科创中国
一种基于BERT神经网络模型的碳排量预判方法及装置
成果类型：: 发明专利
发布时间: 2023-10-29 15:08:57
科技成果产业化落地方案
方案提交机构：天津市滨海新区| 宋学姮 | 2023-11-04 12:48:04
本发明涉及预测规划领域，具体涉及一种基于BERT神经网络模型的碳排量预判方法及装置，方法包括：获取与碳排放量相关的建筑物数据；对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；将基于碳排放因子法计算出的碳排放量数据输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果；本发明通过基于BERT神经网络模型对建筑的碳排放量进行预测，从而精准预测建筑物未来的碳排放。
一种基于BERT神经网络模型的碳排量预判方法，其特征在于，包括以下步骤：
S100：获取与碳排放量相关的建筑物数据；
S200：对所述建筑物数据进行处理得到数据集，并将所述数据集分为训练集与验证集；
S300：基于所述建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；
S400：将基于所述碳排放因子法计算出的所述碳排放量数据及所述训练集输入到BERT神经网络模型中进行训练，以提高所述BERT神经网络模型泛化能力；
S500：将设定时间内的历史碳排放数据输入到所述BERT神经网络模型，根据输入的数据，所述BERT神经网络模型对未来碳排放量进行预测并输出预测结果。
建筑行业在应对全球气候变暖问题中有重要作用，建筑能耗约占全球终端总能耗的36％，由此产生的碳排放量约占总碳排放量的40％。近年来，由于城市化进程的加快和居民能源消费需求的增加，建筑碳排放已成为全新的增长领域；而在中国，筑是继工业和交通之后高能耗、高污染的代表；2017年我国建筑业相关的碳排放总量有43.7亿t，接近我国碳排放总量的50％，而到了2018年，这一数字再度飙升，2018年我国建筑业相关的碳排放总量达到49.3亿t，占全国碳排放总量的51.3％，给国家节能减排工作带来了巨大挑战；但与此同时，建筑行业也具有最大的节能减排的潜力。据估计，到2050年，中国建筑行业将为56％的减碳量作出贡献，因此，建筑行业的节能减排尤为重要；在碳中和目标背景下，我国亟需制定涵盖建筑能耗及碳排放计算模型的减碳路线，制定合理的碳排放指标。基于上述情况，对此研究者已经进行了一些研究，现有的研究方法主要有以下几类：一是自上而下的研究方法，即从宏观层面如整个建筑行业或某一大类建筑进行总的碳排放量预测，如厄瓜多尔使用的ELENA模型；二是自下而上的研究方法，即针对某一单体建筑进行全生命周期的碳排放量计算和节能分析时，如欧洲多国采用的ECCABS、CoreBee等模型方法；三是考虑将碳排量相关因素进行预处理，最后使用机器学习建模来预测建筑碳排量。
中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。
本发明实施例中的基于BERT神经网络模型的碳排量预判方法及装置，方法包括：获取与碳排放量相关的建筑物数据；对建筑物数据进行处理得到数据集，并将数据集分为训练集与验证集；基于建筑物数据，使用碳排放因子法计算建筑物产生的碳排放量；将基于碳排放因子法计算出的碳排放量数据及训练集输入到BERT神经网络模型中进行训练，以提高BERT神经网络模型泛化能力；将设定时间内的历史碳排放数据输入到BERT神经网络模型，根据输入的数据，BERT神经网络模型对未来碳排放量进行预测并输出预测结果；本发明通过基于BERT神经网络模型对建筑的碳排放量进行预测，从而精准预测建筑物未来的碳排放。
技术合作
对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
下载app