【技术实现步骤摘要】
本专利技术涉及碳排放，具体为基于区块链的碳排放监测方法。
技术介绍
1、传统的碳排放监测方法面临着数据采集困难、监测精度低、数据安全性和信任度不足等多重挑战。为了克服这些难题，提高碳排放监测的效率和准确性，同时确保数据的安全和不可篡改性，本专利技术提出了一种基于区块链的碳排放监测方法，通过集成先进的数据处理和机器学习技术，实现了对工业碳排放的高效监测和管理。
2、申请号为cn202311493041.4的中国专利技术专利提出一种基于帕累托策略的组合启发式碳排放优化方法，搭建碳排放预测优化模型，包括碳达峰输入模块、能源消费预测模块、能源系统优化模块和碳排放评估反馈模块，获取能源消费碳排放相关数据并输入碳达峰输入模块，采用lmdi因素分解法对能源碳排放驱动因素进行分解，基于分解结果筛选出输入数据，能源消费预测模块对输入数据进行运算处理，得到预测结果，能源系统优化模块接收预测结果并采用碳排放优化目标模型对预测结果求解并扩展优化，得到优化结果，碳排放评估反馈模块对优化结果进行评估，并结合lmdi分解结果设定碳减排路径。该方法在优化过程中综合采用多种启发式算法，可得到研究区域内最优的能源、电力和碳排放组合。
3、申请号为cn202211133720.6的中国专利技术专利提出一种碳排放量预测模型的训练方法、装置、介质和计算设备。该包括：获取历史碳排放量数据和历史灯光亮度数据；其中，历史碳排放量数据中包括多个区域的历史碳排放量子数据；历史灯光亮度数据中包括多个区域的历史灯光亮度子数据；对各个区域的历史碳排放量子数据以及
4、申请号为cn202410107976.2的中国专利技术专利提出一种碳排放数据预测方法及装置，包括：将用户当前电力数据、历史时段内影响碳排放的关键特征数据和电力数据作为预先训练的长短期记忆网络的输入，得到预先训练的长短期记忆网络输出的用户预测时段内影响碳排放的关键特征数据；将所述用户预测时段内影响碳排放的关键特征数据和历史时段内的碳排放量作为预先训练的自回归分布滞后模型的输入，得到所述预先训练的自回归分布滞后模型输出的用户预测时段内碳排放量。本专利技术充分利用了电力大数据的优势，确保了数据的全面性和实时性。通过精密的特征分析，能够准确地提取出影响碳排放的关键特征，从而为后续的碳排放预测模型的建立奠定了坚实的基础。
5、现有技术存在以下不足：
6、1、现有技术在数据扩充方面往往缺乏考虑多重约束条件，导致生成的数据可能不足以覆盖真实世界的复杂性和多样性。
7、2、现有的神经网络训练方法可能面临梯度消失、梯度爆炸或陷入局部最优解等问题，影响训练的稳定性和模型性能。
8、3、现有的分类算法可能由于参数设置不够灵活或适应性不强，导致在复杂或多变的数据集上表现不佳。
9、4、传统的数据存储和管理方法可能缺乏足够的安全性和不可篡改性，影响数据的可靠性和决策的准确性。
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于区块链的碳排放监测方法，其目的在于解决
技术介绍
中所提到的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于区块链的碳排放监测方法，包括如下步骤：
3、步骤s1：通过碳排放监测设备采集监测的数据构建原始碳排放监测数据集，对采集到的数据进行标注，标注类别分为正常排放和异常排放两个类别；
4、步骤s2：采用训练好的增强非线性混合整数规划smote算法对采集到的数据进行扩充；
5、所述增强非线性混合整数规划smote算法是通过对smote算法中的数据生成过程引入非线性混合整数规划，此外，在增强非线性混合整数规划smote算法中采用自适应调整机制；
6、步骤s3：构建特征提取模型，使用扩充数据对特征提取模型进行训练，得到训练好的特征提取模型，采用训练好的特征提取模型提取扩充数据的特征；
7、所述特征提取模型采用涡动优化神经网络，该网络通过模拟涡旋的形成、演变和消散过程来优化自身参数；
8、步骤s4：构建特征降维模型，使用扩充数据的特征对特征降维模型进行训练，得到训练好的特征降维模型；使用训练好的特征降维模型对扩充数据的特征进行降维，得到降维后的特征；
9、所述特征降维模型采用基于张量分解与优化的自编码神经网络，此外采用动态优化机制，根据基于张量分解与优化的自编码神经网络训练过程中的误差反馈自适应调整编码和解码过程中的参数；
10、步骤s5：构建分类器，使用降维后的特征对分类器进行训练，得到训练好的分类器；
11、分类器采用基于协变量矩阵的极限学习机分类算法，该分类算法采用自适应机制动态调整协变量矩阵和极限学习机的参数；
12、步骤s6：将训练好的特征提取模型、训练好的特征降维模型以及训练好的分类器应用于区块链存储。
13、进一步的，得到训练好的增强非线性混合整数规划smote算法的具体过程为：
14、步骤s2.11：对原始碳排放监测数据集进行分析，其中，分析的内容包括原始碳排放监测数据集数据的分布、类别不平衡度；具体的，定义原始碳排放监测数据集的特征向量为，其中，表示第个特征，计算原始碳排放监测数据集特征向量的均值以及标准差来评估原始碳排放监测数据集数据的分布，表示为：
15、；
16、；
17、式中，表示每条特征向量中特征的数量；
18、步骤s2.12：根据原始碳排放监测数据集的分析结果，设定非线性混合整数规划的约束条件，表示为：
19、；
20、式中，为数据扩充后原始碳排放监测数据集特征向量的均值；为数据扩充后原始碳排放监测数据集特征向量的标准差；
21、步骤s2.13：采用自适应调整机制，对原始碳排放监测数据集数据扩充量进行动态调整、数据生产策略优化以及质量控制参数调节；具体的，定义自适应调整机制的调整参数，其中，自适应调整机制的调整参数包括原始碳排放监测数据集数据扩充量的调整参数以及原始碳排放监测数据集质量控制参数，数据生产策略通过反馈循环进行优化，表示为：
22、；
23、式中，表示自适应调整机制生成的新数据；为基于数据扩充后原始碳排放监测数据集数据质量评估的函数；为调整量；
24、设定数据扩充前后原始碳排放监测数据集类别不平衡度分别为和，则自适应调整机制的调整参数的计算方式表示为：
25、；
26、式中，为预设的调整敏感度参数；
27、步骤s2.14：基于设定的非线性混合整数规划的约束条件和自适应调整机制，利本文档来自技高网...
【技术保护点】
1.基于区块链的碳排放监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于区块链的碳排放监测方法，其特征在于：得到训练好的增强非线性混合整数规划SMOTE算法的具体过程为：
3.根据权利要求2所述的基于区块链的碳排放监测方法，其特征在于：其中，原始碳排放监测数据集内数据的类别不平衡度通过比较各类别数据数量的比率来定量评估，类别为正常排放的数据数量为，类别为异常排放的数据数量为，原始碳排放监测数据集内数据类别不平衡度表示为：
4.根据权利要求3所述的基于区块链的碳排放监测方法，其特征在于：使用扩充数据对涡动优化神经网络进行训练的过程如下：
5.根据权利要求4所述的基于区块链的碳排放监测方法，其特征在于：其中，基于第个涡旋和第个涡旋之间距离的调节函数的计算方式采用指数衰减模型来反映涡旋间相互作用力随距离增加而减弱的特性，表示为：
6.根据权利要求5所述的基于区块链的碳排放监测方法，其特征在于：对基于张量分解与优化的自编码神经网络进行训练的具体过程为：
7.根据权利要求6所述的基于区块链的碳排放监测方
8.根据权利要求7所述的基于区块链的碳排放监测方法，其特征在于：使用降维后的特征对基于协变量矩阵的极限学习机分类算法进行训练的具体过程为：
9.根据权利要求8所述的基于区块链的碳排放监测方法，其特征在于：其中，基于当前基于协变量矩阵的极限学习机分类算法的性能与当前基于协变量矩阵的极限学习机分类算法的预期性能差异的函数计算，表示为：
10.根据权利要求1所述的基于区块链的碳排放监测方法，其特征在于：步骤S6的具体过程为：基于训练好的特征提取模型、训练好的特征降维模型以及训练好的分类器，对新收集的数据进行预测处理，得到预测结果，随后将预测结果及其相关信息编码为一个区块链交易，将编码后的区块链交易通过区块链网络广播给所有节点，等待验证和确认，当验证和确认完毕后，编码后的区块链交易被添加到区块链上的一个新区块中，进行永久存储。
...【技术特征摘要】
1.基于区块链的碳排放监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于区块链的碳排放监测方法，其特征在于：得到训练好的增强非线性混合整数规划smote算法的具体过程为：
3.根据权利要求2所述的基于区块链的碳排放监测方法，其特征在于：其中，原始碳排放监测数据集内数据的类别不平衡度通过比较各类别数据数量的比率来定量评估，类别为正常排放的数据数量为，类别为异常排放的数据数量为，原始碳排放监测数据集内数据类别不平衡度表示为：
4.根据权利要求3所述的基于区块链的碳排放监测方法，其特征在于：使用扩充数据对涡动优化神经网络进行训练的过程如下：
5.根据权利要求4所述的基于区块链的碳排放监测方法，其特征在于：其中，基于第个涡旋和第个涡旋之间距离的调节函数的计算方式采用指数衰减模型来反映涡旋间相互作用力随距离增加而减弱的特性，表示为：
6.根据权利要求5所述的基于区块链的碳排放监测方法，其特征在于：对基于张量分解与优化的自编码神经网络进行训练的具体过程为：
7.根据权利要求6所述的基于...
【专利技术属性】
技术研发人员：付理祥，蔡礼，舒恋，龚跃文，杨启超，彭俊，周露，周召平，汪游胤，万震骏，
申请(专利权)人：国网江西省电力有限公司南昌供电分公司，
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。