CN114742294A - 一种碳排放预测的神经网络算法 - Google Patents
一种碳排放预测的神经网络算法 Download PDFInfo
- Publication number
- CN114742294A CN114742294A CN202210370393.XA CN202210370393A CN114742294A CN 114742294 A CN114742294 A CN 114742294A CN 202210370393 A CN202210370393 A CN 202210370393A CN 114742294 A CN114742294 A CN 114742294A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- algorithm
- neural network
- data
- prediction
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
Abstract
本发明涉及环保监测技术领域的一种碳排放预测的神经网络算法,该工艺包括以下步骤:S1,数据采集;S2,构建神经网络算法;S3,预测碳排放量;S4,分类及储存;S5,计算优化结果;针对碳排放在不同的应用场景下,各种影响因素是不同的,设定了可变系数,结合历史数据,以及采集到的实时数据,研究了一种碳排放预测的神经网络算法,可以大大提升碳排放预测的准确率,为企业或工厂在制定碳排放计划提供强有力的数据支撑,为碳排放总量控制提供强有力的决策支持;增加了可变系数来应对,给碳排放带来更加准确的预测算法,为企业、工厂控制碳排放提供更加准确的预测手段,为企业、工厂的节能减排提供强有力的数据支撑。
Description
技术领域
本发明涉及环保监测技术领域,具体涉及一种碳排放预测的神经 网络算法。
背景技术
设定碳排放总量控制目标有利于协调已有的能源、环境等约束性 指标,碳总量是涵盖社会经济发展全过程的综合性指标,并与目前节 能、环保、能源清洁化紧密相连,特别是影响到经济发展模式和能源 结构的综合性转型;总量目标能够和资源承载力、环境质量等可持续 发展的外部约束条件直接挂钩并相互补充;碳总量约束还能避免单纯 使用能源总量约束带来的潜在经济发展限制,为发展清洁能源留出创 新空间。
可见碳排放总量是未来一段时间最重要的工作之一,要想控制碳 排放总量,不管是企业还是工厂,就是要对碳排放进行核算及预测, 对超额排放的情况提前预知,并采用节能减排手段进行减排作业,确 保碳排放符合国家的要求。
人类的任何活动都有可能造成碳排放,比如普通百姓简单的烧火 做饭都能造成碳排放,任何物体被火烧后的废气,汽车等燃油机械都 会产生碳排放。
以下是碳排放的危害:
1、全球变暖,导致地球温度上升,即温室效应;2、影响居住环 境,出现地下水水位下降、水井枯竭问题,也将对粮食产量构成影响。
减少碳排放可以遏制全球温室效应,减少大气粉尘污染,第一可 以减少地球上不可再生能源的开采,减少对矿藏的破坏,因为大部分 的碳都是燃烧矿物燃料产生的,第二可以迫使各国加快对可再生能源 和绿色能源的研究和使用,第三就是促进世界经济向绿色经济和持续 可发展的经济形势方面转变!最终实现绿色地球、环保地球、宜居地 球。
[中国发明]CN201410741415.4用于燃煤电厂碳排放量预测方法 和***提供一种用于燃煤电厂碳排放量预测方法和***,其中方法包 括以下步骤:获取与燃煤电厂碳排放量相关的影响因素;根据所述影 响因素数值和对应的碳排放量拟合碳排放量与每个影响因素之间的 关系曲线,得到以拟合曲线为基础的每种影响因素下的单一预测模 型;利用每种影响因素对应的单一预测模型分别对待预测的燃煤电厂 当前的碳排放量进行预测,将预测的碳排放量与实际的碳排放量的差 值反馈至所述拟合曲线;根据反馈的所述差值修正对应的拟合曲线, 得到待预测的燃煤电厂在当前的各个因素下的碳排放优化预测值;将 各个碳排放优化预测值进行平均处理得到最终预测碳排放量。
[中国发明]CN202110923911.1一种建筑二氧化碳排放的预测方 法及预测***属于建筑二氧化碳排放量预测和二氧化碳排放空间格 局预测术领域,具体地说,涉及一种建筑二氧化碳排放的预测方法及 预测***,该方法包括:将待测区域在空间上划分为多个10km×10km 的空间基准网格,结合人口分布预测结果和人均建筑面积预测结果, 核算该空间基准网格内不同建筑子部门的人均建筑面积和人口数量; 根据不同建筑子部门的单位面积能耗的历史数据,估算未来年份每个 基准网格中不同建筑子部门的单位面积能耗;采用Kayaidentity方 法,利用空间演化模型,基于上述核算结果和估算结果,获得未来目标年份每个基准网格的居住建筑二氧化碳排放量和未来目标年份每 个基准网格的公共建筑二氧化碳排放量,将二者汇总后,作为建筑二 氧化碳排放量的预测结果。
[中国发明]CN202010152433.4一种社区碳排放监测和预测*** 及方法公开了一种社区碳排放监测和预测***及方法,***包括碳排 放监测模块和碳排放预测模块。碳排放监测模块对社区电力、燃气、 液化石油气、汽油和柴油等能源消耗活动数据、以及垃圾和废水等固 废活动数据进行采集,并利用排放因子法计算得到社区的碳排放量, 实现对社区碳排放进行监测功能;监测模块对人均居民消费支出、社 区居民常住人口数量和当地居民消费价格指数输入参数进行采集,碳 排放预测模块首先对输入参数进行无量纲化,继而将转化处理的参数
输入至改进支持向量机进行训练建模,实现对社区碳排放进行预 测功能。本发明能够有助于全面、准确监控社区边界范围内各碳排放 源,并预测得到社区未来的碳排放,为社区制定碳减排措施提供依据。
[中国发明]CN202110383975.7用于碳排放量预测的方法、装置、 终端及计算机可读存储介质适用于供电技术领域,提供了一种用于碳 排放量预测的方法、用于碳排放量预测的装置、终端及计算机可读存 储介质,所述用于碳排放量预测的方法包括:获取设定时间内的历史 碳排放数据和企业信息数据,并根据所述历史碳排放数据和企业信息 数据构建自回归滑动平均ARMA模型,获得碳排放量的线性预测模型; 基于所述历史碳排放数据和所述线性预测模型的预测结果计算残差 序列;根据残差序列和企业信息数据构建支持向量机SVM,获得碳排 放量的非线性预测模型;将所述线性预测模型和所述非线性预测模型结合,获得碳排放量的目标预测模型。本发明能够实现区域工业规划 和建设中的碳排放量的预测,为制定供电策略提供参考基础,提高供 电效率。
[中国发明]CN201611025929.5基于神经网络与随机前沿分析的 碳排放效率预测方法公开了基于神经网络与随机前沿分析的碳排放 效率预测方法及***,该方法包括选取碳排放的影响因子GDP和人口 数量POP;获取历史GDP和POP数据以及相对应时期内区域碳排放量 CE;将历史GDP和POP数据作为输入,相对应时期内区域碳排放量 CE作为输出来构建自适应模糊神经网络模型;利用获取的历史GDP 和POP数据及时间序列模型来预测未来一定时期内的GDP和POP,将 预测的GDP和POP输入至自适应模糊神经网络模型中,预测得到未来 相应时期内的区域碳排放量;根据预测的未来一定时期内的GDP和 POP以及区域碳排放量,构建随机前沿分析模型,通过极大似然法估 计出随机前沿分析模型各个参数值,然后分别用GDP和POP的技术无 效率项的条件期望作为各自对区域碳排放量的技术效率。
[中国发明]CN202111047552.4基于迁移强化学习的碳排放指数 预测与治理方法涉及一种基于迁移强化学习的碳排放指数预测与治 理方法,是针对现有同类技术中碳排放指数迁移强化学习和预测治理 方法较难准确精准预测,以及较难最大化治理的技术问题。其要点是 该预测方法通过迁移学习方法对具有相似特征区域的碳排放模型进 行迁移,共享碳排放指数预测的信息;将迁移学习预测到的碳排放指 数作为强化学习状态的输入,结合强化学习MDP进行碳排放治理建 模,构建奖赏函数,运用强化学习算法实现预测。该治理方法利用 MDP构建大规模自适应动态治理工具选择和组合,并利用强化学习的 方法进行最优化策略求解,这个最优策略将引导整个治理工具组合过 程达到最终目标,最优的工具组合方案即为MDP最优策略所对应的动 作序列。
[中国发明]CN201310266231.2一种碳排放组合预测方法一种碳 排放组合预测方法,用于降低预测风险,提高碳排放的预测精度,其 技术方案是,所述方法首先根据碳排放趋势选择多个单项预测模型, 并利用所选单项预测模型分别对碳排放进行预测,然后把各个单项模 型的预测结果赋予不同的权重进行组合,并通过和声优化算法确定出 各个单项模型预测结果的最优分配权重,使这些单项预测模型构成组 合预测模型,利用组合预测模型对碳排放进行精确预测。本发明采用 基于优化算法的组合预测模型对碳排放进行预测,使各单项预测模型 信息得到充分利用,极大地提高了碳排放预测精度。同时,组合预测 模型还可以处理小样本建模问题,降低了单项模型选择的风险。
[中国发明]CN201910192902.2一种基于BP神经网络的燃气机组 碳排放量的核算方法公开了基于BP神经网络的燃气机组碳排放量的 核算方法,该核算方法包括如下步骤:获取燃气机组的碳排放浓度数 据、进气量数据、燃机负荷数据、汽机负荷数据以及状态数据,利用 碳排放浓度数据和状态数据将碳排放浓度数据转化为碳排放质量数 据,通过碳排放质量数据和进气量数据确定单位碳排量数据,利用单 位碳排量数据、进气量数据、燃机负荷数据及汽机负荷数据对初始 BP神经网络模型进行训练,得到用于对燃气机组碳排放量进行核算 的BP神经网络模型。能够对异常碳排放数据进行筛查和对剔除的数 据进行合理补充,以实现对燃气机组碳排放量的准确且实时核算,为 火电行业参与碳排放交易提供坚实的数据支持,从而推动碳市场交易 的活跃度。
以上基于神经网络的碳排放量核算方法,算法和模型完全不相同 或完全不相近;人工神经网络模型,算法和模型完全不相同或完全不 相近,针对碳排放在不同的应用场景下,各种影响因素是不同的,设 定了可变系数,结合历史数据,以及采集到的实时数据,研究了一种 碳排放预测的神经网络算法,可以大大提升碳排放预测的准确率,为 企业或工厂在制定碳排放计划提供强有力的数据支撑,为碳排放总量 控制提供强有力的决策支持。
有准确的碳排放预测指标,根据预测曲线来调整生产及减排量, 最终实现稳增长的同时完成减排目标。
通过理论分析和试点实践的结合,科学地制定碳排放总量控制目 标,尽早实现碳排放达峰,尽早制定碳排放总量控制时间表和路线图, 提供长期稳定的价格信号,有力营造交易环境和推动碳市场良性发 展。对碳排放进行核算及预测,对超额排放的情况提前预知,并采用 节能减排手段进行减排作业,确保碳排放符合国家的要求。
现有的碳排放预测算法很少,各家的算法不尽相同,目前大部分 预测算法比较简单,没有考虑应用场景的各种变化因素,对历史数据 的分析应用不够详尽,因此预测不准确,导致制定后续减排计划出现 比较大的偏差,减排控制不到位,针对碳排放在不同的应用场景下, 各种影响因素是不同的,设定了可变系数,结合历史数据,以及采集 到的实时数据,因此,需要研究一种碳排放预测的神经网络算法。
发明内容
本发明的目的是解决以上缺陷,提供一种碳排放预测的神经网络 算法。
本发明的目的是通过以下方式实现的:
一种碳排放预测的神经网络算法,该工艺包括以下步骤:
S1,数据采集:对平均温室气体排放量中的实时碳排放数据进行 采集;
S2,构建神经网络算法:神经网络算法包括神经元网络及把环境、 场景、额外影响因素以可变系数或函数形式叠加到算法中进行计算, 得到碳排放预测算法可变系数神经网络;
S3,预测碳排放量:预测当天的平均温室气体排放量中的碳排放 量,将可变系数或函数形式叠加到算法中进行计算;
S4,分类及储存:对采集实时的碳排放数据、当天的碳排放量数 据和碳排放权交易市场的碳价的实时数据进行存储、分类及实时更 新;
S5,计算优化结果:将分类后的数据通过神经网络算法进行优化, 并得出优化结果。
进一步的,所述S1中,数据采集包括基于物联网的数据采集、可 真实用能的数据,以这些数据作为历史基础数据,在此基础上进行碳 排放预测。
进一步的,所述S2中,环境、场景、额外影响因素以可变系数 或函数形式叠加到算法中进行计算,其具体算法如下:
环境影响因素设定为Y,场景影响因素设定为X,额外影响因素 设定为Q,对应的可变系数或函数算法如下:
其中i为起始计数值,n为阶段性终止计数值,当i=1,n也等 于1时,Y、X、Q变为一个系数,Y、X、Q需要根据实际采集出来的 数据进行抽象、计算得出。
进一步的,所述可变系数或函数算法形式叠加到算法中进行计 算,得出碳排放预测值,其算法如下:
为可变神经网络(Variable Neural Networks)。
进一步的,所述S3中,碳排放预测算法可变系数神经网络是一 类具有可变能力的神经网络,把环境、场景、额外影响因素抽象为可 变系数,在序列的演进方向进行递归且所有节点按链式连接的递归神 经网络,该神经网络中的神经元不仅能够根据输入系数,优化自身的 神经网络,也可接受来自其他神经元的信息作为输入系数来优化自身 的神经网络,从而形成可变优化能力的网络结构;同时把环境、场景、 额外影响因素以可变系数的方式,对整个预测算法模型的结果施加影 响,对可变系数进行设定,或者把可变***以函数形式进行计算,使 得结果更加贴近实际碳排放的曲线,另外,可根据预测结果与实际情 况对比,进行反向优化,常见的优化方法有:梯度截断、正则化、层 归一化、储层计算、跳跃连接、渗透单元和门控单元。
本发明所产生的有益效果是:针对碳排放在不同的应用场景下, 各种影响因素是不同的,设定了可变系数,结合历史数据,以及采集 到的实时数据,研究了一种碳排放预测的神经网络算法,可以大大提 升碳排放预测的准确率,为企业或工厂在制定碳排放计划提供强有力 的数据支撑,为碳排放总量控制提供强有力的决策支持;
采用神经网络算法的同时,增加了可变系数来应对,确保把环境、 场景、影响因素通过可变系数体现在算法中,确保计算出来的预测曲 线及结果符合日后的碳排放情况;
采用了可变系数神经网络算法,给碳排放带来更加准确的预测算 法,为企业、工厂控制碳排放提供更加准确的预测手段,为企业、工 厂的节能减排提供强有力的数据支撑。
附图说明
图1为本发明实施例的方法流程示意图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本具体实施方式参照图1,其具体实施的一种碳排放预测的神经 网络算法,该工艺包括以下步骤:
S1,数据采集:对平均温室气体排放量中的实时碳排放数据进行 采集,数据采集包括基于物联网的数据采集、可真实用能的数据,以 这些数据作为历史基础数据,在此基础上进行碳排放预测;
S2,构建神经网络算法:神经网络算法包括神经元网络及把环境、 场景、额外影响因素以可变系数或函数形式叠加到算法中进行计算, 得到碳排放预测算法可变系数神经网络,环境、场景、额外影响因素 以可变系数或函数形式叠加到算法中进行计算,其具体算法如下:
环境影响因素设定为Y,场景影响因素设定为X,额外影响因素 设定为Q,对应的可变系数或函数算法如下:
其中i为起始计数值,n为阶段性终止计数值,当i=1,n也等 于1时,Y、X、Q变为一个系数,Y、X、Q需要根据实际采集出来的 数据进行抽象、计算得出,可变系数或函数算法形式叠加到算法中进 行计算,得出碳排放预测值,其算法如下:
为可变神经网络(Variable Neural Networks);
S3,预测碳排放量:预测当天的平均温室气体排放量中的碳排放 量,将可变系数或函数形式叠加到算法中进行计算,碳排放预测算法 可变系数神经网络是一类具有可变能力的神经网络,把环境、场景、 额外影响因素抽象为可变系数,在序列的演进方向进行递归且所有节 点按链式连接的递归神经网络,该神经网络中的神经元不仅能够根据 输入系数,优化自身的神经网络,也可接受来自其他神经元的信息作 为输入系数来优化自身的神经网络,从而形成可变优化能力的网络结 构;同时把环境、场景、额外影响因素以可变系数的方式,对整个预 测算法模型的结果施加影响,对可变系数进行设定,或者把可变*** 以函数形式进行计算,使得结果更加贴近实际碳排放的曲线,另外, 可根据预测结果与实际情况对比,进行反向优化,常见的优化方法有: 梯度截断、正则化、层归一化、储层计算、跳跃连接、渗透单元和门 控单元;
S4,分类及储存:对采集实时的碳排放数据、当天的碳排放量数 据和碳排放权交易市场的碳价的实时数据进行存储、分类及实时更 新;
S5,计算优化结果:将分类后的数据通过神经网络算法进行优化, 并得出优化结果。
目前大部分预测算法比较简单,没有考虑应用场景的各种变化因 素,对历史数据的分析应用不够详尽,因此预测不准确,导致制定后 续减排计划出现比较大的偏差,减排控制不到位。
针对碳排放在不同的应用场景下,各种影响因素是不同的,设定 了可变系数,结合历史数据,以及采集到的实时数据,可大大提升碳 排放预测的准确率,为企业或工厂在制定碳排放计划提供强有力的数 据支撑,为碳排放总量控制提供强有力的决策支持。
现有的碳排放预测算法大多采用比较法,极少采用神经网络算 法,比较法比较简单,单容易产生巨大误差,特别是环境、场景、影 响因素有变化时,比较法的预测算法就极其不准确。
比较法都是采用固定的、已经建模好的算法,当环境、场景、影 响因素调整时,需要针对这些因素进行加权调整,要在算法中纳入影 响的因子,算法才能体现实际的变化情况,在不同环境、不同场景下 碳排放的特点,以及不同的影响因素下产生的碳排放结果,针对这些 不同的影响因素,采用神经网络算法的同时,增加了可变系数来应对, 确保把环境、场景、影响因素通过可变系数体现在算法中,确保计算 出来的预测曲线及结果符合日后的碳排放情况。
该算法需要双碳管控***进行辅助,双碳管控***采用分层分布 式网络结构,具有良好的可靠性与实时性,主要由现场感知层(碳排 放计量终端)、网络层(通讯管理终端)和平台层(碳排放监控平台) 三个部分组成。
感知层用于连接网络中的各类传感器,包括各系列带通讯网络的 电力仪表、温湿度控制器、开关量监测模块以及合格供应商的水表、 气表、冷热量表等。
网络层用于智能网关,采集感知层的数据,进行规约转换及存储 之后将数据上传至管理平台。
平台层包含应用服务器和数据服务器,可在PC端或移动端实现 应用。
以上内容是结合具体的优选实施例对本发明所作的进一步详细 说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所 属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还 可以做出若干简单推演或替换,都应视为本发明的保护范围。
Claims (5)
1.一种碳排放预测的神经网络算法,其特征在于该工艺包括以下步骤:
S1,数据采集:对平均温室气体排放量中的实时碳排放数据进行采集;
S2,构建神经网络算法:神经网络算法包括神经元网络及把环境、场景、额外影响因素以可变系数或函数形式叠加到算法中进行计算,得到碳排放预测算法可变系数神经网络;
S3,预测碳排放量:预测当天的平均温室气体排放量中的碳排放量,将可变系数或函数形式叠加到算法中进行计算;
S4,分类及储存:对采集实时的碳排放数据、当天的碳排放量数据和碳排放权交易市场的碳价的实时数据进行存储、分类及实时更新;
S5,计算优化结果:将分类后的数据通过神经网络算法进行优化,并得出优化结果。
2.根据权利要求1所述的一种碳排放预测的神经网络算法,其特征在于:所述S1中,数据采集包括基于物联网的数据采集、可真实用能的数据,以这些数据作为历史基础数据,在此基础上进行碳排放预测。
5.根据权利要求1所述的一种碳排放预测的神经网络算法,其特征在于:所述S3中,碳排放预测算法可变系数神经网络是一类具有可变能力的神经网络,把环境、场景、额外影响因素抽象为可变系数,在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370393.XA CN114742294A (zh) | 2022-04-09 | 2022-04-09 | 一种碳排放预测的神经网络算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370393.XA CN114742294A (zh) | 2022-04-09 | 2022-04-09 | 一种碳排放预测的神经网络算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742294A true CN114742294A (zh) | 2022-07-12 |
Family
ID=82279249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210370393.XA Pending CN114742294A (zh) | 2022-04-09 | 2022-04-09 | 一种碳排放预测的神经网络算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742294A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115473A (zh) * | 2022-07-19 | 2022-09-27 | 东南大学溧阳研究院 | 基于bp神经网络的柴油发电机组碳排放量化计算方法 |
CN115496286A (zh) * | 2022-09-26 | 2022-12-20 | 重庆德宜高大数据科技有限公司 | 基于大数据环境下神经网络碳排放预测方法及应用 |
CN115689086A (zh) * | 2023-01-03 | 2023-02-03 | 江苏华邦工程造价咨询有限公司 | 一种基于建筑信息模型的碳排放评估***及方法 |
CN115759346A (zh) * | 2022-10-21 | 2023-03-07 | 中山大学 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
CN116522683A (zh) * | 2023-06-20 | 2023-08-01 | 天津大学 | 一种建筑能耗碳排测定方法 |
CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
CN116801213A (zh) * | 2023-06-21 | 2023-09-22 | 广东博创佳禾科技有限公司 | 一种基于大数据的城市二氧化碳数据采集方法及*** |
CN116822803A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
CN117451114A (zh) * | 2023-12-26 | 2024-01-26 | 北京中碳方舟科技有限公司 | 一种碳排放监测***及方法 |
CN117541272A (zh) * | 2024-01-09 | 2024-02-09 | 小象飞羊(北京)科技有限公司 | 数字工程碳排放数据确定方法、***、设备及存储介质 |
CN117726053A (zh) * | 2024-02-09 | 2024-03-19 | 广州市威士丹利智能科技有限公司 | 应用于数字化平台***的碳排放监测方法及*** |
-
2022
- 2022-04-09 CN CN202210370393.XA patent/CN114742294A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115473A (zh) * | 2022-07-19 | 2022-09-27 | 东南大学溧阳研究院 | 基于bp神经网络的柴油发电机组碳排放量化计算方法 |
CN115496286A (zh) * | 2022-09-26 | 2022-12-20 | 重庆德宜高大数据科技有限公司 | 基于大数据环境下神经网络碳排放预测方法及应用 |
CN115759346B (zh) * | 2022-10-21 | 2023-12-22 | 中山大学 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
CN115759346A (zh) * | 2022-10-21 | 2023-03-07 | 中山大学 | 一种基于ao算法的碳排放量预测方法、装置及设备 |
CN115689086A (zh) * | 2023-01-03 | 2023-02-03 | 江苏华邦工程造价咨询有限公司 | 一种基于建筑信息模型的碳排放评估***及方法 |
CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
CN116522683A (zh) * | 2023-06-20 | 2023-08-01 | 天津大学 | 一种建筑能耗碳排测定方法 |
CN116522683B (zh) * | 2023-06-20 | 2023-09-05 | 天津大学 | 一种建筑能耗碳排测定方法 |
CN116801213A (zh) * | 2023-06-21 | 2023-09-22 | 广东博创佳禾科技有限公司 | 一种基于大数据的城市二氧化碳数据采集方法及*** |
CN116801213B (zh) * | 2023-06-21 | 2024-05-17 | 南网碳资产管理(广州)有限公司 | 一种基于大数据的城市二氧化碳数据采集方法及*** |
CN116822803A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
CN116822803B (zh) * | 2023-08-29 | 2023-11-24 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
CN117451114A (zh) * | 2023-12-26 | 2024-01-26 | 北京中碳方舟科技有限公司 | 一种碳排放监测***及方法 |
CN117451114B (zh) * | 2023-12-26 | 2024-02-27 | 北京中碳方舟科技有限公司 | 一种碳排放监测***及方法 |
CN117541272A (zh) * | 2024-01-09 | 2024-02-09 | 小象飞羊(北京)科技有限公司 | 数字工程碳排放数据确定方法、***、设备及存储介质 |
CN117541272B (zh) * | 2024-01-09 | 2024-03-29 | 小象飞羊(北京)科技有限公司 | 数字工程碳排放数据确定方法、***、设备及存储介质 |
CN117726053A (zh) * | 2024-02-09 | 2024-03-19 | 广州市威士丹利智能科技有限公司 | 应用于数字化平台***的碳排放监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742294A (zh) | 一种碳排放预测的神经网络算法 | |
Li et al. | When weather matters: IoT-based electrical load forecasting for smart grid | |
CN111445060B (zh) | 一种社区碳排放监测和预测***及方法 | |
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
Manfren et al. | Paradigm shift in urban energy systems through distributed generation: Methods and models | |
CN113746144B (zh) | 一种源网荷实时交互的电碳控制方法及其智能管理*** | |
WO2021062748A1 (zh) | 综合能源***的优化方法、装置和计算机可读存储介质 | |
Sarmas et al. | ML-based energy management of water pumping systems for the application of peak shaving in small-scale islands | |
CN108388962B (zh) | 一种风电功率预测***及方法 | |
CN114091785A (zh) | 一种基于能源大数据的碳排放监测方法 | |
CN116541666A (zh) | 一种基于影响因素溯源的低碳园区碳追踪方法 | |
CN116128094A (zh) | 一种基于数字孪生的工业园区能量管理***及方法 | |
Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源***冷热负荷数据驱动预测方法 | |
CN116128154A (zh) | 一种农业园区综合能源***的能源优化配置方法及装置 | |
CN115906396A (zh) | 一种被动式建筑能源管理***及其使用方法 | |
CN114266471A (zh) | 一种面向冷热电多能流耦合综合能源的能效评价方法 | |
Cai et al. | Day-ahead forecast of carbon emission factor based on long and short-term memory networks | |
Srinivasan et al. | Correlation analysis of solar power and electric demand | |
CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** | |
Singh et al. | Application of renewable energy system with fuzzy logic | |
Zhang et al. | Coordinated Optimal Scheduling of WPHTNS Power System Based on Adaptive Improved Genetic Algorithm (July 2023) | |
Xiong et al. | Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks | |
CN111753444B (zh) | 一种能源调控方法、装置、设备和存储介质 |
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 |