本发明专利技术提供了一种基于人工智能碳脑的降碳影响因素确定方法及系统，所述方法包括将预设区域进行区域分解，获取每个子区域的碳排放效率数据；计算每个子区域的碳排放效率值；确定子区域之间的影响程度，并基于影响程度将子区域进行排序处理；获取子区域的初始影响因素集，对初始影响因素集进行抽取排序处理；选取前若干个子区域作为重点子区域，在每个重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对重点影响因素进行重点管控，以实现降碳过程，本发明专利技术通过确定子区域之间、影响因素之间的碳排放影响程度进而对区域、影响因素进行排序，以此可提升节能降碳的效果。
【技术实现步骤摘要】
本专利技术属于节能降碳的，具体地涉及一种基于人工智能碳脑的降碳影响因素确定方法及系统。
技术介绍
1、碳排放是关于温室气体排放的一个总称或简称，温室气体中最主要的气体是二氧化碳，因此用碳一词作为代表，也可简单地将碳排放理解为二氧化碳排放，目前如何通过节能减污的技术来减少工厂和企业的碳排放量，是较为热门的环保话题。
2、对于大型区域的节能降碳而言，通常需要找到直接影响碳排放量的影响因素，并对影响因素进行重点把控，已实现大型区域的降碳过程，但在现有技术中，通常通过结构分解法确定每个影响因素对于碳排放量的贡献量进而确定重要的影响因素，其耗时较长且影响因素的确定不够精准，同时忽略了区域与区域之间的碳排放影响以及同一区域中每个影响因素之间的碳排放影响，进而容易导致在进行降碳管控时，节能降碳效果不明显。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种基于人工智能碳脑的降碳影响因素确定方法及系统，用于解决现有技术中的技术问题。
2、一方面，本专利技术提供以下技术方案，一种基于人工智能碳脑的降碳影响因素确定方法，包括：
3、将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；
4、基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；
5、基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；
<
p>6、基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；7、基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程。
8、相比现有技术，本申请的有益效果为：本申请首先将预设区域进行区域分解，以得到若干子区域，基于人工智能碳脑获取每个所述子区域的碳排放效率数据；之后基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值；然后基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组；而后基于所述人工智能碳脑获取所述子区域的初始影响因素集，对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组；最后基于所述子区域排序组选取前若干个子区域作为重点子区域，在每个所述重点子区域的影响因素排序组中选取前若干个影响因素作为重点影响因素，并对所述重点影响因素进行重点管控，以实现降碳过程，本专利技术通过对区域之间的碳排放影响进行分析，并基于相互影响程度对子区域进行排序，之后通过对单个子区域中的各个影响因素进行相互影响分析并对影响因素进行排序，使得在后续降碳处理过程中可将排序中的前几个子区域的前几个影响因素进行重点管控，以此可提升节能降碳的效果，同时本专利技术可快速且准确的提取出对降碳影响最大的区域与因素，提升降碳效果。
9、较佳的，所述基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值的步骤包括：
10、基于每个所述子区域的碳排放效率数据对每个所述子区域进行效率值计算，以得到初始效率值：
11、；
12、式中，分别为子区域中碳排放期望产出、碳排放非期望产出的数量，、分别为子区域中第个碳排放期望产出值、碳排放非期望产出值，、分别为子区域中第个碳排放期望产出、碳排放非期望产出的松弛变量，为子区域中碳排放投入的数量，为子区域中第个碳排放投入的投入值，为第个碳排放投入的投入冗余；
13、计算第个碳排放投入的松弛变量：
14、；
15、式中，为环境系数，为环境变量，、分别为干扰项、无效项；
16、计算第个碳排放投入的第一碳排放误差值：
17、；
18、式中，为权重向量，、分别为干扰项、无效项的方差，、分别为密度函数、分布函数；
19、基于所述第一碳排放误差值对第个碳排放投入的投入值进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值。
20、较佳的，所述基于所述第一碳排放误差值对第个碳排放投入的投入值进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值的步骤包括：
21、基于所述第一碳排放误差值计算第个碳排放投入的第二碳排放误差值：
22、；
23、基于所述第二碳排放误差值计算更新碳排放投入值：
24、；
25、式中，为环境变量的估计值；
26、将更新碳排放投入值替换第个碳排放投入的投入值，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值。
27、较佳的，所述基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组的步骤包括：
28、计算任意两个所述子区域之间的第一影响度：
29、；
30、式中，为子区域的数量，为空间权重，为第个子区域与第个子区域之间的距离，为第个子区域、第个子区域的碳排放效率值；
31、计算任意两个所述子区域之间的第二影响度：
32、；
33、式中，、分别为第个子区域、第个子区域的常住人口数量，、分别为第个子区域、第个子区域的gdp值，为第个子区域与第个子区域之间的交通距离，为距离衰减系数；
34、基于所述第一影响度与所述第二影响度对所述子区域进行排序处理，以得到子区域排序组。
35、较佳的，所述基于所述第一影响度与所述第二影响度对所述子区域进行排序处理，以得到子区域排序组的步骤包括：
36、任意抽取一子区域作为基准子区域并将其余子区域作为所述基准子区域的关联区域集；
37、判断所述基准子区域与所述关联区域集中所有子区域之间的第一影响度是否趋近于0，若第一影响度是否趋近于0，则将对应的子区域从所述关联区域集中剔除，以得到第一剔除区域集；
38、判断所述基准子区域与所述关联区域集中所有子区域之间的第二影响度是否大于判断阈值，若第二影响度不大于判断阈值，则将对应的子区域从所述关联区域集中剔除，以得到第二剔除区域集；
39、取所述第一剔除区域集与所述第二剔除区域集的交集作为基准区域集，并根据所述基准区域集中子集的数量将所有所述基准子区域从大至小依次排序，以得到子区域排序组。
40、较佳的，所述对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组的步骤包括：
41、从历史影响数据库中提取初始影响因素集中任意两个初始影响因素之间的影响评分，并基于影响评分确定初始影响矩阵：
42、
43、式中，为初始影响矩阵中第行第列的元素，具体为第个初始影响因素与第个本文档来自技高网
...
【技术保护点】
1.一种基于人工智能碳脑的降碳影响因素确定方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值的步骤包括：
3.根据权利要求2所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于所述第一碳排放误差值对第个碳排放投入的投入值进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值的步骤包括：
4.根据权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组的步骤包括：
5.根据权利要求4所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于所述第一影响度与所述第二影响度对所述子区域进行排序处理，以得到子区域排序组的步骤包括：
6.根据权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组的步骤包括：
7.根据权利要求6所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于所述可达矩阵对所述初始影响因素集进行抽取排序处理，以得到影响因素排序组的步骤包括：
8.一种基于人工智能碳脑的降碳影响因素确定系统，其特征在于，所述系统包括：
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于人工智能碳脑的降碳影响因素确定方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于人工智能碳脑的降碳影响因素确定方法。
...
【技术特征摘要】
1.一种基于人工智能碳脑的降碳影响因素确定方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于每个所述子区域的碳排放效率数据计算每个所述子区域的碳排放效率值的步骤包括：
3.根据权利要求2所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于所述第一碳排放误差值对第个碳排放投入的投入值进行更新，并重新进行效率值计算，以得到每个所述子区域的碳排放效率值的步骤包括：
4.根据权利要求1所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于每个所述子区域的碳排放效率值确定子区域之间的影响程度，并基于所述影响程度将所述子区域进行排序处理，以得到子区域排序组的步骤包括：
5.根据权利要求4所述的基于人工智能碳脑的降碳影响因素确定方法，其特征在于，所述基于所述第一影响度与所述第二影响度对所述子区域进行排序处理，以得到子区域...
【专利技术属性】
技术研发人员：邓必涛，邓靖川，李剑，杜晓丹，冯海云，
申请(专利权)人：江西百电信息产业有限公司，
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。