CN117371610A - 一种碳排放量监测方法及系统 - Google Patents
一种碳排放量监测方法及系统 Download PDFInfo
- Publication number
- CN117371610A CN117371610A CN202311428695.9A CN202311428695A CN117371610A CN 117371610 A CN117371610 A CN 117371610A CN 202311428695 A CN202311428695 A CN 202311428695A CN 117371610 A CN117371610 A CN 117371610A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- energy consumption
- decomposition
- model
- contribution
- 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 79
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000005265 energy consumption Methods 0.000 claims abstract description 50
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 230000001932 seasonal effect Effects 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于基于模型的碳排放量监测技术领域，提供了一种碳排放量监测方法及系统。获取区域历史年碳排放量数据和能耗数据；利用LMDI碳排放量影响因素分解模型，分解出若干关联因素，并确定每种关联因素的贡献度；构建神经网络模型并训练神经网络模型，预测该区域年碳排放量；判断区域能耗数据是否有季节波动性特征，若存在季节性波动特征，对季节性用能波动区域构建模型进行月分解，通过取均值进行日分解，否则，直接进行均值分解。本发明能够预测出区域年碳排放量，再进行分解，实现实时监测。
Description
技术领域
本发明属于碳排放量监测技术领域，涉及一种碳排放量监测方法及系统。
背景技术
现有的碳排放红外监测设备具有测量范围受限、易受环境影响、灵敏度不高、响应时间较长等缺点。大气碳监测技术测量的数据无法精确到设备、园区、工厂等较小范围数据，只能测量区域，地市等宏观数据。事后碳核查又不能做到短时内监测。
虽然目前现有有尝试利用LMDI模型进行碳排放的预测，但是，这些一般都只是按照时间周期简单的预测，并未考虑波动性等干扰因素。
发明内容
本发明为了解决上述问题，提出了一种碳排放量监测方法及系统，能够在分析出影响碳排放量的因素后，预测出区域年碳排放量，再进行分解，实现实时监测。
根据一些实施例，本发明采用如下技术方案：
一种碳排放量监测方法，包括以下步骤：
获取第一时长下目标区域的历史碳排放量数据和历史能耗数据；
利用LMDI碳排放量影响因素分解模型，分解出若干关联因素，并确定每种关联因素的贡献度；
构建神经网络模型；
将历史碳排放量数据作为训练集输出值，和得到的关联因素的贡献度作为训练集特征，训练神经网络模型；
根据LMDI碳排放量影响因素分解模型的关联因素预测未来时刻的各关联因素贡献度，将未来时刻的各关联因素贡献度输入至训练完成的神经网络模型中，以得到未来时刻的碳排放量；
判断历史能耗数据是否有季节波动性特征，若存在季节性波动特征，对目标区域构建模型，并模型进行第二时长分解，通过取均值进行第三时长分解，否则，直接进行均值分解。
作为可选择的实施方式，所述关联因素包括能源结构强度效应、能源消费强度效应、经济发展效应以及人口规模效应。
作为可选择的实施方式，所述贡献度的计算过程包括：
其中，C表示碳排放量，t表示t期，0表示起始时间，Q表示影响因子，ΔCQ表示Q影响因子的贡献度，i表示i类能源。
作为可选择的实施方式，所述神经网络模型的训练过程包括不断迭代和修改参数至神经网络模型的目标函数均方误差达到设定范围。
作为可选择的实施方式，所述第一时长为年，所述第二时长为月，第三时长为日。
作为可选择的实施方式，所述第一时长大于季度时长，所述季度时长大于第二时长，第二时长大于第三时长。
作为可选择的实施方式，对季节性用能波动区域构建模型进行第一时长分解的具体过程包括：
计算季节比率，并调整四个季节比率的平均数等于1；
将能耗量分别除以相应的季节指数，将季节成分从时间序列中分离出去，得到分离季节成分的序列；
剔除季节成分后，观察趋势，用相匹配的模型进行回归分析拟合；
根据所述趋势，求得预测季度能耗量，乘以对应的季度指数，就得到最终的各季度能耗量预测值。
作为进一步的，季度内各月份能耗量取均值分解，再通过乘以碳排放因子获得碳排放量。
一种碳排放量监测系统，包括：
数据获取模块，被配置为获取第一时长下目标区域的历史碳排放量数据和历史能耗数据；
贡献度计算模块，被配置为利用LMDI碳排放量影响因素分解模型，分解出若干关联因素，并确定每种关联因素的贡献度；
构建模块，被配置为构建神经网络模型；
训练模块，被配置为将历史碳排放量数据作为训练集输出值，和得到的关联因素的贡献度作为训练集特征，训练神经网络模型；
预测模块，被配置为根据LMDI碳排放量影响因素分解模型的关联因素预测未来时刻的各关联因素贡献度，将未来时刻的各关联因素贡献度输入至训练完成的神经网络模型中，以得到未来时刻的碳排放量；
分解模块，被配置为判断历史能耗数据是否有季节波动性特征，若存在季节性波动特征，对目标区域构建模型，并模型进行第二时长分解，通过取均值进行第三时长分解，否则，直接进行均值分解。
作为可选择的实施方式，所述贡献度计算模块分解出的关联因素包括能源结构强度效应、能源消费强度效应、经济发展效应以及人口规模效应。
作为可选择的实施方式，所述贡献度计算模块的贡献度的计算过程包括：
其中，C表示碳排放量，t表示终止时间，0表示起始时间，Q表示影响因子，ΔCQ表示Q影响因子的贡献度，i表示i类能源。
作为可选择的实施方式，所述分解模块，被配置为对目标区域构建模型，并模型进行第二时长分解的具体过程包括：
计算季节比率，并调整四个季节比率的平均数等于1；
将能耗量分别除以相应的季节指数，将季节成分从时间序列中分离出去，得到分离季节成分的序列；
剔除季节成分后，观察趋势，用相匹配的模型进行回归分析拟合；
根据所述趋势，求得预测季度能耗量，乘以对应的季度指数，就得到最终的各季度能耗量预测值；
对季度内各月份能耗预测值取均值分解，再通过乘以碳排放因子获得碳排放量。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明通过利用LMDI碳排放量影响因素分解模型，分解出若干关联因素，并确定每种关联因素的贡献度，结合贡献度和历史数据，预测得到区域未来年度碳排放量，再根据区域能耗数据是否有季节波动性特征，对其进行分别计算，确定日度分解值，计算结果准确，且能够实现实时监测，具有较广泛的适用性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是一种实施例的碳排放量监测方法。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
一种基于LMDI和神经网络模型的碳排放量实时监测方法，如图1所示，包括以下步骤：
I、收集区域年碳排放量数据和能耗数据，完成后进入步骤II。
II、利用LMDI碳排放量影响因素分解模型，分解出4种关联因素，并确定每种因素的贡献度，进入步骤III。
III、搭建好4层4节点的BP神经网络模型，进入步骤IV。
IV、将步骤I中区域年碳排放量数据作为训练集输出值，和步骤中II的4种因素贡献度作为训练集特征，训练神经网络模型，不断迭代和修改参数至神经网络模型中目标函数接受范围，则进入步骤V。
V、根据搜集LMDI模型的4种影响因素未来预测数据，计算未来时刻的4种影响因素贡献度作为预测输入值，利用训练完成的神经网络预测该区域年碳排放量，则进入步骤VI。
VI、判断步骤I中收集的该区域能耗数据是否有季节波动性特征，若存在季节性波动特征，则进入步骤VII；否则，进入步骤VIII。
VII、对季节性用能波动区域构建模型进行月度分解，通过取均值进行日度分解。
VIII、对无明显用能波动特征的目标对象直接进行均值分解。
在本实施例中，步骤II中LMDI碳排放量影响因素分解模型，分解出4种关联因素，分别是能源结构强度效应、能源消费强度效应、经济发展效应以及人口规模效应这四种因素。其中，能源结构强度效应，即碳排放总量占能源消费总量的比重；能源消费强度效应，即单位GDP的能源消耗；经济发展效应，即GDP占总人口的比重；人口规模效应，即总人口数。
贡献度计算公式，具体如下：
其中，C表示碳排放量，t表示t期，0表示起始时间，Q表示影响因子，ΔCQ表示Q影响因子的贡献度，i表示i类能源。
本实施例的步骤III中，搭建好4节点隐藏层数为4层的BP神经网络模型。
本实施例的步骤VII中，对季节性用能波动区域构建以下模型进行月度分解，内容包括：
I、计算季节比率，即能耗量除以中心化移动平均值CMA，并调整四个季节比率的平均数等于1，完成后进入步骤II。
II、将能耗量分别除以相应的季节指数，将季节成分从时间序列中分离出去，得到分离季节成分的序列，进入步骤III。
III、剔除季节成分后，观察趋势，对曲线进行回归分析拟合，得到趋势方程，进入步骤IV。
IV、根据步骤III中趋势方程，可以求得预测季度能耗量(不含季节因素)，再乘以对应的季度指数，就可以求得最终的各季度能耗量预测值。季度内各月份能耗量取均值分解，再通过乘以碳排放因子获得碳排放量。
实施例二
数据获取模块，被配置为获取第一时长下目标区域的历史碳排放量数据和历史能耗数据；
贡献度计算模块，被配置为利用LMDI碳排放量影响因素分解模型，分解出若干关联因素，并确定每种关联因素的贡献度；
构建模块，被配置为构建神经网络模型；
训练模块，被配置为将历史碳排放量数据作为训练集输出值，和得到的关联因素的贡献度作为训练集特征，训练神经网络模型；
预测模块，被配置为根据LMDI碳排放量影响因素分解模型的关联因素预测未来时刻的各关联因素贡献度，将未来时刻的各关联因素贡献度输入至训练完成的神经网络模型中，以得到未来时刻的碳排放量；
分解模块，被配置为判断历史能耗数据是否有季节波动性特征，若存在季节性波动特征，对目标区域构建模型，并模型进行第二时长分解，通过取均值进行第三时长分解，否则，直接进行均值分解。
实施例三
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述方法中的步骤。
实施例四
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行实施例一中所述的方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.碳排放量监测方法，其特征是，包括以下步骤：
获取第一时长下目标区域的历史碳排放量数据和历史能耗数据；
利用LMDI碳排放量影响因素分解模型，分解出若干关联因素，并确定每种关联因素的贡献度；
构建神经网络模型；
将历史碳排放量数据作为训练集输出值，和得到的关联因素的贡献度作为训练集特征，训练神经网络模型；
根据LMDI碳排放量影响因素分解模型的关联因素预测未来时刻的各关联因素贡献度，将未来时刻的各关联因素贡献度输入至训练完成的神经网络模型中，以得到未来时刻的碳排放量；
判断历史能耗数据是否有季节波动性特征，若存在季节性波动特征，对目标区域构建模型，并模型进行第二时长分解，通过取均值进行第三时长分解，否则，直接进行均值分解。
2.如权利要求1所述的一种碳排放量监测方法，其特征是，所述关联因素包括能源结构强度效应、能源消费强度效应、经济发展效应以及人口规模效应。
3.如权利要求1或2所述的一种碳排放量监测方法，其特征是，所述贡献度的计算过程包括：
其中，C表示碳排放量，t表示终止时间，0表示起始时间，Q表示影响因子，ΔCQ表示Q影响因子的贡献度，i表示i类能源。
4.如权利要求1所述的一种碳排放量监测方法，其特征是，对目标区域构建模型，并模型进行第二时长分解的具体过程包括：
计算季节比率，并调整四个季节比率的平均数等于1；
将能耗量分别除以相应的季节指数，将季节成分从时间序列中分离出去，得到分离季节成分的序列；
剔除季节成分后，观察趋势，用相匹配的模型进行回归分析拟合；
根据所述趋势，求得预测季度能耗量，乘以对应的季度指数，就得到最终的各季度能耗量预测值；
对季度内各月份能耗预测值取均值分解，再通过乘以碳排放因子获得碳排放量。
5.一种碳排放量监测系统，包括：
数据获取模块，被配置为获取第一时长下目标区域的历史碳排放量数据和历史能耗数据；
贡献度计算模块，被配置为利用LMDI碳排放量影响因素分解模型，分解出若干关联因素，并确定每种关联因素的贡献度；
构建模块，被配置为构建神经网络模型；
训练模块，被配置为将历史碳排放量数据作为训练集输出值，和得到的关联因素的贡献度作为训练集特征，训练神经网络模型；
预测模块，被配置为根据LMDI碳排放量影响因素分解模型的关联因素预测未来时刻的各关联因素贡献度，将未来时刻的各关联因素贡献度输入至训练完成的神经网络模型中，以得到未来时刻的碳排放量；
分解模块，被配置为判断历史能耗数据是否有季节波动性特征，若存在季节性波动特征，对目标区域构建模型，并模型进行第二时长分解，通过取均值进行第三时长分解，否则，直接进行均值分解。
6.如权利要求5所述的一种碳排放量监测系统，其特征是，所述贡献度计算模块分解出的关联因素包括能源结构强度效应、能源消费强度效应、经济发展效应以及人口规模效应。
7.如权利要求5所述的一种碳排放量监测系统，其特征是，所述贡献度计算模块的贡献度的计算过程包括：
其中，C表示碳排放量，t表示终止时间，0表示起始时间，Q表示影响因子，ΔCQ表示Q影响因子的贡献度，i表示i类能源。
8.如权利要求5所述的一种碳排放量监测系统，其特征是，所述分解模块，被配置为对目标区域构建模型，并模型进行第二时长分解的具体过程包括：
计算季节比率，并调整四个季节比率的平均数等于1；
将能耗量分别除以相应的季节指数，将季节成分从时间序列中分离出去，得到分离季节成分的序列；
剔除季节成分后，观察趋势，用相匹配的模型进行回归分析拟合；
根据所述趋势，求得预测季度能耗量，乘以对应的季度指数，就得到最终的各季度能耗量预测值；
对季度内各月份能耗预测值取均值分解，再通过乘以碳排放因子获得碳排放量。
9.一种计算机可读存储介质，其特征是，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-4中任一项所述方法中的步骤。
10.一种终端设备，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-4中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428695.9A CN117371610A (zh) | 2023-10-30 | 2023-10-30 | 一种碳排放量监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311428695.9A CN117371610A (zh) | 2023-10-30 | 2023-10-30 | 一种碳排放量监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117371610A true CN117371610A (zh) | 2024-01-09 |
Family
ID=89394458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311428695.9A Pending CN117371610A (zh) | 2023-10-30 | 2023-10-30 | 一种碳排放量监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371610A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
-
2023
- 2023-10-30 CN CN202311428695.9A patent/CN117371610A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
| CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
| CN106503840B (zh) | 停车场可用车位预测方法及系统 | |
| JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
| CN108874959B (zh) | 一种基于大数据技术的用户动态兴趣模型建立方法 | |
| CN109886430A (zh) | 一种基于工业大数据的设备健康状态评估与预测方法 | |
| CN106533750A (zh) | 一种云环境下非平稳型应用用户并发量的预测系统及方法 | |
| CN117371610A (zh) | 一种碳排放量监测方法及系统 | |
| CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN110852476A (zh) | 客流预测方法、装置、计算机设备和存储介质 | |
| CN107748940B (zh) | 一种节电潜力量化预测方法 | |
| CN112685950B (zh) | 一种海洋时序观测数据的异常检测方法、系统和设备 | |
| CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
| JP7339467B1 (ja) | 森林蓄積量連続監視測定方法、システム及びその実施方法 | |
| CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
| CN105825286A (zh) | 一种武器装备全生命周期费用估算系统及方法 | |
| CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
| CN111797918A (zh) | 大气污染源识别方法、装置、计算机设备及存储介质 | |
| Safta et al. | Global sensitivity analysis, probabilistic calibration, and predictive assessment for the data assimilation linked ecosystem carbon model | |
| CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
| CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
| CN115688984A (zh) | 分区用电量分析预测方法、装置及电子设备 | |
| CN106815129B (zh) | 云环境下软件过程的敏捷性度量方法 | |
| CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
| CN115564115A (zh) | 一种风电场功率预测方法及相关设备 |
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 |