CN115169678A - 碳配额盈缺预测方法、装置电子设备及存储介质 - Google Patents
碳配额盈缺预测方法、装置电子设备及存储介质 Download PDFInfo
- Publication number
- CN115169678A CN115169678A CN202210772741.6A CN202210772741A CN115169678A CN 115169678 A CN115169678 A CN 115169678A CN 202210772741 A CN202210772741 A CN 202210772741A CN 115169678 A CN115169678 A CN 115169678A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- carbon
- working condition
- preset
- prediction
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 453
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 453
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 66
- 230000007812 deficiency Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000006735 deficit Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010924 continuous production Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- G06Q10/063—Operations research, analysis or management
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种碳配额盈缺预测方法、装置电子设备及存储介质，涉及数据处理技术领域。该碳配额盈缺预测方法包括：首先获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；再获取每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；根据预设工况变量的预测参数，从至少一个预设工况区间中确定目标工况区间；最后，根据目标工况区间的碳排放基准值以及生产计划，对碳排放主体进行碳配额盈缺预测，得到碳排放主体在未来时段内的碳配额盈缺预测量。本申请能够通过碳排放主体的历史数据、生产计划等，预测其碳配额盈缺情况，助力企业精准履约。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种碳配额盈缺预测方法、装置电子设备及存储介质。
背景技术
近年国家对排放的管控力度越来越大，也推出了碳交易等支撑企业完成履约、褒奖企业减排行动的工具，若企业想要实现精准履约或交易增值，则必须提高自身的碳排放管理能力。
现有类似的优化企业碳排放管理的技术大多是碎片化或是过于宏观的，碎片化的技术仅着眼于帮助连续生产型企业建立碳排放数据库和完善碳排放核算，尽管提高了碳排放指标核算的效率，但还是无法赋能企业深化碳排放数据应用，自然无法帮助企业赢得效益，相对宏观的技术则搬用其他领域的大数据处理方法论，这些方法论的适用对象多为区域或政府，在企业、工厂、具体排放源等层面极难落地。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种碳配额盈缺预测方法、装置电子设备及存储介质，以便助力连续生产型企业深化碳排放数据应用、实现对碳配额盈缺的精确预测。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种碳配额盈缺预测方法，所述方法包括：
获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；
获取所述每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；
根据所述预设工况变量的预测参数，从所述至少一个预设工况区间中确定目标工况区间；
根据所述目标工况区间的碳排放基准值以及所述生产计划，对所述碳排放主体进行碳配额盈缺预测，得到所述碳排放主体在所述未来时段内的碳配额盈缺预测量。
可选的，所述获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值，包括：
根据所述每个碳排放源在每个预设工况区间的历史碳排放数据，计算所述每个预设工况区间的碳排放强度基准值。
可选的，所述获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值之前，所述方法还包括：
根据所述每个碳排放源在预设历史时段内的历史碳排放数据，对所述每个碳排放源在所述预设历史时段内所述预设工况变量的实际参数进行分类，得到所述至少一个预设工况区间。
可选的，所述根据所述每个碳排放源在预设历史时段内的历史碳排放数据，对所述每个碳排放源在所述预设历史时段内所述预设工况变量的实际参数进行分类，得到所述至少一个预设工况区间之前，所述方法还包括：
对所述历史碳排放数据，以及所述预设历史时段内至少一个工况变量的实际参数进行相关性分析，得到所述至少一个工况变量的碳排放相关度；
根据所述至少一个工况变量的碳排放相关度，从所述至少一个工况变量中确定碳排放相关度最高的工况变量作为所述预设工况变量。
可选的，所述预测参数包括：生产负荷率；所述获取所述每个碳排放源在预设未来时段内的预设工况变量的预测参数，包括：
根据所述生产计划，确定所述预设未来时段的生产负荷率。
可选的，所述预测参数还包括：生产过程状态参数；所述获取所述每个碳排放源在预设未来时段内的预设工况变量的预测参数，包括：
从所述每个碳排放源的历史同期数据或者所述预设未来时段的预测数据库中，获取所述预设未来时段内的所述生产过程状态参数。
可选的，所述根据所述目标工况区间的碳排放基准值以及所述生产计划，对所述碳排放主体进行碳配额盈缺预测，得到所述碳排放主体在所述未来时段内的碳配额盈缺预测量，包括：
根据所述目标工况区间的碳排放基准值以及所述生产计划，预测所述未来时段内所述每个碳排放源的碳排放预测量；
根据所述碳排放主体中各碳排放源的碳排放预测量，确定所述未来时段内所述碳排放主体的碳排放预测量；
根据所述碳排放主体的碳排放预测量以及所述碳排放主体的碳排放配额量，确定所述碳排放主体在所述未来时段内的碳配额盈缺预测量。
第二方面，本申请实施例还提供了一种碳配额盈缺预测装置，包括：碳排放强度基准值获取模块，预测参数获取模块，确定模块，预测模块；
所述碳排放强度基准值获取模块，用于获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；
所述预测参数获取模块，用于获取所述每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；
所述确定模块，用于根据所述预设工况变量的预测参数，从所述至少一个预设工况区间中确定目标工况区间；
所述预测模块，用于根据所述目标工况区间的碳排放基准值以及所述生产计划，对所述碳排放主体进行碳配额盈缺预测，得到所述碳排放主体在所述未来时段内的碳配额盈缺预测量。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如第一方面任一所述的碳配额盈缺预测方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的碳配额盈缺预测方法的步骤。
本申请的有益效果是：本申请实施例提供一种碳配额盈缺预测方法，首先获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；再获取每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；根据预设工况变量的预测参数，从至少一个预设工况区间中确定目标工况区间；最后，根据目标工况区间的碳排放基准值以及生产计划，对碳排放主体进行碳配额盈缺预测，得到碳排放主体在未来时段内的碳配额盈缺预测量。由于连续生产过程中，生产工况与排放量存在较大相关性，工况又与碳排放主体的生产计划、其他客观因素有关，是有迹可循、可被预知的，因此本申请结合连续生产型企业的生产特征，针对现有技术的缺点，提供的碳配额盈缺预测方法，能够通过碳排放主体的历史数据、生产实际工况、生产计划等，预测碳排放主体的碳配额盈缺情况，优化碳排放主体碳交易策略，助力碳排放主体精准履约。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例提供的一种碳配额盈缺预测方法的流程图；
图2为本申请一实施例提供的一种碳排放源核算边界示意图；
图3为本申请一实施例提供的一种碳排放模型架构示意图；
图4为本申请又一实施例提供的一种碳排放模型架构示意图；
图5为本申请又一实施例提供的一种碳配额盈缺预测方法的流程图；
图6为本申请一实施例提供的一种碳排放源的碳排放强度与工况变量的关系图；
图7为本申请另一实施例提供的一种碳配额盈缺预测方法的流程图；
图8为本申请一实施例提供的一种碳配额盈缺预测装置的示意图；
图9为本申请实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
在本申请中，除非另有明确的规定和限定，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包含至少一个特征。在本发明中的描述中，“多个”的含义是至少两个，例如两个、三个，除非另有明确具体的限定。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在中国面向全球提出将于2030年实现碳达峰、2060实现碳中和的承诺后，各级单位也开始摸索、开展、优化自身的碳排放管理工作，尤其是那些需要进行碳配额履约的企业。本发明提供一种面向连续生产型企业的碳配额盈缺定量预测方法及系统，助力连续生产型企业深化碳排放数据应用、优化碳交易策略，实现精准履约和资产增值。
连续生产型企业目前碳排放管理较为粗放，以人工填报为主，数据及时性较差，再加上没有合适的数据分析方法与工具，导致大量具备前瞻性和指导价值的信息被隐藏和埋没，往年企业仅需在年度履约时使用碳排放数据，就算未完成履约，惩罚力度也不大。但近年国家对排放的管控力度越来越大，也推出了碳交易等支撑企业完成履约、褒奖企业减排行动的工具，若企业想要实现精准履约或交易增值，则必须提高自身的碳排放管理能力。
现有类似的企业碳排放管理的技术碎片化或过于宏观，碎片化的技术仅着眼于帮助连续生产型企业建立碳排放数据库和完善碳排放核算，但是无法赋能企业深化碳排放数据应用，无法帮助企业赢得效益，相对宏观的技术则搬用其他领域的大数据处理方法论，这些方法论在企业、工厂、具体排放源等层面极难落地。
针对现有技术中的问题，本申请实施例提供了多种可能的实现方式，以实现对连续生产型企业碳配额盈缺的准确预测。如下结合附图通过多个示例进行解释说明。图1为本申请一实施例提供的一种碳配额盈缺预测方法的流程图，该方法可由运行有上述碳配额盈缺预测方法的电子设备实现，该电子设备例如可以为终端设备，也可以为服务器。如图1所示，该方法包括：
步骤101：获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围。
需要说明的是，碳排放主体是本申请的碳配额盈缺预测的预测对象，其例如可以为连续生产型企业、工厂等，本申请对此不做限定。
在每个碳排放主体中，可以包括一个或多个碳排放源。在本申请步骤 101中获取的可以是每个碳排放源在至少一个预设工况区间的碳排放强度基准值；也可以对碳排放主体中的碳排放源进行筛选，将对于筛选后的至少一个碳排放源，获取的可以是每个碳排放源在至少一个预设工况区间的碳排放强度基准值。
在一种具体的实现方式中，可以基于碳排放主体所在的具体行业和对应的核算标准来筛选纳入碳排放主体核算范围的碳排放源，图2为本申请一实施例提供的一种碳排放源核算边界示意图，如图2所示，该碳排放主体中存在三个碳排放源：排放源A、排放源B、排放源C，由于该碳排放主体所在的行业核算标准中碳排放源C未纳入核算范围(为了便于理解，在图2中用虚线框定了核算边界，将虚线框内的碳排放源纳入核算范围)，则在执行步骤101时，分别获取的排放源A、排放源B在至少一个预设工况区间的碳排放强度基准值即可。
在另一种具体的实现方式中，可以利用建模软件定义每个碳排放主体的碳排放模型边界、每个碳排放源的排放指标、配置计算公式等，建立该碳排放主体的碳排放模型。图3为本申请一实施例提供的一种碳排放模型架构示意图；图4为本申请又一实施例提供的一种碳排放模型架构示意图；如图3、图4所示，在每个碳排放主体中，可以确定每个碳排放主体的碳排放模型边界(图3中用虚线框定的边界)，每个碳排放源的排放指标、配置计算公式等(如图4)。在此模型的基础上，可以获取每个碳排放源在至少一个预设工况区间的碳排放强度基准值。
还需要说明的是，预设工况区间是预设工况变量的参数范围构成的区间，其中，预设工况变量可以是单变量，也可以是多变量，本申请对预设工况变量的具体数量不做限定。若预设工况变量为单变量，例如温度，则工况区间可以是温度范围对应的区间(举例来说，0到5摄氏度可以为一个预设工况区间，10到20摄氏度可以为另一个预设工况区间等)；若预设工况变量为多变量，例如温度、负荷率，则工况区间可以是温度范围与负荷率范围共同划定的区间(举例来说，温度为0到5摄氏度且负荷率为50％到60％可以为一个预设工况区间，温度为10到20摄氏度且负荷率为50％到60％可以为另一个预设工况区间等)；以此类推，当预设工况变量大于两个时，也可以使用每个预设工况变量的参数范围构成区间。
此外，预设工况变量的选择可以是由工程人员选定，也可以是根据预设算法进行筛选得到的，本申请对此不做限定。
上述仅为示例说明，在实际实现中，预设工况区间还可以有其他的设置方式，本申请对此不做限定。
步骤102：获取每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数。
为了精准预测预设未来时段内的碳配额盈缺，需要获取每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数。其中，生产计划例如可以包括：计划总产量、每个统计时段的生产安排等；根据预设工况变量的具体形式，可以通过历史数据、相关预测数据等获取预设工况变量的预测参数。例如，若预设工况变量为温度，则可以通过获取天气预报数据来获取温度的预测参数；再例如，若预设工况变量为压力，则可以通过历史相同时段的压力值来获取压力的预测参数(例如获取往年同一时段的参数等)。
上述仅为示例说明，在实际实现中，还可以有其他的预测参数获取方式，本申请对此不做限定。
步骤103：根据预设工况变量的预测参数，从至少一个预设工况区间中确定目标工况区间。
需要说明的是，根据预设工况变量的预测参数，从至少一个预设工况区间中确定一个或多个目标工况区间，本申请对确定的目标工况区间的数量不做限定。
在一种可能的实现方式中，若预设未来时段为未来两个月，每一天对应了一个预设工况区间，因此，可以根据每一天的预设工况变量的预测参数，为每一天确定一个目标工况区间。上述仅为示例说明，在实际实现中，每个预设工况区间对应的时间段还可以是一小时、或者几小时等，本申请对此不做限定，在获取目标工况空间时，可以根据具体的工况区间的精度确定当前精度下每个时间段对应的目标工况区间。
步骤104：根据目标工况区间的碳排放基准值以及生产计划，对碳排放主体进行碳配额盈缺预测，得到碳排放主体在未来时段内的碳配额盈缺预测量。
在一种可能的实现方式中，根据目标工况区间的碳排放基准值以及生产计划，可以预测得到该碳排放源在未来时段内的碳排放预测量。将该碳排放主体的所有碳排放源(或者核算范围内的碳排放源)的碳排放预测量进行累加，即可得到碳排放主体在未来时段内的碳排放预测总量。根据碳排放主体在未来时段内的碳配额与该碳排放主体在未来时段内的碳排放预测总量，对碳排放主体进行碳配额盈缺预测，得到碳排放主体在未来时段内的碳配额盈缺预测量。
综上，本申请实施例提供一种碳配额盈缺预测方法，首先获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；再获取每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；根据预设工况变量的预测参数，从至少一个预设工况区间中确定目标工况区间；最后，根据目标工况区间的碳排放基准值以及生产计划，对碳排放主体进行碳配额盈缺预测，得到碳排放主体在未来时段内的碳配额盈缺预测量。由于连续生产过程中，生产工况与排放量存在较大相关性，工况又与碳排放主体的生产计划、其他客观因素有关，是有迹可循、可被预知的，因此本申请结合连续生产型企业的生产特征，针对现有技术的缺点，提供的碳配额盈缺预测方法，能够通过碳排放主体的历史数据、生产实际工况、生产计划等，预测碳排放主体的碳配额盈缺情况，优化碳排放主体碳交易策略，助力碳排放主体精准履约。
可选的，在上述图1的基础上，本申请还提供一种碳配额盈缺预测方法的可能实现方式，获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值，包括：
根据每个碳排放源在每个预设工况区间的历史碳排放数据，计算每个预设工况区间的碳排放强度基准值。
在一种可能的实现方式中，每个碳排放源在实际使用中，可以采集到的每个预设工况区间的至少一个历史碳排放数据。根据每个碳排放源在每个预设工况区间的历史碳排放数据，可以通过算术平均、中位数、聚类算法等方式，计算每个预设工况区间的碳排放强度基准值。
上述仅为示例说明，在实际实现中，碳排放强度的基准值还可以有其他的计算方式，本申请对此不做限定。
在一种具体的实现方式中，根据每个碳排放源在每个预设工况区间的历史碳排放数据，计算每个预设工况区间的碳排放强度基准值之前，该方法还包括：
对每个碳排放源的历史碳排放数据进行归类，将每个历史碳排放数据自动归类到划定的工况区间中。
在一种具体的实现方式中，根据每个碳排放源在每个预设工况区间的历史碳排放数据，计算每个预设工况区间的碳排放强度基准值之前，该方法还包括：
若存在至少一个历史碳排放数据的数据量少于预设数据量阈值的目标工况区间，将该目标工况区间与相邻预设工况区间中历史碳排放数据的数据量最少的预设工况区间合并，得到新的预设工况区间。
上述仅为示例说明，在实际实现中，还可以有其他的实现方式，本申请对此不做限定。
可选的，在上述图1的基础上，本申请还提供一种碳配额盈缺预测方法的可能实现方式，获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值之前，该方法还包括：
根据每个碳排放源在预设历史时段内的历史碳排放数据，对每个碳排放源在预设历史时段内预设工况变量的实际参数进行分类，得到至少一个预设工况区间。
在一种可能的实现方式中，可以在获取每个碳排放源在预设历史时段内的历史碳排放数据，根据获取的每个碳排放源在预设历史时段内的历史碳排放数据的数据量，或者历史碳排放数据的数据，对每个碳排放源在预设历史时段内预设工况变量的实际参数进行分类，使得分类后得到的每个预设工况区间中包括相似数量的历史碳排放数据，使得预设工况区间的分类更加均匀，从而进一步使得预测的碳配额盈缺更加精准。
在另一种可能的实现方式中，对每个碳排放源预设工况变量的实际参数进行分类时，可以根据预设历史时段内预设工况变量的实际参数(或者该碳排放源预设工况变量的理论参数)的上下限，在上下限之间根据预设的划分数量进行划分，划分出均匀的预设划分数量个预设工况区间。
在一种具体的实现方式中，预设工况变量例如可以为温度和负载率，则划分的预设工况区间例如可以如表1，表1为本申请一实施例提供的一种预设工况区间划分表：
表1本申请一实施例提供的一种预设工况区间划分表
上述仅为示例说明，在实际实现中，还可以有其他的实现方式，本申请对此不做限定。
可选的，在上述实施例的基础上，本申请还提供一种碳配额盈缺预测方法的可能实现方式，图5为本申请又一实施例提供的一种碳配额盈缺预测方法的流程图；如图5所示，根据每个碳排放源在预设历史时段内的历史碳排放数据，对每个碳排放源在预设历史时段内预设工况变量的实际参数进行分类，得到至少一个预设工况区间之前，方法还包括：
步骤501：对历史碳排放数据，以及预设历史时段内至少一个工况变量的实际参数进行相关性分析，得到至少一个工况变量的碳排放相关度。
在一种可能的实现方式中，对历史碳排放数据，以及预设历史时段内至少一个工况变量的实际参数进行相关性分析，可以得到至少一个工况变量的碳排放相关度。其中，工况变量例如可以包括温度、压力、负荷率、运行时长等，本申请对此不做限定，工程人员根据具体的碳排放源可以进行扩展。
此外，本申请对碳排放相关度的具体计算方法不做限定，用户可以根据实际使用确定计算方法，例如：相关性算法、图形法等。
步骤502：根据至少一个工况变量的碳排放相关度，从至少一个工况变量中确定碳排放相关度最高的工况变量作为预设工况变量。
在一种可能的实现方式中，在步骤501中计算得到了多个工况变量的碳排放相关度，从中选择碳排放相关度最高的工况变量作为预设工况变量，或者，可以从中选择碳排放相关度最高的预设数目个(大于等于一的预设数目个)工况变量作为预设工况变量，或者，可以从至少一个工况变量中确定与碳排放强度相关(或者强相关)的至少一个工况变量作为预设工况变量。
上述仅为示例说明，在实际实现中，还可以有其他的实现方式，本申请对此不做限定。
在一种具体的实现方式中，图6为本申请一实施例提供的一种碳排放源的碳排放强度与工况变量的关系图；如图6所示，根据排放源A的碳排放强度与温度、负荷率、压力、运行时长等工况变量的关系图可以看出排放源A的碳排放强度与温度、负荷率相关性较显著，因此可以选择温度、负荷率作为预设工况变量。需要说明，上述用关系图的方式将相关性进行了具象展示(工程人员可以通过此图判断预设工况变量选择的准确性)，但是在计算机程序选择预设工况变量时，可以不具体生成此图像。
可选的，在上述图1的基础上，本申请还提供一种碳配额盈缺预测方法的可能实现方式，预测参数包括：生产负荷率；获取每个碳排放源在预设未来时段内的预设工况变量的预测参数，包括：
根据生产计划，确定预设未来时段的生产负荷率。
在一种可能的实现方式中，可以根据生产计划，确定预设未来时段的生产负荷率Fh：
Fhi＝Qi/满负荷产量；其中，Qi为碳排放源在预设未来时段内的生产计划量(即产品产量计划量)。
在一种具体的实现方式中，若生产计划中没有具体的产品产量安排，可以通过碳排放源的生产计划Mi可以确定预测时段内的产品产量Qi，再通过产品产量Qi预测时段内的生产负荷率Fhi。上述仅为示例说明，在实际实现中，还可以有其他的实现方式，本申请对此不做限定。
可选的，在上述图1的基础上，本申请还提供一种碳配额盈缺预测方法的可能实现方式，预测参数还包括：生产过程状态参数；获取每个碳排放源在预设未来时段内的预设工况变量的预测参数，包括：
从每个碳排放源的历史同期数据或者预设未来时段的预测数据库中，获取预设未来时段内的生产过程状态参数。
在一种可能的实现方式中，可以通过历史同期数据(例如历史同期运行时长数据、压力数据等)或者预设未来时段的预测数据库(例如天气预报提供的温度预测数据库)中，获取预设未来时段内的生产过程状态参数(例如从历史同期运行时长数据、压力数据等获取预设未来时段内的运行时长数据、压力数据等；再例如，从天气预报提供的温度预测数据库获取预设未来时段内的温度)。
上述仅为示例说明，在实际实现中，还可以有其他的预测方式，本申请对此不做限定。
可选的，在上述图1的基础上，本申请还提供一种碳配额盈缺预测方法的可能实现方式，图7为本申请另一实施例提供的一种碳配额盈缺预测方法的流程图；如图7所示，根据目标工况区间的碳排放基准值以及生产计划，对碳排放主体进行碳配额盈缺预测，得到碳排放主体在未来时段内的碳配额盈缺预测量，包括：
步骤301：根据目标工况区间的碳排放基准值以及生产计划，预测未来时段内每个碳排放源的碳排放预测量；
步骤302：根据碳排放主体中各碳排放源的碳排放预测量，确定未来时段内碳排放主体的碳排放预测量；
步骤303：根据碳排放主体的碳排放预测量以及碳排放主体的碳排放配额量，确定碳排放主体在未来时段内的碳配额盈缺预测量。
在一种可能的实现方式中，未来时段内碳排放主体的每个碳排放源(或者核算范围内的每个碳排放源)的碳排放预测量为E排放源预测，未来时段内碳排放主体的碳排放预测量(即未来时段内碳排放主体的碳排放预测总量) E碳排放主体预测可以通过如下方式计算：
E碳排放主体预测＝∑E排放源预测；
根据碳排放主体在未来时段内的碳排放配额量(碳配额)D碳排放主体预测与该碳排放主体在未来时段内的碳排放预测总量E碳排放主体预测，计算碳排放主体在未来时段内的碳配额盈缺预测量：
碳配额盈缺预测量＝D碳排放主体预测-E碳排放主体预测；
需要说明的是，碳配额D碳排放主体预测例如可以通过如下任意一种方式计算得到，本申请对此不做限定：
第一，历史排放法，可以通过历史平均配额量直接算得碳排放主体全年的碳配额量D，Di为碳排放主体中任一碳排放源的碳配额量：
通过上述方法可以得到每个碳排放主体的任一碳排放源(或者核算范围内的任一碳排放源)的碳配额量，则对每个碳排放主体的所有碳排放源的碳配额量进行累加，即可得到碳排放主体全年的碳配额量D：
第二，历史强度下降法，通过预测时段内的产品产量Q，计算得到预测时段的碳排放主体的碳配额D,Di为碳排放主体中任一碳排放源的碳配额量：
Di＝Qi*Si历史平均*下降系数；其中，i大于等于1，下降系数可以根据地方或者国家发布的下降系数设置；
Qi为该碳排放源对应的产品产量，可以通过该碳排放源的生产计划获取；
Si历史平均为该碳排放源对应的碳排放强度的历史平均值：
Si历史平均＝Ei历史/Qi历史；其中，Ei历史为该碳排放源对应的预设历史时间段的历史碳排放量；Qi历史为该碳排放源对应的预设历史时间段的产品产量；
Ei可以通过如下方式计算：
Ei＝Fi+Gi+Ri-Ci；
其中，Fi为碳排放源的燃料燃烧排放量；
Gi为碳排放源的工业过程排放量；
Ri为碳排放源的净电净热排放量；
Gi为碳排放源的CO2回收利用量。
第三，基准线法，通过预测时段内的产品产量Q，计算得到预测时段的企业碳配额D，Di为碳排放主体中任一碳排放源的碳配额量：
Di＝Qi*基准值；其中，基准值可以根据地方或者国家发布的基准值设置；
上述仅为示例说明，在实际实现中，还可以有其他的碳配额计算方式，本申请对此不做限定。
由此，本申请提供了一种从碳排放建模、核算到数据深化应用的碳配额盈缺预测方法。
下述对用以执行本申请所提供的碳配额盈缺预测装置、电子设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
本申请实施例提供一种碳配额盈缺预测装置的可能实现示例，能够执行上述实施例提供的碳配额盈缺预测方法。图8为本申请一实施例提供的一种碳配额盈缺预测装置的示意图。如图8所示，上述碳配额盈缺预测装置100，包括：碳排放强度基准值获取模块81，预测参数获取模块83，确定模块85，预测模块87；
碳排放强度基准值获取模块81，用于获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；
预测参数获取模块83，用于获取每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；
确定模块85，用于根据预设工况变量的预测参数，从至少一个预设工况区间中确定目标工况区间；
预测模块87，用于根据目标工况区间的碳排放基准值以及生产计划，对碳排放主体进行碳配额盈缺预测，得到碳排放主体在未来时段内的碳配额盈缺预测量。
可选的，碳排放强度基准值获取模块81，用于根据每个碳排放源在每个预设工况区间的历史碳排放数据，计算每个预设工况区间的碳排放强度基准值。
可选的，碳配额盈缺预测装置100，还包括：计算模块，用于根据每个碳排放源在预设历史时段内的历史碳排放数据，对每个碳排放源在预设历史时段内预设工况变量的实际参数进行分类，得到至少一个预设工况区间。
可选的，计算模块，用于对历史碳排放数据，以及预设历史时段内至少一个工况变量的实际参数进行相关性分析，得到至少一个工况变量的碳排放相关度；根据至少一个工况变量的碳排放相关度，从至少一个工况变量中确定碳排放相关度最高的工况变量作为预设工况变量。
可选的，预测参数包括：生产负荷率；预测模块87，用于根据生产计划，确定预设未来时段的生产负荷率。
可选的，预测参数还包括：生产过程状态参数；预测模块87，用于从每个碳排放源的历史同期数据或者预设未来时段的预测数据库中，获取预设未来时段内的生产过程状态参数。
可选的，预测模块87，用于根据目标工况区间的碳排放基准值以及生产计划，预测未来时段内每个碳排放源的碳排放预测量；根据碳排放主体中各碳排放源的碳排放预测量，确定未来时段内碳排放主体的碳排放预测量；根据碳排放主体的碳排放预测量以及碳排放主体的碳排放配额量，确定碳排放主体在未来时段内的碳配额盈缺预测量。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本申请实施例提供一种电子设备的可能实现示例，能够执行上述实施例提供的碳配额盈缺预测方法。图9为本申请实施例提供的一种电子设备的示意图，该设备可以集成于终端设备或者终端设备的芯片，该终端可以是具备数据处理功能的计算设备。
该电子设备包括：处理器901、存储介质902和总线，存储介质存储有处理器可执行的程序指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行程序指令，以执行时执行上述碳配额盈缺预测方法的步骤。具体实现方式和技术效果类似，这里不再赘述。
本申请实施例提供一种计算机可读存储介质的可能实现示例，能够执行上述实施例提供的碳配额盈缺预测方法，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述碳配额盈缺预测方法的步骤。
存储在一个存储介质中的计算机程序，可以包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read- Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种碳配额盈缺预测方法，其特征在于，所述方法包括：
获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；
获取所述每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；
根据所述预设工况变量的预测参数，从所述至少一个预设工况区间中确定目标工况区间；
根据所述目标工况区间的碳排放基准值以及所述生产计划，对所述碳排放主体进行碳配额盈缺预测，得到所述碳排放主体在所述未来时段内的碳配额盈缺预测量。
2.如权利要求1所述的方法，其特征在于，所述获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值，包括：
根据所述每个碳排放源在每个预设工况区间的历史碳排放数据，计算所述每个预设工况区间的碳排放强度基准值。
3.如权利要求1所述的方法，其特征在于，所述获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值之前，所述方法还包括：
根据所述每个碳排放源在预设历史时段内的历史碳排放数据，对所述每个碳排放源在所述预设历史时段内所述预设工况变量的实际参数进行分类，得到所述至少一个预设工况区间。
4.如权利要求3所述的方法，其特征在于，所述根据所述每个碳排放源在预设历史时段内的历史碳排放数据，对所述每个碳排放源在所述预设历史时段内所述预设工况变量的实际参数进行分类，得到所述至少一个预设工况区间之前，所述方法还包括：
对所述历史碳排放数据，以及所述预设历史时段内至少一个工况变量的实际参数进行相关性分析，得到所述至少一个工况变量的碳排放相关度；
根据所述至少一个工况变量的碳排放相关度，从所述至少一个工况变量中确定碳排放相关度最高的工况变量作为所述预设工况变量。
5.如权利要求1所述的方法，其特征在于，所述预测参数包括：生产负荷率；所述获取所述每个碳排放源在预设未来时段内的预设工况变量的预测参数，包括：
根据所述生产计划，确定所述预设未来时段的生产负荷率。
6.如权利要求1所述的方法，其特征在于，所述预测参数还包括：生产过程状态参数；所述获取所述每个碳排放源在预设未来时段内的预设工况变量的预测参数，包括：
从所述每个碳排放源的历史同期数据或者所述预设未来时段的预测数据库中，获取所述预设未来时段内的所述生产过程状态参数。
7.如权利要求1所述的方法，其特征在于，所述根据所述目标工况区间的碳排放基准值以及所述生产计划，对所述碳排放主体进行碳配额盈缺预测，得到所述碳排放主体在所述未来时段内的碳配额盈缺预测量，包括：
根据所述目标工况区间的碳排放基准值以及所述生产计划，预测所述未来时段内所述每个碳排放源的碳排放预测量；
根据所述碳排放主体中各碳排放源的碳排放预测量，确定所述未来时段内所述碳排放主体的碳排放预测量；
根据所述碳排放主体的碳排放预测量以及所述碳排放主体的碳排放配额量，确定所述碳排放主体在所述未来时段内的碳配额盈缺预测量。
8.一种碳配额盈缺预测装置，其特征在于，包括：碳排放强度基准值获取模块，预测参数获取模块，确定模块，预测模块；
所述碳排放强度基准值获取模块，用于获取待预测的碳排放主体中每个碳排放源在至少一个预设工况区间的碳排放强度基准值；每个预设工况区间对应预设工况变量的一个参数范围；
所述预测参数获取模块，用于获取所述每个碳排放源在预设未来时段内的生产计划以及预设工况变量的预测参数；
所述确定模块，用于根据所述预设工况变量的预测参数，从所述至少一个预设工况区间中确定目标工况区间；
所述预测模块，用于根据所述目标工况区间的碳排放基准值以及所述生产计划，对所述碳排放主体进行碳配额盈缺预测，得到所述碳排放主体在所述未来时段内的碳配额盈缺预测量。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如权利要求1至7任一所述的碳配额盈缺预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的碳配额盈缺预测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210772741.6A CN115169678A (zh) | 2022-06-30 | 2022-06-30 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
| PCT/CN2022/136032 WO2024001045A1 (zh) | 2022-06-30 | 2022-12-01 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210772741.6A CN115169678A (zh) | 2022-06-30 | 2022-06-30 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169678A true CN115169678A (zh) | 2022-10-11 |
Family
ID=83488680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210772741.6A Pending CN115169678A (zh) | 2022-06-30 | 2022-06-30 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115169678A (zh) |
| WO (1) | WO2024001045A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592524A (zh) * | 2021-06-04 | 2021-11-02 | 国电南瑞科技股份有限公司 | 基于微观机组参数的碳市场基本供需确定方法及系统 |
| WO2024001045A1 (zh) * | 2022-06-30 | 2024-01-04 | 浙江中控技术股份有限公司 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898873A (zh) * | 2020-07-10 | 2020-11-06 | 贵州万峰电力股份有限公司 | 一种集团公司碳排放预警信息系统及其预警方法 |
| US11328361B2 (en) * | 2020-10-01 | 2022-05-10 | Morgan Stanley Services Group Inc. | System and method for carbon emissions exposure determination |
| 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 |
| CN114139764A (zh) * | 2021-10-18 | 2022-03-04 | 阿里云计算有限公司 | 钢铁行业碳排放量预测方法、平台、计算设备及介质 |
| 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 |
| CN115169678A (zh) * | 2022-06-30 | 2022-10-11 | 浙江中控技术股份有限公司 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
-
2022
- 2022-06-30 CN CN202210772741.6A patent/CN115169678A/zh active Pending
- 2022-12-01 WO PCT/CN2022/136032 patent/WO2024001045A1/zh unknown
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592524A (zh) * | 2021-06-04 | 2021-11-02 | 国电南瑞科技股份有限公司 | 基于微观机组参数的碳市场基本供需确定方法及系统 |
| CN113592524B (zh) * | 2021-06-04 | 2024-03-22 | 国电南瑞科技股份有限公司 | 基于微观机组参数的碳市场基本供需确定方法及系统 |
| WO2024001045A1 (zh) * | 2022-06-30 | 2024-01-04 | 浙江中控技术股份有限公司 | 碳配额盈缺预测方法、装置电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024001045A1 (zh) | 2024-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115169678A (zh) | 碳配额盈缺预测方法、装置电子设备及存储介质 | |
| US7729932B2 (en) | Project assessment system and method | |
| US20050065863A1 (en) | Dynamic cost accounting | |
| US20070203810A1 (en) | Supply chain modeling method and system | |
| US20130238379A1 (en) | Multi-dimensional life cycle project execution system | |
| CN110610382A (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
| CN115668267A (zh) | 信息处理装置、信息处理方法以及程序 | |
| Caprace et al. | Towards a short time “feature-based costing” for ship design | |
| Maghrebi et al. | Predicting the duration of concrete operations via artificial neural network and by focusing on supply chain parameters | |
| JP2008021020A (ja) | 販売計画作成支援システム | |
| CN113780913B (zh) | 一种安全库存信息的生成方法和装置 | |
| Eversheim et al. | Design-to-cost for production systems | |
| CN111353797B (zh) | 资源分配方法、装置以及电子设备 | |
| Alzebdeh et al. | Cost estimation practices prevalent in construction projects in Oman | |
| WO2013061324A2 (en) | A method for estimating the total cost of ownership (tcp) for a requirement | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CN115640876A (zh) | 一种基于改进stirpat模型的电力能源碳排放预测方法 | |
| Tarasova et al. | Simulation-based improvement in the models for tool-inventory management at manufacturing plants | |
| Mundra et al. | System Dynamics for Simulation Model of Material Cost in Water Recources Project | |
| Nesterov et al. | Methodology for the technical and economic analysis of a product at the projection stage | |
| CN112488352A (zh) | 一种基于梯度提升回归的房价区间预测方法及系统 | |
| CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
| Kiran et al. | Automation of Best-Fit Model Selection using a Bag of Machine Learning Libraries for Sales Forecasting | |
| Mirsalih et al. | CHOICE OF THE OPTIMUM FORECASTING MODEL IN DIFFERENT VALUE OF INITIAL INFORMATION | |
| Marchuk | Modeling of economic assessment of intellectual potential at machine-building enterprises of Ukraine |
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 |