CN102194057B - 一种废塑料炼油燃烧优化的模型更新方法 - Google Patents
一种废塑料炼油燃烧优化的模型更新方法 Download PDFInfo
- Publication number
- CN102194057B CN102194057B CN 201110115407 CN201110115407A CN102194057B CN 102194057 B CN102194057 B CN 102194057B CN 201110115407 CN201110115407 CN 201110115407 CN 201110115407 A CN201110115407 A CN 201110115407A CN 102194057 B CN102194057 B CN 102194057B
- Authority
- CN
- China
- Prior art keywords
- model
- alpha
- error
- function
- reactor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明涉及一种废塑料炼油燃烧优化的模型更新方法。目前废塑料炼油燃烧优化中存在瓶颈问题。本发明方法利用超出原有模型预测误差限度的数据建立新的模型,然后再利用废塑料炼油的新燃烧数据和优化算法,寻找最优的新模型和已有模型的比例系数,利用最优的比例系数将新模型和已有模型结合在一起,共同对新的废塑料炼油燃烧状态进行预测和优化,实现模型更新。本发明方法克服了一般模型更新方法中将已有模型完全放弃,不能利用已有模型的学习结果的缺点,充分利用了已有模型的学习结果,大大缩短了模型更新的计算工作量和时间。
Description
技术领域
本发明属于信息控制技术领域,涉及到机器学习自适应技术,特别是涉及一种废塑料炼油燃烧优化的模型更新方法。
背景技术
废塑料炼油的燃烧优化是控制废塑料裂解反应和产品的重要技术手段,其目标是在一定生产条件和目标下,通过调整各燃烧器的运行参数而获得反应釜所需的理想的燃烧状态,使反应釜的温度分布良好,废塑料的裂解反应在适当的温度下进行,使产品符合生产需求的基础上利益最大化。加热反应釜的各燃烧器的给风和给油等运行参数的不同对反应釜内的温度分布有直接的影响,不同的燃烧器的给油和给风的配合会直接导致不同的反应釜内的温度分布的情况,尤其是在反应釜进料有扰动的情况下,温度分布更不稳定。对于一定的生产条件和产品需求,针对反应釜所需的理想的燃烧状态特征指标,存在一种最优的各燃烧器运行参数配置方案,能够使相应燃烧状态的特征指标最优化,但是,反应釜内的温度分布与各燃烧器运行参数和进料量及出产品量间有着非常复杂的耦合关系,要找到最优的各燃烧器的运行参数的配置并不容易。废塑料炼油是一种新的生产工艺过程,其燃烧优化问题还没有得到解决。
实际生产中废塑料炼油的燃烧调整主要是靠工作人员经验,其目标也只是维持生产正常进行,并没有优化的概念,因此其生产过程中燃烧状态还有很大的可提升空间。
通过数据挖掘,在大量不同的生产运行参数组合中,应用机器学习的方法,挖掘出各燃烧器的运行参数、进料量和出产品量与反应釜内轴向温度分布间的关系模型,再结合优化算法对进行燃烧优化是非常有潜力的方法。如何使该方法真正达到废塑料炼油生产实际的要求,是该技术的关键,主要难题包括,如何提高模型的预测和泛化能力,如何提高模型的自学习和自适应能力。
由于燃烧设备的燃烧特性及反应釜传热特性随着时间的增长会有所改变,而且进料量和进料种类(废塑料种类)有时也会变化,因此如何保证模型能够快速、高效的更新以适应新的情况成为了这种方法的关键问题。该问题与建模方法、样本数据选取及更新策略等都有很大关系。
发明内容
本发明的目的是针对废塑料炼油燃烧优化中的瓶颈问题,提出一种兼顾历史学习结果与新的变化情况的模型更新方法。
本发明具体是利用超出原有模型预测误差限度的数据建立新的模型,然后再利用废塑料炼油的新燃烧数据和优化算法,寻找最优的新模型和已有模型的比例系数,利用最优的比例系数将新模型和已有模型结合在一起,共同对新的废塑料炼油燃烧状态进行预测和优化,实现模型更新。该方法克服了一般模型更新方法中将已有模型完全放弃,不能利用已有模型的学习结果的缺点,充分利用了已有模型的学习结果,大大缩短了模型更新的计算工作量和时间。
本发明的技术方案是通过利用原有模型预测超出误差限度的数据作样本,建立新的模型,并将新模型与原有模型相结合等手段,确立了一种废塑料炼油燃烧优化的模型更新方法,利用该方法可以快速、高效的实现模型的更新。
本发明方法的步骤包括:
步骤(1)建立原有模型的预测错误数据库。根据具体燃烧情况和对模型预测精度的要求,设定模型的允许预测误差限 和,因为废塑料炼油燃烧优化的检测目标为反应釜轴向温度分布(反应釜内壁轴向取 个温度监测点,),所以设定两个预测误差限度,为最大允许误差限,即在反应釜轴向分布的个温度检测点的每个点误差的最大允许限,为平均允许误差,即反应釜轴向分布的个温度检测点的平均误差的最大允许限。在采集数据时,判断模型预测值与实际运行值之间的误差与允许预测误差限和的大小,如果某反应釜轴向温度检测点预测误差大于,即,或反应釜轴向个温度检测点的平均误差大于,即,其中为反应釜轴向的第个温度检测点的温度模型预测值,为反应釜轴向的第个温度检测点的温度实际运行数据,则将超限数据存入预测错误数据库中,以备模型更新之用。
步骤(2)建立新模型。原模型需要更新时,选取预测错误数据库中的数据作为训练样本,分别用支持向量机算法和径向基神经网络建模,首先用支持向量机建模,样本可以表示为,其中表示第组作为输入数据的各燃烧器的运行参数 (包括各燃烧器的给油和给风量) 、反应釜进料量和反应釜出产品量向量,表示第组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量(M个反应釜轴向的温度值),为样本数量,采用支持向量机算法建立新的模型,核函数选为径向基函数:
可得拉格朗日函数的对偶函数:
此时,
按照库恩-塔克(KKT)条件定理,在鞍点有下式成立:
由上式可见,α i ·α i * =0,α i 和α i * 都不会同时为非零,可得:
再采用学习能力和函数逼近能力强的径向基神经网络建模:
对于个隐节点的径向基神经网络其输出为:,为权重系数, 为维输入向量,为第个基函数的中心,为函数的基宽度参数。建立径向基神经网络模型的关键在于确定基函数的中心,基宽度及权重系数。采用遗传算法迭代训练径向基神经网络,定义遗传算法初始群体向量的各维分量,分别为隐节点个数、基函数中心、函数的基宽度和权重系数,目标函数为:,其中为第个样本的神经网络输出值,为第个样本的实际值。当达到了最小、达到设定值或完成迭代次数时,训练完成,获得隐节点个数、基函数中心、函数的基宽度和权重系数,从而获得径向基神经网络模型。
采用训练样本数据作为检验数据,应用支持向量机模型和神经网络模型加权平均的预测方法,对检验数据进行预测,即,其中为第组检验样本工况的目标预测值,为支持向量机模型预测值,为神经网络模型预测值,为支持向量机模型预测值比例系数,为神经网络模型的预测比例系数,且;
与的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量的各维分量,分别为支持向量机模型比例系数和原有模型比例系数,目标函数为:,其中为第组工况实际数据与结合模型预测的废塑料炼油燃烧特征指标的误差,当取得了最小、达到设定值或完成迭代次数时,寻优完成,按最优的权重系数组合支持向量机模型和径向基神经网络模型构成新模型,该新模型可以兼顾泛化能力和经验误差。
步骤(3)确定新模型和已有模型的比例。采集新的废塑料炼油不同运行状态下的数据作为检验样本,应用原有模型预测与新模型加权平均的预测方法,对检验数据进行预测,即,其中为第组检验样本工况的目标预测值,为新模型预测值,为原有模型预测值,为新模型权重系数,为原有模型权重系数,且;
与的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量的各维分量,分别为新模型权重和原有模型权重,目标函数为:,其中为第组工况与结合模型预测的反应釜轴向各温度检测点中的最大误差,为第组工况与结合模型预测的反应釜轴向各温度检测点的平均误差,当取得了最小、达到设定值或完成迭代次数时,寻优完成,若且,则分别获得新模型和原有模型的权重系数和,否则,更换新模型建模数据,重复步骤(2)-(3),直到获得权重系数和。清空预测错误数据库,以备下一次更新采集数据之用。
本发明提出的模型更新方法充分利用了已有的模型所包含的有用信息,大大减少了模型更新的工作量,提高了模型更新的效率,满足了废塑料炼油燃烧优化的实际要求,保证了废塑料炼油燃烧优化的实时性和准确性。
具体实施方式
一种废塑料炼油燃烧优化的模型更新方法,具体步骤是:
(1)建立原有模型的预测错误数据库。根据具体燃烧情况和对模型预测精度的要求,设定模型的允许预测误差限和,因为废塑料炼油燃烧优化的检测目标为反应釜轴向温度分布(反应釜内壁轴向取个温度监测点,),所以设定两个预测误差限度,为最大允许误差限,即在反应釜轴向分布的个温度检测点的每个点误差的最大允许限,为平均允许误差,即反应釜轴向分布的个温度检测点的平均误差的最大允许限。在采集数据时,判断模型预测值与实际运行值之间的误差与允许预测误差限和的大小,如果某反应釜轴向温度检测点预测误差大于,即,或反应釜轴向个温度检测点的平均误差大于,即,其中为反应釜轴向的第个温度检测点的温度模型预测值,为反应釜轴向的第个温度检测点的温度实际运行数据,则将超限数据存入预测错误数据库中,以备模型更新之用。
(2)建立新模型。原模型需要更新时,选取预测错误数据库中的数据作为训练样本,分别用支持向量机算法和径向基神经网络建模,首先用支持向量机建模,样本可以表示为,其中表示第组作为输入数据的各燃烧器的运行参数 (包括各燃烧器的给油和给风量) 、反应釜进料量和反应釜出产品量向量,表示第组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量(M个反应釜轴向的温度值),为样本数量,采用支持向量机算法建立新的模型,核函数选为径向基函数:
可得拉格朗日函数的对偶函数:
此时,
按照库恩-塔克(KKT)条件定理,在鞍点有下式成立:
由上式可见,α i ·α i * =0,α i 和α i * 都不会同时为非零,可得:
从上式可求出,获得模型。
再采用学习能力和函数逼近能力强的径向基神经网络建模:
对于个隐节点的径向基神经网络其输出为:,为权重系数, 为维输入向量,为第个基函数的中心,为函数的基宽度参数。建立径向基神经网络模型的关键在于确定基函数的中心,基宽度及权重系数。采用遗传算法迭代训练径向基神经网络,定义遗传算法初始群体向量的各维分量,分别为隐节点个、数基函数中心、函数的基宽度和权重系数,目标函数为:,其中为第个样本的神经网络输出值,为第个样本的实际值。当达到了最小、达到设定值或完成迭代次数时,训练完成,获得隐节点个数、基函数中心、函数的基宽度和权重系数,从而获得径向基神经网络模型。
采用训练样本数据作为检验数据,应用支持向量机模型和神经网络模型加权平均的预测方法,对检验数据进行预测,即,其中为第组检验样本工况的目标预测值,为支持向量机模型预测值,为神经网络模型预测值,为支持向量机模型预测值比例系数,为神经网络模型的预测比例系数,且;
与的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量的各维分量,分别为支持向量机模型比例系数和原有模型比例系数,目标函数为:,其中为第组工况实际数据与结合模型预测的废塑料炼油燃烧特征指标的误差,当取得了最小、达到设定值或完成迭代次数时,寻优完成,按最优的权重系数组合支持向量机模型和径向基神经网络模型构成新模型,该新模型可以兼顾泛化能力和经验误差。
(3)确定新模型和已有模型的比例。采集新的废塑料炼油不同运行状态下的数据作为检验样本,应用原有模型预测与新模型加权平均的预测方法,对检验数据进行预测,即,其中为第组检验样本工况的目标预测值,为新模型预测值,为原有模型预测值,为新模型预测值权重系数,为原有模型的预测权重系数,且;
与的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量的各维分量,分别为新模型权重系数和原有模型权重系数,目标函数为:,其中为第组工况与结合模型预测的反应釜轴向各温度检测点中的最大误差,为第组工况与结合模型预测的反应釜轴向各温度检测点的平均误差,当取得了最小、达到设定值或完成迭代次数时,寻优完成,若且,则分别获得新模型和原有模型的权重系数和,否则,更换新模型建模数据,重复步骤2-3,直到获得权重系数和。清空预测错误数据库,以备下一次更新采集数据之用。
Claims (1)
1.一种废塑料炼油燃烧优化的模型更新方法,其特征在于该方法的具体步骤包括:
步骤(1)建立原有模型的预测错误数据库:根据具体燃烧情况和对模型预测精度的要求,设定模型的允许预测误差限δmax和δmean,δmax为最大允许误差限,即在反应釜轴向分布的M个温度检测点的每个点误差的最大允许限,δmean为平均允许误差,即反应釜轴向分布的M个温度检测点的平均误差的最大允许限,M≥3;在采集数据时,判断模型预测值与实际运行值之间的误差与允许预测误差限δmax和δmean的大小,如果某反应釜轴向温度检测点预测误差大于δmax,即或反应釜轴向M个温度检测点的平均误差大于δmean,即其中为反应釜轴向的第i个温度检测点的温度模型预测值,为反应釜轴向的第i个温度检测点的温度实际运行值,则将超限数据存入预测错误数据库中,以备模型更新之用;
步骤(2)建立新模型:原有模型需要更新时,选取预测错误数据库中的数据作为训练样本,分别用支持向量机算法和径向基神经网络建模,首先用支持向量机建模,样本可以表示为其中xi表示第i组作为输入数据的各燃烧器的运行参数、反应釜进料量和反应釜出产品量向量,yi表示第i组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量,N为样本数量,采用支持向量机算法建立新的模型,核函数选为径向基函数:
φ(x)为映射函数,设所求的目标函数为:f(xi)=w·φ(xi)+b,f(xi)为模型输出的锅炉燃烧指标预测值,w为权重系数向量,b为截距;引入松弛因子ξ* i≥0和ξi≥0和允许拟合误差ε,模型可以通过在约束:
获得,其中常数C>0为惩罚系数;引入拉格朗日函数:
拉格朗日函数L在鞍点处是关于w,b,ξi,ξi *的极小点,得:
可得拉格朗日函数的对偶函数:
此时,
按照库恩-塔克条件定理,在鞍点有下式成立:
可得:
从上式可求出b,获得模型;
再采用学习能力和函数逼近能力强的径向基神经网络建模:
对于n个隐节点的径向基神经网络其输出为:wi为权重系数,x为m维输入向量,ci为第i个基函数的中心,ρi为函数的基宽度参数;建立径向基神经网络模型的关键在于确定基函数的中心ci,基宽度ρi及权重系数wi;采用遗传算法迭代训练径向基神经网络,定义遗传算法初始群体Z向量的各维分量,分别为隐节点个数、基函数中心、函数的基宽度和权重系数,目标函数为:其中为第i个样本的神经网络输出值,yi为第i个样本的实际值;当J达到了最小、达到设定值或完成迭代次数时,训练完成,获得隐节点个数、基函数中心、函数的基宽度和权重系数,从而获得径向基神经网络模型;
采用训练样本数据作为检验数据,应用支持向量机模型和神经网络模型加权平均的预测方法,对检验数据进行预测,即yi=αZz+βZs,其中yi为第i组检验样本工况的目标预测值、Zz为支持向量机模型预测值、Zs为神经网络模型预测值、α为支持向量机模型预测值比例系数、β为神经网络模型预测值比例系数,且α+β=1;
α与β的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量x的各维分量,分别为支持向量机模型预测值比例系数α和神经网络模型预测值比例系数β,目标函数为:其中ψi为第i组工况实际数据与结合模型预测的废塑料炼油燃烧特征指标的误差,当ψ取得了最小、达到设定值或完成迭代次数时,寻优完成,按最优的比例系数组合支持向量机模型和径向基神经网络模型构成新模型,该新模型可以兼顾泛化能力和经验误差;
步骤(3)确定新模型和原有模型的比例;采集新的废塑料炼油不同运行状态下的数据作为检验样本,应用原有模型与新模型加权平均的预测方法,对检验数据进行预测,即yi=λEn+γEo,其中yi为第i组检验样本工况的目标预测值、En为新模型预测值、Eo为原有模型预测值、λ为新模型预测值权重系数、γ为原有模型预测值权重系数,且λ+γ=1;
λ与γ的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量x的各维分量,分别为新模型预测值权重系数λ和原有模型预测值权重系数γ,目标函数为:其中为第i组工况与结合模型预测的反应釜轴向各温度检测点中的最大误差,为第i组工况与结合模型预测的反应釜轴向各温度检测点的平均误差,当K取得了最小、达到设定值或完成迭代次数时,寻优完成,若且则分别获得新模型和原有模型的预测值权重系数λ和γ,否则,更换新模型建模数据,重复步骤(2)~(3),直到获得预测值权重系数λ和γ;清空预测错误数据库,以备下一次更新采集数据之用;
步骤(4)将原有模型与新模型按最优的权重系数相结合,构成新的组合模型,即E=λEn+γEo,其中E为更新后的组合模型,从而实现废塑料炼油燃烧优化模型的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110115407 CN102194057B (zh) | 2011-05-05 | 2011-05-05 | 一种废塑料炼油燃烧优化的模型更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110115407 CN102194057B (zh) | 2011-05-05 | 2011-05-05 | 一种废塑料炼油燃烧优化的模型更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102194057A CN102194057A (zh) | 2011-09-21 |
CN102194057B true CN102194057B (zh) | 2013-02-06 |
Family
ID=44602117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110115407 Expired - Fee Related CN102194057B (zh) | 2011-05-05 | 2011-05-05 | 一种废塑料炼油燃烧优化的模型更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102194057B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020455B (zh) * | 2012-12-17 | 2015-07-22 | 富通集团有限公司 | 一种同轴电缆护套机优化运行的多目标模型更新方法 |
CN103605287B (zh) * | 2013-08-05 | 2016-03-30 | 浙江大学 | 循环流化床锅炉床温预测系统及方法 |
CN109101683B (zh) * | 2018-06-29 | 2022-03-18 | 杭州电子科技大学 | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 |
CN113742989A (zh) * | 2020-05-27 | 2021-12-03 | 国家能源投资集团有限责任公司 | 燃烧优化控制方法、装置、存储介质及电子设备 |
CN113108949B (zh) * | 2021-03-16 | 2022-11-04 | 北京工业大学 | 一种基于模型融合的探空仪温度传感器误差预测方法 |
CN116579188B (zh) * | 2023-07-12 | 2023-09-22 | 北京安诺明科技有限公司 | 一种炼油化工工艺大数据智能分析方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5005291B2 (ja) * | 2006-08-14 | 2012-08-22 | トヨタ自動車株式会社 | 内燃機関の適合方法 |
CN101498459B (zh) * | 2009-03-02 | 2010-07-21 | 杭州电子科技大学 | 一种锅炉燃烧优化的建模方法 |
CN101498458B (zh) * | 2009-03-02 | 2010-08-11 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN101498457B (zh) * | 2009-03-02 | 2010-08-25 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
-
2011
- 2011-05-05 CN CN 201110115407 patent/CN102194057B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102194057A (zh) | 2011-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102194057B (zh) | 一种废塑料炼油燃烧优化的模型更新方法 | |
CN101498458B (zh) | 一种锅炉在线燃烧优化的模型更新方法 | |
CN102184287B (zh) | 一种废塑料炼油燃烧优化的建模方法 | |
CN102222128B (zh) | 一种废塑料炼油燃烧优化的方法 | |
CN102708381B (zh) | 融合最小二乘向量机回归学习思想的改进极限学习机 | |
Wang et al. | Cost estimation of plastic injection molding parts through integration of PSO and BP neural network | |
CN106022377B (zh) | 一种铁矿烧结料层透气性状态的在线预测方法 | |
CN101498459B (zh) | 一种锅炉燃烧优化的建模方法 | |
CN104765346B (zh) | 一种炼油过程全流程建模方法 | |
CN102799778B (zh) | 一种优化锅炉负荷分配方法 | |
CN102867083A (zh) | 考虑不确定性的压力机滑块机构高刚度轻量化设计方法 | |
CN102200759A (zh) | 一种非线性核化自适应预测方法 | |
CN110210648B (zh) | 基于灰色长短期记忆网络的管制空域战略流量预测方法 | |
CN106709654A (zh) | 一种加氢裂化流程全局运行状况评估与质量追溯方法 | |
CN102053595A (zh) | 一种乙烯装置中控制裂解炉裂解深度的方法 | |
CN103524284A (zh) | 一种乙烯裂解原料配置的预测和优化方法 | |
CN101872444A (zh) | 一种结合中期修正策略的间歇过程批到批优化方法 | |
CN102842066B (zh) | 一种生物质炉燃烧优化的建模方法 | |
CN103778466B (zh) | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 | |
CN102252342A (zh) | 一种多孔介质燃烧器在线燃烧优化的模型更新方法 | |
CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
Gao et al. | Comparative study of model-based and model-free reinforcement learning control performance in HVAC systems | |
CN102184450A (zh) | 一种多孔介质燃烧器燃烧优化的建模方法 | |
Shi et al. | Sliding window and dual-channel CNN (SWDC-CNN): A novel method for synchronous prediction of coal and electricity consumption in cement calcination process | |
Tian et al. | Dynamic operation optimization based on improved dynamic multi-objective dragonfly algorithm in continuous annealing process. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130206 Termination date: 20130505 |