CN102750454B - 一种氢气消耗预测值获取方法、装置及系统 - Google Patents

Abstract

本申请提供了一种氢气消耗预测值获取方法及装置，所述方法包括：获取耗氢装置对氢气的历史消耗数据；确定所述耗氢装置类别，在预设的负载变量集合中查询与所述耗氢装置类别相对应的辅助变量；利用多元线性回归算法建立第一数学模型，并利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值。所述方法还包括：对所述历史消耗数据进行异常数据和噪音数据的过滤；解析过滤后的历史消耗数据中各数据项的平均值；将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据。

Description

一种氢气消耗预测值获取方法、装置及系统

技术领域

本申请涉及调度优化技术领域，特别涉及一种氢气消耗预测值获取方法、装置及系统。

背景技术

在石化行业中，氢气是非常重要的资源、原料和产品。一般石化行业的氢气系统包括提供氢气的产氢装置、消耗氢气的耗氢装置和将氢气由产氢装置输送至耗氢装置的氢气管网。当产氢装置的产氢量大于耗氢装置对氢气的需求量时，氢气管网的输送压力会增加，一旦压力超过某一限值，氢气管网必须将部分氢气排放至与氢气管网相连的低压瓦斯管网，造成氢气的浪费。为了减少资源浪费，需要预测耗氢装置对氢气的消耗量，依据该消耗量对产氢装置产氢量进行调控。

现有公开号为CN20090140201.9的发明专利提出，采用已给定反应机理的加氢处理反应器和加氢裂化反应器的氢气消耗速率公式，计算得出氢气消耗量，并依据计算得出的氢气消耗量对产氢装置的产氢量进行调控。

上述方法对于工业应用来说，需要对工业现场中与氢气消耗相关的数据进行反复的非线性回归计算，得出上述公式中所需的参数（氢气反应速率常数及其活化性），该计算过程较为繁琐，使得氢气消耗量的预测速率较慢，导致产氢装置的产氢量调控效率较低。

发明内容

本申请所要解决的技术问题，是提供一种氢气消耗预测值获取方法、装置及系统，用以解决现有技术中氢气消耗预测值计算过程较为繁琐，使得氢气消耗量的预测速度较慢，导致产氢装置的产氢量调控效率较低的技术问题。

为解决上述技术问题，本申请提供了一种氢气消耗预测值获取方法，包括：

获取耗氢装置对氢气的历史消耗数据；

确定所述耗氢装置类别，在预设的负载变量集合中查询与所述耗氢装置类别相对应的辅助变量；

利用多元线性回归算法建立第一数学模型，并利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

上述方法，优选地，在所述获取耗氢装置对氢气的历史消耗数据之后，在所述利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值之前，所述方法还包括：

对所述历史消耗数据进行异常数据和噪音数据的过滤；

解析过滤后的历史消耗数据中各数据项的平均值；

将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据；

其中：

所述利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值为：

利用所述第一数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

上述方法，优选地，在利用所述第一数学模型获取到氢气消耗预测值之后，所述方法还包括：

判断所述利用第一数学模型获取的氢气消耗预测值是否满足预设预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，确定与所述耗氢装置类别相对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法；

利用所述主成分分析法或偏最小二乘法建立第二数学模型，并利用所述第二数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

上述方法，优选地，在利用所述第二数学模型获取到氢气消耗预测值之后，所述方法还包括：

判断所述利用第二数学模型获取的氢气消耗预测值是否满足所述预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，利用人工神经网络算法建立第三数学模型，并利用所述第三数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

上述方法，优选地，若所述耗氢装置为加氢裂化装置、催化汽油吸附脱硫装置或对二甲苯异构化/非芳加氢装置，所述建模方法为主成分分析法。

上述方法，优选地，若所述耗氢装置为加氢精制装置，所述建模方法为偏最小二乘法。

上述方法，优选地，在获取到氢气消耗预测值之后，所述方法还包括：

重新获取所述耗氢装置对氢气的历史消耗数据；

将获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取对比结果；

依据所述对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

获取与所述对比结果和更新的辅助变量相对应的氢气消耗预测值。

本申请还提供了一种氢气消耗预测值获取装置，用于实现上述方法，包括：

历史数据获取单元，用于获取耗氢装置对氢气的历史消耗数据；

辅助变量获取单元，用于确定所述耗氢装置类别，在预设的负载变量集合中查询与所述耗氢装置类别相对应的辅助变量；

第一模型建立单元，用于利用多元线性回归算法建立第一数学模型，并利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

上述装置，优选地，还包括数据预处理单元；

所述数据预处理单元，由所述历史数据获取单元触发，用于对所述历史消耗数据进行异常数据和噪音数据的过滤，并解析过滤后的历史消耗数据中各数据项的平均值，以及将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据；

其中，所述第一模型建立单元，还用于利用所述第一数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

所述装置，优选地，还包括第一逻辑判断单元和第二模型建立单元，其中：

所述第一逻辑判断单元，用于由所述第一模型建立单元触发，判断所述第一模型建立单元获取的氢气消耗预测值是否满足预设预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，确定与所述耗氢装置类别相对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法，触发所述第二模型建立单元；

所述第二模型建立单元，用于利用所述主成分分析法或偏最小二乘法建立第二数学模型，并利用所述第二数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

上述装置，优选地，还包括第二逻辑判断单元和第三模型建立单元，其中：

所述第二逻辑判断单元，用于由所述第二模型建立单元触发，判断所述第二模型建立单元获取的氢气消耗预测值是否满足所述预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，触发所述第三模型建立单元；

所述第三模型建立单元，用于利用人工神经网络算法建立第三数学模型，并利用所述第三数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

上述装置，优选地，还包括数据优化单元：

所述数据优化单元，用于触发所述历史数据获取单元重新获取所述耗氢装置对氢气的历史消耗数据，并将获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取对比结果；

并依据所述对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

以及获取与所述对比结果和更新的辅助变量相对应的氢气消耗预测值。

本申请还提供了一种氢气消耗预测值获取系统，包括如上述任意一项所述的氢气消耗预测值获取装置。

由上述方案可知，相对于现有技术中氢气消耗预测值计算过程较为繁琐，使得氢气消耗量的预测速度较慢，导致产氢装置的产氢量调控效率较低的技术问题，本申请提供了一种氢气消耗预测值获取方法、装置及系统，通过对耗氢装置的历史消耗数据及其辅助变量进行获取，并利用数学建模的方法获取与所述历史消耗数据及其辅助变量相对应的氢气消耗预测值，由此避免了计算过程繁琐，导致氢气消耗量预测速率较慢的情况，即不需要利用加氢处理反应器中添加各种组成在线分析仪来实现动态精确测量反应产物（硫化氢、氨气）以及请求的摩尔分数，计算速度较快。且，本申请提供的方法及装置对实现其功能的计算机要求不高，实用性好，利于在硬件配置不高的场所例如炼油厂进行推广和应用。

进一步的，本申请提供的一种氢气消耗预测值获取方法、装置及系统，通过对耗氢装置现场采集的历史消耗数据进行严格的预处理，有效过滤噪音和异常数据即错误信号，并对其进行标准化处理，使得用于建模计算的基础数据稳定可靠，能更好的提高预测效果和精度。

进一步的，本申请提供的一种氢气消耗预测值获取方法、装置及系统通过多种针对不同耗氢装置的建模方法，建立数学模型进行氢气消耗预测值的获取，使得本申请可直接应用于工业实际中，不局限于某个特定耗氢装置。

更进一步的，本申请提供的一种氢气消耗预测值获取方法、装置及系统通过对获取的氢气消耗预测值进行校验对比，并利用对比结果对氢气消耗预测值的获取过程进行优化，进一步增加了耗氢装置氢气消耗预测值的准确性和可靠性，使得本申请实施例可直接应用于工业现场。

当然，实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种氢气消耗预测值获取方法实施例一的流程图；

图2为本申请提供的一种氢气消耗预测值获取方法实施例二的部分流程图；

图3为本申请提供的一种氢气消耗预测值获取方法实施例三的部分流程图；

图4为本申请提供的一中氢气消耗预测值获取方法实施例三的另一部分流程图；

图5为本申请提供的一种氢气消耗预测值获取方法实施例四的部分流程图；

图6为本申请提供的一种氢气消耗预测值获取装置实施例一的结构示意图；

图7为本申请提供的一种氢气消耗预测值获取装置实施例二的结构示意图；

图8为本申请提供的一种氢气消耗预测值获取装置实施例三的结构示意图；

图9为本申请提供的一种氢气消耗预测值获取装置实施例三的另一结构示意图；

图10为本申请提供的一种氢气消耗预测值获取装置实施例四的结构示意图；

图11为本申请提供的一种氢气消耗预测值获取系统建模流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参考图1，其示出了本申请提供的一种氢气消耗预测值获取方法实施例一的流程图，所述方法可以包括以下步骤：

步骤101：获取耗氢装置对氢气的历史消耗数据。

其中，所述历史消耗数据可以由实时数据库、实验室信息管理系统（LIMS）等数据库中采集得到，包括原料油性质、计划调度、操作参数等相应历史、实时和计划数据。

步骤102：确定所述耗氢装置类别，在预设的负载变量集合中查询与所述耗氢装置类别相对应的辅助变量。

其中，所述耗氢装置包括加氢裂化装置、加氢精制装置、催化汽油吸附脱硫装置和对二甲苯PX异构化/非芳加氢装置等，由于所述耗氢装置的类别不同，本申请实施例中后期参与建模的辅助变量不同，由此需要对耗氢装置的类别进行分析确定，从而获取其对应的辅助变量。以下为对不同的耗氢装置的辅助变量进行介绍：

1、加氢裂化装置：

（1）与现场检测仪表直接关联的实时数据库系统的位号变量：裂化系列原料油进料流量或处理量（单位：吨/小时）、裂化系列产品油流量或处理量（单位：吨/小时）、裂化系列反应器床顶温度（单位：摄氏度）、裂化系列反应器床底温度（单位：摄氏度）、裂化系列反应器床顶压力（单位：MPa）、裂化系列反应器床底压力（单位：MPa）、裂化系列反应器压降（单位：KPa）、精制系列原料油进料流量（单位：吨/小时）、精制系列产品油流量（单位：吨/小时）、精制系列反应器床顶温度（单位：摄氏度）、精制系列反应器床底温度（单位：摄氏度）、精制系列反应器床顶压力（单位：MPa）、精制系列反应器床底压降（单位：KPa）。

（2）与实验室信息管理系统（LIMS）的实验室化验变量：裂化系列原料油硫含量（单位：%）、裂化系列原料油溴价（单位：gBr/100g）、裂化系列原料油总氮（单位：ppm）、裂化系列原料油密度（单位：kg/m3）、裂化系列产品油硫含量（单位：%）、裂化系列产品油溴价（单位：gBr/100g）、裂化系列产品油总氮（单位：ppm）、裂化系列产品油密度（单位：kg/m3）、精制系列原料油硫含量（单位：%）、精制系列原料油溴价（单位：gBr/100g）、精制系列原料油总氮（单位：ppm）、精制系列原料油密度（单位：kg/m3）、精制系列产品油硫含量（单位：%）、精制系列产品油溴价（单位：gBr/100g）、精制系列产品油总氮（单位：ppm）、精制系列产品油密度（单位：kg/m3）。

2、加氢精制（包括汽油加氢、柴油加氢、蜡油加氢、航煤加氢）装置

（1）与现场检测仪表直接关联的实时数据库系统的位号变量：各种原料油对应的进料流量或处理量（单位：吨/小时）、各种产品油流量或处理量（单位：吨/小时）、反应器床顶温度（单位：摄氏度）、反应器床底温度（单位：摄氏度）、反应器床顶压力（单位：MPa）、反应器床底压力（单位：MPa）、反应器床压降（单位：KPa）。

（2）与实验室信息管理系统（LIMS）的实验室化验变量：各种原料油硫含量（单位：%）、各种原料油硫含量（单位：%）、各种原料油溴价（单位：gBr/100g）、各种原料油总氮（单位：ppm）、各种原料油密度（单位：kg/m3）、各种产品油硫含量（单位：%）、各种产品油溴价（单位：gBr/100g）、各种产品油总氮（单位：ppm）、各种产品油密度（单位：kg/m3）；

其中，所述各种原料油包括轻直柴油、催化柴油、溶脱油、焦化汽油、航空煤油、裂解汽油，所述各种产品油包括汽油、柴油、蜡油、航空煤油。

3、催化汽油吸附脱硫（S-ZORB）装置

（1）与现场检测仪表直接关联的实时数据库系统的位号变量：原料油进料流量或处理量（单位：吨/小时）、产品油流量或处理量（单位：吨/小时）、反应器床顶温度（单位：摄氏度）、反应器床底温度（单位：摄氏度）、反应器床顶压力（单位：MPa）、反应器床底压力（单位：MPa）、反应器床压降（单位：KPa）。

（2）与实验室信息管理系统（LIMS）的实验室化验变量：原料油硫含量（单位：%）、产品油硫含量（单位：%）。

4、PX异构化/非芳（或轻油）加氢装置

与现场检测仪表直接关联的实时数据库系统的位号变量：原料油进料流量或处理量（单位：吨/小时）、产品油流量或处理量（单位：吨/小时）、反应器床顶温度（单位：摄氏度）、反应器床底温度（单位：摄氏度）、反应器床顶压力（单位：MPa）、反应器床底压力（单位：MPa）、反应器床压降（单位：KPa）。

步骤103：利用多元线性回归算法建立第一数学模型，并利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

其中，对于多种耗氢装置，采用多元线性回归LR算法建立第一数学模型，所述多元线性回归算法的第一数学模型的建立过程为：

Y=Xb+E；

其中，b的估计值可以由最小二乘法得到：

$\hat{b}={\left(X^{T}X\right)}^{-1}{X}^{T}Y;$

需要说明的是，在上述建立第一数学模型之后，将所述历史消耗数据和所述辅助变量带入所述第一数学模型，得到氢气消耗预测值。

由上述方案可知，相对于现有技术中氢气消耗预测值计算过程较为繁琐，使得氢气消耗量的预测速度较慢，导致产氢装置的产氢量调控效率较低的技术问题，本申请提供了一种氢气消耗预测值获取方法实施例一，通过对耗氢装置的历史消耗数据及其辅助变量进行获取，并利用数学建模的方法获取与所述历史消耗数据及其辅助变量相对应的氢气消耗预测值，由此避免了计算过程繁琐，导致氢气消耗量预测速率较慢的情况，即不需要利用加氢处理反应器中添加各种组成在线分析仪来实现动态精确测量反应产物（硫化氢、氨气）以及请求的摩尔分数，计算速度较快。且，本申请提供的方法实施例一对实现其功能的计算机要求不高，实用性好，利于在硬件配置不高的场所例如炼油厂进行推广和应用。

参考图2，其示出了本申请提供的一种氢气消耗预测值获取方法实施例二的部分流程图，在所述步骤101之后，在所述步骤103之前，所述方法还包括：

步骤201：对所述历史消耗数据进行异常数据和噪音数据的过滤。

其中，由于多种主客观条件的影响，例如：环境或温度等，所述历史消耗数据带有一定误差，甚至数据缺失，即噪音数据、空缺数据或异常性数据等，而噪音数据、空缺数据和异常性数据通常会降低氢气消耗预测值的精度和准确性，由此在所述步骤101获取到所述耗氢装置的历史消耗数据之后，需要对原始的历史消耗数据进行预处理，所述预处理的方法包括：

（1）局外点检测，剔除异常数据。具体的，可以采用t检验准则等，将计算观测值（即所述历史消耗数据）对期望估计值的残差，并与选定的临界值进行比较，以作判定；

（2）移动平滑，剔除噪声。由于实际观测数据（即所述历史消耗数据）往往是真实信号和各种干扰或误差噪音等成分叠加在一起的结果，而化工过程中数据通常带有高频噪音，需要从实际的序列观测数据中尽可能排除噪音成分而让真实信号保留下来，由此，具体的，可以采用线性滑动平滑法剔除高频噪音。

步骤202：解析过滤后的历史消耗数据中各数据项的平均值。

步骤203：将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据。

其中，由于所述历史消耗数据中，各种变量表示观测样本数据的各种属性，一般情况下均使用不同的度量单位，其数据值可能相差十分悬殊，使得绝对值大的变量（数据项）的影响可能会覆盖绝对值小的变量，使后者应有的作用无法发挥，由此，需要对所述历史消耗数据进行标准化处理，即所述预处理还包括对所述过滤的历史消耗数据进行标准化处理，如步骤202与步骤203所述，具体的，为了确保各变量在分析中的地位，对数据在观测值上减去相应变量的平均值，经标准化后各个变量的均值都为0，标准差均为1。

其中，在上述对所述历史消耗数据进行标准化处理之后，所述步骤103可以为：

利用所述第一数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

需要说明的是，在对所述历史消耗数据进行预处理之后，在后期进行数学建模后进行氢气消耗预测值获取时，所采用的历史消耗数据可以为原始的历史消耗数据，如本申请方法实施例一中所述，还可以为经过预处理后的历史消耗数据，即经过标准化处理的历史消耗数据。

由上述方案可知，本申请提供的一种氢气消耗预测值获取方法实施例二，通过对耗氢装置现场采集的历史消耗数据进行严格的预处理，有效过滤噪音和异常数据即错误信号，并对其进行标准化处理，使得用于建模计算的基础数据稳定可靠，能更好的提高预测效果和精度。

参考图3，其示出了本申请提供的一种氢气消耗预测值获取方法实施例三的部分流程图，在所述步骤103之后，所述方法还包括：

步骤301：判断所述利用第一数学模型获取的氢气消耗预测值是否满足预设预测值调控规则，如果是，执行步骤302，否则，执行步骤303。

其中，在本申请方法实施例一中，采用多元线形回归算法建立第一数学模型进行氢气消耗预测值的获取，该方案模型中当自变量矩阵X中有多列向量间存在或者接近于线性相关，即对应的自变量之间存在复共线性关系时，XTX的条件数很大，正规方程组病态，预测结果可能有很大偏差或根本无法预测，由此，本申请方法实施例二通过对利用第一数学模型获取的氢气消耗预测值进行判断，判断其是否满足预测值调控规则，即所述氢气消耗预测值能否对产氢装置进行有效调控，如果是，则说明当前获取的氢气消耗预测值符合其功能要求，能够对产氢装置进行有效调控，此时执行步骤302，结束当前方法的运行，否则，继续执行以下步骤303。

步骤302：结束当前氢气消耗预测值的获取。

步骤303：确定与所述耗氢装置类别相对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法。

其中，由于耗氢装置类别不同，其辅助变量不同，由此在多元线性回归算法建立的第一数学模型无法凑效的情况下，针对不同的耗氢装置，选择其对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法。

其中，优选地，若所述耗氢装置为加氢裂化装置、催化汽油吸附脱硫装置或对二甲苯异构化/非芳加氢装置，所述建模方法为主成分分析法。

其中，优选地，若所述耗氢装置为加氢精制装置，所述建模方法为偏最小二乘法。

步骤304：利用所述主成分分析法或偏最小二乘法建立第二数学模型。

步骤305：利用所述第二数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

其中，若所述耗氢装置为加氢裂化装置、催化汽油吸附脱硫装置或对二甲苯异构化/非芳加氢装置，在采用多元线性回归算法建立的第一数学模型无法凑效的情况下，选择主成分分析法建立第二数学模型，所述第二数学模型的建立过程如下所述：

设样本相关矩阵的p个特征值为：λ₁≥λ₂≥...≥λ_p-1≥λ_p，与所述p个特征值对应的单位特征值对应的单位特矢量为u₁,u₂,...，u_p，其组成一个正交矩阵：U=[u₁,u₂,...,u_p]；

从中提出出来的p个主成分f₁,f₂,...,f_p，且有

$f_i=u_i^{T}x=u_{1,i}{x}_1+u_{2,i}{x}_2+...+u_{p,i}{x}_p,i=\mathrm{1,2},...,p;$

设第i个样本在第j个主成分上的取值为f_i,j，则n个样本的p个主成分取值组成了n×p维的样本主成分数据矩阵F：

其中f⁽ⁱ⁾是由n个样本在第i个主成分f_i上的取值。

其中，若所述耗氢装置为加氢精制装置，在采用多元线性回归算法建立的第一数学模型无法凑效的情况下，选择偏最小二乘法建立第二数学模型，此时所述第二数学模型的建立过程如下所述：将输入输出数据集同时进行正交分解，从较高维的空间通过新的变量向量（称为潜变量向量）投影到较低维的新的空间上；建立模型如下：

X=TP^T+E；

Y=UQ^T+F；

其中，n×k维矩阵T=[t₁,t₂,…,t_k]和U=[u₁,u₂,…,u_k]分别是矩阵X和Y在新空间上的潜变量，t₁和u₁应尽可能大地携带它们各自数据表X、Y中的信息，其相关程度能够达到最大；随着t_i和u_i下标数字的增加，他们携带的与X、Y有关的信息逐渐减少；T中各向量彼此正交。

需要说明的是，在建立第二数学模型之后，将所述历史消耗数据或所述经过标准化处理的历史消耗数据和所述辅助变量带入所述第二数学模型中，得到氢气消耗预测值。

其中，优选地，参考图4，其示出了本申请提供的一种氢气消耗预测值获取方法实施例三的另一部分流程图，在所述步骤305之后，所述方法还包括：

步骤401：判断所述利用第二数学模型获取的氢气消耗预测值是否满足预设预测值调控规则，如果是，执行步骤402，否则，执行步骤403。

其中，具体的，本申请方法实施例三通过对利用第二数学模型获取的氢气消耗预测值进行判断，判断其是否满足预测值调控规则，即所述氢气消耗预测值能否对产氢装置进行有效调控的预判断，如果是，则说明当前获取的氢气消耗预测值符合其功能要求，能够对产氢装置进行有效调控，此时执行步骤402，结束当前方法的运行，否则，继续执行以下步骤403。

步骤402：结束当前氢气消耗预测值的获取。

步骤403：利用人工神经网络算法建立第三数学模型，并利用所述第三数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

由上述方案可知，本申请提供的一种氢气消耗预测值获取方法实施例三通过多种针对不同耗氢装置的建模方法，建立数学模型进行氢气消耗预测值的获取，使得本申请可直接应用于工业实际中，不局限于某个特定耗氢装置。

参考图5，其示出了本申请提供的一种氢气消耗预测值获取方法实施例四的部分流程图，在获取到氢气消耗预测值之后，所述方法还可以包括以下步骤：

步骤501：重新获取所述耗氢装置对氢气的历史消耗数据。

其中，所述步骤501与所述步骤101中所述一致，在此不再详细阐述。

优选地，在重新获取到历史消耗数据之后，对所述重新获取的历史消耗数据进行预处理，包括：

对所述历史消耗数据进行异常数据和噪音数据的过滤；

解析过滤后的历史消耗数据中各数据项的平均值；

将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据。

上述预处理过程与本申请方法实施例二中所述一致，在此不再详细描述。

需要说明的是，所述重新获取的历史消耗数据还可以具体为所述耗氢装置的实际耗氢量，还可以理解为在采用本申请方法实施例一、二或三进行氢气消耗预测值获取并应用之后，所述耗氢装置的实际耗氢量。

步骤502：将获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取对比结果。

需要说明的是，所述重新获取的历史消耗数据还可以为重新获取的历史消耗数据经过预处理之后的数据。

其中，在获取到氢气消耗预测值之后，由于多种主客观条件，可能存在一些因素使得耗氢装置的外在或内在环境发生变化，因此需要对本申请方法实施例提供的氢气消耗预测值的获取方法进行优化，尤其是对与所述耗氢装置有直接关系的辅助变量进行优化，首先将获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取对比结果，所述对比结果还可以称为化验样本。

步骤503：依据所述对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新。

其中，所述优化数学模型的建立过程如下所述：

$\min g\left(c\right)=\mathrm{\Σ}{|Y_V-{\hat{Y}}_V|}^2;$

c=[c₁,c₂,...,c_n,c_n+1,...,c_n+5]；

${\hat{Y}}_V=\hat{f}\left(X_V^S\right);$

V表示样本数据为验证集；

X^S表示从X=[x₁,x₂，...,x_n]筛选的一组作为辅助变量的变量；

$X_T^S,Y_T,f(\·)\⇒\hat{f}(\·);$

T表示样本数据为训练集；

$c_{n+i}=\left\{\begin{array}{c}0,f(\·)\≠f_i(\·)\\ 1,f(\·)=f_i(\·)i=\mathrm{1,2},...,5\end{array}\right.;$

s.t.

$-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\≤-n_1;$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\≤n_2;$

$\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{c}_{i+n}=1;$

n₁,n₂分别为最小辅助变量个数和最大辅助变量个数。

由上述过程实现对辅助变量的优化。

步骤504：获取与所述对比结果和更新的辅助变量相对应的氢气消耗预测值。

具体的，在由所述第一数学模型获取到氢气消耗预测值之后，所述方法还包括：

重新获取所述耗氢装置对氢气的历史消耗数据；

将由所述第一数学模型获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取第一对比结果；

依据所述第一对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

重新利用所述第一数学模型获取与所述第一对比结果和更新的辅助变量相对应的氢气消耗预测值，即将所述第一对比结果和所述更新的辅助变量带入上述第一数学模型，得到更新的第一氢气消耗预测值。

需要说明的是，所述第一氢气消耗预测值还可以利用所述第二数学模型获取，即当所述第一氢气消耗预测值不满足所述预测值调控规则时，通过将所述第一对比结果和所述更新的辅助变量带入上述第二数学模型获取。同理，当由所述第二数学模型获取的第一氢气消耗预测值仍不满足所述预测值调控规则时，所述第一氢气消耗预测值通过将所述第一对比结果和所述更新的辅助变量带入上述第三数学模型获取。

或具体的，在由所述第二数据模型获取到氢气消耗预测值之后，所述方法还包括：

重新获取所述耗氢装置对氢气的历史消耗数据；

将由所述第二数学模型获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取第二对比结果；

依据所述第二对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

重新利用所述第一数学模型获取与所述第二对比结果和更新的辅助变量相对应的氢气消耗预测值，即将所述第二对比结果和所述更新的辅助变量带入上述第一数学模型，得到更新的第二氢气消耗预测值。

需要说明的是，所述第二氢气消耗预测值还可以利用所述第二数学模型获取，即当所述第二氢气消耗预测值不满足所述预测值调控规则时，通过将所述第二对比结果和所述更新的辅助变量带入上述第二数学模型获取。同理，当由所述第二数学模型获取的第二氢气消耗预测值仍不满足所述预测值调控规则时，所述第二氢气消耗预测值通过将所述第二对比结果和所述更新的辅助变量带入上述第三数学模型获取。

或具体的，在由所述第三数据模型获取到氢气消耗预测值之后，所述方法还包括：

重新获取所述耗氢装置对氢气的历史消耗数据；

将由所述第三数学模型获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取第三对比结果；

依据所述第三对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

重新利用所述第一数学模型获取与所述第三对比结果和更新的辅助变量相对应的氢气消耗预测值，即将所述第三对比结果和所述更新的辅助变量带入上述第一数学模型，得到更新的第三氢气消耗预测值。

需要说明的是，所述第三氢气消耗预测值还可以利用所述第二数学模型获取，即当所述第三氢气消耗预测值不满足所述预测值调控规则时，通过将所述第三对比结果和所述更新的辅助变量带入上述第二数学模型获取。同理，当由所述第二数学模型获取的第三氢气消耗预测值仍不满足所述预测值调控规则时，所述第三氢气消耗预测值通过将所述第三对比结果和所述更新的辅助变量带入上述第三数学模型获取。

由上述方案可知，本申请提供的一种氢气消耗预测值获取方法实施例四通过对获取的氢气消耗预测值与实际消耗数据进行校验对比，并利用对比结果对氢气消耗预测值的获取过程进行优化，进一步增加了耗氢装置氢气消耗预测值的准确性和可靠性，使得本申请实施例可直接应用于工业现场。

参考图6，其示出了本申请提供的一种氢气消耗预测值获取装置实施例一的结构示意图，用于实现上述本申请方法实施例一，所述装置包括历史数据获取单元601、辅助变量获取单元602和第一模型建立单元603，其中：

所述历史数据获取单元601，用于获取耗氢装置对氢气的历史消耗数据。

其中，所述历史消耗数据可以由实时数据库、实验室信息管理系统（LIMS）等数据库中采集得到，包括原料油性质、计划调度、操作参数等相应历史、实时和计划数据。

辅助变量获取单元602，用于确定所述耗氢装置类别，在预设的负载变量集合中查询与所述耗氢装置类别相对应的辅助变量。

其中，所述耗氢装置包括加氢裂化装置、加氢精制装置、催化汽油吸附脱硫装置和对二甲苯PX异构化/非芳加氢装置等，由于所述耗氢装置的类别不同，本申请中，后期参与建模的辅助变量不同，由此需要对耗氢装置的类别进行分析确定，从而获取其对应的辅助变量。以下为对不同的耗氢装置的辅助变量进行介绍：

1、加氢裂化装置：

（1）与现场检测仪表直接关联的实时数据库系统的位号变量：裂化系列原料油进料流量或处理量（单位：吨/小时）、裂化系列产品油流量或处理量（单位：吨/小时）、裂化系列反应器床顶温度（单位：摄氏度）、裂化系列反应器床底温度（单位：摄氏度）、裂化系列反应器床顶压力（单位：MPa）、裂化系列反应器床底压力（单位：MPa）、裂化系列反应器压降（单位：KPa）、精制系列原料油进料流量（单位：吨/小时）、精制系列产品油流量（单位：吨/小时）、精制系列反应器床顶温度（单位：摄氏度）、精制系列反应器床底温度（单位：摄氏度）、精制系列反应器床顶压力（单位：MPa）、精制系列反应器床底压降（单位：KPa）。

（2）与实验室信息管理系统（LIMS）的实验室化验变量：裂化系列原料油硫含量（单位：%）、裂化系列原料油溴价（单位：gBr/100g）、裂化系列原料油总氮（单位：ppm）、裂化系列原料油密度（单位：kg/m3）、裂化系列产品油硫含量（单位：%）、裂化系列产品油溴价（单位：gBr/100g）、裂化系列产品油总氮（单位：ppm）、裂化系列产品油密度（单位：kg/m3）、精制系列原料油硫含量（单位：%）、精制系列原料油溴价（单位：gBr/100g）、精制系列原料油总氮（单位：ppm）、精制系列原料油密度（单位：kg/m3）、精制系列产品油硫含量（单位：%）、精制系列产品油溴价（单位：gBr/100g）、精制系列产品油总氮（单位：ppm）、精制系列产品油密度（单位：kg/m3）。

2、加氢精制（包括汽油加氢、柴油加氢、蜡油加氢、航煤加氢）装置

（1）与现场检测仪表直接关联的实时数据库系统的位号变量：各种原料油对应的进料流量或处理量（单位：吨/小时）、各种产品油流量或处理量（单位：吨/小时）、反应器床顶温度（单位：摄氏度）、反应器床底温度（单位：摄氏度）、反应器床顶压力（单位：MPa）、反应器床底压力（单位：MPa）、反应器床压降（单位：KPa）。

（2）与实验室信息管理系统（LIMS）的实验室化验变量：各种原料油硫含量（单位：%）、各种原料油硫含量（单位：%）、各种原料油溴价（单位：gBr/100g）、各种原料油总氮（单位：ppm）、各种原料油密度（单位：kg/m3）、各种产品油硫含量（单位：%）、各种产品油溴价（单位：gBr/100g）、各种产品油总氮（单位：ppm）、各种产品油密度（单位：kg/m3）；

其中，所述各种原料油包括轻直柴油、催化柴油、溶脱油、焦化汽油、航空煤油、裂解汽油，所述各种产品油包括汽油、柴油、蜡油、航空煤油。

3、催化汽油吸附脱硫（S-ZORB）装置

（1）与现场检测仪表直接关联的实时数据库系统的位号变量：原料油进料流量或处理量（单位：吨/小时）、产品油流量或处理量（单位：吨/小时）、反应器床顶温度（单位：摄氏度）、反应器床底温度（单位：摄氏度）、反应器床顶压力（单位：MPa）、反应器床底压力（单位：MPa）、反应器床压降（单位：KPa）。

（2）与实验室信息管理系统（LIMS）的实验室化验变量：原料油硫含量（单位：%）、产品油硫含量（单位：%）。

4、PX异构化/非芳（或轻油）加氢装置

与现场检测仪表直接关联的实时数据库系统的位号变量：原料油进料流量或处理量（单位：吨/小时）、产品油流量或处理量（单位：吨/小时）、反应器床顶温度（单位：摄氏度）、反应器床底温度（单位：摄氏度）、反应器床顶压力（单位：MPa）、反应器床底压力（单位：MPa）、反应器床压降（单位：KPa）。

第一模型建立单元603，用于利用多元线性回归算法建立第一数学模型，并利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

其中，对于多种耗氢装置，所述第一模型建立单元603采用多元线性回归LR算法建立第一数学模型，所述多元线性回归算法的第一数学模型为：

Y=Xb+E；

其中，b的估计值可以由最小二乘法得到：

$\hat{b}={\left(X^{T}X\right)}^{-1}{X}^{T}Y;$

需要说明的是，在上述建立第一数学模型之后，所述第一模型建立单元603将所述历史消耗数据和所述辅助变量带入所述第一数学模型，得到氢气消耗预测值。

由上述方案可知，相对于现有技术中氢气消耗预测值计算过程较为繁琐，使得氢气消耗量的预测速度较慢，导致产氢装置的产氢量调控效率较低的技术问题，本申请提供了一种氢气消耗预测值获取装置实施例一，通过对耗氢装置的历史消耗数据及其辅助变量进行获取，并利用数学建模的方法获取与所述历史消耗数据及其辅助变量相对应的氢气消耗预测值，由此避免了计算过程繁琐，导致氢气消耗量预测速率较慢的情况，即不需要利用加氢处理反应器中添加各种组成在线分析仪来实现动态精确测量反应产物（硫化氢、氨气）以及请求的摩尔分数，计算速度较快。且，本申请提供的方法实施例一对实现其功能的计算机要求不高，实用性好，利于在硬件配置不高的场所例如炼油厂进行推广和应用。

参考图7，其示出了本申请提供的一种氢气消耗预测值获取装置实施例二的结构示意图，所述装置还包括数据预处理单元604；

所述数据预处理单元604，由所述历史数据获取单元601触发，用于对所述历史消耗数据进行异常数据和噪音数据的过滤，并解析过滤后的历史消耗数据中各数据项的平均值，以及将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据。

其中，由于多种主客观条件的影响，例如：环境或温度等，所述历史消耗数据带有一定误差，甚至数据缺失，即噪音数据、空缺数据或异常性数据等，而噪音数据、空缺数据和异常性数据通常会降低氢气消耗预测值的精度和准确性，由此在所述历史数据获取单元601获取到所述耗氢装置的历史消耗数据之后，由所述数据预处理单元604对原始的历史消耗数据进行预处理，所述预处理包括：

（1）局外点检测，剔除异常数据。具体的，可以采用t检验准则等，将计算观测值（即所述历史消耗数据）对期望估计值的残差，并与选定的临界值进行比较，以作判定；

（2）移动平滑，剔除噪声。由于实际观测数据（即所述历史消耗数据）往往是真实信号和各种干扰或误差噪音等成分叠加在一起的结果，而化工过程中数据通常带有高频噪音，需要从实际的序列观测数据中尽可能排除噪音成分而让真实信号保留下来，由此，具体的，可以采用线性滑动平滑法剔除高频噪音。

（3）标准化处理。由于所述历史消耗数据中，各种变量表示观测样本数据的各种属性，一般情况下均使用不同的度量单位，其数据值可能相差十分悬殊，使得绝对值大的变量（数据项）的影响可能会覆盖绝对值小的变量，使后者应有的作用无法发挥，由此，需要对所述历史消耗数据进行标准化处理。具体的，为了确保各变量在分析中的地位，对数据在观测值上减去相应变量的平均值，经标准化后各个变量的均值都为0，标准差均为1。

需要说明的是，在对所述历史消耗数据进行预处理包括标准化处理之后，所述第一模型建立单元603在进行第一数学模型建立之后，还用于利用所述第一数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

由上述方案可知，本申请提供的一种氢气消耗预测值获取装置实施例二，通过对耗氢装置现场采集的历史消耗数据进行严格的预处理，有效过滤噪音和异常数据即错误信号，并对其进行标准化处理，使得用于建模计算的基础数据稳定可靠，能更好的提高预测效果和精度。

参考图8，其示出了本申请提供的一种氢气消耗预测值获取装置实施例三的结构示意图，所述装置还包括第一逻辑判断单元605和第二模型建立单元606，其中：

所述第一逻辑判断单元605，用于由所述第一模型建立单元603触发，判断所述第一模型建立单元603获取的氢气消耗预测值是否满足预设预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，确定与所述耗氢装置类别相对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法，触发所述第二模型建立单元606。

其中，在所述第一模型建立单元603采用多元线形回归算法建立第一数学模型进行氢气消耗预测值的获取，该方案模型中当自变量矩阵X中有多列向量间存在或者接近于线性相关，即对应的自变量之间存在复共线性关系时，X^TX的条件数很大，正规方程组病态，预测结果可能有很大偏差或根本无法预测，由此，本申请装置实施例通过第一逻辑判断单元605对第一模型建立单元603获取的氢气消耗预测值进行判断，判断其是否满足预测值调控规则，即所述氢气消耗预测值能否对产氢装置进行有效调控，如果是，则说明当前获取的氢气消耗预测值符合其功能要求，能够对产氢装置进行有效调控，此时结束当前氢气消耗预测值的获取，否则，确定与所述耗氢装置类别相对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法。

需要说明的是，由于耗氢装置类别不同，其辅助变量不同，由此在多元线性回归算法建立的第一数学模型无法凑效的情况下，针对不同的耗氢装置，选择其对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法。

其中，优选地，若所述耗氢装置为加氢裂化装置、催化汽油吸附脱硫装置或对二甲苯异构化/非芳加氢装置，所述建模方法为主成分分析法。

其中，优选地，若所述耗氢装置为加氢精制装置，所述建模方法为偏最小二乘法。

所述第二模型建立单元606，用于利用所述主成分分析法或偏最小二乘法建立第二数学模型，并利用所述第二数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

其中，若所述耗氢装置为加氢裂化装置、催化汽油吸附脱硫装置或对二甲苯异构化/非芳加氢装置，在采用多元线性回归算法建立的第一数学模型无法凑效的情况下，选择主成分分析法建立第二数学模型，所述第二数学模型的建立过程如下所述：

设样本相关矩阵的p个特征值为：λ₁≥λ₂≥...≥λ_p-1≥λ_p，与所述p个特征值对应的单位特征值对应的单位特矢量为u₁,u₂,...,u_p，其组成一个正交矩阵：U=[u₁,u₂,...,u_p]；

从中提出出来的p个主成分f₁,f₂,...,f_p，且有

$f_i=u_i^{T}x=u_{1,i}{x}_1+u_{2,i}{x}_2+...+u_{p,i}{x}_p,i=\mathrm{1,2},...,p;$

设第i个样本在第j个主成分上的取值为f_i,j，则n个样本的p个主成分取值组成了n×p维的样本主成分数据矩阵F：

其中f⁽ⁱ⁾是由n个样本在第i个主成分f_i上的取值。

其中，若所述耗氢装置为加氢精制装置，在采用多元线性回归算法建立的第一数学模型无法凑效的情况下，选择偏最小二乘法建立第二数学模型，此时所述第二数学模型的建立过程如下所述：

将输入输出数据集同时进行正交分解，从较高维的空间通过新的变量向量（称为潜变量向量）投影到较低维的新的空间上；建立模型如下：

X=TP^T+E；

Y=UQ^T+F；

其中，n×k维矩阵T=[t₁,t₂,…,t_k]和U=[u₁,u₂,…,u_k]分别是矩阵X和Y在新空间上的潜变量，t₁和u₁应尽可能大地携带它们各自数据表X、Y中的信息，其相关程度能够达到最大；随着t_i和u_i下标数字的增加，他们携带的与X、Y有关的信息逐渐减少；T中各向量彼此正交。

需要说明的是，在建立第二数学模型之后，将所述历史消耗数据或所述经过标准化处理的历史消耗数据和所述辅助变量带入所述第二数学模型中，得到氢气消耗预测值。

其中，优选地，参考图9，其示出了本申请提供的一种氢气消耗预测值获取装置实施例三的另一结构示意图，所述装置还包括第二逻辑判断单元607和第三模型建立单元608，其中：

所述第二逻辑判断单元607，用于由所述第二模型建立单元606触发，判断所述第二模型建立单元606获取的氢气消耗预测值是否满足所述预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，触发所述第三模型建立单元608。

其中，具体的，本申请装置实施例三通过对第二模型建立单元606获取的氢气消耗预测值进行判断，判断其是否满足预测值调控规则，即所述氢气消耗预测值能否对产氢装置进行有效调控的预判断，如果是，则说明当前获取的氢气消耗预测值符合其功能要求，能够对产氢装置进行有效调控，此时，结束当前氢气消耗预测值的获取，否则，触发所述第三模型建立单元608。

所述第三模型建立单元608，用于利用人工神经网络算法建立第三数学模型，并利用所述第三数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

由上述方案可知，本申请提供的一种氢气消耗预测值获取装置实施例三通过多种针对不同耗氢装置的建模方法，建立数学模型进行氢气消耗预测值的获取，使得本申请可直接应用于工业实际中，不局限于某个特定耗氢装置。

参考图10，其示出了本申请提供的一种氢气消耗预测值获取装置实施例四的结构示意图，所述装置还包括数据优化单元609，其中：

所述数据优化单元609，用于触发所述历史数据获取单元601重新获取所述耗氢装置对氢气的历史消耗数据，并将获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取对比结果；

并依据所述对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

以及获取与所述对比结果和更新的辅助变量相对应的氢气消耗预测值。

具体的，所述数据优化单元609，用于触发所述历史数据获取单元601重新获取所述耗氢装置对氢气的历史消耗数据，并将利用所述第一模型建立单元603获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取第一对比结果；

并依据所述第一对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

以及触发所述第一模型建立单元603获取与所述第一对比结果和更新的辅助变量相对应的第一氢气消耗预测值。

需要说明的是，所述第一请求消耗预测值还可以通过所述数据优化单元609触发所述第二模型建立单元606或所述第三模型建立单元608进行获取。

或具体的，所述数据优化单元609，用于触发所述历史数据获取单元601重新获取所述耗氢装置对氢气的历史消耗数据，并将利用所述第二模型建立单元606获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取第二对比结果；

并依据所述第二对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

以及触发所述第一模型建立单元603获取与所述第二对比结果和更新的辅助变量相对应的第二氢气消耗预测值。

需要说明的是，所述第二请求消耗预测值还可以通过所述数据优化单元609触发所述第二模型建立单元606或所述第三模型建立单元608进行获取。

或具体的，所述数据优化单元609，用于触发所述历史数据获取单元601重新获取所述耗氢装置对氢气的历史消耗数据，并将利用所述第三模型建立单元606获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取第三对比结果；

并依据所述第三对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

以及触发所述第一模型建立单元603获取与所述第三对比结果和更新的辅助变量相对应的第三氢气消耗预测值。

需要说明的是，所述第三请求消耗预测值还可以通过所述数据优化单元609触发所述第二模型建立单元606或所述第三模型建立单元608进行获取。

由上述可知，本申请提供的一种氢气消耗预测值获取装置实施例四通过对获取的氢气消耗预测值与实际消耗数据进行校验对比，并利用对比结果对氢气消耗预测值的获取过程进行优化，进一步增加了耗氢装置氢气消耗预测值的准确性和可靠性，使得本申请实施例可直接应用于工业现场。

本申请还提供了一种氢气消耗预测值获取系统实施例，所述系统包括如上述本申请装置实施例中任意一项所述的氢气消耗预测值获取装置。

需要说明的是，本申请系统实施例对于不同的耗氢装置，基于数据驱动建模方法，首从实时数据库、实验室信息管理系统(LIMS)等的数据库中采集原料油性质、计划调度、操作参数等相应历史、实时和计划数据，并对获取的数据进行预处理，然后从基本辅助变量库中选择适当的辅助变量，随后可选择针对于耗氢装置的氢气消耗预测值的建模方法进行建模，包括多元线性回归模型、主成分分析模型、偏最小二乘模型或人工神经网络模型，为数据驱动建模提供外推数据支撑。本申请系统实施例通过对现场数据的分析处理，优化辅助变量和模型方法，建立数据驱动氢气需求预测软测量模型，并通过不定期的化验样本对软测量模型进行滚动校正，最后准确预测出未来某一时段耗氢装置的氢气消耗流量。

其中，所述系统在进行建模获取氢气消耗预测值时，首先采用的初始建模方法为多元线性回归算法，其数学模型为多元线形回归模型，当由所述多元线性回归模型获取的氢气消耗预测值不凑效即无法满足预测值调控规则时，针对不同耗氢装置，选择不同的建模方法建立数学模型。具体的，对于加氢裂化装置、催化汽油吸附脱硫（S-ZORB）装置、PX（对二甲苯）异构化/非芳（或轻油）加氢装置等，在多元线性回归方法不奏效的情况下，采用主成分分析法建立数学模型，获取氢气消耗预测值；对于加氢精制装置，特别是同时具有汽油加氢、柴油加氢、蜡油加氢、航煤加氢中的一种或多种的联合处理装置，在多元线性回归方法不奏效的情况下，采用偏最小二乘法建立数学模型，获取氢气消耗预测值。而当上述建模方法均不凑效的情况下，选择人工神经网络算法建立数学模型，获取氢气消耗预测值。

优选地，在获取到氢气消耗预测值之后，通过优化数学模型对耗氢装置的辅助变量进行优化更新，并利用更新的辅助变量获取优化更新的氢气消耗预测值。

参考图11，其示出了本申请系统实施例进行氢气消耗预测值获取的建模流程示意图。

由上述方案可知，相对于现有技术中氢气消耗预测值计算过程较为繁琐，使得氢气消耗量的预测速度较慢，导致产氢装置的产氢量调控效率较低的技术问题，本申请提供了一种氢气消耗预测值获取系统实施例，通过对耗氢装置的历史消耗数据及其辅助变量进行获取，并利用数学建模的方法获取与所述历史消耗数据及其辅助变量相对应的氢气消耗预测值，由此避免了计算过程繁琐，导致氢气消耗量预测速率较慢的情况，即不需要利用加氢处理反应器中添加各种组成在线分析仪来实现动态精确测量反应产物（硫化氢、氨气）以及请求的摩尔分数，计算速度较快。且，本申请提供的方法及装置对实现其功能的计算机要求不高，实用性好，利于在硬件配置不高的场所例如炼油厂进行推广和应用。

进一步的，本申请提供的一种氢气消耗预测值获取方法系统实施例，通过对耗氢装置现场采集的历史消耗数据进行严格的预处理，有效过滤噪音和异常数据即错误信号，并对其进行标准化处理，使得用于建模计算的基础数据稳定可靠，能更好的提高预测效果和精度。

进一步的，本申请提供的一种氢气消耗预测值获取系统实施例通过多种针对不同耗氢装置的建模方法，建立数学模型进行氢气消耗预测值的获取，使得本申请可直接应用于工业实际中，不局限于某个特定耗氢装置。

更进一步的，本申请提供的一种氢气消耗预测值获取系统实施例通过对获取的氢气消耗预测值进行校验对比，并利用对比结果对氢气消耗预测值的获取过程进行优化，进一步增加了耗氢装置氢气消耗预测值的准确性和可靠性，使得本申请实施例可直接应用于工业现场。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例或者实施例的某些部分所述的方法。

以上对本申请所提供的一种氢气消耗预测值获取方法、装置及系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种氢气消耗预测值获取方法，其特征在于，包括：

获取耗氢装置对氢气的历史消耗数据；

确定所述耗氢装置类别，在预设的负载变量集合中查询与所述耗氢装置类别相对应的辅助变量；

利用多元线性回归算法建立第一数学模型，并利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值，包括将所述历史消耗数据和所述辅助变量代入所述第一数学模型，得到氢气消耗预测值；

在所述获取耗氢装置对氢气的历史消耗数据之后，在所述利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值之前，所述方法还包括：

对所述历史消耗数据进行异常数据和噪音数据的过滤；

解析过滤后的历史消耗数据中各数据项的平均值；

将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据；

其中：

所述利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值为：

利用所述第一数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值；

在利用所述第一数学模型获取到氢气消耗预测值之后，所述方法还包括：

判断所述利用第一数学模型获取的氢气消耗预测值是否满足预设预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，确定与所述耗氢装置类别相对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法；

利用所述主成分分析法或偏最小二乘法建立第二数学模型，并利用所述第二数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

2.根据权利要求1所述的方法，其特征在于，在利用所述第二数学模型获取到氢气消耗预测值之后，所述方法还包括：

判断所述利用第二数学模型获取的氢气消耗预测值是否满足所述预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，利用人工神经网络算法建立第三数学模型，并利用所述第三数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

3.根据权利要求1或2所述的方法，其特征在于，若所述耗氢装置为加氢裂化装置、催化汽油吸附脱硫装置或对二甲苯异构化/非芳加氢装置，所述建模方法为主成分分析法。

4.根据权利要求1或2所述的方法，其特征在于，若所述耗氢装置为加氢精制装置，所述建模方法为偏最小二乘法。

5.根据权利要求1或2所述的方法，其特征在于，在获取到氢气消耗预测值之后，所述方法还包括：

重新获取所述耗氢装置对氢气的历史消耗数据；

将获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取对比结果；

依据所述对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

获取与所述对比结果和更新的辅助变量相对应的氢气消耗预测值。

6.一种氢气消耗预测值获取装置，其特征在于，包括：

历史数据获取单元，用于获取耗氢装置对氢气的历史消耗数据；

辅助变量获取单元，用于确定所述耗氢装置类别，在预设的负载变量集合中查询与所述耗氢装置类别相对应的辅助变量；

第一模型建立单元，用于利用多元线性回归算法建立第一数学模型，并利用所述第一数学模型获取与所述历史消耗数据和所述辅助变量相对应的氢气消耗预测值，包括将所述历史消耗数据和所述辅助变量代入所述第一数学模型，得到氢气消耗预测值；

数据预处理单元；

所述数据预处理单元，由所述历史数据获取单元触发，用于对所述历史消耗数据进行异常数据和噪音数据的过滤，并解析过滤后的历史消耗数据中各数据项的平均值，以及将所述历史消耗数据中各数据项分别减去所述平均值，并将各个计算结果赋值给其对应的数据项得到经过标准化处理的历史消耗数据；

其中，所述第一模型建立单元，还用于利用所述第一数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值；

还包括第一逻辑判断单元和第二模型建立单元，其中：

所述第一逻辑判断单元，用于由所述第一模型建立单元触发，判断所述第一模型建立单元获取的氢气消耗预测值是否满足预设预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，确定与所述耗氢装置类别相对应的建模方法，所述建模方法为主成分分析法或偏最小二乘法，触发所述第二模型建立单元；

所述第二模型建立单元，用于利用所述主成分分析法或偏最小二乘法建立第二数学模型，并利用所述第二数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

7.根据权利要求6所述的装置，其特征在于，还包括第二逻辑判断单元和第三模型建立单元，其中：

所述第二逻辑判断单元，用于由所述第二模型建立单元触发，判断所述第二模型建立单元获取的氢气消耗预测值是否满足所述预测值调控规则，如果是，结束当前氢气消耗预测值的获取，否则，触发所述第三模型建立单元；

所述第三模型建立单元，用于利用人工神经网络算法建立第三数学模型，并利用所述第三数学模型获取与所述经过标准化处理的历史消耗数据和所述辅助变量相对应的氢气消耗预测值。

8.根据权利要求6或7所述的装置，其特征在于，还包括数据优化单元：

所述数据优化单元，用于触发所述历史数据获取单元重新获取所述耗氢装置对氢气的历史消耗数据，并将获取的氢气消耗预测值和重新获取的历史消耗数据进行对比，获取对比结果；

并依据所述对比结果建立优化数学模型，利用所述优化数学模型对所述辅助变量进行更新；

以及获取与所述对比结果和更新的辅助变量相对应的氢气消耗预测值。

9.一种氢气消耗预测值获取系统，其特征在于，包括如上述权利要求6至8任意一项所述的氢气消耗预测值获取装置。