主要观点总结
本文介绍了在2024年夏季学期《大数据实践课》上,中国石化工程建设有限公司与清华大学软件学院共建的研究生专业实践基地的同学们所做的期末答辩汇报。课题旨在响应国家双碳目标号召,通过石化行业降低碳排放。研究重点是加氢处理过程的能耗因素,使用大数据和深度学习进行预测和工艺优化。研究内容包括数据集预处理、能耗因素筛选和精准预测。
关键观点总结
关键观点1: 背景与意义
课题旨在响应国家双碳目标,石化行业排放的二氧化碳量大,希望通过优化工艺降低能耗和碳排放。
关键观点2: 研究内容与挑战
研究内容包括数据集预处理、能耗因素筛选和精准预测。挑战在于现有研究方法模型搭建时间长、准确性及有效性验证困难,以及能耗与碳排放量预测与工艺流程模拟的对应难度大。
关键观点3: 数据集处理
对X(与能耗相关的因素)和Y(能耗输出)进行了预处理,包括归一化、时间序列可视化、DTW距离定量观测、特征提取等。
关键观点4: 特征筛选与模型选择
通过相关性分析和XGBoost进行特征筛选,考虑Y的自相关性和时间序列的滞后效应。最终选择GRU模型进行预测。
关键观点5: 预测结果
使用过去24小时的X和过去23小时的Y作为输入预测未来一个时间点的Y,预测误差在18%左右。
免责声明
免责声明:本文内容摘要由平台算法生成,仅为信息导航参考,不代表原文立场或观点。
原文内容版权归原作者所有,如您为原作者并希望删除该摘要或链接,请通过
【版权申诉通道】联系我们处理。