CN116312869A - 催化裂化再生烟气氮氧化物预测方法、装置及系统 - Google Patents
催化裂化再生烟气氮氧化物预测方法、装置及系统 Download PDFInfo
- Publication number
- CN116312869A CN116312869A CN202111566966.8A CN202111566966A CN116312869A CN 116312869 A CN116312869 A CN 116312869A CN 202111566966 A CN202111566966 A CN 202111566966A CN 116312869 A CN116312869 A CN 116312869A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- particle
- catalytic cracking
- prediction model
- nitrogen oxide
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
本发明提供一种催化裂化再生烟气氮氧化物预测方法、装置及系统,属于化工领域。所述预测方法包括:获取数据并进行预处理,得到处理后的样本集;分析与再生烟气氮氧化物密切相关的关键变量,根据样本集构建催化裂化再生烟气氮氧化物初始预测模型;利用基于飞行信息的粒子群优化算法优化催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型,使用目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。通过建立基于模糊神经网络的氮氧化物预测模型,使用基于飞行信息的粒子群优化算法对初始预测模型进行优化,提高模型的预测精度,最终得到能够快速进行预测,有利于提升氮氧化物预测准确度。
Description
技术领域
本发明涉及化工领域,具体地涉及一种催化裂化再生烟气氮氧化物预测方法、一种催化裂化再生烟气氮氧化物预测装置、一种催化裂化再生烟气氮氧化物预测系统。
背景技术
催化裂化装置再生烟气是催化裂化装置最大的空气污染源,主要含有一氧化碳(CO)、二氧化硫(SO2)、氮氧化物(NOx)和粉尘等有害物质,尤其是NOx随烟气排放到空气中会对大气造成严重污染。由于催化裂化再生器出口烟气的污染物浓度随工况调整波动范围较大,目前无法准确实时预测到出口再生烟气中氮氧化物的浓度值。同时,催化裂化的脱硫脱硝装置受到进口烟气波动的影响,脱硫脱硝剂的不能准确添加,造成治理设施参数调节响应滞后,烟气排放难以处于稳定状态,废气排放存在超标风险。
根据产生机理的不同,NOx可分为热力型、燃料型和快速型。热力型的生成机理是高温下空气的氮气(N2)氧化形成NOx。热力型的生成与燃烧温度、氧浓度和烟气在高温区的停留时间有直接关系。一般燃烧温度低于1500摄氏度时,热力型NOx生成量很少。燃料中含氮化合物在燃烧中氧化生成的NOx,称为燃料型NOx。由于燃料挥发物中碳氢化合物高温分解生成CH自由基,和空气中的N2反应生成HCN和N,再进一步与O2以极快速度生成NOx,称为快速型。催化裂化装置再生器中催化剂再生的温度一般在700摄氏度左右,热力型NOx所占比例较低,特别是完全燃烧的再生器,催化裂化烟气中的NOx主要来源于焦炭中的氮,即以燃料型NOx为主。有研究表明,催化裂化装置中,原料中30%~50%氮转化到附着在催化剂上的焦炭,在催化剂再生过程中,焦炭中的氮大部分生成N2,焦炭中10%~30%的氮生成NOx排放到再生烟气中,最终的NOx生成量与原料含氮量和再生器操作条件等因素有一定关系。
由于催化裂化再生器出口烟气的污染物浓度随工况调整波动范围较大,催化裂化的脱硫脱硝装置受到进口烟气波动的影响,烟气排放难以处于稳定状态。为了辨识催化裂化出口烟气浓度异常波动的影响因素,李晓琰等从日常操作和脱硝剂、助燃剂作用机理入手,分析了双脱烟气NOx超标的五种原因,并针对这些原因提出了解决方法,实验结果表明所提出的解决方案能够有效的控制烟气NOx的排放浓度。为了进一步了解平衡状态时催化裂化再生烟气中NOx的浓度,以及影响NOx平衡浓度的因素,王龙延等采用原子系数矩阵法求出再生器复杂体系的独立反应,并对其进行了热力学计算,分析了再生器操作温度、压力等条件对再生烟气中NOx平衡浓度的影响。实验结果表明影响NOx平衡浓度的主要因素有再生器操作温度、压力、再生器系统中O2的初始浓度和CO的初始浓度。
目前,再生烟气污染物数据量庞大,针对再生烟气氮氧化物预测方法研究并不成熟,如何提高预测的精度是目前仍需解决的难点。
发明内容
本发明实施方式的目的是提供一种催化裂化再生烟气氮氧化物预测方法、装置及系统,以至少解决上述的再生烟气氮氧化物预测精度不高的问题。
为了实现上述目的,本发明第一方面提供一种催化裂化再生烟气氮氧化物预测方法,所述方法包括:
对变量数据进行预处理,得到处理后的样本集;
根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型;
利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
使用所述目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。
可选的,所述对变量数据进行预处理,得到处理后的样本集,包括:
获取所有变量数据;
对所述变量数据进行清洗;
对清洗后的变量数据进行归一化处理,得到归一化数据;
对归一化数据进行降维处理,得到输入变量数据组;
在所述输入变量数据组中选取预设数量的数据组作为样本集。
进一步地,所述对所述变量数据进行清洗,包括:
根据各变量数据的阈值范围,剔除各变量数据中的异常值;
利用线性插值算法对各变量数据中的缺失数据进行补遗,得到清洗后的变量数据。
可选的,所述对归一化数据进行降维处理,得到输入变量数据组,包括:
采用主成分分析法对归一化数据进行降维处理,得到变量的相关系数和贡献率大于阈值的变量组成输入变量数据组。
可选的,所述变量数据包括:再生烟气进出口污染物和催化裂化装置运行期间反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据;所述反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据均包括:原料氮含量、再生器氧含量、再生器密相藏量、再生主风量、提升管油浆进料量、提升管上部温度、出口烟气温度、总进料量、烟尘浓度、提升管上部温度、再生器底部密相温度以及再生器稀相段压力。
可选的,所述根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型,包括:
构建基于模糊神经网络的催化裂化再生烟气氮氧化物基础模型:
式中,y(t)是t时刻氮氧化物的实际输出,w(t)=[w1(t),w2(t),…,wP(t)]是模糊神经网络输出权值,wl(t)是t时刻连接输出神经元和第l个规则层神经元的权值,P是神经元总个数,vl(t)是t时刻第l个规则层神经元输出,vl(t)的计算公式如下:
式中,cj(t)=[c1j(t),c2j(t),…,cmj(t)]是t时刻第j个径向基函数神经元的中心,σj(t)=[σ1j(t),σ2j(t),…,σmj(t)]是t时刻第j个径向基函数神经元的宽度,是t时刻第j个径向基函数神经元的输出值,x(t)=[x1(t),x2(t),…,xm(t)]是t时刻氮氧化物预测模型的输入;
定义误差函数表达式:
其中,z=1,2,…,Z,Z是测试样本的数目,yd是氮氧化物的期望输出,y是氮氧化物的实际输出,e是氮氧化物预测模型的误差;
将所述样本集输入所述催化裂化再生烟气氮氧化物基础模型进行训练,得到催化裂化再生烟气氮氧化物初始预测模型。
可选的,所述利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型,包括:
定义一个粒子代表一个神经网络,粒子的种群大小为n,粒子的位置表达式为:
xi={(wi,1,σi,1,ci,1),(wi,2,σi,2,ci,2)...(wi,j,σi,j,ci,j)};
式中,wi,1为第i个粒子代表的模糊神经网络中第1个神经元的权值,σi,1为第i个粒子代表的模糊神经网络中第1个神经元的宽度,ci,1为第i个粒子代表的模糊神经网络中第1个神经元的中心;
初始化粒子群中各粒子的位置、速度和惯性权重,定义种群大小和函数的最大迭代次数;
根据误差函数,计算每个粒子的误差函数值,将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果粒子的误差函数值更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果粒子的误差函数值更好则更新pi(k),计算SP(k);其中,SP是表征粒子多样性的指标,表达式为:
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
第i个粒子的位置更新公式为:
xi(k+1)=xi(k)+vi(k+1);
第i个粒子的速度更新公式为:
vi(k+1)=ωi(k)vi(k)+ε1R1(pi(k)-xi(k))+ε2R2(gbest(k)-xi(k));
式中,ω(k)是惯性权重,ε1和ε2是学习因子,R1和R2是[0,1]之间的随机值,pi(k)是粒子在第k次迭代的历史最优位置,gbest(k)是第k次迭代整个种群找到的全局最优位置,xi(k)是第i个粒子在第k次迭代的位置,vi(k)是第i个粒子子在第k次迭代的速度;
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值,惯性权重ω更新公式为:
其中,gbest(k+1)是第i个粒子在第k+1次迭代的全局最优位置,pi(k+1)是第i个粒子在第k+1次迭代的历史最优位置,f(pi(k+1))是第i个粒子在第k+1次迭代的适应度值,xi(k+1)是第i个粒子在第k+1次迭代的位置;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
可选的,在得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后,根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能,判断预测误差和精度是否在预设范围内;
若是,则将使用所述最优参数的催化裂化再生烟气氮氧化物预测模型作为催化裂化再生烟气氮氧化物目标预测模型;
RMSE表达式为:
其预测精度的计算公式为:
其中,Z是测试的样本数量,yd是氮氧化物期望输出,y是氮氧化物的实际输出。
本发明第二方面提供一种催化裂化再生烟气氮氧化物预测装置,包括:
控制器,用于
对变量数据进行预处理,得到处理后的样本集;
根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型;
利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
使用所述目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。
可选的,所述对变量数据进行预处理,得到处理后的样本集,包括:
获取所有变量数据;
对所述变量数据进行清洗;
对清洗后的变量数据进行归一化处理,得到归一化数据;
对归一化数据进行降维处理,得到输入变量数据组;
在所述输入变量数据组中选取预设数量的数据组作为样本集。
可选的,所述对所述变量数据进行清洗,包括:
根据各变量数据的阈值范围,剔除各变量数据中的异常值;
利用线性插值算法对各变量数据中的缺失数据进行补遗,得到清洗后的变量数据。
可选的,所述对归一化数据进行降维处理,得到输入变量数据组,包括:
采用主成分分析法对归一化数据进行降维处理,得到变量的相关系数和贡献率大于阈值的变量组成输入变量数据组。
可选的,所述根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型,包括:
构建基于模糊神经网络的催化裂化再生烟气氮氧化物基础模型:
式中,y(t)是t时刻氮氧化物的实际输出,w(t)=[w1(t),w2(t),…,wP(t)]是模糊神经网络输出权值,wl(t)是t时刻连接输出神经元和第l个规则层神经元的权值,P是神经元总个数,vl(t)是t时刻第l个规则层神经元输出,vl(t)的计算公式如下:
式中,cj(t)=[c1j(t),c2j(t),…,cmj(t)]是t时刻第j个径向基函数神经元的中心,σj(t)=[σ1j(t),σ2j(t),…,σmj(t)]是t时刻第j个径向基函数神经元的宽度,是t时刻第j个径向基函数神经元的输出值,x(t)=[x1(t),x2(t),…,xm(t)]是t时刻氮氧化物预测模型的输入;
定义误差函数表达式:
其中,z=1,2,…,Z,Z是测试样本的数目,yd是氮氧化物的期望输出,y是氮氧化物的实际输出,e是氮氧化物预测模型的误差;
将所述样本集输入所述催化裂化再生烟气氮氧化物基础模型进行训练,得到催化裂化再生烟气氮氧化物初始预测模型。
可选的,所述利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型,包括:
定义一个粒子代表一个神经网络,粒子的种群大小为n,粒子的位置表达式为:
xi={(wi,1,σi,1,ci,1),(wi,2,σi,2,ci,2)...(wi,j,σi,j,ci,j)};
式中,wi,1为第i个粒子代表的模糊神经网络中第1个神经元的权值,σi,1为第i个粒子代表的模糊神经网络中第1个神经元的宽度,ci,1为第i个粒子代表的模糊神经网络中第1个神经元的中心;
初始化粒子群中各粒子的位置、速度和惯性权重,定义种群大小和函数的最大迭代次数;
根据误差函数,计算每个粒子的误差函数值,将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果粒子的误差函数值更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果粒子的误差函数值更好则更新pi(k),计算SP(k);其中,SP是表征粒子多样性的指标,表达式为:
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
第i个粒子的位置更新公式为:
xi(k+1)=xi(k)+vi(k+1);
第i个粒子的速度更新公式为:
vi(k+1)=ωi(k)vi(k)+ε1R1(pi(k)-xi(k))+ε2R2(gbest(k)-xi(k));
式中,ω(k)是惯性权重,ε1和ε2是学习因子,R1和R2是[0,1]之间的随机值,pi(k)是粒子在第k次迭代的历史最优位置,gbest(k)是第k次迭代整个种群找到的全局最优位置,xi(k)是第i个粒子在第k次迭代的位置,vi(k)是第i个粒子子在第k次迭代的速度;
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值,惯性权重ω更新公式为:
其中,gbest(k+1)是第i个粒子在第k+1次迭代的全局最优位置,pi(k+1)是第i个粒子在第k+1次迭代的历史最优位置,f(pi(k+1))是第i个粒子在第k+1次迭代的适应度值,xi(k+1)是第i个粒子在第k+1次迭代的位置;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
可选的,在得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后,根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能,判断预测误差和精度是否在预设范围内;
若是,则将使用所述最优参数的催化裂化再生烟气氮氧化物预测模型作为催化裂化再生烟气氮氧化物目标预测模型;
RMSE表达式为:
其预测精度的计算公式为:
其中,Z是测试的样本数量,yd是氮氧化物期望输出,y是氮氧化物的实际输出。
本发明第三方面提供一种催化裂化再生烟气氮氧化物预测系统,其特征在于,所述系统包括:
数据处理模块,用于对变量数据进行预处理,得到处理后的样本集;
初始预测模型构建模块,用于根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型;
初始预测模型优化模块,用于利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
数据预测模块,用于使用所述目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。
另一方面,本发明提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请所述的催化裂化再生烟气氮氧化物预测方法。
通过上述技术方案,通过对数据的预处理得到与再生烟气氮氧化物相关度较高的数据组作为训练样本集和测试样本集,利用模糊神经网络模型作为初始预测模型,使用基于飞行信息的粒子群优化算法对初始预测模型进行优化,最终得到能够快速进行预测,且准确率更高的目标预测模型,有利于提升氮氧化物预测准确度。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的催化裂化再生烟气氮氧化物预测方法流程图;
图2是本发明一种实施方式提供的FIPSO-模糊神经网络结构图;
图3是本发明一种实施方式提供的催化裂化再生烟气氮氧化物预测系统框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一种实施方式提供的催化裂化再生烟气氮氧化物预测方法流程图。如图1所示,所述方法包括:
步骤一:对变量数据进行预处理,得到处理后的样本集,具体包括:
1)获取所有变量数据,所述变量数据包括:再生烟气进出口污染物和催化裂化装置运行期间反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据;所述反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据均包括:原料氮含量、再生器氧含量、再生器密相藏量、再生主风量、提升管油浆进料量、提升管上部温度、出口烟气温度、总进料量、烟尘浓度、提升管上部温度、再生器底部密相温度以及再生器稀相段压力。
在本实施例中,变量数据一般通过在线仪表或者实验室化验分析获取,获取到的变量数据需要按照时间尺度整理后存储在数据库中。
2)对所述变量数据进行清洗,在本实施例中对变量数据的清洗包括异常值删减和缺失数据补遗两部分:异常值删减需要根据各变量数据的阈值范围,剔除各变量数据中的异常值;缺失数据补遗需要利用线性插值算法对各变量数据中的缺失数据进行补遗,得到清洗后的变量数据。
3)对清洗后的变量数据进行归一化处理,得到归一化数据,归一化能够消除量纲以及数量级的差别对模型训练过程中产生的影响。
4)对归一化数据进行降维处理,得到输入变量数据组,在本实施例中采用主成分分析法对归一化数据进行降维处理,得到变量的相关系数和贡献率大于阈值的变量组成输入变量数据组。通过主成分分析法能够从众多的变量数据中确定出与氮氧化物最相关的数据,减少预测过程中需要计算的数据量。
5)在所述输入变量数据组中选取预设数量的数据组作为样本集,在本实施例中,样本集包括训练样本集和测试样本集,训练样本集和测试样本集按设定的数据比例进行随机划分。
步骤二:根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型,包括:
构建基于模糊神经网络(FNN)的催化裂化再生烟气氮氧化物基础模型,基础模型拓扑结构分为四层:输入层、径向基函数(RBF)层、归一化层、输出层;拓扑结构为k-Q-Q-1的连接方式,输入层与RBF层之间的连接权值为1,归一化层与输出层之间的连接权值随机赋值,赋值区间[-1,1],模糊神经网络的期望输出表示为yd,实际输出表示为y。
式中,y(t)是t时刻氮氧化物的实际输出。w(t)=[w1(t),w2(t),…,wP(t)]是模糊神经网络输出权值,wl(t)是t时刻连接输出神经元和第l个规则层神经元的权值,P是神经元总个数,vl(t)是t时刻第l个规则层神经元输出,vl(t)的计算公式如下:
式中,cj(t)=[c1j(t),c2j(t),…,cmj(t)]是t时刻第j个RBF神经元的中心,σj(t)=[σ1j(t),σ2j(t),…,σmj(t)]是t时刻第j个RBF神经元的宽度,是t时刻第j个RBF神经元的输出值,x(t)=[x1(t),x2(t),…,xm(t)]是t时刻氮氧化物预测模型的输入;
定义误差函数表达式:
其中,z=1,2,…,Z,Z是测试样本的数目,yd是氮氧化物的期望输出,y是氮氧化物的实际输出,e是氮氧化物预测模型的误差;
将所述样本集输入所述催化裂化再生烟气氮氧化物基础模型进行训练,得到催化裂化再生烟气氮氧化物初始预测模型。
步骤三:利用基于飞行信息的粒子群优化算法(FIPSO)优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型,包括:
1)定义一个粒子代表一个神经网络,如图2所示,粒子的种群大小为n,粒子的位置表达式为:
xi={(wi,1,σi,1,ci,1),(wi,2,σi,2,ci,2)...(wi,j,σi,j,ci,j)};
式中,wi,1为第i个粒子代表的模糊神经网络中第1个神经元的权值,σi,1为第i个粒子代表的模糊神经网络中第1个神经元的宽度,ci,1为第i个粒子代表的模糊神经网络中第1个神经元的中心;
2)初始化粒子群中各粒子的位置、速度和惯性权重,定义种群大小和函数的最大迭代次数,在实际中可将各粒子的初始位置设为当前历史最优位置,取粒子群中的最优值设为全局最优位置;
3)根据误差函数,计算每个粒子的误差函数值,将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果粒子的误差函数值更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果粒子的误差函数值更好则更新pi(k),计算SP(k);其中,SP是表征粒子多样性的指标,表达式为:
SP(k+1)是粒子群的多样性,di(k+1)是第i个粒子与其他粒子在第k+1次迭代的最小欧式距离,是所有di(k+1)的平均值。当粒子群的多样性增大时,说明粒子群更为分散,需要提高粒子的局部搜索能力,相应的措施是减小惯性权重ω。相反,当粒子群的多样性减少时,表明粒子群的分布更加集中,需要跳出局部最优解以避免早熟收敛。因此需要提高粒子的全局探测能力,相应的措施是增加惯性权重ω。在种群多样性不变的情况下,为了防止粒子陷入局部最优,需要增强粒子的全局搜索能力。所以惯性重量的值需要增加。
4)根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
第i个粒子的位置更新公式为:
xi(k+1)=xi(k)+vi(k+1);
第i个粒子的速度更新公式为:
vi(k+1)=ωi(k)vi(k)+ε1R1(pi(k)-xi(k))+ε2R2(gbest(k)-xi(k));
式中,ω(k)是惯性权重,ε1和ε2是学习因子,R1和R2是[0,1]之间的随机值,pi(k)是粒子在第k次迭代的历史最优位置,gbest(k)是第k次迭代整个种群找到的全局最优位置,xi(k)是第i个粒子在第k次迭代的位置,vi(k)是第i个粒子子在第k次迭代的速度;
5)计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值,惯性权重ω更新公式为:
其中,gbest(k+1)是第i个粒子在第k+1次迭代的全局最优位置,pi(k+1)是第i个粒子在第k+1次迭代的历史最优位置,f(pi(k+1))是第i个粒子在第k+1次迭代的适应度值,xi(k+1)是第i个粒子在第k+1次迭代的位置;
6)当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
在得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后,根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能,判断预测误差和精度是否在预设范围内;
若是,则将使用所述最优参数的催化裂化再生烟气氮氧化物预测模型作为催化裂化再生烟气氮氧化物目标预测模型;
RMSE表达式为:
其预测精度的计算公式为:
其中,Z是测试的样本数量,yd是氮氧化物期望输出,y是氮氧化物的实际输出。
步骤四:使用所述目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。
上述方法可以用于实时掌握再生器出口氮氧化物的浓度状况,指导后续脱硫脱硝设施参数的调节和助剂的添加,为脱硫脱硝设施的调控起到了关键的指导作用。
实施例一
(1)获取数据并整理与清洗
在本实施例中,通过在线仪表或者实现室化验分析获取再生烟气进出口污染物和催化裂化装置运行期间反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据、治理设施原料数据等,其中包含以下74个参数,具体为:原料氮含量、再生器氧含量、再生器密相藏量、再生主风量、提升管油浆进料量、提升管上部温度、出口烟气温度、总进料量、烟尘浓度、提升管上部温度、再生器底部密相温度、再生器稀相段压力等。将获取的所有变量的数据进行数据预处理操作,剔除异常数据;再对数据进行归一化处理,消除量纲以及数量级的差别对模型训练过程中产生的影响。
利用主成分分析法对采集的数据进行降维,基于变量的相关系数和贡献率可得输入变量为6个:原料氮含量、再生器氧含量、再生器密相藏量、提升管油浆进料量、提升管上部温度、总进料量。需采集的输出变量为氮氧化物浓度值。从所有采集的数据中选取1000组数据分成两部分:其中,600组作为训练样本,400组作为测试样本。
(2)建立催化裂化再生烟气氮氧化物初始预测模型
利用模糊神经网络设计催化裂化再生烟气氮氧化物预测模型,其拓扑结构分为四层:输入层、RBF层、归一化层、输出层;拓扑结构为6-9-9-1的连接方式,输入层与RBF层之间的连接权值为1,归一化层与输出层之间的连接权值随机赋值,赋值区间[-1,1],模糊神经网络的期望输出表示为yd,实际输出表示为y;基于模糊神经网络的催化裂化再生烟气氮氧化物初始预测模型表达式为:
式中,y(t)是t时刻氮氧化物的实际输出。w(t)=[w1(t),w2(t),…,wP(t)]是FNN输出权值,wl(t)是t时刻连接输出神经元和第l个规则层神经元的权值,P是神经元总个数。
该模型包括:
①输入层:该层由6个神经元组成,其输出为,
xi=ui,(i=1,2,…,6)
x=[x1,x2,...,x6],
其中,输入层神经元个数为6,ui是第i个输入神经元的输入值,x是输入向量。
②RBF层:
RBF层神经元个数为9,cj=[c1j,c2j,···,ckj],σ=[σ1j,σ2j,···,σkj]分别是第j个神经元的中心和宽度,φj是第j个神经元的输出值。
③归一化层:规则层与RBF层有同样的神经元个数
y=Wv,
W=[w1,w2,…,wM]T,
④输出层:输出层输出为催化裂化再生烟气氮氧化物预测模型的实际输出:
ym是输出层第m个神经元的输出;w是权值矩阵,wm=[w1 m,w2 m,···,wq m]是输出层和规则层间第m个神经元的权值;v是规则层的输出。
定义误差函数表达式为:
其中,yd是氮氧化物的期望输出,y是氮氧化物的实际输出,e是氮氧化物预测模型的误差。
(3)利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型
在本实施例中,首先,设置种群大小为20,所有函数的最大迭代次数设置为5000,每种算法在所有测试函数上均独立运行30次。随机初始化粒子群中各粒子的位置、速度和惯性权重。并将各粒子的初始位置设为当前历史最优位置,取粒子群中的最优值设为全局最优位置。
然后根据将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果更好则更新pi(k),计算SP(k);其中,SP是表征粒子多样性的指标,表达式为:
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
第i个粒子的位置更新公式为:
xi(k+1)=xi(k)+vi(k+1)
第i个粒子的速度更新公式为:
vi(k+1)=ωi(k)vi(k)+ε1R1(pi(k)-xi(k))+ε2R2(gbest(k)-xi(k))
式中,ω(k)是惯性权重,ε1和ε2是学习因子,R1和R2是[0,1]之间的随机值,pi(k)是粒子在第k次迭代的历史最优位置,gbest(k)是第k次迭代整个种群找到的全局最优位置,xi(k)是第i个粒子在第k次迭代的位置,vi(k)是第i个粒子子在第k次迭代的速度;
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值,惯性权重ω更新公式为:
其中,gbest(k+1)是第i个粒子在第k+1次迭代的全局最优位置,pi(k+1)是第i个粒子在第k+1次迭代的历史最优位置,f(pi(k+1))是第i个粒子在第k+1次迭代的适应度值,xi(k+1)是第i个粒子在第k+1次迭代的位置;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
在得到得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后,根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能,在本实施例中预测模型的均方根误差和精度评价如表1所示,从表1中可以看出,氮氧化物预测的误差和精度都在一个合理的范围内。
表1不同神经网络的预测结果
预测方法 | RMSE | 预测精度 |
FIPSO-模糊神经网络 | 1.222 | 90.2% |
现有预测方法 | 1.622 | 84.5% |
实施例二
(1)获取数据并整理与清洗
在本实施例中,通过在线仪表或者实现室化验分析获取再生烟气进出口污染物和催化裂化装置运行期间反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据、治理设施原料数据等,其中包含以下60个参数,具体为:原料氮含量、再生器氧含量、再生器密相藏量、再生主风量、提升管油浆进料量、提升管上部温度、出口烟气温度、总进料量、烟尘浓度、提升管上部温度、再生器底部密相温度、再生器稀相段压力等。将获取的所有变量的数据进行数据预处理操作,剔除异常数据;再对数据进行归一化处理,消除量纲以及数量级的差别对模型训练过程中产生的影响。
利用主成分分析法对采集的数据进行降维,基于变量的相关系数和贡献率可得输入变量为5个:原料氮含量、再生器氧含量、再生器密相藏量、提升管上部温度、总进料量。需采集的输出变量为氮氧化物浓度值。从所有采集的数据中选取1200组数据分成两部分:其中,600组作为训练样本,600组作为测试样本。
(2)建立催化裂化再生烟气氮氧化物初始预测模型
利用模糊神经网络设计催化裂化再生烟气氮氧化物预测模型,其拓扑结构分为四层:输入层、RBF层、归一化层、输出层;拓扑结构为5-7-7-1的连接方式,输入层与RBF层之间的连接权值为1,归一化层与输出层之间的连接权值随机赋值,赋值区间[-1,1],模糊神经网络的期望输出表示为yd,实际输出表示为y。
(3)利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型
在本实施例中,首先,设置种群大小为20,所有函数的最大迭代次数设置为5000,每种算法在所有测试函数上均独立运行30次。随机初始化粒子群中各粒子的位置、速度和惯性权重。并将各粒子的初始位置设为当前历史最优位置,取粒子群中的最优值设为全局最优位置。
然后根据将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果更好则更新pi(k),计算SP(k)。
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
在得到得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后,根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能,在本实施例中预测模型的均方根误差和精度评价如表2所示,从表2中可以看出,氮氧化物预测的误差和精度都在一个合理的范围内。
表2不同方法的预测结果
预测方法 | RMSE | 预测精度 |
FIPSO-模糊神经网络 | 1.213 | 88.2% |
现有预测方法 | 1.312 | 85.2% |
实施例三
(1)获取数据并整理与清洗
在本实施例中,通过在线仪表或者实现室化验分析获取再生烟气进出口污染物和催化裂化装置运行期间反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据、治理设施原料数据等,其中包含以下60个参数,具体为:原料氮含量、再生器氧含量、再生器密相藏量、再生主风量、提升管油浆进料量、提升管上部温度、出口烟气温度、总进料量、烟尘浓度、提升管上部温度、再生器底部密相温度、再生器稀相段压力等。将获取的所有变量的数据进行数据预处理操作,剔除异常数据;再对数据进行归一化处理,消除量纲以及数量级的差别对模型训练过程中产生的影响。
利用主成分分析法对采集的数据进行降维,基于变量的相关系数和贡献率可得输入变量为5个:原料氮含量、再生器氧含量、再生器密相藏量、提升管上部温度、总进料量。需采集的输出变量为氮氧化物浓度值。从所有采集的数据中选取1200组数据分成两部分:其中,600组作为训练样本,600组作为测试样本。
(2)建立催化裂化再生烟气氮氧化物初始预测模型
利用模糊神经网络设计催化裂化再生烟气氮氧化物预测模型,其拓扑结构分为四层:输入层、RBF层、归一化层、输出层;拓扑结构为5-7-7-1的连接方式,输入层与RBF层之间的连接权值为1,归一化层与输出层之间的连接权值随机赋值,赋值区间[-1,1],模糊神经网络的期望输出表示为yd,实际输出表示为y。
(3)利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型
在本实施例中,首先,设置种群大小为20,所有函数的最大迭代次数设置为5000,每种算法在所有测试函数上均独立运行30次。随机初始化粒子群中各粒子的位置、速度和惯性权重。并将各粒子的初始位置设为当前历史最优位置,取粒子群中的最优值设为全局最优位置。
然后根据将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果更好则更新pi(k),计算SP(k)。
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
在得到得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后,根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能,在本实施例中预测模型的均方根误差和精度评价如表3所示,从表3中可以看出,氮氧化物预测的误差和精度都在一个合理的范围内。
表3不同方法的预测结果
预测方法 | RMSE | 预测精度 |
FIPSO-模糊神经网络 | 1.223 | 89.3% |
现有预测方法 | 1.421 | 86.2% |
本发明第二方面提供一种催化裂化再生烟气氮氧化物预测装置,包括:
控制器,用于
对变量数据进行预处理,得到训练样本集和测试样本集;
根据所述训练样本集构建催化裂化再生烟气氮氧化物初始预测模型;
利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
使用所述目标预测模型对所述测试样本集进行预测。
在本实施例中,所述对变量数据进行预处理,得到训练样本集和测试样本集,包括:
获取所有变量数据;
对所述变量数据进行清洗;
对清洗后的变量数据进行归一化处理,得到归一化数据;
对归一化数据进行降维处理,得到输入变量数据组;
在所述输入变量数据组中选取预设数量的数据组作为样本集。
在本实施例中,所述对所述变量数据进行清洗,包括:
根据各变量数据的阈值范围,剔除各变量数据中的异常值;
利用线性插值算法对各变量数据中的缺失数据进行补遗,得到清洗后的变量数据。
在本实施例中,所述对归一化数据进行降维处理,得到输入变量数据组,包括:
采用主成分分析法对归一化数据进行降维处理,得到变量的相关系数和贡献率大于阈值的变量组成输入变量数据组。
在本实施例中,所述根据所述训练样本集构建催化裂化再生烟气氮氧化物初始预测模型,包括:
构建基于模糊神经网络(FNN)的催化裂化再生烟气氮氧化物基础模型:
式中,y(t)是t时刻氮氧化物的实际输出。w(t)=[w1(t),w2(t),…,wP(t)]是模糊神经网络输出权值,wl(t)是t时刻连接输出神经元和第l个规则层神经元的权值,P是神经元总个数,vl(t)是t时刻第l个规则层神经元输出,vl(t)的计算公式如下:
式中,cj(t)=[c1j(t),c2j(t),…,cmj(t)]是t时刻第j个径向基函数神经元的中心,σj(t)=[σ1j(t),σ2j(t),…,σmj(t)]是t时刻第j个径向基函数神经元的宽度,是t时刻第j个径向基函数神经元的输出值,x(t)=[x1(t),x2(t),…,xm(t)]是t时刻氮氧化物预测模型的输入;
定义误差函数表达式:
其中,z=1,2,…,Z,Z是测试样本的数目,yd是氮氧化物的期望输出,y是氮氧化物的实际输出,e是氮氧化物预测模型的误差;
将所述训练样本集输入所述催化裂化再生烟气氮氧化物基础模型进行训练,得到催化裂化再生烟气氮氧化物初始预测模型。
在本实施例中,所述利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型,包括:
定义一个粒子代表一个神经网络,粒子的种群大小为n,粒子的位置表达式为:
xi={(wi,1,σi,1,ci,1),(wi,2,σi,2,ci,2)...(wi,j,σi,j,ci,j)};
式中,wi,1为第i个粒子代表的模糊神经网络中第1个神经元的权值,σi,1为第i个粒子代表的模糊神经网络中第1个神经元的宽度,ci,1为第i个粒子代表的模糊神经网络中第1个神经元的中心;
初始化粒子群中各粒子的位置、速度和惯性权重,定义种群大小和函数的最大迭代次数;
根据误差函数,计算每个粒子的误差函数值,将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果粒子的误差函数值更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果粒子的误差函数值更好则更新pi(k),计算SP(k);其中,SP是表征粒子多样性的指标,表达式为:
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
第i个粒子的位置更新公式为:
xi(k+1)=xi(k)+vi(k+1);
第i个粒子的速度更新公式为:
vi(k+1)=ωi(k)vi(k)+ε1R1(pi(k)-xi(k))+ε2R2(gbest(k)-xi(k));
式中,ω(k)是惯性权重,ε1和ε2是学习因子,R1和R2是[0,1]之间的随机值,pi(k)是粒子在第k次迭代的历史最优位置,gbest(k)是第k次迭代整个种群找到的全局最优位置,xi(k)是第i个粒子在第k次迭代的位置,vi(k)是第i个粒子子在第k次迭代的速度;
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值,惯性权重ω更新公式为:
其中,gbest(k+1)是第i个粒子在第k+1次迭代的全局最优位置,pi(k+1)是第i个粒子在第k+1次迭代的历史最优位置,f(pi(k+1))是第i个粒子在第k+1次迭代的适应度值,xi(k+1)是第i个粒子在第k+1次迭代的位置;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
在本实施例中,在得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后,根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能,判断预测误差和精度是否在预设范围内;
若是,则将使用所述最优参数的催化裂化再生烟气氮氧化物预测模型作为催化裂化再生烟气氮氧化物目标预测模型;
RMSE表达式为:
其预测精度的计算公式为:
其中,Z是测试的样本数量,yd是氮氧化物期望输出,y是氮氧化物的实际输出。
本发明第三方面提供一种催化裂化再生烟气氮氧化物预测系统,如图3所示,所述系统包括:
数据处理模块,用于对变量数据进行预处理,得到训练样本集和测试样本集;
初始预测模型构建模块,用于根据所述训练样本集构建催化裂化再生烟气氮氧化物初始预测模型;
初始预测模型优化模块,用于利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
数据预测模块,用于使用所述目标预测模型对所述测试样本集进行预测。
另一方面,本发明提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请所述的催化裂化再生烟气氮氧化物预测方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (17)
1.一种催化裂化再生烟气氮氧化物预测方法,其特征在于,所述方法包括:
对变量数据进行预处理,得到处理后的样本集;
根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型;
利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
使用所述目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。
2.根据权利要求1所述的催化裂化再生烟气氮氧化物预测方法,其特征在于,所述对变量数据进行预处理,得到处理后的样本集,包括:
获取所有变量数据;
对所述变量数据进行清洗;
对清洗后的变量数据进行归一化处理,得到归一化数据;
对归一化数据进行降维处理,得到输入变量数据组;
在所述输入变量数据组中选取预设数量的数据组作为样本集。
3.根据权利要求2所述的催化裂化再生烟气氮氧化物预测方法,其特征在于,所述对所述变量数据进行清洗,包括:
根据各变量数据的阈值范围,剔除各变量数据中的异常值;
利用线性插值算法对各变量数据中的缺失数据进行补遗,得到清洗后的变量数据。
4.根据权利要求2所述的催化裂化再生烟气氮氧化物预测方法,其特征在于,所述对归一化数据进行降维处理,得到输入变量数据组,包括:
采用主成分分析法对归一化数据进行降维处理,得到变量的相关系数和贡献率大于阈值的变量组成输入变量数据组。
5.根据权利要求2所述的催化裂化再生烟气氮氧化物预测方法,其特征在于,所述变量数据包括:再生烟气进出口污染物和催化裂化装置运行期间反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据;
所述反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据均包括:原料氮含量、再生器氧含量、再生器密相藏量、再生主风量、提升管油浆进料量、提升管上部温度、出口烟气温度、总进料量、烟尘浓度、提升管上部温度、再生器底部密相温度以及再生器稀相段压力。
6.根据权利要求1所述的催化裂化再生烟气氮氧化物预测方法,其特征在于,所述根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型,包括:
式中,y(t)是t时刻氮氧化物的实际输出,w(t)=[w1(t),w2(t),…,wP(t)]是模糊神经网络输出权值,wl(t)是t时刻连接输出神经元和第l个规则层神经元的权值,P是神经元总个数,vl(t)是t时刻第l个规则层神经元输出,vl(t)的计算公式如下:
式中,cj(t)=[c1j(t),c2j(t),…,cmj(t)]是t时刻第j个径向基函数神经元的中心,σj(t)=[σ1j(t),σ2j(t),…,σmj(t)]是t时刻第j个径向基函数神经元的宽度,是t时刻第j个径向基函数神经元的输出值,x(t)=[x1(t),x2(t),…,xm(t)]是t时刻氮氧化物预测模型的输入;
定义误差函数表达式:
其中,z=1,2,…,Z,Z是测试样本的数目,yd是氮氧化物的期望输出,y是氮氧化物的实际输出,e是氮氧化物预测模型的误差;
将所述样本集输入所述催化裂化再生烟气氮氧化物基础模型进行训练,得到催化裂化再生烟气氮氧化物初始预测模型。
7.根据权利要求6所述的催化裂化再生烟气氮氧化物预测方法,其特征在于,所述利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型,包括:
定义一个粒子代表一个神经网络,粒子的种群大小为n,粒子的位置表达式为:
xi={(wi,1,σi,1,ci,1),(wi,2,σi,2,ci,2)...(wi,j,σi,j,ci,j)};
式中,wi,1为第i个粒子代表的模糊神经网络中第1个神经元的权值,σi,1为第i个粒子代表的模糊神经网络中第1个神经元的宽度,ci,1为第i个粒子代表的模糊神经网络中第1个神经元的中心;
初始化粒子群中各粒子的位置、速度和惯性权重,定义种群大小和函数的最大迭代次数;
根据误差函数,计算每个粒子的误差函数值,将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果粒子的误差函数值更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果粒子的误差函数值更好则更新pi(k),计算SP(k);
其中,SP是表征粒子多样性的指标,表达式为:
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
第i个粒子的位置更新公式为:
xi(k+1)=xi(k)+vi(k+1);
第i个粒子的速度更新公式为:
vi(k+1)=ωi(k)vi(k)+ε1R1(pi(k)-xi(k))+ε2R2(gbest(k)-xi(k));
式中,ω(k)是惯性权重,ε1和ε2是学习因子,R1和R2是[0,1]之间的随机值,pi(k)是粒子在第k次迭代的历史最优位置,gbest(k)是第k次迭代整个种群找到的全局最优位置,xi(k)是第i个粒子在第k次迭代的位置,vi(k)是第i个粒子子在第k次迭代的速度;
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值,惯性权重ω更新公式为:
其中,gbest(k+1)是第i个粒子在第k+1次迭代的全局最优位置,pi(k+1)是第i个粒子在第k+1次迭代的历史最优位置,f(pi(k+1))是第i个粒子在第k+1次迭代的适应度值,xi(k+1)是第i个粒子在第k+1次迭代的位置;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
9.一种催化裂化再生烟气氮氧化物预测装置,其特征在于,包括:
控制器,用于
对变量数据进行预处理,得到处理后的样本集;
根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型;
利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
使用所述目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。
10.根据权利要求9所述的催化裂化再生烟气氮氧化物预测装置,其特征在于,所述对变量数据进行预处理,得到处理后的样本集,包括:
获取所有变量数据;
对所述变量数据进行清洗;
对清洗后的变量数据进行归一化处理,得到归一化数据;
对归一化数据进行降维处理,得到输入变量数据组;
在所述输入变量数据组中选取预设数量的数据组作为样本集。
11.根据权利要求10所述的催化裂化再生烟气氮氧化物预测装置,其特征在于,所述对所述变量数据进行清洗,包括:
根据各变量数据的阈值范围,剔除各变量数据中的异常值;
利用线性插值算法对各变量数据中的缺失数据进行补遗,得到清洗后的变量数据。
12.根据权利要求10所述的催化裂化再生烟气氮氧化物预测装置,其特征在于,所述对归一化数据进行降维处理,得到输入变量数据组,包括:
采用主成分分析法对归一化数据进行降维处理,得到变量的相关系数和贡献率大于阈值的变量组成输入变量数据组。
13.根据权利要求9所述的催化裂化再生烟气氮氧化物预测装置,其特征在于,所述根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型,包括:
式中,y(t)是t时刻氮氧化物的实际输出,w(t)=[w1(t),w2(t),…,wP(t)]是模糊神经网络输出权值,wl(t)是t时刻连接输出神经元和第l个规则层神经元的权值,P是神经元总个数,vl(t)是t时刻第l个规则层神经元输出,vl(t)的计算公式如下:
式中,cj(t)=[c1j(t),c2j(t),…,cmj(t)]是t时刻第j个径向基函数神经元的中心,σj(t)=[σ1j(t),σ2j(t),…,σmj(t)]是t时刻第j个径向基函数神经元的宽度,是t时刻第j个径向基函数神经元的输出值,x(t)=[x1(t),x2(t),…,xm(t)]是t时刻氮氧化物预测模型的输入;
定义误差函数表达式:
其中,z=1,2,…,Z,Z是测试样本的数目,yd是氮氧化物的期望输出,y是氮氧化物的实际输出,e是氮氧化物预测模型的误差;
将所述样本集输入所述催化裂化再生烟气氮氧化物基础模型进行训练,得到催化裂化再生烟气氮氧化物初始预测模型。
14.根据权利要求13所述的催化裂化再生烟气氮氧化物预测装置,其特征在于,所述利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型,包括:
定义一个粒子代表一个神经网络,粒子的种群大小为n,粒子的位置表达式为:
xi={(wi,1,σi,1,ci,1),(wi,2,σi,2,ci,2)...(wi,j,σi,j,ci,j)};
式中,wi,1为第i个粒子代表的模糊神经网络中第1个神经元的权值,σi,1为第i个粒子代表的模糊神经网络中第1个神经元的宽度,ci,1为第i个粒子代表的模糊神经网络中第1个神经元的中心;
初始化粒子群中各粒子的位置、速度和惯性权重,定义种群大小和函数的最大迭代次数;
根据误差函数,计算每个粒子的误差函数值,将每个粒子的误差函数值与当前全局最优位置gbest(k)相比较,如果粒子的误差函数值更好则更新gbest(k),同时,将每个粒子的误差函数值与当前历史最优位置pi(k)相比较,如果粒子的误差函数值更好则更新pi(k),计算SP(k);其中,SP是表征粒子多样性的指标,表达式为:
根据速度更新公式和位置更新公式更新粒子群中粒子的位置xi(k)和速度vi(k),计算惯性权重ωi(k);
第i个粒子的位置更新公式为:
xi(k+1)=xi(k)+vi(k+1);
第i个粒子的速度更新公式为:
vi(k+1)=ωi(k)vi(k)+ε1R1(pi(k)-xi(k))+ε2R2(gbest(k)-xi(k));
式中,ω(k)是惯性权重,ε1和ε2是学习因子,R1和R2是[0,1]之间的随机值,pi(k)是粒子在第k次迭代的历史最优位置,gbest(k)是第k次迭代整个种群找到的全局最优位置,xi(k)是第i个粒子在第k次迭代的位置,vi(k)是第i个粒子子在第k次迭代的速度;
计算粒子当前位置的误差函数值,更新历史最优位置pi(k)和全局最优位置gd(k),依据全局最优位置gbest(k)和粒子的位置xi(k)计算出当前次迭代惯性权重的值,惯性权重ω更新公式为:
其中,gbest(k+1)是第i个粒子在第k+1次迭代的全局最优位置,pi(k+1)是第i个粒子在第k+1次迭代的历史最优位置,f(pi(k+1))是第i个粒子在第k+1次迭代的适应度值,xi(k+1)是第i个粒子在第k+1次迭代的位置;
当迭代次数达到最大迭代次数时算法停止,得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。
16.一种催化裂化再生烟气氮氧化物预测系统,其特征在于,所述系统包括:
数据处理模块,用于对变量数据进行预处理,得到处理后的样本集;
初始预测模型构建模块,用于根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型;
初始预测模型优化模块,用于利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型,得到催化裂化再生烟气氮氧化物目标预测模型;
数据预测模块,用于使用所述目标预测模型对预处理后的待测数据进行预测,得到氮氧化物预测值。
17.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述权利要求1-8中任一项所述的催化裂化再生烟气氮氧化物预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566966.8A CN116312869A (zh) | 2021-12-20 | 2021-12-20 | 催化裂化再生烟气氮氧化物预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566966.8A CN116312869A (zh) | 2021-12-20 | 2021-12-20 | 催化裂化再生烟气氮氧化物预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116312869A true CN116312869A (zh) | 2023-06-23 |
Family
ID=86796462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111566966.8A Pending CN116312869A (zh) | 2021-12-20 | 2021-12-20 | 催化裂化再生烟气氮氧化物预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116312869A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035005A (zh) * | 2023-07-31 | 2023-11-10 | 北京工业大学 | 城市固废焚烧过程智能操作优化方法 |
-
2021
- 2021-12-20 CN CN202111566966.8A patent/CN116312869A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035005A (zh) * | 2023-07-31 | 2023-11-10 | 北京工业大学 | 城市固废焚烧过程智能操作优化方法 |
CN117035005B (zh) * | 2023-07-31 | 2024-07-26 | 北京工业大学 | 一种城市固废焚烧过程智能操作优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN104636600B (zh) | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 | |
CN114191953A (zh) | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 | |
CN111581581B (zh) | 多边界条件下SCR入口NOx浓度的检测方法和系统 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN109670625B (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN111860701B (zh) | 一种基于聚类方法的脱硝系统工况判别预处理方法 | |
CN112070356A (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
CN108985381A (zh) | 氮氧化物排放量预测模型的确定方法、装置及设备 | |
CN112733876A (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量方法 | |
CN115324698B (zh) | 基于神经网络的柴油机尾气分析传感方法 | |
CN113780383A (zh) | 基于半监督随机森林和深度森林回归集成的二噁英排放浓度预测方法 | |
CN114330845A (zh) | 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法 | |
CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
CN116128136A (zh) | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 | |
CN105912822A (zh) | 海水脱硫装置脱硫效率的神经网络模拟方法 | |
CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 | |
CN116050643A (zh) | 一种基于集成模型的流程工业污染物排放浓度预测方法 | |
CN115081301A (zh) | 一种基于混合pso-mkpls的碳排放量动态演化方法 | |
Yu et al. | A machine learning NOx emission model for SCR system considering mechanism knowledge and catalyst deactivation |
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 |