CN116720610A - 一种用于住宅建筑的碳排放预测方法及系统 - Google Patents
一种用于住宅建筑的碳排放预测方法及系统 Download PDFInfo
- Publication number
- CN116720610A CN116720610A CN202310604092.3A CN202310604092A CN116720610A CN 116720610 A CN116720610 A CN 116720610A CN 202310604092 A CN202310604092 A CN 202310604092A CN 116720610 A CN116720610 A CN 116720610A
- Authority
- CN
- China
- Prior art keywords
- residential
- building
- carbon emission
- prediction
- data
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 133
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 13
- 238000005265 energy consumption Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000005431 greenhouse gas Substances 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06Q50/08—Construction
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明涉及碳排放预测技术领域,公开了一种用于住宅建筑的碳排放预测方法及系统,包括以下步骤:步骤1:获取基础样本;所述基础样本包括现有住宅建筑的各住宅功能区基本特征数据,以及各住宅功能区对应运营阶段所产生的碳排放量数据;步骤2:基于基础样本,提取建筑特征数据;步骤3:建立单元预测模块;单元预测模块用于基于建筑特征数据进行目标住宅建筑的单个住宅功能区在运营阶段内预产生的碳排放量预测;步骤4:建立建筑预测模块;所述建筑预测模块用于综合单元预测模块的预测结果,并输出目标住宅建筑在运营阶段内预产生的总碳排放量。本发明能够高效且准确地完成对住宅建筑的碳排放预测,且方法运作方便。
Description
技术领域
本发明涉及碳排放预测技术领域,具体涉及一种用于住宅建筑的碳排放预测方法及系统。
背景技术
温室效应加剧导致全球变暖。而建筑业是全球温室气体排放的七大行业之一。2021年联合国政府间气候变化专门委员会(IPCC)报告指出,建筑业消耗大约40%的总能源消耗,每年发生的温室气体排放量高达29%。同时,研究表明建筑业将是温室气体减排最有效益的部门。而碳排放又是温室气体减排中最关键的内容,住宅建筑作为建筑业中最广泛的建筑类型,其碳排放的预测和计算显得尤为重要。
在住宅建筑的运营阶段(即住宅建筑的使用阶段),其碳排放的计算主要分为两部分,包括设备对电力的消耗以及设备对燃料的消耗。目前,常规的计算方式为分别计算电力消耗量及燃料消耗量,再乘以对应碳排放系数后相加和。当运营阶段涉及可再生能源的使用时,则还需要额外在总量上减去可再生能源的消耗量。这种计算方式落实到实际操作层面中,实操效果不佳。具体地,此方式落实需要定时定量地对电表及燃料使用量表进行观察和统计,其中消耗的人力和时间庞大,实操性弱且易于出现统计误差。而在预测计算方面,现有的预测方法多依赖于能耗模拟软件,其同样需要就建筑HVAC系统中的每一个能源消耗设备单独录入,涉及到大量参数的处理。而当建筑体量巨大时,由于设备量大量上涨,对计算机硬件的要求也大大提升,耗费成本较高,预测效率也不佳。
综上,目前亟需一种高效、准确、便捷的住宅建筑碳排放预测方法及系统。
发明内容
本发明意在提供一种用于住宅建筑的碳排放预测方法及系统,能够高效且准确地完成对住宅建筑的碳排放预测,且方法运作方便。
为达到上述目的,本发明提供如下基础方案:
方案一
一种用于住宅建筑的碳排放预测方法,包括以下步骤:
步骤1:获取基础样本;所述基础样本包括现有住宅建筑的各住宅功能区基本特征数据,以及各住宅功能区对应运营阶段所产生的碳排放量数据;
步骤2:基于基础样本,提取建筑特征数据;所述建筑特征数据包括直接住宅特征和碳排放影响因素;
步骤3:建立单元预测模块;所述单元预测模块中设有基于神经网络的预测模型,单元预测模块用于基于建筑特征数据进行目标住宅建筑的单个住宅功能区在运营阶段内预产生的碳排放量预测;
步骤4:建立建筑预测模块;所述建筑预测模块用于综合单元预测模块的预测结果,并输出目标住宅建筑在运营阶段内预产生的总碳排放量。
方案二
一种用于住宅建筑的碳排放预测系统,应用于如方案一所述的一种用于住宅建筑的碳排放预测方法;包括数据收集子系统和建筑碳排放预测子系统;所述数据收集子系统包括数据收集模块;所述数据收集模块用于采集基础样本;所述建筑碳排放预测子系统包括信息输入接口、单元预测模块、建筑预测模块和结果输出端口;所述单元预测模块用于基于建筑特征数据进行目标住宅建筑的单个住宅功能区在运营阶段内预产生的碳排放量预测;所述建筑预测模块用于综合单元预测模块的预测结果,并输出目标住宅建筑在运营阶段内预产生的总碳排放量;所述信息输入接口用于接入待预测的目标住宅建筑信息;所述结果输出端口用于输出预测结果。
本发明的工作原理及优点在于:由单元预测模块基于基础样本的建筑特征数据,进行单个住宅功能区的运营阶段的碳排放量预测;其中,单元预测模块中的基于神经网络的预测模型能够学习建筑特征数据特征,辅助完成预测。再由建筑预测模块对单元预测模块的预测结果进行综合,以获得完整的目标住宅建筑的在运营阶段内预产生的总碳排放量。
本发明用于住宅建筑的碳排放预测方法及系统,能够基于大数据进行以单个住宅功能区为单位的碳排放相关的建筑特征数据提取和综合,进而进行单个住宅功能区的碳排放预测和总的住宅建筑的碳排放预测,预测计算准确且便捷。并且,相比于常规建筑碳排放测算中以建筑的HVAC系统设备数据为基础的软件模拟方法,其计算碳排放过程类似于工程造价,需要根据条目一条一条计算,测算效率极低;本方案则无需依赖于此类能耗模拟软件,无需按条目计算,测算效率较高,特别的是,本方案以住宅功能区为单元进行建筑碳排放的预测,将常规应用于建筑设计领域的功能区概念转用到了建筑碳排放计算领域,以功能区细分住宅建筑,能够更精确的计算预测各区域的碳排放量,能够结合实际功能区组成情况对住宅建筑的总碳排放量进行预测,预测更贴合实际情况,准确度较高。
附图说明
图1为本发明一种用于住宅建筑的碳排放预测方法及系统实施例一的结构示意图;
图2为本发明一种用于住宅建筑的碳排放预测方法及系统实施例一的结构示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例一
实施例基本如附图1所示:一种用于住宅建筑的碳排放预测方法,包括以下步骤:
步骤1:获取基础样本;所述基础样本包括现有住宅建筑的各住宅功能区基本特征数据,以及各住宅功能区对应运营阶段所产生的碳排放量数据。
本实施例中,在获取基础样本时,可从公开的(或可获知的)碳排放关联数据库中获取,包括中国建筑能耗与碳排放数据库、企业或设计研究院自设的建筑资料数据库等。
在此步骤中,还对基础样本进行真实性校验,并筛除基础样本中未通过真实性校验的数据;可选地,还可采用数据增强方法将未通过真实性校验的数据作为稀缺数据填补。
在此步骤中,还包括数据预处理步骤。所述预处理步骤包括检验基础样本中的数据完整性;采用数据降维方法对基础样本中的冗余数据进行剔除,本实施例中采用主成分分析法进行冗余数据剔除;采用数据增强方法对基础样本中的稀缺数据进行填补等。
所述基本特征数据包括:住宅功能区的种类和数目、住宅功能区面积、住宅建筑占地面积、住宅建筑总高度、住宅建筑层高、四面窗墙比、屋面传热系数、外墙传热系数、设备用能系数、墙体内表面积、内部墙占比、外部墙占比。所述住宅功能区包括客厅、餐厅、厨房、卧室、阳台、卫生间、公共区域。
步骤2:基于基础样本,提取建筑特征数据;所述建筑特征数据包括直接住宅特征和碳排放影响因素。
所述直接住宅特征包括住宅功能区的种类及数量组合;所述碳排放影响因素包括住宅功能区面积、层高、四面窗墙比、屋面传热系数、外墙传热系数、设备用能系数、墙体内表面积、内部墙占比、外部墙占比。
步骤3:建立单元预测模块;所述单元预测模块中设有基于神经网络的预测模型,单元预测模块用于基于建筑特征数据进行目标住宅建筑的单个住宅功能区在运营阶段内预产生的碳排放量预测;
具体地,单元预测模块内设有动态数据库,所述动态数据库内包含有建筑特征数据中所有住宅功能区的碳排放浓度信息;所述碳排放浓度为单个住宅功能区单位面积在单位运营年限内所产生的碳排放量;且所述碳排放浓度信息由预测模型基于建筑特征数据训练生成。
本实施例中,预测模型为基于BP神经网络的预测模型;且BP神经网络将建筑特征数据作为输入层,训练后的住宅功能区的碳排放浓度信息作为输出层,本质上是对数据的拟合回归。本方案模型采用三层网络结构布置,其输入层神经元个数M设置与建筑特征数据种类一致,为10个;输出层神经元个数N为浓度信息,1个;隐含层B根据实际训练需求设定,此处可设定为4层。本方案所采用的预测模型具有简单、易行、计算量小、并行性强的特点,能够高效完成碳排放浓度信息的确认。
在模型训练过程中,以建筑特征数据的集合作为数据集,并将数据集划分为训练集和验证集,采用训练集和验证集训练预测模型,以优化预测模型参数。并且,通过引入新的建筑特征数据,预测模型能够得到进一步的训练,进而实时更新动态数据库,以预测得到更为精准的碳排放浓度信息,有助于提升预测精度。
单元预测模块在进行碳排放量预测时,首先采集待预测的目标住宅建筑的各住宅功能区的面积及运营年限,再结合各住宅功能区对应的碳排放浓度信息,计算得到目标住宅建筑的各住宅功能区的碳排放量。
步骤4:建立建筑预测模块;所述建筑预测模块用于综合单元预测模块的预测结果,并输出目标住宅建筑在运营阶段内预产生的总碳排放量。
所述建筑预测模块在综合单元预测模块的预测结果时,采用加权平均方式进行预测结果综合。
如附图2所示,本实施例还提供一种用于住宅建筑的碳排放预测系统,应用于如上述的用于住宅建筑的碳排放预测方法;包括数据收集子系统和建筑碳排放预测子系统。
所述数据收集子系统包括数据收集模块和数据处理模块。所述数据收集模块用于采集基础样本;所述数据处理模块用于对基础样本进行真实性校验,以及对基础样本进行数据预处理;并基于基础样本,提取建筑特征数据。
所述建筑碳排放预测子系统包括信息输入接口、单元预测模块、建筑预测模块和结果输出端口。所述单元预测模块用于基于建筑特征数据进行目标住宅建筑的单个住宅功能区在运营阶段内预产生的碳排放量预测;单元预测模块内设有动态数据库。所述建筑预测模块用于综合单元预测模块的预测结果,并输出目标住宅建筑在运营阶段内预产生的总碳排放量。
所述信息输入接口用于接入待预测的目标住宅建筑信息;具体地,目标住宅建筑信息包括目标建筑的住宅功能区组合信息及运营年限信息。其中,住宅功能区组合信息包括有住宅功能区的种类、个数、面积等。所述结果输出端口用于输出预测结果;所述预测结果包括预测得到的总碳排放量数据和单个住宅功能区的碳排放量数据。
本实施例提供的一种用于住宅建筑的碳排放预测方法及系统,能够基于大数据进行以单个住宅功能区为单位的碳排放相关的建筑特征数据提取和综合,进而进行单个住宅功能区的碳排放预测和总的住宅建筑的碳排放预测,预测计算准确且便捷。
特别的是,本方案是基于住宅功能区进行碳排放量的预测,本方案将常规应用于建筑设计领域的功能区概念转用到了建筑碳排放计算领域,以功能区细分住宅建筑,能够更精确的计算预测各区域的碳排放量,能够结合实际功能区组成情况对住宅建筑的总碳排放量进行预测,预测更贴合实际情况,准确度较高。本方案在采集基础样本时,即以住宅功能区为单元进行样本数据的采集,并提取得到以住宅功能区为单位的建筑特征数据以供预测模型训练学习;最终输出的住宅建筑的总碳排放量为住宅功能区单元的加和。相比于常规的基于能耗模拟软件的预测方法,本方案的测算效率更高,无需多次录入设备数据,无需按条目进行逐条运算,而是由单元预测模块进行快速预测,且针对不同类型、不同功能区组成的住宅建筑,通过调整加和的单元预测模块即可快速输出预测结果,方法运作简单,预测高效。
其次,本方案实际预测的是碳排放浓度的变化,单元预测模块在预测时依据的是动态数据库中的碳排放浓度信息,相较于直接预测整个住宅建筑的碳排放量的方式,现有方式计算时未细分功能区,这实际上忽略了除设备能耗外,各住宅建筑中功能区划分等因素对碳排放造成的隐性影响,以致于预测准确度不高。本方案选取的基于住宅功能区的碳排放浓度预测方式,则关注到了这一隐性影响,通过简单的功能区单元划分,有效提升了预测的细致度,碳排放预测更具针对性,细致到每个功能区区域的碳排放浓度,而不是泛泛对应住宅建筑,后续预测准确度更高。
实施例二
一种用于住宅建筑的碳排放预测方法,在实施例一的基础上,对步骤1做了调整。
在步骤1中,获取基础样本时,所述基础样本中的各住宅功能区对应运营阶段所产生的碳排放量数据,自现有住宅建筑的对应运营阶段的总碳排放量数据中按照区分策略计算得到。所述区分策略包括:计算单类住宅功能区在住宅建筑中的面积占比A,该住宅功能区对应运营阶段所产生的碳排放量=A×建筑总碳排放量。
在进行真实性校验时,采用的真实性校验方式包括:比对抽样校验;采用随机抽样方式提取基础样本中的数据,并与预设的参考数据进行比对,若二者相似度小于预设阈值,则判定为未通过真实性校验。本实施例中,预设阈值设定为85%,能够有效校验基础样本,有助于提升基础样本的可靠度。
本实施例提供的一种用于住宅建筑的碳排放预测方法,设置了区分策略以计算获得现有住宅建筑的各住宅功能区的碳排放量数据,有助于实现基于住宅功能区的碳排放预测。在实际建筑运营管理中,管理重点往往倾向于经济效益层面,而环境影响层面的管理易于被忽视,相应的,在建筑相关数据记录中,现有的记录细致程度是十分不足的,碳排放的统计也往往止步于整个建筑,这也导致后续的碳排放分析预测的细致度和准确度大大降低。本方案则有意识地对现有“大数据”(整个住宅建筑为单位的数据)进行了区分,通过将其细化至住宅功能区层面、再至住宅功能区的单位浓度层面,进而有效提升后续碳排放分析预测的准确度,整体方法运作方式简洁,且效果较佳。
实施例三
一种用于住宅建筑的碳排放预测方法,在实施例一的基础上,对步骤1做了调整。
在步骤1中,获取基础样本时,所述基础样本中的各住宅功能区对应运营阶段所产生的碳排放量数据,通过数字孪生技术获取得到;具体地,包括以下子步骤:
S1:建立单体建筑的数字孪生模型,且该数字孪生模型包含该单体建筑的各住宅功能区基本特征数据,以及单体建筑在运营阶段的整体耗能量。
S2:在S1中建成的数字孪生模型中,对单体建筑的每一户住宅的各住宅功能区对应装载用电量传感器、用水量传感器、用燃气量传感器等(其中,用水量传感器、用燃气量传感器主要装载在卫生间和厨房),由上述传感器采集各住宅的各住宅功能区的能耗数据,并通过排放因子法计算一年内各住宅的各个住宅功能区的碳排放量(计算时参照中国建筑协会所公开的建筑碳排放数据库),统计得到各住宅功能区碳排放量数据后,再乘以单体建筑的运营年限,即可得到单体建筑的各住宅功能区在运营年限内的碳排放量。
进一步地,基于采集的各住宅功能区的能耗数据,还可统计得到该单体建筑在一天中或整年中的能源消耗最大时段,能够为后续的碳排放预测提供更为多维的参考信息。还可以统计得到住宅功能区的碳排放浓度信息,该碳排放浓度信息可进一步存储至动态数据库中,以丰富动态数据库的数据量。
S3:重复S1-S2,建立更多的对应不同单体建筑的数字孪生模型,进行碳排放模拟和数据采集。
本实施例提供的一种用于住宅建筑的碳排放预测方法,利用数字孪生技术结合现有数据进行住宅功能区的碳排量计算,能够精准且高效地获取得到区分准确的对应各住宅功能区的排放数据,相较于实施例二的区分方法,本实施例则更为细致、准确,并且采用本方法能够统计出更多维的排放信息,例如排放量较大的时间段等;在后续的预测中,可以基于此,进行细致到时间段、时间点的碳排放预测,有助于提高预测精度。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (9)
1.一种用于住宅建筑的碳排放预测方法,其特征在于,包括以下步骤:
步骤1:获取基础样本;所述基础样本包括现有住宅建筑的各住宅功能区基本特征数据,以及各住宅功能区对应运营阶段所产生的碳排放量数据;
步骤2:基于基础样本,提取建筑特征数据;所述建筑特征数据包括直接住宅特征和碳排放影响因素;
步骤3:建立单元预测模块;所述单元预测模块中设有基于神经网络的预测模型,单元预测模块用于基于建筑特征数据进行目标住宅建筑的单个住宅功能区在运营阶段内预产生的碳排放量预测;
步骤4:建立建筑预测模块;所述建筑预测模块用于综合单元预测模块的预测结果,并输出目标住宅建筑在运营阶段内预产生的总碳排放量。
2.根据权利要求1所述的一种用于住宅建筑的碳排放预测方法,其特征在于,在步骤1中,还对基础样本进行真实性校验,并筛除基础样本中未通过真实性校验的数据。
3.根据权利要求1所述的一种用于住宅建筑的碳排放预测方法,其特征在于,所述单元预测模块内设有动态数据库,所述动态数据库内包含有建筑特征数据中所有住宅功能区的碳排放浓度信息;所述碳排放浓度为单个住宅功能区单位面积在单位运营年限内所产生的碳排放量;且所述碳排放浓度信息由预测模型基于建筑特征数据生成。
4.根据权利要求3所述的一种用于住宅建筑的碳排放预测方法,其特征在于,单元预测模块在进行碳排放量预测时,首先采集待预测的目标住宅建筑的各住宅功能区的面积及运营年限,再结合各住宅功能区对应的碳排放浓度信息,计算得到目标住宅建筑的各住宅功能区的碳排放量。
5.根据权利要求1所述的一种用于住宅建筑的碳排放预测方法,其特征在于,所述建筑预测模块在综合单元预测模块的预测结果时,采用加权平均方式进行预测结果综合。
6.根据权利要求2所述的一种用于住宅建筑的碳排放预测方法,其特征在于,在步骤1中,还包括数据预处理步骤;所述预处理步骤包括检验基础样本中的数据完整性;采用数据降维方法对基础样本中的冗余数据进行剔除;采用数据增强方法对基础样本中的稀缺数据进行填补。
7.根据权利要求1所述的一种用于住宅建筑的碳排放预测方法,其特征在于,在步骤1中,所述基本特征数据包括:住宅功能区的种类和数目、住宅功能区面积、住宅建筑占地面积、住宅建筑总高度、住宅建筑层高、四面窗墙比、屋面传热系数、外墙传热系数、设备用能系数、墙体内表面积、内部墙占比、外部墙占比。
8.根据权利要求7所述的一种用于住宅建筑的碳排放预测方法,其特征在于,所述直接住宅特征包括住宅功能区的种类及数量组合;所述住宅功能区包括客厅、餐厅、厨房、卧室、阳台、卫生间、公共区域;所述碳排放影响因素包括住宅功能区面积、层高、四面窗墙比、屋面传热系数、外墙传热系数、设备用能系数、墙体内表面积、内部墙占比、外部墙占比。
9.一种用于住宅建筑的碳排放预测系统,其特征在于,应用于如权利要求1-8任一项所述的一种用于住宅建筑的碳排放预测方法;包括数据收集子系统和建筑碳排放预测子系统;所述数据收集子系统包括数据收集模块;所述数据收集模块用于采集基础样本;所述建筑碳排放预测子系统包括信息输入接口、单元预测模块、建筑预测模块和结果输出端口;所述单元预测模块用于基于建筑特征数据进行目标住宅建筑的单个住宅功能区在运营阶段内预产生的碳排放量预测;所述建筑预测模块用于综合单元预测模块的预测结果,并输出目标住宅建筑在运营阶段内预产生的总碳排放量;所述信息输入接口用于接入待预测的目标住宅建筑信息;所述结果输出端口用于输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310604092.3A CN116720610A (zh) | 2023-05-23 | 2023-05-23 | 一种用于住宅建筑的碳排放预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310604092.3A CN116720610A (zh) | 2023-05-23 | 2023-05-23 | 一种用于住宅建筑的碳排放预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720610A true CN116720610A (zh) | 2023-09-08 |
Family
ID=87867046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310604092.3A Pending CN116720610A (zh) | 2023-05-23 | 2023-05-23 | 一种用于住宅建筑的碳排放预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720610A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196890A (zh) * | 2023-09-12 | 2023-12-08 | 哈尔滨达城绿色建筑股份有限公司 | 一种建筑物化碳减排量评估方法、电子设备及存储介质 |
-
2023
- 2023-05-23 CN CN202310604092.3A patent/CN116720610A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196890A (zh) * | 2023-09-12 | 2023-12-08 | 哈尔滨达城绿色建筑股份有限公司 | 一种建筑物化碳减排量评估方法、电子设备及存储介质 |
CN117196890B (zh) * | 2023-09-12 | 2024-03-29 | 哈尔滨达城绿色建筑股份有限公司 | 一种建筑物化碳减排量评估方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
Young | Data-based mechanistic modelling, generalised sensitivity and dominant mode analysis | |
CN111458748A (zh) | 基于三层数据集神经网络的性能地震动危险性分析方法 | |
CN106529081A (zh) | 一种基于神经网络的pm2.5实时等级预测方法和系统 | |
CN1945482A (zh) | 一种一体化的钢铁企业在线能源预测系统与方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN116720610A (zh) | 一种用于住宅建筑的碳排放预测方法及系统 | |
CN111508598A (zh) | 一种呼吸系统疾病门诊量预测方法 | |
CN117314266B (zh) | 一种基于超图注意力机制的新型科技人才智能评价方法 | |
CN117787508B (zh) | 基于模型预测的建筑施工过程碳排放处理方法及系统 | |
CN106845080A (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
CN115222138A (zh) | 一种基于eemd-lstm微网光伏短期功率区间预测方法 | |
CN116166923A (zh) | 基于地统计分析与apls-mlr的土壤重金属来源解析方法 | |
CN115330130A (zh) | 基于改进ahp-critic的农业园区综合能源系统评估方法 | |
CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警系统 | |
CN117520871A (zh) | 一种基于大数据的配网故障分析方法 | |
CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
Faiella | The use of survey weights in regression analysis | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN116011654A (zh) | 基于电力负荷数据的小区人气指数预测方法 | |
CN115545296A (zh) | 基于lip-tcn-lstm的城市积涝水位短期预测方法及系统 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
CN1687935A (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
CN112712213A (zh) | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
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 |