CN105574345A - 原油性质数据校正方法 - Google Patents

Abstract

本发明公开了一种原油性质数据校正方法，通过对稳态时间范围内的三种原油数据，即原油快评数据、调和头组分跟踪数据以及常炼原油数据，进行基于相似度比较的原油性质数据校正。本发明通过对原油数据进行校正，旨在选取更接近真实值的原油性质数据进行装置的实时优化控制，避免了由于原油快评分析中近红外分析仪检测精度不足等问题造成的不利影响。

Description

原油性质数据校正方法

技术领域

本发明涉及一种生产过程数据的校正方法，尤其涉及在常减压装置进行实时优化控制前，通过原油相似度计算对原油性质数据进行校正的方法。

背景技术

常减压蒸馏装置是石油化工业的龙头装置，通过装置实时优化，可以提高高价值产品收率，降低装置的能耗，对炼油厂的经济效益提高具有极其重要的意义。目前大多数炼化企业采用原油快速评价的方法获得原油性质数据，由于近红外分析仪的检测精度会使得获得的数据产生一定程度的误差，为了选取更接近真实值的原油性质数据进行装置优化，需要对原油数据进行校正。

目前石化领域一般采用传统的相似性度量方法进行原油数据校正，大多是直接在原始的原油数据上采用空间距离，即欧几里得方法进行度量。一方面，由于数据量大、噪声多、不平稳等问题，如果直接对这些原始数据进行处理，那么准确性和可靠性可能得不到保证；另一方面，空间距离方法只能度量出两组数据间的距离大小，不能反映出各自数据变化的趋势。

发明内容

本发明针对背景技术中存在的问题提出一种原油性质数据校正方法，旨在选择合理准确的原油数据对生产装置进行实时优化控制。

技术方案：一种原油性质数据校正方法，所述的数据校正方法是对已判断为稳态的一段时间范围内三种原油数据，即原油快评数据、调和头组分跟踪数据、常炼原油数据，进行基于相似度比较的原油数据整定，选择合理准确的原油性质数据。

优选的，对三种原油数据进行基于相似度比较的原油数据整定的具体步骤为：

首先，判断原油快评数据是否能够获取，若可以获取，则继续判断原油快评数据与调和头组分跟踪数据之间的相似度、及原油快评数据与常炼原油数据之间的相似度：若两者之中任意一个相似度不小于80％，则取原油快评数据作为原油性质数据；否则判断常炼原油数据是否能够获取，若可以获取，则取常炼原油数据作为原油性质数据；若常炼原油数据不能够获取，则取原油快评数据作为原油性质数据；

其次，若无法获取原油快评数据，则继续判断组分跟踪数据是否能够获取：若可以获取，则取组分跟踪数据作为原油性质数据，否则判断无原油性质数据。

优选的，采用下式计算两种原油数据的相似度Sc：

$S_C=\frac{m}{n-3}\×100\%$

其中，Sc是两种原油数据的相似度，m是两种原油数据的符号化序列中具有相同的夹角符号的个数，n是两种原油数据的符号化序列的长度。

优选的，所述两种原油数据的符号化序列中具有相同夹角符号的个数m的获取方法为：先采用下式分别计算两种原油数据的标准化序列数据之间夹角的余弦值：

其中，k＝2,3,…,n-2，为原油数据的标准化序列中的数据；根据计算结果分别得到两种原油数据的余弦值序列：

$\left\{\begin{array}{c}cos{\mathrm{\θ}}_i=(cos{\mathrm{\θ}}_{i2},cos{\mathrm{\θ}}_{i3},...,cos{\mathrm{\θ}}_{ik},...,cos{\mathrm{\θ}}_{i(n-2)})\\ cos{\mathrm{\θ}}_j=(cos{\mathrm{\θ}}_{j2},cos{\mathrm{\θ}}_{j3},...,cos{\mathrm{\θ}}_{jk},...,\cos {\mathrm{\θ}}_{j(n-2)})\end{array}\right.$

对上述余弦值序列符号化并将余弦值平均划分为10个区间：[-1,-0.8]、[-0.8,-0.6]、[-0.6,-0.4]、[-0.4,-0.2]、[-0.2,0]、[0,0.2]、[0.2,0.4]、[0.4,0.6]、[0.6,0.8]、[0.8,1]，分别对应的符号集中符号为{a,b,c,d,e,f,g,h,i,j}；根据符号集对余弦值序列进行符号化表示分别得到两种原油数据的符号化序列，比较两种原油数据的符号化序列中具有相同的符号的个数，记为m。

优选的，所述原油数据的标准化序列的获取方法为：先采用下式分别计算原油数据序列中相邻数据之间的差值：

$x_t^C=x_{t+1}-x_t$

其中，为差值序列中的数据，x_t+1、x_t分别为原油数据序列中相邻数据，t＝1,2,…,n-1，将得到的差值序列按下式进行标准化处理：

$x_t^B=\frac{x_t^C-\mathrm{\μ}}{\mathrm{\δ}}$

其中，为原油数据标准化序列中的数据，

根据计算结果分别得到两种原油数据标准化序列：

$\left\{\begin{array}{c}{x}_i^B=x_{i1}^B,x_{i2}^B,...,x_{ik}^B,...,x_{in}^B\\ x_j^B=x_{j1}^B,x_{j2}^B,...,x_{jk}^B,...,x_{jn}^B\end{array}\right..$

优选的，所述原油数据的序列通过以下方法获得：将采集到的表征原油性质的参数按照一一对应的格式组成等间距的序列：

$\left\{\begin{array}{c}{x}_i=x_{i1},x_{i2},...,x_{ik},...,x_{in}\\ x_j=x_{j1},x_{j2},...,x_{jk},...,x_{jn}\end{array}\right.$

其中，x_i为基准原油数据的序列，x_j为与基准原油数据的序列对比的原油数据的序列。x_i与x_j为原油快评数据、调和头组分跟踪数据、常炼原油数据三个原油数据序列中的两个。

优选的，所述表征原油性质的参数选取为原油数据的密度、硫含量、收率这三个参数。

有益效果：

本发明提出一种的原油性质数据校正方法，通过对稳态时的原油快评数据、调和头组分跟踪数据及常炼原油数据，进行基于相似度比较的数据校正，旨在选取更接近真实值的原油性质数据进行装置优化控制，避免了由于原油快评分析中近红外分析仪检测精度不足等问题造成的不利影响。

本发明技术，提出一种基于重要点夹角余弦值的时间序列相似性度量方法来进行原油数据校正。该方法通过选择最能表征原油性质的参数，即重要点，得到原油数据序列，将向量间夹角余弦值的概念引入相似性度量方法中，通过利用夹角、分段平均划分、符号化等思想分析出两组原油数据序列之间的相似性。通过选择重要点，减少了序列中不必要数据造成的干扰，提高了计算的精度和效率；同时，符号化的表示简洁直观，能够反映各自序列变化的趋势与快慢。

附图说明

图1为本发明原油性质数据校正方法的流程图。

具体实施案例

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

以某企业常减压装置为例，该企业常减压装置具有炼化企业典型工艺，包括初馏塔、常压塔和减压塔。通过实时稳态判断得知，以当前时间2015-04-0721:00，向前推4h至2015-04-0717:00，该段时间范围内装置运行为稳态，在此基础上，对加工原油数据进行校正。

1)当前加工油种为100％阿曼，采集原油的快评数据、调和头组分跟踪数据及常炼原油数据中密度、硫含量及收率等参数(优选的，常炼原油数据是从原油性质数据库中读取)，如表1所示：

表1加工100％阿曼的快评数据、组分跟踪数据及常炼原油数据

	快评数据	组分跟踪数据	常炼原油数据
				密度	0.860	0.872	0.861
硫含量	1.38	1.58	1.31
				初馏点至45℃馏分收率	2.53	2.77	3.46
45至60℃馏分收率	0.96	0.94	1.07
				60至75℃馏分收率	1.32	1.27	1.11
75至90℃馏分收率	1.49	1.46	1.32
				90至105℃馏分收率	1.89	1.85	1.84
105至120℃馏分收率	1.94	1.98	2.04
				120至135℃馏分收率	1.95	1.88	1.92
135至165℃馏分收率	4.16	4.02	3.93
				165至200℃馏分收率	4.54	4.46	4.81
200至250℃馏分收率	7.02	6.59	7.06
				250至300℃馏分收率	7.96	7.47	7.14
300至350℃馏分收率	8.14	7.42	7.41
				350至400℃馏分收率	7.19	7.11	7.85
400至450℃馏分收率	6.79	6.89	7.88
				450至500℃馏分收率	7.26	7.64	7.25
500至550℃馏分收率	6.97	6.42	6.34
				550至565℃馏分收率	2.12	1.96	1.74
565至580℃馏分收率	2.02	1.88	1.67

根据表1，得到三种原油数据序列：

$\left\{\begin{array}{c}{x}_i=(0.860,1.38,...,2.12,2.02)\\ x_j=(0.872,1.58,...,1.96,1.88)\\ x_k=(0.861,1.31,...,1.74,1.67)\end{array}\right.$

其中，每个序列的长度均为n＝20。

2)计算原油快评数据、组分跟踪数据及常炼原油数据序列相邻数据的之间的差值，分别组成序列如表2所示：

表2三种原油数据相邻数据之间的差值

分别计算上述三个序列的平均值与标准差，采用公式对上述三个序列分别进行标准化处理，得到三种原油数据的标准化序列

表3三种原油数据的标准化

3)采用式计算上述三种原油数据标准化序列各个序列中数据之间

夹角的余弦值，得到三种原油数据标准化序列夹角的余弦值序列cosθ_i、cosθ_j、cosθ_k：

表3三种原油数据标准化序列夹角的余弦值

对上述余弦值序列符号化并将余弦值平均划分为10个区间，[-1,-0.8]、[-0.8,-0.6]、[-0.6,-0.4]、[-0.4,-0.2]、[-0.2,0]、[0,0.2]、[0.2,0.4]、[0.4,0.6]、[0.6,0.8]、[0.8,1]，分别对应的符号为{a,b,c,d,e,f,g,h,i,j}；根据符号集对三种原油数据标准化序列夹角的余弦值进行符号化表示，得到三种原油数据符号化序列

表4三种原油数据符号化表示

根据表4，得到快评数据符号化序列与组分跟踪数据符号化序列具有相同的符号的个数m₁＝14，与常炼原油数据符号化序列具有相同的符号的个数m₂＝11。

4)计算快评数据与组分跟踪数据之间的相似度与常炼原油数据之间的相似度 $S_2=\frac{m_2}{n-3}\×100\%=64.71\%.$

由于快评数据与组分跟踪数据之间的相似度S₁＞80％，因此校正后的原油性质数据取原油快评数据，原油数据校正过程结束。

基于发明内容及附图1，参考实施例1，本领域技术人员可以得知：

实施例2：原油快评数据与调和头组分跟踪数据之间相似度、原油快评数据与常炼原油数据之间相似度均小于80％，且常炼原油数据可以获取，取常炼原油数据为原油性质数据；

实施例3：原油快评数据与调和头组分跟踪数据之间相似度、原油快评数据与常炼原油数据之间相似度均小于80％，且常炼原油数据不可获取，取原油快评数据为原油性质数据；

实施例4：原油快评数据不可获取，且组分跟踪数据可以获取，取组分跟踪数据为原油性质数据；

实施例5：原油快评数据不可获取，且组分跟踪数据不可获取，判断无原油性质数据。

本发明已通过上述实施例及其附图说明清楚，在不背离本发明精神和实质的情况下，所属领域的技术人员可根据本发明做出相应变化和修正，这些变化和修正都属于本发明权利要求的保护范围。

本发明未涉及方法均与现有技术相同或可采用现有技术加以实现。

Claims (7)

1.一种原油性质数据校正方法，其特征在于所述的数据校正方法是对已判断为稳态的一段时间范围内三种原油数据，即原油快评数据、调和头组分跟踪数据、常炼原油数据，进行基于相似度比较的原油数据整定，选择合理准确的原油性质数据。

2.根据权利要求1所述的原油性质数据校正方法，其特征在于对三种原油数据进行基于相似度比较的原油数据整定的具体步骤为：

首先，判断原油快评数据是否能够获取，若可以获取，则继续判断原油快评数据与调和头组分跟踪数据之间的相似度、及原油快评数据与常炼原油数据之间的相似度：若两者之中任意一个相似度不小于80％，则取原油快评数据作为原油性质数据；否则判断常炼原油数据是否能够获取，若可以获取，则取常炼原油数据作为原油性质数据；若常炼原油数据不能够获取，则取原油快评数据作为原油性质数据；

其次，若无法获取原油快评数据，则继续判断组分跟踪数据是否能够获取：若可以获取，则取组分跟踪数据作为原油性质数据，否则判断无原油性质数据。

3.根据权利要求2所述的原油性质数据校正方法，其特征在于采用下式计算两种原油数据的相似度Sc：

$S_C=\frac{m}{n-3}\×100\%$

其中，Sc是两种原油数据的相似度，m是两种原油数据的符号化序列中具有相同的夹角符号的个数，n是两种原油数据的符号化序列的长度。

4.根据权利要求3所述的原油性质数据校正方法，其特征在于所述两种原油数据的符号化序列中具有相同夹角符号的个数m的获取方法为：先采用下式分别计算两种原油数据的标准化序列数据之间夹角的余弦值：

其中，k＝2,3,…,n-2，为原油数据的标准化序列中的数据；根据计算结果分别得到两种原油数据的余弦值序列：

$\left\{\begin{array}{c}{\mathrm{cos\θ}}_i=\left({\mathrm{cos\θ}}_{i2},{\mathrm{cos\θ}}_{i3},...,{\mathrm{cos\θ}}_{ik},...,{\mathrm{cos\θ}}_{i\left(n-2\right)}\right)\\ {\mathrm{cos\θ}}_j=\left({\mathrm{cos\θ}}_{j2},{\mathrm{cos\θ}}_{j3},...,{\mathrm{cos\θ}}_{jk},...,{\mathrm{cos\θ}}_{j\left(n-2\right)}\right)\end{array}\right.$

对上述余弦值序列符号化并将余弦值平均划分为10个区间：[-1,-0.8]、[-0.8,-0.6]、[-0.6,-0.4]、[-0.4,-0.2]、[-0.2,0]、[0,0.2]、[0.2,0.4]、[0.4,0.6]、[0.6,0.8]、[0.8,1]，分别对应的符号集中符号为{a,b,c,d,e,f,g,h,i,j}；根据符号集对余弦值序列进行符号化表示分别得到两种原油数据的符号化序列，比较两种原油数据的符号化序列中具有相同的符号的个数，记为m。

5.根据权利要求4所述的原油性质数据校正方法，其特征在于所述原油数据的标准化序列的获取方法为：先采用下式分别计算原油数据序列中相邻数据之间的差值：

$x_t^C=x_{t+1}-x_t$

其中，为差值序列中的数据，x_t+1、x_t分别为原油数据序列中相邻数据，t＝1,2,…,n-1，将得到的差值序列按下式进行标准化处理：

$x_t^B=\frac{x_t^C-\mathrm{\μ}}{\mathrm{\δ}}$

其中，为原油数据标准化序列中的数据， $\mathrm{\μ}=\frac{1}{n-1}\underset{k=1}{\overset{n-1}{\Σ}}{x}_k^C,\mathrm{\δ}=\sqrt{\frac{1}{n-2}\underset{k=1}{\overset{n-1}{\Σ}}{(x_k^C-\mathrm{\μ})}^2};$ 根据计算结果分别得到两种原油数据标准化序列：

$\left\{\begin{array}{c}{x}_i^B=x_{i1}^B,x_{i2}^B,...,x_{ik}^B,...,x_{in}^B\\ x_j^B=x_{j1}^B,x_{j2}^B,...,x_{jk}^B,...,x_{jn}^B\end{array}\right..$

6.根据权利要求5所述的原油性质数据校正方法，其特征在于所述原油数据的序列通过以下方法获得：将采集到的表征原油性质的参数按照一一对应的格式组成等间距的序列：

$\left\{\begin{array}{c}{x}_i=x_{i1},x_{i2},...,x_{ik},...,x_{in}\\ x_j=x_{j1},x_{j2},...,x_{jk},...,x_{jn}\end{array}\right.$

其中，x_i为基准原油数据的序列，x_j为与基准原油数据的序列对比的原油数据的序列。

7.根据权利要求6所述的原油性质数据校正方法，其特征在于所述表征原油性质的参数选取为原油数据的密度、硫含量、收率这三个参数。