碳排放量預測方法、裝置以及電子設備制造方法及圖紙

本發明專利技術公開了一種碳排放量預測方法、裝置以及電子設備。其中，該方法包括：獲取目標水泥生產實體在預定時間段內的水泥生產數據，其中，水泥生產數據包括：能源消耗量，電量消耗量和水泥產量；將水泥生產數據輸入碳排放預測模型，得到目標水泥生產實體在預定時間段內碳排放量的預測值，其中，碳排放預測模型經過多組樣本數據訓練得到，多組樣本數據包括：樣本水泥生產實體的水泥生產數據，以及樣本水泥生產實體的碳排放量值。本發明專利技術解決了由于考慮因素欠缺造成的碳排放量估算結果不完全、不準確的技術問題。技術問題。技術問題。

【技術實現步驟摘要】
碳排放量預測方法、裝置以及電子設備


[0001]本專利技術涉及數據處理領域，具體而言，涉及一種碳排放量預測方法、裝置以及電子設備。

技術介紹

[0002]在相關技術中，針對水泥行業碳排放量的估算預測普遍存在估算結果不完全、不準確的缺點，且還沒有一個能用于水泥行業碳排放量預測的比較完整的方案體系。
[0003]因此，在相關技術中，存在由于考慮因素欠缺造成的碳排放量估算結果不完全、不準確的技術問題。
[0004]針對上述的問題，目前尚未提出有效的解決方案。

技術實現思路

[0005]本專利技術實施例提供了一種碳排放量預測方法、裝置以及電子設備，以至少解決由于考慮因素欠缺造成的碳排放量估算結果不完全、不準確的技術問題。
[0006]根據本專利技術實施例的一個方面，提供了一種碳排放量預測方法，包括：獲取目標水泥生產實體在預定時間段內的水泥生產數據，其中，所述水泥生產數據包括：能源消耗量，電量消耗量和水泥產量；將所述水泥生產數據輸入碳排放預測模型，得到所述目標水泥生產實體在所述預定時間段內碳排放量的預測值，其中，所述碳排放預測模型經過多組樣本數據訓練得到，所述多組樣本數據包括：樣本水泥生產實體的水泥生產數據，以及所述樣本水泥生產實體的碳排放量值。
[0007]可選地，在將所述水泥生產數據輸入碳排放預測模型，得到所述目標水泥生產實體在所述預定時間段內碳排放量的預測值之前，還包括：獲取影響水泥生產實體的碳排放量的多維因素；從所述多維因素中確定影響碳排放量的主體因素；基于所述主體因素構建初始預測模型；采用所述多組樣本數據對所述初始預測模型進行訓練，得到所述碳排放預測模型。
[0008]可選地，所述從所述多維因素中確定影響碳排放量的主體因素包括：確定所述多維因素中各個因素的變量相關性KMO值，顯著性指標Sig值，以及方差占比值；基于所述多維因素中各個因素的所述KMO值，所述Sig值以及所述方差占比值，確定影響碳排放量的主體因素。
[0009]可選地，基于所述多維因素中各個因素的所述KMO值，所述Sig值以及所述方差占比值，確定的影響碳排放量的主體因素為水泥生產工藝對應的工藝排放系數，化石燃燒對應的能源碳排放系數，電力消耗對應的電力排放系數。
[0010]可選地，所述初始預測模型為采用隨機森林算法的分類器。
[0011]可選地，在將所述水泥生產數據輸入碳排放預測模型，得到所述目標水泥生產實體在所述預定時間段內碳排放量的預測值之后，還包括：獲取所述目標水泥生產實體內的碳排放監測設備的碳排放監測數據；基于所述碳排放監測數據對所述預測值進行修正，得
到所述目標水泥生產實體的碳排放量值。
[0012]根據本專利技術實施例的另一方面，還提供了一種碳排放量預測裝置，包括：獲取模塊，用于獲取目標水泥生產實體在預定時間段內的水泥生產數據，其中，所述水泥生產數據包括：能源消耗量，電量消耗量和水泥產量；預測模塊，用于將所述水泥生產數據輸入碳排放預測模型，得到所述目標水泥生產實體在所述預定時間段內碳排放量的預測值，其中，所述碳排放預測模型經過多組樣本數據訓練得到，所述多組樣本數據包括：樣本水泥生產實體的水泥生產數據，以及所述樣本水泥生產實體的碳排放量值。
[0013]根據本專利技術實施例的另一方面，還提供了一種電子設備，包括：處理器；用于存儲所述處理器可執行指令的存儲器；其中，所述處理器被配置為執行所述指令，以實現任一項上述的碳排放量預測方法。
[0014]根據本專利技術實施例的另一方面，還提供了一種計算機可讀存儲介質，當所述計算機可讀存儲介質中的指令由電子設備的處理器執行時，使得電子設備能夠執行任一項上述的碳排放量預測方法。
[0015]根據本專利技術實施例的另一方面，還提供了一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現任一項上述的碳排放量預測方法。
[0016]在本專利技術實施例中，通過多方面地綜合考慮水泥生產實體在一定時間內的能源消耗量、電量消耗量和水泥產量等生產數據，并在上述數據的基礎上采用碳排放預測模型進行碳排放量的估算，實現了針對水泥行業的碳排放情況做出完全、準確的估算和預測的技術效果，進而解決了由于考慮因素欠缺造成的碳排放量估算結果不完全、不準確技術問題。
附圖說明
[0017]此處所說明的附圖用來提供對本專利技術的進一步理解，構成本申請的一部分，本專利技術的示意性實施例及其說明用于解釋本專利技術，并不構成對本專利技術的不當限定。在附圖中：
[0018]圖1是根據本專利技術實施例的碳排放量預測方法；
[0019]圖2是根據本專利技術實施例提供的碳排放量預測裝置的結構框圖。
具體實施方式
[0020]為了使本
的人員更好地理解本專利技術方案，下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分的實施例，而不是全部的實施例?；诒緦＠夹g中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬于本專利技術保護的范圍。
[0021]需要說明的是，本專利技術的說明書和權利要求書及上述附圖中的術語“第一”、“第二”等是用于區別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的本專利技術的實施例能夠以除了在這里圖示或描述的那些以外的順序實施。此外，術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對于這些過程、方法、產品或設備固有的其它步驟或單元。
[0022]術語說明
[0023]KMO檢驗，KMO(Kaiser
?
Meyer
?
Olkin)檢驗統計量是用于比較變量間簡單相關系數和偏相關系數的指標。主要應用于多元統計的因子分析。KMO統計量取值為0～1。當所有變量間的簡單相關系數平方和遠遠大于偏相關系數平方和時，KMO值越接近于1，意味著變量間的相關性越強，原有變量越適合作因子分析；當所有變量間的簡單相關系數平方和接近0時，KMO值越接近于0，意味著變量間的相關性越弱，原有變量越不適合作因子分析。
[0024]Sig，顯著性指標，一般大于0.05表示差異不顯著，小于0.05表示差異顯著，小于0.01表示差異極顯著。
[0025]根據本專利技術實施例，提供了一種碳排放量預測的方法實施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計算機可執行指令的計算機系統中執行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執行所示出或描述的步驟。
[0026]圖1是根據本專利技術實施例的碳排放量預測方法，如圖1所示，該方法包括如下步驟：
[0027]步驟S102，獲取目標水泥生產實體在預定時間段內的水泥生產數據，其中，水泥生產數據包括：能源消耗量，電量消耗量和水泥本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種碳排放量預測方法，其特征在于，包括：獲取目標水泥生產實體在預定時間段內的水泥生產數據，其中，所述水泥生產數據包括：能源消耗量，電量消耗量和水泥產量；將所述水泥生產數據輸入碳排放預測模型，得到所述目標水泥生產實體在所述預定時間段內碳排放量的預測值，其中，所述碳排放預測模型經過多組樣本數據訓練得到，所述多組樣本數據包括：樣本水泥生產實體的水泥生產數據，以及所述樣本水泥生產實體的碳排放量值。2.根據權利要求1所述的方法，其特征在于，在將所述水泥生產數據輸入碳排放預測模型，得到所述目標水泥生產實體在所述預定時間段內碳排放量的預測值之前，還包括：獲取影響水泥生產實體的碳排放量的多維因素；從所述多維因素中確定影響碳排放量的主體因素；基于所述主體因素構建初始預測模型；采用所述多組樣本數據對所述初始預測模型進行訓練，得到所述碳排放預測模型。3.根據權利要求2所述的方法，其特征在于，所述從所述多維因素中確定影響碳排放量的主體因素包括：確定所述多維因素中各個因素的變量相關性KMO值，顯著性指標Sig值，以及方差占比值；基于所述多維因素中各個因素的所述KMO值，所述Sig值以及所述方差占比值，確定影響碳排放量的主體因素。4.根據權利要求3所述的方法，其特征在于，基于所述多維因素中各個因素的所述KMO值，所述Sig值以及所述方差占比值，確定的影響碳排放量的主體因素為水泥生產工藝對應的工藝排放系數，化石燃燒對應的能源碳排放系數，電力消耗對應的電力排放系數。5.根據權利要求2所述的方法，...

【專利技術屬性】
技術研發人員：嚴嘉慧，李香龍，段大鵬，張祿，王偉賢，馬龍飛，徐蕙，陸斯悅，潘鳴宇，袁清芳，
申請(專利權)人：國家電網有限公司，
類型：發明
國別省市：