碳排放量预测方法、装置以及电子设备与流程

1.本发明涉及数据处理领域，具体而言，涉及一种碳排放量预测方法、装置以及电子设备。


背景技术：

2.在相关技术中，针对水泥行业碳排放量的估算预测普遍存在估算结果不完全、不准确的缺点，且还没有一个能用于水泥行业碳排放量预测的比较完整的方案体系。
3.因此，在相关技术中，存在由于考虑因素欠缺造成的碳排放量估算结果不完全、不准确的技术问题。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种碳排放量预测方法、装置以及电子设备，以至少解决由于考虑因素欠缺造成的碳排放量估算结果不完全、不准确的技术问题。
6.根据本发明实施例的一个方面，提供了一种碳排放量预测方法，包括：获取目标水泥生产实体在预定时间段内的水泥生产数据，其中，所述水泥生产数据包括：能源消耗量，电量消耗量和水泥产量；将所述水泥生产数据输入碳排放预测模型，得到所述目标水泥生产实体在所述预定时间段内碳排放量的预测值，其中，所述碳排放预测模型经过多组样本数据训练得到，所述多组样本数据包括：样本水泥生产实体的水泥生产数据，以及所述样本水泥生产实体的碳排放量值。
7.可选地，在将所述水泥生产数据输入碳排放预测模型，得到所述目标水泥生产实体在所述预定时间段内碳排放量的预测值之前，还包括：获取影响水泥生产实体的碳排放量的多维因素；从所述多维因素中确定影响碳排放量的主体因素；基于所述主体因素构建初始预测模型；采用所述多组样本数据对所述初始预测模型进行训练，得到所述碳排放预测模型。
8.可选地，所述从所述多维因素中确定影响碳排放量的主体因素包括：确定所述多维因素中各个因素的变量相关性kmo值，显著性指标sig值，以及方差占比值；基于所述多维因素中各个因素的所述kmo值，所述sig值以及所述方差占比值，确定影响碳排放量的主体因素。
9.可选地，基于所述多维因素中各个因素的所述kmo值，所述sig值以及所述方差占比值，确定的影响碳排放量的主体因素为水泥生产工艺对应的工艺排放系数，化石燃烧对应的能源碳排放系数，电力消耗对应的电力排放系数。
10.可选地，所述初始预测模型为采用随机森林算法的分类器。
11.可选地，在将所述水泥生产数据输入碳排放预测模型，得到所述目标水泥生产实体在所述预定时间段内碳排放量的预测值之后，还包括：获取所述目标水泥生产实体内的碳排放监测设备的碳排放监测数据；基于所述碳排放监测数据对所述预测值进行修正，得
到所述目标水泥生产实体的碳排放量值。
12.根据本发明实施例的另一方面，还提供了一种碳排放量预测装置，包括：获取模块，用于获取目标水泥生产实体在预定时间段内的水泥生产数据，其中，所述水泥生产数据包括：能源消耗量，电量消耗量和水泥产量；预测模块，用于将所述水泥生产数据输入碳排放预测模型，得到所述目标水泥生产实体在所述预定时间段内碳排放量的预测值，其中，所述碳排放预测模型经过多组样本数据训练得到，所述多组样本数据包括：样本水泥生产实体的水泥生产数据，以及所述样本水泥生产实体的碳排放量值。
13.根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现任一项上述的碳排放量预测方法。
14.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行任一项上述的碳排放量预测方法。
15.根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现任一项上述的碳排放量预测方法。
16.在本发明实施例中，通过多方面地综合考虑水泥生产实体在一定时间内的能源消耗量、电量消耗量和水泥产量等生产数据，并在上述数据的基础上采用碳排放预测模型进行碳排放量的估算，实现了针对水泥行业的碳排放情况做出完全、准确的估算和预测的技术效果，进而解决了由于考虑因素欠缺造成的碳排放量估算结果不完全、不准确技术问题。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，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：
18.图1是根据本发明实施例的碳排放量预测方法；
19.图2是根据本发明实施例提供的碳排放量预测装置的结构框图。
具体实施方式
20.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
21.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
22.术语说明
23.kmo检验，kmo(kaiser-meyer-olkin)检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。主要应用于多元统计的因子分析。kmo统计量取值为0～1。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，kmo值越接近于1，意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，kmo值越接近于0，意味着变量间的相关性越弱，原有变量越不适合作因子分析。
24.sig，显著性指标，一般大于0.05表示差异不显著，小于0.05表示差异显著，小于0.01表示差异极显著。
25.根据本发明实施例，提供了一种碳排放量预测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
26.图1是根据本发明实施例的碳排放量预测方法，如图1所示，该方法包括如下步骤：
27.步骤s102，获取目标水泥生产实体在预定时间段内的水泥生产数据，其中，水泥生产数据包括：能源消耗量，电量消耗量和水泥产量；
28.步骤s104，将水泥生产数据输入碳排放预测模型，得到目标水泥生产实体在预定时间段内碳排放量的预测值，其中，碳排放预测模型经过多组样本数据训练得到，多组样本数据包括：样本水泥生产实体的水泥生产数据，以及样本水泥生产实体的碳排放量值。
29.通过上述步骤，可以多方面地综合考虑水泥生产实体在一定时间内的能源消耗量、电量消耗量和水泥产量等生产数据，由于在相关技术中并没有从水泥生产数据中的从多数据中确定出准确影响水泥生产的碳排放量的关键数据。从众多的水泥生产数据中确定出上述包括能源消耗量，电量消耗量和水泥产量的水泥生产数据，并在上述数据的基础上采用碳排放预测模型进行碳排放量的估算，实现了针对水泥行业的碳排放情况做出完全、准确的估算和预测的技术效果，进而解决了由于考虑因素欠缺造成的碳排放量估算结果不完全、不准确技术问题。
30.作为一种可选的实施例，在将水泥生产数据输入碳排放预测模型，得到目标水泥生产实体在预定时间段内碳排放量的预测值之前，还包括：获取影响水泥生产实体的碳排放量的多维因素；从多维因素中确定影响碳排放量的主体因素；基于主体因素构建初始预测模型；采用多组样本数据对初始预测模型进行训练，得到碳排放预测模型。通过获取影响水泥生产实体的碳排放量的多维因素，可以从多角度综合地考虑产生碳排放所取决的因素，而从多维因素中确定影响碳排放量的主体因素，则可以进一步地找出对碳排放量真正有影响的因素，以主体因素为基础构建初始预测模型并采用多组样本数据进行训练，使得最后得到的碳排放预测模型可以根据上述的主体因素完成对碳排放量的全面、准确的预测。
31.作为一种可选的实施例，从多维因素中确定影响碳排放量的主体因素包括：确定多维因素中各个因素的变量相关性kmo值，显著性指标sig值，以及方差占比值；基于多维因素中各个因素的kmo值，sig值以及方差占比值，确定影响碳排放量的主体因素。利用kmo值、sig值以及方差占比值能够检查变量间的相关性和偏相关性以及是否符合标准等，进而可以分析判断多维因素与碳排放量的关联关系，确保在进行碳排放量估算和预测时其数据基
础是有效的，避免无关因素造成干扰。
32.作为一种可选的实施例，基于多维因素中各个因素的kmo值，sig值以及方差占比值，确定的影响碳排放量的主体因素为水泥生产工艺对应的工艺排放系数，化石燃烧对应的能源碳排放系数，电力消耗对应的电力排放系数。通过基于kmo值、sig值以及方差占比值确定工艺排放系数、能源碳排放系数以及电力排放系数，可以进一步地确定各主体因素对于碳排放量具体的影响程度，以便于提高碳排放量估算和预测的准确性和可靠性。
33.作为一种可选的实施例，初始预测模型为采用随机森林算法的分类器。由于采用了随机森林算法的分类器作为初始预测模型，所以该模型具有实现简单、精度高以及抗过拟合能力强等优点，使得由该模型得出的估算和预测结果准确性和可靠性较高。
34.作为一种可选的实施例，在将水泥生产数据输入碳排放预测模型，得到目标水泥生产实体在预定时间段内碳排放量的预测值之后，还包括：获取目标水泥生产实体内的碳排放监测设备的碳排放监测数据；基于碳排放监测数据对预测值进行修正，得到目标水泥生产实体的碳排放量值。由于根据碳排放监测设备的碳排放监测数据是真实可靠的，所以以该数据对模型的预测值进行修正，可以最大限度地提高模型估算和预测的准确程度。
35.基于上述实施例及可选实施例，提供了一种可选实施方式，下面具体说明。
36.水泥是应用最广泛的三大建筑材料之一，水泥工业排放的二氧化碳既来源于燃料燃烧，又来自于原料分解，而原料分解产生的二氧化碳排放量约是燃料燃烧产生排放的1.5倍。据估计，全球水泥工业排放的co2约占全球人为co2排放量的5％左右。
37.目前多数方案使用的是传统统计方法，不结合企业具体生产流程以及工艺类型，不考虑生产用电所产生碳排放量，导致测算结果不完全、不准确。
38.本发明可选实施方式以电力数据为核心，结合工艺排放、化石燃烧、电力排放三种角度，根据每个行业用能种类、工艺类型以及工业企业能源结构，匹配相应碳排放系数，计算各企业碳排放量。具体步骤下：
39.(1)获取企业用电数据、能源数据以及水泥工序数据
40.将用电采集系统、营销业务应用系统中用电信息和用户信息进行关联，获取其中用户信息(用户编号、用户名称、用户地址、台区信息等)和用电信息(用电量、功率等)；通过互联网获取中各种能源碳排放参考系数、水泥行业工艺排放系数、气温、降水等数据，如表1、表2所示。表1为各种能源碳排放参考系数表，表2为水泥行业工艺排放系数表，其中，对数据进行预处理，常见的处理方式包括：将缺失值填充为统一的默认值或填充为特征的统计量(如均值、最小值、中位数等)。
41.[0042][0043]
表1
[0044]
工艺类型工艺排放系数工艺类型工艺排放系数新型干法0.51966co2kg/kg立窑0.49983co2kg/kg特种水泥0.39417co2kg/kg粉磨站0co2kg/kg
[0045]
表2
[0046]
(2)分析碳排放量影响因素并测算碳排放量
[0047]
结合企业用电数据、能源碳排放数据、工艺排放数据、外部气温数据、外部风力数据等多维数据，从气温、风力、能源、工艺、用电多角度分析碳排放量的外部影响因素，结合主成分分析算法分析外部因素与碳排放量之间的关联关系。
[0048]
因素名称kmo值sig值方差占比气温0.583330.05216.09312风力0.412320.06115.28103能源0.751780.010311.69042工艺0.831230.000534.52312电力0.852450.000142.41231
[0049]
表3
[0050]
表3为主成分分析算法的分析结果表，结合表3分析结果，kmo检验用于检查变量间的相关性和偏相关性，取值在0～1之间。kmo统计量越接近于1，变量间的相关性越强，偏相关性越弱，因子分析的效果越好。sig《0.05(即p值《0.05)时，说明符合标准，数据呈球形分布，各个变量在一定程度上相互独立。综合两个指标，说明电力、工艺、能源是影响企业碳排放量的重要因素，结合工艺排放、化石燃烧、电力排放各类排放因子测算各企业碳排放量。
[0051]
(3)构建企业碳排放预测模型并评估预测结果
[0052]
将能源消耗量、电量消耗量、企业产量作为输入数据，通过随机森林算法预测该企
业历史总体碳排放量，结合企业内碳排放监测设备对模型预测结果进行优化并评估。
[0053]
本发明可选实施方式具有以下优点：
[0054]
(1)本发明可选实施方式考虑企业碳排放受多种因素影响，为保证碳排放量测算结果的准确性，主要通过工艺排放、化石燃烧、电力排放三个维度对企业碳排放量进行分析，摆脱无法准确测算企业碳排放量以及只能测算出化石燃烧所产生的碳排放量的困境。
[0055]
(2)本发明可选实施方式采用随机森林算法预测企业碳排放量，该算法由于采用了集成算法，本身精度比大多数单个算法要好，在测试集上表现良好；由于两个随机性的引入，使得随机森林不容易陷入过拟合；由于树的组合，使得随机森林可以处理非线性数据，本身属于非线性分类模型，它能够处理很高维度的数据，并且不用做特征选择，对数据集的适应能力强：既能处理离散型数据，也能处理连续型数据，数据集无需规范化，训练速度快，可以运用在大规模数据集上，可以处理缺失值，不用额外处理，由于每棵树可以独立、同时生成，容易做成并行化方法，由于实现简单、精度高、抗过拟合能力强，当面对非线性数据时，适于作为基准模型。
[0056]
本发明的数据来源为互联网数据、用电采集系统与营销业务应用系统，主要包含历史气温、历史风力、企业工艺流程数据、企业产能数据、企业能源消耗数据、日用电量、台区信息、电能表信息、用户编号、用户名称、用户地址、合同容量等。
[0057]
(1)数据清洗
[0058]
原始数据通常存在缺失或错漏。例如：某些用户停电时段值和停电时长值缺失或明显异常。需要对其处理，才能保证后续算法的正常分析。常见的处理方式包括：填充为统一的默认值、填充为特征的统计量(如均值、最小值、中位数等)、删除包含异常值的记录，等等。数据表中的功率字段相邻连续排列，对缺失值采用的处理方法是：填充为相邻功率的均值。若相邻功率也是空值，则继续向前向后查找非空功率值。如果直至第1项功率(或最末1项功率)仍为空值，则默认其为0后再计算均值。
[0059]
(2)分析碳排放量影响因素并测算碳排放量
[0060]
数据清洗完成后，结合企业用电数据、能源碳排放数据、工艺排放数据、外部气温数据、外部风力数据等多维数据，从气温、风力、能源、工艺、用电多角度分析碳排放量的外部影响因素，结合主成分分析算法分析外部因素与碳排放量之间的关联关系。
[0061]
因素名称kmo值sig值方差占比气温0.583330.05216.09312风力0.412320.06115.28103能源0.751780.010311.69042工艺0.831230.000534.52312电力0.852450.000142.41231
[0062]
表4主成分分析算法分析结果
[0063]
表4为主成分分析算法分析结果表，结合上表4分析结果，kmo检验用于检查变量间的相关性和偏相关性，取值在0～1之间。kmo统计量越接近于1，变量间的相关性越强，偏相关性越弱，因子分析的效果越好。sig《0.05(即p值《0.05)时，说明符合标准，数据呈球形分布，各个变量在一定程度上相互独立。综合两个指标，说明电力、工艺、能源是影响企业碳排放量的重要因素，结合工艺排放、化石燃烧、电力排放各类排放因子测算各企业碳排放量。
[0064]
该企业碳排放总量公式如下：
[0065]
碳排放总量＝企业产量*工艺排放系数 企业日常重型货车进出厂数量*运输距离*重型货车车辆尾气碳排放 能源消耗量/能源碳排放系数 电量消耗量*电力排放系数
[0066]
1)工艺排放为企业在日常生产中每道工序(包含运输)所产生的碳排放量，具体计算方式为根据该企业生产工序种类，确认该企业工艺排放系数，结合企业产量测算获得该企业工艺排放维度碳排放量。
[0067]
2)化石燃烧为企业在日常生产中燃烧化石燃料所产生的碳排放量，具体测算方式为根据该企业化石燃料能源消耗种类，确认该企业能源碳排放系数，结合企业能源消耗量测算获取该企业化石燃烧维度碳排放量。
[0068]
3)电力排放为企业在日常生产中消耗电力所产生的碳排放量，具体计算方式为结合企业用电量测算获得该企业电力排放维度碳排放量。
[0069]
(3)构建企业碳排放预测模型并评估预测结果
[0070]
将能源消耗量、电量消耗量、企业产量作为输入数据，通过随机森林算法预测该企业历史总体碳排放量，结合企业内碳排放监测设备对模型预测结果进行优化并评估。
[0071]
随机森林算法原理为：
[0072]
随机森林的构建过程主要包括三个步骤：首先在数据集中抽样，为每棵决策树生成训练集；随后利用每个训练集构建决策树，生成决策树的过程不需要剪枝处理；最后生成随机森林，执行分类算法。
[0073]
1)数据抽样，为每棵决策树生成训练集
[0074]
训练每一棵决策树都需要一个对应的训练集，因此需要从原始的全量集合中产生相同数量的数据集。生成数据集就涉及到了抽样技术，按照抽样是否放回，抽样技术主要分为不放回抽样和有放回抽样。
[0075]
不放回抽样就是从数据集中不放回的抽取特定个数的样本集合。其又分为随机数法和抽签法两种。抽签法采用编号的方法将所有数据进行标记，然后将数据集混合均匀，抽取n次以产生一个容量为n的子集。抽签法执行方式简单，但是缺点是当数据集比较大的时候，将很难将数据集混合均匀，这样导致的问题就是抽样产生的样本可能会不够有代表性。随机数法采用随机数表或者产生随机数来对数据进行抽样。采用不放回抽样时，原始数据集会随着抽样的进行而不断缩小，但是却能够保证产生子数据集的样本不重复。
[0076]
有放回抽样，就是在抽取样本点并记录后，依旧将样本点放回原数据集的方法。和无放回抽样不同，这种抽样方法不会导致原始数据集的缩小，但是在不同的子集中，却有可能出现重复的样本点。有放回抽样可以分为无权重抽样和有权重抽样。有权重抽样又称为更新权重抽样或boosting，在这种情况下，每个训练集都会有一个权重参数，这个参数将会对此数据集产生的决策树的投票结果产生影响。
[0077]
无权重抽样方法即bagging是最基础的有放回抽取算法。该算法将所有训练数据放入一个黑盒中，然后随机抽取元素组成子数据集。使用bagging方法的问题是，在重复抽取多次后仍有一部分样本可能没有被抽取到。
[0078]
2)构建决策树
[0079]
利用生成的训练集和生成决策树算法建立多棵决策树即可构成随机森林。随机森林中的决策树不需要剪枝处理。决策树生成算法主要包括如下两个部分：节点分裂和随机
特征变量的选取。
[0080]
节点分裂是生成决策树算法的核心步骤。决策树会按照某种分裂规则选择分裂属性并生成分支，这部分内容在前文中已经给出，此处不再赘述。
[0081]
另外一个重要的部分称为随机特征变量的选取，即按照某种概率分布随机选择部分属性参与节点的分裂过程。参与节点分裂的属性就称为随机特征变量。这样做的目的是为了减少决策树之间的相关性，从而提升整个随机森林算法的性能。当一些决策树使用某些特征，而其他树则不使用，就可以对比出特征在该树中的表现。目前，随机特征变量的产生方法主要有两种，随机选择输入变量和随机组合输入变量。
[0082]
3)随机森林的形成以及算法的执行
[0083]
将通过上述两个步骤建立的多棵决策树组合即成为随机森林。决策树采用投票的方式参与判决，所得票数最多的类别将作为随机森林算法最终的输出结果。
[0084]
下面结合实例对本发明可选实施方式做出进一步说明。
[0085]
本发明可选实施方式的数据来源为用电行为信息、用电客户信息、水泥企业信息数据，提取一年的企业日用电量、台区信息、计量点信息、电能表信息，用户编号、用户名称、用户地址等信息，对提取的数据进行数据清洗，计算出水泥企业日用电量、日产能、日能源消耗量，结合主成分分析算法分析气温、风力、能源、工艺、用电等外部因素计算与碳排放量之间的关联关系，通过工艺排放、化石燃烧、电力排放三个角度对企业碳排放量进行测算，结合随机森林算法预测该企业历史总体碳排放量，结合企业内碳排放监测设备对模型预测结果进行优化并评估。
[0086]
以下根据上述中碳排放的计算方法，对水泥行业企业碳排放进行测算，以下包含3家水泥行业企业。
[0087]
(1)某公司工艺类型为新型干法生产线，日产量水泥4036221.9178kg，日常重型货车进厂150次，运输距离10.52km，日用电量均为450203.2877千瓦时，燃煤消耗量610742.4658kg/天。
[0088]
碳排放量具体计算过程如下：
[0089]
610742.4658/1.9003 150*10.52*0.2558 418.7123/3.1705 450203.2877*0.785 4036221.9178*0.51966＝2772801.0360
[0090]
该企业正常生产日碳排放量为2772.8010吨，碳排放监测设备监测结果为2501.0868吨，准确度为90.20％。
[0091]
(2)某公司工艺类型为立窑，日产量水泥5052312.3288kg，日常重型货车进厂320次，运输距离4.73km，日用电量均为461750.9589千瓦时，燃煤消耗量425180.8219kg/天，燃油消耗量290.0274kg/天。
[0092]
碳排放量具体计算过程如下：
[0093]
425180.8219/1.9003 320*4.73*0.2558 290.0274/3.1705 461750.9589*0.785 5052312.3288*0.49983＝3111994.4817
[0094]
该企业正常生产日碳排放量为3111.9945吨，碳排放监测设备监测结果为2882.1967吨，准确度为92.61％。
[0095]
(3)某公司工艺类型为混凝土搅拌生产线，生产过程中并无碳排放，日常重型货车进厂110次，运输距离2.25km，日用电量均为2593.9726千瓦时，燃煤消耗量8.48kg/天。
[0096]
碳排放量具体计算过程如下：
[0097]
110*2.25*0.2558 8.48/2.1622 2593.9726*0.785＝2103.5009
[0098]
该企业正常生产日碳排放量为2103.5009kg，碳排放监测设备监测结果为1908.5886kg，准确度为90.73％。
[0099]
结合上述测算方式获取水泥行业长期碳排放量，通过随机森林算法进行预测，训练集选取某水泥企业9月1日～9月30日数据，预测结果如下表5。
[0100][0101][0102]
表5
[0103]
综上所述水泥行业碳排放量测算准确度为91.18％，预测准确度为90.90％。
[0104]
本发明可选实施方式考虑水泥行业企业碳排放中包含工艺排放、化石燃烧、电力排放等多方面，为保证模型的准确性，结合主成分分析算法分析气温、风力、能源、工艺、用电等外部因素计算与碳排放量之间的关联关系，通过工艺排放、化石燃烧、电力排放三个角度对企业碳排放量进行测算，结合随机森林算法预测该企业历史总体碳排放量，结合企业内碳排放监测设备对模型预测结果进行优化并评估，准确测算并预测水泥行业碳排放量。
[0105]
本发明可选实施方式经过实验、模拟、使用证明可行，通过结合主成分分析算法分析气温、风力、能源、工艺、用电等外部因素计算与碳排放量之间的关联关系，通过工艺排放、化石燃烧、电力排放三个角度对企业碳排放量进行测算，结合随机森林算法预测该企业
历史总体碳排放量，方法经过对多个企业实验测试，能够更加精确有效测算水泥行业碳排放量。
[0106]
根据本发明实施例，还提供了一种用于实施碳排放量预测方法的装置，图2时根据本发明实施例提供的碳排放量预测装置的结构框图，如图2所示，该装置包括：获取模块21和预测模块22，下面对该装置进行说明。
[0107]
获取模块21，用于获取目标水泥生产实体在预定时间段内的水泥生产数据，其中，水泥生产数据包括：能源消耗量，电量消耗量和水泥产量；预测模块22，连接至上述获取模块21，用于将水泥生产数据输入碳排放预测模型，得到目标水泥生产实体在预定时间段内碳排放量的预测值，其中，碳排放预测模型经过多组样本数据训练得到，多组样本数据包括：样本水泥生产实体的水泥生产数据，以及样本水泥生产实体的碳排放量值。
[0108]
根据本发明实施例，还提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现任一项上述的碳排放量预测方法。
[0109]
根据本发明实施例，还提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行任一项上述的碳排放量预测方法。
[0110]
根据本发明实施例，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现任一项上述的碳排放量预测方法。
[0111]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0112]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0113]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0114]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0115]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0116]
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存
储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0117]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。