CN105466884A - 一种通过近红外光谱识别原油种类及其性质的方法 - Google Patents

Abstract

一种通过近红外光谱识别原油种类及其性质的方法，包括收集各种类型原油样品，用常规方法测定其物性数据，取近红外光谱4628～4000cm^-1和6076～5556cm^-1谱区的吸光度与原油样品对应的物性数据建立原油样品近红外光谱数据库，将待识别原油样品的近红外光谱在上述特征谱区的吸光度构成矢量x，计算x与原油样品近红外光谱数据库中通过移动相关系数计算每个样品的识别参数Q_i，若所有Q_i均不大于阈值，则选Q_i最大的若干样品组成邻近数据库，采用均匀分布的方法用邻近数据库数据建立虚拟数据库，再该库中对矢量x用上述方法进行识别，得到与待识别原油样品一致的虚拟库样品，其物性即为待测原油样品的物性数据。该法可有效利用已有的原油样品物性数据，提高原油样品识别率。

Description

一种通过近红外光谱识别原油种类及其性质的方法

技术领域

本发明为一种原油种类识别及性质预测方法，具体地说，是一种由近红外光谱识别原油及原油性质的快评方法。

背景技术

原油评价在原油开采、原油贸易、原油加工等各方面发挥着十分重要的作用，尽管目前已经建立了一套较为完整的原油评价方法，但是这些方法分析时间长、工作量大、成本高，远不能满足实际应用的需要。因此，基于多种现代仪器分析手段，包括色-质联用(GC-MS)、核磁共振(NMR)、近红外光谱(NIR)和红外光谱(IR)等开发建立原油快速评价技术得以发展，其中NIR方法由于测量方便、速度快、并可用于现场或在线分析而倍受青睐。

与利用NIR测定其它油品如汽、柴油不同的是，原油评价指标多，例如仅原油的一般性质就有几十项，若加上各馏分的性质将有上百项。若采用传统的因子分析方法如偏最小二乘(PLS)建立逐个性质的校正模型显然是不可行的。将近红外光谱与原油性质数据库结合起来是较好解决这一问题的技术路线之一，即以NIR光谱为特征对待测原油进行识别，从NIR光谱库中识别出其品种，然后再从已有的原油性质数据库中调出其评价数据，从而实现原油快速评价的目的，为确定原油加工方案和优化生产决策及时获得评价数据提供了一种简捷的方法。

现存的原油评价知识库大都具有原油比对的功能，通过待测原油的几个已知性质如密度、粘度、酸值、硫含量和残炭等从数据库中找出最相似的一种或多种原油，从而用这些近似的原油评价数据给出待测原油的评价数据。这类方法用到的识别参数是原油的一些基本性质，这些原油性质的测定相对繁琐，且测量时间长，提供的信息也不全面，限制了这种方式的应用普及。

近红外光谱主要反映的是C-H、N-H和S-H等含氢官能团的信息，非常适合油品的定量和定性分析，原油的近红外光谱中包含了丰富的组成结构信息，具有很强的指纹性，且近红外光谱的采集方便、快速、成本低，因此，以近红外光谱为指纹特征对原油的品种进行识别将会成为一种快速简便的原油识别方式。

CN200910169611.8公开了“一种由近红外光谱快速识别原油种类的方法”，该法基于移动窗口概念(MovingWindow)结合传统相关系数法提出了一种用于原油近红外光谱快速识别的方法－移动窗口相关系数法。这种方法可以准确地对原油品种进行识别，结合原油评价数据库能够快速给出待测原油的性质数据，是一种简易而可靠的原油评价分析数据快速预测方法。但是，在实际应用过程中，由于不同时期开采的同一种原油在化学组成上往往会有一定的差异，或者在储运过程中混杂了其它种类的原油，原油的性质也相应地会发生改变，所以采用CN200910169611.8的方法，经常无法从原油近红外光谱库中识别出与待测原油完全一致的原油种类，大大限制了这种快速识别技术的应用范围。

发明内容

本发明的目的是提供一种由近红外光谱识别原油及其性质的方法，该法可提高待测原油的识别率。

本发明提供的通过近红外光谱识别原油种类及其性质的方法，包括如下步骤：

(1)收集各种类型原油样品，用常规方法测定其物性数据，并测定近红外光谱，将原油样品的近红外光谱进行二阶微分处理，选取4628～4000cm^-1和6076～5556cm^-1谱区的吸光度与原油样品对应的物性数据建立原油样品近红外光谱数据库，

(2)测定待识别原油样品的近红外光谱并进行二阶微分处理，选取4628～4000cm^-1和6076～5556cm^-1谱区的吸光度构成光谱矢量x，

(3)计算光谱矢量x与原油样品近红外光谱数据库每个样品在4628～4000cm^-1和6076～5556cm^-1谱区的每个移动相关系数，按式(Ⅰ)计算每个数据库样品的识别参数Q_i，

$Q_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{ji}},i=\mathrm{1,2},...,m---\left(I\right)$

式(Ⅰ)中，r_ji为移动相关系数；i为所用光谱数据库中样品的序号，j为移动窗口的序号，n为移动窗口总数，m为所用光谱数据库样品总数，

(4)计算阈值Q_t，Q_t＝(d-w-0.15)，其中d为近红外光谱的采样点数，w为移动窗口宽度；

若所有的Q_i值均不大于Q_t，则按照下述步骤进行虚拟识别：

(5)选取Q_i值最大的s个邻近原油样品，从近红外光谱数据库中取其近红外光谱组成邻近光谱阵N_s×d，并将这s种原油对应的性质数据组成邻近物性数据阵P_s×k，所述的s为选取的与待测原油邻近的原油样品个数，d为原油样品近红外光谱的采样点数，k为原油样品的物性个数，

(6)随机取s个0～1之间的小数，将这s个小数进行归一化处理，得到由s个归一化小数构成的向量v，将向量v与邻近光谱阵N_s×d相乘，得到一个虚拟的原油光谱z；将向量v与邻近物性数据阵P_s×k相乘，得到该虚拟原油的物性向量p；重复虚拟过程，直至获得g个虚拟的原油光谱，及g个对应的虚拟原油的物性向量，将这_g个虚拟的原油光谱组成虚拟光谱阵V_g×d和虚拟原油的物性数据阵Q_g×k，

(7)计算光谱矢量x与虚拟光谱阵V_g×d每个样品在4628～4000cm^-1和6076～5556cm^-1谱区的每个移动相关系数，按式(Ⅰ)计算每个数据库样品的识别参数Q_i，取大于阈值Q_t的Q_i中最大值，且每一个移动相关系数都不小于0.9900的虚拟原油样品，将其视为与待识别原油样品相同，调出该虚拟原油样品的物性数据作为待识别原油样品的物性数据。

本发明方法对移动窗口相关系数法识别不成功的待测原油样品，通过从近红外光谱库中挑选最接近的一组光谱，并将其用随机虚拟混兑的方法建立虚拟光谱数据库，对虚拟数据库样品再进行移动窗口相关系数计算，由此可提高识别成功率。

具体实施方式

本发明方法为CN200910169611.8识别待测原油样品的方法的补充，对于难以由CN200910169611.8识别的待测原油样品，根据所得的识别参数，提取其中最大的s个原油样品，由这s个原油样品的光谱和物性参数，通过随机取值的方法均匀分布出若干个虚拟原油样品光谱和物性数据，建立虚拟原油样品库，通过计算待测原油样品与虚拟原油样品库中样品的识别参数，由虚拟样品库中挑选与待测原油样品一致的样品，调出其物性参数作为待测原油样品的物性参数，可进一步提高待测原油的识别率。

本发明方法(1)步为建立原油样品近红外光谱数据库，收集的有代表性的原油样品数量优选200～800个，用常规方法测定原油样品各种所需的物性数据，与其特征谱区经二阶微分处理的吸光度对应建立近红外光谱数据库。

(2)步和(3)步为在已建的原油样品近红外光谱数据库中识别待测(待识别)原油样品，(2)步采用与(1)步建库相同的方法测定待测原油样品的近红外光谱，取其特征谱区经二阶微分处理的吸光度作为光谱矢量，再用待测样品的光谱矢量，按(3)步所述的方法计算其相对于每个库光谱样品的识别参数，若库中有识别参数大于阈值的样品，且其每一个移动相关系数都不小于0.9900，则认为此样品与待测原油样品一致，可将其物性数据作为待测原油样品的物性数据。

若库中无识别参数大于阈值的样品，则无法用现有的原油样品近红外光谱数据库识别待测原油样品，需用本发明(5)至(6)步的方法建立虚拟原油样品数据库，从虚拟库中选大于阈值的虚拟原油样品，将其特性数据作为待测原油样品的物性数据。

本发明方法(5)步选取邻近原油样品的依据为(3)步计算的识别参数，识别参数Q越大，说明其与待测原油越接近。选取其中Q最大的s个样品组成邻近样品数据库，所选邻近样品的数目s优选10～60。将所选邻近样品在特征谱区的吸光度与对应的物性数据组成邻近样品库。

(6)步为用邻近原油样品通过均匀分布法构建虚拟原油样品，获得的虚拟原油g的数目优选为500～5000个、更优选800～1500个。

(7)步是在虚拟数据库中再对待测原油样品进行重新识别，识别的方法与(2)步相同，在计算得到的识别参数中，选择识别参数大于阈值，且每一个移动相关系数都不小于0.9900的虚拟原油样品，即认为其与待测原油样品相同，将其物性数据作为待测原油样品的物性数据。若存在一个以上满足上述条件的虚拟样品，则选择识别参数最大的一个作为与待识别原油相同的样品。

本发明所述的近红外光谱为扫描波数范围内各采样点对应的吸光度，所述的采样点间隔为2～16个波数，由近红外光谱仪的分辨率决定。

本发明方法采用移动相关系数的总和为识别参数，作为判断待测原油样品是否与光谱数据库中的原油样品相同的条件之一。传统的相关系数常用来比较两个光谱的相似程度，计算时所有光谱变量都参与运算，最终得到一个相关系数值，其计算公式如式②： $R_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ik}}-{\stackrel{\‾}{x}}_i)(x_{\mathrm{jk}}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}}{(x_{\mathrm{ik}}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{jk}}-{\stackrel{\‾}{x}}_j)}^2}$ ②

式②中，分别为第i个和第j个光谱所有波数点吸光度的均值，n为波数采样点数，k为波数采样序号。两个光谱越接近，它们之间的相似系数越接近于1或-1。

所述的移动窗口是选择一个宽度为w的光谱窗口，从整个光谱的第一个波数采样点开始移动，每次移动一至多个波数的采样间隔，为窗口的移动距离，直至最后一个波数的采样点。移动窗口的移动方向可以是从波数小的采样点向波数大的采样点移动，也可以是从波数大的采样点向波数小的采样点移动。每次移动移动窗口的距离为1～10个采样点。

本发明所述的移动相关系数是指对于要比较的两个光谱，对每一个移动窗口波数区都用传统的相关系数公式计算出两个要比较的相关系数—移动相关系数，得到一系列的子波数区的移动相关系数。所述的子波数区为一个移动窗口的宽度。

所述的移动相关系数的测定方法为：在特征光谱区间，从波数最低的采样点选择一个移动窗口的宽度，计算该窗口内的待识别原油样品与数据库中每个样品的吸光度的相关系数，然后将移动窗口向波数高的方向移动若干个采样点，为下一个移动窗口，计算此移动窗口内的待识别原油样品与数据库中每个样品的吸光度的相关系数，按上述方法连续移动移动窗口，计算每个移动窗口内待识别原油样品与数据库中每个样品的吸光度的相关系数。

将得到的相关系数值与对应移动窗口的起始位置作图，即得到移动相关系数图。从该图中可以方便地看出两个光谱之间的相似程度，若两个光谱完全相同，则在整个光谱范围内的移动相关系数值都为1，若两个光谱只是在某一区间存在差异，则该区间的相关系数值将明显下降。显然，相对于传统的基于整个光谱的相关系数，移动相关系数可以分辨出存在细微差异的两个光谱，提高谱图的识别准确率，并有利于隐含信息的提取。

在移动相关系数计算中，移动窗口的宽度应是一个固定值，优选3～25个采样点。移动窗口宽度过小，虽有助于细节信息的辨别，但会存在不能准确识别同一种原油的风险。移动窗口宽度过大，虽可以排除外界测试条件如温度和湿度等的影响，但会存在错误识别的风险。

本发明方法适用于从已建的原油样品数据库中快速识别与待测原油样品相同的原油样品，借助已有的原油样品的物性数据，快速预测待测原油样品的物性数据。

下面通过实例进一步详细说明本发明，但本发明并不限于此。

实例中测定原油近红外光谱的仪器采用ThermoAntarisII傅立叶变换近红外光谱仪，光谱范围3800～10000cm^-1，分辨率8cm^-1，采样间隔为4cm^-1，累积扫描次数64次，透射测量方式。

测定原油样品物性的常规方法如下：

密度：GB/T13377原油和液体或固体石油产品密度或相对密度的测定，

酸值：GB/T7304石油产品酸值的测定电位滴定法，

残炭：GB/T17144石油产品残炭测定法(微量法)，

硫含量：GB/T17040石油产品硫含量测定法(能量色散X射线光谱法)，

氮含量：GB/T17674原油中氮含量的测定(舟进样化学发光法)

蜡含量：SY/T0537原油中蜡含量的测定，

胶质和沥青质含量：SY/T7550原油中蜡、胶质、沥青质含量测定法

实沸点蒸馏数据：GB/T17280原油蒸馏标准试验方法。

实例1

建立原油样品的近红外光谱数据库

收集有代表性的原油样品655种，原油品种基本覆盖了世界主要原油产区。测定原油样品的近红外光谱，对其进行二阶微分，选取6076.0～5556.0cm^-1与4628.0～4000.0cm^-1光谱范围的吸光度，建立原油样品的近红外光谱矩阵X，X的维数为655×289，其中655为收集原油的样品数，289为近红外光谱吸光度的采样点数。

将这655种原油样品的密度、酸值、残炭、硫、氮、蜡、胶质、沥青质、以及实沸点蒸馏数据(TBP，23个温度点的累积质量收率：65℃、80℃、100℃、120℃、140℃、165℃、180℃、200℃、220℃、240℃、260℃、280℃、300℃、320℃、350℃、380℃、400℃、425℃、450℃、470℃、500℃、520℃、540℃)共31个性质数据组成原油样品物性矩阵Y，Y维数为655×31，其中655为收集原油的样品数，31为原油物性数据的个数。

用原油样品的近红外光谱矩阵X与原油样品对应的物性矩阵Y建立原油样品近红外光谱数据库。

实例2

以下实例用本发明方法对未知石油样品进行识别。

(1)建立待识别原油的光谱矢量

按照与建立原油近红外光谱数据库相同的条件测定未知原油样品A(中间基原油)的近红外光谱，对其近红外光谱进行二阶微分，取6076.0～5556.0cm^-1与4628.0～4000.0cm^-1光谱范围的吸光度构成待识别原油光谱矢量x_A，其维数为1×289。

(2)在建立的原油样品近红外光谱库中识别未知原油种类

对于近红外光谱矩阵X和待识别原油光谱矢量x_A，分别从4000.0cm^-1处开始取对应的一段光谱区间作为移动窗口，移动窗口取10个采样间隔，每个采样点间隔为4cm^-1，即移动宽度为11个采样点。第1个移动窗口的光谱范围为4000.0cm^-1～4040cm^-1，计算X中每一个光谱与光谱矢量x_A在这一光谱范围内的吸光度之间的相关系数，记为r_1,i，i＝1，2，…，655。然后，移动一个取样间隔，即计算4004.0cm^-1～4044cm^-1光谱范围内，光谱数据库X中每一个光谱和光谱矢量x_A之间的相关系数，记为r_2,i，i＝1，2，…，655。依次类推，直至计算到最后一个移动窗口6036.0～6076.0cm^-1的相关系数，记为r_279,i，i＝1，2，…，655。

分别计算光谱矢量x_A与X中每一个库光谱的识别参数Q_i，其中i＝1,2,…,655。阈值Q_t＝n-w-0.15＝289-11-0.15＝277.85。

计算结果为：所有的Q_i都不大于阈值Q_t，近红外光谱矩阵X中与原油样本A最相近的是549号原油，Q₅₄₉值为272.3328，小于设定的阈值Q_t，说明近红外光谱矩阵中不存在与未知原油样品A一致的原油样品。

(3)组建虚拟原油光谱数据库

在(2)步计算的未知原油样品A与近红外光谱数据库中各个样品之间的Q中，选取Q值最大的15个原油样品。从近红外光谱数据库中，将所选邻近原油样品的近红外光谱取出，组成邻近光谱阵N，N的维数为15×289，其中15为选取的邻近原油样品的个数，289为近红外光谱吸光度的采样点数。将这15个原油样品对应的物性数据组成邻近物性阵P，P的维数为15×31，其中15为选取的邻近原油样品的个数，31为所测原油样品物性的个数。

采用均匀分布方法，随机产生15个0～1之间的小数，然后将这15个小数进行归一化处理，得到由15个归一化小数构成的向量v。将向量v与邻近光谱阵N_15×289相乘，得到一个虚拟的原油光谱z，同时，将向量v与邻近物性阵P_15×31相乘，得到该虚拟原油的物性数据向量p。重复循环这一过程，直至得到1000个虚拟的原油光谱，及其1000个对应的虚拟原油的物性数据向量，将这1000个虚拟的原油光谱组成光谱阵V_1000×289，以及虚拟原油的物性阵Q_1000×31。

(4)在虚拟原油光谱数据库中识别未知原油种类

对于虚拟原油光谱阵V_1000×289和待识别原油光谱矢量x_A，分别从4000.0cm^-1处开始取对应的一段光谱区间作为移动窗口，移动窗口取10个采样间隔，每个采样点间隔为4cm^-1，即移动宽度为11个采样点。第1个移动窗口的光谱范围为4000.0cm^-1～4040cm^-1，计算V_1000×289中每一个光谱与光谱矢量x_A在这一光谱范围内的吸光度之间的相关系数，记为r_1,i，i＝1，2，…，1000。然后，移动一个取样间隔，即计算4004.0cm^-1～4044cm^-1光谱范围内，光谱数据库V_1000×289中每一个光谱和光谱矢量x_A之间的相关系数，记为r_2,i，i＝1，2，…，1000。依次类推，直至计算到最后一个移动窗口6036.0～6076.0cm^-1的相关系数，记为r_279,i，i＝1，2，…，1000。

分别计算光谱矢量x_A与V_1000×289中每一个库光谱的识别参数Q_i，其中 i＝1,2,…,1000。

序号为875的虚拟原油样品的Q值为277.9318，大于阈值Q_t，且每一个移动相关系数值r_1,875、r_2,875、…、r_279,875都不小于0.9900，说明未知原油样品A与虚拟光谱阵中的第875号原油样品一致。从虚拟原油物性阵Q_1000×31中，调出875号虚拟原油对应的评价数据，即可获得待测的未知原油样品A的物性数据。表1给出了用本发明方法得到的预测值与实测分析值之间的对比结果。

表1

实例3

(1)建立待识别原油的光谱矢量

按照与建立原油近红外光谱数据库相同的条件测定未知原油样品B(石蜡基原油)的近红外光谱，对其近红外光谱进行二阶微分，取6076.0～5556.0cm^-1与4628.0～4000.0cm^-1光谱范围的吸光度构成待识别原油光谱矢量x_B，其维数为1×289。

(2)在建立的原油样品近红外光谱库中识别未知原油种类

对待识别原油光谱矢量x_B，按实例2(2)步方法，逐一计算其与原油样品的近红外光谱矩阵X中每个原油样品光谱的移动相关系数，计算识别参数Q。计算得出的与未知原油样品B最相近的是323号原油，Q₃₂₃值为271.1340，小于设定的阈值Q_t，说明光谱数据库中不存在与未知原油样品B一致的原油样品。

(3)组建虚拟原油光谱数据库

在(2)步计算的未知原油样品B与原油样品的近红外光谱矩阵X中各个样品之间的Q值数据中，选取Q值最大的25个原油样品。从近红外光谱数据库中，将所选邻近原油样品的近红外光谱取出，组成邻近光谱阵N，N的维数为25×289，其中25为选取邻近原油的样品数，289为近红外光谱吸光度的采样点数。将这25个原油对应的物性数据组成邻近物性阵P，P的维数为25×31，其中25为选取邻近原油的样品数，31为原油性质的个数。

采用均匀分布方法，随机产生25个0～1之间的小数，然后将这25个小数进行归一化处理，得到由25个归一化小数构成的向量v。将向量v与邻近光谱阵N_25×289相乘，得到一个虚拟的原油光谱z，同时，将向量v与邻近物性阵P_25×31相乘，得到该虚拟原油的物性数据向量p。重复循环这一过程，直至得到1000个虚拟的原油光谱，及其1000个对应的虚拟原油的物性数据向量，将这1000个虚拟的原油光谱组成光谱阵V_1000×289，以及虚拟原油的物性阵Q_1000×31。

(4)在虚拟原油光谱数据库中识别未知原油种类

对待识别原油光谱矢量x_B，按实例2(4)步方法，逐一计算其与虚拟原油光谱阵V_1000×289中每个原油样品光谱的移动相关系数，计算识别参数Q。

结果序号为429的虚拟原油样品的Q为277.9422，大于阈值Q_t，且每一个移动相关系数值r_1,429、r_2,429、…、r_279,429都不小于0.9900，说明未知原油样品B与虚拟光谱阵中的第429号原油样品一致。从虚拟原油物性阵Q_1000×31中，调出429号虚拟原油对应的物性数据，即获得待测的未知原油B的物性数据。表2给出了用本发明方法得到的预测值与实测分析值之间的对比结果。

表2

实例4

(1)建立待识别原油的光谱矢量

按照与建立原油近红外光谱数据库相同的条件测定未知原油样品C(环烷基原油)的近红外光谱，对其近红外光谱进行二阶微分，取6076.0～5556.0cm^-1与4628.0～4000.0cm^-1光谱范围的吸光度构成待识别原油光谱矢量x_C，其维数为1×289。

(2)在建立的原油样品近红外光谱库中识别未知原油种类

对待识别原油光谱矢量x_C，按实例2(2)步方法，逐一计算其与原油样品的近红外光谱矩阵X中每个原油样品光谱的移动相关系数，计算识别参数Q。计算得出的与未知原油样品C最相近的是485号原油，Q₄₈₅值为274.1125，小于设定的阈值Q_t，说明光谱数据库中不存在与未知原油样品C一致的原油样品。

(3)组建虚拟原油光谱数据库

在(2)步计算的未知原油样品C与原油样品的近红外光谱矩阵X中各个样品之间的Q值数据中，选取Q值最大的30个原油样品。从近红外光谱数据库中，将所选邻近原油样品的近红外光谱取出，组成邻近光谱阵N，N的维数为30×289，其中30为选取邻近原油的样品数，289为近红外光谱吸光度的采样点数。将这30个原油对应的物性数据组成邻近物性阵P，P的维数为30×31，其中30为选取邻近原油的样品数，31为原油性质的个数。

采用均匀分布方法，随机产生30个0～1之间的小数，然后将这30个小数进行归一化处理，得到由30个归一化小数构成的向量v。将向量v与邻近光谱阵N_30×289相乘，得到一个虚拟的原油光谱z，将向量v与邻近物性阵P_30×31相乘，得到该虚拟原油的物性数据向量p。重复循环这一过程，直至得到1000个虚拟的原油光谱，及其1000个对应的虚拟原油的物性数据向量，将这1000个虚拟的原油光谱组成光谱阵V_1000×289，以及虚拟原油的物性阵Q_1000×31。

(4)在虚拟原油光谱数据库中识别未知原油种类

对待识别原油光谱矢量x_C，按实例2(4)步方法，逐一计算其与虚拟原油光谱阵V_1000×289中每个原油样品光谱的移动相关系数，计算识别参数Q。

结果序号为122的虚拟原油样品的Q为277.9356，大于阈值Q_t，且每一个移动相关系数值r_1,429、r_2,429、…、r_279,429都不小于0.9900，说明未知原油样品C与虚拟光谱阵中的第122号原油样品一致。从虚拟原油物性阵Q_1000×31中，调出122号虚拟原油对应的物性数据，即获得待测的未知原油C的物性数据。表3给出了用本发明方法得到的预测值与实测分析值之间的对比结果。

表3

Claims (8)

1.一种通过近红外光谱识别原油种类及其性质的方法，包括如下步骤：

(1)收集各种类型原油样品，用常规方法测定其物性数据，并测定近红外光谱，将原油样品的近红外光谱进行二阶微分处理，选取4628～4000cm^-1和6076～5556cm^-1谱区的吸光度与原油样品对应的物性数据建立原油样品近红外光谱数据库，

(2)测定待识别原油样品的近红外光谱并进行二阶微分处理，选取4628～4000cm^-1和6076～5556cm^-1谱区的吸光度构成光谱矢量x，

(3)计算光谱矢量x与原油样品近红外光谱数据库每个样品在4628～4000cm^-1和6076～5556cm^-1谱区的每个移动相关系数，按式(Ⅰ)计算每个数据库样品的识别参数Q_i，

$Q_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{ji}},i=\mathrm{1,2},...,m---\left(I\right)$

式(Ⅰ)中，r_ji为移动相关系数；i为所用光谱数据库中样品的序号，j为移动窗口的序号，n为移动窗口总数，m为所用光谱数据库样品总数，

(4)计算阈值Q_t，Q_t＝(d-w-0.15)，其中d为近红外光谱的采样点数，w为移动窗口宽度；

若所有的Q_i值均不大于Q_t，则按照下述步骤进行虚拟识别：

(5)选取Q_i值最大的s个邻近原油样品，从近红外光谱数据库中取其近红外光谱组成邻近光谱阵N_s×d，并将这s种原油对应的性质数据组成邻近物性数据阵P_s×k，所述的s为选取的与待测原油邻近的原油样品个数，d为原油样品近红外光谱的采样点数，k为原油样品的物性个数，

(6)随机取s个0～1之间的小数，将这s个小数进行归一化处理，得到由s个归一化小数构成的向量v，将向量v与邻近光谱阵N_s×d相乘，得到一个虚拟的原油光谱z；将向量v与邻近物性数据阵P_s×k相乘，得到该虚拟原油的物性向量p；重复虚拟过程，直至获得g个虚拟的原油光谱，及g个对应的虚拟原油的物性向量，将这g个虚拟的原油光谱组成虚拟光谱阵V_g×d和虚拟原油的物性数据阵Q_g×k，

(7)计算光谱矢量x与虚拟光谱阵V_g×d每个样品在4628～4000cm^-1和6076～5556cm^-1谱区的每个移动相关系数，按式(Ⅰ)计算每个数据库样品的识别参数Q_i，取大于阈值Q_t的Q_i中最大值，且每一个移动相关系数都不小于0.9900的虚拟原油样品，将其视为与待识别原油样品相同，调出该虚拟原油样品的物性数据作为待识别原油样品的物性数据。

2.按照权利要求1所述的方法，其特征在于(5)步选取的邻近原油样品数s为10～60。

3.按照权利要求1所述的方法，其特征在于(6)步获得的虚拟原油g的数目为500～5000个。

4.按照权利要求1所述的方法，其特征在于所述的近红外光谱吸光度的采样点间隔为2～16个波数。

5.按照权利要求1所述的方法，其特征在于所述的移动相关系数采用移动窗口测定。

6.按照权利要求5所述的方法，其特征在于所述的窗口宽度为3～25个采样点。

7.按照权利要求1所述的方法，其特征在于所述的移动相关系数的测定方法为：在特征光谱区间，从波数最低的采样点选择一个移动窗口的宽度，计算该窗口内的待识别原油样品与数据库中每个样品的吸光度的相关系数，然后将移动窗口向波数高的方向移动若干个采样点，为下一个移动窗口，计算此移动窗口内的待识别原油样品与数据库中每个样品的吸光度的相关系数，按上述方法连续移动移动窗口，计算每个移动窗口内待识别原油样品与数据库中每个样品的吸光度的相关系数。

8.按照权利要求7所述的方法，其特征在于每次移动移动窗口的距离为1～10个采样点。