CN116050859A - 基于大数据的动态基准线碳排放交易方法和系统 - Google Patents

基于大数据的动态基准线碳排放交易方法和系统 Download PDF

Info

Publication number
CN116050859A
CN116050859A CN202211567485.3A CN202211567485A CN116050859A CN 116050859 A CN116050859 A CN 116050859A CN 202211567485 A CN202211567485 A CN 202211567485A CN 116050859 A CN116050859 A CN 116050859A
Authority
CN
China
Prior art keywords
data
emission
user data
calculating
current user
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.)
Granted
Application number
CN202211567485.3A
Other languages
English (en)
Other versions
CN116050859B (zh
Inventor
徐丹丹
文辉
李维
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.)
Guoyi Bidding Co ltd
Original Assignee
Guoyi Bidding 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 Guoyi Bidding Co ltd filed Critical Guoyi Bidding Co ltd
Priority to CN202211567485.3A priority Critical patent/CN116050859B/zh
Publication of CN116050859A publication Critical patent/CN116050859A/zh
Application granted granted Critical
Publication of CN116050859B publication Critical patent/CN116050859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation
    • 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—Systems or methods specially adapted for 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

Abstract

本申请公开了基于大数据的动态基准线碳排放交易方法和系统，其中方法包括：获取当前用户数据，存储至用户数据库；根据当前用户数据和排放因子数据计算第一基准线排放数据；根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放数据；根据第一基准线排放数据和项目排放数据计算第一减排量；根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数；根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易。

Description

基于大数据的动态基准线碳排放交易方法和系统
技术领域
本申请涉及计算机领域，特别是一种基于大数据的动态基准线碳排放交易方法和系统。
背景技术
大型工矿企业的碳排放交易数据核查一般采用通用标准计算，现阶段计算工业产品生产过程中产生的二氧化碳排放量主要依靠已经公布的能源统计年鉴数据来完成，现有方案CN111859045B提供了一种快速核算工业各行业二氧化碳排放量的方法，解决数据滞后的问题，提高了数据时效性。但是对于非工矿企业、小微企业以及个人，碳排放交易数据的核查的通用标准较少，且普遍存在数据分散或者数据缺失的问题。对于产生时间较早的数据，通常没有录入相关的交易系统，后续手动录入费时费力，同时也存在数据缺失，获取难度大的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于大数据的动态基准线碳排放交易方法和系统，以解决上述数据分散或者数据缺失的问题。
一方面，本申请实施例提供了一种基于大数据的动态基准线碳排放交易方法，包括：
获取当前用户数据，存储至用户数据库；
根据当前用户数据和排放因子数据计算第一基准线排放数据；
根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放数据；
根据第一基准线排放数据和项目排放数据计算第一减排量；
根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数；
根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易。
进一步，所述当前用户数据包括用户属性数据和用户活动数据，所述用户属性数据包括企业注册地区、注册资本、行业分类、资本类型、企业类型和/或员工人数；所述用户活动数据包括招标活动的文印消耗量、交通出行里程、酒店住宿人日、会议消耗量；所述当前用户数据的缺失项为用户活动数据中的一个或多个。
进一步，所述根据当前用户数据和排放因子数据计算第一基准线排放数据这一步骤，具体为：
根据当前用户数据和排放因子数据计算第一基准线排放数据BE＝EW+EJ+ES+EH，其中Ew为基准线文印消耗量对应的碳排放量，EJ为基准线交通出行里程对应的碳排放量，ES为基准线酒店住宿人日对应的碳排放量，EH为基准线会议消耗量对应的碳排放量。
进一步，所述根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放这一步骤，具体为：
根据电子招标系统数据机房电力消耗量EC和电力排放因子EF计算项目排放PE＝EC×EF。
进一步，所述根据第一基准线排放数据和项目排放数据计算第一减排量这一步骤，具体为：
根据第一基准线排放数据BE和项目排放数据PE计算第一减排量ERy＝(BE-PE)；所述第一减排量用于录入碳积分账户并转移至碳积分管理平台注销。
进一步，所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数这一步骤，具体为：
所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据；
若当前用户数据存在缺失项，则根据相似度最高的用户数据补充当前用户数据的缺失项；
基于缺失项计算补偿系数BE'＝E'W+E'J+E'S+E'H。
进一步，所述根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易，具体包括：
根据第一减排量ERy和补偿系数BE'计算第二减排量ER'y＝(BE+BE')，基于第二减排量ER'y进行碳排放交易。
进一步，所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据这一步骤，具体包括：
基于用户数据库中的用户属性数据计算相似度，并搜索当前用户的邻居数据；
获取相似度排序最高的N个邻居用户数据。
进一步，所述若当前用户数据存在缺失项，则根据相似度最高的用户数据补充当前用户数据的缺失项这一步骤，具体包括：
若当前用户数据存在缺失项，则依次从所述N个邻居用户数据中查找当前用户数据存在的缺失项在邻居用户数据中的对应值，并赋值给当前用户数据存在的缺失项；
执行上一步骤直至当前用户数据的缺失项均被赋值或者完成所述N个邻居用户数据的查找。
进一步，若上述步骤执行完所述N个邻居用户数据的查找仍然未补充当前用户数据的缺失项，则需要利用其他方式获取对应的缺失项数据，其具体方式为利用深度学习算法模拟生成对应的缺失项数据。
另一方面，本申请实施例提供了一种基于大数据的动态基准线碳排放交易系统，包括：
用户数据库，用于存储用户数据，所述用户数据包括用户属性数据和用户活动数据；
第一基准线排放计算模块，用于根据当前用户数据和排放因子数据计算第一基准线排放数据；
项目排放计算模块，用于根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放数据；
第一减排量处理模块，用于根据第一基准线排放数据和项目排放数据计算第一减排量；
补偿系数计算模块，用于根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数；
第二减排量处理模块，用于根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易。
本申请实施例提供了一种基于大数据的动态基准线碳排放交易方法和系统，通过改进的大数据算法将用户数据分成两部分处理，一部分固定不变的用户属性数据和一部分可能动态变化的用户活动数据，算法中只根据用户属性数据处理，因此只需要通过大数据计算少量数据即可完成分类，同时，用户活动数据可动态变化更新，只需要少量更新该部分数据即可，节省计算资源且数据库维护难度极大降低。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本申请实施例的步骤流程图；
图2是本申请实施例所提供的大数据算法示意图；
图3是本申请实施例中数据缺失项补充过程的逻辑示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，以下将参照本申请实施例中的附图，通过实施方式清楚、完整地描述本申请的技术方案，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，本领域普通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。
首先，对于碳排放交易的核算有较为成熟的方法，对于大型工矿企业，目前主要问题是数据滞后，数据核算的时效性差，现有技术中也有部分技术方案对此进行改进。对于小微企业、非工矿企业等，主要的难点在于数据分散，数据获取难度大、完整性较差，目前也有方案针对上述情况进行优化，例如采用大数据聚类方案对其进行数据补充，但是其采用的聚类方案通常计算复杂，尤其需要大量的用户活动数据，基于用户活动数据数据来聚类并获取相应的数据补充，且用于小微企业、非工矿企业时，由于数据分散、数据收集时间不一致等情况，其数据特点是用户数量多但是每个用户的活动数据较少，导致为了保证基准线的准确性需要反复更新相关数据，计算量较大。
在招标领域，由于投标人大多数为小微企业，因此招标活动的碳排放核算与交易同样存在上述问题，因此本申请实施例提供了一种基于大数据的动态基准线碳排放交易方法，包括：
获取当前用户数据，存储至用户数据库；此处用户即招标活动中的投标人；
根据当前用户数据和排放因子数据计算第一基准线排放数据；
根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放数据；
根据第一基准线排放数据和项目排放数据计算第一减排量；
根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数；
根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易；这一步骤等效于由第一基准线排放数据和补偿系数相加计算得到第二基准线排放数据，并根据第二基准线排放数据和项目排放数据计算第二减排量；因此说本方案采用的是动态基准线。
在一些实施例中，所述当前用户数据包括用户属性数据和用户活动数据，所述用户属性数据包括企业注册地区、注册资本、行业分类、资本类型、企业类型、员工人数等等；所述用户活动数据包括招标活动的文印消耗量、交通出行里程、酒店住宿人日、会议消耗量；所述当前用户数据的缺失项为用户活动数据中的一个或多个。在本方案的相似度计算搜索过程中，只基于用户属性数据计算，由于在招标过程中，电子招标系统可以完整地记录用户属性数据，因此基于用户属性数据计算相似度可以获取准确的匹配效果，从而避免因用户活动数据的缺失导致计算结果不准确。
在一些实施例中，所述根据当前用户数据和排放因子数据计算第一基准线排放数据这一步骤，具体为：
根据当前用户数据和排放因子数据计算第一基准线排放数据BE＝EW+EJ+ES+EH，其中EW为基准线文印消耗量对应的碳排放量，EJ为基准线交通出行里程对应的碳排放量，ES为基准线酒店住宿人日对应的碳排放量，EH为基准线会议消耗量对应的碳排放量。
其中：
(a)文本打印排放
EW＝FCz×EFz+FCm×EFm
其中：
Ew＝基准线文印消耗量对应的碳排放量(kgCO2)
EFz＝基准线文本打印对应的排放量(kgCO2)
FCz＝基准线文本打印消耗的纸张(kg)
FCm＝基准线文本打印消耗的油墨、碳粉(kg)
EFm＝油墨、碳粉CO2排放因子(kgCO2/kg)
b)交通排放
Figure BDA0003986706910000081
EJ＝基准线交通出行里程对应的碳排放量(kgCO2)
FCj i＝第i种交通工具对应的客运周转量(PKM)
EFj i＝第i种交通工具对应的排放因子(kgCO2/PKM)
c)住宿排放
ES＝FCs×EFs
其中：
Es＝基准线酒店住宿人日对应的碳排放量(kgCO2)
FCs＝基准线酒店住宿人日(人日)
EFs＝酒店住宿CO2排放因子(kgCO2/人日)
d)会议排放
EH＝FCh×EF
其中：
EH＝基准线会议消耗量对应的碳排放量(kgCO2)
FCh＝会议耗电量(kWh)
EF＝电力排放因子(kgCO2/kWh)
其中用户活动数据及其对应的排放因子可参照下表：
用户活动数据 排放因子数值 单位
飞机 0.017 <![CDATA[kgCO<sub>2</sub>/PKM]]>
火车或高铁 0.042 <![CDATA[kgCO<sub>2</sub>/PKM]]>
小汽车 0.2 <![CDATA[kgCO<sub>2</sub>/PKM]]>
文印纸张 2.5203 <![CDATA[kgCO<sub>2</sub>/kg]]>
印刷油墨 4.332 <![CDATA[kgCO<sub>2</sub>/kg]]>
住宿 23.01 <![CDATA[kgCO<sub>2</sub>/人日]]>
在一些实施例中，所述根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放这一步骤，具体为：
根据电子招标系统数据机房电力消耗量EC和电力排放因子EF计算项目排放PE＝EC×EF。
PE＝项目排放量(tCO2)
EC＝电子招标系统数据机房电力消耗量(kWh)
EF＝电力排放因子(kgCO2/kWh)
在一些实施例中，所述根据第一基准线排放数据和项目排放数据计算第一减排量这一步骤，具体为：
根据第一基准线排放数据BE和项目排放数据PE计算第一减排量ERy＝(BE-PE)；所述第一减排量用于录入碳积分账户并转移至碳积分管理平台注销。
ERy＝y年减排量(tCO2)
BE＝基准线排放量
PE＝项目排放量
第一减排量时根据当前用户的用户活动数据计算得到，其中的用户活动数据可以根据用户以往的数据记录得到，因此在计算基准排放时有明确的数据来源，基于此计算得到的第一减排量可用于官方性质的碳积分管理平台。而对应的后续计算得到的第二减排量，是基于估算的更准确的减排量，一方面如果第二减排量大于第一减排量，可以提示用户提供或补充相应的数据资料从而将第二减排量作为被认可的碳积分计算基础录入官方性质的碳积分管理平台，或者另一方面可以将其直接作为碳普惠平台的激励积分基础，进行碳普惠平台的交易活动。
在一些实施例中，所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数这一步骤，具体为：
所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据；
若当前用户数据存在缺失项，则根据相似度最高的用户数据补充当前用户数据的缺失项；
基于缺失项计算补偿系数BE'＝E'W+E'J+E'S+E'H。
在一些实施例中，所述根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易，具体包括：
根据第一减排量ERy和补偿系数BE'计算第二减排量ER'y＝(BE+BE')，基于第二减排量ER'y进行碳排放交易。
在一些实施例中，所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据这一步骤，具体包括：
基于用户数据库中的用户属性数据计算相似度，并搜索当前用户的邻居用户数据；
获取相似度排序最高的N个邻居用户数据，例如采用欧几里得距离计算相似度时，欧氏距离最近的N个用户对应的数据即可定义为N个邻居用户数据。
关于相似度的计算，常用的几种基本方法都是基于向量计算两个向量的距离，距离越近相似度越大。在推荐的场景中，在用户、用户属性数据和用户活动数据的三维矩阵中，将当前用户的所有用户属性数据作为一个向量来计算用户之间的相似度，以下详细本方案实施例中可采用的相似度计算方法：
(1)欧几里德距离(Euclidean Distance)
最初用于计算欧几里德空间中两个点的距离，假设x，y是n维空间的两个点，它们之间的欧几里德距离是：
Figure BDA0003986706910000111
可以看出，当n＝2时，欧几里德距离就是平面上两个点的距离。
当用欧几里德距离表示相似度，一般采用以下公式进行转换：距离越小，相似度越大。
(2)Cosine相似度(Cosine Similarity)
Cosine相似度被广泛应用于计算文档数据的相似度：
Figure BDA0003986706910000112
Tanimoto系数(Tanimoto Coefficient)
(3)Tanimoto系数
也称为Jaccard系数，是Cosine相似度的扩展，也多用于计算文档数据的相似度：
Figure BDA0003986706910000113
在上述相似度的计算过程中，本实施例中均将用户活动数据排除在外，因此可以有效避免因用户活动数据缺失造成相似度计算的失真。
在根据相似度挑选邻居时，主要思路有两种，参照图2，即固定数量的邻居K-neighborhoods和基于相似度门槛的邻居Threshold-based neighborhoods。前者是不论距离的“远近”只取最近的K个邻居，K即相当于本申请实施例中的阈值N。后者是基于“远近”的最大值进行限制，得到的邻居数N是不确定的，但可以保证相似度误差很小。
在一些实施例中，所述若当前用户数据存在缺失项，则根据相似度最高的用户数据补充当前用户数据的缺失项这一步骤，具体包括：
若当前用户数据存在缺失项，则依次从所述N个邻居用户数据中查找当前用户数据存在的缺失项在邻居用户数据中的对应值，并赋值给当前用户数据存在的缺失项；
执行上一步骤直至当前用户数据的缺失项均被赋值或者完成所述N个邻居用户数据的查找。
参照图3，假设计算得到的与当前用户相似度排序为用户C>用户B>用户D，且此时当前用户的数据已存在文印消耗量和会议消耗量数据，但存在两个缺失项，即交通出行里程和酒店住宿人日。此时根据上述相似度排序先匹配到用户C，用户C具备酒店住宿人日数据但不具备交通出行里程信息，因此将用户C的酒店住宿人日数据赋值给当前用户的酒店住宿人日数据；此时当前用户仍然具有缺失项，即交通出行里程，因此继续匹配第二个最高相似度的用户B，假设用户B不具备上述数据，则继续匹配第三个最高相似度的用户D，并将用户D的交通出行里程数据赋值给当前用户的交通出行里程数据。若上述用户D也不具备交通出行里程数据，则仅仅根据上述酒店住宿人日数据计算补偿系数，保持设定的N阈值不变，避免增加N值导致使用了相似度较低的数据赋值而造成数据误差大，反而无法达到本方案提高数据核算准确度的效果。
或者，在一些实施例中，若完成所述N个邻居用户数据的查找仍然没有给当前用户的所有缺失项赋值，则考虑在补充缺失项时增加N值且满足相似度大于设定阈值的用户数据，避免相似度较低的数据赋值而造成数据误差大，反而无法达到本方案提高数据核算准确度的效果。
又或者，在一些实施例中，若上述步骤执行完所述N个邻居用户数据的查找仍然未补充当前用户数据的缺失项，则利用其他方式获取对应的缺失项数据，其具体方式为利用深度学习算法模拟生成对应的缺失项数据。
通过上述步骤，本申请实施例可实现通过以往产生的不完整的用户活动数据以及完整的用户属性数据实现对第一减排量的核算修正，得到相对更准确的第二减排量；并且由于用户活动数据大多数是涉及线下活动，例如交通出行里程和酒店住宿人日，即使这些数据都可以通过互联网手段获取，但实际过程涉及到数据安全且电子招标系统基于成本考虑无法与众多的交通、酒店信息源系统对接，因此获取用户活动数据难度更大，尤其是电子招标系统中用户活动数据增长缓慢而用户属性数据增长迅速，两者难以匹配，因此采用本申请实施例方法在计算过程中依赖的数据量也相对更少，节省了计算资源以及数据存储资源。
另一方面，本申请实施例提供了一种基于大数据的动态基准线碳排放交易系统，包括：
用户数据库，用于存储用户数据，所述用户数据包括用户属性数据和用户活动数据；
第一基准线排放计算模块，用于根据当前用户数据和排放因子数据计算第一基准线排放数据；
项目排放计算模块，用于根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放数据；
第一减排量处理模块，用于根据第一基准线排放数据和项目排放数据计算第一减排量；
补偿系数计算模块，用于根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数；
第二减排量处理模块，用于根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.基于大数据的动态基准线碳排放交易方法，其特征在于，包括：
获取当前用户数据，存储至用户数据库；
根据当前用户数据和排放因子数据计算第一基准线排放数据；
根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放数据；
根据第一基准线排放数据和项目排放数据计算第一减排量；
根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数；
根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易。
2.根据权利要求1所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述当前用户数据包括用户属性数据和用户活动数据，所述用户属性数据包括企业注册地区、注册资本、行业分类、资本类型、企业类型和/或员工人数；所述用户活动数据包括招标活动的文印消耗量、交通出行里程、酒店住宿人日、会议消耗量；所述当前用户数据的缺失项为用户活动数据中的一个或多个。
3.根据权利要求2所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述根据当前用户数据和排放因子数据计算第一基准线排放数据这一步骤，具体为：
根据当前用户数据和排放因子数据计算第一基准线排放数据BE＝EW+EJ+ES+EH，其中Ew为基准线文印消耗量对应的碳排放量，EJ为基准线交通出行里程对应的碳排放量，ES为基准线酒店住宿人日对应的碳排放量，EH为基准线会议消耗量对应的碳排放量。
4.根据权利要求3所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放这一步骤，具体为：
根据电子招标系统数据机房电力消耗量EC和电力排放因子EF计算项目排放PE＝EC×EF。
5.根据权利要求4所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述根据第一基准线排放数据和项目排放数据计算第一减排量这一步骤，具体为：
根据第一基准线排放数据BE和项目排放数据PE计算第一减排量ERy＝(BE-PE)；所述第一减排量用于录入碳积分账户并转移至碳积分管理平台注销。
6.根据权利要求3所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数这一步骤，具体为：
所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据；
若当前用户数据存在缺失项，则根据相似度最高的用户数据补充当前用户数据的缺失项；
基于缺失项计算补偿系数BE'＝E'W+E'J+E'S+E'H。
7.根据权利要求6所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易，具体包括：
根据第一减排量ERy和补偿系数BE'计算第二减排量ER'y＝(BE+BE')，基于第二减排量ER’y进行碳排放交易。
8.根据权利要求6所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据这一步骤，具体包括：
基于用户数据库中的用户属性数据计算相似度，并搜索当前用户的邻居数据；
获取相似度排序最高的N个邻居用户数据。
9.根据权利要求8所述的基于大数据的动态基准线碳排放交易方法，其特征在于，所述若当前用户数据存在缺失项，则根据相似度最高的用户数据补充当前用户数据的缺失项这一步骤，具体包括：
若当前用户数据存在缺失项，则依次从所述N个邻居用户数据中查找当前用户数据存在的缺失项在邻居用户数据中的对应值，并赋值给当前用户数据存在的缺失项；
执行上一步骤直至当前用户数据的缺失项均被赋值或者完成所述N个邻居用户数据的查找。
10.根据权利要求1所述的基于大数据的动态基准线碳排放交易系统，其特征在于，包括：
用户数据库，用于存储用户数据，所述用户数据包括用户属性数据和用户活动数据；
第一基准线排放计算模块，用于根据当前用户数据和排放因子数据计算第一基准线排放数据；
项目排放计算模块，用于根据电子招标系统数据机房电力消耗量和电力排放因子计算项目排放数据；
第一减排量处理模块，用于根据第一基准线排放数据和项目排放数据计算第一减排量；
补偿系数计算模块，用于根据相似度搜索用户数据，并基于相似度最高的用户数据匹配当前用户数据，并根据相似度最高的用户数据补充当前用户数据的缺失项，基于缺失项计算补偿系数；
第二减排量处理模块，用于根据第一减排量和补偿系数计算第二减排量，基于第二减排量进行碳排放交易。
CN202211567485.3A 2022-12-07 2022-12-07 基于大数据的动态基准线碳排放交易方法和系统 Active CN116050859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211567485.3A CN116050859B (zh) 2022-12-07 2022-12-07 基于大数据的动态基准线碳排放交易方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211567485.3A CN116050859B (zh) 2022-12-07 2022-12-07 基于大数据的动态基准线碳排放交易方法和系统

Publications (2)

Publication Number Publication Date
CN116050859A true CN116050859A (zh) 2023-05-02
CN116050859B CN116050859B (zh) 2023-11-14

Family

ID=86122716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211567485.3A Active CN116050859B (zh) 2022-12-07 2022-12-07 基于大数据的动态基准线碳排放交易方法和系统

Country Status (1)

Country Link
CN (1) CN116050859B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140114867A1 (en) * 2008-02-12 2014-04-24 Accenture Global Services Gmbh System for providing actions to reduce a carbon footprint
US20160063376A1 (en) * 2014-08-29 2016-03-03 International Business Machines Corporation Obtaining user traits
US20170006135A1 (en) * 2015-01-23 2017-01-05 C3, Inc. Systems, methods, and devices for an enterprise internet-of-things application development platform
CN106600099A (zh) * 2016-11-01 2017-04-26 国网江西省电力公司电力科学研究院 一种计及碳交易的低碳调度与减排效益评估方法
CN109446185A (zh) * 2018-08-29 2019-03-08 广西大学 基于用户聚类的协同过滤缺失数据处理方法
CN113888150A (zh) * 2020-07-03 2022-01-04 摩根士丹利服务集团有限公司 碳足迹确定系统和方法
CN113887808A (zh) * 2021-10-09 2022-01-04 国网青海省电力公司 一种基于电力大数据的碳排放测算方法
CN114020984A (zh) * 2022-01-07 2022-02-08 阿里云计算有限公司 碳数据处理、交互与展示方法、电子设备以及存储介质
CN114997841A (zh) * 2022-07-18 2022-09-02 成都信通信息技术有限公司 一种基于区块链的低碳行为数据管理系统
CN115081795A (zh) * 2022-04-27 2022-09-20 国网山东省电力公司泰安供电公司 多维场景下企业能耗异常成因分析方法及系统
CN115099524A (zh) * 2022-07-25 2022-09-23 国网(苏州)城市能源研究院有限责任公司 一种园区碳排放预测方法及装置
US20220358515A1 (en) * 2021-05-07 2022-11-10 The Boston Consulting Group, Inc. Carbon emissions management system

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140114867A1 (en) * 2008-02-12 2014-04-24 Accenture Global Services Gmbh System for providing actions to reduce a carbon footprint
US20160063376A1 (en) * 2014-08-29 2016-03-03 International Business Machines Corporation Obtaining user traits
US20170006135A1 (en) * 2015-01-23 2017-01-05 C3, Inc. Systems, methods, and devices for an enterprise internet-of-things application development platform
CN106600099A (zh) * 2016-11-01 2017-04-26 国网江西省电力公司电力科学研究院 一种计及碳交易的低碳调度与减排效益评估方法
CN109446185A (zh) * 2018-08-29 2019-03-08 广西大学 基于用户聚类的协同过滤缺失数据处理方法
CN113888150A (zh) * 2020-07-03 2022-01-04 摩根士丹利服务集团有限公司 碳足迹确定系统和方法
US20220358515A1 (en) * 2021-05-07 2022-11-10 The Boston Consulting Group, Inc. Carbon emissions management system
CN113887808A (zh) * 2021-10-09 2022-01-04 国网青海省电力公司 一种基于电力大数据的碳排放测算方法
CN114020984A (zh) * 2022-01-07 2022-02-08 阿里云计算有限公司 碳数据处理、交互与展示方法、电子设备以及存储介质
CN115081795A (zh) * 2022-04-27 2022-09-20 国网山东省电力公司泰安供电公司 多维场景下企业能耗异常成因分析方法及系统
CN114997841A (zh) * 2022-07-18 2022-09-02 成都信通信息技术有限公司 一种基于区块链的低碳行为数据管理系统
CN115099524A (zh) * 2022-07-25 2022-09-23 国网(苏州)城市能源研究院有限责任公司 一种园区碳排放预测方法及装置

Also Published As

Publication number Publication date
CN116050859B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN108509573B (zh) 基于矩阵分解协同过滤算法的图书推荐方法及系统
CN114119057B (zh) 用户画像模型的构建系统
CN114119058A (zh) 用户画像模型的构建方法、设备及存储介质
CN116562740B (zh) 一种基于改进型深度学习算法模型的外贸物流平台
CN116128254A (zh) 基于边缘计算的嵌入式智能制造资源配置方法及终端系统
CN107748783A (zh) 一种基于句向量的多标签公司描述文本分类方法
Song et al. A profit distribution model of reverse logistics based on fuzzy DEA efficiency—modified shapley value
Yahui et al. NSGA-II algorithm and application for multi-objective flexible workshop scheduling
Qiu et al. A deep reinforcement learning-based approach for the home delivery and installation routing problem
CN116050859B (zh) 基于大数据的动态基准线碳排放交易方法和系统
CN111445339A (zh) 双线性注意力卷积神经网络限价单预测分析方法及系统
Li Optimization of accounting information system for enterprises in smart city by intelligent sensor under the internet of things
Li et al. Material distribution method in discrete manufacturing systems and a case study from engine builders
CN111222652B (zh) 一种废弃电器电子产品回收流程中的智能匹配方法
Ramos-Carrasco et al. Artificial neural networks to estimate the forecast of tourism demand in Peru
CN113762415A (zh) 一种基于神经网络的汽车金融产品智能匹配方法和系统
Kannan et al. Planner for sheet metal components to obtain optimal bend sequence using a genetic algorithm
CN112836846A (zh) 一种卷烟发货多库点多方向联运调度双层优化算法
CN113222707B (zh) 一种智能服务交易推荐方法和系统
Yin et al. Used-Car Price Evaluation Using Mean Encoding and PCA based DeepFM
Lu et al. Order Distribution and Routing Optimization for Takeout Delivery under Drone–Rider Joint Delivery Mode
US20240054440A1 (en) System of and method for load recommendations
CN111626331B (zh) 一种自动化行业分类装置及其工作方法
CN115329158B (zh) 一种基于多源异构电力数据的数据关联方法
CN117455341B (zh) 一种智能化车货匹配灵活调优方法

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