CN117422004B - 基于神经网络的碳势预测方法及系统 - Google Patents

基于神经网络的碳势预测方法及系统 Download PDF

Info

Publication number
CN117422004B
CN117422004B CN202311750799.1A CN202311750799A CN117422004B CN 117422004 B CN117422004 B CN 117422004B CN 202311750799 A CN202311750799 A CN 202311750799A CN 117422004 B CN117422004 B CN 117422004B
Authority
CN
China
Prior art keywords
carbon
carbon emission
emission
absorption
source
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.)
Active
Application number
CN202311750799.1A
Other languages
English (en)
Other versions
CN117422004A (zh
Inventor
张亚蕊
王萍
唐湘辉
陈明凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Original Assignee
Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Dongfang Junchi Precision Manufacturing Co ltd filed Critical Wuhan Dongfang Junchi Precision Manufacturing Co ltd
Priority to CN202311750799.1A priority Critical patent/CN117422004B/zh
Publication of CN117422004A publication Critical patent/CN117422004A/zh
Application granted granted Critical
Publication of CN117422004B publication Critical patent/CN117422004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及碳排放监测技术领域，具体公开了基于神经网络的碳势预测方法及系统，解决了现有技术基于双碳目标分配碳排放指标，通过碳排放指标进行碳排放管控，影响企业正常生产活动的技术问题；本发明通过预测的各碳吸收源所需要承担的碳排放量来判断监测区域内的碳吸收源能够完全吸收；本发明通过监测区域内可吸收的碳排放量来判断是否需要限制碳排放源，尽可能避免影响碳排放源的正常活动；本发明根据监测区域中碳排放源和碳吸收源地理位置关系及环境数据构建若干碳排放序列；通过碳排放模拟模型模拟获取若干碳排放序列对应的碳吸收序列；本发明能够模拟出碳排放源或者环境数据细微变化对各碳吸收源吸收权重的影响，提高模型输出序列的准确性。

Description

基于神经网络的碳势预测方法及系统
技术领域
本发明属于碳排放监测领域，涉及基于双碳管理的碳排放监测技术，具体是基于神经网络的碳势预测方法及系统。
背景技术
随着城市能源消耗量的不断增长，由此带来的碳排放也在不断增加，为了使城市实现能源低碳化和促进节能减排，需要实施城市碳排放减排措施。而双碳管理是实现碳减排的重要手段，双碳管理是指同时管理碳排放和碳吸收两个方面的碳循环，以实现碳中和或者碳负排放的目标。
现有技术(申请号为2023105242788的发明专利)公开了一种基于双碳目标的城市能源碳排放监测系统，针对限定工业园区的电力传输源、电网传输端和企业负荷端三个电力使用结构层进行电力碳排放监测和分析，能够有效反映出整体工业园区实际碳排放的合规情况，为采取管控措施奠定数据基础。现有技术从双碳目标的角度来进行碳排放管控，其管控角度是根据分配的碳排放指标来限制碳排放总量，这种管控方式会对企业正常生产活动产生很大的影响。
本发明提供了基于神经网络的碳势预测方法及系统，以解决上述技术问题。
发明内容
本发明针对现有技术中存在的技术问题，提供基于神经网络的碳势预测方法，用于解决现有技术基于双碳目标分配碳排放指标，通过碳排放指标进行碳排放管控，影响企业正常生产活动的技术问题。
本发明解决上述技术问题的技术方案如下：一种基于双碳管理的碳排放监测系统，包括中枢控制模块，以及与之相连接的数据采集模块和排放预警模块；
中枢控制模块：通过数据采集模块获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列；以及，
基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列；
排放预警模块：从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格。
现有技术主要基于双碳目标来进行碳排放监测，即通过采集能源消耗数据计算碳排放量；当碳排放量超过对应碳排放源的排放指标时，则限制对应的碳排放源，这样会影响碳排放源的正常活动。
本发明并不是以单个碳排放源为监测主体，而是以监测区域(城市、工业园区等)作为监测主体；通过模拟监测区域中碳排放源与碳排放量的映射关系，可明确各碳吸收源的吸收权重；再通过预测的各碳吸收源所需要承担的碳排放量来判断监测区域内的碳吸收源能够完全吸收；本发明通过监测区域内可吸收的碳排放量来判断是否需要限制碳排放源，尽可能避免影响碳排放源的正常活动。
本发明中的中枢控制模块分别与数据采集模块和排放预警模块通信和/或电气连接；排放预警模块与智能终端通信和/或电气连接；数据采集模块分别与数据库和智能终端通信和/或电气连接。中枢控制模块主要用于数据分析以及碳排放模拟模型的构建和模拟；数据采集模块则负责整个方案中的数据采集；排放预警模块则根据分析结果进行碳排放预警，并指导制定减排措施。
本发明中的碳要素分布图是指监测区域中碳排放源和碳吸收源的分布关系，包括水平方向和垂直方向的位置关系。碳要素包括碳排放源和碳吸收源；碳排放序列基于碳排放源和环境数据设置，碳吸收序列基于碳吸收源设置。需要说明的是，碳排放源主要是指使用了可产生温室气体(引起碳排放)的能源的企业、设备或者住宅；碳吸收源是指可吸收温室气体的森森林、湿地或设置的碳捕捉装置等。
本发明中的减排措施包括限制碳排放源或者增加碳吸收源；通过尽可能准确的预测监测区域的碳排放量，来判断监测区域内的碳吸收源能够全部吸收；若能够全部吸收则不需要对碳排放源进行限制；否则，需要制定减排措施以抑制碳排放。
优选的，所述构建碳排放模拟模型，包括：提取监测区域的碳要素分布图；识别碳要素分布图中的若干碳排放源和若干碳吸收源；结合监测区域的地理环境将若干碳排放源和若干碳吸收源映射成虚拟实体中，通过数字孪生技术和虚拟空间构建监测区域的碳排放模拟模型。
为了能过准确预测监测区域内的碳排放量以及碳排放轨迹，需要对监测区域内各碳排放源在不同环境下的碳排放量进行模拟，从模拟结果中可提高各碳吸收源所需承担的碳排放量。
本发明从碳要素分布图中识别出若干碳排放源和若干碳吸收源，结合监测区域的地理环境(如高程变化)将碳排放源和碳吸收源映射成虚拟实体，通过数字孪生技术来建立监测区域的碳排放映射模型。值得注意的是，本发明结合地理环境来构建碳排放映射模型，能够结合温度、风力、气压等环境数据准确预测碳轨迹，保证各碳吸收源对应的承担比例准确。
优选的，所述基于碳排放分布图设置若干碳排放序列，包括：为碳排放分布图中的若干碳排放源和若干碳吸收源分别设置唯一标识；通过历史能耗数据计算若干碳排放源的碳排放范围；按照设定步长从若干碳排放范围中提取数据，排列组合生成若干原始排放序列；提取与历史能耗数据关联的历史环境数据，与若干原始排放序列拼接生成若干碳排放序列。
在实际监测过程中很难确定各碳吸收源吸收的碳排放数据，因此需要通过碳排放模拟模型来确定各种环境数据下碳吸收源的承担比例。本发明先确定各碳排放源的碳排放范围，也就是在设定周期内最低和最高的碳排放数据；确定各碳排放源的碳排放范围之后，按照设定步长从碳排放范围中提取数据，与对应时刻的历史环境数据进行整合，可得到若干碳排放序列。需要说明的是，本发明中的(预测)环境数据或者历史环境数据均是指影响碳足迹的数据，如温度、风力等，会改变温室气体的走向，进而影响各碳吸收源的承担比例。
优选的，所述通过历史能耗数据计算若干碳排放源的碳排放范围，包括：从历史能耗数据中提取碳排放源若干设定周期对应的能耗数据；将电力数据和燃气数据分别标记为DL和RQ；通过公式PFL=α×DL+β×RQ计算该碳排放源的碳排放量PFL；根据若干设定周期的碳排放量提取出该碳排放源的碳排放范围。
为了计算出各碳排放源的碳排放范围，本发明从历史能耗数据入手。通过数据传感器(智能电能表、燃气表等)获取碳排放源在设定周期内的能耗数据，具体为碳排放源消耗的电能和燃气，进而计算出碳排放源的碳排放量。根据历史能耗数据可计算出碳排放源对应的多个设定周期内的碳排放量，从这些碳排放量中识别出最小值和最大值，整合成该碳排放源的碳排放范围；可以理解为碳排放源在正常生产活动中产生的碳排放量处于对应的碳排放范围内。
本发明技术方案的基础之一是对碳排放源进行能耗数据采集，主要通过智能电表来统计电力数据，通过智能燃气表来统计燃气数据。而且电力数据为主，因为多数企业多是以电力作为生产动力源，燃气数据主要存在于居民家中。因此，本发明主要是通过测量电变量来统计各碳排放源的能耗数据，进而计算出碳排放量，结合碳吸收源的吸收能力来完成双碳管理。
本发明中的α和β为大于0的排放转化系数，分别对应电力和碳排放量之间的转化系数，以及燃气和碳排放量之间的转化系数。α和β均根据实际情况模拟获取。
优选的，所述通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列，包括：调取碳排放模拟模型；将若干碳排放序列依次作为碳排放模拟模型的模拟条件，模拟若干碳排放源的碳排放状态；在碳排放模拟结束后，识别提取若干碳吸收源承担的碳排放量；基于若干碳吸收源承担的碳排放量构建对应的碳吸收序列。
为了获取各环境条件下监测区域中碳排放量以及碳足迹，本发明将多个碳排放序列输入至碳排放模拟模型中，得到对应的碳吸收序列。碳排放序列中主要包括若干碳排放源对应的碳排放量和环境数据，碳吸收序列则是各碳吸收源需要吸收的碳排放量。显然，由于环境数据影响，各碳吸收源所承担的碳排放量定然不同。
优选的，所述基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型，包括：通过BP神经网络模型或者RBF神经网络模型构建人工智能模型；将若干碳排放序列和对应的若干碳吸收分别序列整合成人工智能模型的输入数据和输出数据，对人工智能模型进行训练，获取碳排放映射模型。
虽然模拟获取了若干组碳排放序列对应的碳吸收序列，但仍然无法覆盖监测区域中全部碳排放场景。因此，以若干组碳排放序列和对应的碳吸收序列作为标准训练数据，训练人工智能模型获取碳排放映射模型。通过人工智能模型强大的非线性拟合能力，拟合出碳排放序列和碳吸收序列之间的映射关系，以提高碳排放预测的准确性。
优选的，所述预测获取监测区域中若干碳排放源的碳排放量和环境数据，包括：预测若干碳排放源设定周期内的碳排放量，同时通过第三方气象平台获取若干碳排放源在设定周期内的环境数据；按照输入数据的形式整合若干碳排放源的碳排放量和对应的环境数据，生成模型输入序列。
为了避免在进行碳排放监测时无法及时处理多余的碳排放量，本发明根据碳排放源的历史活动预测其在设定周期内的碳排放量，以及对应设定周期的环境数据，二者整合起来作为模型输入序列。将模型输入序列输入至碳排放映射模型中即可获取对应的模型输出序列，模型输出序列中包括各碳吸收源所需承担的碳排放量。
优选的，所述判断目标吸收量是否大于对应碳吸收源的吸收阈值，包括：提取若干碳吸收源的目标吸收量，以及若干碳吸收源对应的吸收阈值；当目标吸收量大于吸收阈值时，则判定该碳吸收源异常；判断异常碳吸收源在全部碳吸收源中的占比是否大于比例阈值；是，则基于限制碳排放源制定减排措施；否，则基于增加碳吸收源制定减排措施。
当碳吸收源的目标吸收量(未来周期所承担的碳排放吸收量)大于该碳吸收源的吸收阈值时，则说明部分碳排放量无法解决。当监测区域中的少部分碳吸收源无法解决时，则可设置碳捕捉装置来保证碳排放源的正常活动，则该碳步骤装置则设置在对应碳吸收源位置即可；否则，需要以碳排放源为中心制定减排措施。
在另外一些优选的实施例中，可不判断异常比例，直接确定监测区域中存在多少无法解决的碳排放量；当这部分无法解决的碳排放量比较少时，则可通过设置碳捕捉装置来处理，可设置在目标吸收量远大于吸收阈值的碳排放源处；当无法解决的碳排放量比较多时，则需要对碳排放源进行减排。
本发明的有益效果是：本发明通过模拟监测区域中碳排放源与碳排放量的映射关系，可明确各碳吸收源的吸收权重；再通过预测的各碳吸收源所需要承担的碳排放量来判断监测区域内的碳吸收源能够完全吸收；本发明通过监测区域内可吸收的碳排放量来判断是否需要限制碳排放源，尽可能避免影响碳排放源的正常活动。
本发明根据数字孪生技术构建碳排放模拟模型，根据监测区域中碳排放源和碳吸收源地理位置关系以及环境数据构建若干碳排放序列；通过碳排放模拟模型模拟获取若干碳排放序列对应的碳吸收序列；本发明通过数字孪生技术能够模拟出碳排放源或者环境数据细微变化对各碳吸收源吸收权重的影响，提高模型输出序列的准确性。
附图说明
图1为本发明的系统原理示意图；
图2为本发明的方法步骤示意图；
图3为本发明制定减排步骤的示意图；
图4为为本发明实施例提供的一种电子设备的结构示意图；
图5为为本发明实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
实施例1
请参阅图1，本发明第一方面实施例提供了基于神经网络的碳势预测系统，包括中枢控制模块，以及与之相连接的数据采集模块和排放预警模块；
中枢控制模块：通过数据采集模块获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列；其中，碳要素包括碳排放源和碳吸收源，碳排放序列基于碳排放源和环境数据设置，碳吸收序列基于碳吸收源设置；
以及，基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列；
排放预警模块：从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格；其中，减排措施包括限制碳排放源或者增加碳吸收源；
所述中枢控制模块分别与数据采集模块和排放预警模块通信和/或电气连接；排放预警模块与智能终端通信和/或电气连接；
所述数据采集模块分别与数据库和智能终端通信和/或电气连接；其中，数据库用于存储和更新碳要素分布图，智能终端用于包括手机或者电脑。
实施例2
请参阅图1-图2，本发明第二方面实施例提供了基于神经网络的碳势预测方法，获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列；以及，基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列；从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格。
本发明实施例的第一步是通过数据采集模块获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列。
先通过智能终端获取监测区域的碳要素分布图，从碳要素分布图中提取碳排放源和碳吸收源以及之间的位置关系。结合监测区域的地理条件，如高程数据、气候类型等将碳排放源和碳吸收源映射成虚拟实体，结合数字孪生技术构建碳排放模拟模型。本实施例的碳排放源应严格限制在监测区域内；而碳吸收源则不需要严格限制，即其他监测区域存在明显富余吸收能力的碳吸收源也可根据富余能力映射成虚拟实体。
为监测区域中的碳排放源的唯一标识设置为i，碳吸收源的唯一标识设置为j，i和j均为正整数。以碳排放源i为例，从历史能耗数据中提取碳排放源i在若干设定周期内的能耗数据，主要为消耗的电能和燃气。通过碳排放量计算公式可计算各设定周期碳排放源i的碳排放量；从各设定周期对应的碳排放量选择最小值和最大值，组成碳排放源i的碳排放范围，则若干碳排放源均对应一个碳排放范围。
按照设定步长(如碳排放范围为0-10时，则设定步长可为1)从碳排放源的碳排放范围提取碳排放量，则每个碳排放源可提取出多个碳排放量。从每个碳排放源对应提取的多个碳排放量进行组合，可达若干原始排放序列，即提取每个碳排放源对应的一个碳排放量，结合碳排放源的唯一标识整合成一个原始排放序列，通过组合方式可得到若干原始排放序列。将这些原始排列序列与历史环境数据进行组合拼接，可得到若干碳排序列。碳排放序列的具体形式可以为{[(1，TPL1),(2，TPL2)，(…)，(i，TPLi)]，[(WD)，(FL)，(QY)，(FX)]}，TPLi为碳排放源i在设定周期对应的碳排放量，WD为监测区域或者碳排放源处的温度数据，QY为监测区域中的气压数据，FL为监测区域风力数据，FX为风向标签(每种风向对应一个数字标签)；若监测区域中的风力数据和风向不一致，则风力数据和风向标签可分区域设置。
再将若干碳排放序列依次输入至碳排放模拟模型中进行模拟，可得到各碳排放序列对应的碳吸收序列。碳吸收序列中包括各碳吸收源j对应的需要承担的碳排放量。碳吸收序列具体形式可以为[(1，TPL1)，(2，TPL2)，(…)，(j，TPLj)]，这里的TPLj是指碳吸收源的j需要承担的碳排放量。需要说明的是，由于地理条件和环境数据的影响，各碳吸收源j承担的碳排放量比例并不相同。
本实施例的第二步是基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列。
将得到的若干碳排放序列和若干碳吸收序列作为人工智能模型的输入数据和输出数据，训练得到碳排放映射模型，则碳排放映射模型中包含碳排放序列和碳吸收序列之间的非线性映射关系。
在对监测区域的碳排放进行监测时，根据碳排放源历史活动来预测该碳排放源在至少一个设定周期内的碳排放量，同时通过第三方平台可以获取预测的环境数据，将预测的若干碳排放源对应的碳排放量和环境数据整合成模型输入数据，输入至碳排放映射模型中可得到模型输出数据；也就是预测出了各碳排放吸收源所需要承担的碳排放量。
本实施例的第三步是从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格。
在实际生产中，各碳吸收源在设定周期内所能吸收的最大碳排放量是可测的，将测量结果作为该碳吸收源的吸收阈值。从模型输出序列中可提取出各碳吸收源需要承担的碳排放量，将其与对应的吸收阈值进行比较可判断出该碳吸收源能够完成吸收任务。若不能，则可根据判断异常碳吸收源的比例来制定减排措施；其总体思路为：若个别碳吸收源无法完成吸收任务，则通过增设碳捕捉装置的方式来辅助完成吸收任务；若较大比例的碳吸收源无法完成吸收任务，则可以通过降低碳排放源的能耗数据来减排，主要是分配用电指标，并实时监测碳排放源的用电量(需要对电变量进行监测)不可超过用电指标。当然，当监测区域中的任一碳吸收源所承担的目标排放量大于吸收阈值时，也可判定为双碳管理异常。
请参阅图3，在另外一个优选的实施例中，可根据无法完成吸收任务的碳吸收源和风力来确定需要减排的碳排放源，将这些碳排放源作为目标排放源；在模型输入序列中合理调整目标排放源的能耗数据，结合碳排放映射模型判断调整是否合理，进而辅助制定减排措施，尽可能保证碳排放源的正常活动。
具体来说，将目标吸收量大于吸收阈值的碳吸收源作为目标吸收源；通过碳排放模拟模型获取该目标吸收源承担哪些碳排放源的碳排放量，将这些碳排放源标记为目标排放源。可按照设定步长同步降低目标排放源的预测的碳排放量，根据降低之后的数据重新构建模型输入序列，直到根据对应的模型输出序列判断双碳合格为止，这样提取模型输入序列中目标排放源的碳排放量，根据碳排放量来制定减排措施，即限制电能使用。
上述公式中的部分数据是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：通过数据采集模块获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列。基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列。从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格。
请参阅图4，图4为本发明实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现以下步骤：
步骤一：获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列；其中，碳要素包括碳排放源和碳吸收源，碳排放序列基于碳排放源和环境数据设置，碳吸收序列基于碳吸收源设置；
以及，基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列；
步骤二：从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格；其中，减排措施包括限制碳排放源或者增加碳吸收源。
请参阅图5，图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现如下步骤：
步骤一：获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列；其中，碳要素包括碳排放源和碳吸收源，碳排放序列基于碳排放源和环境数据设置，碳吸收序列基于碳吸收源设置；
以及，基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列；
步骤二：从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格；其中，减排措施包括限制碳排放源或者增加碳吸收源。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
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。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (8)

1.基于神经网络的碳势预测方法，其特征在于，包括以下步骤：
步骤一：获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列；其中，碳要素包括碳排放源和碳吸收源，碳排放序列基于碳排放源和环境数据设置，碳吸收序列基于碳吸收源设置；
以及，基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列；
步骤二：从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格；其中，减排措施包括限制碳排放源或者增加碳吸收源；
所述构建碳排放模拟模型，包括：
提取监测区域的碳要素分布图；识别碳要素分布图中的若干碳排放源和若干碳吸收源；其中，碳吸收源包括森林、湿地或者设置的碳捕捉装置；
结合监测区域的地理环境将若干碳排放源和若干碳吸收源映射成虚拟实体中，通过数字孪生技术和虚拟空间构建监测区域的碳排放模拟模型；
所述通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列，包括：
调取碳排放模拟模型；将若干碳排放序列依次作为碳排放模拟模型的模拟条件，模拟若干碳排放源的碳排放状态；
在碳排放模拟结束后，识别提取若干碳吸收源承担的碳排放量；基于若干碳吸收源承担的碳排放量构建对应的碳吸收序列。
2.根据权利要求1所述的基于神经网络的碳势预测方法，其特征在于，所述基于碳排放分布图设置若干碳排放序列，包括：
为碳排放分布图中的若干碳排放源和若干碳吸收源分别设置唯一标识；通过历史能耗数据计算若干碳排放源的碳排放范围；
按照设定步长从若干碳排放范围中提取数据，排列组合生成若干原始排放序列；提取与历史能耗数据关联的历史环境数据，与若干原始排放序列拼接生成若干碳排放序列。
3.根据权利要求2所述的基于神经网络的碳势预测方法，其特征在于，所述通过历史能耗数据计算若干碳排放源的碳排放范围，包括：
从历史能耗数据中提取碳排放源若干设定周期对应的能耗数据；其中，能耗数据包括电力数据和燃气数据，设定周期包括一小时、一天或者一星期；
将电力数据和燃气数据分别标记为DL和RQ；通过公式PFL=α×DL+β×RQ计算该碳排放源的碳排放量PFL；根据若干设定周期的碳排放量提取出该碳排放源的碳排放范围；其中，α和β为大于0的排放转化系数；
所述预测获取监测区域中若干碳排放源的碳排放量和环境数据，包括：
预测若干碳排放源设定周期内的碳排放量，同时通过第三方气象平台获取若干碳排放源在设定周期内的环境数据；
按照输入数据的形式整合若干碳排放源的碳排放量和对应的环境数据，生成模型输入序列。
4.根据权利要求1所述的基于神经网络的碳势预测方法，其特征在于，所述基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型，包括：
通过BP神经网络模型或者RBF神经网络模型构建人工智能模型；
将若干碳排放序列和对应的若干碳吸收分别序列整合成人工智能模型的输入数据和输出数据，对人工智能模型进行训练，获取碳排放映射模型。
5.根据权利要求1所述的基于神经网络的碳势预测方法，其特征在于，所述判断目标吸收量是否大于对应碳吸收源的吸收阈值，包括：
提取若干碳吸收源的目标吸收量，以及若干碳吸收源对应的吸收阈值；其中，吸收阈值是指碳吸收源在设定周期内最大吸收的碳排放量；
当目标吸收量大于吸收阈值时，则判定该碳吸收源异常；判断异常碳吸收源在全部碳吸收源中的占比是否大于比例阈值；是，则基于限制碳排放源制定减排措施；否，则基于增加碳吸收源制定减排措施；
所述基于限制碳排放源制定减排措施，包括：
将目标吸收量大于吸收阈值的碳吸收源作为目标吸收源；确定目标吸收源所承担的碳排放量来源标记为目标排放源；
通过按照设定步长降低预测的该目标排放源碳排放量重新构建模型输入序列；将模型输入序列输入至碳排放映射模型获取模型输出序列，直至双碳管理合格；根据目标排放源降低之后碳排放量制定减排措施。
6.基于神经网络的碳势预测系统，包括中枢控制模块，以及与之相连接的数据采集模块和排放预警模块；其特征在于：
中枢控制模块：通过数据采集模块获取监测区域中的碳要素分布图，并构建碳排放模拟模型；基于碳排放分布图设置若干碳排放序列，通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列；其中，碳要素包括碳排放源和碳吸收源，碳排放序列基于碳排放源和环境数据设置，碳吸收序列基于碳吸收源设置；
以及，基于若干碳排放序列和对应碳吸收序列构建碳排放映射模型；预测获取监测区域中若干碳排放源的碳排放量和环境数据，整合成模型输入序列；将模型输入序列输入至碳排放映射模型中，获取模型输出序列；
排放预警模块：从模型输出序列中提取各碳吸收源的目标吸收量；判断目标吸收量是否大于对应碳吸收源的吸收阈值；是，则判定双碳管理异常，制定减碳措施；否，则判定双碳管理合格；其中，减排措施包括限制碳排放源或者增加碳吸收源；
所述中枢控制模块分别与数据采集模块和排放预警模块通信和/或电气连接；排放预警模块与智能终端通信和/或电气连接；
所述数据采集模块分别与数据库和智能终端通信和/或电气连接；其中，数据库用于存储和更新碳要素分布图，智能终端用于包括手机或者电脑；
所述构建碳排放模拟模型，包括：
提取监测区域的碳要素分布图；识别碳要素分布图中的若干碳排放源和若干碳吸收源；其中，碳吸收源包括森林、湿地或者设置的碳捕捉装置；
结合监测区域的地理环境将若干碳排放源和若干碳吸收源映射成虚拟实体中，通过数字孪生技术和虚拟空间构建监测区域的碳排放模拟模型；
所述通过碳排放模拟模型获取若干碳排放序列对应的碳吸收序列，包括：
调取碳排放模拟模型；将若干碳排放序列依次作为碳排放模拟模型的模拟条件，模拟若干碳排放源的碳排放状态；
在碳排放模拟结束后，识别提取若干碳吸收源承担的碳排放量；基于若干碳吸收源承担的碳排放量构建对应的碳吸收序列。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述计算机软件程序，进而实现权利要求1-5任一项所述的基于神经网络的碳势预测方法。
8.一种非暂态计算机可读存储介质，其特征在于，所述存储介质中存储有计算机软件程序，所述计算机软件程序被处理器执行时实现如权利要求1-5任一项所述的基于神经网络的碳势预测方法。
CN202311750799.1A 2023-12-19 2023-12-19 基于神经网络的碳势预测方法及系统 Active CN117422004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311750799.1A CN117422004B (zh) 2023-12-19 2023-12-19 基于神经网络的碳势预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311750799.1A CN117422004B (zh) 2023-12-19 2023-12-19 基于神经网络的碳势预测方法及系统

Publications (2)

Publication Number Publication Date
CN117422004A CN117422004A (zh) 2024-01-19
CN117422004B true CN117422004B (zh) 2024-04-02

Family

ID=89531160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311750799.1A Active CN117422004B (zh) 2023-12-19 2023-12-19 基于神经网络的碳势预测方法及系统

Country Status (1)

Country Link
CN (1) CN117422004B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117973646B (zh) * 2024-04-02 2024-06-14 深圳碳中和生物燃气股份有限公司 钢铁生产的负碳排放控制方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850706A (zh) * 2021-11-30 2021-12-28 阿里云计算有限公司 一种地区碳测算方法、展示平台、云服务器及存储介质
CN114037583A (zh) * 2021-11-05 2022-02-11 北控水务(中国)投资有限公司 一种污水处理厂尾水湿地碳排放计算方法
CN114819716A (zh) * 2022-05-20 2022-07-29 江苏中电通智能科技有限公司 一种基于大数据技术的碳排放数据分析方法
CN114936236A (zh) * 2022-05-17 2022-08-23 杨邦会 一种基于物联传感的建筑碳排放监测系统和方法
CN115099540A (zh) * 2022-08-25 2022-09-23 中国工业互联网研究院 基于人工智能的碳中和处理方法
CN115146983A (zh) * 2022-02-24 2022-10-04 中国科学院沈阳应用生态研究所 一种基于村域尺度的碳核算方法、装置和设备
CN115730755A (zh) * 2022-11-30 2023-03-03 湖北省信产通信服务有限公司工程分公司 一种双碳目标实现路径规划方法、装置、终端设备及介质
KR102538887B1 (ko) * 2023-01-09 2023-06-01 주식회사 블루로고 산림경영 자동화시스템을 통한 임야탄소배출권 사업계획서비스 제공시스템
KR20230085844A (ko) * 2021-12-07 2023-06-14 한국전자통신연구원 디지털 트윈 기반 탄소 배출 관리 방법 및 장치
CN116341988A (zh) * 2023-05-11 2023-06-27 国网安徽省电力有限公司合肥供电公司 一种基于双碳目标的城市能源碳排放监测系统
CN116432833A (zh) * 2023-03-21 2023-07-14 宁波市政工程建设集团股份有限公司 一种基于数字孪生的碳排放协同预测方法
CN116432908A (zh) * 2023-04-18 2023-07-14 国网河北省电力有限公司雄安新区供电公司 近零碳园区的碳核算方法、装置、终端及存储介质
CN116957356A (zh) * 2023-07-25 2023-10-27 中国地质科学院岩溶地质研究所 一种基于大数据的景区碳中和管理方法和系统
CN117057484A (zh) * 2023-10-11 2023-11-14 北京建工环境修复股份有限公司 一种矿山生态修复区域的碳排放量预测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037583A (zh) * 2021-11-05 2022-02-11 北控水务(中国)投资有限公司 一种污水处理厂尾水湿地碳排放计算方法
CN113850706A (zh) * 2021-11-30 2021-12-28 阿里云计算有限公司 一种地区碳测算方法、展示平台、云服务器及存储介质
KR20230085844A (ko) * 2021-12-07 2023-06-14 한국전자통신연구원 디지털 트윈 기반 탄소 배출 관리 방법 및 장치
CN115146983A (zh) * 2022-02-24 2022-10-04 中国科学院沈阳应用生态研究所 一种基于村域尺度的碳核算方法、装置和设备
CN114936236A (zh) * 2022-05-17 2022-08-23 杨邦会 一种基于物联传感的建筑碳排放监测系统和方法
CN114819716A (zh) * 2022-05-20 2022-07-29 江苏中电通智能科技有限公司 一种基于大数据技术的碳排放数据分析方法
CN115099540A (zh) * 2022-08-25 2022-09-23 中国工业互联网研究院 基于人工智能的碳中和处理方法
CN115730755A (zh) * 2022-11-30 2023-03-03 湖北省信产通信服务有限公司工程分公司 一种双碳目标实现路径规划方法、装置、终端设备及介质
KR102538887B1 (ko) * 2023-01-09 2023-06-01 주식회사 블루로고 산림경영 자동화시스템을 통한 임야탄소배출권 사업계획서비스 제공시스템
CN116432833A (zh) * 2023-03-21 2023-07-14 宁波市政工程建设集团股份有限公司 一种基于数字孪生的碳排放协同预测方法
CN116432908A (zh) * 2023-04-18 2023-07-14 国网河北省电力有限公司雄安新区供电公司 近零碳园区的碳核算方法、装置、终端及存储介质
CN116341988A (zh) * 2023-05-11 2023-06-27 国网安徽省电力有限公司合肥供电公司 一种基于双碳目标的城市能源碳排放监测系统
CN116957356A (zh) * 2023-07-25 2023-10-27 中国地质科学院岩溶地质研究所 一种基于大数据的景区碳中和管理方法和系统
CN117057484A (zh) * 2023-10-11 2023-11-14 北京建工环境修复股份有限公司 一种矿山生态修复区域的碳排放量预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
城市碳代谢过程研究进展;夏琳琳;张妍;李名镜;;生态学报;20170623(第12期);4268-4277 *
基于碳收支核算的郑州市碳排放压力分析及预测;侯丽朋;赵荣钦;刘英;刘秉涛;丁明磊;张战平;;水土保持研究;20160415(第02期);207-212 *
广西高速公路建设期碳排放计算及预测研究;汪慧颖;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑;20230215;B027-3630 *

Also Published As

Publication number Publication date
CN117422004A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
CN117422004B (zh) 基于神经网络的碳势预测方法及系统
CN110187290A (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN106055775B (zh) 一种粒子滤波与机理模型相结合的二次电池寿命预测方法
CN102183621A (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN105137358A (zh) 基于大数据自学习机制的动力电池的soc/soh预测方法
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN115808922B (zh) 商用电动车辆能耗预测方法、装置和计算机设备
CN107862391A (zh) 一种基于云计算的设备运行状况测试系统
CN116796631A (zh) 一种计及约束条件的锂电池寿命预测方法
CN115238959A (zh) 一种面向用户侧能源综合利用的数字孪生系统和方法
CN103679289B (zh) 基于多元回归外推法的电力负荷预测方法
CN109165770A (zh) 基于AFSA-Elman的新型光伏功率预测方法
CN114899459A (zh) 一种用于燃料电池发动机的运维控制方法及装置
CN117252436B (zh) 一种土地利用变化生态风险分区的方法和系统
CN114216558A (zh) 一种无线振动传感器电池剩余寿命预测方法及系统
CN117937497A (zh) 算力负载均衡方法及装置
CN105894706A (zh) 一种森林火灾预测方法及其系统
CN115564106A (zh) 一种基于电力数据的碳排放测算方法
CN114139862A (zh) 一种基于大数据的台区线损分析监控系统及其分析方法
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
CN115829140B (zh) 一种基于机器学习的风力发电场发电量预测方法及系统
CN117310506B (zh) 监测储能电站的方法、装置和计算机可读存储介质
CN116195495B (zh) 一种基于物联网技术进行节水灌溉的方法和系统
CN115566997B (zh) 用于空压站的光伏组件衰减测试系统及方法
CN117114254B (zh) 一种电网新能源异常数据监测方法及系统

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
GR01 Patent grant
GR01 Patent grant