【技术实现步骤摘要】
本专利技术属于碳减排，具体涉及一种基于lstm算法提高碳核算数据预测精准度的方法。
技术介绍
1、水泥生产企业是碳排放的大户，也属于国家进行碳排放监控管理的重点行业。水泥生产过程中产生的碳排放主要有两类，一类是由于石灰石等原料自身含有的碳在生产过程中转化为二氧化碳排放出来，属于生产过程产生的碳排放，另一类是生产过程中由于能源消耗产生的能耗碳排放，能耗碳排放包括外购的煤炭等燃料，在企业生产过程中燃烧所产生的碳排放，还包括必要的生产耗电，即供电企业进行电力生产所产生的碳排放。目前为了及时掌握水泥生产中产生碳排放，现有技术通过生产系统中的数据采集模块采集生产中的实时数据，通过神经网络模型预测实时碳排放量。然而目前在进行碳排放监管核查过程中主要以实际外购的数据进行相关碳排放的统计核算，其中能耗碳排放主要通过从电力公司采购的电力数据和财务口径中采购的煤等燃料的数量。
2、而生产系统中电表采集的数据与公司外购的电力数据有明显误差，一方面是外购电力数据涉及非生产方面的耗电，另一方面在电力输送测量过程都有一定误差，因此生产系统采集的电力消耗数据与公司的实际电力购买数据不一致。另一方面以煤为例，公司基于燃料库存的燃料采购数据与实际生产采集的数据也有明显差异，一般燃料采购数据是以一个固定周期进行采购统计，如按月度采购，但这与生产系统通过皮带秤、转子秤测量所得的数据不仅在统计周期上不一致，而且生产过程中涉及测量误差、运输过程产生的燃料损耗，还需要考虑燃料损耗中部分被回收重新回归存储区域的部分，因此生产系统采集得到的燃料消耗量与燃料采购数据
技术实现思路
1、本专利技术目的是提供一种基于lstm算法提高碳核算数据预测精准度的方法，以解决现有技术中由于公司实际外购能源数据与生产系统采集的实时数据存在明显误差，且统计时间不同因此造成预测所得的碳排放数据与基于能源外购数据计算的统计核查用碳排放结果不一致，从而影响企业对生产中碳排放进行合规控制的技术问题
2、所述的一种基于lstm算法提高碳核算数据预测精准度的方法，包括下列步骤。
3、s1、通过生产系统的数据采集模块采集生产中的能源消耗数据，采集财务系统提供的能源外购数据，并通过这些历史数据构建相应的数据集。
4、s2、分别基于对应的数据集分别构建对应的线性回归模型，用于确定生产系统采集的能耗相关的实时数据与财务口径的能源实际购买量之间的关系。
5、s3、计算碳排放数据，将生产系统采集的实时数据转化为财务口径的能源实际购买量的实时数据，再时序化，与碳排放数据配对形成训练集。
6、s4、利用训练集训练长短期记忆网络模型lstm，基于训练好的长短期记忆网络模型lstm进行碳排放数据的预测，长短期记忆网络模型lstm的输入通过步骤s1-s3获取。
7、优选的，所述步骤s1中，生产系统中的智能电表用于检测生产系统中各部分的实时用电量，采集到实时用电量xe；电力购买数据常基于公司的总电表采集数据计算得出，利用总电表采集电力购买实时数据ye；实时用电量xe与电力购买实时数据ye配对组成电力数据集。
8、用称量装置用于检测生产过程中运输消耗的燃料数量，即燃料实时消耗量xf；燃料采购数据是按月度采集得到月度燃料采购数据ymf；月度燃料采购数据ymf与相应月度的燃料实时消耗量xf的总和数据xtf对应，月度燃料消耗量的总和数据xtf与月度燃料采购数据ymf配对组成燃料数据集。
9、优选的，所述步骤s2中，线性回归模型包括表示实时用电量与电力购买实时数据间关系的线性回归模型一和表示燃料实时消耗量与燃料分摊消耗量之间关系的线性回归模型二；线性回归模型一表示为：ye＝k1xe+b1，其中k1为线性回归模型一的回归系数，b1为线性回归模型一的固定误差项，通过电力数据集进行线性回归分析，确定得到线性回归模型一；线性回归模型二表示为：ymf＝k2xtf+b2，其中k2为线性回归模型二的回归系数，b2为线性回归模型二的固定误差项，通过燃料数据集进行线性回归分析，确定线性回归模型二。
10、优选的，所述步骤s1中，损耗的燃料部分收集后称量再回输到燃料储存区域，对这部分按日称量回收得到燃料回收量xr，相应月度的燃料回收总量为xtr，将燃料回收总量xtr与燃料数据集中的月度燃料采购数据ymf配对。
11、所述步骤s2中，线性回归模型还包括表示燃料非生产损耗量与燃料回收量之间关系的线性回归模型三；线性回归模型三表示为：yl＝k3xtr+b3，其中yl为燃料的月度总损耗量，k3为线性回归模型三的回归系数，b3为线性回归模型三的固定误差项，燃料的月度总损耗量的定义有：yl＝ymf-xtf+xtr，先计算月度总损耗量yl和燃料回收总量xtr，再对相应计算结果进行线性回归分析，确定线性回归模型三。
12、优选的，月度的燃料回收总量与燃料实时消耗量的总和数据xtf之间的关系为：(k3-1)xtr+b3＝(k2-1)xtf+b2，线性回归模型二则需要考虑燃料回收总量xtr，新的线性回归模型二表示为：
13、优选的，产系统采集的燃料消耗数据与生产过程中燃料的损耗量之间的关系不发生变化；若不存在对损耗燃料的回收，则燃料分摊消耗量yf的计算式为：yf＝k2xf+b2；若存在对损耗燃料的回收，则燃料分摊消耗量yf的计算式为：
14、优选的，构建长短期记忆网络模型lstm，设置时间步长、特征数，模型提取的特征依据数据种类设置，设定损失函数为mse，激活函数为relu；将训练集中的电力购买实时数据ye和燃料分摊消耗量yf的时序化数据组作为训练用的输入样本，以计算出的碳排放数据作为输出样本，对长短期记忆网络模型lstm进行训练。
15、本专利技术具有以下优点：本专利技术的预测结果与统计核查人员基于实际的能源外购数据的计算所得统计核查结果接近，二者误差明显小于现有技术中直接基于生产系统采集的数据所预测的结果与统计核查结果的误差，并且能快速反映出调整生产计划后，碳排放数据改变也能快速反映在预测结果，让生产系统的管理人员能更准确地把控生产系统的碳排放变化。
16、本专利技术先对生产系统采集的实时数据进行转化，使其与碳排放统计核查过程中使用的基于财务口径的实际购买量数据更加接近，并充分考虑了各种误差、损耗和燃料回收对数据差异的影响，这使得输入的数据更加接近统计核查所采用的数据，有效提高了对长短期记忆网络模型lstm的训练效果。
本文档来自技高网...【技术保护点】
1.一种基于LSTM算法提高碳核算数据预测精准度的方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种基于LSTM算法提高碳核算数据预测精准度的方法，其特征在于：所述步骤S1中，生产系统中的智能电表用于检测生产系统中各部分的实时用电量，采集到实时用电量xe；电力购买数据常基于公司的总电表采集数据计算得出，利用总电表采集电力购买实时数据ye；实时用电量xe与电力购买实时数据ye配对组成电力数据集；
3.根据权利要求2所述的一种基于LSTM算法提高碳核算数据预测精准度的方法，其特征在于：所述步骤S2中，线性回归模型包括表示实时用电量与电力购买实时数据间关系的线性回归模型一和表示燃料实时消耗量与燃料分摊消耗量之间关系的线性回归模型二；线性回归模型一表示为：ye＝k1xe+b1，其中k1为线性回归模型一的回归系数，b1为线性回归模型一的固定误差项，通过电力数据集进行线性回归分析，确定得到线性回归模型一；线性回归模型二表示为：ymf＝k2xtf+b2，其中k2为线性回归模型二的回归系数，b2为线性回归模型二的固定误差项，通过燃料数据集进行线性回归分析，确定
4.根据权利要求3所述的一种基于LSTM算法提高碳核算数据预测精准度的方法，其特征在于：所述步骤S1中，损耗的燃料部分收集后称量再回输到燃料储存区域，对这部分按日称量回收得到燃料回收量xr，相应月度的燃料回收总量为xtr，将燃料回收总量xtr与燃料数据集中的月度燃料采购数据ymf配对；
5.根据权利要求4所述的一种基于LSTM算法提高碳核算数据预测精准度的方法，其特征在于：月度的燃料回收总量与燃料实时消耗量的总和数据xtf之间的关系为：(k3-1)xtr+b3＝(k2-1)xtf+b2，线性回归模型二则需要考虑燃料回收总量xtr，新的线性回归模型二表示为：
6.根据权利要求3所述的一种基于LSTM算法提高碳核算数据预测精准度的方法，其特征在于：生产系统采集的燃料消耗数据与生产过程中燃料的损耗量之间的关系不发生变化；若不存在对损耗燃料的回收，则燃料分摊消耗量yf的计算式为：yf＝k2xf+b2；若存在对损耗燃料的回收，则燃料分摊消耗量yf的计算式为：
7.根据权利要求1所述的一种基于LSTM算法提高碳核算数据预测精准度的方法，其特征在于：构建长短期记忆网络模型LSTM，设置时间步长、特征数，模型提取的特征依据数据种类设置，设定损失函数为MSE，激活函数为RELU；将训练集中的电力购买实时数据ye和燃料分摊消耗量yf的时序化数据组作为训练用的输入样本，以计算出的碳排放数据作为输出样本，对长短期记忆网络模型LSTM进行训练。
...【技术特征摘要】
1.一种基于lstm算法提高碳核算数据预测精准度的方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种基于lstm算法提高碳核算数据预测精准度的方法，其特征在于：所述步骤s1中，生产系统中的智能电表用于检测生产系统中各部分的实时用电量，采集到实时用电量xe；电力购买数据常基于公司的总电表采集数据计算得出，利用总电表采集电力购买实时数据ye；实时用电量xe与电力购买实时数据ye配对组成电力数据集；
3.根据权利要求2所述的一种基于lstm算法提高碳核算数据预测精准度的方法，其特征在于：所述步骤s2中，线性回归模型包括表示实时用电量与电力购买实时数据间关系的线性回归模型一和表示燃料实时消耗量与燃料分摊消耗量之间关系的线性回归模型二；线性回归模型一表示为：ye＝k1xe+b1，其中k1为线性回归模型一的回归系数，b1为线性回归模型一的固定误差项，通过电力数据集进行线性回归分析，确定得到线性回归模型一；线性回归模型二表示为：ymf＝k2xtf+b2，其中k2为线性回归模型二的回归系数，b2为线性回归模型二的固定误差项，通过燃料数据集进行线性回归分析，确定线性回归模型二。
4.根据权利要求3所述的一种基于lstm算法提高碳核算数据预测精准度的方法，其特征在于：所述步骤s1中，损耗的燃料部分收集后称...
【专利技术属性】
技术研发人员：詹家干，邵臻，焦建玲，汪阳，胡凤翔，
申请(专利权)人：合肥工业大学，
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。