基于神经网络的碳排放清单缺失数据预测方法和装置与流程

本技术涉及碳排放清单管理，更具体地说，是涉及一种基于神经网络的碳排放清单缺失数据预测方法和装置。

背景技术：

1、碳排放清单用于对工程项目、企事业单位或地区的温室气体排放量进行统计，用于在设定的时间段内对直接和间接产生的温室气体排放量进行系统性的收集、记录和报告。碳排放清单详细列出了各种活动产生的二氧化碳(co2)和他温室气体(例如甲烷ch4、氧化亚氮n2o等)的排放量，碳排放清单是评估和管理温室气体排放的重要工具。碳排放清单的主要内容包括直接排放统计、间接排放统计和其他间接排放统计。直接排放统计包括企事业单位直接拥有或控制的碳排放源的排放，例如，企事业单位的燃煤锅炉、车辆使用的燃油等直接产生的排放。间接排放统计包括企事业单位购买的能源产生的排放，例如从电网购买的电力产生的排放。其他间接排放包括企事业单位活动导致的但发生在企事业单位外部的排放，例如供应商的排放、产品在使用阶段的排放、废物处理中的排放等。在确定碳排放清单时，往往会由于统计数据丢失等原因导致碳排放清单数据缺失，在制定碳排放计划时，需要对碳排放清单补全，如何对碳排放清单进行科学合理的补全具有重要意义。

2、专利cn116451882b(申请号：202310718556.3)提供了一种碳排放量的预测方法，本方法包括：获取产品的关联数据；在关联数据存在缺失值时，获取与缺失值对应的历史数据，包括获取缺失值的对象以及存在缺失值的时间；将历史数据输入至预设的预测模型中，得到预测数据；根据预设的映射规则，在预设的碳排放因子数据库中获取与关联数据对应的映射数据；根据预测数据、关联数据以及映射数据，确定产品的全生命周期的碳排放量的预测结果。专利cn116451882b中的方法能够获取包括获取缺失值的对象以及存在缺失值的时间的历史数据，并将历史数据输入至预设的预测模型中，得到补全缺失值后的预测数据，这种碳排放清单的补全方法难以保证缺失值补全的准确度和科学性。

技术实现思路

1、本技术的目的是提供一种基于神经网络的碳排放清单缺失数据预测方法和装置，解决了现有碳排放清单的补全方法难以保证缺失值补全的准确度和科学性的技术问题，达到了保证碳排放清单的缺失值补全的准确度和科学性的技术效果。

2、本技术实施例提供的一种基于神经网络的碳排放清单缺失数据预测方法，方法包括：确定碳排放清单中需要补全的碳排放缺失值对应的缺失时间段，根据缺失时间段内的活动水平波动事件信息，将缺失时间段分割为多个缺失子时间段，并获取每个缺失子时间段在相近生产条件下的时序活动水平历史数据；其中，活动水平波动事件信息包括故障维修事件信息、生产停工事件信息和产能调整事件信息；通过时序活动水平预测模型，根据每个缺失子时间段内在相近生产条件下的时序活动水平历史数据，确定每个缺失子时间段内的时序活动水平预测数据；根据每个缺失子时间段内的时序活动水平预测数据和不同时间点的活动水平预测数据对应的排放因子数据，确定每个缺失子时间段内的碳排放预测值，将所有缺失子时间段内的碳排放预测值的和作为碳排放缺失值的预测值。

3、在一种可能的实现方式中，获取每个缺失子时间段在相近生产条件下的时序活动水平历史数据，包括：获取第一缺失子时间段对应的多个连续生产的相近生产条件下的时序活动水平历史数据，并获取每个时序活动水平历史数据的时间长度；在多个连续生产的相近生产条件下的时序活动水平历史数据中，确定时间长度大于第一缺失子时间段的多个第一时序活动水平历史数据，并截取每个第一时序活动水平历史数据的中间段时序活动水平历史数据，作为第一缺失子时间段在相近生产条件下的时序活动水平历史数据。

4、在另一种可能的实现方式中，获取每个缺失子时间段在相近生产条件下的时序活动水平历史数据，还包括：当时间长度大于第一缺失子时间段的多个第一时序活动水平历史数据的数量大于预设数量时，获取每个第一时序活动水平历史数据对应的第一生产条件；其中，第一生产条件包括生产工序排列特征、设备状态特征和原料类型特征；通过生产条件比较模型，根据每个第一时序活动水平历史数据对应的第一生产条件和第一缺失子时间段对应的生产条件，确定第一缺失子时间段对应的最相近第一生产条件，将最相近第一生产条件对应的时序活动水平历史数据作为第一缺失子时间段在相近生产条件下的时序活动水平历史数据。

5、在另一种可能的实现方式中，获取每个缺失子时间段在相近生产条件下的时序活动水平历史数据，还包括：当第一缺失子时间段没有相近生产条件下的时序活动水平历史数据时，获取第一缺失子时间段前的第一活动水平波动事件信息对应的第一影响因子；其中，第一影响因子表征第一活动水平波动事件信息对第一缺失子时间段对应的时序活动水平历史数据的影响程度；获取第一活动水平波动事件信息之前的前序缺失子时间段对应的时序活动水平历史数据，将前序缺失子时间段对应的时序活动水平历史数据的每个时间点的活动水平历史数据和第一影响因子的乘积，作为第一缺失子时间段在相近生产条件下的时序活动水平历史数据。

6、在另一种可能的实现方式中，获取每个缺失子时间段在相近生产条件下的时序活动水平历史数据，还包括：当第一影响因子随着时间变化时，获取第一缺失子时间段前的第一活动水平波动事件信息对应的时序第一影响因子；将前序缺失子时间段对应的时序活动水平历史数据和时序第一影响因子，按照时间对应关系计算活动水平历史数据和第一影响因子的乘积，作为第一缺失子时间段在相近生产条件下的时序活动水平历史数据。

7、在另一种可能的实现方式中，活动水平波动事件信息还包括技术改进事件信息，当活动水平波动事件信息为技术改进事件信息时，方法还包括：获取第一缺失子时间段前的第一活动水平波动事件信息对应的第一排放因子数据；其中，第一排放因子数据为第一活动水平波动事件信息后的排放因子数据；根据每个缺失子时间段内的时序活动水平预测数据和不同时间点的活动水平预测数据对应的排放因子数据，确定每个缺失子时间段内的碳排放预测值，包括：根据第一缺失子时间段内的时序活动水平预测数据和不同时间点的活动水平预测数据对应的第一排放因子数据，确定第一缺失子时间段内的碳排放预测值。

8、本技术实施例还提供了一种基于神经网络的碳排放清单缺失数据预测装置，包括用于执行如上任一项所述的方法的单元。

9、本技术实施例还提供了一种基于神经网络的碳排放清单缺失数据预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现如上任一项所述的方法。

10、本技术实施例还提供了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计算机程序，计算机程序被处理器执行时实现如上任一项所述的方法。

11、本技术实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上任一项所述的方法的步骤。

12、本技术实施例与现有技术相比存在的有益效果是：

13、本技术实施例提供了一种基于神经网络的碳排放清单缺失数据预测方法，本方法包括：确定碳排放清单中需要补全的碳排放缺失值对应的缺失时间段，根据缺失时间段内的活动水平波动事件信息，将缺失时间段分割为多个缺失子时间段，并获取每个缺失子时间段在相近生产条件下的时序活动水平历史数据；其中，活动水平波动事件信息包括故障维修事件信息、生产停工事件信息和产能调整事件信息；通过时序活动水平预测模型，根据每个缺失子时间段内的时序活动水平历史数据，确定每个缺失子时间段内的时序活动水平预测数据；根据每个缺失子时间段内的时序活动水平预测数据和不同时间点的活动水平预测数据对应的排放因子数据，确定每个缺失子时间段内的碳排放预测值，将所有缺失子时间段内的碳排放预测值的和作为碳排放缺失值的预测值。本技术实施例中的方法能够对碳排放清单的碳排放缺失值对应的缺失时间段进行精细处理，根据缺失时间段内的活动水平波动事件信息，将缺失时间段分割为多个缺失子时间段，并获取每个缺失子时间段在相近生产条件下的时序活动水平历史数据，进而根据每个缺失子时间段的时序活动水平历史数据预测得到每个缺失子时间段的时序活动水平预测数据，进而对碳排放缺失值对应的缺失时间段内的碳排放量进行准确预测，提高了碳排放缺失值的预测准确度，提高了碳排放清单和碳排放计划的制定准确度和科学性。