CN117110541A - 一种基于边缘计算的碳排放监测预警分析系统及其方法 - Google Patents
一种基于边缘计算的碳排放监测预警分析系统及其方法 Download PDFInfo
- Publication number
- CN117110541A CN117110541A CN202311053931.3A CN202311053931A CN117110541A CN 117110541 A CN117110541 A CN 117110541A CN 202311053931 A CN202311053931 A CN 202311053931A CN 117110541 A CN117110541 A CN 117110541A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- urban
- model
- early warning
- space
- 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 139
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 139
- 238000004458 analytical method Methods 0.000 title claims abstract description 94
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 12
- 239000005431 greenhouse gas Substances 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 15
- 230000009467 reduction Effects 0.000 description 8
- 239000004071 soot Substances 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 239000003502 gasoline Substances 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 125000002485 formyl group Chemical class [H]C(*)=O 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种基于边缘计算的碳排放监测预警分析系统及其方法,包括:数据获取子系统,用于基于时间节点获取城市空气数据;边缘计算子系统,与所述数据获取子系统连接,用于基于城市空间和所述城市空气数据构建碳排放时空分析模型;云计算子系统,与所述边缘计算子系统连接,用于基于所述碳排放时空分析模型对城市碳排放进行分析,获得分析结果;监测预警子系统,与所述云计算子系统连接,用于基于所述分析结果对城市碳排放进行预警。本发明通过将三维模型和预测模型进行结合,能够更有效地对城市碳排放进行监测和预测;本发明通过时间节点对碳排放进行分析,可以有效地对碳排放重点区域进行标识和预警。
Description
技术领域
本发明属于碳排放监测领域,特别是涉及一种基于边缘计算的碳排放监测预警分析系统及其方法。
背景技术
21世纪以来,伴随着城市化进程的不断推进与劳动人口的不断迁移,城市地区的能源消耗大量增加,这导致了包括二氧化碳在内温室气体排放量的快速增长。为人类社会带来了不容忽视的气候恶化危机。。伴随物联网、大数据技术,尤其是低功耗广域物联网技术的兴起,借助新兴技术,综合能源管控和综合能源精细化管理以实现碳排放的精准监测与预警成为必然趋势。
目前的碳排放监管技术虽然能够进行一定程度上的监控,但是无法进行城市整体碳排放的把控。同时,大多数监测方法对仅对碳排放量进行了预测,并未对城市中需要重点管理区域进行计算。此外,由于不同时间节点上碳排放量数据也存在很大差别,针对时间点的碳排放监测和预警方法还需完善。
发明内容
本发明的目的是提供一种基于边缘计算的碳排放监测预警分析系统及其方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于边缘计算的碳排放监测预警分析系统,包括:
数据获取子系统,用于基于时间节点获取城市空气数据;
边缘计算子系统,与所述数据获取子系统连接,用于基于城市空间和所述城市空气数据构建碳排放时空分析模型;
云计算子系统,与所述边缘计算子系统连接,用于基于所述碳排放时空分析模型对城市碳排放进行分析,获得分析结果;
监测预警子系统,与所述云计算子系统连接,用于基于所述分析结果对城市碳排放进行预警。
优选地,所述数据获取子系统包括:
传感器布置模块,用于基于城市空间分布布置温室气体浓度传感器;
传感器模块,用于基于时间节点通过所述温室气体浓度传感器进行数据获取,生成所述城市空气数据。
优选地,所述边缘计算子系统包括:
筛选模块,用于对所述城市空气数据进行数据筛选,获得时间变化空气数据;
城市空间获取模块,用于基于历史数据获取城市空间数据;
模型构建模块,用于基于所述时间变化空气数据和所述城市空间数据构建所述碳排放时空分析模型。
优选地,所述模块构建模块包括:
城市模型构建单元,用于基于所述城市空间数据构建城市三维模型;
气体流动模型构建单元,用于基于所述时间变化空气数据构建空气流动预测模型;
模型匹配单元,用于将所述城市三维模型和所述空气流动预测模型进行参数匹配,获得所述碳排放时空分析模型。
优选地,所述云计算子系统包括:
分级模块,用于基于所述碳排放时空分析模型对城市碳排放区域进行分级标注,获得城市碳排放分级结果;
预测模块,用于基于所述碳排放时空分析模型对城市碳排放浓度进行预测,获得预测结果;
整合模块,用于将所述城市碳排放分级结果和所述预测结果进行整合分析,获得分析结果;
云储存模块,用于将所述分析结果传输至数据库中进行储存。
优选地,所述分级模块包括:
阈值范围设置单元,用于碳排放程度阶梯设置碳排放阈值范围;
标注单元,用于基于所述阈值范围对所述碳排放时空分析模型进行颜色标注,获得标注模型;
碳排放分析模块,用于基于所述标注模型对城市碳排放情况进行分析,获得所述城市碳排放分级结果。
优选地,所述监测预警子系统包括:
显示模块,用于显示所述碳排放时空分析模型和所述分析结果;
监测模块,用于基于所述碳排放时空分析模型对城市碳排放进行监测;
预警模块,用于基于所述分析结果对城市碳排放进行预警。
为实现上述目的,本发明还提供了一种基于边缘计算的碳排放监测预警分析方法,包括:
基于时间节点和边缘检测数据站获取城市空气数据;
基于城市空间和所述城市空气数据构建碳排放时空分析模型;
基于所述碳排放时空分析模型对城市碳排放进行分析,获得分析结果;
所述分析结果对城市碳排放进行预警。
本发明的技术效果为:
1.本发明通过将三维模型和预测模型进行结合,能够更有效地对城市碳排放进行监测和预测;
2.本发明通过时间节点对碳排放进行分析,可以有效地对碳排放重点区域进行标识和预警。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的碳排放监测预警分析系统示意图;
图2为本发明实施例中的碳排放监测预警分析方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于边缘计算的碳排放监测预警分析系统,包括:
数据获取子系统,用于基于时间节点获取城市空气数据;
边缘计算子系统,与所述数据获取子系统连接,用于基于城市空间和所述城市空气数据构建碳排放时空分析模型;
云计算子系统,与所述边缘计算子系统连接,用于基于所述碳排放时空分析模型对城市碳排放进行分析,获得分析结果;
监测预警子系统,与所述云计算子系统连接,用于基于所述分析结果对城市碳排放进行预警。
进一步优化方案,所述数据获取子系统包括:
传感器布置模块,用于基于城市空间分布布置温室气体浓度传感器;
传感器模块,用于基于时间节点通过所述温室气体浓度传感器进行数据获取,生成所述城市空气数据。
其中含碳较多的成分要么变成含碳较少的碳氢化合物或醛类物质(气体),要么变成含碳较多结构更为复杂的颗粒物(PM),或者变成固体的碳烟颗粒物(也是PM),或者变成燃烧中间产物一氧化碳(CO),所以氧气不足造成的不完全燃烧产物是碳氢化合物(HC)排放的又一个机理,也是碳烟及颗粒物(PM)排放和一氧化碳(CO)排放的唯一机理。碳烟的生成需要氧气严重不足,所以主要在非均质燃烧的柴油机中生成,汽油机因为燃料与空气均质混合后才燃烧,并且混合气一般不会太浓,所以一般没有碳烟,颗粒物(PM)排放也很少(但如果有机油进入混合气中,如活塞环坏了导致串机油或燃烧混合油的二冲程汽油机,则也会产生碳烟和颗粒物;
另外,如果汽油机供油系统故障导致供油失控,则也会产生碳烟。氮氧化物(NOx)是由空气中的氧气和氮气反应生成的,包括NO、NO2等,其中又以NO为主,但是空气中的氧气和氮气在大气状态下并不会发生化学反应,只是因为燃烧形成的1200~2400℃的高温环境为氧气和氮气反应生成NO、NO2创造了条件,才造成了氮氧化物(NOx)排放,这就是氮氧化物(NOx)排放的形成机理。铅盐直接来自于燃料。
进一步优化方案,所述边缘计算子系统包括:
筛选模块,用于对所述城市空气数据进行数据筛选,获得时间变化空气数据;
城市空间获取模块,用于基于历史数据获取城市空间数据;
模型构建模块,用于基于所述时间变化空气数据和所述城市空间数据构建所述碳排放时空分析模型。
进一步优化方案,所述模块构建模块包括:
城市模型构建单元,用于基于所述城市空间数据构建城市三维模型;
数字孪生模型是指一个数字仿真模型,它能够在计算机中对某一物理系统进行建模和仿真,并通过实时数据采集和分析来不断更新预测和评估效果。以下是简单的数字孪生模型构建步骤:
确定建模范围:确定所要建立的数字孪生模型
收集数据:收集与所建模型相关的各种数据,包括物理参数、环境条件、运行状态数据等。本申请中这些数据从传感器、设备、监控系统等多个来源获取。
建立物理模型:将所收集到的数据输入到计算机软件中,建立基于物理原理的数学模型。
仿真模拟:利用已经建立好的模型,在计算机上进行数字仿真模拟。这个过程可以模拟和预测在不同条件下的运行状况和表现;
验证和校准:通过实时数据采集和分析,验证所建立的模型和仿真结果是否与实际情况相符,并进行校准优化。这个过程可以不断改进模型的精度和有效性。
应用和更新:将数字孪生模型应用于实际运行中的系统,持续监测和更新数据。
气体流动模型构建单元,用于基于所述时间变化空气数据构建空气流动预测模型;
预测模型的构建为:确定网络结构:基于实际需求确定所需要的输入、隐藏和输出层的数量和节点数。
初始化权重和偏置:权重和偏置是神经网络的核心参数,需要随机初始化一个小的值。权重和偏置控制着信号在神经元之间传递的强度和方向。
前向传播计算:从输入层开始,通过计算每个神经元的加权和,并将其传递给下一层,以计算预测结果。
定义损失函数:损失函数用于衡量预测结果与真实结果之间的差异。常用的损失函数包括均方误差(mean squared error,MSE)和交叉熵(cross-entropy)等;
反向传播优化:通过反向传播算法,计算出每个参数对损失函数的贡献,然后根据梯度下降算法更新权重和偏置的值,以最小化损失函数。
重复迭代:通过多次前向传播和反向传播优化,不断更新权重和偏置的值,直到损失函数收敛为止。
模型匹配单元,用于将所述城市三维模型和所述空气流动预测模型进行参数匹配,获得所述碳排放时空分析模型。
进一步优化方案,所述云计算子系统包括:
分级模块,用于基于所述碳排放时空分析模型对城市碳排放区域进行分级标注,获得城市碳排放分级结果;
预测模块,用于基于所述碳排放时空分析模型对城市碳排放浓度进行预测,获得预测结果;
整合模块,用于将所述城市碳排放分级结果和所述预测结果进行整合分析,获得分析结果;
云储存模块,用于将所述分析结果传输至数据库中进行储存。
本申请中数据库为xml格式;
构建XML数据库通常需要以下步骤:
基于碳排放环境需求确定数据结构:XML数据库中的数据以XML文档的形式存储,因此需要确定数据结构,并定义文档类型定义(DTD)或XML模式(XSD)来描述数据的格式和规则。这些模板包括元素、属性、命名空间等。
设计文档模板:根据数据结构,创建并设计XML文档模板,即定义XML文档中各个元素、属性以及它们之间的关系。
确定存储方案:根据应用需求选择合适的XML数据库系统,如eXist-db、BaseX或MarkLogic等。一些数据库管理系统也支持XML格式的数据导入和查询,例如Oracle和MicrosoftSQLServer。
插入和查询数据:使用提供的API或查询语言,例如XQuery或XPath,将数据插入到数据库中,并从数据库中检索和查询数据。这里需要注意在数据库中保存的XML数据应符合事先定义的DTD或XSD规范。
进行维护和优化:周期性地备份和维护数据库,并优化查询语句和索引,以提高索引效率和查询速度。
进一步优化方案,所述分级模块包括:
阈值范围设置单元,用于碳排放程度阶梯设置碳排放阈值范围;
标注单元,用于基于所述阈值范围对所述碳排放时空分析模型进行颜色标注,获得标注模型;
碳排放分析模块,用于基于所述标注模型对城市碳排放情况进行分析,获得所述城市碳排放分级结果,
进一步优化方案,所述监测预警子系统包括:
显示模块,用于显示所述碳排放时空分析模型和所述分析结果;
监测模块,用于基于所述碳排放时空分析模型对城市碳排放进行监测;
监测结果为:能源总览碳排放监测、煤炭消耗碳排放监测、石油消耗碳排放监测、天然气消耗碳排放监测;电力碳监测模块用于实现全省电力碳排放监测、火电厂碳排放监测、外电碳排放监测、各地市碳排放监测、行业碳排放监测、重点用能企业碳排放监测;零碳减排监测模块用于实现全省清洁能源碳减排监测、水电碳减排监测、光伏电力碳减排监测、光伏电力碳减排监测、风电电力碳减排监测、外电碳减排监测、电池储能碳减排监测、充电桩及电动汽车碳减排监测。
预警模块,用于基于所述分析结果对城市碳排放进行预警。
碳排放计算分析引擎计算获得计算分析结果,将计算分析结果进行三维可视化并生成报告。在本实施例中,基于碳排放计算分析引擎,利用BI轻量化引擎,将计算分析结果以三维的形式进行可视化,同时生成计算分析报告,三维呈现让计算分析结果更加直观地体现,分析报告可以提供计算依据、计算结果、优化建议等内容,为优化提供支撑和依据。
实施例二
如图2所示,本实施例中提供一种基于边缘计算的碳排放监测预警分析方法,包括:
基于时间节点和边缘检测数据站获取城市空气数据;
基于城市空间和所述城市空气数据构建碳排放时空分析模型;
基于所述碳排放时空分析模型对城市碳排放进行分析,获得分析结果;
所述分析结果对城市碳排放进行预警。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于边缘计算的碳排放监测预警分析系统,其特征在于,包括:
数据获取子系统,用于基于时间节点获取城市空气数据;
边缘计算子系统,与所述数据获取子系统连接,用于基于城市空间和所述城市空气数据构建碳排放时空分析模型;
云计算子系统,与所述边缘计算子系统连接,用于基于所述碳排放时空分析模型对城市碳排放进行分析,获得分析结果;
监测预警子系统,与所述云计算子系统连接,用于基于所述分析结果对城市碳排放进行预警。
2.根据权利要求1所述的基于边缘计算的碳排放监测预警分析系统,其特征在于,所述数据获取子系统包括:
传感器布置模块,用于基于城市空间分布布置温室气体浓度传感器;
传感器模块,用于基于时间节点通过所述温室气体浓度传感器进行数据获取,生成所述城市空气数据。
3.根据权利要求1所述的基于边缘计算的碳排放监测预警分析系统,其特征在于,所述边缘计算子系统包括:
筛选模块,用于对所述城市空气数据进行数据筛选,获得时间变化空气数据;
城市空间获取模块,用于基于历史数据获取城市空间数据;
模型构建模块,用于基于所述时间变化空气数据和所述城市空间数据构建所述碳排放时空分析模型。
4.根据权利要求3所述的基于边缘计算的碳排放监测预警分析系统,其特征在于,所述模块构建模块包括:
城市模型构建单元,用于基于所述城市空间数据构建城市三维模型;
气体流动模型构建单元,用于基于所述时间变化空气数据构建空气流动预测模型;
模型匹配单元,用于将所述城市三维模型和所述空气流动预测模型进行参数匹配,获得所述碳排放时空分析模型。
5.根据权利要求1所述的基于边缘计算的碳排放监测预警分析系统,其特征在于,所述云计算子系统包括:
分级模块,用于基于所述碳排放时空分析模型对城市碳排放区域进行分级标注,获得城市碳排放分级结果;
预测模块,用于基于所述碳排放时空分析模型对城市碳排放浓度进行预测,获得预测结果;
整合模块,用于将所述城市碳排放分级结果和所述预测结果进行整合分析,获得分析结果;
云储存模块,用于将所述分析结果传输至数据库中进行储存。
6.根据权利要求5所述的基于边缘计算的碳排放监测预警分析系统,其特征在于,所述分级模块包括:
阈值范围设置单元,用于碳排放程度阶梯设置碳排放阈值范围;
标注单元,用于基于所述阈值范围对所述碳排放时空分析模型进行颜色标注,获得标注模型;
碳排放分析模块,用于基于所述标注模型对城市碳排放情况进行分析,获得所述城市碳排放分级结果。
7.根据权利要求1所述的基于边缘计算的碳排放监测预警分析系统,其特征在于,所述监测预警子系统包括:
显示模块,用于显示所述碳排放时空分析模型和所述分析结果;
监测模块,用于基于所述碳排放时空分析模型对城市碳排放进行监测;
预警模块,用于基于所述分析结果对城市碳排放进行预警。
8.一种基于边缘计算的碳排放监测预警分析方法,其特征在于,包括以下步骤:
基于时间节点和边缘检测数据站获取城市空气数据;
基于城市空间和所述城市空气数据构建碳排放时空分析模型;
基于所述碳排放时空分析模型对城市碳排放进行分析,获得分析结果;
所述分析结果对城市碳排放进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053931.3A CN117110541A (zh) | 2023-08-21 | 2023-08-21 | 一种基于边缘计算的碳排放监测预警分析系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053931.3A CN117110541A (zh) | 2023-08-21 | 2023-08-21 | 一种基于边缘计算的碳排放监测预警分析系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117110541A true CN117110541A (zh) | 2023-11-24 |
Family
ID=88806915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311053931.3A Pending CN117110541A (zh) | 2023-08-21 | 2023-08-21 | 一种基于边缘计算的碳排放监测预警分析系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110541A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407967A (zh) * | 2023-12-15 | 2024-01-16 | 成都航空职业技术学院 | 一种集成房屋的碳排放监测方法 |
CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
-
2023
- 2023-08-21 CN CN202311053931.3A patent/CN117110541A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407967A (zh) * | 2023-12-15 | 2024-01-16 | 成都航空职业技术学院 | 一种集成房屋的碳排放监测方法 |
CN117407967B (zh) * | 2023-12-15 | 2024-03-22 | 成都航空职业技术学院 | 一种集成房屋的碳排放监测方法 |
CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
CN117668497B (zh) * | 2024-01-31 | 2024-05-07 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117110541A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
Wang et al. | Prediction of NOx emission for coal-fired boilers based on deep belief network | |
Duan et al. | A multivariate grey prediction model based on energy logistic equation and its application in energy prediction in China | |
Hu et al. | Estimating gaseous pollutants from bus emissions: A hybrid model based on GRU and XGBoost | |
Chen et al. | Air quality prediction based on integrated dual LSTM model | |
CN113344408B (zh) | 民航交通管制运行多尺度态势感知流程的处理方法 | |
CN114091785A (zh) | 一种基于能源大数据的碳排放监测方法 | |
CN116681187A (zh) | 一种基于企业经营数据的企业碳配额预测方法 | |
Wei et al. | Super-learner model realizes the transient prediction of CO2 and NOx of diesel trucks: Model development, evaluation and interpretation | |
Pillai et al. | Modeling and Predicting Heavy-Duty Vehicle Engine-Out and Tailpipe Nitrogen Oxide (NO x) Emissions Using Deep Learning | |
Ma et al. | Big data-driven correlation analysis based on clustering for energy-intensive manufacturing industries | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
Shang et al. | Analyzing the effects of road type and rainy weather on fuel consumption and emissions: A mesoscopic model based on big traffic data | |
Guan et al. | Design pragmatic method to low-carbon economy visualisation in enterprise systems based on big data | |
Gopalakrishnan et al. | Neuro-fuzzy approach to predictive modeling of emissions from biodiesel powered transit buses | |
Li et al. | TSF-transformer: a time series forecasting model for exhaust gas emission using transformer | |
CN112508231A (zh) | 一种基于系统动力学的中长期电力负荷预测方法及系统 | |
Santarisi et al. | Prediction of combined cycle power plant electrical output power using machine learning regression algorithms | |
Liu et al. | Time series forecasting fusion network model based on prophet and improved LSTM | |
Wang et al. | Modeling and Estimation of CO 2 Emissions in China Based on Artificial Intelligence | |
Xu et al. | Federated learning based atmospheric source term estimation in urban environments | |
Zhang et al. | Demand prediction of emergency supplies under fuzzy and missing partial data | |
Wei et al. | Application of improved multi objective particle swarm optimization and harmony search in highway engineering | |
Zhang | Research on the carbon emission diving factors and forecasts of logistics industry in the bohai rim economic zone based on the theory of grey system | |
Selvam | Physics-Based Artificial Intelligence Models for Vehicle Emissions Prediction |
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 |