基于时间序列的石油炼化行业CO2排放预测方法技术

本发明专利技术公开了一种基于时间序列的石油炼化行业CO2排放预测方法，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；CO2排放状态为CO2排放速率处于上升期、平台期或下降期。本发明专利技术可以有效利用CO2排放的历史数据，可以对CO2排放未来状态变量进行准确预测。确预测。确预测。

【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、随机森林和Boosting等多个涉及预测的机器学习算法，但是针对石油炼化行业中的CO2排放状态预测的研究较少。
[0004]因此，如何提供一种利用CO2排放的历史状态数据来预测未来时间CO2排放状态参数的基于时间序列的石油炼化行业CO2排放预测方法是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于时间序列的石油炼化行业CO2排放预测方法，可以有效利用CO2排放的历史数据，可以对CO2排放未来状态变量进行准确预测。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于时间序列的石油炼化行业CO2排放预测方法，包括：
[0008]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；
[0009]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。
[0010]进一步的，在上述一种基于时间序列的石油炼化行业CO2排放预测方法中，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。
[0011]进一步的，在上述一种基于时间序列的石油炼化行业CO2排放预测方法中，所述Embedding层的表达式为：
[0012][0013]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。
[0014]进一步的，在上述一种基于时间序列的石油炼化行业CO2排放预测方法中，所述注意力层的表达式为：
[0015]Query：q
i
＝a
i
·
W
q
[0016]Key：k
i
＝a
i
·
W
k
[0017]Value：v
i
＝a
i
·
W
v
[0018]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
；
[0019]第i个信息的注意力z
i
为：z(q
i
,K)＝Softmax(q
i
K
T
)
[0020]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。
[0021]进一步的，在上述一种基于时间序列的石油炼化行业CO2排放预测方法中，所述Encoder层的表达式为：
[0022]E＝Z(Q,K)
·
V
[0023]其中，Q为全部的query向量拼接成的矩阵,V为全部的value向量拼接成的矩阵，E为Encoder层的输出。
[0024]进一步的，在上述一种基于时间序列的石油炼化行业CO2排放预测方法中，所述Decoder层的表达式为：
[0025]D＝Z(Q
d
,K
d
)
·
V
d
[0026]其中，Q
d
、K
d
、V
d
取Q、K、V的前半部分，并于后半部分以零填充，D为Decoder层的输出。
[0027]进一步的，在上述一种基于时间序列的石油炼化行业CO2排放预测方法中，所述输出层的表达式为：
[0028]Out＝Z(con(Q
d
,Q),con(K
d
,K))
·
con(V
d
,V)
[0029]其中，con表示将两个矩阵按列方向拼接，Out为最终预测输出。
[0030]进一步的，在上述一种基于时间序列的石油炼化行业CO2排放预测方法中，所述神经网络预测模型的训练过程包括：
[0031]构建基于Informer机制的神经网络预测模型，并初始化神经网络预测模型的参数；
[0032]对获取的CO2排放数据训练集进行预处理；包括：根据CO2排放ID和变量类型对训
练集进行分类，并按时间升序进行排序；对训练集进行去噪、填补缺失值、修改非法值和归一化处理；
[0033]利用预处理后的训练集对神经网络预测模型进行迭代训练，直至神经网络预测模型的损失率最小，保存模型参数，得到最终的神经网络预测模型；所述神经网络预测模型的损失函本文档来自技高网...

【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：