CN117952634A - 一种电力行业源端碳数据可信评级方法及系统 - Google Patents
一种电力行业源端碳数据可信评级方法及系统 Download PDFInfo
- Publication number
- CN117952634A CN117952634A CN202410345770.3A CN202410345770A CN117952634A CN 117952634 A CN117952634 A CN 117952634A CN 202410345770 A CN202410345770 A CN 202410345770A CN 117952634 A CN117952634 A CN 117952634A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon
- source
- rating
- carbon data
- 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 437
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 437
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 94
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000004806 packaging method and process Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 230000008439 repair process Effects 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 239000003546 flue gas Substances 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- INFDPOAKFNIJBF-UHFFFAOYSA-N paraquat Chemical group C1=C[N+](C)=CC=C1C1=CC=[N+](C)C=C1 INFDPOAKFNIJBF-UHFFFAOYSA-N 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 230000009977 dual effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力行业源端碳数据可信评级方法及系统。该方法包括以下步骤：获取电力行业源端碳数据；对电力行业源端碳数据进行标准化封装处理，以得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；对多级碳数据模块集调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；基于碳数据区块链网络进行可信评级认证，得到可信评级结果。本发明实现高效、准确的可信评级。
Description
技术领域
本发明涉及电力数据领域，尤其涉及一种电力行业源端碳数据可信评级方法及系统。
背景技术
在电力行业，源端碳数据的可信评级是确保电力供应链中碳数据的准确性和可信度的重要环节，碳数据的可信评级对于电力企业和相关利益相关者来说具有重要意义，帮助他们进行准确的碳排放计量、监测和报告，以支持低碳发展和实现碳减排目标，然而，由于电力行业碳数据涉及多个环节和各种数据来源，传统的电力行业源端碳数据可信评级方法主要依赖于人工观测和手动测试，存在着评级不准确、效率低下的问题，为了满足现代电力行业对源端碳数据可信评级的需求，需要一种智能化的方法和系统来提高评级的准确性和效率。
发明内容
本发明提出了一种电力行业源端碳数据可信评级方法及系统，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种电力行业源端碳数据可信评级方法，包括以下步骤：
步骤S1：获取电力行业源端碳数据；
步骤S2：对电力行业源端碳数据进行标准化封装处理，从而得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；
步骤S3：基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；
步骤S4：对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；
步骤S5：利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；
步骤S6：基于碳数据区块链网络进行可信评级认证，得到可信评级结果；将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储。
本发明通过获取电力行业的源端碳数据，用于评估电力行业的碳排放情况，并为后续的数据处理和评级提供依据，对电力行业源端碳数据进行标准化封装处理，使其符合统一的数据格式和规范，进行完整性修复处理，填补存在的数据缺失或错误，以得到高质量的优化源端碳数据，有助于提高数据的一致性和可靠性，将高精源端碳数据进行逻辑依赖解耦，生成多级碳数据模块集，有助于组织和管理碳数据，使得数据更具可读性和可维护性，将碳数据处理的规则和条件编码为可执行的计算机程序，生成碳数据智能合约确保数据的逻辑一致性和操作的安全性，利用区块链技术构建碳数据区块链网络，实现数据的去中心化存储和不可篡改性，提供了高度的数据安全性和可信度，确保数据的可追溯性和可靠性，基于碳数据区块链网络进行可信评级认证，确保数据的可信度和准确性，将可信评级结果上传至云服务器，实现源端碳数据的安全共享存储。
优选地，步骤S2的具体步骤为：
步骤S21：对电力行业源端碳数据进行标准化封装处理，以生成标准化源端碳数据；
步骤S22：基于预设的清洗规则对标准化源端碳数据进行异常数据清洗，从而得到优化源端碳数据；
步骤S23：对优化源端碳数据进行结构化特征提取，以得到低维结构特征数据；
步骤S24：对优化源端碳数据进行非结构化文本语义分析，以生成非结构化语义特数据；
步骤S25：对低维结构特征数据及非结构化语义特征数据进行矫正形重构处理，从而得到高精源端碳数据。
本发明通过标准化封装处理，对电力行业源端碳数据进行统一的格式和结构处理，使数据更加规范和易于处理，标准化源端碳数据有助于消除数据中的不一致性和错误，基于预设的清洗规则对标准化源端碳数据进行异常数据清洗，去除异常值和噪音数据，从而提高数据的准确性和可信度，优化源端碳数据有助于得到更加可靠和精确的数据，对优化源端碳数据进行结构化特征提取，提取关键的数值和属性特征，低维结构特征数据的生成使得数据变得更加简洁和易于分析，有助于理解数据的关联性和趋势，对优化源端碳数据进行非结构化文本语义分析，通过自然语言处理技术提取数据中的语义信息，非结构化语义特征数据的生成丰富了数据的内容和上下文，有助于深入理解数据的含义和潜在信息，对低维结构特征数据和非结构化语义特征数据进行矫正形重构处理，通过数据的整合和校正，得到高精源端碳数据，高精源端碳数据具有更高的准确性和可信度，为后续的评级分析提供更可靠的基础。
优选地，步骤S25的具体步骤为：
步骤S251：对低维结构特征数据进行缺失值识别，以生成低维结构缺失值数据；
步骤S252：基于低维结构缺失值数据进行均值填充处理，以生成均值低维结构数据；
步骤S253：对非结构化语义特征数据进行关键文本标准化表达处理，以生成标准化语义特征数据；
步骤S254：基于均值低维结构数据及标准化语义特征数据进行矫正形重构处理，从而得到高精源端碳数据。
本发明通过对低维结构特征数据进行缺失值识别，确定数据中存在的缺失值，低维结构缺失值数据的生成有助于了解数据的完整性，并为后续的数据填充处理提供依据，基于低维结构缺失值数据，进行均值填充处理，将缺失值用特征数据的均值进行替代，均值低维结构数据的生成有助于恢复数据的完整性，提高数据的准确性和可靠性，对非结构化语义特征数据进行关键文本的标准化表达处理，将文本数据转化为统一的标准格式，标准化语义特征数据的生成有助于提取和理解数据中的关键信息，减少数据的语义歧义，提高数据的一致性和可比性，基于均值低维结构数据和标准化语义特征数据进行矫正形重构处理，通过数据的整合和校正，得到高精源端碳数据，高精源端碳数据具有更高的准确性和可信度，为电力行业源端碳数据的可信评级提供更可靠的基础。
优选地，步骤S3的具体步骤为：
步骤S31：基于高精源端碳数据进行云计算结构构建，以构建多级层次结构；
步骤S32：对多级层次结构进行结构分解，以生成碳数据模块；
步骤S33：对碳数据模块进行模块间交互规范化处理，以得到模块间通信标准数据；
步骤S34：基于模块间通信标准数据进行逻辑依赖解耦，以生成耦合依赖关联数据；
步骤S35：通过耦合依赖关联数据对碳数据模块进行异构数据融合处理，以生成多级碳数据模块集。
本发明通过高精源端碳数据，进行云计算结构构建，创建一个多级层次的结构，用于组织和管理碳数据的各个部分，多级层次结构提供更好的可扩展性和灵活性，使得数据的组织和处理更加高效和可控，对多级层次结构进行结构分解，将复杂的结构拆分为更小的碳数据模块，结构分解有助于将数据的处理和分析任务分配到不同的模块中，提高系统的模块化和可维护性，对碳数据模块进行规范化处理，定义模块之间的交互方式和通信协议，确保数据在模块间的传递和共享的准确性和一致性，模块间通信标准数据的生成有助于提高系统的可扩展性和协作效率，基于模块间通信标准数据，对碳数据模块之间的逻辑依赖进行解耦，减少模块之间的耦合性，逻辑依赖解耦有助于提高系统的灵活性和可维护性，减少对特定模块的依赖性，使得系统更具可扩展性，通过对耦合依赖关联数据的处理，对碳数据模块进行异构数据融合，将来自不同模块的数据进行整合和汇总，异构数据融合有助于提高数据的全面性和综合性，使得多级碳数据模块集能够提供更全面和准确的碳数据评级信息。
优选地，步骤S4的具体步骤为：
步骤S41：对多级碳数据模块集进行合约约束限定分析，以生成合约约束数据；
步骤S42：对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；
步骤S43：基于合约约束数据及模块调用逻辑数据进行合约分析，以生成碳数据合约逻辑；
步骤S44：利用碳数据合约逻辑对多级碳数据模块集进行智能合约集成编辑处理，生成碳数据智能合约。
本发明通过对多级碳数据模块集进行合约约束限定分析，确定模块之间的约束条件和限制规则，合约约束数据的生成有助于确保碳数据模块集的行为符合特定的规范和要求，提高数据的可信度和一致性，对多级碳数据模块集进行调用逻辑转化分析，确定模块之间的调用关系和逻辑流程，模块调用逻辑数据的生成有助于理解和管理模块之间的交互方式，提高系统的可控性和可维护性，基于合约约束数据和模块调用逻辑数据，进行合约分析，生成碳数据的合约逻辑，碳数据合约逻辑定义数据处理和交互的规则和条件，确保数据的安全性、准确性和可信度，利用碳数据合约逻辑，对多级碳数据模块集进行智能合约集成编辑处理，生成碳数据的智能合约，智能合约将碳数据的合约逻辑编码为可执行的计算机程序，实现数据处理和交互的自动化和可信性。
优选地，步骤S5的具体步骤为：
步骤S51：利用碳数据智能合约对源端碳特征数据进行分布式节点结构设计，以得到分布式碳数据节点；
步骤S52：基于分布式碳数据节点生成区块链创世区块；
步骤S53：基于区块链创世区块对分布式碳数据节点进行去中心化网络拓扑结构搭建，生成区块链网络拓扑结构；
步骤S54：对区块链网络拓扑结构进行区块链网络构建，以生成碳数据区块链网络。
本发明通过利用碳数据智能合约对源端碳特征数据进行分布式节点结构设计，生成分布式碳数据节点，分布式节点结构设计将碳数据存储和处理任务分布到多个节点上，提高系统的可扩展性和容错性，同时实现数据的分散存储和处理，基于分布式碳数据节点，生成区块链的创世区块，区块链创世区块是区块链网络的起始块，包含初始的数据和配置信息，生成区块链创世区块是构建区块链网络的重要一步，为后续的区块链网络搭建和数据存储奠定基础，基于区块链创世区块，对分布式碳数据节点进行去中心化网络拓扑结构搭建，生成区块链网络的拓扑结构，去中心化网络拓扑结构能够提高区块链网络的安全性和可靠性，减少单点故障的风险，实现节点之间的平等和分散的数据交换和验证，对区块链网络拓扑结构进行区块链网络构建，生成碳数据的区块链网络，区块链网络构建将分布式碳数据节点连接到一个统一的区块链网络中，实现数据的共享、交换和验证，碳数据区块链网络具有去中心化、不可篡改和可追溯等特性，能够提供更可信和透明的碳数据评级服务。
优选地，步骤S6所述基于碳数据区块链网络进行可信评级认证，得到可信评级结果的具体步骤为：
基于可信评级规则对碳数据区块链网络进行可信评级认证，以得到可信评级结果；
所述可信评级规则具体为：当所述电力行业源端碳数据中数据来源类型包括四种数据来源类型以及数据认证情况为双重认证，则判定为一级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据、或不包括物料平衡来源数据，以及数据认证情况为双重认证，则判定为二级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，以及数据认证情况为源端认证或中台端认证，则判定为三级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，以及数据认证情况为未认证，则判定为四级可信评级。
本发明通过基于可信评级规则对碳数据区块链网络进行可信评级认证，根据规则中定义的数据来源类型和数据认证情况的条件，对电力行业源端碳数据进行判定，并给出相应的可信评级结果，根据可信评级规则，当电力行业源端碳数据中数据来源类型包括四种数据来源类型，并且数据认证情况为双重认证时，判定为一级可信评级，一级可信评级代表数据的来源类型完备且经过双重认证，具有最高的可信度，根据可信评级规则，当电力行业源端碳数据中数据来源类型不包括烟气直测来源数据或物料平衡来源数据，并且数据认证情况为双重认证时，判定为二级可信评级，二级可信评级表示数据的来源类型不完全，但仍经过双重认证，具有较高的可信度，根据可信评级规则，当电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，并且数据认证情况为源端认证或中台端认证时，判定为三级可信评级，三级可信评级表示数据的来源类型不完全，但经过源端认证或中台端认证，具有一定的可信度，根据可信评级规则，当电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，并且数据认证情况为未认证时，判定为四级可信评级，四级可信评级表示数据的来源类型不完全且未经认证，可信度较低。
优选地，步骤S6的所述将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储具体为：
对所述可信评级结果进行深度学习处理，构建可信评级策略；
将所述可信评级策略传输至上链路由器，进行可信评级存证处理，以得到可信评级存证数据；
将所述可信评级存证数据上传至星火链网及国网链，实现源端碳数据可信评级安全共享存储。
本发明通过对已经获取的可信评级结果进行深度学习处理，以构建可信评级策略，通过深度学习算法对可信评级结果进行分析和学习，提取关键特征和模式，构建出一套可信评级策略，可信评级策略将根据不同的数据来源类型和数据认证情况，对电力行业源端碳数据进行更准确和可信的评级，将构建好的可信评级策略传输至上链路由器，用于进行可信评级存证处理，上链路由器是区块链网络中的节点，负责处理和验证交易或数据的合法性，传输可信评级策略至上链路由器确保评级策略的安全性和可信度，利用传输至上链路由器的可信评级策略，对可信评级结果进行存证处理，存证是将数据的哈希值或摘要信息记录在区块链上，以保证数据的完整性和不可篡改性，通过对可信评级结果进行存证处理，提供对评级结果的验证和溯源能力，将所得到的可信评级存证数据上传至星火链网和国网链，实现源端碳数据的可信评级安全共享存储，星火链网和国网链是基于区块链技术构建的安全共享存储平台，确保数据的安全性、可访问性和可信度，通过上传可信评级存证数据，实现了源端碳数据的可信评级结果的共享和存储，为监管部门、企业和公众提供了可信的数据来源和依据。
在本说明书中，提供一种电力行业源端碳数据可信评级系统，用于执行如上所述的电力行业源端碳数据可信评级方法，包括：
数据获取模块，用于获取电力行业源端碳数据；
数据封装模块，用于对电力行业源端碳数据进行标准化封装处理，从而得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；
数据融合模块，用于基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；
智能合约模块，用于对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；
区块链网络模块，用于利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；
可信评级模块，用于基于碳数据区块链网络进行可信评级认证，得到可信评级结果；将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储。
本发明通过获取电力行业的源端碳数据，通过与电力行业相关的数据源进行交互和获取，获取到电力行业的碳排放量、能源消耗量等相关数据，源端碳数据是评估电力行业碳排放情况的基础，为后续的数据处理和分析提供了数据基础，对电力行业源端碳数据进行标准化封装处理，从而得到优化后的源端碳数据，通过将源端碳数据转化为符合统一的数据格式和规范，提高数据的一致性和可处理性，进行完整性修复处理，填补数据中的缺失值和修复错误，提高数据的完整性和准确性，基于高精源端碳数据生成碳数据模块，通过对优化后的源端碳数据进行融合和整合，生成碳数据模块，碳数据模块是对源端碳数据进行逻辑依赖解耦后的模块集合，更好地组织和管理数据，提高数据的可维护性和可扩展性，通过模块调用逻辑转化分析，确定碳数据模块之间的调用关系和逻辑流程，生成模块调用逻辑数据，基于模块调用逻辑数据，生成碳数据智能合约，将碳数据处理的规则和条件编码为可执行的计算机程序，这样的智能合约自动执行数据处理和验证，确保数据的一致性和可信度，利用碳数据智能合约对源端碳特征数据进行区块链网络构建，通过将优化后的源端碳特征数据以区块链的形式存储和传输，确保数据的不可篡改性和可追溯性，构建碳数据区块链网络有助于提高数据的安全性和可信度，基于碳数据区块链网络进行可信评级认证，得到可信评级结果，通过对源端碳特征数据进行可信评级认证，评估其准确性和可信度，得到可信评级结果，将可信评级结果上传至云服务器，实现源端碳数据的可信评级安全共享存储，安全共享存储方式确保了评级结果的可访问性和可信度，促进了数据的共享和利用。
附图说明
图1为本发明一种电力行业源端碳数据可信评级方法的步骤流程示意图；
图2为步骤S2的详细实施步骤流程示意图；
图3为步骤S3的详细实施步骤流程示意图；
图4为步骤S4的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种电力行业源端碳数据可信评级方法及系统。所述电力行业源端碳数据可信评级方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供了一种电力行业源端碳数据可信评级方法，包括以下步骤：
步骤S1：获取电力行业源端碳数据；
步骤S2：对电力行业源端碳数据进行标准化封装处理，从而得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；
步骤S3：基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；
步骤S4：对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；
步骤S5：利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；
步骤S6：基于碳数据区块链网络进行可信评级认证，得到可信评级结果；将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储。
本发明通过获取电力行业的源端碳数据，用于评估电力行业的碳排放情况，并为后续的数据处理和评级提供依据，对电力行业源端碳数据进行标准化封装处理，使其符合统一的数据格式和规范，进行完整性修复处理，填补存在的数据缺失或错误，以得到高质量的优化源端碳数据，有助于提高数据的一致性和可靠性，将高精源端碳数据进行逻辑依赖解耦，生成多级碳数据模块集，有助于组织和管理碳数据，使得数据更具可读性和可维护性，将碳数据处理的规则和条件编码为可执行的计算机程序，生成碳数据智能合约确保数据的逻辑一致性和操作的安全性，利用区块链技术构建碳数据区块链网络，实现数据的去中心化存储和不可篡改性，提供了高度的数据安全性和可信度，确保数据的可追溯性和可靠性，基于碳数据区块链网络进行可信评级认证，确保数据的可信度和准确性，将可信评级结果上传至云服务器，实现源端碳数据的安全共享存储。
本发明实施例中，参阅图1，为本发明一种电力行业源端碳数据可信评级方法的步骤流程示意图，在本实例中，所述电力行业源端碳数据可信评级方法的步骤包括：
步骤S1：获取电力行业源端碳数据；
本实施例中，获取电力行业源端碳数据的数据源，与电力行业相关的组织、机构、企业或监管部门进行合作，获取所提供的电力行业碳排放数据，通过建立的数据获取接口，向数据源发出数据请求，根据电力行业的需求，请求包括电力产量、能源消耗、碳排放量等相关数据。
步骤S2：对电力行业源端碳数据进行标准化封装处理，从而得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；
本实施例中，对清洗后的源端碳数据进行标准化处理，确保数据的格式和单位一致，使数据具有可比性和可统计性，将标准化后的源端碳数据按照一定的数据结构进行封装，形成优化源端碳数据，封装包括将数据按照时间、地点、指标等进行分类和组织，以便后续处理和分析，对优化源端碳数据中的缺失值进行处理，使用插值、回归等方法进行填充，以恢复数据的完整性，检测和修复优化源端碳数据中的错误值，如超过合理范围的数值或逻辑上不合理的数据，对修复后的数据进行一致性校验，确保数据之间的逻辑和关联关系正确，评估修复后的数据质量，包括准确性、可靠性和一致性等指标，确保高精源端碳数据的质量和可信度。
步骤S3：基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；
本实施例中，根据对高精源端碳数据的分析和理解，确定需要构建的碳数据模块的功能和需求根据确定的功能和需求，设计每个碳数据模块的接口、输入输出和算法逻辑，进行模块的开发和实现，使用高精源端碳数据作为输入，计算和处理得到相应的输出结果，对每个碳数据模块进行测试和验证，确保其功能正确和结果准确，使用已知的测试数据或模拟数据进行测试，并进行与预期结果的比对，将所有碳数据模块按照其功能和逻辑关系进行划分和组织，根据模块之间的依赖关系和数据流动关系，确定模块之间的调用顺序和逻辑流程，对碳数据模块之间的逻辑依赖关系进行解耦，拆分成多个独立的模块集，每个模块集包含一个或多个模块，模块集之间的依赖关系被消除，使得每个模块集独立运行和调用，将解耦后的模块集按照层级关系进行构建，形成多级碳数据模块集，每个级别的模块集根据需要进行调用，实现灵活的数据处理和分析。
步骤S4：对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；
本实施例中，对已经构建的多级碳数据模块集进行分析，了解每个模块集的功能、输入输出和调用逻辑，根据模块集之间的依赖关系和数据流动关系，进行调用逻辑的转化分析，确定每个模块集的调用顺序、输入参数和输出结果，并将这些信息转化为可读取的调用逻辑数据，根据碳数据处理的需求和目标，定义碳数据智能合约的功能和规则，确定合约需要实现的功能，如数据查询、计算、验证等，将模块调用逻辑数据整合到碳数据智能合约中，将每个模块集的调用逻辑转化为合约中的函数调用和参数传递，根据合约需求和调用逻辑数据，进行碳数据智能合约的开发和实现，使用智能合约平台或编程语言，编写合约代码，包括定义函数、处理逻辑和数据交互等。
步骤S5：利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；
本实施例中，定义区块链网络的节点、验证者和参与者角色，确定网络的拓扑结构，考虑碳数据处理的需求和规模，设计合适的网络结构，根据设计的区块链网络结构，部署区块链节点和验证者，使用区块链平台或工具，搭建区块链网络环境，并配置节点的身份和权限，将源端的碳特征数据通过调用智能合约的函数进行上链操作，根据合约定义的数据结构和操作规则，将碳特征数据转化为合约可接受的格式，并将其写入区块链中的交易或区块中，使用区块链平台提供的功能，将合约代码部署到相应的节点上，并进行合约的初始化和配置。
步骤S6：基于碳数据区块链网络进行可信评级认证，得到可信评级结果；将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储。
本实施例中，从碳数据区块链网络中提取需要进行评级认证的碳特征数据，根据评级认证设计中的标准和指标，选择合适的数据进行评级认证，根据评级认证设计中的标准和指标，对提取的碳特征数据进行可信评级计算，使用预定义的方法，得出数据的可信评级得分，基于可信评级的结果，生成每个数据的可信评级结果，将评级得分与评级标准进行比较，确定数据的评级等级或评级类别，将生成的可信评级结果上传至云服务器，使用安全的网络协议和加密机制，将评级结果传输到云服务器，并确保数据的完整性和保密性，在云服务器上存储可信评级结果，并设置适当的权限和访问控制机制，以确保只有授权的人员能够访问和共享评级结果，使用加密技术对数据进行加密，进一步增强数据的安全性。
本实施例中，参阅图2，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对电力行业源端碳数据进行标准化封装处理，以生成标准化源端碳数据；
步骤S22：基于预设的清洗规则对标准化源端碳数据进行异常数据清洗，从而得到优化源端碳数据；
步骤S23：对优化源端碳数据进行结构化特征提取，以得到低维结构特征数据；
步骤S24：对优化源端碳数据进行非结构化文本语义分析，以生成非结构化语义特数据；
步骤S25：对低维结构特征数据及非结构化语义特征数据进行矫正形重构处理，从而得到高精源端碳数据。
本实施例中，将源端碳数据字段映射到所选标准中定义的相应字段，确保源端数据的每个字段都有对应的标准化字段，将提取的源端碳数据转换为标准化的数据格式，按照标准化要求，对数据进行格式转换，确保数据的一致性和可比性，定义电力行业碳数据中的异常情况，例如超出范围的数值、缺失数据或不一致的数据，基于异常定义，制定清洗规则和逻辑，以识别和处理异常数据，规则包括范围检查、缺失值处理和逻辑校验等，根据清洗规则，筛选出标准化源端碳数据中符合异常定义的数据，对筛选出的异常数据进行处理，根据清洗规则进行修正、删除或填充，修正包括数据修复、插值或删除异常数据，对优化源端碳数据进行预处理，包括数据清洗、缺失值处理和数据转换等，根据特征定义，计算每个选定结构化特征的值，根据数据的统计性质和业务需求，使用各种计算方法，如求和、平均值、最大值等，对选定的结构化特征进行降维处理，以减少数据的维度和复杂性，使用降维技术，如主成分分析（PCA）或线性判别分析（LDA）等，将降维后的结构化特征数据作为低维结构特征数据，用于后续分析和应用，从优化源端碳数据中提取包含非结构化文本的字段或属性，例如，数据的描述、备注或文本标签等，明确非结构化文本语义分析的目标，例如情感分析、主题提取或实体识别等，使用自然语言处理（NLP）技术，提取非结构化文本数据的语义特征，应用词袋模型、词向量表示（如Word2Vec或BERT）等技术，将低维结构特征数据和非结构化语义特征数据进行融合，以得到综合的特征表示，使用重构方法，如主成分分析（PCA）、自编码器等，对综合特征进行矫正形重构，以提高数据的精确性和可解释性。
本实施例中，步骤S25的具体步骤为：
步骤S251：对低维结构特征数据进行缺失值识别，以生成低维结构缺失值数据；
步骤S252：基于低维结构缺失值数据进行均值填充处理，以生成均值低维结构数据；
步骤S253：对非结构化语义特征数据进行关键文本标准化表达处理，以生成标准化语义特征数据；
步骤S254：基于均值低维结构数据及标准化语义特征数据进行矫正形重构处理，从而得到高精源端碳数据。
本实施例中，对低维结构特征数据进行缺失值的识别，使用统计方法或机器学习方法，检测特征数据中的缺失值，并标记缺失值的位置，根据缺失值的位置，将缺失值的对应特征数据提取出来，形成低维结构缺失值数据，获得只包含缺失值的子集，对低维结构缺失值数据进行均值填充处理，计算每个特征的均值，并将缺失值用对应特征的均值进行填充，这样保持数据的整体趋势和分布，将填充后的特征数据与原始非缺失特征数据进行合并，生成均值低维结构数据，这样得到完整的低维结构数据集，使用自然语言处理技术，如关键词提取、主题建模等，对非结构化语义特征数据进行关键文本提取，识别出文本中最具代表性和重要性的关键词或短语，对提取的关键文本进行标准化表达处理，将其转化为统一的格式或表达方式，例如，进行词形还原、词干提取、词义消歧等操作，以获得一致且可比较的标准化语义特征数据，将均值低维结构数据和标准化语义特征数据进行融合，以得到综合的特征表示，使用重构方法，如主成分分析（PCA）、自编码器等，对综合特征进行矫正形重构，以提高数据的精确性和可解释性。
本实施例中，参阅图3，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：基于高精源端碳数据进行云计算结构构建，以构建多级层次结构；
步骤S32：对多级层次结构进行结构分解，以生成碳数据模块；
步骤S33：对碳数据模块进行模块间交互规范化处理，以得到模块间通信标准数据；
步骤S34：基于模块间通信标准数据进行逻辑依赖解耦，以生成耦合依赖关联数据；
步骤S35：通过耦合依赖关联数据对碳数据模块进行异构数据融合处理，以生成多级碳数据模块集。
本实施例中，使用云计算技术，如分布式计算、容器化等，构建多级层次结构，包括创建云计算实例、配置计算资源、设置网络连接等操作，以搭建适合数据处理和分析的云计算环境，对多级层次结构进行分解，将其拆分为不同的碳数据模块，每个模块可包含特定的功能或任务，以便更好地组织和管理碳数据，定义模块间的通信规范，包括数据格式、接口协议、通信方式等，确保模块之间有效地进行数据交换和共享，根据模块间的交互规范，生成模块间通信所需的标准化数据，这些数据包括消息格式、API接口定义、数据传输协议等，分析模块间的逻辑依赖关系，解除紧密的耦合关系，以提高系统的模块化程度和可维护性，根据解耦后的模块间关系，生成耦合依赖关联数据，这些数据包括模块间的依赖关系图、依赖关系矩阵等，用于描述模块之间的关联性和依赖关系，将不同碳数据模块的异构数据进行融合处理，使其能够在统一的环境中进行交互和分析，包括数据格式转换、数据集成、数据映射等操作，根据异构数据融合后的结果，生成多级碳数据模块集，该集合包括各个碳数据模块的数据，并确保数据之间的一致性、完整性和可用性。
本实施例中，参考图4所述，为步骤S4的详细实施步骤流程示意图，本实施例中，所述步骤S4的详细实施步骤包括：
步骤S41：对多级碳数据模块集进行合约约束限定分析，以生成合约约束数据；
步骤S42：对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；
步骤S43：基于合约约束数据及模块调用逻辑数据进行合约分析，以生成碳数据合约逻辑；
步骤S44：利用碳数据合约逻辑对多级碳数据模块集进行智能合约集成编辑处理，生成碳数据智能合约。
本实施例中，对多级碳数据模块集进行分析，识别其中的合约约束限定条件，这包括约束规则、操作的限制条件、权限控制等，根据分析结果，生成合约约束数据，描述多级碳数据模块集中的约束条件，以便后续的合约分析和智能合约编辑处理，对多级碳数据模块集进行分析，识别其中的模块调用逻辑关系，包括模块间的函数调用、数据传递、事件触发等，根据分析结果，生成模块调用逻辑数据，描述多级碳数据模块集中模块之间的调用关系和逻辑流程，以便后续的合约分析和智能合约编辑处理，基于合约约束数据和模块调用逻辑数据，进行合约分析，包括检查约束条件的合理性、验证调用逻辑的正确性、识别潜在的安全风险等，根据合约分析的结果，生成碳数据合约逻辑，描述多级碳数据模块集中的合约规则、操作流程和安全要求，为后续的智能合约编辑处理提供基础，基于碳数据合约逻辑，进行智能合约的集成编辑处理，包括编写智能合约代码、定义合约的状态变量和函数、实现约束条件的验证等，根据编辑处理的结果，生成碳数据智能合约，合约包含多级碳数据模块集的约束规则、调用逻辑和安全保障，用于实现碳数据的自动化管理和执行。
本实施例中，步骤S5的具体步骤为：
步骤S51：利用碳数据智能合约对源端碳特征数据进行分布式节点结构设计，以得到分布式碳数据节点；
步骤S52：基于分布式碳数据节点生成区块链创世区块；
步骤S53：基于区块链创世区块对分布式碳数据节点进行去中心化网络拓扑结构搭建，生成区块链网络拓扑结构；
步骤S54：对区块链网络拓扑结构进行区块链网络构建，以生成碳数据区块链网络。
本实施例中，基于碳数据智能合约，设计分布式节点结构，包括确定节点的数量、位置和角色，以及节点之间的通信和数据交换方式，根据分布式节点结构设计，生成分布式碳数据节点，每个节点都具有独立的计算和存储能力，并且执行碳数据智能合约的功能，设计区块链的创世区块结构，创世区块是区块链的第一个区块，其中包含一些初始的关键信息，如初始状态、初始配置等，根据设计的创世区块结构，生成区块链的创世区块，创世区块将用作区块链网络的起点，设计区块链网络的去中心化网络拓扑结构，包括确定节点之间的连接方式、通信协议和网络拓扑关系，基于设计的去中心化网络拓扑结构，对分布式碳数据节点进行连接和布置，确保节点之间相互通信和交换数据，根据区块链网络拓扑结构，进行区块链网络的构建，包括节点的注册、网络配置、共识机制的选择等，根据区块链网络构建的结果，生成碳数据区块链网络，该网络由多个分布式碳数据节点组成，节点之间通过区块链技术实现数据的传输、验证和存储。
本实施例中，步骤S6所述基于碳数据区块链网络进行可信评级认证，得到可信评级结果的具体步骤为：
基于可信评级规则对碳数据区块链网络进行可信评级认证，以得到可信评级结果；
所述可信评级规则具体为：当所述电力行业源端碳数据中数据来源类型包括四种数据来源类型以及数据认证情况为双重认证，则判定为一级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据、或不包括物料平衡来源数据，以及数据认证情况为双重认证，则判定为二级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，以及数据认证情况为源端认证或中台端认证，则判定为三级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，以及数据认证情况为未认证，则判定为四级可信评级。
本实施例中，基于可信评级规则对碳数据区块链网络进行可信评级认证，检查碳数据区块链网络中的每一个电力行业源端碳数据，通过电力行业源端碳数据中包含的数据来源类型及数据认证情况进行可信评级认证，如果数据来源类型包括四种数据来源类型且数据认证情况为双重认证，则判定为一级可信评级，如果数据来源类型不包括烟气直测来源数据或物料平衡来源数据，且数据认证情况为双重认证，则判定为二级可信评级，如果数据来源类型不包括烟气直测来源数据和物料平衡来源数据，且数据认证情况为源端认证或中台端认证，则判定为三级可信评级，如果数据来源类型不包括烟气直测来源数据和物料平衡来源数据，且数据认证情况为未认证，则判定为四级可信评级，根据评级判定的结果，生成可信评级结果，该结果包括评级级别和相应的评级说明，以表明源端碳数据的可信度。
本实施例中，步骤S6的所述将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储具体为：
对所述可信评级结果进行深度学习处理，构建可信评级策略；
将所述可信评级策略传输至上链路由器，进行可信评级存证处理，以得到可信评级存证数据；
将所述可信评级存证数据上传至星火链网及国网链，实现源端碳数据可信评级安全共享存储。
本实施例中，利用深度学习技术对可信评级结果数据进行处理，采用神经网络算法进行训练和学习，通过对大量的可信评级结果数据进行训练，基于深度学习处理的结果，构建可信评级策略，可信评级策略定义不同评级级别的判定条件和相应的处理规则，根据深度学习处理得到的结果，确定评级级别和相应的评级策略，将构建的可信评级策略传输至上链路由器，用于后续的可信评级存证处理，在上链路由器中进行可信评级存证处理，根据可信评级策略，对可信评级结果进行存证处理，生成可信评级存证数据，可信评级存证数据包括评级级别、评级说明以及存证的时间戳等信息，将生成的可信评级存证数据上传至星火链网及国网链，这些链上平台提供了安全的存储和共享环境，保证可信评级数据的安全性和可用性，通过共享存储，促进可信评级数据的交流和合作。
在本实施例中，提供一种电力行业源端碳数据可信评级系统，用于执行如上所述的电力行业源端碳数据可信评级方法，包括：
数据获取模块，用于获取电力行业源端碳数据；
数据封装模块，用于对电力行业源端碳数据进行标准化封装处理，从而得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；
数据融合模块，用于基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；
智能合约模块，用于对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；
区块链网络模块，用于利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；
可信评级模块，用于基于碳数据区块链网络进行可信评级认证，得到可信评级结果；将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储。
本发明通过获取电力行业的源端碳数据，通过与电力行业相关的数据源进行交互和获取，获取到电力行业的碳排放量、能源消耗量等相关数据，源端碳数据是评估电力行业碳排放情况的基础，为后续的数据处理和分析提供了数据基础，对电力行业源端碳数据进行标准化封装处理，从而得到优化后的源端碳数据，通过将源端碳数据转化为符合统一的数据格式和规范，提高数据的一致性和可处理性，进行完整性修复处理，填补数据中的缺失值和修复错误，提高数据的完整性和准确性，基于高精源端碳数据生成碳数据模块，通过对优化后的源端碳数据进行融合和整合，生成碳数据模块，碳数据模块是对源端碳数据进行逻辑依赖解耦后的模块集合，更好地组织和管理数据，提高数据的可维护性和可扩展性，通过模块调用逻辑转化分析，确定碳数据模块之间的调用关系和逻辑流程，生成模块调用逻辑数据，基于模块调用逻辑数据，生成碳数据智能合约，将碳数据处理的规则和条件编码为可执行的计算机程序，这样的智能合约自动执行数据处理和验证，确保数据的一致性和可信度，利用碳数据智能合约对源端碳特征数据进行区块链网络构建，通过将优化后的源端碳特征数据以区块链的形式存储和传输，确保数据的不可篡改性和可追溯性，构建碳数据区块链网络有助于提高数据的安全性和可信度，基于碳数据区块链网络进行可信评级认证，得到可信评级结果，通过对源端碳特征数据进行可信评级认证，评估其准确性和可信度，得到可信评级结果，将可信评级结果上传至云服务器，实现源端碳数据的可信评级安全共享存储，安全共享存储方式确保了评级结果的可访问性和可信度，促进了数据的共享和利用。
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。
如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 (10)
1.一种电力行业源端碳数据可信评级方法，其特征在于，包括以下步骤：
步骤S1：获取电力行业源端碳数据；
步骤S2：对电力行业源端碳数据进行标准化封装处理，从而得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；
步骤S3：基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；
步骤S4：对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；
步骤S5：利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；
步骤S6：基于碳数据区块链网络进行可信评级认证，得到可信评级结果；将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储。
2.根据权利要求1所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S1所述电力行业源端碳数据包括：
所述电力行业源端碳数据包括数据来源类型及数据认证情况；
所述数据来源类型包括烟气直测来源数据、物料平衡来源数据、电-碳强度模型来源数据及核检模型来源数据；
所述数据认证情况包括源端认证、中台端认证、双重认证及未认证；
所述双重认证具体为包括源端认证及中台端认证。
3.根据权利要求1所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对电力行业源端碳数据进行标准化封装处理，以生成标准化源端碳数据；
步骤S22：基于预设的清洗规则对标准化源端碳数据进行异常数据清洗，从而得到优化源端碳数据；
步骤S23：对优化源端碳数据进行结构化特征提取，以得到低维结构特征数据；
步骤S24：对优化源端碳数据进行非结构化文本语义分析，以生成非结构化语义特数据；
步骤S25：对低维结构特征数据及非结构化语义特征数据进行矫正形重构处理，从而得到高精源端碳数据。
4.根据权利要求3所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S25的具体步骤为：
步骤S251：对低维结构特征数据进行缺失值识别，以生成低维结构缺失值数据；
步骤S252：基于低维结构缺失值数据进行均值填充处理，以生成均值低维结构数据；
步骤S253：对非结构化语义特征数据进行关键文本标准化表达处理，以生成标准化语义特征数据；
步骤S254：基于均值低维结构数据及标准化语义特征数据进行矫正形重构处理，从而得到高精源端碳数据。
5.根据权利要求1所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S3的具体步骤为：
步骤S31：基于高精源端碳数据进行云计算结构构建，以构建多级层次结构；
步骤S32：对多级层次结构进行结构分解，以生成碳数据模块；
步骤S33：对碳数据模块进行模块间交互规范化处理，以得到模块间通信标准数据；
步骤S34：基于模块间通信标准数据进行逻辑依赖解耦，以生成耦合依赖关联数据；
步骤S35：通过耦合依赖关联数据对碳数据模块进行异构数据融合处理，以生成多级碳数据模块集。
6.根据权利要求1所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S4的具体步骤为：
步骤S41：对多级碳数据模块集进行合约约束限定分析，以生成合约约束数据；
步骤S42：对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；
步骤S43：基于合约约束数据及模块调用逻辑数据进行合约分析，以生成碳数据合约逻辑；
步骤S44：利用碳数据合约逻辑对多级碳数据模块集进行智能合约集成编辑处理，生成碳数据智能合约。
7.根据权利要求1所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S5的具体步骤为：
步骤S51：利用碳数据智能合约对源端碳特征数据进行分布式节点结构设计，以得到分布式碳数据节点；
步骤S52：基于分布式碳数据节点生成区块链创世区块；
步骤S53：基于区块链创世区块对分布式碳数据节点进行去中心化网络拓扑结构搭建，生成区块链网络拓扑结构；
步骤S54：对区块链网络拓扑结构进行区块链网络构建，以生成碳数据区块链网络。
8.根据权利要求1所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S6所述基于碳数据区块链网络进行可信评级认证，得到可信评级结果的具体步骤为：
基于可信评级规则对碳数据区块链网络进行可信评级认证，以得到可信评级结果；
所述可信评级规则具体为：当所述电力行业源端碳数据中数据来源类型包括四种数据来源类型以及数据认证情况为双重认证，则判定为一级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据、或不包括物料平衡来源数据，以及数据认证情况为双重认证，则判定为二级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，以及数据认证情况为源端认证或中台端认证，则判定为三级可信评级；
当所述电力行业源端碳数据中数据来源类型不包括烟气直测来源数据及物料平衡来源数据，以及数据认证情况为未认证，则判定为四级可信评级。
9.根据权利要求1所述的电力行业源端碳数据可信评级方法，其特征在于，步骤S6的所述将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储具体为：
对所述可信评级结果进行深度学习处理，构建可信评级策略；
将所述可信评级策略传输至上链路由器，进行可信评级存证处理，以得到可信评级存证数据；
将所述可信评级存证数据上传至星火链网及国网链，实现源端碳数据可信评级安全共享存储。
10.一种电力行业源端碳数据可信评级系统，其特征在于，用于执行如权利要求1所述的电力行业源端碳数据可信评级方法，包括：
数据获取模块，用于获取电力行业源端碳数据；
数据封装模块，用于对电力行业源端碳数据进行标准化封装处理，从而得到优化源端碳数据；基于优化源端碳数据进行完整性修复处理，从而得到高精源端碳数据；
数据融合模块，用于基于高精源端碳数据生成碳数据模块；对碳数据模块进行逻辑依赖解耦，以生成多级碳数据模块集；
智能合约模块，用于对多级碳数据模块集进行调用逻辑转化分析，以生成模块调用逻辑数据；基于模块调用逻辑数据，生成碳数据智能合约；
区块链网络模块，用于利用碳数据智能合约对源端碳特征数据进行区块链网络构建，以生成碳数据区块链网络；
可信评级模块，用于基于碳数据区块链网络进行可信评级认证，得到可信评级结果；将可信评级结果上传至云服务器，实现源端碳数据可信评级安全共享存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410345770.3A CN117952634B (zh) | 2024-03-26 | 2024-03-26 | 一种电力行业源端碳数据可信评级方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410345770.3A CN117952634B (zh) | 2024-03-26 | 2024-03-26 | 一种电力行业源端碳数据可信评级方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117952634A true CN117952634A (zh) | 2024-04-30 |
| CN117952634B CN117952634B (zh) | 2024-06-11 |
Family
ID=90798243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410345770.3A Active CN117952634B (zh) | 2024-03-26 | 2024-03-26 | 一种电力行业源端碳数据可信评级方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952634B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112256271A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院信息工程研究所 | 一种基于静态分析的区块链智能合约安全检测系统 |
| KR102331039B1 (ko) * | 2021-03-25 | 2021-12-01 | 주식회사 베리워즈 | 블록체인 기반 제로-카본 실적 거래를 위한 방법 및 시스템 |
| CN114861167A (zh) * | 2022-04-06 | 2022-08-05 | 国网浙江省电力有限公司电力科学研究院 | 基于区块链的分布式能量数据管理协同处理方法及系统 |
| CN116595571A (zh) * | 2023-03-14 | 2023-08-15 | 蚂蚁区块链科技(上海)有限公司 | 一种基于区块链的碳数据管理方法、装置及设备 |
-
2024
- 2024-03-26 CN CN202410345770.3A patent/CN117952634B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112256271A (zh) * | 2020-10-19 | 2021-01-22 | 中国科学院信息工程研究所 | 一种基于静态分析的区块链智能合约安全检测系统 |
| KR102331039B1 (ko) * | 2021-03-25 | 2021-12-01 | 주식회사 베리워즈 | 블록체인 기반 제로-카본 실적 거래를 위한 방법 및 시스템 |
| CN114861167A (zh) * | 2022-04-06 | 2022-08-05 | 国网浙江省电力有限公司电力科学研究院 | 基于区块链的分布式能量数据管理协同处理方法及系统 |
| CN116595571A (zh) * | 2023-03-14 | 2023-08-15 | 蚂蚁区块链科技(上海)有限公司 | 一种基于区块链的碳数据管理方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117952634B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101950271B (zh) | 一种基于建模技术的软件安全性测试方法 | |
| Bernardi et al. | Timing-failure risk assessment of UML design using Time Petri Net bound techniques | |
| CN112818351B (zh) | 一种面向工控系统的漏洞优先级分析方法、系统、设备及存储介质 | |
| Moser et al. | Integrating production automation expert knowledge across engineering stakeholder domains | |
| CN113327037A (zh) | 基于模型的风险识别方法、装置、计算机设备和存储介质 | |
| CN113177396A (zh) | 报表生成方法、装置、计算机设备和存储介质 | |
| CN115033221A (zh) | 基于风险演变网的软件产品责任管理系统及方法 | |
| Tolo et al. | An integrated modelling framework for complex systems safety analysis | |
| Xuefeng et al. | Risk identification and influence analysis model for urban energy internet based on knowledge graph improved decision-making trial and evaluation laboratory | |
| Wang et al. | Efficient performability analysis of dynamic multi-state k-out-of-n: G systems | |
| CN117952634B (zh) | 一种电力行业源端碳数据可信评级方法及系统 | |
| CN104598375B (zh) | 一种用于软件开发的缺陷预测方法 | |
| Azzouzi et al. | A survey on systems engineering methodologies for large multi-energy cyber-physical systems | |
| Larrinaga et al. | Implementation of a reference architecture for cyber physical systems to support condition based maintenance | |
| CN116882756A (zh) | 基于区块链的电力安全管控方法 | |
| Cai et al. | A formal model for automated software modularity and evolvability analysis | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| Lin et al. | On the formalization of development and assessment process for digital twins | |
| CN106204326B (zh) | 一种用于配电系统的配电终端ied设备检测方法 | |
| Casola et al. | A first step towards an ISO-based information security domain ontology | |
| Sun et al. | Optimal path for overcoming barriers in developing China’s wind energy industry | |
| Zhao et al. | DEPICTER: a design-principle guided and heuristic-rule constrained software refactoring approach | |
| Abdoli et al. | A target-driven framework for assessing the effectiveness of product-service-system development approaches at System of Systems level | |
| Lin et al. | On the Formalization of Development and Assessment Process for Digital Twins in the Nearly Autonomous Management and Control System | |
| Zhan et al. | An SG-CIM Verification Method Based on Schema Comparison |
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 |