买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及基于碳智能管理平台异构数据融合接入方法及系统，通过在于边缘节点的部署，实时采集电源侧、负荷侧及储能侧数据，进行预处理后，根据数据重要性和实时性策略上传至云端。云端利用基于随机森林的多源异构数据融合技术，结合离线与增量半监督模型，提升数据整合质量与可用性。通过结构化特征建模，深入挖掘数据内在关联，构建高精度预测模型。针对不同数据属性，优化子模型并集成，有效应对复杂数据环境。针对未标注数据与稀疏性问题，采用半监督学习与数据增强策略，确保模型训练数据的完整性和可靠性。方案显著提高了碳排放管理的实时性、精确度，为实现碳中和目标提供了强有力的技术支撑。

主权项：1.基于碳智能管理平台异构数据融合接入方法，其特征在于，包括以下步骤：S1、在电源侧、负荷侧及储能侧的关键节点部署边缘计算设备，实时收集多源异构数据，并对数据预处理，依据数据的实时性与重要性智能调度数据上传策略；S2、云端接收边缘节点上传的数据，运用基于随机森林的融合算法，结合离线半监督模型与增量半监督模型处理所接收的多源异构数据，并通过集成学习技术增强模型的鲁棒性和适应性；S3、基于步骤S2中融合后的数据，构建结构化模型框架，通过深度学习或机器学习算法进一步优化模型结构，精确提取影响碳排放的关键特征；所述步骤S3的具体方法为：S31、识别与碳排放量关联度高的特征，根据碳排放的特性和数据特点，创建新的衍生特征；S32、对连续数值特征进行归一化或标准化处理，对分类数据采用独热编码、标签编码或序数编码，使模型能够理解并处理此类特征；S33、评估各个特征对模型预测结果的贡献度，剔除无关或冗余特征，定量分析特征与目标变量之间的关系强度；S34、将整合好的特征数据集按比例分为训练集、验证集和测试集，根据碳排放预测的特点，选择合适的机器学习模型进行模型训练，通过调整模型超参数优化模型性能，提高模型预测精度；S35、评估模型在测试集上的表现，对模型输出的特征重要性进行解析，识别对碳排放预测的关键参数；S4、对步骤S3中构建的结构化特征模型，通过单源数据结构化特征建模，获得多个子模型，每个模型针对不同数据属性、质量和分布进行优化，随后进行多模型融合；所述步骤S4的具体方法为：S41、子模型构建与验证：针对碳排放的不同维度和影响因素，选择或定制多种模型，每种模型负责对应的预测或分析任务，将整合清洗后的数据按照模型需求划分为训练集、验证集和测试集，独立训练每个子模型，对子模型进行性能验证，根据验证结果调整模型参数，确保每个子模型达到最优状态；S42、采用集成学习方法将多个子模型的预测结果进行综合；S43、根据实时数据量和计算需求，调度模型在边缘端或云端运行，优化资源分配，根据新收集的数据实时调整模型参数，保持模型预测的时效性，并通过反馈机制不断优化模型性能；S43、通过历史数据回测和实时数据跟踪，评估多结构模型协同工作的整体性能，在不同环境和数据条件下测试模型协同工作的稳定性；S5、针对模型训练中遇到的未标注数据和数据稀疏性问题，采取半监督学习策略和稀疏数据处理，结合数据增强技术增加数据多样性，增强数据集的完整性和可靠性。

全文数据：

权利要求：

百度查询： 南京江行联加智能科技有限公司 基于碳智能管理平台异构数据融合接入方法及系统