Knowledge Management Forum >

2025 , Vol. 10 >Issue 3: 256 - 274

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.017

Domain Knowledge Discovery Based on the Perspective of Technology Integration: A Case of Low-Carbon Energy Technology

  • Li Shuying 1, 2 ,
  • Zhang Xian 1, 2 ,
  • Li Jiahui 1, 2 ,
  • Ma Wudan 3 ,
  • Wang Xiaoyu 1 ,
  • Liu Chunjiang , 1, 2 ,
  • Xu Haiyun 4
Expand
  • 1. National Science Library (Chengdu), Chinese Academy of Sciences, Chengdu 610299
  • 2. Department of Information Resources Management, School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190
  • 3. Zhejiang Normal University Library, Jinhua 321000
  • 4. Business School, Shandong University of Technology, Zibo 255000

Received date: 2025-05-01

  Online published: 2025-06-30

Supported by

This work is supported by the National Social Science Fund of China titled "Research on the Multivariate Relationship Fusion Method for Technological Innovation Path Identification and Prediction"(18BTQ067)

Chinese Academy of Sciences Project "Youth Innovation Promotion Association"(2022173)

Fold

Abstract

[Purpose/Significance] This study proposes a methodology and process for knowledge discovery in technology fields based on the integration perspective. By constructing a knowledge map of multi-energy technology and focusing on analyzing the integration features (e.g., synergistic energy utilization and system integration), this study aims to provide a new methodological tool for identifying the potential of technology integration. [Method/Process] By integrating different patent technology classification systems, this study innovatively constructed a multi-energy integration patent knowledge graph. It established a domain knowledge organization framework based on multi-technology classification fusion. The conceptual model was constructed by combining the "top-down" and "bottom-up" methods, with the low-carbon energy technology field using as the empirical research object to systematically analyze the multi-energy fusion trend, fusion signal, and multi-energy fusion potential of low-carbon energy. [Result/Conclusion] Empirical study shows that combination of knowledge map, and bibliometrics can help analyze the development trends of low-carbon energy convergence, reveal the characteristics of technology integration of multiple low-carbon energy sources, and focus on specific domains to explore the potential and technological evolution path, to provide a decision-making basis for the development and application of low-carbon multi-energy integration technology.

Key words： multi-energy integration; patent classification system; patentometric; domain knowledge discovery

Cite this article

Li Shuying , Zhang Xian , Li Jiahui , Ma Wudan , Wang Xiaoyu , Liu Chunjiang , Xu Haiyun . Domain Knowledge Discovery Based on the Perspective of Technology Integration: A Case of Low-Carbon Energy Technology[J]. Knowledge Management Forum, 2025 , 10(3) : 256 -274 . DOI: 10.13266/j.issn.2095-5472.2025.017

1 引言/ Introduction

随着全球气候危机的加剧，各国纷纷加快能源转型步伐，优化能源供应结构成为是实现“双碳”目标的关键支撑[1]。为实现这一目标，全球正逐步改变以化石燃料为主导的能源结构，推动非化石能源的多能互补与规模化应用[2]。近年来，光伏、光热、风能、核能、氢能等多元化低碳清洁能源技术不断取得突破，应用规模迅速扩大。然而，可再生能源存在能量密度低、波动性强、间歇性等固有特性，其大规模应用必须依托能源系统的深度融合与智能化管理[3]。例如，可构建以风光资源为主力发电来源，核电、水电等稳定电源为支撑，少量火电作为应急调节电源的新型电力系统[4]。此外，掌握多种能源耦合互补的核心技术，已成为构建多能互补集成能源体系的关键突破口[5]。
多能融合涉及物理、化学、生物等多种技术的综合应用，技术融合是支撑其不断发展的关键因素。技术融合是将现有技术有机结合形成新技术的创新过程，其本质在于突破传统技术边界，创造新的市场价值[6]。在新能源领域，技术融合主要体现在能源资源的联合利用、多能系统的整合优化以及能源形态的相互转化等。以核能制氢技术为例，因其高效性和环保性成为未来能源转型的重要方向，美英等发达国家相继出台系统性研发计划[7-8]，积极推进相关技术的创新与整合。在氢能应用领域，研究重点正逐步转向开发灵活高效的多能集成解决方案[9]，涵盖了可再生能源制氢、制甲醇及化工原料等多重路径，以及电—氢—电循环系统等多能整合模式[10]。在这一发展范式下，氢能作为关键能源载体，实现了多种能源的灵活互补，推动了电力、交通、化工、钢铁等多个领域的深度脱碳。
综上，碳中和目标的实现高度依赖于可再生能源和新能源技术的规模化应用。但大规模部署可再生能源面临诸多挑战，其中不同能源的协同利用与优化配置尤为关键。为此，需构建新型电力系统管理与运营框架，其核心在于深入理解多种新能源的整合机制。本研究基于多能源专利知识图谱，运用文献计量学，系统分析了多能源集成的技术趋势、融合特征、发展潜力及演化路径，重点关注各类可再生能源整合的最新进展、多种可再生能源协同利用的潜力以及实现多种可再生能源的有效整合的路径。
针对上述问题，本研究聚焦于主要低碳能源供应技术的技术融合与发展趋势，基于多能源专利知识图谱，深入剖析各类低碳能源供应技术的融合特征，明确多能源融合的关键技术方向与演化路径。笔者提出了一种基于融合视角的技术领域知识发现方法与流程，通过概念层面和数据层面的知识融合，实现不同专利技术分类体系的有机融合，采用“自上而下”（知识概念细化）与“自下而上”（实体类别归纳）相结合的方式构建领域知识图谱。在此基础上，以低碳能源技术领域为例开展实证研究，系统分析了各类低碳能源技术的融合特征与集成趋势，明确了多能源集成的关键技术方向与演进路径，为相关政策制定和研究方向选择提供全面、系统的决策依据，推动低碳能源技术的创新发展与规模化应用。

2 国内外研究进展/ Literature review

2.1 可再生能源技术分类体系

专利文献是技术的有效载体，世界主要国家知识产权局和组织都建立了可再生能源领域的专利分类体系，涵盖了多种能源的概念和分类体系（见表1），包括太阳能、风能、核能、氢能、生物质能、海洋能、地热能7种可再生能源。与绿色转型技术相关的专利分类体系是经该领域专家讨论形成的低碳和零碳能源相关技术分类或专利检索公式，有利于进行更广泛的专利信息检索与分析。在此背景下，世界知识产权组织（World Intellectual Property Organization, WIPO）建立了与现有国际专利分类（International Patent Classification, IPC）体系相一致的气候变化减缓技术专利分类。而中国和日本采用该体系相对较晚，正在从工业和发电领域的能源供应与利用角度制定该分类。联合专利分类体系（Cooperative Patent Classification, CPC）由欧洲专利局（European Patent Office, EPO）和美国专利及商标局（United States Patent and Trademark Office, USPTO）联合主持开发，设立了Y02E分类（低碳能源发电、输电和配电技术）。
表1 低碳能源领域不同技术分类体系对比

Table 1 Comparison of different technology classification systems in the field of low-carbon energy

序号 机构 分类体系 国家/地区 多种能源分类及范围
1 CNIPA[11]（China National Intellectual Property Administertration） 战略性新兴产业分类与国际专利分类参照关系表（2021）（试行） 中国 “新能源产业”：核电、风能、太阳能、生物质能及其他能源产业、智能电网
2 CNIPA[12] 国际专利分类与国民经济行业分类参照关系表（2018） 中国 441“电力生产”：热电联产、水电、核电、风电、太阳能、生物质能和其他
3 WIPO[13]（World Intellectual Property Organization） 绿色专利分类体系（WIPO IPC Green Inventory） 全球性 核能发电、可替代能源（生物燃料、燃料电池、氢能、风能、太阳能、地热能、废热能等）
4 USPTO（United States Patent and Trademark Office）、EPO[14]（European Patent Office）

联合专利分类体系

（CPC分类）

 欧美 Y02E（与能源发电、输电、配电相关的低碳技术）：Y02E10/1（地热）、Y02E10/2（水力）、Y02E10/3（海洋）、Y02E10/4（太阳能热）、Y02E10/5（太阳能光伏）、Y02E10/7（风能），Y02E50/1（生物燃料），Y02E50/3（废物燃料），Y02E30/1（废生物燃料）、Y02E30/1（核聚变）、Y02E30/3和Y02E30/4（核裂变）
5 USPTO[15] EST(Environmentally Sound Technology, EST)绿色专利分类索引（EST Concordance） 欧美 可替代能源：生物质能、燃料电池、地热能、水能、太阳能、风能
6 JPO[16]（Japan Patent Office） 绿色转型技术目录（Green Transformation Technologies Inventory） 日本 能源供应（Green Transformation,简称GXA）：太阳能光伏发电、太阳能热能利用、风力发电、地热利用、水电、海洋能源发电、生物质、核能发电、燃料电池、氢技术、氨技术
分类体系的多元化，丰富了信息的高精度搜索途径，但同时也大大增长了不确定性。当同一技术特征存在多个知识源时，每个知识源可能使用不同的分类体系和属性体系，容易造成知识组织的割裂。知识之间可能存在重复、语义多样、质量参差等问题，知识获取的不确定性增长，可靠性、置信度有待评估。这种情况下，将多种来源的知识进行有机融合，是提升知识发现精准性的必要手段。

2.2 知识图谱应用与构建

在能源领域，知识图谱通过将应用数学、信息可视化、信息计量等理论方法相结合，在技术发展历史、前沿分析、趋势探索等方面有着丰富应用，是分析能源技术常用的方法之一[17-18]。知识图谱是一种结构化的语义网知识库，通过将抽象的数据和知识映射到图形元素，以可视化的方式描述概念及其相互关系[19]，通过帮助用户感知和分析数据与知识，探索实体间关系来描述和扩展知识，从而增强人机交互[20]。知识图谱是关注科技前沿和知识管理的重要工具，可以通过其挖掘和分析知识及其相互关系。现有研究主要集中在知识地图的概念、发展历程、结构、应用等方面[21]。J. Pino-Díaz等[22]在共词分析、社会网络分析和战略分析的基础上，提出了构建技术科学网络战略知识图谱的方法，该方法可将战略知识、关键词、子网络接近度等内容可视化；L. Zhang等[23]利用专利文献中的语义信息和结构特征，使用知识图谱进行专利知识推理；H. Zhou等[24]则在文献计量学和IPC共分类分析的基础上绘制了氢燃料电池技术知识图谱。
在知识图谱构建方面，U. Fayyad等[25]认为，数据库知识发现（knowledge discovery in databases, KDD）是识别数据中有效的、新颖的、潜在有用的和最终可理解的模式的重要过程，其核心是从数据中提取隐含的、未知的和潜在有用的信息。知识图谱作为KDD中的重要工具之一，提取的信息包括概念、概念之间的关系、分类、决策规则等[26]。由于现实信息的复杂性和技术的融合性，在构建知识图谱的过程中，采用适当的方法和视角进行知识发现和分析非常重要[27]。随着现有的知识发现技术、研究方法、研究视角和研究成果等不断丰富和多元化，为了避免发现局部和片面的知识，准确描述和揭示知识结构与演化特征，需要整合多源异构数据，完善知识组织体系，从数据和技术融合的角度最大限度地发掘领域知识结构和动态演化特征[28]。

2.3 低碳能源专利技术分析

在研究方法与视角层面，专利文献计量学是研究低碳技术创新成果的重要方法。分析低碳能源专利数据可以深入了解低碳技术的发展趋势和轨迹。专利活动是衡量绿色能源技术发展的重要指标，通过分析专利数据，可以考察特定技术领域的发明活动、技术国际传播、企业研发能力、创新机构知识来源以及技术溢出效应[29]，现有研究多结合信息计量学进行深入分析。J. S. Lacerda[30]通过文献计量分析研究了科学知识对风力涡轮机技术演进轨迹的影响，发现科学知识的发展与风力涡轮机的技术轨迹之间存在很强的相关性。类似地，K. Hötte等[31]分析了低碳能源技术与科学知识之间的关系。L. Jiang 等[32]通过分析1970—2019年涉及6种可再生能源技术的专利语料库，揭示了这些技术的生命周期、技术格局、潜在市场以及相关主要国家/地区的竞争格局。现有研究多基于专利文献的单一描述性统计信息，其数据挖掘能力比较有限；其次，在专利分类上使用单一静态的专利分类系统，其研究体系仍有待完善；此外，鲜有研究对多能融合趋势进行分析，领域之间的界限并不清晰，技术发展趋势可能会随着跨领域的动态融合而演变，分析结果的时效性与准确性还有提升的空间。
在研究内容与指标层面，基于专利信息的技术融合研究已成为技术融合研究的主要方法和热点方向，同时还有利用论文、标准、维基百科等数据进行的相关研究。在衡量技术趋同方面，赫芬达尔指数、专利交叉影响分析、社会网络分析、时间窗口分析等方法得到了广泛应用[33-34]。在技术融合趋势预测方面，主要研究有基于技术融合网络的链接预测法[35]、基于技术融合矩阵的神经网络法[36]、基于技术融合关系的二项回归拟合法[37]等方法。现有研究表明，技术趋同会对技术价值和创新活动产生积极影响[38]。然而，大多数实证研究都是跨领域的高度概括性研究，针对多领域专利数据的技术融合分析研究较少。

2.4 研究述评

目前，可再生能源研究存在三方面局限：①在数据体系上，多种技术分类标准并存，数据分散，缺乏统一规范，导致低碳能源技术分析存在不确定性；②在技术工具层面，尽管知识图谱在专利分析中应用广泛，但在多源异构数据的深度知识挖掘上仍有不足；③在研究视角方面，现有文献多依赖文献信息计量学，虽指标多样，但对多领域、跨领域技术融合动态的分析较少，视角相对单一。
针对上述问题，笔者提出系统性解决方案：①在数据处理上，采用概念级知识融合技术，将不同分类与属性系统下的同一知识源整合至统一框架；②在模型构建中，基于统一数据框架，融合多源异构信息，运用自上而下与自下而上相结合的方法，构建低碳与零碳能源领域知识图谱概念模型；③在分析方法上，依据研究内容灵活选取测度指标，着重剖析多领域专利数据的技术融合态势。笔者以低碳能源技术领域为研究对象，深入分析多能技术融合发展趋势，为基于技术融合的领域知识发现提供新思路与实践参考。

3 研究方法/ Methodology

本研究包括3个步骤：首先，对多种可再生能源技术分类系统进行融合，将不同来源的数据整合在一个统一的领域知识系统；其次，利用多源异构数据构建低碳能源领域多能源技术知识图谱；最后，结合知识图谱与指标计量，对多能源技术融合与发展态势进行分析。

3.1 多源领域知识系统融合

实现多源领域知识系统融合的重点是解决不同分类系统指向相同知识内容时出现的冲突检测、实体消歧、实体对齐和协作推理等关键问题，为多种技术分类系统的无缝集成奠定基础。笔者系统归纳和重组了低碳能源的7个分类体系，包括主要技术类别、行业划分和特定领域分类，进而将其与国际专利分类（IPC）和合作专利分类（CPC）系统中的对应条目建立关联。这一归纳和重组过程有助于增强知识表述的连贯性和一致性，为后续的技术集成与创新分析提供了更清晰、更全面的视角。
在具体实施中，本研究从概念层入手进行知识融合，整合不同的分类体系和属性体系中相同的知识源，将其统一为一个全局的体系。基于多源领域知识分类与融合理论（见图1），本研究首先提取领域的知识体系，通过数据的直接合并形成“概念+属性+属性值”的表述，例如“风能，IPC/CPC”，基于既定的分类和融合规则对实体指代进行分类。具体采用的原则如下：
图1 多源领域知识分类与融合理论

Figure 1 Classification and fusion theory of multi-source domain knowledge

（1）分类原则：①概念互斥约束，即越相交，概念越兼容；②层级概念约束，即一个实体不属于某个概念，它也不属于任意子概念。
（2）融合原则：①概念融合，指同义词或概念相近；②属性对齐，即属性对应的实体－属性值的重叠程度；③属性值对齐，即删除重复、去掉错误知识。
基于上述理论基础，在方法层面，笔者设计了多元分类的类目自动映射模型（见图2），具体包含两个层面的专利分类特征融合方式。
图2 多源分类的类目自动映射模型

Figure 2 Automatic Category Mapping Model for Multi-Source Taxonomies

（1）概念层面融合。采用基于文本和结构的方法。基于文本方法，即通过本体的文本描述信息匹配本体，通过抽取两个本体的描述，通过计算相似度衡量两者是否匹配；基于结构的方法，即当难以通过文本信息判断两个本体的匹配关系时，则利用本体概念间的结构信息来发现匹配。具体操作如下：①抽取“概念+属性+属性值”中的文本，包括技术类目、释义以及IPC分类说明的文本；②利用抽取的文本信息映射到各种能够与之对应的向量中，其形式如下：(风能) ̅＝(W_(i,1),W_(i,2),W_(i,3),⋯,W_(i,n))，形成向量集合；③利用余弦相似度、欧几里得距离等指标计算向量之间的语义相似度。
（2）数据层面融合。采用基于实例的方法。即计算本体相似度时，利用本体概念的实例作为相似度衡量的依据，比较两个本体相同实例数量来计算本体之间的相似度，相似性越高就越匹配，该方法的可靠性较高。具体操作如下：①抽取本体对应的IPC分类号+属性值；②只要提取两个实体（指的是IPC分类号）和具有IPC关系的其他实体（单件专利），就可以在一定条件下通过概率模型判断这些实体的匹配关系。

3.2 多源领域知识图谱构建

结合低碳能源领域的多能源知识组织体系，自上而下和自下而上相结合，构建低碳领域的多能源知识图谱概念模型（见图3）：①自上而下利用多能源知识组织体系，从顶层向下逐步细化概念，形成树状结构的图谱模型；②自下而上利用专利数据（相关实体类别分组），从几个专利领域逐步上移，形成大类别层和通用专利知识图谱；③自上而下和自下而上相结合，通过数据采集、属性提取、对齐、关系构建、概念层次构建和实体分类，构建低碳能源知识地图。
图3 低碳多能源知识图谱概念模型

Figure 3 Low-carbon multi-energy knowledge graph conceptual model

在多能源知识组织系统的基础上，通过收集数据、提取属性、对齐、建立关系、构建概念层次和实体分类等方法，构建多能源知识图谱。如图4所示，从专利领域提取实体、关系和属性知识，并利用实体链接和实体互补等知识图谱构建技术对知识图谱内的结构化知识进行链接和增强。最后，低碳能源技术领域的知识图谱将形成并存储在Neo4j中。
图4 低碳多能源知识图谱构建流程

Figure 4 Construction process of low-carbon multi-energy knowledge graph

3.3 多能技术对比测度方法

对于不同国家与地区的对比，本研究融合了来自不同国家的低碳能源分类体系，为全球主要科技强国在多能源技术融合与应用进展对比分析提供了基础。因此，笔者进一步选取国际上比较通用的多领域计量指标“显性技术优势”（revealed technological advantage, RTA）[39]，挖掘分析各国在各技术领域的发展现状。j国在第i个技术领域（二级）的专利技术显性优势可以由公式（1）计算获取。
R T A = P i j / ∑ i P i j ∑ j P i j / ∑ i j P i j
其中，Pij表示第j个国家在第i个技术领域的专利数量。
为量化7种能源技术间的关联性，采用技术关联度系数Sij进行两两测度。该系数取值域为[0,1]，其值越大表明技术i与j的关联越紧密。计算方法如公式（2）所示：
S i j = ∑ n = 1 k C i n C j n ∑ n = 1 k C i n 2 ∑ n = 1 k C j n 2
其中，Sij代表技术i与技术j的关联度系数，若Sij在关联矩阵对角线上的取值为1，表示技术i与技术j在专利中的共现分布完全一致；若Sij取值为０，则表示技术i与技术j的专利分布无交集。ｋ代表核心技术数量，即技术融合宽度。Ｃjn代表技术j与技术n共同出现在同一项专利中的次数；对n项核心技术进行关联度系数测算，可以得到一个新的n*n对角矩阵，用以表现核心技术之间融合的紧密程度。

4 实证分析/ Experimental analysis

本研究以低碳能源技术领域为例开展实验研究，其主要原因有二：①绿色低碳技术当前备受世界关注，全国主要科技强国或地区组织均在大力推进绿色技术研究，包括与绿色转型技术相关的专利技术分类体系研究，且分别构建发布过多个有关低碳能源领域相关的专利技术分类体系及相对应的专利信息检索策略，便于对专利信息开展检索分析，为本研究的实施奠定了便利的领域知识概念体系基础；②低碳能源及多能融合技术研究具有重大战略价值，全球科技与产业界开加速布局该领域，通过追踪低碳能源供给技术的创新与应用趋势，解析技术融合的动态演化路径，为构建多能融合能源系统级创新决策提供关键支撑。

4.1 数据来源

世界主要国家知识产权局和组织都建立了可再生能源领域的专利分类体系，涵盖了“多种能源”的概念和分类体系，包括太阳能、风能、核能、氢能、生物质能、海洋能、地热能7种可再生能源。本研究的数据来源是中国科学院成都文献情报中心开发的碳达峰碳中和专利信息平台。笔者在该平台检索与低碳零碳能源、储能和多能源集成相关的技术，截至2022年4月，共得到7个技术分支，相关专利数据150多万条（见表2）。
表2 低碳能源、储能与多能融合专利检索结果

Table 2 Patent search results for low-carbon energy, energy storage and multi-energy integration

一级领域 二级领域 专利数量/件 占比/%

低碳零碳能源

（1 041 553件）

 核电及核能非电利用 131 903 12.6
可再生能源（太阳能、风能、生物质能、地热能、海洋能） 716 720 68.5
氢能及燃料电池 198 266 18.9

储能与多能融合

（536 591件）

 储热/储冷 55 065 10.2
物理储电 44 051 8.2
化学储电 416 783 77.5
以可再生能源为主的新型电力系统 21 605 4.0

4.2 低碳能源领域的知识系统融合

针对低碳能源重大战略和多能融合需求，调研国内外主要的“多种能源”概念及分类体系。对比发现，WIPO和USPTO较早推出绿色专利技术分类体系，主要从可替代能源角度制定分类；在欧美合作的《联合专利分类体系》中，新增Y02E类（与能源发电、输电、配电相关的低碳技术）；中国、日本偏向于从新能源产业和电力生产行业等能源供应与利用角度制定分类。
结合上述各套专利技术分类体系情况，并结合领域技术特点，笔者提取太阳能、风能、核能、氢能、生物质能、海洋能、地热能7种低碳清洁能源的知识概念空间，开展多元技术分类体系下的低碳能源领域知识组织体系构建研究。
针对7种低碳清洁能源，笔者详细调研与整理了其各自涵盖的主要技术类别、产业和行业领域分类体系，以及对应的IPC分类号和CPC分类号。通过统一7种低碳清洁能源在不同分类体系中的属性特征，实现概念层面、数据层面的融合，形成统一的全局体系。

4.3 低碳多能源知识图谱构建

在多能源知识组织系统的基础上，通过收集数据、提取属性、对齐、建立关系、构建概念层次、实体分类等方法构建多能源知识图谱。如图5至图7所示，从专利领域中提取实体、关系和属性知识，并利用实体链接和实体互补等知识图谱构建技术对知识图谱内的结构化知识进行链接和增强。最后，低碳能源技术领域的知识图谱将形成并存储在Neo4j中。
图5 低碳领域知识图谱模式构建和实体关系

Figure 5 Knowledge graph model construction and entity relationship in the low-carbon field

图6 低碳领域知识图谱实体关系示例

Figure 6 Example of entity relationship in the low-carbon knowledge graph

图7 低碳领域知识图谱示例

Figure 7 Example of knowledge graph in the low carbon field

4.4 低碳能源领域技术融合发展分析

笔者采用基于多种低碳能源技术分类整合的知识发现方法，本节在此基础上，结合专利分析与领域知识，进一步确定低碳能源领域的技术创新机会和演进路径，重点探讨以下3个问题：①多种低碳能源融合的发展趋势如何？ ②哪些技术在低碳能源领域表现突出？③未来低碳能源技术集成方向和技术演进路径是什么？

4.4.1 多能技术融合发展趋势

（1）第一个融合信号是多能源技术发展的必然产物，从风能、海洋能到核能、氢能、太阳能光伏。基于图8，在19世纪和20世纪初，水电和风电占比最大，超过60%。二战后，核电转向核裂变发电，占比高达46%，1975年后转向太阳能光伏发电和风力发电，两者合计占同期总量的近45%。分析表明，与可再生能源相关的专利总体呈上升趋势，1980年后出现明显增长，2005年后加速增长。研究还发现，不同能源技术的发展存在很大差异，风能专利可追溯到1907年，而生物质能相关专利则在1970年后才出现。与风能和太阳能相关的专利增长和扩散最为显著。相比之下，与海洋水能、氢能、生物质能和核能相关的专利在2011年至2015年期间经历了明显的创新激增，随后在最近几年有所下降。
（2）技术融合的第二个信号是专利引用论文比例的持续增长（见图9）。尽管可再生能源技术专利文献最早出现在20世纪初，但其系统性引用科学论文的现象始于1970年代，标志着低碳清洁能源技术对科学研究的依赖度显著提升，尤以生物质能为典型代表。近40年来，伴随7种低碳清洁能源专利申请量增长，其专利引文中的论文占比同步攀升。生物质能源因其与生物化学研究的密切联系而依赖度最高，其引用论文占33%—57%。核能、氢能和光伏的论文引用率显著高于水电与风能。该趋势印证科学密集型技术发展范式——当技术演进至前沿领域，其进步愈发依赖基础科学突破而非应用技术改良，低碳能源整体呈现向科学驱动型范式迁移的特征。
（3）技术融合的第三个信号来自全球公共事业的部署。各国正通过政策干预加速多能源技术融合及储能技术研发。储能技术的演进逻辑与能源供应端高度协同，形成双向强化机制。当前，低碳清洁能源技术体系可进一步细分为可再生能源、氢能及燃料电池、核电及核能非电利用。储能与多能融合技术体系可以细分为储热储能、以可再生能源为主的新型电力系统、化学储电、物理储电。基于RTA指标，比较分析世界主要科技强国（中国、日本、美国、德国、韩国）在低碳零碳能源（见图10）、储能与多能融合领域（见图11）的专利技术显性优势。
图10 主要科技强国低碳清洁能源专利显性优势

Figure 10 Revealed comparative advantages of low-carbon and clean energy patents among major technological powers

图11 主要科技强国储能与多能融合技术专利显性优势

Figure 11 Revealed comparative advantages of energy storage and multi-energy fusion technology patents in major technological powers

研究发现，各国在低碳能源方面的优势技术各不相同，中国在可再生能源专利方面具有显著的相对优势，日本的优势主要在核能和核能的非电力利用方面，美国的优势则在核能、氢能和燃料电池方面。各国在储能和多能融合领域的优势技术不尽相同，中国在冷热储能、基于可再生能源的新型电力系统和化学储能方面优势明显，而日本侧重于化学储能，美国和德国侧重于物理储能。
（4）技术融合的第四个信号是多种能源的融合基于相同或相似的科学原理。对各种低碳能源技术专利全集IPC前4位的数量和类型统计显示，该领域共涉及221个子类别，其中太阳能光伏涉及的IPC类别最多，达81个。多种能源融合的基础是以等离子体为基础的核能融合物理学（G）、以机械工程为基础的海洋能和地热能（F）、以化学为基础的生物燃料和氢燃料电池（C）、以光电效应为基础的太阳能光伏和风能（F&H）。表3和表4分别从数量和类型上相互印证了多种能源技术融合的基础。
表3 基于7种能源全数据集IPC前4位分类号数量

Table 3 IPC subclass distribution (top 4 codes) across seven energy datasets

能源

IPC

 物理 运输 化学 建筑 机械 电学
核能 215 98 269 2 84 62
风能 584 602 176 466 7 687 4 418
太阳能 632 557 706 420 4 827 4 607
生物质能 3 297 1 799 2 183 164
海洋能 19 301 83 124 4 329 249
地热能 9 16 20 81 847 66
氢能 178 598 2640 31 902 737
表4 基于7种能源技术分类体系IPC前4位分类号种类

Table 4 Diversity of IPC subclasses (top 4 codes) in seven energy technology categories

能源

IPC

 物理G 运输B 化学C 建筑E 机械F 电学H 低碳Y02
核能 12 2 1 2 1 0 3
风能 0 6 1 2 15 8 6
太阳能 1 1 2 2 25 33 17
生物质能 1 2 24 1 5 1 0
海洋能 0 2 1 4 9 1 2
地热能 0 0 0 2 12 2 1
氢能 0 1 0 2 1 1 4
如表5所示，通过技术关联度系数来测度7种能源两两关联强度（系数取值域[0,1]），取值与关联度呈正相关。实证分析识别出五组显著正相关的技术组合有：风能－地热能、风能－海洋能、风能－太阳能、地热能－太阳能、氢能－生物质能。其中，风能技术在四组高关联组合中均为核心节点，在多能技术融合发展中具有重要地位。该网络结构揭示风能通过共性技术平台（如功率预测、并网控制）加速与其他清洁能源的技术渗透。
表5 7种低碳清洁能源专利技术关联度

Table 5 Technological correlation of seven low-carbon and clean energy patents

能源 核能 风能 太阳能 生物质能 地热能 海洋能 氢能
核能 1.000 0
风能 0.000 3 1.000 0
太阳能 0.001 5 0.083 5 1.000 0
生物质能 0.000 2 0.001 1 0.002 9 1.000 0
地热能 0.000 9 0.167 5 0.077 8 0.001 0 1.000 0
海洋能 0.000 2 0.167 5 0.024 1 0.001 1 0.018 9 1.000 0
氢能 0.007 5 0.009 7 0.012 0 0.037 8 0.005 8 0.011 5 1.000 0

4.4.2 关键技术融合趋势分析（风能）

由于风能技术在多能技术融合发展中具有重要地位，笔者利用知识图谱进一步探究其与其他能源技术的融合关系，抽取发生融合现象的主要技术分类号，构建关联网络图（见图12）。解析网络节点技术分类号表征的技术内涵发现，风能领域与其他低碳清洁能源领域发生技术融合最突出的技术方向是风力发电与驱动技术（见图13）。分析原因，该技术主要基于机械驱动发电，比较容易与地热能技术、海洋水能技术相结合，此外还有与核电技术的结合表现。
图12 风能与地热能/海洋能/太阳能技术融合图谱

Figure 12 Technology integration map of wind energy and geothermal energy/ocean energy/solar energy

图13 风能技术与其他能源技术融合主题

Figure 13 Integration theme of wind energy technology with other energy technologies

4.4.3 多能技术融合创新方向与演化路径（核能）

核能是一种可靠的无碳能源，可产生稳定的电力供应。为了进一步分析技术融合演化路径，笔者选择核能领域的融合作为分析对象。研究分为5个时间段：1996—2000年、2001—2005年、2006—2010年、2011—2015年和2016—2021年。提取了每个时间段内融合技术的共现网络，并分析国家与融合技术的共现网络，分析和挖掘融合技术发展路径。
如图14所示，核能领域的专利申请量在小幅波动中稳步上升，分别在2004年、2012年和2018年达到峰值。与核能核聚变技术相关的IPC分类号数量稳步增长，表明其对新技术的不断吸收。整体上，该技术网络在早期（1996—2000年）相对孤立。但进入21世纪后，技术和功能网络逐步完善，核聚变趋势开始显现。在核能聚变领域，美国和日本明显处于领先地位。最近5年（2016—2021年），中国加入其中，形成三足鼎立之势。
图14 核能专利技术融合主要创新策源地演变

Figure 14 Evolution of the main innovation source of nuclear energy patent technology integration

如图15所示，从核能专利技术融合演化来看，遵循的技术路径主要是核能、热能、机械能、电能之间的能量转换。从技术类别来看，电池及其制造（H01M及其下属分支）、化学或物理方法及设备（如催化作用、胶体化学，即B01J及其下属分支）几乎贯穿了整个核能融合技术演化的全部进程，提示这些技术是核能技术融合领域的基础和关键技术。金属化合物（C01G）、生产化合物或非金属的电解工艺（C25B）、合金（C22C）、发动机（F03G）、离子注入法或化学气相沉积（C23C）等在不同时期伴随核能与其他能源的融合发挥重要创新作用，推动技术的更替，显示核能技术从单一供电技术发展为能源—材料—化工多联产系统，通过核能制氢、区域供热、海水淡化等多种非电综合利用实现增值。
图15 核能专利技术融合路径演化

Figure 15 Evolutionary path of nuclear energy patent technology integration

综上，核能技术融合创新方向与演化路径有3条途径。首先，核能可以提供稳定的电力供应。在开始阶段，核能作为可再生能源间歇性的补充，用于解决可再生能源的不稳定性，核能与可再生能源的物理耦合。典型的模式如将小型核反应堆与集中式太阳能热电厂相结合的集成电站架构。其次，核能与可再生能源相结合的智能系统，以电力系统为核心，以智能电网为基础，以核能和可再生能源为主体，配以适量水电和火电，实现冷、热、气、水、电等多种能源互补，有效提升综合能效。最后，依托核能热化学转化潜力，发展大规模制氢技术，现阶段技术焦点集中在高温气冷堆耦合硫碘循环（SI Cycle）制氢、快中子堆驱动蒸汽甲烷重整（SMR）制氢。目前，业界正在对核能向氢能的二级转化进行开发，支持氢经济基础设施的建设。例如，将核反应堆与采用先进制氢工艺的制氢厂耦合，从而实现大规模产氢的核能制氢技术。

5 总结/ Conclusions

笔者提出了一种基于融合视角的领域知识发现方法，采用该方法可以揭示领域知识储备动态、技术趋势和领域融合技术演进路径。该方法可以帮助研究人员、企业和政府部门更好地了解领域融合的技术机会、关键技术和未来发展趋势，对促进相关领域的创新和发展具有重要意义。笔者通过设计多元分类的类目自动映射模型，实现了不同专利技术分类体系的有机融合，实现了对多源领域知识系统的融合，完善了不同体系之间知识的对比框架，降低了多源异构数据挖掘的复杂度，并进一步构建了多源领域知识图谱。该知识图谱是一个领域知识数据库，可提取领域知识的最新进展，并提供有关技术融合潜力和发展轨迹的信息。知识图谱技术在多领域、跨领域的拓展潜力巨大，可以进一步提高数据可用性和数据处理能力。本研究有利于拓展领域知识发现的应用范围，提高准确性和效率，为相关领域研究提供借鉴与参考。笔者基于多能融合研究分析（研究进展、融合潜力和融合路径），尝试利用低碳多能融合专利知识图谱研究多能融合的趋势、融合信号、潜力和发展路径。实证分析表明，当前多能源领域的技术趋同信号较弱，7种能源之间的技术关联并不十分显著，但风能与其他能源的融合较为明显，由于多种能源在科学原理间的聚变效应，其未来多能融合的潜力巨大。在技术路径方面，重点是多能源发电和热效率利用，这是研究技术融合路径的主要方向。基于专利的多能源知识图谱有助于发现多能源技术融合的微弱信号与演化路径，为相关政策制定和研究方向选择提供全面、系统的决策依据，推动低碳能源技术的创新发展与规模化应用。
然而，本研究的局限性在于目前的研究方法仍基于专利的结构化数据，即主要基于专利分类号的融合，属于比较初级的尝试阶段。未来笔者将探索结合使用结构化数据和非结构化数据，进一步完善知识图谱在专利技术分析方面的研究和应用。其次，关于多元技术分类类目自动映射模型，还需进一步细化匹配规则相关算法。此外，技术融合发现与路径演化分析的指标和算法还较薄弱，与知识图谱的关联性有待加强。未来可考虑加强低碳清洁能源知识图谱的应用完善，利用图数据库相关算法完善技术融合路径与演化分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
EVRO S, ONI B A, TOMOMEWO O S. Global strategies for a low-carbon future: lessons from the US, China, and EU’s pursuit of carbon neutrality[J]. Journal of cleaner production, 2024, 461: 142635.

[2]
WANG G, ZHANG Z, LIN J. Multi-energy complementary power systems based on solar energy: a review[J]. Renewable and sustainable energy reviews, 2024, 199: 114464.

[3]
OLABI A G, ELSAID K, OBAIDEEN K, et al. Renewable energy systems: comparisons, challenges and barriers, sustainability indicators, and the contribution to UN sustainable development goals[J]. International journal of thermofluids, 2023, 20: 100498.

[4]
蔡睿, 朱汉雄, 李婉君, 等. “双碳”目标下能源科技的多能融合发展路径研究[J]. 中国科学院院刊, 2022, 37(4): 502-510.

CAI R, ZHU H X, LI W J, et al. Development path of energy science and technology under “Dual Carbon” goals: perspective of multi-energy system integration[J]. Bulletin of Chinese Academy of Sciences, 2022, 37(4): 502-510.

[5]
LI W, ZHU H, XIAO Y, et al. An approach to achieve carbon neutrality with integrated multi-energy technology[J]. Engineering, 2022, 19: 11-13.

[6]
CURRAN C S, BRÖRING S, LEKER J. Anticipating converging industries using publicly available data[J]. Technological forecasting and social change, 2010, 77(3): 385-395.

[7]
National Nuclear Laboratory. Unlocking the UK’s nuclear hydrogen economy to support net zero[EB/OL]. [2025-06-07].

[8]
The U.S. Department of Energy. Nuclear hydrogen R&D plan[EB/OL]. [2025-06-07].

[9]
YUE M, LAMBERT H, PAHON E, et al. Hydrogen energy systems: a critical review of technologies, applications, trends and challenges[J]. Renewable and sustainable energy reviews, 2021, 146: 111180.

[10]
FU P, PUDJIANTO D, ZHANG X, et al. Integration of hydrogen into multi-energy systems optimisation[J]. Energies, 2020, 13(7): 1606.

[11]
国家知识产权局. 国家知识产权局办公室关于印发《战略性新兴产业分类与国际专利分类参照关系表（2021）（试行）》的通知[EB/OL]. [2025-06-07].

China National Intellectual Property Administration. Notice of the General Office of the China National Intellectual Property Administration on the Issuance of the Relationship Table of Strategic Emerging Industry Classification and International Patent Classification (2021) (Trial)[EB/OL]. [2025-06-07].

[12]
国家知识产权局. 关于印发《国际专利分类与国民经济行业分类参照关系表（2018）》的通知[EB/OL]. [2025-06-07].

China National Intellectual Property Administration. Notice on issuing the Reference Table of International Patent Classification and National Economic Industry Classification (2018)[EB/OL]. [2025-06-07].

[13]
World Intellectual Property Organization. Ipc green inventory[EB/OL]. [2025-06-07].

[14]
United States Patent and Trademark Office. CPC scheme - Y02E Reduction of Greenhouse Gas [GHG] Emissions, related to energy generation, transmission or distribution[EB/OL]. [2025-06-07].

[15]
United States Patent and Trademark Office. Environmentally sound technologies (est) concordance[EB/OL]. [2025-06-07].

[16]
Ministry of Economy, Trade and Industry. A technologies inventory has been developed for the purpose of analyzing green transformation (GX) technologies based on patent information[EB/OL]. [2025-06-07].

[17]
王凤娟, 徐玖平. 多能互补发电系统：概念框架、知识图谱与集成优化[J]. 中国管理科学, 2025, 33(1): 62-75.

WANG F J, XU J P. Multi-energy complementary generation systems: conceptual framework, knowledge map and integrated optimization[J]. Chinese journal of management science, 2025, 33(1): 62-75.

[18]
葛鑫博, 黄俊, 赵同彬, 等. 基于知识图谱的地下压缩空气储能研究进展[J]. 煤炭科学技术, 2025, 53(4): 80-103.

GE X B, HUANG J, ZHAO T B, et al. Research progress on underground compressed air energy storage based on knowledge graph[J]. Coal science and technology，2025, 53(4): 80-103.

[19]
LU F, CONG P, HUANG X. Utilizing textual information in knowledge graph embedding: a survey of methods and applications[J]. IEEE access, 2020, 8: 92072-92088.

[20]
XIAO Y, LI C, THÜRER M. A patent recommendation method based on KG representation learning[J]. Engineering applications of artificial intelligence, 2023, 126: 106722.

[21]
WANG G, HE J. A bibliometric analysis of recent developments and trends in knowledge graph research (2013–2022)[J]. IEEE access, 2024, 12: 32005-32013.

[22]
PINO-DÍAZ J, JIMÉNEZ-CONTRERAS E, RUÍZ-BAÑOS R, et al. Strategic knowledge maps of the techno‐scientific network (SK maps)[J]. Journal of the American Society for Information Science and Technology, 2012, 63(4): 796-804.

[23]
ZHANG L, HU K, MA X, et al. Combining semantic and structural features for reasoning on patent knowledge graphs[J]. Applied sciences, 2024, 14(15): 6807.

[24]
ZHOU H, DAI J, CHEN X, et al. Understanding innovation of new energy industry: observing development trend and evolution of hydrogen fuel cell based on patent mining[J]. International journal of hydrogen energy, 2024, 52: 548-560.

[25]
FAYYAD U, PIATETSKY-SHAPIRO G, SMYTH P. Knowledge discovery and data mining: towards a unifying framework[C]//Proceedings of the second international conference on knowledge discovery and data mining. Oregon: AAAI Press, 1996: 82-88.

[26]
VICKERY B C. Ontologies[J]. Journal of information science, 1997, 23(4): 277-286.

[27]
FENSEL D, ŞIMŞEK U, ANGELE K, et al. Knowledge graphs: methodology, tools and selected use cases[M]. Switzerland: Springer International Publishing, 2020: 95-112.

[28]
YAN C, FANG X, HUANG X, et al. A solution and practice for combining multi-source heterogeneous data to construct enterprise knowledge graph[J]. Frontiers in big data, 2023, 6: 1278153.

[29]
OLTRA V, KEMP R, VRIES F P. Patents as a measure for eco-innovation[J]. International journal of environmental technology and management, 2010, 13(2): 130-148.

[30]
LACERDA J S. Linking scientific knowledge and technological change: lessons from wind turbine evolution and innovation[J]. Energy research & social science, 2019, 50: 92-105.

[31]
HÖTTE K, PICHLER A, LAFOND F. The rise of science in low-carbon energy technologies[J]. Renewable and sustainable energy reviews, 2021, 139: 110654.

[32]
JIANG L D, ZOU F, QIAO Y L, et al. Patent analysis for generating the technology landscape and competition situation of renewable energy[J]. Journal of cleaner production, 2022, 378: 134264.

[33]
JEON J, SUH Y. Multiple patent network analysis for identifying safety technology convergence[J]. Data technologies and applications, 2019, 53(3): 269-285.

[34]
LEE C, KOGLER D F, LEE D. Capturing information on technology convergence, international collaboration, and knowledge flow from patent documents: a case of information and communication technology[J]. Information processing & management, 2019, 56(4): 1576-1591.

[35]
PARK I, YOON B. Technological opportunity discovery for technological convergence based on the prediction of technology knowledge flow in a citation network[J]. Journal of informetrics, 2018, 12(4): 1199-1222.

[36]
KIM J, LEE S. Forecasting and identifying multi-technology convergence based on patent data: the case of IT and BT industries in 2020[J]. Scientometrics, 2017, 111(1): 47-65.

[37]
LEE C, PARK G, KANG J. The impact of convergence between science and technology on innovation[J]. Journal of technology transfer, 2018, 43(2): 522-544.

[38]
XUE D, SHAO Z. Patent text mining based hydrogen energy technology evolution path identification[J]. International journal of hydrogen energy, 2024, 49: 699-710.

[39]
CARAVELLA S, CRESPI F, CUCIGNATTO G, et al. Technological sovereignty and strategic dependencies: the case of the photovoltaic supply chain[J]. Journal of cleaner production, 2024, 434: 140222.

Options
Outlines

/

〈 〉