[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116681187B - 一种基于企业经营数据的企业碳配额预测方法 - Google Patents

一种基于企业经营数据的企业碳配额预测方法 Download PDF

Info

Publication number
CN116681187B
CN116681187B CN202310968356.3A CN202310968356A CN116681187B CN 116681187 B CN116681187 B CN 116681187B CN 202310968356 A CN202310968356 A CN 202310968356A CN 116681187 B CN116681187 B CN 116681187B
Authority
CN
China
Prior art keywords
carbon emission
enterprise
process flow
carbon
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310968356.3A
Other languages
English (en)
Other versions
CN116681187A (zh
Inventor
朱建宇
张鹏
邹林娟
黄波
张振体
吴敏
李超
马强
项洋
王莲
赵杰辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Deepexi Technology Co Ltd
Original Assignee
Beijing Deepexi Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Deepexi Technology Co Ltd filed Critical Beijing Deepexi Technology Co Ltd
Priority to CN202310968356.3A priority Critical patent/CN116681187B/zh
Publication of CN116681187A publication Critical patent/CN116681187A/zh
Application granted granted Critical
Publication of CN116681187B publication Critical patent/CN116681187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于企业经营数据的企业碳配额预测方法，涉及数据预测技术领域，根据企业的生产工艺流程信息和历史生产数据信息在企业生产过程中设置碳排放监测点位，采集各监测点位的碳排放监测数据，构建企业生产碳排放全流程模型；根据碳排放监测数据判断生成企业生产工艺流程的故障预警信息，构建故障预警模型，并将故障预警模型添加至企业生产碳排放全流程模型，实现碳排放全流程的碳排放异常溯源，并在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型；根据碳排放预测模型预测企业下一监测周期内的碳排放量，预测下一监测周期内企业需要购买或出售的碳配额，帮助企业更好地实现环保减排目标。

Description

一种基于企业经营数据的企业碳配额预测方法
技术领域
本发明涉及数据预测技术领域，具体是一种基于企业经营数据的企业碳配额预测方法。
背景技术
随着全球环保意识的提高和碳排放管理越来越严格，碳排放的减少已经成为全球范围内的关键性问题之一，为了能够更好地控制碳排放总量，许多国家推行了碳交易市场，将企业的碳排放权转化为可交易的商业商品，有助于鼓励企业自觉降低碳排放量，以实现可持续发展的目标，企业需要将碳排放限制视为经营风险之一，并考虑在经营过程中降低和控制碳排放量。碳交易是目前国际上环保减排的主流方式之一，如何预测公司碳排放及对碳配额的需求是企业战略管理成功的关键所在。
企业要在碳交易市场上获得更多的利益，就需要掌握一种有效的基于企业经营数据的碳配额预测方法，以降低经营成本，同时更好地实现环保减排目标，现有碳配额预测技术往往缺乏实时性和准确性，不能及时地响应企业生产流程中各个工艺流程中碳排放的变化，不能对各个工艺流程中的碳排放数据实时监测并对数据进行跟踪分析，对碳排放量预测量不够精确，为了解决上述技术问题，现提供一种基于企业经营数据的碳配额预测方法。
发明内容
为了解决现有碳配额预测技术往往缺乏实时性和准确性，不能及时地响应企业生产流程中各个工艺流程中碳排放的变化，不能对各个工艺流程中的碳排放数据实时监测并对数据进行跟踪分析的问题，本发明的目的在于提供一种基于企业经营数据的企业碳配额预测方法，包括以下步骤：
步骤S1：根据企业的生产工艺流程信息和历史生产数据信息在企业生产过程中设置碳排放监测点位，采集各监测点位的碳排放监测数据并标记采集时间，并设置监测周期；
步骤S2：获取各监测点位的企业经营数据信息，通过各监测点位的碳排放监测数据与企业经营数据信息构建企业生产碳排放全流程模型；
步骤S3：根据碳排放监测数据判断生成企业生产工艺流程的故障预警信息，构建故障预警模型，并将故障预警模型添加至企业生产碳排放全流程模型，实现碳排放全流程的碳排放异常溯源，并在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型；
步骤S4：根据碳排放预测模型预测企业下一监测周期内的碳排放量，并根据预测的碳排放量与历史碳配额预测下一监测周期内企业需要购买或出售的碳配额。
进一步的，根据企业的生产工艺流程信息和历史生产数据信息在企业生产过程中设置碳排放监测点位，采集各监测点位的碳排放监测数据的过程包括：
获取企业每个生产设备的工艺流程特性，根据工艺流程特性提取工艺流程信息，将企业生产过程按照工艺流程信息进行拆分，划分为若干个工艺流程子序列；
所述历史生产数据信息包括各工艺流程子序列的历史碳排放量与历史生产经济效益，根据各工艺流程子序列中的工艺流程特性、历史碳排放量与历史生产经济效益设置评价指标，并设置评价指标权重，根据评价指标与评价指标权重建立评价指标矩阵，并设置关于各工艺流程子序列的预设重要性等级，建立表示各工艺流程子序列与预设重要性等级之间模糊关系的隶属度矩阵；
根据隶属度矩阵与评价指标矩阵获取各工艺流程子序列的重要性等级，将工艺流程子序列的重要性等级与其对应的预设重要性等级进行对比，在工艺流程子序列的重要性等级大于预设重要性等级的工艺流程子序列设置碳排放监测点位；
获取重要性等级大于预设重要性等级的工艺流程子序列的工艺流程特性、历史碳排放量并结合工艺流程子序列重要性等级确定该工艺流程子序列的碳排放监测点位数量和取点分布。
进一步的，获取各监测点位的企业经营数据信息，通过各监测点位的碳排放监测数据与企业经营数据信息构建企业生产碳排放全流程模型的过程包括：
获取企业生产工艺流程中物理空间的企业各生产设备的物理实体和位置信息，对企业各生产设备进行三维建模的构建并映射至数字空间，同时将物理空间中企业各生产设备的装配连接关系映射至数字空间中；
获取企业生产过程中的各工艺流程子序列的碳排放监测数据和企业经营数据，根据各工艺流程子序列的碳排放监测数据和企业经营数据生产孪生数据，将孪生数据、企业各生产设备的装配连接关系与三维模型进行匹配生成企业生产碳排放全流程模型。
进一步的，根据碳排放监测数据判断生成企业生产流程的故障预警信息，构建故障预警模型的过程包括：
设置碳排放阈值和预设时间阈值，获取监测周期内的目标工艺流程子序列的碳排放监测数据大于碳排放阈值的累计时间；
当累计时间大于预设时间阈值，在所述工艺流程子序列的生产设备的工况数据和碳排放监测数据上生成故障标签；
基于RBN神经网络构建故障预警模型，根据企业生产碳排放全流程模型中的带有故障标签的历史工况数据和历史碳排放监测数据构建历史数据集，并将所述历史数据集划分为训练集和测试集，通过训练集对故障预警模型进行实时学习训练，直至损失函数训练平稳，并保存模型参数，之后通过测试集对迭代训练后的故障预警模型的输出数据矩阵进行相似度验证；
将当前监测周期内所述工艺流程子序列的生产设备的工况数据和碳排放监测数据输入通过测试集验证的故障预警模型中，根据故障预警模型的输出层获取故障预警信息。
进一步的，将故障预警模型添加至企业生产碳排放全流程模型，实现碳排放全流程的碳排放异常溯源的过程包括：
将故障预警模型添加到企业生产碳排放全流程模型中，根据企业生产碳排放全流程模型对故障预警模型输出的故障预警信息分别进行时间特征及空间特征的提取，生成故障预警时空特征序列，根据故障预警时空特征序列对工艺流程子序列进行故障溯源检测，并将该工艺流程子序列状态标记为异常状态。
进一步的，在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型的过程包括：
获取监测周期内的各工艺流程子序列在不同企业经营数据条件下的历史碳排放量，以各工艺流程子序列的历史企业经营数据和工艺流程子序列状态作为自变量，各工艺流程子序列的历史碳排放量作为因变量进行回归分析，构建表示企业碳排放与经营数据之间的多元线性回归函数；
将当前监测周期的工艺流程子序列的企业经营数据和故障预警模型预测的当前监测周期的工艺流程子序列状态输入多元线性回归函数获取工艺流程子序列的碳排放量变化趋势特征；
将企业生产碳排放全流程模型中的各企业生产设备的装配连接关系与三维模型通过拓扑图形式进行表示，并基于图注意力网络构建碳排放预测模型，利用图注意力网络对拓扑图表示形式进行深度学习，将各工艺流程子序列的碳排放量变化趋势特征导入图注意力网络；通过注意力机制获取各拓扑图节点碳排放量对拓扑图其他节点的碳排放量的注意力权重，并将所述注意力权重分配至各拓扑图节点完成碳排放预测模型的构建。
进一步的，根据碳排放预测模型预测企业下一监测周期内的碳排放量的过程包括：
将当前监测周期各工艺流程子序列的企业经营数据与各工艺流程子序列状态输入碳排放预测模型，获得下一监测周期各工艺流程子序列的碳排放预测量、总碳排放预测量以及各工艺流程子序列的碳排放量对总碳排放预测量的影响系数。
进一步的，根据预测的碳排放量与历史碳配额预测下一监测周期内企业需要购买或出售的碳配额的过程包括：
根据历史碳配额确定下一监测周期的碳配额需求量，将碳排放预测模型生成的总碳排放预测量与碳配额需求量进行对比；
若总碳排放预测量低于碳配额需求量，则将多余的碳配额出售给碳交易市场，获取附加经济收益；
若总碳排放预测量高于碳配额需求量，则对企业进行碳减排操作，获取各工艺流程子序列的碳减排允许最大值，获取各工艺流程子序列的碳排放量对总碳排放预测量的影响系数，按影响系数由大到小顺序对各工艺流程子序列进行排列，生成碳排放减排序列，首先选择碳排放减排序列中的影响系数最大的首位工艺流程子序列，调整该工艺流程子序列的企业经营数据进行碳排放减排操作，当该工艺流程子序列的碳排放减排量达到该工艺流程子序列的碳减排允许最大值时，判断此时总碳排放预测量是否高于碳配额需求量，若总碳排放预测量高于碳配额需求量，则选择碳排放减排序列中的第二位工艺流程子序列重复上述碳排放减排操作，直至总碳排放预测量低于等于碳配额需求量；若碳排放减排序列中所有工艺流程子序列完成碳排放减排操作后，所述总碳排放预测量依然高于碳配额需求量，根据此时总碳排放预测量与碳配额需求量的差值量从碳交易市场购买与差值量相等的碳配额量。
与现有技术相比，本发明的有益效果是：通过将故障预警模型添加至企业生产碳排放全流程模型，实现了碳排放全流程的碳排放异常可溯源，并在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型，结合各工艺流程子序列区域的历史静态数据与采集接入的动态数据进行企业碳配额预测，实现了企业生产过程中各工艺流程子序列碳排放控制的可视化并显著提高企业生产过程中各工艺流程子序列碳排放减排过程的控制精度，更好地实现企业环保减排目标。
附图说明
图1为本申请实施例的一种基于企业经营数据的企业碳配额预测方法的原理图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，一种基于企业经营数据的企业碳配额预测方法，包括以下步骤：
步骤S1：根据企业的生产工艺流程信息和历史生产数据信息在企业生产过程中设置碳排放监测点位，采集各监测点位的碳排放监测数据并标记采集时间，并设置监测周期；
步骤S2：获取各监测点位的企业经营数据信息，通过各监测点位的碳排放监测数据与企业经营数据信息构建企业生产碳排放全流程模型；
步骤S3：根据碳排放监测数据判断生成企业生产工艺流程的故障预警信息，构建故障预警模型，并将故障预警模型添加至企业生产碳排放全流程模型，实现碳排放全流程的碳排放异常溯源，并在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型；
步骤S4：根据碳排放预测模型预测企业下一监测周期内的碳排放量，并根据预测的碳排放量与历史碳配额预测下一监测周期内企业需要购买或出售的碳配额。
需要进一步说明的是，在具体实施过程中，所述企业的生产工艺流程信息包括：
燃料供应流程：企业采购、存储、分配企业其他各生产工艺流程需要的燃料数量，企业使用的燃料包括但不限于如燃油、天然气、煤炭、核燃料等；燃料燃烧流程：燃烧是产生蒸汽的关键步骤，燃烧时会释放出二氧化碳和其他气体，这些气体将通过排气管道排放到大气中；燃烧发电流程：燃料的能量将被用于发电，通常是使用蒸汽驱动涡轮机，让发电机运转，以制造电力，蒸汽在涡轮机运转过程中会冷却，所以在循环回用前需要进行不同的处理，如再加热、再蒸发、冷凝等；减少排放流程：为了减少碳排放量，各个企业采用了不同的技术来减少排放，例如使用烟气脱硫、氮氧化物减排技术以及碳捕集和储存等技术，运输与储存：运输与存储流程：发电完成后，需要对产品进行储存和运输，运输方式通常是通过输电线路将发电的电力输送到市场；而储存空间可以选择采用各种不同的方式，例如储存在蓄电池或其他储存设施中。
需要进一步说明的是，在具体实施过程中，所述企业的历史生产数据信息包括：历史碳排放量和各工艺流程子序列的历史经营数据信息，所述历史经营数据包括各工艺流程子序列的燃料消耗量、产量和利润率等；
需要进一步说明的是，在具体实施过程中，根据企业的生产工艺流程信息和历史生产数据信息在企业生产过程中设置碳排放监测点位，采集各监测点位的碳排放监测数据的过程包括：
获取企业每个生产设备的工艺流程特性，根据工艺流程特性提取工艺流程信息，所述工艺流程特性包括该工艺流程中使用的生产设备类型，燃料平均消耗量、生产设备的生产步骤的特征指标；根据所述该工艺流程中使用的生产设备类型，燃料平均消耗量、生产设备的生产步骤的特征指标确定该工艺流程信息；将企业生产过程按照工艺流程信息进行拆分，划分为若干个工艺流程子序列；
所述历史生产数据信息包括各工艺流程子序列的历史碳排放量与历史生产经济效益，根据各工艺流程子序列中的工艺流程特性、历史碳排放量与历史生产经济效益设置评价指标，并设置评价指标权重，根据评价指标与评价指标权重建立评价指标矩阵，并设置关于各工艺流程子序列的预设重要性等级，建立表示各工艺流程子序列与预设重要性等级之间模糊关系的隶属度矩阵；
根据隶属度矩阵与评价指标矩阵获取各工艺流程子序列的重要性等级，将工艺流程子序列的重要性等级与其对应的预设重要性等级进行对比，在工艺流程子序列的重要性等级大于预设重要性等级的工艺流程子序列设置碳排放监测点位；
需要进一步说明的是，在具体实施过程中，所述根据隶属度矩阵和评价指标矩阵获取各工艺流程子序列的重要性等级的过程包括：
将隶属度矩阵与评价指标矩阵融合，获得关于各工艺流程子序列重要性等级的模糊综合评价矩阵；
将企业生产过程中的若干个各工艺流程子序列数据指标信息代入模糊综合评价矩阵中，获得各工艺流程子序列数据指标信息分别隶属于重要性等级为Ⅰ级、Ⅱ级、Ⅲ级和Ⅳ级的隶属度大小，选择各工艺流程子序列数据指标信息中的隶属度最大的重要性等级为各工艺流程子序列的重要性等级；
其中，所述将隶属度矩阵与评价指标矩阵融合公式为：
其中，为关于各工艺流程子序列重要性等级的模糊综合评价矩阵，/>为隶属度矩阵，/>为评价指标矩阵，“/>”表示所述隶属度矩阵和所述评价指标矩阵相对应位置处的元素相乘，/>为用于控制所述模糊综合评价矩阵中所述隶属度矩阵和所述评价指标矩阵之间的平衡的加权参数。
获取重要性等级大于预设重要性等级的工艺流程子序列的工艺流程特性、历史碳排放量并结合工艺流程子序列重要性等级确定该工艺流程子序列的碳排放监测点位数量和取点分布。
需要进一步说明的是，在具体实施过程中，获取企业经营数据信息并对经营数据信息进行分类的过程包括：
所述企业经营数据信息包括各工艺流程子序列的燃料消耗量、产量和利润率等，为经营数据信息设置数据库，所述数据库包含用于存储不同类别的企业经营数据的数据子库，获取各数据子库的类别标签，根据各数据子库的类别标签生成多个聚类中心，对获取的所述企业经营数据进行数值化处理，生成企业经营数据集，计算所述企业经营数据集中的每个企业经营数据与所述每个聚类中心的欧几里得距离，选取与企业经营数据之间欧几里得距离最小的聚类中心，将该聚类中心的类别标签与企业经营数据绑定关联，并将企业经营数据分配至与其类别标签相对应的数据子库中。
需要进一步说明的是，在具体实施过程中，获取各监测点位的企业经营数据信息，通过各监测点位的碳排放监测数据与企业经营数据信息构建企业生产碳排放全流程模型的过程包括：
获取企业生产工艺流程中物理空间的企业各生产设备的物理实体和位置信息，对企业各生产设备进行三维建模的构建并映射至数字空间，同时将物理空间中企业各生产设备的装配连接关系映射至数字空间中；
获取企业生产过程中的各工艺流程子序列的碳排放监测数据和企业经营数据，根据各工艺流程子序列的碳排放监测数据和企业经营数据生产孪生数据，将孪生数据、企业各生产设备的装配连接关系与三维模型进行匹配生成企业生产碳排放全流程模型；所述企业生产碳排放全流程模型实现了企业生产过程中各工艺流程子序列碳排放控制的可视化和各工艺流程子序列碳排放精细化控制；
需要进一步说明的是，在具体实施过程中，根据碳排放监测数据判断生成企业生产流程的故障预警信息，构建故障预警模型的过程包括：
设置碳排放阈值和预设时间阈值，获取监测周期内的目标工艺流程子序列的碳排放监测数据大于碳排放阈值的累计时间；
当累计时间大于预设时间阈值，在所述工艺流程子序列的生产设备的工况数据和碳排放监测数据上生成故障标签；
基于RBN神经网络构建故障预警模型，根据企业生产碳排放全流程模型中的带有故障标签的历史工况数据和历史碳排放监测数据构建历史数据集，并将所述历史数据集划分为训练集和测试集，通过训练集对故障预警模型进行实时学习训练，直至损失函数训练平稳，并保存模型参数，之后通过测试集对迭代训练后的故障预警模型的输出数据矩阵进行相似度验证；
将当前监测周期内所述工艺流程子序列的生产设备的工况数据和碳排放监测数据输入通过测试集验证的故障预警模型中，根据故障预警模型的输出层获取故障预警信息；
所述故障预警模型用于根据所述工艺流程子序列的生产设备的工况数据和碳排放监测数据预测该工艺流程子序列的生产设备是否会发生故障。
需要进一步说明的是，在具体实施过程中，将故障预警模型添加至企业生产碳排放全流程模型，实现碳排放全流程的碳排放异常溯源的过程包括：
将故障预警模型添加至企业生产碳排放全流程模型中，所述添加过程为将故障预警模型的输入层接入企业生产碳排放全流程模型的各工艺流程子序列输出层中，企业生产碳排放全流程模型中输出层各工艺流程子序列的生产设备的工况数据和碳排放监测数据生成后，将所述输出层的各工艺流程子序列的生产设备的工况数据和碳排放监测数据接入故障预警模型的输入层中，通过故障预警模型的输出层获取故障预警信息；再根据企业生产碳排放全流程模型对故障预警模型输出的故障预警信息分别进行时间特征及空间特征的提取，生成故障预警时空特征序列，根据故障预警时空特征序列获取工艺流程子序列位置信息和发生故障的预测时间，够工艺流程子序列进行故障溯源检测，并将该工艺流程子序列状态标记为异常状态，所述企业生产碳排放全流程模型可实现同时对多个工艺流程子序列进行故障溯源检测，实现碳排放全流程的碳排放异常溯源。
需要进一步说明的是，在具体实施过程中，在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型的过程包括：
获取监测周期内的各工艺流程子序列在不同企业经营数据条件下的历史碳排放量，以各工艺流程子序列的历史企业经营数据和工艺流程子序列状态作为自变量，各工艺流程子序列的历史碳排放量作为因变量进行回归分析，构建表示企业碳排放与经营数据之间的多元线性回归函数；
将当前监测周期的工艺流程子序列的企业经营数据和故障预警模型预测的当前监测周期的工艺流程子序列状态输入多元线性回归函数获取工艺流程子序列的碳排放量变化趋势特征；
将企业生产碳排放全流程模型中的各企业生产设备的装配连接关系与三维模型通过拓扑图形式进行表示，并基于图注意力网络构建碳排放预测模型，利用图注意力网络对拓扑图表示形式进行深度学习，将各工艺流程子序列的碳排放量变化趋势特征导入图注意力网络；通过注意力机制获取各拓扑图节点碳排放量对拓扑图其他节点的碳排放量的注意力权重，并将所述注意力权重分配至各拓扑图节点完成碳排放预测模型的构建；所述碳排放预测模型的输入量为企业经营数据和各工艺流程子序列状态，输出量为碳排放量。
需要进一步说明的是，在具体实施过程中，根据碳排放预测模型预测企业下一监测周期内的碳排放量的过程包括：
将当前监测周期各工艺流程子序列的企业经营数据与各工艺流程子序列状态输入碳排放预测模型，获得下一监测周期各工艺流程子序列的碳排放预测量、总碳排放预测量以及各工艺流程子序列的碳排放量对总碳排放预测量的影响系数。
需要进一步说明的是，在具体实施过程中，根据预测的碳排放量与历史碳配额预测下一监测周期内企业需要购买或出售的碳配额的过程包括：
根据历史碳配额确定下一监测周期的碳配额需求量，将碳排放预测模型生成的总碳排放预测量与碳配额需求量进行对比；
若总碳排放预测量低于碳配额需求量，则将多余的碳配额出售给碳交易市场，获取附加经济收益；
若总碳排放预测量高于碳配额需求量，则对企业进行碳减排操作，获取各工艺流程子序列的碳减排允许最大值，获取由碳排放预测模型生产的各工艺流程子序列的碳排放量对总碳排放预测量的影响系数，影响系数=碳排放预测模型生产的各工艺流程子序列的碳排放量/总碳排放预测量，按影响系数由大到小顺序对各工艺流程子序列进行排列，生成碳排放减排序列，首先选择碳排放减排序列中的影响系数最大的首位工艺流程子序列，调整该工艺流程子序列的企业经营数据进行碳排放减排操作，当该工艺流程子序列的碳排放减排量达到该工艺流程子序列的碳减排允许最大值时，判断此时总碳排放预测量是否高于碳配额需求量，若总碳排放预测量高于碳配额需求量，则选择碳排放减排序列中的第二位工艺流程子序列重复上述碳排放减排操作，直至总碳排放预测量低于等于碳配额需求量；若碳排放减排序列中所有工艺流程子序列完成碳排放减排操作后，所述总碳排放预测量依然高于碳配额需求量，根据此时总碳排放预测量与碳配额需求量的差值量从碳交易市场购买与差值量相等的碳配额量。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (5)

1.一种基于企业经营数据的企业碳配额预测方法，其特征在于，包括以下步骤：
步骤S1：根据企业的生产工艺流程信息和历史生产数据信息在企业生产过程中设置碳排放监测点位，采集各监测点位的碳排放监测数据并标记采集时间，并设置监测周期；
步骤S2：获取各监测点位的企业经营数据信息，通过各监测点位的碳排放监测数据与企业经营数据信息构建企业生产碳排放全流程模型；其中，所述企业经营数据信息包括各工艺流程子序列的燃料消耗量、产量和利润率；
步骤S3：根据碳排放监测数据判断生成企业生产工艺流程的故障预警信息，构建故障预警模型，并将故障预警模型添加至企业生产碳排放全流程模型，实现碳排放全流程的碳排放异常溯源，并在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型；
步骤S4：根据碳排放预测模型预测企业下一监测周期内的碳排放量，并根据预测的碳排放量与历史碳配额预测下一监测周期内企业需要购买或出售的碳配额；
其中，所述获取各监测点位的企业经营数据信息，通过各监测点位的碳排放监测数据与企业经营数据信息构建企业生产碳排放全流程模型的过程包括：
获取企业生产工艺流程中物理空间的企业各生产设备的物理实体和位置信息，对企业各生产设备进行三维建模的构建并映射至数字空间，同时将物理空间中企业各生产设备的装配连接关系映射至数字空间中；
获取企业生产过程中的各工艺流程子序列的碳排放监测数据和企业经营数据，根据各工艺流程子序列的碳排放监测数据和企业经营数据生产孪生数据，将孪生数据、企业各生产设备的装配连接关系与三维模型进行匹配生成企业生产碳排放全流程模型；以及
所述将故障预警模型添加至企业生产碳排放全流程模型，实现碳排放全流程的碳排放异常溯源的过程包括：
将故障预警模型添加至企业生产碳排放全流程模型中，根据企业生产碳排放全流程模型对故障预警模型输出的故障预警信息分别进行时间特征及空间特征的提取，生成故障预警时空特征序列，根据故障预警时空特征序列对工艺流程子序列进行故障溯源检测，并将该工艺流程子序列状态标记为异常状态；以及
所述在所述企业生产碳排放全流程模型与故障预警模型的基础上通过深度学习添加碳排放预测模型的过程包括：
获取监测周期内的各工艺流程子序列在不同企业经营数据条件下的历史碳排放量，以各工艺流程子序列的历史企业经营数据和工艺流程子序列状态作为自变量，各工艺流程子序列的历史碳排放量作为因变量进行回归分析，构建表示企业碳排放与经营数据之间的多元线性回归函数；
将当前监测周期的工艺流程子序列的企业经营数据和故障预警模型预测的当前监测周期的工艺流程子序列状态输入多元线性回归函数获取工艺流程子序列的碳排放量变化趋势特征；
将企业生产碳排放全流程模型中的各企业生产设备的装配连接关系与三维模型通过拓扑图形式进行表示，并基于图注意力网络构建碳排放预测模型，利用图注意力网络对拓扑图表示形式进行深度学习，将各工艺流程子序列的碳排放量变化趋势特征导入图注意力网络；通过注意力机制获取各拓扑图节点碳排放量对拓扑图其他节点的碳排放量的注意力权重，并将所述注意力权重分配至各拓扑图节点完成碳排放预测模型的构建。
2.根据权利要求1所述的一种基于企业经营数据的企业碳配额预测方法，其特征在于，根据企业的生产工艺流程信息和历史生产数据信息在企业生产过程中设置碳排放监测点位，采集各监测点位的碳排放监测数据的过程包括：
获取企业每个生产设备的工艺流程特性，根据工艺流程特性提取工艺流程信息，将企业生产过程按照工艺流程信息进行拆分，划分为若干个工艺流程子序列；
所述历史生产数据信息包括各工艺流程子序列的历史碳排放量与历史生产经济效益，根据各工艺流程子序列中的工艺流程特性、历史碳排放量与历史生产经济效益设置评价指标，并设置评价指标权重，根据评价指标与评价指标权重建立评价指标矩阵，并设置关于各工艺流程子序列的预设重要性等级，建立表示各工艺流程子序列与预设重要性等级之间模糊关系的隶属度矩阵；
根据隶属度矩阵与评价指标矩阵获取各工艺流程子序列的重要性等级，将工艺流程子序列的重要性等级与其对应的预设重要性等级进行对比，在工艺流程子序列的重要性等级大于预设重要性等级的工艺流程子序列设置碳排放监测点位；
获取重要性等级大于预设重要性等级的工艺流程子序列的工艺流程特性、历史碳排放量并结合工艺流程子序列重要性等级确定该工艺流程子序列的碳排放监测点位数量和取点分布。
3.根据权利要求2所述的一种基于企业经营数据的企业碳配额预测方法，其特征在于，根据碳排放监测数据判断生成企业生产流程的故障预警信息，构建故障预警模型的过程包括：
设置碳排放阈值和预设时间阈值，获取监测周期内的目标工艺流程子序列的碳排放监测数据大于碳排放阈值的累计时间；
当累计时间大于预设时间阈值，在所述工艺流程子序列的生产设备的工况数据和碳排放监测数据上生成故障标签；
基于RBN神经网络构建故障预警模型，根据企业生产碳排放全流程模型中的带有故障标签的历史工况数据和历史碳排放监测数据构建历史数据集，并将所述历史数据集划分为训练集和测试集，通过训练集对故障预警模型进行实时学习训练，直至损失函数训练平稳，并保存模型参数，之后通过测试集对迭代训练后的故障预警模型的输出数据矩阵进行相似度验证；
将当前监测周期内所述工艺流程子序列的生产设备的工况数据和碳排放监测数据输入通过测试集验证的故障预警模型中，根据故障预警模型的输出层获取故障预警信息。
4.根据权利要求3所述的一种基于企业经营数据的企业碳配额预测方法，其特征在于，根据碳排放预测模型预测企业下一监测周期内的碳排放量的过程包括：
将当前监测周期各工艺流程子序列的企业经营数据与各工艺流程子序列状态输入碳排放预测模型，获得下一监测周期各工艺流程子序列的碳排放预测量、总碳排放预测量以及各工艺流程子序列的碳排放量对总碳排放预测量的影响系数。
5.根据权利要求4所述的一种基于企业经营数据的企业碳配额预测方法，其特征在于，根据预测的碳排放量与历史碳配额预测下一监测周期内企业需要购买或出售的碳配额的过程包括：
根据历史碳配额确定下一监测周期的碳配额需求量，将碳排放预测模型生成的总碳排放预测量与碳配额需求量进行对比；
若总碳排放预测量高于碳配额需求量，则对企业进行碳减排操作，获取各工艺流程子序列的碳减排允许最大值，获取各工艺流程子序列的碳排放量对总碳排放预测量的影响系数，按影响系数由大到小顺序对各工艺流程子序列进行排列，生成碳排放减排序列，首先选择碳排放减排序列中的影响系数最大的首位工艺流程子序列，调整该工艺流程子序列的企业经营数据进行碳排放减排操作，当该工艺流程子序列的碳排放减排量达到该工艺流程子序列的碳减排允许最大值时，判断此时总碳排放预测量是否高于碳配额需求量，若总碳排放预测量高于碳配额需求量，则选择碳排放减排序列中的第二位工艺流程子序列重复上述碳排放减排操作，直至总碳排放预测量低于等于碳配额需求量。
CN202310968356.3A 2023-08-03 2023-08-03 一种基于企业经营数据的企业碳配额预测方法 Active CN116681187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310968356.3A CN116681187B (zh) 2023-08-03 2023-08-03 一种基于企业经营数据的企业碳配额预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310968356.3A CN116681187B (zh) 2023-08-03 2023-08-03 一种基于企业经营数据的企业碳配额预测方法

Publications (2)

Publication Number Publication Date
CN116681187A CN116681187A (zh) 2023-09-01
CN116681187B true CN116681187B (zh) 2023-10-20

Family

ID=87782265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310968356.3A Active CN116681187B (zh) 2023-08-03 2023-08-03 一种基于企业经营数据的企业碳配额预测方法

Country Status (1)

Country Link
CN (1) CN116681187B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274017A (zh) * 2023-10-13 2023-12-22 东莞市东智创新科技有限公司 一种基于企业经营数据的碳排放监控系统
CN117422275A (zh) * 2023-11-07 2024-01-19 交通运输部水运科学研究所 一种航运业碳配额分配方法、系统、电子设备及介质
CN117217419B (zh) * 2023-11-07 2024-02-09 中电山河数字科技(南通)有限公司 工业生产全生命周期碳排放监测方法及系统
CN117312888B (zh) * 2023-11-28 2024-02-06 天津市扬天环保科技有限公司 一种固定污染源的数据整合处理方法及系统
CN117408394B (zh) * 2023-12-14 2024-05-31 国网天津市电力公司电力科学研究院 电力系统的碳排放因子预测方法、装置及电子设备
CN117560300B (zh) * 2023-12-28 2024-04-30 广东云百智联科技有限公司 一种智能物联网流量预测与优化系统
CN118197650B (zh) * 2024-05-17 2024-07-30 长春中医药大学 一种用于评估妇科微创手术安全的智能监测系统
CN119026957A (zh) * 2024-10-25 2024-11-26 清华大学 生产型园区电力碳足迹数据监测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019175416A (ja) * 2018-03-28 2019-10-10 赫普科技発展（北京）有限公司 ブロックチェーンに基づく炭素取引システム
CN112669061A (zh) * 2020-12-23 2021-04-16 华电电力科学研究院有限公司 火电厂碳配额盈缺分析方法、系统、装置及可读存储介质
CN113987056A (zh) * 2021-10-28 2022-01-28 重庆东煌高新科技有限公司 基于深度学习的碳排放量反演系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019175416A (ja) * 2018-03-28 2019-10-10 赫普科技発展（北京）有限公司 ブロックチェーンに基づく炭素取引システム
CN112669061A (zh) * 2020-12-23 2021-04-16 华电电力科学研究院有限公司 火电厂碳配额盈缺分析方法、系统、装置及可读存储介质
CN113987056A (zh) * 2021-10-28 2022-01-28 重庆东煌高新科技有限公司 基于深度学习的碳排放量反演系统及方法

Also Published As

Publication number Publication date
CN116681187A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116681187B (zh) 一种基于企业经营数据的企业碳配额预测方法
CN114722104B (zh) 基于区块链的企业碳排能耗数据管理运营系统及方法
CN107358366B (zh) 一种配电变压器故障风险监测方法及系统
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN105809277A (zh) 一种电力营销稽查精益化管控主题大数据预测方法
CN110298574A (zh) 一种基于卷积神经网络的用电用户缴费风险评级方法
CN104700321A (zh) 一种输变电设备状态运行趋势分析方法
CN112785060A (zh) 一种配电网精益化运维水平优化方法
CN114066196A (zh) 一种电网投资策略优化系统
CN115905319B (zh) 一种海量用户电费异常的自动识别方法及系统
CN116882618A (zh) 一种大型城市电力系统碳排放计算方法
Xuefeng et al. Risk identification and influence analysis model for urban energy internet based on knowledge graph improved decision-making trial and evaluation laboratory
CN115907542A (zh) 基于知识图谱的变电站二次设备数字化评价方法及系统
CN117172138B (zh) 一种基于深度学习的城市交通碳排放预测方法及装置
CN116029579A (zh) 一种继电保护设备采购评价方法及系统
CN115511230A (zh) 一种电能替代潜力分析预测方法
Gujjarlapudi et al. Data driven machine learning models for short‐term load forecasting considering electrical vehicle load
Shiyun et al. Data analysis and cloud computing of power grid infrastructure projects under the background of informatization
CN114897262A (zh) 一种基于深度学习的轨道交通设备故障预测方法
Kovalyov Key Technologies of Digital Twins: A Model-Based Perspective
Duan et al. Reliability analysis of intelligent manufacturing systems based on improved fmea combined with machine learning
Luo et al. Assisted decision making for conditional maintenance of distribution network equipment based on multi-task deep learning
CN118170976B (zh) 基于电力企业用户画像的智能推荐方法及系统
Lee et al. Explainable AI-based approaches for power quality prediction in distribution networks considering the uncertainty of renewable energy
Khalyasmaa et al. Implementation Features of the Intelligent Systems for Power Utilities Plant Assets Management

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant