CN116933983B - 一种低碳排放数据监测系统及方法 - Google Patents
一种低碳排放数据监测系统及方法 Download PDFInfo
- Publication number
- CN116933983B CN116933983B CN202311204845.8A CN202311204845A CN116933983B CN 116933983 B CN116933983 B CN 116933983B CN 202311204845 A CN202311204845 A CN 202311204845A CN 116933983 B CN116933983 B CN 116933983B
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- regional
- early warning
- area
- 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 287
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 25
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 278
- 238000004364 calculation method Methods 0.000 claims abstract description 55
- 230000000694 effects Effects 0.000 claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000012806 monitoring device Methods 0.000 claims description 15
- 238000011161 development Methods 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 230000037396 body weight Effects 0.000 claims description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 20
- 229910002092 carbon dioxide Inorganic materials 0.000 description 10
- 239000001569 carbon dioxide Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 241000282414 Homo sapiens Species 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 238000013480 data collection Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种低碳排放数据监测系统及方法,所述系统包括:数据采集模块、数据库建立模块、预警计算模块、排放量预警模块。该系统不仅能够实时监测当前区域的碳排放数据,还能够通过当前区域内的人员活动数据、企业数据和车辆数据来自动推算处该区域内的合理碳排放数值范围,并对数值进行比较,在监测到数值偏近范围边界时,及时发出警示,以便相关部门可以有充足的时间才去相应的措施来应对碳排放量的变化,提高监测效果,并加强系统的功能性,使监测系统的自动化程度更高,也更加便捷。
Description
技术领域
本发明属于碳排放领域,尤其涉及一种低碳排放数据监测系统及方法。
背景技术
碳排放又称温室气体排放,会造成温室效应,使全球气温上升。地球在吸收太阳辐射的同时,本身也向外层空间辐射热量,其热辐射以3~30μm的长波红外线为主。当这样的长波辐射进入大气层时,易被某些分子量较大、极性较强的气体分子所吸收。由于红外线的能量较低,不足以导致分子键能的断裂,因此气体分子吸收红外线辐射后没有化学反应发生,而只是阻挡热量自地球向外逃逸,相当于地球和外层空间的一个绝热层,即温室的作用。大气中某些微量组分对地球长波辐射吸收作用使近地面热量得以保持,从而导致全球气温升高的现象被称为温室效应。
碳排放量是指在生产、运输、使用及回收某产品时所产生的温室气体排放量。而动态的碳排放量,则是指每单位货品累积排放的温室气体量,同一产品的各个批次之间会有不同的动态碳排放量。
碳排放若过高,则会导致向大气中排放的二氧化碳气体增多,导致大气中二氧化碳的浓度不断增加,使得气候危机严重影响人类的生活;而碳排放过低则反映出当前区域内的经济水平变差,因此碳排放过高或过低都会对当前区域有负面影响,而目前的碳排放数据监测系统大多只是对很局限区域的碳排放量进行监测,无法进行数据的有效分析,实用性差,功能性有限。
发明内容
本发明实施例的目的在于提供一种低碳排放数据监测系统,旨在解决背景技术中确定的现有技术存在的技术问题。
本发明实施例是这样实现的,一种低碳排放数据监测系统,所述系统包括:
数据采集模块,用于在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台;
数据库建立模块,用于在云端平台建立区域网数据库,所述区域网数据库包括人员活动数据、工业企业数据和车辆数据;
预警计算模块,用于通过区域网数据库所统计的数据,计算该区域内的合理碳排放数据,并根据平均碳排放量计算该区域内碳排放量的预警峰值和预警谷值;
排放量预警模块,用于将区域内的碳排放数据与区域合理碳排放数据进行对比,生成碳排放数据变化图表,并在数据靠近预警峰值和预警谷值时进行警示。
作为本发明更进一步的方案,所述的数据采集模块还包括:
数据监控单元,用于通过碳排放监测设备获取当前区域内的监控数据,并同步至云端平台;
数据验证单元,用于根据监控数据推算当前区域内的碳排放数值范围,并依据碳排放数值范围来对上传至云端平台的碳排放数据进行可信度验证。
作为本发明更进一步的方案,所述的数据库建立模块具体包括:
人员数据采集单元,用于采集当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;
工业企业数据采集单元,用于采集当前区域工业企业数量、工业企业发展类型和工业企业规模;
车辆数据采集单元,用于采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;
数据库建立单元,用于根据全部的采集信息,建立当前区域的区域网数据库。
作为本发明更进一步的方案,所述的预警计算模块具体包括:
合理数据计算单元,用于根据预设碳排放量计算公式,并结合区域网数据库中所采集的全部信息,计算出当前区域在某一时间段内的合理碳排放数据;
预警数值计算单元,用于依据合理碳排放数据和国家碳排放标准,推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
作为本发明更进一步的方案,所述的排放量预警模块具体包括:
图表生成单元,用于在云端平台中根据区域内的碳排放数据生成每日区域碳排放数据图表,同时根据区域碳排放数据的预警峰值和预警谷值生成区域碳排放预警数据图表;
数据对比单元,用于将每日区域碳排放数据图表和区域碳排放预警数据图表相结合,并进行数据对比,并在每日区域碳排放数据图表中的数据超过区域碳排放预警数据图表中的预警峰值或预警谷值时,在云端平台中发出预警信号。
本发明实施例的另一目的在于提供一种低碳排放数据监测方法,所述方法包括:
在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台;
在云端平台建立区域网数据库,所述区域网数据库包括人员活动数据、工业企业数据和车辆数据;
通过区域网数据库所统计的数据,计算该区域内的合理碳排放数据,并根据平均碳排放量计算该区域内碳排放量的预警峰值和预警谷值;
将区域内的碳排放数据与区域合理碳排放数据进行对比,生成碳排放数据变化图表,并在数据靠近预警峰值和预警谷值时进行警示。
作为本发明更进一步的方案,在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台的步骤之后,所述方法还包括:通过碳排放监测设备获取当前区域内的监控数据,并同步至云端平台;
根据监控数据推算当前区域内的碳排放数值范围,并依据碳排放数值范围来对上传至云端平台的碳排放数据进行可信度验证。
作为本发明更进一步的方案,所述的在云端平台建立区域网数据库,具体包括:
采集当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;
采集当前区域工业企业数量、工业企业发展类型和工业企业规模;
采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;
根据全部的采集信息,建立当前区域的区域网数据库。
作为本发明更进一步的方案,所述的计算该区域内碳排放量的预警峰值和预警谷值,具体包括:
根据预设碳排放量计算公式,并结合区域网数据库中所采集的全部信息,计算出当前区域在某一时间段内的合理碳排放数据;
依据合理碳排放数据和国家碳排放标准,推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
作为本发明更进一步的方案,所述的在数据靠近预警峰值和预警谷值时进行警示,具体包括:
在云端平台中根据区域内的碳排放数据生成每日区域碳排放数据图表,同时根据区域碳排放数据的预警峰值和预警谷值生成区域碳排放预警数据图表;
将每日区域碳排放数据图表和区域碳排放预警数据图表相结合,并进行数据对比,并在每日区域碳排放数据图表中的数据超过区域碳排放预警数据图表中的预警峰值或预警谷值时,在云端平台中发出预警信号。
本发明实施例的有益效果是:
该系统不仅能够实时监测当前区域的碳排放数据,还能够通过当前区域内的人员活动数据、企业数据和车辆数据来自动推算处该区域内的合理碳排放数值范围,并对数值进行比较,在监测到数值偏近范围边界时,及时发出警示,以便相关部门可以有充足的时间采取相应的措施来应对碳排放量的变化,提高监测效果,并加强系统的功能性,使监测系统的自动化程度更高,也更加便捷。
附图说明
图1为本发明实施例提供的低碳排放数据监测系统的结构框图;
图2为本发明实施例提供的数据采集模块的结构框图;
图3为本发明实施例提供的数据库建立模块的结构框图;
图4为本发明实施例提供的预警计算模块的结构框图;
图5为本发明实施例提供的排放量预警模块的结构框图;
图6为本发明实施例提供的低碳排放数据监测方法的流程图;
图7为本发明实施例提供的在监测区域配置碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台的流程图;
图8为本发明实施例提供的在云端平台建立区域网数据库的流程图;
图9为本发明实施例提供的计算该区域内碳排放量的预警峰值和预警谷值的流程图;
图10为本发明实施例提供的在数据靠近预警峰值和预警谷值时进行警示的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的低碳排放数据监测系统的结构框图,如图1所示,一种低碳排放数据监测系统,所述系统包括:
数据采集模块100,用于在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台;
在本模块中,碳排放监测设备的数量并不局限于某一特定的范围,而是根据当前区域的面积、人口密度进行调整,以确保可以实时对该区域内的全部碳排放量实现全面监测,且在得到监测数据后,会将监测数据上传至云端平台进行存储;
同时,在每一个碳排放监测设备对当前区域的碳排放量进行数据监测时,还会同步监控当前区域范围内的视频数据,视频数据用于观测当前区域内的人流量、车流量等数据,根据上述数据大致推算出该区域内的合理碳排放数值范围,且在得到该数值范围后,可将云端平台中的检测数据与合理碳排放数值范围进行对比,以此来对碳排放监测设备采集到的数据可信度进行验证,确保数据具有高准确度,并在数据偏离范围较大时,发出警示,并重新进行数据采集。
数据库建立模块200,用于在云端平台建立区域网数据库,所述区域网数据库包括人员活动数据、工业企业数据和车辆数据;
在本模块中,数据采集是为了推算出该区域内合理碳排放量的精确范围,该数据包括但不限于人员活动数据、工业企业数据和车辆数据;其中,人员活动数据包括但不限于当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;工业企业数据包括但不限于当前区域工业企业数量、工业企业发展类型和工业企业规模;车辆数据包括但不限于当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;且在数据采集完成后,根据数据结果建立区域网数据库,对数据进行集中存储。
预警计算模块300,用于通过区域网数据库所统计的数据,计算该区域内的合理碳排放数据,并根据平均碳排放量计算该区域内碳排放量的预警峰值和预警谷值;
在本模块中,在计算区域内合理碳排放数据时,所采用的计算标准为IPCC(联合国政府间气候变化专门委员会)所公开的碳排放量计算公式来进行计算,将数据库建立模块200所采集的人员活动数据、工业企业数据和车辆数据分别代入公式中进行计算,且在计算后将全部数据相加,即可得到推算出的当前区域合理碳排放数据,且该计算并非只计算一次,而是结合多日的统计数据分别计算并对比,结合可能的误差,即可得到较为精确的合理碳排放数值范围;
碳排放若过高,则会导致向大气中排放的二氧化碳气体增多,导致大气中二氧化碳的浓度不断增加,使得气候危机严重影响人类的生活;而碳排放过低则反映出当前区域内的经济水平变差,因此碳排放过高或过低都会对当前区域有负面影响,在得到合理碳排放数值范围后,结合国家碳排放标准的规定,可推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
排放量预警模块400,用于将区域内的碳排放数据与区域合理碳排放数据进行对比,生成碳排放数据变化图表,并在数据靠近预警峰值和预警谷值时进行警示。
在本模块中,预警峰值和预警谷值的作用是为了保证该区域内的碳排放量始终处于合理正常的范围,若该区域内的实际碳排放量接近预警峰值或预警谷值时,即可能表示该区域内的正常运转出现问题,需要及时的进行人为干涉,因此,碳排放数据变化图表的作用是能够更加直观的对该区域内的碳排放数据进行监测,在出现数值接近预警峰值或预警谷值时,及时发出警示信息,让当地政府有充足的时间应对当前区域所出现的变化。
图2为本发明实施例提供的数据采集模块的结构框图,如图所示,所述的数据采集模块100还包括:
数据监控单元110,用于通过碳排放监测设备获取当前区域内的监控数据,并同步至云端平台;
在本单元中,在每一个碳排放监测设备对当前区域的碳排放量进行数据监测时,还会同步监控当前区域范围内的视频数据,视频数据用于观测当前区域内的人流量、车流量等数据。
数据验证单元120,用于根据监控数据推算当前区域内的碳排放数值范围,并依据碳排放数值范围来对上传至云端平台的碳排放数据进行可信度验证;
在本单元中,根据上述数据大致推算出该区域内的合理碳排放数值范围,且在得到该数值范围后,可将云端平台中的检测数据与合理碳排放数值范围进行对比,以此来对碳排放监测设备采集到的数据可信度进行验证,确保数据具有高准确度,并在数据偏离范围较大时,发出警示,并重新进行数据采集。
图3为本发明实施例提供的数据库建立模块的结构框图,如图3所示,所述的数据库建立模块200具体包括:
人员数据采集单元210,用于采集当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;
工业企业数据采集单元220,用于采集当前区域工业企业数量、工业企业发展类型和工业企业规模;
车辆数据采集单元230,用于采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;
数据库建立单元240,用于根据全部的采集信息,建立当前区域的区域网数据库;
在上述单元中,数据采集是为了推算出该区域内合理碳排放量的精确范围,该数据包括但不限于人员活动数据、工业企业数据和车辆数据;其中,人员活动数据包括但不限于当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;工业企业数据包括但不限于当前区域工业企业数量、工业企业发展类型和工业企业规模;车辆数据包括但不限于当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;且在数据采集完成后,根据数据结果建立区域网数据库,对数据进行集中存储。
图4为本发明实施例提供的预警计算模块的结构框图,如图4所示,所述的预警计算模块300具体包括:
合理数据计算单元310,用于根据预设碳排放量计算公式,并结合区域网数据库中所采集的全部信息,计算出当前区域在某一时间段内的合理碳排放数据;
在本单元中,在计算区域内合理碳排放数据时,所采用的计算标准为IPCC(联合国政府间气候变化专门委员会)所公开的碳排放量计算公式来进行计算,将数据库建立模块200所采集的人员活动数据、工业企业数据和车辆数据分别代入公式中进行计算,且在计算后将全部数据相加,即可得到推算出的当前区域合理碳排放数据,且该计算并非只计算一次,而是结合多日的统计数据分别计算并对比,结合可能的误差,即可得到较为精确的合理碳排放数值范围;
预警数值计算单元320,用于依据合理碳排放数据和国家碳排放标准,推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
在本单元中,碳排放若过高,则会导致向大气中排放的二氧化碳气体增多,导致大气中二氧化碳的浓度不断增加,使得气候危机严重影响人类的生活;而碳排放过低则反映出当前区域内的经济水平变差,因此碳排放过高或过低都会对当前区域有负面影响,在得到合理碳排放数值范围后,结合国家碳排放标准的规定,可推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
图5为本发明实施例提供的排放量预警模块的结构框图,如图5所示,所述的排放量预警模块400具体包括:
图表生成单元410,用于在云端平台中根据区域内的碳排放数据生成每日区域碳排放数据图表,同时根据区域碳排放数据的预警峰值和预警谷值生成区域碳排放预警数据图表;
在本单元中,预警峰值和预警谷值的作用是为了保证该区域内的碳排放量始终处于合理正常的范围,若该区域内的实际碳排放量接近预警峰值或预警谷值时,即可能表示该区域内的正常运转出现问题,需要及时的进行人为干涉;
数据对比单元420,用于将每日区域碳排放数据图表和区域碳排放预警数据图表相结合,并进行数据对比,并在每日区域碳排放数据图表中的数据超过区域碳排放预警数据图表中的预警峰值或预警谷值时,在云端平台中发出预警信号。
在本单元中,碳排放数据变化图表的作用是能够更加直观的对该区域内的碳排放数据进行监测,在出现数值接近预警峰值或预警谷值时,及时发出警示信息,让当地政府有充足的时间应对当前区域所出现的变化。
图6为本发明实施例提供的低碳排放数据监测方法的流程图,如图6所示,一种低碳排放数据监测方法,所述方法包括:
S100,在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台;
在本步骤中,碳排放监测设备的数量并不局限于某一特定的范围,而是根据当前区域的面积、人口密度进行调整,以确保可以实时对该区域内的全部碳排放量实现全面监测,且在得到监测数据后,会将监测数据上传至云端平台进行存储;
同时,在每一个碳排放监测设备对当前区域的碳排放量进行数据监测时,还会同步监控当前区域范围内的视频数据,视频数据用于观测当前区域内的人流量、车流量等数据,根据上述数据大致推算出该区域内的合理碳排放数值范围,且在得到该数值范围后,可将云端平台中的检测数据与合理碳排放数值范围进行对比,以此来对碳排放监测设备采集到的数据可信度进行验证,确保数据具有高准确度,并在数据偏离范围较大时,发出警示,并重新进行数据采集。
S200,在云端平台建立区域网数据库,所述区域网数据库包括人员活动数据、工业企业数据和车辆数据;
在本步骤中,数据采集是为了推算出该区域内合理碳排放量的精确范围,该数据包括但不限于人员活动数据、工业企业数据和车辆数据;其中,人员活动数据包括但不限于当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;工业企业数据包括但不限于当前区域工业企业数量、工业企业发展类型和工业企业规模;车辆数据包括但不限于当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;且在数据采集完成后,根据数据结果建立区域网数据库,对数据进行集中存储。
S300,通过区域网数据库所统计的数据,计算该区域内的合理碳排放数据,并根据平均碳排放量计算该区域内碳排放量的预警峰值和预警谷值;
在本步骤中,在计算区域内合理碳排放数据时,所采用的计算标准为IPCC(联合国政府间气候变化专门委员会)所公开的碳排放量计算公式来进行计算,将数据库建立模块200所采集的人员活动数据、工业企业数据和车辆数据分别代入公式中进行计算,且在计算后将全部数据相加,即可得到推算出的当前区域合理碳排放数据,且该计算并非只计算一次,而是结合多日的统计数据分别计算并对比,结合可能的误差,即可得到较为精确的合理碳排放数值范围;
碳排放若过高,则会导致向大气中排放的二氧化碳气体增多,导致大气中二氧化碳的浓度不断增加,使得气候危机严重影响人类的生活;而碳排放过低则反映出当前区域内的经济水平变差,因此碳排放过高或过低都会对当前区域有负面影响,在得到合理碳排放数值范围后,结合国家碳排放标准的规定,可推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
S400,将区域内的碳排放数据与区域合理碳排放数据进行对比,生成碳排放数据变化图表,并在数据靠近预警峰值和预警谷值时进行警示。
在本步骤中,预警峰值和预警谷值的作用是为了保证该区域内的碳排放量始终处于合理正常的范围,若该区域内的实际碳排放量接近预警峰值或预警谷值时,即可能表示该区域内的正常运转出现问题,需要及时的进行人为干涉,因此,碳排放数据变化图表的作用是能够更加直观的对该区域内的碳排放数据进行监测,在出现数值接近预警峰值或预警谷值时,及时发出警示信息,让当地政府有充足的时间应对当前区域所出现的变化。
图7为本发明实施例提供的在监测区域配置碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台的流程图,如图7所示,所述的在监测区域配置碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台,还包括:
S110,通过碳排放监测设备获取当前区域内的监控数据,并同步至云端平台;
在本步骤中,在每一个碳排放监测设备对当前区域的碳排放量进行数据监测时,还会同步监控当前区域范围内的视频数据,视频数据用于观测当前区域内的人流量、车流量等数据,根据上述数据大致推算出该区域内的合理碳排放数值范围;
S120,根据监控数据推算当前区域内的碳排放数值范围,并依据碳排放数值范围来对上传至云端平台的碳排放数据进行可信度验证。
在本步骤中,在得到上述的数值范围后,可将云端平台中的检测数据与合理碳排放数值范围进行对比,以此来对碳排放监测设备采集到的数据可信度进行验证,确保数据具有高准确度,并在数据偏离范围较大时,发出警示,并重新进行数据采集。
图8为本发明实施例提供的在云端平台建立区域网数据库的流程图,如图8所示,所述的在云端平台建立区域网数据库,具体包括:
S210,采集当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;
在本步骤中,根据采集到的区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数来计算得到人员项的活动指数,进而用于后续的碳排放量的计算。
具体的,在本实施例中,人员项的活动指数的计算公式表示为:
;
其中,表示人员项的活动指数,/>表示第/>类年龄人群的总数量,/>表示第/>类年龄人群中每个人对应的序号,/>表示第/>类年龄人群的区域人均居民消费支出,/>表示第/>类年龄人群的区域居民消费价格指数,/>表示第/>类年龄人群对碳排放量影响的校正因子,/>表示第/>类年龄人群中第/>个人的体重值,/>表示第/>类年龄人群的平均体重值,表示第一权重系数,/>表示第二权重系数,/>的取值为1、2、3或4,/>时表示0至18岁年龄的人群,/>时表示18至45岁年龄的人群,/>时表示45至60岁年龄的人群,/>时表示大于60岁年龄的人群。
可以理解的,人员项的活动指数的值越大,表明对应的碳排放量的基数也越大。
S220,采集当前区域工业企业数量、工业企业发展类型和工业企业规模;
具体的,在本实施例中,根据采集当前区域工业企业数量、工业企业发展类型和工业企业规模计算得到工业项的活动指数。具体的,工业项的活动指数的计算公式表示为:
;
其中,表示工业项的活动指数,/>表示重工业企业的数量,/>表示重工业企业中当前企业对应的序号,/>表示重工业企业项中的第一权重系数,/>表示重工业企业项中的第二权重系数,/>表示重工业企业项中的第三权重系数,/>表示重工业企业中第个重工业企业的企业人员数量,/>表示重工业企业中企业人员的基准数量,/>表示重工业企业中第/>个重工业企业采购原料设备的费用值,/>表示重工业企业中第/>个重工业企业的产值,/>表示重工业企业中第/>个重工业企业对应的污染排放校正因子,/>表示重工业企业对应的基准活动指数,/>表示轻工业企业的数量,/>表示轻工业企业中当前企业对应的序号,/>表示轻工业企业项中的第一权重系数,/>表示轻工业企业项中的第二权重系数,/>表示轻工业企业中第/>个轻工业企业的企业人员数量,/>表示轻工业企业中企业人员的基准数量,/>表示轻工业企业中第/>个轻工业企业采购原料设备的费用值,/>表示轻工业企业中第/>个轻工业企业的产值,/>表示轻工业企业对应的基准活动指数。
S230,采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;
具体的,在本实施例中,根据采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数计算得到车辆项的活动指数。具体的,车辆项的活动指数的计算公式表示为:
;
其中,表示车辆项的活动指数,/>表示车辆的通行总时长,/>表示车辆的当前通行时长,/>表示第/>类车辆的车流量值,/>表示第/>类车辆的单位排放量,/>表示当前时刻所通行的第/>类车辆对应的序号,/>表示在预设通行总时长内所通行的第/>类车辆的总数量。在本实施例中,上述/>的取值可以为1、2、3或4。当/>时表示通行的车辆为微型车辆,当/>时表示通行的车辆为小型车辆,当/>时表示通行的车辆为中型车辆,当/>时表示通行的车辆为大型车辆。
S240,根据全部的采集信息,建立当前区域的区域网数据库。
图9为本发明实施例提供的计算该区域内碳排放量的预警峰值和预警谷值的流程图,如图9所示,所述的计算该区域内碳排放量的预警峰值和预警谷值,具体包括:
S310,根据预设碳排放量计算公式,并结合区域网数据库中所采集的全部信息,计算出当前区域在某一时间段内的合理碳排放数据;
在本步骤中,在计算区域内合理碳排放数据时,所采用的计算标准为IPCC(联合国政府间气候变化专门委员会)所公开的碳排放量计算公式来进行计算,将数据库建立模块200所采集的人员活动数据、工业企业数据和车辆数据分别代入公式中进行计算,且在计算后将全部数据相加,即可得到推算出的当前区域合理碳排放数据,且该计算并非只计算一次,而是结合多日的统计数据分别计算并对比,结合可能的误差,即可得到较为精确的合理碳排放数值范围;
在本步骤中,合理碳排放数据的计算公式表示为:
;
其中,表示合理碳排放数据,/>表示第一排放因子,/>表示第一氧化率,/>表示第二排放因子,/>表示第二氧化率,/>表示第三排放因子,/>表示第三氧化率。S320,依据合理碳排放数据和国家碳排放标准,推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
在本步骤中,碳排放若过高,则会导致向大气中排放的二氧化碳气体增多,导致大气中二氧化碳的浓度不断增加,使得气候危机严重影响人类的生活;而碳排放过低则反映出当前区域内的经济水平变差,因此碳排放过高或过低都会对当前区域有负面影响,在得到合理碳排放数值范围后,结合国家碳排放标准的规定,可推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
在本实施例中,设定预警峰值为,设定预警谷值/>,且预警峰值以及预警谷值的数值均在国家碳排放标准内。可以理解的,该设置有利于系统提前进行排放预警,利于及时进行碳排放调控。作为补充的,上述的参数/>可根据实际情况进行调节,并不局限于某个特定的值。
图10为本发明实施例提供的在数据靠近预警峰值和预警谷值时进行警示的流程图,如图10所示,所述的在数据靠近预警峰值和预警谷值时进行警示,具体包括:
S410,在云端平台中根据区域内的碳排放数据生成每日区域碳排放数据图表,同时根据区域碳排放数据的预警峰值和预警谷值生成区域碳排放预警数据图表;
在本步骤中,预警峰值和预警谷值的作用是为了保证该区域内的碳排放量始终处于合理正常的范围,若该区域内的实际碳排放量接近预警峰值或预警谷值时,即可能表示该区域内的正常运转出现问题,需要及时的进行人为干涉;
S420,将每日区域碳排放数据图表和区域碳排放预警数据图表相结合,并进行数据对比,并在每日区域碳排放数据图表中的数据超过区域碳排放预警数据图表中的预警峰值或预警谷值时,在云端平台中发出预警信号。
在本步骤中,碳排放数据变化图表的作用是能够更加直观的对该区域内的碳排放数据进行监测,在出现数值接近预警峰值或预警谷值时,及时发出警示信息,让当地政府有充足的时间应对当前区域所出现的变化。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述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本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。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种低碳排放数据监测方法,其特征在于,所述方法包括:
在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台;
在云端平台建立区域网数据库,所述区域网数据库包括人员活动数据、工业企业数据和车辆数据;
通过区域网数据库所统计的数据,计算该区域内的合理碳排放数据,并根据平均碳排放量计算该区域内碳排放量的预警峰值和预警谷值;
将区域内的碳排放数据与区域合理碳排放数据进行对比,生成碳排放数据变化图表,并在数据靠近预警峰值和预警谷值时进行警示;
在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台的步骤之后,所述方法还包括:
通过碳排放监测设备获取当前区域内的监控数据,并同步至云端平台;
根据监控数据推算当前区域内的碳排放数值范围,并依据碳排放数值范围来对上传至云端平台的碳排放数据进行可信度验证;
所述在云端平台建立区域网数据库的方法具体包括:
采集当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;
采集当前区域工业企业数量、工业企业发展类型和工业企业规模;
采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;
根据全部的采集信息,建立当前区域的区域网数据库;
在采集当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数之后,所述方法包括:
根据采集到的区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数来计算得到人员项的活动指数;
人员项的活动指数的计算公式表示为:
;
其中,表示人员项的活动指数,/>表示第/>类年龄人群的总数量,/>表示第/>类年龄人群中每个人对应的序号,/>表示第/>类年龄人群的区域人均居民消费支出,/>表示第/>类年龄人群的区域居民消费价格指数,/>表示第/>类年龄人群对碳排放量影响的校正因子,/>表示第/>类年龄人群中第/>个人的体重值,/>表示第/>类年龄人群的平均体重值,/>表示第一权重系数,/>表示第二权重系数,/>的取值为1、2、3或4,/>时表示0至18岁年龄的人群,/>时表示18至45岁年龄的人群,/>时表示45至60岁年龄的人群,/>时表示大于60岁年龄的人群;
在采集当前区域工业企业数量、工业企业发展类型和工业企业规模之后,所述方法包括:
根据采集当前区域工业企业数量、工业企业发展类型和工业企业规模计算得到工业项的活动指数;
工业项的活动指数的计算公式表示为:
;
其中,表示工业项的活动指数,/>表示重工业企业的数量,/>表示重工业企业中当前企业对应的序号,/>表示重工业企业项中的第一权重系数,/>表示重工业企业项中的第二权重系数,/>表示重工业企业项中的第三权重系数,/>表示重工业企业中第/>个重工业企业的企业人员数量,/>表示重工业企业中企业人员的基准数量,/>表示重工业企业中第/>个重工业企业采购原料设备的费用值,/>表示重工业企业中第/>个重工业企业的产值,/>表示重工业企业中第/>个重工业企业对应的污染排放校正因子,/>表示重工业企业对应的基准活动指数,/>表示轻工业企业的数量,/>表示轻工业企业中当前企业对应的序号,/>表示轻工业企业项中的第一权重系数,/>表示轻工业企业项中的第二权重系数,/>表示轻工业企业中第/>个轻工业企业的企业人员数量,/>表示轻工业企业中企业人员的基准数量,/>表示轻工业企业中第/>个轻工业企业采购原料设备的费用值,/>表示轻工业企业中第/>个轻工业企业的产值,/>表示轻工业企业对应的基准活动指数;
在采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数之后,所述方法包括:
根据采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数计算得到车辆项的活动指数;
车辆项的活动指数的计算公式表示为:
;
其中,表示车辆项的活动指数,/>表示车辆的通行总时长,/>表示车辆的当前通行时长,/>表示第/>类车辆的车流量值,/>表示第/>类车辆的单位排放量,/>表示当前时刻所通行的第/>类车辆对应的序号,/>表示在预设通行总时长内所通行的第/>类车辆的总数量,/>的取值为1、2、3或4,当/>时表示通行的车辆为微型车辆,当/>时表示通行的车辆为小型车辆,当/>时表示通行的车辆为中型车辆,当/>时表示通行的车辆为大型车辆;
所述计算该区域内碳排放量的预警峰值和预警谷值的方法具体包括:
根据预设碳排放量计算公式,并结合区域网数据库中所采集的全部信息,计算出当前区域在某一时间段内的合理碳排放数据;
依据合理碳排放数据和国家碳排放标准,推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值;
在数据靠近预警峰值和预警谷值时进行警示,具体包括:
在云端平台中根据区域内的碳排放数据生成每日区域碳排放数据图表,同时根据区域碳排放数据的预警峰值和预警谷值生成区域碳排放预警数据图表;
将每日区域碳排放数据图表和区域碳排放预警数据图表相结合,并进行数据对比,并在每日区域碳排放数据图表中的数据超过区域碳排放预警数据图表中的预警峰值或预警谷值时,在云端平台中发出预警信号。
2.一种低碳排放数据监测系统,其特征在于,所述系统应用如权利要求1所述的低碳排放数据监测方法,所述系统包括:
数据采集模块,用于在监测区域配置用于采集碳排放数据的碳排放监测设备,并将采集的区域内碳排放数据上传至云端平台;
数据库建立模块,用于在云端平台建立区域网数据库,所述区域网数据库包括人员活动数据、工业企业数据和车辆数据;
预警计算模块,用于通过区域网数据库所统计的数据,计算该区域内的合理碳排放数据,并根据平均碳排放量计算该区域内碳排放量的预警峰值和预警谷值;
排放量预警模块,用于将区域内的碳排放数据与区域合理碳排放数据进行对比,生成碳排放数据变化图表,并在数据靠近预警峰值和预警谷值时进行警示。
3.根据权利要求2所述的低碳排放数据监测系统,其特征在于,所述的数据采集模块还包括:
数据监控单元,用于通过碳排放监测设备获取当前区域内的监控数据,并同步至云端平台;
数据验证单元,用于根据监控数据推算当前区域内的碳排放数值范围,并依据碳排放数值范围来对上传至云端平台的碳排放数据进行可信度验证;
所述的数据库建立模块具体包括:
人员数据采集单元,用于采集当前区域人均居民消费支出、区域居民常住人口数量和区域居民消费价格指数;
工业企业数据采集单元,用于采集当前区域工业企业数量、工业企业发展类型和工业企业规模;
车辆数据采集单元,用于采集当前区域各路段车流量信息、当前区域车辆类型和当前区域车辆排量参数;
数据库建立单元,用于根据全部的采集信息,建立当前区域的区域网数据库;
所述的预警计算模块具体包括:
合理数据计算单元,用于根据预设碳排放量计算公式,并结合区域网数据库中所采集的全部信息,计算出当前区域在某一时间段内的合理碳排放数据;
预警数值计算单元,用于依据合理碳排放数据和国家碳排放标准,推算出该区域内的合理排放峰值和合理排放谷值,并分别将其设定为预警峰值和预警谷值。
4.根据权利要求3所述的低碳排放数据监测系统,其特征在于,所述的排放量预警模块具体包括:
图表生成单元,用于在云端平台中根据区域内的碳排放数据生成每日区域碳排放数据图表,同时根据区域碳排放数据的预警峰值和预警谷值生成区域碳排放预警数据图表;
数据对比单元,用于将每日区域碳排放数据图表和区域碳排放预警数据图表相结合,并进行数据对比,并在每日区域碳排放数据图表中的数据超过区域碳排放预警数据图表中的预警峰值或预警谷值时,在云端平台中发出预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311204845.8A CN116933983B (zh) | 2023-09-19 | 2023-09-19 | 一种低碳排放数据监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311204845.8A CN116933983B (zh) | 2023-09-19 | 2023-09-19 | 一种低碳排放数据监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933983A CN116933983A (zh) | 2023-10-24 |
CN116933983B true CN116933983B (zh) | 2024-01-23 |
Family
ID=88388303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311204845.8A Active CN116933983B (zh) | 2023-09-19 | 2023-09-19 | 一种低碳排放数据监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933983B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852779A (zh) * | 2024-03-08 | 2024-04-09 | 广东立胜综合能源服务有限公司 | 一种工业园区碳排放计算方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101081486B1 (ko) * | 2010-05-31 | 2011-11-08 | 주식회사 케이티 | 에너지사용량 및 탄소배출량 모니터링 장치 및 방법 |
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 |
CN111898873A (zh) * | 2020-07-10 | 2020-11-06 | 贵州万峰电力股份有限公司 | 一种集团公司碳排放预警信息系统及其预警方法 |
CN113962468A (zh) * | 2021-10-29 | 2022-01-21 | 杭州青橄榄网络技术有限公司 | 基于用能监控统计能源消耗碳排放管理方法及系统 |
CN114066701A (zh) * | 2021-11-17 | 2022-02-18 | 特斯联科技集团有限公司 | 一种城市单区域内碳排放量预警系统 |
CN114626627A (zh) * | 2022-03-28 | 2022-06-14 | 王大成 | 区域内碳排放的监测预警系统 |
CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析系统及其方法 |
CN116400016A (zh) * | 2023-03-28 | 2023-07-07 | 桂林电子科技大学 | 一种碳排放量监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230253787A1 (en) * | 2022-02-10 | 2023-08-10 | Johnson Controls Tyco IP Holdings LLP | Control system with multi-factor carbon emissions optimization |
-
2023
- 2023-09-19 CN CN202311204845.8A patent/CN116933983B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101081486B1 (ko) * | 2010-05-31 | 2011-11-08 | 주식회사 케이티 | 에너지사용량 및 탄소배출량 모니터링 장치 및 방법 |
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 |
CN111898873A (zh) * | 2020-07-10 | 2020-11-06 | 贵州万峰电力股份有限公司 | 一种集团公司碳排放预警信息系统及其预警方法 |
CN113962468A (zh) * | 2021-10-29 | 2022-01-21 | 杭州青橄榄网络技术有限公司 | 基于用能监控统计能源消耗碳排放管理方法及系统 |
CN114066701A (zh) * | 2021-11-17 | 2022-02-18 | 特斯联科技集团有限公司 | 一种城市单区域内碳排放量预警系统 |
CN114626627A (zh) * | 2022-03-28 | 2022-06-14 | 王大成 | 区域内碳排放的监测预警系统 |
CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析系统及其方法 |
CN116400016A (zh) * | 2023-03-28 | 2023-07-07 | 桂林电子科技大学 | 一种碳排放量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116933983A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116933983B (zh) | 一种低碳排放数据监测系统及方法 | |
Bhatti et al. | Time series analysis and forecasting of air pollution particulate matter (PM 2.5): an SARIMA and factor analysis approach | |
Zambon et al. | The LIFE DYNAMAP project: Towards a procedure for dynamic noise mapping in urban areas | |
Ul-Saufie et al. | Future daily PM10 concentrations prediction by combining regression models and feedforward backpropagation models with principle component analysis (PCA) | |
CN104280070B (zh) | 大数据云服务集中环境监测平台 | |
JP2020064446A (ja) | 予測システムおよび予測方法 | |
CN101893726A (zh) | 一种风沙灾害模拟装置及模拟方法 | |
CN115018343A (zh) | 矿井海量瓦斯监测数据异常识别与处置系统及方法 | |
Zhang et al. | WCRP grand challenge: understanding and predicting weather and climate extremes | |
Ordieres-Meré et al. | Predicting ground level ozone in Marrakesh by machine-learning techniques | |
Tayal et al. | To Predict the Fire Outbreak in Australia using Historical Database | |
Kim et al. | Estimating urban spatial temperatures considering anthropogenic heat release factors focusing on the mobility characteristics | |
Li et al. | Assessing urban micro-climates with vertical and horizontal building morphological cutting deep transfer learning neural networks | |
Bahari et al. | Prediction of PM2. 5 concentrations using temperature inversion effects based on an artificial neural network | |
CN108241183A (zh) | 集中管理测风数据方法以及测风塔集中管理装置 | |
CN114819423B (zh) | 应用gis技术及数据信息融合系统的碳排治理系统 | |
Song et al. | A novel outlier detection method of long-term dam monitoring data based on SSA-NAR | |
CN116070676A (zh) | 基于注意力机制和自编码器的高速公路路面温度预报方法 | |
Donnelly et al. | Short-term forecasting of nitrogen dioxide (NO 2) levels using a hybrid statistical and air mass history modelling approach | |
CN116304243A (zh) | 一种区域内碳排放可视化方法 | |
CN116307292B (zh) | 一种基于机器学习和集成学习的空气质量预报优化方法 | |
Tsafarakis et al. | A density‐based time‐series data analysis methodology for shadow detection in rooftop photovoltaic systems | |
Gosain et al. | Customer Usage Space Classification and Representative Duty Cycle Development Using K-Means Clustering | |
Cao | How to better predict the effect of urban traffic and weather on air pollution? Norwegian evidence from machine learning approaches | |
Kaminska et al. | Lag Variables in Nitrogen Oxide Concentration Modelling: A Case Study in Wroclaw, Poland |
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 |