一种针对工业园区的智能碳消纳系统及方法

本发明涉及碳排放，具体涉及一种针对工业园区的智能碳消纳系统及方法。

背景技术：

1、当今社会，资源愈发紧缺，且碳排放物对于环境的影响越来越大，促使各行各业都对碳排放这一相关话题予以重视，根据现如今的前进方向，低碳生活与治理碳排放物的影响成为关注的焦点，大多情况下都是先排放后治理，使得治理的费用愈发昂贵，且现有技术中没有进行寻优计算，导致碳排放量的计算和监测不准确，因而对应的系统和方法实用性较差。

技术实现思路

1、发明目的：为了克服现有技术的不足，本发明提供一种针对工业园区的智能碳消纳系统及方法。

2、技术方案：一方面，本发明所述的一种针对工业园区的智能碳消纳系统，该系统包括：碳排放监测系统、神经网络预测模型、神经网络优化模型和中控中心，

3、所述碳排放监测系统包括园区碳排放监测模块、企业碳排放监测模块、个人碳排放监测模块，分别用于监测园区的碳排放数据、企业的碳排放数据、个人的碳排放数据，并将其输入至神经网络预测模型中，进行碳排放数额的预测；

4、所述神经网络预测模型预测碳排放数额后将数据作为优化模型的输入，设置目标函数，通过园区优化方案、企业优化方案、个人优化方案的各项减排方案所减少的碳排放进行迭代寻优，并通过算法对所述目标函数进行优化控制，最终输出最优的系统控制数据进行优化调度，进而得出最优的减排方式以此确保碳排放治理经济最低与碳排放数量最低，并将最后的优化策略传输至中控中心；

5、中控中心接受根据最后的优化策略进行碳排放管理，并显示各个用户所节约的碳排放量。

6、进一步的，包括：

7、所述园区优化方案包括以下元素：绿色电网供电，车辆减排，建筑减排，所述车辆减排为统一公交或者地铁以减少汽车的碳排放量，建筑减排即为采取在建筑过程中减少消耗；

8、所述企业优化方案包括以下元素：清洁能源、员工低碳餐饮、员工低碳衣着，所述清洁能源的使用即增加光伏发电设备与风力发电设备等自然可再生资源的消耗设备，或补充生物质等可再生资源作为燃料，所述员工低碳餐饮即调控食品多样化，少荤多纤维，少吃加工食品，所述员工低碳衣着即为多采用棉、麻、纱、丝质衣服为统一员工服饰；

9、所述个人优化方案包括以下元素：个人低碳饮食、低碳出行、低碳衣着。

10、进一步的，包括：

11、所述目标函数f表示为：

12、

13、式中：为第t月二氧化碳的排放量，cg(t)为第t月的治理碳排放的费用：

14、

15、式中：α为治理碳排放所需的费用，ec(t)为第t天的碳排放量其中包含二氧化碳等碳排放物，n表示月份天数；

16、ec＝efuel+ebuild+egas，c+eother，c

17、式中：efuel为燃料的碳排放量，ebuild为建筑的碳排放量，egas，c为气体中的碳排放量，eother，c为其它活动中的碳排放量；

18、efuel＝efuel，raw-aefuel，cut

19、式中：efuel，raw为预测的燃料中碳的排放量，a为优惠政策燃料影响因素，efuel，cut为燃料中节省的碳的排放量；

20、ebuild＝ebuild，raw-bebuild，cut

21、式中：ebuild，raw为预测的建筑中碳的排放量，a为优惠政策建筑影响因素，ebuild，cut为建筑中节省的碳的排放量；

22、egas，c＝egas，c，raw-β1egas，c，cut

23、式中：egas，c，raw为预测的气体中碳的排放量，β1为优惠政策碳排放气体影响因素，egas，c，cut为气体中节省的二氧化碳的排放量；

24、eother，c＝eother，c，raw-ε1eother，c，cut

25、式中：eother，c，raw为预测的其它活动中碳的排放量，ε1为优惠政策其它碳排放影响因素，eother，c，cut为其它活动中节省的碳的排放量；

26、eco2＝egas，co2+efood+edress+eother，co2

27、式中：为气体中二氧化碳的排放量，efood为食物的碳排放量，edress为衣物的碳排放量，eother为其它的碳排放量；

28、

29、式中：为预测的气体中二氧化碳的排放量，β为优惠政策气体影响因素，为气体中节省的二氧化碳的排放量；

30、efood＝efood，raw-χefood，cut

31、式中：efood，raw为预测的食物中二氧化碳的排放量，χ为优惠政策食物影响因素，efood，cut为食物中节省的二氧化碳的排放量；

32、edress＝edress，raw-δedress，cut

33、式中：edress，raw为预测的食物中二氧化碳的排放量，δ为优惠政策衣着影响因素，edress，cut为食物中节省的二氧化碳的排放量；

34、

35、式中：为预测的其它活动中二氧化碳的排放量，ε为优惠政策其它影响因素，为其它活动中节省的二氧化碳的排放量。

36、进一步的，包括：

37、所述通过算法对所述目标函数进行优化控制，包括：利用优化蜉蝣算法对目标函数f进行优化控制，最终输出最优的系统控制数据进行优化调度，利用优化蜉蝣算法对碳排放与碳治理经济进行相关的优化，根据各个节约碳排放的方式，输出碳排放最低与治理经济最低的最优控制策略。

38、进一步的，包括：

39、所述利用优化蜉蝣算法对目标函数f进行优化控制包括以下步骤：

40、步骤1：确定kelm预测模型的输入x，所述输入为碳排放数据,确定第j个隐藏层节点的输出，所述输出为预测的碳排放量，其计算公式如下所示：

41、f(x)＝h(x)×β＝hβ

42、式中：x代表样本，f(x)为神经网络的输出，h(x)或h表示隐藏层特征映射举证，β表示隐藏层和输出层之间的权重；

43、β的公式如下：

44、

45、式中：t表示训练样本的目标向量，i为单位矩阵，c为正则化参数；

46、elm是一种单隐含层前馈神经网络，只要对特征h(x)的映射拥有少量的知识，就使用一个称为内核的函数，引入核函数到elm中如下所示：

47、ωelm＝hht＝h(xi)h(xj)＝k(xi,xj)

48、式中：xi，xj为实验输入向量，因此，改写f(x)为如下式子：

49、

50、式中：(x1,x2,....,xn)为给定训练样本，n为样本数量，k为核函数，ωelm为核矩阵；

51、步骤2：将预测所得的数据与优惠政策因素，建立相应的迭代模型，初始化雌性蜉蝣，雄性蜉蝣，设立上下限，最大迭代次数；

52、步骤3：计算适应度值，并且排序，获取pbest和gbest；

53、步骤4：依次更新雄性蜉蝣，雌性蜉蝣位置，并且交配；

54、其中，雄性蜉蝣的运动为：

55、xi(t+1)＝xi(t)+vi(t+1)

56、式中：xi(t)为t时刻蜉蝣i在搜索空间中的当前位置，vi(t+1)为t+1时刻要移动的速度；

57、

58、式中：vi，j(t)是蜉蝣i在j维度t时刻的速度，xi，j(t)表示t时刻的位置；a1和a2是社会作用正吸引系数，pbest代表个体蜉蝣历史最优位置，gbest代表全局蜉蝣最佳位置，β为蜉蝣的能见度系数，控制蜉蝣的能见范围，rg代表当前位置与gbest的距离，在式中引入使得前半部分迭代以蜉蝣自身与个体蜉蝣最优为先进行移动，使得后半部分以全局蜉蝣最佳位置为优先移动；避免局部最优从而更快的收敛，距离计算公式如下：

59、

60、式中：xi为蜉蝣i当前的位置，xi为全局蜉蝣最佳位置；

61、群中最好的蜉蝣继续表演他们特有的上下舞蹈很重要，因此最好的蜉蝣的速度为：

62、vi,j(t+1)＝vi,j(t)+d*r

63、式中，d是舞蹈系数，r为[-1,1]之间的随机数，这种上下移动在算法中引入了一个随机元素；

64、雌性蜉蝣的移动与雄性不同，雌性蜉蝣不会成群聚集；它们会飞到雄性来繁殖；假设yi(t+1)为在时刻t时的蜉蝣i，它的位置的更新通过增加速度来更新：

65、yi(t+1)＝yi(t)+vi(t+1)

66、速度的计算公式如下：

67、

68、式中：vi,j(t)代表速度，yi,j(t)代表蜉蝣的位置，a2是一个正系数，β是一个固定的能见系数，rm代表雌性蜉蝣距离雄性蜉蝣的距离，f1是一个随机游走系数，当雌性没有被雄性攻击时起作用，r是一个在范围[-1,1]的随机数；

69、蜉蝣交配：

70、基于它们的适应度函数，最好的雌性与最好的雄性繁殖，次好的雌性与次好的雄性繁殖；交叉的结果是两个后代，其产生如下：

71、offspring1＝l*male+(1-l)*female

72、offspring2＝l.female+(1-l)*male

73、其中，male是父本，female是母本，l是一个特定范围的随机数；

74、步骤5：计算适应度，并更新pbest和gbest；

75、步骤6：是否满足停止条件，如果满足则退出，输出结果，否则，返回步骤4重复执行。

76、另一方面，本发明还提供一种针对工业园区的智能碳消纳方法，该方法包括以下步骤：

77、s1园区碳排放监测模块、企业碳排放监测模块、个人碳排放监测模块，分别将园区的碳排放数据、企业的碳排放数据、个人的碳排放数据输入至神经网络预测模型中，进行碳排放数额的预测；

78、s2所述神经网络预测模型预测碳排放数额后将数据作为优化模型的输入，设置目标函数，通过园区优化方案、企业优化方案、个人优化方案的各项减排方案所减少的碳排放进行迭代寻优；

79、s3通过算法对所述目标函数进行优化控制，最终输出最优的系统控制数据进行优化调度，进而得出最优的减排方式以此确保碳排放治理经济最低与碳排放数量最低，并将最后的优化策略传输至中控中心；

80、s4中控中心接受根据最后的优化策略进行碳排放管理，并显示各个用户所节约的碳排放量。

81、进一步的，包括：

82、所述园区优化方案包括以下元素：绿色电网供电，车辆减排，建筑减排，所述车辆减排为统一公交或者地铁以减少汽车的碳排放量，建筑减排即为采取在建筑过程中减少消耗；

83、所述企业优化方案包括以下元素：清洁能源、员工低碳餐饮、员工低碳衣着，所述清洁能源的使用即增加光伏发电设备与风力发电设备等自然可再生资源的消耗设备，或补充生物质等可再生资源作为燃料，所述员工低碳餐饮即调控食品多样化，少荤多纤维，少吃加工食品，所述员工低碳衣着即为多采用棉、麻、纱、丝质衣服为统一员工服饰；

84、所述个人优化方案包括以下元素：个人低碳饮食、低碳出行、低碳衣着。

85、进一步的，包括：

86、所述s3中，目标函数f表示为：

87、

88、式中：为第t月二氧化碳的排放量，cg(t)为第t月的治理碳排放的费用：

89、

90、式中：α为治理碳排放所需的费用，ec(t)为第i天的碳排放量其中包含二氧化碳等碳排放物，n表示月份天数；

91、ec＝efuel+ebuild+egas，c+eother，c

92、式中：efuel为燃料的碳排放量，ebuild为建筑的碳排放量，egas，c为气体中的碳排放量，eother，c为其它活动中的碳排放量；

93、efuel＝efuel，raw-aefuel，cut

94、式中：efuel，raw为预测的燃料中碳的排放量，a为优惠政策燃料影响因素，efuel，cut为燃料中节省的碳的排放量；

95、ebuild＝ebuild，raw-bebuild，cut

96、式中：ebuild，raw为预测的建筑中碳的排放量，a为优惠政策建筑影响因素，ebuild，cut为建筑中节省的碳的排放量；

97、egas，c＝egas，c，raw-β1egas，c，cut

98、式中：egas，c，raw为预测的气体中碳的排放量，β1为优惠政策碳排放气体影响因素，egas，c，cut为气体中节省的二氧化碳的排放量；

99、eother，c＝eother，c，raw-ε1eother，c，cut

100、式中：eother，c，raw为预测的其它活动中碳的排放量，ε1为优惠政策其它碳排放影响因素，eother，c，cut为其它活动中节省的碳的排放量；

101、

102、式中：为气体中二氧化碳的排放量，efood为食物的碳排放量，edress为衣物的碳排放量，eother为其它的碳排放量；

103、

104、式中：为预测的气体中二氧化碳的排放量，β为优惠政策气体影响因素，为气体中节省的二氧化碳的排放量；

105、efood＝efood，raw-χefood，cut

106、式中：efood，raw为预测的食物中二氧化碳的排放量，χ为优惠政策食物影响因素，efood，cut为食物中节省的二氧化碳的排放量；

107、edress＝edress，raw-δedress，cut

108、式中：edress，raw为预测的食物中二氧化碳的排放量，δ为优惠政策衣着影响因素，edress，cut为食物中节省的二氧化碳的排放量；

109、

110、式中：为预测的其它活动中二氧化碳的排放量，ε为优惠政策其它影响因素，为其它活动中节省的二氧化碳的排放量。

111、进一步的，包括：

112、所述通过算法对所述目标函数进行优化控制，包括：利用优化蜉蝣算法对目标函数f进行优化控制，最终输出最优的系统控制数据进行优化调度，利用优化蜉蝣算法对碳排放与碳治理经济进行相关的优化，根据各个节约碳排放的方式，输出碳排放最低与治理经济最低的最优控制策略。

113、进一步的，包括：

114、所述利用优化蜉蝣算法对目标函数f进行优化控制包括以下步骤：

115、步骤1：确定kelm预测模型的输入x，所述输入为碳排放数据,确定第j个隐藏层节点的输出，所述输出为预测的碳排放量，其计算公式如下所示：

116、f(x)＝h(x)×β＝hβ

117、式中：x代表样本，f(x)为神经网络的输出，h(x)或h表示隐藏层特征映射举证，β表示隐藏层和输出层之间的权重；

118、β的公式如下：

119、

120、式中：t表示训练样本的目标向量，i为单位矩阵，c为正则化参数；

121、elm是一种单隐含层前馈神经网络，只要对特征h(x)的映射拥有少量的知识，就使用一个称为内核的函数，引入核函数到elm中如下所示：

122、ωelm＝hht＝h(xi)h(xj)＝k(xi,xj)

123、式中：xi，xj为实验输入向量，因此，改写f(x)为如下式子：

124、

125、式中：(x1,x2,....,xn)为给定训练样本，n为样本数量，k为核函数，ωelm为核矩阵；

126、步骤2：将预测所得的数据与优惠政策因素，建立相应的迭代模型，初始化雌性蜉蝣，雄性蜉蝣，设立上下限，最大迭代次数；

127、步骤3：计算适应度值，并且排序，获取pbest和gbest；

128、步骤4：依次更新雄性蜉蝣，雌性蜉蝣位置，并且交配；

129、其中，雄性蜉蝣的运动为：

130、xi(t+1)＝xi(t)+vi(t+1)

131、式中：xi(t)为t时刻蜉蝣i在搜索空间中的当前位置，vi(t+1)为t+1时刻要移动的速度；

132、

133、式中：vi，j(t)是蜉蝣i在j维度t时刻的速度，xi，j(t)表示t时刻的位置；a1和a2是社会作用正吸引系数，pbest代表个体蜉蝣历史最优位置，gbest代表全局蜉蝣最佳位置，β为蜉蝣的能见度系数，控制蜉蝣的能见范围，rg代表当前位置与gbest的距离，在式中引入使得前半部分迭代以蜉蝣自身与个体蜉蝣最优为先进行移动，使得后半部分以全局蜉蝣最佳位置为优先移动；避免局部最优从而更快的收敛，距离计算公式如下：

134、

135、式中：xi为蜉蝣i当前的位置，xi为全局蜉蝣最佳位置；

136、群中最好的蜉蝣继续表演他们特有的上下舞蹈很重要，因此最好的蜉蝣的速度为：

137、vi,j(t+1)＝vi,j(t)+d*r

138、式中，d是舞蹈系数，r为[-1,1]之间的随机数，这种上下移动在算法中引入了一个随机元素；

139、雌性蜉蝣的移动与雄性不同，雌性蜉蝣不会成群聚集；它们会飞到雄性来繁殖；假设yi(t+1)为在时刻t时的蜉蝣i，它的位置的更新通过增加速度来更新：

140、yi(t+1)＝yi(t)+vi(t+1)

141、速度的计算公式如下：

142、

143、式中：vi,j(t)代表速度，yi,j(t)代表蜉蝣的位置，a2是一个正系数，β是一个固定的能见系数，rm代表雌性蜉蝣距离雄性蜉蝣的距离，f1是一个随机游走系数，当雌性没有被雄性攻击时起作用，r是一个在范围[-1,1]的随机数；

144、蜉蝣交配：

145、基于它们的适应度函数，最好的雌性与最好的雄性繁殖，次好的雌性与次好的雄性繁殖；交叉的结果是两个后代，其产生如下：

146、offspring1＝l*male+(1-l)*female

147、offspring2＝l.female+(1-l)*male

148、其中，male是父本，female是母本，l是一个特定范围的随机数；

149、步骤5：计算适应度，并更新pbest和gbest；

150、步骤6：是否满足停止条件，如果满足则退出，输出结果，否则，返回步骤4重复执行。

151、有益效果：1、与传统的系统相比，本发明具有极大降低碳排放量与后续治理金额的作用，提高其经济性。2、本发明根据提出的优惠政策利用改进蜉蝣优化算法，进行相应的寻优，计算不同最优目标，应对不同的现场需求，并且根据算法生成最优控制策略，可以大大提高系统监测碳排放量的准确率，从而提高整体的实用性。