CN117236750B - 一种基于差异数据分析的全周期碳排放计算方法 - Google Patents
一种基于差异数据分析的全周期碳排放计算方法 Download PDFInfo
- Publication number
- CN117236750B CN117236750B CN202311157311.4A CN202311157311A CN117236750B CN 117236750 B CN117236750 B CN 117236750B CN 202311157311 A CN202311157311 A CN 202311157311A CN 117236750 B CN117236750 B CN 117236750B
- Authority
- CN
- China
- Prior art keywords
- difference
- batch
- carbon emission
- full
- estimated
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 100
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 53
- 238000011084 recovery Methods 0.000 claims description 43
- 238000004519 manufacturing process Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Abstract
本发明涉及碳排放技术领域,特别涉及一种基于差异数据分析的全周期碳排放计算方法。当前批次产品下线时,根据全周期碳排放预测模型预估当前批次全周期预估碳排放量;以用于补偿历史批次预估与实测差异的当前修正值,修正当前批次全周期预估碳排放量,生成当前批次全周期碳排放量。本发明建立了一种循环计算体系,可以获取历史批次产品的实际碳排放量与预估碳排放量之间的差异,将历史批次产品中产生的差异分配至未来批次产品中,实现碳排放量的精准循环计算,在产品下线时既可精准生成产品的全周期碳标签。
Description
技术领域
本发明涉及碳排放技术领域,特别涉及一种基于差异数据分析的全周期碳排放计算方法。
背景技术
目前,计算碳排放量的方法主要是三种:一是物料衡算法,该方法是基于质量守恒定律,即在生产过程中投入的物料质量等于产出的物质质量;二是排放因子法,是IPCC的温室气体排放源清单编制指南找茬的估算方法,导致温室气体排放的生产或消费活动量的表征值(活动数据Activi ty Aata,AD),结合如化石燃料消耗量、原料用量等和表征单位生产或消费活动量的温室气体排放系数,即排放因子,估算碳排放量;三是实际测量法,采用仪器监测方法来测量排放气体的流量、流速、气体浓度等数据,再通过计算转化获得碳排放量。
其不足在于:1、物料衡算法和排放因子法都是一种估算方式,不就不够精准,特别是在产品生产工艺发生改变,或运输方式及目标地发生改变,以及回收方式发生改变时,估算得到的碳排放量误差极大;2、实际测量法虽然精准度高,但其测量成本也极大,增加了产品的出产成本,不受企业所喜,而且实际测量法只能用于产品生产阶段测量,当产品没有完成运输阶段及回收阶段时,无法测得产品全周期碳排放量3、三种方式都无法在产品下线时获取产品全周期碳排放量,无法产品的全周期碳标签。
对于企业来说,目前缺少一种碳排放计算方法,可以在产品生产完成下线时就精准确定产品的全周期碳排放量,易想到的方向是采集已经完成全周期(生产、运输、回收等)使用的产品的实际碳排放量作为样本数据,通过AI模型对每批次产品进行碳排放预测。但其不足在于,1、当生产工艺、运输方式、回收方式等发生改变时,预测准确度会大幅度降低;2、预测得到的数据也只是推测,并不是每批次产品的实际碳排放量,误差无法消除。
发明内容
本发明公开了一种基于差异数据分析的全周期碳排放计算方法,它可以获取历史批次产品的实际碳排放量,在未来批次产品中进行补偿,实现精准碳排放计算。
它通过这样的技术方案实现的,在每批次产品下线时,计算每批次全周期碳排放量,具体计算方法如下:
当前批次产品下线时,根据全周期碳排放预测模型预估当前批次全周期预估碳排放量;
以用于补偿历史批次预估与实测差异的当前修正值,修正当前批次全周期预估碳排放量,生成当前批次全周期碳排放量。
该实施例的优点在于,建立了一种循环计算体系,可以获取历史批次产品的实际碳排放量与预估碳排放量之间的差异,将历史批次产品中产生的差异分配至未来批次产品中,实现碳排放量的精准循环计算,在产品下线时既可精准生成产品的全周期碳标签。
进一步地,历史批次预估与实测差异,具体计算方法如下:
以任意批次为间隔,针对历史批次设立抽样批次,实测抽样批次的全周期实测碳排放量;
若待计算差异的历史批次为抽样批次,调取待计算差异的历史批次的全周期预估碳排放量和全周期实测碳排放量,全周期预估碳排放量和全周期实测碳排放量的差值既为该抽样批次的差异;
若待计算差异的历史批次为非抽样批次,分别调取待计算差异历史批次的上一抽样批次差异和下一抽样批次的差异,根据上一抽样批次差异和下一抽样批次的差异,推测两抽样批次之间的非抽样批次差异。
该实施例的优点在于,采用了抽样加推测的方式获取每个批次预估与实测的差异,可大幅度减少实际测量产生的成本;当相邻抽样批次之间差异过大时,可增加抽样批次的频率从而提高每个批次差异的准确度,当相邻抽样批次之间差异小于预期时,可减少抽样批次的频率从而降低实测成本,对于企业来说适用范围广,可根据实际需求而设计。
进一步地,推测两抽样批次之间的非抽样批次差异,具体方法如下:
以下一抽样批次的差异减去上一抽样批次的差异的差,除以两抽样批次之间的非抽样批次数量获得递增量,每批非抽样批次均在前一非抽样批次差异的基础上增加递增量。
该实施例的优点在于,考虑到了相邻抽样批次之间的差异并不是跳变,采用递增的方式修正非抽样批次的差异,更接近于实际情况,提高了非抽样批次差异的准确度。
进一步地,所述当前修正值的计算方法如下:
相加抽样批次差异、非抽样批次差异以及剩余差异,算得总差异;
根据补偿差异的未来批次数量选取小于总差异的待补偿差异,以待补偿差异除以未来批次数量,算得未来每个批次的当前修正值;
以总差异减去补偿差异,更新剩余差异。
该实施例的优点在于,设置了剩余差异作为碳排放量的存储数值,可调节未来补偿差异的数值,防止相邻批次产品的碳排放量相差过大,引起消费者的不适。
进一步地,若总差异值大于总更新阈值,且剩余差异值大于剩余更新阈值,则修正全周期碳排放预测模型,具体修正方法如下:
获取历史批次中所有已知差异,采用线性回归预测未来批次差异,全周期碳排放预测模型加上未来批次差异的最低值,完成全周期碳排放预测模型的修正。
该实施例的优点在于,当未来批次差异呈现规则性增长或减少时,可判断为生产工艺的改变或运输方式的改变或回收方式的改变,以预测差异最低值修正全周期碳排放预测模型可有效的提高预估准确性,减少差异的总量。
进一步地,所述全周期包括生产阶段,生产阶段预估碳排放量的预测模型公式如下:
生产阶段预估碳排放量=生产活动数据*生产排放因子;
生产阶段实测碳排放量通过烟气排放连续监测系统CEMS实际测量。
该实施例的优点在于,通过排放因子法预估生产阶段碳排放量计算简单易实现,通过实测法获取生产阶段实测碳排放量可增加差异计算的准确度,提高整体碳排放计算的准确度。
进一步地,所述全周期还包括运输阶段,运输阶段预估碳排放量的预测模型公式如下:
运输阶段预估碳排放量=预估运输次数*预估运输里程*预估运输排放因子;
其中,预估运输排放因子由预估运输工具的各类查表获取;
运输阶段实测碳排放量的计算公式如下:
运输阶段实测碳排放量=实际运输次数*实际运输里程*实际运输排放因子;
其中,实际运输次数通过物流信息调取,实际运输排放因子通过物流信息调取实际运输工具各类确定;实际运输里程采用抽样法,随机选择若干该批次产品为运输样品,跟踪记录运输样品的实际运输里程取平均值作为实际运输里程。
进一步地,所述全周期还包括回收阶段,回收阶段预估碳排放量的预测模型公式如下:
回收阶段预估碳排放量=预估回收活动数据*预估回收排放因子;
其中,预估回收活动数据为按预估回收方式回收产品过程中使用的能源数量,预估回收排放因子由预估回收方式耗费的能源类型确定;
回收阶段实测碳排放量的计算公式如下:
回收阶段实测碳排放量=实际回收活动数据*实际回收排放因子;
实测回收阶段采用抽样法,随机选择若干该批次产品为回收样品,跟踪记录回收样品的实际回收方式和实际使用的能源数量的乘积取平均值作为回收阶段实测碳排放量。
进一步地,若该类产品停止生产,以最近抽样批次获得的全周期实测碳排放量覆盖所有未经补偿的所有批次,计算所有未经补偿批次的差异并相加后,再加上剩余差异作为结算。
该实施例的优点在于,考虑到了产品停产的情况,由于每批产品下线时都完成了碳排放预估,因此只需要计算出未补偿批次产品差异既可完成清算,最近抽样批次的差异数据代表了产品最新的生产、运输及回收模式,直接覆盖未补偿批次,可节省未补偿批次产品实测的时间和成本。
类似地,本发明还公开了一种存储介质,所述存储介质存储有若干指令,所述指令适用于处理器进行加载,以上述方法。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种基于差异数据分析的全周期碳排放计算方法,如图1所示,具体方法如下:
S1、当前下线产品的批次为T0,T1为未生产的下一批次,T-1为当前批次的上一批次;假设最近完成实测的抽样批次为T-10,T-10的上一抽样批次为T-14;为当前批次向前第14抽样批次的全周期实测值,为当前批次向前第14抽样批次的全周期预估值,;为当前批次向前第10抽样批次的全周期实测值,为当前批次向前第10抽样批次的全周期预估值;则为当前批次向前第14抽样批次的差异,为前批次向前第10抽样批次的差异;
其中, 为该批次生产阶段预估值,为该批次生产阶段预估活动数据,为生产阶段预估排放因子;
为该批次运输阶段预估值,为该批次预估运输次数,为该批次预估运输里程,为该批次预估运输排放因子;
为该批次回收阶段预估值,为该批次回收阶段预估活动数据,为该批次回收阶段预估排放因子。
其中,为该批次生产阶段实测碳排放量,通过烟气排放连续监测系统CEMS实际测量;
为该批次运输阶段实测碳排放量,为该批次实际运输次数,为该批次实际运输里程,为该批次实际运输排放因子;
由此可算得该批次差异同理可算得差异
S2、计算第-11、-12和-13批次的递增量,公式如下:
再根据公式计算-11、-12和-13批次的差异
S3、计算总差异
ytot=yres+y-10+y-11+y-12+y-13
其中,yres为剩余差异。
S4、确定未来补偿批次为T0、T1、T2和T3,补偿差异为ycom,ycom<yres,更新剩余差异yres=yres-ycom;
S5、计算未来补偿批次T0、T1、T2和T3的当前修正值C,C=ycom/4;
S6、根据公式计算T0、T1、T2和T3批次的全周期碳排放量,公式如下:
S7、若yres>th2且ytot>th1,则以y-10、y-11、y-12...为样本数据,采用线性回归算法预测y-9、y-8、y-7...y0,选取y-9、y-8、y-7...y0中最小差异数值ymin修正预估模型使
S8、若T0之后产品停止生产,当前已经补偿的批次为T-14,最近获取实测数据的批次为T-10,当前剩余差异为yres,则以批次T-10对应的差异y-10覆盖T-9至T0,结算公式如下:
SE=yres+y-13+y-12+y-11+11*y-10。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于差异数据分析的全周期碳排放计算方法,其特征在于,在每批次产品下线时,计算每批次全周期碳排放量,具体计算方法如下:
当前批次产品下线时,根据全周期碳排放预测模型预估当前批次全周期预估碳排放量;
以用于补偿历史批次预估与实测差异的当前修正值,修正当前批次全周期预估碳排放量,生成当前批次全周期碳排放量;
历史批次预估与实测差异,具体计算方法如下:
以任意批次为间隔,针对历史批次设立抽样批次,实测抽样批次的全周期实测碳排放量;
若待计算差异的历史批次为抽样批次,调取待计算差异的历史批次的全周期预估碳排放量和全周期实测碳排放量,全周期预估碳排放量和全周期实测碳排放量的差值既为该抽样批次的差异;
若待计算差异的历史批次为非抽样批次,分别调取待计算差异历史批次的上一抽样批次差异和下一抽样批次的差异,根据上一抽样批次差异和下一抽样批次的差异,推测两抽样批次之间的非抽样批次差异;
所述当前修正值的计算方法如下:
相加抽样批次差异、非抽样批次差异以及剩余差异,算得总差异;
根据补偿差异的未来批次数量选取小于总差异的待补偿差异,以待补偿差异除以未来批次数量,算得未来每个批次的当前修正值;
以总差异减去补偿差异,更新剩余差异;
推测两抽样批次之间的非抽样批次差异,具体方法如下:
以下一抽样批次的差异减去上一抽样批次的差异的差,除以两抽样批次之间的非抽样批次数量获得递增量,每批非抽样批次均在前一非抽样批次差异的基础上增加递增量。
2.如权利要求1所述的基于差异数据分析的全周期碳排放计算方法,其特征在于,若总差异值大于总更新阈值,且剩余差异值大于剩余更新阈值,则修正全周期碳排放预测模型,具体修正方法如下:
获取历史批次中所有已知差异,采用线性回归预测未来批次差异,全周期碳排放预测模型加上未来批次差异的最低值,完成全周期碳排放预测模型的修正。
3.如权利要求1所述的基于差异数据分析的全周期碳排放计算方法,其特征在于,所述全周期包括生产阶段,生产阶段预估碳排放量的预测模型公式如下:
生产阶段预估碳排放量=生产活动数据*生产排放因子;
生产阶段实测碳排放量通过烟气排放连续监测系统CEMS实际测量。
4.如权利要求3所述的基于差异数据分析的全周期碳排放计算方法,其特征在于,所述全周期还包括运输阶段,运输阶段预估碳排放量的预测模型公式如下:
运输阶段预估碳排放量=预估运输次数*预估运输里程*预估运输排放因子;
其中,预估运输排放因子由预估运输工具的各类查表获取;
运输阶段实测碳排放量的计算公式如下:
运输阶段实测碳排放量=实际运输次数*实际运输里程*实际运输排放因子;
其中,实际运输次数通过物流信息调取,实际运输排放因子通过物流信息调取实际运输工具各类确定;实际运输里程采用抽样法,随机选择若干该批次产品为运输样品,跟踪记录运输样品的实际运输里程取平均值作为实际运输里程。
5.如权利要求4所述的基于差异数据分析的全周期碳排放计算方法,其特征在于,所述全周期还包括回收阶段,回收阶段预估碳排放量的预测模型公式如下:
回收阶段预估碳排放量=预估回收活动数据*预估回收排放因子;
其中,预估回收活动数据为按预估回收方式回收产品过程中使用的能源数量,预估回收排放因子由预估回收方式耗费的能源类型确定;
回收阶段实测碳排放量的计算公式如下:
回收阶段实测碳排放量=实际回收活动数据*实际回收排放因子;
实测回收阶段采用抽样法,随机选择若干该批次产品为回收样品,跟踪记录回收样品的实际回收方式和实际使用的能源数量的乘积取平均值作为回收阶段实测碳排放量。
6.如权利要求5所述的基于差异数据分析的全周期碳排放计算方法,其特征在于,若该类产品停止生产,以最近抽样批次获得的全周期实测碳排放量覆盖所有未经补偿的所有批次,计算所有未经补偿批次的差异并相加后,再加上剩余差异作为结算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157311.4A CN117236750B (zh) | 2023-09-08 | 一种基于差异数据分析的全周期碳排放计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157311.4A CN117236750B (zh) | 2023-09-08 | 一种基于差异数据分析的全周期碳排放计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236750A CN117236750A (zh) | 2023-12-15 |
CN117236750B true CN117236750B (zh) | 2024-07-05 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484749A (zh) * | 2014-12-04 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 用于燃煤电厂碳排放量预测方法和系统 |
CN116341794A (zh) * | 2023-03-14 | 2023-06-27 | 河北工大科雅能源科技股份有限公司 | 一种集中供热系统全生命周期碳足迹跟踪计算方法 |
CN117726257A (zh) * | 2023-12-20 | 2024-03-19 | 重庆环问问科技有限公司 | 一种基于人工智能大数据模型的工业园区危险废物处理方法 |
WO2024060539A1 (zh) * | 2022-09-23 | 2024-03-28 | 广东邦普循环科技有限公司 | 动力电池的年度碳排放量估算方法及装置 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484749A (zh) * | 2014-12-04 | 2015-04-01 | 广东电网有限责任公司电力科学研究院 | 用于燃煤电厂碳排放量预测方法和系统 |
WO2024060539A1 (zh) * | 2022-09-23 | 2024-03-28 | 广东邦普循环科技有限公司 | 动力电池的年度碳排放量估算方法及装置 |
CN116341794A (zh) * | 2023-03-14 | 2023-06-27 | 河北工大科雅能源科技股份有限公司 | 一种集中供热系统全生命周期碳足迹跟踪计算方法 |
CN117726257A (zh) * | 2023-12-20 | 2024-03-19 | 重庆环问问科技有限公司 | 一种基于人工智能大数据模型的工业园区危险废物处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20100000608A1 (en) | Flow rate control using mass flow rate control device | |
US20200202051A1 (en) | Method for Predicting Outcome of an Modelling of a Process in a Bioreactor | |
WO2021105246A1 (en) | Forecasting industrial aging processes with machine learning methods | |
JP2007199844A (ja) | 部品需要予測プログラム、部品需要予測方法、及びこの方法を実行するシステム | |
CN117236750B (zh) | 一种基于差异数据分析的全周期碳排放计算方法 | |
CN112395120A (zh) | 异常点检测方法、装置、设备及存储介质 | |
CN111476677A (zh) | 一种基于大数据的用电类别售电量分析与预测方法及系统 | |
CN114219185A (zh) | 一种基于不确定集的城市规模工业碳排放量预测方法 | |
CN117236750A (zh) | 一种基于差异数据分析的全周期碳排放计算方法 | |
JPH0695707A (ja) | モデル予測制御装置 | |
KR101662809B1 (ko) | 철도 역사 내 전력 수요 예측 방법 및 그 장치 | |
CN117236529A (zh) | 基于大数据的大型活动人流量预测方法 | |
CN116663871B (zh) | 用电需求量预测方法及系统 | |
CN107576695A (zh) | 电化学气体传感器及其校准方法、空调器 | |
JP3291201B2 (ja) | メッキ付着量の制御装置および制御方法 | |
CN117291506A (zh) | 一种基于液体兽药生产的原材料库存数据智能管理系统 | |
CN111518980B (zh) | 一种转炉终点碳含量预报模型的修正方法和系统 | |
CN114756604B (zh) | 一种基于Prophet组合模型的监测时序数据预测方法 | |
JP4119684B2 (ja) | 圧延機設定計算装置用学習制御装置 | |
CN117270387A (zh) | 基于深度学习的scr脱硝系统低氨逃逸控制方法和系统 | |
CN107576710B (zh) | 电化学气体传感器及其校准方法、空调器 | |
WO2018109899A1 (ja) | 水素輸送計画作成装置および水素輸送計画作成方法 | |
CN112685449B (zh) | 一种热力系统性能计算方法、装置及设备 | |
JP2002054182A (ja) | 配水量予測装置 | |
JP2652643B2 (ja) | コークス炉ガス発生総量の予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |