CN116720985B - 一种建筑碳排放监测方法及系统 - Google Patents
一种建筑碳排放监测方法及系统 Download PDFInfo
- Publication number
- CN116720985B CN116720985B CN202311010111.6A CN202311010111A CN116720985B CN 116720985 B CN116720985 B CN 116720985B CN 202311010111 A CN202311010111 A CN 202311010111A CN 116720985 B CN116720985 B CN 116720985B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- carbon
- emission
- amount
- month
- 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.)
- Active
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 510
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 509
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 230000009467 reduction Effects 0.000 claims abstract description 112
- 238000010248 power generation Methods 0.000 claims description 48
- 238000004519 manufacturing process Methods 0.000 claims description 41
- 238000006073 displacement reaction Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 22
- 229910002092 carbon dioxide Inorganic materials 0.000 description 11
- 239000001569 carbon dioxide Substances 0.000 description 11
- 238000010276 construction Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 239000005431 greenhouse gas Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- 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
- G06Q50/10—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种建筑碳排放监测方法及系统，属于碳排放监测技术领域，所述方法包括：获取第一碳排放量、第二碳排放量以及第一减排量，进而确定第五碳排放量和第二减排量，以得到第八碳排放量。本发明的一种建筑碳排放监测方法，通过对企业园区当月的碳排放量以及减排量进行精准统计，可以在当月碳排放超标的情况下，针对数据波动较不明显的非厂房建筑在下一月的碳排放量以及企业园区的减排量进行预测，进而得到排放量波动较大的厂房建筑在下一月的碳排放量参考值，进而对当前企业园区不同碳排放特性的建筑进行不同方式的监测，可以为企业园区在下一月进行减排以完成排放目标提供更为准确的参考依据，使得企业园区的碳排放量能够符合碳排放目标。
Description
技术领域
本发明涉及碳排放监测技术领域，尤其涉及一种建筑碳排放监测方法及系统。
背景技术
碳配额是指一个企业或工业园区在特定时间段内被允许排放的碳排放量的限制。这个限制通常以碳排放的数量或者碳排放的强度来表示，例如，可以以每年的吨二氧化碳当量来衡量。碳配额通常由相关机构制定，碳配额的目的是控制企业或工业园区的碳排放，促使其采取减排措施，以达到国家或地区的碳减排目标，应对气候变化和降低温室气体排放。对企业和工业园区来说，合理评估碳配额，制定减排计划并跟踪监测企业园区建筑的碳排放是非常重要的，这样可以保持在规定的限额范围内，同时为可持续发展做出贡献。
相关技术中，通常对企业园区的多个建筑的碳排放一起监测，得到一段时间内整个企业园区的碳排放总量，进而判断整个企业园区的碳排放是否超出要求。但是这个数据没有考虑到不同企业园区内不同功能属性的建筑单独的碳排放特性。例如，一些建筑，例如办公楼，碳排量较为稳定，波动量不大。而另一些厂房建筑，用电量以及用燃气量大，厂房内生产活动也会直接产生大量二氧化碳，且厂房内受订单及生产计划影响，在不同时段也会存在不同的碳排量规模。因此，如何对当前企业园区不同碳排放特性的建筑进行监测，以使得企业园区的碳排放量能够符合碳排放目标是个亟需解决的问题。
发明内容
本发明提供一种建筑碳排放监测方法及系统，用以解决现有技术中无法针对不同排放特性的建筑进行监测的缺陷，实现更有针对性的碳排放监测以使得企业园区的碳排放量能够符合碳排放目标的效果。
本发明提供一种建筑碳排放监测方法，包括：
获取第一碳排放量、第二碳排放量以及第一减排量；所述第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，所述第二碳排放量为当月内所述企业园区的非厂房建筑的总碳排放量，所述第一减排量为当月内所述企业园区的碳减排量；
将所述第一碳排放量与所述第二碳排放量求和得到第三碳排放量，并将所述第三碳排放量与所述第一减排量作差，得到第四碳排放量；
在所述第四碳排放量大于所述企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；所述第五碳排放量为下一月内所述非厂房建筑的总碳排放量预测值，所述第二减排量为下一月内所述企业园区的碳减排量预测值；
将所述企业园区在下一月内的第二碳配额量与所述第二减排量求和后减去所述第五碳排放量和第七碳排放量，得到第八碳排放量，并将所述第八碳排放量作为所述企业园区在下一月内的碳排放量参考值；所述第七碳排放量为所述第四碳排放量与所述企业园区在当月内的第一碳配额量的差值。
根据本发明提供的一种建筑碳排放监测方法，所述第二减排量通过以下方式确定：
获取所述企业园区在下一月的天气预测信息，并基于所述天气预测信息确定所述企业园区在下一月的第一预测发电量；
基于权重系数、企业园区在下一月的第一预测发电量以及所述企业园区在历史时间段内的月均发电量，确定所述企业园区在下一月的第二预测发电量；所述权重系数是基于所述企业园区在历史时间段内的月均发电量以及所述企业园区在历史时间段内的预测发电量确定的；
将所述第二预测发电量对应的减排量确定为所述第二减排量。
根据本发明提供的一种建筑碳排放监测方法，所述第五碳排放量通过以下方式确定：
获取所述非厂房建筑在历史时间段内的每个月的总碳排放量，并得到所述非厂房建筑总碳排量的历史时序数据；
基于所述非厂房建筑总碳排量的历史时序数据对碳排量预测模型进行训练；所述碳排量预测模型是基于神经网络模型构建的；
基于训练好的碳排量预测模型，得到所述碳排量预测模型输出的下一月内所述非厂房建筑的总碳排放量预测值。
根据本发明提供的一种建筑碳排放监测方法，所述碳排量预测模型包括第一映射层、第二映射层和第三映射层，所述第一映射层用于拟合输入数据的周期特征，所述第二映射层用于拟合输入数据的趋势特征，所述第三映射层用于拟合输入数据的非线性特征。
根据本发明提供的一种建筑碳排放监测方法，在所述将所述企业园区在下一月内的第二碳配额量与所述第二减排量求和后减去所述第五碳排放量和第七碳排放量，得到第八碳排放量之后，所述方法还包括：
在第九碳排放量大于所述第八碳排放量的情况下，确定减排方案；所述第九碳排放量为在本年度内所述企业园区的厂房建筑的月均碳排放量；所述减排方案包括在下一月所述厂房建筑的生产计划调整方案和碳交易量方案中的至少一项。
根据本发明提供的一种建筑碳排放监测方法，所述在第九碳排放量大于所述第八碳排放量的情况下，确定减排方案，包括：
基于所述第八碳排放量，确定所述厂房建筑在下一月排放所述第八碳排放量的第一产量；
在所述第一产量小于第二产量的情况下，确定生产计划调整方案；所述第二产量为所述厂房建筑在下一月的计划产量。
根据本发明提供的一种建筑碳排放监测方法，在所述第一产量小于第二产量的情况下，确定生产计划调整方案之后，所述方法还包括：
获取所述生产计划调整方案审批结果；
在所述生产计划调整方案的审批结果为不通过的情况下，生成碳交易量方案。
本发明还提供一种建筑碳排放监测系统，包括：
获取模块，用于获取第一碳排放量、第二碳排放量以及第一减排量；所述第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，所述第二碳排放量为当月内所述企业园区的非厂房建筑的总碳排放量，所述第一减排量为当月内所述企业园区的碳减排量；
第一处理模块，用于将所述第一碳排放量与所述第二碳排放量求和得到第三碳排放量，并将所述第三碳排放量与所述第一减排量作差，得到第四碳排放量；
第二处理模块，用于在所述第四碳排放量大于所述企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；所述第五碳排放量为下一月内所述非厂房建筑的总碳排放量预测值，所述第二减排量为下一月内所述企业园区的碳减排量预测值；
第三处理模块，用于将所述企业园区在下一月内的第二碳配额量与所述第二减排量求和后减去所述第五碳排放量和第七碳排放量，得到第八碳排放量，并将所述第八碳排放量作为所述企业园区在下一月内的碳排放量参考值；所述第七碳排放量为所述第四碳排放量与所述企业园区在当月内的第一碳配额量的差值。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述建筑碳排放监测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述建筑碳排放监测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述建筑碳排放监测方法。
本发明提供的一种建筑碳排放监测方法及系统，通过对企业园区当月的碳排放量以及减排量进行精准统计，可以在当月碳排放超标的情况下，针对数据波动较不明显的非厂房建筑在下一月的碳排放量以及企业园区的减排量进行预测，进而得到排放量波动较大的厂房建筑在下一月的碳排放量参考值，进而对当前企业园区不同碳排放特性的建筑进行不同方式的监测，可以为企业园区在下一月进行减排以完成排放目标提供更为准确的参考依据，使得企业园区的碳排放量能够符合碳排放目标。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种建筑碳排放监测方法的流程示意图之一；
图2是本发明提供的一种建筑碳排放监测方法的流程示意图之二；
图3是本发明提供的一种建筑碳排放监测系统的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图4描述本发明的一种建筑碳排放监测方法及系统。
在对本发明实施例的一种建筑碳排放监测方法进行说明之前，先对建筑碳排放进行说明。
建筑碳排放指的是由建筑物及其运营过程中所引发的二氧化碳（CO2）的排放，建筑碳排放主要来自以下两个方面。
一方面，建筑物的建造过程会产生大量的碳排放。这包括原材料的开采、加工和运输，建筑施工过程中使用的能源和燃料以及废弃物的处理等。例如，水泥制造过程中产生的二氧化碳排放相当可观，因为水泥生产需要高温煅烧石灰石。
另一方面，建筑物在使用阶段也会产生碳排放。这主要源于能源的消耗，如供暖、空调、照明和电力设备等。一些建筑，如厂房，由于消耗大量的能源，也会产生大量的二氧化碳排放。
建筑碳排放是全球温室气体排放的一个重要来源。全球建筑行业碳排放占全球二氧化碳排放总量较大的比例，其中建筑物运营阶段占比较大。为减少建筑碳排放，可采取多种措施，如采用环保材料、能源高效建筑设计、使用可再生能源、改善建筑能源管理和推广低碳生活方式等，以降低建筑物的碳足迹并减少对气候变化的负面影响。
在本实施方式中，不考虑建筑建造过程的碳排放，主要是对建筑物在使用阶段的碳排放进行检测与分析，尤其是对能耗高的企业园区中的建筑进行碳排放监测。
如图1所示，本发明实施例的一种建筑碳排放监测方法主要包括步骤110、步骤120、步骤130以及步骤140。
步骤110，获取第一碳排放量、第二碳排放量以及第一减排量。
需要说明的是，第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，第二碳排放量为当月内企业园区的非厂房建筑的总碳排放量，第一减排量为当月内企业园区的碳减排量。
厂房建筑的总碳排放量可以包括直接排放和间接排放。直接排放指的是由建筑物直接产生的二氧化碳和其他温室气体的排放。直接排放可以通过相关的传感器直接采集厂房建筑的排放数据来进行计算，或者根据燃料的消耗情况以及生产活动中的排放情况来进行统计得到；或者结合传感器代机的数据与统计数据得到。
间接排放指的是由所购买的产品或服务所引发的二氧化碳和其他温室气体的排放。计算间接排放通常需要确定厂房建筑涉及的产品或服务对应的整个供应链范围，包括原材料生产、制造、运输和分发等环节，并收集与该供应链相关的数据，包括原材料消耗、物流运输距离、能源使用等数据。在此基础上，根据每个环节的能源消耗和燃料使用情况，查找相应的碳排放因子，再将各个环节的能源消耗和燃料使用量乘以对应的碳排放因子，得出整个厂房建筑的间接排放量。
企业园区的碳减排量可以包括企业园区植物所吸收的二氧化碳量和企业园区内由于清洁能源发电所减少的排放量。根据植物种类和数量，查找相应的植物二氧化碳吸收率数据，进而得到企业园区植物吸收的二氧化碳量。可以根据使用的具体新能源类型，如风能、太阳能、水能等，确定发电量，并查找相同发电量下传统能源发电所对应的排放因子，进而得到减排量。
步骤120，将第一碳排放量与第二碳排放量求和得到第三碳排放量，并将第三碳排放量与第一减排量作差，得到第四碳排放量。
可以理解的是，第四碳排放量是企业园区在当月以扣除第一减排量后的排放量，需要受到严格监控。
步骤130，在第四碳排放量大于企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量。
可以理解的是，在第四碳排放量大于企业园区在当月内的第一碳配额量的情况下，则说明企业园区在当月的排放量过大，会影响到企业本年度的碳排放要求，因此，需要对下个月允许范围内的碳排放量进行计算。
需要说明的是，每个月的碳配额可以是企业园区年度碳配额的平均值，也可以根据历史排放规律来分别设置每个月的碳配额，此处不作限制。
在本实施方式中，第五碳排放量为下一月内非厂房建筑的总碳排放量预测值，第二减排量为下一月内企业园区的碳减排量预测值。
在一些实施例中，第五碳排放量可以通过以下方式确定。
可以先获取非厂房建筑在历史时间段内的每个月的总碳排放量，并得到非厂房建筑总碳排量的历史时序数据。
需要说明的是，历史时间段可以是本年度的前一年或者前两年范围，当然也可以是非厂房建筑投入使用以来的时间段，此处不作限制。
非厂房建筑主要用作办公、生活以及后勤等功能，其碳排量波动较小，但数据会与时序有一定关联，呈现时间特性。因此，可以先获取非厂房建筑在历史时间段内的每个月的总碳排放量，并得到非厂房建筑总碳排量的历史时序数据，历史时序数据是以月为节点划分的数据。
在此基础上，可以基于非厂房建筑总碳排量的历史时序数据对碳排量预测模型进行训练，碳排量预测模型是基于神经网络模型构建的。
神经网络模型可以是LSTM（Long short-term memory，长短期记忆）或者Transformer等神经网络所构建的预测模型。
非厂房建筑总碳排量的历史时序数据可以作为训练的样本数据。样本数据中每个月的总碳排放量作为指定标签，指定标签表征样本数据中待预测时段的碳排放量的真实值。
根据样本数据以及待训练的碳排量预测模型，基于上述的指定标签以及预测结果，可以通过损失函数等确定碳排量预测模型的模型损失值，并根据模型损失值，调整碳排量预测模型的模型参数，并继续利用样本数据来进行后续训练，直至碳排量预测模型收敛，进而得到训练好的碳排量预测模型。
在本实施方式中，采用神经网络模型可以快速得到较为准确的碳排放量预测值。
在一些实施例中，碳排量预测模型包括第一映射层、第二映射层和第三映射层，第一映射层用于拟合输入数据的周期特征，第二映射层用于拟合输入数据的趋势特征，第三映射层用于拟合输入数据的非线性特征。
需要说明的是，周期特征是指非厂房建筑总碳排量的历史时序数据中具有重复出现的模式或周期性变化。周期可以是日周期、季节性周期、年周期或其他任何具有规律的周期。周期特征可以通过观察数据的周期性变化来检测和分析。例如，在碳排放量中，可能会观察到每天、每周或每年相似的碳排放模式。
趋势特征是指非厂房建筑总碳排量的历史时序数据中的长期变化趋势。趋势描述了数据随着时间推移的整体变化方向。趋势可以是上升的、下降的或平稳的。趋势特征通常用于分析时间序列数据的长期发展趋势，例如碳排量是否逐渐增加或减少。
非线性特征是指非厂房建筑总碳排量的历史时序数据中存在的非线性关系。非线性特征表示数据中的不规则、非线性的模式和变化。与线性关系不同，非线性特征可能涉及到数据的复杂交互作用、非线性趋势或周期性的非线性变化。在碳排放量数据中，可能存在非线性的碳排放响应、系统失衡或负载变化等特征。
在本实施方式中，可以利用不同映射层学习到非厂房建筑总碳排量的历史时序数据的不同的时序特征。不同映射层可以由不同的全连接神经网络构成。
在本实施方式中，通过设置不同映射层可以对非厂房建筑总碳排量的时间特征进行全面的拟合，进而能够使得碳排量预测模型预测得到更加准确的碳排放量数据。
当然，在另一些实施例中，第五碳排放量还可以直接采用线性模型模拟的值，此处对第五碳排放量的确定方式不作限制。
在一些实施例中，如图2所示，确定第二减排量的方式可以包括步骤210、步骤220和步骤230。
在考虑减排量时，需要考虑使用清洁能源的发电量以及植物的吸收固碳量。但是由于植物的种类以及生长状态等对吸收固碳量影响巨大，且不同植物在不同生长状态下的吸收固碳量难以得到准确的量化值。因此，在本申请的实施方式中，只考虑对清洁能源的发电量进行计算。
步骤210，获取企业园区在下一月的天气预测信息，并基于天气预测信息确定企业园区在下一月的第一预测发电量。
天气预测信息可以包括风力信息如风向和风速，进而便于预测得到风力发电量。天气预测信息还可以包括太阳辐射等信息，进而便于得到光伏发电量。
步骤220，基于权重系数、企业园区在下一月的第一预测发电量以及企业园区在历史时间段内的月均发电量，确定企业园区在下一月的第二预测发电量。
需要说明的是，由于下一月的天气预测信息存在较大的误差，因此通过天气预测信息得到的第二预测发电量会与下一月的实际发电量偏差较远。在此基础上，可以综合考虑企业园区在历史时间段内的月均发电量来预测得到下一月的发电量。
在本实施方式中，可以设置权重系数，权重系数可以用k表示，其中，0＜k＜1。
权重系数是基于企业园区在历史时间段内的月均发电量以及企业园区在历史时间段内的预测发电量确定的。
可以理解的是，可以计算企业园区在历史时间段内每个月的预测发电量与历史时间段内的月均发电量的差值，并将该差值求和。在该差值较大的情况下，k可以取一个较大的值，而在该差值较小的情况下，k可以取一个较小的值。
第二预测发电量可以通过以下公式确定：
Q=k×Q1+（1-k）×Q2。
其中，Q为第二预测发电量，k为权重系数，Q1为企业园区在历史时间段内的月均发电量，Q2为第一预测发电量。
步骤230，将第二预测发电量对应的减排量确定为第二减排量。
在此基础上，将第二预测发电量对应的减排量确定为第二减排量。换言之，可以根据第二预测发电量确定采用其他非清洁能源产生相同电量会产生的排放量作为减排量。
在本实施方式中，通过对企业园区在历史时间段内的月均发电量以及下一月的发电量预测值进行综合衡量，能够得到更为准确的第二减排量，进而为后续的碳排放监控提供更加准确的依据。
当然，在另一些实施例中，还可以采用深度学习模型来对第二减排量进行预测，此处对第二减排量的预测方式不作限制。
步骤140，将企业园区在下一月内的第二碳配额量与第二减排量求和后减去第五碳排放量和第七碳排放量，得到第八碳排放量，并将第八碳排放量作为企业园区在下一月内的碳排放量参考值。
需要说明的是，第七碳排放量为第四碳排放量与企业园区在当月内的第一碳配额量的差值，第七碳排放量用于表征企业园区在本月所多排放的碳排放量，需要使用下一月的第二碳配额量进行补偿，因而得到厂房建筑在下一月内的碳排放量参考值，即第八碳排放量。
在得到厂房建筑在下一月内的碳排放量参考值即第八碳排放量后，可以便于对厂房建筑在下一月的生产计划等活动进行提前安排，进而便于确定碳排放量是否符合下一月的第二碳配额量，使得企业园区的碳排放量能够符合碳排放目标。
根据本发明实施例提供的一种建筑碳排放监测方法，通过对企业园区当月的碳排放量以及减排量进行精准统计，可以在当月碳排放超标的情况下，针对数据波动较不明显的非厂房建筑在下一月的碳排放量以及企业园区的减排量进行预测，进而得到排放量波动较大的厂房建筑在下一月的碳排放量参考值，进而对当前企业园区不同碳排放特性的建筑进行不同方式的监测，可以为企业园区在下一月进行减排以完成排放目标提供更为准确的参考依据，使得企业园区的碳排放量能够符合碳排放目标。
在一些实施例中，在将企业园区在下一月内的第二碳配额量与第二减排量求和后减去第五碳排放量和第七碳排放量，得到第八碳排放量之后，本发明实施例的建筑碳排放监测方法还包括：在第九碳排放量大于第八碳排放量的情况下，确定减排方案。
需要说明的是，第九碳排放量为在本年度内企业园区的厂房建筑的月均碳排放量。在第九碳排放量大于第八碳排放量的情况下，根据本年度的排放实际情况，下一月的实际排放量大于第八排放量的概率较大，容易造成较大的减排压力。在此种情况下，可以确定减排方案。
减排方案包括在下一月厂房建筑的生产计划调整方案和碳交易量方案中的至少一项。
可以理解的是，当厂房建筑内的生产计划十分饱和，且生产的产品为高能耗高排放的产品时，下一月的实际碳排放量会很大，进而使得下一月也难以完成减排目标，进而难以完成全年的减排目标。
因此，可以将高能耗高碳排放量的生产产品向后安排，或者减少下一月的产量，得到生产计划调整方案，还可以采购以定量的减排额度，进而得到碳交易量方案，从而使得企业园区的碳排放量能够符合碳排放目标。
在一些实施例中，在第九碳排放量大于第八碳排放量的情况下，确定减排方案，包括：基于第八碳排放量，确定厂房建筑在下一月排放第八碳排放量的第一产量。
可以理解的是，可以对厂房建筑历史的产量进行统计，并统计不同产品在不同产量下对应的碳排放量的映射关系。进而可以根据映射关系和第八碳排放量，预估不同产品的产量，进而得到第一产量。
在此基础上，可以在第一产量小于第二产量的情况下，确定生产计划调整方案。第二产量为厂房建筑在下一月的计划产量。
可以理解的是，第一产量小于第二产量时，下一月的生产计划无法完成，因此可以考虑调整下一月的生产计划，进而确定生产计划调整方案。
在第一产量小于第二产量的情况下，确定生产计划调整方案之后，本发明实施例的建筑碳排放监测方法还包括：获取生产计划调整方案审批结果。在生产计划调整方案的审批结果为不通过的情况下，生成碳交易量方案。
可以理解的是，生产计划调整方案审批结果可以通过接收输入信息得到。在无法调整生产计划的情况下，为完成本年度的碳排放目标，可以购入一定的碳排放指标，即生成碳交易量方案，以使得企业园区的碳排放量能够符合碳排放目标。
下面对本发明提供的建筑碳排放监测系统进行描述，下文描述的建筑碳排放监测系统与上文描述的建筑碳排放监测方法可相互对应参照。
如图3所示，本发明实施例的建筑碳排放监测系统主要包括获取模块310、第一处理模块320、第二处理模块330以及第三处理模块340。
获取模块310用于获取第一碳排放量、第二碳排放量以及第一减排量；第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，第二碳排放量为当月内企业园区的非厂房建筑的总碳排放量，第一减排量为当月内企业园区的碳减排量；
第一处理模块320用于将第一碳排放量与第二碳排放量求和得到第三碳排放量，并将第三碳排放量与第一减排量作差，得到第四碳排放量；
第二处理模块330用于在第四碳排放量大于企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；第五碳排放量为下一月内非厂房建筑的总碳排放量预测值，第二减排量为下一月内企业园区的碳减排量预测值；
第三处理模块340用于将企业园区在下一月内的第二碳配额量与第二减排量求和后减去第五碳排放量和第七碳排放量，得到第八碳排放量，并将第八碳排放量作为企业园区在下一月内的碳排放量参考值；第七碳排放量为第四碳排放量与企业园区在当月内的第一碳配额量的差值。
根据本发明实施例提供的建筑碳排放监测系统，通过对企业园区当月的碳排放量以及减排量进行精准统计，可以在当月碳排放超标的情况下，针对数据波动较不明显的非厂房建筑在下一月的碳排放量以及企业园区的减排量进行预测，进而得到排放量波动较大的厂房建筑在下一月的碳排放量参考值，进而对当前企业园区不同碳排放特性的建筑进行不同方式的监测，可以为企业园区在下一月进行减排以完成排放目标提供更为准确的参考依据，使得企业园区的碳排放量能够符合碳排放目标。
在一些实施例中，第二处理模块330还用于获取企业园区在下一月的天气预测信息，并基于天气预测信息确定企业园区在下一月的第一预测发电量；基于权重系数、企业园区在下一月的第一预测发电量以及企业园区在历史时间段内的月均发电量，确定企业园区在下一月的第二预测发电量；权重系数是基于企业园区在历史时间段内的月均发电量以及企业园区在历史时间段内的预测发电量确定的；将第二预测发电量对应的减排量确定为第二减排量。
在一些实施例中，第二处理模块330还用于获取非厂房建筑在历史时间段内的每个月的总碳排放量，并得到非厂房建筑总碳排量的历史时序数据；基于非厂房建筑总碳排量的历史时序数据对碳排量预测模型进行训练；碳排量预测模型是基于神经网络模型构建的；基于训练好的碳排量预测模型，得到碳排量预测模型输出的下一月内非厂房建筑的总碳排放量预测值。
在一些实施例中，碳排量预测模型包括第一映射层、第二映射层和第三映射层，第一映射层用于拟合输入数据的周期特征，第二映射层用于拟合输入数据的趋势特征，第三映射层用于拟合输入数据的非线性特征。
在一些实施例中，本发明实施例的建筑碳排放监测系统还包括第四处理模块，第四处理模块用于在第九碳排放量大于第八碳排放量的情况下，确定减排方案；第九碳排放量为在本年度内企业园区的厂房建筑的月均碳排放量；减排方案包括在下一月厂房建筑的生产计划调整方案和碳交易量方案中的至少一项。
在一些实施例中，第四处理模块还用于基于第八碳排放量，确定厂房建筑在下一月排放第八碳排放量的第一产量；在第一产量小于第二产量的情况下，确定生产计划调整方案；第二产量为厂房建筑在下一月的计划产量。
在一些实施例中，第四处理模块还用于获取生产计划调整方案审批结果；在生产计划调整方案的审批结果为不通过的情况下，生成碳交易量方案。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器（processor）410、通信接口（Communications Interface）420、存储器（memory）430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行建筑碳排放监测方法，该方法包括：获取第一碳排放量、第二碳排放量以及第一减排量；第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，第二碳排放量为当月内企业园区的非厂房建筑的总碳排放量，第一减排量为当月内企业园区的碳减排量；将第一碳排放量与第二碳排放量求和得到第三碳排放量，并将第三碳排放量与第一减排量作差，得到第四碳排放量；在第四碳排放量大于企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；第五碳排放量为下一月内非厂房建筑的总碳排放量预测值，第二减排量为下一月内企业园区的碳减排量预测值；将企业园区在下一月内的第二碳配额量与第二减排量求和后减去第五碳排放量和第七碳排放量，得到第八碳排放量，并将第八碳排放量作为企业园区在下一月内的碳排放量参考值；第七碳排放量为第四碳排放量与企业园区在当月内的第一碳配额量的差值。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的建筑碳排放监测方法，该方法包括：获取第一碳排放量、第二碳排放量以及第一减排量；第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，第二碳排放量为当月内企业园区的非厂房建筑的总碳排放量，第一减排量为当月内企业园区的碳减排量；将第一碳排放量与第二碳排放量求和得到第三碳排放量，并将第三碳排放量与第一减排量作差，得到第四碳排放量；在第四碳排放量大于企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；第五碳排放量为下一月内非厂房建筑的总碳排放量预测值，第二减排量为下一月内企业园区的碳减排量预测值；将企业园区在下一月内的第二碳配额量与第二减排量求和后减去第五碳排放量和第七碳排放量，得到第八碳排放量，并将第八碳排放量作为企业园区在下一月内的碳排放量参考值；第七碳排放量为第四碳排放量与企业园区在当月内的第一碳配额量的差值。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的建筑碳排放监测方法，该方法包括：获取第一碳排放量、第二碳排放量以及第一减排量；第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，第二碳排放量为当月内企业园区的非厂房建筑的总碳排放量，第一减排量为当月内企业园区的碳减排量；将第一碳排放量与第二碳排放量求和得到第三碳排放量，并将第三碳排放量与第一减排量作差，得到第四碳排放量；在第四碳排放量大于企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；第五碳排放量为下一月内非厂房建筑的总碳排放量预测值，第二减排量为下一月内企业园区的碳减排量预测值；将企业园区在下一月内的第二碳配额量与第二减排量求和后减去第五碳排放量和第七碳排放量，得到第八碳排放量，并将第八碳排放量作为企业园区在下一月内的碳排放量参考值；第七碳排放量为第四碳排放量与企业园区在当月内的第一碳配额量的差值。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种建筑碳排放监测方法，其特征在于，包括：
获取第一碳排放量、第二碳排放量以及第一减排量；所述第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，所述第二碳排放量为当月内所述企业园区的非厂房建筑的总碳排放量，所述第一减排量为当月内所述企业园区的碳减排量；
将所述第一碳排放量与所述第二碳排放量求和得到第三碳排放量，并将所述第三碳排放量与所述第一减排量作差，得到第四碳排放量；
在所述第四碳排放量大于所述企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；所述第五碳排放量为下一月内所述非厂房建筑的总碳排放量预测值，所述第二减排量为下一月内所述企业园区的碳减排量预测值；
将所述企业园区在下一月内的第二碳配额量与所述第二减排量求和后减去所述第五碳排放量和第七碳排放量，得到第八碳排放量，并将所述第八碳排放量作为所述企业园区在下一月内的碳排放量参考值；所述第七碳排放量为所述第四碳排放量与所述企业园区在当月内的第一碳配额量的差值；
所述第二减排量通过以下方式确定：
获取所述企业园区在下一月的天气预测信息，并基于所述天气预测信息确定所述企业园区在下一月的第一预测发电量；
基于权重系数、企业园区在下一月的第一预测发电量以及所述企业园区在历史时间段内的月均发电量，确定所述企业园区在下一月的第二预测发电量；所述权重系数是基于所述企业园区在历史时间段内的月均发电量以及所述企业园区在历史时间段内的预测发电量确定的；
将所述第二预测发电量对应的减排量确定为所述第二减排量；
所述第五碳排放量通过以下方式确定：
获取所述非厂房建筑在历史时间段内的每个月的总碳排放量，并得到所述非厂房建筑总碳排量的历史时序数据；
基于所述非厂房建筑总碳排量的历史时序数据对碳排量预测模型进行训练；所述碳排量预测模型是基于神经网络模型构建的；
基于训练好的碳排量预测模型，得到所述碳排量预测模型输出的下一月内所述非厂房建筑的总碳排放量预测值。
2.根据权利要求1所述的建筑碳排放监测方法，其特征在于，所述碳排量预测模型包括第一映射层、第二映射层和第三映射层，所述第一映射层用于拟合输入数据的周期特征，所述第二映射层用于拟合输入数据的趋势特征，所述第三映射层用于拟合输入数据的非线性特征。
3.根据权利要求1所述的建筑碳排放监测方法，其特征在于，在所述将所述企业园区在下一月内的第二碳配额量与所述第二减排量求和后减去所述第五碳排放量和第七碳排放量，得到第八碳排放量之后，所述方法还包括：
在第九碳排放量大于所述第八碳排放量的情况下，确定减排方案；所述第九碳排放量为在本年度内所述企业园区的厂房建筑的月均碳排放量；所述减排方案包括在下一月所述厂房建筑的生产计划调整方案和碳交易量方案中的至少一项。
4.根据权利要求3所述的建筑碳排放监测方法，其特征在于，所述在第九碳排放量大于所述第八碳排放量的情况下，确定减排方案，包括：
基于所述第八碳排放量，确定所述厂房建筑在下一月排放所述第八碳排放量的第一产量；
在所述第一产量小于第二产量的情况下，确定生产计划调整方案；所述第二产量为所述厂房建筑在下一月的计划产量。
5.根据权利要求4所述的建筑碳排放监测方法，其特征在于，在所述第一产量小于第二产量的情况下，确定生产计划调整方案之后，所述方法还包括：
获取所述生产计划调整方案审批结果；
在所述生产计划调整方案的审批结果为不通过的情况下，生成碳交易量方案。
6.一种建筑碳排放监测系统，其特征在于，包括：
获取模块，用于获取第一碳排放量、第二碳排放量以及第一减排量；所述第一碳排放量为当月内企业园区的厂房建筑的总碳排放量，所述第二碳排放量为当月内所述企业园区的非厂房建筑的总碳排放量，所述第一减排量为当月内所述企业园区的碳减排量；
第一处理模块，用于将所述第一碳排放量与所述第二碳排放量求和得到第三碳排放量，并将所述第三碳排放量与所述第一减排量作差，得到第四碳排放量；
第二处理模块，用于在所述第四碳排放量大于所述企业园区在当月内的第一碳配额量的情况下，确定第五碳排放量和第二减排量；所述第五碳排放量为下一月内所述非厂房建筑的总碳排放量预测值，所述第二减排量为下一月内所述企业园区的碳减排量预测值；
第三处理模块，用于将所述企业园区在下一月内的第二碳配额量与所述第二减排量求和后减去所述第五碳排放量和第七碳排放量，得到第八碳排放量，并将所述第八碳排放量作为所述企业园区在下一月内的碳排放量参考值；所述第七碳排放量为所述第四碳排放量与所述企业园区在当月内的第一碳配额量的差值；
所述第二处理模块还用于获取所述企业园区在下一月的天气预测信息，并基于所述天气预测信息确定所述企业园区在下一月的第一预测发电量；基于权重系数、企业园区在下一月的第一预测发电量以及所述企业园区在历史时间段内的月均发电量，确定所述企业园区在下一月的第二预测发电量；所述权重系数是基于所述企业园区在历史时间段内的月均发电量以及所述企业园区在历史时间段内的预测发电量确定的；将所述第二预测发电量对应的减排量确定为所述第二减排量；
所述第二处理模块还用于获取所述非厂房建筑在历史时间段内的每个月的总碳排放量，并得到所述非厂房建筑总碳排量的历史时序数据；基于所述非厂房建筑总碳排量的历史时序数据对碳排量预测模型进行训练；所述碳排量预测模型是基于神经网络模型构建的；基于训练好的碳排量预测模型，得到所述碳排量预测模型输出的下一月内所述非厂房建筑的总碳排放量预测值。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述建筑碳排放监测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述建筑碳排放监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010111.6A CN116720985B (zh) | 2023-08-11 | 2023-08-11 | 一种建筑碳排放监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010111.6A CN116720985B (zh) | 2023-08-11 | 2023-08-11 | 一种建筑碳排放监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116720985A CN116720985A (zh) | 2023-09-08 |
| CN116720985B true CN116720985B (zh) | 2023-10-31 |
Family
ID=87870195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311010111.6A Active CN116720985B (zh) | 2023-08-11 | 2023-08-11 | 一种建筑碳排放监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720985B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116974234B (zh) * | 2023-09-22 | 2024-02-20 | 华能山东发电有限公司烟台发电厂 | 一种火电厂碳资产的监测控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130142401A (ko) * | 2012-06-19 | 2013-12-30 | 건국대학교 산학협력단 | Ｕ－Ｃｉｔｙ 탄소배출 저감량 산정 시스템 및 그 방법 |
| CN115409403A (zh) * | 2022-09-14 | 2022-11-29 | 零碳产业运营中心(深圳)有限公司 | 一种基于组织碳排放预测的碳资产管理方法及系统 |
| CN115423373A (zh) * | 2022-10-11 | 2022-12-02 | 武汉烽火普天信息技术有限公司 | 一种园区的碳排放评价方法、系统、电子设备及存储介质 |
| CN116402481A (zh) * | 2023-06-09 | 2023-07-07 | 安徽蔚蓝智汇能源科技有限公司 | 智慧能源碳排放管理平台 |
-
2023
- 2023-08-11 CN CN202311010111.6A patent/CN116720985B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130142401A (ko) * | 2012-06-19 | 2013-12-30 | 건국대학교 산학협력단 | Ｕ－Ｃｉｔｙ 탄소배출 저감량 산정 시스템 및 그 방법 |
| CN115409403A (zh) * | 2022-09-14 | 2022-11-29 | 零碳产业运营中心(深圳)有限公司 | 一种基于组织碳排放预测的碳资产管理方法及系统 |
| CN115423373A (zh) * | 2022-10-11 | 2022-12-02 | 武汉烽火普天信息技术有限公司 | 一种园区的碳排放评价方法、系统、电子设备及存储介质 |
| CN116402481A (zh) * | 2023-06-09 | 2023-07-07 | 安徽蔚蓝智汇能源科技有限公司 | 智慧能源碳排放管理平台 |
Non-Patent Citations (1)
| Title |
|---|
| 基于灰色神经网络模型的企业碳排放峰值预测;於慧琳;肖铭哲;;计算机测量与控制(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116720985A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10223167B2 (en) | Discrete resource management | |
| CN114742294A (zh) | 一种碳排放预测的神经网络算法 | |
| CN116720985B (zh) | 一种建筑碳排放监测方法及系统 | |
| CN107092989A (zh) | 短期风电功率的预测方法和设备 | |
| Velasco et al. | Next day electric load forecasting using Artificial Neural Networks | |
| CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
| CN115640876A (zh) | 一种基于改进stirpat模型的电力能源碳排放预测方法 | |
| He et al. | High frequency short-term demand forecasting model for distribution power grid based on ARIMA | |
| CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
| CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
| CN117251672A (zh) | 基于电力数据的区域行业多维能源碳排放计算方法和装置 | |
| CN117010946A (zh) | 一种火电厂生产经营成本核算系统及其使用方法 | |
| CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
| CN115713252A (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
| CN115293456A (zh) | 一种预测含微电网的楼宇碳达峰的方法、装置及存储介质 | |
| Petrichenko et al. | Short-term forecasting of district heating demand | |
| CN112036713A (zh) | 一种基于主成分分析的煤改电综合效益评价方法和系统 | |
| Feng et al. | A review of uncertain factors and analytic methods in long-term energy system optimization models | |
| Amini et al. | Predictive energy management strategy for battery energy storage considering battery degradation cost | |
| Hu et al. | A data-driven approach for electric energy equipment using wireless sensing technology in the context of carbon neutrality | |
| Famoso et al. | A Dependability Neural Network Approach for Short-Term Production Estimation of a Wind Power Plant | |
| Jyothi et al. | A machine learning based power load prediction system for smart grid energy management | |
| Omondi et al. | Smart grid energy management system for industrial applications | |
| Jing et al. | Photovoltaic Output Prediction Model Based on Echo State Networks with Weather Type Index | |
| US20240097444A1 (en) | Hybrid system and method for distributed virtual power plants integrated intelligent net zero |
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 |