用于工业园区的碳排放管理系统及其方法技术方案

公开了一种用于工业园区的碳排放管理系统及其方法，其采用基于深度学习的人工智能检测技术，以对于工业园区内各家企业的碳排放时序关联特征和所述工业园区内各家企业的空间拓扑特征进行提取，进一步再融合这两者的特征分布信息来进行工业园区的整体碳排放量检测。这样，能够准确地对于工业园区的各个行业的碳排放量进行全方位的检测，以实现工业园区的碳排放管理。排放管理。排放管理。

【技术实现步骤摘要】
用于工业园区的碳排放管理系统及其方法


[0001]本申请涉及园区管理领域，且更为具体地，涉及一种用于工业园区的碳排放管理系统及其方法。

技术介绍

[0002]低碳经济是以低能耗、低污染、低排放为基础的经济模式，是人类社会继农业文明、工业文明之后的又一次重大进步。其实质是提高能源利用效率，开发清洁能源技术，优化产业结构，根本上改变人类生存发展的观念。碳交易是为促进全球温室气体减排，减少全球二氧化碳排放所采用的市场机制。
[0003]在工业园区规划中对于碳排放的监管一直备受关注，现有的碳排放监管系统不够完善，数据统计不完整，无法全方位的了解工业园区各个行业的碳排放量，无法做出很好的园区规划。
[0004]因此，期待一种优化的用于工业园区的碳排放管理方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于工业园区的碳排放管理系统及其方法，其采用基于深度学习的人工智能检测技术，以对于工业园区内各家企业的碳排放时序关联特征和所述工业园区内各家企业的空间拓扑特征进行提取，进一步再融合这两者的特征分布信息来进行工业园区的整体碳排放量检测。这样，能够准确地对于工业园区的各个行业的碳排放量进行全方位的检测，以实现工业园区的碳排放管理。
[0006]相应地，根据本申请的一个方面，提供了一种用于工业园区的碳排放管理系统，其包括：碳排放量监控模块，用于获取待监控工业园区内各家企业的多天的碳排放量；排放量特征提取模块，用于将所述各家企业的多天的碳排放量分别按照时间维度排列为碳排放量输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个碳排放量特征向量；空间拓扑构造模块，用于构造所述待监控工业园区内各家企业之间的空间拓扑矩阵，其中，所述空间拓扑矩阵的非对角线位置上各个位置的值为相应两家企业之间的空间距离；空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；全局化模块，用于将所述多个碳排放量特征向量进行二维矩阵化以得到全局碳排放量特征矩阵；图数据编码模块，用于将所述全局碳排放量特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局碳排放量特征矩阵；优化模块，用于对所述拓扑全局碳排放量特征矩阵进行基于高斯回归不确定性因数的优化以得到优化拓扑全局碳排放量特征矩阵；以及管理结果生成模块，用于将所述优化拓扑全局碳排放量特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监控工业园区的整体碳排放量是否正常。
[0007]在上述用于工业园区的碳排放管理系统中，所述排放量特征提取模块，进一步用
于：使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述碳排放量特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述碳排放量输入向量。
[0008]在上述用于工业园区的碳排放管理系统中，所述空间拓扑特征提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
[0009]在上述用于工业园区的碳排放管理系统中，所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
[0010]在上述用于工业园区的碳排放管理系统中，所述图数据编码模块，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述全局碳排放量特征矩阵和所述空间拓扑特征矩阵进行处理以生成包含不规则的空间拓扑特征和排放量高维隐含特征的所述拓扑全局碳排放量特征矩阵。
[0011]在上述用于工业园区的碳排放管理系统中，所述优化模块，包括：特征矩阵拆分单元，用于所述拓扑全局碳排放量特征矩阵沿行向量进行拆分以得到多个拓扑全局碳排放量特征向量；因数计算单元，用于计算所述多个拓扑全局碳排放量特征向量中的每个拓扑全局碳排放量特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；加权单元，用于基于所述多个高斯回归不确定性因数，分别对每个拓扑全局碳排放量特征向量进行加权以得到多个优化拓扑全局碳排放量特征向量；以及，特征矩阵重排单元，用于将所述多个优化拓扑全局碳排放量特征向量排列为灾区全局图像特征矩阵。
[0012]在上述用于工业园区的碳排放管理系统中，所述因数计算单元，用于：以如下因数计算公式计算所述多个拓扑全局碳排放量特征向量中的每个拓扑全局碳排放量特征向量的高斯回归不确定性因数以得到所述多个高斯回归不确定性因数；其中，所述因数计算公式为：其中，是所述多个拓扑全局碳排放量特征向量中的第个拓扑全局碳排放量特征向量的第个位置的特征值，是特征向量的长度，和分别是所述多个拓扑全局碳排放量特征向量中的第个拓扑全局碳排放量特征向量特征集合的均值和方差，为以2为底的对数函数，是所述多个高斯回归不确定性因数中的第个高斯回归不确定性因数。
[0013]在上述用于工业园区的碳排放管理系统中，所述管理结果生成模块，包括：展开单元，用于将所述优化拓扑全局碳排放量特征矩阵按照行向量或者列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入
所述分类器的Softmax分类函数以得到所述分类结果。
[0014]根据本申请的另一方面，还提供了一种用于工业园区的碳排放管理方法，其包括：获取待监控工业园区内各家企业的多天的碳排放量；将所述各家企业的多天的碳排放量分别按照时间维度排列为碳排放量输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个碳排放量特征向量；构造所述待监控工业园区内各家企业之间的空间拓扑矩阵，其中，所述空间拓扑矩阵的非对角线位置上各个位置的值为相应两家企业之间的空间距离；将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；将所述多个碳排放量特征向量进行二维矩阵化以得到全局碳排放量特征矩阵；将所述全局碳排放量特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局碳排放量特征矩阵；对所述拓扑全局碳排放量特征矩阵进行基于高斯回归不确定性因数的优化以得到优化拓扑全局碳排放量特征矩阵；以及将所述优化拓扑全局碳排放量特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监控工业园区的整体碳排放量是否正常。
[0015]根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于工业园区的碳排放管理方法。
[0016本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于工业园区的碳排放管理系统，其特征在于，包括：碳排放量监控模块，用于获取待监控工业园区内各家企业的多天的碳排放量；排放量特征提取模块，用于将所述各家企业的多天的碳排放量分别按照时间维度排列为碳排放量输入向量后通过使用一维卷积核的第一卷积神经网络模型以得到多个碳排放量特征向量；空间拓扑构造模块，用于构造所述待监控工业园区内各家企业之间的空间拓扑矩阵，其中，所述空间拓扑矩阵的非对角线位置上各个位置的值为相应两家企业之间的空间距离；空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；全局化模块，用于将所述多个碳排放量特征向量进行二维矩阵化以得到全局碳排放量特征矩阵；图数据编码模块，用于将所述全局碳排放量特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局碳排放量特征矩阵；优化模块，用于对所述拓扑全局碳排放量特征矩阵进行基于高斯回归不确定性因数的优化以得到优化拓扑全局碳排放量特征矩阵；以及管理结果生成模块，用于将所述优化拓扑全局碳排放量特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监控工业园区的整体碳排放量是否正常。2.根据权利要求1所述的用于工业园区的碳排放管理系统，其特征在于，所述排放量特征提取模块，进一步用于：使用所述使用一维卷积核的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出所述碳排放量特征向量，其中，所述第一卷积神经网络模型的第一层的输入为所述碳排放量输入向量。3.根据权利要求2所述的用于工业园区的碳排放管理系统，其特征在于，所述空间拓扑特征提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。4.根据权利要求3所述的用于工业园区的碳排放管理系统，其特征在于，所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。5.根据权利要求4所述的用于工业园区的碳排放管理系统，其特征在于，所述图数据编码模块，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述全局碳排放量特征矩阵和所述空间拓扑特征矩阵进行处理以生成包含不规则的空间拓扑特征和排放量高维隐含特征的所述拓扑全局碳排放量特征矩阵。6.根据权利要求5所述的用于工业园区的碳排放管理系统，其特征在于，所述优化模块，包括：特征矩阵拆分单元，用于所述拓扑全局碳排放量特征矩阵沿行向量进行拆分以得到多个拓扑全局碳排放量特征向量；因数计算单元，用于计算所述多个拓扑全局碳排放量特征向量中的每个拓扑全局碳排放量特征向量的高斯回归不确定性因数以得到多个高斯...

【专利技术属性】
技术研发人员：苗阳，曹柬，蒋惠琴，施安康，
申请(专利权)人：金华市浙工大创新联合研究院，
类型：发明
国别省市：