CN115759488A - 一种基于边缘计算的碳排放监测预警分析***及其方法 - Google Patents
一种基于边缘计算的碳排放监测预警分析***及其方法 Download PDFInfo
- Publication number
- CN115759488A CN115759488A CN202310032270.XA CN202310032270A CN115759488A CN 115759488 A CN115759488 A CN 115759488A CN 202310032270 A CN202310032270 A CN 202310032270A CN 115759488 A CN115759488 A CN 115759488A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- monitoring
- early warning
- edge
- station
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 116
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 116
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 12
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000004806 packaging method and process Methods 0.000 claims abstract description 3
- 238000012216 screening Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000002440 industrial waste Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
本发明涉及一种基于边缘计算的碳排放监测预警分析***及其方法,属于碳排放分析技术领域,包括边缘监测站和云计算中心,所述边缘监测站设置有数据采集模块、边缘计算模块和数据传输模块,用于采集数据并进行初步站点分析,同时将数据打包上传至云计算中心;所述边缘计算模块,用于构建站点碳排量分析模型;所述云计算中心,用于城市碳排量估算以及预测,生成预警报告;所述站点碳排量分析模型包括回归模型和BP神经网络;所述数据采集模块包括二氧化碳浓度传感器和气象观测传感器。本发明针对城市碳排放集中点设置基于边缘计算的监测站点,从实时采集的数据出发完成监测站点碳排放的预测分析,然后通过云计算中心生成预警报告。
Description
技术领域
本发明属于碳排放分析技术领域,具体涉及一种基于边缘计算的碳排放监测预警分析***及其方法。
背景技术
随着城市化进程的不断推进、劳动人口的不断迁移,造成城市能源消耗的增加、环境污染加剧以及碳排放增加,作为温室气体组成之一的二氧化碳,其排放量带来的气候变化不容小觑。
目前针对城市的碳排放问题,在节能减排方面采取了一系列措施,使得原有的能源结构、排放因子和污染控制措施发生了巨大的变化。通过在大型工业企业内安装在线连续排放监测***来追踪碳排放,但却忽略了大部分的中小型企业碳排放,这些小型企业并没有安装监测***,很难及时准确地捕捉到它们的排放特征,对于城市居民的日常生活及行为活动未曾估算。因此基于数据来源不足,同时预测角度的不同,对于城市碳排放的实时监测及预警不够及时且预测效果较差。
鉴于上述情况,亟需提出一种基于边缘计算的碳排放监测预警分析***及其方法,从碳排放源头进行实时数据采集,分析影响因素与碳排放之间的映射关系,更加准确的对城市碳排放做出监测和预警。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种基于边缘计算的碳排放监测预警分析***及其方法,针对城市碳排放集中点设置基于边缘计算的监测站点,从实时采集的数据出发完成监测站点碳排放的预测分析,然后通过云计算中心生成预警报告。
本发明的目的可以通过以下技术方案实现:
一种基于边缘计算的碳排放监测预警分析***,包括边缘监测站和云计算中心,所述边缘监测站通过有线或无线的方式与云计算中心连接;
所述边缘监测站设置有数据采集模块、边缘计算模块和数据传输模块,用于采集数据并进行初步站点分析,同时将数据打包上传至云计算中心;
所述边缘计算模块,用于构建站点碳排量分析模型;
所述云计算中心,用于城市碳排量估算以及预测,生成预警报告。
作为本发明的一种优选技术方案,所述站点碳排量分析模型包括回归模型和BP神经网络;
所述回归模型,用于筛选碳排量影响因素变量;
所述BP神经网络,用于输出站点碳排量预测值。
作为本发明的一种优选技术方案,所述数据采集模块包括二氧化碳浓度传感器和气象观测传感器;所述预警报告包括站点类别碳排放排序和区域碳排放排序。
作为本发明的一种优选技术方案,还包括一种基于边缘计算的碳排放监测预警分析方法,应用于以上所述的碳排量预警分析***,包括以下步骤:
S1、进行城市碳源分析,筛选出最具代表性的边缘监测站点位置;
S2、建立边缘监测站点并调试通网;
S3、边缘监测站通过收集的数据进行站点分析;
S4、将站点分析结果上传至云计算中心;
S5、云计算中心根据站点分析结果进行城市碳排量估算并生成预警报告。
进一步地,步骤S1中,所述最具代表性的边缘监测站点位置具体为:交通拥堵站点、小区站点、办公园区站点和工业厂区站点。
进一步地,步骤S3中,所述站点分析具体包括:
S31、筛选碳排放量影响因素;
S32、BP神经网络构建;
S33、预测站点碳排放量。
进一步地,步骤S31中,所述碳排放量影响因素具体包括:消费因素、生产因素和综合因素。
进一步地,筛选碳排放量影响因素具体包括以下步骤:
S311、数据标准化;
S312、构建碳排放影响因素线性回归模型;
S313、确定最终选取变量。
进一步地,BP神经网络构建具体包括以下步骤:
S321、对样本数据归一化处理;
S322、建立BP神经网络结构;
S323、BP神经网络训练。
进一步地,步骤S5具体包括以下步骤:云计算中心分别根据排放特征和区域划分设置两类,第一类按照相同特征监测站点的数据进行估算全市其他未设置监测站点的排放量;第二类按照地理区域划分的结果估算每个地区的碳排放量;然后根据站点类别碳排放排序和区域碳排放排序来生成预警报告。
本发明的有益效果为:
本发明针对城市碳排放集中点设置基于边缘计算的监测站点,从实际采集的数据出发,结合影响碳排放的可能因素,获得了各个影响因素与碳排放之间的映射关系,完成监测站点碳排放的预测分析,然后通过云计算中心生成预警报告,本发明构建的碳排放预测模型预测效果更好,可以实现通过历史数据对未来碳排放做出预测,为碳减排措施提供预警和指导。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明预警分析模型结构示意图;
图2为本发明预警分析方法步骤示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
根据本申请的第一方面,本申请实施例提供一种基于边缘计算的碳排放监测预警分析***,如图1所示,包括边缘监测站和云计算中心,所述边缘监测站通过有线或无线的方式与云计算中心连接。
所述边缘监测站设置有数据采集模块、边缘计算模块和数据传输模块,用于采集数据并进行初步站点分析,同时将分析结果上传至云计算中心;所述数据采集模块包括二氧化碳浓度传感器和气象观测传感器。
本实施例中,二氧化碳浓度传感器用于采集实时二氧化碳浓度值,气象观测传感器用于采集时间段对应的环境温度、相对湿度、风速、风向、大气压力和光学雨量。
所述边缘计算模块,用于构建站点碳排量分析模型;
所述云计算中心,用于城市碳排量估算以及预测,生成预警报告,所述预警报告包括站点类别碳排放排序和区域碳排放排序。
所述站点碳排量分析模型包括回归模型和BP神经网络;所述回归模型,用于筛选碳排量影响因素变量;所述BP神经网络,用于输出站点碳排量预测值。
本实施例中,回归模型采用Lasso(最小绝对和收缩算子:Least absoluteshrinkage and selection operator)模型完成碳排放量影响因素的筛选,然后将筛选之后的影响因素作为BP神经网络的输入,将碳排放预测值作为输出。
本发明基于边缘云计算,在网络边缘处理传感器采集的实时数据,只将分析结果传送至云计算中心,极大地减轻了网络带宽和数据中心功耗的压力,同时在靠近数据采集处做数据处理,不需要通过网络请求云计算中心的响应,大大减少了***延迟,增强了服务响应能力。
根据本申请的第二方面,本申请实施例提供一种基于边缘计算的碳排放监测预警分析方法,如图2所示,包括以下步骤:
S1、进行城市碳源分析,依据碳排放的重点区域筛选出最具代表性的边缘监测站点位置,所述碳排放的重点区域具体包括交通碳排放区、人为活动碳排放区以及工业废气碳排放区,其中人为活动碳排放区包括活动广场、居民小区和办公园区,工业废气碳排放区包括市内工业厂区;对应重点区域依次筛选出的边缘监测站点为高峰期交通拥堵站点、小区站点、办公园区站点和工业厂区站点。
本实施例中,所述边缘监测站点依据其分类特征可设置3~5个,通过同一类特征站点获取数据,为后期云计算中心提供估测均值,进一步提高估值的准确度。
S2、建立边缘监测站点并调试通网;在全市筛选出站点地理位置后建立边缘监测站点,具体包括数据采集模块、边缘计算模块和数据传输模块,具体的,数据采集模块分为二氧化碳浓度传感器和气象观测传感器。
本实施例中,数据采集模块将采集到的二氧化碳浓度值和气象数据实时传输至边缘计算模块,由于气象条件的剧烈变化会影响二氧化碳浓度的监测值,因此边缘计算模块在分析采集的数据时会根据对应存储的气象数据来选择二氧化碳浓度值,只选择气象条件稳定的监测值。
S3、边缘监测站通过收集的数据进行站点分析,具体分析过程为:
S31、筛选碳排放量影响因素,所述碳排放量影响因素具体包括消费因素、生产因素和综合因素;所述消费因素包括市民人均可支配收入、市民人均消费支出以及社会平均工资等;所述生产因素包括生产材料价格、生产能源价格、生产进程时间和产品需求量等;所述综合因素包括常住人口数量、疫情限制时间因素、气象条件因素和地方财政减排支出等。
本实施例中,碳排放量影响因素的筛选通过Lasso模型完成,选取影响碳排放的11个变量,具体包括市民人均可支配收入x 1、市民人均消费支出x 2、社会平均工资x 3、生产材料价格x 4、生产能源价格x 5、生产进程时间x 6、产品需求量x 7、常住人口数量x 8、疫情限制时间因素x 9、气象条件因素x 10和地方财政减排支出x 11。
具体的,Lasso模型筛选步骤包括:
S311、数据标准化:由于各个影响因素的单位不一致,因此需要对原始数据进行中心标准化处理,使不同维度的特征拥有相同的度量尺度,具体标准化后的数据为:
S312、构建碳排放Yt影响因素线性回归模型:
S313、确定最终选取变量:将标准化之后的数据进行Lasso求解,经过n次迭代得到所有的Lasso解,使用赤池信息准则确定最佳模型。赤池模型通过在似然函数添加惩罚项的方式描述模型的精度,根据赤池最小值A可以从一系列不同模型中确定最佳模型,即
在迭代的过程中当赤池信息值A达到最小值时模型拟合最佳。选择该次迭代结果作为变量筛选依据,选取最终变量。
S32、BP神经网络构建,具体包括以下步骤:
S321、对样本数据归一化处理:采用零均值归一化方法,将数据映射到[0,1]。
S322、建立BP神经网络结构:将Lasso回归模型筛选出的变量作为BP神经网络的输入层节点,输出层节点为碳排放量,隐含层节点数的计算公式为:
S323、BP神经网络训练:将误差目标设置为10-8训练神经网络。
S33、预测站点碳排放量:将测试样本输入构建的BP神经网络,对碳排量进行预测,对输出结果进行反归一化处理,获得碳排量预测值。
S4、将站点分析结果上传至云计算中心;
S5、云计算中心根据站点分析结果进行城市碳排量估算并生成预警报告:在接收到所有站点的分析结果后,将数据依次填入对应的特征分类,具体分类包括两部分:第一类根据排放特征分类,包括交通排放、日常生活排放、办公园区排放和工业生产排放,此类数据的获取是按照相同特征监测站点的数据进行估算全市其他未设置监测站点的排放量,生成站点类别碳排放排序;第二类根据区域划分,将全市的碳排放按照地理区域划分的结果估算每个地区的碳排放量,生成区域碳排放排序。根据站点类别碳排放排序和区域碳排放排序来生成预警报告,通过预警报告制定该市的减排计划。
本发明首先针对城市碳排放集中点设置基于边缘计算的监测站点,完成二氧化碳浓度的实时采集以及站点碳排放的预测分析,然后通过云计算中心分类估算全市的碳排放值。在站点预测分析的过程中,采用Lasso模型完成碳排放量影响因素的筛选,获得其中较为关键的因素,并据此结合完成BP神经网络的训练,从而完成碳排放的预测。
本发明从实际采集的数据出发,结合影响碳排放的可能因素,获得了各个影响因素与碳排放之间的映射关系,构建的碳排放预测模型预测效果更好,可以实现通过历史数据对未来碳排放做出预测,为碳减排措施提供预警和指导。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但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作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于边缘计算的碳排放监测预警分析***,其特征在于:包括边缘监测站和云计算中心,所述边缘监测站通过有线或无线的方式与云计算中心连接;
所述边缘监测站设置有数据采集模块、边缘计算模块和数据传输模块,用于采集数据并进行初步站点分析,同时将数据打包上传至云计算中心;
所述边缘计算模块,用于构建站点碳排量分析模型;
所述云计算中心,用于城市碳排量估算以及预测,生成预警报告。
2.根据权利要求1所述的一种基于边缘计算的碳排放监测预警分析***,其特征在于:所述站点碳排量分析模型包括回归模型和BP神经网络;所述回归模型,用于筛选碳排量影响因素变量;所述BP神经网络,用于输出站点碳排量预测值。
3.根据权利要求1所述的一种基于边缘计算的碳排放监测预警分析***,其特征在于:所述数据采集模块包括二氧化碳浓度传感器和气象观测传感器;所述预警报告包括站点类别碳排放排序和区域碳排放排序。
4.一种基于边缘计算的碳排放监测预警分析方法,应用于如权利要求1至3任一项所述的碳排量预警分析***,其特征在于:包括以下步骤:
S1、进行城市碳源分析,筛选出最具代表性的边缘监测站点位置;
S2、建立边缘监测站点并调试通网;
S3、边缘监测站通过收集的数据进行站点分析;
S4、将站点分析结果上传至云计算中心;
S5、云计算中心根据站点分析结果进行城市碳排量估算并生成预警报告。
5.根据权利要求4所述的一种基于边缘计算的碳排放监测预警分析方法,其特征在于:步骤S1中,所述最具代表性的边缘监测站点位置具体为:交通拥堵站点、小区站点、办公园区站点和工业厂区站点。
6.根据权利要求4所述的一种基于边缘计算的碳排放监测预警分析方法,其特征在于:步骤S3中,所述站点分析具体包括:
S31、筛选碳排放量影响因素;
S32、BP神经网络构建;
S33、预测站点碳排放量。
7.根据权利要求6所述的一种基于边缘计算的碳排放监测预警分析方法,其特征在于:步骤S31中,所述碳排放量影响因素具体包括:消费因素、生产因素和综合因素。
8.根据权利要求7所述的一种基于边缘计算的碳排放监测预警分析方法,其特征在于:筛选碳排放量影响因素具体包括以下步骤:
S311、数据标准化;
S312、构建碳排放影响因素线性回归模型;
S313、确定最终选取变量。
9.根据权利要求8所述的一种基于边缘计算的碳排放监测预警分析方法,其特征在于:BP神经网络构建具体包括以下步骤:
S321、对样本数据归一化处理;
S322、建立BP神经网络结构;
S323、BP神经网络训练。
10.根据权利要求4所述的一种基于边缘计算的碳排放监测预警分析方法,其特征在于:步骤S5具体包括以下步骤:云计算中心分别根据排放特征和区域划分设置两类,第一类按照相同特征监测站点的数据进行估算全市其他未设置监测站点的排放量;第二类按照地理区域划分的结果估算每个地区的碳排放量;然后根据站点类别碳排放排序和区域碳排放排序来生成预警报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032270.XA CN115759488B (zh) | 2023-01-10 | 2023-01-10 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032270.XA CN115759488B (zh) | 2023-01-10 | 2023-01-10 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759488A true CN115759488A (zh) | 2023-03-07 |
CN115759488B CN115759488B (zh) | 2023-05-05 |
Family
ID=85348909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310032270.XA Active CN115759488B (zh) | 2023-01-10 | 2023-01-10 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759488B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228171A (zh) * | 2023-05-08 | 2023-06-06 | 北京始祖科技有限公司 | 一种企业碳排放监测***及方法 |
CN116542395A (zh) * | 2023-06-12 | 2023-08-04 | 重庆不贰科技(集团)有限公司 | 一种低碳楼宇监测***及方法 |
CN116933983A (zh) * | 2023-09-19 | 2023-10-24 | 江西财经大学 | 一种低碳排放数据监测***及方法 |
CN117094524A (zh) * | 2023-09-13 | 2023-11-21 | 北京化工大学 | 一种基于云平台的碳收集及服务*** |
CN118037078A (zh) * | 2024-04-12 | 2024-05-14 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站碳排放计算数据迁移方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618067A (zh) * | 2019-09-20 | 2019-12-27 | 谢国宇 | 一种基于监测服务网格的污染追踪溯源***及方法 |
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
CN113689049A (zh) * | 2021-09-02 | 2021-11-23 | 上海积成能源科技有限公司 | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 |
CN113961618A (zh) * | 2021-10-18 | 2022-01-21 | 阿里云计算有限公司 | 碳排放数据处理方法以及计算设备 |
CN114062759A (zh) * | 2021-10-28 | 2022-02-18 | 阿凡提物联网科技(沈阳)有限公司 | 一种碳排放监测核对***及方法 |
US20220065834A1 (en) * | 2020-09-03 | 2022-03-03 | Cameron International Corporation | Greenhouse gas emission monitoring systems and methods |
CN114595967A (zh) * | 2022-03-08 | 2022-06-07 | 浪潮云信息技术股份公司 | 一种基于边缘云架构的数据中心碳排放监管方法及*** |
CN114662780A (zh) * | 2022-04-06 | 2022-06-24 | 国网冀北电力有限公司计量中心 | 碳排放量预测方法、装置、电子设备及存储介质 |
CN114814093A (zh) * | 2022-04-13 | 2022-07-29 | 厦门柏事特信息科技有限公司 | 一种能源与碳排放监管*** |
-
2023
- 2023-01-10 CN CN202310032270.XA patent/CN115759488B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
CN110618067A (zh) * | 2019-09-20 | 2019-12-27 | 谢国宇 | 一种基于监测服务网格的污染追踪溯源***及方法 |
US20220065834A1 (en) * | 2020-09-03 | 2022-03-03 | Cameron International Corporation | Greenhouse gas emission monitoring systems and methods |
CN113689049A (zh) * | 2021-09-02 | 2021-11-23 | 上海积成能源科技有限公司 | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 |
CN113961618A (zh) * | 2021-10-18 | 2022-01-21 | 阿里云计算有限公司 | 碳排放数据处理方法以及计算设备 |
CN114062759A (zh) * | 2021-10-28 | 2022-02-18 | 阿凡提物联网科技(沈阳)有限公司 | 一种碳排放监测核对***及方法 |
CN114595967A (zh) * | 2022-03-08 | 2022-06-07 | 浪潮云信息技术股份公司 | 一种基于边缘云架构的数据中心碳排放监管方法及*** |
CN114662780A (zh) * | 2022-04-06 | 2022-06-24 | 国网冀北电力有限公司计量中心 | 碳排放量预测方法、装置、电子设备及存储介质 |
CN114814093A (zh) * | 2022-04-13 | 2022-07-29 | 厦门柏事特信息科技有限公司 | 一种能源与碳排放监管*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228171A (zh) * | 2023-05-08 | 2023-06-06 | 北京始祖科技有限公司 | 一种企业碳排放监测***及方法 |
CN116228171B (zh) * | 2023-05-08 | 2023-07-21 | 北京始祖科技有限公司 | 一种企业碳排放监测***及方法 |
CN116542395A (zh) * | 2023-06-12 | 2023-08-04 | 重庆不贰科技(集团)有限公司 | 一种低碳楼宇监测***及方法 |
CN116542395B (zh) * | 2023-06-12 | 2024-01-26 | 重庆不贰科技(集团)有限公司 | 一种低碳楼宇监测***及方法 |
CN117094524A (zh) * | 2023-09-13 | 2023-11-21 | 北京化工大学 | 一种基于云平台的碳收集及服务*** |
CN117094524B (zh) * | 2023-09-13 | 2024-03-19 | 北京化工大学 | 一种基于云平台的碳收集及服务*** |
CN116933983A (zh) * | 2023-09-19 | 2023-10-24 | 江西财经大学 | 一种低碳排放数据监测***及方法 |
CN116933983B (zh) * | 2023-09-19 | 2024-01-23 | 江西财经大学 | 一种低碳排放数据监测***及方法 |
CN118037078A (zh) * | 2024-04-12 | 2024-05-14 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站碳排放计算数据迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115759488B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析***及其方法 | |
CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其*** | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及*** | |
CN114371260A (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
CN108802856B (zh) | 一种基于ai的源数据动态修正预报***及其工作方法 | |
CN110346518B (zh) | 一种交通排放污染可视化预警方法及其*** | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
CN102411729A (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
CN111339092A (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
CN113610243A (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测*** | |
CN113987912A (zh) | 一种基于地理信息的污染物在线监测*** | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN114117953A (zh) | 水文模型结构诊断方法、径流预报方法及装置 | |
CN115545565A (zh) | 基于大气环境质量的园区排污总量管控方法和*** | |
CN115544706A (zh) | 一种小波和XGBoost模型集成的大气细颗粒物浓度估算方法 | |
CN116147712B (zh) | 免时空限制的立体式施工环境监测装置及预测方法 | |
CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警*** | |
CN114519124A (zh) | 一种大气环境污染联防联控治理方法 | |
CN117077353A (zh) | 基于多变量bp神经网络的碳排放测算建模、方法及装置 | |
AU2021105563A4 (en) | Method for Traceability of Air Pollutants Based on Coupled Machine Learning and Correlation Analysis |
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 |