一种大数据驱动的工业企业可持续性评价方法及系统

本发明属于工业生产领域，具体涉及一种大数据驱动的工业企业可持续性评价方法及系统。

背景技术：

1、在当前全球气候变化的背景下，减少碳排放提高生产的可持续性已成为全球共识。工业企业生产过程中的碳排放被认为是导致气候变化的主要因素之一。然而，由于工业生产、能源消耗等活动导致企业碳排放与经济增长之间存在一种紧密的关系。因此，为帮助工业企业摆脱以碳排放为导向的经济增长模型，助力企业早日实现可持续发展和绿色制造成为了当前的热点话题。

2、在数字化时代，大数据技术在企业管理和决策中扮演着重要角色。大数据分析能够从企业、车间和设备三个层面为工业企业提供有价值的洞察和决策支持。在企业层面，大数据分析可以帮助企业分析碳排放情况，全面了解影响碳排放的关键因素，并进行有针对性的优化。同时，它还能评估经济增长和碳排放之间的脱钩关系，为可持续发展提供支持。在车间层面，大数据分析可以实时监测和优化生产过程，通过连接和分析设备、传感器和工艺数据，及时发现问题，改进生产计划，提高效率和质量。通过对设备运行数据的分析，企业可以监控设备状况、预测维护需求，提高产品的利用率和可靠性。在设备层面，大数据分析可以评价和优化设备性能，及时发现问题并进行调整和维护。此外，它还能实现设备的智能化管理，包括预测性维修、远程监控和自动化操作等，提高运行效率和可靠性。综上所述，大数据分析为从企业、车间和设备三个层面分析挖掘工业企业的节能潜力提供了强有力的决策支持，助力其实现可持续发展和增强竞争力。

技术实现思路

1、本发明的目的在于提供一种大数据驱动的工业企业可持续性评价方法及系统，以从企业，车间和设备三个层面分析挖掘工业企业的可持续性发展能力为企业实施节能减排、提高能源利用效率提供数据参考。

2、本发明的目的是通过以下技术方案实现的，一种大数据驱动的工业企业可持续性评价方法，包括以下步骤：

3、步骤一，数据采集，采集企业生产过程中产生的数据；

4、步骤二，数据预处理，对采集到的数据进行清洗，集成和压缩；

5、步骤三，根据企业碳排放强度，提取碳排放强度影响因子，构建碳排放和经济增长解耦模型，得到碳排放的影响因子以及碳排放和企业经济增长之间的脱钩关系；

6、步骤四，构建车间的用能设备的能耗模型，分析单位产品能耗，生产能耗利用率和单位时间能耗；

7、步骤五，根据设备能耗和产量，制定设备能效标杆，对设备能效进行排序评估；

8、步骤六，根据数据更新碳排放强度分解因子贡献度，碳排放和经济增长脱钩系数，车间能耗评价分析指标和设备能效标杆形成可持续性评价，为制定节能决策提供参考。

9、所述采集企业生产过程中产生的数据为：通过网络爬虫，生产日志和传感器采集企业生产过程中产生的各种结构化，半结构化和非结构化数据。

10、所述步骤二中数据预处理具体为，通数据清洗，过滤无效数据、处理缺失值、修复异常值；通过hadoop和hbase技术在分布式环境下进行大数据集成，存储和管理数据，并通过flink流处理框架，对不同数据源的数据进行合并和匹配；最终对数据进行压缩，提高大数据存储和传输效率。

11、所述步骤三中，

12、提取碳排放强度影响因子的方法为，

13、构建碳强度因子分解模型，

14、

15、其中，tec是企业生产的能耗成本，tc是企业运营的总成本，nrp是研发人员数量，ne是企业员工总数,p企业利润，ce为企业碳排放总量，p为企业利润，碳强度ci为衡量企业在碳排放和经济效益之间的关系；

16、定义碳强度变化公式，

17、δci＝cit-ci0＝δcee+δecer+δrce+δrd+δper

18、其中，cit和ci0分别为t时刻和0时刻的碳排放强度，δcee为二氧化碳排放能效比是指单位总能耗所对应的碳排放量，δecer为能源成本效益比，δrce为研发成本效率是指单位总成本所对应的研发人员数量，δrd为研发密度是指研发人员数量占总人数的比例，δper为利润员工效益，

19、构建分解因子贡献度表示，

20、

21、

22、

23、

24、

25、其中，cet和ce0分别为t时刻和0时刻的碳排放总量。pt和p0分别为t时刻和0时刻的企业生产利润，五种分解效应对碳强度变化的贡献率分别为δcee/δci,δecer/δci,δrce/δci,δrd/δci,δper/δci，当分解因子效应的正负效应与总效应一致时，说明该因子对碳强度下降具有正向作用，当分解因子效应的正负效应与总效应不一致时，说明该因子对碳强度下降具有反向作用。

26、所述步骤三中，

27、构建企业碳排放与经济增长解耦模型的方法为，

28、

29、δce＝cet-ce0＝δccee+δcecer+δcrce+δcrd+δcper+δcp

30、

31、

32、

33、

34、

35、

36、其中,δcp为企业生产规模,代表企业生产的综合影响力，以及企业的能源和资源消耗规模；

37、计算碳排放与经济增长的脱钩弹性指数，

38、

39、其中，脱钩弹性指数ε用于衡量经济增长与碳排放之间的脱钩关系，

40、定义企业可持续发展评价指数，

41、δces＝δce-δcp＝(δccee+δcecer+δcrce+δcrd+δcper)

42、定义企业碳排放和经济增长脱钩系数，

43、

44、

45、其中，dt为碳排放的总脱钩效应，dcee代表碳排放能效比的脱钩效应，dper代表利润员工效益的脱钩效应，drce代表研发成本效率的脱钩效应，drd代表研发密度的脱钩效应，dper代表利润员工效益的脱钩效应，当dt≥1时，表示强脱钩效应；当dt≤1时，意味着弱脱钩效应；当dt≤0时，意味着不存在脱钩效应。

46、所述步骤五中，制定设备能效标杆的方法为

47、计算设备能效，

48、

49、

50、

51、其中，为第i个设备的能效，针对不同类型的设备计算设备能效，和分别为连续型和离散型生产设备的良品率，和分别为连续型和离散型生产设备的合格品产量，和分别为连续型和离散型生产设备的总产量；

52、选择设备能效基准，

53、

54、其中，eb为生产设备的能量基准，将工厂下生产设备的能耗按升序排序，从而确定基准在数据集中的排名，k为设备总数，y为选择分析设备的百分比，为向下取整函数，pop(u)为选择前u个设备能效设备的函数；

55、制定设备能效标杆，

56、

57、其中ga、gb、gc、gd、ge分别表示设备的能效等级范围a-e。

58、构建车间总能耗模型的方法为，

59、ew＝ece+ede+ea

60、其中,ew为车间的总能耗，ece连续型生产设备，ede离散型生产设备，ea指的是额外的能耗；

61、连续型设备的总能耗ece计算方法为，构建连续型设备能耗模型，

62、

63、其中，ece为连续型设备的总能耗，为连续型生产设备中的主要生产环节的能耗；为连续型生产设备中的辅助环节的能耗，ele为生产环节的电力消耗，α，β，e分别为气态燃料，煤和水的标准煤转换系数；

64、离散型设备的总能耗ede计算方法为，构建离散型设备能耗模型，

65、

66、其中，ede为离散型设备的总能耗，为离散型生产设备的待机环节的电力消耗，为离散型生产设备的爬升环节的能耗，为离散型生产设备的加工能耗；

67、制定车间能耗分析评价指标，

68、

69、

70、

71、其中，rmain为主要生产环节的能源利用效率，reer为单位产品的能耗。和分别为s时刻和e时刻，q为单位时间的车间能耗。

72、当设备的能效无法达到a和e时，

73、

74、一种大数据驱动的工业企业可持续性评价系统，包括

75、数据采集层，基于网络爬虫，生产日志和传感器采集企业生产过程中产生的各种结构化，半结构化和非结构化数据；

76、大数据处理层，对数据采集层采集到的数据进行预处理；

77、可持续性评价层，将预处理后的数据发送至云计算平台，根据企业碳排放强度，提取碳排放强度影响因子，构建碳排放和经济增长解耦模型，得到碳排放的影响因子以及碳排放和企业经济增长之间的脱钩关系；分析单位产品能耗、生产能耗利用率和单位时间能耗；根据设备能耗和产量，制定设备能效标杆，对设备能效进行排序评估；根据碳排放强度分解因子贡献度，碳排放和经济增长脱钩系数，车间能耗评价分析指标和设备能效标杆结果，为提高能源和资源的利用效率，改良生产工艺，提高设备运行效率，制定节能决策提供参考。

78、本发明的有益效果在于：通过网络爬虫、生产日志和传感器等数据采集方式，对企业生产过程中产生的各种结构化、半结构化和非结构化数据进行采集和整。其次，基于大数据技术，对采集到的海量数据进行预处理，通过对数据进行清洗、转换和集成等操作，减少数据中的缺失、异常值，以提高数据的质量和完备性，为后续的可持续性评价提供高质量的数据基础。然后，从企业、车间和设层面构建可持续性评价层，对数据的分析和挖掘，从碳排放强度、能耗模型和设备能效等方面对企业的可持续发展状况进行评估。在企业层面，分析生产碳排放强度，提取碳排放强度影响因子，并在此基础上构建碳排放和经济增长解耦模型，揭示碳排放的影响因子和脱钩关系，推动企业向低碳发展，实现经济增长与碳排放的分离，促进可持续发展和环境保护。在车间层面，构建车间总能耗模型，针对关键生产设备分析其单位产品能耗，生产能耗利用率和单位时间能耗，帮助企业有效管理能源消耗，降低成本，提高资源利用效率，优化运行和改进性能，实现可持续发展目标。在设备层面，综合考虑设备能耗和产量，制定设备能效标杆，为企业制定能够提高能源和资源的利用效率，改良生产工艺，提高设备运行效率，制定节能决策提供科学可靠的决策依据。