亚马逊AWS官方博客

借助亚马逊云科技“碳数据湖”解决方案指南,应对欧盟碳边境调节机制(CBAM)

行业趋势

中国《“十四五”外贸高质量发展规划》明确提出,构建绿色贸易体系,探索建立外贸产品全生命周期碳足迹追踪体系,鼓励引导外贸企业推进产品全生命周期绿色环保转型,促进外贸产业链供应链绿色发展。近期,中国海关总署发布了我国 2023 年上半年出口数据,今年上半年电动载人汽车、锂电池、太阳能电池的出口增长 61.6%,含“绿”量高的绿色低碳产品越来越成为中国外贸的一抹亮色。

欧盟委员会在 2018 年 11 月率先提出到 2050 年实现气候中性的欧洲愿景,并于 2020 年 3 月提交《欧洲气候法》,以立法的形式确保目标达成。早在 2021 年,中国就已超过欧盟成为全球第一大绿色贸易经济体,日趋兴旺的绿色低碳出口市场,促使越来越多的中国出海企业将绿色低碳作为企业发展的重要战略方向,以此获得长期高质量发展。

欧盟碳边界调节机制(CBAM)

碳边界调整机制(Carbon Border Adjustment Mechanism),简称 CBAM,即欧盟针对部分进口到欧盟的商品征收碳税。CBAM 于 2023 年 5 月 17 日正式生效,并于 2023 年 10 月 1 日进入过渡阶段,首先覆盖水泥、钢铁、铝、化肥、电力、氢等行业。

CBAM 将分以下三个阶段逐步开展:

  • 第一阶段:2023 年至 2025 年。从欧盟外部进口 CBAM 覆盖领域的高碳产品的进口商,只有申报义务,需要申报进口产品的数量以及相应的总直接排放量,无需缴纳任何费用。
  • 第二阶段:2026 年至 2034 年。开始全面实施 CBAM 机制,进口商必须于每年 5 月 31 日前申报上一年进口到欧盟的货物数量,以及其中含有的总碳排放量,并购买对应数量的 CBAM 证书用于清缴。
  • 第三阶段:2035 年后。将完全取消 CBAM 所覆盖高碳产品的免费配额,此阶段进口企业无法用免费配额抵扣碳排放量。

CBAM 要求申报产品的碳排放量,但这仅限于相关行业的生产加工过程,不涉及上下游,也并非“全生命周期碳足迹”。所以 CBAM 并不是产品碳足迹,而更类似于我国控排企业碳排放信息的报告。

温室气体排放类型

2009 年由世界可持续发展工商理事会(WBCSD)与世界资源研究所(WRI)共同发布的《温室气体核算体系》(GreenHouse Gases Protocol,简写成“GHG Protocol”),针对温室气体核算与报告设定了三个“范围”(范围 1、范围 2和范围 3)。

图 1 组织碳足迹

范围 1(直接排放):企业直接控制的燃料燃烧活动和物理化学生产过程产生的直接温室气体排放。典型的范围 1 包括化石燃料燃烧、化学材料加工和工艺生产过程的温室气体排放。
范围 2(间接排放):企业外购能源产生的温室气体排放,典型的范围 2 包括外购电力、蒸汽、热水等。
范围 3(其他间接排放):覆盖值链上下游范围广泛的活动类型,典型的范围 3 包括外购原料与燃料的开采和生产、运输活动、员工出差等。

计算流程和业务痛点

图 2 数据生命周期中的挑战

根据《温室气体核算体系》,企业计算组织碳足迹,分为以下 6 步:

  1. 设定组织边界:企业需要明确界定碳排放的组织边界,确定哪些活动和资产应该包括在碳足迹计算中,以及哪些不应包括在内。这可以包括考虑整个公司,或者只关注特定部门、工厂、项目或产品线。
  2. 确认碳排放计算范围:一旦明确了组织的边界,企业需要确定计算碳排放的范围。
  3. 选择碳排放计算方法及标准:企业需要选择适合其需求的碳排放计算方法和标准,以确保计算的一致性。
  4. 收集数据:企业需要收集与其活动相关的碳排放数据。这可能包括能源使用数据、交通运输数据、供应链数据以及其他相关的数据。数据的质量和准确性对于计算准确的碳足迹至关重要。
  5. 碳排放数据汇总与报告:企业需要将收集的数据进行汇总和分析,计算出其碳足迹。一旦计算完成,企业应该编制碳足迹报告,其中包括碳排放数据,以及可能的趋势和影响。
  6. 驱动脱碳行动:根据碳足迹数据制定和实施脱碳策略和行动计划。这可以包括减少能源使用、采用可再生能源、改进供应链、提高能源效率等措施,以减少碳排放并实现可持续发展目标。

通过执行这些步骤,企业可以更好地了解其碳足迹,采取措施降低排放,同时也能够向股东、客户和利益相关者展示其在应对气候变化方面的承诺和进展,这对于企业的可持续发展非常重要。

企业通过传统方式进行碳排放管理的过程中,会面临一些重要的挑战,涉及数据采集、数据结构、数据可靠性和透明度、以及数据标准化等方面。

1. 数据采集

  • 多样性的数据源:企业通常需要从不同系统、不同设备中收集数据,这些数据可能具有不同的采集周期和格式。
  • 供应链数据:因为供应商关系错综复杂,难以准确获取供应商的碳排放数据。

2. 数据结构

  • 数据管理和维护:处理大量数据并保持其准确性、完整性和可用性,需要复杂的数据管理策略。
  • 数据质量:难以确保数据在各个阶段都是准确的,无法保证高质量的能源消耗数据。
  • 分散的数据:数据来自不同部门、地理位置和业务单元,分散的数据导致数据管理困难。

3. 数据可靠性和透明度

  • 排放因子的不确定性:能源消耗类型复杂多样,无法选择合适的排放因子。
  • 不一致的方法:不同部门或合作伙伴可能采用不同的方法计算碳排放,可能导致数据不一致。
  • 供应链数据的可追溯性:无法确定供应商提供的数据是真实有效,并且没有篡改的。

4. 数据标准化

  • 缺乏标准:没有统一的标准收集能源消耗原始数据,并进行碳排放数据的计算。
  • 数据输出无法核实:查询佐证材料难度大,无法满足数据验证、外部审计和合规性的需求。

企业在管理碳排放时需要投入大量的时间和资源,以确保数据的准确性、一致性和可靠性。解决这些挑战通常需要综合的数据管理策略、合适的数字化工具、以及与供应商的合作。

“碳数据湖”解决方案指南

基于企业碳排放管理的挑战,亚马逊云科技提供了“碳数据湖”解决方案指南。“碳数据湖”利用物联网技术实时收集企业的能耗数据;并利用亚马逊云科技的数据库服务,集成了中国 20 多个行业温室气体排放标准以及主流的国际标准。

借助亚马逊云科技“碳数据湖”解决方案指南,可以为企业提供更加精准、高效、可靠的能源管理和碳排放管理服务,有助于企业实现可持续发展目标,同时也可以为全球环境保护事业做出贡献。

图 3 “碳数据湖”参考架构

  1. 企业能源消耗的原始数据,来自不同的业务部门和系统,或者第三方供应商,数据来源包括从数据库或数据湖导入的历史数据、通过 API 接口输入的内部或外部数据、通过物联网设备接入的智能仪表数据、以及 CRM、ERP、MES 等第三方系统导入的数据。
  2. 原始数据以网页数据填报、文件上传等形式,导入“碳数据湖”后,将企业能源消耗的原始数据保存在 Amazon S3 存储桶中。当有新数据上传到 Amazon S3 后,会自动触发 Amazon Step Functions,对数据进行分析。
  3. Amazon Step Functions 对企业能源消耗数据进行数据质量检查、数据压缩、转换、标准化和碳排放计算。
  4. Amazon Glue DataBrew 提供数据质量检测和异常数据警报,当数据存在异常时,将停止数据分析的后续操作,并把数据存储到异常数据的 Amazon S3 存储桶中,并触发数据异常通知。
  5. 数据沿袭是在整个生命周期中记录和跟踪数据流的过程,把数据沿袭情况写入 Amazon DynamoDB 数据库,使企业能够可视化和理解数据来自哪里,它如何随时间变化,以及它最终存储在哪里。
  6. Amazon Lambda 根据存储在 Amazon DynamoDB 中的碳排放因子,计算企业的碳排放情况。
  7. 将能源消耗原始数据、对应的碳排放因子、计算后的碳排放数据,根据实际情况,保存在 Amazon S3 存储桶、Amazon DynamoDBAmazon Aurora 数据库中。
  8. 企业可以使用 Amazon SageMaker 训练和部署机器学习模型,用于预测未来的碳排放情况,并使用 BI 工具,进行历史数据和预测数据的展示。使用 Amazon Athena 进行数据查询存储在 Amazon S3 存储桶中的数据。
  9. 企业使用 Amazon AppSync 部署 API,并通过 Amazon ECS 部署 Web 应用程序,进行应用程序配置、基本数据浏览、数据上传和数据可视化。

“碳数据湖”解决方案指南可以直接通过亚马逊云科技的 Amazon CDK 部署,并已支持在亚马逊云科技北京区域宁夏区域部署针对开发能力比较强的企业,可以直根据自身的需求,优化方案,构建自己的碳计量平台。同时,亚马逊云科技的合作伙伴也根据该方案指南,构建了合作伙伴解决方案。针对重点关注业务的企业,可以直接采用亚马逊云科技的合作伙伴解决方案,管理自身的碳排放数据。

收益

  • 存储优化——采用对象存储服务 Amazon Simple Storage Service (Amazon S3)和数据库服务 Amazon DynamoDB、Amazon Aurora 构建可大规模扩展的碳数据湖,用于保存企业的能耗原始数据、碳排放计算因子以及碳排放数据。
  • 计算优化——在碳排放计算过程中,采用 Amazon Step Functions 无服务器工作流引擎,协调多种 AWS 服务,包括 Amazon Glue 和 Amazon Lambda 等服务,实现数据质量检测、数据压缩、清洗、标准化和计算等功能。
  • AI 预测——采用 Amazon SageMaker 服务,用于构建、训练和部署机器学习模型,以预测企业未来的能耗情况和碳排放情况。
  • BI 分析改进——根据用户实际生产需求,通过 Amazon QuickSight 或开源软件 Metabase 展示历史数据和预测数据,帮助企业更加清晰地了解自身的碳排情况,并据此制定更加合理的减排计划,以实现可持续发展的目标。

部署“碳数据湖”解决方案指南

“碳数据湖”解决方案指南可以通过 Amazon CDK 部署,源代码已经上传 GitHub。如果希望了解“碳数据湖”解决方案指南的详细内容,推荐在 US-EAST-1 区域,并通过 Amazon Cloud9 进行部署测试。在 US-EAST-1 区域部署测试的架构图参考此处

准备工作

部署“碳数据湖”的计算机上,必须安装 Amazon CLI,并配置配置亚马逊云科技的账户。关于如何安装 Amazon CLI,请参考:安装或更新 Amazon CLI 的最新版本

此项目需要 Node.js。若要确保您的计算机上有可用的 Node.js,请尝试运行以下命令。

node -v

通过以下指令,安装 Amazon CDK:

npm install -g aws-cdk

使用 git 将源码克隆到本地环境,导航到合适的目录并下载源码:

git clone https://github.com/aws-solutions-library-samples/guidance-for-carbon-data-lake-on-aws

导航到源码的目录中:

cd <insert path to parent repository>/guidance-for-carbon-data-lake-on-aws

部署

1、设置亚马逊云科技环境

配置您账号的身份验证和访问凭证,更多信息,请访问配置身份验证和访问凭证

aws configure

2、准备 CDK 环境

  1. 导航到源码目录下,可以看到 context.template.json 文件
  2. context.template.json 的文件名,修外为 cdk.context.json
  3. context.json 中配置参数,以下是参数说明:
  • adminEmail(必选):应用程序管理员的电子邮件地址
  • repoBranch(必选):部署的分支(默认为/main)
  • quicksightUserName(可选):用于访问 Amazon QuickSight 碳排放数据集和仪表板的用户名。
  • deployQuicksightStack(可选):确定是否部署 Amazon QuickSight 堆栈。默认值为 false,如果要部署,请更改为 true,并请参考此处对 QuickSight 进行配置。
  • deploySagemakerStack(可选):确定是否部署 Amazon SageMaker 堆栈。默认值为 false,如果要部署,请更改为 true。
  • deployWebStack(可选):确定是否部署前端应用网页。默认值为 false,如果要部署,请更改为 true。
  • nagEnabled(可选):启用 cdk_nag 审核工具,默认值为 true。如果要禁用,请更改为 false。

3、安装依赖项,构建和合成 CDK 应用程序

  • 安装依赖项
npm ci
  • Build 应用程序和环境
npm run build
  • 确保已通过配置身份验证和访问凭证
  • 获取亚马逊云科技帐号 aws sts get-caller-identity
  • 引导 CDK
cdk bootstrap # 请确保执行了第一步中的 aws configure
  • 合成 CDK 应用程序
cdk synth

4、部署

  • 执行以下命令进行部署
cdk deploy --all

5、使用

如果在 cdk.context.json 文件中通过设置 deployWebStack: true,则需要进行如下配置,部署 Amazon Amplify 前端应用程序。

  1. 导航到亚马逊云科技控制台,搜索 Amplify 访问 Amazon Amplify 控制台。确保您位于您刚刚选择部署应用程序的同一区域。
  2. 访问 Web 应用程序,点击控制台中的链接。当在浏览器中打开 Web 应用程序时,会看到一个登录页面。输入电子邮件地址和发送到电子邮件的临时密码。然后按照系统要求更改密码后,即可成功登录。

图 4 “碳数据湖”首页

进入 Data Uploader 界面,点击 Add File,并上传示例的能源消耗原始数据的测试数据文件,则触发计算流程。计算完成后,则可以查看碳排放数据。

图 5 碳排放记录

如果部署 deployQuicksightStack,则可以通过 Amazon QuickSight,以仪表板的形式,查看企业的能耗情况和碳排放情况等信息。

图 6 碳排放仪表板

清理资源

使用以下命令,删除“碳数据湖”包含的所有堆栈。

cdk destroy --all

也可以使用以下命令,删除单个堆栈。

cdk destroy --StackName

总结

近年来,面对全球气候变化和环境问题,各国政府逐渐认识到降低碳排放量和实现可持续发展的重要性。除了欧盟提出的碳边境调节机制(CBAM)法案,其他国家也纷纷提出相应政策,推动全球走向绿色可持续发展。

在碳中和目标的号召下,各大企业在转型道路上也纷纷从拼“数字化”转而拼“绿色化”。借助亚马逊云科技“碳数据湖”解决方案指南,可以为企业提供更加精准、高效、可靠的能源管理和碳排放管理服务,有助于企业实现可持续发展目标,同时也可以为全球环境保护事业做出贡献。

另外,亚马逊云科技携手行业各领域合作伙伴,从“可持续发展咨询”、“碳计量”、”能耗优化和清洁能源替换”、“绿电绿证交易和碳交易”、“碳足迹认证和碳中和认证”以及“可持续发展报告” 六大领域,向客户提供全链路、多维度的可持续发展解决方案。

图 7 亚马逊云科技可持续发展解决方案

附录

客户案例

碳数据湖开源代码

本篇作者

Boyu Chen

亚马逊云科技行业解决方案架构师,负责能源行业的解决方案和技术支持,并负责助力企业实现可持续发展的方案咨询和架构设计。曾就职于金风科技 5 年,担任算法工程师,负责风力发电机的控制策略和算法的开发工作。

Chunhua Liu

亚马逊云科技行业解决方案架构师经理,负责医疗 & 生命科学、金融、教育、能源、可持续发展和数据跨境等行业,致力于行业解决方案在国内和全球的应用和推广。在大规模并发应用架构、无服务器架构,人工智能与安全等方面有丰富的实践经验。曾任 IBM 云架构师,对企业应用迁移到云及应用系统改造有深入的研究。

Zhihao Yang

AWS 解决方案架构师,负责基于 AWS 的云计算方案的咨询与架构设计。专注于新能源电力行业解决方案、可持续发展解决方案、制造业解决方案的开发和推广。擅长物联网,工业物联网等技术领域。

Feng Xu

亚马逊云科技资深行业解决方案架构师,负责跨行业用户体验和可持续发展领域的行业解决方案的设计、构建和推广。曾就职于群硕软件、平安陆金所等 IT 公司,有 19 年软件行业实践经验,目前主要专注于云原生数据分析类解决方案的设计和推广。

James Chiang

亚马逊云科技行业解决方案架构师,主要领域包含制造业,零售与 ESG。曾就职于台积电/微软,负责制造业公司混合云架构设计与运为管理。目前针对制造业影像处理,时序数据分析,ESG 等相关解决方案等在台湾业务的推广。

Shane O’Toole

亚马逊云科技高级技术项目经理,负责促进为能源和公用事业客户构建可持续发展解决方案。Shane 已在 AWS 工作 3 年,在过去的一年里,他专注于实现基于 AWS 构建的脱碳解决方案。Shane 带来了他在电力和公用事业行业十多年来的观点,他在这些行业中担任过运营、维护、工程、教育和产品/项目管理等职务。