基于改良时空图网络的水电碳足迹智能预测方法研究
背景意义
碳达峰、碳中和是国际社会的共识与中国的郑重承诺，作为碳排放占比最大的单一行业，电力行业的深度脱碳成为支撑我国“双碳”战略目标的关键。近年来，水电中水库这一人工水利设施成为新的研究热点。同一般的内陆水生生态系统一样，水库水体二氧化碳是过饱和的，全球水库每年向大气中排放约800gt二氧化碳当量，其本身的碳足迹核算有不小的影响。
•基于改良YOLOv8-seg的自动识别规划蓄水区的方法研究
•基于改良时空图神经网络的水库碳足迹智能推算的方法研究
本研究中所使用的多源卫星遥感数据包括OCO-2、OCO-3及GOSAT的卫星检索XCO2数据集。OCO-2是美国国家航空航天局（NASA）发射的第一颗专门用于监测大气CO2的卫星。OCO-2卫星同时监测大气在3个波长的吸收光谱，第1个用于获取云和气溶胶覆盖信息，后2个用于获取CO2柱浓度。OCO-2采用ACOS v10r Lite算法对XCO2数据进行偏差矫正和数据质量标记。OCO-3是NASA喷气动力实验室设计用于测量大气CO2的装置，OCO-3是用OCO-2备用设备建造的，因此它的基本性能和OCO-2类似，但是它可以对特定的区域进行监测。GOSAT是全球第一颗用于监测主要温室气体（CO2和甲烷（CH4））的卫星，虽然GOSTA卫星空间分辨率不如OCO-2和OCO-3，但是其时间分辨率较高，可以更好地捕捉CO2的时间变化趋势。
WRF-CHEM 模式是 NOAA/ESRL（National Oceanic and AtmosphCCic Administration/Earth System ReseaCNh Laboratory）开发的新一代区域空气质量模式，具有完全在线的气象和化学耦合模式。该模型中，气象模块（辐射、微物理、积云过程、边界层等）为化学模块（排放源、干沉积、气象化学、云化学、气溶胶化学等）提供气象场，化学模块将各物理-化学过程对气象参数的影响反馈到气象场，两者相互作用。
而wrf-co2该系统是在天气研究和预报(WRF)模拟系统的基础上开发的，该系统包括与化学耦合(WRF-CHEM)、切线和伴随代码(WRFPLUS)和数据同化(WRFDA)的系统，敏感性试验和反模拟试验结果表明，WRF-CO2 4D-Var在区域CO2反演中具有潜在的应用价值。
估计了光伏和风力发电系统的LCOE，以表明发电的电网平价，其定义为光伏和风力发电厂生命周期内所有投资、运行和维护成本与投资成本的比率、土地征用、输电和储能成本的归一化净现值。解决基于LCOE的成本最小化问题。
根据各部门电力负荷的灵活性，预测了2060年的每小时电力需求。首先，在2018年按31个省份的农业、工业、交通运输、建筑、服务和家用电器等六个非电力行业在2060年的预测发电率（58%）下的总电力需求增长。
然后预测了房屋供暖和制冷的每小时电力负荷。通过获得中国各地区房屋空间供暖和制冷所用的每小时能源。根据气候变暖的预测温度，预测了2021 – 2060年31个省份的每小时供暖和制冷电力需求。电力需求在白天转移，以匹配每小时光伏和风力发电的峰值。
采用1 × 3 𝑘𝑚^2的像素分辨率来安装光伏电池板或风力涡轮机，这样在优化模型中预测单个光伏和风力发电厂的位置和容量。并通过使用OpenStreetMap中最接近预计光伏或风力发电厂的已投产光伏和风力发电厂的位置和容量来评估预测，验证尚未建成的预计光伏或风力发电厂的位置和容量。
主要估算2060年新的光伏和风力发电厂产生的电力流中包含的资金对收入再分配的影响。首先，根据2015年全国调查得出的城乡居民收入的频率分布，估算了县级人口的收入分布。最后根据2060年碳价格从0美元/吨CO2上升到100美元/吨CO2时，2,373个县每个人口组的收入和人口比例的变化，使用公式估算了中国的收入基尼系数。
本次组会汇报的内容为《使用机器学习分类器进行梯度提升特征选择并用于电网上的入侵检测》。
电网的设计目的是以高效和及时的方式发电和配电，而不是关注系统关键基础设施的安全方面。然而，互联和远程访问的增加使电网面临内部和外部攻击的风险。实时网络攻击可以破坏整个电网。SCADA(Supervisory Control And Data Acquisition)系统，即数据采集与监视控制系统，容易受到网络攻击威胁。
本节介绍了入侵检测系统的拟议框架，该系统通过分析电网上的SCADA流量来区分正常和恶意事件。建议的框架分为三个阶段，即，预处理数据，特征选择和异常检测使用分类方法。
WFI评估模型算法概述
Ø1.将所有特征随机划分为不相交的子集，每个子集包含30个特征2（任何剩余特征将直接移动到下一轮）。
Ø2.用每个特征子集训练提升树模型。
Ø3.每一轮中删除一定百分比的特征（称为“特征消除率”），这控制了搜索的持续时间。
Ø4.从每个子集中删除的特征数量由其NDCG@5分数确定：分数越高，从该子集中删除的特征越少。从每个子集的特征重要性列表的底部移除特征。5.将所有剩余的特征合并在一起。重复步骤1到4，直到剩余的特征数不超过30
与其他方案的比较
思考是否可以与前一篇组会报告论文中利用具有少量特征的医疗领域环境，进行的隐私保护的过程相互结合，利用对大量特征的电力网络数据环境中使用特征提取的方法，进行对电力网络攻击行为检测模型的隐私保护过程。
科研背景
近年来，计算和通信能力的进步推动了医疗保健创新也推动了医疗物联网出现（IoMT）。IoMT的应用可以实时收集用户的物理数据（例如血压和心率），并通过以下方式为实时决策提供信息在线医疗诊断系统的帮助，其中在线诊断是常见的数据服务之一 。
科研问题
在IoMT 环境中，从IoMT 设备收集的物理数据是有限的，这需要使用的机器学习模型诊断系统支持具有很少属性的输入样本。
在系统的数据传输中，需要保护其中的用户隐私数据，并防护外部的恶意攻击环境。
科研目的
1）隐私保护：考虑到各方涉及的系统都是半诚实的，隐私分类器中包含的信息、用户请求、分类结果应受到保护。具体来说，分类器的参数不应该是泄露给云、数据用户和外部对手。用户的未标记样品和分类在在线诊断过程中，结果应对云和外部对手隐藏。
2）效率：由于计算和通信能力有限，数据用户的通信和计算份额在整个在线中得出诊断过程应尽可能少。更具体地说，用于用户请求应该是轻量级的，数据用户可以在在线诊断过程中保持离线，直到收到分类结果。
研究框架
模型框架
