技术特征：
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.根据权利要求4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encoder层的表达式为：e＝z(q,k)
·
v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。6.根据权利要求5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decoder层的表达式为：d＝z(q
d
,k
d
)
·vd
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。7.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，所述输出层的表达式为：
out＝z(con(q
d
,q),con(k
d
,k))
·
con(v
d
,v)其中，con表示将两个矩阵按列方向拼接，out为最终预测输出。8.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的训练过程包括：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；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；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：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。9.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的输入和输出的时间步长比值为2:1。10.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；其中，co2单变量预测值序列的预测过程为：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；co2排放状态的预测过程为：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。
技术总结
本发明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。
技术研发人员：雷宪章 汪敏 张安安 廖长江 刘建生 张亮 丁宁
受保护的技术使用者：西南石油大学
技术研发日：2022.06.06
技术公布日：2022/8/1