基于时间序列的石油炼化行业CO2排放预测方法

基于时间序列的石油炼化行业co2排放预测方法
技术领域
1.本发明涉及co2排放预测技术领域，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。


背景技术：

2.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％。
3.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。
4.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。


技术实现要素：

5.有鉴于此，本发明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。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种基于时间序列的石油炼化行业co2排放预测方法，包括：
8.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；
9.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。
10.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。
11.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，xi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，ai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：qi＝ai·
wq[0016]
key：ki＝ai·
wk[0017]
value：vi＝ai·
wv[0018]
其中，wq、wk、wv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qi、ki、vi；
[0019]
第i个信息的注意力zi为：z(qi,k)＝softmax(q
ikt
)
[0020]
其中，qi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(qd,kd)
·vd
[0026]
其中，qd、kd、vd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(qd,q),con(kd,k))
·
con(vd,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数为：
[0034][0035]
其中，y表示真实值；y
′
表示神经网络模型的预测值；n表示数据总数。
[0036]
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输入和输出的时间步长比值为2:1。
[0037]
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为多变量神经网络预测模型或由多个单变量神经网络预测模型组成；
[0038]
其中，co2单变量预测值序列的预测过程为：
[0039]
将获取co2单变量监测值一一对应输入所述单变量神经网络预测模型进行预测，得到未来设定时间步长内不同时刻所对应的各个co2单变量预测值，并生成co2单变量排放速率的随时间的变化趋势曲线；
[0040]
co2排放状态的预测过程为：
[0041]
将获取的co2多变量监测值输入所述多变量神经网络预测模型，得到未来设定时间步长内不同时刻所对应的co2排放状态，并生成co2排放状态图表。
[0042]
经由上述的技术方案可知，与现有技术相比，本发明公开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，具有以下有益效果：
[0043]
1、本发明能够有效预测石油炼化行业co2的未来排放状态，时间成本大大降低。
[0044]
2、本发明通过基于informer的神经网络模型，能够记住较长的历史信息，学习长的依赖关系，由于是具有循环的网络，可以允许信息持续存在，能有效利用co2排放的历史数据，在模型参数设置好的情况下，从两个维度对co2排放未来状态变量进行预测，可针对co2等变量的排量趋势进行预测，也可根据多个变量对co2排放状态进行综合预测。
[0045]
3、本发明通过对神经网络模型参数进行调整，为后续具有高精度的未来状态变量预测奠定了基础。
[0046]
4、本发明可直接利用现有的co2监测系统实时存储的co2相关变量的历史数据，就可以得到石油炼化行业co2排放预测的神经网络模型，不需要大量的实验，非常简单方便。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0048]
图1为本发明提供的基于时间序列的石油炼化行业co2排放预测方法的流程图；
[0049]
图2为本发明提供的基于informer机制的神经网络预测模型的结构示意图；
[0050]
图3为本发明提供的co2单变量预测值曲线图；
[0051]
图4为本发明提供的co2多变量预测值曲线图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
如图所示，本发明实施例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：
[0054]
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；
[0055]
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。
[0056]
在一个具体实施例中，如图2所示，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。
[0057]
其中，所述embedding层的表达式为：
[0058][0059]
其中，xi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，ai为embedding层的输出。
[0060]
所述注意力层的表达式为：
[0061]
query：qi＝ai·
wq[0062]
key：ki＝ai·
wk[0063]
value：vi＝ai·
wv[0064]
其中，wq、wk、wv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qi、ki、vi；
[0065]
第i个信息的注意力zi为：z(qi,k)＝softmax(q
ikt
)
[0066]
其中，qi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。
[0067]
所述encoder层的表达式为：
[0068]
e＝z(q,k)
·v[0069]
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。
[0070]
所述decoder层的表达式为：
[0071]
d＝z(qd,kd)
·vd
[0072]
其中，qd、kd、vd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。
[0073]
所述输出层的表达式为：
[0074]
out＝z(con(qd,q),con(kd,k))
·
con(vd,v)
[0075]
其中，con表示将两个矩阵按列方向拼接，out为最终预测输出。
[0076]
在一个实施例中，所述神经网络预测模型的训练过程包括：
[0077]
1、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；设置神经网络模型的基本参数：encoder层数为4、decoder层数为1、模型维度为512、单变量预测神经网络输入输出节点个数都为1、多变量预测神经网络输入输出节点个数都为为4。
[0078]
设置神经网络模型的特定参数：
[0079]
设置神经网络预测模型的输入和输出的时间步长比值为2:1，本实施例设置训练和输入步长为96，预测步长为48步，采用一次生成方式预测未来48步，所需预测变量数量为4，具体的参数见表1。
[0080]
表1神经网络预测模型参数表
[0081][0082][0083]
2、对获取的co2排放数据训练集进行预处理；包括：从数据库的co2排放监测表里导出全部的监测数据；根据co2排放id、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；
[0084]
3、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数为：
[0085][0086]
其中，y表示真实值；y
′
表示神经网络模型的预测值；n表示数据总数。
[0087]
具体的，训练过程中，设定一个学习参数，如0.001，和训练轮数200，利用预处理后的数据训练模型；利用损失函数mse计算误差，根据误差调整学习率和训练轮数；直至误差满足预设需求，则保存模型参数，得到最终的神经网络预测模型。
[0088]
在一个具体实施例中，所述神经网络预测模型为单变量神经网络预测模型或多变量神经网络预测模型；单变量神经网络预测模型的作用在于：能实现单一变量未来趋势的判断，预测该变量未来发展趋势。多变量神经网络预测模型的作用在于：综合所有相关变量，实现对co2未来排放状态的综合判断。
[0089]
所述神经网络预测模型为多变量神经网络预测模型或由多个单变量神经网络预测模型组成；
[0090]
其中，co2单变量预测值序列的预测过程为：
[0091]
将获取co2单变量监测值一一对应输入所述单变量神经网络预测模型进行预测，得到未来设定时间步长内不同时刻所对应的各个co2单变量预测值，并生成co2单变量排放速率的随时间的变化趋势曲线；
[0092]
co2排放状态的预测过程为：
[0093]
将获取的co2多变量监测值输入所述多变量神经网络预测模型，得到未来设定时间步长内不同时刻所对应的co2排放状态，并生成co2排放状态图表。
[0094]
下面以一个具体示例对预测过程进行进一步说明：
[0095]
1)co2单变量预测值的预测过程为：
[0096]
a)从数据库读取co2排放最新96个时间点的4个变量的监测值，分别为co2、ch4、n2o等，得到形状为96*4的数据矩阵；
[0097]
b)对步骤(a)数据按变量类别进行分类处理并按时间排序，得到形状为96*4的数据；
[0098]
c)将步骤(b)获得的数据，按变量类型一一对应输入单变量神经网络预测模型进行预测，分别得到4个变量的未来48步的预测值，形状为4*48；
[0099]
d)将步骤(c)得到的值按时间进行合并得到形状为48*4的数据，然后插入数据库的单变量预测表；
[0100]
e)从步骤(d)的单变量预测表中读取某个变量的最近6步预测值，进行绘图，如图3所示。
[0101]
2)co2多变量预测值的预测过程为：
[0102]
a)从数据库读取co2排放最新96个时间点的4个变量的监测值，得到形状为96*4的监测数据；
[0103]
b)将(a)获得的数据放入多变量神经网络预测模型进行预测，得到co2排放状态在未来48步的预测值，形状为48*1；
[0104]
c)将(b)得到的数据插入数据库的co2排放状态预测表；
[0105]
d)从步骤(c)的co2排放状态预测表中读取co2排放状态的最近6步预测值，进行绘图，得到如图4所示。可以看出，co2排放状态在未来不同时间段处于上升期、平台期或下降期。
[0106]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0107]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。