CN113987056A - 基于深度学习的碳排放量反演***及方法 - Google Patents
基于深度学习的碳排放量反演***及方法 Download PDFInfo
- Publication number
- CN113987056A CN113987056A CN202111265948.6A CN202111265948A CN113987056A CN 113987056 A CN113987056 A CN 113987056A CN 202111265948 A CN202111265948 A CN 202111265948A CN 113987056 A CN113987056 A CN 113987056A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- carbon
- emission
- data
- module
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 434
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 434
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 90
- 238000004364 calculation method Methods 0.000 claims description 75
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 239000001569 carbon dioxide Substances 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000004519 manufacturing process Methods 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 29
- 230000005611 electricity Effects 0.000 claims description 26
- 239000003546 flue gas Substances 0.000 claims description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000003775 Density Functional Theory Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于碳排放量反演领域，尤其涉及基于深度学习的碳排放量反演***及方法，其***包括服务器端和客户端，服务器端首先采集企业碳排放实时数据和用电实时数据，然后通过碳排放量计算模块对实时排放情况进行计算，同时通过碳排放量预测模块对未来排放情况进行预测，并经数据异常监测模块检测及分析预测结果中的异常情况，最后通过客户端实时展示服务器端采集的数据、碳排放实时计算结果、异常情况分析结果。本发明的优点在于能够解决现有技术无法通过三维BIM模型实时展示企业碳排放数据的问题，并能够检测出碳排放的异常数据及分析产生原因。
Description
技术领域
本发明属于碳排放量反演领域，尤其涉及基于深度学习的碳排放量反演***及方法。
背景技术
碳排放量的计算方法包括理论核算方法和直接测量方法等，目前我国在进行碳排放量计算的时候，通常采用理论核算方法，虽然也有一部分发电企业采用直接测量方法对电厂的碳排放量进行计算，但还未建立针对碳排放量进行***化挖掘分析。碳排放量的计算前提，需要应用到碳排放量在线监测技术。
现有技术的碳排放量在线监测技术主要采用烟气排放连续监测***CEMS法，其通过在企业固定污染源排口处布置在线监测设备，针对碳排放中的CO2、CH4、NH3、N2O等气体的浓度、流速进行监测；但是目前的碳排放量监测技术仅限于应用在碳排放监测，无法深度分析碳排放量监测过程中的异常情况，主要原因有三个，第一，现有技术的监测设备，缺少碳排放量监测数据的三维可视化展示，无法快速定位查询各污染源排口的流量，无法根据污染源排口的历史流量信息快速分析企业生产工艺流程中的物料消耗、设备使用时间等原因造成的碳排放量变化问题；第二，现有技术的碳排放量在线监测数据由于监测设备受到物理环境变化、企业停产、设备故障等多种因素的影响导致监测数据出现异常，同时针对监测数据出现异常时通常采用人为经验去判断数据异常，导致实时性、准确率不高，受人为影响较大；第三，目前我国的碳排放量监测方法CEMS技术处于应用初期，缺少对数据的进一步深度分析。
发明内容
本发明所解决的技术问题在于提供一种基于深度学习的碳排放量反演***及方法，以解决现有技术无法通过三维展示企业碳排放数据的问题，并能够检测出碳排放的异常数据及原因。
本发明提供的基础方案一：基于深度学习的碳排放量反演***，包括服务器端和客户端，所述服务器端用于碳排放量在线监测及排放计算，所述服务器端包括：实时数据采集模块、碳排放量计算模块、碳排放量预测模块、数据异常检测模块以及推送模块，其中：
实时数据采集模块用于通过监测设备采集生产环节碳排放数据和用电实时数据；
碳排放量计算模块用于根据碳排放数据及用电实时数据计算企业碳排放量，生成计算结果；
碳排放量预测模块用于月度碳排放量预测、日碳排放量预测和小时碳排放量预测，并生成预测结果；
数据异常检测模块用于接收预测结果，并通过建立算法智能分析碳排放量温度、浓度以及流速的异常情况，生成分析结果；
推送模块用于将服务器端的监测数据、计算结果、预测结果以及分析结果传输至客户端；
客户端用于接收服务器端的传输数据并通过三维展示软件提供碳排放监测情况、年度碳排放反演、碳履约风险预测以及数据异常分析的功能。
本发明技术方案一的原理及优点在于：服务器端的实时数据采集模块采集企业的碳排放实时数据和用电实时数据，经碳排放量计算模块计算碳排放实时数据，获取到企业单位时间内的碳排放量，接着通过碳排放量预测模块预测计算结果中的月度碳排放量、日碳排放量以及小时碳排放量，得到预测的结果，数据异常检测模块检测预测结果中的碳排放量温度、浓度以及流速的异常情况，并通过推送模块将异常情况传输至客户端，企业人员通过客户端实时查看服务器端的采集数据以及异常情况数据，通过三维展示软件进行碳排放情况实时展示、年度碳排放反演、碳履约风险预测以及数据异常分析，便于企业人员了解碳排放的情况以及碳排放过程中的问题及问题的分析，因此，本发明的优点在于，(1)能够对企业的碳排放量数据进行实时监测；(2)实现了基于三维可视化查看企业的各生产环节排口的碳排放监测；(3)能够实现基于智能分析碳排放异常情况，便于企业人员查看和解决。
进一步，所述碳排放量计算模块包括碳排放浓度计算单元、烟气流速计算单元、二氧化碳速率计算单元、二氧化碳排放计算单元、二氧化碳排放汇总单元，所述碳排放浓度计算单元用于将测量的碳排放体积浓度转换为质量浓度，所述烟气流速计算单元用于计算烟道断面湿烟气的平均流速，所述二氧化碳速率计算单元用于计算二氧化碳的排放速率，所述二氧化碳排放计算单元用于计算时间段内的二氧化碳排放量，所属二氧化碳排放汇总单元用于汇总各环节碳排放量。
有益效果：通过碳排放浓度计算单元、烟气流速计算单元、二氧化碳速率计算单元、二氧化碳排放计算单元以及二氧化碳排放汇总单元，将企业的碳排放实时数据进行分化计算，利于实现碳排放的预测功能。
进一步，所述碳排放量预测模块包括月度碳排放量预测单元、日碳排放量预测单元以及小时碳排放量预测单元，所述月度碳排放量预测单元用于通过建立算法学习历史各个月份的碳排放量情况，智能分析和挖掘碳排放量同比环比关系，预测未来月份的碳排放情况；所述日碳排放预测单元用于通过建立算法学习近一个月的日用电量规律和去年同一个月的日用电量规律，预测后一天的碳排放量情况；所述小时碳排放量预测单元用于通过建立算法学习近一个月每天的各小时碳排放量变化规律，预测未来时间段的碳排放量变化情况。
有益效果：月度碳排放量预测单元、日碳排放量预测单元、小时碳排放量预测单元能够预测出企业的碳排放数据各个时间阶段的数据，便于企业针对预测结果采取相应的碳排放管控措施。
进一步，所述服务器端还包括碳排放量预警模块，所诉碳排放量预警模块设有碳排放阈值，所述碳排放量预警模块用于对碳排放量预测模块预测超出碳排放阈值的情况进行预警。
有益效果：通过排放量预警模块将碳排放量预测模块预测超出碳排放阈值的情况进行预警，及时提醒企业人员。
进一步，所述客户端包括碳排放情况实时展示模块、年度碳排放反演模块、碳履约风险预测模块、数据异常分析模块，所述碳排放情况实时展示模块用于对企业厂区碳排放工艺流程各环节的碳排放量及用电情况进行可视化的细化展示，并对固定检测点编号和对固定监测点的碳排放流速、温度、浓度以及压力信息进行展示；所述年度碳排放反演模块用于记录历史时刻的碳排放情况，并全景回放当年各月、日、小时的碳排放情况并模拟预演未来排放情况；所述碳履约风险预测模块存储有企业碳配额，所述碳履约风险预测模块用于分析年度碳排放量对比企业碳配额差额，预测企业履约风险；所述数据异常分析模块用于将数据异常结果、异常原因分析进行统计分析和展示。
有益效果：企业人员通过客户端的碳排放情况实时展示模块可以看到企业厂区的各排放节点的碳排放情况以及碳排放的一些实时数据，通过年度碳排放反演模块查看企业的碳排放历史数据，使得企业员工能够实时了解到企业在碳排放这方面的工作成效和工作反馈，通过碳履约风险预测模块分析企业的年度碳排放量对比企业碳配额差额，能够实现对企业是否实现碳履约的预测，使得企业能够及时管控，避免后续通过大量碳交易购买配额进行抵消履约，数据异常分析模块能够分析出碳排放数据中的异常类型，同时还能根据异常类型分析其造成的原因，展示在企业人员面前，使得企业人员能够及时了解到碳排放情况异常的原因。
进一步，所述客户端还包括报警模块，所述报警模块用于对碳履约风险预测模块中预测出企业存在履约风险时和数据异常分析模块分析出企业监测数据异常的情形进行报警提醒，所述报警提醒包括短信、可视化报警弹窗以及响铃。
有益效果：通过报警模块能够及时提醒企业人员。
本发明的技术方案二：基于深度学习的碳排放量反演方法，包括：
实时数据采集步骤：采集企业各生产环节的碳排放数据和用电实时数据；
碳排放量计算步骤：根据碳排放数据及用电实时数据计算企业碳排放量，生成计算结果；
碳排放量预测步骤：建立预测算法进行月度碳排放量预测、日碳排放量预测以及小时碳排放量预测，生成预测结果；
数据异常检测步骤：根据碳排放量预测步骤，建立算法智能分析碳排放量温度、浓度以及流速的异常情况，生成分析结果；
数据传输步骤：将采集的数据、计算结果、预测结果以及分析结果传输至客户端；
碳排放态势反演步骤：通过客户端的三维展示软件提供碳排放情况实时展示、年度碳排放反演、碳履约风险预测以及数据异常分析功能。
本发明技术方案二的原理及优点：实时数据采集步骤采集企业的碳排放实时数据和用电实时数据，经碳排放量计算步骤计算模块计算企业碳排放实时数据，获取到单位时间内的碳排放总量，接着通过碳排放量预测步骤预测计算结果中的月度碳排放量、日碳排放量以及小时碳排放量，得到预测的结果，数据异常检测步骤检测预测结果中的碳排放量温度、浓度以及流速的异常情况，并通过推送模块将异常情况传输至客户端，企业人员通过客户端实时查看服务器端的采集数据以及异常情况数据，通过三维展示软件进行碳排放情况实时展示、年度碳排放反演、碳履约风险预测以及数据异常分析，便于企业人员了解碳排放的情况以及碳排放过程中的问题及问题的分析，因此，本发明的优点在于，(1)能够对企业的碳排放量数据进行实时监测；(2)实现了基于三维可视化查看企业的各生产环节排口的碳排放监测；(3)能够实现基于智能分析碳排放异常情况，便于企业人员查看和解决。
进一步，所述碳排放量计算步骤包括：
各生产环节碳排放浓度计算步骤：将测量的碳排放体积浓度转换为质量浓度；
各生产环节烟气流速计算步骤：计算烟道断面湿烟气的平均流速；
各生产环节二氧化碳速率计算步骤：计算二氧化碳的排放速率；
各生产环节二氧化碳排放计算步骤：计算时间段内的二氧化碳排放量。
企业用电碳排放计算步骤：计算时间段内电表的使用量；
企业二氧化碳排放计算步骤：根据行业核算与报告指南计算时间段内的二氧化碳排放量。
有益效果：通过各生产环节碳排放浓度计算步骤、各生产环节烟气流速计算步骤、各生产环节二氧化碳速率计算步骤、各生产环节二氧化碳排放计算步骤、企业用电碳排放计算步骤以及企业二氧化碳排放计算步骤，将各生产环节和企业的碳排放实时数据进行分化计算，利于实现碳排放的预测功能。
进一步，所述碳排放量预测步骤包括：
月度碳排放量预测步骤：建立算法学习历史各个月份的碳排放量情况，智能分析和挖掘碳排放量同比环比关系，预测未来月份的碳排放情况；
日碳排放量预测步骤：建立算法学习近一个月的日用电量规律和去年同一个月的日用电量规律，预测后一天的碳排放量情况；
小时碳排放量预测步骤：建立算法学习近一个月每天的各小时碳排放量变化规律，预测未来时间段的碳排放量变化情况；
碳排放量预警步骤：预设有碳排放阈值，对碳排放量预测模块预测超出碳排放阈值的情况进行预警。
有益效果：通过月度碳排放量预测步骤、日碳排放量预测步骤、小时碳排放量预测步骤能够预测出企业的碳排放数据各个时间阶段的数据，便于企业针对预测结果采取相应的碳排放管控措施，同时碳排放量预警步骤将碳排放量预测模块预测超出碳排放阈值的情况进行预警，及时提醒企业人员。
进一步，所述碳排放态势反演步骤包括：
碳排放情况实时展示步骤：对企业厂区工艺流程生产环节进行可视化的细化展示，并对固定检测点编号和对固定监测点的碳排放流速、温度、浓度以及压力信息进行展示；
年度碳排放反演步骤：记录历史时刻的碳排放情况，并全景回放当年各月、日、小时的碳排放数据以及年度碳排放量；
碳履约风险预测步骤：分析年度碳排放量和企业碳配额，预测企业履约风险；
数据异常分析步骤：将数据异常结果、用电量规律、工艺生产流程进行统计分析和展示；
报警步骤：对碳履约风险预测步骤中预测出企业存在履约风险时和数据异常分析步骤分析出异常数据时进行报警提醒，所述报警提醒包括短信、可视化报警弹窗以及响铃。
有益效果：客户端的碳排放情况实时展示步骤可以看到企业厂区的各排放节点的碳排放情况以及碳排放的一些实时数据，通过年度碳排放反演步骤显示和回放企业的碳排放历史数据，使得企业员工能够实时了解到企业在碳排放这方面的工作成效和工作反馈，通过碳履约风险预测步骤分析企业的年度碳排放量和企业碳配额，能够实现对企业是否会超出碳履约的预测，使得企业能够及时管控，避免后续通过大量碳交易购买配额进行抵消履约，数据异常分析步骤能够分析出碳排放数据中的异常类型，同时还能根据异常类型分析其造成的原因，展示在企业人员面前，使得企业人员能够及时了解到碳排放情况异常的原因。
附图说明
图1为本发明实施例的原理框图；
图2为本发明实施例客户端的三维展示软件原理框图；
图3为本发明实施例中碳排放量预测算法流程图；
图4为本发明实施例中LSMT预测算法网络图；
图5为本发明实施例中数据异常检测算法流程图；
图6为本发明实施例中YOLOv3算法网络图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例基本如附图1、图2所示：基于深度学习的碳排放量反演***，包括服务器端和客户端，服务器端包括实时数据采集模块、碳排放量计算模块、碳排放量预测模块、数据异常检测模块以及推送模块，其中，实时数据采集模块用于采集企业碳排放实时数据和用电实时数据，在本实施例中，实时数据采集模块采集的主要是火电企业的数据，火电企业的碳排放产生来源主要有三部分组成，包括化石燃料燃烧、脱硫过程以及购入电力产生的碳排放量，其中，化石燃料燃烧、脱硫过程都可以由排口布置在线监测设备实时监测获取，购入电力产生的碳排放量可以由电力监测采集器进行监测。
碳排放量计算模块用于计算碳排放实时数据，获取单位时间的碳排放量，在本实施例中，碳排放量主要通过计算碳排放量监测的浓度、流速来获取单位时间碳排放量，碳排放量计算模块设有碳排放浓度计算单元、烟气流速计算单元、二氧化碳速率计算单元、二氧化碳排放计算单元及二氧化碳排放量汇总单元，碳排放浓度计算单元用于将测量的碳排放体积浓度转换为质量浓度，其计算公式为：
式中，X代表CO2浓度换算值(mg/Nm3)，C代表CO2浓度测量值(ppm)，M代表CO2的分子量，T代表净烟气温度(℃)，P代表净烟气压力(pa)。
烟气流速计算单元用于计算烟道断面湿烟气的平均流速，其计算公式为：
V＝Kv×Kp×Sqrt2ΔP/ρ
ΔP＝Pd-Ps＝ρ(Ts、Ps)·V2/2
ρ＝ρ1×(Ps+Ba)/Ba×273/(Ts+273)
V＝Kv×Kp×Sqrt2×ρ1×(Ts+273)/273×10325/(Ps+Ba)×ΔP
F＝V×A×3600
其中，Sqrt2＝1.414，ρ1＝1.34kg/m3，V表示测定断面的烟气平均流速(m3/h)，Kv表示速度场系数，Kp表示皮托管系数，Pd表示烟气动压(pa)，Ba表示当地大气压(pa)，ρ表示湿排气密度，Ps表示烟气静压(pa)，Ts表示烟气温度(℃)，A表示测量点烟道或烟囱的截面积(m2)；
二氧化碳速率计算单元用于计算二氧化碳的排放速率，其计算公式为：
其中，Mc代表时间T内CO2累计排放量(t)，X代表CO2浓度换算值(mg/Nm3)，F代表净烟气流量(Nm3/h)。
二氧化碳排放计算单元用于计算时间段内的二氧化碳排放量，二氧化碳排放量汇总单元用于汇总各个生产环节及电表的二氧化碳排放情况计算企业碳排放总量，起计算公式为：
其中，E表示企业碳排放总量(tCO2)，m代表监测排口数量，n代表电表数量，Mc表示排口的碳排放量(tCO2)，t表示小时数(h)。adj表示各生产环节电表消耗量(MWh)，ef为电网排放因子(tCO2/MWh)。
如图3所示，碳排放量预测模块用于月度碳排放量预测、日碳排放量预测和小时碳排放量预测，并生成预测结果，其中，碳排放量预测模块包括月度碳排放量预测单元、日碳排放量预测单元以及小时碳排放量预测单元，月度碳排放量预测单元用于通过建立算法学习历史各个月份的碳排放量情况，智能分析和挖掘碳排放量同比环比关系，预测未来月份的碳排放情况；日碳排放预测单元用于通过建立算法学习近一个月的日用电量规律和去年同一个月的日用电量规律，预测后一天的碳排放量情况；小时碳排放量预测单元用于通过建立算法学习近一个月每天的各小时碳排放量变化规律，预测未来时间段的碳排放量变化情况，在本实施例中，碳排放量预测模块主要通过深度学习算法LSTM算法实现，如图4所示，具体算法实现步骤如下：
数据处理步骤：对各监测点的碳排放流量、浓度等数据进行数据清洗，包含缺失值、异常值进行中位数、平均值等方式进行填补；
数据统计步骤：对历年碳排放数据按照小时、日、月这三个维度统计各个阶段的碳排放量，形成原始数据集；
算法建立步骤：对小时、日、月三个维度的碳排放量数据建立LSTM算法，通过原始数据集预测未来时刻碳排放量数据；
算法调参步骤：选择某一天的小时数据利用LSMT算法进行预测调参，分别通过历史1小时、3小时、5小时等刻度预测下一序列，根据后序序列的准确度选取对应的参数，同理，对日、月参数调参采取同类方法；
模型学习步骤：通过LSMT算法输入碳排放量，经过遗忘门，上一时刻的单元状态Ct-1筛选部分状态保留到当前时刻Ct；再经过输入门，利用当前时刻网络的输入xt部分保存至单元状态Ct。输入门来控制单元状态Ct输出部分数据整合输出到输出值ht；
输出结果步骤：通过训练好的模型算法根据当日实时碳排放量数据，输出未来时刻的碳排放。
如图5所示，数据异常检测模块用于接收预测结果，并通过建立算法智能分析碳排放监测设备的温度、浓度以及流速的异常情况，在本实施例中，数据异常检测模块主要检测监测设备的主要参数，包含温度、浓度、流速数据异常等情况，数据异常检测模块通过建立智能算法智能分类异常数据，将异常数据分为浓度陡升陡降，数据畸低、数据离群、数据缺失、数据超标等类型，在本实施例中，数据异常的检测算法步骤如下：包括预处理模块和端到端目标检测模块，预处理模块以监测设备的“温度、浓度、流速”作为输入，对数据明显的异常值、缺失值进行清洗，然后对数据进行离散傅里叶变换，将时域数据变换为更易识别的频域；再经过数据图像化处理，将持续多次DFT的结果组合成一张二维频谱瀑布图。端到端目标监测模块以预处理模块得到的频谱瀑布图为输入，经过CNN特征提取层，获取具象化的信号特征；再经过目标检测层，将抽象的特征转化为实际的异常类型。其中，端到端目标检测模块采用端到端深度神经网络模型实现，端到端深度神经网络是以YOLOv3模型为基础，通过迁移学习构建得到。
通过数据异常检测算法将异常数据的异常类型获取后，为了达到实时监测企业碳排放量数据的目的，数据异常检测模块还设有数据异常监测算法，如图6所示，其具体步骤如下：
标签处理步骤：对数据异常常出现的异常类型进行整理收集，例如浓度陡升陡降，数据畸低、数据离群、数据缺失、数据超标；
数据处理步骤：将不同类别的异常数据进行采集，并处理数据中缺失值、超出阈值的异常值进行清洗、填补，通过傅里叶变换为RGB图像数据；
数据打标步骤：将不同类别的频谱进行矩形框标注；
特征提取步骤：采用全卷积结构再YOLOv3前向传播过程中，通过改变卷积核的步长来实现特征提取，每次经过卷积之后，图像的边长缩小一半；具体YOLOv3算法网络结构图见图6的YOLOv3算法网络图；
边界框预测步骤：采用维度聚类作为描框来预测边界框，网络预测每个边界框的4个坐标；
类别预测步骤：对异常类别进行多标签分类，将单标签多分类的softmax层换成用于多标签多分类的Logistic分类器；
跨尺度预测步骤：从三个尺度预测边界框，对边界框构建金字塔网络的尺度中提取出特征，加入多层卷积层到基本特征提取器中，最后的卷积层预测一个三维张量，包括边界框、对象和类预测；
输出结果步骤：通过softmax层输出最终异常类型监测结果。
推送模块用于将服务器端的数据传输至客户端，在本实施例中，推送模块通过互联网将服务器端的数据传输至客户端，在本实施例的其他实施例中，还可以使用局域网将服务器端的数据传输至客户端。
服务器端中还设有碳排放量预警模块，碳排放量预警模块设有碳排放阈值，碳排放量预警模块用于对碳排放量预测模块预测超出碳排放阈值的情况进行预警。
客户端用于接收服务器端的传输数据并通过三维展示软件提供碳排放情况实时展示、年度碳排放反演、碳履约风险预测以及数据异常分析功能，在本实施例中，客户端包括碳排放情况实时展示模块、年度碳排放反演模块、碳履约风险预测模块、数据异常分析模块以及报警模块，碳排放情况实时展示模块用于对企业厂区碳排放环节进行可视化的细化展示，并对固定检测点编号和对固定监测点的碳排放流速、温度、浓度以及压力信息进行展示；年度碳排放反演模块用于记录历史时刻的碳排放情况，并全景回放当年各月、日、小时的碳排放数据以及年度碳排放量，可以实时看到监测点位的碳排放变化及预警信息，供企业优化设备环境，发现碳排放源问题提供支撑依据；碳履约风险预测模块用于分析年度碳排放量和企业碳配额，预测企业履约风险，具体为，碳履约风险预测模块根据每个小时的碳排放量建立深度学习模型，通过深度学习分析模型预测未来时刻碳排放量，将各小时碳排放量汇总为年度碳排放量，与企业碳配额对比分析预测企业履约风险，若发现可能存在履约风险，报警模块通过短信、可视化报警弹窗以及响铃等方式进行报警提醒；数据异常分析模块用于将数据异常结果、用电量规律、工艺生产流程进行统计分析和展示，具体为，数据异常分析模块在三维BIM模型展示的基础上，对数据异常进行弹窗展示，同时报警模块将数据异常类型通过短信、电话等方式自动通知运维人员，供运维人员进行问题分析定位。
基于深度学习的碳排放量反演方法，包括：
实时数据采集步骤：采集企业各生产环节的碳排放数据和用电实时数据；
碳排放量计算步骤：根据碳排放数据及用电实时数据计算企业碳排放量，生成计算结果；
碳排放量计算步骤包括：
各生产环节碳排放浓度计算步骤：将测量的碳排放体积浓度转换为质量浓度；
各生产环节烟气流速计算步骤：计算烟道断面湿烟气的平均流速；
各生产环节二氧化碳速率计算步骤：计算二氧化碳的排放速率；
各生产环节二氧化碳排放计算步骤：计算时间段内的二氧化碳排放量。
企业用电碳排放计算步骤：计算时间段内电表的使用量。
企业二氧化碳排放计算步骤：根据行业核算与报告指南计算时间段内的二氧化碳排放量。
碳排放量预测步骤：建立预测算法进行月度碳排放量预测、日碳排放量预测以及小时碳排放量预测，生成预测结果；
碳排放量预测步骤包括：
月度碳排放量预测步骤：建立算法学习历史各个月份的碳排放量情况，智能分析和挖掘碳排放量同比环比关系，预测未来月份的碳排放情况；
日碳排放量预测步骤：建立算法学习近一个月的日用电量规律和去年同一个月的日用电量规律，预测后一天的碳排放量情况；
小时碳排放量预测步骤：建立算法学习近一个月每天的各小时碳排放量变化规律，预测未来时间段的碳排放量变化情况；
碳排放量预警步骤：预设有碳排放阈值，对碳排放量预测模块预测超出碳排放阈值的情况进行预警。
数据异常检测步骤：根据碳排放量预测步骤，建立算法智能分析碳排放量温度、浓度以及流速的异常情况，生成分析结果。
数据传输步骤：将采集的数据、计算结果、预测结果以及分析结果传输至客户端。
碳排放态势反演步骤：通过客户端的三维展示软件提供碳排放情况实时展示、年度碳排放反演、碳履约风险预测以及数据异常分析功能；
碳排放态势反演步骤包括：
碳排放情况实时展示步骤：对企业厂区工艺流程生产环节进行可视化的细化展示，并对固定检测点编号和对固定监测点的碳排放流速、温度、浓度以及压力信息进行展示；
年度碳排放反演步骤：记录历史时刻的碳排放情况，并全景回放当年各月、日、小时的碳排放数据以及年度碳排放量；
碳履约风险预测步骤：分析年度碳排放量和企业碳配额，预测企业履约风险；
数据异常分析步骤：将数据异常结果、用电量规律、工艺生产流程进行统计分析和展示；
报警步骤：对碳履约风险预测步骤中预测出企业存在履约风险时和数据异常分析步骤分析出异常数据时进行报警提醒，所述报警提醒包括短信、可视化报警弹窗以及响铃。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于深度学习的碳排放量反演***，其特征在于：包括服务器端和客户端，所述服务器端用于碳排放量在线监测及排放计算，所述服务器端包括：实时数据采集模块、碳排放量计算模块、碳排放量预测模块、数据异常检测模块以及推送模块，其中：
实时数据采集模块用于通过监测设备采集生产环节碳排放数据和用电实时数据；
碳排放量计算模块用于根据碳排放数据及用电实时数据计算企业碳排放量，生成计算结果；
碳排放量预测模块用于月度碳排放量预测、日碳排放量预测和小时碳排放量预测，并生成预测结果；
数据异常检测模块用于接收预测结果，并通过建立算法智能分析碳排放量温度、浓度以及流速的异常情况，生成分析结果；
推送模块用于将服务器端的监测数据、计算结果、预测结果以及分析结果传输至客户端；
客户端用于接收服务器端的传输数据并通过三维展示软件提供碳排放监测情况、年度碳排放反演、碳履约风险预测以及数据异常分析的功能。
2.根据权利要求1所述的基于深度学***均流速，所述二氧化碳速率计算单元用于计算二氧化碳的排放速率，所述二氧化碳排放计算单元用于计算时间段内的二氧化碳排放量，所属二氧化碳排放汇总单元用于汇总各环节碳排放量。
3.根据权利要求1所述的基于深度学习的碳排放量反演***，其特征在于：所述碳排放量预测模块包括月度碳排放量预测单元、日碳排放量预测单元以及小时碳排放量预测单元，所述月度碳排放量预测单元用于通过建立算法学习历史各个月份的碳排放量情况，智能分析和挖掘碳排放量同比环比关系，预测未来月份的碳排放情况；所述日碳排放预测单元用于通过建立算法学习近一个月的日用电量规律和去年同一个月的日用电量规律，预测后一天的碳排放量情况；所述小时碳排放量预测单元用于通过建立算法学习近一个月每天的各小时碳排放量变化规律，预测未来时间段的碳排放量变化情况。
4.根据权利要求3所述的基于深度学习的碳排放量反演***，其特征在于：所述服务器端还包括碳排放量预警模块，所诉碳排放量预警模块设有碳排放阈值，所述碳排放量预警模块用于对碳排放量预测模块预测超出碳排放阈值的情况进行预警。
5.根据权利要求2或4任一项所述的基于深度学习的碳排放量反演***，其特征在于：所述客户端包括碳排放情况实时展示模块、年度碳排放反演模块、碳履约风险预测模块、数据异常分析模块，所述碳排放情况实时展示模块用于对企业厂区碳排放工艺流程各环节的碳排放量及用电情况进行可视化的细化展示，并对固定检测点编号和对固定监测点的碳排放流速、温度、浓度以及压力信息进行展示；所述年度碳排放反演模块用于记录历史时刻的碳排放情况，并全景回放当年各月、日、小时的碳排放情况并模拟预演未来排放情况；所述碳履约风险预测模块存储有企业碳配额，所述碳履约风险预测模块用于分析年度碳排放量对比企业碳配额差额，预测企业履约风险；所述数据异常分析模块用于将数据异常结果、异常原因分析进行统计分析和展示。
6.根据权利要求5所述的基于深度学习的碳排放量反演***，其特征在于：所述客户端还包括报警模块，所述报警模块用于对碳履约风险预测模块中预测出企业存在履约风险时和数据异常分析模块分析出企业监测数据异常的情形进行报警提醒，所述报警提醒包括短信、可视化报警弹窗以及响铃。
7.基于深度学习的碳排放量反演方法，其特征在于：包括：
实时数据采集步骤：采集企业各生产环节的碳排放数据和用电实时数据；
碳排放量计算步骤：根据碳排放数据及用电实时数据计算企业碳排放量，生成计算结果；
碳排放量预测步骤：建立预测算法进行月度碳排放量预测、日碳排放量预测以及小时碳排放量预测，生成预测结果；
数据异常检测步骤：根据碳排放量预测步骤，建立算法智能分析碳排放量温度、浓度以及流速的异常情况，生成分析结果；
数据传输步骤：将采集的数据、计算结果、预测结果以及分析结果传输至客户端；
碳排放态势反演步骤：通过客户端的三维展示软件提供碳排放情况实时展示、年度碳排放反演、碳履约风险预测以及数据异常分析功能。
8.根据权利要求7所述的基于深度学习的碳排放量反演方法，其特征在于：所述碳排放量计算步骤包括：
各生产环节碳排放浓度计算步骤：将测量的碳排放体积浓度转换为质量浓度；
各生产环节烟气流速计算步骤：计算烟道断面湿烟气的平均流速；
各生产环节二氧化碳速率计算步骤：计算二氧化碳的排放速率；
各生产环节二氧化碳排放计算步骤：计算时间段内的二氧化碳排放量；
企业用电碳排放计算步骤：计算时间段内电表的使用量；
企业二氧化碳排放计算步骤：根据行业核算与报告指南计算时间段内的二氧化碳排放量。
9.根据权利要求7所述的基于深度学习的碳排放量反演方法，其特征在于：所述碳排放量预测步骤包括：
月度碳排放量预测步骤：建立算法学习历史各个月份的碳排放量情况，智能分析和挖掘碳排放量同比环比关系，预测未来月份的碳排放情况；
日碳排放量预测步骤：建立算法学习近一个月的日用电量规律和去年同一个月的日用电量规律，预测后一天的碳排放量情况；
小时碳排放量预测步骤：建立算法学习近一个月每天的各小时碳排放量变化规律，预测未来时间段的碳排放量变化情况；
碳排放量预警步骤：预设有碳排放阈值，对碳排放量预测模块预测超出碳排放阈值的情况进行预警。
10.根据权利要求8或9任一项所述的基于深度学习的碳排放量反演方法，其特征在于：所述碳排放态势反演步骤包括：
碳排放情况实时展示步骤：对企业厂区工艺流程生产环节进行可视化的细化展示，并对固定检测点编号和对固定监测点的碳排放流速、温度、浓度以及压力信息进行展示；
年度碳排放反演步骤：记录历史时刻的碳排放情况，并全景回放当年各月、日、小时的碳排放数据以及年度碳排放量；
碳履约风险预测步骤：分析年度碳排放量和企业碳配额，预测企业履约风险；
数据异常分析步骤：将数据异常结果、用电量规律、工艺生产流程进行统计分析和展示；
报警步骤：对碳履约风险预测步骤中预测出企业存在履约风险时和数据异常分析步骤分析出异常数据时进行报警提醒，所述报警提醒包括短信、可视化报警弹窗以及响铃。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265948.6A CN113987056A (zh) | 2021-10-28 | 2021-10-28 | 基于深度学习的碳排放量反演***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265948.6A CN113987056A (zh) | 2021-10-28 | 2021-10-28 | 基于深度学习的碳排放量反演***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113987056A true CN113987056A (zh) | 2022-01-28 |
Family
ID=79743764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111265948.6A Pending CN113987056A (zh) | 2021-10-28 | 2021-10-28 | 基于深度学习的碳排放量反演***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113987056A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
| CN114357894A (zh) * | 2022-03-11 | 2022-04-15 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物的处理方法、存储介质以及计算机终端 |
| CN114626628A (zh) * | 2022-03-28 | 2022-06-14 | 王大成 | 碳排放核算***及其核算方法 |
| CN114662320A (zh) * | 2022-03-28 | 2022-06-24 | 王大成 | 基于卫星观测下的碳排放检测*** |
| CN114997841A (zh) * | 2022-07-18 | 2022-09-02 | 成都信通信息技术有限公司 | 一种基于区块链的低碳行为数据管理*** |
| CN115015488A (zh) * | 2022-06-16 | 2022-09-06 | 华电电力科学研究院有限公司 | 一种火力发电机组碳排放在线自动核算***及方法 |
| CN115099540A (zh) * | 2022-08-25 | 2022-09-23 | 中国工业互联网研究院 | 基于人工智能的碳中和处理方法 |
| CN115222261A (zh) * | 2022-07-21 | 2022-10-21 | 湖南工商大学 | 一种基于大数据的碳排放监测*** |
| CN115564149A (zh) * | 2022-12-05 | 2023-01-03 | 中汽研汽车检验中心(昆明)有限公司 | 区域机动车实际道路二氧化碳排放量的预测方法及*** |
| CN115759450A (zh) * | 2022-11-28 | 2023-03-07 | 广东省科学院江门产业技术研究院有限公司 | 一种基于大数据的碳排放核算预警分析*** |
| CN115796594A (zh) * | 2022-12-12 | 2023-03-14 | 速度时空信息科技股份有限公司 | 一种碳排放的智能管理***及方法 |
| CN115884009A (zh) * | 2023-03-02 | 2023-03-31 | 四川君迪能源科技有限公司 | 二氧化碳排放远程实时监测方法、装置和*** |
| KR102539585B1 (ko) * | 2022-09-22 | 2023-06-01 | (주)퀀티파이드이에스지 | 기업 온실가스 배출량 추정 시스템 |
| CN116258239A (zh) * | 2022-12-08 | 2023-06-13 | 江苏巨亘建筑科技有限公司 | 智控能源碳排管理集成***及碳排管理方法 |
| CN116304248A (zh) * | 2023-05-09 | 2023-06-23 | 城印文化科技集团有限公司 | 一种用于零碳展厅的可视化管理方法及*** |
| CN116681187A (zh) * | 2023-08-03 | 2023-09-01 | 北京滴普科技有限公司 | 一种基于企业经营数据的企业碳配额预测方法 |
| WO2023207401A1 (zh) * | 2022-04-25 | 2023-11-02 | 广东邦普循环科技有限公司 | 一种碳排放量预测方法、装置、设备及存储介质 |
| WO2024001045A1 (zh) * | 2022-06-30 | 2024-01-04 | 浙江中控技术股份有限公司 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
| CN117557431A (zh) * | 2023-11-27 | 2024-02-13 | 国网北京市电力公司 | 一种园区全景碳计量方法及*** |
| WO2024102307A1 (en) * | 2022-11-08 | 2024-05-16 | Saudi Arabian Oil Company | Emission control for an oil and gas production equipment |
-
2021
- 2021-10-28 CN CN202111265948.6A patent/CN113987056A/zh active Pending
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023165336A1 (zh) * | 2022-03-03 | 2023-09-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
| CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
| CN114357894A (zh) * | 2022-03-11 | 2022-04-15 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物的处理方法、存储介质以及计算机终端 |
| CN114626628A (zh) * | 2022-03-28 | 2022-06-14 | 王大成 | 碳排放核算***及其核算方法 |
| CN114662320A (zh) * | 2022-03-28 | 2022-06-24 | 王大成 | 基于卫星观测下的碳排放检测*** |
| WO2023207401A1 (zh) * | 2022-04-25 | 2023-11-02 | 广东邦普循环科技有限公司 | 一种碳排放量预测方法、装置、设备及存储介质 |
| CN115015488A (zh) * | 2022-06-16 | 2022-09-06 | 华电电力科学研究院有限公司 | 一种火力发电机组碳排放在线自动核算***及方法 |
| WO2024001045A1 (zh) * | 2022-06-30 | 2024-01-04 | 浙江中控技术股份有限公司 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
| CN114997841A (zh) * | 2022-07-18 | 2022-09-02 | 成都信通信息技术有限公司 | 一种基于区块链的低碳行为数据管理*** |
| CN114997841B (zh) * | 2022-07-18 | 2022-10-21 | 成都信通信息技术有限公司 | 一种基于区块链的低碳行为数据管理*** |
| CN115222261A (zh) * | 2022-07-21 | 2022-10-21 | 湖南工商大学 | 一种基于大数据的碳排放监测*** |
| CN115099540A (zh) * | 2022-08-25 | 2022-09-23 | 中国工业互联网研究院 | 基于人工智能的碳中和处理方法 |
| CN115099540B (zh) * | 2022-08-25 | 2022-11-08 | 中国工业互联网研究院 | 基于人工智能的碳中和处理方法 |
| KR102539585B1 (ko) * | 2022-09-22 | 2023-06-01 | (주)퀀티파이드이에스지 | 기업 온실가스 배출량 추정 시스템 |
| WO2024102307A1 (en) * | 2022-11-08 | 2024-05-16 | Saudi Arabian Oil Company | Emission control for an oil and gas production equipment |
| CN115759450A (zh) * | 2022-11-28 | 2023-03-07 | 广东省科学院江门产业技术研究院有限公司 | 一种基于大数据的碳排放核算预警分析*** |
| CN115759450B (zh) * | 2022-11-28 | 2023-10-27 | 广东省科学院江门产业技术研究院有限公司 | 一种基于大数据的碳排放核算预警分析*** |
| CN115564149A (zh) * | 2022-12-05 | 2023-01-03 | 中汽研汽车检验中心(昆明)有限公司 | 区域机动车实际道路二氧化碳排放量的预测方法及*** |
| CN116258239A (zh) * | 2022-12-08 | 2023-06-13 | 江苏巨亘建筑科技有限公司 | 智控能源碳排管理集成***及碳排管理方法 |
| CN116258239B (zh) * | 2022-12-08 | 2024-01-26 | 江苏巨亘建筑科技有限公司 | 智控能源碳排管理集成***及碳排管理方法 |
| CN115796594A (zh) * | 2022-12-12 | 2023-03-14 | 速度时空信息科技股份有限公司 | 一种碳排放的智能管理***及方法 |
| CN115884009A (zh) * | 2023-03-02 | 2023-03-31 | 四川君迪能源科技有限公司 | 二氧化碳排放远程实时监测方法、装置和*** |
| CN116304248A (zh) * | 2023-05-09 | 2023-06-23 | 城印文化科技集团有限公司 | 一种用于零碳展厅的可视化管理方法及*** |
| CN116681187A (zh) * | 2023-08-03 | 2023-09-01 | 北京滴普科技有限公司 | 一种基于企业经营数据的企业碳配额预测方法 |
| CN116681187B (zh) * | 2023-08-03 | 2023-10-20 | 北京滴普科技有限公司 | 一种基于企业经营数据的企业碳配额预测方法 |
| CN117557431A (zh) * | 2023-11-27 | 2024-02-13 | 国网北京市电力公司 | 一种园区全景碳计量方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113987056A (zh) | 基于深度学习的碳排放量反演***及方法 | |
| CN110824270B (zh) | 结合台区线损和异常事件的窃电用户辨识方法及装置 | |
| Kumar et al. | Time series data prediction using IoT and machine learning technique | |
| CN105992977A (zh) | 成套设备的诊断装置和诊断方法 | |
| Fox et al. | A review of predictive and prescriptive offshore wind farm operation and maintenance | |
| CN114047719A (zh) | 一种农村生活污水处理设施远程监测评估***与运行方法 | |
| CN102282552A (zh) | 基于模式的智能控制、监测及自动化的***、方法和计算机程序 | |
| CN116772944A (zh) | 配气站的智能监控***及其方法 | |
| KR101989962B1 (ko) | 통합 관리 서버 및 이를 이용한 건물 관리 시스템 | |
| CN110909895A (zh) | 一种基于特种设备历史定期检验报告的预警方法及*** | |
| CN102663065A (zh) | 一种广告位异常数据识别和筛选方法 | |
| Helbing et al. | Improving wind turbine power curve monitoring with standardisation | |
| Yan et al. | Reliability evaluation of PV modules based on exponential dispersion process | |
| CN116522156A (zh) | 一种基于能源管理平台的设备状态数据分析***及方法 | |
| CN107121943A (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
| CN109902344B (zh) | 中小跨径桥梁群结构性能预测装置及*** | |
| Vallim Filho et al. | A machine learning modeling framework for predictive maintenance based on equipment load cycle: An application in a real world case | |
| Qiao et al. | Developing a machine learning based building energy consumption prediction approach using limited data: Boruta feature selection and empirical mode decomposition | |
| Barrientos-Torres et al. | Water Flow Modeling and Forecast in a Water Branch of Mexico City through ARIMA and Transfer Function Models for Anomaly Detection | |
| Barker et al. | Real-time nuisance fault detection in photovoltaic generation systems using a fine tree classifier | |
| CN117217419A (zh) | 工业生产全生命周期碳排放监测方法及*** | |
| Lin et al. | Data-driven situation awareness of electricity-gas integrated energy system considering time series features | |
| CN115908082A (zh) | 基于用电特征指标的企业排污监控方法及装置 | |
| CN114049033B (zh) | 一种基于用电数据分布的排污企业监测方法 | |
| CN114235108A (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 |
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 |