CN111178576B - 基于炼化装置运行数据的操作优化方法 - Google Patents
基于炼化装置运行数据的操作优化方法 Download PDFInfo
- Publication number
- CN111178576B CN111178576B CN201911137083.8A CN201911137083A CN111178576B CN 111178576 B CN111178576 B CN 111178576B CN 201911137083 A CN201911137083 A CN 201911137083A CN 111178576 B CN111178576 B CN 111178576B
- Authority
- CN
- China
- Prior art keywords
- data
- case
- historical
- refining device
- operation data
- 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.)
- Active
Links
- 238000007670 refining Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提出了基于炼化装置运行数据的操作优化方法，包括确定构建炼化装置案例库的数据类型和状态参数；按预设时长基于已确定的数据类型提取炼化装置的历史运行数据，结合状态参数对提取到的历史运行数据进行稳态检测；根据稳态检测结果选择性进行案例提取，对提取到的案例进行筛选得到多种类型的案例库；基于已确定的数据类型取炼化装置的运行数据，与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议。通过对历史运行数据进行稳态检测和案例提取，真正实现了对历史数据的运用；还通过设计多目标的不同案例库种类，目标数量可以灵活增减，实现了对历史运行数据的分类运用。
Description
技术领域
本发明属于化工过程分析领域，尤其涉及基于炼化装置运行数据的操作优化方法。
背景技术
炼化装置在运行过程中，积累了大量的运行数据，这些数据记录和反应了装置的运行信息。采用一定的手段对这些数据进行分析、整理，能够用于指导装置在未来的运行中始终保持在较优的工况，避免装置在未来的运行中长期处于较差的工况下。
现有技术中对运行数据的利用步骤为：S1：设定案例结构，并根据所述案例结构构建案例库，其中，所述案例结构包括指纹信息、操作情况评估信息，以及待匹配操作参数和状态参数，所述指纹信息用于描述案例的特异性，所述操作情况评估信息用于评价操作状况；S2：以当前操作状况生成的案例信息作为输入，根据所述操作情况评估信息进行评估，从所述案例库筛选出操作状况优于当前案例的历史案例，提取所述操作状况优于当前案例的历史案例的匹配操作参数和状态参数；S3：从所述案例库中选取预设数量的案例，并利用数据扰动的方法构建模糊匹配方法中的隶属度函数参数优化模型；S4：采用数据扰动的方法测试所述模糊匹配方法的稳定性，从而得到描述稳定性的稳定数；S5：根据所述操作状况优于当前案例的历史案例的匹配操作参数和状态参数，和所述稳定数调整所述当前操作状况。
从其实现步骤的表述中能够得出现有构建案例库的过程体现不出对装置运行数据的分析整理，体现不出从装置运行数据中提取案例的过程；同时仅设计了一个案例库，未考虑多目标的情况，当目标发生变化时，需要重新构建案例库增加了数据处理步骤。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了基于炼化装置运行数据的操作优化方法，通过对历史运行数据进行稳态检测和案例提取，并设计多目标的不同案例库种类，在实现了对历史运行数据的分类运用的同时还真正实现了对历史数据的运用。
具体的，本实施例提出的基于炼化装置运行数据的操作优化方法，包括：
确定构建炼化装置案例库的数据类型和状态参数；
按预设时长基于已确定的数据类型提取炼化装置的历史运行数据，结合状态参数对提取到的历史运行数据进行稳态检测；
根据稳态检测结果选择性进行案例提取，对提取到的案例进行筛选得到多种类型的案例库；
基于已确定的数据类型取炼化装置的运行数据，与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议。
可选的，所述确定构建炼化装置案例库的数据类型和状态参数，包括：
所述数据类型包括炼化装置的进料信息、操作参数信息以及目标参数信息，其中进料信息包括炼化装置中不同原料的进料量，炼化装置的总进料量以及进料成分；
所述状态参数包括是否稳态检测标志、稳态检测系数、是否匹配标志以及匹配系数，以向量形式存储。
可选的，所述按预设时长基于已确定的数据类型提取炼化装置的历史运行数据，结合状态参数对提取到的历史运行数据进行稳态检测，包括：
每隔预设时长按已确定的数据类型提取规定时间段内炼化装置的历史运行数据；
根据数据类型对历史数据进行筛选，对筛选后的历史数据进行基于差值的稳态判断处理，完成稳态检测。
可选的，所述每隔预设时长按已确定的数据类型提取规定时间段内炼化装置的历史运行数据，包括：
当前时刻根据已确定的数据类型提取规定时间段内炼化装置的连续历史运行数据；
预设时长后，再次根据已确定的数据类型提取预设规定时间段内炼化装置的连续历史运行数据；
重复上述操作，直至全部历史数据提取完毕。
可选的，所述根据数据类型对历史数据进行筛选，对筛选后的历史数据进行基于差值的稳态判断处理，完成稳态检测，包括：
获取历史数据中的稳态检测系数，筛选稳态检测系数数值为预设值的历史数据；
获取筛选后历史数据首个时间段的数据均值以及最后一个时间段的数据均值；
计算两个数据均值差的绝对值，如果绝对值小于稳态检测标准值，则表明获取的历史数据处于稳态，继续对下一段历史数据进行稳态检测，否则判定获取的历史数据不处于稳态。
可选的，所述根据稳态检测结果选择性进行案例提取，对提取到的案例进行筛选得到多种类型的案例库，包括：
计算历史数据中每个参数的平均值以及标准方差；
计算每个参数与平均值的差值，将差值绝对值大于三倍标准方差的参数剔除，得到剔除后剩余的数据；
计算提出后剩余数据的平均值，将计算得到的平均值作为案例构建得到案例库。
可选的，所述操作优化方法还包括：
从案例库中选取第一案例，计算剩余每个案例与第一案例的相对偏差值；
计算每个相对偏差值与匹配标准值作差后的差值，若大于匹配系数则为1，否则为0；
然后与是否匹配标志进行相乘，将结果全部为0的案例记为与第一案例类似的案例；
按目标选择类似案例中的最优案例，添加到相应的优化案例库中；
从案例库中将第一案例以及与第一案例类似的案例进行删除。
可选的，在对提取到的案例进行筛选得到多种类型的案例库之前，所述操作优化方法还包括：
向案例库中录入专家案例。
可选的，所述基于已确定的数据类型取炼化装置的运行数据，与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议，
基于专家案例与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议。
可选的，所述基于专家案例与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议，包括：
对专家案例库中的案例进行是否为最优案例的分析；
基于判定结果进行是否进行最优案例替换。
本发明提供的技术方案带来的有益效果是：
通过对历史运行数据进行稳态检测和案例提取，真正实现了对历史数据的运用；还通过设计多目标的不同案例库种类，目标数量可以灵活增减，实现了对历史运行数据的分类运用。
附图说明
为了更清楚地说明本发明的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本实施例提出的基于炼化装置运行数据的操作优化方法的流程示意图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
为了解决现有技术中的案例库中的数据得不到有效利用的问题，本申请实施例提出了基于炼化装置运行数据的操作优化方法，能够通过对装置运行数据进行稳态检测，根据事先确定的案例结构，从稳态数据中提取出案例，实现对装置运行数据利用的目的。
具体的，本实施例提出的基于炼化装置运行数据的操作优化方法，如图1所示，包括：
11、确定构建炼化装置案例库的数据类型和状态参数；
12、按预设时长基于已确定的数据类型提取炼化装置的历史运行数据，结合状态参数对提取到的历史运行数据进行稳态检测；
13、根据稳态检测结果选择性进行案例提取，对提取到的案例进行筛选得到多种类型的案例库；
14、基于已确定的数据类型取炼化装置的运行数据，与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议。
在实施中，本实施例所提出的操作优化方法的主要处理思路为将炼化装置的运行数据基于数据类型等内容进行整理，并对整理后的数据进行一定条件的筛选，基于筛选后的数据构建不同类型的案例库，进而以不同类型的案例库作为参考对当前炼化装置的运行状态给出参考建议。
具体的，步骤11提出了确定需要整理所依据的数据类型和状态参数，其中所述数据类型包括炼化装置的进料信息、操作参数信息以及目标参数信息，其中进料信息包括炼化装置中不同原料的进料量，炼化装置的总进料量以及进料成分；
所述状态参数包括是否稳态检测标志、稳态检测系数、是否匹配标志以及匹配系数，以向量形式存储。
案例库的结构信息包括：进料信息(不同原料进料量、总进料量、进料组成)、操作参数信息(温度、压力、回流比等)、目标(产品收率、装置效益、装置能耗等)，共计c个参数。
稳态检测参数包括：
(1)是否稳态检测标志，是为1，否为0，储存在1×c的向量steadycheck_tag中；
(2)稳态检测系数。稳态检测系数储存在1×c的向量steadycheck_parameter中；
案例匹配参数包括：
(1)是否匹配标志，是为1，否为0，储存在1×c的向量match_tag中；
(2)匹配系数。匹配系数储存在1×c的向量match_parameter中。
步骤12提出了基于已确定的数据类型提取炼化装置的历史运行数据，结合状态参数对提取到的历史运行数据进行稳态检测的步骤，包括：
121、每隔预设时长按已确定的数据类型提取规定时间段内炼化装置的历史运行数据；
122、根据数据类型对历史数据进行筛选，对筛选后的历史数据进行基于差值的稳态判断处理，完成稳态检测。
在实施中，步骤121中提出的确定历史运行数据的具体内容包括：
1211、当前时刻根据已确定的数据类型提取规定时间段内炼化装置的连续历史运行数据；
1212、预设时长后，再次根据已确定的数据类型提取预设规定时间段内炼化装置的连续历史运行数据；
1213、重复上述操作，直至全部历史数据提取完毕。
在实施中，按时间间隔为5秒，按确定的案例结构提取连续时间段的历史运行数据，时间点个数为n(如2小时，时间点个数为，2*3600/5＝1400)，数据储存在n×c的矩阵data中。
以5分钟的时间间隔，对连续30分钟内的数据进行稳态检测及案例提取(注，5分钟的时间间隔，连续30分钟的意思为，如。从0分钟开始，检测0-30分钟内的数据，再从5分钟开始，检测5-35分钟内的数据……,以此类推，直至全部数据)。
步骤122中进行稳态检测的步骤，包括：
1221、获取历史数据中的稳态检测系数，筛选稳态检测系数数值为预设值的历史数据；
1222、获取筛选后历史数据首个时间段的数据均值以及最后一个时间段的数据均值；
1223、计算两个数据均值差的绝对值，如果绝对值小于稳态检测标准值，则表明获取的历史数据处于稳态，继续对下一段历史数据进行稳态检测，否则判定获取的历史数据不处于稳态。
在实施中，稳态检测的方式为：逐个对steadycheck_tag中为1的参数进行稳态检测。
稳态检测的方法为：(1)对参数i在此30分钟的数据进行平滑处理；(2)以1分钟的时间间隔，对连续5分钟内的数据进行稳态检测，即：
先取第1分钟的数据均值，记为mean_begin；
再取最后1分钟的数据均值，记为mean_end；
若两者差的绝对值abs(mean_begin-mean_end)<steadycheck_parameter(i)，则参数i在此5分钟内为稳态，继续进行下个5分钟的检测，否则判定参数i在此30分钟内不是稳态。
当steadycheck_tag中为1的参数都同时为稳态时，方可说明是稳态数据。
若此连续30分钟内的数据为稳态数据，进行案例提取。
步骤13中提出了根据稳态检测结果选择性进行案例提取，对提取到的案例进行筛选得到多种类型的案例库的步骤，具体包括：
131、计算历史数据中每个参数的平均值以及标准方差；
132、计算每个参数与平均值的差值，将差值绝对值大于三倍标准方差的参数剔除，得到剔除后剩余的数据；
133、计算提出后剩余数据的平均值，将计算得到的平均值作为案例构建得到案例库。
在实施中，依照步骤131至133的描述，具体的建立案例库的步骤如下：
案例提取的方法为：(参数xi，在30分钟内的数据为xi,j,j＝1…n)
求各参数的平均值；
求各参数的标准方差；
剔除大于平均值3倍标准方差的数据；(若则剔除xi,,剩余的数据为xi,,,j,＝1……p,p<＝n)
对剔除后的数据再次求平均值
案例是由一系列参数组成的，如(x1，x2，……xm),分别(按案例提取的方法)求取了相应的平均值，这些平均值就构成一个案例。
对案例库继续进行处理的步骤包括：
134、从案例库中选取第一案例，计算剩余每个案例与第一案例的相对偏差值；
135、计算每个相对偏差值与匹配标准值作差后的差值，若大于匹配系数则为1，否则为0；
136、然后与是否匹配标志进行相乘，将结果全部为0的案例记为与第一案例类似的案例；
按目标选择类似案例中的最优案例，添加到相应的优化案例库中；
从案例库中将第一案例以及与第一案例类似的案例进行删除。
在实施中，具体包括：提取当前半小时运行数据，进行稳态检测，并提取当前案例。按时间间隔为5秒，按确定的案例结构提取当前半小时的运行数据，时间点个数为0.5*3600/5＝360)，数据储存在360×c的矩阵data_now中。
以5分钟的时间间隔，对data_now进行稳态检测及案例提取。
稳态检测的方式为：逐个对steadycheck_tag中为1的参数进行稳态检测。
稳态检测的方法为：
(1)对参数i在data_now的数据进行平滑处理；
(2)以1分钟的时间间隔，对连续5分钟内的数据进行稳态检测，即：
先取第1分钟的数据均值，记为mean_begin；
再取最后1分钟的数据均值，记为mean_end；
若两者差的绝对值abs(mean_begin-mean_end)<steadycheck_parameter(i)，则参数i在此5分钟内为稳态，继续进行下个5分钟的检测，否则判定参数i在此30分钟内不是稳态。
当steadycheck_tag中为1的参数都同时为稳态时，方可说明是稳态数据。
若data_now的数据为稳态数据，进行当前案例提取。
案例提取的方法为：
(1)各案例分别与第一个案例进行作差，得绝对偏差；
(2)然后与第一个方案进行相除，得相对偏差；
(3)相对偏差与match_parameter作差，若大于match_parameter则为1，否则为0；
(4)然后与match_tag进行相乘；
(5)结果全部为0的案例即为和以一个案例类似的案例；
(6)按目标选择类似案例中的最优案例，添加到相应的优化案例库中；
(7)从提取到的案例中删除类似的案例；
(8)重复步骤1-7，直至提取到的案例为空。
可选的，在对提取到的案例进行筛选得到多种类型的案例库之前，所述操作优化方法还包括：
向案例库中录入专家案例。
在实施中，对于专家案例库，按照确定的案例库的结构，手动录入，然后与已存在的专家案例进行查重、筛选。
基于录入专家案例的操作，步骤14所提出的根据案例库提出操作优化建议的步骤包括：
141、基于专家案例与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议。
在实施中，步骤141中对运行数据进行匹配的内容具体包括两步，即对专家案例库中的案例进行是否为最优案例的分析；以及基于判定结果进行是否进行最优案例替换。
具体实施步骤为：
1.专家案例库中案例分别与当前案例进行作差，得绝对偏差；
2.然后与当前案例进行相除，得相对偏差；
3.相对偏差与match_parameter作差，若大于match_parameter记为1，否则为0；
4.然后与match_tag进行相乘；
5.结果全部为0的专家案例即为和当前案例类似的案例；
6.按目标i选择类似案例中的最优案例，若比当前案例更优，即为匹配到的专家案例，输出；
7.若第6步没有输出，则进行第8步及后续步骤；
8.优化案例库i中案例分别与当前案例进行作差，得绝对偏差；
9.然后与当前案例进行相除，得相对偏差；
10.相对偏差与match_parameter作差，若大于match_parameter记为1，否则为0；
11.然后与match_tag进行相乘；
12.结果全部为0的优化案例即为和当前案例类似的案例；
13.按目标i选择类似案例中的最优案例，若比当前案例更优，即为匹配到的优化案例，输出。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.基于炼化装置运行数据的操作优化方法，其特征在于，所述操作优化方法包括：
确定构建炼化装置案例库的数据类型和状态参数；
按预设时长基于已确定的数据类型提取炼化装置的历史运行数据，结合状态参数对提取到的历史运行数据进行稳态检测；
根据稳态检测结果选择性进行案例提取，对提取到的案例进行筛选得到多种类型的案例库；
基于已确定的数据类型取炼化装置的运行数据，与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议；
所述按预设时长基于已确定的数据类型提取炼化装置的历史运行数据，结合状态参数对提取到的历史运行数据进行稳态检测，包括：
每隔预设时长按已确定的数据类型提取规定时间段内炼化装置的历史运行数据；
根据数据类型对历史数据进行筛选，对筛选后的历史数据进行基于差值的稳态判断处理，完成稳态检测；
所述根据稳态检测结果选择性进行案例提取，对提取到的案例进行筛选得到多种类型的案例库，包括：
计算历史数据中每个参数的平均值以及标准方差；
计算每个参数与平均值的差值，将差值绝对值大于三倍标准方差的参数剔除，得到剔除后剩余的数据；
计算提出后剩余数据的平均值，将计算得到的平均值作为案例构建得到案例库；
所述操作优化方法还包括：
从案例库中选取第一案例，计算剩余每个案例与第一案例的相对偏差值；
计算每个相对偏差值与匹配标准值作差后的差值，若大于匹配系数则为1，否则为0；
然后与是否匹配标志进行相乘，将结果全部为0的案例记为与第一案例类似的案例；
按目标选择类似案例中的最优案例，添加到相应的优化案例库中；
从案例库中将第一案例以及与第一案例类似的案例进行删除。
2.根据权利要求1所述的基于炼化装置运行数据的操作优化方法，其特征在于，所述确定构建炼化装置案例库的数据类型和状态参数，包括：
所述数据类型包括炼化装置的进料信息、操作参数信息以及目标参数信息，其中进料信息包括炼化装置中不同原料的进料量，炼化装置的总进料量以及进料成分；
所述状态参数包括是否稳态检测标志、稳态检测系数、是否匹配标志以及匹配系数，以向量形式存储。
3.根据权利要求1所述的基于炼化装置运行数据的操作优化方法，其特征在于，所述每隔预设时长按已确定的数据类型提取规定时间段内炼化装置的历史运行数据，包括：
当前时刻根据已确定的数据类型提取规定时间段内炼化装置的连续历史运行数据；
预设时长后，再次根据已确定的数据类型提取预设规定时间段内炼化装置的连续历史运行数据；
重复上述操作，直至全部历史数据提取完毕。
4.根据权利要求1所述的基于炼化装置运行数据的操作优化方法，其特征在于，所述根据数据类型对历史数据进行筛选，对筛选后的历史数据进行基于差值的稳态判断处理，完成稳态检测，包括：
获取历史数据中的稳态检测系数，筛选稳态检测系数数值为预设值的历史数据；
获取筛选后历史数据首个时间段的数据均值以及最后一个时间段的数据均值；
计算两个数据均值差的绝对值，如果绝对值小于稳态检测标准值，则表明获取的历史数据处于稳态，继续对下一段历史数据进行稳态检测，否则判定获取的历史数据不处于稳态。
5.根据权利要求1所述的基于炼化装置运行数据的操作优化方法，其特征在于，在对提取到的案例进行筛选得到多种类型的案例库之前，所述操作优化方法还包括：
向案例库中录入专家案例。
6.根据权利要求5所述的基于炼化装置运行数据的操作优化方法，其特征在于，所述基于已确定的数据类型取炼化装置的运行数据，与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议，包括：
基于专家案例与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议。
7.根据权利要求6所述的基于炼化装置运行数据的操作优化方法，其特征在于，所述基于专家案例与案例库中存储的运行数据进行匹配，根据匹配结果输出对炼化装置的操作优化建议，包括：
对专家案例库中的案例进行是否为最优案例的分析；
基于判定结果进行是否进行最优案例替换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911137083.8A CN111178576B (zh) | 2019-11-19 | 2019-11-19 | 基于炼化装置运行数据的操作优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911137083.8A CN111178576B (zh) | 2019-11-19 | 2019-11-19 | 基于炼化装置运行数据的操作优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111178576A CN111178576A (zh) | 2020-05-19 |
| CN111178576B true CN111178576B (zh) | 2023-09-05 |
Family
ID=70655369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911137083.8A Active CN111178576B (zh) | 2019-11-19 | 2019-11-19 | 基于炼化装置运行数据的操作优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178576B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465044B (zh) * | 2020-12-03 | 2022-12-27 | 上海卫星工程研究所 | 基于敏感参数多证据融合的卫星工况识别与分割方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102261671A (zh) * | 2010-05-28 | 2011-11-30 | 王荣虎 | 一种锅炉燃烧多约束多目标优化专家系统及其优化方法 |
| CN102609845A (zh) * | 2011-01-20 | 2012-07-25 | 李安渝 | 一种基于全程优化的匹配方法 |
| CN103955778A (zh) * | 2014-05-15 | 2014-07-30 | 南京富岛信息工程有限公司 | 一种高性能汽油调合非线性优化方法 |
| CN105260791A (zh) * | 2015-09-25 | 2016-01-20 | 苏州携优信息技术有限公司 | 基于农业物联网和大数据分析的种植计划优化系统和方法 |
| CN105259758A (zh) * | 2015-10-22 | 2016-01-20 | 西安西热电站信息技术有限公司 | 基于海量历史数据火电机组运行参数智能在线寻优方法 |
| CN105868165A (zh) * | 2016-04-15 | 2016-08-17 | 华中科技大学 | 一种电站锅炉运行数据清洗方法 |
| CN106354997A (zh) * | 2016-08-24 | 2017-01-25 | 清华大学 | 基于案例库的炼油过程模糊匹配调优方法 |
| CN108320042A (zh) * | 2017-12-05 | 2018-07-24 | 浙江中控软件技术有限公司 | 循环水系统的优化方法与装置 |
| CN110376987A (zh) * | 2019-07-19 | 2019-10-25 | 清华大学 | 基于案例库和稳态检测的炼油过程在线优化方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8949050B2 (en) * | 2011-12-16 | 2015-02-03 | Basen Corporation | Smartgrid energy-usage-data storage and presentation systems, devices, protocol, and processes including a visualization, and load fingerprinting process |
-
2019
- 2019-11-19 CN CN201911137083.8A patent/CN111178576B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102261671A (zh) * | 2010-05-28 | 2011-11-30 | 王荣虎 | 一种锅炉燃烧多约束多目标优化专家系统及其优化方法 |
| CN102609845A (zh) * | 2011-01-20 | 2012-07-25 | 李安渝 | 一种基于全程优化的匹配方法 |
| CN103955778A (zh) * | 2014-05-15 | 2014-07-30 | 南京富岛信息工程有限公司 | 一种高性能汽油调合非线性优化方法 |
| CN105260791A (zh) * | 2015-09-25 | 2016-01-20 | 苏州携优信息技术有限公司 | 基于农业物联网和大数据分析的种植计划优化系统和方法 |
| CN105259758A (zh) * | 2015-10-22 | 2016-01-20 | 西安西热电站信息技术有限公司 | 基于海量历史数据火电机组运行参数智能在线寻优方法 |
| CN105868165A (zh) * | 2016-04-15 | 2016-08-17 | 华中科技大学 | 一种电站锅炉运行数据清洗方法 |
| CN106354997A (zh) * | 2016-08-24 | 2017-01-25 | 清华大学 | 基于案例库的炼油过程模糊匹配调优方法 |
| CN108320042A (zh) * | 2017-12-05 | 2018-07-24 | 浙江中控软件技术有限公司 | 循环水系统的优化方法与装置 |
| CN110376987A (zh) * | 2019-07-19 | 2019-10-25 | 清华大学 | 基于案例库和稳态检测的炼油过程在线优化方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈亮等.常减压蒸馏装置模拟与操作优化.《化工管理》.2015,(第第9期期),第68页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111178576A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115276006B (zh) | 一种用于电力集成系统的负荷预测的方法及系统 | |
| CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
| CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
| JP4739447B2 (ja) | 不良要因の分析表示方法および不良要因の分析表示装置 | |
| KR20190072652A (ko) | 정보 처리 장치 및 정보 처리 방법 | |
| CN111027193A (zh) | 一种基于回归模型的短期水位预测方法 | |
| CN115935283B (zh) | 一种基于多元非线性因果分析的干旱成因溯源方法 | |
| CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
| CN111178576B (zh) | 基于炼化装置运行数据的操作优化方法 | |
| CN108875118A (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
| CN114138855A (zh) | 一种多变量降雨型滑坡灾害监测方法及监测系统 | |
| CN113569374B (zh) | 钢铁产品可制造性评估的方法和系统 | |
| CN116775741A (zh) | 一种工程竣工决算的审计方法及相关装置 | |
| CN110889186B (zh) | 灰关联分析的加速贮存与自然贮存退化数据一致性检验法 | |
| CN116383623A (zh) | 一种基于机器学习卷烟机剔除率特征选取的方法 | |
| CN115130805A (zh) | 分析装置、分析方法以及记录有程序的计算机可读介质 | |
| CN114116840A (zh) | 一种人工增雨效果的评估方法 | |
| CN113706516A (zh) | 一种金相组织识别方法、系统、设备和存储介质 | |
| CN107862126B (zh) | 一种部件级信息多样性条件下的系统可靠性评估方法 | |
| CN115114968A (zh) | 基于随机森林的铸坯裂纹智能预测方法 | |
| JP2008204282A (ja) | プロセスデータ予測システム及びそれを用いたプロセス管理装置 | |
| JP2020181273A (ja) | 製造不良原因探索装置、製造不良原因探索方法 | |
| CN118568683B (zh) | 一种非稳态运行设备寿命预测方法、装置及相关设备 | |
| CN114550454B (zh) | 一种基于交通流矩阵组合模型的交通流量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 310059 No. 309, Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province Patentee after: Zhongkong Technology Co.,Ltd. Country or region after: China Patentee after: ZHEJIANG SUPCON SOFTWARE Co.,Ltd. Address before: 310053 central control science and Technology Park (hi tech Zone), No. six, No. 309, Binjiang District Road, Zhejiang, Hangzhou Patentee before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd. Country or region before: China Patentee before: ZHEJIANG SUPCON SOFTWARE Co.,Ltd. |