基于LSTM的供应链全生命周期碳足迹测度与预测研究

• Published in: 工业工程 Vol. 27; no. 5; pp. 161 - 171
• Main Authors: 俞春华, 佘程熙, 李金霞, 陈琦, 温富国, 吴义男
• Format: Journal Article
• Language: Chinese
• Published: 广东工业大学 01.10.2024; 国网江苏省电力有限公司物资分公司,江苏 南京 210036%南京大学 工程管理学院,江苏 南京 210008
• Subjects: 低碳供应链; 碳排放量预测; 碳足迹测度; LSTM神经网络; 全生命周期法; long short-term memory neural network(LSTM); low carbon supply chain; carbon footprint measurement; life cycle assessment; carbon emission prediction
• ISSN: 1007-7375
• DOI: 10.3969/j.issn.1007-7375.240218

碳足迹测量与估计是低碳供应链评估的重要指标，目前缺乏统一的碳足迹衡量标准与界限，同时传统的碳足迹测量方法需要大量的计算成本。因此，提出一种先核算后预测的两阶段全生命周期碳足迹估算方法。在第1阶段，电网物资供应链被划分为5个阶段，并构建相应的测算模型，实现对碳足迹的定量描述与评估；在第2阶段，以电缆产品作为碳源，构建基于长短时记忆神经网络（long short-term memory neural network, LSTM）的供应链全生命周期碳排放量预测模型。基于2020～2023年电网供应链的碳足迹管理数据进行了数值实验，预测准确率为99.3%。通过与BP神经网络和GABP神经网络构建的模型对比，证明模型的准确性与优越性，实现对碳足迹的有效核算与预测。