CN117689396A - 一种基于工业互联网的后生命周期家电碳足迹核算方法 - Google Patents
一种基于工业互联网的后生命周期家电碳足迹核算方法 Download PDFInfo
- Publication number
- CN117689396A CN117689396A CN202311733011.6A CN202311733011A CN117689396A CN 117689396 A CN117689396 A CN 117689396A CN 202311733011 A CN202311733011 A CN 202311733011A CN 117689396 A CN117689396 A CN 117689396A
- Authority
- CN
- China
- Prior art keywords
- carbon
- calculating
- workshops
- carbon emission
- post
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 109
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005265 energy consumption Methods 0.000 claims abstract description 27
- 238000011084 recovery Methods 0.000 claims abstract description 23
- 239000000463 material Substances 0.000 claims abstract description 20
- 238000004064 recycling Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000011835 investigation Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 239000000446 fuel Substances 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 12
- 239000002912 waste gas Substances 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于环境工程与数据科学技术领域的一种基于工业互联网的后生命周期家电碳足迹核算方法。该方法包括:步骤1:根据调研数据计算小作坊数量,建立小作坊概率分布模型;步骤2:整合已有数据,计算小作坊到家电回收厂的平均运输距离;步骤3:计算单个小作坊的碳排放量和所有小作坊的总碳排放量;步骤4:基于物联网收集并分析监测数据;步骤5:计算直接和间接能源消耗导致的碳排放量;步骤6:构建数据库系统来追踪家电拆解后材料的流向和状态;步骤7:利用大数据分析和机器学习算法计算最大碳节约量。本发明在回收和拆解阶段的碳足迹核算误差减少了约40%,相比传统核算方法更加精确。
Description
技术领域
本发明涉及环境工程与数据科学技术领域,尤其涉及一种基于工业互联网的后生命周期家电碳足迹核算方法。
背景技术
当前,家电产品的碳足迹核算技术主要集中于其生产和使用阶段,而对于产品的后期阶段,尤其是回收、拆解和再利用阶段,现有技术表现出明显的不足。这一局限性主要体现在以下几个方面:
数据获取限制:传统方法在回收和拆解阶段的数据获取通常不够全面和实时,导致碳足迹的评估缺乏足够的数据支持。对于家电产品再利用阶段的碳排放,现有技术往往忽略或简化处理,无法反映实际的小作坊式市场,核算不准确。
核算方法局限:现有的碳足迹核算方法多依赖于一般化的排放因子和简化的生命周期模型,这在处理复杂的回收和拆解过程时往往无法精确核算实际的碳排放量。这种方法忽视了家电产品多样化和回收处理过程的复杂性。
缺乏动态评估:在回收、拆解和再利用过程中,现有技术缺乏对产品状态和环境影响的动态评估能力。这意味着无法实时反应产品在这些阶段的实际环境影响,从而影响了整体碳足迹评估的准确性和时效性。
综合环境影响评估不足:现有的核算技术在评估家电产品的综合环境影响时往往集中于单一的碳排放指标,忽略了全生命周期中其他环境影响因素,如能源消耗、废物产生等,限制了环境影响评估的全面性。
因此,为了更准确地评估家电产品的环境影响,迫切需要一种能够涵盖后生命周期、特别是包括回收、拆解和再利用阶段的综合碳足迹核算技术。这样的技术应能够提供更全面的数据收集、更精确的核算方法、动态评估能力,以及对家电产品综合环境影响的全面评估。
发明内容
本发明的目的是提出一种基于工业互联网的后生命周期家电碳足迹核算方法,包括以下步骤:
步骤1:根据调研数据计算小作坊数量,建立小作坊概率分布模型;
步骤2:整合已有数据,计算小作坊到家电回收厂的平均运输距离;
步骤3:计算单个小作坊的碳排放量和所有小作坊的总碳排放量;
步骤4:基于物联网收集并分析监测数据;
步骤5:计算直接和间接能源消耗导致的碳排放量;
步骤6:构建数据库系统来追踪家电拆解后材料的流向和状态;
步骤7:利用大数据分析和机器学习算法计算最大碳节约量。
监测数据包括能源消耗、废气排放、操作效率。
步骤1中计算小作坊数量的公式如下:
Nestimated=ρ×A
其中,Nestimated为小作坊数量,ρ为每平方公里的平均小作坊密度,A为考虑的总面积。
步骤2中计算小作坊到家电回收厂的平均运输距离的方法如下:
其中,AvgDist为从小作坊到回收厂的平均距离,Nsimulated为小作坊数量,Psimulated为小作坊位置,D为已知的回收厂位置,Dist为GIS工具计算的距离。
步骤3中计算单个小作坊的碳排放量的公式如下:
其中,为单个小作坊碳排放量,AvgDist为从小作坊到回收厂的平均距离,EF为每单位距离的碳排放因子,V为运输工具的碳排放系数。
步骤3中计算所有小作坊的总碳排放量的公式如下:
其中,Etotal为所有小作坊的总碳排放量,Nestimated为小作坊数量,为单个小作坊碳排放量。
步骤5中计算直接能源消耗导致的碳排放量的公式如下:
Edirect=∑(Eelectricity×EFelectricity+Efuel×EFfuel)
其中,Edirect为直接能源消耗导致的碳排放量,Eelectricity为电力消耗量,EFelectricity为电力的碳排放因子,Efuel为燃料消耗量,EFfuel为燃料的碳排放因子。
步骤5中计算间接能源消耗导致的碳排放量的公式如下:
Eindirect=Ewaste_gas×EFwaste_gas
其中,Eindirect为间接能源消耗导致的碳排放量,Ewaste_gas为废气排放量,EFwaste_gas为废气的碳排放因子。
本发明的有益效果在于:
1、本发明在回收和拆解阶段的碳足迹核算误差减少了约40%,相比传统核算方法更加精确;
2、本发明不仅能够评估碳足迹,还能够覆盖超过90%的相关环境指标,远高于现有技术的覆盖率;
3、本发明能够实时监测家电产品在后生命周期中的碳排放,使得企业和环境管理机构能够实时了解产品的环境影响,从而及时调整生产和回收策略;
4、本发明提供了基于数据的决策支持,帮助用户制定更有效的环境保护措施;另外,企业在生产和回收过程中的能源效率提高了约20%,同时降低了大约15%的碳排放。
附图说明
图1为本发明基于工业互联网的后生命周期家电碳足迹核算方法的流程图。
具体实施方式
本发明提出一种基于工业互联网的后生命周期家电碳足迹核算方法,下面结合附图和具体实施例对本发明做进一步说明。
图1为本发明基于工业互联网的后生命周期家电碳足迹核算方法的流程图。具体如下:
(1)回收阶段:
在处理家电回收阶段的碳足迹分析时,面对的主要问题是如何准确统计因小作坊式回收活动而产生的运输距离。这些小作坊通常依赖于具有资质的公司进行运输,但实际运输并不始于公司的注册地址,这导致了距离统计的不准确。
1)确定调研目标:明确调研旨在了解小作坊的数量、分布、回收类型及其与拆解厂的关系。
2)数据收集
问卷调查:设计问卷,涵盖小作坊的位置、运营规模、回收物种类、运输方式等。
访谈:与回收行业的工作人员、当地政府官员、环境保护组织代表进行访谈,收集定性数据。
观察法:实地考察某些区域,直接观察和记录小作坊的分布情况。
3)选择数据样本和调研区域
选择代表性区域:选择不同类型的城市区域(如住宅区、商业区)进行调研。
随机抽样:在每个区域进行随机抽样,以确保数据的代表性和可靠性。
4)数据分析
数量统计:统计小作坊的数量,分析其在不同区域的分布特征。
地理分布分析:使用收集到的数据分析小作坊在城市中的地理分布。
已知回收厂数据整合:将已知的具体回收厂位置数据整合到模型中。
计算运输距离:对于已知位置的回收厂,直接计算从这些厂到拆解网点的距离;对于模拟的小作坊位置,则计算到最近回收厂或拆解网点的平均距离。
5)建立概率分布模型
小作坊数量计算:
Nestimated=ρ×A
其中,Nestimated为预估的小作坊数量,ρ为每平方公里的平均小作坊密度,A为考虑的总面积(平方公里)。
小作坊概率分布:
假设小作坊在城市中的分布不均匀,可以用概率分布P(x,y)表示小作坊出现在某地点的概率。
6)整合已知回收厂位置数据
无需特定公式,直接整合已有数据。
7)计算运输距离
GIS分析:利用GIS软件将模拟的小作坊位置和已知的拆解厂位置输入GIS软件,进行空间分析。
距离计算:使用GIS工具计算每个模拟小作坊到最近拆解厂的距离,然后求平均值。
统计分析:对所有计算出的距离进行统计分析,得出整体的平均运输距离。
模拟小作坊到回收厂的平均距离公式如下:
其中,AvgDist为从模拟的小作坊到回收厂的平均距离,Nsimulated为模拟的小作坊数量,Psimulated为模拟的小作坊位置,D为已知的回收厂位置,Dist为GIS工具计算的距离。
8)计算碳排放量
计算单个小作坊的碳排放:
其中,为预估的单个小作坊碳排放量,EF为每单位距离的碳排放因子(公里/千克CO2),V为运输工具的碳排放系数。
计算总碳排放量:
其中,Etotal为所有小作坊的总碳排放量。
(2)拆解阶段:
综合应用物联网和大数据技术的方法,相比于传统的碳足迹核算,提供了更高的精确度、动态性和适应性。这种方法能够更好地反映实际操作的碳排放情况,为降低拆解过程中的碳足迹提供更有效的数据支持和决策依据。通过实时监测和大数据分析,这种方法不仅优化了碳足迹核算的过程,还促进了整个拆解过程的能源效率和环境绩效的提升。具体而言,具有以下显著区别和优势:
传统核算方法:
基于计算,通常依赖于预先设定的标准排放因子和平均能源消耗数据进行核算。
静态和一般化,使用固定的、通常是平均值来代表所有操作条件,缺乏针对具体操作情况的灵活性。
数据收集限制,往往依赖于手动记录或定期测量,可能导致数据更新不及时,准确性和细致程度有限。
物联网与大数据方法:
实时数据监测,利用物联网传感器实时收集拆解过程中的能源消耗和排放数据,提供即时和准确的信息。
动态和个性化,能够根据实际操作条件动态调整,为每一种特定情况提供量身定制的数据。
大数据分析,利用大数据技术处理和分析收集到的大量数据,识别模式、进行预测并优化操作过程。
预测模型应用,通过机器学习和预测模型,预测未来的能源消耗和碳排放趋势,指导能效提升和排放减少。
提高决策效率,数据驱动的方法能够快速响应变化,实时调整拆解操作,优化能源使用和减少碳排放。
综合管理和报告,提供更全面和详细的碳足迹报告,有助于企业和政策制定者更好地理解和管理碳排放。
第一步:物联网技术在碳足迹核算中的应用
物联网技术可以通过实时监测设备的能源消耗、工作效率和排放水平来提高碳足迹核算的准确性。通过传感器收集数据,可以更准确地了解拆解过程中能源的使用情况和碳排放的具体情况。
1)数据收集
能源消耗监测:安装在拆解设备上的传感器实时记录电力、燃料等能源消耗数据。
排放监测:安装在排气系统上的传感器监测废气中的二氧化碳浓度。
操作效率监测:记录设备的操作状态和效率,运行时间和负载情况。
2)数据分析
实时数据分析:使用大数据技术分析收集到的数据,以识别能源消耗和排放的模式。
预测模型:基于历史数据建立预测模型,预测在不同操作条件下的能源消耗和碳排放量。
第二步:碳足迹核算过程
3)碳排放计算
直接能源消耗导致的碳排放量:
Edirect=∑(Eelectricity×EFelectricity+Efuel×EFfuel)
其中,Edirect为直接能源消耗导致的碳排放量,Eelectricity为电力消耗量,EFelectricity为电力的碳排放因子,Efuel为燃料消耗量,EFfuel为燃料的碳排放因子。
Eindirect=Ewaste_gas×EFwaste_gas
其中,Eindirect为间接能源消耗导致的碳排放量,Ewaste_gas为废气排放量,EFwaste_gas为废气的碳排放因子。
总碳排放量:
Etotal=Edirect+Eindirect
(3)再利用阶段:
开发智能材料追踪与碳节约分析系统,它能够追踪拆解后材料的再利用路径,计算其在整个生命周期中节约的碳排放量,并生成详细的碳节约报告。
将使用RFID(无线射频识别)或NFC(近场通信)技术对拆解后的材料进行标记和追踪。开发一个数据库系统,用于记录每批材料的类型、数量、再利用目的和位置。集成生命周期评估(LCA)工具,以计算材料再利用相对于新材料生产的碳节约量。使用大数据分析和机器学习技术,精确计算在不同再利用情境下的碳节约量。
第一步:材料追踪
1)RFID/NFC标签应用:
每个拆解的家电部件或材料被赋予一个独特的RFID或NFC标签。这些标签包含了材料的详细信息,如类型(金属、塑料等)、重量、来源等。
2)构建数据库系统:
开发一个数据库系统来存储和管理标签信息。利用数据库查询和管理功能来追踪材料的流向和状态。
3)数据结构和算法:
使用高效的数据结构,如哈希表,来快速检索和更新材料信息。应用图算法,如最短路径算法,来优化材料的物流和分配路径。
第二步:碳节约计算
1)生命周期评估(LCA)工具集成:
集成LCA工具来评估材料的整个生命周期中的环境影响。对每种材料,计算在不同再利用阶段(如制造、使用、废弃)的碳排放量。
2)大数据分析:
收集大量的生命周期数据,包括能源使用、排放量和材料处理过程。利用统计学方法,如回归分析,来分析数据,识别节约碳排放的关键因素。
3)机器学习算法应用:
利用机器学习算法(如随机森林、神经网络)来分析复杂数据集,预测材料再利用的碳节约潜力。开发优化模型,基于给定的输入(如材料类型、重量、处理方式)输出最大的碳节约量。
本实施例能够提供实时和更精确的能源消耗和排放数据,经过大数据分析和预测模型可以用于优化操作,减少能源消耗和排放;根据实时数据和预测结果调整操作策略,以降低碳足迹。
Claims (8)
1.一种基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,包括以下步骤:
步骤1:根据调研数据计算小作坊数量,建立小作坊概率分布模型;
步骤2:整合已有数据,计算小作坊到家电回收厂的平均运输距离;
步骤3:计算单个小作坊的碳排放量和所有小作坊的总碳排放量;
步骤4:基于物联网收集并分析监测数据;
步骤5:计算直接和间接能源消耗导致的碳排放量;
步骤6:构建数据库系统来追踪家电拆解后材料的流向和状态;
步骤7:利用大数据分析和机器学习算法计算最大碳节约量。
2.根据权利要求1所述基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,所述监测数据包括能源消耗、废气排放、操作效率。
3.根据权利要求1所述基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,所述步骤1中计算小作坊数量的公式如下:
Nestimated=ρ×A
其中,Nestimated为小作坊数量,ρ为每平方公里的平均小作坊密度,A为考虑的总面积。
4.根据权利要求1所述基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,所述步骤2中计算小作坊到家电回收厂的平均运输距离的方法如下:
其中,AvgDist为从小作坊到回收厂的平均距离,Nsimulated为小作坊数量,Psimulated为小作坊位置,D为已知的回收厂位置,Dist为GIS工具计算的距离。
5.根据权利要求1所述基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,所述步骤3中计算单个小作坊的碳排放量的公式如下:
其中,为单个小作坊碳排放量,AvgDist为从小作坊到回收厂的平均距离,EF为每单位距离的碳排放因子,V为运输工具的碳排放系数。
6.根据权利要求1所述基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,所述步骤3中计算所有小作坊的总碳排放量的公式如下:
其中,Etotal为所有小作坊的总碳排放量,Nestimated为小作坊数量,为单个小作坊碳排放量。
7.根据权利要求1所述基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,所述步骤5中计算直接能源消耗导致的碳排放量的公式如下:
Edirect=∑(Eelectricity×EFelectricity+Efuel×EFfuel)
其中,Edirect为直接能源消耗导致的碳排放量,Eelectricity为电力消耗量,EFelectricity为电力的碳排放因子,Efuel为燃料消耗量,EFfuel为燃料的碳排放因子。
8.根据权利要求1所述基于工业互联网的后生命周期家电碳足迹核算方法,其特征在于,所述步骤5中计算间接能源消耗导致的碳排放量的公式如下:
Eindirect=Ewaste_gas×EFwaste_gas
其中,Eindirect为间接能源消耗导致的碳排放量,Ewaste_gas为废气排放量,EFwaste_gas为废气的碳排放因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733011.6A CN117689396A (zh) | 2023-12-15 | 2023-12-15 | 一种基于工业互联网的后生命周期家电碳足迹核算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733011.6A CN117689396A (zh) | 2023-12-15 | 2023-12-15 | 一种基于工业互联网的后生命周期家电碳足迹核算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117689396A true CN117689396A (zh) | 2024-03-12 |
Family
ID=90133371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311733011.6A Pending CN117689396A (zh) | 2023-12-15 | 2023-12-15 | 一种基于工业互联网的后生命周期家电碳足迹核算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689396A (zh) |
-
2023
- 2023-12-15 CN CN202311733011.6A patent/CN117689396A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Data-driven ecological performance evaluation for remanufacturing process | |
CN111445060B (zh) | 一种社区碳排放监测和预测系统及方法 | |
Van der Auweraer et al. | Forecasting spare part demand with installed base information: A review | |
Wu et al. | An integrated decision-making model for sustainable photovoltaic module supplier selection based on combined weight and cumulative prospect theory | |
CN113435054A (zh) | 一种基于数字孪生模型的碳排放评估方法及系统 | |
CN111461945A (zh) | 智慧化环保管理平台 | |
Zhang et al. | Remanufacturability evaluation of end-of-life products considering technology, economy and environment: A review | |
CN101673363A (zh) | 用能效率评测方法和系统 | |
CN114819997A (zh) | 一种产品的碳足迹核算模型及服务平台构建方法 | |
CN116976561A (zh) | 高压电缆类设备全生命周期碳足迹核算方法 | |
Cao et al. | Multi-level energy efficiency evaluation for die casting workshop based on fog-cloud computing | |
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 | |
CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
Zhang et al. | Big data-based research on active remanufacturing comprehensive benefits evaluation of mechanical product | |
CN112418548B (zh) | 一种基于人工智能技术的智能车间管理方法和系统 | |
CN116542430B (zh) | 多维度水务碳排放量智能分析方法及系统 | |
CN117689396A (zh) | 一种基于工业互联网的后生命周期家电碳足迹核算方法 | |
CN109255470B (zh) | 一种基于大数据分析的变电设备非项目类成本预测方法 | |
WO2023028842A1 (zh) | 工厂运营的预测方法、装置及计算机可读存储介质 | |
Qi et al. | Research on construction mode of recycling network of reverse logistics of automobile enterprises | |
Sarfraz et al. | Energy benchmarking of manufacturing processes in foundation industries | |
Cui | Iot financial management system for energy enterprise management risk and prevention and control strategy under the background of double carbon | |
Xiang et al. | A Decision-making Method for Active Remanufacturing Time Based on Environmental and Economic Indicators. | |
CN117787571B (zh) | 一种区域大气治理的碳排放测算方法及系统 | |
Makarova et al. | Application of the Statistical Analysis Methods for Improving the Managing the Dealer-service Network Efficiency. |
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 |