彭杰 徐蓓蓓 黄婷婷 梁澄波 麦志喜 周毅 张庆新

摘 要 本文针对现有储能锂电池碳足迹核算方法在处理多源异构、动态数据时存在的问题，探索研究一种基于知识图谱的碳足迹核算思路和方法。该方法采用知识获取和知识图谱构建技术来设计知识图谱模型，以准确核算储能锂电池碳足迹，为海关创新监管模式提供技术支持，从而推进绿色贸易发展。

关键词 储能锂电池；碳足迹核算；知识图谱

Knowledge Graph-Based Carbon Footprint Accounting for Lithium Batteries

PENG Jie¹ XU Bei-Bei¹ HUANG Ting-Ting¹ LIANG Cheng-Bo¹

MAI Zhi-Xi¹ ZHOU Yi¹ ZHANG Qing-Xin^1*

Abstract To overcome the limitations of current carbon-footprint accounting methods for lithium-ion energy-storage batteries when confronted with multi-source, heterogeneous and dynamic data, this study proposes a knowledge-graph-oriented approach. By using knowledge acquisition and graph-construction techniques, a knowledge graph model is designed to enable accurate quantification of the cradle-to-gate carbon footprint of energy storage lithium batteries, providing technical support for innovative customs supervision models and promoting the development of green trade.

Keywords energy storage lithium batteries; carbon footprint accounting; knowledge graphs

随着全球对气候变暖和可持续发展的关注，全球经济正在加速向绿色低碳经济转型，碳足迹核算成为评估产品碳排放的重要工具。2024年实施的欧盟新电池法规（Regulation (EU) 2023/1542 of the European Parliament and of the Council of 12 July 2023 Concerning Batteries and Waste Batteries）增加了“碳足迹管理和披露”强制性条款，要求重点电池产品需计算并披露碳足迹，以推动降低电池生产过程的碳排放。另外，还对不同电池产品分阶段要求提供经过独立第三方机构（欧盟公告机构）核查的碳足迹声明并向公众公开。储能锂电池的能量密度高、寿命长、稳定性好[1]，市场需求量大，被广泛应用于电网、充电桩、数据中心、通信基站、医院、商场等工业和商业领域。因此，对储能锂电池进行准确、透明的碳足迹核算变得日趋重要，成为产品市场准入、满足合规要求和提升竞争力的关键环节。

本文依据GB/T 24067—2024《温室气体 产品碳足迹量化要求与指南》要求和方法，结合知识图谱技术，研究储能锂电池产品碳足迹核算的思路和方法，以期为碳足迹核算提供有益参考。

1 碳足迹核算标准与方法

GB/T 24067—2024于2024年10月正式实施，该标准采用与生命周期标准一致的方式，规定了产品碳足迹量化的基本要求、原则和方法步骤[2]。储能锂电池的碳足迹核算是指定量评估锂电池产品在整个生命周期内（从原材料获取及加工、生产、运输、使用直至废弃处理）所直接或间接产生的各类温室气体（Green House Gas，GHG）排放量，用二氧化碳当量（CO₂e）表示，单位为kgCO₂e或者kgCO₂。

碳足迹核算需要明确系统边界、全面采集数据、选择碳排放因子，根据生命周期评价（Life Cycle Assessment，LCA）模型计算生命周期内各阶段碳足迹。

1.1 系统边界

基于LCA的储能锂电池碳足迹核算，包括电池原材料获取及加工、生产、运输、使用、废弃回收5个阶段，这与欧盟新电池法规对电池生命周期阶段划分一致[3]。储能锂电池全生命周期系统边界如图1所示。

1.2 数据采集

1.2.1 活动数据

按照生命周期评价方法核算碳足迹，需要获取生命周期内各阶段的物料、能源消耗、运输距离和方式、废弃物处理方式等活动数据[4]，为准确计算碳足迹打下基础。不同工厂的原材料来源、生产工艺、设备效率、能源结构差异巨大，会导致碳足迹显著不同。

储能锂电池的结构组成主要包括正极、负极、隔膜、电解质、电池、外壳等[5]，涉及产业链长且复杂，在原材料获取与加工、电池生产、运输、使用、回收利用每个阶段会产生大量的活动数据。例如，在原材料获取与加工阶段，涉及到正极材料、负极材料、隔膜、电解液、铜箔等，正极材料可能是三元材料或磷酸铁锂、碳酸锂，其中磷酸铁锂又可能是来源于多个上游锂矿供应商，锂矿供应商采取的开采工艺技术又可能不同。储能锂电池部分产业链示例如图2所示。

图2 储能锂电池部分产业链示意图

Fig.2 Schematic diagram of part of the industrial chain of energy storage lithium batteries

沿着产业链从后往前层层追溯，整个锂电池产业链往往会涉及上百种物料、多条供应链以及多种生产工艺、设备、运输方式、回收处理方式，这些数据汇总无疑是巨量的，并且来源广、结构也不尽相同，既有来源于企业资源计划（Enterprise Resource Planning，ERP）、办公室自动化（Office Automation，OA）、人力资源（Human Resources，HR）系统的结构化数据，又有大量的图片、文本非结构化数据，以及报表、 超文本标记语言（Hyper Text Markup Language，HTML）半结构化数据，这给数据的获取、融合、分析带来巨大挑战，数据之间关联性也不强，数据质量与透明度也难以保证，从而会影响碳足迹核算结果。

1.2.2 碳排放因子数据

碳排放因子是把活动数据转化为CO₂e的关键系数，是除材料外最大的变量之一，存在国内外差异、地区分布差异[6]。碳排放因子来源会有来自公开数据库（例如联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)排放因子数据库、欧洲环境署排放因子数据库、国家温室气体排放因子数据库等）、行业平均值、供应商提供的初级数据（数据真实但获取难度较大，尤其是海外矿产资源的碳排放数据），在实际计算时要根据活动涉及原材料、能源的属性选择对应的排放因子。

1.3 计算方法

GB/T 24067—2024中产品碳足迹计算方法见公式：

式中，CFP_GHG 为产品碳足迹或产品部分碳足迹，以千克二氧化碳当量每功能单位或声明单位（kgCO₂ e/功能单位或声明单位）计；为系统边界内，各功能单位（声明单位）中第i种活动的GHG排放和清除相关数据（包括初级数据和次级数据），单位根据具体排放源确定；为第i种活动对应的温室气体j的排放系数，单位与GHG活动数据相匹配；为温室气体j的GWP值[7]。

2 知识图谱概述

2.1 知识图谱的概念

知识图谱（Knowledge Graph）是一种结构化的知识库，本质上是基于图的数据结构，把数据和信息以图形的形式表示，通过语义网络表达实体与实体之间的关系[8]。知识图谱能够有效处理海量、多源异构、动态的数据[9]，已在社会生活中多个领域广泛应用，如搜索引擎、智能客服、数据分析等。在搜索引擎领域，可以借助知识图谱来更好地理解用户的搜索意图[10]，提供精确的搜索结果，例如，当用户搜索“中国北京”，搜索引擎识别“中国”和“北京”两个实体以及二者之间的关系，提供更多有关北京的信息，如土地面积、位置、国民生产总值等。

2.2 知识图谱的基本要素

知识图谱的基本要素主要包括实体、关系和属性[11]，三者共同构成知识图谱的基础框架。

2.2.1 实体

实体（Entity）是知识图谱中的基本单元，代表现实世界中具体的物理对象或者抽象概念，例如物体、人、地点、组织、经济、社会。锂电池正极材料、负极材料、电解液、隔膜、铜箔都是知识图谱中的原材料实体。在知识图谱中用节点来表示实体。

要构建知识图谱，首先要准确识别‌实体并进行分类，以提高知识图谱的质量，才能保证实际应用效果。对于文本等非结构化数据，可以通过自然语言处理技术（ Natural Language Processing，NLP）和机器学习算法自动识别出实体。

2.2.2 关系

关系（Relation）是描述实体之间的语义联系，表达实体之间的关联性、依存性、从属性或者其他类型的联系，例如锂矿石来源于矿山、电网供电电芯厂、电芯厂组装储能系统，“来源于”“供电”“组装”就是实体之间的关系。在知识图谱中用边来表示知识图谱中的关系。

‌关系抽取‌是建模的重要步骤，可以使用模式匹配或深度学习模型从文本中抽取实体关系。对抽取出的关系进行分类，确定其准确的语义类型，再通过专家验证或使用已有的知识图谱进行交叉验证，确保其准确性和可靠性。

2.2.3 属性

属性（Attribute）是描述实体的详细信息，有助于更全面地理解实体，例如锂矿石的原产地、电极尺寸、电芯电压、锂电池容量等。通过规则匹配或NLP可以抽取实体的属性信息。

3 利用知识图谱核算储能锂电池碳足迹的步骤

利用知识图谱核算储能锂电池碳足迹分为以下几个步骤：数据获取、构建知识图谱、碳足迹核算及决策优化。核算结果可以提供给企业做决策优化，根据生命周期内每个阶段的碳排放数据进行相应的改进，例如改进原材料、供应链、生产工艺和回收技术。基于知识图谱的储能锂电池碳足迹核算逻辑图如图3所示。

3.1 数据获取

从锂电池材料清单（BOM）、企业ERP系统、供应链数据、工艺耗能监测数据、环境数据库等各类数据源中收集数据，这些数据量大并且结构不同，有结构化的（如行业数据库）、半结构化的（如表格）或非结构化的（如文本、学术论文）[12]。收集数据后要对这些数据进行整理和清洗，去除重复数据、错误信息[13]，保证知识质量，便于计算机机器能够准确识别、理解。以某企业锂电池BOM表显示的正极原材料、负极原材料为例，获取数据和对应参数见表1。

3.2 构建知识图谱

3.2.1 实体抽取

数据采取、整理后要进行实体抽取，从非结构化数据抽取实体难度较大，要通过NLP和机器学习算法实现自动识别。从储能锂电池全生命周期来看，整个产业链涉及的原材料、生产工艺、电池组件、供应链、设备、环境指标、政策标准都是知识图谱中的实体，实体类别和示例见表2。

3.2.2 关系抽取

关系是描述不同实体之间存在的各种联系，关系是有方向和类型的，例如“钴矿”供应“前驱体厂”，方向是从钴矿指向前驱体厂，类型是“供应”。锂电池产业链可以抽取供应链关系、技术依赖关系、环境影响关系、地域关联关系，关系类型和示例见表3。

3.2.3 知识推理

识别出的实体和关系组织成图谱后，通过预定义的规则或逻辑可以推断出更多隐含知识。例如，已知碳酸锂厂B生产用的是锂矿厂A的锂矿，正极材料厂C生产用的是碳酸锂厂B的碳酸锂，那么可以推断出正极材料厂C生产用的是锂矿厂A的锂矿。

基于上述分析，通过抽取实体、关系和属性等信息，转化为图形化的知识图谱模型。整个锂电池产业的图谱模型复杂，本研究以其中储能部件的正极材料为例，绘制知识图谱分支的示例，如图4所示。

3.3 碳足迹计算

构建知识图谱后，通过图遍历算法（深度优先算法或广度优先算法）自动关联出对应的碳排放路径[14]，获取生命周期内各阶段相应的物料和能源消耗活动数据，根据计算公式算出碳足迹。当生命周期内活动更新，例如采用新工艺、新的工厂能耗监测数据，以及碳排放因子更新，都要在图谱节点实时更新修正碳排放数据。

3.4 决策优化

通过计算生命周期内每个阶段的碳排放数据，企业可以从原材料、工艺、供应链、回收技术等方面进行针对性优化改进，例如：采用磷酸锰铁锂材料提升能量密度，降低单位容量碳足迹；优化生产工艺，采用连续化石墨生产、干法电极工艺技术，节省能源，降低生产过程碳排放；减少海外矿产资源使用，切换本地供应链，减少运输排放；使用再生利用回收技术，把废弃锂电池中的锂、镍、钴等有用材料分离出来进行回收利用，减少资源浪费，降低碳排放。

4 应用场景

利用知识图谱可以赋能碳足迹智能核算，如查询电池容量为100 kWh的磷酸铁锂电池包在中国的碳排放过程如下：

输入：参数100 kWh、磷酸铁锂

图谱自动关联碳排放路径：正极的磷铁矿开采→磷酸铁锂合成→涂布→辊压→分切→烘烤→卷绕→装配→注液→封口→化成→分容。

关联碳排放因子：2023年全国电力平均碳足迹因子（0.6205 kg CO₂/kWh）[15]。

输出：上游矿石开采碳排放量、生产制造碳排放量。

5 结语

储能锂电池的碳足迹核算过程复杂，需要收集全生命周期数据，保证数据质量，选择可信度较高的碳排放因子，采用科学的计算方法，还要借助专业的计算机建模工具、数据处理程序和算法。知识图谱技术在储能锂电池碳足迹核算领域的研究应用，有助于海关创新监管模式，把绿色低碳相关信息纳入监管链条，对产品碳数据核查制度化、标准化，建立一套清晰、透明、可追溯的绿色通关体系，助力企业产品顺利出海，推动绿色贸易发展。

参考文献

[1]张冠华, 杨子函, 丰焱, 等. 锂离子电池寿命衰减机理及改善途径[J]. 材料工程, 2025, 53(7): 68-82.

[2] 温志英, 索彦彦, 张强, 等. 基于GB/T 24067—2024的产品碳足迹量化方法与案例分析[J].中国标准化, 2025(2): 179-183.

[3]聂正标, 贾彦鹏. 加快建立统一规范的产品碳足迹管理体系[J]. 宏观经济管理, 2024(8): 57-63.

[4]戚梦佳, 刘丽兰, 马仁飞. 面向生命周期的产品低碳优化设计[J]. 制造业自动化, 2018, 40(11): 97-101.

[5]万旺军, 姚佳妮, 张庆建, 等. 锂离子电池黑粉固体废物属性鉴别方法研究[J]. 中国口岸科学技术, 2025, 7(1): 4-9.

[6]王永琴, 周叶, 张荣. 碳排放影响因子与碳足迹文献综述: 基于研究方法视角[J]. 环境工程, 2017, 35(1): 155-159.

[7] GB/T 24067—2024 温室气体 产品碳足迹 量化要求与指南[S]. 北京: 中国标准出社, 2024.

[8]张吉祥, 张祥森, 武长旭, 等. 知识图谱构建技术综述[J]. 计算机工程, 2022, 48(3): 23-37.

[9]雷瑛, 李军让, 曾熠, 等. 多源数据融合的军事知识图谱构建[C]. 第八届中国指挥控制大会论文集, 2020: 220-225.

[10]李鑫. 基于三角结构关系推理的链接预测方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2023.

[11]徐增林, 盛泳潘, 贺丽荣, 等. 知识图谱技术综述[J]. 电子科技大学学报, 2016, 45(4): 589-606.

[12]赵碧君, 信鸽. 海关大数据知识图谱构建技术及应用[J]. 中国口岸科学技术, 2021, 3(4): 92-96.

[13]徐其凤. 面向非结构化海量药物数据的小分子筛选方法研究[D]. 成都: 四川师范大学, 2020.

[14]王子毅. 面向大型知识图谱推理算法的图数据偏序布局策略[D]. 武汉: 华中科技大学, 2019.

[15]生态环境部, 国家统计局, 国家能源局. 关于发布2023年电力碳足迹因子数据的公告(2025年第3号)[EB/OL]. (2025-01-21)[2025-07-02] . https://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202501/t20250123_1101226.html.

第一作者：彭杰（1981—），男，汉族，湖南郴州人，硕士，高级工程师，主要从事进出口商品检验工作，E-mail: 35743222@qq.com

通信作者：张庆新（1968—），男，汉族，广东梅州人，本科，工程师，主要从事进出口商品检验工作，E-mail: Zhang_qx@126.com

1. 深圳海关工业品检测技术中心 深圳 518067

1. Shenzhen Customs Industrial Products Testing Technology Center, Shenzhen 518067

图1 储能锂电池产品全生命周期系统边界示意图

Fig.1 Schematic diagram of the system boundary for the whole life cycle of energy storage lithium battery products

图3 基于知识图谱的储能锂电池碳足迹核算逻辑图

Fig.3 Logic diagram of knowledge graph-based carbon footprint accounting for energy storage lithium batteries

表1 材料数据和对应参数表

Table 1 Table of material data and corresponding parameters

表2 储能锂电池实体类别和示例

Table 2 Entity categories and examples of energy storage lithium batteries

表3 储能锂电池关系类型和示例

Table 3 Relation categories and examples of energy storage lithium batteries

图4 储能部件正极材料生产过程知识图谱示意图

Fig.4 Knowledge graph of the production process for cathode materials in energystorage components