碳排放量估算方法、装置、设备和存储介质制造方法及图纸

本申请属于碳排放控制应用技术领域，具体涉及一种碳排放量估算方法、装置、设备和存储介质。该方法通过获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；将所述估算数据集输入至神经网络

【技术实现步骤摘要】
碳排放量估算方法、装置、设备和存储介质


[0001]本申请属于碳排放控制
，具体涉及一种碳排放量估算方法、装置、设备和存储介质。

技术介绍

[0002]随着经济的快速发展，能源消耗在逐年增加，全球变暖已成为人们公认的地球最大危机之一，而碳排放通常被认为是地球变暖的最主要因素，因此控制碳排放、对碳排放量进行估算具有重要意义。
[0003]目前，对于碳排放量的估算方法，通常是根据企业的历史碳排放量数据为基础，对企业未来一定时间范围内的碳排放量进行估算。然而，现有的碳排放量估算方法受企业碳排放量数据的可得性和估算周期的限制，使得估算结果的准确度较低，无法对碳排放量数据披露不足的企业进行碳排放量估算，也无法体现季节性、假期等不同时段特征对碳排放量估算的影响。
[0004]因此，如何准确的对碳排放量进行估算，是目前所要解决的问题。

技术实现思路

[0005]本申请提供了一种碳排放量估算方法、装置、设备和存储介质，用以解决如何准确的对碳排放量进行估算的问题。
[0006]第一方面，本申请提供一种碳排放量估算方法，该方法包括：获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；将所述估算数据集输入至神经网络
‑
时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络
‑
时间序列模型是根据已披露的历史碳排放量训练得到的。
[0007]可选的，所述获取碳排放量的估算数据集之前，所述方法还包括：构建神经网络模型，并获取碳排放量
‑
参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络
‑
时间序列模型。
[0008]可选的，所述将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练之后，所述方法还包括：对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率；根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数；可选的，所述获取所述估算目标的碳排放量的候选数据集；
根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；将所述目标数据作为所述碳排放量的估算数据集。
[0009]可选的，所述获取碳排放量
‑
参数计算模型输出的参数数量以及参数类型之前，所述方法还包括：获取所述碳排放量
‑
参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数；根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量
‑
参数计算模型的候选特征参数数量；根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，并根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量
‑
参数计算模型。
[0010]可选的，所述根据所述参数类型、每个类型对应的参数数量以及已披露的历史碳排放量数据，构建碳排放量
‑
参数计算模型之后，所述方法还包括：对所述碳排放量
‑
参数计算模型中的多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率；对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率；根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数；将所述候选特征参数作为所述碳排放量
‑
参数计算模型中的特征参数。
[0011]对所述候选特征参数的系数进行修正处理，得到修正后的碳排放量
‑
参数计算模型，其中，所述修正后的碳排放量
‑
参数计算模型中的特征参数为候选特征参数。
[0012]第二方面，本申请提供一种碳排放量估算装置，该装置包括：获取模块，用于获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；处理模块，用于将所述估算数据集输入至神经网络
‑
时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络
‑
时间序列模型是根据已披露的历史碳排放量训练得到的。
[0013]可选的，所述装置还包括：确定模块；所述处理模块，还用于构建神经网络模型，并获取碳排放量
‑
参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；所述确定模块，用于根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；所述处理模块，还用于将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；所述处理模块，还用于对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络
‑
时间序列模型。
[0014]可选的，所述处理模块，还用于对所述神经网络模型进行敏感性分析，得到每个特
征参数的贡献率；所述处理模块，还用于根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数。
[0015]可选的，所述获取模块，还用于获取所述估算目标的碳排放量的候选数据集；所述确定模块，还用于根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；所述处理模块，还用于将所述目标数据作为所述碳排放量的估算数据集。
[0016]可选的，所述获取模块，还用于获取所述碳排放量
‑
参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数；所述处理模块，还用于根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量
‑
参数计算模型的候选特征参数数量；所述处理模块，还用于根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，并根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，构建碳排放量
‑
参数计算模型。
[0017]可选的，所述处理模块，还用于对所述碳排放量
‑
参数计算模型中的多个候选特征参数进行相关性分析，得到每个候选特征参数的方差贡献率；所述处理模块，还用于对所述多个候选特征参数的方差贡献率进行累加处理，得到累计方差贡献率 ；所述处理模块，还用于根据所述累计方差贡献率，确定所述累计方差贡献率大于预设贡献率时，与所述累计方差贡献率对应的候选特征参数；所述处理模块，还用于将所述候选特征参数作为所述碳排放量...

【技术保护点】

【技术特征摘要】
1.一种碳排放量估算方法，其特征在于，所述方法包括：获取碳排放量的估算数据集，所述估算数据集是根据估算目标的至少一个目标特征参数确定的；将所述估算数据集输入至神经网络
‑
时间序列模型中，得到所述估算目标对应的碳排放量估算值，所述神经网络
‑
时间序列模型是根据已披露的历史碳排放量训练得到的。2.根据权利要求1所述的方法，其特征在于，所述获取碳排放量的估算数据集之前，所述方法还包括：构建神经网络模型，并获取碳排放量
‑
参数计算模型输出的特征参数类型以及每个特征参数类型对应的特征参数数量；根据所述特征参数类型、每个类型对应的特征参数数量以及已披露的历史碳排放量数据，确定所述神经网络模型的样本数据集；将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练；对训练完成的神经网络模型和时间序列模型进行耦合处理，得到所述神经网络
‑
时间序列模型。3.根据权利要求2所述的方法，其特征在于，所述将所述样本数据集输入至所述神经网络模型，以对所述神经网络模型进行训练之后，所述方法还包括：对所述神经网络模型进行敏感性分析，得到每个特征参数的贡献率；根据多个特征参数的贡献率，确定贡献率大于预设贡献率的目标特征参数，所述目标特征参数为所述碳排放量的估算数据集对应的特征参数。4.根据权利要求3所述的方法，其特征在于，所述获取碳排放量的估算数据集，包括：获取所述估算目标的碳排放量的候选数据集；根据所述目标特征参数，从所述候选数据集中确定与所述目标特征参数对应的目标数据；将所述目标数据作为所述碳排放量的估算数据集。5.根据权利要求2所述的方法，其特征在于，所述获取碳排放量
‑
参数计算模型输出的参数数量以及参数类型之前，所述方法还包括：获取所述碳排放量
‑
参数计算模型的样本数据集，所述样本数据集包括已披露的历史碳排放量数据、多个候选特征参数；根据赤池信息准则和贝叶斯信息准则，确定所述碳排放量
‑
参数计算模型的候选特征参数数量；根据所述候选特征参数数量对所述样本数据集进行分类处理，得到所述候选特征参数类型和每个候选特征参数类型对应的候选特征参数数量，并根据所述候选特征参数类型、每个候选特征参数类型对应的候选特征参数数量以及已披露的历史碳排放量数据，...

【专利技术属性】
技术研发人员：王世林，马正中，贾冬冬，盛国军，鲁效平，
申请(专利权)人：卡奥斯数字科技北京有限公司，
类型：发明
国别省市：