【技术实现步骤摘要】
基于时间序列的石油炼化行业CO2排放预测方法
[0001]本专利技术涉及CO2排放预测
,更具体的说是涉及一种基于时间序列的石油炼化行业CO2排放预测方法。
技术介绍
[0002]中国面临着国际社会控制温室气体特别是CO2排放的巨大压力,且随着全国碳交易市场的建立和碳税的可能实施,石化企业作为温室气体排放大户将受到很大程度的影响。炼厂应更加重视节能降耗,建立CO2监测体系并对生产进行合理规划,减少CO2的排放,实现能源的清洁化生产。2020年我国炼油能力和乙烯能力分别达8.9亿吨和3408万吨,下游有机原料、合成材料等产业规模也均保持增长态势。然而,产业规模的持续扩张势必会引起碳排放量的增加,2020年我国炼化行业CO2排放量为2.87亿吨左右,约占我国碳排放总量的2.5%。
[0003]目前国内相关厂家大多都只做了CO2浓度监测,不涉及CO2排放预测,市场趋于空白。针对石油炼化行业CO2排放的监测已趋于成熟,利用超声波、气象色谱法、光干涉法、激光雷达法以及吸收光谱法等方法实现实时监测CO2排放状态。CO2排放实时监测的成熟为CO2排放预测提供了有利条件,但由于人工预测成本高昂,而且对技术人员的技术要求很高,无法做到对CO2排放的准确预测。在大数据时代,针对CO2排放预测监测可以融合机器学习,利用历史数据,充分挖掘其内部规律,对CO2排放预测进行预测,实现提前调度和规划。机器学习中关于预测算法的研究很多,比如回归算法(线性回归,逻辑回归,线性判别算法)、决策树、朴素贝叶斯、K最近邻算法、支持向量机、随机 ...
【技术保护点】
【技术特征摘要】
1.一种基于时间序列的石油炼化行业CO2排放预测方法,其特征在于,包括:获取CO2排放数据库中最新的预设时间步长的CO2单变量监测值或多变量监测值;将所述CO2单变量监测值或多变量监测值输入预先训练好的基于Informer机制的神经网络预测模型,得到未来设定时间步长内不同时刻所对应的CO2单变量预测值或CO2排放状态;所述CO2排放状态为CO2排放速率处于上升期、平台期或下降期。2.根据权利要求1所述的一种基于时间序列的石油炼化行业CO2排放预测方法,其特征在于,所述神经网络预测模型包括:Embedding层、注意力层、Encoder层、Decoder层和输出层;所述Encoder层的层数为4;所述Decoder层的层数为1;Embedding层用于将输入数据映射到512维;当需要预测CO2单变量预测值时,所述神经网络预测模型的输入节点和输出节点个数均为1;当需要预测CO2多变量预测值时,所述神经网络预测模型的输入节点和输出节点个数均为多个。3.根据权利要求2所述的一种基于时间序列的石油炼化行业CO2排放预测方法,其特征在于,所述Embedding层的表达式为:其中,x
i
为第i个输入信息,为第i个输入信息的采集时间,conv1d为一维卷积操作,将输入信息映射到512维,position、time分别为位置编码与时间编码,a
i
为Embedding层的输出。4.根据权利要求3所述的一种基于时间序列的石油炼化行业CO2排放预测方法,其特征在于,所述注意力层的表达式为:Query:q
i
=a
i
·
W
q
Key:k
i
=a
i
·
W
k
Value:v
i
=a
i
·
W
v
其中,W
q
、W
k
、W
v
为线性映射矩阵,将通过Embedding层的输出信息映射为三个不同向量q
i
、k
i
、v
i
;第i个信息的注意力z
i
为:z(q
i
,K)=Softmax(q
i
K
T
)其中,q
i
为第i个输入信息的query向量,K为全部的Key向量拼接成的矩阵,Softmax为归一化指数函数,将结果压缩为0
‑
1的范围内。5.根据权利要...
【专利技术属性】
技术研发人员:雷宪章,汪敏,张安安,廖长江,刘建生,张亮,丁宁,
申请(专利权)人:西南石油大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。