CN115600840A - 用户群体碳排放动态画像模型构建方法、装置及设备 - Google Patents

用户群体碳排放动态画像模型构建方法、装置及设备 Download PDF

Info

Publication number
CN115600840A
CN115600840A CN202211566589.2A CN202211566589A CN115600840A CN 115600840 A CN115600840 A CN 115600840A CN 202211566589 A CN202211566589 A CN 202211566589A CN 115600840 A CN115600840 A CN 115600840A
Authority
CN
China
Prior art keywords
carbon emission
energy
user group
information
carbon
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
Application number
CN202211566589.2A
Other languages
English (en)
Inventor
周悦
黄彦璐
马溪原
林振福
陈炎森
胡旭东
程凯
李卓环
包涛
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202211566589.2A priority Critical patent/CN115600840A/zh
Publication of CN115600840A publication Critical patent/CN115600840A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • G06Q50/06—Energy or water supply
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种用户群体碳排放动态画像模型构建方法、装置及设备。该方法包括：获取用户群体的能源基础信息，通过能源基础信息进行信息筛选确定能源特征信息，基于能源特征信息确定碳画像标签信息，并对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。采用上述方法构建用户群体的碳排放动态画像模型，能够形象直观地描述目标时间段内用户群体的碳排放特征以及能源使用效率，以为用户群体的碳排放控排提供参考依据；另外，可以分析用户群体对能源产业和服务的多元化、差异化和个性化需求，得到准确性较高的用户群体的碳排放动态画像模型，进一步能够基于碳排放动态画像模型提高对用户群体的碳排放控排的效果。

Description

用户群体碳排放动态画像模型构建方法、装置及设备
技术领域
本申请涉及能源消费技术领域，特别是涉及一种用户群体碳排放动态画像模型构建方法、装置及设备。
背景技术
随着大数据时代的到来，需要利用数据进行分析的场景越来越多。例如，营销场景、风控场景、用电场景、能源管理场景、碳排放场景等等。
以碳排放场景为例，在对一些用户群体（如行业或者企业）的碳排放情况进行分析时，可以通过构建行业全景碳画像或者企业碳画像，以描述用户群体碳排放的显著特征，为用户群体实现精准化降低碳减排，提升用能用电效率提供帮助。
然而，相关技术缺乏一种针对碳排放场景构建用户群体碳排放动态画像模型的方案。
发明内容
基于此，有必要针对上述技术问题，提供一种用户群体碳排放动态画像模型构建方法、装置及计算机设备。
第一方面，本申请实施例提供了一种用户群体碳排放动态画像模型构建方法，该方法包括：
获取用户群体的能源基础信息；能源基础信息包括能源的消耗数据与产出数据；
通过能源基础信息进行信息筛选，确定能源特征信息；信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
基于能源特征信息，确定碳画像标签信息；
对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。
在其中一个实施例中，通过能源基础信息进行信息筛选，确定能源特征信息，包括：
对能源基础信息进行预处理，得到目标能源基础信息；预处理包括降噪、清洗和类型提取中的至少一个；
根据目标能源基础信息，确定能源特征信息。
在其中一个实施例中，目标能源基础信息包括目标能效信息和目标碳效信息，能源特征信息包括能效特征信息和碳效特征信息；根据目标能源基础信息，确定能源特征信息，包括：
从目标能效信息中筛选出对标签化处理有效的能效特征信息；
从目标碳效信息中筛选出对标签化处理有效的碳效特征信息。
在其中一个实施例中，基于能源特征信息确定碳画像标签信息，包括：
根据能源特征信息，确定用户群体的碳排放总量和用户群体的总产出量；
基于用户群体的碳排放总量和用户群体的总产出量进行标签化处理，得到碳画像标签信息。
在其中一个实施例中，碳画像标签信息包括至少一个碳排放相关指标，碳排放相关指标包括直接碳排放系数、完全碳排放系数、直接碳排放量和完全碳排放量；基于用户群体的碳排放总量和用户群体的总产出量进行标签化处理，得到碳画像标签信息，包括下述步骤中的至少一个：
根据用户群体的碳排放总量和总产出，确定用户群体的直接碳排放系数；
根据用户群体的直接碳排放系数和生成消费的衡量指标，确定用户群体的完全碳排放系数；
根据用户群体的直接碳排放系数和产品消费指标，确定用户群体的直接减排量；
根据用户群体的完全碳排放系数和产品消费指标，确定用户群体的完全减排量。
在其中一个实施例中，碳排放相关指标还包括碳减排潜力衡量指标；上述方法还包括：
根据能源特征信息，确定用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出；
通过用户群体的碳排放强度、人均碳排放量和人均总产出，确定用户群体的碳减排潜力衡量指标。
在其中一个实施例中，对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型，包括：
根据目标时间段内碳画像标签信息中不同碳排放相关指标，确定目标时间段内用户群体的碳排放量和能源使用效率；
通过目标时间段内用户群体的碳排放量和能源使用效率，构建目标时间段内用户群体的碳排放动态画像模型。
在其中一个实施例中，上述方法还包括：
通过碳排放动态画像模型进行处理，确定碳排放控制策略；处理包括特征识别、监视和预警中的至少一个，碳排放控制策略用于指示对用户群体的碳排放量控排。
第二方面，本申请实施例提供了一种用户群体碳排放动态画像模型构建装置，该装置包括：
基础信息获取模块，用于获取用户群体的能源基础信息；能源基础信息包括能源的消耗数据与产出数据；
特征信息确定模块，用于通过能源基础信息进行信息筛选，确定能源特征信息；信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
标签信息确定模块，用于基于能源特征信息，确定碳画像标签信息；
分析模块，用于对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。
第三方面，本申请实施例还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面中任一实施例的方法的步骤。
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，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面中任一实施例的方法的步骤。
第五方面，本申请实施例还提供了一种计算机程序产品，计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例的方法的步骤。
本申请实施例提供的用户群体碳排放动态画像模型构建方法、装置及计算机设备，可以获取用户群体的能源基础信息，通过能源基础信息进行信息筛选确定能源特征信息，基于能源特征信息确定碳画像标签信息，并对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。采用上述方法可以构建目标时间段内用户群体的碳排放动态画像模型，通过碳排放动态画像模型能够形象直观地描述预设时间段内用户群体的碳排放特征以及能源使用效率，以为用户群体的碳排放控排提供参考依据；同时，该方法可以分析用户群体对能源产业和服务的多元化、差异化和个性化需求，从而得到准确性较高的用户群体的碳排放动态画像模型，进一步能够基于碳排放动态画像模型提高对用户群体的碳排放控排的效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中用户群体碳排放动态画像模型构建方法的流程示意图；
图3为另一个实施例中用户群体碳排放动态画像模型构建方法的流程示意图；
图4为另一个实施例中用户群体碳排放动态画像模型构建方法的流程示意图；
图5为另一个实施例中用户群体碳排放动态画像模型构建方法的流程示意图；
图6为另一个实施例中用户群体碳排放动态画像模型构建方法的流程示意图；
图7为另一个实施例中用户群体碳排放动态画像模型构建方法的流程示意图；
图8为一个实施例中用户群体碳排放动态画像模型构建装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在处理分析领域，需要利用数据进行分析的场景越来越多。例如，营销场景、风控场景、用电场景、能源管理场景、碳排放场景等等。以碳排放场景为例，在对一些用户群体（如行业或者企业）的碳排放、碳中和、碳达峰等情况进行分析时，可以通过构建行业全景碳画像或者企业碳画像，以描述行业或者企业碳排放的显著特征和能源使用偏好，从而为降低碳排放量，实现碳中和以及提高能源利用率做依据。然而，相关技术缺乏一种针对碳排放场景构建用户群体碳排放动态画像模型的方案。基于此，本申请实施例提供了一种用户群体碳排放动态画像模型构建方法。
上述用户群体碳排放动态画像模型构建方法，可以适用于图1所示的计算机设备，该计算机设备可以为电网的调度自动化系统中的数据处理设备；该计算机设备可以但不限于是独立的服务器或者是由多个服务器组成的服务器集群来实现，本实施例对服务器的具体形式不做限定。下述实施例中将具体介绍用户群体碳排放动态画像模型构建方法的具体过程，并且以执行主体为计算机设备来介绍用户群体碳排放动态画像模型构建方法的具体过程。
如图2所示为本申请实施例提供的一种用户群体碳排放动态画像模型构建方法的流程示意图，该方法可以通过以下步骤实现：
S100、获取用户群体的能源基础信息。其中，能源基础信息包括能源的消耗数据与产出数据。
具体地，上述用户群体可以包括多个用户，该用户群体可以为政府、园区、街道、企业、行业等等。可选地，上述用户群体的能源基础信息可以存储在本地、云端或者硬盘等位置。其中，计算机设备可以从本地、云端或者硬盘等位置获取用户群体的能源基础信息。在本申请实施例中，能源基础信息包括能源的消耗数据与产出数据。
例如，用户群体为行业时，该能源基础信息可以包括不同时间维度上的用能购电数据、各类电源上网电量、发电碳排量、电力供需平衡、可再生能源资源可开发量、可再生能源碳排放量时间分布、单位国内生产总值GDP所需的能耗、发电机组成本、机组年建设能力、碳排放限额、燃料价格和燃料供应量等等。可选地，碳排放可以指温室气体的排放，包括二氧化碳（CO2）、甲烷（CH4）、氢氟碳化物（HFCs）、全氟化碳（PFCs）、六氟化硫（SF6）和三氟化氮（NF3）等。控。
在实际应用中，为了提高构建出的碳排放动态画像模型的准确性，针对行业而言，能源基础信息还可以包括发电机组启停过程、发电机组爬坡速度、发电机组变负荷特性和发电机组结构等等可再生能源所需设备的属性信息，另外，能源基础信息还可以包括电力行业发展政策目标。同时，能源基础信息中还携带能源基础信息对应的区域标识ID、位置信息（如，省、城和乡等等）、用户群体的名称、不同时间维度的时间标识ID。可选地，时间维度可以为年度、月度、日、小时等维度。
又例如，用户群体为企业时，该能源基础信息可以包括不同时间维度上的企业产品全年产量、单位产品综合能耗、单位产值综合能耗等等。在实际应用中，为了提高构建出的碳画像的准确性，能源基础信息中还携带能源基础信息对应的区域标识ID、位置信息（如，省、城和乡等等）、用户群体的名称和不同时间维度的时间标识ID。
在本申请实施例中，是以用电相关的数据为例对能源基础信息进行说明的，除此之外，能源基础信息还可以包括用气、用水、用热、用煤、用油等相关的数据。
S200、通过能源基础信息进行信息筛选，确定能源特征信息。其中，信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息。
具体地，计算机设备可以对前文步骤获取到的用户群体的能源基础信息进行信息筛选，得到能源特征信息。
一实施例中，对能源基础信息进行信息筛选得到能源特征信息的方式可以是预先训练一个算法模型，然后将用户群体的能源基础信息输入至算法模型中，该算法模型输出用户群体的能源特征信息。
又一实施例中，对能源基础信息进行信息筛选得到能源特征信息的方式还可以是采用特征提取算法对能源基础信息进行信息筛选，得到用户群体的能源特征信息。可选地，特征提取算法可以为局部二值模式法、基于深度学习的特征提取算法和/或聚类算法等等。
S300、基于能源特征信息，确定碳画像标签信息。
具体地，计算机设备可以基于神经网络模型的算法对用户群体的能源特征信息进行转换处理，得到碳画像标签信息。可选地，上述神经网络模型可以是由卷积神经网络模型、循环神经网络模型、径向基神经网络模型、线性神经网络模型、感知器神经网络模型和反馈神经网络模型等中的至少一种。
这里需要说明的是，碳画像标签信息与能源特征信息对应的表达对象不同，其中，能源特征信息可以理解为表达能源的特征信息，碳画像标签信息可以表征有助于生成碳排放动态画像模型所需的基础特征信息。
S400、对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。
其中，计算机设备可以采用大数据技术对碳画像标签信息进行分析，得到目标时间段内用户群体的碳排放动态画像模型。在本申请实施例中，目标时间段内用户群体的碳排放动态画像模型可以包括目标时间段内不同时刻用户群体对应的碳排放画像模型。
可选地，碳排放动态画像模型可以用可视化的形式展现，能够从多视角呈现目标时间段内用户群体的碳排放特征以及能源使用效率。可选地，上述大数据技术可以为基于大数据分析计算引擎（如Spark）或基于分布式处理引擎和框架（如Flink）的数据分析和处理方法，但在本申请实施例中，上述大数据技术为基于分布式存储和分布式计算功能的基础架构（如Hadoop架构）的数据分析和处理方法。可选地，分析的方法可以包括聚类算法和/或相关性算法。可选地，上述聚类算法可以为k均值聚类算法、用于统计学习的支持向量机SVM算法或朴素贝叶斯算法；上述相关性算法可以为相关性、平均值、标准差、相关系数、回归线和/或最小二乘法。
这里需要说明的是，上述k均值聚类算法可以是一种迭代求解的聚类分析算法；在处理过程中，若预计将碳画像标签信息分为K组时，可以随机从碳画像标签信息中选取K个对象作为初始聚类中心，然后计算每个碳画像标签信息与各初始聚类中心之间的距离，之后把各碳画像标签信息分配给距离它最近的聚类中心。可选地，上述SVM可以是一类按监督学习方式对碳画像标签信息进行二元分类的广义线性分类器。其中，上述朴素贝叶斯算法是一种基于贝叶斯定理和特征条件独立假设的分类方法。
示例性地，若需要构建目标时间段内一企业的碳排放动态画像模型，则碳排放动态画像模型可以表征目标时间段内该企业的碳排放特征和用户能源使用偏好，其中，用户能源使用偏好表示该企业内所有用户在目标时间段内所用能源的类型；碳排放特征表示该企业内所有用户在目标时间段内的能源使用结构和碳排放总量。
本申请实施例中的技术方案，可以获取用户群体的能源基础信息，通过能源基础信息进行信息筛选确定能源特征信息，基于能源特征信息确定碳画像标签信息，并对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。采用上述方法可以构建用户群体的碳排放动态画像模型，通过碳排放动态画像模型能够形象直观地描述目标时间段内用户群体的碳排放特征以及能源使用效率，以为用户群体的碳排放控排提供参考依据；同时，该方法可以分析用户群体对能源产业和服务的多元化、差异化和个性化需求，从而得到准确性较高的用户群体的碳排放动态画像模型，进一步能够基于碳排放动态画像模型提高对用户群体的碳排放控排的效果。
下面对上述通过能源基础信息进行信息筛选确定能源特征信息的过程进行说明。在一实施例中，如图3所示，上述S200中的步骤，可以通过以下方式实现：
S210、对能源基础信息进行预处理，得到目标能源基础信息。其中，预处理包括降噪、清洗和类型提取中的至少一个。
这里需要说明的是，为了得到准确度较高的能源特征信息，以提高碳排放动态画像模型的精准度，计算机设备可以对能源基础信息进行预处理，得到目标能源基础信息。
可选地，上述预处理可以包括归一化处理、数据变换和/或格式转换等等。但在本申请实施例中，上述预处理包括降噪、清洗和类型提取中的至少一个。
其中，上述降噪可以理解为对能源基础信息中的噪声点进行拟制或消除的过程；上述清洗可以理解为通过填写缺失信息、光滑噪声信息、识别或删除离群点来解决信息不一致性，以达到格式标准化、异常信息清除、错误纠正、重复信息清除的过程；上述类型提取可以理解为对能源基础信息中的特定类型信息进行提取的过程。
在本申请实施例中，对能源基础信息进行降噪的方式可以是采用均值滤波、小波变换和/或奇异值分解等算法对能源基础信息进行降噪；对能源基础信息进行清洗的方式可以是采用分箱法、聚类法和/或回归法对能源基础信息进行清洗；对能源基础信息进行类型提取的方式可以是采用聚类算法对能源基础信息进行特定类型提取。
S220、根据目标能源基础信息，确定能源特征信息。
基于前文步骤获取到的用户群体的目标能源基础信息进行特征计算，得到用户群体的能源特征信息。
其中，目标能源基础信息包括目标能效信息和目标碳效信息，能源特征信息包括能效特征信息和碳效特征信息；其中，上述S220中根据目标能源基础信息确定能源特征信息的步骤，可以包括：从目标能效信息中筛选出对标签化处理有效的能效特征信息；从目标碳效信息中筛选出对标签化处理有效的碳效特征信息。
在实际应用中，并不是所有能源特征信息对标签化处理均有帮助，为了减少数据处理量，加快运算效率，可以对能源特征信息中的目标能效信息进行对比处理和/或分类处理，以从目标能效信息中筛选出对标签化处理有效的能效特征信息，同时，对可以对能源特征信息中的目标碳效信息进行对比处理和/或分类处理，以从目标碳效信息中筛选出对标签化处理有效的碳效特征信息。
本申请实施例中的技术方案，可以对能源基础信息进行预处理得到目标能源基础信息，进一步基于目标能源基础信息确定准确度较高的能源特征信息，在此基础上，进一步可以确定出精准度较高的碳排放动态画像模型。
下面对上述基于能源特征信息确定碳画像标签信息的过程进行说明。在一实施例中，如图4所示，上述S300中的步骤，可以通过以下方式实现：
S310、根据能源特征信息，确定用户群体的碳排放总量和用户群体的总产出量。
具体地，计算机设备可以对用户群体的能源特征信息进行处理，得到用户群体的碳排放总量和用户群体的总产出量。
S320、基于用户群体的碳排放总量和用户群体的总产出量进行标签化处理，得到碳画像标签信息。
进一步，计算机设备可以对用户群体的碳排放总量和用户群体的总产出量进行算术运算，得到碳画像标签信息。可选地，上述算术运算可以包括加法运算、减法运算、乘法运算、除法运算、指数运算、对数运算和求平均运算等等中的至少一种。
本申请实施例中的技术方案，可以根据能源特征信息，确定用户群体的碳排放总量和用户群体的总产出量，并基于用户群体的碳排放总量和用户群体的总产出量进行标签化处理，得到碳画像标签信息；该方法可以通过用户群体的能源特征信息计算碳画像标签信息，使得确定碳画像标签信息的方式比较简单，并且确定过程不需要手动参与，从而能够提高确定的碳画像标签信息的准确性，并且通过确定的碳画像标签信息为构建用户群体的碳排放动态画像模型做准备，还能够提高构建的用户群体的碳排放动态画像模型的准确性。
下面对上述基于用户群体的碳排放总量和用户群体的总产出量进行标签化处理，得到碳画像标签信息的过程进行说明。在一实施例中，碳画像标签信息包括至少一个碳排放相关指标，碳排放相关指标包括直接碳排放系数、完全碳排放系数、直接碳排放量和完全碳排放量；如图5所示，上述S320中的步骤，可以通过以下至少一个步骤实现：
S321、根据用户群体的碳排放总量和用户群体的总产出，确定用户群体的直接碳排放系数。
具体地，计算机设备可以对用户群体的碳排放总量和用户群体的总产出进行算术运算，得到用户群体的直接碳排放系数。
在本申请实施例中，计算机设备通过用户群体的碳排放总量除以用户群体的总产出，得到用户群体的直接碳排放系数。可选地，用户群体的总产出可以表征用户群体的国内生产总值。
S322、根据用户群体的直接碳排放系数和生成消费的衡量指标，确定用户群体的完全碳排放系数。
具体地，计算机设备可以对用户群体的直接碳排放系数和用户群体的生成消费的衡量指标进行算术运算，得到用户群体的完全碳排放系数。在本申请实施例中，计算机设备通过用户群体的直接碳排放系数乘以用户群体的生成消费的衡量指标，得到用户群体的完全碳排放系数。可选地，用户群体的生成消费的衡量指标可以表征用户群体生产消费的经济指标，在本申请实施例中，用户群体的生成消费的衡量指标可以通过用户群体产品的里昂惕夫逆矩阵，这里的用户群体产品可以包括用户群体的硬件设备。
S323、根据用户群体的直接碳排放系数和产品消费指标，确定用户群体的直接减排量。
具体地，计算机设备可以对用户群体的直接碳排放系数和产品消费指标进行算术运算，得到用户群体的直接减排量。在本申请实施例中，计算机设备通过用户群体的直接碳排放系数乘以用户群体的产品消费指标，得到用户群体的直接减排量。可选地，上述用户群体的产品消费指标可以理解为用户群体的产品需求。
S324、根据用户群体的完全碳排放系数和产品消费指标，确定用户群体的完全减排量。
具体地，计算机设备可以对用户群体的完全碳排放系数和用户群体的产品消费指标进行算术运算，得到用户群体的完全减排量。在本申请实施例中，计算机设备通过用户群体的完全碳排放系数乘以用户群体的产品消费指标，得到用户群体的完全减排量。
在本申请实施例中，可以根据碳画像标签信息中包括的对应碳排放相关指标，确定执行上述S321-S324中的至少一个步骤，但是，图5是以上述S320中的步骤包括步骤S321-S324为例示意的。这里需要说明的是，上述S321-S324中的步骤可以理解为一套计算碳画像标签信息的算法模型。
本申请实施例中的技术方案，可以根据用户群体的碳排放总量和用户群体的总产出，确定用户群体的直接碳排放系数，根据用户群体的直接碳排放系数和生成消费的衡量指标，确定用户群体的完全碳排放系数，根据用户群体的直接碳排放系数和产品消费指标，确定用户群体的直接减排量，并根据用户群体的完全碳排放系数和产品消费指标，确定用户群体的完全减排量；该方法可以基于一套算法模型，通过用户群体的碳排放总量和用户群体的总产出量，计算出至少一个碳排放相关指标，从而使得碳画像标签信息的获取方式简单化，并且不需要手动参与，从而能够提高确定的碳画像标签信息的准确性，并且进一步以碳画像标签信息为构建目标时间段内用户群体的碳排放动态画像模型提供参考依据，还能够提高构建的碳排放动态画像模型的准确性。
在其中一个实施例中，碳排放相关指标还包括碳减排潜力衡量指标；如图6所示，上述方法还包括：
S325、根据能源特征信息，确定用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出。
具体地，计算机设备可以通过用户群体的能源特征信息，计算用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出。可选地，人均总产出可以为人均国内生产总值。
例如，通过用户群体的能源特征信息，计算用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出的方式可以是预先训练一种算法模型，然后将用户群体的能源特征信息输入至算法模型中，该算法模型输出用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出；这里的算法模型可以为基于神经网络的算法模型，还可以为指标计算的特定算法模型。
在实际应用中，由于用户群体的能源特征信息包括较多类型的数据，在计算用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出时，并不是能源特征信息中所有类型的数据均能用到，所以为了减少数据处理量和计算效率，计算机设备可以先从用户群体的能源特征信息中提取有效能源特征信息，然后将有效能源特征信息输入至算法模型中，该算法模型输出用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出。
其中，还可以根据用户群体的能源特征信息中的发电碳排量、可再生能源碳排放量时间分布、碳排放限额等与碳排放相关的数据，计算用户群体的碳排放强度和用户群体的人均碳排放量，同时，根据用户群体的能源特征信息中的单位国内生产总值GDP，计算人均总产出，这样能够极大程度上减少数据处理量和计算效率。
S326、通过用户群体的碳排放强度、人均碳排放量和人均总产出，确定用户群体的碳减排潜力衡量指标。
具体地，计算机设备可以对用户群体的碳排放强度、人均碳排放量和人均总产出进行算术运算，得到用户群体的碳减排潜力衡量指标。在本申请实施例中，可以通过下列公式（1）计算用户群体的碳减排潜力衡量指标，即：
a*A+b*B+（1-b）*C （1）；
其中，式（1）中a表示碳排放强度的比例参数，A表示用户群体的碳排放强度，b表示人均碳排放量的比例参数，B表示人均碳排放量，C表示人均总产出。可选地，上述a和b均可以为正值或者负值。这里需要说明的是，a为正值表示碳排放强度对碳减排潜力衡量指标的帮助比较大，a为负值表示碳排放强度对碳减排潜力衡量指标的帮助比较小；b为正值表示人均碳排放量对碳减排潜力衡量指标的帮助比较大，b为负值表示人均碳排放量对碳减排潜力衡量指标的帮助比较小。
本申请实施例中的技术方案，可以根据能源特征信息，确定用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出，并通过用户群体的碳排放强度、人均碳排放量和人均总产出，确定用户群体的碳减排潜力衡量指标，该方法可以基于一套算法模型来计算碳减排潜力衡量指标，基于碳减排潜力衡量指标确定碳画像标签信息，使得碳画像标签信息的获取方式简单化，并且不需要手动参与，从而能够提高确定的碳画像标签信息的准确性，并且进一步以碳画像标签信息为构建目标时间段内用户群体的碳排放动态画像模型提供参考依据，还能够提高构建的碳排放动态画像模型的准确性。
下面对上述对碳画像标签信息进行分析确定目标时间段内用户群体的碳排放动态画像模型的过程进行说明。在一实施例中，如图7所示，上述S400中的步骤，可以通过以下方式实现：
S410、根据目标时间段内碳画像标签信息中不同碳排放相关指标，确定目标时间段内用户群体的碳排放量和能源使用效率。
具体地，计算机设备可以获取目标时间段内用户群体的能源基础信息，然后采用上述方式计算目标时间段内用户群体的碳画像标签信息，进一步通过目标时间段内碳画像标签信息中的至少一个碳排放相关指标，确定用户群体内多种能源类型中每种能源类型的使用效率，然后根据能源使用效率确定目标时间段内用户群体的能源使用效率。
其中，可以将目标时间段内碳画像标签信息中的至少一个碳排放相关指标输入不同能源类型的使用效率计算模型中，然后得到目标时间段内各能源类型的使用效率。不同能源类型的使用效率计算模型可以为神经网络模型，还可以是普通的算法模型。
同时，上述根据能源使用效率确定目标时间段内用户群体的能源使用效率的方式可以是根据目标时间段内每种能源类型的权重系数和使用效率进行加权求和，得到目标时间段内用户群体的能源使用效率，还可以是对目标时间段内各能源类型的使用效率求平均，得到目标时间段内用户群体的能源使用效率。可选地，不同能源类型的权值系数可以是自定义确定的，还可以是根据历史实验数据确定的。
S420、通过目标时间段内用户群体的碳排放量和能源使用效率构建目标时间段内用户群体的碳排放动态画像模型。
具体地，计算机设备可以对目标时间段内用户群体的碳排放量和能源使用效率进行处理，构建目标时间段内用户群体的碳排放动态画像模型。
本申请实施例中的技术方案，可以对目标时间段内碳画像标签信息中不同碳排放相关指标进行相关性处理得到不同碳排放相关指标之间的相关性，以及对碳画像标签信息中不同碳排放相关指标的占比进行分析得到占比结果，然后基于各相关性和占比结果获取目标时间段内用户群体的碳排放动态画像模型；该方法不需要人工参与，从而能够提高碳排放动态画像模型构建的速度，还能够减少人工误差，提高碳排放动态画像模型的准确性，进一步为用户群体节能减排提供科学辅助。
在一实施例中，基于上述步骤之后，上述用户群体碳排放动态画像模型构建方法还可以包括：通过碳排放动态画像模型进行处理，确定碳排放控制策略。其中，处理包括特征识别、监视和预警中的至少一个，碳排放控制策略用于指示对用户群体的碳排放量控排。
具体地，计算机设备可以对目标时间段内用户群体的碳排放动态画像模型进行特征识别、监视和预警中的至少一个处理，得到用户群体的地理分布、用能特性、碳效指数和/或碳配额裕度等信息，然后基于这些信息确定目标时间段内碳排放控制策略，进一步根据碳排放控制策略对目标时间段内用户群体的碳排放量控排。
其中，上述特征识别可以理解为采用特征提取算法，对碳排放动态画像模型进行特征识别得到特征识别结果的过程，该特征提取算法可以基于形状的特征提取算法、局部二值模式、边缘特征提取算法、线性特征提取算法、中心特征提取算法和对角线特征提取算法等等。上述监视可以理解为实时对碳排放动态画像模型中的异常特征进行监测的过程。上述预警可以理解为在确定碳排放动态画像模型中出现异常特征时提醒用户群体需要对碳排放进行控排。
这里需要说明的是，只要执行特征识别、监视和预警中的至少一个处理，都能够确定出对应的碳排放控制策略。可选地，不同处理对应的碳排放控制策略可以相同，也可以不同；碳排放控制策略不同，也就是对用户群体的碳排放量控排程度不同。
本申请实施例中的技术方案，可以通过碳排放动态画像模型进行处理，确定碳排放控制策略，进一步根据碳排放控制策略对用户群体的碳排放量控排，从而使得用户群体节能减排，提升能源使用率，并且还能够减少空气污染；同时，该方法可以根据确定的碳排放控制策略可以提高能源相关服务的营销效率。
一种实施例中，本申请还提供一种用户群体碳排放动态画像模型构建方法，该方法包括以下过程：
（1）获取目标时间段内用户群体的能源基础信息；能源基础信息包括能源的消耗数据与产出数据。
（2）对能源基础信息进行预处理，得到目标能源基础信息；预处理包括降噪、清洗和类型提取中的至少一个；目标能源基础信息包括目标能效信息和目标碳效信息。
（3）从目标能效信息中筛选出对标签化处理有效的能效特征信息。
（4）从目标碳效信息中筛选出对标签化处理有效的碳效特征信息。
（5）根据能源特征信息，确定用户群体的碳排放总量和用户群体的总产出量。
（6）根据用户群体的碳排放总量和总产出，确定用户群体的直接碳排放系数。
（7）根据用户群体的直接碳排放系数和生成消费的衡量指标，确定用户群体的完全碳排放系数。
（8）根据用户群体的直接碳排放系数和产品消费指标，确定用户群体的直接减排量。
（9）根据用户群体的完全碳排放系数和产品消费指标，确定用户群体的完全减排量。
（10）根据能源特征信息，确定用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出。
（11）通过用户群体的碳排放强度、人均碳排放量和人均总产出，确定用户群体的碳减排潜力衡量指标。
（12）根据碳画像标签信息中不同碳排放相关指标，确定用户群体的碳排放量和能源使用效率。
（13）通过用户群体的碳排放量和能源使用效率构建目标时间段内用户群体的碳排放动态画像模型。
以上（1）至（13）中的执行过程具体可以参见上述实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的用户群体碳排放动态画像模型构建方法的用户群体碳排放动态画像模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个用户群体碳排放动态画像模型构建装置实施例中的具体限定可以参见上文中对于用户群体碳排放动态画像模型构建方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种用户群体碳排放动态画像模型构建装置，包括：基础信息获取模块11、特征信息确定模块12、标签信息确定模块13和分析模块14，其中：
基础信息获取模块11，用于获取用户群体的能源基础信息；能源基础信息包括能源的消耗数据与产出数据；
特征信息确定模块12，用于通过能源基础信息进行信息筛选，确定能源特征信息；信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
标签信息确定模块13，用于基于能源特征信息，确定碳画像标签信息；
分析模块14，用于对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，特征信息确定模块12包括：预处理单元和特征信息确定单元，其中：
预处理单元，用于对能源基础信息进行预处理，得到目标能源基础信息；预处理包括降噪、清洗和类型提取中的至少一个；
特征信息确定单元，用于根据目标能源基础信息，确定能源特征信息。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，目标能源基础信息包括目标能效信息和目标碳效信息，能源特征信息包括能效特征信息和碳效特征信息；特征信息确定单元具体用于：
从目标能效信息中筛选出对标签化处理有效的能效特征信息；
从目标碳效信息中筛选出对标签化处理有效的碳效特征信息。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，标签信息确定模块13包括：信息确定单元和标签化处理单元，其中：
信息确定单元，用于根据能源特征信息，确定用户群体的碳排放总量和用户群体的总产出量；
标签化处理单元，用于基于用户群体的碳排放总量和用户群体的总产出量进行标签化处理，得到碳画像标签信息。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，碳画像标签信息包括至少一个碳排放相关指标，碳排放相关指标包括直接碳排放系数、完全碳排放系数、直接碳排放量和完全碳排放量；标签化处理单元包括：第一系数确定子单元、第二系数确定子单元、第三系数确定子单元和第四系数确定子单元中的至少一个，其中：
第一系数确定子单元，用于根据用户群体的碳排放总量和总产出，确定用户群体的直接碳排放系数；
第二系数确定子单元，用于根据用户群体的直接碳排放系数和生成消费的衡量指标，确定用户群体的完全碳排放系数；
第三系数确定子单元，用于根据用户群体的直接碳排放系数和产品消费指标，确定用户群体的直接减排量；
第四系数确定子单元，用于根据用户群体的完全碳排放系数和产品消费指标，确定用户群体的完全减排量。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，碳排放相关指标还包括碳减排潜力衡量指标；标签化处理单元还包括：第五系数确定子单元，该第五系数确定子单元具体用于：
根据能源特征信息，确定用户群体的碳排放强度、用户群体的人均碳排放量和人均总产出；
通过用户群体的碳排放强度、人均碳排放量和人均总产出，确定用户群体的碳减排潜力衡量指标。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，分析模块14具体用于：
根据目标时间段内碳画像标签信息中不同碳排放相关指标，确定目标时间段内用户群体的碳排放量和能源使用效率；
通过目标时间段内用户群体的碳排放量和能源使用效率构建目标时间段内用户群体的碳排放动态画像模型。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，用户群体碳排放动态画像模型构建装置还包括处理模块，该处理模块具体用于：
通过碳排放动态画像模型进行处理，确定碳排放控制策略；处理包括特征识别、监视和预警中的至少一个，碳排放控制策略用于指示对用户群体的碳排放量控排。
本实施例提供的用户群体碳排放动态画像模型构建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于用户群体碳排放动态画像模型构建装置的具体限定可以参见上文中对于用户群体碳排放动态画像模型构建方法的限定，在此不再赘述。上述用户群体碳排放动态画像模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户群体的能源基础信息。该计算机设备的网络接口用于与外部的终点通过网络连接通信。该计算机程序被处理器执行时以实现一种用户群体碳排放动态画像模型构建方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取用户群体的能源基础信息；能源基础信息包括能源的消耗数据与产出数据；
通过能源基础信息进行信息筛选，确定能源特征信息；信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
基于能源特征信息，确定碳画像标签信息；
对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户群体的能源基础信息；能源基础信息包括能源的消耗数据与产出数据；
通过能源基础信息进行信息筛选，确定能源特征信息；信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
基于能源特征信息，确定碳画像标签信息；
对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取用户群体的能源基础信息；能源基础信息包括能源的消耗数据与产出数据；
通过能源基础信息进行信息筛选，确定能源特征信息；信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
基于能源特征信息，确定碳画像标签信息；
对碳画像标签信息进行分析，确定目标时间段内用户群体的碳排放动态画像模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种用户群体碳排放动态画像模型构建方法，其特征在于，所述方法包括：
获取用户群体的能源基础信息；所述能源基础信息包括能源的消耗数据与产出数据；
通过所述能源基础信息进行信息筛选，确定能源特征信息；所述信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
基于所述能源特征信息，确定碳画像标签信息；
对所述碳画像标签信息进行分析，确定目标时间段内所述用户群体的碳排放动态画像模型。
2.根据权利要求1所述的方法，其特征在于，所述通过所述能源基础信息进行信息筛选，确定能源特征信息，包括：
对所述能源基础信息进行预处理，得到目标能源基础信息；所述预处理包括降噪、清洗和类型提取中的至少一个；
根据所述目标能源基础信息，确定所述能源特征信息。
3.根据权利要求2所述的方法，其特征在于，所述目标能源基础信息包括目标能效信息和目标碳效信息，所述能源特征信息包括能效特征信息和碳效特征信息；所述根据所述目标能源基础信息，确定所述能源特征信息，包括：
从所述目标能效信息中筛选出对标签化处理有效的能效特征信息；
从所述目标碳效信息中筛选出对所述标签化处理有效的碳效特征信息。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述基于所述能源特征信息确定碳画像标签信息，包括：
根据所述能源特征信息，确定所述用户群体的碳排放总量和所述用户群体的总产出量；
基于所述用户群体的碳排放总量和所述用户群体的总产出量进行标签化处理，得到所述碳画像标签信息。
5.根据权利要求4所述的方法，其特征在于，所述碳画像标签信息包括至少一个碳排放相关指标，所述碳排放相关指标包括直接碳排放系数、完全碳排放系数、直接碳排放量和完全碳排放量；所述基于所述用户群体的碳排放总量和用户群体的总产出量进行标签化处理，得到所述碳画像标签信息，包括下述步骤中的至少一个：
根据所述用户群体的碳排放总量和总产出，确定所述用户群体的直接碳排放系数；
根据所述用户群体的直接碳排放系数和生成消费的衡量指标，确定所述用户群体的完全碳排放系数；
根据所述用户群体的直接碳排放系数和产品消费指标，确定所述用户群体的直接减排量；
根据所述用户群体的完全碳排放系数和产品消费指标，确定所述用户群体的完全减排量。
6.根据权利要求5所述的方法，其特征在于，所述碳排放相关指标还包括碳减排潜力衡量指标；所述方法还包括：
根据所述能源特征信息，确定所述用户群体的碳排放强度、所述用户群体的人均碳排放量和人均总产出；
通过所述用户群体的碳排放强度、人均碳排放量和人均总产出，确定所述用户群体的碳减排潜力衡量指标。
7.根据权利要求1-3中任一项所述的方法，其特征在于，所述对所述碳画像标签信息进行分析，确定目标时间段内所述用户群体的碳排放动态画像模型，包括：
根据所述目标时间段内碳画像标签信息中不同碳排放相关指标，确定所述目标时间段内所述用户群体的碳排放量和能源使用效率；
通过所述目标时间段内所述用户群体的碳排放量和所述能源使用效率，构建所述目标时间段内所述用户群体的碳排放动态画像模型。
8.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：
通过所述碳排放动态画像模型进行处理，确定碳排放控制策略；所述处理包括特征识别、监视和预警中的至少一个，所述碳排放控制策略用于指示对所述用户群体的碳排放量控排。
9.一种用户群体碳排放动态画像模型构建装置，其特征在于，所述装置包括：
基础信息获取模块，用于获取用户群体的能源基础信息；所述能源基础信息包括能源的消耗数据与产出数据；
特征信息确定模块，用于通过所述能源基础信息进行信息筛选，确定能源特征信息；所述信息筛选用于筛选出能够表达能源消耗和能源产出的特征信息；
标签信息确定模块，用于基于所述能源特征信息，确定碳画像标签信息；
分析模块，用于对所述碳画像标签信息进行分析，确定目标时间段内所述用户群体的碳排放动态画像模型。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的方法的步骤。
CN202211566589.2A 2022-12-07 2022-12-07 用户群体碳排放动态画像模型构建方法、装置及设备 Pending CN115600840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211566589.2A CN115600840A (zh) 2022-12-07 2022-12-07 用户群体碳排放动态画像模型构建方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211566589.2A CN115600840A (zh) 2022-12-07 2022-12-07 用户群体碳排放动态画像模型构建方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115600840A true CN115600840A (zh) 2023-01-13

Family

ID=84852475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211566589.2A Pending CN115600840A (zh) 2022-12-07 2022-12-07 用户群体碳排放动态画像模型构建方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115600840A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060596A (zh) * 2023-10-12 2023-11-14 国网甘肃省电力公司张掖供电公司 一种基于物联网的碳排放电力监测系统及方法
CN117556526A (zh) * 2024-01-12 2024-02-13 国网北京市电力公司 建筑碳画像的辨识方法、装置、存储介质和电子设备
CN118152830A (zh) * 2024-05-09 2024-06-07 国网山东省电力公司营销服务中心(计量中心) 一种基于均值聚类算法的用户碳排放特征画像方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062750A (zh) * 2019-12-13 2020-04-24 中国平安财产保险股份有限公司 用户画像标签建模和分析方法、装置、设备及存储介质
CN114330937A (zh) * 2022-03-15 2022-04-12 广东工业大学 一种隐含碳排放量核算方法、设备及存储介质
WO2022105111A1 (zh) * 2020-11-17 2022-05-27 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质
CN115062087A (zh) * 2022-07-01 2022-09-16 国网汇通金财（北京）信息科技有限公司 一种用户画像构建方法、装置、设备和介质
CN115293614A (zh) * 2022-08-15 2022-11-04 中国联合网络通信集团有限公司 碳画像确定方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062750A (zh) * 2019-12-13 2020-04-24 中国平安财产保险股份有限公司 用户画像标签建模和分析方法、装置、设备及存储介质
WO2022105111A1 (zh) * 2020-11-17 2022-05-27 平安科技（深圳）有限公司 区域画像图生成方法、装置、计算机设备及存储介质
CN114330937A (zh) * 2022-03-15 2022-04-12 广东工业大学 一种隐含碳排放量核算方法、设备及存储介质
CN115062087A (zh) * 2022-07-01 2022-09-16 国网汇通金财（北京）信息科技有限公司 一种用户画像构建方法、装置、设备和介质
CN115293614A (zh) * 2022-08-15 2022-11-04 中国联合网络通信集团有限公司 碳画像确定方法、装置及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060596A (zh) * 2023-10-12 2023-11-14 国网甘肃省电力公司张掖供电公司 一种基于物联网的碳排放电力监测系统及方法
CN117060596B (zh) * 2023-10-12 2024-01-12 国网甘肃省电力公司张掖供电公司 一种基于物联网的碳排放电力监测系统及方法
CN117556526A (zh) * 2024-01-12 2024-02-13 国网北京市电力公司 建筑碳画像的辨识方法、装置、存储介质和电子设备
CN118152830A (zh) * 2024-05-09 2024-06-07 国网山东省电力公司营销服务中心(计量中心) 一种基于均值聚类算法的用户碳排放特征画像方法及系统

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN115600840A (zh) 用户群体碳排放动态画像模型构建方法、装置及设备
CN111723292B (zh) 基于图神经网络的推荐方法、系统、电子设备及存储介质
CN109687447B (zh) 一种电力能耗预测方法及装置
CN109636482B (zh) 基于相似度模型的数据处理方法及系统
Raghavendra et al. Artificial humming bird with data science enabled stability prediction model for smart grids
Biloshchytskyi et al. BUILDING A MODEL FOR CHOOSING A STRATEGY FOR REDUCING AIR POLLUTION BASED ON DATA PREDICTIVE ANALYSIS.
CN109934301A (zh) 一种电力负荷聚类分析方法、装置和设备
CN113642716B (zh) 深度变分自编码器模型训练方法、装置、设备和存储介质
CN111209105A (zh) 扩容处理方法、装置、设备及可读存储介质
CN116628534A (zh) 基于电力大数据的园区用能动态画像划分方法
CN111179108A (zh) 用电能耗的预测方法和装置
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN116776073B (zh) 一种污染物浓度的评估方法和装置
CN110851502B (zh) 一种基于数据挖掘技术的负荷特征场景分类方法
CN113553577A (zh) 基于超球面变分自动编码器的未知用户恶意行为检测方法及系统
Qin et al. A hybrid deep learning model for short‐term load forecasting of distribution networks integrating the channel attention mechanism
CN116739649A (zh) 一种用户响应潜力评估方法和装置
CN114819267B (zh) 一种短期负荷的预测方法、装置、电子设备和存储介质
CN116976402A (zh) 超图卷积神经网络的训练方法、装置、设备及存储介质
CN115481767A (zh) 面向配电网检修的运行数据处理方法、装置和计算机设备
CN113408210A (zh) 基于深度学习的非侵入负荷分解方法、系统、介质和设备
Wei et al. Predicting Electricity Usage Based on Deep Neural Network
CN114154679B (zh) 一种基于Spark的PCFOA-KELM风功率预测方法及装置
CN113011707B (zh) 一种面向流程阶段的指标异常的根因定位方法及系统

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