【技术实现步骤摘要】
本专利技术属于碳排放数据管理，具体涉及碳排放节能管理分析系统及方法。
技术介绍
1、碳排放是形成温室效应的主要原因，自从上世纪《京都条约》开始，各个领域都着力于进行碳减排操作，碳排放数据是有效开展各项碳减排工作的前提，目前对于碳排放数据的管理一般通过核算平台生成碳排放报告。
2、目前碳排放和科技成果统计数据量大，涉及人员、部门较多、频率高，完成汇总统计工作量大，且发送资料再填写易产生误差，特别是碳资产上市交易后，涉及煤炭采购、排放成本、节能改造成本等大量数据分析，但是现阶段电厂每日、每月、每年需要报送碳排放数据、管理方针和目标，明确碳排放数据管理体系的范围，并编制碳排放监测计划，并配合完成碳排放核查，但是现阶段大多数火电企业对碳排放数据管理目前仍然不够规范，当人工填报及核算形式出现数据错误时，不能对错误数据进行判断和分析，使得碳交易一旦展开难免会出现因数据不规范而带来损失，基于此，我们提出了碳排放节能管理分析系统及方法。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供碳排放节能管理分析系统及方法，解决了现阶段大多数火电企业对碳排放数据管理目前仍然不够规范，当人工填报及核算形式出现数据错误时，不能对错误数据进行判断和分析的问题。
2、本专利技术是这样实现的，碳排放节能管理分析系统，所述碳排放节能管理分析系统包括碳排放采集端、企业端、监督服务端以及预警分析端；
3、所述碳排放采集端用于实时采集以采集时间顺序排列的碳排放设备实时动态
4、所述预警分析端用于获取异常排放行为集，识别并判断异常排放行为集中异常排放点，确定至少一组异常判断结果以及对应的异常原因权重；
5、所述监督服务端用于获取异常排放点对应的异常判断结果以及对应的异常原因权重，预建立并实时更新监督策略库，基于异常判断结果以及对应的异常原因权重调取监督策略库中对应的监督管理措施；
6、所述企业端用于获取监督管理措施，生成警示或调整指令。
7、优选地，所述碳排放采集端包括：
8、实时采集模块，所述实时采集模块用于验证碳排放设备信息，并实时采集以采集时间顺序排列的碳排放设备实时动态数据；
9、数据提取模块，所述数据提取模块用于获取碳排放设备实时动态数据，通过内置多通道分割模块对获取到的碳排放设备实时动态数据进行多通道分割，得到多组通道数据流，数据提取模块基于python算法提取多组通道数据流中每一组数据，并以可解码格式保存，得到异常数据集；
10、数据预处理模块，获取以可解码格式保存的异常数据集，基于预设的异常排放识别模型对异常数据集进行预处理，得到异常排放行为集。
11、优选地，所述异常排放识别模型的构建方法，具体包括：
12、获取标准数据集，将标准数据集分为训练集、验证集以及测试集，且训练集、验证集以及测试集采用2:1:1划分，其中，所述标准数据集具有对应的异常排放类型标注；
13、获取初始行为识别模型，基于训练集对初始行为识别模型进行自动训练，其中，所述初始行为识别模型为基于核方法和深度学习的网络对齐模型；
14、加载验证集，以验证集为输入，执行训练好的初始行为识别模型，得到验证集对应的验证类型标注；
15、判断验证集对应的验证类型标注与异常排放类型标注准确率是否符合预设准确率，若符合准确率，则对初始行为识别模型进行测试，若不符合准确率，则基于小批量随机梯度下降算法调整初始行为识别模型的超参数，基于训练集对初始行为识别模型进行自动训练。
16、优选地，所述异常排放识别模型的构建方法，具体还包括：
17、加载测试集，以测试集为输入，执行训练好的初始行为识别模型，获取测试集数据识别结果，判断测试集数据识别结果正确率，验证初始行为识别模型的误差率，若初始行为识别模型的误差率小于预设误差阈值，则初始行为识别模型构建完成，若初始行为识别模型的误差率大于预设误差阈值，基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节，降低初始行为识别模型的误差率。
18、优选地，所述基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节，降低初始行为识别模型的误差率的方法，具体包括：
19、获取测试集数据识别结果，对识别结果进行加载队列处理；
20、计算测试集数据识别结果的交叉熵作为刻画测试预测值与真实值之间差距损失函数，其中，给定测试样本集d＝{x1，x2，x3，x4，...xn}，差距损失函数fx的计算公式(1)为：
21、
22、其中，表示输入样本xn时，其结果为a的预测概率，d(xn，an)表示样本集xn的高斯环绕函数，α表示差距损失函数的真实误差值，且α的表达公式(2)为：
23、
24、d(xn，an)的表示函数(3)为：
25、
26、其中，β，γ分别表示差距损失函数的前置以及后置系数，ρ表示预测值信息矢量变化常量；
27、获取差距损失函数，以差距损失函数计算当前测试集中样本的交叉熵平均值，其中，样本的交叉熵平均值tx计算公式(4)为：
28、
29、基于网络对齐模型中adam优化器对差距损失函数进行优化，不断更新识别模型超参数，得到最优行为识别模型。
30、优选地，所述预警分析端包括：
31、行为集获取模块，所述行为集获取模块用于获取异常排放行为集；
32、行为点提取模块，基于异常排放行为集提取异常排放行为集中异常排放点；
33、原因确定模块，加载异常排放点，基于异常排放点确定异常排放点关联的异常原因，计算异常原因权重。
34、优选地，所述基于异常排放行为集提取异常排放行为集中异常排放点的方法，具体包括：
35、获取异常排放行为集；
36、识别异常排放行为集中碳排放设备排放特征点，基于ssnbdl网络对特征点进行反卷积还原，增加排放特征点空洞度，其中，空洞卷积ω(x，y)运算公式(5)如下：
37、
38、其中，(x，y)为排放特征点二维坐标，i，j分别表示排放特征点横向扩张值以及纵向扩张值，表示异常排放行为矩阵的特征向量w，表示排放特征点空洞度；
39、
40、其中，τ为补零层数，o为卷积步幅，k为异常排放行为矩阵矩阵大小，r为矩阵卷积核。
41、优选地，所述监督服务端包括：
42、权重获取模块，所述权重获取模块用于获取异常排放点对应的异常判断结果以及对应的异常原因权重；
43、策略库生成模块，所述策略库生成模块基于异常原因权重生成对应策略库，并基于异常判断结果实时更新策略库；
44、管理措施调取模块，所述管理措施调取模块本文档来自技高网...
【技术保护点】
1.碳排放节能管理分析系统，其特征在于，所述碳排放节能管理分析系统包括碳排放采集端、企业端、监督服务端以及预警分析端；
2.如权利要求1所述的碳排放节能管理分析系统，其特征在于：所述碳排放采集端包括：
3.如权利要求2所述的碳排放节能管理分析系统，其特征在于：所述异常排放识别模型的构建方法，具体包括：
4.如权利要求3所述的碳排放节能管理分析系统，其特征在于：所述异常排放识别模型的构建方法，具体还包括：
5.如权利要求4所述的碳排放节能管理分析系统，其特征在于：所述基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节，降低初始行为识别模型的误差率的方法，具体包括：
6.如权利要求5所述的碳排放节能管理分析系统，其特征在于：所述预警分析端包括：
7.如权利要求6所述的碳排放节能管理分析系统，其特征在于：所述基于异常排放行为集提取异常排放行为集中异常排放点的方法，具体包括：
8.如权利要求7所述的碳排放节能管理分析系统，其特征在于：所述监督服务端包括：
9.如权利要求1所述
10.一种碳排放节能管理分析方法，采用如权利要求1-9任一项所述的系统，其特征在于：所述碳排放节能管理分析方法包括：
...【技术特征摘要】
1.碳排放节能管理分析系统，其特征在于，所述碳排放节能管理分析系统包括碳排放采集端、企业端、监督服务端以及预警分析端；
2.如权利要求1所述的碳排放节能管理分析系统，其特征在于：所述碳排放采集端包括：
3.如权利要求2所述的碳排放节能管理分析系统，其特征在于：所述异常排放识别模型的构建方法，具体包括：
4.如权利要求3所述的碳排放节能管理分析系统，其特征在于：所述异常排放识别模型的构建方法，具体还包括：
5.如权利要求4所述的碳排放节能管理分析系统，其特征在于：所述基于高斯嵌入和深度学习的网络对齐模型对初始行为识别模型超参数进行调节，降...
【专利技术属性】
技术研发人员：王海涛，鲍教旗，马林，蔡博博，储怡芳，周启民，张慧强，王鑫，
申请(专利权)人：华能曲阜热电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。