CN117422334A - 基于多能源数据的多级全景碳效分析方法及*** - Google Patents
基于多能源数据的多级全景碳效分析方法及*** Download PDFInfo
- Publication number
- CN117422334A CN117422334A CN202311414299.0A CN202311414299A CN117422334A CN 117422334 A CN117422334 A CN 117422334A CN 202311414299 A CN202311414299 A CN 202311414299A CN 117422334 A CN117422334 A CN 117422334A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon efficiency
- carbon
- analysis
- level
- 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 181
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 181
- 238000004458 analytical method Methods 0.000 title claims abstract description 142
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- -1 heat Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 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
- 238000010606 normalization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于碳效分析技术领域,具体涉及基于多能源数据的多级全景碳效分析方法及***,包括:收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到评级数据;建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。利用多级全景碳效分析的评估指标和分级标准,通过建立碳效解释模型,使企业明确在所处行业和园区中多级全景的碳效详细分析结果。
Description
技术领域
本发明属于碳效分析技术领域,具体涉及基于多能源数据的多级全景碳效分析方法及***。
背景技术
在全球范围开展气候行动、日益严峻的生态环境问题要求我国的发展模式需要向可持续发展模式转变。
经初步核算,需要从综合多方面产生碳排放的数据进行评估、分析和监测。然而,由于数据安全及隐私保护等多种原因,目前的分析应用多是基于用电数据,缺乏油、水、气、热等其它类能源数据,从而造成碳效监测分析的不全面、不完整。
对政府部门来说,为企业和行业构建量化的碳效评价方法,绘制碳画像,为其提供服务贴上碳标签,帮助企业及所在行业明确其碳效等级,识别碳排放强度较高的环节,挖掘节能减排的潜力。同时,通过上述碳效评价方法和碳标签,为绿色金融提供有效可靠的支撑。
对企业来说,通过构建量化的碳效评价方法,明确企业及所在行业的碳效等级,有助于企业诊断存在用能问题并明确改进提高的方向,有利于其调整自身生产经营方式。构建企业服务或产品与碳排放联系,为其产品或服务加贴碳标签,帮助企业识别碳排放强度较高的环节,挖掘节能减排的潜力。
发明内容
为了克服现有技术的缺点,本发明的目的在于提供基于多能源数据的多级全景碳效分析方法及***,以解决当前多能源数据碳效分析较为缺乏的问题。
为了达到上述目的,本发明采用以下技术方案实现:
第一方面,本发明提供基于多能源数据的多级全景碳效分析方法,包括:
收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;
根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到评级数据;
建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。
进一步地,所述其他相关数据包括:碳效项目的内部数据和碳效项目的多能源数据;
所述碳效项目的内部数据包括:用电信息数据、营销业务数据和企业信息;
所述碳效项目中多能源数据包括:水数据、气数据、热数据和油数据。
进一步地,所述评估指标包括:企业级、行业级和园区级;
所述企业级碳效水平计算公式为:其中,L表示增加值碳排放量,单位为吨/万元;N表示报告期内实际碳排放量;N表示报告期内企业增加值;
所述行业级和园区级碳效水平计算公式为:其中,M表示所处行业和园区同期单位工业增加量碳排放量的平均值;K为碳效值。
进一步地,所述分级标准包括:低碳、中碳和高碳;
其中:低碳为L≤0.6;中碳为0.6<L≤2.0;高碳为L>2.0。
进一步地,根据增加值碳排放量分为低、较低、接近行业级和园区级平均水平、较高和高;
其中,低为K>2.0;较低为1.2<K≤2.0;接近行业级和园区级平均水平为0.8<K≤1.2;较高为0.6<K≤0.8;高为K≤0.6。
进一步地,所述建立基于CARBEXA的碳效分析评级模型,包括:
输入分析源数据至初始化XGBoost模型及权重中,再定义损失函数及优化器,计算损失函数。
进一步地,所述初始化XGBoost模型及权重为其中,Gj为结点j包含样本的一阶偏导数累加和;Hj为结点j包含样本的二阶偏导数累加和;w为第T个权重向量,即目标函数中唯一变量;
所述损失函数及优化器为其中,Ω(f)=γT+1/2λ||w||2。
第二方面,本发明提供多级全景碳效分析***,包括:
数据采集模块:用于收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;
指标分级模块:用于根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到分级数据;
解释分析模块:建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。
第三方面,本发明提供一种设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现任意一项所述的多能源数据的多级全景碳效分析方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现任意一项所述的多能源数据的多级全景碳效分析方法。
本发明至少具有以下有益效果:
1、本发明提供基于多能源数据的多级全景碳效分析方法,包括:收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到评级数据;建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。利用多级全景碳效分析的评估指标和分级标准,通过建立碳效解释模型,使企业明确在所处行业和园区中多级全景的碳效详细分析结果;
2、本发明提供多级全景碳效分析***,包括:数据采集模块:用于收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;指标分级模块:用于根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到分级数据;解释分析模块:建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。能够有效汇聚多种能源数据,深挖能源数据价值,明确企业及所在行业和园区的碳效等级,有助于企业诊断存在用能问题并明确改进提高的方向,为绿色金融提供有效可靠的支撑,推动碳减排工作的实施。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明基于多能源数据的多级全景碳效分析方法的流程示意图;
图2为本发明基于多能源数据的多级全景碳效分析方法的碳效分析评级模型工作流程示意图;
图3为本发明基于多能源数据的多级全景碳效分析方法的结构示意图;
图4为本发明一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
实施例1
请参阅图1至2所示,本发明提供基于多能源数据的多级全景碳效分析方法,包括:
收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;
根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到评级数据;
建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。
主要包括如下步骤:
步骤一,采集碳效项目中多能源数据及其它相关数据;
步骤二,对所述相关数据进行数据预处理工作;
步骤三,确定多级全景碳效分析的评估指标和分级标准;
步骤四,建立基于CARBEXA的碳效分析评级模型;
步骤五,根据评级结果建立基于可解释人工智能的碳效分析解释模型,使企业明确在所处园区、行业中多级全景的碳效详细分析结果。
在步骤S101中,采集碳效项目中多能源数据及其它相关数据:
可例如,采集所述碳效项目的用电信息、营销业务等内部数据。其中用电信息包含日测量点总电能示值、日测量点功率等;营销业务包含用户档案、电能表档案、计量点档案、电能表计量点关系、台区档案、单位信息等。
可例如,采集所述碳效项目的基于水、气、热、油等多种能源数据。其中多能源数据包含园区(及所包含用户)每日(每小时)用水、用气、用热、用油数据等。
可例如,采集所述碳效项目的企业相关信息等。其中企业相关信息包含园区企业注册信息、产值等日常经营信息。
在步骤S102中,对所述相关数据进行数据预处理工作:
可例如,对所述相关数据进行数据质量核查,验证数据的可用性和有效性,参照相关明细数据从数据完整性、规范性、合理性、准确性、一致性等方面开展质量核查,确保数据的基本质量。
可例如,对所述相关数据进行数据清洗处理,清洗无效数据,对缺失值、重复值、错误值进行核查和修正,形成业务数据的有效数据集,针对以上问题数据种类采取如下处理方法:
缺失值可使用三次样条插值法进行插补处理,能够很好适应数据变化,对缺失值数据xi具体设置多项式为S(x)=a+b(x-xi)+c(x-xi)2+d(x-xi)3,其中,S(x)是插值函数,a、b、c、d是待确定系数。
重复值可使用drop_duplicates()函数和duplicated()函数进行删除或标识处理,确保重要信息的唯一性。
错误值可分情况做具体处理,对于较为极端的错误,可考虑直接删除该数据,避免对分析结果产生较大影响;对于普通错误值可尝试采用插值方法同缺失值的处理方法进行修复。
可例如,对所述相关数据进行数据关联分析,建立数据表、数据项之间的关联映射关系,根据关联每个企业相关及其各种能源等使用情况整合数据,形成分析源数据,针对以上需求可建立如下映射原则:
唯一标识符映射,确定每个数据表中的唯一标识符,作为映射关系的主要依据,其在不同数据表中应具有相同的含义和格式。
业务逻辑映射,考虑数据项之间的业务逻辑关系。例如,企业多能源使用情况与其产出商品相关,将多能源消耗数据与企业产值相映射,以便更好做碳效分析。
时间纬度映射,考虑多能源数据与时间段内消耗值相关,需确保映射关系包含时间纬度,以便进行时间序列分析和趋势分析。
维度表映射,使用唯一标识符与其事实表(包含企业相关信息、用电、用水、用气、用热、用油情况等数据)相映射,以便在分析中引入维度,从而使分析更丰富和全面。
在步骤S103中,确定多级全景碳效分析的评估指标和分级标准;
可例如,确定基于企业级、行业级、园区级的多级全景碳效分析的评估指标,从如下两个方面及进行碳效评估:
碳效即为企业级单位增加值碳排放量,其计算公式表示为:L=N/P(单位:吨/万元),其中,L表示单位增加值碳排放量,N表示企业报告期内实际碳排放量,P表示报告期内企业增加值;
碳效值即为评价企业在所处行业级、园区级的碳效水平,其计算公式表示为:K=L/M,其中,M表示所处行业、园区同期单位工业增加量碳排放量的平均值;
可例如,确定基于企业级、行业级、园区级的多级全景碳效分析的分级标准,从如下两个方面及进行碳效评估:
按照企业级报告期内的单位工业增加值碳排放量进行评级,分为低碳、中碳、高碳3个等级;低碳为L≤0.6;中碳为0.6<L≤2.0;高碳为L>2.0
按照企业报告期内的碳效值大小进行评价,分为低、较低、接近行业级和园区级平均水平、较高、高5个等级,以此评价企业在全行业、全园区所处的碳效水平;低为K>2.0;较低为1.2<K≤2.0;接近行业级和园区级平均水平为0.8<K≤1.2;较高为0.6<K≤0.8;高为K≤0.6。
在步骤S104中,建立基于CARBEXA的碳效分析评级模型:
建立基于CARBEXA的碳效分析方法中的碳效分析评级模型。通过XGBoost提取企业多能源数据特征,将设定评级指标作为样本标签进行模型训练,以预测并分类其碳效级别;通过层级分析法(AHP)利用专家意见及评级标准,结合特征重要性分数计算特征权重;综合计算客观预测结果和主观权重分配结果,输出企业的碳效分析评级结果。
为执行上述方法实施例对应的基于CARBEXA的碳效分析评级模型,以实现相应的功能和技术效果。如图2示出了本申请实施例提出的一种基于CARBEXA的碳效分析评级模型工作流程示意图,该方法详述如下:
首先,输入预处理过的多能源数据,初始化XGBoost模型及其权重为 其中Gj和Hj分别为叶子结点j所包含样本的一阶、二阶偏导数累加之和,w为第T棵树的权重向量,也是目标函数中的唯一变量;再定义其损失函数及优化器为/>其中Ω(f)=γT+1/2λ||w||2,通过计算损失获得样本预测值导数,并以此为依据建立新的抉择树进行样本值预测,在满足停止条件前循环该决策树创建过程。
同时,输入预处理过的多能源数据,建立碳效分析的目标问题,将问题分解为不同的组成因素,根据所定义的主观性评估指标和分级标准,结合XGBoost所计算的客观性特征重要性分数来计算权重,合理地根据标准权重给出相应的决策方案。
最后,将XGBoost所得到的预测结果和AHP所给出的评级方案综合考量计算评级分析结果。
在步骤S105中,根据评级结果建立基于可解释人工智能的碳效分析解释模型,使企业明确在所处行业、园区中多级全景的碳效详细分析结果:
通过XGBoost所内置的特征重要性分析工具快速计算每个特征对于整体模型预测的重要性,以分数形式给出每个特征的重要性程度,初度帮助企业判断碳效分析的整体情况和影响因素;
通过SHAP更深入分析每个特征对特定预测的贡献度,以条形图可视化每个特征的重要性,提供更加全面的解释工作,帮助企业判断每个特征对碳效分析结果的影响;
从整体和局部使企业明确在所处行业、园区中碳效水平,提供基于企业级、行业级、园区级多级全景的碳效详细分析结果,为决策和改进工作提供依据。
为执行上述方法实施例对应的基于多能源数据的多级全景碳效分析方法,以实现相应的功能和技术效果。
实施例2
本发明提供多级全景碳效分析***,,包括:
数据采集模块:用于收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;
指标分级模块:用于根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到分级数据;
解释分析模块:建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。
实施例3
请参阅图4所示,本发明还提供一种实现考虑源荷的电力市场分区和出清方法的电子设备100;所述电子设备100包括存储器101、至少一个处理器102、存储在所述存储器101中并可在所述至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储所述计算机程序103,所述处理器102通过运行或执行存储在所述存储器101内的计算机程序,以及调用存储在存储器101内的数据,实现实施例1所述的考虑源荷的电力市场分区和出清方法步骤。所述存储器101可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外,存储器101可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述至少一个处理器102可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等,所述处理器102是所述电子设备100的控制中心,利用各种接口和线路连接整个电子设备100的各个部分。
所述电子设备100中的所述存储器101存储多个指令以实现一种考虑源荷的电力市场分区和出清方法,所述处理器102可执行所述多个指令从而实现:
收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;
根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到评级数据;
建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。
实施例4
所述电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM,Read-Only Memory)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于多能源数据的多级全景碳效分析方法,其特征在于,包括:
收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;
根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到评级数据;
建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。
2.根据权利要求1所述的基于多能源数据的多级全景碳效分析方法,其特征在于,所述其他相关数据包括:碳效项目的内部数据;
所述碳效项目的内部数据包括:用电信息数据、营销业务数据和企业信息;
所述碳效项目中多能源数据包括:水数据、气数据、热数据和油数据。
3.根据权利要求1所述的基于多能源数据的多级全景碳效分析方法,其特征在于,所述评估指标包括:企业级、行业级和园区级;
所述企业级碳效水平计算公式为:其中,L表示增加值碳排放量,单位为吨/万元;N表示报告期内实际碳排放量;N表示报告期内企业增加值;
所述行业级和园区级碳效水平计算公式为:其中,M表示所处行业和园区同期单位工业增加量碳排放量的平均值;K为碳效值。
4.根据权利要求3所述的基于多能源数据的多级全景碳效分析方法,其特征在于,所述分级标准包括:低碳、中碳和高碳;
其中:低碳为L≤0.6;中碳为0.6<L≤2.0;高碳为L>2.0。
5.根据权利要求3所述的基于多能源数据的多级全景碳效分析方法,其特征在于,根据增加值碳排放量分为低、较低、接近行业级和园区级平均水平、较高和高;
其中,低为K>2.0;较低为1.2<K≤2.0;接近行业级和园区级平均水平为0.8<K≤1.2;较高为0.6<K≤0.8;高为K≤0.6。
6.根据权利要求1所述的基于多能源数据的多级全景碳效分析方法,其特征在于,所述建立基于CARBEXA的碳效分析评级模型,包括:
输入分析源数据至初始化XGBoost模型及权重中,再定义损失函数及优化器,计算损失函数。
7.根据权利要求6所述的基于多能源数据的多级全景碳效分析方法,其特征在于,所述初始化XGBoost模型及权重为其中,Gj为结点j包含样本的一阶偏导数累加和;Hj为结点j包含样本的二阶偏导数累加和;w为第T个权重向量,即目标函数中唯一变量;
所述损失函数及优化器为其中,Ω(f)=γT+1/2λ||w||2。
8.多级全景碳效分析***,其特征在于,包括:
数据采集模块:用于收集碳效项目中多能源数据和其他相关数据,对其他相关数据进行预处理,得到分析源数据;
指标分级模块:用于根据碳效分析的评估指标和分级标准,将分析源数据进行分类,得到分级数据;
解释分析模块:建立基于CARBEXA的碳效分析评级模型和基于可解释人工智能的碳效分析解释模型,对评级数据进行碳效分析,输出分析结果。
9.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至8中任意一项所述的多能源数据的多级全景碳效分析方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述的多能源数据的多级全景碳效分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414299.0A CN117422334A (zh) | 2023-10-27 | 2023-10-27 | 基于多能源数据的多级全景碳效分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414299.0A CN117422334A (zh) | 2023-10-27 | 2023-10-27 | 基于多能源数据的多级全景碳效分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422334A true CN117422334A (zh) | 2024-01-19 |
Family
ID=89528018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311414299.0A Pending CN117422334A (zh) | 2023-10-27 | 2023-10-27 | 基于多能源数据的多级全景碳效分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422334A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950231A (zh) * | 2021-03-19 | 2021-06-11 | 广州瀚信通信科技股份有限公司 | 一种基于XGBoost算法的异常用户识别方法、设备及计算机可读存储介质 |
CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及*** |
CN115879632A (zh) * | 2022-12-20 | 2023-03-31 | 北京许继电气有限公司 | 工业企业碳排放测算数据的数据处理方法 |
CN116823487A (zh) * | 2023-06-27 | 2023-09-29 | 江西财经大学 | 一种esg评价体系投资决策*** |
-
2023
- 2023-10-27 CN CN202311414299.0A patent/CN117422334A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950231A (zh) * | 2021-03-19 | 2021-06-11 | 广州瀚信通信科技股份有限公司 | 一种基于XGBoost算法的异常用户识别方法、设备及计算机可读存储介质 |
CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及*** |
CN115879632A (zh) * | 2022-12-20 | 2023-03-31 | 北京许继电气有限公司 | 工业企业碳排放测算数据的数据处理方法 |
CN116823487A (zh) * | 2023-06-27 | 2023-09-29 | 江西财经大学 | 一种esg评价体系投资决策*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657267B (zh) | 产品***挖掘方法及装置 | |
CN106951925A (zh) | 数据处理方法、装置、服务器及*** | |
CN109754177B (zh) | 污染源画像标签体系、污染源画像的构造方法及其应用 | |
CN110738523B (zh) | 一种维修订单量预测方法及装置 | |
Pizzol et al. | Identifying marginal supplying countries of wood products via trade network analysis | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN107358358A (zh) | 一种基于计算机技术的资产评估市场法 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
Mügge et al. | End-of-life decision support to enable circular economy in the automotive industry based on digital twin data | |
CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
US7644049B2 (en) | Decision forest based classifier for determining predictive importance in real-time data analysis | |
CN102546235A (zh) | 云计算环境下面向web应用的性能诊断方法和*** | |
CN111951059A (zh) | 一种房地产估值方法、装置、终端以及可读存储介质 | |
CN117422334A (zh) | 基于多能源数据的多级全景碳效分析方法及*** | |
CN112241808A (zh) | 路面技术状况预测方法、装置、电子设备及存储介质 | |
CN107291722B (zh) | 一种描述词的分类方法及设备 | |
CN110363307A (zh) | 汽车维修保养机构评级方法及装置 | |
CN115827618A (zh) | 一种全局数据整合方法及装置 | |
CN115587333A (zh) | 一种基于多分类模型的失效分析故障点预测方法及*** | |
Huntsinger et al. | Value of life cycle in explaining trip-making behavior and improving temporal stability of trip generation models | |
KR102543211B1 (ko) | 비정형 기업 데이터를 이용한 기업성장 예측 시스템 | |
CN114358734A (zh) | 一种项目资金概预算管控方法及*** | |
Sumo et al. | Performance prediction of a textile reverse logistics system using DEA and ANFIS hybrid models | |
CN113158072A (zh) | 多属性异构网络节点影响力度量方法、装置、设备及介质 | |
CN108710980A (zh) | 航天型号产品合同履行绩效的评价方法、装置和实现装置 |
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 |