CN116862151B - 一种基于云计算的碳排放分析方法及系统 - Google Patents
一种基于云计算的碳排放分析方法及系统 Download PDFInfo
- Publication number
- CN116862151B CN116862151B CN202310722150.2A CN202310722150A CN116862151B CN 116862151 B CN116862151 B CN 116862151B CN 202310722150 A CN202310722150 A CN 202310722150A CN 116862151 B CN116862151 B CN 116862151B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- industrial park
- park
- 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.)
- Active
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 651
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 649
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 193
- 238000005265 energy consumption Methods 0.000 claims abstract description 167
- 238000006243 chemical reaction Methods 0.000 claims abstract description 101
- 230000009467 reduction Effects 0.000 claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 169
- 238000004364 calculation method Methods 0.000 claims description 82
- 230000005855 radiation Effects 0.000 claims description 74
- 230000007613 environmental effect Effects 0.000 claims description 35
- 238000007635 classification algorithm Methods 0.000 claims description 24
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 15
- 239000003344 environmental pollutant Substances 0.000 claims description 14
- 231100000719 pollutant Toxicity 0.000 claims description 14
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 11
- 239000001569 carbon dioxide Substances 0.000 claims description 11
- 238000013439 planning Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 239000002803 fossil fuel Substances 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 229910001385 heavy metal Inorganic materials 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 23
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 20
- 238000005457 optimization Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000003891 environmental analysis Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000005381 potential energy Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 230000005068 transpiration Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000003900 soil pollution Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q50/04—Manufacturing
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据分析技术领域，尤其涉及基于云计算的碳排放分析方法及系统。该方法包括以下步骤：获取工业园区能耗数据并进行数据提取，获得工业园区碳排放数据；获取工业园区环境监测数据，对工业园区环境监测数据以及工业园区碳排放数据构建工业园区碳排放调节模型；对园区生态环境数据进行计算，获得工业园区环境转化数据；利用工业园区环境转化数据对工业园区碳排放调节模型进行修正，获得优化工业园区碳排放调节模型；获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行分析，获得工业园区碳排放减排计划信息，发送至工业园区云平台。本发明基于云计算实现对工业园区碳排放量进行智慧管理。
Description
技术领域
本发明涉及大数据分析技术领域，尤其涉及基于云计算的碳排放分析方法及系统。
背景技术
传统工业园区在碳排放分析方面存在一些挑战。首先，需要大量的数据收集和处理，包括能源消耗、生产过程、废物排放等方面的数据，而传统方法在数据处理和分析上效率较低。其次，园区内的设备和工艺复杂多样，导致数据来源和准确度的差异性，给碳排放分析带来困难。
发明内容
基于此，本发明有必要提供一种基于云计算的碳排放分析方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于云计算的碳排放分析方法，包括以下步骤：
步骤S1：获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；
步骤S2：获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；
步骤S3：通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量，其中适宜碳排放量计算公式具体为：
其中Cm为适宜碳排放量，Pg为预测年度产量，Ff为产能综合系数，Hc为化石燃料含碳量，Hs为燃料消耗量，Na为阿伏伽德罗常数，ρCO2为二氧化碳密度，Tc为市内平均气温，Ts为工业区气温，n为无穷大的整数，i为从1开始到n的每一个整数，X为土壤酸碱度，Y为工业区水源重金属污染物含量，Z为空气中PM2.5浓度；
步骤S4：根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；
步骤S5：对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；
步骤S6：利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；
步骤S7：获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台。
本发明通过工业园区管理系统获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；从能耗数据中提取碳排放数据可以帮助识别工业园区的能耗热点，即能耗较高且碳排放量较大的设备或过程。这使得管理者能够有针对性地优化能源使用和排放流程，以降低碳排放并提高能源效率。通过工业园区管理系统获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；通过提取园区生态环境数据，可以对园区的环境状况进行全面评估和监测。包括空气质量、水质状况、土壤污染、噪音水平等方面的数据，能够揭示园区的生态环境健康状况。根据生态环境数据提取结果，工业园区可以制定相应的环境保护措施和管理规划。通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量；通过计算工业园区适宜碳排放量，可以为园区确定合理的碳排放目标提供依据。根据计算结果，园区可以制定相应的减排措施，如优化生产工艺、推广节能技术、采用清洁能源等，以实现可持续发展和低碳转型。根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；碳排放调节模型可以分析工业园区碳排放与资源利用之间的关系。通过模型的应用，可以帮助园区管理者了解碳排放与能源消耗、原材料使用等之间的关联，并从中发现资源利用的优化潜力，以减少碳排放和提高资源利用效率。对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；通过了解工业园区的环境转化数据，可以评估其碳排放情况并制定相应的减排措施。这有助于促进园区的可持续发展，减少对大气中碳含量的负面影响，推动低碳经济和绿色发展。通过强化园区的植被覆盖和碳转化能力，可以增强生态系统对空气中碳含量的吸收能力。利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；通过使用实际的工业园区环境转化数据，可以修正模型中的参数和假设，使模型更准确地反映工业园区的碳排放情况。修正后的模型将更好地预测和评估碳排放量。通过工业园区管理系统获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台。通过优化的碳排放调节模型对工业园区的生产计划信息进行环保分析，可以实时、精确地评估工业园区的碳排放水平，同时优化生产计划和资源配置，以最大限度地降低碳排放量。通过合理调整生产过程、改进生产工艺、提高资源利用效率等措施，可以实现碳排放的减少，同时提升工业园区的经济效益。基于工业园区的碳排放数据和环境模型分析，可以制定具体的碳排放减排目标。通过将碳排放减排计划信息发送至工业园区云平台，可以实现信息的集中管理和共享。这有助于各个企业在云平台上获取减排计划信息，根据自身情况制定相应的减排措施，并实时监测和报告减排进展。
可选地，步骤S1包括以下步骤：
步骤S11：获取工业园区能耗数据；
步骤S12：对工业园区能耗数据进行设备能耗数据以及流程能耗数据提取，从而获得设备能耗数据以及流程能耗数据；
步骤S13：对设备能耗数据进行设备碳排放计算，从而获得设备碳排放数据；
步骤S14：对流程能耗数据进行流程碳排放计算，从而获得流程碳排放数据；
步骤S15：对设备碳排放数据以及流程碳排放数据进行时序合并，从而获得工业园区碳排放数据。
本发明通过工业园区管理系统获取工业园区能耗数据。对工业园区能耗数据进行设备能耗数据以及流程能耗数据提取，从而获得设备能耗数据以及流程能耗数据；通过提取设备能耗数据和流程能耗数据，可以对工业园区的能耗状况进行精确评估。这有助于了解各个设备和流程的能耗水平，确定能耗高峰时段和能耗集中的区域，以及发现能耗异常和潜在的能耗改进机会，同时可以发现潜在的节能潜力和能耗优化的机会。对设备能耗数据进行设备碳排放计算，从而获得设备碳排放数据；通过设备碳排放数据的获取，可以识别高碳排放设备，并制定减排计划和目标。对流程能耗数据进行流程碳排放计算，从而获得流程碳排放数据；通过对流程能耗数据进行碳排放计算，可以发现潜在的减排机会。在流程中识别高碳排放环节和能源浪费点，并采取相应的改进措施，可以降低碳排放，减少能源消耗，从而实现环保和经济效益的双重收益。对设备碳排放数据以及流程碳排放数据进行时序合并，从而获得工业园区碳排放数据。通过时序合并设备和流程的碳排放数据，可以获得工业园区的全面碳排放情况。这有助于企业和管理部门了解园区内不同设备和流程对碳排放的贡献程度，识别高碳排放点和潜在减排机会。具备全面的碳排放数据有助于制定更精准的碳减排策略，实现碳效益最大化。通过时序合并数据，可以实现对工业园区碳排放的精细化管理。将设备和流程的碳排放数据整合到一个统一的平台或系统中，可以实时监测和跟踪碳排放指标，及时发现异常或高碳排放情况。通过精细化管理，可以提高碳排放数据的准确性和可靠性，进一步强化碳管控措施，降低碳排放水平。
可选地，步骤S13包括以下步骤：
步骤S131：对设备能耗数据进行统计分析，从而获得高频设备碳排放数据以及低频设备碳排放数据；
步骤S132：对设备能耗数据进行中频设备碳排放计算，从而获得中频设备碳排放数据；
步骤S133：对中频设备碳排放数据、高频设备碳排放数据以及低频设备碳排放数据进行时序合并，从而获得设备碳排放数据。
本发明对设备能耗数据进行统计分析，从而获得高频设备碳排放数据以及低频设备碳排放数据；通过统计分析设备能耗数据，可以确定高频设备和低频设备的能耗水平和对碳排放的贡献程度。高频设备通常是能耗量较大、使用频率较高的设备，其碳排放量也更高。低频设备通常是能耗量较小、使用频率较低的设备，其碳排放量相对较低。根据高频设备和低频设备的碳排放特征，可以制定有针对性的碳减排策略。对于高频设备，可以重点关注其能效提升潜力，采取技术改进、设备更新或运营优化等措施来降低其碳排放。对于低频设备，可以通过管理控制、设备调度或节能措施来实现碳排放的降低。有针对性的策略可以更有效地优化能耗结构和降低碳排放水平。对设备能耗数据进行中频设备碳排放计算，从而获得中频设备碳排放数据；中频设备通常在设备能耗中处于中等水平，其能耗量和碳排放量介于高频设备和低频设备之间。通过计算中频设备的碳排放，可以准确评估这些设备对总碳排放的贡献程度。中频设备是能耗量相对较大的设备，其能效改进和能耗优化潜力也相对较高。通过对中频设备的碳排放数据进行分析，可以定位能耗较高的设备类型、工艺环节或系统，进而采取合适的节能措施和技术改进方案。这有助于提高设备能源利用效率，降低碳排放，实现能耗结构的优化。对中频设备碳排放数据、高频设备碳排放数据以及低频设备碳排放数据进行时序合并，从而获得设备碳排放数据。通过合并不同频率设备的碳排放数据，可以获得企业所有设备的碳排放数据。这将帮助企业全面了解碳排放的时序变化、分布和贡献比例。通过分析时序数据，企业可以识别碳排放的高峰期、季节性变化和长期趋势，为制定减排策略和资源配置提供依据。
可选地，步骤S132包括以下步骤：
通过中频设备碳排放分类算法对设备能耗数据进行计算，从而获得中频设备碳排放数据；
其中中频设备碳排放分类算法的函数公式具体为：
其中E为设备碳排放量，A为设备的输出功率，B为设备的输入功率，C为设备在工作时发出的热量与环境温度差值，D为设备运行时间与总时间的比值，F为设备所需的供电电压，G为设备燃料的含碳量，H为设备运行时间，x为时刻极限系数。
本发明中的中频设备碳排放分类算法的函数公式充分考虑了影响设备碳排放量的E，设备的输出功率A，设备的输入功率B，设备在工作时发出的热量与环境温度差值C，设备运行时间与总时间的比值D，设备所需的供电电压F，设备燃料的含碳量G，设备运行时间H，形成了的函数关系。部分主要关注设备的功率转换效率以及使用频率，计算出设备在单位时间内实际消耗的能量。通过这一部分，可以了解设备在实际运行时所需的能耗量，进而进行分类。部分是对设备电源的电压要求以及设备燃料的含碳量进行考量。当供电电压负载变化时，设备所需要的能量也会有所改变，进而会影响设备排碳量。所以通过将能耗对电压的偏导数作为指标，反映设备对电压的敏感程度。/>部分考虑的是设备在长时间使用时的能效变化。为考察设备的一致性和长期可持续性，通过极限求值来反映设备的饱和情况，从而得到设备的能效水平。/>部分考虑到电压问题。设备所需的供电电压受到电压波动的影响，进而影响设备的能效，从而影响设备的碳排放量。通过计算电源提供给设备的电压和设备所需的供电电压之间的比值的反正弦函数，来考察设备在不同电压下的碳排放水平变化情况。综上所述，这个公式主要考虑了设备的功率转换效率、设备燃料的含碳量、使用频率、电压要求以及长时间使用时的能效变化等关键因素，从而得出具体设备的碳排放水平，并能够根据不同参数组合进行分类。该公式提高了设备碳排放量的准确性和真实性，为中频设备碳排放分类算法提供了准确的样本数据。
可选地，步骤S14包括以下步骤：
步骤S141：对流程能耗数据进行统计分析，从而获得高频流程碳排放数据以及低频流程碳排放数据；
步骤S142：对流程能耗数据进行中频流程碳排放计算，从而获得中频流程碳排放数据；
步骤S143：对中频流程碳排放数据、高频流程碳排放数据以及低频流程碳排放数据进行时序合并，从而获得设备碳排放数据。
本发明对流程能耗数据进行统计分析，从而获得高频流程碳排放数据以及低频流程碳排放数据；通过了解高频和低频流程的能耗和碳排放情况，可以识别和优化能源密集型和碳排放较高的流程。这有助于提高能源效率，减少能源浪费。对流程能耗数据进行中频流程碳排放计算，从而获得中频流程碳排放数据；中频流程通常在能耗和碳排放中处于中等水平，其能耗量和碳排放量介于高频流程和低频流程之间。通过计算中频流程的碳排放，可以准确评估这些流程对总碳排放的贡献程度。中频流程是能耗量相对较大的流程，其能效改进和能耗优化潜力也相对较高。通过对中频流程的碳排放数据进行分析，可以定位能耗较高的流程环节或工艺步骤，进而采取合适的节能措施和技术改进方案。这有助于提高流程能源利用效率，降低碳排放，实现能耗结构的优化。对中频流程碳排放数据、高频流程碳排放数据以及低频流程碳排放数据进行时序合并，从而获得设备碳排放数据。将中频流程、高频流程和低频流程的碳排放数据进行合并，可以提供对整个设备的碳排放情况的全面了解。合并设备的碳排放数据可以为设定碳减排目标提供依据。通过对历史数据和趋势的分析，企业可以评估设备的碳减排潜力，并设定相应的目标来推动减排工作。
可选地，步骤S142包括以下步骤：
通过中频流程碳排放分类算法对流程能耗数据进行计算，从而获得中频流程碳排放数据；
其中中频流程碳排放分类算法的函数公式具体为：
其中Cl为流程碳排放量，El为流程总能耗，μ为单位能量所对应的二氧化碳排放量，Fl为流程所需能源的电压，Gl为电源提供的平均电压，t为时刻，H(t)为t时刻流程消耗的能量，Dl为流程的时间长度。
本发明中的中频流程碳排放分类算法的函数公式充分考虑了影响流程碳排放量Cl的流程总能耗El，单位能量所对应的二氧化碳排放量μ，流程所需能源的电压Fl，电源提供的平均电压Gl，t时刻流程消耗的能量H(t)，流程的时间长度Dl，形成了函数关系：
这个公式的组成思路是将各种能量因素和相关系数进行综合运算，得到流程产生的碳排放量。/>这一部分表示流程产生碳排放的基础值，由流程消耗能量以及能量单位所对应的碳排放量来计算。/>表示在时间范围内流程消耗的能量总量。通过累积整个时间段内消耗的能量，可以获得这一部分的值。/>表示涉及到变量时的误差和不确定性。/> 分别代表Cl、Dl、El、Fl、Gl的偏导数，通过求出这些偏导数的平方和的平方根来计算误差和不确定性。/>为一个惩罚项，代表了流程时间越长，所产生的碳排放量也会随之增加。这是因为在相同的能源消耗下，流程运行的时间越长，就会产生更多的碳排放。/>表示单位时间内能源消耗量，即能耗密度。该公式提高了流程碳排放量的准确性和真实性，为中频流程碳排放分类算法提供了准确的样本数据。
可选地，步骤S5包括以下步骤：
步骤S51：通过工业辐射影响系数公式对园区生态环境数据进行计算，从而获得园区生态辐射影响数据；
其中辐射影响系数公式具体为：
其中I为园区生态辐射影响系数，E为工业园区的污染物排放量，Pc为工业园区的植被覆盖率，AQI为空气质量指数，Li为光照强度，Ta为大气温度，TI为温度逆差指数，Dw为工业园区的水体面积，Dg为工业园区的土地面积，PET为潜在蒸散发量；
本发明中的辐射影响系数公式充分考虑了影响园区生态辐射影响系数I的工业园区的污染物排放量E，工业园区的植被覆盖率Pc，空气质量指数AQI，光照强度Li，大气温度Ta，温度逆差指数TI，工业园区的水体面积Dw，工业园区的土地面积Dg，潜在蒸散发量PET，形成了函数关系： 表示工业园区排放污染物总量的指数函数，即随着污染物排放量的增加，其对生态环境的影响呈指数级别的增长。cos2(AQI)是关于AQI的余弦平方函数，表示当空气质量指数越低(即污染程度越高)时，其对生态环境的影响也越大。log10(Li)反映了工业园区内植被的采光情况，越高的光照强度意味着植物能够得到更多的充足阳光以及进行光合作用，因此对于生态环境会产生更积极的影响。Ta-TI+1代表工业园区周围温度逆差的差值加1，以刻画夜间和白天之间的温度变化和波动，这是影响植物和动物生长繁殖的重要因素之一。/>表示植被覆盖土地中水体和土地的体积比的平方根的正弦函数，即当水体占比越大时，其对于生态系统的影响会变得更为显著。/>表示工业园区植被的蒸腾量，其中PET代表潜在蒸散量，是指单位时间内土地上可蒸发和植物可蒸腾的最大水分损失量。这一项可以反映出工业园区内植物对于水分利用的情况，对生态环境的影响也随之有所不同。总而言之，这个复杂的数学模型综合了多种因素来评估工业对生态环境的影响程度，可以提高园区生态辐射影响系数的准确性和真实性。
步骤S52：根据园区生态辐射影响数据对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据。
本发明通过工业辐射影响系数公式对园区生态环境数据进行计算，从而获得园区生态辐射影响数据；通过计算园区生态辐射影响数据，可以评估工业对园区生态环境所产生的影响程度。这有助于了解工业活动对生态环境的综合影响，包括大气、水体、土壤和生物多样性等方面。根据园区生态辐射影响数据对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据。通过对园区生态辐射影响数据和工业园区生态环境数据的碳转化计算，可以评估工业园区的碳排放水平。了解工业园区的碳排放水平有助于评估其对气候变化的贡献，并为减少碳排放提供数据支持。
可选地，步骤S52具体为：
通过碳转化公式根据园区生态辐射影响数据对工业园区生态环境数据进行计算，从而获得工业园区环境转化数据，其中碳转化公式具体为：
其中x为园区植被种类，f(x)为x植被经过辐射影响后的碳转化能力，Ax为x植被初始碳转化能力，I为园区生态辐射影响系数，r为植被与工业园区的距离，c为角度对碳转化能力影响系数，θ为植被与工业园区之间的相对角度，d为环境影响阈值，e为植被面积，τ为光线与地面的夹角，g为碳转化能力逼近极限时的界限值，h为极限常数，n为极限项。
本发明中的碳转化公式充分考虑了影响植被经过辐射影响后的碳转化能力的制备初始碳转化能力Ax，园区生态辐射影响系数I，植被与工业园区的距离r，角度对碳转化能力影响系数c，植被与工业园区之间的相对角度θ，环境影响阈值d，植被面积e，光线与地面的夹角，碳转化能力逼近极限时的界限值g，形成了的函数关系。该公式包含一个基础值Ax，表示在没有任何工业园区的影响下，生态环境的初始碳转化能力。此外，公式还考虑工业园区生态辐射影响系数I，用来衡量工业园区对生态环境的影响大小与方向。其次，公式考虑到距离工业园区的距离r对生态环境碳转化能力的影响。一般情况下，距离越远，工业园区对生态环境的影响会越小。该项使用自然对数函数ln(r)来表达距离与生态环境碳转化能力之间的关系。同时角度对碳转化能力也产生影响，角度c采用正弦函数sin(θ)计算，θ为植被与工业园区之间的相对角度。公式考虑了环境影响阈值d和植被面积e对碳转化能力的影响，当植被面积e所能接受的环境辐射不超过环境影响阈值时，生态环境的碳转化能力将不再受到环境影响。在/>中，h代表一个小于1的正实数，决定数列…当n越来越大的极限值。它决定了该数列逐渐趋近于零的速度。在这个公式中，极限值的含义是：当距离工业园区越远时，环境辐射对碳转化能力的影响越小，最终碳转化能力会逼近它的极限值g，以表达碳转化能力的上限。
可选地，步骤S7中的环保分析包括以下步骤：
通过优化工业园区碳排放调节模型对工业园区生产计划信息进行碳排放计算，从而获得工业园区建议碳排放量；
对工业园区计划信息进行设备碳排放计算以及流程碳排放计算，从而获得工业园区预估碳排放量；
对工业园区建议碳排放量以及工业园区预估碳排放量进行对比分析，从而获得工业园区碳排放减排计划信息。
本发明通过优化工业园区碳排放调节模型对工业园区生产计划信息进行碳排放计算，从而获得工业园区建议碳排放量；工业园区建议碳排放量旨在提供一个可行且可持续的碳排放目标，以引导工业园区进行减排行动。这项指标的制定可以促使工业园区采取有效的措施来降低碳排放。对工业园区计划信息进行设备碳排放计算以及流程碳排放计算，从而获得工业园区预估碳排放量；对工业园区建议碳排放量以及工业园区预估碳排放量进行对比分析，从而获得工业园区碳排放减排计划信息。基于对比分析的结果，可以制定具体的碳排放减排计划。
可选地，本说明书还提供一种基于云计算的碳排放分析系统，包括：
碳排放提取模块，用于获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；
生态环境数据提取模块，用于获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；
适宜碳排放计算模块，用于通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量；
碳排放调节模型，用于根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；
碳转化计算模块，用于对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；
模型修正模块，用于利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；
环保分析模块，用于获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台
本发明的基于云计算的碳排放分析系统，该系统能够实现本发明任意一种基于云计算的碳排放分析方法，用于联合各个模块之间的操作与信号传输的媒介，以完成基于云计算的碳排放分析方法，系统内部结构互相协作，实现对工业园区的智慧分析。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于云计算的碳排放分析方法的步骤流程示意图；
图2为本发明中步骤S1的详细步骤流程示意图；
图3为本发明中步骤S13的详细步骤流程示意图；
图4为本发明中步骤S14的详细步骤流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供了一种基于云计算的碳排放分析方法，所述方法包括以下步骤：
步骤S1：获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；
本实施例中通过工业园区管理系统获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据。
步骤S2：获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；
本实施例中通过工业园区管理系统获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据。
步骤S3：通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量，其中适宜碳排放量计算公式具体为：
其中Cm为适宜碳排放量，Pg为预测年度产量，Ff为产能综合系数，Hc为化石燃料含碳量，Hs为燃料消耗量，Na为阿伏伽德罗常数，ρCO2为二氧化碳密度，Tc为市内平均气温，Ts为工业区气温，n为无穷大的整数，i为从1开始到n的每一个整数，X为土壤酸碱度，Y为工业区水源重金属污染物含量，Z为空气中PM2.5浓度；
本实施例中通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量，其中适宜碳排放量计算公式充分考虑了影响适宜碳排放量Cm的预测年度产量Pg，产能综合系数Ff，化石燃料含碳量Hc，燃料消耗量Hs，二氧化碳密度ρCO2，市内平均气温Tc，工业区气温Ts，土壤酸碱度X，工业区水源重金属污染物含量Y，空气中PM2.5浓度Z，形成了函数关系：
用于计算化石燃料的二氧化碳排放量，其中Pg为预测年度产量，Ff为产能综合系数，即每生产一吨产品所需的耗能量，Hc为化石燃料含碳量，Hs为燃料消耗量，Na为阿伏伽德罗常数，ρCO2为二氧化碳密度。用于根据市内平均气温Tc与工业区气温Ts之间的比率对排放量进行调整。/>用于土壤酸碱度X、工业区水源重金属污染物含量Y、空气中PM2.5浓度Z对排放量进行调整。/>用于对排放量进行微调。该公式能提高园区适宜碳排放量计算的准确性和真实性。
步骤S4：根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；
本实施例中将工业园区适宜碳排放量以及工业园区碳排放数据进行数据归并，从而获得调节建模数据；按照8:2的划分比例将调节建模数据划分为建模训练集与建模测试集；基于随机森林算法对建模训练集与建模测试集进行模型构建，从而获得工业园区碳排放调节模型。
步骤S5：对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；
步骤S6：利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；
本实施例中将工业园区环境转化数据作为工业园区碳排放调节模型的输入参数，从而获得优化工业园区碳排放调节模型。
步骤S7：获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台。
本发明通过工业园区管理系统获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；从能耗数据中提取碳排放数据可以帮助识别工业园区的能耗热点，即能耗较高且碳排放量较大的设备或过程。这使得管理者能够有针对性地优化能源使用和排放流程，以降低碳排放并提高能源效率。通过工业园区管理系统获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；通过提取园区生态环境数据，可以对园区的环境状况进行全面评估和监测。包括空气质量、水质状况、土壤污染、噪音水平等方面的数据，能够揭示园区的生态环境健康状况。根据生态环境数据提取结果，工业园区可以制定相应的环境保护措施和管理规划。通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量；通过计算工业园区适宜碳排放量，可以为园区确定合理的碳排放目标提供依据。根据计算结果，园区可以制定相应的减排措施，如优化生产工艺、推广节能技术、采用清洁能源等，以实现可持续发展和低碳转型。根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；碳排放调节模型可以分析工业园区碳排放与资源利用之间的关系。通过模型的应用，可以帮助园区管理者了解碳排放与能源消耗、原材料使用等之间的关联，并从中发现资源利用的优化潜力，以减少碳排放和提高资源利用效率。对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；通过了解工业园区的环境转化数据，可以评估其碳排放情况并制定相应的减排措施。这有助于促进园区的可持续发展，减少对大气中碳含量的负面影响，推动低碳经济和绿色发展。通过强化园区的植被覆盖和碳转化能力，可以增强生态系统对空气中碳含量的吸收能力。利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；通过使用实际的工业园区环境转化数据，可以修正模型中的参数和假设，使模型更准确地反映工业园区的碳排放情况。修正后的模型将更好地预测和评估碳排放量。通过工业园区管理系统获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台。通过优化的碳排放调节模型对工业园区的生产计划信息进行环保分析，可以实时、精确地评估工业园区的碳排放水平，同时优化生产计划和资源配置，以最大限度地降低碳排放量。通过合理调整生产过程、改进生产工艺、提高资源利用效率等措施，可以实现碳排放的减少，同时提升工业园区的经济效益。基于工业园区的碳排放数据和环境模型分析，可以制定具体的碳排放减排目标。通过将碳排放减排计划信息发送至工业园区云平台，可以实现信息的集中管理和共享。这有助于各个企业在云平台上获取减排计划信息，根据自身情况制定相应的减排措施，并实时监测和报告减排进展。
可选地，步骤S1包括以下步骤：
步骤S11：获取工业园区能耗数据；
本实施例中通过工业园区管理系统获取工业园区能耗数据。
步骤S12：对工业园区能耗数据进行设备能耗数据以及流程能耗数据提取，从而获得设备能耗数据以及流程能耗数据；
本实施例中对工业园区能耗数据进行数据提取，从而获得设备能耗数据以及流程能耗数据。
步骤S13：对设备能耗数据进行设备碳排放计算，从而获得设备碳排放数据；
步骤S14：对流程能耗数据进行流程碳排放计算，从而获得流程碳排放数据；
步骤S15：对设备碳排放数据以及流程碳排放数据进行时序合并，从而获得工业园区碳排放数据。
本实施例中将设备碳排放数据以及流程碳排放数据按照时间顺序进行合并，从而获得工业园区碳排放数据。
本发明通过工业园区管理系统获取工业园区能耗数据。对工业园区能耗数据进行设备能耗数据以及流程能耗数据提取，从而获得设备能耗数据以及流程能耗数据；通过提取设备能耗数据和流程能耗数据，可以对工业园区的能耗状况进行精确评估。这有助于了解各个设备和流程的能耗水平，确定能耗高峰时段和能耗集中的区域，以及发现能耗异常和潜在的能耗改进机会，同时可以发现潜在的节能潜力和能耗优化的机会。对设备能耗数据进行设备碳排放计算，从而获得设备碳排放数据；通过设备碳排放数据的获取，可以识别高碳排放设备，并制定减排计划和目标。对流程能耗数据进行流程碳排放计算，从而获得流程碳排放数据；通过对流程能耗数据进行碳排放计算，可以发现潜在的减排机会。在流程中识别高碳排放环节和能源浪费点，并采取相应的改进措施，可以降低碳排放，减少能源消耗，从而实现环保和经济效益的双重收益。对设备碳排放数据以及流程碳排放数据进行时序合并，从而获得工业园区碳排放数据。通过时序合并设备和流程的碳排放数据，可以获得工业园区的全面碳排放情况。这有助于企业和管理部门了解园区内不同设备和流程对碳排放的贡献程度，识别高碳排放点和潜在减排机会。具备全面的碳排放数据有助于制定更精准的碳减排策略，实现碳效益最大化。通过时序合并数据，可以实现对工业园区碳排放的精细化管理。将设备和流程的碳排放数据整合到一个统一的平台或系统中，可以实时监测和跟踪碳排放指标，及时发现异常或高碳排放情况。通过精细化管理，可以提高碳排放数据的准确性和可靠性，进一步强化碳管控措施，降低碳排放水平。
可选地，步骤S13包括以下步骤：
步骤S131：对设备能耗数据进行统计分析，从而获得高频设备碳排放数据以及低频设备碳排放数据；
本实施例中通过频数分析法对设备能耗数据进行统计分析，从而获得高频设备碳排放数据以及低频设备碳排放数据。
步骤S132：对设备能耗数据进行中频设备碳排放计算，从而获得中频设备碳排放数据；
步骤S133：对中频设备碳排放数据、高频设备碳排放数据以及低频设备碳排放数据进行时序合并，从而获得设备碳排放数据。
本实施例中对中频设备碳排放数据、高频设备碳排放数据以及低频设备碳排放数据按照时间顺序进行合并，从而获得设备碳排放数据。
本发明对设备能耗数据进行统计分析，从而获得高频设备碳排放数据以及低频设备碳排放数据；通过统计分析设备能耗数据，可以确定高频设备和低频设备的能耗水平和对碳排放的贡献程度。高频设备通常是能耗量较大、使用频率较高的设备，其碳排放量也更高。低频设备通常是能耗量较小、使用频率较低的设备，其碳排放量相对较低。根据高频设备和低频设备的碳排放特征，可以制定有针对性的碳减排策略。对于高频设备，可以重点关注其能效提升潜力，采取技术改进、设备更新或运营优化等措施来降低其碳排放。对于低频设备，可以通过管理控制、设备调度或节能措施来实现碳排放的降低。有针对性的策略可以更有效地优化能耗结构和降低碳排放水平。对设备能耗数据进行中频设备碳排放计算，从而获得中频设备碳排放数据；中频设备通常在设备能耗中处于中等水平，其能耗量和碳排放量介于高频设备和低频设备之间。通过计算中频设备的碳排放，可以准确评估这些设备对总碳排放的贡献程度。中频设备是能耗量相对较大的设备，其能效改进和能耗优化潜力也相对较高。通过对中频设备的碳排放数据进行分析，可以定位能耗较高的设备类型、工艺环节或系统，进而采取合适的节能措施和技术改进方案。这有助于提高设备能源利用效率，降低碳排放，实现能耗结构的优化。对中频设备碳排放数据、高频设备碳排放数据以及低频设备碳排放数据进行时序合并，从而获得设备碳排放数据。通过合并不同频率设备的碳排放数据，可以获得企业所有设备的碳排放数据。这将帮助企业全面了解碳排放的时序变化、分布和贡献比例。通过分析时序数据，企业可以识别碳排放的高峰期、季节性变化和长期趋势，为制定减排策略和资源配置提供依据。
可选地，步骤S132包括以下步骤：
通过中频设备碳排放分类算法对设备能耗数据进行计算，从而获得中频设备碳排放数据；
本实施例中通过结合逻辑回归算法相关参数、设备相关参数、燃料信息、设备运行时间信息等相关参数构建了中频设备碳排放分类算法，通过中频设备碳排放分类算法对设备能耗数据进行计算，从而获得中频设备碳排放数据。
其中中频设备碳排放分类算法的函数公式具体为：
其中E为设备碳排放量，A为设备的输出功率，B为设备的输入功率，C为设备在工作时发出的热量与环境温度差值，D为设备运行时间与总时间的比值，F为设备所需的供电电压，G为设备燃料的含碳量，H为设备运行时间，x为时刻极限系数。
本发明中的中频设备碳排放分类算法的函数公式充分考虑了影响设备碳排放量的E，设备的输出功率A，设备的输入功率B，设备在工作时发出的热量与环境温度差值C，设备运行时间与总时间的比值D，设备所需的供电电压F，设备燃料的含碳量G，设备运行时间H，形成了的函数关系。部分主要关注设备的功率转换效率以及使用频率，计算出设备在单位时间内实际消耗的能量。通过这一部分，可以了解设备在实际运行时所需的能耗量，进而进行分类。/>部分是对设备电源的电压要求以及设备燃料的含碳量进行考量。当供电电压负载变化时，设备所需要的能量也会有所改变，进而会影响设备排碳量。所以通过将能耗对电压的偏导数作为指标，反映设备对电压的敏感程度。/>部分考虑的是设备在长时间使用时的能效变化。为考察设备的一致性和长期可持续性，通过极限求值来反映设备的饱和情况，从而得到设备的能效水平。/>部分考虑到电压问题。设备所需的供电电压受到电压波动的影响，进而影响设备的能效，从而影响设备的碳排放量。通过计算电源提供给设备的电压和设备所需的供电电压之间的比值的反正弦函数，来考察设备在不同电压下的碳排放水平变化情况。综上所述，这个公式主要考虑了设备的功率转换效率、设备燃料的含碳量、使用频率、电压要求以及长时间使用时的能效变化等关键因素，从而得出具体设备的碳排放水平，并能够根据不同参数组合进行分类。该公式提高了设备碳排放量的准确性和真实性，为中频设备碳排放分类算法提供了准确的样本数据。
可选地，步骤S14包括以下步骤：
步骤S141：对流程能耗数据进行统计分析，从而获得高频流程碳排放数据以及低频流程碳排放数据；
本实施例中通过频数分析法对流程能耗数据进行统计分析，从而获得高频流程碳排放数据以及低频流程碳排放数据。
步骤S142：对流程能耗数据进行中频流程碳排放计算，从而获得中频流程碳排放数据；
步骤S143：对中频流程碳排放数据、高频流程碳排放数据以及低频流程碳排放数据进行时序合并，从而获得设备碳排放数据。
本实施例中将中频流程碳排放数据、高频流程碳排放数据以及低频流程碳排放数据按照时间顺序进行合并，从而获得设备碳排放数据。
本发明对流程能耗数据进行统计分析，从而获得高频流程碳排放数据以及低频流程碳排放数据；通过了解高频和低频流程的能耗和碳排放情况，可以识别和优化能源密集型和碳排放较高的流程。这有助于提高能源效率，减少能源浪费。对流程能耗数据进行中频流程碳排放计算，从而获得中频流程碳排放数据；中频流程通常在能耗和碳排放中处于中等水平，其能耗量和碳排放量介于高频流程和低频流程之间。通过计算中频流程的碳排放，可以准确评估这些流程对总碳排放的贡献程度。中频流程是能耗量相对较大的流程，其能效改进和能耗优化潜力也相对较高。通过对中频流程的碳排放数据进行分析，可以定位能耗较高的流程环节或工艺步骤，进而采取合适的节能措施和技术改进方案。这有助于提高流程能源利用效率，降低碳排放，实现能耗结构的优化。对中频流程碳排放数据、高频流程碳排放数据以及低频流程碳排放数据进行时序合并，从而获得设备碳排放数据。将中频流程、高频流程和低频流程的碳排放数据进行合并，可以提供对整个设备的碳排放情况的全面了解。合并设备的碳排放数据可以为设定碳减排目标提供依据。通过对历史数据和趋势的分析，企业可以评估设备的碳减排潜力，并设定相应的目标来推动减排工作。
可选地，步骤S142包括以下步骤：
通过中频流程碳排放分类算法对流程能耗数据进行计算，从而获得中频流程碳排放数据；
本实施例中通过结合支持向量机算法相关参数、流程能耗信息、电源信息等相关参数构建了中频流程碳排放分类算法，通过中频流程碳排放分类算法对流程能耗数据进行计算，从而获得中频流程碳排放数据。
其中中频流程碳排放分类算法的函数公式具体为：
其中Cl为流程碳排放量，El为流程总能耗，μ为单位能量所对应的二氧化碳排放量，Fl为流程所需能源的电压，Gl为电源提供的平均电压，t为时刻，H(t)为t时刻流程消耗的能量，Dl为流程的时间长度。
本发明中的中频流程碳排放分类算法的函数公式充分考虑了影响流程碳排放量Cl的流程总能耗El，单位能量所对应的二氧化碳排放量μ，流程所需能源的电压Fl，电源提供的平均电压Gl，t时刻流程消耗的能量H(t)，流程的时间长度Dl，形成了函数关系：
这个公式的组成思路是将各种能量因素和相关系数进行综合运算，得到流程产生的碳排放量。/>这一部分表示流程产生碳排放的基础值，由流程消耗能量以及能量单位所对应的碳排放量来计算。/>表示在时间范围内流程消耗的能量总量。通过累积整个时间段内消耗的能量，可以获得这一部分的值。/>表示涉及到变量时的误差和不确定性。/> 分别代表Cl、Dl、El、Fl、Gl的偏导数，通过求出这些偏导数的平方和的平方根来计算误差和不确定性。/>为一个惩罚项，代表了流程时间越长，所产生的碳排放量也会随之增加。这是因为在相同的能源消耗下，流程运行的时间越长，就会产生更多的碳排放。/>表示单位时间内能源消耗量，即能耗密度。该公式提高了流程碳排放量的准确性和真实性，为中频流程碳排放分类算法提供了准确的样本数据。
可选地，步骤S5包括以下步骤：
步骤S51：通过工业辐射影响系数公式对园区生态环境数据进行计算，从而获得园区生态辐射影响数据；
其中辐射影响系数公式具体为：
其中I为园区生态辐射影响系数，E为工业园区的污染物排放量，Pc为工业园区的植被覆盖率，AQI为空气质量指数，Li为光照强度，Ta为大气温度，TI为温度逆差指数，Dw为工业园区的水体面积，Dg为工业园区的土地面积，PET为潜在蒸散发量；
本发明中的辐射影响系数公式充分考虑了影响园区生态辐射影响系数I的工业园区的污染物排放量E，工业园区的植被覆盖率Pc，空气质量指数AQI，光照强度Li，大气温度Ta，温度逆差指数TI，工业园区的水体面积Dw，工业园区的土地面积Dg，潜在蒸散发量PET，形成了函数关系： 表示工业园区排放污染物总量的指数函数，即随着污染物排放量的增加，其对生态环境的影响呈指数级别的增长。cos2(AQI)是关于AQI的余弦平方函数，表示当空气质量指数越低(即污染程度越高)时，其对生态环境的影响也越大。log10(Li)反映了工业园区内植被的采光情况，越高的光照强度意味着植物能够得到更多的充足阳光以及进行光合作用，因此对于生态环境会产生更积极的影响。Ta-TI+1代表工业园区周围温度逆差的差值加1，以刻画夜间和白天之间的温度变化和波动，这是影响植物和动物生长繁殖的重要因素之一。/>表示植被覆盖土地中水体和土地的体积比的平方根的正弦函数，即当水体占比越大时，其对于生态系统的影响会变得更为显著。/>表示工业园区植被的蒸腾量，其中PET代表潜在蒸散量，是指单位时间内土地上可蒸发和植物可蒸腾的最大水分损失量。这一项可以反映出工业园区内植物对于水分利用的情况，对生态环境的影响也随之有所不同。总而言之，这个复杂的数学模型综合了多种因素来评估工业对生态环境的影响程度，可以提高园区生态辐射影响系数的准确性和真实性。
步骤S52：根据园区生态辐射影响数据对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据。
本发明通过工业辐射影响系数公式对园区生态环境数据进行计算，从而获得园区生态辐射影响数据；通过计算园区生态辐射影响数据，可以评估工业对园区生态环境所产生的影响程度。这有助于了解工业活动对生态环境的综合影响，包括大气、水体、土壤和生物多样性等方面。根据园区生态辐射影响数据对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据。通过对园区生态辐射影响数据和工业园区生态环境数据的碳转化计算，可以评估工业园区的碳排放水平。了解工业园区的碳排放水平有助于评估其对气候变化的贡献，并为减少碳排放提供数据支持。
可选地，步骤S52具体为：
通过碳转化公式根据园区生态辐射影响数据对工业园区生态环境数据进行计算，从而获得工业园区环境转化数据，其中碳转化公式具体为：
其中x为园区植被种类，f(x)为x植被经过辐射影响后的碳转化能力，Ax为x植被初始碳转化能力，I为园区生态辐射影响系数，r为植被与工业园区的距离，c为角度对碳转化能力影响系数，θ为植被与工业园区之间的相对角度，d为环境影响阈值，e为植被面积，τ为光线与地面的夹角，g为碳转化能力逼近极限时的界限值，h为极限常数，n为极限项。
本发明中的碳转化公式充分考虑了影响植被经过辐射影响后的碳转化能力的制备初始碳转化能力Ax，园区生态辐射影响系数I，植被与工业园区的距离r，角度对碳转化能力影响系数c，植被与工业园区之间的相对角度θ，环境影响阈值d，植被面积e，光线与地面的夹角，碳转化能力逼近极限时的界限值g，形成了的函数关系。该公式包含一个基础值Ax，表示在没有任何工业园区的影响下，生态环境的初始碳转化能力。此外，公式还考虑工业园区生态辐射影响系数I，用来衡量工业园区对生态环境的影响大小与方向。其次，公式考虑到距离工业园区的距离r对生态环境碳转化能力的影响。一般情况下，距离越远，工业园区对生态环境的影响会越小。该项使用自然对数函数ln(r)来表达距离与生态环境碳转化能力之间的关系。同时角度对碳转化能力也产生影响，角度c采用正弦函数sin(θ)计算，θ为植被与工业园区之间的相对角度。公式考虑了环境影响阈值d和植被面积e对碳转化能力的影响，当植被面积e所能接受的环境辐射不超过环境影响阈值时，生态环境的碳转化能力将不再受到环境影响。在/>中，h代表一个小于1的正实数，决定数列…当n越来越大的极限值。它决定了该数列逐渐趋近于零的速度。在这个公式中，极限值的含义是：当距离工业园区越远时，环境辐射对碳转化能力的影响越小，最终碳转化能力会逼近它的极限值g，以表达碳转化能力的上限。
可选地，步骤S7中的环保分析包括以下步骤：
通过优化工业园区碳排放调节模型对工业园区生产计划信息进行碳排放计算，从而获得工业园区建议碳排放量；
本实施例中通过优化工业园区碳排放调节模型对工业园区生产计划信息进行碳排放计算，从而获得工业园区建议碳排放量，其中工业园区建议碳排放量为工业园区建议碳排放量为优化工业园区碳排放调节模型对工业园区生产计划信息进行碳排放减排预测所得。
对工业园区计划信息进行设备碳排放计算以及流程碳排放计算，从而获得工业园区预估碳排放量；
对工业园区建议碳排放量以及工业园区预估碳排放量进行对比分析，从而获得工业园区碳排放减排计划信息。
本实施例中将实际碳排放量与建议碳排放量进行对比分析。通过对比实际排放量和建议排放量，可以评估工业园区的排放状况，并确定是否需要采取减排措施。基于对比分析的结果，制定工业园区的碳排放减排计划，从而得到工业园区碳排放减排计划信息。
本发明通过优化工业园区碳排放调节模型对工业园区生产计划信息进行碳排放计算，从而获得工业园区建议碳排放量；工业园区建议碳排放量旨在提供一个可行且可持续的碳排放目标，以引导工业园区进行减排行动。这项指标的制定可以促使工业园区采取有效的措施来降低碳排放。对工业园区计划信息进行设备碳排放计算以及流程碳排放计算，从而获得工业园区预估碳排放量；对工业园区建议碳排放量以及工业园区预估碳排放量进行对比分析，从而获得工业园区碳排放减排计划信息。基于对比分析的结果，可以制定具体的碳排放减排计划。
可选地，本说明书还提供一种基于云计算的碳排放分析系统，包括：
碳排放提取模块，用于获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；
生态环境数据提取模块，用于获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；
适宜碳排放计算模块，用于通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量；
碳排放调节模型，用于根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；
碳转化计算模块，用于对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；
模型修正模块，用于利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；
环保分析模块，用于获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台
本发明的基于云计算的碳排放分析系统，该系统能够实现本发明任意一种基于云计算的碳排放分析方法，用于联合各个模块之间的操作与信号传输的媒介，以完成基于云计算的碳排放分析方法，系统内部结构互相协作，实现对工业园区的智慧分析。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于云计算的碳排放分析方法，其特征在于，包括以下步骤：
步骤S1：获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；
步骤S2：获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；
步骤S3：通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量，其中适宜碳排放量计算公式具体为：
其中Cm为适宜碳排放量，Pg为预测年度产量，Ff为产能综合系数，Hc为化石燃料含碳量，Hs为燃料消耗量，Na为阿伏伽德罗常数，ρCO2为二氧化碳密度，Tc为市内平均气温，Ts为工业区气温，n为无穷大的整数，i为从1开始到n的每一个整数，X为土壤酸碱度，Y为工业区水源重金属污染物含量，Z为空气中PM2.5浓度；
步骤S4：根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；
步骤S5：对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；步骤S5包括以下步骤：
步骤S51：通过工业辐射影响系数公式对园区生态环境数据进行计算，从而获得园区生态辐射影响数据；其中辐射影响系数公式具体为：
其中I为园区生态辐射影响系数，E为工业园区的污染物排放量，Pc为工业园区的植被覆盖率，AQI为空气质量指数，Li为光照强度，Ta为大气温度，Tl为温度逆差指数，Dw为工业园区的水体面积，Dg为工业园区的土地面积，PET为潜在蒸散发量；
步骤S52：根据园区生态辐射影响数据对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据，步骤S52具体为：
通过碳转化公式根据园区生态辐射影响数据对工业园区生态环境数据进行计算，从而获得工业园区环境转化数据，其中碳转化公式具体为：
其中x为园区植被种类，f(x)为x植被经过辐射影响后的碳转化能力，Ax为x植被初始碳转化能力，I为园区生态辐射影响系数，r为植被与工业园区的距离，c为角度对碳转化能力影响系数，θ为植被与工业园区之间的相对角度，d为环境影响阈值，e为植被面积，τ为光线与地面的夹角，g为碳转化能力逼近极限时的界限值，h为极限常数，n为极限项；
步骤S6：利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；
步骤S7：获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台。
2.根据权利要求1所述的基于云计算的碳排放分析方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取工业园区能耗数据；
步骤S12：对工业园区能耗数据进行设备能耗数据以及流程能耗数据提取，从而获得设备能耗数据以及流程能耗数据；
步骤S13：对设备能耗数据进行设备碳排放计算，从而获得设备碳排放数据；
步骤S14：对流程能耗数据进行流程碳排放计算，从而获得流程碳排放数据；
步骤S15：对设备碳排放数据以及流程碳排放数据进行时序合并，从而获得工业园区碳排放数据。
3.根据权利要求2所述的基于云计算的碳排放分析方法，其特征在于，步骤S13包括以下步骤：
步骤S131：对设备能耗数据进行统计分析，从而获得高频设备碳排放数据以及低频设备碳排放数据；
步骤S132：对设备能耗数据进行中频设备碳排放计算，从而获得中频设备碳排放数据；
步骤S133：对中频设备碳排放数据、高频设备碳排放数据以及低频设备碳排放数据进行时序合并，从而获得设备碳排放数据。
4.根据权利要求3所述的基于云计算的碳排放分析方法，其特征在于，步骤S132包括以下步骤：
通过中频设备碳排放分类算法对设备能耗数据进行计算，从而获得中频设备碳排放数据；
其中中频设备碳排放分类算法的函数公式具体为：
其中E为设备碳排放量，A为设备的输出功率，B为设备的输入功率，C为设备在工作时发出的热量与环境温度差值，D为设备运行时间与总时间的比值，F为设备所需的供电电压，G为设备燃料的含碳量，H为设备运行时间，x为时刻极限系数。
5.根据权利要求2所述的基于云计算的碳排放分析方法，其特征在于，步骤S14包括以下步骤：
步骤S141：对流程能耗数据进行统计分析，从而获得高频流程碳排放数据以及低频流程碳排放数据；
步骤S142：对流程能耗数据进行中频流程碳排放计算，从而获得中频流程碳排放数据；
步骤S143：对中频流程碳排放数据、高频流程碳排放数据以及低频流程碳排放数据进行时序合并，从而获得设备碳排放数据。
6.根据权利要求5所述的基于云计算的碳排放分析方法，其特征在于，步骤S142包括以下步骤：
通过中频流程碳排放分类算法对流程能耗数据进行计算，从而获得中频流程碳排放数据；
其中中频流程碳排放分类算法的函数公式具体为：
其中Cl为流程碳排放量，El为流程总能耗，μ为单位能量所对应的二氧化碳排放量，Fl为流程所需能源的电压，Gl为电源提供的平均电压，t为时刻，H(t)为t时刻流程消耗的能量，Dl为流程的时间长度。
7.根据权利要求1所述的基于云计算的碳排放分析方法，其特征在于，步骤S7中的环保分析包括以下步骤：
通过优化工业园区碳排放调节模型对工业园区生产计划信息进行碳排放计算，从而获得工业园区建议碳排放量；
对工业园区计划信息进行设备碳排放计算以及流程碳排放计算，从而获得工业园区预估碳排放量；
对工业园区建议碳排放量以及工业园区预估碳排放量进行对比分析，从而获得工业园区碳排放减排计划信息。
8.一种基于云计算的碳排放分析系统，其特征在于，用于执行如权利要求1所述的基于云计算的碳排放分析方法，包括：
碳排放提取模块，用于获取工业园区能耗数据，对工业园区能耗数据进行碳排放数据提取，从而获得工业园区碳排放数据；
生态环境数据提取模块，用于获取工业园区环境监测数据，对工业园区环境监测数据进行生态环境数据提取，从而获得园区生态环境数据；
适宜碳排放计算模块，用于通过适宜碳排放量计算公式对工业园区碳排放数据以及工业园区环境监测数据进行计算，从而获得工业园区适宜碳排放量；
碳排放调节模型，用于根据工业园区适宜碳排放量以及工业园区碳排放数据构建工业园区碳排放调节模型；
碳转化计算模块，用于对园区生态环境数据进行辐射影响计算，从而获得园区生态辐射影响系数，根据园区生态辐射影响系数对工业园区生态环境数据进行碳转化计算，从而获得工业园区环境转化数据；
模型修正模块，用于利用工业园区环境转化数据对工业园区碳排放调节模型进行修正处理，从而获得优化工业园区碳排放调节模型；
环保分析模块，用于获取工业园区生产计划信息，通过优化工业园区碳排放调节模型对工业园区生产计划信息进行环保分析，从而获得工业园区碳排放减排计划信息，并发送至工业园区云平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722150.2A CN116862151B (zh) | 2023-06-16 | 2023-06-16 | 一种基于云计算的碳排放分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722150.2A CN116862151B (zh) | 2023-06-16 | 2023-06-16 | 一种基于云计算的碳排放分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116862151A CN116862151A (zh) | 2023-10-10 |
| CN116862151B true CN116862151B (zh) | 2024-04-30 |
Family
ID=88233096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310722150.2A Active CN116862151B (zh) | 2023-06-16 | 2023-06-16 | 一种基于云计算的碳排放分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116862151B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709557B (zh) * | 2024-02-06 | 2024-04-19 | 北京中创碳投科技有限公司 | 一种基于能耗数据估算企业碳排放量的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330826A (zh) * | 2021-11-04 | 2022-04-12 | 国网江苏省电力有限公司经济技术研究院 | 一种碳排放预测及优化方法 |
| CN115660918A (zh) * | 2022-09-20 | 2023-01-31 | 浙江工业大学 | 一种工业园区碳排放计算及预测方法 |
| CN115719180A (zh) * | 2022-11-24 | 2023-02-28 | 国网河南省电力公司营销服务中心 | 一种工业园区降碳关键影响因素分析方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8214249B2 (en) * | 2008-06-09 | 2012-07-03 | Oracle International Corporation | Resource planning system with carbon emission input |
-
2023
- 2023-06-16 CN CN202310722150.2A patent/CN116862151B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114330826A (zh) * | 2021-11-04 | 2022-04-12 | 国网江苏省电力有限公司经济技术研究院 | 一种碳排放预测及优化方法 |
| CN115660918A (zh) * | 2022-09-20 | 2023-01-31 | 浙江工业大学 | 一种工业园区碳排放计算及预测方法 |
| CN115719180A (zh) * | 2022-11-24 | 2023-02-28 | 国网河南省电力公司营销服务中心 | 一种工业园区降碳关键影响因素分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 智慧园区低碳综合管理平台建设探讨;夏咸明;何书申;郝存;;上海节能;20180430(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116862151A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Investigating spatial variability of CO2 emissions in heavy industry: Evidence from a geographically weighted regression model | |
| CN116862151B (zh) | 一种基于云计算的碳排放分析方法及系统 | |
| CN116128421B (zh) | 一种耦合污染源排放和解析的大气污染管控方案生成方法 | |
| Bashir et al. | Relationships between urbanization, economic growth, energy consumption, and CO 2 emissions: empirical evidence from Indonesia | |
| Tian et al. | How do CO2 emissions and efficiencies vary in Chinese cities? Spatial variation and driving factors in 2007 | |
| Zhang et al. | Spatial–temporal pattern evolution and influencing factors of coupled coordination between carbon emission and economic development along the Pearl River Basin in China | |
| CN114091785A (zh) | 一种基于能源大数据的碳排放监测方法 | |
| CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| Li et al. | Coupling coordination degree and driving factors of new-type urbanization and low-carbon development in the Yangtze River Delta: Based on nighttime light data | |
| CN113012771A (zh) | 土壤重金属空间插值方法、装置及计算机可读存储介质 | |
| CN116663918A (zh) | 一种基于自下而上测算的分领域碳排放预测方法 | |
| Abolhosseini et al. | The effect of renewable energy development on carbon emission reduction: an empirical analysis for the EU-15 countries | |
| Huang et al. | Prediction of plant carbon sink potential in Beijing-Tianjin-Hebei region of China | |
| Wang et al. | A study on natural gas consumption forecasting in China using the LMDI-PSO-LSTM model: Factor decomposition and scenario analysis | |
| Cheng et al. | Spatiotemporal analysis of national carbon emission and regional carbon simulation in China | |
| CN116433440A (zh) | 一种数据自回归增强的碳排放测算方法、系统及电子设备 | |
| Liu et al. | Comprehensive evaluation of flue gas desulfurization and denitrification technologies of six typical enterprises in Chengdu, China | |
| Zhou et al. | Scenario Analysis of Carbon Emissions of China's Power Industry Based on the Improved Particle Swarm Optimization-Support Vector Machine Model. | |
| CN114049043A (zh) | 新能源消纳评价方法、装置、终端及存储介质 | |
| NUNES et al. | HEALTH IMPACTS OF PM 2.5 AND NO 2 SHIP-RELATED AIR POLLUTION IN MATOSINHOS MUNICIPALITY, PORTUGAL | |
| Guo et al. | Analysis of regional vegetable circulation efficiency and its spatial effect considering carbon emission | |
| Yu | Real economic development model of coastal cities based on point and axis development theory | |
| Rahman et al. | Renewable energy, forestry, economic growth, and demographic impact on carbon footprint in India: does forestry and renewable energy matter to reduce emission? | |
| Feng | Granger Causality Analysis of Foreign Trade in Cement Products and Ecological Impact in China | |
| Wang | Quantitative evaluation of landscape architecture environmental benefits based on multi-criteria decision-making |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240409 Address after: No. 0807, Building 1, No. 79 West Fourth Ring Middle Road, Fengtai District, Beijing, 100000 Applicant after: Liu Jiabin Country or region after: China Applicant after: Sun Jian Address before: Room 370, 3rd Floor, No. 399 Ningguo Road, Yangpu District, Shanghai, 200020 Applicant before: Shanghai Lingrong Network Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |