发明内容
本发明要解决的技术问题是:现有技术无法完美计算和还原处变电站生命周期中所有的碳排放量的技术问题。提出了一种基于变电站综合倾斜摄影建模模型的碳排放计算方法,可以完美计算和还原出变电站生命周期中所产生的碳排放。
为解决上述技术问题,本发明所采取的技术方案为:一种基于变电站综合倾斜摄影建模模型的碳排放计算方法,包括如下步骤:
S1:进行影像数据采集并传输至云端;
S2:基于变电站倾斜摄影模型与设计模型比对原理,利用采集到的图像数据,计算多目标碳排放源的建筑建设变化;
S3:利用动态物体目标识别技术检测非建筑建设因素的变化;
S4:通过碳排放因子数据库获取碳排放因子数据;
S5:获取碳排放因子数据后,通过连续词袋模型实现碳排放数据与现场建筑建设属性的关联;
S6:根据计算所得的建筑建设变化数据和非建筑建设因素的变化数据,结合碳排放因子数据,基于目标管理法则构建碳目标模型,进行多目标碳排放的计算,并根据多元线性回归模型对多目标碳排放强度进行线性回归;
S7:挑选碳排放目标源,生成目标源集合,计算各个碳排放目标源的拥挤距离,根据非优势层次对碳排放目标源进行排名,利用交叉突变法对目标源集合进行选拔,生成优势排名,根据得到的优势排名和非优势排名对减排方案进行优化。
一种基于变电站综合倾斜摄影建模模型的碳排放计算方法,首先,采用多摄像头联合采集边缘计算进行影像数据采集传输,其次,基于相似度对比原理计算多目标碳排放源建筑建设变化,并且利用动态物体目标识别技术监测非建筑建设因素的变化,然后,通过碳排放因子数据库的接口获取碳排放因子数据,利用连续词袋模型实现碳排数据与现场建设属性的关联,最后,基于目标管理法则构建碳目标模型进行多目标碳排计算,并利用非支配排序遗传算法优化碳排结果和减排方案,根据该方法进行变电站实时建筑模型信息的碳排放量计算还原,本方法可为变电站碳排放全生命周期数字孪生平台的建设提供参考。
作为优选,所述步骤S2中通过线性权值方法结合几何相似度与位置相似度,计算得到设计图纸模型与现场实时模型之间的结合相似度;设计图纸模型与现场实时模型的对应构件相似度达到评判标准后进行符合条件的构件匹配,并在相邻时间点之间进行相似度对比,计算出两个时间点之间的相似度差值;根据相似度差值的大小,判断建筑目标是否发生了变化,如果相似度差值超过了预先设定的阈值,则判断建筑目标发生了变化,将建筑目标的变化情况与相应的碳排放数据进行对比,确定建筑建设变化对碳排放的影响。通过形状相似度和空间位置相似度两个方面进行对比,利用对比得到的结果进行相应构件的对比匹配,从而将数据库中的资源与建筑变化数据进行连接配对。
作为优选,所述步骤S3通过卡尔曼滤波和匈牙利算法,对前后两帧的目标框和轨迹进行级联匹配和交叉比匹配,通过运动模型和外观模型加权得到综合匹配度:
其中:/>是一个超参数,/>是目标的匹配程度,/>是表观特征之间的距离。利用动态目标识别方法,可检测施工现场动态对象的轨迹范围,包括现场工人、机械设备等的移动,有利于推测出不同非建筑因素的碳排放目标源在一定时间范围内的动态碳排量。
作为优选,所述步骤S5通过连续词袋模型将直接属性、导出属性和反属性进行属性实体与被描述实体的关联;建立现场实时模型构造构建集和属性集的关联信息树状图;所述连续词袋模型的训练过程包括以下内容:某类属性共有k个候选词,基于连续词袋模型预测选定的候选词出现概率P,根据概率P判断模型Ma中某构件属性与模型Mb对应构件属性是否达到匹配;得到Ma与Mb相匹配两个构件的属性集A和B的属性相似程度S,从而判断Mb的属性信息与Ma对应属性信息是否匹配成功。在访问碳排放数据库的同时,需要对变电站设计模型和现场模型的属性进行同步更新,因此,应用连续词袋模型实现了对直接属性、导出属性和反属性进行属性实体与被描述实体通过关系对象的关联,由此完成了对现场模型和属性名称的匹配,不仅为之后碳排放计算过程中检索现场模型Mb变化对应属性提供便捷,还为接下来的多目标碳排放计算做好数据与属性信息计算的准备。
作为优选,所述步骤S6采用多元线性回归模型计算碳排放:
其中:/>为/>时刻碳强度,/>为/>时刻第/>个碳排放目标源驱动力,/> ,/>为第/>个碳排放目标源在截止时间/>内的总碳排量,/>为第/>个碳排放目标源在截止时间/>内运行的单元数,/>为各驱动力的回归系数,/>为驱动力数,/>为余数。碳强度为碳排多目标优化模型的各个子目标在原有约束下的最优值,碳排多目标优化模型为/>,其中,,其中/>表示第/>个子目标优劣程度的子目标函数,/>表示第/>个目标函数在约束条件下能够达到绿色标准的碳排最优值。
作为优选, 所述步骤S7计算拥挤距离的公式如下所示:
其中:/>表示拥挤距离,/>表示第/>个目标函数的最大值,/>表示第/>个目标函数的最小值,/>表示目标函数的个数,/>为/>时刻碳强,/>表示第/>个目标函数在约束条件下能够达到绿色标准的碳排最优值。等级越高,碳排强度越低,其拥挤距离/>越大,单目标源适应度越大,也意味着该目标源对减排要求下的施工环境越容易接受。
作为优选,所述步骤步骤S4通过建筑信息模型模拟作为输入,连接数据库中的资源对象接口,在快照连接池内产生若干种逻辑资源对象。通过碳排放因子数据库的接口获取碳排放因子数据,需要连接Java数据库的部分资源对象接口(连接层, 声明层, 结果集),解决建筑建设模型变化数据及其对应碳排放因子和碳排放数据的传输,建筑建设因素和非建筑因素碳排放来源,都可以通过此对象接口的方法获取对应碳排放数据库的信息。
作为优选,所述步骤S1中通过摄像头实时采集现场数据,利用边缘计算实现物理层与应用层的数据连接,通过图像处理技术提取建筑现场中的碳排放源。在施工现场使用多个摄像头进行实时拍摄和采集,并利用边缘计算技术对采集到的数据进行处理和传输,因此需要实现物理层与应用层的链接,通过三层架构实现多摄像头联合的边缘计算影像数据采集,为后续的现场实时模型与设计图纸对比、碳排量计算仿真等做好物理感知层和应用层关联的准备。
本发明的实质性效果是:一种基于变电站综合倾斜摄影建模模型的碳排放计算方法,基于相似度对比原理计算多目标碳排放源建筑建设变化,利用动态物体目标识别技术监测非建筑建设因素的变化,并利用非支配排序遗传算法优化碳排结果和减排方案,根据该方法进行变电站实时建筑模型信息的碳排放量计算还原,完美计算和还原出变电站生命周期中的碳排放,为变电站碳排放全生命周期数字孪生平台的建设提供参考。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
一种基于变电站综合倾斜摄影建模模型的碳排放计算方法,如图1和图2所示,首先,采用多摄像头联合采集的边缘计算进行影像数据采集和传输,需要将物理信息系统技术应用于多摄像头联合的边缘计算影像数据采集中,主要包括以下几个方面:
1.感知层:多个摄像头被部署在施工现场的不同位置,通过采集周围环境的图像或视频数据,实现对施工现场的实时感知和监测。
摄像头的位置、数量、安装方式、采集频率和数据格式需要根据实际情况进行具体设计和配置,至少包括3个摄像头来提供充足的数据采集。
采集频率则针对变电站建筑因素变化和非建筑动态目标变化分别设置为一天2次和每小时记录一次的采集频率。
2.网络层:边缘计算方法基于本地处理和存储方式来实现,通过在施工现场设置的具有边缘计算功能的摄像头来收集并处理数据,并将处理后的数据存储在本地。边缘计算应用于变电站多摄像头数据采集主要有以下内容:多个摄像头采集的影像数据需要进行预处理和压缩。
边缘多摄像头设备采用高速的固态硬盘将采集的数据存储在本地。本地计算:边缘多摄像头设备搭载的计算可以进行一些简单的数据处理和分析。
3.应用层:基于传输到云端的数据,开发了碳排放实时监测系统的应用程序,实现对施工现场碳排放数据的实时收集、传输、计算、储存以及可视化。同时,也可以进行多目标优化过程中各工序相关数据的收集。
基于以上三层架构的多摄像头联合的边缘计算影像数据采集系统,可以实现对施工现场的实时感知和监测,同时也可以支持高效、实时的数据传输和处理,为后续现场实时模型的构建、设计图纸倾斜模型对比、碳排生命周期数据库的获取和碳排量计算仿真等等做好物理感知层和应用层关联的准备。
其次,由多摄像头联合采集的影像数据传输到施工现场模型中后,基于变电站倾斜摄影模型与设计模型比对原理,获取多目标碳排放源的建筑建设数据,包括不同时间点的碳排放数据、摄像头采集的影像数据等,从而计算多目标碳排放源的建筑建设变化,因此首先需要进行设计图纸模型与现场实时模型的几何信息与空间信息的对比:
1.形状相似度对比:根据随机点数据集对随机点组成的点、向量和三维对象元素的差异度量方式计算几何相似度,用稀疏矩阵来存储相似度,/>和/>分别表示设计建筑信息模型和现场实时信息建模模型。
2.空间位置相似度对比:基于点云精确配准后的两个模型,在计算完所有同类构件之间的位置相似度之后,同理将所有相似度存储为稀疏矩阵。
3.模型构件匹配:采用了线性权值方法来结合几何相似度与位置相似度/>,得到两种模型构构件之间的结合相似度/>,其中/>和/>分别为几何相似度和位置相似度的权值,两种模型的对应构件相似度达到评判标准后进行符合条件的构件匹配。
根据相似度差值的大小,判断建筑目标是否发生了变化。如果相似度差值超过了预先设定的阈值,则判断为建筑目标发生了变化。
将建筑目标的变化情况与相应的碳排放数据进行对比,确定建筑建设变化对碳排放的影响,因此采用数据库连接池,在Java数据库1连接规范中,应用通过驱动接口直接方法获取碳排放数据库的资源与建筑变化数据部分进行连接配对。
再次,利用动态物体目标识别技术/深度在线实时跟踪技术监测非建筑建设因素的变化,实现施工现场的动态物体目标识别。
本发明采用的方法基于简单网络实时追踪算法,其核心是卡尔曼滤波和匈牙利算法,因此,简单网络实时追踪算法通过前后两帧交叉比来构建相似度矩阵,其流程是:
1.通过卡尔曼滤波算法进行预测和更新:将目标的运动状态定义为8个正态分布的向量,当目标经过移动,通过上一帧的目标框和速度等参数,使用匈牙利算法将预测得到的轨迹和当前帧中的检测目标进行级联匹配和交叉比匹配,预测出当前帧的目标框位置和速度等参数;对预测值和观测值两个正态分布的状态进行线性加权,得到目前系统预测的状态。其中目标框需要通过级联匹配与新轨迹进行确认。
2.采用平方马氏距离度量轨迹检测目标的匹配程度:
代表第/>个检测目标,/>代表第/>个目标轨迹,/>代表/>和/>的协方差,从而根据判断前后帧动态目标的匹配结果:失配,则将目标框将从图片中删除;部分匹配,需要为当前目标框分配一个新的轨迹;匹配,只有满足连续三帧都成功匹配,才能将未确定态转化为确定态。
然后采用余弦距离比较马氏距离和卡方分布的阈值,从而度量表观特征之间的距离,综合匹配度是通过运动模型和外观模型的加权得到的:/>,其中/>是一个超参数。当/>时才会被认为初步匹配上。
利用动态目标识别方法,可以在一定记录频率下的影像数据中检测施工现场动态对象的轨迹范围,包括现场工人、机械设备的移动等,有利于推测出不同非建筑因素的碳排放目标源在一定时间范围内的动态碳排量。
接下来,为了建立变电站建模项目的能耗,通过碳排放因子数据库的接口获取碳排放因子数据,因此输入影响碳足迹的数据类型,采用建筑信息模型模拟作为输入,消耗能源的建筑系统类型是在建筑信息模型文件中定义的。建筑建设因素和非建筑因素的碳排放来源碳排放数据库构成如下表:
相对碳排放量数据库 |
建筑因素中不同尺寸/重量的构件的相对碳排放量数据库 |
碳强度数据库 |
总生命周期碳足迹[以千克CO2等式]每个建筑建设单位因素和非建筑单位因素重量 [公斤] |
碳足迹数据库 |
按可用数据粒度组织的碳足迹数据库,包括NO、CO2等温室气体的部分排放指标,及其碳足迹置信区间的统计分析(如均值、均值标准误差、t检验、方差分析和回归) |
碳排放目标源及其碳排放因子 |
a. 施工现场机械的型号与数量;b. 每台施工机械的功率或能耗;c. 每台施工机械的运行时间;d. 各类资源能耗的碳排放因子;e. 服务器计算出的碳排放数据。 |
通过实现Java数据库连接的部分资源对象接口(连接层5, 声明层6, 结果集),解决建筑建设模型变化数据及其对应碳排放因子和碳排放数据的传输,在快照连接池2内部分别产生三种逻辑资源对象(池化连接层7,池化声明层和池化结果集8),接着在Java数据库运营交互层3中进行连接9和声明10等相应操作,最后所有结果显示在数据应用层4中。这些操作不仅利于后续建筑模型构件的碳排放因子和碳排放变化量的计算,也利于建筑建设变化根据碳排放的影响值进行多目标碳排放源的优化,找出对碳排放影响最大的建筑目标,以实现碳排放的最优化。
进一步地,访问碳排生命周期数据库获取碳排相关数据的同时,需要对变电站设计模型和现场倾斜摄影模型的属性进行同步更新,因此根据工业基础类 (IFC) 标准,通过连续词袋模型实现对直接属性、导出属性和反属性进行属性实体与被描述实体通过关系对象的关联:
对现场实时模型构造构建集和属性集的关联信息树状图,以建筑构件为例,其根节点为构件,根节点对应多个属性类子节点,包括限制条件、机械、机械-流量、尺寸标注、标识数据、阶段化、绝缘层等属性类,每个属性类包含多个属性节点,每个属性节点对应唯一的属性值。
连续词袋模型在训练时,输入的数据为某个特征词的上下文词语对应的词向量,它输出的结果则是这个特定词对应的词向量。用表示词典中的当前词,并设置上下文单侧词数量为/>,该模型把与/>上下相连最近的各/>个词作为输入,而通过/>的上下文来预测/>出现的概率/>,/>,当概率 (/>为匹配度指标参数),则认为倾斜摄影模型/>某构件属性与现场模型/>对应构件属性达到匹配认可,从而获取/>与/>中相匹配两个构件的属性集A和B,单个构件属性相似度为/>,/>和/>分别表示相似度大于99%的属性数量和相似度处于[0.5,0.99]之间的属性数量,当/> (/>为相似度度指标参数),则认为倾斜摄影模型/>与现场模型/>几何相似度/>与位置相似度/>达成匹配判断标准后,/>的属性信息与/>对应属性信息匹配成功。
由此完成了对现场模型和属性名称的匹配,不仅为之后碳排放计算过程中检索现场模型变化对应属性提供便捷,并且为接下来的多目标碳排放计算做好数据与属性信息计算的准备。
然后,一种基于目标管理法则的碳目标模型用于多目标碳排放计算,其中不仅根据前面的模型变化数据和碳排放数据库进行碳排量计算仿真,还需要根据驱动力模型对多目标源碳排放强度进行线性回归,为后续碳排优化做准备。
假设碳排放强度y是各种因素的驱动因素叠加的结果,对于每个碳排放源,采用多元线性回归模型:
其中:为/>时刻碳强度,/>为/>时刻第/>个碳排放目标源驱动力, ,/>为第/>个碳排放目标源在截止时间/>的总碳排量,/>为第/>个碳排放目标源在截止时间/>内运行的单元数,/>为各驱动力的回归系数,/>为驱动力数,/>为余数。碳强度用于多目标碳排放计算该模型可以更好地了解碳排放的情况,从而采取更加有效的措施来减少碳排放。
对于多个碳排放目标源的优化问题转化成优化模型,其中,/>,其中/>表示第/>个子目标优劣程度的子目标函数,/>表示第/>个目标函数在约束条件下能够达到绿色标准的碳排最优值。有了碳排多目标源优化模型后,即可对后续碳排放目标的等级筛选提供参数参考,利于后续的减排方案。
最后,为了能筛选出对碳排放生命周期影响度高的因素,在这里利用非支配排序遗传算法对已知碳排放目标源的碳排放强度进行等级排序,从而为减排方案提供针对性的参考碳排放目标优化参考。其中对多碳排放目标进行非支配排序遗传算法的筛选过程如下:
初始化目标源集合:随机生成的个数目标源集合都与[0, t-1]时间内生成的所有目标源进行比较,如果它们不一样,则将它们添加到初始集合中,如果它们相同则丢弃此随机目标源集合。
分层分离和拥挤计算:碳排放目标源按非优势层次进行排名,等级越高,碳排强度越低,其拥挤距离越大,单目标源适应度越大,意味着该目标源对减排要求下的施工环境越容易接受。
其中:/>表示拥挤距离,/>表示第/>个目标函数的最大值,/>表示第/>个目标函数的最小值,/>表示目标函数的个数,/>为/>时刻碳强,/>表示第/>个目标函数在约束条件下能够达到绿色标准的碳排最优值。
碳排放目标源选拔:经过了排序和拥挤度的计算后,使用交叉突变法求解对随机目标源集合中优解碳排放目标进行选拔,并放在优势排名集合中,将对建设过程适应度较高的个体碳排放目标源组成新群体,以便于参考适应度低的碳排放目标源集合来制定减排方案。
至此,从变电站设计图纸模型和现场施工模型的对比、碳排信息关联和计算仿真,到碳排多目标源的检测及其碳强度优化过程都已完成,从而为变电站的施工过程碳排放量的减排方案提供参考。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。