CN117391292A - 碳排放节能管理分析系统及方法 - Google Patents
碳排放节能管理分析系统及方法 Download PDFInfo
- Publication number
- CN117391292A CN117391292A CN202311339760.0A CN202311339760A CN117391292A CN 117391292 A CN117391292 A CN 117391292A CN 202311339760 A CN202311339760 A CN 202311339760A CN 117391292 A CN117391292 A CN 117391292A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- emission
- data
- recognition model
- carbon
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 166
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 238000004458 analytical method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 247
- 238000007726 management method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 143
- 238000012360 testing method Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004134 energy conservation Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000011068 loading method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 238000013523 data management Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 230000002452 interceptive effect Effects 0.000 abstract description 5
- 238000011049 filling Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 101100384355 Mus musculus Ctnnbip1 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了碳排放节能管理分析系统及方法,解决了现阶段大多数火电企业对碳排放数据管理目前仍然不够规范,当人工填报及核算形式出现数据错误时,不能对错误数据进行判断和分析的问题,系统包括碳排放采集端、企业端、监督服务端以及预警分析端;所述碳排放采集端基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集;本发明通过预设的异常排放识别模型可以对采集到的实时动态数据进行预处理,得到异常排放行为集,同时结合预警分析端对碳排放设备异常排放可以精准的实时判定,不干扰碳排放设备排放的状态下就可以生成对应的监督策略,有效提高了对碳排放设备上传的数据处理效率。
Description
技术领域
本发明属于碳排放数据管理技术领域,具体涉及碳排放节能管理分析系统及方法。
背景技术
碳排放是形成温室效应的主要原因,自从上世纪《京都条约》开始,各个领域都着力于进行碳减排操作,碳排放数据是有效开展各项碳减排工作的前提,目前对于碳排放数据的管理一般通过核算平台生成碳排放报告。
目前碳排放和科技成果统计数据量大,涉及人员、部门较多、频率高,完成汇总统计工作量大,且发送资料再填写易产生误差,特别是碳资产上市交易后,涉及煤炭采购、排放成本、节能改造成本等大量数据分析,但是现阶段电厂每日、每月、每年需要报送碳排放数据、管理方针和目标,明确碳排放数据管理体系的范围,并编制碳排放监测计划,并配合完成碳排放核查,但是现阶段大多数火电企业对碳排放数据管理目前仍然不够规范,当人工填报及核算形式出现数据错误时,不能对错误数据进行判断和分析,使得碳交易一旦展开难免会出现因数据不规范而带来损失,基于此,我们提出了碳排放节能管理分析系统及方法。
发明内容
本发明的目的在于针对现有技术的不足之处,提供碳排放节能管理分析系统及方法,解决了现阶段大多数火电企业对碳排放数据管理目前仍然不够规范,当人工填报及核算形式出现数据错误时,不能对错误数据进行判断和分析的问题。
本发明是这样实现的,碳排放节能管理分析系统,所述碳排放节能管理分析系统包括碳排放采集端、企业端、监督服务端以及预警分析端;
所述碳排放采集端用于实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集;
所述预警分析端用于获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重;
所述监督服务端用于获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施;
所述企业端用于获取监督管理措施,生成警示或调整指令。
优选地,所述碳排放采集端包括:
实时采集模块,所述实时采集模块用于验证碳排放设备信息,并实时采集以采集时间顺序排列的碳排放设备实时动态数据;
数据提取模块,所述数据提取模块用于获取碳排放设备实时动态数据,通过内置多通道分割模块对获取到的碳排放设备实时动态数据进行多通道分割,得到多组通道数据流,数据提取模块基于python算法提取多组通道数据流中每一组数据,并以可解码格式保存,得到异常数据集;
数据预处理模块,获取以可解码格式保存的异常数据集,基于预设的异常排放识别模型对异常数据集进行预处理,得到异常排放行为集。
优选地,所述异常排放识别模型的构建方法,具体包括:
获取标准数据集,将标准数据集分为训练集、验证集以及测试集,且训练集、验证集以及测试集采用2:1:1划分,其中,所述标准数据集具有对应的异常排放类型标注;
获取初始行为识别模型,基于训练集对初始行为识别模型进行自动训练,其中,所述初始行为识别模型为基于核方法和深度学习的网络对齐模型;
加载验证集,以验证集为输入,执行训练好的初始行为识别模型,得到验证集对应的验证类型标注;
判断验证集对应的验证类型标注与异常排放类型标注准确率是否符合预设准确率,若符合准确率,则对初始行为识别模型进行测试,若不符合准确率,则基于小批量随机梯度下降算法调整初始行为识别模型的超参数,基于训练集对初始行为识别模型进行自动训练。
优选地,所述异常排放识别模型的构建方法,具体还包括:
加载测试集,以测试集为输入,执行训练好的初始行为识别模型,获取测试集数据识别结果,判断测试集数据识别结果正确率,验证初始行为识别模型的误差率,若初始行为识别模型的误差率小于预设误差阈值,则初始行为识别模型构建完成,若初始行为识别模型的误差率大于预设误差阈值,基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率。
优选地,所述基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率的方法,具体包括:
获取测试集数据识别结果,对识别结果进行加载队列处理;
计算测试集数据识别结果的交叉熵作为刻画测试预测值与真实值之间差距损失函数,其中,给定测试样本集D={x1,x2,x3,x4,...xn},差距损失函数Fx的计算公式(1)为:
其中,表示输入样本xn时,其结果为a的预测概率,D(xn,an)表示样本集xn的高斯环绕函数,α表示差距损失函数的真实误差值,且α的表达公式(2)为:
D(xn,an)的表示函数(3)为:
其中,β,γ分别表示差距损失函数的前置以及后置系数,ρ表示预测值信息矢量变化常量;
获取差距损失函数,以差距损失函数计算当前测试集中样本的交叉熵平均值,其中,样本的交叉熵平均值Tx计算公式(4)为:
基于网络对齐模型中Adam优化器对差距损失函数进行优化,不断更新识别模型超参数,得到最优行为识别模型。
优选地,所述预警分析端包括:
行为集获取模块,所述行为集获取模块用于获取异常排放行为集;
行为点提取模块,基于异常排放行为集提取异常排放行为集中异常排放点;
原因确定模块,加载异常排放点,基于异常排放点确定异常排放点关联的异常原因,计算异常原因权重。
优选地,所述基于异常排放行为集提取异常排放行为集中异常排放点的方法,具体包括:
获取异常排放行为集;
识别异常排放行为集中碳排放设备排放特征点,基于SSNBDL网络对特征点进行反卷积还原,增加排放特征点空洞度,其中,空洞卷积ω(x,y)运算公式(5)如下:
其中,(x,y)为排放特征点二维坐标,i,j分别表示排放特征点横向扩张值以及纵向扩张值,表示异常排放行为矩阵的特征向量w,表示排放特征点空洞度;
其中,τ为补零层数,O为卷积步幅,K为异常排放行为矩阵矩阵大小,R为矩阵卷积核。
优选地,所述监督服务端包括:
权重获取模块,所述权重获取模块用于获取异常排放点对应的异常判断结果以及对应的异常原因权重;
策略库生成模块,所述策略库生成模块基于异常原因权重生成对应策略库,并基于异常判断结果实时更新策略库;
管理措施调取模块,所述管理措施调取模块基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施。
优选地,所述企业端包括:
企业验证模块,所述企业验证模块用于采集企业登录信息,验证企业登录信息;
措施响应模块,响应于监督策略库中对应的监督管理措施,修改在线排放计划或发出排放警告。
另一方面,本发明还提供了碳排放节能管理分析方法,所述碳排放节能管理分析方法,具体包括:
实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集;
获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重;
获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施;
获取监督管理措施,生成警示或调整指令。
与现有技术相比,本申请实施例主要有以下有益效果:
本发明通过预设的异常排放识别模型可以对采集到的实时动态数据进行预处理,得到异常排放行为集,同时结合预警分析端对碳排放设备异常排放可以精准的实时判定,不干扰碳排放设备排放的状态下就可以生成对应的监督策略,减轻了企业的数据处理负担,同时有效提高了对碳排放设备上传的数据处理效率。
附图说明
图1是本发明提供的碳排放节能管理分析系统的结构示意图。
图2示出了本发明提供的碳排放采集端的结构示意图。
图3是本发明提供的异常排放识别模型的构建方法的实现流程示意图。
图4是本发明提供的基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率方法的实现流程示意图。
图5是本发明提供的预警分析端的结构示意图。
图6是本发明提供的基于异常排放行为集提取异常排放行为集中异常排放点方法的实现流程示意图。
图7是本发明提供的监督服务端的结构示意图。
图8是本发明提供的企业端的结构示意图。
图9是本发明提供的碳排放节能管理分析方法的实现流程示意图。
图中:100-碳排放采集端、110-实时采集模块、120-数据提取模块、121-转码器、122-分割器、130-数据预处理模块、140-数据展现模块、150-排放提示模块、200-预警分析端、210-行为集获取模块、220-行为点提取模块、230-原因确定模块、300-监督服务端、310-权重获取模块、320-策略库生成模块、321-策略采集单元、322-库建立单元、330-管理措施调取模块、400-企业端、410-企业验证模块、420-措施响应模块。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
现阶段大多数火电企业对碳排放数据管理目前仍然不够规范,当人工填报及核算形式出现数据错误时,不能对错误数据进行判断和分析,使得碳交易一旦展开难免会出现因数据不规范而带来损失,基于此,我们提出了碳排放节能管理分析系统及方法,简而言之,所述碳排放节能管理分析系统包括碳排放采集端100、企业端400、监督服务端300以及预警分析端200,在工作时,所述碳排放采集端100实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集,然后所述预警分析端200获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重,监督服务端300获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施,最终所述企业端400获取监督管理措施,生成警示或调整指令。本发明通过预设的异常排放识别模型可以对采集到的实时动态数据进行预处理,得到异常排放行为集,同时结合预警分析端200对碳排放设备异常排放可以精准的实时判定,不干扰碳排放设备排放的状态下就可以生成对应的监督策略,减轻了企业的数据处理负担,同时有效提高了对碳排放设备上传的数据处理效率。
本发明实施例提供了碳排放节能管理分析系统,如图1所示,示出了所述碳排放节能管理分析系统的结构示意图,所述碳排放节能管理分析系统,具体包括:碳排放采集端100、企业端400、监督服务端300以及预警分析端200;
所述碳排放采集端100用于实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集;
需要说明的是,碳排放设备实时动态数据包括但不限于发电厂燃煤产生碳排放量、燃油产生碳排放量、燃气产生碳排放量、净购入电力产生的碳排放量、碳配额计算和发电厂基础数据。
所述预警分析端200用于获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重;
所述监督服务端300用于获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施;
所述企业端400用于获取监督管理措施,生成警示或调整指令。
在本实施例中,本发明通过预设的异常排放识别模型可以对采集到的实时动态数据进行预处理,得到异常排放行为集,同时结合预警分析端200对碳排放设备异常排放可以精准的实时判定,不干扰碳排放设备排放的状态下就可以生成对应的监督策略,减轻了企业的数据处理负担,同时有效提高了对碳排放设备上传的数据处理效率。
本发明通过对发电厂燃煤产生碳排放量、燃油产生碳排放量、燃气产生碳排放量、净购入电力产生的碳排放量、碳配额计算和发电厂基础数据(包含:发电量、供电量、供热量、供热比、负荷率等)、完成对企业的能源量进行采集、计量、碳排放核算,完成对能源消耗和碳排放进行实时动态监测和评价等问题,避免因为数据监测或记录错误给企业带来损失。同时实现对电厂碳排放数据的分析,建立包括碳排放综合指标、碳排放结构指标和工序指标的科学、有效、符合电厂需求的节能低碳指标体系。依据碳排放数据分析与碳排放对标分析,确定电厂的碳排放优化路径,指导电厂进行碳排放路径优化,实现电厂节能减排的目的。
示例性的,在本实施例中,所述企业端400、碳排放采集端100、监督服务端300以及预警分析端200采用通讯连接,具体的通讯连接方式包括但不限于5G、无线通讯、DTU通讯或蓝牙通讯方式连接,且企业端400以及碳排放采集端100可以为笔记本电脑、个人数字助理(Personal Digital Ass istant,PDA)、手机等可以进行通信的设备。
本发明实施例提供了碳排放采集端100,如图2所示,示出了所述碳排放采集端100的结构示意图,所述碳排放采集端100,具体包括:
实时采集模块110,所述实时采集模块110用于验证碳排放设备信息,并实时采集以采集时间顺序排列的碳排放设备实时动态数据;
数据提取模块120,所述数据提取模块120用于获取碳排放设备实时动态数据,通过内置多通道分割模块对获取到的碳排放设备实时动态数据进行多通道分割,得到多组通道数据流,数据提取模块120基于python算法提取多组通道数据流中每一组数据,并以可解码格式保存,得到异常数据集;
数据预处理模块130,获取以可解码格式保存的异常数据集,基于预设的异常排放识别模型对异常数据集进行预处理,得到异常排放行为集。
数据展现模块140,所述数据展现模块140用于数据上传的实时展现,服务于上传数据的碳排放设备;
排放提示模块150,所述排放提示模块150用于接收监督服务端300以及企业端400发出的警示信息,对碳排放采集端100发出异常排放警告。
在本实施例中,碳排放采集端100还用于碳排放设备的登录认证、注册以及碳排放计划的选择,具体地,工作人员通过碳排放设备输入指纹、面部、语音、账号密码与预设的指纹、面部、语音、账号密码对比进行登录认证,同时,碳排放采集端100还具有碳排放设备注册功能,碳排放设备注册信息存放在监督服务端300。
需要说明的是,实时采集模块110具体可以为具有声音、图像录制以及数据采集功能的监控器、自助终端,且实时采集模块110内置128g存储卡,数据提取模块120内置转码器121以及分割器122,分割器122用于获取到的碳排放设备实时动态数据进行多通道分割,转码器121能够对分割后的实时动态数据进行逐个转码,其中,分割器122的分割通道包括但不限于RS232通信通道接口、RS485通信通道接口、载波通信通道接口、TCP/IP通信通道接口、RS422通信通道接口、以太网通信通道接口。
本发明实施例提供了异常排放识别模型的构建方法,如图3所示,示出了所述异常排放识别模型的构建方法的实现流程示意图,所述异常排放识别模型的构建方法,具体包括:
步骤S101,获取标准数据集,将标准数据集分为训练集、验证集以及测试集,且训练集、验证集以及测试集采用2:1:1划分,其中,所述标准数据集具有对应的异常排放类型标注。
需要说明的是,本实施例中训练集、验证集以及测试集采用2:1:1划分是基于验证集样本在模型优化过程中作用来决定的,同时,基于核方法和深度学习的网络对齐模型不需要大量的样本数据即可实现样本的训练。
示例性的,标准数据集具有对应的异常排放类型标注,异常排放类型标注包括但不限于碳排放设备发电量、供电量、供热量、供热比、负荷率等异常排放。
步骤S102,获取初始行为识别模型,基于训练集对初始行为识别模型进行自动训练,其中,所述初始行为识别模型为基于核方法和深度学习的网络对齐模型。
示例性的,所述网络对齐模型作为初始行为识别模型可以捕捉采集数据中碳排放设备特征信息,初始行为识别模型采用核方法能够有效识别碳排放设备特征点以及区域相邻节点,从而解决网络对齐过程中特征比对/匹配混乱的问题,同时,初始行为识别模型中深度学习具体为基于人工神经网络的特征学习算法,深度学习包括输入层、隐藏层以及输出层,输入层、隐藏层以及输出层均包含有多个神经元,且每层神经元与下一层神经元之间采用全连接的方式传递信息,而输入层的神经元负责接收原始数据,隐藏层的神经元用于原始数据比对以及计算。
示例性的,初始行为识别模型的节点嵌入表示维度可以为128或256,学习率设为0.0001-0.0003,同时,初始行为识别模型的激活函数为ReLU。
步骤S103,加载验证集,以验证集为输入,执行训练好的初始行为识别模型,得到验证集对应的验证类型标注;
步骤S104,判断验证集对应的验证类型标注与异常排放类型标注准确率是否符合预设准确率;
步骤S105,若符合准确率,则对初始行为识别模型进行测试,若不符合准确率,则基于小批量随机梯度下降算法调整初始行为识别模型的超参数,基于训练集对初始行为识别模型进行自动训练,继续执行步骤S102。
需要说明的是,在步骤S104中,预设准确率可以为90%、95%、98%或100%,同时,基于小批量随机梯度下降算法调整初始行为识别模型的超参数的优化方法为Adam、UANA或dNAme。
步骤S106,加载测试集,以测试集为输入,执行训练好的初始行为识别模型;
步骤S107,获取测试集数据识别结果;
步骤S108,判断测试集数据识别结果正确率,验证初始行为识别模型的误差率。
步骤S109,若初始行为识别模型的误差率小于预设误差阈值,则初始行为识别模型构建完成;
步骤S110,若初始行为识别模型的误差率大于预设误差阈值,基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率。
在本实施例中,异常排放识别模型的构建、测试、验证均不需要大量的数据就可以完成异常排放识别模型的精准构建,保证了异常排放识别模型的识别准确率,且异常排放识别模型构建时,基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率。
示例性的,本申请中经过步骤S110调整后的异常排放识别模型相对传统的神经网络识别方法准确率提升了13-24%,且相对传统的神经网络识别方法模型构建成本更低,从而有效的提高了碳排放设备异常排放识别率和反馈率。
本发明通过建立碳排放节能管理分析系统,达到生产碳排放数据实时采集,个别数据向专人授权填写和修改,部门负责人审核提交,然后通过异常排放识别模型进行碳排放量等综合计算,平台汇总并分析数据,平台按照国家和企业碳排放计算准则完成对企业的能源量进行采集、计量、碳排放核算,完成对能源消耗和碳排放进行实时动态监测和评价等问题,避免因为数据监测或记录错误给企业带来损失。
本发明实施例提供了基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率的方法,如图4所示,示出了所述基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率方法的实现流程示意图,所述基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率的方法,具体包括:
步骤S201,获取测试集数据识别结果,对识别结果进行加载队列处理;
步骤S202,计算测试集数据识别结果的交叉熵作为刻画测试预测值与真实值之间差距损失函数,其中,给定测试样本集D={x1,x2,x3,x4,...xn},差距损失函数Fx的计算公式(1)为:
其中,表示输入样本xn时,其结果为a的预测概率,D(xn,an)表示样本集xn的高斯环绕函数,α表示差距损失函数的真实误差值,且α的表达公式(2)为:
D(xn,an)的表示函数(3)为:
其中,β,γ分别表示差距损失函数的前置以及后置系数,在本申请中,β,γ可以设置为0.1-0.7,ρ表示预测值信息矢量变化常量,可以为1、2或3。
步骤S203,获取差距损失函数,以差距损失函数计算当前测试集中样本的交叉熵平均值,其中,样本的交叉熵平均值Tx计算公式(4)为:
步骤S204,基于网络对齐模型中Adam优化器对差距损失函数进行优化,不断更新识别模型超参数,得到最优行为识别模型。
在本实施例中,基于网络对齐模型中Adam优化器对差距损失函数进行优化,不断更新识别模型超参数可以实现在测试阶段对模型中超参数进行微调,从而进一步提高本申请中异常排放识别模型的可靠性,同时,Adam优化器对差距损失函数进行优化的方法可以采用K-Means算法优化。
需要说明的是,优化后的异常排放识别模型能够解决碳排放核算涉及电厂不同部门、不同能源介质碳排放数据异常诊断困难的问题。例如综合厂用电、发电量、供电量和供热量等相关信息,涉及到按年、月、日分析能耗情况,通过生产数据、运行数据、化验室数据、财务数据等统计计算值存储到系统服务器中。通过碳计量、标准煤折算值等国家碳排放及企业碳排放核算、统计方式设计异常排放识别模型,实时监测碳排放量级碳配额指标完成情况以及异常现象。
本发明实施例提供了预警分析端200,如图5所示,示出了所述预警分析端200的结构示意图,所述预警分析端200,具体包括:
行为集获取模块210,所述行为集获取模块210用于获取异常排放行为集;
行为点提取模块220,基于异常排放行为集提取异常排放行为集中异常排放点;
原因确定模块230,加载异常排放点,基于异常排放点确定异常排放点关联的异常原因,计算异常原因权重。
在本实施例中,行为集获取模块210、行为点提取模块220以及原因确定模块230通过互联网或以太网关的以太网通讯拓扑,且行为集获取模块210基于5G通讯或局域网与数据预处理模块130通讯连接,行为集获取模块210。行为点提取模块220对数据的传输加载均为百兆级以上速度,相对于传统的CAN网关其传输速度更为稳定可控。
示例性的,在本发明中,基于异常排放点确定异常排放点关联的异常原因时,通过预训练好的ROCF(Relativeoutlierclusterfactor)相对异常算法来计算关联的确定多组对应的异常原因,然后通过主成分分析法计算异常原因权重,从而得到导致出现异常点的异常原因权重,其中,异常原因包括但不限于人工填报及核算形式造成的数据易错原因、碳排放设备异常原因等。
本发明实施例提供了基于异常排放行为集提取异常排放行为集中异常排放点的方法,如图6所示,示出了所述基于异常排放行为集提取异常排放行为集中异常排放点方法的实现流程示意图,所述基于异常排放行为集提取异常排放行为集中异常排放点的方法,具体包括:
步骤S301,获取异常排放行为集;
步骤S302,识别异常排放行为集中碳排放设备排放特征点,基于SSNBDL网络对特征点进行反卷积还原,增加排放特征点空洞度,其中,空洞卷积ω(x,y)运算公式(5)如下:
其中,(x,y)为排放特征点二维坐标,i,j分别表示排放特征点横向扩张值以及纵向扩张值,表示异常排放行为矩阵的特征向量w,表示排放特征点空洞度;
其中,τ为补零层数,O为卷积步幅,K为异常排放行为矩阵矩阵大小,R为矩阵卷积核。
在本实施例中,基于SSNBDL网络对特征点进行反卷积还原,增加排放特征点空洞度可以有效扩展特征点识别范围,从而保证异常原因分析结果的准确度,解决了现有方法需要中断碳排放设备才可以进行异常判断的问题,便于实时对碳排放设备排放进度和异常排放进行掌控,也利于企业及时进行碳排放相关数据的收集和数据管理,并依据相关数据进行碳排放的量化、汇总和报告,并对配额分配量进行测算,使之为碳排放目标和碳指标管理实施方案、碳排量核查等提供可靠的数据参考。
本发明实施例提供了监督服务端300,如图7所示,示出了监督服务端300的结构示意图,所述监督服务端300,具体包括:
权重获取模块310,所述权重获取模块310用于获取异常排放点对应的异常判断结果以及对应的异常原因权重;
策略库生成模块320,所述策略库生成模块320基于异常原因权重生成对应策略库,并基于异常判断结果实时更新策略库;
管理措施调取模块330,所述管理措施调取模块330基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施。
在本实施例中,权重获取模块310能够及时获取异常排放点对应的异常判断结果以及对应的异常原因权重,并对单组异常排放点对应的多组异常原因基于权重进行排序,为了避免处理过多冗余的数据,权重获取模块310设定权重阈值(可以为0.2-0.5),从而实现对排序后的异常原因进行筛选,提高策略库生成模块320的响应效率。
需要说明的是,在本实施例中,所述策略库生成模块320包括:
策略采集单元321,所述策略采集单元321用于实时采集并更新原因处置策略,其中,原因处置策略包括但不限于向排放提示模块150发出及时警示,向企业端400发出预警,提示企业调整在线排放计划内容等。
库建立单元322,所述库建立单元322用于储存并解析策略采集单元321所采集的原因处置策略,通过区块链共享所储存的原因处置策略,同时,所述库建立单元322通过分布式储存的方式储存数据,且每条所述的原因处置策略基于哈希加密的方式加密策略,并及时生成唯一标识码,进一步提高策略库的稳定性和安全性。
示例性的,所述管理措施调取模块330通过批量拉取的方式从策略库中获取唯一标识码数据源,逐一遍历唯一标识码数据源,若唯一标识码数据源中所对应的原因处置策略不能处理当前异常原因,管理措施调取模块330记录调取记录,继续通过批量拉取的方式从策略库中获取唯一标识码数据源,直至调取可以处理的原因处置策略即可。
本发明实施例提供了企业端400,如图8所示,示出了所述企业端400的结构示意图,所述企业端400,具体包括:
企业验证模块410,所述企业验证模块410用于采集企业登录信息,验证企业登录信息;
措施响应模块420,响应于监督策略库中对应的监督管理措施,修改在线排放计划或发出排放警告。
在本实施例中,企业验证模块410可以为指纹识别终端、人脸验证终端以及具有通讯功能的个人终端、网页以及微信小程序,通过企业验证模块410可以多通道验证企业登录资质,且企业验证模块410与措施响应模块420之间采用蓝牙或5G通讯的方式实现数据的交互。
本发明实施例提供了碳排放节能管理分析方法,如图9所示,示出了所述碳排放节能管理分析方法的实现流程示意图,所述碳排放节能管理分析方法,具体包括:
步骤S10,实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集;
步骤S20,获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重;
步骤S30,获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施;
步骤S40,获取监督管理措施,生成警示或调整指令。
本发明实施例的另一方面,还提供了一种计算机设备,所述计算机设备包括存储器和处理器,该存储器中存储有计算机程序,该计算机程序被该处理器执行时实现上述任意一项实施例的方法。
可以理解的是,在本发明提供的优选实施例中,该计算机设备还可以为笔记本电脑、个人数字助理(Personal Digital Ass istant,PDA)、手机等可以进行通信的设备。
本发明实施例还提供的一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述碳排放节能管理分析方法的步骤。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。例如,上述计算机程序可以被分割成上述各个系统实施例提供的碳排放节能管理分析系统的单元或模块。
本领域技术人员可以理解,上述终端设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Process ing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Applicat ion Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
最后需要说明的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
综上所述,本发明提供了碳排放节能管理分析系统及方法,在工作时,所述碳排放采集端100实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集,然后所述预警分析端200获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重,监督服务端300获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施,最终所述企业端400获取监督管理措施,生成警示或调整指令。
本发明通过预设的异常排放识别模型可以对采集到的实时动态数据进行预处理,得到异常排放行为集,同时结合预警分析端200对碳排放设备异常排放可以精准的实时判定,不干扰碳排放设备排放的状态下就可以生成对应的监督策略,减轻了企业的数据处理负担,同时有效提高了对碳排放设备上传的数据处理效率。
同时本发明还能辅助企业完成对碳排放相关信息的收集和数据管理,并依据相关数据进行碳排放的量化、汇总和报告,并对配额分配量进行测算,使之为碳排放目标和碳指标管理实施方案、碳排量核查等提供可靠的数据参考。
需要说明的是,对于前述的各实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可能采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,涉及的动作和模块并不一定是本发明所必须的。
本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或通信连接可以是通过一些接口,装置或单元之间的间接耦合或通信连接,可以是电信或者其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对发明的保护范围进行限制。显然,所描述的实施例仅仅是本发明部分实施例,而不是全部实施例。基于这些实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明,本领域普通技术人员依然可以在不冲突的情况下,不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整,从而得到不同的、本质未脱离本发明的构思的其他技术方案,这些技术方案也同样属于本发明所要保护的范围。
Claims (10)
1.碳排放节能管理分析系统,其特征在于,所述碳排放节能管理分析系统包括碳排放采集端、企业端、监督服务端以及预警分析端;
所述碳排放采集端用于实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集;
所述预警分析端用于获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重;
所述监督服务端用于获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施;
所述企业端用于获取监督管理措施,生成警示或调整指令。
2.如权利要求1所述的碳排放节能管理分析系统,其特征在于:所述碳排放采集端包括:
实时采集模块,所述实时采集模块用于验证碳排放设备信息,并实时采集以采集时间顺序排列的碳排放设备实时动态数据;
数据提取模块,所述数据提取模块用于获取碳排放设备实时动态数据,通过内置多通道分割模块对获取到的碳排放设备实时动态数据进行多通道分割,得到多组通道数据流,数据提取模块基于python算法提取多组通道数据流中每一组数据,并以可解码格式保存,得到异常数据集;
数据预处理模块,获取以可解码格式保存的异常数据集,基于预设的异常排放识别模型对异常数据集进行预处理,得到异常排放行为集。
3.如权利要求2所述的碳排放节能管理分析系统,其特征在于:所述异常排放识别模型的构建方法,具体包括:
获取标准数据集,将标准数据集分为训练集、验证集以及测试集,且训练集、验证集以及测试集采用2:1:1划分,其中,所述标准数据集具有对应的异常排放类型标注;
获取初始行为识别模型,基于训练集对初始行为识别模型进行自动训练,其中,所述初始行为识别模型为基于核方法和深度学习的网络对齐模型;
加载验证集,以验证集为输入,执行训练好的初始行为识别模型,得到验证集对应的验证类型标注;
判断验证集对应的验证类型标注与异常排放类型标注准确率是否符合预设准确率,若符合准确率,则对初始行为识别模型进行测试,若不符合准确率,则基于小批量随机梯度下降算法调整初始行为识别模型的超参数,基于训练集对初始行为识别模型进行自动训练。
4.如权利要求3所述的碳排放节能管理分析系统,其特征在于:所述异常排放识别模型的构建方法,具体还包括:
加载测试集,以测试集为输入,执行训练好的初始行为识别模型,获取测试集数据识别结果,判断测试集数据识别结果正确率,验证初始行为识别模型的误差率,若初始行为识别模型的误差率小于预设误差阈值,则初始行为识别模型构建完成,若初始行为识别模型的误差率大于预设误差阈值,基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率。
5.如权利要求4所述的碳排放节能管理分析系统,其特征在于:所述基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节,降低初始行为识别模型的误差率的方法,具体包括:
获取测试集数据识别结果,对识别结果进行加载队列处理;
计算测试集数据识别结果的交叉熵作为刻画测试预测值与真实值之间差距损失函数,其中,给定测试样本集D={x1,x2,x3,x4,...xn},差距损失函数Fx的计算公式(1)为:
其中,表示输入样本xn时,其结果为a的预测概率,D(xn,an)表示样本集xn的高斯环绕函数,α表示差距损失函数的真实误差值,且α的表达公式(2)为:
D(xn,an)的表示函数(3)为:
其中,β,γ分别表示差距损失函数的前置以及后置系数,ρ表示预测值信息矢量变化常量;
获取差距损失函数,以差距损失函数计算当前测试集中样本的交叉熵平均值,其中,样本的交叉熵平均值Tx计算公式(4)为:
基于网络对齐模型中Adam优化器对差距损失函数进行优化,不断更新识别模型超参数,得到最优行为识别模型。
6.如权利要求5所述的碳排放节能管理分析系统,其特征在于:所述预警分析端包括:
行为集获取模块,所述行为集获取模块用于获取异常排放行为集;
行为点提取模块,基于异常排放行为集提取异常排放行为集中异常排放点;
原因确定模块,加载异常排放点,基于异常排放点确定异常排放点关联的异常原因,计算异常原因权重。
7.如权利要求6所述的碳排放节能管理分析系统,其特征在于:所述基于异常排放行为集提取异常排放行为集中异常排放点的方法,具体包括:
获取异常排放行为集;
识别异常排放行为集中碳排放设备排放特征点,基于SSNBDL网络对特征点进行反卷积还原,增加排放特征点空洞度;
其中,空洞卷积ω(x,y)运算公式(5)如下:
其中,(x,y)为排放特征点二维坐标,i,j分别表示排放特征点横向扩张值以及纵向扩张值,表示异常排放行为矩阵的特征向量w,表示排放特征点空洞度;
其中,τ为补零层数,O为卷积步幅,K为异常排放行为矩阵矩阵大小,R为矩阵卷积核。
8.如权利要求7所述的碳排放节能管理分析系统,其特征在于:所述监督服务端包括:
权重获取模块,所述权重获取模块用于获取异常排放点对应的异常判断结果以及对应的异常原因权重;
策略库生成模块,所述策略库生成模块基于异常原因权重生成对应策略库,并基于异常判断结果实时更新策略库;
管理措施调取模块,所述管理措施调取模块基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施。
9.如权利要求1所述的碳排放节能管理分析系统,其特征在于:所述企业端包括:
企业验证模块,所述企业验证模块用于采集企业登录信息,验证企业登录信息;
措施响应模块,响应于监督策略库中对应的监督管理措施,修改在线排放计划或发出排放警告。
10.一种碳排放节能管理分析方法,采用如权利要求1-9任一项所述的系统,其特征在于:所述碳排放节能管理分析方法包括:
实时采集以采集时间顺序排列的碳排放设备实时动态数据,基于预设的异常排放识别模型对采集到的实时动态数据进行预处理,得到异常排放行为集;
获取异常排放行为集,识别并判断异常排放行为集中异常排放点,确定至少一组异常判断结果以及对应的异常原因权重;
获取异常排放点对应的异常判断结果以及对应的异常原因权重,预建立并实时更新监督策略库,基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施;
获取监督管理措施,生成警示或调整指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311339760.0A CN117391292A (zh) | 2023-10-17 | 2023-10-17 | 碳排放节能管理分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311339760.0A CN117391292A (zh) | 2023-10-17 | 2023-10-17 | 碳排放节能管理分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391292A true CN117391292A (zh) | 2024-01-12 |
Family
ID=89469586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311339760.0A Pending CN117391292A (zh) | 2023-10-17 | 2023-10-17 | 碳排放节能管理分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391292A (zh) |
Cited By (4)
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 |
CN117726053A (zh) * | 2024-02-09 | 2024-03-19 | 广州市威士丹利智能科技有限公司 | 应用于数字化平台系统的碳排放监测方法及系统 |
CN117808497A (zh) * | 2024-03-01 | 2024-04-02 | 清华四川能源互联网研究院 | 基于距离和方向特征的电力碳排放异常检测模块和方法 |
CN118171090A (zh) * | 2024-05-16 | 2024-06-11 | 中南大学 | 基于区块链的碳排放监测核查方法、装置、设备及介质 |
-
2023
- 2023-10-17 CN CN202311339760.0A patent/CN117391292A/zh active Pending
Cited By (6)
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 |
CN117726053A (zh) * | 2024-02-09 | 2024-03-19 | 广州市威士丹利智能科技有限公司 | 应用于数字化平台系统的碳排放监测方法及系统 |
CN117808497A (zh) * | 2024-03-01 | 2024-04-02 | 清华四川能源互联网研究院 | 基于距离和方向特征的电力碳排放异常检测模块和方法 |
CN117808497B (zh) * | 2024-03-01 | 2024-05-14 | 清华四川能源互联网研究院 | 基于距离和方向特征的电力碳排放异常检测模块和方法 |
CN118171090A (zh) * | 2024-05-16 | 2024-06-11 | 中南大学 | 基于区块链的碳排放监测核查方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117391292A (zh) | 碳排放节能管理分析系统及方法 | |
WO2021088499A1 (zh) | 一种基于动态网络表征的发票虚开识别方法及系统 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN110889291B (zh) | 一种基于深度学习和区块链的研报评价方法 | |
CN111178680B (zh) | 风电场工程质量全过程管理系统、方法及设备 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN114154672A (zh) | 一种用于客户流失预测的数据挖掘方法 | |
CN109146667B (zh) | 一种基于量化统计的外部接口综合应用模型的构建方法 | |
CN117408394B (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN110310012A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
CN117349771A (zh) | 错误标签数据识别方法、装置、电子设备及可读存储介质 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN117056323A (zh) | 一种基于数据访问行为的数据质量评估方法 | |
CN106408182A (zh) | 一种核电设计项目工作量统计系统和方法 | |
CN116912016A (zh) | 一种账单稽核方法和装置 | |
CN113222471B (zh) | 一种基于新媒体数据的资产风控方法及设备 | |
KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
CN112529682B (zh) | 一种基于数据建模现金配钞的方法、智能终端、存储介质 | |
CN115250182A (zh) | 一种防止区块链单链数据被篡改的方法及系统 | |
CN117455681A (zh) | 业务风险预测方法和装置 | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN113393246A (zh) | 一种基于数据采集体系的支付平台风险识别方法和系统 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 |
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 |