基于时间序列的碳排放模型预测方法、相关方法及装置与流程

本发明涉及油气田勘探开发，尤其涉及基于时间序列的碳排放模型预测方法、相关方法及装置。

背景技术：

1、在“双碳”发展战略背景下，石油行业降碳形势严峻，尤其是油气开采业能源消耗大，探究油气行业发展与碳排放关系及其影响因素具有重要的现实意义。能源安全新战略下油气行业需全面贯彻落实增储上产要求，重视创新与节能降耗、优化用能结构是实现油气开采业碳减排最现实、最有效的途径。油气田中勘探开发高耗能设备、重点油气生产工艺环节包括：机(抽油机)、泵(注水泵、输油泵)、炉(锅炉、加热炉)，三种设备耗电约占生产耗电的80％，耗能占生产总能耗的87％。可通过上述重点环节的能耗分析及碳排分析预测，节约能源提高能效，实现有效碳减排。

2、基于时间序列数据进行预测是一种常见的预测方法，它通过分析和建模时间序列数据中的趋势、周期性和季节性等特征，来预测未来的数值或趋势。常见的方法包括：移动平均法，通过计算时间序列数据的滑动平均值，来平滑数据并预测未来的趋势；指数平滑法，基于指数加权平均的方法，对时间序列数据进行平滑和预测；自回归移动平均模型(autoregressive integrated moving average，arima)，考虑时间序列数据的自相关性和移动平均性；以及最新的神经网络模型，利用循环神经网络(recurrent neural network，rnn)或长短期记忆网络(long short-term memory，lstm)，对时间序列数据进行建模和预测。

技术实现思路

1、为了得到更精确的油气田碳排放预测结果，本发明实施例提供了一种基于时间序列的碳排放模型预测方法、相关方法及装置。

2、第一方面，本发明实施例提供一种基于时间序列的碳排放模型预测方法，该方法包括：

3、获取基于时间序列的碳排放预测模型；

4、将获取的油气田预设时间段的历史碳排放数据输入所述碳排放预测模型，得到碳排放预测结果；

5、其中，所述基于时间序列的碳排放预测模型通过下述方式得到：

6、获取油气田的多组历史碳排放数据；所述历史碳排放数据包括多个时间点对应的多个变量和碳排放值；

7、基于集合经验模态分解方法分解所述历史碳排放数据，得到本征模函数；

8、获取初始碳排放预测模型；所述初始碳排放预测模型包括lstm层和注意力机制模块；所述注意力机制模块包括影响因素注意力模块和时间属性注意力模块；

9、将所述本征模函数中预设时间段的数据作为训练数据输入注意力机制模块，得到加权表示；

10、将所述加权表示与所述训练数据通过lstm层，得到碳排放预测值；

11、根据所述碳排放预测值与获取的真实碳排放值，更新所述初始碳排放预测模型；

12、重复上述训练过程，直至达到预设条件，得到所述碳排放预测模型。

13、本技术实施例的一个或一些可选的实施方式中，所述将所述本征模函数中预设时间段的数据作为训练数据输入注意力机制模块，得到加权表示，包括：

14、将所述训练数据输入影响因素注意力模块，得到影响因素权重矩阵；

15、将所述训练数据输入时间属性注意力模块，得到时间属性权重矩阵；

16、基于所述影响因素权重矩阵和时间属性权重矩阵对训练数据进行加权计算，得到加权表示。

17、本技术实施例的一个或一些可选的实施方式中，所述将所述训练数据输入影响因素注意力模块，得到影响因素权重矩阵，包括：

18、基于下述公式1，将所述训练数据沿变量维度进行拆分，得到多个变量对应的本征模函数分量；

19、

20、式中，imfi表示第i个变量对应的本征模函数分量，表示变量i对应t时间步的本征模函数分量，t为预设时间长度；

21、基于下述公式2，分别计算所有时刻的变量权重：

22、

23、式中，表示变量i对应j时间步的的权重；

24、根据所有时刻的变量权重，基于下述公式3，组合得到影响因素权重矩阵：

25、

26、式中，a为影响因素权重矩阵，ai为变量i对应的影响因素权重，m为变量总数。

27、本技术实施例的一个或一些可选的实施方式中，所述将所述训练数据输入时间属性注意力模块，得到时间属性权重矩阵，包括：

28、基于下述公式4，将所述训练数据沿时间维度进行拆分，得到多个时间步对应的本征摸函数分量；

29、

30、式中，imfi表示j时间步对应的本征模函数分量，表示变量m对应j时间步的本征模函数分量，m为变量总数，t表示转置；

31、基于下述公式5，分别计算所有变量的时间属性权重：

32、

33、式中，表示变量j对应i时间步的的权重；

34、根据所有变量的时间属性权重，基于下述公式6，组合得到时间属性权重矩阵：

35、

36、式中，b为时间属性权重矩阵，t为预设时间长度。

37、本技术实施例的一个或一些可选的实施方式中，所述基于所述影响因素权重矩阵和时间属性权重矩阵对训练数据进行加权计算，得到加权表示，包括：

38、根据所述影响因素权重矩阵、时间属性权重矩阵和训练数据，基于下述公式7，进行加权计算，得到加权表示：

39、

40、式中，r为加权表示，imfi表示第i个变量对应的本征模函数分量，ai为变量i对应的影响因素权重，b为时间属性权重矩阵，λ为碳排放预测模型参数，⊙表示点乘运算，m为变量总数，t表示转置。

41、本技术实施例的一个或一些可选的实施方式中，所述基于集合经验模态分解方法分解所述历史碳排放数据，得到本征模函数，包括：

42、在所述历史碳排放数据的每个变量上多次引入不同的随机噪声，得到多个加噪数据：

43、对所述多个加噪数据分别进行经验模态分解，基于下述公式8，得到多个本征模函数分量集合；

44、

45、式中，imfi,j表示第j次加入随机噪声后经验模态分解得到的的第i个变量对应的本征模函数分量，ei为第i个变量对应的加噪数据，ri,j为残差函数；

46、将所述多个本征模函数分量集合进行平均运算，基于下述公式9，得到多个本征模函数分量：

47、

48、式中，imfi表示第i个变量对应的本征模函数分量，m为变量总数；

49、将所述多个本征模函数分量进行拼接，得到本征模函数。

50、本技术实施例的一个或一些可选的实施方式中，所述将所述加权表示与所述训练数据通过lstm层，得到碳排放预测值，包括：

51、将所述训练数据进行多层lstm运算，得到细胞状态和第一隐藏状态；

52、将所述加权表示与所述第一隐藏状态输入lstm层，基于下述公式10，得到第二隐藏状态：

53、ot＝σ(w·[ht-1,r])+b    公式10；

54、式中，ot为第二隐藏状态，σ表示lstm层运算，ht-1为碳排放预测模型上一层的输出，r为加权表示，w、b分别是权重和偏置值；

55、根据所述细胞状态和第二隐藏状态，基于下述公式11，得到碳排放预测值：

56、output＝ot·tanh(ct-1)    公式11；

57、式中，output为碳排放预测值，ct-1为细胞状态。

58、第二方面，本发明实施例提供一种基于时间序列的碳排放模型训练方法，该方法包括：

59、获取油气田的多组历史碳排放数据；所述历史碳排放数据包括多个时间点对应的多个变量和碳排放值；

60、基于集合经验模态分解方法分解所述历史碳排放数据，得到本征模函数；

61、获取初始碳排放预测模型；所述初始碳排放预测模型包括lstm层和注意力机制模块；

62、将所述本征模函数中预设时间段的数据作为训练数据输入注意力机制模块，得到加权表示；

63、将所述加权表示与所述训练数据通过lstm层，得到碳排放预测值；

64、根据所述碳排放预测值与获取的真实碳排放值，更新所述初始碳排放预测模型；

65、重复上述训练过程，直至达到预设条件，得到所述碳排放预测模型。

66、第三方面，本发明实施例提供一种基于时间序列的碳排放模型预测装置，该装置包括：

67、第一获取模块，用于获取基于时间序列的碳排放预测模型；

68、第一预测模块，用于将获取的油气田预设时间段的历史碳排放数据输入所述碳排放预测模型，得到碳排放预测结果；其中，所述基于时间序列的碳排放预测模型通过下述方式得到：

69、第二获取模块，用于获取油气田的多组历史碳排放数据；所述历史碳排放数据包括多个时间点对应的多个变量和碳排放值；

70、第一处理模块，用于基于集合经验模态分解方法分解所述历史碳排放数据，得到本征模函数；

71、第三获取模块，用于获取初始碳排放预测模型；所述初始碳排放预测模型包括lstm层和注意力机制模块；

72、第二处理模块，用于将所述本征模函数中预设时间段的数据作为训练数据输入注意力机制模块，得到加权表示；

73、第三处理模块，用于将所述加权表示与所述训练数据通过lstm层，得到碳排放预测值；

74、第一更新模块，用于根据所述碳排放预测值与获取的真实碳排放值，更新所述初始碳排放预测模型；重复上述训练过程，直至达到预设条件，得到所述碳排放预测模型。

75、第四方面，本发明实施例提供一种基于时间序列的碳排放模型训练装置，该装置包括：

76、第一获取模块，用于获取油气田的多组历史碳排放数据；所述历史碳排放数据包括多个时间点对应的多个变量和碳排放值；

77、第一处理模块，用于基于集合经验模态分解方法分解所述历史碳排放数据，得到本征模函数；

78、第二获取模块，用于获取初始碳排放预测模型；所述初始碳排放预测模型包括lstm层和注意力机制模块；

79、第二处理模块，用于将所述本征模函数中预设时间段的数据作为训练数据输入注意力机制模块，得到加权表示；

80、第三处理模块，用于将所述加权表示与所述训练数据通过lstm层，得到碳排放预测值；

81、第一更新模块，用于根据所述碳排放预测值与获取的真实碳排放值，更新所述初始碳排放预测模型；重复上述训练过程，直至达到预设条件，得到所述碳排放预测模型。

82、第五方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的基于时间序列的碳排放模型预测方法，和/或，上述的基于时间序列的碳排放模型训练方法。

83、第六方面，本发明实施例提供一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于时间序列的碳排放模型预测方法，和/或，上述的基于时间序列的碳排放模型训练方法。

84、第七方面，本发明实施例提供一种包含指令的计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行如上述的基于时间序列的碳排放模型预测方法，和/或，上述的基于时间序列的碳排放模型训练方法。

85、第八方面，本发明实施例提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如上述的基于时间序列的碳排放模型预测方法，和/或，上述的基于时间序列的碳排放模型训练方法。

86、本发明实施例提供的上述技术方案的有益效果至少包括：

87、本发明实施例提供的基于时间序列的碳排放模型预测方法，获取油气田的历史碳排放数据，使用集合经验模态分解方法对历史碳排放数据进行处理，输入基于时间序列的碳排放预测模型进行预测，通过结合lstm层和注意力机制模块建立碳排放预测模型，得到输入数据的加权表示，得到碳排放预测值，其中，集合经验模态分解针对碳排放非线性时序数据可有效减少数据波动，提高稳定性，注意力机制模块通过分别提取影响因素和时间属性的权重表示，使权重表示包含了碳排放变量和时间属性分别对碳排放值的重要程度，使碳排放变量与模型预测有机结合，有效提高预测精度，使碳排放预测模型的预测结果具有更强的可解释性。

88、本技术实施例提供的基于时间序列的碳排放模型预测方法，可以得到具有更高精度与可解释性的碳排放预测结果，为石油与化工行业的碳排放预警与减排提供理论依据，帮助企业了解碳排放情况，制定合理的碳排放管理策略，降低碳排放成本，减少温室气体排放，提高环境可持续性和企业的经济效益。

89、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

90、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。