CN119494477A 一种基于大数据的碳排放监测方法 （国网安徽省电力有限公司合肥供电公司）

本申请公开了一种基于大数据的碳排放监监测区域在下一周期的碳排放监测资源分配策2S101，利用预先设置的监测资源划分机制，将碳排放S103，基于每个子区域在下一周期的目标碳排放量变化曲线形成的关键时间节点序列；A3、基于两个碳排放变化曲线的关键时间节点序列，利用预设的第A4、基于监测点对中每个监测点的碳排放变化曲线分别在关键时间A5、将第一相似特征值与第二相似特征值进行加权求和，得到该监A6、基于所有监测点对的同区概率指数，将同区概率指数大于预设概个碳排放变化曲线形成的关键时间节点序列表示为[t,ty,…,tn-1,t]，关键时间D1、对碳排放监测区域中所有子区域在下一周期的目标碳排放量进行D2、计算每个子区域的目标碳排放量与目标碳排放总量的比值，3D3、基于每个子区域在下一周期的监测资源分配比值，预对应的预先训练完成的碳排放量预测模型中，输出该决策关键点在下一周期的决策结果，S202，基于子区域内所有决策关键点在下一周期的B1、收集该监测点大量历史周期对应的碳多元特征向B2、利用标注后的训练数据集对预先设置的神经网络结构进行训,碳排放量，qm为决策关键点m在下一周期的决策比值，Qn为决策关键点n在下一周期的决S301，基于每个子区域，计算每个决策关键点与子,4测点的总数量，sne为决策关键点m与第k个监测点之间的同区概率指数，Sx为决策,S401，计算该子区域在下一个周期的目标碳排S402，生成该子区域在下一个周期的碳多元特征S403，将该子区域在下一周期的四维特征向量其中，每个子区域对应一个预先训练完成的偏差容忍预测C1、收集对应子区域历史上大量监测资源分配合理的历史周C2、利用标注后的训练数据集对预先设置的神经网络结构进S501，当下一周期监测结束后，统计每个子区域的S502，基于每个子区域，将该周期的预测偏差5[0001]本发明涉及无限通信网络技术领域，尤其涉及一种基于大数据的碳排放监测方[0002]目前，区域碳排放监测是对特定地理区域内的碳排放情况进行监测和评估的过移动边缘计算可以在接近数据源的边缘设备上处理和存储数据，以减少数据传输和延迟，[0003]专利申请号为202311465777.0的中国发明专利公开了一种碳排放监测的移动边代表边缘设备的占比值进行子区域碳排放量的预测存在较6[0008]优选地，所述监测点对的两个碳排放变化曲线形成的关键时间节点序列表示为[t,tz,..,7[0016]其中，CFn和CFn分别为决策关键点m和n的决策置信因子，s89监测碳排放量，为了更加合理差异化分配该碳排放监测区域内统计碳排放量的计算资源，在交点的情况表示为[t1,tz,……tn-1,t]，n为关键时间节点序A;为两个监测点的碳排放变化曲线在第i个关键时差面积平均值（两曲线在所有相邻时间节点之间围成的面积差值的平均值n为关键时间节点序列中关键时间节点的总数量，ti为关键时间节点序列中第i个关键时间节为关键时间节点序列中第i+1个关键时间节点，fa和fb分别为监测点a和监测点b的碳排成的n_1个截断曲线对应的方向值，利用预设的第二相似算法计算得到该监测点对的第二[0038]其中，S2为第二相似特征值，斜率值ko为监测点b的碳排放变化曲线的第i个截断曲线的方向值，A;为两个监测点个监测点的碳排放变化曲线在第j个关键时间节点与下一个关键时间节点之间的偏差面积[0040]其中，第一相似特征值和第二相似特征值对应的权重值碳多元特征向量引入周期的时间属性特征、环境参数特征及其周期影响的波动间的同区概率指数，为决策关键点m与子区域中所有其他监测点之间的平均相似度，为决策关键点n与子区域中所有其他监测点之间的平均相似度。