CN117709557A - 一种基于能耗数据估算企业碳排放量的方法 - Google Patents
一种基于能耗数据估算企业碳排放量的方法 Download PDFInfo
- Publication number
- CN117709557A CN117709557A CN202410166881.8A CN202410166881A CN117709557A CN 117709557 A CN117709557 A CN 117709557A CN 202410166881 A CN202410166881 A CN 202410166881A CN 117709557 A CN117709557 A CN 117709557A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- enterprise
- value
- energy consumption
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 199
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 199
- 238000005265 energy consumption Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 55
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 59
- 238000012937 correction Methods 0.000 claims description 52
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 28
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 27
- 239000001569 carbon dioxide Substances 0.000 claims description 27
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 239000003034 coal gas Substances 0.000 claims description 5
- 239000003915 liquefied petroleum gas Substances 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 239000003209 petroleum derivative Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 16
- 230000010354 integration Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 239000003245 coal Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于能耗数据估算企业碳排放量的方法,涉及碳排放技术领域,该方法包括收集企业的能耗数据;依据能源消耗量和能源排放系数,计算每种能耗的预估碳排放量;其技术要点为:该方法基于能耗数据估算出企业总碳排放量Crt后,综合考虑企业所处区域的环境因素,实现对企业碳排放量的进一步估算,提高企业碳排放量估算结果的准确性,而后搭建预测模型完成对未来企业碳排放量校准值Zct的有效预测,依据实际的企业碳排放量校准值Zct与预测的企业碳排放量校准值的差值和预设的标准阈值对比,以差值超过标准阈值的时间节点与初始预测的时间节点之间产生的时间差为依据,从而准确的得出所需定期优化模型的时间。
Description
技术领域
本发明涉及碳排放技术领域,具体为一种基于能耗数据估算企业碳排放量的方法。
背景技术
碳排放技术是一系列用于减少人为活动产生的二氧化碳和其他温室气体的技术,这些技术旨在降低碳排放量,以应对气候变化和全球变暖的挑战,应对碳排放过量的企业时,可以采用包括使用清洁能源、进行碳捕集与储存以及碳补偿的方法技术进行处理。
现有申请公布号为CN113689049A,名称为一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法的专利中指出的技术方案包括:结合了传统的多元线性回归和人工神经网络模型,采用了混合建模方法通过分步线性回归的方法筛选更重要的工业企业生产数据输入变量,然后将筛选后的工业企业生产数据变量馈入人工神经网络模型,从而产生复杂模型以预测一定时间跨度内的碳排放量输出量,提出的复杂模型仿真结果表明该复杂模型的性能比其相应的其他单阶段模型更优并且可以在广泛的各类企业中应用该复杂模型实现各时间维度的碳排放量的预测;
另有申请公布号为CN116663767A,名称为企业碳排放量计算方法和系统的专利中指出的技术方案包括:获取区域内用能企业电能消耗量及各类非电能源消耗量的历史数据;建立用能企业电能消耗和各类非电能源消耗的配比关系回归模型;计算电能消耗产生的碳排放量;计算各类非电能消耗产生的源碳排放总量;综合各类非电能消耗产生的源碳排放总量和电能消耗产生的碳排放量,得到企业碳排放量总量,可实现用能企业碳排放数据的短周期估算,为企业碳减排提供依据,为全社会的碳核查提供数据支撑。
然而,针对上述专利结合现有技术,在对企业的碳排放量进行估算时通常只是单单依据企业的相关能耗数据进行估算,并没有从其他角度进行综合估算,从而导致现有在对企业进行碳排放量的估算时,估算结果的准确性得不到显著提高,在对企业碳排放量进行估算时还采用搭建的复杂模型对企业未来的碳排放量进行预测的方式,然而随着时间的推移和数据的变化,复杂模型的使用需要进行定期优化,以确保预测结果的准确,该定期时间点的设置通常是人为设置,可能会造成定期优化频繁或是优化间隔较长的情况,不利于确保预测结果的准确。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于能耗数据估算企业碳排放量的方法,该方法基于能耗数据估算出企业总碳排放量后,综合考虑企业所处区域的环境因素,实现对企业碳排放量的进一步估算,提高了企业碳排放量估算结果的准确性,而后搭建预测模型完成对未来企业碳排放量校准值/>的有效预测,依据实际的企业碳排放量校准值/>与预测的企业碳排放量校准值的差值和预设的标准阈值对比,以差值超过标准阈值的时间节点与初始预测的时间节点之间产生的时间差为依据,从而准确的得出所需定期优化模型的时间,解决了背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于能耗数据估算企业碳排放量的方法,包括如下步骤:
收集企业的能耗数据;
依据能源消耗量和对应类型的能源排放系数,计算每种能耗的预估碳排放量,且预估碳排放量所依据的公式为:预估碳排放量=能耗数据的消耗量×能源排放系数,根据能源数据的类型或来源,确定对应的能源排放系数,且能源排放系数是参考国家或行业的标准,或者使用科学研究中得到的数据;
将每种能耗的预估碳排放量累加,获取企业预估的总碳排放量,并依据采集的企业所处区域的空气质量数据,搭建数据分析模型,依据总碳排放量/>和计算得到的碳排放修正值Xze,生成企业碳排放量校准值/>,t表示对应时刻的编号,且t=1、2、…、n,n为正整数;
使用时间序列分析法搭建预测模型,依据T时间周期内企业碳排放量校准值形成的趋势图,预测未来企业不同时刻下的企业碳排放量校准值。
进一步的,收集企业的能耗数据中,能耗数据至少包括天然气、煤炭、石油以及液化石油气的消耗量,且能耗数据是通过访问企业的能源供应商获取的。
进一步的,企业所处区域的空气质量数据包括企业所处区域的二氧化碳浓度、PM值/>以及氧气浓度/>,且二氧化碳浓度/>、PM值/>以及氧气浓度/>是通过在企业周边区域四个方向上安装的空气质量检测仪获取的。
进一步的,在获取碳排放修正值Xze之前需要生成碳排放修正系数,且碳排放修正系数/>的计算过程如下:
S101、获取同一时刻下各个方向上的二氧化碳浓度、PM值/>以及氧气浓度/>,的平均值,即二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>,确保数据的合理性;
S102、获取T时间内不同时刻下的二氧化碳平均浓度、PM平均值/>以及氧气平均浓度/>,并对二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>做无量纲化处理,以去除各个空气质量数据的单位,方便后续进行的计算和处理;
S103、依据经过无量纲化处理后的二氧化碳平均浓度、PM平均值/>以及氧气平均浓度/>,生成碳排放修正系数/>,所依据的公式如下:
,
式中,、/>、/>分别为二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>的预设比例系数,且/>,/>,/>为常数修正系数其具体值可由用户调整设置,或者由分析函数拟合生成,且/>的取值为2.51。
进一步的,计算得到的碳排放修正值Xze的过程为:在T时间周期内,依据不同时刻下的碳排放修正系数的平均值以及碳排放修正系数/>,计算碳排放修正值Xze,所依据的公式如下:
。
进一步的,依据碳排放修正值Xze和总碳排放量,生成企业碳排放量校准值/>,所依据的公式如下:
,
式中,表示为总碳排放量/>的修正指数,/>为常数修正系数,且的取值范围为0.9至1.2。
进一步的,还包括:将实际的企业碳排放量校准值与预测的企业碳排放量校准值进行对比处理,依据处理结果,获取优化预测模型的定期处理时间;其中,预测模型优化的具体内容包括,模型更新和调整:对模型进行更新和调整,这涉及调整模型的超参数、选择不同的算法或重新训练模型;模型重新训练:使用整合后的数据集对模型进行重新训练,使用不同的算法和技术,如交叉验证、正则化,重新训练后的模型能够更好地适应新数据并提高预测性能;模型验证和测试:使用独立的验证集或测试集对新模型进行验证和测试,这可以确保模型在未见过的数据上的泛化能力和表现。
进一步的,将实际的企业碳排放量校准值与预测的企业碳排放量校准值进行对比处理的过程为:获取每个时刻下,实际的企业碳排放量校准值/>与预测的企业碳排放量校准值的差值,并将该差值与预设的标准阈值进行对比,提取差值超过标准阈值的时间节点,计算初始预测企业碳排放量校准值的时间节点与差值超过标准阈值的时间节点的时间差,并以时间差作为优化预测模型的定期处理时间。
一种基于能耗数据估算企业碳排放量的系统,包括:
能耗数据采集模块,收集企业的能耗数据;
排放系数确定模块,获取各个类型能耗数据的能源排放系数;
碳排放量预估模块,依据能源消耗量和对应类型的能源排放系数,计算每种能耗的预估碳排放量,且预估碳排放量所依据的公式为:预估碳排放量=能耗数据的消耗量×能源排放系数;
整合修正模块,其包括碳排放量整合子模块和评估修正子模块;
其中,整合修正模块通过碳排放量整合子模块,将每种能耗的预估碳排放量累加,获取企业预估的总碳排放量,而后利用评估修正子模块内置的数据获取单元,采集的企业所处区域的空气质量数据,并通过评估修正子模块内置的数据处理单元,搭建数据分析模型,依据总碳排放量/>和计算得到的碳排放修正值Xze,生成企业碳排放量校准值/>;
预测分析模块,使用时间序列分析法搭建预测模型,依据T时间周期内企业碳排放量校准值形成的趋势图,预测未来企业不同时刻下的企业碳排放量校准值;
定期优化模块,将实际的企业碳排放量校准值与预测的企业碳排放量校准值进行对比,获取每个时刻下,实际的企业碳排放量校准值/>与预测的企业碳排放量校准值的差值,并将该差值与预设的标准阈值进行对比,提取差值超过标准阈值的时间节点,计算初始预测企业碳排放量校准值的时间节点与差值超过标准阈值的时间节点的时间差,并以时间差作为优化预测模型的定期处理时间。
本发明提供了一种基于能耗数据估算企业碳排放量的方法,具备以下有益效果:
1、本发明基于能耗数据估算出企业总碳排放量后,还通过搭建数据分析模型,综合考虑企业所处区域的环境因素,以计算得到的碳排放修正值Xze来完成对企业总碳排放量/>的调整或修正,实现对企业碳排放量的进一步估算,提高了企业碳排放量估算结果的准确性和有效性;
2、本发明依据若干组企业碳排放量校准值得到对应的趋势图,并结合搭建的预测模型完成对未来企业碳排放量校准值/>的有效预测,便于企业提前做出相应的应对措施,同时为了保证预测模型所预测结果的准确性,采用定期优化模型的方式来进行操作,不同于传统人为设置定期的时间,该方法计算得到的差值和预设的标准阈值对比,以差值超过标准阈值的时间节点与初始预测的时间节点之间产生的时间差为依据,从而准确的得出所需定期优化模型的时间,不仅可以避免频繁优化模型造成资源消耗,还能够避免长时间不进行模型优化造成模型性能下降。
附图说明
图1为本发明一种基于能耗数据估算企业碳排放量的方法的整体流程图;
图2为本发明一种基于能耗数据估算企业碳排放量的系统的模块化结构示意图。
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、完整的描述,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1,本实施例提供一种基于能耗数据估算企业碳排放量的方法,包括如下步骤:S100、收集企业的能耗数据,且能耗数据包括天然气、煤炭、石油以及液化石油气的消耗量,针对不同企业的能耗数据,部分企业也包括其他类型的一些能耗数据,例如煤气,故煤气也属于能耗数据,且能耗数据的获取方式为:通过能源供应商提供的能耗数据或企业内部的能源管理系统获取,该企业内部的能源管理系统为企业内普遍配置的常规监测系统,故其功能和作用在此不多做赘述。
根据能源数据的类型或来源,确定对应的能源排放系数,且能源排放系数是参考国家或行业的标准,或者使用科学研究中得到的数据;
需要说明的是:国家或行业标准:各个国家和行业都制定了能源排放系数的标准或指导,可以参考这些标准来获取能源排放系数,这些标准通常基于广泛的数据和科学研究,提供了不同能源来源和消耗设备的碳排放系数的参考值,可以通过相关能源部门、环保部门或行业协会机构来获取这些标准;
科学研究和文献:许多科学研究和文献中提供了关于能源来源和能源消耗设备的碳排放系数的数据,这些研究通常基于实验数据、监测数据、调查数据等,提供了相对准确的能源排放系数估算,可以通过学术期刊、科研机构或能源研究中心渠道查阅相关研究和文献,以获取碳排放系数的数据;
专业咨询和能源供应商:专业机构、咨询公司和能源供应商通常拥有丰富的能源数据和经验,可以提供各种能源来源的碳排放系数参考值,可以向这些机构咨询,获取能源排放系数的数据和信息,需要注意的是,能源排放系数的准确性和可靠性取决于数据来源和研究方法的质量,因此,在选择和使用能源排放系数时,应该优先考虑权威的、基于广泛数据和科学研究的标准或可靠的科研文献。
S200、依据能源消耗量和对应类型的能源排放系数,计算每种能耗的预估碳排放量,且预估碳排放量所依据的公式为:预估碳排放量=能耗数据的消耗量×能源排放系数;
举例而言,假设我们要计算煤炭的碳排放量,已知煤炭的能源消耗量为1000千克煤炭,能源排放系数为2.5千克二氧化碳排放/千克煤炭,按照以下公式计算碳排放量:碳排放量=能源消耗量×能源排放系数=1000千克×2.5千克二氧化碳排放/千克煤炭= 2500千克二氧化碳排放 因此,使用1000千克煤炭将导致2500千克二氧化碳的碳排放量;类似地,应用相同的方法计算其他能源的碳排放量,只需要知道对应的能源消耗量和能源排放系数即可。
S300、获取企业预估的总碳排放量,并依据采集的企业所处区域的空气质量数据,搭建数据分析模型,生成企业碳排放量校准值/>,t表示对应时刻的编号,且t=1、2、…、n,n为正整数,例如:t=1时表示第一天在凌晨零点时刻下;
其中,企业预估的总碳排放量是通过将每种能耗的预估碳排放量累加获取的;
企业所处区域的空气质量数据包括企业所处区域的二氧化碳浓度、PM值/>以及氧气浓度/>,且二氧化碳浓度/>、PM值/>以及氧气浓度/>是通过在企业周边区域四个方向上安装的空气质量检测仪获取的,空气质量数据是评估空气质量的重要指标也是辅助判断企业碳排放量的重要指标,二氧化碳浓度是衡量空气中二氧化碳含量的指标,以ppm(百万分之一)为单位,PM值指的是颗粒物浓度,指的是空气中悬浮颗粒物的浓度,以微克/立方米(μg/m^3)为单位表示,分为不同粒径的颗粒物(如PM10、PM2.5等),氧气浓度表示空气中氧气分子的含量,通常以百分比(%)表示;
生成企业碳排放量校准值的过程如下:
S101、获取同一时刻下各个方向上的二氧化碳浓度、PM值/>以及氧气浓度/>的平均值,即二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>,确保数据的合理性;
S102、获取T时间内不同时刻下的二氧化碳平均浓度、PM平均值/>以及氧气平均浓度/>,并对二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>做无量纲化处理,以去除各个空气质量数据的单位,方便后续进行的计算和处理,上述的T时间一般设为一个月,即30天,t=1时表示第一天在凌晨零点时刻下,t的最大值则为30;
S103、依据经过无量纲化处理后的二氧化碳平均浓度、PM平均值/>以及氧气平均浓度/>,生成碳排放修正系数/>,所依据的公式如下:
,
式中,、/>、/>分别为二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>的预设比例系数,且/>,/>,/>为常数修正系数其具体值可由用户调整设置,或者由分析函数拟合生成,且/>的取值为2.51。
需要说明的是,在对二氧化碳平均浓度、PM平均值/>进行加权平均计算后,将所得的值通过与/>相乘得到修正,并将修正后的值减去氧气平均浓度/>,从而得到所需的碳排放修正系数/>,在二氧化碳平均浓度/>、PM平均值/>越大时,碳排放修正系数/>也越大,在氧气平均浓度/>越大时,碳排放修正系数/>越小;
本领域技术人员采集多组样本数据并对每一组样本数据设定对应的预设比例系数;将设定的预设比例系数,可以是预设比例系数和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到的取值;系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设比例系数,也可说是根据实际进行预设规定的,只要不影响参数与量化后数值的比例关系即可,对于其他公式中说明的预设比例系数、常数修正系数中,也同样采取上述的说明;
S104、在T时间周期内,依据不同时刻下的碳排放修正系数的平均值以及碳排放修正系数/>,计算碳排放修正值Xze,所依据的公式如下:
;
S105、依据碳排放修正值Xze和总碳排放量,生成企业碳排放量校准值/>,所依据的公式如下:
,
式中,表示为总碳排放量/>的修正指数,/>为常数修正系数,其具体值可由用户调整设置,或者由分析函数拟合生成,且/>的取值范围为0.9至1.2。
具体的,本发明在基于能耗数据估算出企业总碳排放量后,还通过搭建数据分析模型,综合考虑企业所处区域的环境因素,以计算得到的碳排放修正值Xze来完成对企业总碳排放量/>的调整或修正,实现对企业碳排放量的进一步估算,提高了企业碳排放量估算结果的准确性和有效性。
S400、使用时间序列分析法搭建预测模型,依据T时间周期内企业碳排放量校准值形成的趋势图,预测未来企业不同时刻下的企业碳排放量校准值;
S500、将实际的企业碳排放量校准值与预测的企业碳排放量校准值进行对比,获取每个时刻下,实际的企业碳排放量校准值/>与预测的企业碳排放量校准值的差值,并将该差值与预设的标准阈值进行对比,按照时间先后顺序,提取差值超过标准阈值的时间节点,计算初始预测企业碳排放量校准值的时间节点与差值超过标准阈值的时间节点的时间差,以该时间差作为优化预测模型的定期处理时间;
预测模型优化是随着时间推移,实际数据的变化可能导致模型的预测性能下降,因此,根据新的数据进行模型的更新和调整,保持模型的准确性和适用性,并持续进行模型的优化;其中,预测模型优化的具体内容包括,模型更新和调整:对模型进行更新和调整,这涉及调整模型的超参数、选择不同的算法或重新训练模型;模型重新训练:使用整合后的数据集对模型进行重新训练,使用不同的算法和技术,如交叉验证、正则化,重新训练后的模型能够更好地适应新数据并提高预测性能;模型验证和测试:使用独立的验证集或测试集对新模型进行验证和测试,这可以确保模型在未见过的数据上的泛化能力和表现。
具体的,本发明依据若干组企业碳排放量校准值得到对应的趋势图,并结合搭建的预测模型完成对未来企业碳排放量校准值/>的有效预测,便于企业提前做出相应的应对措施,同时为了保证预测模型所预测结果的准确性,采用定期优化模型的方式来进行操作,不同于传统人为设置定期的时间,该方法计算得到的差值和预设的标准阈值对比,以差值超过标准阈值的时间节点与初始预测的时间节点之间产生的时间差为依据,从而准确的得出所需定期优化模型的时间,不仅可以避免频繁优化模型造成资源消耗,还能够避免长时间不进行模型优化造成模型性能下降。
需要说明的是,资源消耗:频繁地进行模型优化可能会消耗大量的计算资源和时间,特别是对于大型和复杂的模型。这会增加开发和部署模型的成本,并可能影响到实时应用和响应的能力;性能下降:随着时间推移,真实数据的分布和特征可能发生变化,如果模型不进行优化,其性能可能会逐渐下降。模型无法适应新的数据模式和趋势,导致预测结果不准确。
实施例2:请参阅图2,以实施例1为基础,本实施例还提供一种基于能耗数据估算企业碳排放量的系统,该系统包括依次运行的能耗数据采集模块、排放系数确定模块、碳排放量预估模块、整合修正模块、预测分析模块以及定期优化模块;
其中,能耗数据采集模块,收集企业的能耗数据;
排放系数确定模块,获取各个类型能耗数据的能源排放系数;
碳排放量预估模块,依据能源消耗量和对应类型的能源排放系数,计算每种能耗的预估碳排放量,且预估碳排放量所依据的公式为:预估碳排放量=能耗数据的消耗量×能源排放系数;
整合修正模块,其包括碳排放量整合子模块和评估修正子模块;
其中,整合修正模块通过碳排放量整合子模块,将每种能耗的预估碳排放量累加,获取企业预估的总碳排放量,而后利用评估修正子模块内置的数据获取单元,采集的企业所处区域的空气质量数据,并通过评估修正子模块内置的数据处理单元,搭建数据分析模型,依据总碳排放量/>和计算得到的碳排放修正值Xze,生成企业碳排放量校准值/>;
预测分析模块,使用时间序列分析法搭建预测模型,依据T时间周期内企业碳排放量校准值形成的趋势图,预测未来企业不同时刻下的企业碳排放量校准值;
定期优化模块,将实际的企业碳排放量校准值与预测的企业碳排放量校准值进行对比,获取每个时刻下,实际的企业碳排放量校准值/>与预测的企业碳排放量校准值的差值,并将该差值与预设的标准阈值进行对比,提取差值超过标准阈值的时间节点,计算初始预测企业碳排放量校准值的时间节点与差值超过标准阈值的时间节点的时间差,并以时间差作为优化预测模型的定期处理时间。
在申请中,所述涉及到的若干个公式均是去量纲后取其数值计算,而所述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。本领域普通技术人员可以意识到,结合本文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。
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,既可以位于一个地方,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。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于能耗数据估算企业碳排放量的方法,包括如下步骤:
收集企业的能耗数据;
依据能源消耗量和对应类型的能源排放系数,计算每种能耗的预估碳排放量,且预估碳排放量所依据的公式为:预估碳排放量=能耗数据的消耗量×能源排放系数,其特征在于,还包括:
将每种能耗的预估碳排放量累加,获取企业预估的总碳排放量,并依据采集的企业所处区域的空气质量数据,搭建数据分析模型,依据总碳排放量/>和计算得到的碳排放修正值Xze,生成企业碳排放量校准值/>,t表示对应时刻的编号,且t=1、2、…、n,n为正整数;
使用时间序列分析法搭建预测模型,依据T时间周期内企业碳排放量校准值形成的趋势图,预测未来企业不同时刻下的企业碳排放量校准值。
2.根据权利要求1所述的一种基于能耗数据估算企业碳排放量的方法,其特征在于:收集企业的能耗数据中,能耗数据至少包括天然气、煤炭、石油以及液化石油气的消耗量,且能耗数据是通过访问企业的能源供应商获取的。
3.根据权利要求2所述的一种基于能耗数据估算企业碳排放量的方法,其特征在于:企业所处区域的空气质量数据包括企业所处区域的二氧化碳浓度、PM值/>以及氧气浓度/>,且二氧化碳浓度/>、PM值/>以及氧气浓度/>是通过在企业周边区域四个方向上安装的空气质量检测仪获取的。
4.根据权利要求1所述的一种基于能耗数据估算企业碳排放量的方法,其特征在于:在获取碳排放修正值Xze之前需要生成碳排放修正系数,且碳排放修正系数/>的计算过程如下:
S101、获取同一时刻下各个方向上的二氧化碳浓度、PM值/>以及氧气浓度/>的平均值,即二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>;
S102、获取T时间内不同时刻下的二氧化碳平均浓度、PM平均值/>以及氧气平均浓度,并对二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>做无量纲化处理;
S103、依据经过无量纲化处理后的二氧化碳平均浓度、PM平均值/>以及氧气平均浓度/>,生成碳排放修正系数/>,所依据的公式如下:
,
式中,、/>、/>分别为二氧化碳平均浓度/>、PM平均值/>以及氧气平均浓度/>的预设比例系数,且/>,/>为常数修正系数。
5.根据权利要求4所述的一种基于能耗数据估算企业碳排放量的方法,其特征在于:计算得到的碳排放修正值Xze的过程为:在T时间周期内,依据不同时刻下的碳排放修正系数的平均值以及碳排放修正系数/>,计算碳排放修正值Xze,所依据的公式如下:
。
6.根据权利要求5所述的一种基于能耗数据估算企业碳排放量的方法,其特征在于:依据碳排放修正值Xze和总碳排放量,生成企业碳排放量校准值/>,所依据的公式如下:
,
式中,表示为总碳排放量/>的修正指数,/>为常数修正系数。
7.根据权利要求6所述的一种基于能耗数据估算企业碳排放量的方法,其特征在于:还包括:将实际的企业碳排放量校准值与预测的企业碳排放量校准值进行对比处理,依据处理结果,获取优化预测模型的定期处理时间。
8.根据权利要求7所述的一种基于能耗数据估算企业碳排放量的方法,其特征在于:将实际的企业碳排放量校准值与预测的企业碳排放量校准值进行对比处理的过程为:获取每个时刻下,实际的企业碳排放量校准值/>与预测的企业碳排放量校准值的差值,并将该差值与预设的标准阈值进行对比,提取差值超过标准阈值的时间节点,计算初始预测企业碳排放量校准值的时间节点与差值超过标准阈值的时间节点的时间差,并以时间差作为优化预测模型的定期处理时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166881.8A CN117709557B (zh) | 2024-02-06 | 2024-02-06 | 一种基于能耗数据估算企业碳排放量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166881.8A CN117709557B (zh) | 2024-02-06 | 2024-02-06 | 一种基于能耗数据估算企业碳排放量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117709557A true CN117709557A (zh) | 2024-03-15 |
CN117709557B CN117709557B (zh) | 2024-04-19 |
Family
ID=90161112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166881.8A Active CN117709557B (zh) | 2024-02-06 | 2024-02-06 | 一种基于能耗数据估算企业碳排放量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709557B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118134114A (zh) * | 2024-05-06 | 2024-06-04 | 西安中创新能网络科技有限责任公司 | 一种碳足迹计算与供应链管理的一体化碳资产管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110987A (zh) * | 2019-04-29 | 2019-08-09 | 兰州环境能源交易中心有限公司 | 一种节能减排与宏观信息管理系统 |
CN113139725A (zh) * | 2021-04-23 | 2021-07-20 | 广州远正智能科技股份有限公司 | 一种多层级碳排放计算分析方法、系统和可读存储介质 |
CN113689049A (zh) * | 2021-09-02 | 2021-11-23 | 上海积成能源科技有限公司 | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 |
CN115879923A (zh) * | 2022-11-22 | 2023-03-31 | 杭州青橄榄物联科技有限公司 | 一种考虑空调能耗的租赁空调价格评估方法与系统 |
CN116862151A (zh) * | 2023-06-16 | 2023-10-10 | 上海凌荣网络科技有限公司 | 一种基于云计算的碳排放分析方法及系统 |
WO2023207401A1 (zh) * | 2022-04-25 | 2023-11-02 | 广东邦普循环科技有限公司 | 一种碳排放量预测方法、装置、设备及存储介质 |
CN117273976A (zh) * | 2023-09-21 | 2023-12-22 | 重庆市涪陵页岩气环保研发与技术服务中心 | 一种页岩气开发能源消耗产生的直接碳排放量预估方法 |
-
2024
- 2024-02-06 CN CN202410166881.8A patent/CN117709557B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110987A (zh) * | 2019-04-29 | 2019-08-09 | 兰州环境能源交易中心有限公司 | 一种节能减排与宏观信息管理系统 |
CN113139725A (zh) * | 2021-04-23 | 2021-07-20 | 广州远正智能科技股份有限公司 | 一种多层级碳排放计算分析方法、系统和可读存储介质 |
CN113689049A (zh) * | 2021-09-02 | 2021-11-23 | 上海积成能源科技有限公司 | 一种结合多元线性回归分步线性回归及人工神经网络以预测企业碳排放量的复杂模型和方法 |
WO2023207401A1 (zh) * | 2022-04-25 | 2023-11-02 | 广东邦普循环科技有限公司 | 一种碳排放量预测方法、装置、设备及存储介质 |
CN115879923A (zh) * | 2022-11-22 | 2023-03-31 | 杭州青橄榄物联科技有限公司 | 一种考虑空调能耗的租赁空调价格评估方法与系统 |
CN116862151A (zh) * | 2023-06-16 | 2023-10-10 | 上海凌荣网络科技有限公司 | 一种基于云计算的碳排放分析方法及系统 |
CN117273976A (zh) * | 2023-09-21 | 2023-12-22 | 重庆市涪陵页岩气环保研发与技术服务中心 | 一种页岩气开发能源消耗产生的直接碳排放量预估方法 |
Non-Patent Citations (2)
Title |
---|
陈雨欣;陈建国;王雪青;冯博;: "建筑业碳排放预测与减排策略研究", 建筑经济, no. 10, 5 October 2016 (2016-10-05), pages 17 - 21 * |
陈露露;赵小风;赖力;: "江苏省交通运输业碳排放预测及减排情景分析研究", 环境科学与管理, no. 10, 15 October 2015 (2015-10-15), pages 15 - 19 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118134114A (zh) * | 2024-05-06 | 2024-06-04 | 西安中创新能网络科技有限责任公司 | 一种碳足迹计算与供应链管理的一体化碳资产管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117709557B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117709557B (zh) | 一种基于能耗数据估算企业碳排放量的方法 | |
Kim et al. | Monitoring and prediction of indoor air quality (IAQ) in subway or metro systems using season dependent models | |
Wu et al. | A prediction method using the grey model GMC (1, n) combined with the grey relational analysis: a case study on Internet access population forecast | |
CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
Kellett et al. | Feedback, dynamics, and optimal control in climate economics | |
Guo et al. | A comprehensive evaluation model of regional atmospheric environment carrying capacity: Model development and a case study in China | |
CN111191191B (zh) | 一种精准预测混凝土坝变形效应的组合模型的构建方法 | |
Zhang et al. | Multi-scale evaluation and multi-scenario simulation analysis of regional energy carrying capacity—Case study: China | |
Lu | Research on GDP forecast analysis combining BP neural network and ARIMA model | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN115329682A (zh) | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Nolting et al. | Can energy system modeling benefit from artificial neural networks? Application of two-stage metamodels to reduce computation of security of supply assessments | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
Wu et al. | A novel optimized nonlinear grey Bernoulli model for forecasting China’s GDP | |
Lv et al. | Application of machine learning algorithms to improve numerical simulation prediction of PM2. 5 and chemical components | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
Yang et al. | A novel modified conformable fractional grey time-delay model for power generation prediction | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN108256676B (zh) | 一种计及负荷波动不对称特性的电力负荷预测方法 | |
CN112991088A (zh) | 一种基于vmd-anfis-arima的月度电力需求预测方法 | |
Sutthichaimethee et al. | A forecasting model in managing future scenarios to achieve the sustainable development goals of Thailands environmental law: enriching the path analysis-VARIMA-OVi model | |
CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
CN113449642A (zh) | 基于多尺度特征提取和深度学习的pm2.5浓度预测方法及系统 |
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 |