CN117056776A - 碳排放量监测方法、装置、设备、介质和计算机程序产品 - Google Patents
碳排放量监测方法、装置、设备、介质和计算机程序产品 Download PDFInfo
- Publication number
- CN117056776A CN117056776A CN202311006368.4A CN202311006368A CN117056776A CN 117056776 A CN117056776 A CN 117056776A CN 202311006368 A CN202311006368 A CN 202311006368A CN 117056776 A CN117056776 A CN 117056776A
- Authority
- CN
- China
- Prior art keywords
- target
- power load
- carbon emission
- load data
- equipment state
- 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 203
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 38
- 230000001502 supplementing effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 14
- 239000011159 matrix material Substances 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004378 air conditioning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种碳排放量监测方法、装置、设备、介质和计算机程序产品。所述方法包括:获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态确定目标用电设备的目标碳排放强度;根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。采用本方法能够保证在设备的运行状态发生改变时得到的碳排放总量的准确性和可靠性,进而实现对企业碳排放总量的监测效果的提升。
Description
技术领域
本申请涉及能源监测技术领域,特别是涉及一种碳排放量监测方法、装置、设备、介质和计算机程序产品。
背景技术
随着全球气候变暖和温室效应增强,需要严格控制企业等对象的碳排放总量,以加强对环境的保护。企业的碳排放总量表示该企业在一定时间内因生产活动产生的全部碳排放量,也是衡量企业环境绩效的重要指标。
传统技术,在计算企业的碳排放总量时,会先获取目标对象近一个月的历史电力负荷数据,以及企业各类用电设备的碳排放因子,再根据历史电力负荷数据和用电设备的碳排放因子确定目标对象近一个月的碳排放总。其中,碳排放因子表示用电设备消耗单位电量所产生的碳排放量。
然而,传统技术对于碳排放量的计算没有考虑不同设备的运行状态,导致现有技术计算碳排放量的准确度不高,可靠性低,导致企业碳排放总量的监测效果不好。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升碳排放总量监测效果的碳排放量监测方法、装置、设备、介质和计算机程序产品。
第一方面,本申请提供了一种碳排放量监测方法。该方法包括:
获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;
将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态确定目标用电设备的目标碳排放强度;
根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。
在其中一个实施例中,根据目标设备状态,确定目标用电设备的目标碳排放强度,包括:
根据目标设备状态,在预设的设备状态与设备碳排放强度的映射表中确定与目标设备状态对应的目标碳排放强度。
在其中一个实施例中,方法还包括:
获取历史时间范围内用电设备的历史电力负荷数据;
检测历史电力负荷数据是否存在缺失数据,若历史电力负荷数据存在缺失数据,则补齐缺失数据,得到更新后的历史电力负荷数据;
获取目标设备状态识别模型,包括:
根据更新后的历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到目标设备状态识别模型。
在其中一个实施例中,补齐缺失数据,得到更新后的历史电力负荷数据,包括:
将历史时间范围分为若干连续的时间段,根据各时间段内的历史电力负荷数据补齐缺失数据,得到更新后的历史电力负荷数据。
在其中一个实施例中,根据各时间段内的历史电力负荷数据补齐缺失数据,得到更新后的历史电力负荷数据,包括:
确定缺失数据所处的目标时间段,并确定与目标时间段相邻的两个时间段的历史电力负荷数据及其对应的预设权重;
根据与目标时间段相邻的两个时间段的历史电力负荷数据及其对应的预设权重,补齐缺失数据。
在其中一个实施例中,根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量,包括:
根据目标碳排放强度,确定目标对象的直接碳排放量;
根据预设时间范围内目标对象的边际碳排放因子,确定目标对象的间接碳排放量;
根据直接碳排放量和间接碳排放量,确定目标对象在预设时间范围内的碳排放总量。
第二方面,本申请还提供了一种碳排放量监测装置。该装置包括:
数据获取模块,用于获取预设时间范围内目标对象中用电设备的目标电力负荷数据和目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;
碳排放强度确定模块,用于将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态,确定目标用电设备的目标碳排放强度;
碳排放量计算模块,用于根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;
将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态确定目标用电设备的目标碳排放强度;
根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。
第四方面,本申请还提供了一种计算机可读存储介质。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下步骤:
获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;
将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态确定目标用电设备的目标碳排放强度;
根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;
将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态确定目标用电设备的目标碳排放强度;
根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。
上述碳排放量监测方法、装置、设备、介质和计算机程序产品,获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态确定目标用电设备的目标碳排放强度;根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。本申请采用上述方法,先根据目标设备的目标电力负荷数据和目标设备状态识别模型,确定目标设备状态,再根据目标设备状态确定目标碳排放强度,以便保证在设备的运行状态发生改变时得到的目标碳排放强度的准确性和可靠性,从而保证根据目标碳排放强度得到的碳排放总量的准确性和可靠性,进而实现对企业碳排放总量的监测效果的提升。
附图说明
图1为一个实施例中碳排放量监测方法的应用环境图;
图2为一个实施例中碳排放量监测方法的流程图;
图3为一个实施例中补齐缺失数据得到更新后的历史电力负荷数据的流程图;
图4为一个实施例中补齐缺失数据方法的流程图;
图5为一个实施例中确定目标对象在预设时间范围内的碳排放总量的流程图;
图6为一个实施例中碳排放量监测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图;
图8为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的碳排放量监测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102是企业、工厂等目标对象内的用电设备,本申请实施例中的终端102可以但不限于是各种加工设备、监测设备、智能空调等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,以该方法应用于图1中的终端为例进行说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤202,获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到。
其中,预设时间范围是目标对象碳排放总量数据被监测的预设时间段,例如,预设时间范围可以是从当前时刻至30天前,也可以是从当前时刻至7天前。目标对象是被测碳排放总量数据的对象,目标对象可以是企业、工厂等对象。目标状态识别模型用于识别目标对象内的用电设备的运行状态,由于同一用电设备的不同运行状态对应于不同的电力负荷数据,而不同的电力负荷数据又对应于不同的碳排放强度,碳排放强度用于表示单位电力负荷量所排放的二氧化碳量,为了最终得到准确性高的碳排放总量数据,需根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息进行训练,得到各用电设备对应的目标状态识别模型。电力负荷数据是用电设备在一定时间段内消耗的电能总量,通常以单位时间内的用电量(如千瓦时或兆瓦时)表示。目标历史电力负荷数据是目标设备在历史时间段内测得的电力负荷数据。目标设备状态信息是目标设备的运行状态信息,包括正在运行中、等待运行等状态信息。例如,当空调设备的电力负荷数据为1kW/h时,该空调设备对应的运行状态为正在运行中且为制冷状态;当空调设备的电力负荷数据为0.5kW/h时,该空调设备对应的运行状态为正在运行中且为抽湿状态。
示例性的,获取距离当前时刻近30天内的钢铁厂的碳排放总量数据时,先获取钢铁厂内用电设备对应的目标设备状态识别模型,例如,用于冶炼和熔化废钢、废铁的电弧炉对应的设备状态识别模型、用于将电力系统中的高压电能转换为低压可控的电能的供电转换设备对应的设备状态识别模型、用于搬运或转运钢材、原料和成品的搬运设备对应的设备状态识别模型、用于控制车间室内温度的空调设备对应的设备状态识别模型等,这些设备状态识别模型可以根据实时监测的电力负荷数据及对应的设备的运行状态信息不断迭代更新,从而提高设备状态识别模型的准确性和效果。
目标设备状态识别模型可以基于卷积神经网络和双向长短期记忆的结合算法进行训练,其中,卷积神经网络算法用于处理具有时间关系的序列数据,对应于本申请中的历史电力负荷数据,该算法通过使用卷积层和池化层来提取历史电力负荷数据中的空间和时间特征。双向长短期记忆算法在传统的长短期记忆网络(LSTM)的基础上,添加了一个反向的LSTM层,使得能够同时从过去和未来的上下文中学习和记忆信息,从而更好地捕捉历史电力负荷数据中的长期依赖关系。具体地,针对每个用电设备,构建一个唯一的识别模型,以历史时间范围内的历史电力负荷数据作为输入,使用三个一维卷积神经网络层从原始的历史电力负荷数据和对应的设备运行状态信息中提取显著特征,例如,用电频率、电压等级、用电量变化幅度等,并使用基于双向长短期记忆算法的识别模型从一维卷积神经网络输出的显著特征集合中提取前向和后向信息,并使用三个双向长短期记忆层学习历史电力负荷数据与设备运行状态信息的深层关系,最后,每个识别模型都会输出不同设备对应的识别结果,即目标设备状态识别模型会根据输入的实时电力负荷数据输出目标用电设备的目标运行状态信息。
步骤204,将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态确定目标用电设备的目标碳排放强度。
其中,目标电力负荷数据是当前时刻目标用电设备的用电量数据。目标碳排放强度用于表示目标用电设备在目标设备状态下的消耗单位电力负荷量时所排放的二氧化碳量。
示例性的,以预设时间范围内每5min为一个碳排放监测周期为例,目标电力负荷数据是5min内的目标用电设备的用电量,在获取到预设时间范围内某个5min内的某台空调的电力负荷数据后,将该空调的电力负荷数据输入该空调对应的设备状态识别模型进行处理,得到与该空调的电力负荷数据对应的设备状态,例如,输入该空调对应的设备状态识别模型的目标电力负荷数据是1kW·h,经过该设备状态识别模型处理后,得到的设备状态为制冷状态,再根据空调的制冷状态确定空调此时的碳排放强度,例如,该空调为制冷状态时,对应的碳排放强度为0.2kg/kW·h。
步骤206,根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。
示例性的,在计算近30天内的目标用电设备的碳排放总量时,可以以5min为一个监测周期,将30天划分为若干个连续监测周期,分别获取各个监测周期内的目标电力负荷数据,将目标电力负荷数据输入目标设备状态识别模型,得到对应的目标设备状态,再根据目标设备状态确定目标碳排放强度,以便根据目标碳排放强度确定每个监测周期对应的碳排放量,再将每个监测周期对应的碳排放量相加,得到近30天内目标设备的碳排放总量,最后将所有目标设备的碳排放总量相加,得到近30天内的目标对象的碳排放总量。
上述碳排放量监测方法中,先根据目标设备的目标电力负荷数据和目标设备状态识别模型,确定目标设备状态,再根据目标设备状态确定目标碳排放强度,以便保证在设备的运行状态发生改变时得到的目标碳排放强度的准确性和可靠性,从而保证根据目标碳排放强度得到的碳排放总量的准确性和可靠性,进而实现对企业碳排放总量的监测效果的提升。
在一个实施例中,根据目标设备状态,确定目标用电设备的目标碳排放强度,包括:根据目标设备状态,在预设的设备状态与设备碳排放强度的映射表中确定与目标设备状态对应的目标碳排放强度。
其中,预设的设备状态与设备碳排放强度的映射表根据历史经验总结而来,由前述内容可知,当用电设备处于不同的运行状态时,用电设备对应的碳排放强度是不一致的,为了确保目标用电设备的碳排放量计算结果的准确性,需根据目标设备状态,在目标用电设备对应的映射表中查询与目标设备状态对应的目标碳排放强度。
示例性的,当空调对应的设备状态为制冷状态时,在关于空调的预设的设备状态与设备碳排放强度的映射表中确定与制冷状态对应的目标碳排放强度为0.2kg/kW·h。
本实施例中,通过预设的设备状态与设备碳排放强度的映射表,有助于根据目标设备状态确定目标碳排放强度,从而保证目标用电设备的碳排放量计算结果的准确性。
在一个实施例中,如图3所示,该方法还包括:
步骤302,获取历史时间范围内用电设备的历史电力负荷数据。
其中,历史时间范围是相对于当前时刻的过去时间范围,历史电力负荷数据是过去时间范围内产生的用电量数据。
例如,获取目标对象去年和前年的关于用电设备的历史电力负荷数据。通过对历史电力负荷数的获取和分析,可以得到电力负荷数据的规律,以通过对应的数据规律对电力负荷数据进行异常值检测、替换、缺失数据补齐等处理,提高获取的电力负荷数据的准确性。
步骤304,检测历史电力负荷数据是否存在缺失数据,若历史电力负荷数据存在缺失数据,则补齐缺失数据,得到更新后的历史电力负荷数据。
其中,由于当数据采集设备发生故障时,会出现用电设备的电力负荷数据丢失的情况,而为了保证目标设备状态识别模型训练的效果,需对缺失数据进行补齐。
示例性的,当目标对象的历史电力负荷数据中存在缺失数据时,根据历史时间范围内的其余历史电力负荷数据,补齐缺失数据,以得到更新后的历史电力负荷数据。
步骤306,根据更新后的历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到目标设备状态识别模型。
示例性的,将缺失数据补齐后,得到更新后的历史电力负荷数据,再将更新后的历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息输入目标用电设备对应的模型进行训练,得到目标设备状态识别模型。
本实施例,在对模型训练之前,通过对缺失数据的补齐,以确保模型在训练时能够使用完整的数据集,从而保证目标设备状态识别模型的效果。
在一个实施例中,补齐缺失数据,得到更新后的历史电力负荷数据,包括:将历史时间范围分为若干连续的时间段,根据各时间段内的历史电力负荷数据补齐缺失数据,得到更新后的历史电力负荷数据。
示例性的,根据前述内容,以5min为一个监测周期为例,将历史时间范围分为若干个连续的监测周期,即将历史时间范围划分为若干连续的时间段,每个时间段的段长为5min。由于历史电力负荷数据存在一定的连续性或趋势,通过分析历史电力负荷数据可以得到数据之间的关联,以便根据历史电力负荷数据补齐缺失数据后,得到较为精确的更新后的历史电力负荷数据。
本实施例中,根据历史电力负荷数据补齐缺失数据,有助于得到较为精确的更新后的历史电力负荷数据,从而保证后续目标设备状态识别模型的训练效果。
在一个实施例中,如图4所示,根据各时间段内的历史电力负荷数据补齐缺失数据,得到更新后的历史电力负荷数据,包括:
步骤402,确定缺失数据所处的目标时间段,并确定与目标时间段相邻的两个时间段的历史电力负荷数据及其对应的预设权重。
其中,目标时间段是缺失数据所处的时间段,代表该历史时间段对应的历史电力负荷数据缺失。相邻的两个时间段分别为紧邻该历史时间段的前一个历史时间段和后一个历史时间段。预设权重用于表征与目标时间段相邻的两个时间段的历史电力负荷数据的重要程度。由于历史电力负荷数据具有连续性或一定的趋势,将与目标时间段相邻的两个时间段的历史电力负荷数据作为参考,进一步提升更新后的历史电力负荷数据的准确性。
示例性的,缺失数据所处的目标时间段为第23个时间段时,则分别获取第22个时间段和第24个时间段对应的历史电力负荷数据及其对应的预设权重,例如,预设位于目标时间段的前一个历史时间段的历史电力负荷数据的权重为50%,预设位于目标时间段的后一个历史时间段的历史电力负荷数据的权重也为50%。
步骤404,根据与目标时间段相邻的两个时间段的历史电力负荷数据及其对应的预设权重,补齐缺失数据。
示例性的,根据前述内容可知,在补齐缺失数据时,将位于目标时间段的前一个历史时间段的历史电力负荷数据乘以50%得到第一数值,将位于目标时间段的后一个历史时间段的历史电力负荷数据乘以50%得到第二数值,将第一数值与第二数值相加得到缺失数据对应的数值,从而实现对缺失数据的补齐。
本实施例中,根据与目标时间段相邻的两个时间段的历史电力负荷数据及其对应的预设权重,补齐缺失数据,有助于保证更新后的历史电力负荷数据的准确性。
在一个实施例中,如图5所示,根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量,包括:
步骤502,根据目标碳排放强度,确定目标对象的直接碳排放量。
其中,直接碳排放量是目标对象在生产活动中直接产生的碳排放量。
示例性的,可以根据以下公式计算目标对象的直接碳排放量:
其中,αx为目标对象在预设时间范围x内的直接碳排放量;d为目标对象内用电设备的总数量;为用电设备i在状态Si下每消耗一度电将排放多少千克的二氧化碳。
具体地,以5min为一个监测周期,预设时间范围为30天为例,将预设时间范围内每个监测周期对应的目标历史电力负荷数据输入对应的目标设备状态识别模型,得到目标历史电力负荷数据对应的目标设备状态,再根据目标设备状态确定对应的目标碳排放强度,再将目标碳排放强度与监测周期相乘,得到该监测周期内目标用电设备的直接碳排放量,最后将所有的用电设备在30天内的直接碳排放量相加,得到目标对象这30天内的直接碳排放量。
步骤504,根据预设时间范围内目标对象的边际碳排放因子,确定目标对象的间接碳排放量。
其中,边际碳排放因子是指每增加一单位电力负荷量所带来的额外碳排放量,边际碳排放因子可以用于评估不同用电设备的碳排放效应,边际碳排放因子可根据目标对象在电网中的拓扑位置对应的电源类型和能源混合情况进行确定。由于电网中的不同地区或节点可能有不同的电源结构和能源混合,导致边际碳排放因子存在差异,目标对象所在地区的电力供应来源可能包括可再生能源(如风能、太阳能、水力能等)、化石燃料(如煤炭、天然气、石油等)和核能等,当与目标对象连接的电网节点对应的电力供应来源是可再生能源时,目标对象对应的边际碳排放因子较小;当与目标对象连接的电网节点对应的电力供应来源是化石燃料时,目标对象对应的边际碳排放因子较大。
示例性的,可以根据以下公式计算目标对象的间接碳排放量:
βx=MEFx*Ex;
其中,βx为目标对象在预设时间范围x内的间接碳排放量;MEFx为边际碳排放因子,Ex为目标对象在预设时间范围内的用电量。
具体地,在计算目标对象近30天内的间接碳排放量时,先获取目标对象连接的电网节点对应的目标边际碳排放因子,再获取目标对象近30天内的目标用电量,将目标用电量与目标边际碳排放因子相乘,得到目标对象近30天的间接碳排放量。
步骤506,根据直接碳排放量和间接碳排放量,确定目标对象在预设时间范围内的碳排放总量。
示例性的,按照以下公式计算目标对象在预设时间范围内的碳排放总量:
其中,Totalx为目标对象在预设时间范围x内的碳排放总量;αx为目标对象在预设时间范围x内的直接碳排放量;βx为目标对象在预设时间范围x内的间接碳排放量。
例如,将目标对象近30天内的直接碳排放量和间接碳排放量相加,得到目标对象近30天内的碳排放总量。
本实施例中,根据目标对象在预设时间范围内的直接碳排放量和间接碳排放量,得到目标对象在预设时间范围内的碳排放总量,进一步提升对目标对象的碳排放总量的监测效果。
在一个实施例中,在获取历史时间范围内用电设备的历史电力负荷数据之后,该方法还包括:根据历史时间范围内目标历史电力负荷数据的最大值和最小值,对目标历史电力负荷数据进行归一化处理。
其中,目标历史电力负荷数据的最大值是目标用电设备在历史时间范围内的所有电力负荷数据中的最大值,目标历史电力负荷数据的最小值是目标用电设备在历史时间范围内的所有电力负荷数据中的最小值。归一化处理的目的是将所有目标历史电力负荷数据缩放到0和1之间,以提高目标设备状态识别模型的训练效率。
示例性的,按照以下公式对目标历史电力负荷数据进行归一化处理:
其中,xnew是目标历史电力负荷数据归一化后的新的数据值;min(x)是目标历史电力负荷数据在历史时间范围内的最小值,max(x)是目标历史电力负荷数据在历史时间范围内的最大值。
本实施例中,通过对目标电力负荷数据进行归一化处理,将目标电力负荷数据归一化到0和1之间,有助于减少计算的复杂性,从而加快目标设备状态识别模型的训练过程。
此外,在将目标历史电力负荷数据进行归一化处理后,由于卷积神经网络具有参数共享和稀疏连接的特点,可以有效地从原始数据中学习到关键特征,所以利用一维卷积神经网络算法处理归一化处理后的目标历史电力负荷数据。其中,一维卷积神经网络的关键结构是卷积层,卷积层包括可以对输入特征进行卷积运算并生成相应特征图的过滤器。卷积运算表示为:
其中,m代表从原始数据中输出的特征图,e代表卷积层的输入特征,k代表卷积层的卷积核,b代表偏置,代表卷积算子,φ代表激活函数通常是整流线性单元。从一维卷积神经网络输出的特征图m将被用于下一步方法进行前向和后向信息的提取。
对于双向长短期记忆算法,一个长短期记忆网络由多个相同的记忆单元递归组成。对于长短期记忆网络中的每个记忆块,都有三个门,即输入门、遗忘门和输出门。下列等式表示输入门控制将哪些信息输入到存储块中:
it=σ(Wxi·xt+Whi·ht-1+Wci·ct-1+bi);
其中,it代表输入门的输出值;σ表示激活函数,用于将线性变换的结果映射到0和1之间的值;Wxi用于输入关于xt的权重矩阵;Whi用于输入关于上一时刻输出的ht-1的权重矩阵;Wci用于输入关于单元状态ct-1的权重矩阵;bi是偏置向量。
下列等式表示遗忘门控制将记录哪些信息:
ft=σ(Wxf·xt+Whf·ht-1+Wcf·ct-1+bf);
其中,ft代表遗忘门的输出值,即用于控制前一状态ct-1的遗忘程度;Wxf用于输入关于xt的权重矩阵;Whf用于输入关于上一时刻输出的ht-1的权重矩阵;Wcf用于输入关于单元状态ct-1的权重矩阵;bf是偏置向量。
下列等式表示输出门控制哪些信息将输出到下一个单元状态:
ct=ft·ct-1+it·tanh(Wxc·xt+Whc·ht-1+bc);
其中,ct代表当前时刻的单元状态;it是输入门的输出值,用于控制当前输入xt的影响程度;tanh用于表示双曲正切函数,用于将线性变换的结果映射到范围为[-1,1]的值;Wxc用于输入关于xt的权重矩阵;Whc用于输入关于上一时刻输出的ht-1的权重矩阵;bc是偏置向量。
ot=σ(Wxo·xt+Who·ht-1+Wco·ct+bo);
其中,ot表示输出门的输出值,用于控制当前单元状态ct对输出的ht-1影响程度;Wxo用于输入关于xt的权重矩阵;Who用于输入关于上一时刻输出的ht-1的权重矩阵;Wco用于输入当前单元状态ct-1的权重矩阵;bo是偏置向量;上述的it、ft、ct以及ot都是训练过程中每个阶段的暂态结果。
值得注意的是,长短期记忆只在前向使用上下文信息,在后向不使用上下文信息,而双向长短期记忆通过记录前向信息和后向信息来利用双向上下文信息。因此,需要将前向隐藏序列和后向隐藏序列/>定义为记录前向和后向信息,其定义分别由以下两个等式给出:
其中,可以是ot的集合。
再经过双向长短期记忆算法进行训练后模型的输出结果是:
最后将输出结果进行集成,得到关于目标用电设备的状态向量,用于表示相应时间段内目标用电设备的运行状态S。
此外,为了避免在目标设备状态识别模型训练过程中的过度拟合,使用dropout技术减少过度拟合,本实施例中将dropout rate(被关闭神经元的比例)设置为0.2,这意味着每次训练迭代中,会随机断开20%的隐藏层之间和隐藏层内的连接,同时,结合自适应运动估计算法,通过优化损失函数来调整上述相关参数,以使最终得到的目标设备状态识别模型的预测结果更加准确。
本实施例采用上述方法,先根据目标设备的目标电力负荷数据和目标设备状态识别模型,确定目标设备状态,再根据目标设备状态确定目标碳排放强度,以便保证在设备的运行状态发生改变时得到的目标碳排放强度的准确性和可靠性,从而保证根据目标碳排放强度得到的碳排放总量的准确性和可靠性,进而实现对企业碳排放总量的监测效果的提升。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的碳排放量监测方法的碳排放量监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个碳排放量监测装置实施例中的具体限定可以参见上文中对于碳排放量监测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种碳排放量监测装置,包括:数据获取模块602、碳排放强度确定模块604和碳排放量计算模块606,其中:
数据获取模块602,用于获取预设时间范围内目标对象中用电设备的目标电力负荷数据和目标设备状态识别模型,目标状态识别模型根据目标历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到;
碳排放强度确定模块604,用于将目标电力负荷数据输入目标设备状态识别模型,得到目标电力负荷数据对应的目标设备状态,并根据目标设备状态,确定目标用电设备的目标碳排放强度;
碳排放量计算模块606,用于根据目标碳排放强度,确定预设时间范围内目标对象的碳排放总量。
在一个实施例中,碳排放强度确定模块604还用于:根据目标设备状态,在预设的设备状态与设备碳排放强度的映射表中确定与目标设备状态对应的目标碳排放强度。
在一个实施例中,数据获取模块602还用于:获取历史时间范围内用电设备的历史电力负荷数据;检测历史电力负荷数据是否存在缺失数据,若历史电力负荷数据存在缺失数据,则补齐缺失数据,得到更新后的历史电力负荷数据;获取目标设备状态识别模型,包括:根据更新后的历史电力负荷数据和目标历史电力负荷数据对应的目标设备状态信息训练得到目标设备状态识别模型。
在一个实施例中,数据获取模块602还用于:将历史时间范围分为若干连续的时间段,根据各时间段内的历史电力负荷数据补齐缺失数据,得到更新后的历史电力负荷数据。
在一个实施例中,数据获取模块602还用于:确定缺失数据所处的目标时间段,并确定与目标时间段相邻的两个时间段的历史电力负荷数据及其对应的预设权重;根据与目标时间段相邻的两个时间段的历史电力负荷数据及其对应的预设权重,补齐缺失数据。
在一个实施例中,碳排放量计算模块606还用于:根据目标碳排放强度,确定目标对象的直接碳排放量;根据预设时间范围内目标对象的边际碳排放因子,确定目标对象的间接碳排放量;根据直接碳排放量和间接碳排放量,确定目标对象在预设时间范围内的碳排放总量。
上述碳排放量监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标对象内各用电设备的历史电力负荷数据、实时电力负荷数据、运行状态信息以及目标对象的边际碳排放因子等数据信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种碳排放量监测方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种碳排放量监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7和图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上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申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种碳排放量监测方法,其特征在于,所述方法包括:
获取预设时间范围内目标对象中用电设备的目标电力负荷数据,并获取目标设备状态识别模型,所述目标状态识别模型根据所述目标历史电力负荷数据和所述目标历史电力负荷数据对应的目标设备状态信息训练得到;
将所述目标电力负荷数据输入所述目标设备状态识别模型,得到所述目标电力负荷数据对应的目标设备状态,并根据所述目标设备状态确定所述目标用电设备的目标碳排放强度;
根据所述目标碳排放强度,确定预设时间范围内所述目标对象的碳排放总量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标设备状态,确定所述目标用电设备的目标碳排放强度,包括:
根据所述目标设备状态,在预设的设备状态与设备碳排放强度的映射表中确定与所述目标设备状态对应的目标碳排放强度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取历史时间范围内所述用电设备的历史电力负荷数据;
检测所述历史电力负荷数据是否存在缺失数据,若所述历史电力负荷数据存在缺失数据,则补齐所述缺失数据,得到更新后的历史电力负荷数据;
所述获取目标设备状态识别模型,包括:
根据所述更新后的历史电力负荷数据和所述目标历史电力负荷数据对应的目标设备状态信息训练得到所述目标设备状态识别模型。
4.根据权利要求3所述的方法,其特征在于,所述补齐所述缺失数据,得到更新后的历史电力负荷数据,包括:
将所述历史时间范围分为若干连续的时间段,根据各所述时间段内的所述历史电力负荷数据补齐所述缺失数据,得到更新后的历史电力负荷数据。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述时间段内的所述历史电力负荷数据补齐所述缺失数据,得到更新后的历史电力负荷数据,包括:
确定所述缺失数据所处的目标时间段,并确定与所述目标时间段相邻的两个时间段的所述历史电力负荷数据及其对应的预设权重;
根据与所述目标时间段相邻的两个时间段的所述历史电力负荷数据及其对应的预设权重,补齐所述缺失数据。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标碳排放强度,确定预设时间范围内所述目标对象的碳排放总量,包括:
根据所述目标碳排放强度,确定所述目标对象的直接碳排放量;
根据预设时间范围内所述目标对象的边际碳排放因子,确定所述目标对象的间接碳排放量;
根据所述直接碳排放量和所述间接碳排放量,确定所述目标对象在预设时间范围内的碳排放总量。
7.一种碳排放量监测装置,其特征在于,所述装置包括:
数据获取模块,用于获取预设时间范围内目标对象中用电设备的目标电力负荷数据和目标设备状态识别模型,所述目标状态识别模型根据所述目标历史电力负荷数据和所述目标历史电力负荷数据对应的目标设备状态信息训练得到;
碳排放强度确定模块,用于将所述目标电力负荷数据输入所述目标设备状态识别模型,得到所述目标电力负荷数据对应的目标设备状态,并根据所述目标设备状态,确定所述目标用电设备的目标碳排放强度;
碳排放量计算模块,用于根据所述目标碳排放强度,确定预设时间范围内所述目标对象的碳排放总量。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006368.4A CN117056776A (zh) | 2023-08-10 | 2023-08-10 | 碳排放量监测方法、装置、设备、介质和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006368.4A CN117056776A (zh) | 2023-08-10 | 2023-08-10 | 碳排放量监测方法、装置、设备、介质和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117056776A true CN117056776A (zh) | 2023-11-14 |
Family
ID=88652857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311006368.4A Pending CN117056776A (zh) | 2023-08-10 | 2023-08-10 | 碳排放量监测方法、装置、设备、介质和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056776A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609927A (zh) * | 2024-01-23 | 2024-02-27 | 华北电力科学研究院有限责任公司 | 排碳机构的生产状态确定方法、装置与电子设备 |
-
2023
- 2023-08-10 CN CN202311006368.4A patent/CN117056776A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609927A (zh) * | 2024-01-23 | 2024-02-27 | 华北电力科学研究院有限责任公司 | 排碳机构的生产状态确定方法、装置与电子设备 |
CN117609927B (zh) * | 2024-01-23 | 2024-04-16 | 华北电力科学研究院有限责任公司 | 排碳机构的生产状态确定方法、装置与电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hyndman et al. | Density forecasting for long-term peak electricity demand | |
Hong et al. | SVR with hybrid chaotic genetic algorithms for tourism demand forecasting | |
CN114757457B (zh) | 基于电力大数据的电碳排放全过程监测方法和装置 | |
CN114757602B (zh) | 供给侧电力碳排放风险预警方法、装置和计算机设备 | |
CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
Zhu | Research on adaptive combined wind speed prediction for each season based on improved gray relational analysis | |
CN115907307B (zh) | 面向电网实时数据交互的电力系统碳排放流在线分析方法 | |
CN117741442A (zh) | 电芯温度预测方法、装置、设备、存储介质和程序产品 | |
CN112330044A (zh) | 一种基于迭代聚集网格搜索算法的支持向量回归模型 | |
Zhang et al. | A data transfer method based on one dimensional convolutional neural network for cross-building load prediction | |
CN116154768A (zh) | 采用点预测误差经验分布逆变换的功率区间预测方法 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
Runge et al. | A Review of Deep Learning Techniques for Forecasting Energy Use in Buildings. Energies 2021, 14, 608 | |
Le Cam et al. | Comparison of inverse models used for the forecast of the electric demand of chillers | |
CN115471098B (zh) | 碳排放量获取方法、装置、计算机设备和存储介质 | |
Xin et al. | Research on electric vehicle charging load prediction method based on spectral clustering and deep learning network | |
CN117763944A (zh) | 基于电力数据的企业碳排放测算方法、装置、设备和介质 | |
CN116432626B (zh) | 面向条件控制断面约束的标准化解析方法、装置和设备 | |
CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
CN116629558A (zh) | 基于碳排放的能源调度方法和装置 | |
CN117875625A (zh) | 一种能量分配协同监管的方法与装置 | |
CN117437104A (zh) | 县域碳排放量预测方法、装置、计算机设备和存储介质 | |
Chandrasekaran et al. | Advances in Deep Learning Techniques for Short-term Energy Load Forecasting Applications: A Review |
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 |