AI碳排放监测配置：从零搭建数据采集与可视化流程

本文面向零基础用户，说明如何在一台Linux服务器上配置AI碳排放监测系统。
核心思路是用传感器或模拟数据采集碳排放相关指标，通过Python脚本预处理，调用轻量AI模型进行异常识别，最后用Grafana展示。
适用条件：服务器需有公网IP或内网可达，安装Docker和Python 3.8以上，具备基础命令行操作能力。

环境准备与依赖安装

先准备一台Ubuntu 20.04或22.04服务器，内存建议2GB以上。
更新软件源并安装Docker和Python虚拟环境：

sudo apt update && sudo apt install -y python3-pip python3-venv docker.io
sudo systemctl enable --now docker

创建项目目录并初始化Python环境：

mkdir -p ~/carbon-monitor && cd ~/carbon-monitor
python3 -m venv venv
source venv/bin/activate
pip install pandas numpy requests scikit-learn flask

如果使用真实传感器，需确认协议（如MQTT或Modbus），并安装对应库（如paho-mqtt）。
本文以CSV模拟数据为例，便于验证流程。

数据采集与预处理脚本

在项目目录下创建collect.py，模拟从传感器读取数据并写入CSV文件。
实际部署时替换为真实数据源。

import pandas as pd
import numpy as np
from datetime import datetime

# 模拟生成CO2浓度、能耗、温度数据
def generate_data():
    return {
        'timestamp': datetime.now().isoformat(),
        'co2_ppm': np.random.normal(600, 50),
        'energy_kwh': np.random.normal(10, 2),
        'temperature_c': np.random.normal(25, 3)
    }

if __name__ == '__main__':
    df = pd.DataFrame([generate_data()])
    df.to_csv('carbon_data.csv', mode='a', header=not pd.io.common.file_exists('carbon_data.csv'), index=False)

运行一次验证：python collect.py，然后cat carbon_data.csv应看到一行数据。
可配置cron每分钟执行：* * * * * cd ~/carbon-monitor && ./venv/bin/python collect.py。

AI模型推理服务配置

使用Flask提供HTTP接口，加载预训练的简单异常检测模型（此处用IsolationForest示例）。
创建serve.py：

from flask import Flask, request, jsonify
import pandas as pd
from sklearn.ensemble import IsolationForest
import numpy as np

app = Flask(__name__)
model = IsolationForest(contamination=0.05, random_state=42)
# 用历史数据训练，此处用随机数据模拟
X_train = np.random.randn(100, 3)
model.fit(X_train)

@app.route('/predict', methods=['POST'])
def predict():
    data = request.json
    features = [[data['co2_ppm'], data['energy_kwh'], data['temperature_c']]]
    pred = model.predict(features)[0]
    return jsonify({'anomaly': int(pred == -1)})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

启动服务：python serve.py &，
然后用curl测试：curl -X POST http:
//localhost:
5000/predict -H "Content-Type:
application/json" -d '{"co2_ppm":
650,"energy_kwh":
12,"temperature_c":
26}'，
应返回{"anomaly":
0}或1。

可视化与告警配置

用Docker运行Grafana，挂载数据卷：

docker run -d --name=grafana -p 3000:3000 -v ~/grafana-data:/var/lib/grafana grafana/grafana-oss

浏览器访问http://服务器IP:3000，默认账号密码admin/admin。
添加数据源选择CSV插件（需安装），或改用InfluxDB存储数据。
简单方案：用Python将CSV转为Grafana支持的JSON API，或直接使用Grafana的CSV数据源插件。

配置告警：在Grafana面板中设置阈值，当CO2浓度超过1000ppm时触发通知。
需配置SMTP或Webhook。

避坑与验证

常见问题：

• 脚本无执行权限：chmod +x collect.py。
• Flask端口被占用：修改serve.py中端口或sudo lsof -i:5000排查。
• Grafana无法访问：检查防火墙sudo ufw allow 3000。
• 模型预测总为正常：检查训练数据是否与输入特征匹配，可调整contamination参数。

验证方法：

1. 确认CSV文件持续增长：wc -l carbon_data.csv。
2. 调用预测接口返回预期结果。
3. Grafana面板显示数据曲线，手动修改CSV插入异常值观察告警。

按照以上步骤，可完成AI碳排放监测的基础配置。
实际生产环境需替换为真实传感器数据，并考虑数据持久化与模型更新。
遇到异常时优先检查日志和端口连通性。