一种基于LSTM算法提高碳核算数据预测精准度的方法

技术领域

本发明属于碳减排技术领域，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。

背景技术

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。

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也存在明显误差。上述误差导致基于生产系统采集的数据直接用于预测碳排放数据时，相应结果与统计核查人员基于实际的能源外购数据的计算结果仍具有明显误差，导致企业在对生产中碳排放进行合规控制时存在困难。

发明内容

本发明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

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。

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。

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。

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。

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。

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x

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x

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：y

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x

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：y

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x

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y

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y

本发明具有以下优点：本发明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。

本发明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。

附图说明

图1为本发明一种基于LSTM算法提高碳核算数据预测精准度的方法的流程图。

具体实施方式

下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和伸入的理解。

如图1所示，本发明提供了一种基于LSTM算法提高碳核算数据预测精准度的方法，包括下列步骤。

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。

生产系统中的数据采集模块包括生产系统中的智能电表和称量装置，称量装置包括皮带秤和/或转子秤；财务系统则提供电力购买数据和燃料采购数据。其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x

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x

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。

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，如果存在燃料回收则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。能源实际购买量的实时数据包括电力购买实时数据和燃料分摊消耗量。该步骤具体如下。

对于电力消耗，包括一些输电输电用电过程中的损耗，以及随检测次数和用电量累积的检测误差，这部分在电压稳定时一般与用电量成正比，另一部分则是由检测误差和非生产用电造成，受用电量影响较小。因此线性回归模型一表示为：y

对于燃料消耗，与电力消耗类似，存在一些输送使用过程的损耗，以及能随检测次数和燃料用量累积的检测误差，这部分与燃料用量之间成正比，另一部分则是由检测误差和运输使用过程产生的固定误差造成，受用燃料用量影响较小。因此线性回归模型二表示为：y

当对损耗的燃料部分收集后称量回收时，一部分燃料损耗是可回收的，且损耗越多则燃料回收总量越多，另一部分燃料损耗属于检测误差或难以回收，并与损耗量本身多少无关。因此线性回归模型三表示为：y

当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，则上述线性回归模型二、线性回归模型三也适用于实时数据间的关系，则能够依据燃料实时消耗量x

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。

该步骤通过电力购买数据和月度燃料采购数据按月度计算出碳排放数据，然后通过线性回归模型一将数据集中对应月度的实时用电量x

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。

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。长短时记忆网络模型LSTM的核心是长短时记忆单元(LSTM cell)，长短时记忆单元包含了遗忘门、输入门、输出门等组件。其中，遗忘门控制着之前的哪些信息需要被遗忘，输入门控制着哪些新的信息需要被输入，输出门控制着哪些信息需要被输出。长短期记忆网络模型LSTM使用一种“遗忘”机制，即历史数据对于当前预测值的影响随着时间推移而衰减，距离当前时刻越近的历史数据，对当前时刻预测值的影响越大。引入该机制增强时间序列模型的迁移能力，使其具有学习到长期变化趋势的能力。

该步骤将训练集中的电力购买实时数据y

实际进行预测时，通过生产系统的数据采集模块采集之前一定期限内实时用电量和燃料实时消耗量的数据，通过步骤S2确定的线性回归模型计算出相应的电力购买实时数据和燃料分摊消耗量，再将电力购买实时数据和燃料分摊消耗量时序化形成一系列时序化数据组，将所得时序化数据组输入训练后的长短期记忆网络模型LSTM就能得到碳排放数据的预测结果，该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。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。