CN112069454A - 一种大数据生命周期评价不确定度的评估方法 - Google Patents
一种大数据生命周期评价不确定度的评估方法 Download PDFInfo
- Publication number
- CN112069454A CN112069454A CN202010733447.5A CN202010733447A CN112069454A CN 112069454 A CN112069454 A CN 112069454A CN 202010733447 A CN202010733447 A CN 202010733447A CN 112069454 A CN112069454 A CN 112069454A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- uncertainty
- sample
- big data
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012512 characterization method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000005315 distribution function Methods 0.000 claims abstract description 11
- 238000004148 unit process Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 238000013506 data mapping Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000002994 raw material Substances 0.000 description 8
- 238000010792 warming Methods 0.000 description 8
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000695274 Processa Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种大数据生命周期评价不确定度的评估方法，构建基于大数据的正态分布的抽样模型；通过离散化标准正态密度分布函数和数据映射转换，把正态分布的取样问题转换成在大数据中检索离散化的标准正态分布数据的过程；依据数据来源，将评价对象的单元过程分为实景过程和背景过程，并依据数据来源、数据代表性（样本完整性、技术代表性、年份代表性、地理代表性）、处理算法，使用以客观经验推荐值为主，主观判断微调修正为辅，分别确定实景过程和背景过程的不确定度，从而构建正态分布密度函数；最后在大数据中模拟产生大量样本数据，结合环境影响特征化函数计算生命周期评价的不确定度。本发明方法充分利用了大数据的技术优势，在保障生命周期评价不确定度的评估结果可靠的情况下，明显加快了蒙特卡罗模拟的速度，解决了利用随机模拟计算的性能问题。
Description
技术领域
本发明涉及环境管理生命周期评价的可靠性领域。应用于产品的设计阶段，比如工业产品、消费品、包装产品等设计工具的开发；产品的生产阶段，比如相关数据在线采集和统计分析工具的开发；产品的评价阶段，比如绿色产品、环境产品、低碳产品等评价工具的开发。
背景技术
蒙特卡罗法，也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数来解决计算问题的方法。
然而使用蒙特卡罗法生成大量的样本点时，需要的运行量非常大，对于B/S模式的产品生命周期评价（LCA）软件系统，几个用户同时使用蒙特卡罗法进行产品生命周期评价不确定度的评定，就会使服务器超出负荷，长时间无法响应；对于C/S模式的单机LCA系统，使用蒙特卡罗法进行不确定度评定，则会使计算机长时间无响应。蒙特卡罗法应用在产品生命周期评价进行不确定度评定，运算量巨大，严重影响用户体验。关于评估生命周期评价数据的可靠性时如何改进运算性能的问题，目前也有解决方法，在发明专利《一种生命周期评价数据的质量评估方法》（CN201610136554.3）中，涉及到概率密度函数取样时，只计算确定其概率密度函数的平均值以及在95％置信区间的置信上限和置信下限，这样虽然能提高运算性能，但是大大降低了评定结果的可靠性,违背了用大量数据样本尽可能模拟真实情况的初衷。
在对产品进行生命周期评价的不确定评估中，如何既快速又准确地评估环境影响评价数据的质量情况，是生命周期评价过程的核心问题。本发明利用大数据技术改进产品生命周期评价的不确定评估中运算量巨大的过程，建立了一种大数据生命周期评价不确定度的评估方法，相对于其他方法而言，在保障不确定度评估可靠性的情况下，大大提高了运算性能。
发明内容
针对生命周期评价数据的不确定度评估问题，本发明提供了一种大数据生命周期评价不确定度的评估方法。构建基于大数据的正态分布的抽样模型；通过离散化标准正态密度分布函数和数据映射转换，把正态分布的取样问题转换成在大数据中检索离散化的标准正态分布数据的过程；依据数据来源，将评价对象的单元过程分为实景过程和背景过程，并依据数据来源、数据代表性（样本完整性、技术代表性、年份代表性、地理代表性）、处理算法，使用以客观经验推荐值为主，主观判断微调修正为辅，分别确定实景过程和背景过程的不确定度，从而构建正态分布密度函数；最后在大数据中模拟产生大量样本数据，结合环境影响特征化函数计算生命周期评价的不确定度。本发明方法充分利用了大数据的技术优势，在保障生命周期评价不确定度的评估结果可靠的情况下，明显加快了蒙特卡罗模拟的速度，解决了利用随机模拟计算的性能问题。主要包括三大部分内容：
（1）建立基于大数据的正态分布的抽样模型，根据离散化标准正态密度分布函数和数据映射转换规则，初始化大数据。
步骤一：离散化标准正态密度分布函数，把标准正态密度分布函数f（x）的图形等份切割成n份，每份宽度为⊿x，从左到右给每段区间编号为i，则i依次取值为1,2,3,…，n，那么第i个由函数线，x横轴和切割线围成的面积是x值落在(xi,xi+1]区间的概率，用pi表示，由于取n值非常大，⊿x非常小，当取样数据落入该区间，可规定取区间的中点值为样本值。
落入(xi,xi+1]区间中的概率pi值，计算公式如下：
Pi =
............. (1)
式中：
——f（x）为标准正态密度分布函数；
步骤二：用概率线段表示概率值，概率线段总长度为所有pi值的总和，依次把概率值Pi映射转换进概率线段中，Pi按1,2,3,…，n编号，从左到右依次映射进概率线段中，用每一小段的长度来表示概率值，第i小段的区间用（Minpi，Maxpi]表示，按下面公式分别计算Minpi，Maxpi数值：
Minpi计算公式：
Minpi = 
............. (2)
式中：
——P0表示落在n倍标准差中心区域之外的概率，当n值取足够大时，P0将非常小；
——pj使用公式（1）计算所得。
pi计算公式：
Maxpi =Minpi + pi............ (3)
步骤三：在大数据中建立粒度化的“标准正态数据表”，用来保存概率线段中每一小段线段的区间数据及对应的样本数据，表结构和各个字段说明如表1所示：
步骤四：使用大数据中的“标准正态数据表”进行数据抽样。使用随机函数生成一个随机数r，通过检索条件“Min_value < r <= Max_value”在“标准正态数据表”中检索出相应的记录，并获取字段X_data数值作为样本数据。
步骤五：基于大数据的批量抽样方式。为了更快地进行取样，可以事先生成很多组样本数据，并保存进大数据中，使用随机函数去确定使用哪一组样本数据。
在大数据中建立“标准正态批量取样数据表”，表结构和各个字段说明如表2所示：
步骤六：循环步骤四，生成N组数据，每组数据有M个样本数，N和M值都尽可能大，一般M默认取值为10000,则共生成了N*M个样本值，并存储进大数据相应的表中，使用大数据技术加快检索过程。
（2）从各个渠道获取输入数据，并依据数据来源、数据代表性（样本完整性、技术代表性、年份代表性、地理代表性）、处理算法，建立各个输入的正态分布密度函数。
步骤七：构建各个输入的正态分布密度函数，求得μ、σ数值,即确定函数中的期望值μ和标准差σ，μ分别为各个输入的清单数据。生命周期评价过程中获取的输入数据分别为实景数据或背景数据。实景数据和背景数据的标准差σ分别通过如下方式确定：
a)实景数据的σ值：
式中：
U1——为数据来源不确定度的经验推荐值，参照表3；
U2——为样本完整性不确定度的经验推荐值，参照表3；
U3——为技术代表性不确定度的经验推荐值，参照表3；
U4——为年份代表性不确定度的经验推荐值，参照表3；
U5——为地理代表性不确定度的经验推荐值，参照表3；
U6——为处理算法不确定度的经验推荐值，参照表3；
Wi——为Ui对应的数据修正值，由数据收集人员主观确定，表示主观上认可经验推荐值的程度，默认值为1，其值小于1表示对经验推荐的不确定数值减弱，大于1表示增强。数据维度与不确定度对照情况如表3所示：
| 序号 | 数据维度 | 缩写符号 | 说明 | 经验推荐值 |
| 1 | 数据来源 | U<sub>1</sub> | 经测量得到的原始数据 | 0.0001 |
| 2 | 数据来源 | U<sub>1</sub> | 来自权威定期更新的数据 | 0.015 |
| 3 | 数据来源 | U<sub>1</sub> | 来自于一般文献或专著的数据 | 0.030 |
| 4 | 数据来源 | U<sub>1</sub> | 基于文献或检验推论、估计或假设的数据 | 0.060 |
| 5 | 数据来源 | U<sub>1</sub> | 无根据的估计或假设的数据 | 0.120 |
| 6 | 样本完整性 | U<sub>2</sub> | 充足的样本，合适的期间 | 0.0001 |
| 7 | 样本完整性 | U<sub>2</sub> | 代表数据来自稍小范围但期间合适 | 0.010 |
| 8 | 样本完整性 | U<sub>2</sub> | 代表数据来自合适的范围但期间稍短 | 0.025 |
| 9 | 样本完整性 | U<sub>2</sub> | 来自小范围和期间的代表数据 | 0.050 |
| 10 | 样本完整性 | U<sub>2</sub> | 未知和来自小范围与短期间的不充足数据 | 0.100 |
| 11 | 技术代表性 | U<sub>3</sub> | 从研究组织得到的数据 | 0.0001 |
| 12 | 技术代表性 | U<sub>3</sub> | 技术、过程和原料相同，但组织不同 | 0.025 |
| 13 | 技术代表性 | U<sub>3</sub> | 技术相同，但过程和原料有差异 | 0.100 |
| 14 | 技术代表性 | U<sub>3</sub> | 技术不同，但产品相同 | 0.200 |
| 15 | 技术代表性 | U<sub>3</sub> | 数据缺失时，以类似产品的数据替代 | 0.350 |
| 16 | 年份代表性 | U<sub>4</sub> | 与时间无关或3年以内 | 0.0001 |
| 17 | 年份代表性 | U<sub>4</sub> | 6年以内 | 0.015 |
| 18 | 年份代表性 | U<sub>4</sub> | 10年以内 | 0.050 |
| 19 | 年份代表性 | U<sub>4</sub> | 15年以内 | 0.100 |
| 20 | 年份代表性 | U<sub>4</sub> | 数据年代未知或15年以上 | 0.200 |
| 21 | 地理代表性 | U<sub>5</sub> | 来自研究区域的数据 | 0.0001 |
| 22 | 地理代表性 | U<sub>5</sub> | 来自包含研究区域的较大区域范围的平均数据 | 0.005 |
| 23 | 地理代表性 | U<sub>5</sub> | 数据来自生产条件和生产力水平相似度高的区域 | 0.005 |
| 24 | 地理代表性 | U<sub>5</sub> | 数据来自生产条件和生产力水平相似度中等的区域 | 0.025 |
| 25 | 地理代表性 | U<sub>5</sub> | 数据来自生产条件和生产力水平完全不同的区域 | 0.050 |
| 26 | 处理算法 | U<sub>6</sub> | 直接获取算法，直接获取原始数据作为清单数据 | 0.0001 |
| 27 | 处理算法 | U<sub>6</sub> | 总量算法，研究范围内产出总量、污染排放总量 | 0.0001 |
| 28 | 处理算法 | U<sub>6</sub> | 平衡算法，根据已知实测数据，通过各种物料、元素或能量的平衡计算得到 | 0.025 |
| 29 | 处理算法 | U<sub>6</sub> | （半）经验算法，根据工程实际经验获得的算法（经验公式），或者理论公式的经验修正（半经验法）得到的数据 | 0.050 |
| 30 | 处理算法 | U<sub>6</sub> | 理论算法，基于化学反应方程式，产品设计方案等，未经过经验修正获得的数据 | 0.100 |
b) 背景数据的σ 计算公式为：
式中：
U1——为数据来源不确定度的经验推荐值，参照表3，对应的数据修正值为w1；
U3——为技术代表性不确定度的经验推荐值，参照表3，对应的数据修正值为w3；
U4——为年份代表性不确定度的经验推荐值，参照表3，对应的数据修正值为w4；
U5——为地理代表性不确定度的经验推荐值，参照表3，对应的数据修正值为w5。
（3）利用大数据技术，快速实现各个输入的概率分布抽样，由大量的抽样输入数据求得各个环境特征化影响的标准差，即为生命周期评价数据的不确定度。
步骤八：对于第i个输入，首先使用随机函数在N个自然数中随机产生一个自然数k；然后通过检索条件“group_id = k”在“标准正态批量取样数据表”中检索出M个样本数据X(x是X的元素)，并根据转换公式，ξ=x*σ +μ，求得第i个输入的一组样本数据Ε，Ε由M个ξ元素组成。
步骤九：设有n个输入，则重复步骤七和步骤八，求得n个输入的样本数据，每个输入有M个样本数据。即有M组n个输入的样本数据，再把这M组数据，代入环境特征化函数，求得M个环境特征化影响的数据，最后计算这M个环境特征化影响数据的标准差，即为生命周期评价数据的不确定度。
附图说明
图 1 是基于大数据的生命周期评价不确定度的评定模型。
图 2是具体实施流程图。
具体实施方式
本发明具体实施流程如图2所示，按如下步骤实施：
第一，按方法中的步骤一、步骤二、步骤三、步骤四的说明，对标准正态分布密度函数进行离散化和粒度化处理，并把计算的结果数据存储进“标准正态数据表”中，“标准正态数据表”的结构如表1所示。
第二，按照方法中的步骤五、步骤六的说明，事先生成N组数据（N默认取值为1000000），每组数据有M个样本数据（M默认取值为10000），并存储进“标准正态批量取样数据表”中，“标准正态批量取样数据表”的结构如表2所示。
第三，使用大数据技术，为“标准正态数据表”和“标准正态批量取样数据表”建立相关索引，加快检索速度。
第四，构建从各个渠道获取输入数据，并依据数据来源、数据代表性（样本完整性、技术代表性、年份代表性、地理代表性）、处理算法，建立各个输入的正态分布密度函数。
首先，明确产品生命周期评价的过程包含哪些单元过程，比如对于电饭煲产品，其主要单元过程包括：原材料采集生产阶段、产品生产制造阶段、产品运输销售阶段、产品使用阶段和废弃回收阶段。并选择环境影响类型的特征化模型为：1）全球变暖（GWP）、2）光化学烟雾（POCP），特征化模型计算公式如下：
1）全球变暖（GWP）
全球变暖（GWP）以CO2作为基准，将其他物质造成的全球变暖影响折算成CO2当量来衡量。表4说明了各种物质全球变暖潜在影响的贡献。
EP gw =Σ （GWPi ×mi ）
--EP gw为产品系统排放的温室气体潜力；
--mi为清单分析中第 i 种污染物的排放量；
--GWPi为第 i 种污染物的全球变暖当量因子。
全球变暖指标参数如表4所示：
2）光化学烟雾（POCP）
以 C2H4为基准物质污染源排入大气，经过光化学反应过程的一次污染物和二次污染物的混合物所形成的烟雾。表5说明了各种物质全球变暖潜在的影响的贡献。
EP po =Σ （POCPi ×mi）
--EP po为产品系统的光化学烟雾形成的潜值；
--m i为清单分析中第 i 种污染物的排放量；
--POCPi 为第 i 种污染物的光化学烟雾当量因子。
光化学烟雾指标参数如表5所示：
其次，依次对各个单元过程进行现场数据收集。比如原材料采集生产阶段，根据方法中的步骤七，构建各个输入的正态分布密度函数，即需要算出μ、σ数值。
通过调查和测试，得出产品的原材料材质清单表，从而获得各个输入的μ数值，电饭煲原材料采集生产阶段数据收集情况如表6所示：
原材料采集阶段的各个输入的数据情况如表7所示：
把表7中的数据对照方法中的步骤七中的表3，分别把各个输入的数据来源、数据代表性（样本完整性、技术代表性、年份代表性、地理代表性）、处理算法转化为相应的数值，然后代入方法步骤七中的实景数据的标准差σ公式（即公式4），从而求得各个输入的实景数据的不确定度。
通过以上方式，可以求得原材料采集生产阶段各个输入的期望值μ和标准差σ，从而构建各个输入的正态分布密度函数。
然后，确定各个输入的背景数据情况，从而构建各个输入的背景数据正态分布密度函数。背景数据的期望值μ为背景数据的功能单位值，背景数据的标准差σ，可按照步骤七中的背景数据的标准差σ公式（即公式5）求得。
最后，按照以上方式，依次获得产品生命周期其他单元过程的各个输入的实景数据及背景数据的期望值μ和标准差σ，从而构建所有单元过程各个输入的实景数据及背景数据的正态分布密度函数。
第四，利用大数据技术，快速实现各个输入的概率分布抽样，代入环境特征化函数，从而求得环境特征化影响的标准差，即为生命周期评价的不确定度。
首先，按照方法中的步骤八，对生命周期各个单元过程的每个输入i，使用随机函数在N个自然数中随机产生一个自然数k，根据k在大数据中获取第k组标准正态分布样本随机数X，并根据转换公式：ξ=x*σ +μ，把获得的随机数X线性转化成Εi，从而求得第i个输入的一组样本数据Εi。如此循环，求得所有实景数据输入的样本数据。e是Εi的元素，eij表示第i个输入第j个样本数。
然后，按照方法中的步骤八，对于生命周期各个单元过程的每种背景数据，使用随机函数在N个自然数中随机产生一个自然数k，根据k在大数据中获取第k组标准正态分布样本随机数X，并根据转换公式：ξ=x*σ +μ，把获得的随机数X线性转化成Fj，从而求得第j种背景数据的一组样本数据Fj。如此循环，求得所有背景数据的样本数据。f是Fj的元素，fjk表示第j种背景数据第k个样本数。
最后，按照方法中的步骤九，把生命周期各个单元过程所有的样本数据代入环境特征化函数，求得M组环境特征化影响的数据，并计算M组环境特征化数据的标准差，即为生命周期评价不确定度。
Claims (6)
1.大数据生命周期评价不确定度的评估方法，其特征在于：
步骤一：所述的离散化标准正态密度分布函数，是把标准正态密度分布函数f（x）的图形等份切割成n份，每份宽度为⊿x，从左到右给每段区间编号为i，则i依次取值为1,2,3,…，n，那么第i个由函数线、x横轴和切割线围成的面积是x值落在(xi,xi+1]区间的概率，用pi表示，由于⊿x数值非常小，当取样数据落入该区间中，可规定取区间的中点值为样本值；
步骤二：所述的用概率线段表示概率值，是依次把概率值Pi映射转换进概率线段中，Pi按1,2,3,…，n编号，从左到右依次映射进概率线段中，用每一小段的长度来表示概率值，第i小段的区间用（Minpi，Maxpi]表示；
步骤三：所述的建立粒度化的“标准正态数据表”，是设计“标准正态数据表”来保存标准正态分布函数粒度化结果数据；
步骤四：所述的使用大数据中的“标准正态数据表”进行数据抽样，是通过在大数据中检索离散化的标准正态分布数据来实现正态分布函数的抽样；使用随机函数生成一个随机数r，通过检索条件“Min_value < r <= Max_value”在“标准正态数据表”中检索出相应的记录，并获取字段X_data数值作为样本数据；
步骤五：所述的基于大数据的批量抽样方式，是为了更快地进行取样，可以事先生成很多组的样本数据，并保存进大数据中，使用的时候使用随机函数去确定使用哪一组样本数据；
步骤六：循环步骤四，生成N组数据，每组数据有M个样本数，N和M值都尽可能大，一般M默认取值为10000,则共生成了N × M个样本值，并存储进大数据相应的表中，使用大数据技术加快检索过程；
步骤七：所述的构建各个输入的正态分布密度函数，是通过计算标准差σ来确定正态分布密度函数，将评价对象的单元过程分为实景过程和背景过程，依据数据来源、数据代表性（样本完整性、技术代表性、年份代表性、地理代表性）、处理算法，分别确定实景过程和背景过程的标准差σ；
步骤八：使用随机函数在N个自然数中随机产生一个自然数j，根据j在大数据中获取第j组标准正态分布样本随机数，并根据转换公式，ξ= x * σ + μ，进行线性转化，从而求得输入的样本数据；
步骤九：设有n个输入, 求得n个输入的样本数据，每个输入有M个样本数据，代入环境特征化函数，从而求得M个环境特征化影响的数据，最后计算这M个环境特征化影响数据的标准差，即为生命周期评价数据的不确定度。
2.如权利要求1所述的大数据生命周期评价不确定度的评估方法，其特征在于步骤二的用概率线段表示概率值，pi值确定的概率区间为（Minpi，Maxpi]；
按下面公式计算Minpi：
Minpi=
……（1）
式中：
——P0表示落在n倍标准差中心区域之外的概率，当n值取足够大时，P0将非常小；
按下面公式计算Maxpi：
Maxpi= Minpi + pi……（2）。
3.如权利要求1所述的大数据生命周期评价不确定度的评估方法，其特征在于步骤三的建立粒度化的“标准正态数据表”来保存标准正态分布函数粒度化结果数据；在大数据中建立粒度化的“标准正态数据表”，表结构和各个字段说明如表1所示：
4.如权力要求1所述的大数据生命周期评价不确定度的评估方法，其特征在于步骤五的从大数据中更快速的取样方法；事先生成很多组的样本数据，并保存进大数据中，使用的时候使用随机函数去确定使用哪一组样本数据；
在大数据中创建“标准正态批量取样数据表”，表结构和各个字段说明如表2所示：
5.如权力要求1所述的大数据生命周期评价不确定度的评估方法，其特征在于步骤七的构建各个输入的正态分布密度函数，即确定函数中的期望值μ和标准差σ，μ取清单数据，标准差σ表示为不确定度，使用下面公式计算：
输入获取的数据分成实景数据和背景数据；实景数据的不确定度计算公式为：
σrealdata = 
……(3)
式中：
U1——为数据来源不确定度的经验推荐值，参照表3；
U2——为样本完整性不确定度的经验推荐值，参照表3；
U3——为技术代表性不确定度的经验推荐值，参照表3；
U4——为年份代表性不确定度的经验推荐值，参照表3；
U5——为地理代表性不确定度的经验推荐值，参照表3；
U6——为处理算法不确定度的经验推荐值，参照表3；
Wi——为Ui对应的数据修正值，由数据收集人员主观确定，表示主观上认可经验推荐值的程度，默认值为1，其值小于1表示对经验推荐的不确定数值减弱，大于1表示加强；数据维度与不确定度对照如表3所示：
背景数据的不确定度计算公式为：
σbackdata = 
……(4)
式中：
U1——为数据来源不确定度的经验推荐值，参照表3，对应的数据修正值为w1；
U3——为技术代表性不确定度的经验推荐值，参照表3，对应的数据修正值为w3；
U4——为年份代表性不确定度的经验推荐值，参照表3，对应的数据修正值为w4；
U5——为地理代表性不确定度的经验推荐值，参照表3，对应的数据修正值为w5。
6.如权力要求1所述的大数据生命周期评价不确定度的评估方法，其特征在于步骤八的通过标准正态分布函数的样本随机数据，快速获取输入的样本数据方法；首先使用随机函数在N个自然数种产生一个自然数k；然后通过检索条件“group_id = k”在“标准正态批量取样数据表”中检索出M个样本数据X(x是X的元素)，并根据公式ξ= x * σ + μ，线性转换成输入的样本数据E(ξ是E的元素)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733447.5A CN112069454A (zh) | 2020-07-27 | 2020-07-27 | 一种大数据生命周期评价不确定度的评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733447.5A CN112069454A (zh) | 2020-07-27 | 2020-07-27 | 一种大数据生命周期评价不确定度的评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112069454A true CN112069454A (zh) | 2020-12-11 |
Family
ID=73657705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010733447.5A Pending CN112069454A (zh) | 2020-07-27 | 2020-07-27 | 一种大数据生命周期评价不确定度的评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069454A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800650A (zh) * | 2021-01-27 | 2021-05-14 | 重庆大学 | 一种考虑正态分布离散初始条件的结构时变可靠度分析方法 |
| CN113240303A (zh) * | 2021-05-20 | 2021-08-10 | 北京中创绿发科技有限责任公司 | 产品全生命周期评价的数据收集方法及数据收集系统 |
-
2020
- 2020-07-27 CN CN202010733447.5A patent/CN112069454A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800650A (zh) * | 2021-01-27 | 2021-05-14 | 重庆大学 | 一种考虑正态分布离散初始条件的结构时变可靠度分析方法 |
| CN112800650B (zh) * | 2021-01-27 | 2023-05-23 | 重庆大学 | 一种考虑正态分布离散初始条件的结构时变可靠度分析方法 |
| CN113240303A (zh) * | 2021-05-20 | 2021-08-10 | 北京中创绿发科技有限责任公司 | 产品全生命周期评价的数据收集方法及数据收集系统 |
| CN113240303B (zh) * | 2021-05-20 | 2024-04-23 | 北京中创绿发科技有限责任公司 | 产品全生命周期评价的数据收集方法及数据收集系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN110968069B (zh) | 风力发电机组的故障预测方法、相应的装置及电子设备 | |
| CN112069454A (zh) | 一种大数据生命周期评价不确定度的评估方法 | |
| CN111967721A (zh) | 一种综合能源系统绿色化水平评价方法及系统 | |
| CN110827169B (zh) | 一种基于分级指标的分布式电网业务监控方法 | |
| Wang et al. | An open-source software package for multivariate modeling and clustering: applications to air quality management | |
| CN111639838A (zh) | 一种适用于供水管网的水质监测点布局优化方法 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| CN114548552A (zh) | 碳排放量预测方法、装置以及电子设备 | |
| CN111126865B (zh) | 一种基于科技大数据的技术成熟度判断方法和系统 | |
| CN114266421B (zh) | 基于复合气象特征构建与选择的新能源功率预测方法 | |
| Khabarov et al. | Heuristic model of the composite quality index of environmental assessment | |
| CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
| Yang et al. | Simulating land use change by integrating landscape metrics into ANN-CA in a new way | |
| CN111832748A (zh) | 一种对混合气体浓度进行回归预测的电子鼻宽度学习方法 | |
| CN115809795B (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
| Pannier et al. | Dealing with uncertainties in comparative building life cycle assessment | |
| CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
| Kargar et al. | Comparing different modeling techniques for predicting presence-absence of some dominant plant species in mountain Rangelands, Mazandaran Province | |
| CN105974058A (zh) | 基于电子鼻-人工神经网络的快速检测烟叶中钾含量的方法 | |
| CN113919729A (zh) | 一种区域三生空间影响与协作水平评估方法及系统 | |
| CN109388780A (zh) | 一种降膜蒸发器lca模型的不确定性分析方法 | |
| Cruz et al. | Machine Learning-Based Indoor Air Quality Baseline Study of the Offices and Laboratories of the Northwest and Southwest Building of Mapúa University–Manila | |
| CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
| CN112733903A (zh) | 基于svm-rf-dt组合的空气质量监测与告警方法、系统、装置和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201211 |