CN117788218A - 一种碳排放评估方法及系统 - Google Patents
一种碳排放评估方法及系统 Download PDFInfo
- Publication number
- CN117788218A CN117788218A CN202410201901.0A CN202410201901A CN117788218A CN 117788218 A CN117788218 A CN 117788218A CN 202410201901 A CN202410201901 A CN 202410201901A CN 117788218 A CN117788218 A CN 117788218A
- Authority
- CN
- China
- Prior art keywords
- power generation
- carbon emission
- carbon
- data
- generation facility
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 380
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 379
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000010248 power generation Methods 0.000 claims abstract description 234
- 238000006243 chemical reaction Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000005265 energy consumption Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 18
- 238000004177 carbon cycle Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 20
- 239000003245 coal Substances 0.000 description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 description 10
- 239000001569 carbon dioxide Substances 0.000 description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000010521 absorption reaction Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种碳排放评估方法及系统,涉及碳排放监控技术领域;碳排放评估方法包括:获取电网系统内的发电设施的电力数据、能源数据、发电设施所在的预设区域内的遥感图像数据以及大气监测数据;并建立发电设施的碳排放模型;根据遥感图像数据,通过特征提取分类模型得到预设区域内的地物类型分布,并根据地物类型分布建立预设区域内的碳排放循环模型;根据碳排放循环模型和当前时刻的气候数据,得到碳转化数据;进而得到预设区域内碳循环过程的影响权重;根据影响权重以及深度学习网络,得到发电设施在预设未来时间段的净碳排放量,并根据净碳排放量对发电设施进行评估。本发明可以提高发电设施碳排放评估的精度,使评估结果更加可靠和准确。
Description
技术领域
本发明涉及碳排放监控技术领域,具体而言,涉及一种碳排放评估方法及系统。
背景技术
目前,由于碳排放对环境的影响巨大,因此需要对工厂、交通以及能源生产等碳排放区域的排放量进行评估分析,一般通过对电网系统中的发电设施的运行数据进行分析,得到发电设施在未来一定时间段内的碳排放量,以实现对排放源的碳排放量估算和预测。
在现有技术中,在对存在特殊环境的区域内的工厂、交通以及能源生产进行碳排放检测及评估时,由于特殊环境的中碳循环对碳排放的影响,导致对工厂、交通以及能源生产等发电设施的评估出现较大误差,例如:湿地、沼泽地等区域内的发电设施容易受环境影响,进而导致发电设施的净碳排放量受不同区域环境影响,造成预测和估算的结果要高于实际的碳排放,进而导致对发电设施的碳排放评估精度不佳。
发明内容
本发明解决的技术问题是如何提高发电设施的碳排放评估精度。
为解决上述问题,本发明提供一种碳排放评估方法,包括:
获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;
其中,所述发电设施的能源数据包括能源类型和能源消耗量,所述电力数据包括所述发电设施的发电容量、发电效率以及运行时间;
根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型;
根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型;
根据所述碳排放循环模型和当前时刻的气候数据,得到碳转化数据;
根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重;
根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,并根据所述净碳排放量对发电设施进行评估。
可选地,所述根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型,包括:
根据所述能源类型,计算碳排放因子并得到所述发电设施在使用对应能源类型时的碳转化率;
根据所述能源消耗量,得到所述发电设施在每天的预设时间段的能源消耗总量;
根据所述碳排放因子、所述预设时间段的能源消耗总量和所述发电设施的发电容量、发电效率以及运行时间,建立所述碳排放模型;
其中,每个能源类型对应一个所述碳排放模型。
可选地,所述根据所述碳排放因子、所述预设时间段的能源消耗总量和所述发电设施的发电容量、发电效率以及运行时间,建立所述碳排放模型,包括:
根据所述碳排放因子与所述预设时间段的所述能源消耗总量的乘积,得到所述发电设施在所述预设时间段的碳排放量;
根据所述预设时间段的碳排放量,得到所述发电设施在全天的碳排放量分布;
根据所述全天的碳排放量分布,结合发电容量、发电效率以及运行时间,建立所述碳排放模型。
可选地,所述根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型,包括:
根据所述遥感图像数据,进行特征提取得到所述遥感图像数据的光谱特征、纹理特征以及形状特征;
将所述光谱特征、所述纹理特征以及所述形状特征输入特征识别网络;
根据所述特征识别网络的输出,得到所述预设区域内的地物分布图;
根据所述地物分布图,得到所述预设区域内的碳排放循环模型。
可选地,所述地物分布图包括多个地物区域,所述根据所述地物分布图,得到所述预设区域内的碳排放循环模型,包括:
根据每个所述地物区域,建立所述地物区域对应的碳循环模型;
根据每个所述地物区域对应的所述碳循环模型,建立所述碳排放循环模型。
可选地,所述根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重,包括:
根据所述碳转化数据,得到在所述预设时间段内的碳转化情况;
根据所述碳转化情况进行归一化处理,并对归一化后的碳转化情况分配所述影响权重,得到所述预设时间段内的所述影响权重。
可选地,所述根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,包括:
根据所述碳排放模型,得到所述发电设施的当前能源消耗、当前碳排放系数和当前能源类型;
根据所述当前能源消耗、所述当前碳排放系数和所述当前能源类型,得到所述发电设施在所述当前时刻的当前碳排放量;
根据预设时间段内的所述影响权重,对所述当前碳排放量进行加权计算,得到加权后的所述发电设施的当前碳排放量;
将所述加权后的发电设施的当前碳排放量和全天的碳排放量分布输入所述深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量。
可选地,所述根据所述碳排放循环模型和当前时刻的气候数据,得到所述碳转化数据,包括:
根据所述碳排放循环模型、所述当前时刻的气候数据,得到所述预设区域的所有所述地物区域的自身碳转化情况;
根据所有所述地物区域的自身碳转化情况,得到所述预设区域在所述当前时刻的碳转化数据。
可选地,所述获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据,包括:
通过分布式系统,获取所述电网系统内的所述发电设施的电力数据、所述能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;
其中,所述分布式系统包括多个节点,所述节点分别对应处理所述电网系统内的一个所述发电设施。
本发明还提供一种碳排放评估系统,应用于上述所述的碳排放评估方法,碳排放评估系统包括:
获取单元:用于获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;其中,所述发电设施的能源数据包括能源类型和能源消耗量,所述电力数据包括所述发电设施的发电容量、发电效率以及运行时间;
第一模型建立单元:用于根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型;
第二模型建立单元:用于根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型;
第一数据处理单元:用于根据所述碳排放循环模型和当前时刻的气候数据,得到碳转化数据;
第二数据处理单元:用于根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重;
第三数据处理单元:用于根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,并根据所述净碳排放量对发电设施进行评估。
本发明的碳排放评估方法及系统,通过提高获取的电力数据、能源数据、遥感图像数据和大气监测数据的精度和准确性,可以减少数据误差对碳排放评估的影响,并且对碳排放模型和碳排放循环模型的参数进行优化和校准,使其更准确地反映实际情况,通过及时更新碳转化数据,结合最新的气候数据,以获得更为准确的碳循环过程影响权重,并且对深度学习网络进行优化和训练,以提高其对碳排放数据的处理和分析能力,从而提高净碳排放量的预测精度。此外,还综合考虑发电设施的能源类型、设施运行状态、地理环境等多种因素,进行综合评估,提高评估结果的准确性。本发明可以提高发电设施碳排放评估的精度,使评估结果更加可靠和准确。
附图说明
图1为本发明实施例的碳排放评估方法的流程图之一;
图2为本发明实施例的碳排放评估方法的流程图之二;
图3为本发明实施例的碳排放评估方法的流程图之三;
图4为本发明实施例的碳排放评估方法的流程图之四;
图5为本发明实施例的碳排放评估方法的流程图之五;
图6为本发明实施例的碳排放评估系统的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
结合图1所示,本发明提供一种碳排放评估方法,包括:
S1:获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;其中,所述发电设施的能源数据包括能源类型和能源消耗量,所述电力数据包括所述发电设施的发电容量、发电效率以及运行时间。
具体地,获取电网系统内发电设施的电力数据和能源数据可以通过能源管理系统或者电力公司的数据库进行。这些数据通常包括发电设施的发电容量(即能够输出的最大功率)、发电效率(表示发电设施将输入能源转化为电能的效率)以及运行时间(指发电设施的运行时长)。能源数据包括能源类型(如煤炭、天然气、水力、风能、太阳能等)和能源消耗量(表示发电设施所消耗的能源数量)。
获取预设区域内的遥感图像数据和大气监测数据则可以通过气象部门或者环境保护部门提供的数据。遥感图像数据可以包括卫星图像、航拍图像等,用于展示发电设施的空间分布、周边环境等。大气监测数据可以包括空气质量、气象条件等数据,用于研究发电设施对周边大气环境的影响。
例如:一家煤炭发电厂可能会有记录其发电容量为1000兆瓦,发电效率为40%,运行时间为每年8000小时的电力数据,而能源数据可能显示其使用煤炭作为主要能源,每年消耗100万吨煤。同时,环保部门会提供该发电厂周边的大气监测数据和遥感图像数据,以便监测其对周边环境的影响。
S2:根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型。
具体地,建立发电设施的碳排放模型时,需要考虑能源类型对碳排放的影响,以及能源消耗量、发电容量、发电效率和运行时间对碳排放的影响。首先,能源类型是确定碳排放因子的关键因素。不同能源(如煤炭、天然气、石油、生物质能等)燃烧产生的二氧化碳排放系数是不同的。例如,煤炭燃烧的二氧化碳排放系数远高于天然气。因此,需要根据具体的能源类型确定碳排放系数。其次,能源消耗量也需要考虑,因为能源消耗量与碳排放量存在直接的线性关系。发电容量决定了发电设施的潜在碳排放能力,较大的发电容量一般会意味着较高的潜在碳排放量。发电效率会影响到单位发电量所需的能源消耗量,较高的发电效率意味着单位发电量的碳排放量相对较低。最后,发电设施的运行时间也会对碳排放量产生影响,长时间运行通常会导致更多的碳排放。综合考虑以上因素,在本实施例中,可建立如下的碳排放模型,例如:碳排放量 = 能源消耗量 * 碳排放系数;其中,能源消耗量可以通过发电容量、发电效率和运行时间计算得出,碳排放系数根据具体能源类型确定。这样可以很好地估计发电设施的碳排放量。
例如,一座燃煤发电厂,其发电容量为1000兆瓦,发电效率为40%,每年运行8000小时,消耗煤炭100万吨。煤炭的碳排放系数为每吨煤产生2.4吨二氧化碳。那么根据上述模型,可以计算出该发电厂的碳排放量为:碳排放量 = 100万吨 * 2.4 = 240万吨二氧化碳。这个模型可以应用于不同类型的发电设施,根据具体情况对碳排放进行估算。
S3:根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型。
具体地,根据遥感图像数据,通过特征提取和分类模型来获取预设区域内的地物类型分布信息。特征提取是指从遥感图像中提取出不同地物的特征参数,例如颜色、纹理、形状等;分类模型可以根据这些特征参数对图像进行地物分类,将图像中的不同区域划分为对应的地物类型,如水域、森林、城市、农田等。通过获得的地物类型分布的信息,基于这些数据建立预设区域内的碳排放循环模型,碳排放循环模型用来模拟和描述各种不同地物类型相互作用的复杂系统。根据地物类型分布,可以构建碳循环过程的模型。通过分析地物类型分布及其碳排放循环模型,可以更好地理解预设区域内的环境特征和相互关系,为保护、管理和规划该区域的碳循环过程提供重要的参考和决策支持。
S4:根据所述碳排放循环模型和当前时刻的气候数据,得到碳转化数据。
具体地,根据碳排放循环模型和当前时刻的气候数据,可以评估和推断碳在碳循环过程中的转化过程。碳循环过程中的碳转化包括碳的吸收、释放和转运等过程,可以借助模型和气候数据来估算。其次,气候数据会对这些转化过程产生影响。例如,温度、湿度、降水等气候条件会影响碳循环的整个过程,从而影响碳的吸收和释放。
通过结合碳排放循环模型和气候数据,可以推断出一定时期内碳循环过程中碳的净吸收或者释放量。从而了解碳循环过程的碳吸收能力,评估其在碳循环中的作用。
S5:根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重。
具体地,根据碳转化数据,可以评估碳循环过程中不同地物类型对碳转化的影响。这包括植被对二氧化碳的吸收和土壤有机质对二氧化碳的释放等过程。其中,要得到预设区域内碳循环过程的影响权重,首先需要根据碳转化数据评估每种地物类型在碳转化过程中的贡献。例如,森林可能对吸收二氧化碳的贡献较大,湖泊对碳储存和释放有一定的影响,农田可能存在有机物分解释放二氧化碳等。然后,根据这些贡献程度来赋予不同地物类型的碳转化影响权重。权重可以是定量的,也可以是定性的描述。例如,如果森林对净碳吸收的贡献较大,可以赋予森林相对较高的权重;而如果农田对碳释放的贡献较大,可以赋予农田相对较高的权重。
S6:根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,并根据所述净碳排放量对发电设施进行评估。
具体地,深度学习网络可以接受输入的碳排放模型和影响权重,并输出预设未来时间段的净碳排放量。深度学习网络需要接收来自两个源的输入数据:一是发电设施的碳排放模型,包括其能源类型、能源消耗量、发电容量、和发电效率等信息;另一个是碳循环过程的影响权重,该权重会对碳排放模型进行加权。深度学习网络会学习和推断出预设未来时间段的净碳排放量。其中,需要大量的训练数据,包括历史的碳排放数据、影响权重和发电设施的运行数据。通过对这些数据进行学习,网络可以建立模式和关系,从而在给定未来时间段的影响权重和发电设施运行情况的情况下估计未来的净碳排放量。得到预设未来时间段的净碳排放量后,可以根据这些数据对发电设施进行评估。评估的结果用来体现未来时间段内发电设施的碳排放状况,为减少碳排放提供依据。
本发明的碳排放评估方法及系统,通过提高获取的电力数据、能源数据、遥感图像数据和大气监测数据的精度和准确性,可以减少数据误差对碳排放评估的影响,并且对碳排放模型和碳排放循环模型的参数进行优化和校准,使其更准确地反映实际情况,通过及时更新碳转化数据,结合最新的气候数据,以获得更为准确的碳循环过程影响权重,并且对深度学习网络进行优化和训练,以提高其对碳排放数据的处理和分析能力,从而提高净碳排放量的预测精度。此外,还综合考虑发电设施的能源类型、设施运行状态、地理环境等多种因素,进行综合评估,提高评估结果的准确性。本发明可以提高发电设施碳排放评估的精度,使评估结果更加可靠和准确。
可选地,结合图2所示,所述根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型,包括:
S21:根据所述能源类型,计算碳排放因子并得到所述发电设施在使用对应能源类型时的碳转化率;
S22:根据所述能源消耗量,得到所述发电设施在每天的预设时间段的能源消耗总量;
S23:根据所述碳排放因子、所述预设时间段的能源消耗总量和所述发电设施的发电容量、发电效率以及运行时间,建立所述碳排放模型;
其中,每个能源类型对应一个所述碳排放模型。
具体地,对于不同的能源类型(如煤炭、天然气、石油等),可以通过相关能源数据和排放标准来计算其对应的碳排放因子。例如,煤炭的碳排放因子通常为每吨煤炭产生的二氧化碳排放量。根据碳排放因子和发电设施所用能源的能源消耗量;计算出发电设施在使用对应能源类型时的碳转化率;以用来评估每种能源类型对环境的碳排放影响。根据能源消耗量、碳排放因子、发电容量、发电效率和运行时间,建立每种能源类型对应的碳排放模型。例如,该模型可以用于估算发电设施在每天预设时间段内的碳排放量,其中,在本发明的优选实施例中,可将预设时间段设置为当前时刻开始未来三个小时。每个能源类型对应一个碳排放模型,通过这些模型可以评估各种能源类型对环境的碳排放贡献程度。
在本实施例中,通过每种能源类型对应的碳排放模型,来计算发电设施的碳排放量;从而为评估和监测发电设施的碳排放提供重要数据和依据。
可选地,结合图3所示,所述根据所述碳排放因子、所述预设时间段的能源消耗总量和所述发电设施的发电容量、发电效率以及运行时间,建立所述碳排放模型,包括:
S231:根据所述碳排放因子与所述预设时间段的所述能源消耗总量的乘积,得到所述发电设施在所述预设时间段的碳排放量;
S232:根据所述预设时间段的碳排放量,得到所述发电设施在全天的碳排放量分布;
S233:根据所述全天的碳排放量分布,结合发电容量、发电效率以及运行时间,建立所述碳排放模型。
具体地,根据碳排放因子和预设时间段的能源消耗总量的乘积,得到发电设施在预设时间段内的碳排放量。根据预设时间段的碳排放量,可以推断发电设施在全天的碳排放量分布。其中,可考虑发电设施在不同时间段内的运行状态,以得到全天的碳排放量分布模式。通过结合全天的碳排放量分布、发电容量、发电效率和运行时间,建立碳排放模型;用来估算发电设施在全天的碳排放量,并为其碳排放管理提供参考。
在本实施例中,根据发电设施在不同时间段内的碳排放量和分布,并建立表征其碳排放模型;对监测和管理发电设施的碳排放具有重要意义,也有助于评估其对环境的影响。
可选地,结合图4所示,所述根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述预设区域内的碳排放循环模型,包括:
S31:根据所述遥感图像数据,进行特征提取得到所述遥感图像数据的光谱特征、纹理特征以及形状特征;
S32:将所述光谱特征、所述纹理特征以及所述形状特征输入特征识别网络;
S33:根据所述特征识别网络的输出,得到所述预设区域内的地物分布图;
S34:根据所述地物分布图,得到所述预设区域内的碳排放循环模型。
具体地,通过遥感图像数据,进行特征提取,获取光谱特征(基于不同波段的反射率)、纹理特征(如图像纹理的统计特性)和形状特征(例如不同对象的形状和大小);这些特征提取用来帮助识别和描述遥感图像中的不同地物类型。将所提取的光谱特征、纹理特征和形状特征输入到特征识别网络中。特征识别网络可以是基于机器学习或深度学习的模型,用于自动识别和分类图像中的不同地物类型。根据特征识别网络的输出结果,得到预设区域内的地物分布图。基于识别结果,建立相应的碳排放循环模型,以便考虑不同地物类型之间的相互作用。
在本实施例中,通过遥感图像数据的特征提取和特征识别网络的输出,可以得到预设区域内的碳排放循环模型,为研究该区域的碳循环和资源管理提供重要信息,例如植被覆盖、土壤类型、水文特征等。
可选地,结合图5所示,所述地物分布图包括多个地物区域,所述根据所述地物分布图,得到所述预设区域内的碳排放循环模型,包括:
S341:根据每个所述地物区域,建立所述地物区域对应的碳循环模型;
S342:根据每个所述地物区域对应的所述碳循环模型,建立所述碳排放循环模型。
具体地,根据每个所述地物区域,建立所述地物区域对应的碳循环模型,例如,根据植被区域的植被指数,确定植被类型以及其对应的植被覆盖度。再基于这些数据建立植被模型,考虑不同植被类型对碳循环过程的影响。当对预设区域内所有地物区域均建立对应的碳循环模型后,即可经整合成为整个预设区域的碳排放循环模型。
在本实施例紫红,通过建立一个完整的碳排放循环模型,以帮助理解和评估整个区域的碳循环状况。
可选地,所述根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重,包括:
根据所述碳转化数据,得到在所述预设时间段内的碳转化情况;
根据所述碳转化情况进行归一化处理,并对归一化后的碳转化情况分配所述影响权重,得到所述预设时间段内的所述影响权重。
具体地,利用已有的碳转化数据来推断预设时间段内的碳转化情况;将碳转化数据进行归一化处理,可以使不同的数据在相同的量纲范围内进行比较。例如:通过线性归一化、最大最小归一化或标准化等方法来实现。通过这种处理,将碳转化情况映射到0到1的范围内。再影响权重来对这些归一化后的数据进行分配。根据权重的分配,对不同的碳转化情况进行加权处理。
在本实施例中,通过获取预设时间段内的碳转化情况,并结合了不同因素对碳转化的影响,有助于评估该时间段内的整体碳转化情况,并为环境保护和碳排放管理提供决策支持。
可选地,所述根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,包括:
根据所述碳排放模型,得到所述发电设施的当前能源消耗、当前碳排放系数和当前能源类型;
根据所述当前能源消耗、所述当前碳排放系数和所述当前能源类型,得到所述发电设施在所述当前时刻的当前碳排放量;
根据预设时间段内的所述影响权重,对所述当前碳排放量进行加权计算,得到加权后的所述发电设施的当前碳排放量;
将所述加权后的发电设施的当前碳排放量和全天的碳排放量分布输入所述深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量。
具体地,根据碳排放模型获得当前能源消耗量和对应的碳排放系数,以及当前使用的能源类型。利用当前能源消耗和碳排放系数,得到发电设施在当前时刻的碳排放量。根据预设时间段内的影响权重,将当前的碳排放量进行加权计算;进而得到不同因素在不同时间段内对碳排放的影响程度。将加权后的当前碳排放量和碳排放分布输入深度学习网络;从而预测发电设施在预设未来时间段内的净碳排放量,其中,全天的碳排放量分布可以将全天分为多个时间段,每个时间段的碳排放量构成碳排放量的分布。
在本实施例中,通过评估发电设施的当前和未来的碳排放情况,并应用了影响权重以考虑不同因素对碳排放的影响;从而可以更加准确地预测发电设施在预设未来时间段内的净碳排放量。
可选地,所述根据所述碳排放循环模型和当前时刻的气候数据,得到所述碳转化数据,包括:
根据所述碳排放循环模型、所述当前时刻的气候数据,得到所述预设区域的所有所述地物区域的自身碳转化情况;
根据所有所述地物区域的自身碳转化情况,得到所述预设区域在所述当前时刻的碳转化数据。
具体地,基于碳排放循环模型和当前时刻的气候数据,分别评估预设区域内的所有地物区域的自身碳转化情况,例如植被区域、土壤区域、水文区域以及其他生物区域,其中,植被区域的光合作用、土壤中有机质的分解、水体中的溶解氧和二氧化碳等都会影响区域内的碳转化过程。将这些区域内的自身碳转化情况综合起来,就可以得到当前时刻的碳转化数据。这些数据可以反映区域内碳循环过程的整体碳转化情况,其中包括吸收和释放的碳量。
在本实施例中,通过在当前时刻获得预设区域内碳循环过程的碳转化数据;以便于更加准确地评估碳转化数据。
可选地,所述获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据,包括:
通过分布式系统,获取所述电网系统内的所述发电设施的电力数据、所述能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;
其中,所述分布式系统包括多个节点,所述节点分别对应处理所述电网系统内的一个所述发电设施。
具体地,首先,确定分布式系统中各个节点的位置和对应的发电设施。每个节点可以位于一个发电设施所在的位置,这样可以直接从该位置获取数据,也可以有效降低网络传输成本。每个节点负责从对应的发电设施获取电力数据、能源数据以及所在预设区域的遥感图像数据和大气监测数据。节点应能够高效地处理这些数据,并将其存储和处理,以便后续的合并和分析。当各个节点都完成了数据的获取和处理后,将数据合并、并进行分析。将来自各个节点的多个数据源进行整合,并进行更深入的分析,例如形成发电设施的能源利用模式、环境数据与能源数据之间的关联等。
在本实施例中,通分布式系统,可以更高效地获取和处理电网系统内的发电设施相关的多源数据,有利于提高数据处理效率。
结合图6所示,本发明还提供一种碳排放评估系统,应用于上述所述的碳排放评估方法,碳排放评估系统包括:
获取单元:用于获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;其中,所述发电设施的能源数据包括能源类型和能源消耗量,所述电力数据包括所述发电设施的发电容量、发电效率以及运行时间;
第一模型建立单元:用于根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型;
第二模型建立单元:用于根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型;
第一数据处理单元:用于根据所述碳排放循环模型和当前时刻的气候数据,得到碳转化数据;
第二数据处理单元:用于根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重;
第三数据处理单元:用于根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,并根据所述净碳排放量对发电设施进行评估。
本发明的碳排放评估系统,通过提高获取的电力数据、能源数据、遥感图像数据和大气监测数据的精度和准确性,可以减少数据误差对碳排放评估的影响,并且对碳排放模型和碳排放循环模型的参数进行优化和校准,使其更准确地反映实际情况,通过及时更新碳转化数据,结合最新的气候数据,以获得更为准确的碳循环过程影响权重,并且对深度学习网络进行优化和训练,以提高其对碳排放数据的处理和分析能力,从而提高净碳排放量的预测精度。此外,还综合考虑发电设施的能源类型、设施运行状态、地理环境等多种因素,进行综合评估,提高评估结果的准确性。本发明可以提高发电设施碳排放评估的精度,使评估结果更加可靠和准确。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种碳排放评估方法,其特征在于,包括:
获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;
其中,所述发电设施的能源数据包括能源类型和能源消耗量,所述电力数据包括所述发电设施的发电容量、发电效率以及运行时间;
根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型;
根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型;
根据所述碳排放循环模型和当前时刻的气候数据,得到碳转化数据;
根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重;
根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,并根据所述净碳排放量对发电设施进行评估。
2.根据权利要求1所述的碳排放评估方法,其特征在于,所述根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型,包括:
根据所述能源类型,计算碳排放因子并得到所述发电设施在使用对应能源类型时的碳转化率;
根据所述能源消耗量,得到所述发电设施在每天的预设时间段的能源消耗总量;
根据所述碳排放因子、所述预设时间段的能源消耗总量和所述发电设施的发电容量、发电效率以及运行时间,建立所述碳排放模型;
其中,每个能源类型对应一个所述碳排放模型。
3.根据权利要求2所述的碳排放评估方法,其特征在于,所述根据所述碳排放因子、所述预设时间段的能源消耗总量和所述发电设施的发电容量、发电效率以及运行时间,建立所述碳排放模型,包括:
根据所述碳排放因子与所述预设时间段的所述能源消耗总量的乘积,得到所述发电设施在所述预设时间段的碳排放量;
根据所述预设时间段的碳排放量,得到所述发电设施在全天的碳排放量分布;
根据所述全天的碳排放量分布,结合发电容量、发电效率以及运行时间,建立所述碳排放模型。
4.根据权利要求1所述的碳排放评估方法,其特征在于,所述根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型,包括:
根据所述遥感图像数据,进行特征提取得到所述遥感图像数据的光谱特征、纹理特征以及形状特征;
将所述光谱特征、所述纹理特征以及所述形状特征输入特征识别网络;
根据所述特征识别网络的输出,得到所述预设区域内的地物分布图;
根据所述地物分布图,得到所述预设区域内的碳排放循环模型。
5.根据权利要求4所述的碳排放评估方法,其特征在于,所述地物分布图包括多个地物区域,所述根据所述地物分布图,得到所述预设区域内的碳排放循环模型,包括:
根据每个所述地物区域,建立所述地物区域对应的碳循环模型;
根据每个所述地物区域对应的所述碳循环模型,建立所述碳排放循环模型。
6.根据权利要求3所述的碳排放评估方法,其特征在于,所述根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重,包括:
根据所述碳转化数据,得到在所述预设时间段内的碳转化情况;
根据所述碳转化情况进行归一化处理,并对归一化后的碳转化情况分配所述影响权重,得到所述预设时间段内的所述影响权重。
7.根据权利要求4所述的碳排放评估方法,其特征在于,所述根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,包括:
根据所述碳排放模型,得到所述发电设施的当前能源消耗、当前碳排放系数和当前能源类型;
根据所述当前能源消耗、所述当前碳排放系数和所述当前能源类型,得到所述发电设施在所述当前时刻的当前碳排放量;
根据预设时间段内的所述影响权重,对所述当前碳排放量进行加权计算,得到加权后的所述发电设施的当前碳排放量;
将所述加权后的发电设施的当前碳排放量和全天的碳排放量分布输入所述深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量。
8.根据权利要求5所述的碳排放评估方法,其特征在于,所述根据所述碳排放循环模型和当前时刻的气候数据,得到所述碳转化数据,包括:
根据所述碳排放循环模型、所述当前时刻的气候数据,得到所述预设区域的所有所述地物区域的自身碳转化情况;
根据所有所述地物区域的自身碳转化情况,得到所述预设区域在所述当前时刻的碳转化数据。
9.根据权利要求1所述的碳排放评估方法,其特征在于,所述获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据,包括:
通过分布式系统,获取所述电网系统内的所述发电设施的电力数据、所述能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;
其中,所述分布式系统包括多个节点,所述节点分别对应处理所述电网系统内的一个所述发电设施。
10.一种碳排放评估系统,其特征在于,应用于权利要求1-9任一项所述的碳排放评估方法,碳排放评估系统包括:
获取单元:用于获取电网系统内的发电设施的电力数据、能源数据、所述发电设施所在的预设区域内的遥感图像数据以及大气监测数据;其中,所述发电设施的能源数据包括能源类型和能源消耗量,所述电力数据包括所述发电设施的发电容量、发电效率以及运行时间;
第一模型建立单元:用于根据所述发电设施的能源类型、能源消耗量和所述发电设施的发电容量、发电效率以及运行时间,建立所述发电设施的碳排放模型;
第二模型建立单元:用于根据所述遥感图像数据,通过特征提取分类模型得到所述预设区域内的地物类型分布,并根据所述地物类型分布建立所述发电设施在所述预设区域内的碳排放循环模型;
第一数据处理单元:用于根据所述碳排放循环模型和当前时刻的气候数据,得到碳转化数据;
第二数据处理单元:用于根据所述碳转化数据,得到所述预设区域内碳循环过程的影响权重;
第三数据处理单元:用于根据所述影响权重对所述碳排放模型进行加权,通过深度学习网络,得到所述发电设施在预设未来时间段的净碳排放量,并根据所述净碳排放量对发电设施进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410201901.0A CN117788218A (zh) | 2024-02-23 | 2024-02-23 | 一种碳排放评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410201901.0A CN117788218A (zh) | 2024-02-23 | 2024-02-23 | 一种碳排放评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788218A true CN117788218A (zh) | 2024-03-29 |
Family
ID=90393023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410201901.0A Pending CN117788218A (zh) | 2024-02-23 | 2024-02-23 | 一种碳排放评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788218A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005107944A (ja) * | 2003-09-30 | 2005-04-21 | Simulation Technology:Kk | 温室効果ガス排出削減量算定方法 |
CN114971978A (zh) * | 2022-04-14 | 2022-08-30 | 重庆万泰电力科技有限公司 | 一种车间用电过程中的碳中和分析方法 |
CN115640876A (zh) * | 2022-09-27 | 2023-01-24 | 国网上海市电力公司 | 一种基于改进stirpat模型的电力能源碳排放预测方法 |
CN115719180A (zh) * | 2022-11-24 | 2023-02-28 | 国网河南省电力公司营销服务中心 | 一种工业园区降碳关键影响因素分析方法 |
CN115879632A (zh) * | 2022-12-20 | 2023-03-31 | 北京许继电气有限公司 | 工业企业碳排放测算数据的数据处理方法 |
CN115879976A (zh) * | 2022-12-02 | 2023-03-31 | 国网福建省电力有限公司 | 一种碳中和仿真方法及终端 |
CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
CN116523115A (zh) * | 2023-04-10 | 2023-08-01 | 贵州电网有限责任公司 | 一种基于碳核算智慧追踪的低碳园区碳管控方法及系统 |
US20230253787A1 (en) * | 2022-02-10 | 2023-08-10 | Johnson Controls Tyco IP Holdings LLP | Control system with multi-factor carbon emissions optimization |
CN116862080A (zh) * | 2023-09-05 | 2023-10-10 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于双视角对比学习的碳排放预测方法及系统 |
CN117095290A (zh) * | 2023-08-23 | 2023-11-21 | 沈阳市勘察测绘研究院有限公司 | 一种基于卫星遥感的碳汇监测方法 |
EP4307189A1 (en) * | 2022-07-15 | 2024-01-17 | Mother Nature Resources Limited | System and method for simulating and predicting forecasts for carbon emissions |
CN117557003A (zh) * | 2023-11-30 | 2024-02-13 | 国网河南省电力公司经济技术研究院 | 一种基于电能碳模型的行业碳排放监测方法 |
-
2024
- 2024-02-23 CN CN202410201901.0A patent/CN117788218A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005107944A (ja) * | 2003-09-30 | 2005-04-21 | Simulation Technology:Kk | 温室効果ガス排出削減量算定方法 |
US20230253787A1 (en) * | 2022-02-10 | 2023-08-10 | Johnson Controls Tyco IP Holdings LLP | Control system with multi-factor carbon emissions optimization |
CN114971978A (zh) * | 2022-04-14 | 2022-08-30 | 重庆万泰电力科技有限公司 | 一种车间用电过程中的碳中和分析方法 |
EP4307189A1 (en) * | 2022-07-15 | 2024-01-17 | Mother Nature Resources Limited | System and method for simulating and predicting forecasts for carbon emissions |
CN115640876A (zh) * | 2022-09-27 | 2023-01-24 | 国网上海市电力公司 | 一种基于改进stirpat模型的电力能源碳排放预测方法 |
CN115719180A (zh) * | 2022-11-24 | 2023-02-28 | 国网河南省电力公司营销服务中心 | 一种工业园区降碳关键影响因素分析方法 |
CN115879976A (zh) * | 2022-12-02 | 2023-03-31 | 国网福建省电力有限公司 | 一种碳中和仿真方法及终端 |
CN115879632A (zh) * | 2022-12-20 | 2023-03-31 | 北京许继电气有限公司 | 工业企业碳排放测算数据的数据处理方法 |
CN116362138A (zh) * | 2023-04-07 | 2023-06-30 | 广东海洋大学 | 基于大数据的人工智能园区碳监测方法 |
CN116523115A (zh) * | 2023-04-10 | 2023-08-01 | 贵州电网有限责任公司 | 一种基于碳核算智慧追踪的低碳园区碳管控方法及系统 |
CN117095290A (zh) * | 2023-08-23 | 2023-11-21 | 沈阳市勘察测绘研究院有限公司 | 一种基于卫星遥感的碳汇监测方法 |
CN116862080A (zh) * | 2023-09-05 | 2023-10-10 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于双视角对比学习的碳排放预测方法及系统 |
CN117557003A (zh) * | 2023-11-30 | 2024-02-13 | 国网河南省电力公司经济技术研究院 | 一种基于电能碳模型的行业碳排放监测方法 |
Non-Patent Citations (3)
Title |
---|
张艳芳;朱妮;: "基于CASA模型的榆林碳源/汇平衡与生态盈余研究", 中国农业科学, no. 24, 16 December 2013 (2013-12-16) * |
彭文甫;周介铭;徐新良;罗怀良;赵景峰;杨存建;: "基于土地利用变化的四川省碳排放与碳足迹效应及时空格局", 生态学报, no. 22, 23 November 2016 (2016-11-23) * |
秦青: "碳中和背景下黄河流域电力行业碳排放情景预测", 《万方》, 30 November 2023 (2023-11-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jebli et al. | Prediction of solar energy guided by pearson correlation using machine learning | |
Li et al. | Modeling urban building energy use: A review of modeling approaches and procedures | |
Xu et al. | Research and application of a hybrid model based on dynamic fuzzy synthetic evaluation for establishing air quality forecasting and early warning system: A case study in China | |
Wilby et al. | Guidelines for use of climate scenarios developed from statistical downscaling methods | |
Demuzere et al. | A new method to estimate air-quality levels using a synoptic-regression approach. Part I: Present-day O3 and PM10 analysis | |
CN107392368A (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
Hocaoğlu | Novel analytical hourly solar radiation models for photovoltaic based system sizing algorithms | |
Rust et al. | Mapping weather-type influence on Senegal precipitation based on a spatial–temporal statistical model | |
Niska et al. | Evaluation of an integrated modelling system containing a multi-layer perceptron model and the numerical weather prediction model HIRLAM for the forecasting of urban airborne pollutant concentrations | |
Bansal et al. | Energy consumption forecasting for smart meters | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
Frimane et al. | Infinite hidden Markov model for short-term solar irradiance forecasting | |
Gullick et al. | Tree risk evaluation environment for failure and limb loss (TREEFALL): An integrated model for quantifying the risk of tree failure from local to regional scales | |
Anand et al. | The potential of remote sensing and GIS in urban building energy modelling | |
Omoyele et al. | Increasing the resolution of solar and wind time series for energy system modeling: A review | |
Agga et al. | Short-term load forecasting: based on hybrid CNN-LSTM neural network | |
Sapkota et al. | Wind farm site suitability assessment & validation using geospatially explicit multi-criteria approach: A case study of South Sikkim, India | |
Voyant et al. | Numerical weather prediction or stochastic modelling: an objective criterion of choice for the global radiation forecasting | |
CN117788218A (zh) | 一种碳排放评估方法及系统 | |
Bodjrenou et al. | Evaluation of reanalysis estimates of precipitation, radiation, and temperature over Benin (West Africa) | |
Gorricha et al. | A framework for exploratory analysis of extreme weather events using geostatistical procedures and 3D self-organizing maps | |
Prasad et al. | Technologies and methods used in wind resource assessment | |
Froemelt | Data mining meets life cycle assessment: Towards understanding and quantifying environmental impacts of individual households | |
Kim et al. | Nearest neighbor–genetic algorithm for downscaling of climate change data from GCMs | |
Jang et al. | Preliminary analysis of the development of the Carbon Tracker system in Latin America and the Caribbean |
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 |