CN117743785B - 一种温室气体排放控制方法及系统 - Google Patents
一种温室气体排放控制方法及系统 Download PDFInfo
- Publication number
- CN117743785B CN117743785B CN202311675483.0A CN202311675483A CN117743785B CN 117743785 B CN117743785 B CN 117743785B CN 202311675483 A CN202311675483 A CN 202311675483A CN 117743785 B CN117743785 B CN 117743785B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- emission
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 239000005431 greenhouse gas Substances 0.000 title claims abstract description 35
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 354
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 354
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 238000005457 optimization Methods 0.000 claims abstract description 57
- 238000011217 control strategy Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 238000003064 k means clustering Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 61
- 230000009467 reduction Effects 0.000 claims description 47
- 230000000694 effects Effects 0.000 claims description 41
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 19
- 238000005265 energy consumption Methods 0.000 claims description 17
- 238000012417 linear regression Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001976 improved effect Effects 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000001272 nitrous oxide Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及环境保护技术领域，具体为一种温室气体排放控制方法及系统，包括以下步骤：使用工业互联网标识技术，部署传感器和智能终端于关键碳排放源点，进行实时数据采集，数据处理采用快速傅里叶变换来分析时域和频域特性，生成实时碳排放源数据集。本发明中，利用工业互联网标识技术实现精确监测，保证实时准确数据采集。通过快速傅里叶变换揭示数据规律，通过自适应滤波算法确保数据清晰度，提高核算准确性。最小二乘法和排放因子法交叉验证增强结果可靠性。大数据分析和k‑均值聚类算法深入探究碳排放模式趋势，为决策者提供策略建议。结合支持向量机和遗传算法精确预测和调整控制策略，实现持续温室气体排放优化。
Description
技术领域
本发明涉及环境保护技术领域，尤其涉及一种温室气体排放控制方法及系统。
背景技术
环境保护技术领域是指通过科学的、技术的手段，保护和改善自然环境、减少对环境的污染和破坏的领域。这个领域包括了各种控制、治理和管理环境问题的技术和方法。
其中，温室气体排放控制方法是一种在环境保护技术领域中应用的具体方法。它主要是针对温室气体的排放进行控制和减少，以应对气候变化和全球变暖等环境问题。该方法的目的是减少温室气体的排放量，以达到降低全球温室效应、减缓气候变化的目标。温室气体包括二氧化碳、甲烷、氧化亚氮等多种气体，它们的排放与工业、交通、农业等人类活动密切相关。方法包括使用清洁能源、改善工业生产过程、提高能源利用效率、推广节能技术、制定环境管理政策和法规、加强排放监管机制、国际合作等。通过综合应用这些手段，温室气体排放控制方法旨在降低温室气体的排放量，减缓全球气候变化的速度，保护和改善环境质量，并推动可持续发展。
现有的温室气体排放控制方法在多个环节存在不足。首先，现有方法在数据采集环节可能没有充分利用先进的工业互联网技术，导致数据可能存在时效性和准确性问题。其次，在数据处理和核算环节，缺乏有效的交叉验证手段，可能导致核算结果的偏差。现有方法在碳排放模式和趋势的分析上，可能仅停留在表面，缺乏深度和细致的探讨。此外，现有控制策略可能没有充分利用算法优化，导致策略的实施效果不佳。总体上，现有方法在数据采集、处理、分析和控制策略等多个环节都存在一定的局限性，难以满足温室气体排放控制的日益严格的需求。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种温室气体排放控制方法及系统。
为了实现上述目的，本发明采用了如下技术方案：一种温室气体排放控制方法，包括以下步骤：
S1：使用工业互联网标识技术，部署传感器和智能终端于关键碳排放源点，进行实时数据采集，数据处理采用快速傅里叶变换来分析时域和频域特性，生成实时碳排放源数据集；
S2：基于所述实时碳排放源数据集，应用自适应滤波算法进行数据清洗和标准化，得到规范化的碳排放数据集；
S3：基于所述规范化的碳排放数据集，采用最小二乘法进行碳排放量的核算，与排放因子法进行交叉验证，生成碳排放核算结果；
S4：对所述碳排放核算结果进行大数据分析，采用k-均值聚类算法来识别碳排放模式和趋势，产生深度碳排放分析报告和可视化数据；
S5：利用所述深度碳排放分析报告和可视化数据，采用支持向量机进行碳排放预测，并用遗传算法优化控制策略，生成碳排放预测和优化控制方案；
S6：基于所述碳排放预测和优化控制方案，实时调整生产和能源消耗，使用在线学习算法进行效果监测和调整，产生实时碳排放报告和减排效果评估。
作为本发明的进一步方案，使用工业互联网标识技术，部署传感器和智能终端于关键碳排放源点，进行实时数据采集，数据处理采用快速傅里叶变换来分析时域和频域特性，生成实时碳排放源数据集的步骤具体为：
S101：利用工业互联网标识技术，选用低功耗蓝牙传感器部署于关键碳排放源点，使得传感器节点具有唯一标识符，建立碳排放源点传感器部署；
S102：基于所述碳排放源点传感器部署，通过MQTT协议获取实时原始碳排放数据；
S103：对所述实时原始碳排放数据使用K-均值聚类进行数据分组，以筛选出关键数据字段，建立关键碳排放数据；
S104：利用快速傅里叶变换，对关键碳排放数据进行时域和频域分析，识别波形模式和异常频率，实时碳排放源数据集。
作为本发明的进一步方案，基于所述实时碳排放源数据集，应用自适应滤波算法进行数据清洗和标准化，得到规范化的碳排放数据集的步骤具体为：
S201：对所述实时碳排放源数据集应用Z-分数方法，进行噪声和异常值的标准化处理，获取去噪初步数据集；
S202：基于所述去噪初步数据集，使用卡尔曼滤波器进行数据清洗，获取清洗后的碳排放数据；
S203：基于所述清洗后的碳排放数据，应用归一化算法对数据进行格式标准化，生成标准化数据集；
S204：基于所述标准化数据集，使用主成分分析进行降维和整合，消除冗余信息，生成规范化的碳排放数据集。
作为本发明的进一步方案，基于所述规范化的碳排放数据集，采用最小二乘法进行碳排放量的核算，与排放因子法进行交叉验证，生成碳排放核算结果的步骤具体为：
S301：从所述规范化的碳排放数据集中，利用支持向量机进行特征选择，建立碳排放核算关键特征集；
S302：基于所述碳排放核算关键特征集，运用最小二乘法建立线性回归模型，估算碳排放量，生成初步碳排放核算估算值；
S303：利用排放因子法，并基于已有的排放因子数据库，对所述初步碳排放核算估算值进行交叉验证，生成排放因子法核算值；
S304：综合所述初步碳排放核算估算值和排放因子法核算值，应用蒙特卡洛模拟进行误差范围的计算和结果修正，生成碳排放核算结果。
作为本发明的进一步方案，对所述碳排放核算结果进行大数据分析，采用k-均值聚类算法来识别碳排放模式和趋势，产生深度碳排放分析报告和可视化数据的步骤具体为：
S401：导入生成碳排放核算结果，采用Z-分数方法进行数据标准化和异常值检测，生成预处理后的碳排放数据；
S402：基于所述预处理后的碳排放数据，采用K-均值聚类算法确定最佳的K值对数据进行分类，找出不同的碳排放模式，获取碳排放模式标签数据；
S403：利用碳排放模式标签数据，进行滑动窗口法时序分析识别碳排放趋势，生成碳排放趋势分析报告；
S404：结合所述碳排放趋势分析报告，采用数据可视化工具，生成深度碳排放分析报告和可视化数据。
作为本发明的进一步方案，利用所述深度碳排放分析报告和可视化数据，采用支持向量机进行碳排放预测，并用遗传算法优化控制策略，生成碳排放预测和优化控制方案的步骤具体为：
S501：基于所述深度碳排放分析报告和可视化数据，选取关键特征，并使用主成分分析进行数据降维，整理为支持向量机训练数据集；
S502：使用支持向量机训练数据集，利用支持向量机和径向基函数，建立碳排放预测模型；
S503：基于所述碳排放预测模型，采用遗传算法和适应度函数进行模型参数优化和控制策略优化，生成优化后的碳排放控制策略；
S504：利用所述优化后的碳排放控制策略，预测未来的碳排放情况，生成碳排放预测和优化控制方案。
作为本发明的进一步方案，基于所述碳排放预测和优化控制方案，实时调整生产和能源消耗，使用在线学习算法进行效果监测和调整，产生实时碳排放报告和减排效果评估的步骤具体为：
S601：导入碳排放预测和优化控制方案，结合当前生产和能源消耗数据，使用线性回归进行实时调整，生成调整后的生产和能源消耗数据；
S602：基于所述调整后的生产和能源消耗数据，应用随机梯度下降算法对碳排放进行监测，建立在线碳排放监测报告；
S603：结合所述在线碳排放监测报告，实时检测和修正生产和能源调整策略，确保碳排放在可控范围内，建立调整后的生产和能源策略；
S604：利用所述调整后的生产和能源策略，评估减排效果并生成综合报告，获取实时碳排放报告和减排效果评估。
一种温室气体排放控制系统用于执行上述温室气体排放控制方法，所述温室气体排放控制系统是由数据采集模块、数据预处理模块、核算分析模块、预测优化模块、实施调整模块组成。
作为本发明的进一步方案，所述数据采集模块基于工业互联网标识技术，采用MQTT协议和K-均值聚类算法获取并筛选碳排放数据，生成实时碳排放源数据集；
所述数据预处理模块基于实时碳排放源数据集，采用Z-分数方法和卡尔曼滤波器进行数据清洗和标准化，生成规范化碳排放数据集；
所述核算分析模块基于规范化碳排放数据集，利用支持向量机和最小二乘法进行特征选择和碳排放估算，生成碳排放核算结果；
所述预测优化模块基于碳排放核算结果，采用K-均值聚类算法和遗传算法进行碳排放趋势分析和控制策略优化，生成碳排放预测和优化控制方案；
所述实时调整模块基于碳排放预测和优化控制方案，利用线性回归和随机梯度下降算法进行碳排放实时监测和生产策略修正，生成实时碳排放报告和减排效果评估。
作为本发明的进一步方案，所述数据采集模块包括传感器部署子模块、数据获取子模块、关键数据筛选子模块、波形及异常频率识别子模块；
所述数据预处理模块包括数据清洗子模块、数据格式标准化子模块、数据噪声和异常值处理子模块；
所述核算分析模块包括特征选择子模块、线性回归模型建立子模块、碳排放核算估算子模块、结果修正子模块；
所述预测优化模块包括碳排放模式探测子模块、趋势分析子模块、预测模型建立子模块、优化控制策略子模块；
所述实时调整模块包括实时调整子模块、碳排放监测子模块、调整策略修正子模块、减排效果评估子模块。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，利用工业互联网标识技术，实现对关键碳排放源点的精确监测，确保数据采集的实时性与准确性。通过快速傅里叶变换分析数据的时域和频域特性，更加全面地揭示数据的内在规律。自适应滤波算法的应用确保了数据的清晰度和标准化，提高了核算的准确性。在核算方面，结合最小二乘法和排放因子法进行交叉验证，增强了结果的可靠性。大数据分析和k-均值聚类算法的结合，能够更深入地探究碳排放的模式和趋势，为决策者提供有力的策略建议。结合支持向量机和遗传算法，使预测和控制策略更为精确，实时地调整生产和能源消耗策略，保证了温室气体排放的持续优化。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的系统流程图；
图9为本发明的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：一种温室气体排放控制方法，包括以下步骤：
S1：使用工业互联网标识技术，部署传感器和智能终端于关键碳排放源点，进行实时数据采集，数据处理采用快速傅里叶变换来分析时域和频域特性，生成实时碳排放源数据集；
S2：基于实时碳排放源数据集，应用自适应滤波算法进行数据清洗和标准化，得到规范化的碳排放数据集；
S3：基于规范化的碳排放数据集，采用最小二乘法进行碳排放量的核算，与排放因子法进行交叉验证，生成碳排放核算结果；
S4：对碳排放核算结果进行大数据分析，采用k-均值聚类算法来识别碳排放模式和趋势，产生深度碳排放分析报告和可视化数据；
S5：利用深度碳排放分析报告和可视化数据，采用支持向量机进行碳排放预测，并用遗传算法优化控制策略，生成碳排放预测和优化控制方案；
S6：基于碳排放预测和优化控制方案，实时调整生产和能源消耗，使用在线学习算法进行效果监测和调整，产生实时碳排放报告和减排效果评估。
首先，通过实时数据采集和使用工业互联网标识技术，能够及时监测关键碳排放源点，提供准确的实时碳排放数据。其次，通过数据处理和标准化，确保数据质量和一致性，为减排决策提供规范化的碳排放数据集。然后，采用最小二乘法进行碳排放核算，并与排放因子法进行交叉验证，生成可信度更高的核算结果。进一步，以大数据分析为基础，通过聚类算法识别碳排放模式和趋势，为减排策略提供深度分析和可视化数据支持。在碳排放预测和优化控制方面，利用支持向量机进行预测，并用遗传算法优化控制策略，为企业或机构提前制定减排计划和实现优化控制提供决策支持。最后，通过实施实时监测、调整和在线学习算法，实现减排效果的监测和评估，为企业或机构提供实时减排报告和效果评估，促进持续的碳排放控制和改善措施的实施。
请参阅图2，使用工业互联网标识技术，部署传感器和智能终端于关键碳排放源点，进行实时数据采集，数据处理采用快速傅里叶变换来分析时域和频域特性，生成实时碳排放源数据集的步骤具体为：
S101：利用工业互联网标识技术，选用低功耗蓝牙传感器部署于关键碳排放源点，使得传感器节点具有唯一标识符，建立碳排放源点传感器部署；
S102：基于碳排放源点传感器部署，通过MQTT协议获取实时原始碳排放数据；
S103：对实时原始碳排放数据使用K-均值聚类进行数据分组，以筛选出关键数据字段，建立关键碳排放数据；
S104：利用快速傅里叶变换，对关键碳排放数据进行时域和频域分析，识别波形模式和异常频率，实时碳排放源数据集。
首先，实时监测和数据采集能够提供准确、及时的碳排放数据。通过工业互联网标识技术和传感器部署，系统能够实时获取关键碳排放源点的数据，实现对排放情况的实时监测，为减排决策和控制提供实时数据支持。
其次，采用快速傅里叶变换来分析时域和频域特性，有助于深入理解碳排放数据的波形模式和异常频率。这种分析方法能够提供更全面的数据特征，帮助识别异常情况和优化控制策略，提高排放控制的精度和效果。
此外，对实时原始碳排放数据应用K-均值聚类进行数据分组，能够筛选出关键数据字段，提高数据质量和分析效率。通过数据清洗和筛选，可以提取出与碳排放相关的重要信息，为减排措施的制定和调整提供更准确的数据基础。
请参阅图3，基于实时碳排放源数据集，应用自适应滤波算法进行数据清洗和标准化，得到规范化的碳排放数据集的步骤具体为：
S201：对实时碳排放源数据集应用Z-分数方法，进行噪声和异常值的标准化处理，获取去噪初步数据集；
S202：基于去噪初步数据集，使用卡尔曼滤波器进行数据清洗，获取清洗后的碳排放数据；
S203：基于清洗后的碳排放数据，应用归一化算法对数据进行格式标准化，生成标准化数据集；
S204：基于标准化数据集，使用主成分分析进行降维和整合，消除冗余信息，生成规范化的碳排放数据集。
首先，通过Z-分数方法进行噪声和异常值的标准化处理，可以去除数据中的噪声和异常值，提高数据的可靠性和稳定性。这有助于获得更准确、可靠的碳排放数据，为后续的分析和决策提供可靠的基础。
其次，使用卡尔曼滤波器进行数据清洗，能够对数据进行平滑处理，减少不必要的波动和误差。这样可以提高数据的一致性和可靠性，确保数据的准确性，并减少不必要的误判和错误决策。
进一步地，通过归一化算法对数据进行格式标准化，可以消除不同数据之间的量纲差异，使数据具备可比性。这有助于更好地进行数据比较、分析和建模，为制定减排策略和评估效果提供更准确的数据基础。
最后，应用主成分分析进行数据降维和整合，可以消除冗余信息，提取出数据的主要变化方向。这样可以减少数据的维度，简化数据集，提高数据的可解释性和分析效率。
请参阅图4，基于规范化的碳排放数据集，采用最小二乘法进行碳排放量的核算，与排放因子法进行交叉验证，生成碳排放核算结果的步骤具体为：
S301：从规范化的碳排放数据集中，利用支持向量机进行特征选择，建立碳排放核算关键特征集；
S302：基于碳排放核算关键特征集，运用最小二乘法建立线性回归模型，估算碳排放量，生成初步碳排放核算估算值；
S303：利用排放因子法，并基于已有的排放因子数据库，对初步碳排放核算估算值进行交叉验证，生成排放因子法核算值；
S304：综合初步碳排放核算估算值和排放因子法核算值，应用蒙特卡洛模拟进行误差范围的计算和结果修正，生成碳排放核算结果。
首先，通过特征选择算法，精选出关键特征集，减少了数据中的冗余信息，提高了核算的准确性和效率。这有助于从大量的特征中筛选出对碳排放量影响最大的要素，优化模型的构建，提高算法的精确度。
其次，应用最小二乘法建立线性回归模型，能够根据选定的关键特征集，估算碳排放量并生成初步的估算值。最小二乘法能够优化模型拟合，找到最佳的回归系数，提供可靠的核算估算结果。
进一步地，采用排放因子法进行交叉验证，将初步的估算值与已有的排放因子相乘，得到基于排放因子法的核算值。这种交叉验证能够通过对比排放因子法和最小二乘法的结果，验证核算值的准确性和可靠性，提供双重验证的信任度。
最后，应用蒙特卡洛模拟进行误差范围的计算和结果修正，提供更可靠和精确的碳排放核算结果。蒙特卡洛模拟通过随机抽样和多次实验，考虑数据的不确定性和误差范围，为核算结果提供更准确的范围估计和修正方案，增强了核算结果的可信度。
请参阅图5，对碳排放核算结果进行大数据分析，采用k-均值聚类算法来识别碳排放模式和趋势，产生深度碳排放分析报告和可视化数据的步骤具体为：
S401：导入生成碳排放核算结果，采用Z-分数方法进行数据标准化和异常值检测，生成预处理后的碳排放数据；
S402：基于预处理后的碳排放数据，采用K-均值聚类算法确定最佳的K值对数据进行分类，找出不同的碳排放模式，获取碳排放模式标签数据；
S403：利用碳排放模式标签数据，进行滑动窗口法时序分析识别碳排放趋势，生成碳排放趋势分析报告；
S404：结合碳排放趋势分析报告，采用数据可视化工具，生成深度碳排放分析报告和可视化数据。
首先，通过数据标准化和异常值检测，对碳排放核算结果进行预处理，确保数据的准确性和一致性。这有助于消除数据中的噪声和异常值的干扰，提高后续分析的可靠性。
其次，采用K-均值聚类算法将数据进行分类，识别出不同的碳排放模式。这一步骤能够揭示数据中存在的潜在模式和规律，帮助理解碳排放数据集中的不同趋势和特点，并为后续分析提供有针对性的洞察。
进一步，通过滑动窗口法进行时序分析，识别碳排放趋势。这能够发现碳排放量的变化趋势，如增长、减少或波动，为决策者提供对未来碳排放变化的理解和预测，支持制定科学的减排策略和政策。
最后，通过数据可视化工具，对深度碳排放分析结果进行可视化展示。可视化数据以图表、图像和地图等形式表达，能够直观地呈现碳排放模式和趋势的洞察，为决策者提供更加清晰、易懂的信息，促进科学决策和行动的制定。
请参阅图6，利用深度碳排放分析报告和可视化数据，采用支持向量机进行碳排放预测，并用遗传算法优化控制策略，生成碳排放预测和优化控制方案的步骤具体为：
S501：基于深度碳排放分析报告和可视化数据，选取关键特征，并使用主成分分析进行数据降维，整理为支持向量机训练数据集；
S502：使用支持向量机训练数据集，利用支持向量机和径向基函数，建立碳排放预测模型；
S503：基于碳排放预测模型，采用遗传算法和适应度函数进行模型参数优化和控制策略优化，生成优化后的碳排放控制策略；
S504：利用优化后的碳排放控制策略，预测未来的碳排放情况，生成碳排放预测和优化控制方案。
首先，基于深度碳排放分析报告和可视化数据，从大量特征中选取关键特征，并使用主成分分析对数据进行降维，提高数据处理效率和模型训练的准确性。
其次，利用支持向量机和径向基函数，建立碳排放预测模型，在训练数据集上进行训练。支持向量机是一种高效而强大的机器学习算法，通过学习样本的特征和标签之间的关系，能够准确预测未知数据的碳排放量。
进一步，应用遗传算法和适应度函数，对模型参数进行优化和控制策略进行优化。遗传算法能够优化模型参数的调整和控制策略的制定，以实现最小化碳排放量或达到特定的减排目标。这有助于制定出更有效的碳排放控制策略，提高减排效果。
最后，使用优化后的碳排放控制策略进行未来的碳排放预测，生成碳排放预测和优化控制方案。这能够为决策者提供在不同情景下的碳排放趋势预测和相应的优化控制方案，以进行减排目标的规划和实施。
请参阅图7，基于碳排放预测和优化控制方案，实时调整生产和能源消耗，使用在线学习算法进行效果监测和调整，产生实时碳排放报告和减排效果评估的步骤具体为：
S601：导入碳排放预测和优化控制方案，结合当前生产和能源消耗数据，使用线性回归进行实时调整，生成调整后的生产和能源消耗数据；
S602：基于调整后的生产和能源消耗数据，应用随机梯度下降算法对碳排放进行监测，建立在线碳排放监测报告；
S603：结合在线碳排放监测报告，实时检测和修正生产和能源调整策略，确保碳排放在可控范围内，建立调整后的生产和能源策略；
S604：利用调整后的生产和能源策略，评估减排效果并生成综合报告，获取实时碳排放报告和减排效果评估。
首先，通过实时调整生产和能源消耗，根据碳排放预测和优化控制方案进行灵活调整，能够快速响应碳排放的变化情况，降低碳排放量。这有助于实现更高效的能源利用和生产过程的优化，减少碳排放的同时提高资源利用效率。
其次，应用在线学习算法进行效果监测和调整，能够实时监测碳排放量的变化趋势，并利用随机梯度下降算法进行动态调整。这样可以保持系统对碳排放的精确监测，并及时对生产和能源策略进行修正，确保碳排放在可控范围内。
进一步，生成实时碳排放报告和减排效果评估。通过调整后的生产和能源策略以及在线学习算法的监测结果，系统能够进行准确的碳排放量评估，并及时生成实时的碳排放报告和减排效果评估。这有助于决策者全面了解碳排放情况和减排效果，为进一步优化控制策略提供指导。
请参阅图8，一种温室气体排放控制系统用于执行上述温室气体排放控制方法，温室气体排放控制系统是由数据采集模块、数据预处理模块、核算分析模块、预测优化模块、实施调整模块组成。
数据采集模块基于工业互联网标识技术，采用MQTT协议和K-均值聚类算法获取并筛选碳排放数据，生成实时碳排放源数据集；
数据预处理模块基于实时碳排放源数据集，采用Z-分数方法和卡尔曼滤波器进行数据清洗和标准化，生成规范化碳排放数据集；
核算分析模块基于规范化碳排放数据集，利用支持向量机和最小二乘法进行特征选择和碳排放估算，生成碳排放核算结果；
预测优化模块基于碳排放核算结果，采用K-均值聚类算法和遗传算法进行碳排放趋势分析和控制策略优化，生成碳排放预测和优化控制方案；
实施调整模块基于碳排放预测和优化控制方案，利用线性回归和随机梯度下降算法进行碳排放实时监测和生产策略修正，生成实时碳排放报告和减排效果评估。
首先，数据采集模块利用工业互联网标识技术，采用MQTT协议和K-均值聚类算法，能够高效地获取和筛选碳排放数据，生成实时碳排放源数据集。这提供了及时、准确的碳排放数据，为后续的分析和控制提供了可靠的基础。
其次，数据预处理模块基于实时碳排放源数据集，采用Z-分数方法和卡尔曼滤波器进行数据清洗和标准化，生成规范化的碳排放数据集。这样做的好处是消除了数据中的异常和噪声，提高了数据质量和准确性。
接下来，核算分析模块基于规范化碳排放数据集，利用支持向量机和最小二乘法进行特征选择和碳排放估算，生成准确的碳排放核算结果。这使决策者能够了解不同因素对碳排放的贡献，有针对性地制定减排策略。
进一步，预测优化模块基于碳排放核算结果，采用K-均值聚类算法和遗传算法进行碳排放趋势分析和控制策略优化，生成碳排放预测和优化控制方案。通过这一步骤，系统能够预测未来的碳排放趋势，并优化控制策略以实现更有效的减排目标。
最后，实施调整模块基于碳排放预测和优化控制方案，利用线性回归和随机梯度下降算法进行碳排放的实时监测和生产策略修正，生成实时碳排放报告和减排效果评估。这一步骤使决策者能够及时了解实际的碳排放状况和减排效果，为决策提供实时的反馈和评估。
请参阅图9，数据采集模块包括传感器部署子模块、数据获取子模块、关键数据筛选子模块、波形及异常频率识别子模块；
数据预处理模块包括数据清洗子模块、数据格式标准化子模块、数据噪声和异常值处理子模块；
核算分析模块包括特征选择子模块、线性回归模型建立子模块、碳排放核算估算子模块、结果修正子模块；
预测优化模块包括碳排放模式探测子模块、趋势分析子模块、预测模型建立子模块、优化控制策略子模块；
实施调整模块包括实时调整子模块、碳排放监测子模块、调整策略修正子模块、减排效果评估子模块。
首先，数据采集模块的传感器部署子模块可在关键位置部署传感器，实时获取碳排放相关数据，确保数据采集的全面性和准确性。数据获取子模块利用MQTT协议进行数据传输，实现高效的数据采集过程。关键数据筛选子模块通过K-均值聚类算法筛选出与碳排放相关的重要数据，减少冗余数据的干扰，提高数据准确性。波形及异常频率识别子模块能够检测并识别数据中的波形和异常频率，帮助发现潜在的碳排放问题，并提供修正依据。
其次，数据预处理模块的数据清洗子模块通过消除异常值和噪声数据，提高数据质量和可靠性。数据格式标准化子模块将数据转换为统一的格式，方便后续的数据分析和处理。数据噪声和异常值处理子模块通过使用Z-分数方法和卡尔曼滤波器，对异常值和噪声进行处理，提供更准确和稳定的数据集。
然后，核算分析模块的特征选择子模块能够从大量的特征中选取与碳排放密切相关的关键特征，提高模型的准确性和效率。线性回归模型建立子模块建立了与碳排放相关的线性回归模型，通过分析特征与碳排放之间的关系，估算碳排放量。碳排放核算估算子模块根据建立的模型和选定的特征，进行碳排放核算，提供准确的排放量估算结果。结果修正子模块可以根据实际情况对估算结果进行修正，提高结果的准确性和可靠性。
接下来，预测优化模块的碳排放模式探测子模块可以通过数据分析和模式识别，探测出碳排放的模式和趋势。趋势分析子模块可以根据历史数据和趋势进行预测，帮助预测未来的碳排放情况。预测模型建立子模块可以建立预测模型，提供更准确的未来碳排放预测。优化控制策略子模块根据预测结果和优化算法，制定合理的碳排放控制策略，实现更有效的减排目标。
最后，实时调整模块的实时调整子模块能够根据实时数据和预测结果，实时调整生产和能源消耗，以控制碳排放。碳排放监测子模块通过实时监测数据，提供实时的碳排放情况和趋势信息，帮助决策者及时了解和评估碳排放状况。调整策略修正子模块能够根据实时监测结果，对生产策略进行调整和修正，实现更精确的碳排放控制。减排效果评估子模块通过对实施调整的效果进行评估，提供减排效果的评估报告，帮助决策者了解减排的效果和改进策略。
综合以上效果，该温室气体排放控制系统的各个模块相互配合，能够实现数据采集、预处理、核算分析、预测优化和实施调整等多个环节的综合控制。这些有益效果提供了精确、实时的碳排放数据和预测结果，并帮助优化碳排放控制策略，实现更高效的减排目标。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (9)
1.一种温室气体排放控制方法，其特征在于，包括以下步骤：
使用工业互联网标识技术，部署传感器和智能终端于关键碳排放源点，进行实时数据采集，数据处理采用快速傅里叶变换来分析时域和频域特性，生成实时碳排放源数据集；
基于所述实时碳排放源数据集，应用自适应滤波算法进行数据清洗和标准化，得到规范化的碳排放数据集；
基于所述规范化的碳排放数据集，采用最小二乘法进行碳排放量的核算，与排放因子法进行交叉验证，生成碳排放核算结果；
对所述碳排放核算结果进行大数据分析，采用k-均值聚类算法来识别碳排放模式和趋势，产生深度碳排放分析报告和可视化数据；
利用所述深度碳排放分析报告和可视化数据，采用支持向量机进行碳排放预测，并用遗传算法优化控制策略，生成碳排放预测和优化控制方案；
基于所述碳排放预测和优化控制方案，实时调整生产和能源消耗，使用在线学习算法进行效果监测和调整，产生实时碳排放报告和减排效果评估；
基于所述规范化的碳排放数据集，采用最小二乘法进行碳排放量的核算，与排放因子法进行交叉验证，生成碳排放核算结果的步骤具体为：
从所述规范化的碳排放数据集中，利用支持向量机进行特征选择，建立碳排放核算关键特征集；
基于所述碳排放核算关键特征集，运用最小二乘法建立线性回归模型，估算碳排放量，生成初步碳排放核算估算值；
利用排放因子法，并基于已有的排放因子数据库，对所述初步碳排放核算估算值进行交叉验证，生成排放因子法核算值；
综合所述初步碳排放核算估算值和排放因子法核算值，应用蒙特卡洛模拟进行误差范围的计算和结果修正，生成碳排放核算结果。
2.根据权利要求1所述的温室气体排放控制方法，其特征在于，使用工业互联网标识技术，部署传感器和智能终端于关键碳排放源点，进行实时数据采集，数据处理采用快速傅里叶变换来分析时域和频域特性，生成实时碳排放源数据集的步骤具体为：
利用工业互联网标识技术，选用低功耗蓝牙传感器部署于关键碳排放源点，使得传感器节点具有唯一标识符，建立碳排放源点传感器部署；
基于所述碳排放源点传感器部署，通过MQTT协议获取实时原始碳排放数据；
对所述实时原始碳排放数据使用K-均值聚类进行数据分组，以筛选出关键数据字段，建立关键碳排放数据；
利用快速傅里叶变换，对关键碳排放数据进行时域和频域分析，识别波形模式和异常频率，实时碳排放源数据集。
3.根据权利要求1所述的温室气体排放控制方法，其特征在于，基于所述实时碳排放源数据集，应用自适应滤波算法进行数据清洗和标准化，得到规范化的碳排放数据集的步骤具体为：
对所述实时碳排放源数据集应用Z-分数方法，进行噪声和异常值的标准化处理，获取去噪初步数据集；
基于所述去噪初步数据集，使用卡尔曼滤波器进行数据清洗，获取清洗后的碳排放数据；
基于所述清洗后的碳排放数据，应用归一化算法对数据进行格式标准化，生成标准化数据集；
基于所述标准化数据集，使用主成分分析进行降维和整合，消除冗余信息，生成规范化的碳排放数据集。
4.根据权利要求1所述的温室气体排放控制方法，其特征在于，对所述碳排放核算结果进行大数据分析，采用k-均值聚类算法来识别碳排放模式和趋势，产生深度碳排放分析报告和可视化数据的步骤具体为：
导入生成碳排放核算结果，采用Z-分数方法进行数据标准化和异常值检测，生成预处理后的碳排放数据；
基于所述预处理后的碳排放数据，采用K-均值聚类算法确定最佳的K值对数据进行分类，找出不同的碳排放模式，获取碳排放模式标签数据；
利用碳排放模式标签数据，进行滑动窗口法时序分析识别碳排放趋势，生成碳排放趋势分析报告；
结合所述碳排放趋势分析报告，采用数据可视化工具，生成深度碳排放分析报告和可视化数据。
5.根据权利要求1所述的温室气体排放控制方法，其特征在于，利用所述深度碳排放分析报告和可视化数据，采用支持向量机进行碳排放预测，并用遗传算法优化控制策略，生成碳排放预测和优化控制方案的步骤具体为：
基于所述深度碳排放分析报告和可视化数据，选取关键特征，并使用主成分分析进行数据降维，整理为支持向量机训练数据集；
使用支持向量机训练数据集，利用支持向量机和径向基函数，建立碳排放预测模型；
基于所述碳排放预测模型，采用遗传算法和适应度函数进行模型参数优化和控制策略优化，生成优化后的碳排放控制策略；
利用所述优化后的碳排放控制策略，预测未来的碳排放情况，生成碳排放预测和优化控制方案。
6.根据权利要求1所述的温室气体排放控制方法，其特征在于，基于所述碳排放预测和优化控制方案，实时调整生产和能源消耗，使用在线学习算法进行效果监测和调整，产生实时碳排放报告和减排效果评估的步骤具体为：
导入碳排放预测和优化控制方案，结合当前生产和能源消耗数据，使用线性回归进行实时调整，生成调整后的生产和能源消耗数据；
基于所述调整后的生产和能源消耗数据，应用随机梯度下降算法对碳排放进行监测，建立在线碳排放监测报告；
结合所述在线碳排放监测报告，实时检测和修正生产和能源调整策略，确保碳排放在可控范围内，建立调整后的生产和能源策略；
利用所述调整后的生产和能源策略，评估减排效果并生成综合报告，获取实时碳排放报告和减排效果评估。
7.一种温室气体排放控制系统，其特征在于，所述温室气体排放控制系统用于执行权利要求1-6任一所述的温室气体排放控制方法，所述温室气体排放控制系统是由数据采集模块、数据预处理模块、核算分析模块、预测优化模块、实时调整模块组成。
8.根据权利要求7所述的温室气体排放控制系统，其特征在于，所述数据采集模块基于工业互联网标识技术，采用MQTT协议和K-均值聚类算法获取并筛选碳排放数据，生成实时碳排放源数据集；
所述数据预处理模块基于实时碳排放源数据集，采用Z-分数方法和卡尔曼滤波器进行数据清洗和标准化，生成规范化碳排放数据集；
所述核算分析模块基于规范化碳排放数据集，利用支持向量机和最小二乘法进行特征选择和碳排放估算，生成碳排放核算结果；
所述预测优化模块基于碳排放核算结果，采用K-均值聚类算法和遗传算法进行碳排放趋势分析和控制策略优化，生成碳排放预测和优化控制方案；
所述实时调整模块基于碳排放预测和优化控制方案，利用线性回归和随机梯度下降算法进行碳排放实时监测和生产策略修正，生成实时碳排放报告和减排效果评估。
9.根据权利要求7所述的温室气体排放控制系统，其特征在于，所述数据采集模块包括传感器部署子模块、数据获取子模块、关键数据筛选子模块、波形及异常频率识别子模块；
所述数据预处理模块包括数据清洗子模块、数据格式标准化子模块、数据噪声和异常值处理子模块；
所述核算分析模块包括特征选择子模块、线性回归模型建立子模块、碳排放核算估算子模块、结果修正子模块；
所述预测优化模块包括碳排放模式探测子模块、趋势分析子模块、预测模型建立子模块、优化控制策略子模块；
所述实时调整模块包括实时调整子模块、碳排放监测子模块、调整策略修正子模块、减排效果评估子模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675483.0A CN117743785B (zh) | 2023-12-08 | 2023-12-08 | 一种温室气体排放控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311675483.0A CN117743785B (zh) | 2023-12-08 | 2023-12-08 | 一种温室气体排放控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117743785A CN117743785A (zh) | 2024-03-22 |
| CN117743785B true CN117743785B (zh) | 2024-09-20 |
Family
ID=90280467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311675483.0A Active CN117743785B (zh) | 2023-12-08 | 2023-12-08 | 一种温室气体排放控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743785B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
| CN115953074A (zh) * | 2023-01-10 | 2023-04-11 | 杭州太阁未名科技有限公司 | 基于多项式拟合的火电碳排放核算方法及其应用 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220358515A1 (en) * | 2021-05-07 | 2022-11-10 | The Boston Consulting Group, Inc. | Carbon emissions management system |
| CN115965102A (zh) * | 2022-04-14 | 2023-04-14 | 河北省水文工程地质勘查院(河北省遥感中心) | 一种碳排放时空大数据的定位和计算方法及系统 |
| CN116664161B (zh) * | 2023-05-25 | 2023-11-28 | 东北林业大学 | 一种基于燃煤火电厂的二氧化碳排放核算技术选择方法 |
| CN117113022A (zh) * | 2023-05-29 | 2023-11-24 | 国家电网有限公司华中分部 | 一种区域碳排放计算方法、系统、存储介质及设备 |
| CN116843298A (zh) * | 2023-07-11 | 2023-10-03 | 成都中能弘景能源科技有限公司 | 一种基于零碳的机构综合服务平台 |
-
2023
- 2023-12-08 CN CN202311675483.0A patent/CN117743785B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
| CN115953074A (zh) * | 2023-01-10 | 2023-04-11 | 杭州太阁未名科技有限公司 | 基于多项式拟合的火电碳排放核算方法及其应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117743785A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghahramani et al. | AI-based modeling and data-driven evaluation for smart manufacturing processes | |
| CN107533560A (zh) | 用于推断原料成分的数据清理系统和方法 | |
| CN107430398A (zh) | 用于调谐工艺模型的系统和方法 | |
| CN117574308B (zh) | 基于人工智能的计量芯片异常检测方法及系统 | |
| Zaefferer et al. | A case study on multi-criteria optimization of an event detection software under limited budgets | |
| CN118214502A (zh) | 一种数字广播信号质量实时监控方法及系统 | |
| CN118395395A (zh) | 一种城市尺度生物多样性智能监测方法及装置 | |
| CN117743785B (zh) | 一种温室气体排放控制方法及系统 | |
| WO2020034248A1 (zh) | 一种基于核磁共振分析仪的原油快速评价建模云平台 | |
| CN117436849B (zh) | 基于大数据技术的医疗器械维修处理方法及系统 | |
| CN117371765B (zh) | 基于节能降碳智慧能源的综合优化运行方法及系统 | |
| CN118192908A (zh) | 云打印机的订单数据处理方法及装置 | |
| Senvar et al. | Process capability and six sigma methodology including fuzzy and lean approaches | |
| Udendhran et al. | Smart Energy Consumption Control in Commercial Buildings Using Machine Learning and IOT | |
| CN117951192A (zh) | 一种基于数据挖掘的碳排放监测数据管理方法及系统 | |
| CN118153728A (zh) | 一种基于人工智能的碳资产管理决策支持方法及系统 | |
| Xu et al. | A data-driven approach toward a machine-and system-level performance monitoring digital twin for production lines | |
| CN118331072B (zh) | 一种空气制水机空气流速自适应控制建模方法 | |
| CN114936203B (zh) | 基于时序数据和业务数据融合分析的方法 | |
| Di Giuda et al. | Building performance and occupancy evaluation for public building stock management: A state of the art | |
| CN118311935B (zh) | 一种家居自动化生产控制系统及方法 | |
| CN117870034B (zh) | 洁净室环境参数的控制方法、装置及系统 | |
| CN117174197B (zh) | 基于动态有监督机器学习的臭氧污染风险预报方法 | |
| Sun et al. | A large-scale graph clustering method for cell conditions spatio-temporal localization in aluminum electrolysis | |
| Tian et al. | Macroeconomic Early Warning Method Based on Support Vector Machine under Multi‐Sensor Data Fusion Technology |
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 |