一种基于CNN-Informer模型的钢铁企业超低排放时序预测方法技术

本发明专利技术公开了一种基于CNN‑Informer模型的钢铁企业超低排放时序预测方法，属于排放预测技术领域，包括以下步骤：S1：数据预处理；S2：通过优化的多尺度混合分解模块分解数据；S3：基于CNN和Informer模型搭建预测模块处理分解数据；S4：基于多尺度混合分解模块和预测模块搭建CNN‑Informer模型；S5：模型训练及预测；S6：模型预警。本发明专利技术首先优化了传统的数据分解模块，该模块将输入的复杂数据分解成线性和非线性数据，其次基于CNN和Informer模型的建模理念搭建线性和非线性的预测模块，然后基于优化后的多尺度混合分解模块和预测模块搭建CNN‑Informer模型，通过对比实验证明了改进的有效性，最后根据模型的预测结果提供预警方案。

【技术实现步骤摘要】

本专利技术涉及钢铁企业排放预测，更具体地说，涉及一种基于cnn-informer模型的钢铁企业超低排放时序预测方法。

技术介绍

1、钢铁企业必须确保满足超低排放标准，而目前采用的线下调查方法一方面费时费力，另一方面也很难做到及时、准确的评估。卷积神经网络cnn在时间序列预测的成功应用(如tcn)，为钢铁企业超低排放时序预测研究提供了新的可能性。

2、中国专利号cn202310110032.6，公开日为：2023年6月9日，公开了一种基于tcn和注意力机制的工业时序数据异常检测方法。该申请案基于时空卷积网络tcn模型，依靠其稳定的梯度和灵活的感受野来捕捉时间序列中的相关性，嵌入注意力机制，根据不同特征在数据中的重要性调整其对应的权重，从而提高异常检测模型的准确度，降低工厂试错成本并减少计划外停机时间。

3、中国专利号cn202310015096.8，公开日为：2023年5月23日，公开了一种基于st-informer预测模型的pm2.5浓度预测方法，包括：s1.在目标范围内设置若干监测站点，通过所述监测站点采集所述目标范围内的气象数据本文档来自技高网...

【技术保护点】

1.一种基于CNN-Informer模型的钢铁企业超低排放时序预测方法，其特征在于，其步骤为：

2.根据权利要求1所述的一种基于CNN-Informer模型的钢铁企业超低排放时序预测方法，其特征在于：步骤S2所述多尺度混合分解模块使用了平均池化层的几个不同核，对于输入序列X，其计算过程如下公式：

3.根据权利要求1或2所述的一种基于CNN-Informer模型的钢铁企业超低排放时序预测方法，其特征在于：步骤S3对于线性数据，使用指数平滑法构成的线性预测模块进行预测；对于非线性数据，使用嵌入模块和局部-全局模块构成的非线性预测模块进行预测，将两个预测模块的结果结合得...

【技术特征摘要】

1.一种基于cnn-informer模型的钢铁企业超低排放时序预测方法，其特征在于，其步骤为：

2.根据权利要求1所述的一种基于cnn-informer模型的钢铁企业超低排放时序预测方法，其特征在于：步骤s2所述多尺度混合分解模块使用了平均池化层的几个不同核，对于输入序列x，其计算过程如下公式：

3.根据权利要求1或2所述的一种基于cnn-informer模型的钢铁企业超低排放时序预测方法，其特征在于：步骤s3对于线性数据，使用指数平滑法构成的线性预测模块进行预测；对于非线性数据，使用嵌入模块和局部-全局模块构成的非线性预测模块进行预测，将两个预测模块的结果结合得到最终的预测结果。

4.根据权利要求3所述的一种基于cnn-informer模型的钢铁企业超低排放时序预测方法，其特征在于：所述的嵌入模块包括互补零策略和三部分嵌入输入，其计算过程如下公式：

5.根据权利要求4所述的一种基于cnn-informer模型的钢铁企业超低排放时序预测方法，其特征在于：所述局部-全局模块包括多个不同尺度的层，不同尺度的层用来模拟不同的时间模式，然后合并不同层的结果，完成对序列综合信息的利用；多个层的局部模块、全局模块结构相同。

6.根据权利要求5所述的一种基于cnn-informer模型的钢铁企业超低排放时序预测方法，其特征在于：在局部模块中，首先将输入数据进行平均池化，再进行1维卷...

【专利技术属性】
技术研发人员：李绍铭，岳斌，叶茂盛，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：