一种基于影响因素溯源的低碳园区碳追踪方法技术

本发明专利技术公开了一种基于影响因素溯源的低碳园区碳追踪方法，包括确定碳足迹的碳管控范围,对碳排放进行动态预测获得碳源和碳汇数据；将所述碳源和碳汇数据进行预处理；将预处理后所述碳源和碳汇数据利用投入产出法分别进行计算，分别确定碳源类型及排放因子计算相应的碳足迹,根据低碳园区的全周期的碳足迹在m个区域的n个领域的直接碳排放量和间接碳排放量后计算低碳园区的碳足迹总量。本发明专利技术对园区建筑、能源等碳流向进行智慧管控，且能够为低碳园区提供实时且持续的相关数据，整合全园区内的运维管理、交通运输、照明供能等方面，高效快速的实现了碳足迹计算数据计算和追踪，提升园区的碳资产管理信息化水平。升园区的碳资产管理信息化水平。升园区的碳资产管理信息化水平。

【技术实现步骤摘要】
一种基于影响因素溯源的低碳园区碳追踪方法


[0001]本专利技术涉及一种碳追踪测量技术，尤其涉及一种基于影响因素溯源的低碳园区碳追踪方法。

技术介绍

[0002]低碳园区是实现碳计量、核算、认证的定量化计算与优化分析，低碳园区的能源与碳排放管理过程涉及不同领域的大量供用能设备，碳核算、追踪和管控过程较为复杂，考虑的影响因素较多，同时依托于计量设备和数据采集设备的接入，以及能耗计量设备与各类传感器对外的接口协议。通讯链路复杂，如何将园区内各建筑、能源、交通和产业的碳排放数据进行汇总并集中管理是低碳园区能源与碳排放管理平台建设的重点之一。
[0003]低碳园区碳排放的追踪和管控需处理园区各单位海量能耗数据，为各单位、同行业企业的能耗同比和环比分析提供基础数据，分析过程涉及园区不同单位、不同能源介质。如水、电、气表的一次设备只提供实时能耗数据，涉及到按年、月、日分析能耗情况，碳排放的核算、时间空间分布、碳排放的预测、计量等相关数据计算方式、统计方式、能源介质情况随着园区的使用需要进行不断动态的预测计算和修正。
[0004]在碳足迹追踪与评价指标方面，现存技术主要聚焦于某一具体领域对象全生命周期的碳足迹的定量分析与评价,目前的研究仅仅只停留在园区内单一组成部分的碳足迹追踪，没有关注园区整体与外界环境的互动对碳足迹所造成的影响。在低碳园区多领域碳足迹的规划与运行技术方面，现存研究主要基于数据挖掘和异常检测技术，识别异常用电，并以此为基础优化用能规划。然而，目前的研究仅仅停留在优化园区内部能源消耗所产生的直接碳排放，但忽略了园区外购电力、生产进口原材料等外部碳排放对园区碳足迹的影响，从而无法真正地实现园区综合碳排放最低。
[0005]目前的国内外研究通常基于某具体建筑或某一具体能源系统进行研究，无法覆盖到园区的建筑、能源、交通和产业多个领域，且现有部分研究建立了办公、酒店、住宅、医院等建筑形式园区建筑负荷仿真模型，却无法很好的反应园区楼宇与能源系统、交通产业等其他领域之间的动态影响关系。因此，现有研究尚无覆盖多领域、实现精细化全方位碳追踪和管控分析的方法，还没有针对低碳园区的碳排放影响因素溯源的追踪方法，现有研究无法精确对碳排放的影响因素进行动态分析和精准溯源。在建筑和园区碳追踪精度较差的情况下，无法针对性地在园区降碳过程采取措施，未考虑在多领域全生命周期下的碳足迹动态特性，难以实现高效科学准确的碳足迹追踪，将会影响碳排放核算、碳排放评价和碳排放智慧管控的策略制定和减碳效果。因此，需要一种基于影响因素溯源的低碳园区碳追踪方法。

技术实现思路

[0006]本专利技术的目的是要提供一种基于影响因素溯源的低碳园区碳追踪方法。
[0007]为达到上述目的，本专利技术是按照以下技术方案实施的：
[0008]本专利技术包括
[0009]A确定碳足迹的碳管控范围,对碳排放进行动态预测获得碳源和碳汇数据；
[0010]B将所述碳源和碳汇数据进行预处理；
[0011]C将预处理后所述碳源和碳汇数据利用投入产出法分别进行计算，分别确定碳源类型及排放因子计算相应的碳足迹,计算公式为：
[0012]B＝b
×
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]其中：B为相应元素总的碳足迹值；b为相应元素的碳足迹因子，即单位的该元素所产生的碳足迹；n为该元素的总量，单位可以面积、体积、个数等。
[0014]D根据低碳园区的全周期的碳足迹在m个区域的n个领域的直接碳排放量和间接碳排放量后计算低碳园区的碳足迹总量。
[0015]进一步的，对原始数据进行清洗，并对清洗后的数据进行结算对非规律性表计错误运转数据进行人工干预删除后整合形成标准数据视图。
[0016]进一步的，所述碳排放因子的权重值如下；
[0017][0018]所述每公顷城市绿地的按照每年的碳吸收量为1.66t作为碳排放因子得到植物碳足迹年吸收总量。
[0019]进一步地，所述确定碳足迹的碳管控范围包括将低碳园区按照建筑类型进行分类后采集碳源和碳汇数据，所述碳源数据包括园区运营碳足迹和个人碳足迹数据，所述碳汇数据包括低碳园区的景观绿化的数据。
[0020]进一步地，所述碳排放进行动态预测的方法包括，获取当前周期内低碳园区碳排放参数以及当前周期内第一时间与第二时间之间的低碳园区碳排放量；对所述低碳园区碳排放参数的数据进行预处理，构建低碳园区在线碳排放时间空间分布预测模型；将当前周期内低碳园区碳排放参数和当前周期内第一时间与第二时间之间的低碳园区碳排放量输入至低碳园区在线碳排放时间空间分布预测模型得到需求的该时间点的碳排放模拟数据。
[0021]进一步地，所述数据预处理过程如下：
[0022]a利用公式计算数据的自协方差：
[0023][0024]b利用公式计算数据间的自协方差函数，并将第一个超过PACF设定值的样本序号n作为预测数据的长度；
[0025][0026]c利用滑动窗口算法切割原始数据集，将数据转为由特征和标签组成的有监督形式，设滑动窗口的大小为N(N＝n+1)，即用前n个历史数据预测第n+1个样本值，经过滑动窗口处理后，数据集数量变为M
‑
N+1，格式为{(x1,
…
,x
n+1
),
…
,(x
n+1
,
…
,x
2n+1
),
…
}。
[0027]d对在边缘收集的数据进行标准化，将数据Z中的每个初始值通过线性化均值转换为0到1范围内的值,所述线性化均值的计算公式为：
[0028][0029]进一步地，所述碳排放时间空间分布预测模型构建采用卷积网络和GRU网络搭建特征提取模块，它由一维卷积网络和两层GRU构成，其中，一维卷积网络包含卷积层、dropout层和激活层，并采用Relu函数作为激活函数。
[0030]进一步地，所述碳排放时间空间分布预测模型的训练方法包括首先，将预处理后的数据送入神经网络，重置门r
t
控制前一状态的信息被写入到当前的候选集上，用来控制需要保留的记忆；重置门越小，前一状态的信息被写入的越少。如果r
t
为0则表示只保留当前序列的输入信息
[0031]r
t
＝σ(W
r
·
[h
t
‑1,x
t
]+b
r
)
[0032]其中，h
t
‑1表示上一时刻的输入，x
t
表示t时刻的输入。σ(
·
)代表函数运算，W
r
和b
r
分别代表该运算过程中的权重矩阵和偏置矩阵；
[0033][0034]其中tanh(
·
)为函数运算，W和b
t
为计算过程中的权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于影响因素溯源的低碳园区碳追踪方法，其特征在于：包括A确定碳足迹的碳管控范围,对碳排放进行动态预测获得碳源和碳汇数据；B将所述碳源和碳汇数据进行预处理；C将预处理后所述碳源和碳汇数据利用投入产出法分别进行计算，分别确定碳源类型及排放因子计算相应的碳足迹,计算公式为：B＝b
×
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中：B为相应元素总的碳足迹值；b为相应元素的碳足迹因子，即单位的该元素所产生的碳足迹；n为该元素的总量，单位为面积、体积和个数；D根据低碳园区的全周期的碳足迹在m个区域的n个领域的直接碳排放量和间接碳排放量后计算低碳园区的碳足迹总量。2.根据权利要求1所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：对原始数据进行清洗，并对清洗后的数据进行结算对非规律性表计错误运转数据进行人工干预删除后整合形成标准数据视图。3.根据权利要求1所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述碳排放因子的权重值如下；碳排放因子的权重值如下；所述每公顷城市绿地的按照每年的碳吸收量为1.66t作为碳排放因子得到植物碳足迹年吸收总量。4.根据权利要求1所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述确定碳足迹的碳管控范围包括将低碳园区按照建筑类型进行分类后采集碳源和碳汇数据，所述碳源数据包括园区运营碳足迹和个人碳足迹数据，所述碳汇数据包括低碳园区的景观绿化的数据。5.根据权利要求1所述的一种基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述碳排放进行动态预测的方法包括，获取当前周期内低碳园区碳排放参数以及当前周期内第一时间与第二时间之间的低碳园区碳排放量；对所述低碳园区碳排放参数的数据进行
预处理，构建低碳园区在线碳排放时间空间分布预测模型；将当前周期内低碳园区碳排放参数和当前周期内第一时间与第二时间之间的低碳园区碳排放量输入至低碳园区在线碳排放时间空间分布预测模型得到需求的该时间点的碳排放模拟数据。6.根据权利要求5所述的基于影响因素溯源的低碳园区碳追踪方法，其特征在于：所述数据预处理过程如下：a利用公式计算数据的自协方差：b利用公式计算数据间的自协方差函数，并将第一个超过PACF设定值的样本序号n作为预测数据的长度；c利用滑动窗口算法切割原始数据集，将数据转为由特征和标签组成的有监督形式，设滑动窗口的大小为N(N＝n+1)，即用前n个历史数据预测第n+1个样本值，经过滑动窗口处理后，数据集数量变为M
‑
N+1，格式为{(x1,
…
,x
n+1
),
…
,(x
n+1
,...,x
2n+1
),
…
}；d对在边缘收集的...

【专利技术属性】
技术研发人员：乔镖，李骥，孙宗宇，秦以鹏，张广秋，梁书奎，
申请(专利权)人：中国建筑科学研究院有限公司，
类型：发明
国别省市：