CN117372035A - 一种基于大数据处理的碳中和处理管理系统 - Google Patents
一种基于大数据处理的碳中和处理管理系统 Download PDFInfo
- Publication number
- CN117372035A CN117372035A CN202311290962.0A CN202311290962A CN117372035A CN 117372035 A CN117372035 A CN 117372035A CN 202311290962 A CN202311290962 A CN 202311290962A CN 117372035 A CN117372035 A CN 117372035A
- Authority
- CN
- China
- Prior art keywords
- carbon
- data
- carbon emission
- module
- emission
- 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.)
- Withdrawn
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 225
- 238000006386 neutralization reaction Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 title claims description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000010248 power generation Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 26
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 15
- 230000007935 neutral effect Effects 0.000 claims description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 6
- 239000003245 coal Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
-
- 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
- G06Q50/06—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Carbon And Carbon Compounds (AREA)
Abstract
本发明提供一种基于大数据处理的碳中和处理管理系统，包括中央控制模块，用于控制管理发电设备的碳排放，存储管理模块，用于对碳中和数据进行存储管理，碳排放采集模块，用于识别碳排放高峰时间段，足迹追踪模块，用于追踪监测对象高峰时间段的碳排放指标，决策分析模块，用于分析碳排放异常点，进行风险预警，本发明根据存储管理模块中碳中和数据的热度值和对应的热度系数将高峰时间段按照预设的时间间隔划分为N个监测时刻，并通过决策分析模块分析碳排放异常点，进行风险预警，再通过中央控制模块控制配电设备的发电设备的碳排放量，精准定位高峰时间段的碳排放数据，从而实现针对性进行碳中和的目的，实现智能分类、支持精细化的节能管理。
Description
技术领域
本发明涉及碳中和管理技术领域，尤其涉及一种基于大数据处理的碳中和处理管理系统。
背景技术
随着我国碳达峰碳中和目标的提出，碳排放审计深受关注，我国高度重视碳排放数据造假问题，把打击数据造假、加强数据监管作为一项重要政治任务。为积极响应国家绿色低碳相关政策，改善碳排放工作中的相关问题，工业工厂的碳排放量往往相对较高，为实现碳中和、碳达峰，就需要合理控制工业工厂的碳排放量，而要控制工业工厂的碳排放量，则需要提高工业工厂中所有设备的电能使用率，因此可以通过大数据技术对各个工业工厂中用电设备的电能使用情况进行监测，当某个工业工厂中用电设备的电能损耗过高而导致用电量过高，则可以及时中断对该工业工厂的供电，并及时通知负责人整修其工厂内电能损耗过高的用电设备；
为了实现节能减排，各级地方政府和相关企业等单位需要设定碳减排目标并实施相应的碳减排措施以实现碳减排目标。然而，现有的碳减排目标设定过程中往往是人为地盲目设定碳减排目标和分配碳减排任务而不能科学准确地设定碳减排目标和分配碳减排任务，导致无法完成所设定的碳减排目标。
因此，有必要提供一种新的基于大数据处理的碳中和处理管理系统解决上述技术问题。
发明内容
为解决现有的碳减排目标设定过程中往往是人为地盲目设定碳减排目标和分配碳减排任务而不能科学准确地设定碳减排目标和分配碳减排任务，导致无法完成所设定的碳减排目标的技术问题，本发明提供一种基于大数据处理的碳中和处理管理系统。
本发明提供的基于大数据处理的碳中和处理管理系统包括中央控制模块，用于控制管理发电设备的碳排放；
存储管理模块，用于对碳中和数据进行存储管理，得到碳中和数据的热度值和对应的热度系数；
碳排放采集模块，用于根据待监测对象信息选择相应的碳排放相关的关联变量，并获取待监测对象的电负荷特征，识别碳排放高峰时间段，其中待监测对象为多个发电设备；
足迹追踪模块，用于追踪监测对象高峰时间段的碳排放指标，根据存储管理模块中碳中和数据的热度值和对应的热度系数将高峰时间段按照预设的时间间隔划分为N个监测时刻；
决策分析模块，用于分析碳排放异常点，进行风险预警，基于神经网络构建碳中和分析模型，N个监测时刻中的碳排放数据按比例随机分配为训练集和测试集，将训练集中的参数二氧化碳排放系数作为输出，其余参数作为输入，训练碳中和分析模型，采用测试集对碳中和分析模型进行测试，当输出的准确性达到训练阈值，则碳中和分析模型训练完成，随机从N个监测时刻数据中选择K个碳排放数据进行测试获得正常数据与异常数据，根据异常数据设计预警阈值指标，当监测到碳排放数据超过预警阈值指标时，进行风险信号预警，通过中央控制模块控制配电设备的发电设备的碳排放量。
进一步地，所述决策分析模块进行风险信号预警之前还包括基于聚类特征对碳排放数据异常进行二次校验，若校验后的碳排放数据仍超过预警阈值指标时，进行风险信号预警。
进一步地，随机从N个所述监测时刻数据中选择K个碳排放数据进行测试，测试步骤包括将K个碳排放数据分别转换为实时排放向量，将实时排放向量与碳中和分析模型的训练阈值数据依次对比，计算多距离权重值，选取与训练阈值最接近的碳排放数据作为数据的差异，确认碳排放中和的参数，通过中央控制模块控制配电设备的发电设备的碳排放量。
进一步地，所述碳排放采集模块中的关联变量包括各种原材料在监测对象发电过程中的能量转换效率和碳排放量数据。
进一步地，所述碳排放采集模块中的电负荷特征包括峰值负荷，即用电高峰时间段内的电力负荷。
进一步地，根据关联变量和电负荷特征确认电碳函数关系式，通过最小二乘法，根据预设的预测误差平方和公式，计算电碳函数关系式中的最优参数组，得出最优高峰时间段。
进一步地，所述足迹追踪模块对N个监测时刻中的碳排放数据采用三角滤波法对碳排放数据进行平滑处理，获得平滑数据，对平滑数据进行背景信号的滤波，得到新的碳排放数据，基于新的碳排放数据获取排放的碳浓度和碳排放量。
与相关技术相比较，本发明提供的基于大数据处理的碳中和处理管理系统具有如下有益效果：
1、本发明根据存储管理模块中碳中和数据的热度值和对应的热度系数将高峰时间段按照预设的时间间隔划分为N个监测时刻，并通过决策分析模块分析碳排放异常点，进行风险预警，再通过中央控制模块控制配电设备的发电设备的碳排放量，精准定位高峰时间段的碳排放数据，从而实现针对性进行碳中和的目的，实现智能分类、支持精细化的节能管理。
2、本发明通过建立碳中和分析模型进行分析训练，当监测到碳排放数据超过预警阈值指标时，进行风险信号预警，针对性提升碳中和管理水平，经过分析后设定的碳减排目标相对于人为盲目设定碳减排目标来说所起到的减碳效果更佳。
附图说明
图1为本发明提供的基于大数据处理的碳中和处理管理系统的系统框图；
图2为本发明提供的碳中和分析模型的构建流程框图；
图3为本发明提供的碳排放数据测试的流程框图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1、图2、图3，其中，图1为本发明提供的基于大数据处理的碳中和处理管理系统的系统框图；图2为本发明提供的碳中和分析模型的构建流程框图；图3为本发明提供的碳排放数据测试的流程框图。
实施例一
在具体实施过程中，如图1-图3所示，基于大数据处理的碳中和处理管理系统包括中央控制模块，用于控制管理发电设备的碳排放；
存储管理模块，用于对碳中和数据进行存储管理，得到碳中和数据的热度值和对应的热度系数；
碳排放采集模块，用于根据待监测对象信息选择相应的碳排放相关的关联变量，并获取待监测对象的电负荷特征，识别碳排放高峰时间段，其中待监测对象为多个发电设备；
足迹追踪模块，用于追踪监测对象高峰时间段的碳排放指标，根据存储管理模块中碳中和数据的热度值和对应的热度系数将高峰时间段按照预设的时间间隔划分为三个监测时刻，分别为6点-10点，12点-16点，18点-22点；
决策分析模块，用于分析碳排放异常点，进行风险预警，基于神经网络构建碳中和分析模型E＝fa(xi)-Et，三个监测时刻中的碳排放数据按8∶2比例随机分配为训练集和测试集，将训练集中的参数二氧化碳排放系数作为输出，其余参数作为输入，训练碳中和分析模型，采用测试集对碳中和分析模型进行测试，当输出的准确性达到训练阈值，则碳中和分析模型训练完成，随机从三个监测时刻数据中选择六个碳排放数据进行测试获得正常数据与异常数据，根据异常数据设计预警阈值指标，当监测到碳排放数据超过预警阈值指标时，进行风险信号预警，通过中央控制模块控制配电设备的发电设备的碳排放量，其中碳排放标准采用GB/T51366-2019，训练集中的参数二氧化碳排放系数为2.2132t碳/t标准煤，E为碳排放中和的参数，Et为预警碳排放量阈值，fa(xi)为实际碳排放量。
决策分析模块进行风险信号预警之前还包括基于聚类特征对碳排放数据异常进行二次校验，若校验后的碳排放数据仍超过预警阈值指标时，进行风险信号预警。
随机从N个监测时刻数据中选择K个碳排放数据进行测试，测试步骤包括将K个碳排放数据分别转换为实时排放向量，将实时排放向量与碳中和分析模型的训练阈值数据依次对比，计算多距离权重值，选取与训练阈值最接近的碳排放数据作为数据的差异，确认碳排放中和的参数，通过中央控制模块控制配电设备的发电设备的碳排放量。
碳排放采集模块中的关联变量包括各种原材料在监测对象发电过程中的能量转换效率和碳排放量数据，碳排放采集模块中的电负荷特征包括峰值负荷，即用电高峰时间段内的电力负荷，根据关联变量和电负荷特征确认电碳函数关系式E＝AD*EF，AD表示为核算期内生产过程中化石燃料的消耗量、原材料的使用量及购入或输出的电量，EF为碳排放因子，即碳排放系数，一般燃料品种的排放因子选取可以考虑IPCC指南的建议，通过最小二乘法，根据预设的预测误差平方和公式，计算电碳函数关系式中的最优参数组，得出最优高峰时间段，其中电碳函数关系式根据每节约一度电相当于节约了0.4千克标准煤，同时减少污染排放0.997千克二氧化碳。
足迹追踪模块对N个监测时刻中的碳排放数据采用三角滤波法对碳排放数据进行平滑处理，获得平滑数据，对平滑数据进行背景信号的滤波，得到新的碳排放数据，基于新的碳排放数据获取排放的碳浓度和碳排放量。
实施例二
在具体实施过程中，遵循如实施例一中详述的相同结构，与实施例一不同的是，基于大数据处理的碳中和处理管理系统包括中央控制模块，用于控制管理发电设备的碳排放；
存储管理模块，用于对碳中和数据进行存储管理，得到碳中和数据的热度值和对应的热度系数；
碳排放采集模块，用于根据待监测对象信息选择相应的碳排放相关的关联变量，并获取待监测对象的电负荷特征，识别碳排放高峰时间段，其中待监测对象为多个发电设备；
足迹追踪模块，用于追踪监测对象高峰时间段的碳排放指标，根据存储管理模块中碳中和数据的热度值和对应的热度系数将高峰时间段按照预设的时间间隔划分为三个监测时刻，分别为6点-10点，12点-16点，18点-22点；
决策分析模块，用于分析碳排放异常点，进行风险预警，基于神经网络构建碳中和分析模型E＝fa(xi)-Et，三个监测时刻中的碳排放数据按6：4比例随机分配为训练集和测试集，将训练集中的参数二氧化碳排放系数作为输出，其余参数作为输入，训练碳中和分析模型，采用测试集对碳中和分析模型进行测试，当输出的准确性达到训练阈值，则碳中和分析模型训练完成，随机从三个监测时刻数据中选择六个碳排放数据进行测试获得正常数据与异常数据，根据异常数据设计预警阈值指标，当监测到碳排放数据超过预警阈值指标时，进行风险信号预警，通过中央控制模块控制配电设备的发电设备的碳排放量，其中碳排放标准采用GB/T51366-2019，训练集中的参数二氧化碳排放系数为2.2132t碳/t标准煤，E为碳排放中和的参数，Et为预警碳排放量阈值，fa(xi)为实际碳排放量。
实施例三
在具体实施过程中，遵循如实施例一中详述的相同结构，与实施例一不同的是，基于大数据处理的碳中和处理管理系统包括中央控制模块，用于控制管理发电设备的碳排放；
存储管理模块，用于对碳中和数据进行存储管理，得到碳中和数据的热度值和对应的热度系数；
碳排放采集模块，用于根据待监测对象信息选择相应的碳排放相关的关联变量，并获取待监测对象的电负荷特征，识别碳排放高峰时间段，其中待监测对象为多个发电设备；
足迹追踪模块，用于追踪监测对象高峰时间段的碳排放指标，根据存储管理模块中碳中和数据的热度值和对应的热度系数将高峰时间段按照预设的时间间隔划分为四个监测时刻，分别为6点-10点，12点-16点，18点-22点，0点-4点；
决策分析模块，用于分析碳排放异常点，进行风险预警，基于神经网络构建碳中和分析模型E＝fa(xi)-Et，四个监测时刻中的碳排放数据按8：2比例随机分配为训练集和测试集，将训练集中的参数二氧化碳排放系数作为输出，其余参数作为输入，训练碳中和分析模型，采用测试集对碳中和分析模型进行测试，当输出的准确性达到训练阈值，则碳中和分析模型训练完成，随机从三个监测时刻数据中选择六个碳排放数据进行测试获得正常数据与异常数据，根据异常数据设计预警阈值指标，当监测到碳排放数据超过预警阈值指标时，进行风险信号预警，通过中央控制模块控制配电设备的发电设备的碳排放量，其中碳排放标准采用GB/T51366-2019，训练集中的参数二氧化碳排放系数为2.2132t碳/t标准煤，E为碳排放中和的参数，Et为预警碳排放量阈值，fa(xi)为实际碳排放量。
选取实施例一、实施例二、实施例三与现有人为设定碳减排目标的方式对碳中和进行管理实验，经过一个季度后检验各碳排放量的数据，具体实验结果如下：
通过上表可知，虽然经过分析后设定的碳减排目标相对于标准指标来说还具有误差，但是经过分析后设定的碳减排目标相对于人为盲目设定碳减排目标来说所起到的减碳效果更佳，更利用促进碳中和。
本发明中涉及的电路以及控制均为现有技术，在此不进行过多赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于大数据处理的碳中和处理管理系统，其特征在于，包括中央控制模块，用于控制管理发电设备的碳排放；
存储管理模块，用于对碳中和数据进行存储管理，得到碳中和数据的热度值和对应的热度系数；
碳排放采集模块，用于根据待监测对象信息选择相应的碳排放相关的关联变量，并获取待监测对象的电负荷特征，识别碳排放高峰时间段，其中待监测对象为多个发电设备；
足迹追踪模块，用于追踪监测对象高峰时间段的碳排放指标，根据存储管理模块中碳中和数据的热度值和对应的热度系数将高峰时间段按照预设的时间间隔划分为N个监测时刻；
决策分析模块，用于分析碳排放异常点，进行风险预警，基于神经网络构建碳中和分析模型，N个监测时刻中的碳排放数据按比例随机分配为训练集和测试集，将训练集中的参数二氧化碳排放系数作为输出，其余参数作为输入，训练碳中和分析模型，采用测试集对碳中和分析模型进行测试，当输出的准确性达到训练阈值，则碳中和分析模型训练完成，随机从N个监测时刻数据中选择K个碳排放数据进行测试获得正常数据与异常数据，根据异常数据设计预警阈值指标，当监测到碳排放数据超过预警阈值指标时，进行风险信号预警，通过中央控制模块控制配电设备的发电设备的碳排放量。
2.根据权利要求1所述的基于大数据处理的碳中和处理管理系统，其特征在于，所述决策分析模块进行风险信号预警之前还包括基于聚类特征对碳排放数据异常进行二次校验，若校验后的碳排放数据仍超过预警阈值指标时，进行风险信号预警。
3.根据权利要求2所述的基于大数据处理的碳中和处理管理系统，其特征在于，随机从N个所述监测时刻数据中选择K个碳排放数据进行测试，测试步骤包括将K个碳排放数据分别转换为实时排放向量，将实时排放向量与碳中和分析模型的训练阈值数据依次对比，计算多距离权重值，选取与训练阈值最接近的碳排放数据作为数据的差异，确认碳排放中和的参数，通过中央控制模块控制配电设备的发电设备的碳排放量。
4.根据权利要求3所述的基于大数据处理的碳中和处理管理系统，其特征在于，所述碳排放采集模块中的关联变量包括各种原材料在监测对象发电过程中的能量转换效率和碳排放量数据。
5.根据权利要求4所述的基于大数据处理的碳中和处理管理系统，其特征在于，所述碳排放采集模块中的电负荷特征包括峰值负荷，即用电高峰时间段内的电力负荷。
6.根据权利要求5所述的基于大数据处理的碳中和处理管理系统，其特征在于，根据关联变量和电负荷特征确认电碳函数关系式，通过最小二乘法，根据预设的预测误差平方和公式，计算电碳函数关系式中的最优参数组，得出最优高峰时间段。
7.根据权利要求6所述的基于大数据处理的碳中和处理管理系统，其特征在于，所述足迹追踪模块对N个监测时刻中的碳排放数据采用三角滤波法对碳排放数据进行平滑处理，获得平滑数据，对平滑数据进行背景信号的滤波，得到新的碳排放数据，基于新的碳排放数据获取排放的碳浓度和碳排放量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311290962.0A CN117372035A (zh) | 2023-10-08 | 2023-10-08 | 一种基于大数据处理的碳中和处理管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311290962.0A CN117372035A (zh) | 2023-10-08 | 2023-10-08 | 一种基于大数据处理的碳中和处理管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117372035A true CN117372035A (zh) | 2024-01-09 |
Family
ID=89397440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311290962.0A Withdrawn CN117372035A (zh) | 2023-10-08 | 2023-10-08 | 一种基于大数据处理的碳中和处理管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372035A (zh) |
-
2023
- 2023-10-08 CN CN202311290962.0A patent/CN117372035A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116566050A (zh) | 一种基于人工智能的综合配电管理系统 | |
| CN111103565B (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
| CN109185917B (zh) | 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及系统 | |
| CN112308427A (zh) | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 | |
| CN112712281B (zh) | 一种基于云模型的储能工况适应性综合评估方法及系统 | |
| CN110807598A (zh) | 一种参与有序用电的用户负荷调控价值评估方法 | |
| CN118281912A (zh) | 一种智能化新能源储能网络管理方法及系统 | |
| CN115907511A (zh) | 可调节负荷资源价值评估模型的构建方法及装置 | |
| CN113689112B (zh) | 利用云计算改进层次分析法的智慧能源站能效评估方法及系统 | |
| CN117391357B (zh) | 一种基于大数据的电网调度运行管理的调度自查系统 | |
| CN113240235A (zh) | 一种电网公司发展状态的评价方法 | |
| CN117370777A (zh) | 一种电动自行车充电负荷辨识特征的选择方法及系统 | |
| CN117372035A (zh) | 一种基于大数据处理的碳中和处理管理系统 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN116756598A (zh) | 一种台区侧家电负荷精准调控方法 | |
| CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
| CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
| CN112036713A (zh) | 一种基于主成分分析的煤改电综合效益评价方法和系统 | |
| CN110717725A (zh) | 基于大数据分析的电网项目选取方法 | |
| CN109190887A (zh) | 基于改进灰色关联度的智能配电网调控指标的筛选方法 | |
| CN118367554B (zh) | 一种用于电力负荷管理系统的通信方式适配方法及装置 | |
| CN118017614B (zh) | 一种分布式新能源储能调控方法及系统 | |
| Li et al. | Evaluation and Application of Energy Efficiency in Electrolytic Aluminum Industry | |
| Peng et al. | Research on Electric Power Data Governance System and Its Application | |
| Jiang et al. | Research on multi-type demand response user profile based on improved k-means clustering algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240109 |