CN116739368A - 基于能源大数据的工业园区碳排放水平监测及评估方法 - Google Patents
基于能源大数据的工业园区碳排放水平监测及评估方法 Download PDFInfo
- Publication number
- CN116739368A CN116739368A CN202310622281.3A CN202310622281A CN116739368A CN 116739368 A CN116739368 A CN 116739368A CN 202310622281 A CN202310622281 A CN 202310622281A CN 116739368 A CN116739368 A CN 116739368A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- energy
- carbon
- park
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 284
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 247
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 116
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 58
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 58
- 238000005265 energy consumption Methods 0.000 claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 239000003245 coal Substances 0.000 claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 84
- 238000004458 analytical method Methods 0.000 claims description 45
- 238000011161 development Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000002803 fossil fuel Substances 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 37
- 230000009467 reduction Effects 0.000 description 14
- 239000007789 gas Substances 0.000 description 11
- 239000003921 oil Substances 0.000 description 11
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于能源大数据的工业园区碳排放水平监测及评估方法，包括如下步骤：S1、数据采集：所需数据包括工业园区入驻单元个体煤、油、气、电4类能源消费数据，企业产值等企业自身提供数据以及所在城市层面碳排放发布数据，通过数据溯源采集所需数据；S2、能源碳排放测算：利用园区现行在用的折标煤系数及二氧化碳转化因子标准，计算各入驻企业的能源碳排放量；S3、构建能源碳排放水平监测体系：利用园区入驻单元个体的产值、工业增加值、税收、用工人数、占地面积以及企业能源碳排放量各类数据，从产值、税收、资源、用能四个架构构建能源碳排放水平监测体系；S4、碳排放特征监测分析；S5、可视化企业碳排特征标签。
Description
技术领域
本发明涉及碳排放监测技术领域，具体涉及一种基于能源大数据的工业园区碳排放水平监测及评估方法。
背景技术
我国进入以降碳为重点战略方向、促进经济社会发展全面绿色转型的关键时期，工业园区作为区域经济发展、产业调整升级的空间承载，又是地区社会经济发展水平的衡量标志，在提供了大量基础设施和公共服务的同时，也成为了碳排放的主要源头。因此，将工业园区定为区域低碳发展的落脚点，确保节能、减耗、提质、减碳工作的落实。
能源消耗被视为经济发展的晴雨表，能够很好地反映工业园区发展状况。目前，结合工业园区各自资源禀赋和发展定位，利用能源大数据开展工业园区碳排放水平监测和低碳发展评价是热点应用趋势。
中国专利《基于电力大数据的城市碳排量检测系统及方法》(申请号：202210770205.2；申请公布日：2022.10.28)其公开了一种可展示碳排量监测的方案，但是该方案的架构维度较为狭小，对于一个具体的执行单元如工业园区其监测及评估的可靠性远远达不到要求。
发明内容
本发明目的是提供一种基于能源大数据的工业园区碳排放水平监测及评估方法，针对背景技术中的问题，为各类园区和主管部门的低碳管理提供有效的技术支撑。
为了实现以上目的，本发明采用的技术方案为：一种基于能源大数据的工业园区碳排放水平监测及评估方法，包括如下步骤：
S1、数据采集：所需数据包括工业园区入驻单元个体煤、油、气、电4类能源消费数据，企业产值、税收、用工人数、土地面积企业自身提供数据以及所在城市层面碳排放发布数据，通过数据溯源采集所需数据；
S2、能源碳排放测算：利用园区现行在用的折标煤系数及二氧化碳转化因子标准，计算各入驻企业的能源碳排放量，园区入驻单元个体的能源碳排放测算公式为:
其中，ADi为第i种燃料的能源消费量，ki为第i种化石燃料的折标准煤系数，EFi为第i种单位燃料的二氧化碳排放因子；
园区能源碳排放总量由入驻园区单元个体能源碳排放量求和可得，测算公式：
其中，Ei为第i家企业的能源碳排放量。
S3、构建能源碳排放水平监测体系：
利用园区入驻单元个体的产值、工业增加值、税收、用工人数、占地面积以及企业能源碳排放量各类数据，从产值、税收、资源、用能四个架构构建能源碳排放水平监测体系；
S4、碳排放特征监测分析：
利用能源碳排放水平监测体系，开展城市、工业园区及企业三个层级能源碳排放特征监测分析；
S5、可视化企业碳排特征标签：
基于上述构建的能源碳排放水平监测体系，依据各架构维度指标分别为企业能源碳排放水平进行梯度划分。
进一步的，步骤S3、构建能源碳排放水平监测体系中的四个架构维度计算方法：
(1)、产值架构维度
单位产值碳排放强度＝企业二氧化碳总量/企业总产值
单位增加值碳排放强度＝企业二氧化碳总量/企业工业增加值
(2)、税收架构维度
单位税收碳排放强度＝企业二氧化碳排放量/企业纳税额
(3)、资源架构维度
人均碳排放强度＝企业二氧化碳排放量/企业用工人数
亩均碳排放强度＝企业二氧化碳排放量/企业占地面积
(4)、用能架构维度
能源碳排弹性系数＝能源二氧化碳排放量年平均增长速度/企业产值年平均增长速度电力碳排弹性系数＝电力二氧化碳排放量年平均增长速度/企业产值年平均增长速度。
再进一步的，步骤S5后执行步骤S6：综合考虑产值、税收、资源和用能四个方面多项关键指标，构建一套能源大数据视角下高适用性的工业园区低碳发展评价指标体系，指数构建过程流程如下：
1)、指标数据准备：采集指数构建所需多元数据，完成采集数据的清洗转换工作，包括处理缺失值、重复值和噪声数据，对数据进行标准化处理，消除量纲影响；
2)、评价标准：基于产值架构维度、税收架构维度、资源架构维度和用能架构维度的细分评价指标构建园区低碳发展评价指标体系，根据体系评价标准及方法分别对园区企业的分项指标进行打分，并计算低碳发展评价指数；
3)、AHP评价矩阵构建：分别构建主维度层和指标层指标体系对应的评价矩阵；
4)、评价矩阵一致性检测：评价矩阵构建完毕后，为验证评价矩阵是否可接受，需要对其进行一致性检验，若评价矩阵一致性不可接受时，对评价矩阵进行修正；
5)、评价指标权重确定：确定评价矩阵指标权重，由此分别计算得到指标层和主维度层因素的权重，进一步计算园区及入驻企业的低碳发展评价指数。
再进一步的，步骤S6后执行步骤S7：基于园区碳排放历史时序数据，基于线性假设与非线性特质，以及基于时间序列和神经网络建模，通过对多种方法进行建模比较，选择相对最优模型，输出合理预测结果：
1)、梳理整合形成预测数据需求表；收集园区入驻单元个体近3年煤、油、气、电四类能源消费月度历史数据；
2)、数据建模：绘制序列图观察数据波动情况、进行谱分析揭示数据的周期性规律、进行自相关分析考察数据的自相关性、利用相关分析评估外部数据相关性，在对数据特征进行初步分析之后，进行建模比较，输出合理预测结果；
3)、模型评估：在得到不同建模预测结果后，通过平均绝对百分误差对模型进行校验与评估，最终选择相对最优模型，完成园区碳排放预测模型构建。
本发明的技术效果在于：本发明的一种基于能源大数据的工业园区碳排放水平监测及评估方法，该方法依托各类能源大数据实现工业园区及入驻企业的“以能测碳”，并通过构建工业园区能源碳排放水平全面监测体系，开展工业园区及企业等层级的能源碳排放特征监测分析及可视化碳排放标签，结合大数据建模分析技术，构建一套园区低碳发展评价指数及园区碳排放预测分析模型，可以辅助全面掌握园区用能及碳排放状况，有效助力工业园区低碳发展决策效率。
附图说明
图1为本发明的架构图；
图2为基于能源大数据的工业园区低碳发展评估分析架构图。
具体实施方式
为了切实提高工业园区低碳发展决策效率，本发明提供了一种基于能源大数据的工业园区碳排放水平监测及评估方法，一是基于园区入驻企业的煤、油、气、电4类能源消费数据，结合适用于园区的折标煤系数及二氧化碳转化因子标准，准确测算企业与园区两个层级的能源碳排放情况；二是利用园区入驻自身数据(包括园区单元个体的产值、税收、用工人数、土地面积数据)以及所在城市层面统计数据，从产值、税收、资源以及用能等维度构建能源碳排放水平监测体系，按照城市、园区及重点单元的不同层级开展碳排放特征分析；三是分别对园区入驻单元个体进行能源碳排放水平梯度划分，结合企业碳排放趋势特征，得到可视化碳排特征标签，分析单元个体综合降碳潜力。
优选的，基于上述方案，四是利用AHP层次分析实现园区低碳发展评价指数的构建及量化计算，支撑园区低碳发展水平的量化评估；五是利用ARIMA及循环神经网络(RNNs)等适用算法构建园区碳排放预测模型，支撑园区碳排放量的时序预测。
进而，依托本发明，辅助全面掌握工业园区用能及碳排放状况，有效助力园区单元个体节能降碳的目的。
一种基于能源大数据的工业园区碳排放水平监测及评估方法，包括以下步骤：
S1、数据采集：所需数据包括工业园区入驻单元个体煤、油、气、电4类能源消费数据，企业产值、税收、用工人数、土地面积企业自身提供数据以及所在城市层面碳排放发布数据，通过数据溯源采集所需数据；
S2、能源碳排放测算：对于当前阶段工业园区关注的碳排放主要是指二氧化碳排放量，利用园区现行在用的折标煤系数及二氧化碳转化因子标准，计算各入驻企业的能源碳排放量，园区入驻单元个体(企业)的能源碳排放测算公式为:
其中，ADi为第i种燃料的能源消费量(主要包括煤炭、油品、天然气以及煤电)，ki为第i种化石燃料的折标准煤系数，EFi为第i种单位燃料的二氧化碳排放因子。园区能源碳排放总量由入驻园区单元个体(企业)能源碳排放量求和可得，测算公式：
其中，Ei为第i家企业的能源碳排放量。
S3、构建能源碳排放水平监测体系：
利用园区入驻单元个体的产值、工业增加值、税收、用工人数、占地面积以及企业能源碳排放量各类数据，从产值、税收、资源、用能四个架构构建能源碳排放水平监测体系。
(1)、产值架构维度
单位产值碳排放强度＝企业二氧化碳总量/企业总产值
单位增加值碳排放强度＝企业二氧化碳总量/企业工业增加值
(2)、税收架构维度
单位税收碳排放强度＝企业二氧化碳排放量/企业纳税额
(3)、资源架构维度
人均碳排放强度＝企业二氧化碳排放量/企业用工人数
亩均碳排放强度＝企业二氧化碳排放量/企业占地面积
(4)、用能架构维度
能源碳排弹性系数＝能源二氧化碳排放量年平均增长速度/企业产值年平均增长速度电力碳排弹性系数＝电力二氧化碳排放量年平均增长速度/企业产值年平均增长速度；
S4、碳排放特征监测分析：
利用能源碳排放水平监测体系，开展城市、工业园区及企业三个层级能源碳排放特征监测分析。
(1)、城市层级：从公开途径获取市能源碳排放数据，开展以下能源碳排放特征监测分析。
1a)能源碳排放总量分析
基于近3年能源碳排放总量数据，分析能源碳排放量变化趋势。
1b)能源碳排放构成分析
基于近3年煤、油、气、电等各类能源消耗的碳排放水平数据，分析碳排放的能源构成情况。
1c)能源碳排放强度分析
基于近3年能源碳排放强度数据，分析近3年能源碳排放强度变化趋势；
(2)、工业园区层面：
2a)园区总体情况分析
能源碳排放量分析:基于园区近3年能源碳排放总量数据，分析园区能源碳排放总量的变化趋势。
能源碳排放构成分析:基于园区近3年的煤、油、气、电各类能源消耗的碳排放水平数据，分析园区碳排放的能源构成情况。
2b)园区与市能源碳排放水平对比分析
基于园区单位产值碳排放强度与单位GDP碳排放近3年的数据，对标分析园区与能源碳排放水平差距；
(3)、企业层面：
选取工业园区头部综合用能企业(即单元个体)，根据能源碳排放监测体系从四个架构维度分析企业能源碳排放水平。
产值架构维度分析：根据企业的能源消耗情况、企业产值及工业增加值数据，绘制近3年单位产值碳排放强度及单位增加值碳排放强度变化趋势图，分析企业的产值架构维度碳排放变化情况。
税收架构维度分析：根据企业的能源消耗情况及纳税数据，绘制近3年单位税收碳排放强度变化趋势图，分析企业的税收架构维度碳排放变化情况。
资源架构维度分析：根据企业的能源消耗情况、用工人数及占地面积数据，绘制近3年人均碳排放强度及亩均碳排放强度变化趋势图，分析企业的资源维度碳排放变化情况。
用能架构维度分析：根据企业的能源消耗情况及企业产值数据，绘制近3年能源碳排弹性系数及电力碳排弹性系数变化趋势图，分析企业的用能架构维度碳排放变化情况。
上述企业优选的为重点企业。
S5、可视化企业碳排特征标签：
基于上述构建的能源碳排放水平监测体系，依据各架构维度指标分别为企业能源碳排放水平进行梯度划分，如确定排名前20％的企业为引领型企业，中间60％的企业为发展型企业，最后20％的企业为追赶型企业。针对企业在各个能源碳排放水平监测指标下的梯度结果，结合企业自身能源碳排放特征，分析企业降碳潜力(追赶型企业的降碳潜力最大，发展型企业具备一定的降碳潜力)，辅助定位企业降碳潜力。
基于上述基础技术方案，完成基于能源大数据的工业园区碳排放水平监测及评估，在该方案的基础上，进一步的：
S6、园区低碳发展评估分析：
综合考虑产值、税收、资源和用能四个方面多项关键指标，构建一套能源大数据视角下高适用性的工业园区低碳发展评价指标体系。如图2所示。
指数构建过程流程如下：1、指标数据准备：采集指数构建所需多元数据，完成采集数据的清洗转换工作，包括处理缺失值、重复值和噪声数据，对数据进行标准化处理，消除量纲影响。2、评价标准：基于产值架构维度、税收架构维度、资源架构维度和用能架构维度的细分评价指标构建园区低碳发展评价指标体系，评价指标体系包含评价标准及方法，根据体系评价标准及方法分别对园区企业的分项指标进行打分，并计算低碳发展评价指数。3、AHP评价矩阵构建：分别构建主维度层和指标层指标体系对应的评价矩阵。4、评价矩阵一致性检测：评价矩阵构建完毕后，为验证评价矩阵是否可接受，需要对其进行一致性检验，若评价矩阵一致性不可接受时，对评价矩阵进行修正。5、评价指标权重确定：通过算术平均法、几何平均法、特征值法方法确定评价矩阵指标权重，由此分别计算得到指标层和主维度层因素的权重，可进一步计算园区及入驻企业的低碳发展评价指数。
再进一步的：
S7、园区碳排放情况预测：
基于园区碳排放历史时序数据，基于线性假设与非线性特质，以及基于时间序列和神经网络建模，通过对多种方法进行建模比较，选择相对最优模型，输出合理预测结果。方法1.基于自变量的历史数据分析其变化规律与趋势，进行时间序列数据的预测，经典模型为滑动平均ARIMA模型。方法2.循环神经网络(RNNs)模型是一种适合于处理序列数据的模型，神经元在当前时刻的输出可以在下一时刻作用于其自身。循环神经网络对非线性数据的挖掘，拓宽了时间序列预测的领域。例如BP神经网络模型和长短期记忆网络(long-short term memory，LSTM)模型等。
模型构建流程如下：1、梳理整合形成预测数据需求表。收集园区入驻单元个体近3年煤、油、气、电四类能源消费月度历史数据。2、数据建模：绘制序列图观察数据波动情况、进行谱分析揭示数据的周期性规律、进行自相关分析考察数据的自相关性、利用相关分析评估外部数据相关性。在对数据特征进行初步分析之后，使用ARIMA模型预测、LSTM模型预测多种方法进行建模比较，输出合理预测结果。3、模型评估：在得到不同建模预测结果后，通过平均绝对百分误差(Mean-Absolute-Percentage-Error，简称为MAPE)对模型进行校验与评估，最终选择相对最优模型，完成园区碳排放预测模型构建。
本发明的一种基于能源大数据的工业园区碳排放水平监测及评估方法，该方法依托各类能源大数据实现工业园区及入驻企业的“以能测碳”，并通过构建工业园区能源碳排放水平全面监测体系，开展工业园区及企业等层级的能源碳排放特征监测分析及可视化碳排放标签，结合大数据建模分析技术，构建一套园区低碳发展评价指数及园区碳排放预测分析模型，可以辅助全面掌握园区用能及碳排放状况，有效助力工业园区低碳发展决策效率。
基于本发明的具体实施例，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
具体的，一种基于能源大数据的工业园区碳排放水平监测及评估方法，包括以下步骤：
S1、数据采集：所需数据包括工业园区入驻企业煤、油、气、电4类能源消费数据，企业产值、税收、用工人数、土地面积等企业自身提供数据以及所在城市层面碳排放发布数据，通过数据溯源采集所需数据；
S2、当前阶段工业园区关注的碳排放主要是指二氧化碳排放量，利用园区现行在用的折标煤系数及二氧化碳转化因子标准，计算各入驻企业的能源碳排放量，园区入驻企业的能源碳排放测算公式为:
其中，ADi为第i种燃料的能源消费量(主要包括煤炭、油品、天然气以及煤电)，ki为第i种化石燃料的折标准煤系数，EFi为第i种单位燃料的二氧化碳排放因子。园区能源碳排放总量由入驻园区企业能源碳排放量求和可得，测算公式：
其中，Ei为第i家企业的能源碳排放量；
获取其适用的各类能源折标煤系数(k)和二氧化碳排放因子(EF)。
S3、构建能源碳排放水平监测体系：
利用园区入驻企业的产值、工业增加值、税收、用工人数、占地面积以及企业能源碳排放量等各类数据，从产值、税收、资源、用能四个架构维度构建能源碳排放水平监测体系。
(1)、产值架构维度
单位产值碳排放强度：指单位企业产值增长所带来的二氧化碳排放量，用来衡量企业产值增长同二氧化碳排放量增长之间的关系。企业总产值是企业在一定时期内所生产和提供的产品和劳务的价值量总额。如果企业在产值增长的同时，每单位产值所带来的二氧化碳排放量在下降，那么说明该企业朝着低碳模式发展。计算公式为：
单位产值碳排放强度＝企业二氧化碳总量/企业总产值
单位增加值碳排放强度：指单位企业工业增加值增长所带来的二氧化碳排放量，用来衡量企业增加值增长同二氧化碳排放量增长之间的关系。企业工业增加值是工业企业全部生产活动的总成果扣除了在生产过程中消耗或转移的物质产品和劳务价值后的余额。如果企业在增加值增长的同时，每单位增加值所带来的二氧化碳排放量在下降，那么说明该企业朝着低碳模式发展。计算公式为：
单位增加值碳排放强度＝企业二氧化碳总量/企业工业增加值
(2)、税收架构维度
单位税收碳排放强度：指单位企业纳税额增长所带来的二氧化碳排放量，用来衡量企业纳税额增长同二氧化碳排放量增长之间的关系。计算公式为：单位税收碳排放强度＝企业二氧化碳排放量/企业纳税额
(3)、资源架构维度
人均碳排放强度：指单位企业用工人数的增长所带来的二氧化碳排放量，用来衡量企业用工人数增长同二氧化碳排放量增长之间的关系，侧面反映企业碳排放贡献水平的变化趋势。计算公式为：
人均碳排放强度＝企业二氧化碳排放量/企业用工人数
亩均碳排放强度：指单位企业占地面积所带来的二氧化碳排放量，用来衡量企业占地面积增长同二氧化碳排放量增长之间的关系，侧面反映企业碳排放贡献水平的变化趋势。计算公式为：
亩均碳排放强度＝企业二氧化碳排放量/企业占地面积
(4)、用能架构维度
能源碳排弹性系数：反映企业所有能源二氧化碳排放增长速度与产值增长速度之间比例关系，弹性系数越小，说明在企业产值增长一定的前提下消耗的能源二氧化碳排放量越少，企业能源碳排放水平就越高；反之则相反。计算公式为：
能源碳排弹性系数＝能源二氧化碳排放量年平均增长速度/企业产值年平均增长速度
电力碳排弹性系数：反映企业电力二氧化碳排放增长速度与企业产值增长速度之间比例关系，弹性系数越小，说明在企业产值增长一定的前提下消耗的电力二氧化碳排放量越少，企业电力碳排放水平就越高；反之则相反。计算公式为：
电力碳排弹性系数＝电力二氧化碳排放量年平均增长速度/企业产值年平均增长速度；
S4、碳排放特征监测分析：
利用能源碳排放水平监测体系，开展城市、工业园区及(重点)企业三个层面能源碳排放特征监测分析。
(1)、城市层面：从公开途径获取市能源碳排放数据，开展以下能源碳排放特征监测分析。
1a)能源碳排放总量分析
基于近年能源碳排放总量数据，分析能源碳排放量变化趋势。
1b)能源碳排放构成分析
基于近年煤、油、气、电各类能源消耗的碳排放水平数据，分析碳排放的能源构成情况。
1c)能源碳排放强度分析
基于近年能源碳排放强度数据，分析近年能源碳排放强度变化趋势；
(2)、工业园区层面：
2a)园区总体情况分析
能源碳排放量分析:基于园区近3年能源碳排放总量数据，分析园区能源碳排放总量的变化趋势。
能源碳排放构成分析:基于园区近3年的煤、油、气、电各类能源消耗的碳排放水平数据，分析园区碳排放的能源构成情况。
2b)园区与能源碳排放水平对比分析
基于园区单位产值碳排放强度与单位GDP碳排放近3年的数据，对标分析园区与能源碳排放水平差距；
(3)、(重点)企业层面：
选取工业园区头部综合用能(重点)企业，根据能源碳排放监测体系从四个架构维度分析企业能源碳排放水平。
产值架构维度分析：根据(重点)企业的能源消耗情况、企业产值及工业增加值数据，绘制近3年单位产值碳排放强度及单位增加值碳排放强度变化趋势图，分析重点企业的产值维度碳排放变化情况。
税收架构维度分析：根据(重点)企业的能源消耗情况及纳税数据，绘制近3年单位税收碳排放强度变化趋势图，分析重点企业的税收维度碳排放变化情况。
资源架构维度分析：根据(重点)企业的能源消耗情况、用工人数及占地面积数据，绘制近3年人均碳排放强度及亩均碳排放强度变化趋势图，分析重点企业的资源维度碳排放变化情况。
用能架构维度分析：根据(重点)企业的能源消耗情况及企业产值数据，绘制近3年能源碳排弹性系数及电力碳排弹性系数变化趋势图，分析(重点)企业的用能维度碳排放变化情况。
S5、可视化企业碳排特征标签：
基于上述构建的能源碳排放水平监测体系，依据各维度指标分别为企业能源碳排放水平进行梯度划分，如确定排名前20％的企业为引领型企业，中间60％的企业为发展型企业，最后20％的企业为追赶型企业。针对企业在各个能源碳排放水平监测指标下的梯度结果，结合企业自身能源碳排放特征，分析企业降碳潜力(追赶型企业的降碳潜力最大，发展型企业具备一定的降碳潜力)，将各项指标加权计算降碳潜力得分，最终得出园区所有企业降碳潜力得分情况，辅助量化企业降碳潜力。
基于上述基础方案，进一步的，S6、园区低碳发展评价分析：
(1)、构建发展评价指标体系：综合考虑产值、税收、资源和用能四个方面多项关键指标，构建一套能源大数据视角下高适用性的工业园区低碳发展评价指标体系。
(2)、指数模型构建流程：
2.1)指标数据准备：采集指数构建所需多元数据，完成采集数据的清洗转换工作，包括处理缺失值、重复值和噪声数据，对数据进行标准化处理，消除量纲影响。
2.2)评价标准及方法：基于产值架构维度、税收架构维度、资源架构维度和用能架构维度的细分评价指标构建园区低碳发展评价指标体系，根据体系评价标准及方法分别对园区企业的分项指标进行打分，并计算低碳发展评价指数。
2.3)AHP评价矩阵构建：分别构建主维度层和指标层指标体系对应的评价矩阵。
2.4)评价矩阵一致性检测：评价矩阵构建完毕后，为验证评价矩阵是否可接受，需要对其进行一致性检验，若评价矩阵一致性不可接受时，对评价矩阵进行修正。
2.5)评价指标权重确定：通过算术平均法、几何平均法、特征值法方法确定评价矩阵指标权重，由此分别计算得到指标层和主维度层因素的权重，可进一步计算园区及入驻企业的低碳发展评价指数。
(3)、指数评价结果分析：
园区层级低碳发展变化趋势分析：基于园区近3年低碳发展评价指数结果，分析园区低碳发展变化趋势；
园区层级分项维度低碳发展变化趋势：基于园区产值、税收、资源及用能四个架构维度视角分析低碳发展变化趋势；
园区层级低碳发展评价排序：基于园区入驻企业低碳发展评价指数及分项指数结果，分类输出低碳发展评价企业排序；
(重点)企业产值架构维度分析：根据(重点)企业的能源消耗情况、企业产值及工业增加值数据，绘制近3年产值架构维度分项指数结果变化趋势图，分析(重点)企业的产值架构维度分项指数变化情况；
(重点)企业税收架构维度分析：根据(重点)企业的能源消耗情况及纳税数据，绘制近3年税收架构维度分项指数变化趋势图，分析(重点)企业的税收架构维度分项指数变化情况；
(重点)企业资源架构维度分析：根据(重点)企业的能源消耗情况、用工人数及占地面积数据，绘制近3年资源架构维度分项指数变化趋势图，分析(重点)企业的资源架构维度分项指数变化情况；
(重点)企业用能架构维度分析：根据(重点)企业的能源消耗情况及企业产值数据，绘制近3年用能架构维度分项指数变化趋势图，分析(重点)企业的用能架构维度分项指数变化情况。
S7、园区碳排放情况预测：
基于园区碳排放历史时序数据，基于线性假设与非线性特质，以及基于时间序列和神经网络建模思路，通过对多种方法进行建模比较，选择相对最优模型，输出合理预测结果。方法1.基于自变量的历史数据分析其变化规律与趋势，进行时间序列数据的预测，经典模型为滑动平均ARIMA模型。方法2.循环神经网络(RNNs)模型是一种适合于处理序列数据的模型，神经元在当前时刻的输出可以在下一时刻作用于其自身。循环神经网络对非线性数据的挖掘，拓宽了时间序列预测的领域。例如BP神经网络模型和长短期记忆网络(long-short term memory，LSTM)模型。
模型构建流程如下：1)梳理整合形成预测数据需求表。包括收集园区入驻企业近3年煤、油、气、电四类能源消费月度历史数据。2)数据建模：绘制序列图观察数据波动情况、进行谱分析揭示数据的周期性规律、进行自相关分析考察数据的自相关性、利用相关分析评估外部数据相关性。在对数据特征进行初步分析之后，使用ARIMA模型预测、LSTM模型预测多种方法进行建模比较，输出合理预测结果。3)模型评估：在得到不同建模预测结果后，通过平均绝对百分误差(Mean-Absolute-Percentage-Error，简称为MAPE)对模型进行校验与评估，最终选择相对最优模型，完成园区碳排放预测模型构建。
需要说明的是，在本文中术语“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、法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
Claims (4)
1.一种基于能源大数据的工业园区碳排放水平监测及评估方法，其特征在于，包括如下步骤：
S1、数据采集：所需数据包括工业园区入驻单元个体煤、油、气、电4类能源消费数据，企业产值、税收、用工人数、土地面积企业自身提供数据以及所在城市层面碳排放发布数据，通过数据溯源采集所需数据；
S2、能源碳排放测算：利用园区现行在用的折标煤系数及二氧化碳转化因子标准，计算各入驻企业的能源碳排放量，园区入驻单元个体的能源碳排放测算公式为:
其中，ADi为第i种燃料的能源消费量，ki为第i种化石燃料的折标准煤系数，EFi为第i种单位燃料的二氧化碳排放因子；
园区能源碳排放总量由入驻园区单元个体能源碳排放量求和可得，测算公式：
其中，Ei为第i家企业的能源碳排放量；
S3、构建能源碳排放水平监测体系：
利用园区入驻单元个体的产值、工业增加值、税收、用工人数、占地面积以及企业能源碳排放量各类数据，从产值、税收、资源、用能四个架构构建能源碳排放水平监测体系；
S4、碳排放特征监测分析：
利用能源碳排放水平监测体系，开展城市、工业园区及企业三个层级能源碳排放特征监测分析；
S5、可视化企业碳排特征标签：
基于上述构建的能源碳排放水平监测体系，依据各架构维度指标分别为企业能源碳排放水平进行梯度划分。
2.根据权利要求1所述的基于能源大数据的工业园区碳排放水平监测及评估方法，其特征在于，步骤S3、构建能源碳排放水平监测体系中的四个架构维度计算方法：
(1)、产值架构维度
单位产值碳排放强度＝企业二氧化碳总量/企业总产值
单位增加值碳排放强度＝企业二氧化碳总量/企业工业增加值
(2)、税收架构维度
单位税收碳排放强度＝企业二氧化碳排放量/企业纳税额
(3)、资源架构维度
人均碳排放强度＝企业二氧化碳排放量/企业用工人数
亩均碳排放强度＝企业二氧化碳排放量/企业占地面积
(4)、用能架构维度
能源碳排弹性系数＝能源二氧化碳排放量年平均增长速度/企业产值年平均增长速度
电力碳排弹性系数＝电力二氧化碳排放量年平均增长速度/企业产值年平均增长速度。
3.根据权利要求1所述的基于能源大数据的工业园区碳排放水平监测及评估方法，其特征在于，步骤S5后执行步骤S6：综合考虑产值、税收、资源和用能四个方面多项关键指标，构建一套能源大数据视角下高适用性的工业园区低碳发展评估指标体系，指数构建过程流程如下：
1)、指标数据准备：采集指数构建所需多元数据，完成采集数据的清洗转换工作，包括处理缺失值、重复值和噪声数据，对数据进行标准化处理，消除量纲影响；
2)、评估标准：基于产值架构维度、税收架构维度、资源架构维度和用能架构维度的细分评估指标构建园区低碳发展评估指标体系，根据体系评估标准及方法分别对园区企业的分项指标进行打分，并计算低碳发展评估指数；
3)、AHP评估矩阵构建：分别构建主维度层和指标层指标体系对应的评估矩阵；
4)、评估矩阵一致性检测：评估矩阵构建完毕后，为验证评估矩阵是否可接受，需要对其进行一致性检验，若评估矩阵一致性不可接受时，
对评估矩阵进行修正；
5)、评估指标权重确定：确定评估矩阵指标权重，由此分别计算得到指标层和主维度层因素的权重，进一步计算园区及入驻企业的低碳发展评估指数。
4.根据权利要求3所述的基于能源大数据的工业园区碳排放水平监测及评估方法，其特征在于，步骤S6后执行步骤S7：基于园区碳排放历史时序数据，基于线性假设与非线性特质，以及基于时间序列和神经网络建模，通过对多种方法进行建模比较，选择相对最优模型，输出合理预测结果：
1)、梳理整合形成预测数据需求表；收集园区入驻单元个体近3年煤、油、气、电四类能源消费月度历史数据；
2)、数据建模：绘制序列图观察数据波动情况、进行谱分析揭示数据的周期性规律、进行自相关分析考察数据的自相关性、利用相关分析评估外部数据相关性，在对数据特征进行初步分析之后，进行建模比较，输出合理预测结果；
3)、模型评估：在得到不同建模预测结果后，通过平均绝对百分误差对模型进行校验与评估，最终选择相对最优模型，完成园区碳排放预测模型构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622281.3A CN116739368A (zh) | 2023-05-29 | 2023-05-29 | 基于能源大数据的工业园区碳排放水平监测及评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622281.3A CN116739368A (zh) | 2023-05-29 | 2023-05-29 | 基于能源大数据的工业园区碳排放水平监测及评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116739368A true CN116739368A (zh) | 2023-09-12 |
Family
ID=87912541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310622281.3A Pending CN116739368A (zh) | 2023-05-29 | 2023-05-29 | 基于能源大数据的工业园区碳排放水平监测及评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739368A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956749A (zh) * | 2023-09-18 | 2023-10-27 | 中科海慧（北京）科技有限公司 | 一种基于大数据多维度监测碳排放的方法和系统 |
-
2023
- 2023-05-29 CN CN202310622281.3A patent/CN116739368A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116956749A (zh) * | 2023-09-18 | 2023-10-27 | 中科海慧（北京）科技有限公司 | 一种基于大数据多维度监测碳排放的方法和系统 |
| CN116956749B (zh) * | 2023-09-18 | 2024-01-23 | 中科海慧（北京）科技有限公司 | 一种基于大数据多维度监测碳排放的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105260803A (zh) | 一种系统用电量预测方法 | |
| CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
| CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
| CN109858783B (zh) | 风电场电力交易辅助决策支持系统及辅助决策支持方法 | |
| Cucchiella et al. | A multicriteria analysis of photovoltaic systems: energetic, environmental, and economic assessments | |
| Chévez et al. | Methodology developed for the construction of an urban-energy diagnosis aimed to assess alternative scenarios: An intra-urban approach to foster cities’ sustainability | |
| CN109492818A (zh) | 基于能源发展与Shapley值赋权的用电量预测方法 | |
| CN116739368A (zh) | 基于能源大数据的工业园区碳排放水平监测及评估方法 | |
| Yao et al. | Evaluation of informatization performance of construction industrialization EPC enterprises in China | |
| CN113033110A (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| CN112163771A (zh) | 一种计及增量成本的多指标综合权重可靠性电价制定方法 | |
| CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| Wątróbski et al. | New multi-criteria method for evaluation of sustainable RES management | |
| CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
| CN113962504A (zh) | 一种配电网规划方案成本效益比计算方法 | |
| CN109902344A (zh) | 中小跨径桥梁群结构性能预测装置及系统 | |
| CN117010946A (zh) | 一种火电厂生产经营成本核算系统及其使用方法 | |
| CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
| CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
| CN113469440B (zh) | 一种预测月尺度生活需水量的方法 | |
| CN111091455B (zh) | 一种房地产税收一体化税源管理系统 | |
| Cui | Iot financial management system for energy enterprise management risk and prevention and control strategy under the background of double carbon | |
| CN106845823B (zh) | 一种防覆冰舞动技改项目效益评价方法和系统 | |
| CN114462671A (zh) | 基于多维电力大数据和电力经济学的定量分析决策方法 |
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 |