CN117973901A - 基于知识图谱的面向多协议碳计量核算方法 - Google Patents
基于知识图谱的面向多协议碳计量核算方法 Download PDFInfo
- Publication number
- CN117973901A CN117973901A CN202410363984.3A CN202410363984A CN117973901A CN 117973901 A CN117973901 A CN 117973901A CN 202410363984 A CN202410363984 A CN 202410363984A CN 117973901 A CN117973901 A CN 117973901A
- Authority
- CN
- China
- Prior art keywords
- carbon
- metering
- knowledge graph
- protocol
- carbon metering
- 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 276
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 275
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 238000013079 data visualisation Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 17
- 238000003058 natural language processing Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 30
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000010801 machine learning Methods 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000594011 Leuciscus leuciscus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 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
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了基于知识图谱的面向多协议碳计量核算方法，通过使用知识图谱和机器学习等技术，面向多个碳计量协议，实现了碳计量指标的转化和比较，提供了自动化的数据处理和计算，以及数据可视化和分析功能，为碳计量核算提供了更高效、准确和全面的解决方案；本发明的核算系、数据可视化与分析统及核算方法，具有多协议适用性、自动化处理、知识图谱建模以及环境保护和碳减排的多模块功能，为碳管理领域的各方利益相关者，包括企业、组织和政府，提供有益的碳减排决策支持，推动可持续发展和环境保护。
Description
技术领域
本发明涉及碳计量核算技术领域，尤其涉及基于知识图谱的面向多协议碳计量核算方法。
背景技术
当前，涉及碳计量核算的相关技术包括：
碳计量核算：碳计量核算是评估和核算碳排放量的过程，用于衡量企业、组织或个体的碳排放水平，传统的碳计量核算方法主要基于特定的碳计量协议或标准，例如碳足迹计算、生命周期评价等。
知识图谱：知识图谱是一种基于图的知识表示模型，用于组织和存储实体、属性和关系之间的知识，它可以将复杂的数据结构转化为图的形式，便于实体之间的关联和查询。
多协议碳计量：不同的碳计量协议或标准在碳排放计量指标、计算方法和数据要求等方面存在差异，面对不同的需求和目标，需要针对不同的协议进行碳计量核算，并进行指标的比较和转化。
机器学习：机器学习是一种人工智能的方法，通过构建和训练模型，使计算机从数据中自动学习并进行预测和决策，机器学习技术可以应用于碳计量中的数据处理、模型建立和预测等方面，提高计算效率和准确性。但是其现有技术中心的缺陷在于存在数据集样本数量的限制。
自然语言处理：自然语言处理是研究如何使计算机能够理解和处理人类语言的领域，在碳计量中，自然语言处理技术可以用于理解和解析碳计量协议中的文本信息，提取实体、属性和关系等，并支持自动化的数据处理和计算。
数据可视化和分析：数据可视化和分析技术可以将碳计量结果以图表、报告等形式展示，帮助用户直观地理解和分析碳排放情况，通过数据可视化和分析，用户可以更好地了解碳排放水平，制定碳减排策略，并评估其效果。
但是当前，尚未有一套碳计量核算的系统及方法可以对上述功能进行兼容上述功能。
发明内容
本发明的目的在于，解决现有技术的不足之处，提出基于知识图谱的面向多协议碳计量核算方法，通过使用现有知识图谱技术结合改进的OLS-RBF代理模型，面向多个碳计量协议，实现了碳计量指标的转化和比较，克服了样本数据较少时无法拟合的问题，提供了自动化的数据处理和计算，以及数据可视化和分析功能，为碳计量核算提供了更高效、准确和全面的解决方案。
基于知识图谱的面向多协议碳计量核算方法，包括以下步骤：
步骤1，构建碳计量知识图谱，抽取和整理不同碳计量协议中的实体、属性和关系，并建立碳计量知识图谱；
步骤2，根据用户选择的协议，转化和比较不同协议下的碳计量指标，获得对应的结果，自动化地收集、清洗和计算碳排放相关数据，并将结果存储在碳计量知识图谱中，分析碳计量结果，提供数据可视化和分析功能，以及碳减排策略的制定和评估；
步骤3，自动化处理，利用基于OLS-RBF代理模型进行自然语言处理，以进行碳排放数据的自动化收集、清洗和计算。
优选的，步骤1中抽取的实体、属性和关系具体包括：抽取碳排放源和碳计量方法的实体，以及抽取碳排放量和碳计量单位的属性，由此建立实体和属性之间的关系，构建碳计量知识图谱。
优选的，步骤2进一步包括：根据碳计量知识图谱中的关系和规则，将不同协议下的碳计量指标进行转化；比较转化后的碳计量指标，获得相应的分析和评估结果。
优选的，步骤3中，基于OLS-RBF代理模型的计算模块的构建方法如下：
由于在神经网络中，输入层用来接受样本集的数据，隐藏层将输入层中的不可分问题通过式（1）映射到高维空间，径向基函数选取高斯函数，具体表达为：
（1）
式中Φi为第i个隐含层神经元的基函数，ci为第i个隐含层神经元的中心点，σi为第i个隐含层神经元的中心点宽度，||x-ci||表示样本点与中心点之间的欧氏距离；样本点是指不同碳排放源的排放量、不同统计周期内的碳排放量；
RBF代理模型是局部逼近的神经网络，其样本空间内的高斯函数仅在有限区域内呈现非零数值状态；在最后的输出层与隐藏层间通过权值λi进行连接，输出值y与预测值如下式所示：
(2)
式中ε表示输出值与预测值间的误差。
优选的，步骤3中，基于OLS-RBF代理模型的运行方法如下：
步骤3.1，输入样本点参数，进行归一化处理；
步骤3.2，设置最大迭代次数、测试样本数量、隐节点扩展常熟和目标误差限制；
步骤3.3，将每一个采样点都作为中心点计算Φin*n矩阵；
步骤3.4，根据误差贡献度公式选取Φin*n的列向量作为径向基函数中心；
步骤3.5，计算在不同中心宽度下的隐含层输出矩阵和其均方误差；
步骤3.6，判断两均方误差的大小，得到梯度下降的方向进行迭代；
步骤3.7，判断步骤3.6中误差是否满足要求，若满足要求则执行步骤3.9，若不满足要求则执行步骤3.8；
步骤3.8，判断步骤3.7中不满足误差要求的均方误差是否达到迭代上限，若达到上限则执行步骤3.9，若未达到上限则返回并再次执行步骤3.5至步骤3.8；
步骤3.9，将均方误差最小的σmin作为隐含层的第一个中心宽度；
步骤3.10，构建在σmin下的神经网络模型；
步骤3.11，预测值与实际值的误差是否满足要求，若满足要求则模型运行完成，若不满足则经斯密特化后返回并再次执行步骤3.4至步骤3.11，直至误差满足要求后运行完成。
本发明的优点及技术效果在于：
1. 多协议适用性：该发明能够支持多个碳计量协议，满足不同用户的碳计量需求，用户可以根据自身需求选择不同的协议进行碳计量核算，并将结果进行转化和比较，这使得碳计量结果更具有可比性，便于不同协议下的碳排放情况进行分析和评估。
2. 自动化处理：本发明利用机器学习和自然语言处理技术，实现了碳排放数据的自动化收集、清洗和计算，用户只需提供相关数据源，系统可以自动从中提取碳计量所需的数据，并进行自动化的计算和汇总，这减少了人工处理数据的工作量，提高了碳计量核算的效率和准确性。
3. 知识图谱建模：通过构建基于知识图谱的碳计量核算系统，能够有效组织和管理碳计量相关的知识，知识图谱中的实体、属性和关系可以形成全面、可扩展的碳排放关联模型，为用户提供更丰富的碳计量信息和分析能力。
4. 数据可视化与分析：该发明提供了丰富的数据可视化和分析功能，用户可以通过图表、报告等方式直观地了解碳计量结果，这有助于用户对碳排放情况进行可视化分析，发现潜在的碳减排机会，并制定相应的碳减排策略，同时，该发明还能评估和预测不同策略下的碳减排效果，帮助用户做出科学决策。
5. 环境保护和碳减排：本发明的应用有助于企业、组织和政府等实现碳减排目标，通过全面的碳计量核算和分析，用户可以了解碳排放情况，识别和优化碳排放源，制定有效的碳减排策略，从而促进可持续发展，减少对环境的影响。
综上所述，本发明通过面向多协议、自动化处理和知识图谱建模等技术，提供了一种高效、准确和全面的碳计量核算方法。这将为碳管理领域的各方利益相关者，包括企业、组织和政府，提供有益的碳减排决策支持，推动可持续发展和环境保护。
附图说明
图1为本发明中RBF的模型结构图；
图2为本发明中确定径向基函数中心位置的最小二乘法流程图；
图3为本发明中OLS-RBF代理模型的运行方法流程图。
具体实施方式
下面详细描述本发明的实施例，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明的基于知识图谱的面向多协议碳计量核算方法，包括以下步骤：
步骤1，构建碳计量知识图谱，抽取和整理不同碳计量协议中的实体、属性和关系，并建立碳计量知识图谱；
步骤2，根据用户选择的协议，转化和比较不同协议下的碳计量指标，获得对应的结果，自动化地收集、清洗和计算碳排放相关数据，并将结果存储在碳计量知识图谱中，分析碳计量结果，提供数据可视化和分析功能，以及碳减排策略的制定和评估；
步骤3，自动化处理，利用基于OLS-RBF代理模型进行自然语言处理，以进行碳排放数据的自动化收集、清洗和计算。
优选的，步骤1中抽取的实体、属性和关系具体包括：抽取碳排放源和碳计量方法的实体，以及抽取碳排放量和碳计量单位的属性，由此建立实体和属性之间的关系，构建碳计量知识图谱。
优选的，步骤2进一步包括：根据碳计量知识图谱中的关系和规则，将不同协议下的碳计量指标进行转化；比较转化后的碳计量指标，获得相应的分析和评估结果。
优选的，步骤3中，基于OLS-RBF代理模型的计算模块的构建方法如下：
由于在神经网络中，输入层用来接受样本集的数据，隐藏层将输入层中的不可分问题通过式（1）映射到高维空间，径向基函数选取高斯函数，具体表达为：
（1）
式中Φi为第i个隐含层神经元的基函数，ci为第i个隐含层神经元的中心点，σi为第i个隐含层神经元的中心点宽度，||x-ci||表示样本点与中心点之间的欧氏距离；样本点是指不同碳排放源的排放量、不同统计周期内的碳排放量；
RBF代理模型是局部逼近的神经网络，其样本空间内的高斯函数仅在有限区域内呈现非零数值状态。在最后的输出层与隐藏层间通过权值λi进行连接，输出值y与预测值如下式所示：
(2)
式中ε表示输出值与预测值间的误差。
优选的，步骤3中，基于OLS-RBF代理模型的运行方法如下：
步骤3.1，输入样本点参数，进行归一化处理；
步骤3.2，设置最大迭代次数、测试样本数量、隐节点扩展常熟和目标误差限制；
步骤3.3，将每一个采样点都作为中心点计算Φin*n矩阵；
步骤3.4，根据误差贡献度公式选取Φin*n的列向量作为径向基函数中心；
步骤3.5，计算在不同中心宽度下的隐含层输出矩阵和其均方误差；
步骤3.6，判断两均方误差的大小，得到梯度下降的方向进行迭代；
步骤3.7，判断步骤3.6中误差是否满足要求，若满足要求则执行步骤3.9，若不满足要求则执行步骤3.8；
步骤3.8，判断步骤3.7中不满足误差要求的均方误差是否达到迭代上限，若达到上限则执行步骤3.9，若未达到上限则返回并再次执行步骤3.5至步骤3.8；
步骤3.9，将均方误差最小的σmin作为隐含层的第一个中心宽度；
步骤3.10，构建在σmin下的神经网络模型；
步骤3.11，预测值与实际值的误差是否满足要求，若满足要求则模型运行完成，若不满足则经斯密特化后返回并再次执行步骤3.4至步骤3.11，直至误差满足要求后运行完成。
本发明的基于知识图谱的面向多协议碳计量核算方法中还构建了一种核算系统，该系统包括：
碳计量知识图谱构建模块，抽取和整理碳计量协议中的实体、属性和关系。构建一个包含多个碳计量协议的碳计量知识图谱。具体步骤：通过自然语言处理技术，从碳计量协议文本中提取实体、属性和关系。基于这些实体、属性和关系构建知识图谱，采用图数据库等技术储存和管理知识图谱；
碳计量指标转化和比较模块，基于碳计量知识图谱中的关系和规则，实现不同协议之间碳计量指标的转化和比较。具体步骤：根据不同协议的定义和规则，通过知识图谱中的关系进行指标之间的转化。制定转化规则和算法，将不同协议中的指标进行比较和映射；
数据自动化处理模块，自动化地收集、清洗和计算碳排放相关数据，并将结果存储在碳计量知识图谱中。具体步骤：采集各种数据源中的碳排放数据。进行数据清洗和处理，确保数据的准确性和完整性。将处理后的数据导入到碳计量知识图谱中，建立数据与知识图谱的连接；
碳计量结果分析模块，提供数据可视化和分析功能，支持用户查看和分析碳计量结果。具体步骤：利用数据可视化技术，将碳计量结果以图表、统计数据等形式展现给用户。提供分析工具和功能，让用户可以从不同角度深入分析碳计量结果，找出潜在的规律和趋势；
另外，本发明优选的，实体抽取和识别子模块，用于从碳计量协议中抽取实体，包括碳排放源、碳计量方法等；属性抽取和识别子模块，用于从碳计量协议中抽取属性，包括碳排放量、碳计量单位等；关系抽取和建模子模块，用于建立实体和属性之间的关系，并构建碳计量知识图谱，具体包括：
1.实体抽取和识别子模块：负责从碳计量协议中抽取实体。具体步骤：基于词法分析和分块等技术，将文本转换为标记化的语言单元。利用实体识别算法，从标记化的文本中提取具有特定意义的词语。对提取出来的词语，进行消歧、修正等操作，确认实体的正确性。
2.属性抽取和识别子模块：负责从碳计量协议中抽取属性。具体步骤：利用自然语言处理技术，将文本转换为标记化的语言单元。利用命名实体识别和实体属性提取技术，从标记化的文本中提取属性相关的词语。对提取出来的属性，进行消歧、修正等操作，确认属性的正确性。
3.关系抽取和建模子模块：负责建立实体和属性之间的关系，并构建碳计量知识图谱。具体步骤：利用自然语言处理技术，识别文本句子中的主语、谓语和宾语等成分，判断实体和属性之间的关系。基于先前的实体抽取和属性抽取结果，将关系信息加入碳计量知识图谱中。利用图数据库等技术，管理和维护碳计量知识图谱。
另外，本发明优选的，碳计量指标转化子模块，用于根据碳计量知识图谱中的关系和规则，将不同协议下的碳计量指标进行转化；碳计量指标比较子模块，用于比较不同协议下的碳计量指标，并提供相应的分析和评估结果，具体包括：
1.碳计量指标转化子模块：根据碳计量知识图谱中的关系和规则，将不同协议下的碳计量指标进行转化。具体步骤：基于碳计量知识图谱中的规则和转换关系，收集不同碳计量协议之间存在的对应关系。针对特定的碳计量指标，根据规则和关系，进行转化计算。例如，根据碳排放源的特征和测量数据，将一个协议中的碳计量指标映射到另一个协议中的等效指标。碳计量指标转化子模块可以根据用户的需求，实现不同粒度和精度的转换，以适应特定的应用场景。
2.碳计量指标比较子模块：用于比较不同协议下的碳计量指标，并提供相应的分析和评估结果。具体步骤：收集不同碳计量协议下的指标数据，并进行标准化处理，以确保可以进行比较。比较不同协议之间的指标定义、计算方法和单位等细节，并识别相似性和差异性。基于比较结果，提供相应的分析和评估，例如计算指标之间的差距、相关性、一致性等。还可以进行可视化展示和生成相应的报告，以帮助用户理解和评估不同协议下的碳计量指标情况。
数据清洗子模块，用于清洗和预处理收集到的数据，确保数据的准确性和一致性；
数据计算子模块，用于基于碳计量知识图谱中的规则和算法，自动计算碳排放量等相关指标；
数据清洗子模块和数据计算子模块的具体实现方式如下：
1.数据清洗子模块：负责清洗和预处理收集到的碳排放数据，确保数据的准确性和一致性。具体步骤：对原始数据进行数据清洗和预处理，例如删除无效数据、填充缺失数据、对异常数据进行修正等。进行数据质量分析和检验，确保数据的准确性、一致性和完整性。进一步将数据按照碳排放源、统计周期、碳计量的方法分类汇总，以便在数据计算子模块中进行计算。
2.数据计算子模块：负责基于碳计量知识图谱中的规则和算法，自动计算碳排放量等相关指标。具体步骤：基于碳计量知识图谱中的规则、关系和转化方法，将收集到的碳排放数据进行标准化处理，以确保可以进行计算。对数据进行碳排放计算，例如计算不同碳排放源的排放量、计算不同统计周期内的碳排放量等。碳计量的计算方法根据规则进行计算，算法可以针对具体的碳排放源进行优化。对计算结果进行校验和汇总，以便于在数据报表中进行展示和交互式分析。
数据可视化子模块，用于将碳计量结果以图表、报告等形式呈现，方便用户直观了解碳排放情况；
碳减排策略分析子模块，用于根据碳计量结果进行碳减排策略的制定和评估，并提供相关建议和参考。
进一步包括用户界面模块，用于与用户进行交互，接收用户输入的协议选择、数据源等信息，并展示碳计量结果和分析。
进一步包括机器学习模块，用于提高系统的计算效率和准确性，支持自动化的数据收集、清洗和计算，具体包括以下步骤：
A.构建碳计量知识图谱，抽取和整理不同碳计量协议中的实体、属性和关系，并建立碳计量知识图谱；
A1.抽取碳排放源、碳计量方法等实体；抽取碳排放量、碳计量单位等属性；
A2.建立实体和属性之间的关系，构建碳计量知识图谱，其中转化和比较碳计量指标的步骤进一步包括：根据碳计量知识图谱中的关系和规则，将不同协议下的碳计量指标进行转化；
A3.比较转化后的碳计量指标，获得相应的分析和评估结果；
B.根据用户选择的协议，转化和比较不同协议下的碳计量指标，获得对应的结果，自动化地收集、清洗和计算碳排放相关数据，并将结果存储在碳计量知识图谱中，分析碳计量结果，提供数据可视化和分析功能，以及碳减排策略的制定和评估。
多协议适用性：本发明能够支持多个碳计量协议，满足不同用户的碳计量需求，用户可以根据自身需求选择不同的协议进行碳计量核算，并将结果进行转化和比较，这使得碳计量结果更具有可比性，便于不同协议下的碳排放情况进行分析和评估。
自动化处理：本发明利用机器学习和自然语言处理技术，实现了碳排放数据的自动化收集、清洗和计算，用户只需提供相关数据源，系统可以自动从中提取碳计量所需的数据，并进行自动化的计算和汇总，这减少了人工处理数据的工作量，提高了碳计量核算的效率和准确性。
知识图谱建模：通过构建基于知识图谱的碳计量核算系统，能够有效组织和管理碳计量相关的知识，知识图谱中的实体、属性和关系可以形成全面、可扩展的碳排放关联模型，为用户提供更丰富的碳计量信息和分析能力。
数据可视化与分析：该发明提供了丰富的数据可视化和分析功能，用户可以通过图表、报告等方式直观地了解碳计量结果，这有助于用户对碳排放情况进行可视化分析，发现潜在的碳减排机会，并制定相应的碳减排策略，同时，该发明还能评估和预测不同策略下的碳减排效果，帮助用户做出科学决策。
环境保护和碳减排：本发明的应用有助于企业、组织和政府等实现碳减排目标，通过全面的碳计量核算和分析，用户可以了解碳排放情况，识别和优化碳排放源，制定有效的碳减排策略，从而促进可持续发展，减少对环境的影响。
另外，需要说明的是，在构建RBF代理模型时，其训练过程主要可划分为两大环节，首先是进行无监督学习环节，该阶段通过运用诸如K-均值聚类法、梯度下降法、正交最小二乘法或先进智能算法等技术手段来确立最优的径向基神经元中心点；其次便是进入有监督学习环节，此时便会利用已经获取的中心点数据以及预先设定好的中心点宽度以确定从隐藏层到输出层之间的各个连接权重参数。
采用正交最小二乘法用于确定径向基函数的中心位置，具体流程如图2所示。此方法借助对每一个样本数据点对降低输出误差所做出的贡献程度进行评估和排序，以便确保所选择的每个中心点均能最大化地降低总体误差，直至误差达到预设的标准值为止。OLS-RBF神经网络并不依赖于先前设定的中心点，因此，每当样本数据点稳定时，对降低误差贡献度的排序也随之保持不变，这意味着神经网络的精准性仅与隐藏层中心点的数量直接相关。
另外，需要说明的是，当传统的OLS-RBF代理模型对给定的样本集进行训练时，如果该拟合关系较为复杂，传统的模型可能会陷入局部最优的问题。同时也存在大数据样本进行拟合时，隐藏层神经元个数较多，陷入过拟合、耗费时间与计算力。这也是其他DACE工具箱代理模型同时存在的问题，为改善这些问题引入梯度下降算子ω使得每个神经元的中心宽度σi都不同，改进后的OLS-RBF代理模型的运行方法流程如图3所示。
另外，本发明优选的，在进行抽取碳排放源、碳计量方法等实体；抽取碳排放量、碳计量单位等属性；建立实体和属性之间的关系，构建碳计量知识图谱步骤过程中：
1.实体抽取：定义碳计量知识图谱需要包含的实体，如碳排放源、碳计量方法等。
从收集的数据和文本信息中使用自然语言处理技术，抽取出具体的实体。对每个实体进行唯一标识，以便在知识图谱中进行合理的组织和关联。2.属性抽取：确定每个实体的属性，如碳排放量、碳计量单位等。使用信息抽取技术从文本和结构化数据中抽取相应的属性值。清洗和验证抽取的属性值，确保数据的准确性和一致性。
3.关系建立：确定不同实体之间的关系，如碳排放源和碳计量方法之间的关系。根据抽取到的实体和属性，将它们之间的关系在知识图谱中建立起来。使用合适的关系表示方法，如基于标签、属性或URI等方式来描述实体之间的关系。
4.知识图谱构建：使用图数据库或知识图谱存储技术，如Neo4j、GraphDB等，来构建碳计量知识图谱。将抽取到的实体、属性和关系写入到知识图谱数据库中。设计和优化知识图谱的模式和查询接口，以便支持知识图谱的有效查询和使用。
5.验证和维护：对构建的碳计量知识图谱进行验证和评估，确认实体、属性和关系的正确性和完整性。定期更新和维护知识图谱，添加新的数据和知识，以及修正和清理已有的数据。监测知识图谱的性能和可用性，确保碳计量知识图谱能够满足用户的需求。
另外，本发明优选的，转化和比较碳计量指标的步骤进一步包括：根据碳计量知识图谱中的关系和规则，将不同协议下的碳计量指标进行转化，具体为：
1.识别不同的碳计量协议：收集不同的碳计量协议和标准，如GreenhouseGasProtocol、ISO14064等。识别不同协议中所使用的碳计量指标，如碳排放量、二氧化碳当量等。
2.计算碳计量指标：根据碳排放源的特征和活动数据，计算出碳排放量及其他相关的碳计量指标，例如二氧化碳当量。确保计算过程中所使用的计算公式和方法符合对应协议和标准的要求。
3.转化碳计量指标：根据碳计量知识图谱中定义的实体和关系，将不同协议下的碳计量指标进行转化。在知识图谱中，将各个协议所涉及的碳计量指标和单位进行对应，在需要转化的情况下，使用知识图谱中定义的转化方法进行转化。转化过程中，需要考虑不同协议中碳计量指标的定义和计算方法，以确保转化结果的准确性和可靠性。
4.比较碳计量指标：将转化后的碳计量指标进行比较，以计算出相应的碳排放量偏差或折算率。根据比较结果，提出相应的建议，支持决策过程，例如选择最适合的碳计量协议或标准。根据需要转化的协议和计量指标不同，转化过程也会有所区别。以下是一些具体的情况：从协议A到协议B进行转化：通过碳计量知识图谱，对比协议A和协议B所使用的碳计量指标和计算方法，确定需要转化的指标和单位。根据知识图谱中定义的转化方法，将协议A的计量指标转化为协议B所使用的计量指标。比较转化后的计量指标，计算出折算率或者偏差。从协议A到协议C进行转化：如果协议A和协议B之间没有直接的转化方法，需要通过知识图谱中的关系和规则进行复杂的转化过程。可以利用知识图谱中定义的中间实体和关系，例如利用碳排放源的类型、活动数据和地理位置等信息，通过多次转化过程将协议A的计量指标转化为协议C的计量指标。比较转化后的计量指标，计算出折算率或者偏差。
从自定义单位到协议中的单位进行转化：碳排放源可能会使用自定义的碳计量单位，需要利用知识图谱中的单位换算关系将其转化为对应协议中的计量单位。根据知识图谱中碳计量单位的关系和规则，进行单位换算，例如将吨转化为千克等。比较转化后的计量指标，计算出折算率或者偏差。
综上所述，本发明通过面向多协议、自动化处理和知识图谱建模等技术，提供了一种高效、准确和全面的碳计量核算方法。这将为碳管理领域的各方利益相关者，包括企业、组织和政府，提供有益的碳减排决策支持，推动可持续发展和环境保护。
最后，本发明的未尽述之处均采用现有技术中的成熟产品及成熟技术手段。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的实施例或示例中。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。
Claims (5)
1.基于知识图谱的面向多协议碳计量核算方法，其特征在于，包括以下步骤：
步骤1，构建碳计量知识图谱，抽取和整理不同碳计量协议中的实体、属性和关系，并建立碳计量知识图谱；
步骤2，根据用户选择的协议，转化和比较不同协议下的碳计量指标，获得对应的结果，自动化地收集、清洗和计算碳排放相关数据，并将结果存储在碳计量知识图谱中，分析碳计量结果，提供数据可视化和分析功能，以及碳减排策略的制定和评估；
步骤3，自动化处理，利用基于OLS-RBF代理模型进行自然语言处理，以进行碳排放数据的自动化收集、清洗和计算。
2.根据权利要求1所述的基于知识图谱的面向多协议碳计量核算方法，其特征在于：所述步骤1中抽取的实体、属性和关系具体包括：抽取碳排放源和碳计量方法的实体，以及抽取碳排放量和碳计量单位的属性，由此建立实体和属性之间的关系，构建碳计量知识图谱。
3.根据权利要求1所述的基于知识图谱的面向多协议碳计量核算方法，其特征在于：所述步骤2进一步包括：根据碳计量知识图谱中的关系和规则，将不同协议下的碳计量指标进行转化；比较转化后的碳计量指标，获得相应的分析和评估结果。
4.根据权利要求1所述的基于知识图谱的面向多协议碳计量核算方法，其特征在于：所述步骤3中，基于OLS-RBF代理模型的计算模块的构建方法如下：
由于在神经网络中，输入层用来接受样本集的数据，隐藏层将输入层中的不可分问题通过式（1）映射到高维空间，径向基函数选取高斯函数，具体表达为：
（1）；
式中Φ i 为第i个隐含层神经元的基函数，c i 为第i个隐含层神经元的中心点，σ i 为第i个隐含层神经元的中心点宽度，||x-c i ||表示样本点与中心点之间的欧氏距离；样本点是指不同碳排放源的排放量、不同统计周期内的碳排放量；
RBF代理模型是局部逼近的神经网络，其样本空间内的高斯函数仅在有限区域内呈现非零数值状态；在最后的输出层与隐藏层间通过权值λ i 进行连接，输出值y与预测值如下式所示：
(2)；
式中ε表示输出值与预测值间的误差。
5.根据权利要求1所述的基于知识图谱的面向多协议碳计量核算方法，其特征在于：所述步骤3中，基于OLS-RBF代理模型的运行方法如下：
步骤3.1，输入样本点参数，进行归一化处理；
步骤3.2，设置最大迭代次数、测试样本数量、隐节点扩展常熟和目标误差限制；
步骤3.3，将每一个采样点都作为中心点计算Φ in*n 矩阵；
步骤3.4，根据误差贡献度公式选取Φ in*n 的列向量作为径向基函数中心；
步骤3.5，计算在不同中心宽度下的隐含层输出矩阵和其均方误差；
步骤3.6，判断两均方误差的大小，得到梯度下降的方向进行迭代；
步骤3.7，判断步骤3.6中误差是否满足要求，若满足要求则执行步骤3.9，若不满足要求则执行步骤3.8；
步骤3.8，判断步骤3.7中不满足误差要求的均方误差是否达到迭代上限，若达到上限则执行步骤3.9，若未达到上限则返回并再次执行步骤3.5至步骤3.8；
步骤3.9，将均方误差最小的σ min 作为隐含层的第一个中心宽度；
步骤3.10，构建在σ min 下的神经网络模型；
步骤3.11，预测值与实际值的误差是否满足要求，若满足要求则模型运行完成，若不满足则经斯密特化后返回并再次执行步骤3.4至步骤3.11，直至误差满足要求后运行完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410363984.3A CN117973901A (zh) | 2024-03-28 | 2024-03-28 | 基于知识图谱的面向多协议碳计量核算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410363984.3A CN117973901A (zh) | 2024-03-28 | 2024-03-28 | 基于知识图谱的面向多协议碳计量核算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117973901A true CN117973901A (zh) | 2024-05-03 |
Family
ID=90846202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410363984.3A Pending CN117973901A (zh) | 2024-03-28 | 2024-03-28 | 基于知识图谱的面向多协议碳计量核算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973901A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048990A (zh) * | 2022-06-01 | 2022-09-13 | 新奥数能科技有限公司 | 基于智慧园区运营管理场景的碳排放计量方法及装置 |
| CN115344712A (zh) * | 2022-08-17 | 2022-11-15 | 河北工业大学 | 一种基于融合文本的碳标准知识图谱构建方法 |
| CN115860529A (zh) * | 2022-11-23 | 2023-03-28 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于工业互联网的供应链碳核算系统 |
| CN116228171A (zh) * | 2023-05-08 | 2023-06-06 | 北京始祖科技有限公司 | 一种企业碳排放监测系统及方法 |
| CN117591679A (zh) * | 2023-11-30 | 2024-02-23 | 数字双碳科技(合肥)有限公司 | 基于知识图谱的积木式产品碳足迹智能分析系统及方法 |
| CN117689393A (zh) * | 2023-11-28 | 2024-03-12 | 安联奇智(安徽)科技有限公司 | 碳核算方法、系统和计算机可读存储介质 |
-
2024
- 2024-03-28 CN CN202410363984.3A patent/CN117973901A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048990A (zh) * | 2022-06-01 | 2022-09-13 | 新奥数能科技有限公司 | 基于智慧园区运营管理场景的碳排放计量方法及装置 |
| CN115344712A (zh) * | 2022-08-17 | 2022-11-15 | 河北工业大学 | 一种基于融合文本的碳标准知识图谱构建方法 |
| CN115860529A (zh) * | 2022-11-23 | 2023-03-28 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于工业互联网的供应链碳核算系统 |
| CN116228171A (zh) * | 2023-05-08 | 2023-06-06 | 北京始祖科技有限公司 | 一种企业碳排放监测系统及方法 |
| CN117689393A (zh) * | 2023-11-28 | 2024-03-12 | 安联奇智(安徽)科技有限公司 | 碳核算方法、系统和计算机可读存储介质 |
| CN117591679A (zh) * | 2023-11-30 | 2024-02-23 | 数字双碳科技(合肥)有限公司 | 基于知识图谱的积木式产品碳足迹智能分析系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王兴林: "基于径向基网络的结构损伤识别", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 September 2006 (2006-09-15), pages 1 - 60 * |
| 陈腾飞: "中国碳排放的智能预测及减碳对策研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 June 2017 (2017-06-15), pages 1 - 40 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3123362A1 (en) | Method and system for large scale data curation | |
| CN114003791B (zh) | 基于深度图匹配的医疗数据元自动化分类方法及系统 | |
| CN113779272A (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
| Huang et al. | Technology life cycle analysis: From the dynamic perspective of patent citation networks | |
| CN111243748A (zh) | 针推康数据标准化系统 | |
| Goyle et al. | Dataassist: A machine learning approach to data cleaning and preparation | |
| CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
| CN116610592B (zh) | 基于自然语言处理技术的可定制软件测试评价方法及系统 | |
| CN117290404A (zh) | 一种主配网故障处理方法快速检索实用方法及系统 | |
| Malik et al. | A comprehensive approach towards data preprocessing techniques & association rules | |
| CN117973901A (zh) | 基于知识图谱的面向多协议碳计量核算方法 | |
| Restat et al. | Towards a Holistic Data Preparation Tool. | |
| Graf et al. | Frost: a platform for benchmarking and exploring data matching results | |
| Sun | Management Research of Big Data Technology in Financial Decision-Making of Enterprise Cloud Accounting | |
| Wei et al. | A Data-Driven Human–Machine Collaborative Product Design System Toward Intelligent Manufacturing | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN116092655B (zh) | 一种基于大数据的医院绩效管理方法及系统 | |
| Peng et al. | Performance analysis between different decision trees for uncertain data | |
| Lu et al. | A study on the business data evaluation method of the power grid value-added service | |
| Li et al. | Design of Enterprise Financial and Economic Data Accurate Classification Management System Based on Random Forest | |
| Ma et al. | Study on Contribution of Different Journal Evaluation Indicators to Impact Factor Based on Machine Learning | |
| CN112115124A (zh) | 一种数据影响度分析方法、装置、电子设备及存储介质 | |
| Cao¹ et al. | Henan Open University, Zhengzhou, Henan, China 2 Henan Vocational College of Agriculture, Zhengzhou, Henan, China c402793926@ 163. com | |
| CN115408386A (zh) | 一种基于学习的索引推荐与评估方法 | |
| CN116955186A (zh) | 一种软件测试知识库构建方法、装置、电子设备及介质 |
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 |