CN117217419B - 工业生产全生命周期碳排放监测方法及系统 - Google Patents
工业生产全生命周期碳排放监测方法及系统 Download PDFInfo
- Publication number
- CN117217419B CN117217419B CN202311465784.0A CN202311465784A CN117217419B CN 117217419 B CN117217419 B CN 117217419B CN 202311465784 A CN202311465784 A CN 202311465784A CN 117217419 B CN117217419 B CN 117217419B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- indirect
- data
- carbon
- energy
- 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 700
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 696
- 238000009776 industrial production Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 190
- 238000010801 machine learning Methods 0.000 claims abstract description 56
- 238000011217 control strategy Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000001276 controlling effect Effects 0.000 claims abstract description 6
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 239000007789 gas Substances 0.000 claims description 134
- 238000012549 training Methods 0.000 claims description 126
- 238000012360 testing method Methods 0.000 claims description 41
- 238000005265 energy consumption Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 12
- 238000004806 packaging method and process Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000013043 chemical agent Substances 0.000 claims description 7
- 239000002912 waste gas Substances 0.000 claims description 7
- 239000002351 wastewater Substances 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 16
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 description 8
- 229910052742 iron Inorganic materials 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 239000000571 coke Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 239000003034 coal gas Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及碳排放管理领域，本发明公开了工业生产全生命周期碳排放监测方法及系统，包括识别碳排放源，检测碳排放源的气体数据，根据气体数据计算实时直接碳排放量；收集间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取实时间接碳排放量；基于实时直接碳排放量和实时间接碳排放量计算碳排放总量以及工业生产全过程的碳排放总量；对碳排放总量进行比对分析，获取比对结果，根据比对结果生成碳排放调控策略；基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控；本发明有利于对碳排放超标情况进行及时的自动化调控。
Description
技术领域
本发明涉及碳排放管理领域，更具体地说，本发明涉及工业生产全生命周期碳排放监测方法及系统。
背景技术
工业园区通常包括多个生产单位，这些单位在其生产过程中产生大量的碳排放，包括直接排放和间接排放；这些排放主要来自工业过程中的能源使用、原材料采购、生产运营、产品运输等各个生命周期阶段；然而由于这些排放的多源性、排放数据采集的复杂性以及数据时空上的可变性，导致碳排放监测和核算较为棘手；因此，有必要提供一种工业生产全生命周期碳排放监测方法及系统，以解决现有技术存在的问题，提高碳排放监测的准确性、全面性和实时性，从而更好地进行碳管理决策。
传统的碳排放监测方法主要侧重于对部分环节的监测，通常仅关注工业生产的直接排放，例如授权公告号为CN106651722B的中国专利公开了一种工业碳排放核算方法，再例如申请公开号为CN114881831A的专利公开了基于工业互联网的园区碳排放监测方法，上述方法虽能实现碳排放监测，但经发明人对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：
（1）存在监测数据片面、监测周期长等问题，难以全面、实时地反映工业生产过程中全生命周期的碳排放情况；
（2）智能性较低，无法及时了解工业生产过程中的碳排放超标情况，无法对碳排放超标情况进行及时了解和自动化地调控。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供工业生产全生命周期碳排放监测方法及系统。
为实现上述目的，本发明提供如下技术方案：
工业生产全生命周期碳排放监测方法，所述方法包括：
识别在M个生产环节中N个碳排放区域的碳排放源，检测每个碳排放源的气体数据，根据气体数据计算每个生产环节的实时直接碳排放量，M、N为大于零的正整数；
收集每个生产环节中的间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取每个生产环节的实时间接碳排放量；
基于实时直接碳排放量和实时间接碳排放量计算每个生产环节的碳排放总量以及工业生产全过程的碳排放总量；
对每个生产环节的碳排放总量进行比对分析，获取每个生产环节的比对结果，根据比对结果生成碳排放调控策略；
基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控。
进一步地，M个生产环节包括采购、制造、质检、包装、运输和存储；所述气体数据包括实测气体数据和预存气体数据，所述实测气体数据包括气体浓度、气体体积流量、气体排放时间、气体温度和气体压力，所述预存气体数据包括气体的碳含量和气体摩尔质量。
进一步地，识别在M个生产环节中N个碳排放区域的碳排放源，包括：
获取每个碳排放区域的广角监控图像；
将广角监控图像进行灰度化处理，转为灰度图像，利用K-means聚类算法对灰度图像进行像素点区分，将像素点聚类形成区域作为区域图像，得到E个区域图像，E为大于零正整数；
将每个区域图像与碳排放源的标准图像进行相似度计算，得到多个相似度；
将相似度大于预设相似阈值的区域图像标记碳排放源。
进一步地，根据气体数据计算每个生产环节的实时直接碳排放量，包括：
获取碳排放源的数量，以及提取气体数据中的实测气体数据和预存气体数据；
对实测气体数据和预存气体数据进行公式化计算，得到每个生产环节的实时直接碳排放量；其计算公式为：；式中：表示第j个碳排放源的气体浓度，单位是体积分数（%）；表示第j个碳排放源的气体体积流量，单位是立方米/小时（m³/h）；表示第j个碳排放源的气体排放时间，单位是小时（h）；表示第j个碳排放源的气体的碳含量，单位是千克/立方米；表示第j个碳排放源的气体摩尔质量，单位是千克/摩尔；表示第j个碳排放源的气体温度，单位是绝对温度；表示第j个碳排放源的气体压力，单位是帕斯卡（Pa）；表示碳排放源总数，表示第i个碳排放区域的实时直接碳排放量，表示生产区域总数。
进一步地，获取每个生产环节的实时间接碳排放量，包括：
收集工业生产中的历史间接碳排放训练数据以及历史能源碳排放训练数据；
基于历史间接碳排放训练数据，训练出预测间接碳排放量的第一机器学习模型；
基于历史能源碳排放训练数据，训练出预测能源使用碳排放量的第二机器学习模型；
提取每个生产环节中的能源碳排放特征数据，将能源碳排放特征数据输入预构建第二机器学习模型中，得到能源使用碳排放量；
提取每个生产环节中的间接碳排放特征数据，将间接碳排放特征数据输入预构建第一机器学习模型中，得到实时间接碳排放量。
进一步地，训练出预测间接碳排放量的第一机器学习模型的逻辑为：将历史间接碳排放训练数据划分为间接数据训练集和间接数据测试集，构建回归网络模型，将间接数据训练集中的间接碳排放特征数据作为回归网络模型的输入，以及将间接数据训练集中的与间接碳排放特征数据对应的间接碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第一回归网络模型，以最小化预测准确度之和为训练目标，利用间接数据测试集对初始第一回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第一回归网络模型作为第一机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原间接数据训练集再次进行模型训练，直至测试结果满足设定阈值。
进一步地，所述历史间接碳排放训练数据包括间接碳排放特征数据以及与间接碳排放特征数据对应的间接碳排放量；其中，所述间接碳排放特征数据包括废气及废水量、化学药剂用量、能源使用碳排放量以及工业生产作业人数；
所述历史能源碳排放训练数据包括能源碳排放特征数据以及与能源碳排放特征数据对应的能源使用碳排放量；其中，能源碳排放特征数据包括碳排放源数量、每个碳排放区域的用电量、每个碳排放区域的用电时长、碳排放区域的温湿度以及工业生产中清洁能源与非清洁能源的使用占比；
训练出预测能源使用碳排放量的第二机器学习模型的逻辑为：将历史能源碳排放训练数据划分为能耗数据训练集和能耗数据测试集，构建回归网络模型，将能耗数据训练集中的能源碳排放特征数据作为回归网络模型的输入，以及将能耗数据训练集中的与能源碳排放特征数据对应的能源使用碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第二回归网络模型，以最小化预测准确度之和为训练目标，利用能耗数据测试集对初始第二回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第二回归网络模型作为第二机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原能耗数据训练集再次进行模型训练，直至测试结果满足设定阈值。
进一步地，所述比对结果包括“不存在碳排放超标”的字样、“采购存在碳排放超标”的字样、“制造存在碳排放超标”的字样、“质检存在碳排放超标”的字样、“包装存在碳排放超标”的字样、“运输存在碳排放超标”的字样以及“存储存在碳排放超标”的字样。
进一步地，对每个生产环节的碳排放总量进行比对分析，包括：
将工业生产全过程的碳排放总量与预定碳排放标准量进行比对；
若，则显示“不存在碳排放超标”的字样，并将“不存在碳排放超标”的字样作为比对结果；
若，则计算每个生产环节的碳排放总量在工业生产全过程的碳排放总量中的占比；其计算公式为：，表示第v个生产环节的碳排放总量；
根据生产环节与数据占比的预设关系，获取每个生产环节的对应预设占比阈值，将占比与对应预设占比阈值进行比对，若占比大于等于对应预设占比阈值，则将对应生产环节标记为碳排放超标生产环节，并将对应生产环节与显示“存在碳排放超标”的字样进行匹配，将匹配后的字样作为比对结果；若占比小于对应预设占比阈值，则判定对应生产环节不存在碳排放超标。
进一步地，根据比对结果生成碳排放调控策略，包括：
根据比对结果确定对应的碳排放超标生产环节；
确定碳排放超标生产环节中每个碳排放区域，并获取碳排放区域中每个碳排放源处理设备的控制参数的当前控制值，所述控制参数包括发动机转速和电流或电压；
将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，生成碳排放调控策略。
进一步地，将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，包括：
a.获取碳排放源处理设备的当前数量C，将发动机转速和电流或电压中的发动机转速作为固定量，电流或电压作为变量，并将电流或电压的当前控制值作为K；
b.令K=K-D，C=C-1，并记录控制值K下工业生产系数，D为大于零的正整数；
c.重复循环步骤b，当K等于预设第一控制阈值，或C等于预设第一设备数时，得到电流或电压控制参数下的G个工业生产系数，并跳转至步骤d，G为大于零的正整数；
d.将发动机转速和电流或电压中的电流或电压作为固定量，发动机转速作为变量，并将发动机转速的当前控制值作为U；
e.重置C，令U=U-W，C=C-1，并记录控制值U下工业生产系数，W为大于零的正整数；
f.重复循环步骤e，当U等于预设第二控制阈值，或C等于预设第一设备数时，得到发动机转速控制参数下的H个工业生产系数，H为大于零的正整数；
g.融合统计第一控制参数下的G个工业生产系数和第二控制参数下的H个工业生产系数，得到L个工业生产系数，按数值从大到小对L个工业生产系数进行排序；
h.将第一排序对应的碳排放源处理设备数量、发动机转速的控制值和电流或电压的控制值作为碳排放调控策略。
工业生产全生命周期碳排放监测系统，包括：
直接碳排放量获取模块，用于识别在M个生产环节中N个碳排放区域的碳排放源，检测每个碳排放源的气体数据，根据气体数据计算每个生产环节的实时直接碳排放量，M、N为大于零的正整数；
间接碳排放量获取模块，用于收集每个生产环节中的间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取每个生产环节的实时间接碳排放量；
碳排放总量核算模块，用于基于实时直接碳排放量和实时间接碳排放量计算每个生产环节的碳排放总量以及工业生产全过程的碳排放总量；
碳排放比对模块，用于对每个生产环节的碳排放总量进行比对分析，获取每个生产环节的比对结果，根据比对结果生成碳排放调控策略；
碳排放调控模块，用于基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述工业生产全生命周期碳排放监测方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述工业生产全生命周期碳排放监测方法。
相比于现有技术，本发明的有益效果在于：
本申请公开了工业生产全生命周期碳排放监测方法及系统，首先识别碳排放源，检测碳排放源的气体数据，根据气体数据计算实时直接碳排放量；然后收集间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取实时间接碳排放量；接着基于实时直接碳排放量和实时间接碳排放量计算碳排放总量以及工业生产全过程的碳排放总量；之后对碳排放总量进行比对分析，获取比对结果，根据比对结果生成碳排放调控策略；最后基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控；基于上述步骤，本发明能够全面、实时地反映工业生产过程中全生命周期的碳排放情况，且本发明碳排放监测周期端短；此外，本发明通过对每个生产环节的碳排放总量进行分析，从而能够及时了解工业生产过程中的碳排放超标情况，且有利于对碳排放超标情况进行及时的自动化调控。
附图说明
图1为本发明提供的工业生产全生命周期碳排放监测方法的示意图；
图2为本发明提供的工业生产全生命周期碳排放监测系统的示意图；
图3为本发明提供的一种电子设备的结构示意图；
图4为本发明提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
实施例1
请参阅图2所示，本实施例公开提供了工业生产全生命周期碳排放监测系统，包括：
直接碳排放量获取模块210，用于识别在M个生产环节中N个碳排放区域的碳排放源，检测每个碳排放源的气体数据，根据气体数据计算每个生产环节的实时直接碳排放量，M、N为大于零的正整数；
具体的，M个生产环节包括采购、制造、质检、包装、运输和存储；所述气体数据包括实测气体数据和预存气体数据，所述实测气体数据包括气体浓度、气体体积流量、气体排放时间、气体温度和气体压力，所述预存气体数据包括气体的碳含量和气体摩尔质量；
应当了解的是：所述工业生产场景中包括N个生产区域，每个生产区域在工业生产中的直接碳排放主要以气体形式展现，例如：在钢铁生产过程中，将铁矿石（通常是氧化铁矿石）与焦炭（煤炭的一种处理形式）一起加热，以还原铁矿石中的铁；在这一高温过程中，焦炭燃烧，产生大量的二氧化碳；
在一个具体实施方式中，检测每个碳排放源的气体数据是基于各类采集设备采集实现的，所述采集设备包括但不限于用于检测识别各种气体的气体分析仪、用于获取气体浓度的气体浓度传感器、温度传感器、压力传感器和计时器等等；
在另一个具体实施方式中，检测每个碳排放源的气体数据基于碳排放源与预存气体数据的预设关系实现；
进一步说明就是：在系统数据库中预存有多个碳排放源与预存气体数据的预设关系，通过获取碳排放源，并根据碳排放源与预存气体数据的预设关系，即可以得到每个碳排放源的气体数据；示例性解释就是，以气体的碳含量为例，若识别出碳排放源，且获悉该碳排放源主要产出一氧化碳，由于每1千克一氧化碳中包含1千克碳；因此，即可确定一氧化碳的碳含量为100%；相应的，若该碳排放源主要产出二氧化碳，由于每1千克CO2中包含大约0.27千克碳；因此，即可确定一氧化碳的碳含量为27%；
具体的，识别在M个生产环节中N个碳排放区域的碳排放源，包括：
获取每个碳排放区域的广角监控图像；
将广角监控图像进行灰度化处理，转为灰度图像，利用K-means聚类算法对灰度图像进行像素点区分，将像素点聚类形成区域作为区域图像，得到E个区域图像，E为大于零正整数；
将每个区域图像与碳排放源的标准图像进行相似度计算，得到多个相似度；
需要说明的是：所述相似度计算采用余弦相似度计算算法实现；
将相似度大于预设相似阈值的区域图像标记碳排放源；
在实施中，根据气体数据计算每个生产环节的实时直接碳排放量，包括：
获取碳排放源的数量，以及提取气体数据中的实测气体数据和预存气体数据；
对实测气体数据和预存气体数据进行公式化计算，得到每个生产环节的实时直接碳排放量；其计算公式为：；式中：表示第j个碳排放源的气体浓度，单位是体积分数（%）；表示第j个碳排放源的气体体积流量，单位是立方米/小时（m³/h）；表示第j个碳排放源的气体排放时间，单位是小时（h）；表示第j个碳排放源的气体的碳含量，单位是千克/立方米；表示第j个碳排放源的气体摩尔质量，单位是千克/摩尔；表示第j个碳排放源的气体温度，单位是绝对温度；表示第j个碳排放源的气体压力，单位是帕斯卡（Pa）；表示碳排放源总数，表示第i个碳排放区域的实时直接碳排放量，表示生产区域总数；
间接碳排放量获取模块220，用于收集每个生产环节中的间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取每个生产环节的实时间接碳排放量；
在实施中，获取每个生产环节的实时间接碳排放量，包括：
收集工业生产中的历史间接碳排放训练数据以及历史能源碳排放训练数据；
具体的，所述历史间接碳排放训练数据包括间接碳排放特征数据以及与间接碳排放特征数据对应的间接碳排放量；其中，所述间接碳排放特征数据包括废气及废水量、化学药剂用量、能源使用碳排放量以及工业生产作业人数；
需要说明的是：间接碳排放特征数据中的废气及废水量、化学药剂用量和工业生产作业人数基于各类传感器实时采集得到，所述与间接碳排放特征数据对应的间接碳排放量基于人工测算得到；
基于历史间接碳排放训练数据，训练出预测间接碳排放量的第一机器学习模型；
在实施中，训练出预测间接碳排放量的第一机器学习模型的逻辑为：将历史间接碳排放训练数据划分为间接数据训练集和间接数据测试集，构建回归网络模型，将间接数据训练集中的间接碳排放特征数据作为回归网络模型的输入，以及将间接数据训练集中的与间接碳排放特征数据对应的间接碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第一回归网络模型，以最小化预测准确度之和为训练目标，利用间接数据测试集对初始第一回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第一回归网络模型作为第一机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原间接数据训练集再次进行模型训练，直至测试结果满足设定阈值；其中，预测准确度之和的计算公式为：；式中：表示预测准确度之和，表示间接数据测试集中第组测试数据的预测值，表示间接数据测试集中第组测试数据的实际值，表示组数；
需要说明的是：所述初始第一回归网络模型包括但不限于决策树回归网络模型、随机森林回归网络模型、支持向量机回归网络模型、线性回归网络模型或神经网络模型等中的一种；
基于历史能源碳排放训练数据，训练出预测能源使用碳排放量的第二机器学习模型；
具体的，所述历史能源碳排放训练数据包括能源碳排放特征数据以及与能源碳排放特征数据对应的能源使用碳排放量；其中，能源碳排放特征数据包括碳排放源数量、每个碳排放区域的用电量、每个碳排放区域的用电时长、碳排放区域的温湿度以及工业生产中清洁能源与非清洁能源的使用占比；
需要说明是：所述清洁能源包括但不限于风能、太阳能等；所述非清洁能源包括但不限于对煤炭和天然气进行燃烧或转化产生的电能等；
还需要说明的是：能源碳排放特征数据中的碳排放源数量、每个碳排放区域的用电量、每个碳排放区域的用电时长、碳排放区域的温湿度基于各类传感器实时采集得到，所述与能源碳排放特征数据对应的能源使用碳排放量基于人工测算得到；
在实施中，训练出预测能源使用碳排放量的第二机器学习模型的逻辑为：将历史能源碳排放训练数据划分为能耗数据训练集和能耗数据测试集，构建回归网络模型，将能耗数据训练集中的能源碳排放特征数据作为回归网络模型的输入，以及将能耗数据训练集中的与能源碳排放特征数据对应的能源使用碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第二回归网络模型，以最小化预测准确度之和为训练目标，利用能耗数据测试集对初始第二回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第二回归网络模型作为第二机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原能耗数据训练集再次进行模型训练，直至测试结果满足设定阈值；其中，预测准确度之和的计算公式为：；式中：表示预测准确度之和，表示能耗数据测试集中第组测试数据的预测值，表示能耗数据测试集第组测试数据的实际值，表示组数；
需要说明的是：所述初始第二回归网络模型的模型类型同上述初始第一回归网络模型；
提取每个生产环节中的能源碳排放特征数据，将能源碳排放特征数据输入预构建第二机器学习模型中，得到能源使用碳排放量；
提取每个生产环节中的间接碳排放特征数据，将间接碳排放特征数据输入预构建第一机器学习模型中，得到实时间接碳排放量；
碳排放总量核算模块230，用于基于实时直接碳排放量和实时间接碳排放量计算每个生产环节的碳排放总量以及工业生产全过程的碳排放总量；
在一个具体实施方式中，每个生产环节的碳排放总量的计算公式为：；式中：表示第v个生产环节的碳排放总量；
在另一个具体实施方式中，工业生产全过程的碳排放总量的计算公式为：；式中，表示生产环节总数；
碳排放比对模块240，用于对每个生产环节的碳排放总量进行比对分析，获取每个生产环节的比对结果，根据比对结果生成碳排放调控策略；
具体的，所述比对结果包括“不存在碳排放超标”的字样、“采购存在碳排放超标”的字样、“制造存在碳排放超标”的字样、“质检存在碳排放超标”的字样、“包装存在碳排放超标”的字样、“运输存在碳排放超标”的字样以及“存储存在碳排放超标”的字样；
在实施中，对每个生产环节的碳排放总量进行比对分析，包括：
将工业生产全过程的碳排放总量与预定碳排放标准量进行比对；
若，则显示“不存在碳排放超标”的字样，并将“不存在碳排放超标”的字样作为比对结果；
若，则计算每个生产环节的碳排放总量在工业生产全过程的碳排放总量中的占比；其计算公式为：，表示第v个生产环节的碳排放总量；
根据生产环节与数据占比的预设关系，获取每个生产环节的对应预设占比阈值，将占比与对应预设占比阈值进行比对，若占比大于等于对应预设占比阈值，则将对应生产环节标记为碳排放超标生产环节，并将对应生产环节与显示“存在碳排放超标”的字样进行匹配，将匹配后的字样作为比对结果；若占比小于对应预设占比阈值，则判定对应生产环节不存在碳排放超标；
需要说明的是：预定碳排放标准量具体为企业单位被分配的设定最大碳排放量或企业单位购买碳排放量后的最大碳排放量；当存在时，则说明采购、制造、质检、包装、运输和存储中至少存在一个生产环节出现了碳排放超标；将对应生产环节与显示“存在碳排放超标”的字样进行匹配是基于预设显示字样实现的；示例性说明就是，若采购生产环节的占比大于等于对应预设占比阈值，则将采购生产环节标记为碳排放超标生产环节，并显示“采购存在碳排放超标”的字样，将“采购存在碳排放超标”的字样作为比对结果；同理，对于制造、质检、包装、运输和存储也是如此，在此对其不做过多赘述；
在实施中，根据比对结果生成碳排放调控策略，包括：
根据比对结果确定对应的碳排放超标生产环节；
确定碳排放超标生产环节中每个碳排放区域，并获取碳排放区域中每个碳排放源处理设备的控制参数的当前控制值，所述控制参数包括发动机转速和电流或电压；
将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，生成碳排放调控策略；
需要说明的是：预构建数字孪生模型具体为工业生产车间的虚拟仿真模型，其根据工业生产车间的各类历史实测数据生成，并基于若干传感器进行实时数据更新和模型更新，所述的各类历史实测数据包括但不限于几何数据、设备运行参数数据和物体结构数据等等；所述预构建数字孪生模型依托现有数字孪生构建技术实现，如3DsMax等，因此，对此本发明不作过多赘述；
具体的，将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，包括：
a.获取碳排放源处理设备的当前数量C，将发动机转速和电流或电压中的发动机转速作为固定量，电流或电压作为变量，并将电流或电压的当前控制值作为K；
b.令K=K-D，C=C-1，并记录控制值K下工业生产系数，D为大于零的正整数；
其中，工业生产系数生成逻辑为：获取控制值K下，C个碳排放源处理设备的，对进行公式化计算：其具体计算公式为，；式中：为工业生产系数，为单位时间内的良品数量，为单位时间内的总生产数量，为单位时间内的实际产量，历史单位时间内的最大产量；
c.重复循环步骤b，当K等于预设第一控制阈值，或C等于预设第一设备数时，得到电流或电压控制参数下的G个工业生产系数，并跳转至步骤d，G为大于零的正整数；
d.将发动机转速和电流或电压中的电流或电压作为固定量，发动机转速作为变量，并将发动机转速的当前控制值作为U；
e.重置C，令U=U-W，C=C-1，并记录控制值U下工业生产系数，W为大于零的正整数；
f.重复循环步骤e，当U等于预设第二控制阈值，或C等于预设第一设备数时，得到发动机转速控制参数下的H个工业生产系数，H为大于零的正整数；
g.融合统计第一控制参数下的G个工业生产系数和第二控制参数下的H个工业生产系数，得到L个工业生产系数，按数值从大到小对L个工业生产系数进行排序；
h.将第一排序对应的碳排放源处理设备数量、发动机转速的控制值和电流或电压的控制值作为碳排放调控策略；
需要说明的是：当比对结果为“不存在碳排放超标”的字样，则将每个碳排放源处理设备的控制参数的当前控制值，以及碳排放源处理设备的当前数量作为碳排放调控策略；
碳排放调控模块250，用于基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控；
在一个具体实施方式中，基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控，包括：根据每个碳排放源处理设备的控制参数的当前控制值，以及碳排放源处理设备的当前数量对每个碳排放源处理设备进行控制；
在另一个具体实施方式中，基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控，包括：根据第一排序对应的碳排放源处理设备数量、发动机转速的控制值和电流或电压的控制值，对碳排放源处理设备进行数量增删，以及对碳排放源处理设备的发动机转速和电流或电压进行调节。
实施例2
请参阅图1所示，本实施例公开提供了工业生产全生命周期碳排放监测方法，所述方法包括：
S101：识别在M个生产环节中N个碳排放区域的碳排放源，检测每个碳排放源的气体数据，根据气体数据计算每个生产环节的实时直接碳排放量，M、N为大于零的正整数；
具体的，M个生产环节包括采购、制造、质检、包装、运输和存储；所述气体数据包括实测气体数据和预存气体数据，所述实测气体数据包括气体浓度、气体体积流量、气体排放时间、气体温度和气体压力，所述预存气体数据包括气体的碳含量和气体摩尔质量；
应当了解的是：所述工业生产场景中包括N个生产区域，每个生产区域在工业生产中的直接碳排放主要以气体形式展现，例如：在钢铁生产过程中，将铁矿石（通常是氧化铁矿石）与焦炭（煤炭的一种处理形式）一起加热，以还原铁矿石中的铁；在这一高温过程中，焦炭燃烧，产生大量的二氧化碳；
在一个具体实施方式中，检测每个碳排放源的气体数据是基于各类采集设备采集实现的，所述采集设备包括但不限于用于检测识别各种气体的气体分析仪、用于获取气体浓度的气体浓度传感器、温度传感器、压力传感器和计时器等等；
在另一个具体实施方式中，检测每个碳排放源的气体数据基于碳排放源与预存气体数据的预设关系实现；
进一步说明就是：在系统数据库中预存有多个碳排放源与预存气体数据的预设关系，通过获取碳排放源，并根据碳排放源与预存气体数据的预设关系，即可以得到每个碳排放源的气体数据；示例性解释就是，以气体的碳含量为例，若识别出碳排放源，且获悉该碳排放源主要产出一氧化碳，由于每1千克一氧化碳中包含1千克碳；因此，即可确定一氧化碳的碳含量为100%；相应的，若该碳排放源主要产出二氧化碳，由于每1千克CO2中包含大约0.27千克碳；因此，即可确定一氧化碳的碳含量为27%；
具体的，识别在M个生产环节中N个碳排放区域的碳排放源，包括：
获取每个碳排放区域的广角监控图像；
将广角监控图像进行灰度化处理，转为灰度图像，利用K-means聚类算法对灰度图像进行像素点区分，将像素点聚类形成区域作为区域图像，得到E个区域图像，E为大于零正整数；
将每个区域图像与碳排放源的标准图像进行相似度计算，得到多个相似度；
需要说明的是：所述相似度计算采用余弦相似度计算算法实现；
将相似度大于预设相似阈值的区域图像标记碳排放源；
在实施中，根据气体数据计算每个生产环节的实时直接碳排放量，包括：
获取碳排放源的数量，以及提取气体数据中的实测气体数据和预存气体数据；
对实测气体数据和预存气体数据进行公式化计算，得到每个生产环节的实时直接碳排放量；其计算公式为：；式中：表示第j个碳排放源的气体浓度，单位是体积分数（%）；表示第j个碳排放源的气体体积流量，单位是立方米/小时（m³/h）；表示第j个碳排放源的气体排放时间，单位是小时（h）；表示第j个碳排放源的气体的碳含量，单位是千克/立方米；表示第j个碳排放源的气体摩尔质量，单位是千克/摩尔；表示第j个碳排放源的气体温度，单位是绝对温度；表示第j个碳排放源的气体压力，单位是帕斯卡（Pa）；表示碳排放源总数，表示第i个碳排放区域的实时直接碳排放量，表示生产区域总数；
S102：收集每个生产环节中的间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取每个生产环节的实时间接碳排放量；
在实施中，获取每个生产环节的实时间接碳排放量，包括：
收集工业生产中的历史间接碳排放训练数据以及历史能源碳排放训练数据；
具体的，所述历史间接碳排放训练数据包括间接碳排放特征数据以及与间接碳排放特征数据对应的间接碳排放量；其中，所述间接碳排放特征数据包括废气及废水量、化学药剂用量、能源使用碳排放量以及工业生产作业人数；
需要说明的是：间接碳排放特征数据中的废气及废水量、化学药剂用量和工业生产作业人数基于各类传感器实时采集得到，所述与间接碳排放特征数据对应的间接碳排放量基于人工测算得到；
基于历史间接碳排放训练数据，训练出预测间接碳排放量的第一机器学习模型；
在实施中，训练出预测间接碳排放量的第一机器学习模型的逻辑为：将历史间接碳排放训练数据划分为间接数据训练集和间接数据测试集，构建回归网络模型，将间接数据训练集中的间接碳排放特征数据作为回归网络模型的输入，以及将间接数据训练集中的与间接碳排放特征数据对应的间接碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第一回归网络模型，以最小化预测准确度之和为训练目标，利用间接数据测试集对初始第一回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第一回归网络模型作为第一机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原间接数据训练集再次进行模型训练，直至测试结果满足设定阈值；其中，预测准确度之和的计算公式为：；式中：表示预测准确度之和，表示间接数据测试集中第组测试数据的预测值，表示间接数据测试集中第组测试数据的实际值，表示组数；
需要说明的是：所述初始第一回归网络模型包括但不限于决策树回归网络模型、随机森林回归网络模型、支持向量机回归网络模型、线性回归网络模型或神经网络模型等中的一种；
基于历史能源碳排放训练数据，训练出预测能源使用碳排放量的第二机器学习模型；
具体的，所述历史能源碳排放训练数据包括能源碳排放特征数据以及与能源碳排放特征数据对应的能源使用碳排放量；其中，能源碳排放特征数据包括碳排放源数量、每个碳排放区域的用电量、每个碳排放区域的用电时长、碳排放区域的温湿度以及工业生产中清洁能源与非清洁能源的使用占比；
需要说明是：所述清洁能源包括但不限于风能、太阳能等；所述非清洁能源包括但不限于对煤炭和天然气进行燃烧或转化产生的电能等；
还需要说明的是：能源碳排放特征数据中的碳排放源数量、每个碳排放区域的用电量、每个碳排放区域的用电时长、碳排放区域的温湿度基于各类传感器实时采集得到，所述与能源碳排放特征数据对应的能源使用碳排放量基于人工测算得到；
在实施中，训练出预测能源使用碳排放量的第二机器学习模型的逻辑为：将历史能源碳排放训练数据划分为能耗数据训练集和能耗数据测试集，构建回归网络模型，将能耗数据训练集中的能源碳排放特征数据作为回归网络模型的输入，以及将能耗数据训练集中的与能源碳排放特征数据对应的能源使用碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第二回归网络模型，以最小化预测准确度之和为训练目标，利用能耗数据测试集对初始第二回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第二回归网络模型作为第二机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原能耗数据训练集再次进行模型训练，直至测试结果满足设定阈值；其中，预测准确度之和的计算公式为：；式中：表示预测准确度之和，表示能耗数据测试集中第组测试数据的预测值，表示能耗数据测试集第组测试数据的实际值，表示组数；
需要说明的是：所述初始第二回归网络模型的模型类型同上述初始第一回归网络模型；
提取每个生产环节中的能源碳排放特征数据，将能源碳排放特征数据输入预构建第二机器学习模型中，得到能源使用碳排放量；
提取每个生产环节中的间接碳排放特征数据，将间接碳排放特征数据输入预构建第一机器学习模型中，得到实时间接碳排放量；
S103：基于实时直接碳排放量和实时间接碳排放量计算每个生产环节的碳排放总量以及工业生产全过程的碳排放总量；
在一个具体实施方式中，每个生产环节的碳排放总量的计算公式为：；式中：表示第v个生产环节的碳排放总量；
在另一个具体实施方式中，工业生产全过程的碳排放总量的计算公式为：；式中，表示生产环节总数；
S104：对每个生产环节的碳排放总量进行比对分析，获取每个生产环节的比对结果，根据比对结果生成碳排放调控策略；
具体的，所述比对结果包括“不存在碳排放超标”的字样、“采购存在碳排放超标”的字样、“制造存在碳排放超标”的字样、“质检存在碳排放超标”的字样、“包装存在碳排放超标”的字样、“运输存在碳排放超标”的字样以及“存储存在碳排放超标”的字样；
在实施中，对每个生产环节的碳排放总量进行比对分析，包括：
将工业生产全过程的碳排放总量与预定碳排放标准量进行比对；
若，则显示“不存在碳排放超标”的字样，并将“不存在碳排放超标”的字样作为比对结果；
若，则计算每个生产环节的碳排放总量在工业生产全过程的碳排放总量中的占比；其计算公式为：，表示第v个生产环节的碳排放总量；
根据生产环节与数据占比的预设关系，获取每个生产环节的对应预设占比阈值，将占比与对应预设占比阈值进行比对，若占比大于等于对应预设占比阈值，则将对应生产环节标记为碳排放超标生产环节，并将对应生产环节与显示“存在碳排放超标”的字样进行匹配，将匹配后的字样作为比对结果；若占比小于对应预设占比阈值，则判定对应生产环节不存在碳排放超标；
需要说明的是：预定碳排放标准量具体为企业单位被分配的设定最大碳排放量或企业单位购买碳排放量后的最大碳排放量；当存在时，则说明采购、制造、质检、包装、运输和存储中至少存在一个生产环节出现了碳排放超标；将对应生产环节与显示“存在碳排放超标”的字样进行匹配是基于预设显示字样实现的；示例性说明就是，若采购生产环节的占比大于等于对应预设占比阈值，则将采购生产环节标记为碳排放超标生产环节，并显示“采购存在碳排放超标”的字样，将“采购存在碳排放超标”的字样作为比对结果；同理，对于制造、质检、包装、运输和存储也是如此，在此对其不做过多赘述；
在实施中，根据比对结果生成碳排放调控策略，包括：
根据比对结果确定对应的碳排放超标生产环节；
确定碳排放超标生产环节中每个碳排放区域，并获取碳排放区域中每个碳排放源处理设备的控制参数的当前控制值，所述控制参数包括发动机转速和电流或电压；
将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，生成碳排放调控策略；
需要说明的是：预构建数字孪生模型具体为工业生产车间的虚拟仿真模型，其根据工业生产车间的各类历史实测数据生成，并基于若干传感器进行实时数据更新和模型更新，所述的各类历史实测数据包括但不限于几何数据、设备运行参数数据参数和物体结构数据等等；所述预构建数字孪生模型依托现有数字孪生构建技术实现，如3DsMax等，因此，对此本发明不作过多赘述；
具体的，将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，包括：
a.获取碳排放源处理设备的当前数量C，将发动机转速和电流或电压中的发动机转速作为固定量，电流或电压作为变量，并将电流或电压的当前控制值作为K；
b.令K=K-D，C=C-1，并记录控制值K下工业生产系数，D为大于零的正整数；
其中，工业生产系数生成逻辑为：获取控制值K下，C个碳排放源处理设备的，对进行公式化计算：其具体计算公式为，；式中：为工业生产系数，为单位时间内的良品数量，为单位时间内的总生产数量，为单位时间内的实际产量，历史单位时间内的最大产量；
c.重复循环步骤b，当K等于预设第一控制阈值，或C等于预设第一设备数时，得到电流或电压控制参数下的G个工业生产系数，并跳转至步骤d，G为大于零的正整数；
d.将发动机转速和电流或电压中的电流或电压作为固定量，发动机转速作为变量，并将发动机转速的当前控制值作为U；
e.重置C，令U=U-W，C=C-1，并记录控制值U下工业生产系数，W为大于零的正整数；
f.重复循环步骤e，当U等于预设第二控制阈值，或C等于预设第一设备数时，得到发动机转速控制参数下的H个工业生产系数，H为大于零的正整数；
g.融合统计第一控制参数下的G个工业生产系数和第二控制参数下的H个工业生产系数，得到L个工业生产系数，按数值从大到小对L个工业生产系数进行排序；
h.将第一排序对应的碳排放源处理设备数量、发动机转速的控制值和电流或电压的控制值作为碳排放调控策略；
需要说明的是：当比对结果为“不存在碳排放超标”的字样，则将每个碳排放源处理设备的控制参数的当前控制值，以及碳排放源处理设备的当前数量作为碳排放调控策略；
S105：基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控；
在一个具体实施方式中，基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控，包括：根据每个碳排放源处理设备的控制参数的当前控制值，以及碳排放源处理设备的当前数量对每个碳排放源处理设备进行控制；
在另一个具体实施方式中，基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控，包括：根据第一排序对应的碳排放源处理设备数量、发动机转速的控制值和电流或电压的控制值，对碳排放源处理设备进行数量增删，以及对碳排放源处理设备的发动机转速和电流或电压进行调节。
实施例3
请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述工业生产全生命周期碳排放监测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中工业生产全生命周期碳排放监测方法所采用的电子设备，故而基于本申请实施例中所介绍的工业生产全生命周期碳排放监测方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中工业生产全生命周期碳排放监测方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
请参阅图4所示，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述工业生产全生命周期碳排放监测方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.工业生产全生命周期碳排放监测方法，其特征在于，所述方法包括：
识别在M个生产环节中N个碳排放区域的碳排放源，检测每个碳排放源的气体数据，根据气体数据计算每个生产环节的实时直接碳排放量，M、N为大于零的正整数；
收集每个生产环节中的间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取每个生产环节的实时间接碳排放量；
其中，获取每个生产环节的实时间接碳排放量，包括：
收集工业生产中的历史间接碳排放训练数据以及历史能源碳排放训练数据；
基于历史间接碳排放训练数据，训练出预测间接碳排放量的第一机器学习模型；
训练出预测间接碳排放量的第一机器学习模型的逻辑为：将历史间接碳排放训练数据划分为间接数据训练集和间接数据测试集，构建回归网络模型，将间接数据训练集中的间接碳排放特征数据作为回归网络模型的输入，以及将间接数据训练集中的与间接碳排放特征数据对应的间接碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第一回归网络模型，以最小化预测准确度之和为训练目标，利用间接数据测试集对初始第一回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第一回归网络模型作为第一机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原间接数据训练集再次进行模型训练，直至测试结果满足设定阈值；
基于历史能源碳排放训练数据，训练出预测能源使用碳排放量的第二机器学习模型；
所述历史间接碳排放训练数据包括间接碳排放特征数据以及与间接碳排放特征数据对应的间接碳排放量；其中，所述间接碳排放特征数据包括废气及废水量、化学药剂用量、能源使用碳排放量以及工业生产作业人数；
所述历史能源碳排放训练数据包括能源碳排放特征数据以及与能源碳排放特征数据对应的能源使用碳排放量；其中，能源碳排放特征数据包括碳排放源数量、每个碳排放区域的用电量、每个碳排放区域的用电时长、碳排放区域的温湿度以及工业生产中清洁能源与非清洁能源的使用占比；
训练出预测能源使用碳排放量的第二机器学习模型的逻辑为：将历史能源碳排放训练数据划分为能耗数据训练集和能耗数据测试集，构建回归网络模型，将能耗数据训练集中的能源碳排放特征数据作为回归网络模型的输入，以及将能耗数据训练集中的与能源碳排放特征数据对应的能源使用碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第二回归网络模型，以最小化预测准确度之和为训练目标，利用能耗数据测试集对初始第二回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第二回归网络模型作为第二机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原能耗数据训练集再次进行模型训练，直至测试结果满足设定阈值；
提取每个生产环节中的能源碳排放特征数据，将能源碳排放特征数据输入预构建第二机器学习模型中，得到能源使用碳排放量；
提取每个生产环节中的间接碳排放特征数据，将间接碳排放特征数据输入预构建第一机器学习模型中，得到实时间接碳排放量；
基于实时直接碳排放量和实时间接碳排放量计算每个生产环节的碳排放总量以及工业生产全过程的碳排放总量；
对每个生产环节的碳排放总量进行比对分析，获取每个生产环节的比对结果，根据比对结果生成碳排放调控策略；
基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控。
2.根据权利要求1所述的工业生产全生命周期碳排放监测方法，其特征在于，M个生产环节包括采购、制造、质检、包装、运输和存储；所述气体数据包括实测气体数据和预存气体数据，所述实测气体数据包括气体浓度、气体体积流量、气体排放时间、气体温度和气体压力，所述预存气体数据包括气体的碳含量和气体摩尔质量。
3.根据权利要求2所述的工业生产全生命周期碳排放监测方法，其特征在于，识别在M个生产环节中N个碳排放区域的碳排放源，包括：
获取每个碳排放区域的广角监控图像；
将广角监控图像进行灰度化处理，转为灰度图像，利用K-means聚类算法对灰度图像进行像素点区分，将像素点聚类形成区域作为区域图像，得到E个区域图像，E为大于零正整数；
将每个区域图像与碳排放源的标准图像进行相似度计算，得到多个相似度；
将相似度大于预设相似阈值的区域图像标记碳排放源。
4.根据权利要求3所述的工业生产全生命周期碳排放监测方法，其特征在于，根据气体数据计算每个生产环节的实时直接碳排放量，包括：
获取碳排放源的数量，以及提取气体数据中的实测气体数据和预存气体数据；
对实测气体数据和预存气体数据进行公式化计算，得到每个生产环节的实时直接碳排放量；其计算公式为：；式中：表示第j个碳排放源的气体浓度，单位是体积分数（%）；表示第j个碳排放源的气体体积流量，单位是立方米/小时（m³/h）；表示第j个碳排放源的气体排放时间，单位是小时（h）；表示第j个碳排放源的气体的碳含量，单位是千克/立方米；表示第j个碳排放源的气体摩尔质量，单位是千克/摩尔；表示第j个碳排放源的气体温度，单位是绝对温度；表示第j个碳排放源的气体压力，单位是帕斯卡（Pa）；表示碳排放源总数，表示第i个碳排放区域的实时直接碳排放量，表示生产区域总数。
5.根据权利要求4所述的工业生产全生命周期碳排放监测方法，其特征在于，所述比对结果包括“不存在碳排放超标”的字样、“采购存在碳排放超标”的字样、“制造存在碳排放超标”的字样、“质检存在碳排放超标”的字样、“包装存在碳排放超标”的字样、“运输存在碳排放超标”的字样以及“存储存在碳排放超标”的字样。
6.根据权利要求5所述的工业生产全生命周期碳排放监测方法，其特征在于，对每个生产环节的碳排放总量进行比对分析，包括：
将工业生产全过程的碳排放总量与预定碳排放标准量进行比对；
若，则显示“不存在碳排放超标”的字样，并将“不存在碳排放超标”的字样作为比对结果；
若，则计算每个生产环节的碳排放总量在工业生产全过程的碳排放总量中的占比；其计算公式为：，表示第v个生产环节的碳排放总量；
根据生产环节与数据占比的预设关系，获取每个生产环节的对应预设占比阈值，将占比与对应预设占比阈值进行比对，若占比大于等于对应预设占比阈值，则将对应生产环节标记为碳排放超标生产环节，并将对应生产环节与显示“存在碳排放超标”的字样进行匹配，将匹配后的字样作为比对结果；若占比小于对应预设占比阈值，则判定对应生产环节不存在碳排放超标。
7.根据权利要求6所述的工业生产全生命周期碳排放监测方法，其特征在于，根据比对结果生成碳排放调控策略，包括：
根据比对结果确定对应的碳排放超标生产环节；
确定碳排放超标生产环节中每个碳排放区域，并获取碳排放区域中每个碳排放源处理设备的控制参数的当前控制值，所述控制参数包括发动机转速和电流或电压；
将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，生成碳排放调控策略。
8.根据权利要求7所述的工业生产全生命周期碳排放监测方法，其特征在于，将每个碳排放源处理设备的控制参数的当前控制值输入预构建数字孪生模型中进行模拟，包括：
a.获取碳排放源处理设备的当前数量C，将发动机转速和电流或电压中的发动机转速作为固定量，电流或电压作为变量，并将电流或电压的当前控制值作为K；
b.令K=K-D，C=C-1，并记录控制值K下工业生产系数，D为大于零的正整数；
c.重复循环步骤b，当K等于预设第一控制阈值，或C等于预设第一设备数时，得到电流或电压控制参数下的G个工业生产系数，并跳转至步骤d，G为大于零的正整数；
d.将发动机转速和电流或电压中的电流或电压作为固定量，发动机转速作为变量，并将发动机转速的当前控制值作为U；
e.重置C，令U=U-W，C=C-1，并记录控制值U下工业生产系数，W为大于零的正整数；
f.重复循环步骤e，当U等于预设第二控制阈值，或C等于预设第一设备数时，得到发动机转速控制参数下的H个工业生产系数，H为大于零的正整数；
g.融合统计第一控制参数下的G个工业生产系数和第二控制参数下的H个工业生产系数，得到L个工业生产系数，按数值从大到小对L个工业生产系数进行排序；
h.将第一排序对应的碳排放源处理设备数量、发动机转速的控制值和电流或电压的控制值作为碳排放调控策略。
9.工业生产全生命周期碳排放监测系统，其特征在于，包括：
直接碳排放量获取模块，用于识别在M个生产环节中N个碳排放区域的碳排放源，检测每个碳排放源的气体数据，根据气体数据计算每个生产环节的实时直接碳排放量，M、N为大于零的正整数；
间接碳排放量获取模块，用于收集每个生产环节中的间接碳排放特征数据以及能源碳排放特征数据，基于间接碳排放特征数据、能源碳排放特征数据、预构建第一机器学习模型和预构建第二机器学习模型获取每个生产环节的实时间接碳排放量；
其中，获取每个生产环节的实时间接碳排放量，包括：
收集工业生产中的历史间接碳排放训练数据以及历史能源碳排放训练数据；
基于历史间接碳排放训练数据，训练出预测间接碳排放量的第一机器学习模型；
训练出预测间接碳排放量的第一机器学习模型的逻辑为：将历史间接碳排放训练数据划分为间接数据训练集和间接数据测试集，构建回归网络模型，将间接数据训练集中的间接碳排放特征数据作为回归网络模型的输入，以及将间接数据训练集中的与间接碳排放特征数据对应的间接碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第一回归网络模型，以最小化预测准确度之和为训练目标，利用间接数据测试集对初始第一回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第一回归网络模型作为第一机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原间接数据训练集再次进行模型训练，直至测试结果满足设定阈值；
基于历史能源碳排放训练数据，训练出预测能源使用碳排放量的第二机器学习模型；
所述历史间接碳排放训练数据包括间接碳排放特征数据以及与间接碳排放特征数据对应的间接碳排放量；其中，所述间接碳排放特征数据包括废气及废水量、化学药剂用量、能源使用碳排放量以及工业生产作业人数；
所述历史能源碳排放训练数据包括能源碳排放特征数据以及与能源碳排放特征数据对应的能源使用碳排放量；其中，能源碳排放特征数据包括碳排放源数量、每个碳排放区域的用电量、每个碳排放区域的用电时长、碳排放区域的温湿度以及工业生产中清洁能源与非清洁能源的使用占比；
训练出预测能源使用碳排放量的第二机器学习模型的逻辑为：将历史能源碳排放训练数据划分为能耗数据训练集和能耗数据测试集，构建回归网络模型，将能耗数据训练集中的能源碳排放特征数据作为回归网络模型的输入，以及将能耗数据训练集中的与能源碳排放特征数据对应的能源使用碳排放量作为回归网络模型的输出，对回归网络模型进行训练，得到初始第二回归网络模型，以最小化预测准确度之和为训练目标，利用能耗数据测试集对初始第二回归网络模型进行模型评测，若预测准确度之和小于预设准确度之和的阈值，则将对应初始第二回归网络模型作为第二机器学习模型，若预测准确度之和大于等于预设准确度之和的阈值，则将使用原能耗数据训练集再次进行模型训练，直至测试结果满足设定阈值；
提取每个生产环节中的能源碳排放特征数据，将能源碳排放特征数据输入预构建第二机器学习模型中，得到能源使用碳排放量；
提取每个生产环节中的间接碳排放特征数据，将间接碳排放特征数据输入预构建第一机器学习模型中，得到实时间接碳排放量；
碳排放总量核算模块，用于基于实时直接碳排放量和实时间接碳排放量计算每个生产环节的碳排放总量以及工业生产全过程的碳排放总量；
碳排放比对模块，用于对每个生产环节的碳排放总量进行比对分析，获取每个生产环节的比对结果，根据比对结果生成碳排放调控策略；
碳排放调控模块，用于基于碳排放调控策略对工业生产中的对应生产环节进行碳排放调控。
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，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至9任一项所述工业生产全生命周期碳排放监测方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一项所述工业生产全生命周期碳排放监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465784.0A CN117217419B (zh) | 2023-11-07 | 2023-11-07 | 工业生产全生命周期碳排放监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311465784.0A CN117217419B (zh) | 2023-11-07 | 2023-11-07 | 工业生产全生命周期碳排放监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217419A CN117217419A (zh) | 2023-12-12 |
| CN117217419B true CN117217419B (zh) | 2024-02-09 |
Family
ID=89051334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311465784.0A Active CN117217419B (zh) | 2023-11-07 | 2023-11-07 | 工业生产全生命周期碳排放监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217419B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118171806A (zh) * | 2024-02-26 | 2024-06-11 | 国网宁夏电力有限公司电力科学研究院 | 一种可识别异常数据的碳排放预警系统 |
| CN117973637A (zh) * | 2024-03-29 | 2024-05-03 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于电碳关联模型的碳排放量预测方法及系统 |
| CN118377787A (zh) * | 2024-05-08 | 2024-07-23 | 北京市生态环境保护科学研究院 | 区域碳排放核算系统及方法 |
| CN118469595B (zh) * | 2024-07-11 | 2024-09-13 | 国网安徽省电力有限公司信息通信分公司 | 基于能源消耗的碳排放测算方法 |
| CN118504424A (zh) * | 2024-07-17 | 2024-08-16 | 北京睿碳科技有限公司 | 一种碳排放信息处理方法、装置及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423215A (zh) * | 2022-10-13 | 2022-12-02 | 北京恒华龙信数据科技有限公司 | 一种基于混合机器学习的碳排放预测方法及系统 |
| CN115759890A (zh) * | 2022-11-25 | 2023-03-07 | 中国电力科学研究院有限公司 | 电动汽车的全生命周期碳排放建模方法、追踪方法及系统 |
| CN115860427A (zh) * | 2022-12-29 | 2023-03-28 | 武汉市三藏科技有限责任公司 | 一种企业全生命周期碳资产管理系统 |
| CN116681187A (zh) * | 2023-08-03 | 2023-09-01 | 北京滴普科技有限公司 | 一种基于企业经营数据的企业碳配额预测方法 |
| CN116975689A (zh) * | 2023-07-31 | 2023-10-31 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
-
2023
- 2023-11-07 CN CN202311465784.0A patent/CN117217419B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423215A (zh) * | 2022-10-13 | 2022-12-02 | 北京恒华龙信数据科技有限公司 | 一种基于混合机器学习的碳排放预测方法及系统 |
| CN115759890A (zh) * | 2022-11-25 | 2023-03-07 | 中国电力科学研究院有限公司 | 电动汽车的全生命周期碳排放建模方法、追踪方法及系统 |
| CN115860427A (zh) * | 2022-12-29 | 2023-03-28 | 武汉市三藏科技有限责任公司 | 一种企业全生命周期碳资产管理系统 |
| CN116975689A (zh) * | 2023-07-31 | 2023-10-31 | 杭州超腾能源技术股份有限公司 | 一种碳排放的智能识别与控制方法及系统 |
| CN116681187A (zh) * | 2023-08-03 | 2023-09-01 | 北京滴普科技有限公司 | 一种基于企业经营数据的企业碳配额预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217419A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
| EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| Kuric et al. | Analysis of diagnostic methods and energy of production systems drives | |
| Fox et al. | A review of predictive and prescriptive offshore wind farm operation and maintenance | |
| CN101436057A (zh) | 数控机床热误差贝叶斯网络补偿方法 | |
| CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
| Schröder et al. | Using transfer learning to build physics-informed machine learning models for improved wind farm monitoring | |
| CN101446828A (zh) | 一种非线性过程质量预报方法 | |
| Ensarioğlu et al. | Remaining Useful Life Estimation of Turbofan Engines with Deep Learning Using Change-Point Detection Based Labeling and Feature Engineering | |
| Kaneko | Beware of r2 even for test datasets: Using the latest measured y‐values (r2LM) in time series data analysis | |
| Zhou et al. | Accounting CO2 Emissions of the Cement Industry: Based on an Electricity–Carbon Coupling Analysis | |
| CN117574180A (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
| CN105894138A (zh) | 一种制造业发货量的最优加权组合预测方法 | |
| CN117764413A (zh) | 一种基于机器学习的精确碳排放核算算法 | |
| CN106529680B (zh) | 一种基于经验模态分解的多尺度极限学习机集成建模方法 | |
| Abbass et al. | A generic pipeline for machine learning users in energy and buildings domain | |
| Sharipova et al. | DEVELOPMENT OF A NEURAL NETWORK MODEL FOR TRAINING DATA ON THE EFFECTS OF PHOSPHORUS ON SPRING WHEAT GROWTH. | |
| CN115130805A (zh) | 分析装置、分析方法以及记录有程序的计算机可读介质 | |
| Martin Nascimento et al. | Quantifying compressed air leakage through non-intrusive load monitoring techniques in the context of energy audits | |
| Haghi et al. | Wind Turbine damage equivalent load assessment using Gaussian process regression combining measurement and synthetic data | |
| Asmussen et al. | Pre-charge pressure estimation of a hydraulic accumulator using surface temperature measurements | |
| Rober et al. | A machine learning application for the energy flexibility assessment of a distribution network for consumers | |
| Prendl et al. | Framework for Automated Data-Driven Model Adaption for the Application in Industrial Energy Systems | |
| He et al. | A novel soft sensor model based on stacking ensemble learning framework | |
| Diaf et al. | Automatic and Generic Prognosis Method Based on Data Trend Analysis and Neural Network |
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 |