本申請涉及數(shù)據(jù)分析和數(shù)據(jù)庫技術，能夠應用于碳足跡核算領域，更具體地，特別是指基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)。

背景技術：

1、我國已將應對氣候變化提升至國家戰(zhàn)略高度，并將其納入生態(tài)文明建設的整體布局。各行各業(yè)都在積極探索減碳路徑和實施方案。然而，在電工裝備制造屬于典型的離散型行業(yè)，由于其設計和制造往往基于合同訂單的具體要求進行，同類產(chǎn)品不同批次的結(jié)構(gòu)和組成都可能存在差異，加之零部件種類繁多、工序復雜，使得碳足跡的計算變得異常復雜。

2、目前，人力計算或采用市面上的lca軟件來建模計算產(chǎn)品碳足跡往往需要前期人工收集整理大量的數(shù)據(jù)并對產(chǎn)品進行建模等工作，這不僅導致工作周期長、效率低，而且每當更換產(chǎn)品時，都需要重新進行建模和數(shù)據(jù)收集，智能化程度較低。

技術實現(xiàn)思路

1、為了提高碳排放的核算準確性，本申請?zhí)峁┝艘环N基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)。

2、為了達到上述目的，本申請實施例提出了一種基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，包括：數(shù)據(jù)集成模塊、大模型智能碳足跡分析模塊、碳足跡優(yōu)化模塊、跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊；其中，

3、數(shù)據(jù)集成模塊，用于從多個源頭收集并整合電工裝備制造過程中產(chǎn)生的生命周期的數(shù)據(jù)，該數(shù)據(jù)包括：能源消耗、原材料采購、生產(chǎn)制造、物流運輸；這樣可以確保數(shù)據(jù)的完整性和準確性，為后續(xù)碳足跡核算提供基礎；

4、大模型智能碳足跡分析模塊，用于通過先進的大數(shù)據(jù)分析與人工智能技術，該模塊用于自動處理并分析集成后的數(shù)據(jù)，精確計算產(chǎn)品的碳足跡；通過智能算法識別關鍵碳排放環(huán)節(jié)，為后續(xù)的碳足跡優(yōu)化提供科學依據(jù)；

5、碳足跡優(yōu)化模塊，用于基于碳足跡分析結(jié)果提供針對性的減排建議和優(yōu)化方案，幫助企業(yè)在生產(chǎn)、運營、供應鏈管理等各個環(huán)節(jié)實施有效的碳減排措施，降低產(chǎn)品碳足跡，提升企業(yè)的環(huán)?？冃?；

6、所述跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊，用于促進不同系統(tǒng)間的無縫連接與數(shù)據(jù)共享，確保碳足跡核算過程中各環(huán)節(jié)的順暢協(xié)作。通過開放api接口和數(shù)據(jù)交換標準，實現(xiàn)與erp、mes、scm等企業(yè)內(nèi)部系統(tǒng)的集成，以及與其他企業(yè)或機構(gòu)的外部數(shù)據(jù)共享，推動碳足跡核算的標準化和協(xié)同化。

7、其中，所述系統(tǒng)還包括：碳足跡可視化模塊；

8、其中，所述碳足跡可視化模塊用于將復雜的碳足跡數(shù)據(jù)轉(zhuǎn)化為直觀易懂的圖表和圖形。

9、其中，所述數(shù)據(jù)集成模塊能夠集成多種數(shù)據(jù)來源，包括企業(yè)內(nèi)部研發(fā)設計系統(tǒng)、生產(chǎn)系統(tǒng)、供應鏈管理系統(tǒng)以及外部公開數(shù)據(jù)庫，以全面覆蓋產(chǎn)品從原材料采購到廢棄處理的全生命周期；

10、其中，所述數(shù)據(jù)集成模塊采用正則表達式匹配、邏輯校驗、數(shù)據(jù)補全等技術手段，對原始數(shù)據(jù)進行清洗，去除重復、錯誤、無效或異常的數(shù)據(jù)項，確保數(shù)據(jù)的準確性和一致性對數(shù)據(jù)進行標準化處理，消除不同數(shù)據(jù)源之間的格式差異。

11、根據(jù)預設的數(shù)據(jù)標準，將來自不同數(shù)據(jù)源的數(shù)據(jù)格式統(tǒng)一轉(zhuǎn)換為系統(tǒng)內(nèi)部的標準格式，包括但不限于：數(shù)據(jù)類型、時間戳格式、單位換算；

12、其中，所述數(shù)據(jù)集成模塊利用分布式存儲系統(tǒng)hadoop?hdfs存儲海量碳足跡數(shù)據(jù)；采用實時流處理框架apache?kafka處理實時數(shù)據(jù)流。

13、其中，所述大模型智能碳足跡分析模塊用于基于機器學習和深度學習算法，構(gòu)建產(chǎn)品碳足跡預測與分析模型；其中所述所述大模型智能碳足跡分析模塊不僅通過訓練歷史碳排放數(shù)據(jù)來學習產(chǎn)品生命周期各階段碳排放的規(guī)律與特征，還引入了多種深度學習架構(gòu)來增強數(shù)據(jù)的特征提取和模式識別能力；其中，在模型訓練過程中，深度學習架構(gòu)與集成學習方法結(jié)合使用以逐步調(diào)整模型參數(shù)，最小化預測誤差及提高模型的預測性能和魯棒性；其中，深度學習架構(gòu)包括：循環(huán)神經(jīng)網(wǎng)絡rnn、深度神經(jīng)網(wǎng)絡dnn；其中，集成學習方法包括：梯度提升樹gbdt和隨機森林random?forest；

14、其中，所述大模型智能碳足跡分析模塊在特征工程結(jié)合方面，首先利用深度學習模型從原始數(shù)據(jù)中自動學習并提取高級特征，隨后使用隨機森林對這些特征進行重要性評估，篩選出對預測目標最有影響力的特征。之后，這些精選的特征被用作輸入，來訓練梯度提升樹模型；

15、在模型融合方面，除了采用stacking技術結(jié)合隨機森林和梯度提升樹外，還引入了深度學習模型的預測結(jié)果作為額外的特征；

16、在并行與串行結(jié)合策略中，深度學習模型被用于初步的特征提取和預測，其結(jié)果隨后被用于加權或篩選樣本，以優(yōu)化梯度提升樹模型的訓練；

17、整個模型通過監(jiān)督學習的方式，利用歷史碳排放數(shù)據(jù)集進行訓練，并通過多次迭代訓練不斷優(yōu)化其參數(shù)；

18、其中，所述大模型智能碳足跡分析模塊的深度學習架構(gòu)的引入顯著增強了模型對復雜模式和非線性關系的捕捉能力。

19、其中，所述碳足跡優(yōu)化模塊，用于根據(jù)碳足跡核算結(jié)果并結(jié)合行業(yè)最佳實踐和專業(yè)知識，分析可能的減排策略和措施；并利用推薦算法，根據(jù)企業(yè)的實際情況和目標，自動生成個性化的減排優(yōu)化建議，包括但不限于：生產(chǎn)工藝改進、能源結(jié)構(gòu)優(yōu)化、物流效率提升。

20、其中，所述跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊，用于提供標準的api接口，支持與企業(yè)現(xiàn)有erp、mes、scm等系統(tǒng)的對接，建立跨系統(tǒng)的協(xié)同與數(shù)據(jù)共享機制，實現(xiàn)數(shù)據(jù)的自動傳輸與共享；其中所述跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊還用于提供靈活的數(shù)據(jù)訪問權限設置，采取區(qū)塊鏈技術保障數(shù)據(jù)安全與隱私保護。

21、其中，所述碳足跡可視化模塊，用于展示產(chǎn)品全生命周期的碳排放總量、各環(huán)節(jié)排放占比、趨勢變化信息；且所述碳足跡可視化模塊具有交互式分析工具，以使用戶能夠通過篩選、排序、對比操作深入挖掘碳足跡數(shù)據(jù)，發(fā)現(xiàn)潛在的減排機會。

22、本申請的上述技術方案的有益效果如下：上述技術方案使企業(yè)不僅能夠清晰地了解產(chǎn)品的碳足跡，還能實時掌握碳排放的變化趨勢，為制定和實施有效的減碳措施提供有力支持。企業(yè)可以根據(jù)系統(tǒng)的分析結(jié)果，針對性地優(yōu)化產(chǎn)品設計、調(diào)整生產(chǎn)工藝、選擇更為環(huán)保的運輸方式等，從而實現(xiàn)碳足跡的降低。此外，該系統(tǒng)的應用還有助于推動企業(yè)與上下游產(chǎn)業(yè)鏈的數(shù)據(jù)共享與協(xié)同，共同探索綠色低碳的新型盈利模式。例如，企業(yè)可以與供應商共享碳足跡數(shù)據(jù)，共同尋找更為環(huán)保的材料和零部件；或者與客戶分享產(chǎn)品的碳足跡信息，為其提供更加全面的環(huán)保產(chǎn)品選擇。

技術特征：

1.一種基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，其特征在于，包括：數(shù)據(jù)集成模塊、大模型智能碳足跡分析模塊、碳足跡優(yōu)化模塊、跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊；其中，

2.根據(jù)權利要求1所述的基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，其特征在于，所述系統(tǒng)還包括：碳足跡可視化模塊；

3.根據(jù)權利要求1所述的基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，其特征在于，所述數(shù)據(jù)集成模塊能夠集成多種數(shù)據(jù)來源，包括企業(yè)內(nèi)部研發(fā)設計系統(tǒng)、生產(chǎn)系統(tǒng)、供應鏈管理系統(tǒng)以及外部公開數(shù)據(jù)庫，以全面覆蓋產(chǎn)品從原材料采購到廢棄處理的全生命周期；

4.根據(jù)權利要求1所述的基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，其特征在于，所述大模型智能碳足跡分析模塊用于基于機器學習和深度學習算法，構(gòu)建產(chǎn)品碳足跡預測與分析模型；其中所述所述大模型智能碳足跡分析模塊不僅通過訓練歷史碳排放數(shù)據(jù)來學習產(chǎn)品生命周期各階段碳排放的規(guī)律與特征，還引入了多種深度學習架構(gòu)來增強數(shù)據(jù)的特征提取和模式識別能力；其中，在模型訓練過程中，深度學習架構(gòu)與集成學習方法結(jié)合使用以逐步調(diào)整模型參數(shù)，最小化預測誤差及提高模型的預測性能和魯棒性；其中，深度學習架構(gòu)包括：循環(huán)神經(jīng)網(wǎng)絡rnn、深度神經(jīng)網(wǎng)絡dnn；其中，集成學習方法包括：梯度提升樹gbdt和隨機森林random?forest；

5.根據(jù)權利要求1所述的基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，其特征在于，其中，所述碳足跡優(yōu)化模塊，用于根據(jù)碳足跡核算結(jié)果并結(jié)合行業(yè)最佳實踐和專業(yè)知識，分析可能的減排策略和措施；并利用推薦算法，根據(jù)企業(yè)的實際情況和目標，自動生成個性化的減排優(yōu)化建議，包括但不限于：生產(chǎn)工藝改進、能源結(jié)構(gòu)優(yōu)化、物流效率提升。

6.根據(jù)權利要求1所述的基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，其特征在于，其中，所述跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊，用于提供標準的api接口，支持與企業(yè)現(xiàn)有erp、mes、scm等系統(tǒng)的對接，建立跨系統(tǒng)的協(xié)同與數(shù)據(jù)共享機制，實現(xiàn)數(shù)據(jù)的自動傳輸與共享；其中所述跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊還用于提供靈活的數(shù)據(jù)訪問權限設置，采取區(qū)塊鏈技術保障數(shù)據(jù)安全與隱私保護。

7.根據(jù)權利要求2所述的基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，其特征在于，所述碳足跡可視化模塊，用于展示產(chǎn)品全生命周期的碳排放總量、各環(huán)節(jié)排放占比、趨勢變化信息；且所述碳足跡可視化模塊具有交互式分析工具，以使用戶能夠通過篩選、排序、對比操作深入挖掘碳足跡數(shù)據(jù)，發(fā)現(xiàn)潛在的減排機會。

技術總結(jié)
本申請公開了一種基于大模型的電工裝備制造行業(yè)產(chǎn)品碳足跡核算系統(tǒng)，包括：數(shù)據(jù)集成模塊、大模型智能碳足跡分析模塊、碳足跡優(yōu)化模塊、跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊；數(shù)據(jù)集成模塊，用于從多個源頭收集并整合電工裝備制造過程中產(chǎn)生的生命周期的數(shù)據(jù)；大模型智能碳足跡分析模塊，用于通過先進的大數(shù)據(jù)分析與人工智能技術，該模塊用于自動處理并分析集成后的數(shù)據(jù)，精確計算產(chǎn)品的碳足跡；碳足跡優(yōu)化模塊，用于基于碳足跡分析結(jié)果提供針對性的減排建議和優(yōu)化方案；所述跨系統(tǒng)協(xié)同與數(shù)據(jù)共享模塊，用于促進不同系統(tǒng)間的無縫連接與數(shù)據(jù)共享，確保碳足跡核算過程中各環(huán)節(jié)的順暢協(xié)作。

技術研發(fā)人員：吳偉,陳曉娟
受保護的技術使用者：北京許繼電氣有限公司
技術研發(fā)日：
技術公布日：2024/12/23