【技術實現步驟摘要】
本專利技術涉及智能檢測，特別是一種基于集成學習的實時檢測碳排放量的檢測方法及系統。
技術介紹
1、人類活動排放的二氧化碳等溫室氣體導致全球變暖，加劇氣候系統的不穩定性，導致一些地區干旱、臺風、高溫熱浪、寒潮、沙塵暴等極端天氣頻繁發生，是引起氣候變化的主要因素。碳監測是指一種通過綜合觀測、數值模擬、統計分析等手段進行碳計量的技術，有助于政府和企業掌握碳排放情況進而制定更加科學合理的碳排氣管控措施。碳監測的技術難點主要在于對監測數據的準確性要求非常高，為保障監測準確，需要在儀器、點位布置、自動監測等方面加強標準化工作。碳排放的監測方法主要有物料核算法和現場檢測法。物料核算法測量誤差較大,而傳統現場檢測法主要通過cems對氣態污染物和顆粒物進行濃度和排放總量的連續監測和實時傳輸，實時檢測設備體積較大，不便于大面積開展。
技術實現思路
1、本部分的目的在于概述本專利技術的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和專利技術名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和專利技術名稱的目的模糊，而這種簡化或省略不能用于限制本專利技術的范圍。
2、鑒于上述或現有技術中存在的問題，提出了本專利技術。
3、為解決上述技術問題，第一個方面本專利技術提供如下技術方案：一種基于集成學習的實時檢測碳排放量的檢測方法，其包括以下步驟：
4、步驟1、將設備置于標定間用于測量準確的碳排放量；
5、步驟2、將前端傳感設備部署到排
6、步驟3、獲取不同工作狀態下的碳排放量c，以及此時的壓力p、溫度t和氣流速度v；
7、步驟4、基于集成學習算法建立用于碳排放量檢測的隨機森林模型，將采集到的壓力p、溫度t、氣流速度v以及該時刻的碳排放量c作為數據集，使用隨機森林法訓練檢測模型，訓練模型構建壓力p、溫度t和氣流速度v及碳排放量c間的關系；
8、步驟5、使用訓練集和測試集來評估模型的性能，采用指標均方根誤差和擬合優度評估模型準確性；模型訓練完成并通過評估，將其用于后端處理器實時計算不同時刻溫度t、壓力p和流速v下的碳排放量c；
9、步驟6、在被測設備的排氣管上部署數據采集模塊，并將所采集到的數據實時傳輸至后端處理服務器；
10、步驟7、后端處理器接收到數據后通過訓練后的隨機森林檢測模型進行計算，能夠得到該時刻被測設備的碳排放量c。
11、作為本專利技術所述基于集成學習的實時檢測碳排放量的檢測方法的一種優選方案，其中：所述步驟2中數據采集模塊包括，前端傳感設備、前端控制器，以及數據傳輸模塊；前端傳感設備由四組熱電偶式排氣溫度傳感器、擴散硅壓力傳感器以及超聲波氣體流速儀組成，部署在排氣管上，用于檢測排氣管的溫度t、壓力p以及氣流速度v，通過前端控制器將采集到的四組溫度t、壓力p與氣流速度v數據進行平均化處理，并能夠將相應數據傳輸至后端處理器內。
12、作為本專利技術所述基于集成學習的實時檢測碳排放量的檢測方法的一種優選方案，其中：所述步驟4通過標定間中準確的測量，得到不同溫度t、壓力p、氣流速度v下的準確的碳排放量c；將采集到的壓力p、溫度t、氣流速度v以及該時刻的碳排放量c作為數據集,訓練隨機森林模型學習如何根據溫度、壓力和流速來預測碳排放量；對數據集進行預處理，檢測并處理數據集中的缺失值、重復值和異常值，對原始特征進行轉換，改善特征的分布與尺度，使其更適合模型的使用；將數據集劃分為訓練集、驗證集和測試集；使用隨機森林法訓練檢測模型，將溫度、壓力和流速作為特征x，將碳排放量作為目標變量y；
13、采用m輪的bootstrap自助采樣，將每輪采樣得到的樣本作為一個子集，m輪后得到的m個訓練樣本作為訓練集的訓練子集，每輪采樣對應訓練一個基學習器，并且訓練的時候是并行計算的，最后將這m個基學習器進行組合，構成隨機森林，實現碳排放量預測。
14、作為本專利技術所述基于集成學習的實時檢測碳排放量的檢測方法的一種優選方案，其中：所述步驟5中使用訓練集和測試集來評估模型的性能，將預測集中的特征x輸入訓練好的模型中，得到m個預測結果值，將預測結果值取算數平均值；采用擬合優度/可決系數和均方根誤差評估模型準確性，公式如下：
15、
16、
17、其中，y表示真實值，y表示預測值，n為觀測數量；r2表示預測值對真實值的擬合程度，該值越接近1，擬合程度越高，越接近0，擬合程度越低；rmse表示預測值與真實值之間的平均平方誤差的平方根；模型訓練完成并通過評估，將其用于后端處理器實時預測不同時刻溫度t、壓力p和流速v下的碳排放量c。
18、作為本專利技術所述基于集成學習的實時檢測碳排放量的檢測方法的一種優選方案，其中：所述數據采集模塊將采集到的數據實時無線傳輸至后端處理器。
19、第二個方面提出一種作為本專利技術所述基于集成學習的實時檢測碳排放量的檢測系統，用于實現如上述所述的基于集成學習的實時檢測碳排放量的檢測方法，其中：包括：
20、數據采集模塊：包括用于采集待測設備排氣管四周的壓力p、溫度t和氣流速度v的前端控制器、將數據做平均化處理的前端控制器，以及用于傳輸數據的數據傳輸模塊；
21、后端處理器模塊：用于接收數據傳輸模塊傳輸的數據并做數據分析。
22、第三方面，一種電子設備，包括存儲器以及處理器，所述存儲器中存儲有計算機程序指令，其特征在于，所述計算機程序指令被所述處理器讀取并運行時，執行上述所述的方法的步驟。
23、第四方面，提出一種計算機可讀存儲介質，其中：所述計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器讀取并運行時，上述所述的方法的步驟。
24、本專利技術的有益效果：
25、(1)本專利技術提供的檢測系統的前端傳感設備由熱電偶式排氣溫度傳感器、擴散硅壓力傳感器以及超聲波氣體流速儀組成，只需將傳感設備部署在排氣管壁上即可采集到溫度、壓力以及氣體流速數據，操作簡單，成本低，且設備體積小，檢測方便，同時不會影響管內氣體正常流動，保證了采集數據的準確性。
26、(2)檢測系統的前端控制器采集前端傳感設備測量到的數據并實時傳輸至后端處理器進行處理，計算得到此時的碳排放量，提高了碳排放量檢測的效率，實現了對排放設備的碳排放量的實時監測。
27、(3)檢測系統的后端處理器利用基于集成學習算法訓練出體現排氣管溫度、壓力、氣流速度與碳排放量的關系的隨機森林模型來計算碳排放量，能夠有效提高碳排放量的檢測精度，得到不同時刻的準確的碳排放量，確保碳監測的準確性。
本文檔來自技高網...【技術保護點】
1.一種基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：具體包括以下步驟：
2.如權利要求1所述的基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：所述步驟2中數據采集模塊包括，前端傳感設備、前端控制器，以及數據傳輸模塊；前端傳感設備由四組熱電偶式排氣溫度傳感器、擴散硅壓力傳感器以及超聲波氣體流速儀組成，部署在排氣管上，用于檢測排氣管的溫度T、壓力P以及氣流速度V，通過前端控制器將采集到的四組溫度T、壓力P與氣流速度V數據進行平均化處理，并能夠將相應數據傳輸至后端處理器內。
3.如權利要求1所述的基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：所述步驟4通過標定間中準確的測量，得到不同溫度T、壓力P、氣流速度V下的準確的碳排放量C；將采集到的壓力P、溫度T、氣流速度V以及該時刻的碳排放量C作為數據集,訓練隨機森林模型學習如何根據溫度、壓力和流速來預測碳排放量；對數據集進行預處理，檢測并處理數據集中的缺失值、重復值和異常值，對原始特征進行轉換，改善特征的分布與尺度，使其更適合模型的使用；將數據集劃分為訓練集、驗證集和測試集；使用隨機森林法訓練
4.如權利要求1所述的基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：所述步驟5中使用訓練集和測試集來評估模型的性能，將預測集中的特征X輸入訓練好的模型中，得到M個預測結果值，將預測結果值取算數平均值；采用擬合優度/可決系數和均方根誤差評估模型準確性，公式如下：
5.如權利要求1所述的基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：所述數據采集模塊將采集到的數據實時無線傳輸至后端處理器。
6.一種如權利要求1～5任一所述的基于集成學習的實時檢測碳排放量的檢測方法的系統，其特征在于：包括：
7.一種電子設備，包括存儲器以及處理器，所述存儲器中存儲有計算機程序指令，其特征在于，所述計算機程序指令被所述處理器讀取并運行時，執行權利要求1～5中任一項所述的方法的步驟。
8.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序指令，所述計算機程序指令被處理器讀取并運行時，執行權利要求1～5中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：具體包括以下步驟：
2.如權利要求1所述的基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：所述步驟2中數據采集模塊包括，前端傳感設備、前端控制器，以及數據傳輸模塊；前端傳感設備由四組熱電偶式排氣溫度傳感器、擴散硅壓力傳感器以及超聲波氣體流速儀組成，部署在排氣管上，用于檢測排氣管的溫度t、壓力p以及氣流速度v，通過前端控制器將采集到的四組溫度t、壓力p與氣流速度v數據進行平均化處理，并能夠將相應數據傳輸至后端處理器內。
3.如權利要求1所述的基于集成學習的實時檢測碳排放量的檢測方法，其特征在于：所述步驟4通過標定間中準確的測量，得到不同溫度t、壓力p、氣流速度v下的準確的碳排放量c；將采集到的壓力p、溫度t、氣流速度v以及該時刻的碳排放量c作為數據集,訓練隨機森林模型學習如何根據溫度、壓力和流速來預測碳排放量；對數據集進行預處理，檢測并處理數據集中的缺失值、重復值和異常值，對原始特征進行轉換，改善特征的分布與尺度，使其更適合模型的使用；將數據集劃分為訓練集、驗證集和測試集；使用隨機森林...
【專利技術屬性】
技術研發人員：謝敏，黃衛，胡靖，羅桑，李宜澄，
申請(專利權)人：南京現代綜合交通實驗室，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。