CN117451114A - 一种碳排放监测系统及方法 - Google Patents
一种碳排放监测系统及方法 Download PDFInfo
- Publication number
- CN117451114A CN117451114A CN202311797706.0A CN202311797706A CN117451114A CN 117451114 A CN117451114 A CN 117451114A CN 202311797706 A CN202311797706 A CN 202311797706A CN 117451114 A CN117451114 A CN 117451114A
- Authority
- CN
- China
- Prior art keywords
- emission
- monitoring
- data
- hydrologic
- gas
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 140
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 104
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000007789 gas Substances 0.000 claims abstract description 149
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 98
- 230000008859 change Effects 0.000 claims abstract description 80
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 12
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 12
- 239000001301 oxygen Substances 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 61
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000009792 diffusion process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 239000005416 organic matter Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 14
- 239000006185 dispersion Substances 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 239000010865 sewage Substances 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002912 waste gas Substances 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 241001148471 unidentified anaerobic bacterium Species 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种碳排放监测系统及方法，涉及碳排放监测技术领域，包括：水体监测单元，用于对水体中的水文特征进行采集，根据水文特征的变化情况来预测水体碳排放对应的气体量；所述气体包括CH4、CO2，水文特征包括获取水体对应的有机物浓度成分、溶解氧含量、水体温度和水体PH值；电表监测单元，用于监测确定工厂及其他设备进行碳排放时，电量增加和消耗的量，电表监测单元用于输出电量变化数据；排放监测单元，用于获取不同碳排放来源的气体排放数据；气体排放数据包括第一排放数据和第二排放数据；水体检测单元包括环境监测单元和水体扩散单元；能够提高碳排放的监测效果，提高监测数据的准确性。
Description
技术领域
本发明涉及碳排放监测技术领域，尤其涉及一种碳排放监测系统及方法。
背景技术
随着工业化进程的加速，气候变化日益加剧，碳排放问题已成为全球面临的重要挑战之一。为了有效应对气候变化，实现低碳经济和生态文明建设，加上环保法规的日益完善，企业需要对其污染排放进行常态化监管。目前，传统的碳排放监测手段无法满足监测数据多元化的需求，导致了监测数据的缺失或不准确。
如中国专利（申请号：CN202310458376.6）一种基于大数据的碳排放流实时监测系统及其方法，包括通讯连接的监测模块和数据处理模块；所述监测模块包括废气排放监测单元、水体污染监测单元、植被生态监测单元和电表耦合监测单元，分别用于监测工业生产过程中废气排放情况的设备并获取废气监测数据、获取水体监测参数并通过水体监测参数计算水体监测数据、监测大面积植物环境中的二氧化碳的浓度和流量变化并生成植被监测数据以及定期采集区域电网内电表的电耗数据并根据电耗数据获取电表监测数据；所述数据处理模块用于预处理监测数据和执行数据挖掘。
现有技术中，通过采集水体中和植被中的气体数据来确定碳排放的流向；但是在数据处理时，如果水体的环境或者外部环境发生变化，此时水体对污染的处理量以及吸收量会出现问题，此时通过电量变化来预测排放气体数量时，产生的数据就会不准确，导致对碳排放追踪就会不准确。
发明内容
本申请实施例通过提供一种碳排放监测系统及方法，解决了现有技术中不同环境对水体碳排放影响的问题，提高了碳排放的监测效果和效率。
本申请实施例提供了一种碳排放监测系统包括：
水体监测单元，用于对水体中的水文特征进行采集，根据水文特征的变化情况来预测水体碳排放对应的气体量；所述气体包括CH4、CO2，水文特征包括获取水体对应的有机物浓度成分、溶解氧含量、水体温度和水体PH值；
电表监测单元，用于监测确定工厂及其他设备进行碳排放时，电量增加和消耗的量，电表监测单元用于输出电量变化数据；
排放监测单元，用于获取不同碳排放来源的气体排放数据；气体排放数据包括第一排放数据和第二排放数据；
水体检测单元包括环境监测单元和水体扩散单元；
环境监测单元，用于确定水文环境，获取水文环境中对应的环境特征，环境特征包括河流级别、降水、水流流速、风速、水生植物；
水体扩散单元，用于获取水体上游、下游之间的水文特征，获取不同位置上的水文特征的变化情况；
数据处理单元，用于确定水文特征受环境特征的影响情况，以及水文特征与电量与排放量之间的判断关系，以预测不同排放量对水体碳排放的影响。
本申请实施例提供了一种碳排放监测方法包括：
S1，基于预设的采集点，获取不同位置上水体的水文特征；
S2，获取采集点对应的环境特征，并将采集到的水文特征根据不同的环境特征进行分类；
S3，根据不同分类下的水文特征，获取对应的气体排放数据，确定气体排放数据与水文特征之间的变化情况；
S4，基于气体排放数据与水文特征之间的关系，确定气体排放数据中第一排放数据与第二排放数据的比例；基于第一排放数据与第二排放数据的比例，确定环境特征与气体排放数据之间的关系；
S5，获取电量变化数据，基于环境特征与气体排放数据之间的关系，将电量变化数据与对应的水文特征、环境特征进行相联系，确定气体排放数据与电量变化数据之间的关系；
S6，根据不同特征之间的关联，调整碳排放处理布局。
其中，上述的步骤S3包括：
S31，基于不同环境特征对应的气体排放数据，确定气体排放数据的中的异常点；
S32，基于气体排放数据的异常点，提取异常点对应的环境特征；
S33，核对异常点的水文特征，比较异常点与非异常点的水文特征，确定水文特征之间的差异；
S34，根据水文特征之间的差异，确定气体排放数据与水文特征之间的相关性。
上述的步骤S4包括：
S41，获取不同时间段内，第一排放数据与第二排放数据的排放量；
S42，确定不同环境特征下，第一排放数据与第二排放数据比例的变化量；
S43，基于第一排放数据和第二排放数据的比例，确定气体排放数据和环境特征之间的关系。
上述的步骤S5包括：
S51，基于神经网络，建立电量与气体排放量之间的关系模型；
S52，基于电量变化数据的变化情况，确定在不同电量消耗或增加下电量与气体排放量之间的比例变化情况；
S53，根据电量与气体排放量之间比例的变化，确定不同环境特征下气体排放数据的变化情况；
S54，根据气体排放数据的变化情况，确定碳排放的变化趋势。
上述的步骤S6包括：
S61，基于环境特征、水文特征、气体排放数据之间的关联，设置多组监测设备；
S62，基于监测设备的布设位置，确定监测时的关键点；
S63，对关键点进行评估，确定监测点的移动方式。
上述的步骤S63的实现方式包括
S631，根据关键点的位置，获取对应位置的监测点；
S632，基于气体排放情况，确定监测点的设置方向；
S633，基于监测点上碳排放强度变化情况，确定监测点的最优设置方向；
S634，根据监测点的最优设置方向，确定监测点的移动轨迹和速度。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过将水体的水文特征、环境特征、气体排放数据、电量变化数据，使得在对水体气体进行测量时得到的数据结果更加准确，使得在碳排放时能够根据测量的水体碳排放进行精准的定位，以确定在不同状况下，水体实际排放与周边环境的关联，以实现在碳排放布局时能够根据城市环境的不同，提高对城市碳排放的控制，提高监测的效果和效率。
附图说明
图1为一种碳排放监测系统的系统示意图；
图2为一种碳排放监测方法的数据处理单元的流程示意图；
图3为一种碳排放监测方法的步骤S4的流程示意图；
图4为一种碳排放监测方法的步骤S5的流程示意图；
图5为一种碳排放监测方法的步骤S6的流程示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本申请进行更全面的描述；附图中给出了本发明的较佳实施方式，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式；相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
需要说明的是，本文所使用的术语“垂直”、“水平”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
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发明的技术领域的技术人员通常理解的含义相同；本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明；本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示，一种碳排放监测系统包括：水体监测单元，用于对水体中的水文特征进行采集，根据水文特征的变化情况来预测水体碳排放对应的气体量；所述气体包括CH4、CO2等气体，水文特征包括获取水体对应的有机物浓度成分、溶解氧含量、水体温度和水体PH值。
电表监测单元，用于监测确定工厂及其他设备进行碳排放时，电量增加和消耗的量，电表监测单元用于输出电量变化数据。
排放监测单元，用于获取不同碳排放来源的气体排放数据；气体排放数据包括第一排放数据和第二排放数据。
水体检测单元包括环境监测单元和水体扩散单元。
环境监测单元，用于确定水文环境，获取水文环境中对应的环境特征，环境特征包括河流级别、降水、水流流速、风速、水生植物。
水体扩散单元，用于获取水体上游、下游之间的水文特征，获取不同位置上的水文特征的变化情况。
数据处理单元，用于确定水文特征受环境特征的影响情况，以及水文特征与电量与排放量之间的判断关系，以预测不同排放量对水体碳排放的影响。
具体来说，水体中有机物成分促进CH4的生成，当污水或这废气进入到水体中时，会导致水体中的藻类等有机物的数量增加，同时污水中的碳原子也会和水体中的其他成分产生化学反应，造成CH4的排放增加；溶解氧的存在通常会抑制CH4的产生，甲烷生成菌在缺氧条件下才能有效地生成CH4，当溶解氧含量较高时，这些厌氧菌的活动受到抑制，从而减少了CH4的生成量；对于CO2的，一方面，溶解氧可以促进好氧微生物的活动增加CO2的产生，溶解氧的存在也可以抑制某些厌氧微生物的活动，这些厌氧微生物在缺氧条件下将有机物转化为CO2；温度和PH也会影响到CH4和CO2的排放量；当检测到水体中不同成分的含量后，可以根据采集到的气体形式来确定不同成分与排放量之间的关系。
对水体的碳排放进行预测时，通过获取水体的碳通量来预测当前水体产生的碳排放量；基于排放监测单元获取到排放到水中溶解无机碳和溶解有机碳的浓度，并根据水流速度获取碳通量，根据获取的碳通量，可以知道水体吸收和输出的量，从而可以知道在污水、废气排放后，河流的实际吸收量和排放量。
当获取到不同水体中的成分与实际排放之间的关系后，根据水文特征在采集后的变化情况，对水文特征中受不同环境影响的成分变化情况进行核对后，能够了解到水体在不同环境特征下能够排放的气体量。
实施例二
为了确定碳排放过程中水体的变化情况，通过水体监测单元对水体中的水文特征进行提取，在提取到水文特征后，对水文特征进行处理，如图2所示，本申请中提供的一种碳排放监测方法的实现方式包括：
S1，基于预设的采集点，获取不同位置上水体的水文特征，例如获取每个排放源附近的水文特征，排放源直接连接的河流上游、下游中多个河流段连接的位置的水文特征，每个排放源排放污水的水文特征等；通过多个来源水文特征，来确定河流每个位置可能存在水文特征对应的数值。
S2，获取采集点对应的环境特征，并将采集到的水文特征根据不同的环境特征进行分类。
S3，根据不同分类下的水文特征，获取对应的气体排放数据，确定气体排放数据与水文特征之间的变化情况。
S4，基于气体排放数据与水文特征之间的关系，确定气体排放数据中第一排放数据与第二排放数据的比例；基于第一排放数据与第二排放数据的比例，确定环境特征与气体排放数据之间的关系。
S5，获取电量变化数据，基于环境特征与气体排放数据之间的关系，将电量变化数据与对应的水文特征、环境特征进行相联系，确定气体排放数据与电量变化数据之间的关系。
S6，根据不同特征之间的关联，调整碳排放处理布局。
优选的，在获取到不同环境下的气体排放数据后，对于不同的环境下气体的排放情况进行筛选，筛选出气体排放数据中存在的多个气体排放数据的异常点，并从异常点中提取相关的环境特征，并对水文特征对应的数值进行核对，确定水文特征在数值变化后，气体排放数据的不同，从而确定水文特征与气体排放量之间的关系。
具体的，步骤S3包括：
S31，基于不同环境特征对应的气体排放数据，确定气体排放数据的中的异常点；
S32，基于气体排放数据的异常点，提取异常点对应的环境特征；
S33，核对异常点的水文特征，比较异常点与非异常点的水文特征，确定水文特征之间的差异；
S34，根据水文特征之间的差异，确定气体排放数据与水文特征之间的相关性。
例如，可以比较异常点组和非异常点组在有机物浓度成分、溶解氧含量、水体温度和水体PH值等水文特征上的平均值或中位数，以确定水文特征在异常排放和非异常排放情况下的显著差异。
为了确定水文特征和气体排放量之间的关系，将气体排放量作为因变量，而有机物浓度成分、溶解氧含量、水体温度和水体PH值等水文特征将作为自变量，通过分析回归模型的系数和显著性水平，确定水文特征对气体排放量的影响方向和程度；如果水文特征与气体排放数据之间相关系数的绝对值接近于1，则表示存在强相关性，如果接近于0，则表示相关性较弱。
通过分析水文特征与气体排放之间的关系，可以根据水文特征的变化来预测未来的气体排放量，从而为环境管理和决策提供重要的参考信息，如果知道某种水文特征（如溶解氧含量或水体PH值）对气体排放有重要影响，可以采取措施来调整和优化这些特征，从而减少气体排放并改善水质。
实施例三
在获取到水文特征与气体排放数据之间的关系后，在环境特征变化下，确定气体排放数据中第一排放数据与第二排放数据之间的比例，通过调整第一排放数据与第二排放数据的比例，确定气体排放数据与环境特征之间的关系。其中，第一排放数据是直接排放数据，也就是由水体直接产生的气体排放量，包括由水体中的生物活动、化学反应等过程产生的气体排放；第二排放数据是间接排放数据，也就是由水体的直接排放所引起的其他过程或活动中的气体排放量，包括由水体排放所导致的土壤中的微生物活动增加、植物生长的变化以及其他与水体排放相关的生态系统中的气体排放。
具体的，如图3所示，步骤S4包括以下实现方式：
S41，获取不同时间段内，第一排放数据与第二排放数据的排放量。
S42，确定不同环境特征下，第一排放数据与第二排放数据比例的变化量。
S43，基于第一排放数据和第二排放数据的比例，确定气体排放数据和环境特征之间的关系。
首先获取到不同环境特征下气体排放数据的变化情况，计算CO2和CH4的比例，根据不同时间段或区域的排放量进行计算。该比例可以表示为：k=y1/y2，其中y1和y2分别表示第一排放数据和第二排放数据的排放量。
根据环境特征的变化，调整第一排放数据和第二排放数据比例，例如，如果水位上升导致甲烷排放量增加，可以适当增加甲烷排放量的比例。
利用建立好的模型和调整后的比例，预测和控制气体排放。例如，可以根据未来的水文特征预测未来的气体排放量，或者通过调整第一排放数据和第二排放数据的比例来控制气体排放量。
其中，可以通过线性回归的方式表达气体排放量与环境特征之间的关系：
G=（beta_0+beta_1×F_1+beta_2×F_2+...+beta_m×F_m+beta_{m+1}×k）
其中，G是气体排放量，（beta_0，beta_1，...，beta_{m+1}）是回归系数，（F_1，F_2，...，F_m）是环境特征，k是第一排放数据与第二排放数据的比例。
通过对模型进行训练和验证，我们可以得到各个系数的估计值，从而了解环境特征和比例如何影响气体排放量。
实施例四
在确定好气体排放数据与环境特征之间的关系后，为了使得到的数据更为精准，将获取的电量变化数据与对应的水文特征、环境特征进行相联系，确定在不同情况下，电量与气体排放量之间的关系，并确定在不同电量消耗或增加的情况下，电量与实际消耗之间的关系，将不同维度下的电量数据与气体排放数据进行融合，以获取与电量相关的气体排放量。
在某些情况下，水体的气体排放可能与电量的消耗直接相关。例如，污水处理设施或水体循环系统中的机械设备运行需要消耗电量，而这些设备的运行过程中可能会产生直接的气体排放。定量上，我们可以通过建立回归模型来分析电量消耗与直接气体排放量之间的关系。模型的系数可以揭示单位电量消耗所对应的气体排放量。
具体的，如图4所示，步骤S5包括以下实现方式：
S51，基于神经网络，建立电量与气体排放量之间的关系模型；
S52，基于电量变化数据的变化情况，确定在不同电量消耗或增加下电量与气体排放量之间的比例变化情况；
S53，根据电量与气体排放量之间比例的变化，确定不同环境特征下气体排放数据的变化情况；
S54，根据气体排放数据的变化情况，确定碳排放的变化趋势。
具体的，用多元线性回归、神经网络或其他机器学习算法，建立电量与气体排放量之间的关系模型。该模型可以表示为：E=f（P，H，En），其中E表示气体排放量，P表示电量消耗或增加量，H表示水文特征，En表示环境特征。
根据收集到的数据，计算在不同电量消耗或增加情况下，确定电量与气体排放量之间的比例。例如，可以计算单位电量消耗所产生的气体排放量，或者根据不同时间段或区域的电量和气体排放量进行计算。该比例可以表示为：k =E/P，其中E和P分别表示气体排放量和电量消耗或增加量。
通过分析历史电量数据和实际消耗量之间的关系，建立电量与实际消耗之间的关系模型。该模型可以表示为：C=g（P），其中C表示实际消耗量，P表示电量消耗或增加量，实际消耗量为某一时间段内设备、机器或整个系统实际使用的能源量。
将不同维度下的电量数据与气体排放数据进行融合，以获取与电量相关的气体排放量。确定电量与气体排放在在不同环境下的变化情况，将计算得到单位时间内气体排放量与电量之间的相关程度，获取到相关程度后，可以利用上述建立的模型和比例关系，将电量数据转换为对应的气体排放量数据。
优选的，为了确定气体排放数据与电量数据相关的情况下，气体排放数据扩散时，在不同时间下的排放情况，获取不同时间分段下气体排放数据，以推测气体排放数据的变化量，以及不同场景时气体排放在不同位置的变化情况，从而预测碳排放来源的变化。
利用气象学、流体力学等知识，建立气体扩散模型。该模型可以模拟气体在不同时间段和不同气象条件下的扩散情况，以预测气体在不同位置的浓度和分布情况。
通过分析历史数据和相关因素，推测不同场景下气体排放的变化情况。例如，可以分析不同季节、天气、交通流量等因素对气体排放的影响，以预测未来在类似场景下的气体排放量。
利用上述分析结果和模型预测结果，预测碳排放来源的变化情况。例如，可以根据不同时间段和不同场景下的气体排放量和分布情况，推测碳排放的主要来源及其变化趋势。
根据碳排放的来源的气体排放数据的变化趋势，来确定当前预测下碳排放的产生量，从而确定当前产生碳排放相关的数据。
通过对电量与气体排放数据进行关联，知道在正常生产活动时，排放的污水等成分对水体排放气体之间的间接关系，并根据不同的比例变化情况，确定在不同环境下电量消耗时会造成多少碳排放，方便后续对碳排放趋势的核对，以及计算产生的碳排放交易价格，从而实现对碳排放对应成本的控制。
实施例五
为了提高在不同位置下的碳排放的监测效果，获取采集碳排放时对应监测点的位置，对碳排放进行设置时，基于碳排放对应的位置和相邻检测点之间的距离确定碳排放测量时每个监测设备对应的关键点；根据关键点的布设位置，调整碳排放的监测布局。
具体的，如图5所示，步骤S6包括以下实现方式：
S61，基于环境特征、水文特征、气体排放数据之间的关联，设置多组监测设备；
S62，基于监测设备的布设位置，确定监测时的关键点；
S63，对关键点进行评估，确定监测点的移动方式。
在关键点的监测设备获取的数据包括：水体排放的气体、水体中水文特征的变化情况、水体对应环境特征。
假设有N组监测设备，每组设备包括M个固定监测设备和P个随水流移动的监测设备。
每组监测设备之间用线连接，表示设备之间的最短距离。
对于任意两组设备i和j（i≠j），计算它们之间的的交点。
使用线性方程求解交点，对于两条线L1：Ax+By=C和L2：Dx+Ey=F，交点为：（BF-CE）/（AE-BD），（CD-AF）/（AE-BD）。
优选的，关键点的选择包括：
获取两组设备之间的交点，对所有的交点进行聚类分析，根据交点的密度，选择密度最大的区域中的交点作为关键点；比较每个关键点的相距位置，当关键点之间的距离大于预设阈值时，选择水文特征变化显著的关键点作为监测设备监测的关键点。
对于获取的关键点进行效果评估，将关键点测量到的数据与模型预测结果进行比较，确定当前关键点的准确性。
优选的，在获取到关键点的选择方式后，获取不同监测点的位置，并获取当前排放状况下，监测点的设置方向，基于监测点的设置方向，获取不同环境下碳排放强度的变化情况，基于碳排放强度的变化情况，确定监测点的移动方式，其中关键为监测设备中监测时重点监测的点，监测点为监测设备实际监测的点。
具体的，步骤S63的具体实现方式包括：
S631，根据关键点的位置，获取对应位置的监测点。
S632，基于气体排放情况，确定监测点的设置方向；通过分析风向、水流方向等因素来确定。
S633，基于监测点上碳排放强度变化情况，确定监测点的最优设置方向。
根据历史数据和实时监测数据，预测不同环境下的碳排放强度变化情况。
基于碳排放强度变化情况，确定监测点的最优设置方向，以提高最大化监测效果和对碳排放覆盖范围的监测。根据关键点进行调整，在关键路径或交汇点上设置额外的监测点。
S634，根据监测点的最优设置方向，确定监测点的移动轨迹和速度。
根据碳排放强度的变化情况，确定监测点的移动轨迹和速度。例如，如果某个区域的碳排放强度突然增加，监测点应该向该区域移动。使用优化算法（如遗传算法、模拟退火等）来确定监测点的最优移动路径。
基于关键点的监测效率和覆盖率，确定监测点的最优移动路径。比较在采用和不采用移动策略下，检测到的碳排放量的差异，根据碳排放量和监测效果的不同，调整监测点的移动路径。通过将监测点进行移动监测，使得监测时获取到的数据更为全面，能够体现出碳排放强度相关数据的直接变化，使得监测点移动的轨迹可以测量出当前水体精准的碳排放量。
本申请的另一种碳排放监测方法还包括：
S71，获取目标水体的碳排放数据，基于碳排放数据确定对应的水文特征；
S72，基于目标水体的水文特征，确定不同环境特征下水文特征的变化情况；
S73，基于水文特征的变化情况，确定气体排放数据的变化情况；
S74，基于气体排放数据和水文特征之间的关联，预测气体排放数据中成分的变化情况；
S75，获取气体排放数据变化时，电量变化数据与气体排放数据之间的关联，确定碳排放变化的趋势；
S76，基于碳排放变化的趋势，确定碳排放的监测布局。
以上所述仅为本发明的优选实施方式，并不用于限制本发明，对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明精神和原则内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种碳排放监测系统，其特征在于，包括：水体监测单元，用于对水体中的水文特征进行采集，根据水文特征的变化情况来预测水体碳排放对应的气体量；所述气体包括CH4、CO2，水文特征包括获取水体对应的有机物浓度成分、溶解氧含量、水体温度和水体PH值；
电表监测单元，用于监测确定工厂及其他设备进行碳排放时，电量增加和消耗的量，电表监测单元用于输出电量变化数据；
排放监测单元，用于获取不同碳排放来源的气体排放数据；气体排放数据包括第一排放数据和第二排放数据；
水体检测单元包括环境监测单元和水体扩散单元；
环境监测单元，用于确定水文环境，获取水文环境中对应的环境特征，环境特征包括河流级别、降水、水流流速、风速、水生植物；
水体扩散单元，用于获取水体上游、下游之间的水文特征，获取不同位置上的水文特征的变化情况；
数据处理单元，用于确定水文特征受环境特征的影响情况，以及水文特征与电量与排放量之间的判断关系，以预测不同排放量对水体碳排放的影响。
2.一种碳排放监测方法，其特征在于，包括：
S1，基于预设的采集点，获取不同位置上水体的水文特征；
S2，获取采集点对应的环境特征，并将采集到的水文特征根据不同的环境特征进行分类；
S3，根据不同分类下的水文特征，获取对应的气体排放数据，确定气体排放数据与水文特征之间的变化情况；
S4，基于气体排放数据与水文特征之间的关系，确定气体排放数据中第一排放数据与第二排放数据的比例；基于第一排放数据与第二排放数据的比例，确定环境特征与气体排放数据之间的关系；
S5，获取电量变化数据，基于环境特征与气体排放数据之间的关系，将电量变化数据与对应的水文特征、环境特征进行相联系，确定气体排放数据与电量变化数据之间的关系；
S6，根据不同特征之间的关联，调整碳排放处理布局。
3.如权利要求2所述的一种碳排放监测方法，其特征在于，步骤S3包括：
S31，基于不同环境特征对应的气体排放数据，确定气体排放数据的中的异常点；
S32，基于气体排放数据的异常点，提取异常点对应的环境特征；
S33，核对异常点的水文特征，比较异常点与非异常点的水文特征，确定水文特征之间的差异；
S34，根据水文特征之间的差异，确定气体排放数据与水文特征之间的相关性。
4.如权利要求2所述的一种碳排放监测方法，其特征在于，步骤S4包括：
S41，获取不同时间段内，第一排放数据与第二排放数据的排放量；
S42，确定不同环境特征下，第一排放数据与第二排放数据比例的变化量；
S43，基于第一排放数据和第二排放数据的比例，确定气体排放数据和环境特征之间的关系。
5.如权利要求2所述的一种碳排放监测方法，其特征在于，步骤S5包括：
S51，基于神经网络，建立电量与气体排放量之间的关系模型；
S52，基于电量变化数据的变化情况，确定在不同电量消耗或增加下电量与气体排放量之间的比例变化情况；
S53，根据电量与气体排放量之间比例的变化，确定不同环境特征下气体排放数据的变化情况；
S54，根据气体排放数据的变化情况，确定碳排放的变化趋势。
6.如权利要求2所述的一种碳排放监测方法，其特征在于，步骤S6包括：
S61，基于环境特征、水文特征、气体排放数据之间的关联，设置多组监测设备；
S62，基于监测设备的布设位置，确定监测时的关键点；
S63，对关键点进行评估，确定监测点的移动方式。
7.如权利要求4所述的一种碳排放监测方法，其特征在于，气体排放量与环境特征之间的关系包括：
G=（beta_0+beta_1×F_1+beta_2×F_2+...+beta_m×F_m+beta_{m+1}×k）
其中，G是气体排放量，（beta_0，beta_1，...，beta_{m+1}）是回归系数，（F_1，F_2，...，F_m）是环境特征，k是第一排放数据与第二排放数据的比例。
8.如权利要求6所述的一种碳排放监测方法，其特征在于，关键点的选择包括：
获取两组设备之间的交点，对所有的交点进行聚类分析，根据交点的密度，选择密度最大的区域中的交点作为关键点；比较每个关键点的相距位置，当关键点之间的距离大于预设阈值时，选择水文特征变化显著的关键点作为监测设备监测的关键点。
9.如权利要求6所述的一种碳排放监测方法，其特征在于，步骤S63的实现方式包括
S631，根据关键点的位置，获取对应位置的监测点；
S632，基于气体排放情况，确定监测点的设置方向；
S633，基于监测点上碳排放强度变化情况，确定监测点的最优设置方向；
S634，根据监测点的最优设置方向，确定监测点的移动轨迹和速度。
10.如权利要求3所述的一种碳排放监测方法，其特征在于，包括：比较异常点和非异常点在有机物浓度成分、溶解氧含量、水体温度和水体PH值等水文特征上的平均值或中位数，以确定水文特征在异常排放和非异常排放情况下的显著差异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797706.0A CN117451114B (zh) | 2023-12-26 | 2023-12-26 | 一种碳排放监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797706.0A CN117451114B (zh) | 2023-12-26 | 2023-12-26 | 一种碳排放监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117451114A true CN117451114A (zh) | 2024-01-26 |
| CN117451114B CN117451114B (zh) | 2024-02-27 |
Family
ID=89586003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311797706.0A Active CN117451114B (zh) | 2023-12-26 | 2023-12-26 | 一种碳排放监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117451114B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054222A (zh) * | 2010-12-10 | 2011-05-11 | 吉林大学 | 基于居民出行分析的城市机动车排放量化方法 |
| US20200284600A1 (en) * | 2019-03-07 | 2020-09-10 | Greenlines Technology Inc. | Methods and systems for conversion of physical movements to carbon units |
| CN112883644A (zh) * | 2021-02-10 | 2021-06-01 | 中国环境科学研究院 | 一种动态水环境管理方法 |
| CN114723179A (zh) * | 2022-05-24 | 2022-07-08 | 浙江省环境科技有限公司 | 一种基于水量水质联合管控的水环境预警溯源系统和方法 |
| CN114742294A (zh) * | 2022-04-09 | 2022-07-12 | 广州网文三维数字技术有限公司 | 一种碳排放预测的神经网络算法 |
| CN115047151A (zh) * | 2022-06-23 | 2022-09-13 | 湖北智慧综合能源产业技术研究有限公司 | 一种用于建筑物的碳排放监测系统 |
| CN115963041A (zh) * | 2022-12-26 | 2023-04-14 | 北京石油化工学院 | 一种大气环境中细颗粒物浓度与碳排放量之间关系的评价方法 |
| CN116187613A (zh) * | 2023-04-26 | 2023-05-30 | 广东埃文低碳科技股份有限公司 | 一种基于大数据的碳排放流实时监测系统及其方法 |
| CN116663918A (zh) * | 2023-05-19 | 2023-08-29 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种基于自下而上测算的分领域碳排放预测方法 |
-
2023
- 2023-12-26 CN CN202311797706.0A patent/CN117451114B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054222A (zh) * | 2010-12-10 | 2011-05-11 | 吉林大学 | 基于居民出行分析的城市机动车排放量化方法 |
| US20200284600A1 (en) * | 2019-03-07 | 2020-09-10 | Greenlines Technology Inc. | Methods and systems for conversion of physical movements to carbon units |
| CN112883644A (zh) * | 2021-02-10 | 2021-06-01 | 中国环境科学研究院 | 一种动态水环境管理方法 |
| CN114742294A (zh) * | 2022-04-09 | 2022-07-12 | 广州网文三维数字技术有限公司 | 一种碳排放预测的神经网络算法 |
| CN114723179A (zh) * | 2022-05-24 | 2022-07-08 | 浙江省环境科技有限公司 | 一种基于水量水质联合管控的水环境预警溯源系统和方法 |
| CN115047151A (zh) * | 2022-06-23 | 2022-09-13 | 湖北智慧综合能源产业技术研究有限公司 | 一种用于建筑物的碳排放监测系统 |
| CN115963041A (zh) * | 2022-12-26 | 2023-04-14 | 北京石油化工学院 | 一种大气环境中细颗粒物浓度与碳排放量之间关系的评价方法 |
| CN116187613A (zh) * | 2023-04-26 | 2023-05-30 | 广东埃文低碳科技股份有限公司 | 一种基于大数据的碳排放流实时监测系统及其方法 |
| CN116663918A (zh) * | 2023-05-19 | 2023-08-29 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种基于自下而上测算的分领域碳排放预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王维;郭瑞;: "航空器碳排放扩散模型研究及减碳效果分析", 环境工程, no. 08, 3 June 2016 (2016-06-03), pages 174 - 177 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117451114B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | A data-driven model for real-time water quality prediction and early warning by an integration method | |
| Grivas et al. | Artificial neural network models for prediction of PM10 hourly concentrations, in the Greater Area of Athens, Greece | |
| Alassery et al. | An artificial intelligence-based solar radiation prophesy model for green energy utilization in energy management system | |
| CN116630122B (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 | |
| CN115965496A (zh) | 流域水环境智慧化管理方法 | |
| Bhaskar et al. | Wind speed forecasting: Present status | |
| Zhang et al. | Assessment of hydropower sustainability: Review and modeling | |
| CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
| CN114723179A (zh) | 一种基于水量水质联合管控的水环境预警溯源系统和方法 | |
| CN112418487B (zh) | 一种小流域河湖污染物反向精准溯源方法及系统 | |
| CN115757367A (zh) | 一种小流域水生态环境精细化管控的方法及系统 | |
| CN115759488A (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 | |
| CN117170221A (zh) | 一种污水处理的人工智能控制系统 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| CN118013470B (zh) | 智慧环境环保监测数据综合录入分析方法及系统 | |
| CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
| CN116644957A (zh) | 一种基于气象和环境监测数据的城市空气污染预警方法 | |
| CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
| CN117451114B (zh) | 一种碳排放监测系统及方法 | |
| Ntshako et al. | Potable water quality monitoring: A survey of intelligent techniques | |
| CN117852757A (zh) | 基于dpsir模型的荒漠光伏生态环境效应评价方法 | |
| Chang et al. | Optimal evaluation of expansion alternatives for existing air quality monitoring network by grey compromise programing | |
| CN114814135B (zh) | 一种基于多元监测的河流水质污染溯源方法及系统 | |
| Kabi et al. | Leveraging IoT and machine learning for improved monitoring of water resources-a case study of the upper ewaso nyiro river | |
| CN118212970B (zh) | 一种基于时序和空间分布的蓝藻预测方法及系统 |
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 |