【技术实现步骤摘要】
本专利技术涉及一种碳排放流监测方法、计算机设备及计算机存储介质，属于环境监测。
技术介绍
1、随着全球气候变化问题的日益严峻，减少温室气体尤其是二氧化碳的排放成为各国政府的重要任务。碳排放监测技术作为减少碳排放的基础，近年来得到了广泛关注。传统的碳排放监测方法主要依赖于固定点位的传感器监测，结合人工统计和模型预测对碳排放情况进行评估。这类方法虽然在某些特定应用中具有一定的准确性，但往往存在监测范围有限、无法有效应对大型复杂场景等问题。此外，随着遥感技术和传感器网络的发展，碳排放监测的多源数据越来越丰富，如何高效整合和利用这些多源数据，利用深度学习技术对其进行智能分析，成为研究的热点之一。
2、现有技术在碳排放监测中，虽然引入了部分基于机器学习模型，但对复杂的时空数据处理能力较弱，未能充分利用多源数据的时空特性。例如，现有方法无法有效地从时空维度捕捉碳排放变化的规律，导致预测结果的准确性和实时性较差。为此有人提出了考虑时序和时空维度的机器学模型进行碳排放监测，如申请公布号为cn116882614a的中国专利申请文件，该文件公开一种碳排放预测模型构建方法及装置，并具体公开了通过对碳排放影响因素数据进行筛选，识别出碳排放影响因素数据中的碳排放关键影响因素；利用构建的cnn-gru模型对碳排放关键影响因素进行学习，实现对碳排放的预测。其中的cnn-gru模型中还引入有注意力机制，以得到所述碳排放关键影响因素数据对应的注意力权利分布值。可见该文件所公布的方案能够提升模型的预测精度，但是该方案在数据缺失或者数据质量不佳情况下其预
技术实现思路
1、本专利技术的目的是提供一种碳排放流监测方法、计算机设备及计算机存储介质，以解决目前碳排放预测受数据质量影响导致的碳排放流监测不准确的问题。
2、本专利技术为解决上述技术问题而提供一种碳排放流监测方法，该监测方法包括：
3、1)获取与碳排放流相关的多源环境检测数据，并对其进行预处理，使得各数据源的环境检测数据的表示形式、单位和格式一致；
4、2)对预处理后的环境检测数据的异常值和时间序列连续性进行检测，根据检测结果对数据质量进行评估以确定各数据源的环境检测数据对应的权重，利用得到的权重对各数据源的环境检测数据进行加权求和得到融合特征；
5、3)将得到的融合特征输入到构建好的碳排放预测模型中进行预测，得到碳排放量预测值，根据碳排放量预测值进行碳排放流的监测；所述碳排放预测模型为深度学习模型构建得到。
6、进一步地，所述步骤2)中环境检测数据的异常值是通过3σ原则检测的，环境检测数据的时间序列连续性是通过环境检测数据相邻时间采样点之间的时间差确定的，通过异常值在总数据点中的比例和不连续的点在总时间点中的比例来评估预处理后的环境检测数据质量，数据质量越高，对应的权重越大，数据质量越低，对应的权重越小。
7、进一步地，各数据源的环境检测数据对应的权重采用的计算公式为：
8、
9、其中wi为第i个数据源的环境检测数据对应的权重，ci为第i个数据源的环境检测数据的质量评分，e为自然常数。
10、进一步地，输入到构建好的碳排放预测模型中的融合特征为利用时空注意力机制调整后得到的关键时空特征，调整前的融合特征称为高维时空特征；所述的关键时空特征的确定过程如下：
11、将得到的高维时空特征在每个时间步和空间位置进行特征数据的提取和排列，得到高维时空特征矩阵；
12、利用高维时空特征矩阵计算时间注意力权重和空间注意力权重；
13、基于得到的时间注意力权重和空间注意力权重计算关键时空特征，关键时空特征采用的计算公式为：
14、
15、γt，m＝αt·βm
16、其中k为关键时空特征，m为空间位置个数，t为时间步个数，ut,m是时间步t和空间位置m上的特征，βm为空间位置m的注意力权重，αt为时间步t的注意力权重。
17、进一步地，所述碳排放预测模型采用的深度学习模型为cnn-gru，预测过程包括：
18、利用cnn中的卷积核提取所输入的关键时空特征的局部空间特征，并通过cnn中的池化层进行池化操作以实现特征降采样，将卷积和池化操作后的特征展平为一维向量；
19、利用gru中的重置门和更新门递归处理所述一维向量，得到最终隐藏状态，并将其输入到全连接层；
20、全连接层通过线性回归函数预测碳排放量，预测结果为：
21、y＝hfc·ht+bfc其中，y是预测碳排放量，hfc是全连接层的权重矩阵，ht是最终隐藏状态，bfc是全连接层的偏置项。
22、进一步地，所述步骤3)中根据碳排放量预测值进行碳排放流的监测包括利用碳排放量预测值评估不同区域的碳排放量，采用的计算公式为：
23、
24、其中qg,q是区域q的碳排放量，a(t,s)是高维时空特征在时间步t和空间位置s的时空注意力分数，t是时间步总数，yr,t是时间步t的碳排放量预测值。
25、进一步地，所述步骤1)中的预处理包括有对各数据源的环境检测数据的空缺或无效数据进行修复或填充、对各数据源的环境检测数据的时间戳进行校准和同步。
26、进一步地，所述的与碳排放流相关的多源环境检测数据包括现场传感器数据、卫星遥感数据和气象数据。
27、本专利技术还提供了一种计算机设备，包括有处理器，所述处理器用于执行计算机程序以实现本专利技术的碳排放流监测方法的步骤。
28、本专利技术还提供了一种计算机存储介质，其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本专利技术的碳排放流监测方法的步骤。
29、本专利技术的有益效果是:作为改进型专利技术创造，本专利技术利用自适应融合方法对多源环境检测数据的进行质量评分，根据质量评分确定各数据源的环境检测数据对应的权重，利用得到的权重对各数据源的环境检测数据进行加权求和得到高维时空特征，得到的高维时空特征有效融合了多源环境检测数据，克服数据质量不稳定的问题，使得后续在利用预测模型进行预测时能够提高预测精度，能够适应各种质量的数据，保证了预测模型的稳定性，从而提升了碳排放流监测的精度和实时性。
本文档来自技高网...【技术保护点】
1.一种碳排放流监测方法，其特征在于，该监测方法包括：
2.根据权利要求1所述的碳排放流监测方法，其特征在于，所述步骤2)中环境检测数据的异常值是通过3σ原则检测的，环境检测数据的时间序列连续性是通过环境检测数据相邻时间采样点之间的时间差确定的，通过异常值在总数据点中的比例和不连续的点在总时间点中的比例来评估预处理后的环境检测数据质量，数据质量越高，对应的权重越大，数据质量越低，对应的权重越小。
3.根据权利要求2所述的碳排放流监测方法，其特征在于，各数据源的环境检测数据对应的权重采用的计算公式为：
4.根据权利要求1所述的碳排放流监测方法，其特征在于，输入到构建好的碳排放预测模型中的融合特征为利用时空注意力机制调整后得到的关键时空特征，调整前的融合特征称为高维时空特征；所述的关键时空特征的确定过程如下：
5.根据权利要求4所述的碳排放流监测方法，其特征在于，所述碳排放预测模型采用的深度学习模型为CNN-GRU，预测过程包括：
6.根据权利要求4所述的碳排放流监测方法，其特征在于，所述步骤3)中根据碳排放量预测值进行碳排
7.根据权利要求1-6中任一项所述的碳排放流监测方法，其特征在于，所述步骤1)中的预处理包括有对各数据源的环境检测数据的空缺或无效数据进行修复或填充、对各数据源的环境检测数据的时间戳进行校准和同步。
8.根据权利要求1-6中任一项所述的碳排放流监测方法，其特征在于，所述的与碳排放流相关的多源环境检测数据包括现场传感器数据、卫星遥感数据和气象数据。
9.一种计算机设备，包括有处理器，其特征在于，所述处理器用于执行计算机程序以实现权利要求1～8任一所述的碳排放流监测方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～8任一所述的碳排放流监测方法的步骤。
...【技术特征摘要】
1.一种碳排放流监测方法，其特征在于，该监测方法包括：
2.根据权利要求1所述的碳排放流监测方法，其特征在于，所述步骤2)中环境检测数据的异常值是通过3σ原则检测的，环境检测数据的时间序列连续性是通过环境检测数据相邻时间采样点之间的时间差确定的，通过异常值在总数据点中的比例和不连续的点在总时间点中的比例来评估预处理后的环境检测数据质量，数据质量越高，对应的权重越大，数据质量越低，对应的权重越小。
3.根据权利要求2所述的碳排放流监测方法，其特征在于，各数据源的环境检测数据对应的权重采用的计算公式为：
4.根据权利要求1所述的碳排放流监测方法，其特征在于，输入到构建好的碳排放预测模型中的融合特征为利用时空注意力机制调整后得到的关键时空特征，调整前的融合特征称为高维时空特征；所述的关键时空特征的确定过程如下：
5.根据权利要求4所述的碳排放流监测方法，其特征在于，所述碳排放预测模型采用的深度学习模型为cnn-gru...
【专利技术属性】
技术研发人员：伍鸿兵，陈娟，汪钢，汪洋，刘春阳，龚雷，龚赟，翁同洋，李标，刘京，王品，傅维柱，姚洋，江义彬，梁晓丹，陈月，张闯，
申请(专利权)人：国网安徽省电力有限公司六安供电公司，
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。