碳资产管理信息化水平。

Description

一种基于影响因素溯源的低碳园区碳追踪方法

技术领域

本发明涉及一种碳追踪测量技术，尤其涉及一种基于影响因素溯源的低碳园区碳追踪方法。

背景技术

低碳园区是实现碳计量、核算、认证的定量化计算与优化分析，低碳园区的能源与碳排放管理过程涉及不同领域的大量供用能设备，碳核算、追踪和管控过程较为复杂，考虑的影响因素较多，同时依托于计量设备和数据采集设备的接入，以及能耗计量设备与各类传感器对外的接口协议。通讯链路复杂，如何将园区内各建筑、能源、交通和产业的碳排放数据进行汇总并集中管理是低碳园区能源与碳排放管理平台建设的重点之一。

低碳园区碳排放的追踪和管控需处理园区各单位海量能耗数据，为各单位、同行业企业的能耗同比和环比分析提供基础数据，分析过程涉及园区不同单位、不同能源介质。如水、电、气表的一次设备只提供实时能耗数据，涉及到按年、月、日分析能耗情况，碳排放的核算、时间空间分布、碳排放的预测、计量等相关数据计算方式、统计方式、能源介质情况随着园区的使用需要进行不断动态的预测计算和修正。

在碳足迹追踪与评价指标方面，现存技术主要聚焦于某一具体领域对象全生命周期的碳足迹的定量分析与评价,目前的研究仅仅只停留在园区内单一组成部分的碳足迹追踪，没有关注园区整体与外界环境的互动对碳足迹所造成的影响。在低碳园区多领域碳足迹的规划与运行技术方面，现存研究主要基于数据挖掘和异常检测技术，识别异常用电，并以此为基础优化用能规划。然而，目前的研究仅仅停留在优化园区内部能源消耗所产生的直接碳排放，但忽略了园区外购电力、生产进口原材料等外部碳排放对园区碳足迹的影响，从而无法真正地实现园区综合碳排放最低。

目前的国内外研究通常基于某具体建筑或某一具体能源系统进行研究，无法覆盖到园区的建筑、能源、交通和产业多个领域，且现有部分研究建立了办公、酒店、住宅、医院等建筑形式园区建筑负荷仿真模型，却无法很好的反应园区楼宇与能源系统、交通产业等其他领域之间的动态影响关系。因此，现有研究尚无覆盖多领域、实现精细化全方位碳追踪和管控分析的方法，还没有针对低碳园区的碳排放影响因素溯源的追踪方法，现有研究无法精确对碳排放的影响因素进行动态分析和精准溯源。在建筑和园区碳追踪精度较差的情况下，无法针对性地在园区降碳过程采取措施，未考虑在多领域全生命周期下的碳足迹动态特性，难以实现高效科学准确的碳足迹追踪，将会影响碳排放核算、碳排放评价和碳排放智慧管控的策略制定和减碳效果。因此，需要一种基于影响因素溯源的低碳园区碳追踪方法。

发明内容

本发明的目的是要提供一种基于影响因素溯源的低碳园区碳追踪方法。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明包括

A确定碳足迹的碳管控范围,对碳排放进行动态预测获得碳源和碳汇数据；

B将所述碳源和碳汇数据进行预处理；

C将预处理后所述碳源和碳汇数据利用投入产出法分别进行计算，分别确定碳源类型及排放因子计算相应的碳足迹,计算公式为：

B＝b×n (1)

其中：B为相应元素总的碳足迹值；b为相应元素的碳足迹因子，即单位的该元素所产生的碳足迹；n为该元素的总量，单位可以面积、体积、个数等。

D根据低碳园区的全周期的碳足迹在m个区域的n个领域的直接碳排放量和间接碳排放量后计算低碳园区的碳足迹总量。

进一步的，对原始数据进行清洗，并对清洗后的数据进行结算对非规律性表计错误运转数据进行人工干预删除后整合形成标准数据视图。

进一步的，所述碳排放因子的权重值如下；

所述每公顷城市绿地的按照每年的碳吸收量为1.66t作为碳排放因子得到植物碳足迹年吸收总量。

进一步地，所述确定碳足迹的碳管控范围包括将低碳园区按照建筑类型进行分类后采集碳源和碳汇数据，所述碳源数据包括园区运营碳足迹和个人碳足迹数据，所述碳汇数据包括低碳园区的景观绿化的数据。

进一步地，所述碳排放进行动态预测的方法包括，获取当前周期内低碳园区碳排放参数以及当前周期内第一时间与第二时间之间的低碳园区碳排放量；对所述低碳园区碳排放参数的数据进行预处理，构建低碳园区在线碳排放时间空间分布预测模型；将当前周期内低碳园区碳排放参数和当前周期内第一时间与第二时间之间的低碳园区碳排放量输入至低碳园区在线碳排放时间空间分布预测模型得到需求的该时间点的碳排放模拟数据。

进一步地，所述数据预处理过程如下：

a利用公式计算数据的自协方差：

b利用公式计算数据间的自协方差函数，并将第一个超过PACF设定值的样本序号n作为预测数据的长度；

c利用滑动窗口算法切割原始数据集，将数据转为由特征和标签组成的有监督形式，设滑动窗口的大小为N(N＝n+1)，即用前n个历史数据预测第n+1个样本值，经过滑动窗口处理后，数据集数量变为M-N+1，格式为{(x₁,…,x_n+1),…,(x_n+1,…,x_2n+1),…}。

d对在边缘收集的数据进行标准化，将数据Z中的每个初始值通过线性化均值转换为0到1范围内的值,所述线性化均值的计算公式为：

进一步地，所述碳排放时间空间分布预测模型构建采用卷积网络和GRU网络搭建特征提取模块，它由一维卷积网络和两层GRU构成，其中，一维卷积网络包含卷积层、dropout层和激活层，并采用Relu函数作为激活函数。

进一步地，所述碳排放时间空间分布预测模型的训练方法包括首先，将预处理后的数据送入神经网络，重置门r_t控制前一状态的信息被写入到当前的候选集上，用来控制需要保留的记忆；重置门越小，前一状态的信息被写入的越少。如果r_t为0则表示/>只保留当前序列的输入信息

r_t＝σ(W_r·[h_t-1,x_t]+b_r)

其中，h_t-1表示上一时刻的输入，x_t表示t时刻的输入。σ(·)代表函数运算，W_r和b_r分别代表该运算过程中的权重矩阵和偏置矩阵；

其中tanh(·)为函数运算，W和b_t为计算过程中的权重矩阵和偏差矩阵。

然后，更新门z_t用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；更新门的计算如下所示：

z_t＝σ(W_z·[h_t-1,x_t]+b_z)

其中，h_t-1表示上一时刻的输入，x_t表示t时刻的输入。σ(·)代表函数运算，W_z和b_z分别代表该运算过程中的权重矩阵和偏置矩阵；

最后，得到当前序列的输出隐藏层信息h_t，而GRU是没有输出门的；

在训练迁移学习碳排放预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的。本发明采用MSE作为损失函数来评估网络性能，MSE的计算如下：

其中y_i是第i个实际数据，是第i个预测数据，M表示训练数据量。

在网络训练过程中，选用Relu作为全连接层(FCL)的激活函数，然后采用Nadam算法优化网络的训练。

本发明的有益效果是：

本发明对园区建筑、能源等碳流向进行智慧管控，且能够为低碳园区提供实时且持续的相关数据，整合全园区内的运维管理、交通运输、照明供能等方面，高效快速的实现了碳足迹计算数据计算和追踪，提升园区的碳资产管理信息化水平。

附图说明

图1是本发明的一种基于影响因素溯源的低碳园区碳追踪方法的流程图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

如图1所示，A确定碳足迹的碳管控范围,对碳排放进行动态预测获得碳源和碳汇数据；

在低碳园区运营过程中产生的碳排放量和园区内植被抵消的碳排放量共同决定了碳足迹的大小，即碳源和碳汇是影响低碳园区碳足迹的主要因素。将低碳园区内包含办公、酒店、住宅、医院等建筑，冷热电能源系统，新能源汽车，工艺生产等全部管理范围作为本发明的物理范围。在运营范围的确定上，为了保证核算结果的全面性，本发明将核查范围分为碳源和碳汇两部分，碳源为园区运营相关以及个人产生的碳足迹，园区运营主要包括各类能源和资源的消耗，如电、天然气、汽油、柴油、煤、市政供暖、自来水等，个人产生包括服饰、食品、交通及其它容易量化的内容；碳汇包括可吸收温室气体的植物，即园区范围内的景观绿化。

为了开展碳排放影响因素的动态追踪溯源，本发明通过对碳排放进行动态预测，建立相关预测模型，在线碳排放时间空间分布预测模型主要由下列三个子步骤构成：

1.数据预处理

数据预处理分为偏自相关函数(PACF)分析、滑动窗口处理和标准化三步，PACF分析用于确定数据的特征维度，滑动窗口处理用于将源域数据变为有监督形式，数据处理过程如下：

a利用公式计算数据的自协方差：

b利用公式计算数据间的自协方差函数，并将第一个超过PACF设定值的样本序号n作为预测数据的长度；

c利用滑动窗口算法切割原始数据集，将数据转为由特征和标签组成的有监督形式。设滑动窗口的大小为N(N＝n+1)，即用前n个历史数据预测第n+1个样本值。经过滑动窗口处理后，数据集数量变为M-N+1，格式为{(x₁,…,x_n+1),…,(x_n+1,…,x_2n+1),…}。

d利用Min-Max Normalization方法主要对在边缘收集的数据进行标准化，其原理是将数据Z中的每个初始值通过线性化均值转换为0到1范围内的值。Min-MaxNormalization方法的计算公式为：

2.碳排放时间空间分布预测模型构建

针对时间序列特征长期依赖问题，同时考虑到网络的计算速度，负荷预测模型采用卷积网络和GRU网络搭建特征提取模块。它由一维卷积网络和两层GR U构成。其中，一维卷积网络包含卷积层、dropout层和激活层，并采用Re l u函数作为激活函数。一维卷积神经网络可以用于处理一维序列数据，通过卷积层提取负荷数据集中的有效非线性局部特征，而dropout层则通过在每次负荷数据迭代过程中随机丢弃一定比例的神经元来避免过拟合现象，提升该模块的泛化能力与训练时间。通过一维卷积神经网络的处理，可以得到具备更多特征信息的子序列数据，之后利用两层GRU网络来关注序列之间存在的时序关系，提取所需的特征信息，从而利用特征提取网络提取数据特征。

预测模块功能是网络训练时计算模型的预测损失，网络模型重用时预测输入值对应的目标值。，它由一个全连接模块和一个全连接层组成。其中全连接块采用相同的结构即由全连接层、Dropout层和激活层构成，但全连接层的神经单元数不同，全连接块中，激活层皆采用Relu函数。全连接层的主要目的是将多维数据展平为一维数据，便于将网络学习到的负荷特征表示映射到训练样本的标记空间，从而展示模型预测结果。

3.碳排放时间空间分布模型训练

首先，将预处理后的负荷数据送入神经网络，重置门r_t控制前一状态有多少信息被写入到当前的候选集上，用来控制需要保留多少之前的记忆；重置门越小，前一状态的信息被写入的越少。如果r_t为0则表示/>只保留当前序列的输入信息

r_t＝σ(W_r·[h_t-1,x_t]+b_r)

其中，h_t-1表示上一时刻的输入，x_t表示t时刻的输入。σ(·)代表函数运算，W_r和b_r分别代表该运算过程中的权重矩阵和偏置矩阵。

其中tanh(·)为函数运算，W和b_t为计算过程中的权重矩阵和偏差矩阵。

然后，更新门z_t用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。更新门的计算如下所示：

z_t＝σ(W_z·[h_t-1,x_t]+b_z)

其中，h_t-1表示上一时刻的输入，x_t表示t时刻的输入。σ(·)代表函数运算，W_z和b_z分别代表该运算过程中的权重矩阵和偏置矩阵。

最后，得到当前序列的输出隐藏层信息h_t，而GRU是没有输出门的。

在训练迁移学习碳排放预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的。本文采用MSE作为损失函数来评估网络性能，MSE的计算如下：

其中y_i是第i个实际数据，是第i个预测数据，M表示训练数据量。

在网络训练过程中，选用Relu作为全连接层(FCL)的激活函数，然后采用Nadam算法优化网络的训练。

在模型评估中，模型性能评估指标采用均方根误差(RMSE)、平均绝对误差(MAE)以及训练时间，其计算方法为：

其中，f_i表示第i个实际数据，代表第i个预测数据，M代表总的数据量。RMSE和MAE的值越大，网络的性能越差。而训练时间主要考虑负荷预测模型预训练的时间，即考虑模型训练需要的时间。

B将所述碳源和碳汇数据进行预处理；对原始数据进行清洗，并对清洗后的数据进行结算对非规律性表计错误运转数据进行人工干预删除后整合形成标准数据视图。

在明确碳管控的范围后，可采用如下方式对园区运营的碳足迹数据进行采集：分析确定低碳园区的能源资源消耗分布和占比，采用统计提取或依托互联网技术，对电能、天然气、市政热力、汽油、柴油和资源水的消耗情况进行采集工作。本发明能够将园区的综合冷热源系统(空气源热泵、地源热泵、锅炉、水泵等设备的进出水温度、流量、压力、功率、制冷制热量等)、微电网系统(光伏设备、用电等设备的发电量、用电量等)数据进行实时监测，并能在相关界面通过不同的方式形式进行显示、存储和调用。

首先对远传计量表计原始数据的处理，并把处理完成后的结算数据保存在数据库中，

采集园区全流程碳管理相关数据，包括能源流的煤气、蒸汽、电力、水、氧气、压缩空气等一次能源和二次能源发生量、消耗量、外购量的计量数据；园区交通领域的动力消耗与碳氧化物产出；重点产业生产和消耗设备的状态特征数据；与能源生产、消耗相关的操作规程、标准、制度文件、视频影像等离线数据。将这些多源异构数据进行清洗、整合和分类存储，进行统一的主数据和元数据管理，形成标准数据视图，消除数据孤岛，实现全维度数据融合，。

C将预处理后所述碳源和碳汇数据利用投入产出法分别进行计算，分别确定碳源类型及排放因子计算相应的碳足迹,通过获得的具体碳足迹情况，可利用投入产出法分别进行计算，根据相应的碳排放因子，得出相应的碳足迹，计算公式为式(1)：

B＝b×n (1)

其中：B为相应元素总的碳足迹值；b为相应元素的碳足迹因子，即单位的该元素所产生的碳足迹；n为该元素的总量，单位可以面积、体积、个数等。

根据I PCC2006版碳足迹计算指南和北京市林业碳汇工作办公室提供的居民碳足迹计算器，根据低碳园区的相关要求加以修正，得出电力、天然气、市政水等能源、资源的碳排放因子。

园区碳汇指低碳园区内的植物吸收碳足迹的能力，即固碳的能力。碳汇的大小主要由绿地的面积和植被的种群共同决定的，根据植物的特性，一方面由于光合作用吸收二氧化碳，另一方面由于呼吸作用会排放二氧化碳，这两方面的共同作用决定了园区碳汇的大小。根据低碳园区的绿地面积约，绿地碳汇的计算方法，每公顷城市绿地每年的碳吸收量为1.66t，将其作为碳排放因子，可得出低碳园区的碳汇计算公式，得到植物碳足迹年吸收总量。

根据同类园区和周边项目历史能耗数据、仿真预测数据等，利用人工智能算法进行项目日前、周前、月前等不同周期尺度的负荷需求预测，并根据实际室外气象参数、建筑用户用能实际使用习惯等对预测负荷进行在线修正，提供准确度高、与实际贴合度强的冷热电负荷预测结果，作为系统运行策略制定的决策基础。

D根据低碳园区的全周期的碳足迹在m个区域的n个领域的直接碳排放量和间接碳排放量后计算低碳园区的碳足迹总量。

在确定园区碳管控范围与核算边界后，在动态碳足迹追踪预测模型的指导下，采取基于影响因素动态溯源的碳追踪技术对园区建筑、能源等碳流向进行智慧管控，且能够为低碳园区提供实时且持续的相关数据，整合全园区内的运维管理、交通运输、照明供能等方面，高效快速的实现了碳足迹计算数据计算和追踪，提升园区的碳资产管理信息化水平。

在本实施例子中，以某市某正在进行低碳改造的小型园区为例，该园区占地12.3万㎡，容积率约为0.9，其中办公及公寓面积占比较高，达到了51.85％。

以2021年数据为例，园区能源和资源消耗量如表所示：

园区的电力由市政电力统一供给，在2021年全年，共计从社会电网购电565.24万kWh，重点耗电系统包括照明、空调、供暖、综合服务系统及其他办公设备。根据居民用电间接碳排放计算公式，园区用电产生的二氧化碳排放量为5392370.52kg。

市政热力用于供暖，供暖费按供暖面积计算，2021年供暖费为258.58万元，按47元/GJ计算，共消耗市政热力25017.02GJ。根据碳排放计算公式，园区市政热力碳足迹2724.67t。

园区天然气用于茶浴炉和食堂，主要用于公寓浴室及饮用开水。2021年内园区共计消耗天然气327678Nm³。根据碳排放计算公式，园区燃气碳足迹715648.75kg。

汽油、柴油用于园区交通系统。在2021年内共计消耗汽油31229L、柴油12153L。根据碳排放计算公式，园区汽油碳足迹93218.565kg，柴油碳足迹39981.327kg。

园区在2021年内共消耗自来水20.7337万m³。自来水消耗主要分为三部分：分别是生活用水、供暖系统补水及绿化用水。根据碳排放计算公式，用水碳足迹181423.41kg。

个人碳足迹主要包括园区内人员在日常生活和工作中，因个人需要在衣、食、行等方面产生的碳足迹，因每个人的生活和工作的习惯和具体需要不同而异，主要包括购买服装、食品、交通碳排放等方面，通过已知的各类消费的碳排放因子分别计算其碳足迹。平均每个人员每年产生的个人消费类碳足迹约为1404.21kg，其中交通类碳足迹占有较大比重，约为515.12kg，其次纸张和饮食产生的碳足迹也较大，其中纸张约258.3kg，饮食约313.69kg。全年个人消费类碳足迹总量为5788.96吨。

根据核算结果可知全年因园区运营产生的二氧化碳总量约为9145.31t，全年与个人日常生活工作相关的二氧化碳总量约为5788.96t，可得出北京建筑大学西城校区全年产生的二氧化碳约为14933.27t，即运营产生的碳足迹占总量的61.2％，个人碳足迹占38.8％。

园区的绿地面积约18183.58㎡，根据绿地碳汇的计算，每公顷城市绿地每年的碳吸收量为1.66t，将其作为碳排放因子，可得出园区的碳汇计算公式，园区植物碳足迹年吸收总量＝1.66t/h㎡·a(碳汇因子)×1.82h㎡(园区绿地面积)＝3.02t。

同时根据计算可得，该园区的碳压力指数为24.73，处于碳安全等级等级的第四等级，即叫不安全，表明园区到目前为止碳赤字较为严重，碳管控存在很大压力。由此可见该园区距离低碳园区的要求还有很远，低碳园区构建工作需要从控制碳源和增加碳汇两个途径展开，即降低温室气体的排放量，以及增加温室气体的吸收量。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (8)

1.一种基于影响因素溯源的低碳园区碳追踪方法，其特征在于：包括

A确定碳足迹的碳管控范围,对碳排放进行动态预测获得碳源和碳汇数据；

B将所述碳源和碳汇数据进行预处理；

C将预处理后所述碳源和碳汇数据利用投入产出法分别进行计算，分别确定碳源类型及排放因子计算相应的碳足迹,计算公式为：

B＝b×n (1)

其中：B为相应元素总的碳足迹值；b为相应元素的碳足迹因子，即单位的该元素所产生的碳足迹；n为该元素的总量，单位为面积、体积和个数；

D根据低碳园区的全周期的碳足迹在m个区域的n个领域的直接碳排放量和间接碳排放量后计算低碳园区的碳足迹总量。

2.根据权利要求1所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：对原始数据进行清洗，并对清洗后的数据进行结算对非规律性表计错误运转数据进行人工干预删除后整合形成标准数据视图。

3.根据权利要求1所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述碳排放因子的权重值如下；

所述每公顷城市绿地的按照每年的碳吸收量为1.66t作为碳排放因子得到植物碳足迹年吸收总量。

4.根据权利要求1所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述确定碳足迹的碳管控范围包括将低碳园区按照建筑类型进行分类后采集碳源和碳汇数据，所述碳源数据包括园区运营碳足迹和个人碳足迹数据，所述碳汇数据包括低碳园区的景观绿化的数据。

5.根据权利要求1所述的一种基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述碳排放进行动态预测的方法包括，获取当前周期内低碳园区碳排放参数以及当前周期内第一时间与第二时间之间的低碳园区碳排放量；对所述低碳园区碳排放参数的数据进行预处理，构建低碳园区在线碳排放时间空间分布预测模型；将当前周期内低碳园区碳排放参数和当前周期内第一时间与第二时间之间的低碳园区碳排放量输入至低碳园区在线碳排放时间空间分布预测模型得到需求的该时间点的碳排放模拟数据。

6.根据权利要求5所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述数据预处理过程如下：

a利用公式计算数据的自协方差：

b利用公式计算数据间的自协方差函数，并将第一个超过PACF设定值的样本序号n作为预测数据的长度；

c利用滑动窗口算法切割原始数据集，将数据转为由特征和标签组成的有监督形式，设滑动窗口的大小为N(N＝n+1)，即用前n个历史数据预测第n+1个样本值，经过滑动窗口处理后，数据集数量变为M-N+1，格式为{(x₁,…,x_n+1),…,(x_n+1,...,x_2n+1),…}；

d对在边缘收集的数据进行标准化，将数据Z中的每个初始值通过线性化均值转换为0到1范围内的值,所述线性化均值的计算公式为：

7.根据权利要求5所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述碳排放时间空间分布预测模型构建采用卷积网络和GRU网络搭建特征提取模块，它由一维卷积网络和两层GRU构成，其中，一维卷积网络包含卷积层、dropout层和激活层，并采用Relu函数作为激活函数。

8.根据权利要求5所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述碳排放时间空间分布预测模型的训练方法包括首先，将预处理后的数据送入神经网络，重置门r_t控制前一状态的信息被写入到当前的候选集上，用来控制需要保留的记忆；重置门越小，前一状态的信息被写入的越少；如果r_t为0则表示/>只保留当前序列的输入信息

r_t＝σ(W_r·[h_t-1,x_t]+b_r)

其中，h_t-1表示上一时刻的输入，x_t表示t时刻的输入；σ(·)代表函数运算，W_r和b_r分别代表该运算过程中的权重矩阵和偏置矩阵；

其中tanh(·)为函数运算，W和b_t为计算过程中的权重矩阵和偏差矩阵；

然后，更新门z_t用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；更新门的计算如下所示：

z_t＝σ(W_z·[h_t-1,x_t]+b_z)

其中，h_t-1表示上一时刻的输入，x_t表示t时刻的输入；σ(·)代表函数运算，W_z和b_z分别代表该运算过程中的权重矩阵和偏置矩阵；

最后，得到当前序列的输出隐藏层信息h_t，而GRU是没有输出门的；

在训练迁移学习碳排放预测模型时，门的值、记忆单元和隐藏状态会循环更新，每个过程的权重矩阵和偏置矩阵都是随机初始化的；本发明采用MSE作为损失函数来评估网络性能，MSE的计算如下：

其中y_i是第i个实际数据，是第i个预测数据，M表示训练数据量；

在网络训练过程中，选用Relu作为全连接层(FCL)的激活函数，然后采用Nadam算法优化网络的训练。