【技術實現步驟摘要】
本申請涉及能碳管理，特別是涉及基于生產流程數據的能碳管理方法、系統、介質、終端及程序產品。
技術介紹
1、在工業生產過程中，碳排放的準確預測與控制是實現節能減排、達成綠色生產目標的關鍵。傳統的碳排放監測方法往往依賴于定期的人工測量和經驗估計，不僅耗時費力，而且精度有限，往往無法對能源消耗或碳排放進行有效預測，更難以高效的對工藝流程進行控制，以達到高效預測-優化的目的。隨著大數據與人工智能技術的發展，尤其是機器學習算法的成熟應用，為碳排放的實時監測和預測提供了新的解決方案。
2、機器學習是一種讓計算機通過數據“學習”“經驗”，并做出預測或決策的技術，而無需顯式編程。它能夠利用統計學原理和算法模型，從大量歷史數據中自動提取模式和規律，從而對未來數據進行預測。
3、但隨著科技與工業技術的不斷進步，現有技術難以滿足工業生產中能源消耗和碳排放的預測需求，無法對流程工業形成完整的能碳管理模式，導致流程工業中能源消耗或碳排放無法優化。
4、因此，有必要提供一種基于生產流程數據的能碳管理方法、系統、介質、終端及程序產品，以解決現有技術中存在的上述問題。
技術實現思路
1、鑒于以上所述現有技術的缺點，本申請的目的在于提供基于生產流程數據的能碳管理方法、系統、介質、終端及程序產品，用于解決現有技術對流程工業無法形成完整的能碳管理模式的技術問題。
2、為實現上述目的及其他相關目的，本申請的第一方面提供一種基于生產流程數據的能碳管理方法，包括：
4、對所述生產流程數據進行預處理，以將其轉換為適合深度神經網絡模型的數據格式；將格式轉換后的生產流程數據輸入至深度神經網絡模型中進行訓練，以得到能碳排放預測模型；
5、將所述能碳排放預測模型進行部署，以供對實時排放的能碳值進行預測。
6、于本申請的第一方面的一些實施例中，所述采集流程工業在作業過程中所生成的生產流程數據，其包括：通過預先部署的邊緣網關設備從基于不同通信協議的多種流程工業設備中分別采集相應的生產流程數據；所述邊緣網關設備集成有多種類型物聯網協議的驅動程序。
7、于本申請的第一方面的一些實施例中，通過所述邊緣網關設備采集到的生產流程數據發送至邊緣計算平臺；其中：所述邊緣計算平臺上實施用于處理實時數據流的數據處理框架，所述數據處理框架包括apache?flink框架或spark?streaming框架；基于數據緩存機制和局部存儲機制，對接收到的生產流程數據進行緩存。
8、于本申請的第一方面的一些實施例中，對所述生產流程數據進行預處理的方式包括：
9、對生產流程數據進行降采樣以使各類別的生產流程數據處于相同的采樣頻率，并進行時間點對齊；
10、對降采樣和對齊后的生產流程數據進行數據清洗操作；
11、對清洗后的生產流程數據進行標準化處理，以使其適合深度神經網絡模型的訓練。
12、于本申請的第一方面的一些實施例中，所述生產流程數據包括流程工業在作業過程中產生的多種能耗數據和工藝參數數據；根據能源的性質和來源地，將所述多種能耗數據折算成對應的碳排放數據；將所述能耗數據、工藝參數數據以及碳排放數據進行降采樣、對齊、清洗及標準化處理后，以使其適合深度神經網絡模型的訓練。
13、于本申請的第一方面的一些實施例中，所述方法還包括對所述深度神經網絡進行如下任一種或多種的可解釋性配置：
14、在所述神經神經網絡中配置具有一定解釋性的模型組件；所述模型組件包括決策樹或線性模型；
15、利用shap值或lime來評估和解釋模型中各個特征的重要性；
16、基于可視化技術來展示模型的決策過程和特征影響。
17、于本申請的第一方面的一些實施例中，所述方法還包括：將生產流程數據按照一定比例分割為訓練集、驗證集和測試集，所述訓練集用于訓練深度神經網絡模型，以使模型從訓練集中學習規律和模式；所述驗證集用于深度神經網絡模型的調優和超參數選擇，以優化模型性能；所述測試集用于評估深度神經網絡模型的泛化能力。
18、于本申請的第一方面的一些實施例中，所述方法還包括：采用遺傳算法對所述能碳排放預測模型所預測的能碳值進行優化，以獲得局部最優解。
19、為實現上述目的及其他相關目的，本申請的第二方面提供一種基于生產流程數據的能碳管理系統，包括：
20、數據采集模塊，用于采集流程工業在作業過程中所生成的生產流程數據；
21、模型構建模塊，用于對所述生產流程數據進行預處理，以將其轉換為適合深度神經網絡模型的數據格式；將格式轉換后的生產流程數據輸入至深度神經網絡模型中進行訓練，以得到能碳排放預測模型；
22、模型部署模塊，用于將所述能碳排放預測模型進行部署，以供對實時排放的能碳值進行預測。
23、為實現上述目的及其他相關目的，本申請的第三方面提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述所述方法。
24、為實現上述目的及其他相關目的，本申請的第四方面提供一種計算機程序產品，所述計算機程序產品中包括計算機程序代碼，當所述計算機程序代碼在計算機上運行時，使得所述計算機實現上述所述方法。
25、為實現上述目的及其他相關目的，本申請的第五方面提供一種電子終端，包括存儲器、處理器及存儲在存儲器上的計算機程序；所述處理器執行所述計算機程序以實現上述所述方法。
26、如上所述，本申請的基于生產流程數據的能碳管理方法、系統、介質、終端及程序產品，具有以下有益效果：
27、通過構建能碳排放預測模型，并且將訓練好的能碳排放預測模型進行部署，實現對實時排放的能碳值進行高效預測，并給出關鍵參數的設置范圍，結合實時生產流程數據，及時調整工藝參數或操作策略，達到對能源消耗和碳排放值的優化，從而達到最佳的節能減排效果。
本文檔來自技高網...【技術保護點】
1.一種基于生產流程數據的能碳管理方法，其特征在于，包括：
2.根據權利要求1所述的基于生產流程數據的能碳管理方法，其特征在于，所述采集流程工業在作業過程中所生成的生產流程數據，其包括：
3.根據權利要求2所述的基于生產流程數據的能碳管理方法，其特征在于，通過所述邊緣網關設備采集到的生產流程數據發送至邊緣計算平臺；其中：
4.根據權利要求1所述的基于生產流程數據的能碳管理方法，其特征在于，對所述生產流程數據進行預處理的方式包括：
5.根據權利要求4所述的基于生產流程數據的能碳管理方法，其特征在于，所述生產流程數據包括流程工業在作業過程中產生的多種能耗數據和工藝參數數據；根據能源的性質和來源地，將所述多種能耗數據折算成對應的碳排放數據；將所述能耗數據、工藝參數數據以及碳排放數據進行降采樣、對齊、清洗及標準化處理后，以使其適合深度神經網絡模型的訓練。
6.根據權利要求1所述的基于生產流程數據的能碳管理方法，其特征在于，所述方法還包括對所述深度神經網絡進行如下任一種或多種的可解釋性配置：
7.根據權利要求1所述的基
8.根據權利要求1所述的基于生產流程數據的能碳管理方法，其特征在于，所述方法還包括：采用遺傳算法對所述能碳排放預測模型所預測的能碳值進行優化，以獲得局部最優解。
9.一種基于生產流程數據的能碳管理系統，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8中任一項所述方法。
11.一種計算機程序產品，其特征在于，所述計算機程序產品中包括計算機程序代碼，當所述計算機程序代碼在計算機上運行時，使得所述計算機實現如權利1至8中任一項所述的方法。
12.一種電子終端，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1至8中任一項所述方法。
...【技術特征摘要】
1.一種基于生產流程數據的能碳管理方法，其特征在于，包括：
2.根據權利要求1所述的基于生產流程數據的能碳管理方法，其特征在于，所述采集流程工業在作業過程中所生成的生產流程數據，其包括：
3.根據權利要求2所述的基于生產流程數據的能碳管理方法，其特征在于，通過所述邊緣網關設備采集到的生產流程數據發送至邊緣計算平臺；其中：
4.根據權利要求1所述的基于生產流程數據的能碳管理方法，其特征在于，對所述生產流程數據進行預處理的方式包括：
5.根據權利要求4所述的基于生產流程數據的能碳管理方法，其特征在于，所述生產流程數據包括流程工業在作業過程中產生的多種能耗數據和工藝參數數據；根據能源的性質和來源地，將所述多種能耗數據折算成對應的碳排放數據；將所述能耗數據、工藝參數數據以及碳排放數據進行降采樣、對齊、清洗及標準化處理后，以使其適合深度神經網絡模型的訓練。
6.根據權利要求1所述的基于生產流程數據的能碳管理方法，其特征在于，所述方法還包括對所述深度神經網絡進行如下任一種或多種的可解釋性配置：
7.根據權利要求1所述的基于生產流程數據的...
【專利技術屬性】
技術研發人員：王翀，翟永佳，胡帥，石興興，董佳威，
申請(專利權)人：上海數映科技有限公司，
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。