CN117609927B - 排碳机构的生产状态确定方法、装置与电子设备 - Google Patents
排碳机构的生产状态确定方法、装置与电子设备 Download PDFInfo
- Publication number
- CN117609927B CN117609927B CN202410094387.5A CN202410094387A CN117609927B CN 117609927 B CN117609927 B CN 117609927B CN 202410094387 A CN202410094387 A CN 202410094387A CN 117609927 B CN117609927 B CN 117609927B
- Authority
- CN
- China
- Prior art keywords
- carbon
- carbon emission
- time
- historical
- real
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 886
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 886
- 230000007246 mechanism Effects 0.000 title claims abstract description 370
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 306
- 238000007599 discharging Methods 0.000 title claims abstract description 235
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000005611 electricity Effects 0.000 claims description 409
- 230000009467 reduction Effects 0.000 claims description 87
- 230000008859 change Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 46
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 description 28
- 238000012216 screening Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 208000032368 Device malfunction Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- CREMABGTGYGIQB-UHFFFAOYSA-N carbon carbon Chemical compound C.C CREMABGTGYGIQB-UHFFFAOYSA-N 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000011203 carbon fibre reinforced carbon Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
Abstract
本公开涉及一种排碳机构的生产状态确定方法、装置与电子设备,涉及污染监管技术领域。包括:根据排碳机构在运作时产生的多个历史数据组,确定标准数据;标准数据是模型预测的所述排碳机构在当前应当产生的数据;确定该排碳机构当前产生的实时数据与该标准数据之间的误差;根据该误差与误差范围之间的比较关系,对该排碳机构的生产状态进行识别。使用本公开提出的排碳机构的生产状态确定方法,可以准确地识别出排碳机构的生产状态。
Description
技术领域
本公开涉及污染监管技术领域,具体地,涉及一种排碳机构的生产状态确定方法、装置与电子设备。
背景技术
在当前的大气污染治理中,会在排碳机构安装在线监测系统,在线监测系统实时监测排碳机构排放的碳排放量,在大气污染治理过程中起到了积极作用。
相关技术中,可以对排碳机构的生产状态进行识别,根据识别出的生产状态,预警排碳机构是否正常生产,然而,对排碳机构的生产状态的识别的准确性却相对较低。
发明内容
本公开的目的是提供一种排碳机构的生产状态确定方法、装置与电子设备,以解决上述技术问题。
为了实现上述目的,本公开实施例的第一方面提供一种排碳机构的生产状态确定方法,包括:
根据排碳机构在运作时产生的多个历史数据组,确定标准数据;所述标准数据是模型预测的所述排碳机构在当前应当产生的数据;
确定所述排碳机构当前产生的实时数据与所述标准数据之间的误差;
根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
可选地,多个所述历史数据组包括多个历史用电量序列,所述标准数据包括用电量变化范围;所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
确定多个所述历史用电量序列中处于第一时刻的历史用电量;多个所述历史用电量的最小值与最大值之间的范围作为所述第一时刻的用电量变化范围。
可选地,多个所述历史数据组包括多个历史用电量序列,所述标准数据包括标准用电量;所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
将多个所述历史用电量序列中的历史用电量作为用电量预测模型的训练样本,训练所述用电量预测模型;
将第二时刻的上一时刻的实时用电量作为所述用电量预测模型的输入参数,得到所述第二时刻的标准用电量。
可选地,多个所述历史数据组包括多个历史用电量序列与多个历史碳排放量序列,所述标准数据包括标准碳排放量;所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
将多个所述历史用电量序列中处于第一时刻的历史用电量,以及多个所述历史碳排放量序列中处于所述第一时刻的历史碳排放量,作为第一碳排放量预测模型的训练样本,训练所述第一碳排放量预测模型;
将所述第一时刻的实时用电量作为所述第一碳排放量预测模型的输入参数,得到所述第一时刻的标准碳排放量。
可选地,多个所述历史数据组包括多个历史用电量序列与多个历史碳排放量序列,所述标准数据包括标准碳排放量;所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
将多个所述历史用电量序列中的历史用电量与多个所述历史碳排放量序列中的历史碳排放量作为第二碳排放量预测模型的训练样本,训练所述第二碳排放量预测模型;
将第二时刻的实时用电量、所述第二时刻之前的P个时刻的实时用电量以及所述第二时刻之前P个时刻的实时碳排放量,作为所述第二时刻对应的第二碳排放量预测模型的输入参数,得到所述第二时刻的标准碳排放量,P大于或等于1,不同的第二时刻对应有不同的第二碳排放量预测模型。
可选地,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:在所述实时用电量位于用电量变化范围之内或所述实时用电量与所述标准用电量之间的误差位于所述误差范围之内的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构的监测设备故障或所述实时碳排放量虚假。
可选地,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:在所述实时用电量大于用电量变化范围中的最大值或所述实时用电量与所述标准用电量之间的误差大于误差范围中的最大值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构违规增产;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围的最大值,确定所述排碳机构违规增产,且确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构违规增产,且确定所述监测设备故障或所述实时碳排放量虚假。
可选地,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:在所述实时用电量小于用电量变化范围中的最小值或所述实时用电量与所述标准用电量之间的误差小于误差范围中的最小值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述监测设备故障或所述实时碳排放量虚假。
可选地,所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:
根据所述排碳机构未执行减排措施下的所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
可选地,所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:
根据减产下的所述误差与所述误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,所述减产包括不同减排比例下的减产。
可选地,所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
根据所述排碳机构在正常生产下的多个历史数据组,确定所述正常生产下的标准数据,和/或;
根据所述排碳机构在减产下的多个历史数据组,确定所述减产下的标准数据。
为了实现上述目的,本公开实施例的第二方面提供一种排碳机构的生产状态确定装置,包括:
参考数据确定模块,被配置为根据排碳机构在运作时产生的多个历史数据组,确定标准数据;所述标准数据是模型预测的所述排碳机构在当前应当产生的数据;
误差确定模块,被配置为确定所述排碳机构当前产生的实时数据与所述标准数据之间的误差;
生产状态识别模块,被配置为根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
为了实现上述目的,本公开实施例的第三方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开实施例的第一方面提供的一种排碳机构的生产状态确定方法的步骤。
通过上述技术方案,由于标准数据是模型根据排碳机构以往实际运行的历史数据组预测得到的排碳机构在当前实际应当产生的数据,所以可以根据实时数据与标准数据之间的误差,和误差范围之间的比较关系,从而准确确定出排碳机构当前的生产状态。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例提出的一种排碳机构的生产状态确定方法的步骤流程图。
图2是根据一示例性实施例提出的11组历史用电量序列的示意图。
图3是根据一示例性实施例提出的11组历史碳排放量序列的示意图。
图4是根据一示例性实施例提出的一种排碳机构的生产状态确定装置的框图。
图5是根据一示例性实施例提出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
相关技术中,可以对排碳机构的生产状态进行识别,根据识别出的生产状态,预警排碳机构是否正常生产,然而,对排碳机构的生产状态的识别的准确性却相对较低。可以理解的是,本文中的排碳机构指的是排出二氧化碳的机构,碳排放量也指的是二氧化碳排放量。
例如,排碳机构在消耗用电量的同时会产生碳排放量,可以将碳排放量与用电量作为排碳机构的用电比,再使用突变分析的方法对用电比进行分析,若排碳机构的用电比突然下降或突然增大,可以确定排碳机构异常生产。
但是该方法中默认各个小时的碳排放量与用电量强相关,即用电量大时碳排放量大,但是排碳机构在正常的生产环节中存在多个生产环节,各个生产环节的用电比存在较大差异,例如在生产环节A中碳排放量较大但用电量较小(用电比大),在生产环节B中碳排放量小但用电量大(用电比小),此时若判断排碳机构的生产状态是异常生产,明显与排碳机构的正常生产特性不符,会出现误判排碳机构异常生产的情况发生,其确定排碳机构的生产状态的准确性较低。
基于此,本公开提出一种排碳机构的生产状态确定方法,请参阅图1所示,该方法包括以下步骤:
在步骤S11中,根据排碳机构在运作时产生的多个历史数据组,确定标准数据;所述标准数据是用于确定所述排碳机构当前产生的实时数据是否异常的标准。
排碳机构可以是排污的企业、学校等排污单位。排碳机构中通常配备有排碳设备,排碳设备会消耗用电量来维持自身运作,运作时会产出一些碳排放量,因此,排碳机构在消耗用电量的同时也会相应产出碳排放量。
历史数据组包括排碳机构在以往运作时消耗的历史用电量与产出的历史碳排放量,一组历史数据组内包含有一组历史用电量序列与一组历史碳排放量序列,历史用电量序列指的是随着时间变化的多个历史用电量,历史碳排放量序列指的是随时间变化的多个历史碳排放量。
标准数据包括用电量预测模型根据排碳机构的历史用电量预测出的标准用电量,以及碳排放量预测模型根据排碳机构的历史碳排放量和/或历史用电量预测出的标准碳排放量,碳排放量预测模型包括后续提出的第一碳排放量预测模型与第二碳排放量预测模型。
排碳机构当前产生的实时数据包括排碳机构当前消耗的实时用电量与产生的实时碳排放量。
在步骤S12中,确定所述排碳机构当前产生的实时数据与所述标准数据之间的误差。
由于实时数据包括实时用电量与实时碳排放量,标准数据包括标准用电量与标准碳排放量,所以确定排碳机构当前产生的实时数据与标准数据之间的误差包括:确定排碳机构当前消耗的实时用电量与标准用电量之间的误差,以及确定排碳机构当前产生的实时碳排放量与标准碳排放量之间的误差。
可以理解的是,标准数据是模型预测出的排碳机构在当前应当正常产生的准确数据,所以若排碳机构当前产生的实时数据与标准数据之间相差较大时,则说明排碳机构产生的实时数据异常,排碳机构的生产状态异常。
在步骤S13中,根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
本公开提出以下至少一种方法来对排碳机构的生产状态进行识别:
由于标准数据是根据排碳机构在以往运作时产生的多个历史数据组得到的,所以标准数据是能体现排碳机构是否正常运作的一种评判标准,自然,在得到实时数据与标准数据之间的误差之后,可以根据误差与误差范围之间的比较关系,识别出排碳机构的生产状态是否异常。
通过上述技术方案,可以使用排碳机构在以往运作时产生的多个历史数据组来得到排碳机构在当前应当产生的标准数据,并将标准数据与实时数据之间的误差来与误差范围进行比较,来识别出排碳机构的生产状态。在此过程中,由于标准数据是根据排碳机构以往实际运行的历史数据组得到,所以标准数据能够体现排碳机构以往的正常生产特性,将实时数据与标准数据比较,能够体现实时数据是否符合以往的生产特性,从而准确确定出排碳机构当前的生产状态。
在确定排碳机构的生产状态是否异常之前,需要得到符合排碳机构的生产特性的目标生产周期;再将排碳机构产生的多个历史数据划分为目标生产周期的多个历史数据组;再根据多个历史数据组得到能够代表排碳机构生产特性的基准数据组;最后根据多个历史数据组与基准数据组之间的比较关系,剔除多个历史数据组中异常的历史数据组,得到正常的历史数据组;再根据正常的历史数据组来对用电量预测模型与碳排放量预测模型进行训练,得到训练后的用电量预测模型与碳排放量预测模型;最后利用训练完毕的模型预测排碳机构在当前应当产生的标准数据,将标准数据与排碳机构产生的实时数据进行比较,来确定排碳机构的生产状态。
下面先介绍如何得到符合排碳机构的生产特性的目标生产周期,可以通过以下两种方案来得到排碳机构的目标生产周期。
第一种方案,通过傅里叶谐波分析方法对排碳机构产生的历史数据进行周期分析,初步得到第一备选生产周期与第二备选生产周期;再利用相关性分析方法,从第一备选生产周期与第二备选生产周期中,筛选出目标生产周期。
可以先计算生产周期为第一备选生产周期的多个第一历史数据组中的历史用电量序列与历史碳排放量序列之间的第一相关值;再计算生产周期为第二备选生产周期的多个第二历史数据组中的历史用电量序列与历史碳排放量序列之间的第二相关值;最后从第一相关值与第二相关值中,筛选出最大相关值对应的备选生产周期,作为目标生产周期。
对于第一备选生产周期而言,可以先将排碳机构的历史数据划分为多组生产周期为第一备选生产周期的第一历史数据组,多组第一历史数据组包括多个历史用电量序列与多个历史碳排放量序列。再计算每组历史用电量序列的用电量平均值,得到第一历史用电量平均值,多个历史用电量序列分别对应的第一历史用电量平均值组成第一历史用电量平均值序列;再计算每组历史碳排放量序列的碳排放量平均值,得到第一历史碳排放量平均值,多个历史碳排放量序列分别对应的第一历史碳排放量平均值组成第一历史碳排放量平均值序列;最后计算第一历史用电量平均值序列与第一历史碳排放量平均值序列之间的第一相关值。
对于第二备选生产周期而言,可以先将排碳机构的历史数据组划分为多组生产周期为第二备选生产周期的第二历史数据组,多组第二历史数据组包括多个历史用电量序列与多个历史碳排放量序列。再计算每组历史用电量序列的用电量平均值,得到第二历史用电量平均值,多个历史用电量序列分别对应的第二历史用电量平均值组成第二历史用电量平均值序列;再计算每组历史碳排放量序列的碳排放量平均值,得到第二历史碳排放量平均值,多个历史碳排放量序列分别对应的第二历史碳排放量平均值组成第二历史碳排放量平均值序列;最后计算第二历史用电量平均值序列与第二历史碳排放量平均值序列之间的第二相关值。
从第一相关值与第二相关值中,筛选出最大相关值对应的备选生产周期,作为目标生产周期。
可以理解的是,若得到的目标生产周期越接近排碳机构的实际生产周期,排碳机构产生的历史用电量序列与历史碳排放量序列之间的相关值也就越大,历史用电量序列与历史碳排放量序列之间的相互影响性也越大。因此,从第一相关值与第二相关值中,筛选出的最大相关值对应的目标生产周期可以接近排碳机构的实际生产周期,从而使得得到的目标生产周期的准确性更高。
第二种方案,直接利用相关性分析方法对排碳机构产生的历史数据进行周期分析,得到目标生产周期。
可以计算生产周期为多个不同的第三备选生产周期的第三历史数据组对应的第三相关值,第三相关值是第三历史用电量平均值序列与第三历史碳排放量平均值序列之间的相关值;再从多个第三相关值中筛选出首次出现的最大相关值对应的第三备选生产周期,作为排碳机构的目标生产周期。不同的第三备选生产周期对应的第三相关值不同。
可以先将排碳机构产生的历史数据按照不同的第三备选生产周期进行划分,得到生产周期为不同的第三备选生产周期的第三历史数据组,每组第三历史数据组包括历史用电量序列与历史碳排放量序列。
对于多个第三历史数据组中的每个历史数据组,确定每组历史用电量序列的用电量平均值,得到第三历史用电量平均值,多个历史用电量序列分别对应的第三历史用电量平均值组成第三用电量平均值序列;再确定每组历史碳排放量序列的碳排放量平均值,得到第三历史碳排放量平均值,多个历史排放量序列分别对应的第三历史碳排放量平均值组成第三历史碳排放量平均值序列;最后计算第三历史用电量平均值序列与第三历史碳排放量平均值序列之间的第三相关值。
将多个第三相关值按照第三备选生产周期从小到大的顺序进行排列,并从多个第三相关值中,筛选出首次出现的最大相关值对应的第三备选生产周期,作为目标生产周期。
从多个第三相关值中,筛选出首次出现的最大相关值包括:将多个第三相关值按照第三备选生产周期从小到大的顺序进行排列,在当前的第三相关值大于前后D个第三相关值,并且当前的第三相关值C倍的第三相关值也大于前后D个第三相关值时,则将当前的第三相关值对应的第三备选生产周期,作为目标生产周期,D大于1,C大于1。
例如,有110个历史数据,将第三备选生产周期按照1、2、3、4、5…,110按照从小到大的顺序排列,并依次计算各个第三备选生产周期对应的第三相关值,最终确定出第三备选生产周期为5时的第三相关值,明显大于第三备选生产周期为1、2、3、4的第三相关值,也大于第三备选生产周期为6、7、8、9的第三相关值。同时第三备选生产周期为10的第三相关值,也明显大于第三备选生产周期为6、7、8、9的第三相关值,也大于第三备选生产周期为11、12、13、14的第三相关值。
可见,虽然第三备选生产周期为5时出现了最大相关值,但是第三备选生产周期为10时也会出现最大相关值,同样地,在第三备选生产周期为15、20、25、30、35等第三备选生产周期上也会出现最大相关值,因此本公开将会从多个最大相关值中,将首次出现的最大相关值对应的第三备选生产周期5作为目标生产周期。
通过上述技术方案,第一种方案先利用傅里叶谐波分析方法初步确定第一备选生产周期与第二备选生产周期,再利用相关性分析方法从第一备选生产周期与第二备选生产周期中,筛选出更加接近排碳机构的实际生产周期的目标生产周期,使得得到的目标生产周期中的历史用电量序列与历史碳排放量序列之间的相关性较强,更加符合排碳机构正常生产的特性。可以理解的是,第一种方案中的傅里叶谐波分析方法也可以替换为小波分析等其他周期确定方法,本公开对此不做限制。
通过第二种方法,直接利用相关性分析方法从多个第三备选生产周期中逐个筛选出符合排碳机构生产特性的目标生产周期,使得得到的目标生产周期中的历史用电量序列与历史碳排放量序列之间的相关性较强,并且由于存在较多不同的第三备选生产周期,所以多个不同的第三备选生产周期中存在更加接近实际生产周期的目标生产周期,所以直接采用相关性分析方法,能够得到更加准确的目标生产周期。
下面介绍如何根据生产周期为目标生产周期的历史数据组,来得到能够代表排碳机构生产特性的基准数据组。
(1)根据多个目标生产周期下的历史数据组或上次迭代筛选得到的目标备选数据组来得到对比数据组。
可以先确定多个历史数据组或上次迭代筛选得到的目标备选数据组中,处于同一时刻的历史数据的历史数据平均值;不同时刻的历史数据平均值组成对比数据组。
确定多个历史数据组或上次迭代筛选得到的目标备选数据组中,处于同一时刻的历史数据的第一平均值包括:确定多个历史用电量序列或上次迭代筛选得到的目标备选用电量序列中,处于同一时刻的历史用电量的用电量平均值,不同时刻的用电量平均值组成了对比数据组中的对比用电量序列。
确定多个历史数据组或上次迭代筛选得到的目标备选数据组中,处于同一时刻的历史数据的第一平均值包括:确定多个历史碳排放量序列或上次迭代筛选得到的目标备选碳排放量序列中,处于同一时刻的历史碳排放量的碳排放量平均值,不同时刻的碳排放量平均值组成了对比数据组中的对比碳排放量序列。
(2)分别确定多个历史数据组与对比数据组之间的第四相关值与平均值误差。
对于第四相关值而言,可以确定每个历史数据组中的历史用电量序列与对比数据组中的对比用电量序列之间的第四相关值,以及每个历史数据组中的历史碳排放量序列与对比数据组中的对比碳排放量序列之间的第四相关值。如此,便得到了每个历史数据组与对比数据组之间的第四相关值。
对于平均值误差而言,可以确定每个历史数据组中的历史用电量序列的用电量平均值与对比数据组中的对比用电量序列的用电量平均值之间的误差,以及每个历史数据组中的历史碳排放量序列的碳排放量平均值与对比数据组中的对比碳排放量序列的碳排放量平均值之间的误差。如此,便得到了每个历史数据组与对比数据组之间的平均值误差。
(3)根据第四相关值与平均值误差,确定目标备选数据组。
根据第四相关值与平均值误差确定目标备选数据组包括以下两种方案。
第一种方案,从多个历史数据组或上次筛选得到的目标备选数据组中,筛选出第四相关值大于相关阈值,且平均值误差在预设误差范围之间的第一备选数据组;将多个第一备选数据组按照第四相关值从大到小的顺序排列,从多个第一备选数据组中筛选出位于前N个的目标备选数据组,N大于或等于1。
第二种方案,从多个历史数据组或上次筛选得到的目标备选数据组中,筛选出第四相关值大于相关阈值,且平均值误差在预设误差范围之间的第一备选数据组;再将多个第一备选数据组按照第四相关值从大到小的顺序排列,从多个第一备选数据组中筛选出位于前N个的第二备选数据组;再将多个第二备选数据组按照平均值误差从小到大的顺序排列,从第二备选数据组中筛选出位于前M个的目标备选数据组,M大于或等于1。
可以理解的是,上述N与M可以不仅限于具体数值,其也可以释义为数据组的百分比,例如可以从多个第一备选数据组中筛选出位于前10%的第二备选数据组,从多个第二备选数据组中筛选出位于前10%的目标备选数据组,本公开对此不做限制。
(4)在目标备选数据组不满足迭代条件时,重复上述步骤(1)至(3),直至目标备选数据组满足迭代条件;在目标备选数据组满足迭代条件时,根据目标备选数据组来得到基准数据组。
迭代条件包括:条件A,迭代得到的目标备选数据组不再变化;条件B,迭代次数达到预设次数,每次迭代得到的目标备选数据组相同,且所述相同的目标备选数据组占据历史数据组的比例达到预设比例中的任意一种迭代条件。
对于条件A而言,以初始的历史数据组具有11组为例,在经历了多次迭代之后,后续的每次迭代筛选出的目标备选数据组中均包含有第1组历史数据组与第2历史数据组,其目标备选数据组不再产生变化,则会根据第1历史数据组与第2历史数据组,来得到基准数据组。
对于条件B而言,以初始的历史数据组具有11组,迭代次数为10次,预设比例为5%为例,在达到10次迭代次数的上限之后,若之前10次迭代的目标备选数据组中均包含有第1组历史数据组与第2组历史数据组,且相同的历史备选数据组占据历史数据组的比例为18%,达到了预设比例5%,则会根据第1历史数据组与第2历史数据组,来得到基准数据组。
在得到满足迭代条件的目标备选数据组为一个时,该目标备选数据组则是基准数据组;在得到满足迭代条件的目标备选数据组为多个时,则将目标备选数据组中处于同一时刻的历史数据的平均值作为基准数据组中该时刻的基准数据。
通过上述技术方案,可以将多个历史数据组与每次迭代得到的对比数据组进行比较,来从多个历史数据组中得到符合排碳机构生产特性的基准数据组,在此过程中,由于每次与历史数据组比较的对比数据组,都是根据上次迭代筛选出的目标备选数据组得到的,所以得到的对比数据组会不断地逼近排碳机构正常生产时的生产特性,那么与对比数据组进行比较后筛选出的目标备选数据组也会不断地逼近排碳机构的正常生产特性。
下面介绍如何根据多个历史数据组与基准数据组之间的比较关系,将多个历史数据组划分为不同类别的历史数据组。
第一种数据组识别方法,在同时满足以下多个条件时,确定历史数据组为正常历史数据组:
A1,历史数据组与基准数据组之间的相关值大于相关阈值。其包括:历史数据组内的历史用电量序列与基准数据组内的基准用电量序列之间的相关值大于相关阈值,且历史数据组内的历史碳排放量序列与基准数据组内的基准碳排放量序列之间的相关值大于相关阈值。
A2,历史数据组与基准数据组之间的平均值误差在预设误差范围之内。其包括:历史数据组内的历史用电量序列的用电量平均值与基准数据组的基准用电量序列的用电量平均值之间的误差在预设误差范围之内,且历史数据组内的历史碳排放量序列的碳排放量平均值与基准数据组内的基准碳排放量序列的碳排放量平均值之间的误差在预设误差范围之内。
A3,历史数据组内的历史数据的逐时变化率与基准数据组内的基准数据的逐时变化率之间的误差在预设变化率范围之内。其包括:历史数据组内的历史用电量的逐时变化率与基准数据组内的基准用电量的逐时变化率之间的误差在预设变化率范围之内,且历史数据组内的历史碳排放量的逐时变化率与基准数据组内的基准碳排放量的逐时变化率之间的误差在预设变化率范围之内。
上述三种条件中,条件A1只能确定排碳机构产生的历史数据组的变化趋势与基准数据组的变化趋势相近,但该历史数据组代表的是正常生产、减产还是增产中的哪种数据,还需要条件A2进一步地判断;条件A2可以确定历史数据组与基准数据组之间的误差较小,由于基准数据组代表了排碳机构正常生产下的数据,所以若历史数据组与基准数据组之间的误差较小,同样可以说明历史数据组代表了排碳机构正常生产下的数据;条件A3可以确定历史数据组内的历史数据的逐时变化率与基准数据组内的基准数据的逐时变化率之间的误差较小,所以可以确定历史数据组内不存在异常数据。
第二种数据组识别方法,在满足以下多个条件的情况下,确定历史数据组为减产或增产的历史数据组:
B1,历史数据组与基准数据组之间的相关值大于相关阈值。
B2,历史数据组与基准数据组之间的平均值误差在预设误差范围之外,且历史数据组内的历史数据同比基准数据组内的基准数据的变化趋势相同。其包括:历史数据组内的历史用电量序列的用电量平均值与基准数据组内的基准用电量序列的用电量平均值之间的误差在预设误差范围之外,且历史数据组内的历史碳排放量序列的碳排放量平均值与基准数据组内的基准碳排放量序列的碳排放量平均值之间的误差在预设误差范围之外。
历史数据组内的历史数据同比基准数据组内的基准数据的变化趋势一致包括:历史数据组内的历史数据同比基准数据组内的基准数据均增大,或历史数据组内的历史数据同比基准数据组内的基准数据均减小。
例如,历史数据组内的历史用电量序列的用电量平均值比基准数据组内的基准用电量序列的用电量平均值大,且历史数据组内的历史碳排放量序列的碳排放量平均值比基准数据组内的基准碳排放量序列的碳排放量平均值大,说明二者同向增长,此时可以说明历史数据组内的数据是排碳机构的增产数据。
例如,历史数据组内的历史用电量序列的用电量平均值比基准数据组内的基准用电量序列的用电量平均值小,且历史数据组内的历史碳排放量序列的碳排放量平均值比基准数据组内的基准碳排放量序列的碳排放量平均值小,说明二者同向减小,此时可以说明历史数据组内的数据是排碳机构的减产数据。
B3,历史数据组内的历史数据的逐时变化率与基准数据组内的基准数据的逐时变化率之间的误差在预设变化率范围之内。
上述三种条件中,条件B1只能确定排碳机构产生的历史数据组的变化趋势与基准数据组的变化趋势相近,但该历史数据组代表的是正常生产、减产还是增产中的哪种数据,还需要条件B2进一步地判断;条件B2可以确定历史数据组与基准数据组之间的误差较大,由于基准数据组代表了排碳机构正常生产下的数据,所以若历史数据组与基准数据组之间的误差较大,且历史数据组内的历史数据同比基准数据组内的基准数据的变化趋势相同,可以说明历史数据组代表了排碳机构减产或增产下的数据;条件B3可以确定历史数据组内的历史数据的逐时变化率与基准数据组内的基准数据的逐时变化率之间的误差较小,所以可以确定历史数据组内不存在异常数据。
第三种数据组识别方法,在满足以下任意一个条件的情况下,确定历史数据组为异常的历史数据组:
C1,历史数据组与基准数据组之间的相关度小于相关阈值。其包括:历史数据组内的历史用电量序列与基准数据组内的基准用电量序列之间的相关值小于相关阈值,和/或历史数据组内的历史碳排放量序列与基准数据组内的基准碳排放量序列之间的相关值小于相关阈值。
C2,历史数据组内的历史数据的逐时变化率与基准数据组内的基准数据的逐时变化率之间的误差在预设变化率范围外。其包括:历史数据组内的历史用电量的逐时变化率与基准数据组内的基准用电量的逐时变化率之间的误差在预设变化率范围之外,和/或历史数据组内的历史碳排放量的逐时变化率与基准数据组内的基准碳排放量的逐时变化率之间的误差在预设变化率范围之外。
上述两种条件中,条件C1可以确定排碳机构产生的历史数据组的变化趋势与基准数据组的变化趋势不相近,此时可以确定历史数据组中包含有异常数据;条件C2可以确定历史数据组内包含有异常数据。
通过上述技术方案,可以将生产周期为目标生产周期的多个历史数据组划分为正常生产、减产、增产与异常等不同类别的历史数据组,那么后续在训练碳排放量预测模型时,则会使用正常生产、减产与增产下正常的历史数据组来对碳排放量预测模型进行训练,而不会使用异常的历史数据组来对碳排放量预测模型进行训练,从源头上保证了模型训练的数据来源的准确性,提高了训练得到的碳排放量预测模型的准确性。
下面介绍上述步骤S11至步骤S13涉及到的具体实施例,该具体实施例用于解释在排碳机构当前未执行减排措施或执行了减排措施的情况下,如何对排碳机构的生产状态进行异常识别。
可以从排碳机构历史一段时间内的多个历史数据组中筛选出正常生产的历史数据组并根据正常生产下的历史数据组来得到正常生产下的标准数据;最后将排碳机构未执行减排措施下的实时数据与正常生产下的标准数据进行比较。
也可以从排碳机构历史一段时间内的多个历史数据组筛选出减产的历史数据组,根据减产下的历史数据组来得到减产下的标准数据;最后将排碳机构执行减排措施时的实时数据与减产下的标准数据进行比较,来提高识别排碳机构生产状态异常的准确性。
为了提高空气质量,地方会发布减排通知,减排通知中包含有城市中排碳机构需要执行的减排比例。排碳机构在得到减排通知后,会按照减排通知中发布的减排比例进行减排,以减少碳排放量的排放,从而保证城市空气质量。减排比例指的是减少的碳排放量所占据的比例。
在排碳机构未执行减排措施的情况下,对排碳机构的生产状态的整体判断过程可以包括以下步骤:
(1)对排碳机构在运作时产生的多个历史数据进行异常识别,得到正常生产下的多个历史数据组。
排碳机构一段历史时长内产生的历史数据被划分为多个历史数据组,每个历史数据组的周期长度保持一致;再识别多个历史数据组中每个历史数据组中的异常碳排放量,得到排碳机构未执行减排措施且正常生产下的多个历史数据组。
例如,排碳机构产生了80个历史数据,80个历史数据被划分为8个周期长度为10h的历史数据组,再从8个历史数据组中筛选出正常生产时的多个历史数据组。
(2)根据排碳机构在正常生产下的多个历史数据组,得到排碳机构在正常生产下的标准数据。
正常生产下的标准数据用于与正常生产下的实时数据比较,用于评判排碳机构在未执行减排措施下产生的实时数据是否异常。
(3)确定排碳机构当前产生的实时数据与正常生产下的标准数据之间的误差。
(4)根据排碳机构未执行减排措施下的所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
排碳机构未执行减排措施时的生产状态可以是正常生产或违规增产,由于不清楚排碳机构是正常生产状态还是违规增产状态,所以还需要进一步对排碳机构的生产状态进行识别。
将排碳机构未执行排污措施时的实时数据与未执行减排措施时得到的标准数据进行比较,从而确定排碳机构当前未执行减排措施时的生产特性,是否与预测出的准确的正常生产特性相互匹配。若二者的生产特性不匹配,则说明排碳机构当前的生产特性可能是违规增产;若二者的生产特性匹配,则说明排碳机构的生产特性是正常生产。
在一些场景中,以排碳机构在以往一段时间内,在未执行减排措施且处于正常生产状态下产生了80个历史数据为例,可以将80个历史数据划分为8个历史数据组,再根据8个历史数据组,得到能够体现排碳机构未执行减排措施且处于正常生产状态的标准数据,那么当排碳机构当前产生的实时数据与标准数据相差较大时,说明排碳机构当前的生产状态并非是正常生产状态,并且由于排碳机构当前未执行减排措施,所以确定排碳机构可能处于违规增产状态。
在排碳机构执行减排措施的情况下,对排碳机构的生产状态的整体判断过程可以包括以下步骤:
(1)对所述排碳机构在运作时产生的多个历史数据进行异常识别,得到减产下的多个历史数据组。
可以先将排碳机构产生的一段历史时长内的历史数据划分为多个历史数据组,每个历史数据组的周期长度一致,均为目标生产周期;再对多个历史数据组中的每个历史数据组进行碳排放量的异常识别,得到排碳机构未执行减排措施且减产下的多个历史数据组。
例如,排碳机构产生了80个历史数据,可以先将80个历史数据按照10的目标生产周期划分为8个历史数据组,再从8个历史数据组中筛选出减产时的多个历史数据组。
(2)根据所述排碳机构在减产下的多个历史数据组,确定所述减产下的标准数据。
减产下的标准数据用于与减产下的实时数据比较,用于评判排碳机构在执行减排措施进行减排时产生的实时数据是否异常。
(3)确定排碳机构当前产生的实时数据与减产下的标准数据之间的误差。
(4)根据减产下的所述误差与所述误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,所述减产包括不同减排比例下的减产。
排碳机构执行减排措施时的生产状态可以是减产或者是相较于减产提出的减排比例下违规增产,由于不清楚排碳机构是正常生产状态还是违规增产状态,所以需要进一步对排碳机构的生产状态进行识别。
可以将排碳机构执行了减排措施时的实时数据与执行减排措施时得到的标准数据进行比较,从而确定排碳机构执行减排措施时的生产特性,是否与预测出的准确的减产状态匹配。若二者的生产特性匹配,说明排碳机构的生产特性是减产;若二者的生产特性不匹配,说明排碳机构当前排放的碳排放量相较于减排通知发布的碳排放量更多,排碳机构处于违规增产的状态。
在一些场景下,以排碳机构在以往一段时间内,执行了减排措施产生了80个历史数据为例,可以将80个历史数据划分为8个历史数据组,再根据8个历史数据组,得到能够体现排碳机构执行了减排措施的标准数据。那么当排碳机构当前产生的实时数据与标准数据相差较大时,说明排碳机构当前的生产状态并非是减产状态,其正在违规增产。
当然,减排通知发布的减排比例并非是固定不变的,发布的减排通知中指示的可以是10%、20%与30%等减排比例中的任意一种减排比例,因此在判断排碳机构的生产状态是否是减产状态时,需要将排碳机构在同一减排比例下产生的实时数据与标准数据进行比较,才能确定排碳机构在该减排比例下是否是减产状态。
例如,在判断排碳机构在30%的减排比例下是否是减产时,是将排碳机构在30%减排比例下的实时数据,与30%减排比例下的标准数据进行比较,才能确定排碳机构在30%的减排比例下是否是减产。
通过上述技术方案,在第一种场景下,将排碳机构正常生产状态下本应产生的标准数据与排碳机构在未执行减排措施时的实时数据进行比较,可以确定出排碳机构当前未执行减排措施时的生产状态是正常生产还是违规增产。
在第二种场景下,将排碳机构减产状态下本应产生的标准数据与排碳机构在执行减排措施时的实时数据进行比较,可以准确地确定出排碳机构当前执行减排措施时的生产状态是减产还是违规增产。也就是说,在排碳机构当前所处的生产场景不同时,会将排碳机构在该生产场景下本应产生的标准数据来与实时数据比较,从而使得确定出的排碳机构的生产状态的准确性更高。
下面介绍上述步骤S13涉及到的具体实施例,该实施例用于释义如何基于实时数据与标准数据之间的误差和误差范围之间的比较关系,来确定生产状态是否异常。
(1)根据排碳机构在运作时产生的多个历史数据组,确定标准数据。
标准数据包括第一时刻的用电量变化范围、第二时刻的标准用电量、第一时刻的标准碳排放量与第二时刻的标准碳排放量。第一时刻是排碳机构的生产周期中的首个时刻,第二时刻是排碳机构以目标生产周期为周期长度的生产周期中除去首个时刻之外的任意一个时刻。
对于第一时刻的用电量变化范围而言,可以确定多个所述历史用电量序列中处于第一时刻的历史用电量;多个所述历史用电量的最小值与最大值之间的范围作为第一时刻的用电量变化范围。
请参阅图2所示,假设排碳机构在一段历史时长内产生了110个历史用电量,若目标生产周期为10,则会将110个历史用电量划分为11组历史用电量序列。若第一时刻是图2中的1点,则会先确定11个历史用电量序列中处于1点的11个历史用电量,再将11个历史用电量中的最小值40与最大值80之间的范围作为第一时刻的用电量变化范围[40,80]。
对于第二时刻的标准用电量而言,可以将多个所述历史用电量序列中的历史用电量作为用电量预测模型的训练样本,训练所述用电量预测模型;将第二时刻的上一时刻的实时用电量作为所述用电量预测模型的输入参数,得到第二时刻的标准用电量。其中,一组训练样本包含一组历史用电量序列中处于第二时刻的上一时刻的历史用电量以及第二时刻的历史用电量。
训练第二时刻的用电量预测模型时,可以将每个历史用电量序列中第二时刻的上一时刻的历史用电量作为训练样本中的自变量,将第二时刻的历史用电量作为训练样本中的因变量,在用电量预测模型输出的第二时刻的预测用电量与第二时刻的历史用电量之间的误差不满足收敛条件时,再执行上述步骤,直至用电量预测模型输出的预测用电量与历史用电量之间的误差满足收敛条件,如此,得到训练完毕的用电量预测模型。
例如,请参阅图2所示,以每组历史用电量序列包含有10个历史用电量为例,可以将1点的历史用电量输入至用电量预测模型,在用电量预测模型输出的2点的预测用电量与2点实际的历史用电量之间的误差不满足收敛条件时,进行下一轮训练,将2点的历史用电量输入至用电量预测模型,在用电量预测模型输出的3点的预测用电量与3点实际的历史用电量之间的误差不满足收敛条件时,进行下一轮训练…,反复执行训练步骤,直至得到的用电量预测模型能够输出与第二时刻实际的历史用电量接近的预测用电量。
第二时刻的用电量预测模型通过以下公式表达:
Pt+1=f(Pt)(t≥1) (1)
其中,Pt+1是t+1时刻的标准用电量;Pt是t时刻的实时用电量;f(Pt)为关于Pt的函数。
从上述公式(1)可以看出,在第二时刻的用电量预测模型训练完毕后,输入第二时刻的上一时刻的实时用电量,即可预测出第二时刻的标准用电量。第二时刻的标准用电量是用电量预测模型学习了排碳机构上一时刻的历史用电量与下一时刻的历史用电量之间的关联关系后,得到的排碳机构在第二时刻应当正常消耗的准确用电量,是用于衡量排碳机构在第二时刻产生的实时用电量是否符合标准的判断依据。
可以理解的是,利用上一时刻的历史用电量与下一时刻的历史用电量来训练用电量预测模型的原因在于:排碳机构在一定历史时长内产生的上一时刻的历史用电量与下一时刻的历史用电量之间是强相关的,上一时刻的历史用电量会影响到下一时刻的历史用电量,例如上一时刻的历史用电量增大,下一时刻的历史用电量是在上一时刻的历史用电量的基础上适当减少或适当增多或者不变,如此,便可以利用上一时刻的历史用电量与下一时刻的历史用电量来训练用电量预测模型,使得用电量预测模型学习相邻两个时刻的历史用电量之间的关联关系,当用电量预测模型接收到排碳机构产生的上一时刻的实时用电量时,才会预测出排碳机构在下一时刻产生的准确的标准用电量。
对于第一时刻的标准碳排放量而言,将多个所述历史用电量序列中处于第一时刻的历史用电量,以及多个所述历史碳排放量序列中处于所述第一时刻的历史碳排放量,作为第一碳排放量预测模型的训练样本,训练所述第一碳排放量预测模型;将所述第一时刻的实时用电量作为所述第一碳排放量预测模型的输入参数,得到所述第一时刻的标准碳排放量。其中,一组训练样本包含一组历史用电量序列中处于第一时刻的历史用电量以及处于一组历史碳排放量序列中处于第一时刻的历史碳排放量。
训练第一时刻的第一碳排放量预测模型时,可以将多个历史用电量序列中处于第一时刻的历史用电量作为训练样本中的自变量,将多个历史碳排放量序列中处于第一时刻的历史碳排放量作为训练样本中的因变量,在第一碳排放量预测模型输出的第一时刻的预测碳排放量与第一时刻的历史碳排放量之间的误差不满足收敛条件时,再执行上述步骤,直至第一碳排放量预测模型输出的预测碳排放量与历史碳排放量之间的误差满足收敛条件,如此,得到训练完毕的第一碳排放量预测模型。
例如,请参阅图2与图3所示,以11组历史用电量序列均包含有10个历史用电量,11组历史碳排放量序列均包含有10个历史碳排放量为例,可以第1组历史用电量序列中位于1点的历史用电量输入至第一碳排放量预测模型,得到预测碳排放量;在预测碳排放量与第1组历史碳排放量序列中处于1点的历史碳排放量之间的误差不满足收敛条件时,进行下一轮训练,将第2组历史用电量序列中位于1点的历史用电量输入至第一碳排放量预测模型,得到预测碳排放量,在预测碳排放量与第2组历史碳排放量序列中处于1点的历史碳排放量之间的误差不满足收敛条件时,进行下一轮训练…,反复执行训练步骤,直至得到的第一碳排放量预测模型能够输出与实际的历史碳排放量接近的预测碳排放量。
第一时刻的第一碳排放量预测模型通过以下公式表达:
E1=f(P1)(2)
其中,f(P1)是关于P1的函数;P1是第一时刻的实时用电量,E1是第一时刻的标准碳排放量。
从公式(2)可以看出,在第一时刻的第一碳排放量预测模型训练完成后,输入第一时刻的实时用电量,即可预测出第一时刻的标准碳排放量。第一时刻的标准碳排放量是第一碳排放量预测模型学习了排碳机构每组历史数据组中第一时刻的历史用电量与历史碳排放量之间的关联关系后,得到的排碳机构在第一时刻应当正常产生的准确碳排放量,是用于衡量排碳机构在第一时刻产生的实时碳排放量是否符合标准的判断依据。
可以理解的是,由于第一时刻的碳排放量不受之前时刻的影响,所以训练第一时刻的第一碳排放量预测模型时,是采用第一时刻的历史用电量与第一时刻的历史碳排放量作为训练样本进行训练。
对于第二时刻的标准碳排放量而言,将多个所述历史用电量序列中的历史用电量与多个所述历史碳排放量序列中的历史碳排放量作为第二碳排放量预测模型的训练样本,训练所述第二碳排放量预测模型;将第二时刻的实时用电量、所述第二时刻之前的P个时刻的实时用电量以及所述第二时刻之前P个时刻的实时碳排放量,作为所述第二时刻对应的第二碳排放量预测模型的输入参数,得到所述第二时刻的标准碳排放量,P大于或等于1,不同的第二时刻对应有不同的第二碳排放量预测模型。其中,一组训练样本包含两组历史数据组中,上一组历史数据组中位于第二时刻之前的历史用电量与历史碳排放量,以及下一组历史数据组中位于第二时刻的历史用电量与历史碳排放量。
训练第二时刻的第二碳排放量预测模型时,可以将上一组历史用电量序列中位于第二时刻之前的历史用电量、上一组历史碳排放量序列中位于第二时刻之前的历史碳排放量以及下一组历史用电量序列中位于第二时刻时的历史用电量作为训练样本中的自变量,将下一组历史用电量序列中位于第二时刻的历史碳排放量作为训练样本中的因变量,在第二碳排放量预测模型输出的预测碳排放量与第二时刻实际的历史碳排放量之间的误差不满足收敛条件时,再次执行上述步骤,直至第二碳排放量预测模型输出的预测碳排放量与历史碳排放量之间的误差满足收敛条件,如此,得到训练完毕的第二碳排放量预测模型。
例如,请参阅图2与图3所示,以11组历史数据组,11组历史数据组分别包含11组历史用电量序列与11组历史碳排放量序列,11组历史用电量序列均包含有10个历史用电量,11组历史碳排放量序列均包含有10个历史碳排放量为例。
在预测2点的预测碳排放量时,可以将第一组历史数据组中1点的历史用电量、1点的历史碳排放量与2点的历史用电量输入至第二碳排放量预测模型;在用电量预测模型输出的2点的预测碳排放量与2点实际的历史碳排放量之间的误差不满足收敛条件时,进行下一轮训练,将第二组历史数据组中1点的历史用电量、1点的历史碳排放量与2点的历史用电量输入至第二碳排放量预测模型,在第二碳排放量预测模型输出的2点的预测碳排放量与2点实际的历史碳排放量之间的误差不满足收敛条件时,进行下一轮训练,反复执行上述步骤,直至得到第二碳排放量预测模型能够输出与实际的2点的历史碳排放量接近的预测碳排放量,如此,便得到了2点对应的第二碳排放量预测模型。类似地,采用上述相同的方法,可以得到3点、4点、5点等不同第二时刻分别对应的第二碳排放量预测模型。
可见,在训练第二时刻的第二碳排放量预测模型时,是将第二时刻之前所有的历史用电量、历史碳排放量以及第二时刻的历史用电量作为训练样本中的自变量,将第二时刻的历史碳排放量作为训练样本中的因变量来对第二碳排放量预测模型进行训练。第二时刻的标准碳排放量是第二碳排放量预测模型学习了第二时刻之前所有的历史用电量与历史碳排放量对第二时刻的历史碳排放量的影响关系,以及第二时刻下的历史用电量对第二时刻的历史碳排放量的影响关系,得到的排碳机构在第二时刻应当正常产生的准确碳排放量,是用于衡量排碳机构在第二时刻产生的实时碳排放量是否符合标准的判断依据。
可以理解的是,由于是采用多个历史用电量序列与多个历史碳排放量序列中,位于第二时刻及第二时刻之前的历史用电量与历史碳排放量来对第二时刻的第二碳排放量预测模型进行训练,所以不同的第二时刻所对应的第二碳排放量预测模型是不同的,排碳机构的生产周期内的第二时刻的数量与第二碳排放量预测模型的数量等同。而这么设计的原因在于:通常情况下,排碳机构是一条完整的生产线作业,每个排碳机构都具有各自的生产周期与生产阶段,例如排碳机构A一个月内每天的生产周期都是8小时,在第1个小时至第8个小时分别使用了8个排碳设备来完成8个生产阶段,所以排碳机构在每天的同一时间段所用到的排碳设备都是相同的,例如排碳机构在每天的第一个小时用排碳设备A,在每天的第二个小时用排碳设备B…,在每天的第八个小时使用排碳设备H。
在此循环下,排碳机构每天的同一第二时刻都会使用相同的排碳设备来进行生产,所以不同第二时刻对应有不同的排碳设备实现生产环节,自然也对应有不同的第二碳排放量预测模型来预测第二时刻的标准碳排放量,使得每个排碳设备都配备有各自的第二碳排放量预测模型,来预测该排碳机构的标准碳排放量,使得预测得到的标准碳排放量符合每个排碳设备的排污特性,能够得到准确的标准碳排放量。
由于第二碳排放量预测模型已经学习了第二时刻之前所有的历史用电量、历史碳排放量以及第二时刻下的历史用电量,对第二时刻的历史碳排放量的影响关系,所以在第二时刻的第二碳排放量预测模型实际运用时,可以直接将第二时刻之前P(P大于1)个时刻的实时用电量、实时碳排放量以及第二时刻下的实时用电量作为第二碳排放量预测模型的输入参数,而无需输入第二时刻之前所有的实时用电量与实时排放量,也能够得到准确的第二时刻的标准碳排放量。
可以理解的是,在对第二时刻的标准碳排放量进行预测时,是将第二时刻之前的实时碳排放量与实时用电量,以及第二时刻下的实时用电量输入至第二时刻对应的第二碳排放量预测模型中,来得到第二时刻下的标准碳排放量,所以不同的第二时刻对应有不同的第二碳排放量预测模型。
例如,在对2点的标准碳排放量进行预测时,则采用2点的第二碳排放量预测模型预测;在对10点的标准碳排放量进行预测时,则采用10点对应的第二碳排放量预测模型预测。
上述方案中,第二时刻的用电量预测模型与第一时刻的第一碳排放量预测模型可以采用随机森林算法拟合得到;第二时刻的第二碳排放量预测模型均可以采用长短期记忆网络算法(LSTM)拟合得到,LSTM的门控选择机制可以在预测第二时刻的碳排放量时发挥作用,其可以过滤掉冗余信息并筛选出历史碳排放量中对预测标准碳排放量有用的有效碳排放量。
本公开中,可以采用第二时刻之前的历史用电量与历史碳排放量,并结合第二时刻当前的历史用电量,基于LSTM深度学习算法来构建不同的第二时刻的第二碳排放量预测模型。
(2)确定所述排碳机构当前产生的实时数据与所述标准数据之间的误差。
实时数据与标准数据之间的误差代表了实时数据与标准数据之间的差异性,误差越大,代表实时数据越偏离标准数据。
确定排碳机构当前产生的实时数据与标准数据之间的误差包括:确定排碳机构当前产生的实时用电量与标准用电量之间的误差,以及确定排碳机构当前产生的实时碳排放量与标准碳排放量之间的误差。
在得到第一时刻的用电量变化范围、第一时刻的标准碳排放量、第二时刻的标准用电量与第二时刻的标准碳排放量之后,则意味着得到了每个时刻的标准数据,在此基础上则可以确定排碳机构在每个时刻产生的实时数据与处于相同时刻下的标准数据之间的误差。
例如,若实时数据是1点的实时数据,则是确定1点的实时数据与1点的标准数据之间的误差;若实时数据是2点的实时数据,则是确定2点的实时数据与2点的标准数据之间的误差。
(3)根据所述误差与误差范围之间的比较关系,对排碳机构的生产状态进行识别。
对排碳机构的生产状态进行识别,包括以下三种场景:
第一种场景,在所述实时用电量位于用电量变化范围之内或所述实时用电量与所述标准用电量之间的误差位于所述误差范围之内的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
第一种方式,所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常。
在第一时刻的实时用电量位于用电量变化范围之内,或者第二时刻的实时用电量与第二时刻的标准用电量之间的误差位于误差范围内时,说明排碳机构的用电量正常;在实时碳排放量与标准碳排放量之间的误差在误差范围之内时,说明排碳机构当前的实时碳排放量正常。
在实时用电量正常且实时碳排放量正常的情况下,说明排碳机构正在正常生产。
第二种方式,所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障。
在第一时刻的实时用电量位于用电量变化范围之内,或者第二时刻的实时用电量与第二时刻的标准用电量之间的误差位于误差范围内时,说明排碳机构的用电量正常;在实时碳排放量与标准碳排放量之间的误差大于误差范围中的最大值时,说明排碳机构当前的实时碳排放量超出其应当正常排放的标准碳排放量过多。
在实时用电量正常且实时碳排放量偏大的情况下,由于实时用电量正常,所以实时碳排放量也应当正常,但是监测设备检测到的排碳机构排放的实时碳排放量偏大,则导致实时碳排放量偏大的原因是监测设备故障导致监测到的实时碳排放量偏大,使得实时碳排放量较大。
第三种方式,所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构的监测设备故障或所述实时碳排放量虚假。
在第一时刻的实时用电量位于用电量变化范围之内,或者第二时刻的实时用电量与第二时刻的标准用电量之间的误差位于误差范围内时,说明排碳机构的用电量正常;在实时碳排放量与标准碳排放量之间的误差小于误差范围中的最小值时,说明排碳机构当前的实时碳排放量低于其应当正常排放的标准碳排放量过多。
在实时用电量正常且实时碳排放量偏小的情况下,由于实时用电量正常,所以实时碳排放量也应当正常,但是获取到的实时碳排放量却偏小,此时可能是监测设备故障导致监测到的实时碳排放量偏小,也可能是排碳机构虚报实时碳排放量。
第二种场景,在所述实时用电量大于用电量变化范围中的最大值或所述实时用电量与所述标准用电量之间的误差大于误差范围中的最大值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
第一种方式,所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构违规增产。
在第一时刻的实时用电量大于用电量变化范围中的最大值,或第二时刻的实时用电量与标准用电量之间的误差大于误差范围中的最大值时,说明排碳机构的用电量相较于其应当正常消耗的标准用电量偏大;在实时碳排放量与标准碳排放量之间的误差在误差范围内时,说明监测设备监测到的排碳机构排放的实时碳排放量是正常的。
在实时用电量偏大且实时碳排放量正常的情况下,由于实时用电量偏大,所以第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量也偏大,此时若排碳机构的实时碳排放量与标准碳排放量之间的误差在误差范围之内,则说明排碳机构排放的实时碳排放量也是正常偏大的,其实时碳排放量并未造假,则可以确定排碳机构仅存在违规增产的现象。
第二种方式,所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围的最大值,确定所述排碳机构违规增产,且排碳机构的监测设备故障。
在第一时刻的实时用电量大于用电量变化范围中的最大值,或第二时刻的实时用电量与标准用电量之间的误差大于误差范围中的最大值时,说明排碳机构的用电量相较于其应当正常消耗的标准用电量偏大;在实时碳排放量与标准碳排放量之间的误差大于误差范围中的最大值时,说明监测设备监测到的排碳机构排放的实时碳排放量偏大。
在实时用电量偏大且实时碳排放量偏大的情况下,由于实时用电量偏大,所以第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量也会偏大,此时若排碳机构的实时碳排放量与标准碳排放量之间的误差大于误差范围的最大值,说明排碳机构的实时碳排放量比模型预测出的偏大的标准碳排放量还要更大,此时可以确定排碳机构违规增产现象,并且监测设备可能存在故障导致监测到的实时碳排放量比标准碳排放量更大。
第三种方式,所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构违规增产,且确定所述监测设备故障或所述实时碳排放量虚假。
在第一时刻的实时用电量大于用电量变化范围中的最大值,或第二时刻的实时用电量与标准用电量之间的误差大于误差范围中的最大值时,说明排碳机构的用电量相较于其应当正常消耗的标准用电量偏大;在实时碳排放量与标准碳排放量之间的误差小于误差范围中的最小值时,说明监测设备监测到的排碳机构排放的实时碳排放量偏小。
在实时用电量偏大且实时碳排放量偏小的情况下,由于实时用电量偏大,所以第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量也会偏大,此时若排碳机构的实时碳排放量与标准碳排放量之间的误差小于误差范围的最小值,说明排碳机构的实时碳排放量比模型预测出的准确的偏大的标准碳排放量更小,此时可以确定排碳机构违规增产,并且监测设备可能存在故障导致监测到的实时碳排放量比标准碳排放量更小,排碳机构也可能虚造实时碳排放量。
可以理解的是,上述三种方式中,实时用电量偏大时,第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量虽然也偏大,但是该标准碳排放量确是结合了排碳机构的生产特性,预测出的准确的碳排放量,若排碳机构当前的实时碳排放量相较于标准碳排放量过于偏大或偏小,则说明实时碳排放量存在异常。
第三种场景,在所述实时用电量小于用电量变化范围中的最小值或所述实时用电量与所述标准用电量之间的误差小于误差范围中的最小值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
第一种方式,所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常。
在第一时刻的实时用电量小于用电量变化范围中的最小值,或第二时刻的实时用电量与标准用电量之间的误差小于误差范围中的最小值时,说明排碳机构的用电量相较于其应当正常消耗的标准用电量偏小;在实时碳排放量与标准碳排放量之间的误差在误差范围内时,说明监测设备监测到的排碳机构排放的实时碳排放量是正常的。
在实时用电量偏小且实时碳排放量正常的情况下,由于实时用电量偏小,所以第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量也偏小,此时若排碳机构的实时碳排放量与标准碳排放量之间的误差在误差范围之内,则说明排碳机构的实时碳排放量也是正常偏小的,其实时碳排放量并未造假,则可以确定排碳机构处于减产状态。
第二种方式,所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障。
在第一时刻的实时用电量小于用电量变化范围中的最小值,或第二时刻的实时用电量与标准用电量之间的误差小于误差范围中的最小值时,说明排碳机构的用电量相较于其应当正常消耗的标准用电量偏小;在实时碳排放量与标准碳排放量之间的误差在误差范围内时,说明监测设备监测到的排碳机构排放的实时碳排放量异常偏大。
在实时用电量偏小且实时碳排放量偏大的情况下,由于实时用电量偏小,所以第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量也偏小,此时若排碳机构的实时碳排放量与标准碳排放量之间的误差大于误差范围中的最大值,则说明排碳机构的实时碳排放量比准确的标准碳排放量更大,则可以确定监测设备可能存在故障导致监测到的实时碳排放量偏大。
第三种方式,所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述监测设备故障或所述实时碳排放量虚假。
在第一时刻的实时用电量小于用电量变化范围中的最小值,或第二时刻的实时用电量与标准用电量之间的误差小于误差范围中的最小值时,说明排碳机构的用电量相较于其应当正常消耗的标准用电量偏小;在实时碳排放量与标准碳排放量之间的误差小于误差范围中的最小值时,确定监测设备监测到的排碳机构排放的实时碳排放量异常偏小。
在实时用电量偏小且实时碳排放量偏小的情况下,由于实时用电量偏小,所以第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量也偏小,此时若排碳机构的实时碳排放量与标准碳排放量之间的误差小于误差范围中的最小值,则说明排碳机构的实时碳排放量比正常偏小的标准碳排放量还要更小,排碳机构可能对实时碳排放量进行造假,或者监测设备可能存在故障导致监测到的实时碳排放量较小。
可以理解的是,上述三种方式中,实时用电量偏小时,第一碳排放量预测模型或第二碳排放量预测模型预测出的标准碳排放量虽然也偏小,但是该标准碳排放量确是结合了排碳机构的生产特性,预测出的准确的碳排放量,若排碳机构当前的实时碳排放量相较于标准碳排放量过于偏大或偏小,则说明实时碳排放量存在异常。
相关技术中,受到生产环节的影响,企业的实时碳排放量与实时用电量之间的相关性相对较差,在上一生产环节可能实时用电量较小而实时碳排放量较大,而在下一生产环节实时用电量较大而实时碳排放量较小,若简单地按照实时用电量与实时碳排放量之间的用电比来确定排碳机构是否处于异常生产,明显会出现误判现象。例如,上一生产环节下实时用电量与实时碳排放量之间的用电比较大,下一生产环节实时用电量与实时碳排放量之间的用电比较小,则会认为排碳机构处于异常生产状态。
而公开中,预测出排碳机构在当前时刻应当实际消耗的标准用电量以及在当前时刻应当实际产生的标准碳排放量,若排碳机构当前消耗的实时用电量与标准用电量相差较大,说明实时用电量异常;若排碳机构当前产生的实时碳排放量与标准碳排放量之间相差较大,说明实时碳排放量异常,从而综合结合实时用电量与实时碳排放量的异常情况,来确定排碳机构是否异常生产,其不会出现误判现象。
例如,在上一生产环节,预测出的标准用电量小且标准碳排放量大,其用电比较小,此时若实时用电量与标准用电量之间相差较小,且实时碳排放量与标准碳排放量之间相差较小,则认为排碳机构处于正常生产的状态;同样地,在下一生产环节,预测出的标准用电量大且标准碳排放量小,其用电比较大,此时若实时用电量与标准用电量之间相差较小,且实时碳排放量与标准碳排放量之间相差较小,也同样认为排碳机构处于正常生产的状态。
图4是根据一示例性实施例示出的一种排碳机构的生产状态确定装置的框图,参阅图4,该排碳机构的生产状态确定装置400包括:参考数据确定模块410、误差确定模块420与生产状态识别模块430。
参考数据确定模块410,被配置为根据排碳机构在运作时产生的多个历史数据组,确定标准数据;所述标准数据是模型预测的所述排碳机构在当前应当产生的数据;
误差确定模块420,被配置为确定所述排碳机构当前产生的实时数据与所述标准数据之间的误差;
生产状态识别模块430,被配置为根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
可选地,多个所述历史数据组包括多个历史用电量序列,所述标准数据包括用电量变化范围;参考数据确定模块410包括:
第一标准数据确定子模块,被配置为确定多个所述历史用电量序列中处于第一时刻的历史用电量;多个所述历史用电量的最小值与最大值之间的范围作为所述第一时刻的用电量变化范围。
可选地,多个所述历史数据组包括多个历史用电量序列,所述标准数据包括标准用电量;参考数据确定模块410包括:
第一训练子模块,被配置为将多个所述历史用电量序列中的历史用电量作为用电量预测模型的训练样本,训练所述用电量预测模型;
第二标准数据确定子模块,被配置为将第二时刻的上一时刻的实时用电量作为所述用电量预测模型的输入参数,得到所述第二时刻的标准用电量。
可选地,多个所述历史数据组包括多个历史用电量序列与多个历史碳排放量序列,所述标准数据包括标准碳排放量;参考数据确定模块410包括:
第二训练子模块,被配置为将多个所述历史用电量序列中处于第一时刻的历史用电量,以及多个所述历史碳排放量序列中处于所述第一时刻的历史碳排放量,作为第一碳排放量预测模型的训练样本,训练所述第一碳排放量预测模型;
第三标准数据确定子模块,被配置为将所述第一时刻的实时用电量作为所述第一碳排放量预测模型的输入参数,得到所述第一时刻的标准碳排放量。
可选地,多个所述历史数据组包括多个历史用电量序列与多个历史碳排放量序列,所述标准数据包括标准碳排放量;参考数据确定模块410包括:
第三训练子模块,被配置为将多个所述历史用电量序列中的历史用电量与多个所述历史碳排放量序列中的历史碳排放量作为第二碳排放量预测模型的训练样本,训练所述第二碳排放量预测模型;
第四标准数据确定子模块,被配置为将第二时刻的实时用电量、所述第二时刻之前的P个时刻的实时用电量以及所述第二时刻之前P个时刻的实时碳排放量,作为所述第二时刻对应的第二碳排放量预测模型的输入参数,得到所述第二时刻的标准碳排放量,P大于或等于1,不同的第二时刻对应有不同的第二碳排放量预测模型。
可选地,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;生产状态识别模块430包括:
第一生产状态识别子模块,被配置为在所述实时用电量位于用电量变化范围之内或所述实时用电量与所述标准用电量之间的误差位于所述误差范围之内的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构的监测设备故障或所述实时碳排放量虚假。
可选地,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;生产状态识别模块430包括:
第二生产状态识别子模块,被配置为在所述实时用电量大于用电量变化范围中的最大值或所述实时用电量与所述标准用电量之间的误差大于误差范围中的最大值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构违规增产;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围的最大值,确定所述排碳机构违规增产,且确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构违规增产,且确定所述监测设备故障或所述实时碳排放量虚假。
可选地,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;生产状态识别模块430包括:
第三生产状态识别子模块,被配置为在所述实时用电量小于用电量变化范围中的最小值或所述实时用电量与所述标准用电量之间的误差小于误差范围中的最小值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述监测设备故障或所述实时碳排放量虚假。
可选地,生产状态识别模块430包括:
第四生产状态识别子模块,被配置为根据所述排碳机构未执行减排措施下的所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
可选地,生产状态识别模块430包括:
第五生产状态识别子模块,被配置为根据减产下的所述误差与所述误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,所述减产包括不同减排比例下的减产。
可选地,参考数据确定模块410包括:
标准数据子模块,被配置为根据所述排碳机构在正常生产下的多个历史数据组,确定所述正常生产下的标准数据,和/或;
根据所述排碳机构在减产下的多个历史数据组,确定所述减产下的标准数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备500的框图。例如,电子设备500可以被提供为一服务器。参照图5,电子设备500包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器522可以被配置为执行该计算机程序,以执行上述的排碳机构的生产状态确定方法。
另外,电子设备500还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行电子设备500的电源管理,该通信组件550可以被配置为实现电子设备500的通信,例如,有线或无线通信。此外,该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的排碳机构的生产状态确定方法的步骤。例如,该非临时性计算机可读存储介质可以为上述包括程序指令的存储器532,上述程序指令可由电子设备500的处理器522执行以完成上述的排碳机构的生产状态确定方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的排碳机构的生产状态确定方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (13)
1.一种排碳机构的生产状态确定方法,其特征在于,包括:
根据排碳机构在运作时产生的多个历史数据组,确定标准数据;所述标准数据是模型预测的所述排碳机构在当前应当产生的数据;
确定所述排碳机构当前产生的实时数据与所述标准数据之间的误差;
根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别;
所述标准数据包括第一时刻的标准碳排放量与第二时刻的标准碳排放量,所述第二时刻是除所述第一时刻之外的任意一个时刻;所述模型包括所述第一时刻的第一碳排放量预测模型与所述第二时刻的第二碳排放量预测模型,不同的第二时刻对应有不同的排碳设备实现不同的生产环节,且不同的第二时刻对应有不同的第二碳排放量预测模型来预测所述第二时刻的标准碳排放量,以使每个所述排碳设备配备有各自的第二碳排放量预测模型;
所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
将所述第一时刻的实时用电量作为所述第一碳排放量预测模型的输入参数,得到所述第一时刻的标准碳排放量;
将所述第二时刻的实时用电量、所述第二时刻之前的P个时刻的实时用电量以及所述第二时刻之前P个时刻的实时碳排放量,作为所述第二时刻对应的第二碳排放量预测模型的输入参数,得到所述第二时刻的标准碳排放量,P大于或等于1。
2.根据权利要求1所述的方法,其特征在于,多个所述历史数据组包括多个历史用电量序列,所述标准数据包括用电量变化范围;所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
确定多个所述历史用电量序列中处于所述第一时刻的历史用电量;多个所述历史用电量的最小值与最大值之间的范围作为所述第一时刻的用电量变化范围。
3.根据权利要求1所述的方法,其特征在于,多个所述历史数据组包括多个历史用电量序列,所述标准数据包括标准用电量;所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
将多个所述历史用电量序列中的历史用电量作为用电量预测模型的训练样本,训练所述用电量预测模型;
将所述第二时刻的上一时刻的实时用电量作为所述用电量预测模型的输入参数,得到所述第二时刻的标准用电量。
4.根据权利要求1所述的方法,其特征在于,多个所述历史数据组包括多个历史用电量序列与多个历史碳排放量序列;所述方法还包括:
将多个所述历史用电量序列中处于所述第一时刻的历史用电量,以及多个所述历史碳排放量序列中处于所述第一时刻的历史碳排放量,作为所述第一碳排放量预测模型的训练样本,训练所述第一碳排放量预测模型。
5.根据权利要求1所述的方法,其特征在于,多个所述历史数据组包括多个历史用电量序列与多个历史碳排放量序列;所述方法还包括:
将多个所述历史用电量序列中的历史用电量与多个所述历史碳排放量序列中的历史碳排放量作为所述第二碳排放量预测模型的训练样本,训练所述第二碳排放量预测模型。
6.根据权利要求1所述的方法,其特征在于,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:在所述实时用电量位于用电量变化范围之内或所述实时用电量与所述标准用电量之间的误差位于所述误差范围之内的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构的监测设备故障或所述实时碳排放量虚假。
7.根据权利要求1所述的方法,其特征在于,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:在所述实时用电量大于用电量变化范围中的最大值或所述实时用电量与所述标准用电量之间的误差大于误差范围中的最大值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构违规增产;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围的最大值,确定所述排碳机构违规增产,且确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述排碳机构违规增产,且确定所述监测设备故障或所述实时碳排放量虚假。
8.根据权利要求1所述的方法,其特征在于,所述实时数据包括实时用电量与实时碳排放量,所述标准数据包括标准用电量与标准碳排放量;所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:在所述实时用电量小于用电量变化范围中的最小值或所述实时用电量与所述标准用电量之间的误差小于误差范围中的最小值的情况下,通过以下任意一种方式对所述排碳机构的生产状态进行识别:
所述实时碳排放量与所述标准碳排放量之间的误差在所述误差范围之内,确定所述排碳机构生产正常;
所述实时碳排放量与所述标准碳排放量之间的误差大于所述误差范围中的最大值,确定所述排碳机构的监测设备故障;
所述实时碳排放量与所述标准碳排放量之间的误差小于所述误差范围中的最小值,确定所述监测设备故障或所述实时碳排放量虚假。
9.根据权利要求1~8中任一所述的方法,其特征在于,所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:
根据所述排碳机构未执行减排措施下的所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别。
10.根据权利要求1~8中任一所述的方法,其特征在于,所述根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,包括:
根据减产下的所述误差与所述误差范围之间的比较关系,对所述排碳机构的生产状态进行识别,所述减产包括不同减排比例下的减产。
11.根据权利要求1所述的方法,其特征在于,所述根据排碳机构在运作时产生的多个历史数据组,确定标准数据,包括:
根据所述排碳机构在正常生产下的多个历史数据组,确定所述正常生产下的标准数据,和/或;
根据所述排碳机构在减产下的多个历史数据组,确定所述减产下的标准数据。
12.一种排碳机构的生产状态确定装置,其特征在于,包括:
参考数据确定模块,被配置为根据排碳机构在运作时产生的多个历史数据组,确定标准数据;所述标准数据是模型预测的所述排碳机构在当前应当产生的数据;
误差确定模块,被配置为确定所述排碳机构当前产生的实时数据与所述标准数据之间的误差;
生产状态识别模块,被配置为根据所述误差与误差范围之间的比较关系,对所述排碳机构的生产状态进行识别;
所述标准数据包括第一时刻的标准碳排放量与第二时刻的标准碳排放量,所述第二时刻是除所述第一时刻之外的任意一个时刻;所述模型包括所述第一时刻的第一碳排放量预测模型与所述第二时刻的第二碳排放量预测模型,不同的第二时刻对应有不同的排碳设备实现不同的生产环节,且不同的第二时刻对应有不同的第二碳排放量预测模型来预测所述第二时刻的标准碳排放量,以使每个所述排碳设备配备有各自的第二碳排放量预测模型;
所述参考数据确定模块还被配置为将所述第一时刻的实时用电量作为所述第一碳排放量预测模型的输入参数,得到所述第一时刻的标准碳排放量;
将所述第二时刻的实时用电量、所述第二时刻之前的P个时刻的实时用电量以及所述第二时刻之前P个时刻的实时碳排放量,作为所述第二时刻对应的第二碳排放量预测模型的输入参数,得到所述第二时刻的标准碳排放量,P大于或等于1。
13.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1~11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410094387.5A CN117609927B (zh) | 2024-01-23 | 2024-01-23 | 排碳机构的生产状态确定方法、装置与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410094387.5A CN117609927B (zh) | 2024-01-23 | 2024-01-23 | 排碳机构的生产状态确定方法、装置与电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117609927A CN117609927A (zh) | 2024-02-27 |
CN117609927B true CN117609927B (zh) | 2024-04-16 |
Family
ID=89960203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410094387.5A Active CN117609927B (zh) | 2024-01-23 | 2024-01-23 | 排碳机构的生产状态确定方法、装置与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117609927B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110017217A (ko) * | 2009-08-13 | 2011-02-21 | (주) 글로텍 | 탄소 배출량 인증 관리 시스템 및 방법 |
CN110135612A (zh) * | 2018-07-05 | 2019-08-16 | 国网江苏省电力有限公司物资分公司 | 基于用电量分析的物资供应商生产能力监控及异常预警方法 |
CN116823573A (zh) * | 2023-06-29 | 2023-09-29 | 北京睿智聚合能源科技有限公司 | 一种利用ai实现碳排放量的监控方法及系统 |
CN116894539A (zh) * | 2023-09-11 | 2023-10-17 | 深圳市明心数智科技有限公司 | 一种服装生产监测方法、系统及介质 |
CN117056776A (zh) * | 2023-08-10 | 2023-11-14 | 深圳供电局有限公司 | 碳排放量监测方法、装置、设备、介质和计算机程序产品 |
CN117391292A (zh) * | 2023-10-17 | 2024-01-12 | 华能曲阜热电有限公司 | 碳排放节能管理分析系统及方法 |
-
2024
- 2024-01-23 CN CN202410094387.5A patent/CN117609927B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110017217A (ko) * | 2009-08-13 | 2011-02-21 | (주) 글로텍 | 탄소 배출량 인증 관리 시스템 및 방법 |
CN110135612A (zh) * | 2018-07-05 | 2019-08-16 | 国网江苏省电力有限公司物资分公司 | 基于用电量分析的物资供应商生产能力监控及异常预警方法 |
CN116823573A (zh) * | 2023-06-29 | 2023-09-29 | 北京睿智聚合能源科技有限公司 | 一种利用ai实现碳排放量的监控方法及系统 |
CN117056776A (zh) * | 2023-08-10 | 2023-11-14 | 深圳供电局有限公司 | 碳排放量监测方法、装置、设备、介质和计算机程序产品 |
CN116894539A (zh) * | 2023-09-11 | 2023-10-17 | 深圳市明心数智科技有限公司 | 一种服装生产监测方法、系统及介质 |
CN117391292A (zh) * | 2023-10-17 | 2024-01-12 | 华能曲阜热电有限公司 | 碳排放节能管理分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117609927A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491305B (zh) | 一种服务器故障的检测方法及系统 | |
CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
US10317864B2 (en) | Systems and methods for adaptively updating equipment models | |
US8473330B2 (en) | Software-centric methodology for verification and validation of fault models | |
CN113383282A (zh) | 校正离子注入半导体制造工具中的部件故障 | |
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
CN111582542A (zh) | 一种基于异常修复的电力负荷预测方法及系统 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN114647525A (zh) | 诊断方法、装置、终端及存储介质 | |
CN116258484A (zh) | 设备的预测性运维方案生成方法、装置、终端设备和介质 | |
CN112084910A (zh) | 故障诊断方法及系统 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
Gajic et al. | An improved anomaly detection in mobile networks by using incremental time-aware clustering | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN117609927B (zh) | 排碳机构的生产状态确定方法、装置与电子设备 | |
CN114529067A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN109472449B (zh) | 基于群决策的城市轨道交通信号设备健康状态评价方法 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN116593883A (zh) | 一种智能化高压开关的断路器本体故障诊断方法、装置、设备及存储介质 | |
WO2021006779A1 (en) | Network status classification | |
CN113408969B (zh) | 一种分布式系统的维修方案生成方法及系统 | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
CN117609926B (zh) | 基于电力数据的排污机构生产状态确定方法与装置 | |
CN115392384A (zh) | 一种基于Stacking学习的电缆故障诊断方法、系统及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |