CN115423187B - 一种基于大数据的碳达峰碳中和数据处理***及方法 - Google Patents
一种基于大数据的碳达峰碳中和数据处理***及方法 Download PDFInfo
- Publication number
- CN115423187B CN115423187B CN202211066823.5A CN202211066823A CN115423187B CN 115423187 B CN115423187 B CN 115423187B CN 202211066823 A CN202211066823 A CN 202211066823A CN 115423187 B CN115423187 B CN 115423187B
- Authority
- CN
- China
- Prior art keywords
- carbon
- data
- peak
- enterprises
- time
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 312
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 290
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000006386 neutralization reaction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000006978 adaptation Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 9
- 230000008054 signal transmission Effects 0.000 claims description 9
- 235000002918 Fraxinus excelsior Nutrition 0.000 claims description 6
- 239000002956 ash Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据技术领域,具体为一种基于大数据的碳达峰碳中和数据处理***及方法,包括:双碳数据采集模块、数据库、数据处理模块、碳数据分析模块和碳排放预警模块,通过双碳数据采集模块采集碳排放和碳达峰数据,通过数据库存储采集到的全部数据,通过数据处理模块对采集到的碳排放和碳达峰数据进行分类,在分类后将同类别的数据进行整合处理,通过碳数据分析模块分析整合后的数据并预测企业的碳排放峰值和碳达峰时间,通过碳排放预警模块依据预测结果分析企业的碳中和时耗是否异常并进行预警,帮助企业及时采取减排措施以缩短碳达峰时间,进一步降低了碳中和难度。
Description
技术领域
本发明涉及大数据技术领域,具体为一种基于大数据的碳达峰碳中和数据处理***及方法。
背景技术
部分企业对碳达峰碳中和缺乏清晰的认识,对企业碳达峰碳中和数据进行分析处理能够帮助企业了解自身的碳排放情况,以进一步实行有效的减排措施,现有的数据分析处理方式存在以下问题:首先,现有技术中通过大数据采集并分析碳数据,由于部分企业的碳排放数据差异很大,将对应企业的碳数据加入一并分析,会降低分析结果的准确性;其次,现有技术无法***企业大致的碳达峰时间,导致无法帮助企业及时采取减排措施以缩短碳达峰时间,进一步降低碳中和难度。
所以,人们需要一种基于大数据的碳达峰碳中和数据处理***及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于大数据的碳达峰碳中和数据处理***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的碳达峰碳中和数据处理***,所述***包括:双碳数据采集模块、数据库、数据处理模块、碳数据分析模块和碳排放预警模块;
所述双碳数据采集模块的输出端连接所述数据库的输入端,所述数据库的输出端连接所述数据处理模块的输入端,所述数据处理模块的输出端连接所述碳数据分析模块的输入端,所述碳数据分析模块的输出端连接所述碳排放预警模块的输入端;
所述双碳数据采集模块用于采集碳排放和碳达峰数据,将采集到的全部数据传输到数据库中;
所述数据库用于存储采集到的全部数据;
所述数据处理模块用于对采集到的碳排放和碳达峰数据进行分类,在分类后将同类别的数据进行整合处理;
所述碳数据分析模块用于分析整合后的数据并预测企业的碳排放峰值和碳达峰时间;
所述碳排放预警模块用于依据预测结果分析企业的碳中和时耗是否异常并进行预警。
进一步的,所述双碳数据采集模块包括碳达峰数据采集单元和排放峰值采集单元;
所述碳达峰数据采集单元和排放峰值采集单元的输出端连接所述数据库的输入端;
所述碳达峰数据采集单元用于采集不同企业以往每年的碳达峰时间数据;
所述排放峰值采集单元用于采集企业对应时间的碳排放峰值数据。
进一步的,所述数据处理模块包括差异分析单元和分类整合处理单元;
所述差异分析单元的输入端连接所述数据库的输出端,所述差异分析单元的输出端连接所述分类整合处理单元的输入端;
所述差异分析单元用于分析以往不同企业间的碳达峰时间和碳排放峰值的综合差异度;
所述分类整合处理单元用于将企业进行分类,分类完成后将属于同类别的企业的碳达峰时间以及碳排放峰值数据进行整合,将整合后的数据传输到所述碳数据分析模块中。
进一步的,所述碳数据分析模块包括整合数据分析单元、峰值预测单元和碳达峰时间预测单元;
所述整合数据分析单元的输入端连接所述分类整合处理单元的输出端,所述整合数据分析单元的输出端连接所述峰值预测单元的输入端,所述峰值预测单元的输出端连接所述碳达峰时间预测单元的输入端;
所述整合数据分析单元用于分析整合后的数据:同类别企业以往每年的碳排放峰值数据以及碳达峰时间数据;
所述峰值预测单元用于预测企业今年的碳排放峰值;
所述碳达峰时间预测单元用于依据预测得到的碳排放峰值预测企业今年的碳达峰时间。
进一步的,所述碳排放预警模块包括预警对象筛选单元和预警信号传输单元;
所述预警对象筛选单元的输入端连接所述碳达峰时间预测单元的输出端,所述预警对象筛选单元的输出端连接所述预警信号传输单元的输入端;
所述预警对象筛选单元用于设置碳排放时间阈值,比较预测的碳达峰时间和阈值,筛选出预警对象:碳排放时间晚于时间阈值的企业;
所述预警信号传输单元用于向筛选出的预警对象传输碳中和时耗异常预警信号,提醒对应企业做好减排措施。
一种基于大数据的碳达峰碳中和数据处理方法,包括以下步骤:
Z1:采集企业以往每年的碳达峰时间数据和碳排放峰值数据;
Z2:对采集到的碳排放和碳达峰数据进行分类,在分类后将同类别的数据进行整合处理;
Z3:分析整合后的数据,预测企业今年的碳排放峰值和碳达峰时间;
Z4:比较预测到的不同企业今年的碳达峰时间,筛选出预警对象并发送预警信号。
进一步的,在步骤Z1中:采集到在以往n年中:不同企业在第n年的碳达峰时间集合为T={T1,T2,…,Tm},对应企业的碳排放峰值集合为C={C1,C2,…,Cm},其中,m表示企业数量;
在步骤Z2中:将企业随机分为k类,每类企业数量大于1,选择最佳的分类方式:得到在随机一种分类方式中每类企业的碳达峰平均间隔时长集合为t={t1,t2,…,tk},平均碳排放峰值集合为根据下列公式计算按对应分类方式将企业进行分类的适配度Li:
其中,tj表示随机一类企业的碳达峰平均间隔时长,表示随机一类企业的平均碳排放峰值,通过相同方式计算得到按不同分类方式将企业进行分类的适配度集合为L={L1,L2,…, Lp},其中,共有p种分类方式,选择适配度最高的分类方式作为最佳分类方式,按最佳分类方式将企业进行分类,并将同类别的企业数据进行整合处理,在预测企业今年的碳达峰时间前,通过大数据技术预先根据企业以往的碳达峰时间和峰值将企业进行分类,由于有多种分类方式,选择类别间参数偏差最大的方式作为最佳的分类方式,有利于将碳达峰时间较为相近、峰值较为相近的企业划分为同类,提高了分类结果的准确性。
进一步的,在步骤Z3中:分析整合后的数据:获取到随机一个企业所属类别中所有企业第n年的碳达峰时间集合为T’={T1’,T2’,…,Tq’},对应企业的碳排放峰值集合为C’={C1’, C2’,…,Cq’},其中,对应企业所属类别中共有q个企业,获取到对应企业以往n年的碳排放峰值序列为A(0)={A(0)(1),A(0)(2),…,A(0)(n)},构造累加生成序列为A(1)={A(1)(1), A(1)(2),…,A(1)(n)},其中,令Y(1)为A(1)的紧邻均值生成序列,Y(1)={Y(1)(2),Y(1)(3),…,Y(1)(n)},/>根据下列公式构造数据矩阵M和数据向量N:
建立碳排放峰值预测模型:其中,A(1)(r+1)表示前r+1年累计的对应企业的碳排放峰值,a表示发展灰数,b表示内生控制灰数,/>令r=n,预测得到对应企业今年的碳排放峰值为 A(0)(n+1)=A(1)(n+1)-A(1)(n),利用灰色预测模型预测企业的碳排放峰值,灰色预测模型需要的输入参数少,与碳排放峰值预测方式更加匹配,更能够充分利用已知信息来寻求规律,提高了预测结果的准确性。
进一步的,在集合C’中查询到与A(0)(n+1)差值最小的碳排放峰值为Cmin’,Cmin’对应的企业第n年的碳达峰时间为Tmin’,获取到对应企业所属类别中所有企业两两间的碳达峰间隔时长集合为t’={t1’,t2’,…,tv’},其中,v表示间隔时长项数,对应两两间碳排放峰值的差值集合为B={B1,B2,…,Bv},根据公式/> 预测得到企业今年的碳达峰时间为T预,其中,ti’表示第i项间隔时长,Bi表示第i 项差值,选择同一类别的企业碳达峰时间数据、峰值数据进行分析,同一类别企业的碳排放数据更相近,有利于提高碳达峰时间预测结果的准确性。
进一步的,在步骤Z4中:通过相同方式预测得到不同企业今年的碳达峰时间,设置碳达峰时间阈值为T阈,比较预测到的碳达峰时间和T阈,若碳达峰时间晚于T阈,判断对应企业的碳中和时耗异常,筛选出碳达峰时间晚于T阈的企业,将筛选出的企业作为预警对象,发送碳中和时耗异常预警信号给对应企业,提醒对应企业做好减排措施,碳达峰时间越晚,对应企业的碳中和难度越高,碳中和时耗越长,***企业的碳达峰时间,帮助企业及时采取减排措施以缩短碳达峰时间,进一步降低了碳中和难度。
与现有技术相比,本发明所达到的有益效果是:
本发明通过大数据技术采集并分析企业以往的碳达峰数据,***企业的碳达峰时间,帮助企业及时采取减排措施以缩短碳达峰时间,进一步降低了碳中和难度;在预测碳达峰时间前,利用灰色预测模型优先对碳排放峰值进行预测,根据峰值预测企业的碳达峰时间,预先根据企业以往的碳达峰时间和峰值将企业进行分类,并选择同一类别的企业碳达峰时间数据、峰值数据进行分析,提高了碳达峰时间预测结果的准确性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的碳达峰碳中和数据处理***的结构图;
图2是本发明一种基于大数据的碳达峰碳中和数据处理方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
请参阅图1-图2,本发明提供技术方案:一种基于大数据的碳达峰碳中和数据处理***,***包括:双碳数据采集模块、数据库、数据处理模块、碳数据分析模块和碳排放预警模块;
双碳数据采集模块的输出端连接数据库的输入端,数据库的输出端连接数据处理模块的输入端,数据处理模块的输出端连接碳数据分析模块的输入端,碳数据分析模块的输出端连接碳排放预警模块的输入端;
双碳数据采集模块用于采集碳排放和碳达峰数据,将采集到的全部数据传输到数据库中;
数据库用于存储采集到的全部数据;
数据处理模块用于对采集到的碳排放和碳达峰数据进行分类,在分类后将同类别的数据进行整合处理;
碳数据分析模块用于分析整合后的数据并预测企业的碳排放峰值和碳达峰时间;
碳排放预警模块用于依据预测结果分析企业的碳中和时耗是否异常并进行预警。
双碳数据采集模块包括碳达峰数据采集单元和排放峰值采集单元;
碳达峰数据采集单元和排放峰值采集单元的输出端连接数据库的输入端;
碳达峰数据采集单元用于采集不同企业以往每年的碳达峰时间数据;
排放峰值采集单元用于采集企业对应时间的碳排放峰值数据。
数据处理模块包括差异分析单元和分类整合处理单元;
差异分析单元的输入端连接数据库的输出端,差异分析单元的输出端连接分类整合处理单元的输入端;
差异分析单元用于分析以往不同企业间的碳达峰时间和碳排放峰值的综合差异度;
分类整合处理单元用于将企业进行分类,分类完成后将属于同类别的企业的碳达峰时间以及碳排放峰值数据进行整合,将整合后的数据传输到碳数据分析模块中。
碳数据分析模块包括整合数据分析单元、峰值预测单元和碳达峰时间预测单元;
整合数据分析单元的输入端连接分类整合处理单元的输出端,整合数据分析单元的输出端连接峰值预测单元的输入端,峰值预测单元的输出端连接碳达峰时间预测单元的输入端;
整合数据分析单元用于分析整合后的数据:同类别企业以往每年的碳排放峰值数据以及碳达峰时间数据;
峰值预测单元用于预测企业今年的碳排放峰值;
碳达峰时间预测单元用于依据预测得到的碳排放峰值预测企业今年的碳达峰时间。
碳排放预警模块包括预警对象筛选单元和预警信号传输单元;
预警对象筛选单元的输入端连接碳达峰时间预测单元的输出端,预警对象筛选单元的输出端连接预警信号传输单元的输入端;
预警对象筛选单元用于设置碳排放时间阈值,比较预测的碳达峰时间和阈值,筛选出预警对象:碳排放时间晚于时间阈值的企业;
预警信号传输单元用于向筛选出的预警对象传输碳中和时耗异常预警信号,提醒对应企业做好减排措施。
一种基于大数据的碳达峰碳中和数据处理方法,包括以下步骤:
Z1:采集企业以往每年的碳达峰时间数据和碳排放峰值数据;
Z2:对采集到的碳排放和碳达峰数据进行分类,在分类后将同类别的数据进行整合处理;
Z3:分析整合后的数据,预测企业今年的碳排放峰值和碳达峰时间;
Z4:比较预测到的不同企业今年的碳达峰时间,筛选出预警对象并发送预警信号。
在步骤Z1中:采集到在以往n年中:不同企业在第n年的碳达峰时间集合为T={T1,T2,…, Tm},对应企业的碳排放峰值集合为C={C1,C2,…,Cm},其中,m表示企业数量;
在步骤Z2中:将企业随机分为k类,每类企业数量大于1,选择最佳的分类方式:得到在随机一种分类方式中每类企业的碳达峰平均间隔时长集合为t={t1,t2,…,tk},碳达峰平均间隔时长指的是获取到同一类别中企业两两之间的碳达峰间隔时长后求得的碳达峰间隔时长平均值,平均碳排放峰值集合为根据下列公式计算按对应分类方式将企业进行分类的适配度Li:
其中,tj表示随机一类企业的碳达峰平均间隔时长,表示随机一类企业的平均碳排放峰值,通过相同方式计算得到按不同分类方式将企业进行分类的适配度集合为L={L1,L2,…, Lp},其中,共有p种分类方式,选择适配度最高的分类方式作为最佳分类方式,按最佳分类方式将企业进行分类,并将同类别的企业数据进行整合处理,将碳达峰时间较为相近、峰值较为相近的企业划分为同类,提高了分类结果的准确性。
在步骤Z3中:分析整合后的数据:获取到随机一个企业所属类别中所有企业第n年的碳达峰时间集合为T’={T1’,T2’,…,Tq’},对应企业的碳排放峰值集合为C’={C1’,C2’,…, Cq’},其中,对应企业所属类别中共有q个企业,获取到对应企业以往n年的碳排放峰值序列为A(0)={A(0)(1),A(0)(2),…,A(0)(n)},构造累加生成序列为A(1)={A(1)(1),A(1)(2),…, A(1)(n)},其中,令Y(1)为A(1)的紧邻均值生成序列, Y(1)={Y(1)(2),Y(1)(3),…,Y(1)(n)},/>根据下列公式构造数据矩阵M和数据向量N:
建立碳排放峰值预测模型:其中,A(1)(r+1)表示前r+1年累计的对应企业的碳排放峰值,a表示发展灰数,b表示内生控制灰数,/>令r=n,预测得到对应企业今年的碳排放峰值为 A(0)(n+1)=A(1)(n+1)-A(1)(n),提高了碳排放峰值预测结果的准确性。
在集合C’中查询到与A(0)(n+1)差值最小的碳排放峰值为Cmin’,Cmin’对应的企业第n年的碳达峰时间为Tmin’,获取到对应企业所属类别中所有企业两两间的碳达峰间隔时长集合为 t’={t1’,t2’,…,tv’},其中,v表示间隔时长项数,对应两两间碳排放峰值的差值集合为B={B1,B2,…,Bv},根据公式/>预测得到企业今年的碳达峰时间为T预,其中,ti’表示第i项间隔时长,Bi表示第i项差值,选择同一类别的企业碳达峰时间数据、峰值数据进行分析,提高了碳达峰时间预测结果的准确性。
在步骤Z4中:通过相同方式预测得到不同企业今年的碳达峰时间,设置碳达峰时间阈值为T阈,比较预测到的碳达峰时间和T阈,若碳达峰时间晚于T阈,判断对应企业的碳中和时耗异常,筛选出碳达峰时间晚于T阈的企业,将筛选出的企业作为预警对象,发送碳中和时耗异常预警信号给对应企业,提醒对应企业做好减排措施。
实施例一:在采集到以往n=3年中m=5家企业在第n=3年的碳达峰时间和碳排放峰值后,将企业随机分为k=2类,选择最佳的分类方式:得到在随机一种分类方式中每类企业的碳达峰平均间隔时长集合为t={t1,t2}={2,1.8},单位为:月,平均碳排放峰值集合为 单位为:万吨,根据公式/>计算按对应分类方式将企业进行分类的适配度Li=2.02,通过相同方式计算得到按不同分类方式将企业进行分类的适配度集合为L={2.02,3,1.05,0.5,3.6,1.2,2,5.2,0.8},选择适配度最高的分类方式:5.2对应的分类方式作为最佳分类方式,按最佳分类方式将企业进行分类,并将同类别的企业数据进行整合处理;
实施例二:获取到对应企业以往n=3年的碳排放峰值序列为A(0)={A(0)(1),A(0)(2), A(0)(3)}={10,20,30},构造累加生成序列为A(1)={A(1)(1),A(1)(2),A(1)(3)}={10,30,60},令Y(1)为A(1)的紧邻均值生成序列,Y(1)={Y(1)(2),Y(1)(3)}={20,45},构造数据矩阵M和数据向量N: 建立碳排放峰值预测模型:/>预测得到对应企业今年的碳排放峰值为A(0)(4)=A(1)(4)-A(1)(3)=21,查询到与A(0)(n+1)差值最小的碳排放峰值为Cmin’=24,Cmin’对应的企业第n=3年的碳达峰时间Tmin’为:6月25日,获取到对应企业所属类别中所有企业两两间的碳达峰间隔时长集合为t’={1.2,1.5,1},单位为:月,对应两两间碳排放峰值的差值集合为B={5,10,2},单位为:万吨,根据公式 预测得到企业今年的碳达峰时间为T预:6月7日,设置碳达峰时间阈值为T阈:5月31日,对应企业的碳达峰时间晚于T阈,判断对应企业的碳中和时耗异常,发送碳中和时耗异常预警信号。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据的碳达峰碳中和数据处理方法,其特征在于:包括以下步骤:
Z1:采集企业以往每年的碳达峰时间数据和碳排放峰值数据;
Z2:对采集到的碳排放和碳达峰数据进行分类,在分类后将同类别的数据进行整合处理;
Z3:分析整合后的数据,预测企业今年的碳排放峰值和碳达峰时间;
Z4:比较预测到的不同企业今年的碳达峰时间,筛选出预警对象并发送预警信号;
在步骤Z3中:分析整合后的数据:获取到随机一个企业所属类别中所有企业第n年的碳达峰时间集合为T’={T1’,T2’,…,Tq’},对应企业的碳排放峰值集合为C’={C1’,C2’,…,Cq’},其中,对应企业所属类别中共有q个企业,获取到对应企业以往n年的碳排放峰值序列为A(0)={A(0)(1),
A(0)(2),…,A(0)(n)},构造累加生成序列为A(1)={A(1)(1),A(1)(2),…,
建立碳排放峰值预测模型:n-1,其中,A(1)(r+1)表示前r+1年累计的对应企业的碳排放峰值,a表示发展灰数,b表示内生控制灰数,/>令r=n,预测得到对应企业今年的碳排放峰值为A(0)(n+1)=A(1)(n+1)-A(1)(n);
2.根据权利要求1所述的一种基于大数据的碳达峰碳中和数据处理方法,其特征在于:在步骤Z1中:采集到在以往n年中:不同企业在第n年的碳达峰时间集合为T={T1,T2,…,Tm},对应企业的碳排放峰值集合为C={C1,
C2,…,Cm},其中,m表示企业数量;
在步骤Z2中:将企业随机分为k类,每类企业数量大于1,选择最佳的分类方式:得到在随机一种分类方式中每类企业的碳达峰平均间隔时长集合为t={t1,t2,…,tk},所述碳达峰平均间隔时长指的是获取到同一类别中企业两两之间的碳达峰间隔时长后求得的碳达峰间隔时长平均值,平均碳排放峰值集合为根据下列公式计算按对应分类方式将企业进行分类的适配度Li:
3.根据权利要求1所述的一种基于大数据的碳达峰碳中和数据处理方法,其特征在于:在步骤Z4中:通过相同方式预测得到不同企业今年的碳达峰时间,设置碳达峰时间阈值为T阈,比较预测到的碳达峰时间和T阈,若碳达峰时间晚于T阈,判断对应企业的碳中和时耗异常,筛选出碳达峰时间晚于T阈的企业,将筛选出的企业作为预警对象,发送碳中和时耗异常预警信号给对应企业,提醒对应企业做好减排措施。
4.一种基于大数据的碳达峰碳中和数据处理***,应用于如权利要求1所述的一种基于大数据的碳达峰碳中和数据处理方法,其特征在于:所述***包括:双碳数据采集模块、数据库、数据处理模块、碳数据分析模块和碳排放预警模块;
所述双碳数据采集模块的输出端连接所述数据库的输入端,所述数据库的输出端连接所述数据处理模块的输入端,所述数据处理模块的输出端连接所述碳数据分析模块的输入端,所述碳数据分析模块的输出端连接所述碳排放预警模块的输入端;
所述双碳数据采集模块用于采集碳排放和碳达峰数据,将采集到的全部数据传输到数据库中;
所述数据库用于存储采集到的全部数据;
所述数据处理模块用于对采集到的碳排放和碳达峰数据进行分类,在分类后将同类别的数据进行整合处理;
所述碳数据分析模块用于分析整合后的数据并预测企业的碳排放峰值和碳达峰时间;
所述碳排放预警模块用于依据预测结果分析企业的碳中和时耗是否异常并进行预警。
5.根据权利要求4所述的一种基于大数据的碳达峰碳中和数据处理***,其特征在于:所述双碳数据采集模块包括碳达峰数据采集单元和排放峰值采集单元;
所述碳达峰数据采集单元和排放峰值采集单元的输出端连接所述数据库的输入端;
所述碳达峰数据采集单元用于采集不同企业以往每年的碳达峰时间数据;
所述排放峰值采集单元用于采集企业对应时间的碳排放峰值数据。
6.根据权利要求4所述的一种基于大数据的碳达峰碳中和数据处理***,其特征在于:所述数据处理模块包括差异分析单元和分类整合处理单元;
所述差异分析单元的输入端连接所述数据库的输出端,所述差异分析单元的输出端连接所述分类整合处理单元的输入端;
所述差异分析单元用于分析以往不同企业间的碳达峰时间和碳排放峰值的综合差异度;
所述分类整合处理单元用于将企业进行分类,分类完成后将属于同类别的企业的碳达峰时间以及碳排放峰值数据进行整合,将整合后的数据传输到所述碳数据分析模块中。
7.根据权利要求6所述的一种基于大数据的碳达峰碳中和数据处理***,其特征在于:所述碳数据分析模块包括整合数据分析单元、峰值预测单元和碳达峰时间预测单元;
所述整合数据分析单元的输入端连接所述分类整合处理单元的输出端,所述整合数据分析单元的输出端连接所述峰值预测单元的输入端,所述峰值预测单元的输出端连接所述碳达峰时间预测单元的输入端;
所述整合数据分析单元用于分析整合后的数据:同类别企业以往每年的碳排放峰值数据以及碳达峰时间数据;
所述峰值预测单元用于预测企业今年的碳排放峰值;
所述碳达峰时间预测单元用于依据预测得到的碳排放峰值预测企业今年的碳达峰时间。
8.根据权利要求7所述的一种基于大数据的碳达峰碳中和数据处理***,其特征在于:所述碳排放预警模块包括预警对象筛选单元和预警信号传输单元;
所述预警对象筛选单元的输入端连接所述碳达峰时间预测单元的输出端,所述预警对象筛选单元的输出端连接所述预警信号传输单元的输入端;
所述预警对象筛选单元用于设置碳排放时间阈值,比较预测的碳达峰时间和阈值,筛选出预警对象:碳排放时间晚于时间阈值的企业;
所述预警信号传输单元用于向筛选出的预警对象传输碳中和时耗异常预警信号,提醒对应企业做好减排措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066823.5A CN115423187B (zh) | 2022-09-01 | 2022-09-01 | 一种基于大数据的碳达峰碳中和数据处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211066823.5A CN115423187B (zh) | 2022-09-01 | 2022-09-01 | 一种基于大数据的碳达峰碳中和数据处理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423187A CN115423187A (zh) | 2022-12-02 |
CN115423187B true CN115423187B (zh) | 2023-05-23 |
Family
ID=84201810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211066823.5A Active CN115423187B (zh) | 2022-09-01 | 2022-09-01 | 一种基于大数据的碳达峰碳中和数据处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423187B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111596A (zh) * | 2021-06-16 | 2021-07-13 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
CN113869660A (zh) * | 2021-09-06 | 2021-12-31 | 江苏荣辉信息科技有限公司 | 一种基于大数据分析的企业碳数据综合智能管控*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013025487A (ja) * | 2011-07-19 | 2013-02-04 | Verifirm Co Ltd | 二酸化炭素排出量算出システム、並びに、二酸化炭素排出量算出装置及びそのプログラム |
CN114493914A (zh) * | 2021-12-27 | 2022-05-13 | 瑞格人工智能科技有限公司 | 一种电力企业碳达峰计算方法及装置 |
CN114723134A (zh) * | 2022-04-07 | 2022-07-08 | 江苏丰彩节能科技有限公司 | 一种多情景建筑碳排放预测方法及装置 |
CN114936236A (zh) * | 2022-05-17 | 2022-08-23 | 杨邦会 | 一种基于物联传感的建筑碳排放监测***和方法 |
-
2022
- 2022-09-01 CN CN202211066823.5A patent/CN115423187B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111596A (zh) * | 2021-06-16 | 2021-07-13 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
CN113869660A (zh) * | 2021-09-06 | 2021-12-31 | 江苏荣辉信息科技有限公司 | 一种基于大数据分析的企业碳数据综合智能管控*** |
Also Published As
Publication number | Publication date |
---|---|
CN115423187A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7472097B1 (en) | Employee selection via multiple neural networks | |
Jones-Farmer et al. | Applying control chart methods to enhance data quality | |
CN111461180B (zh) | 样本分类方法、装置、计算机设备及存储介质 | |
CN112765235A (zh) | 基于特征识别和大数据分析的人力资源智能管理***及云管理服务器 | |
CN112529234A (zh) | 基于深度学习的地表水质预测方法 | |
CN109255029A (zh) | 一种采用加权优化训练集增强自动Bug报告分配的方法 | |
CN116128544A (zh) | 一种电力营销异常营业数据的主动稽核方法和*** | |
US20170300837A1 (en) | Business operation evaluation system | |
CN113159425B (zh) | 一种区域工业水污染日排放量预测方法和装置 | |
CN115423187B (zh) | 一种基于大数据的碳达峰碳中和数据处理***及方法 | |
Sun et al. | Detecting Crime Types Using Classification Algorithms. | |
Sayal | Detecting time correlations in time-series data streams | |
CN116796894A (zh) | 一种高效深度学习气象预测模型的构建方法 | |
CN111768031B (zh) | 一种基于arma算法预测人群聚集趋势的方法 | |
CN114598627A (zh) | 一种基于知识图谱的异常网络信息检测方法 | |
CN116258580B (zh) | 基于物联网区块链技术的抵押贷款数据存储方法及*** | |
CN116610715B (zh) | 一种用于多级存储数据的多维分析方法及*** | |
CN117575542B (zh) | 一种基于模块化装配的建筑工程数据控制***及方法 | |
US20210117891A1 (en) | Information processing apparatus and information processing method | |
CN114611627A (zh) | 一种企业分类方法和*** | |
Zhou | A clustering method of marketing effective data based on relation matrix fusion | |
CN114661779A (zh) | 特定人员的计算和分析方法、***和存储介质 | |
CN116488340A (zh) | 一种基于用电有效功率的居所监测管理方法及*** | |
CN117952318A (zh) | 基于大数据的产业园碳排放数据管理***及方法 | |
De Waal et al. | Statistical Data Editing of Big Data |
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 |