CN111241677A - 一种基于机器学习的常减压装置生产模拟方法及系统 - Google Patents
一种基于机器学习的常减压装置生产模拟方法及系统 Download PDFInfo
- Publication number
- CN111241677A CN111241677A CN202010022944.4A CN202010022944A CN111241677A CN 111241677 A CN111241677 A CN 111241677A CN 202010022944 A CN202010022944 A CN 202010022944A CN 111241677 A CN111241677 A CN 111241677A
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- data set
- model
- tower
- reducing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000005292 vacuum distillation Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 35
- 239000000203 mixture Substances 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 17
- 239000010779 crude oil Substances 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 15
- 238000009834 vaporization Methods 0.000 claims description 15
- 230000008016 vaporization Effects 0.000 claims description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 14
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 12
- 238000004821 distillation Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 8
- 229910052757 nitrogen Inorganic materials 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- 239000002253 acid Substances 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 239000011593 sulfur Substances 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 5
- 238000009835 boiling Methods 0.000 claims description 5
- 150000003839 salts Chemical class 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 239000000084 colloidal system Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 8
- 239000003921 oil Substances 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 208000011380 COVID-19–associated multisystem inflammatory syndrome in children Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002319 photoionisation mass spectrometry Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及计算机领域，尤其涉及一种基于机器学习的常减压装置生产模拟方法及系统，包括：S1：采集常减压装置不同工况下的工况数据；S2：将所有工况数据按照同一时刻进行对齐建立工况数据集；S3：将工况数据集划分为训练数据集、验证数据集；S4：建立基于机器学习的常减压装置生产模拟模型；S5：计算每个参数组合下的模型在验证数据集上的预测值与真实值之间的均方根误差；S6：选取均方根误差均值最小的参数组合下的模型并保存；S7：根据已保存的常减压装置生产模拟模型。本发明无需按照理论对常减压装置进行机理建模，采用真实的常减压装置生产数据，基于机器学习方法建立常减压装置生产模拟模型，避免理论值与实际值的偏差的问题。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种基于机器学习的常减压装置生产模拟方法及系统。
背景技术
常减压装置是炼油企业生产流程的龙头装置，是常压蒸馏和减压蒸馏两个装置的总称，以完成对原油的一次加工过程，目的是将原油切割成各种不同馏分的产品。炼油企业需要根据原油特性(种类)、常减压装置加工特点、某些馏分的特殊用途以及后续二次、三次加工装置对侧线产品的需要等多种因素来确定常减压装置的加工方案，而常减压装置的产品收率、性质和公用工程消耗数据是制定加工方案的基础。常减压装置所处理的原料——原油是一种复杂的混合物，其生产的产品——各馏分产品也是复杂的混合物，其生产过程的操作条件也是复杂多变的，这些都导致了准确计算常减压装置产品收率、性质和公用工程消耗是十分复杂和困难的。部分炼油企业会采用计划软件(如PIMS)和调度软件(如APS)的所得到常减压装置模拟结果来制定加工方案，这些软件对常减压装置的模拟都以原油切割数据表(ASSAY表)为基础，而常减压装置的实际运行不可能与原油切割数据表的设定完全吻合，因此需要根据常减压装置的实际数据进行校正。对于加工原油品种多变，操作条件切换频繁等需要不断进行校正的场景下，这种根据原油切割数据表加实际数据校正的方法显得复杂且工作量巨大，可行性并不高。
现有技术中，大多使用严格的机理模型对常减压装置进行模拟，虽然机理模型能够模拟一定条件下的常减压装置的工况，但是存在以下问题：
1.机理模型需要很多稳定性假设，比如假定装置进料连续均匀，进料性质稳定等。但实际生产中，装置的运行状态不是稳定不变的，总会存在波动，这些稳定性假设实际上是不存在的；
2.机理模型的适应性较差，是针对特定装置操作条件下得到的结果，因此当装置操作条件发生变化时，需要重新建模。
发明内容
为解决上述问题，本发明提一种基于机器学习的常减压装置生产模拟方法及系统。
一种基于机器学习的常减压装置生产模拟方法，包括：
S1：采集常减压装置不同工况下的工况数据；
S2：将所有工况数据按照同一时刻进行对齐建立工况数据集；
S3：将工况数据集划分为训练数据集、验证数据集；
S4：建立基于机器学习的常减压装置生产模拟模型，将训练数据集的数据中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，以产品分布、产品收率、产品性质和公用工程消耗数据为输出项，进行模型的训练；
S5：将验证数据集中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，计算不同参数组合下的产品分布、产品收率和产品性质的预测值，计算每个参数组合下的模型在验证数据集上的预测值与真实值之间的均方根误差；
S6：通过k折交叉验证方法，重复步骤S3～S4 k次，选取均方根误差均值最小的参数组合下的模型并保存；
S7：根据已保存的常减压装置生产模拟模型，向模型中输入变量：进料量、进料组成、进料性质和装置操作条件后，模型计算得到输出变量：产品分布、产品收率、产品性质和公用工程消耗。
优选的，所述将工况数据集划分为训练数据集、验证数据集包括：
将工况数据集按照k折交叉验证方法划分为训练数据集、验证数据集。
优选的，所述进料性质为每种原油的类别、实沸点蒸馏数据、密度、API、凝点、运动粘度、酸值、盐含量、残碳、灰分、蜡含量、胶质含量、沥青质含量、硫含量、氮含量、铁含量。
优选的，所述装置操作条件为初馏塔塔顶压力、汽化段压力、进料段压力、加热炉温度、塔顶冷凝器温度、塔底汽提蒸汽；常压塔塔顶压力、汽化段压力、进料段压力、塔顶冷凝器温度、加热炉温度、塔底汽提蒸汽量、常一线蒸汽量、常二线蒸汽量、常三线蒸汽量、常一抽出流量、常一中回塔温度、常二中抽出流量、常二中回塔温度、常三中抽出流量、常三中回塔温度；减压塔塔顶压力、汽化段压力、进料段压力、加热炉负荷、塔底汽提蒸汽、减一中抽出流量、减一中回塔热负荷、减二中抽出流量、减二中回塔温度、减三中抽出流量、减三中回塔温度、减四中抽出流量、减四中回塔温度。
优选的，其特征在于，所述采集常减压装置不同工况下的工况数据之后还包括：
对工况数据中的异常值、缺失值进行预处理。
一种基于机器学习的常减压装置生产模拟系统，包括：
数据采集单元，用于采集常减压装置不同工况下的工况数据；
数据集成单元，用于将所有工况数据按照同一时刻进行对齐建立工况数据集；
数据集划分单元，用于将工况数据集划分为训练数据集、验证数据集；
模型训练单元，用于建立基于机器学习的常减压装置生产模拟模型，将训练数据集的数据中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，以产品分布、产品收率、产品性质和公用工程消耗数据为输出项，进行模型的训练；
模型验证单元，用于将验证数据集中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，计算不同参数组合下的产品分布、产品收率和产品性质的预测值，计算每个参数组合下的模型在验证数据集上的预测值与真实值之间的均方根误差；
模型参数选择单元，用于通过k折交叉验证方法，重复步骤S3～S4 k次，选取均方根误差均值最小的参数组合下的模型并保存；
模型存储单元，用于根据已保存的常减压装置生产模拟模型，向模型中输入变量：进料量、进料组成、进料性质和装置操作条件后，模型计算得到输出变量：产品分布、产品收率、产品性质和公用工程消耗。
优选的，所述数据集划分单元将工况数据集按照k折交叉验证方法划分为训练数据集、验证数据集。
优选的，所述进料性质为每种原油的类别、实沸点蒸馏数据、密度、API、凝点、运动粘度、酸值、盐含量、残碳、灰分、蜡含量、胶质含量、沥青质含量、硫含量、氮含量、铁含量。
优选的，所述装置操作条件为初馏塔塔顶压力、汽化段压力、进料段压力、加热炉温度、塔顶冷凝器温度、塔底汽提蒸汽；常压塔塔顶压力、汽化段压力、进料段压力、塔顶冷凝器温度、加热炉温度、塔底汽提蒸汽量、常一线蒸汽量、常二线蒸汽量、常三线蒸汽量、常一抽出流量、常一中回塔温度、常二中抽出流量、常二中回塔温度、常三中抽出流量、常三中回塔温度；减压塔塔顶压力、汽化段压力、进料段压力、加热炉负荷、塔底汽提蒸汽、减一中抽出流量、减一中回塔热负荷、减二中抽出流量、减二中回塔温度、减三中抽出流量、减三中回塔温度、减四中抽出流量、减四中回塔温度。
优选的，还包括：
数据预处理单元，用于对工况数据中的异常值、缺失值进行预处理。
通过使用本发明，可以实现以下效果：
1.本发明无需按照理论对常减压装置进行机理建模，采用真实的常减压装置生产数据，基于机器学习方法建立常减压装置生产模拟模型，避免机理建模容易导致的理论值与实际值的偏差，以及生产条件变化时需要重新建模的问题；
2.将所有工况数据按照同一时刻进行对齐建立工况数据集，解决数据来源的时间不统一问题，使得建立的模型更加准确；
3.模型的建立过程包含模型的训练和验证，并根据验证结果选择最佳的模型参数，使得建立的模型更加负荷实际工况；
4.对工况数据中的异常值、缺失值进行预处理，提高模拟系统的准确度，使得建立的模型更加准确。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明一实施例一种基于机器学习的常减压装置生产模拟方法的示意性流程图；
图2是本发明一实施例一种基于机器学习的常减压装置生产模拟系统的示意性结构图；
图3是本发明另一实施例一种基于机器学习的常减压装置生产模拟系统的示意性结构图。
具体实施方式
以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本发明的基本思想是通过基于常减压装置的实际工况数据，通过机器学习的方法，对常减压装置的生产过程进行精确模拟，为炼油企业制定加工方案提供参考。
基于以上发明构思，本实施例提出一种基于机器学习的常减压装置生产模拟方法，如图1所示，包括以下步骤：
S1：采集常减压装置不同工况下的工况数据。
工况数据包括：常减压装置的进料量数据、进料组成数据、进料性质数据、产品分布数据、产品收率数据、产品性质数据、装置操作条件数据和公用工程消耗数据。
进料组成数据为原油品种和比例，如原油1：50％，原油2：50％。
进料性质数据为每种原油的类别、实沸点蒸馏数据、密度、API、凝点、运动粘度、酸值、盐含量、残碳、灰分、蜡含量、胶质含量、沥青质含量、硫含量、氮含量、铁含量。
产品分布数据为常顶油、常一线油、常二线油、常三线油、减一线油、减二线油、减三线油、减四线油和减压渣油。
产品性质数据为硫含量、氮含量、酸值、终馏点、密度、闪点和铁含量。
装置操作条件数据为初馏塔塔顶压力、汽化段压力、进料段压力、加热炉温度、塔顶冷凝器温度、塔底汽提蒸汽；常压塔塔顶压力、汽化段压力、进料段压力、塔顶冷凝器温度、加热炉温度、塔底汽提蒸汽量、常一线蒸汽量、常二线蒸汽量、常三线蒸汽量、常一抽出流量、常一中回塔温度、常二中抽出流量、常二中回塔温度、常三中抽出流量、常三中回塔温度；减压塔塔顶压力、汽化段压力、进料段压力、加热炉负荷、塔底汽提蒸汽、减一中抽出流量、减一中回塔热负荷、减二中抽出流量、减二中回塔温度、减三中抽出流量、减三中回塔温度、减四中抽出流量、减四中回塔温度。
公用工程消耗数据为燃料油、燃料气、电、蒸汽、循环水、除盐水、除氧水、净化风、氮气。
在本实施例中，所采集的工况数据为常减压装置的生产真实数据，根据生产真实数据所建立的模型能够更准确的模拟生产方案。
S2：将所有工况数据按照同一时刻进行对齐建立工况数据集。
由于工况数据具有时间属性，建立工况数据集时需要将不同来源的数据统一在同一时间段或时刻下，即过滤出同一时刻或同一时间段内的数据拼接在一起成为一组工况数据，若干组工况数据的集合就是工况数据集，从而避免数据的混乱，造成训练得到的模型不准确。
S3：将工况数据集划分为训练数据集、验证数据集。
将工况数据集按照k折交叉验证法划分训练数据集和验证数据集。本实例采用5折交叉验证，即从工况数据集中每次随机选取1/5的数据作为验证数据集，剩余4/5作为训练数据集，重复5次，则产生5组训练——验证数据集组合，如下表所示：
S4：建立基于机器学习的常减压装置生产模拟模型，将训练数据集的数据中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，以产品分布、产品收率、产品性质和公用工程消耗数据为输出项，进行模型的训练。
本发明采用多层前馈神经网络(Multi-layer feedback neural network)来建立常减压装置生产模拟系统中的常减压装置生产模拟模型。整个人工神经网络由输入层、隐含层(l层)和输出层组成。
其中隐含层输出计算如下：
式中：
第k层中第j个神经元的输出；
第k-1层中i个神经元到第k层第j个神经元的链接权重；
第k-1层中第i个神经元的输出；
第k层中第j个神经元的偏置；f()：激活函数，该函数有多种表达形式，本发明采用两种函数，每个隐含层选取的激活函数也可能不同，这就产生了多种组合，每个隐含层选取何种激活函数需要在训练阶段和参数调优阶段进行比较择优选取：
根据最后一个隐含层的输出计算输出层：
式中：Op：输出层中第p个神经元的输出；
第l隐含层中j个神经元到输出层第p个神经元的链接权重；
第l隐含层中第j个神经元的输出；bp：输出层中第p个神经元的偏置；误差计算。根据网络预测输出O和期望输出Y(真实值)，计算网络预测误差E：
权重更新：根据网络预测误差E更新网络连接权重
式中：η：学习速率；
偏置更新：根据网络预测误差e更新网络节点的偏置
模型通过不断迭代，根据网络的预测误差更新权重和偏置，本实例的迭代次数为5000次，迭代完毕后，得到最终整个的网络权重矩阵W和偏置矩阵B。由以上可知，因为输入变量和输出变量已经确定，因此除输入层和输出层外，人工神经网络的隐含层层数、每个隐含层的神经元个数以及每个隐含层选取的激活函数都是可变的，这些称为模型的参数。不同的参数组合导致的模型效果不同，因此，需设定一组参数组合，通过比较不同参数组合选取最佳参数组合。
S5：将验证数据集中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，计算不同参数组合下的产品分布、产品收率和产品性质的预测值，计算每个参数组合下的模型在验证数据集上的预测值与真实值之间的均方根误差。
S6：通过k折交叉验证方法，重复步骤S3～S4 k次，选取均方根误差均值最小的参数组合下的模型并保存。
分别将其余的训练数据集与验证数据集的组合：(T2，V2)、(T3，V3)、(T4，V4)、(T5，V5)按照S4和S5进行模型的训练和验证。计算每个参数组合下的模型在这5个验证数据集上的均方根误差的均值。
S7：根据已保存的常减压装置生产模拟模型，向模型中输入变量：进料量、进料组成、进料性质和装置操作条件后，模型计算得到输出变量：产品分布、产品收率、产品性质和公用工程消耗。
作为本实施例的优选，本方法还包括：对采集到的常减压装置生产数据进行预处理，所述预处理方法包括但不限于：样条插值算法、局外点检测算法、滑动平均算法。
可以理解的是，为了保证存储在数据集成平台服务器中的数据的准确性，工况数据均需要通过预处理，以保证所采集的工况数据的正确性、可靠性和稳定性，避免因失误而导致所采集的数据出现缺失和异常，其中失误指由于控制、环境、测量仪器不稳定以及人为失误等因素所造成的数据缺失和误差。常用的数据预处理方法有很多，如样条插值、局外点检测、滑动平均等。这些都是现有的预处理方法，在此不再赘述。
相应的，本实施例还提出一种基于机器学习的常减压装置生产模拟系统，如图2所示，包括：数据采集单元，用于采集常减压装置不同工况下的工况数据；数据集成单元，用于将所有工况数据按照同一时间段或同一时刻下进行对齐建立工况数据集；数据集划分单元，用于将工况数据集划分为训练数据集、验证数据集；模型训练单元，用于建立基于机器学习的常减压装置生产模拟模型，将训练数据集的数据中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，以产品分布、产品收率、产品性质和公用工程消耗数据为输出项，进行模型的训练；模型验证单元，用于将验证数据集中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，计算不同参数组合下的产品分布、产品收率和产品性质的预测值，计算每个参数组合下的模型在验证数据集上的预测值与真实值之间的均方根误差；模型参数选择单元，用于通过k折交叉验证方法，重复步骤S3～S4 k次，选取均方根误差均值最小的参数组合下的模型并保存；模型存储单元，用于根据已保存的常减压装置生产模拟模型，向模型中输入变量：进料量、进料组成、进料性质和装置操作条件后，模型计算得到输出变量：产品分布、产品收率、产品性质和公用工程消耗。
现场的测量仪表可以用于在线检测调度系统所必需的数据，传感器将在线检测到的数据传送到数据采集单元，实现数据采集。数据采集过程如下：热电联产系统现场分布着若干个测定各台设备运行数据的测量仪表，由这些测量仪表根据各自测量的不同指标信号将其作滤波、缓冲、放大等预处理，然后将信号通过光电隔离后，送入数据采集单元中。
在一实施例中，数据集划分单元将工况数据集按照k折交叉验证方法划分为训练数据集、验证数据集。
在一实施例中，如图3所示，本系统还包括：数据预处理单元，用于对工况数据中的异常值、缺失值进行预处理。数据预处理单元对采集到的常减压装置生产数据进行预处理，所述预处理方法包括但不限于：样条插值算法、局外点检测算法、滑动平均算法。
可以理解的是，为了保证存储的工况数据的正确性、可靠性和稳定性，避免因失误而导致所采集的数据出现缺失和异常，其中失误指由于控制、环境、测量仪器不稳定以及人为失误等因素所造成的数据缺失和误差。常用的数据预处理方法有很多，如样条插值、局外点检测、滑动平均等。这些都是现有的预处理方法，在此不再赘述。
基于本系统中各单元的工作原理及方法已经在方法实施例中详细说明，因此在系统实施例中不再赘述。
本发明无需按照理论对常减压装置进行机理建模，采用真实的常减压装置生产数据，基于机器学习方法建立常减压装置生产模拟模型，避免机理建模容易导致的理论值与实际值的偏差，以及生产条件变化时需要重新建模的问题。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于机器学习的常减压装置生产模拟方法，其特征在于，包括：
S1：采集常减压装置不同工况下的工况数据；
S2：将所有工况数据按照同一时刻进行对齐建立工况数据集；
S3：将工况数据集划分为训练数据集、验证数据集；
S4：建立基于机器学习的常减压装置生产模拟模型，将训练数据集的数据中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，以产品分布、产品收率、产品性质和公用工程消耗数据为输出项，进行模型的训练；
S5：将验证数据集中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，计算不同参数组合下的产品分布、产品收率和产品性质的预测值，计算每个参数组合下的模型在验证数据集上的预测值与真实值之间的均方根误差；
S6：通过k折交叉验证方法，重复步骤S3～S4 k次，选取均方根误差均值最小的参数组合下的模型并保存；
S7：根据已保存的常减压装置生产模拟模型，向模型中输入变量：进料量、进料组成、进料性质和装置操作条件后，模型计算得到输出变量：产品分布、产品收率、产品性质和公用工程消耗。
2.根据权利要求1所述的一种基于机器学习的常减压装置生产模拟方法，其特征在于，所述将工况数据集划分为训练数据集、验证数据集包括：
将工况数据集按照k折交叉验证方法划分为训练数据集、验证数据集。
3.根据权利要求1所述的一种基于机器学习的常减压装置生产模拟方法，其特征在于，所述进料性质为每种原油的类别、实沸点蒸馏数据、密度、API、凝点、运动粘度、酸值、盐含量、残碳、灰分、蜡含量、胶质含量、沥青质含量、硫含量、氮含量、铁含量。
4.根据权利要求1所述的一种基于机器学习的常减压装置生产模拟方法，其特征在于，所述装置操作条件为初馏塔塔顶压力、汽化段压力、进料段压力、加热炉温度、塔顶冷凝器温度、塔底汽提蒸汽；常压塔塔顶压力、汽化段压力、进料段压力、塔顶冷凝器温度、加热炉温度、塔底汽提蒸汽量、常一线蒸汽量、常二线蒸汽量、常三线蒸汽量、常一抽出流量、常一中回塔温度、常二中抽出流量、常二中回塔温度、常三中抽出流量、常三中回塔温度；减压塔塔顶压力、汽化段压力、进料段压力、加热炉负荷、塔底汽提蒸汽、减一中抽出流量、减一中回塔热负荷、减二中抽出流量、减二中回塔温度、减三中抽出流量、减三中回塔温度、减四中抽出流量、减四中回塔温度。
5.根据权利要求1～4任一项所述的一种基于机器学习的常减压装置生产模拟方法，其特征在于，所述采集常减压装置不同工况下的工况数据之后还包括：
对工况数据中的异常值、缺失值进行预处理。
6.一种基于机器学习的常减压装置生产模拟系统，其特征在于，包括：
数据采集单元，用于采集常减压装置不同工况下的工况数据；
数据集成单元，用于将所有工况数据按照同一时刻进行对齐建立工况数据集；
数据集划分单元，用于将工况数据集划分为训练数据集、验证数据集；
模型训练单元，用于建立基于机器学习的常减压装置生产模拟模型，将训练数据集的数据中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，以产品分布、产品收率、产品性质和公用工程消耗数据为输出项，进行模型的训练；
模型验证单元，用于将验证数据集中的进料量、进料组成、进料性质和装置操作条件数据作为模型的输入项，计算不同参数组合下的产品分布、产品收率和产品性质的预测值，计算每个参数组合下的模型在验证数据集上的预测值与真实值之间的均方根误差；
模型参数选择单元，用于通过k折交叉验证方法，重复步骤S3～S4 k次，选取均方根误差均值最小的参数组合下的模型并保存；
模型存储单元，用于根据已保存的常减压装置生产模拟模型，向模型中输入变量：进料量、进料组成、进料性质和装置操作条件后，模型计算得到输出变量：产品分布、产品收率、产品性质和公用工程消耗。
7.根据权利要求6所述的一种基于机器学习的常减压装置生产模拟系统，其特征在于，所述数据集划分单元将工况数据集按照k折交叉验证方法划分为训练数据集、验证数据集。
8.根据权利要求6所述的一种基于机器学习的常减压装置生产模拟系统，其特征在于，所述进料性质为每种原油的类别、实沸点蒸馏数据、密度、API、凝点、运动粘度、酸值、盐含量、残碳、灰分、蜡含量、胶质含量、沥青质含量、硫含量、氮含量、铁含量。
9.根据权利要求6所述的一种基于机器学习的常减压装置生产模拟系统，其特征在于，所述装置操作条件为初馏塔塔顶压力、汽化段压力、进料段压力、加热炉温度、塔顶冷凝器温度、塔底汽提蒸汽；常压塔塔顶压力、汽化段压力、进料段压力、塔顶冷凝器温度、加热炉温度、塔底汽提蒸汽量、常一线蒸汽量、常二线蒸汽量、常三线蒸汽量、常一抽出流量、常一中回塔温度、常二中抽出流量、常二中回塔温度、常三中抽出流量、常三中回塔温度；减压塔塔顶压力、汽化段压力、进料段压力、加热炉负荷、塔底汽提蒸汽、减一中抽出流量、减一中回塔热负荷、减二中抽出流量、减二中回塔温度、减三中抽出流量、减三中回塔温度、减四中抽出流量、减四中回塔温度。
10.根据权利要求6～9任一项所述的一种基于机器学习的常减压装置生产模拟系统，其特征在于，还包括：
数据预处理单元，用于对工况数据中的异常值、缺失值进行预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022944.4A CN111241677A (zh) | 2020-01-09 | 2020-01-09 | 一种基于机器学习的常减压装置生产模拟方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010022944.4A CN111241677A (zh) | 2020-01-09 | 2020-01-09 | 一种基于机器学习的常减压装置生产模拟方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111241677A true CN111241677A (zh) | 2020-06-05 |
Family
ID=70870545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010022944.4A Pending CN111241677A (zh) | 2020-01-09 | 2020-01-09 | 一种基于机器学习的常减压装置生产模拟方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111241677A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112905632A (zh) * | 2021-01-19 | 2021-06-04 | 浙江中控技术股份有限公司 | 一种基于参数案例的常减压设备配置方法及装置 |
| CN113420498A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 常减压装置的ai建模方法 |
| CN113420499A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 用于常减压装置的物理逻辑重建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104965967A (zh) * | 2015-03-26 | 2015-10-07 | 华东理工大学 | 一种常减压蒸馏装置的收率实时预测方法 |
| CN106444428A (zh) * | 2016-10-25 | 2017-02-22 | 中国石油化工股份有限公司 | 基于流程模拟软件的常减压装置优化操作系统及方法 |
| CN107844798A (zh) * | 2017-09-29 | 2018-03-27 | 上海元卓信息科技有限公司 | 一种基于机器学习的海量数据中检测异常值的方法 |
| CN110222416A (zh) * | 2019-06-05 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
-
2020
- 2020-01-09 CN CN202010022944.4A patent/CN111241677A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104965967A (zh) * | 2015-03-26 | 2015-10-07 | 华东理工大学 | 一种常减压蒸馏装置的收率实时预测方法 |
| CN106444428A (zh) * | 2016-10-25 | 2017-02-22 | 中国石油化工股份有限公司 | 基于流程模拟软件的常减压装置优化操作系统及方法 |
| CN107844798A (zh) * | 2017-09-29 | 2018-03-27 | 上海元卓信息科技有限公司 | 一种基于机器学习的海量数据中检测异常值的方法 |
| CN110222416A (zh) * | 2019-06-05 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的工业蒸汽量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋万清等编著: "《神经网络理论及其工程应用》", 北京：中国铁道出版社, pages: 110 - 113 * |
| 李杰: "《基于工业数据的过程模型以及产品质量在线预测应用研究》", pages 9 - 19 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112905632A (zh) * | 2021-01-19 | 2021-06-04 | 浙江中控技术股份有限公司 | 一种基于参数案例的常减压设备配置方法及装置 |
| CN113420498A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 常减压装置的ai建模方法 |
| CN113420499A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 用于常减压装置的物理逻辑重建方法 |
| CN113420499B (zh) * | 2021-06-10 | 2022-12-02 | 北京宜能高科科技有限公司 | 用于常减压装置的物理逻辑重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241677A (zh) | 一种基于机器学习的常减压装置生产模拟方法及系统 | |
| CN110212521B (zh) | 配电网线损计算方法及系统 | |
| CN112131782B (zh) | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 | |
| CN112052992A (zh) | 一种基于深度学习的建筑工程项目进度预测系统及方法 | |
| CN109993361B (zh) | 一种基于pmu的配电网运行趋势预测方法 | |
| CN103927412A (zh) | 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法 | |
| CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
| CN106971049A (zh) | 一种催化裂化分离系统的新型多目标优化方法 | |
| CN104765346A (zh) | 一种炼油过程全流程建模方法 | |
| CN109638815B (zh) | 一种电力系统中长期电压安全稳定预防控制策略确定方法 | |
| CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
| CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
| CN112271731B (zh) | 一种风电功率多时段时间序列场景的生成及消减方法 | |
| CN106921161A (zh) | 电力系统薄弱点识别方法及薄弱点电压分布特性分析方法 | |
| CN111049159B (zh) | 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法 | |
| CN115549187A (zh) | 一种风电并网的稳定性评估方法 | |
| CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
| CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及系统 | |
| CN104991447B (zh) | 一种基于小波神经网络的火电机组变负荷速率预测方法 | |
| Harideep et al. | Exhibiting the effect of time delays on load frequency control of multi area interconnected hybrid power system | |
| CN115809732A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
| CN114362151B (zh) | 一种基于深度强化学习和级联图神经网络的潮流收敛性调整方法 | |
| Zhang et al. | Study of prediction model on grey relational BP neural network based on rough set | |
| CN109494747B (zh) | 一种基于交替梯度算法的电网概率潮流计算方法 | |
| CN107272643A (zh) | 新能源场站实用化单机等值方法 |
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 |