CN117108924A - 一种智能氢气管理系统及方法 - Google Patents
一种智能氢气管理系统及方法 Download PDFInfo
- Publication number
- CN117108924A CN117108924A CN202311370523.0A CN202311370523A CN117108924A CN 117108924 A CN117108924 A CN 117108924A CN 202311370523 A CN202311370523 A CN 202311370523A CN 117108924 A CN117108924 A CN 117108924A
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- information
- pipe network
- data
- scheduling
- 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.)
- Granted
Links
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 452
- 239000001257 hydrogen Substances 0.000 title claims abstract description 452
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 444
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 105
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 28
- 239000007789 gas Substances 0.000 claims description 25
- 238000007726 management method Methods 0.000 claims description 20
- 239000010779 crude oil Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 239000002994 raw material Substances 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004308 accommodation Effects 0.000 claims description 7
- 150000002431 hydrogen Chemical class 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000000704 physical effect Effects 0.000 description 10
- 239000000047 product Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 238000005984 hydrogenation reaction Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000001502 supplementing effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004517 catalytic hydrocracking Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- -1 ethylene hydrogen Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000029936 alkylation Effects 0.000 description 1
- 238000005804 alkylation reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 239000012263 liquid product Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000005987 sulfurization reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D1/00—Pipe-line systems
- F17D1/02—Pipe-line systems for gases or vapours
- F17D1/04—Pipe-line systems for gases or vapours for distribution of gas
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种智能氢气管理系统及方法,其中,智能氢气管理系统包括:氢气管网数据获取模块、氢气管网压力预测模块、氢气系统预警模块、调度方案生成模块和氢气调度排产模块,其中,氢气管网数据获取模块,用于获取氢气管网的流向信息和用氢信息,氢气管网压力预测模块,用于根据流向信息和用氢信息,预测氢气管网中关键监测节点在未来预设时间段的压力值,氢气系统预警模块,用于当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息,调度方案生成模块,用于根据预警信息,生成调度信息,氢气调度排产模块,用于根据调度信息,确定当前生产调度信息,以根据当前生产调度信息管理氢气管网,能够及时准确全面地管理氢气系统。
Description
技术领域
本申请涉及石油炼化技术领域,特别是涉及一种智能氢气管理系统及方法。
背景技术
氢气是重要的石油化工原料,炼油厂的加氢裂化或加氢处理装置需要消耗大量的氢气。区别于炼厂其他的公用工程,氢气作为一种必不可少的原料参与反应,且在炼厂中氢气成本是仅次于原油成本的第二大成本。因此,氢气系统对炼厂加氢装置的平稳生产和产品质量有极大的关系,将氢气系统管理好,使其更好地服务于炼厂生产,对整个炼厂安全生产和稳定生产具有重大的意义。
随着国内石化企业不断扩能升级改造,氢气系统中的氢气管网也相应地升级改造,基于历史管道的布局再叠加新增管道,氢气管网的结构一般都比较复杂,对氢气管网乃至整个氢气系统的管理也提升了难度。
在氢气系统的日常管理中,调度人员需要对当前监测数据的变化进行人为分析,凭人为经验对氢气系统进行平衡调度及排产。由于这些监测数据主要集中在产耗氢流量和压力的监测,因此很难掌握因上游加工原油品种变化、加工方案变化、氢源变化、用氢装置原料结构变化等因素而引起的氢气系统的变化情况。除此之外,因装置间的时滞性,也会造成有些问题不能被及时发现,在引起较大波动后才能被发现,难以及时准确全面地管理氢气系统。
发明内容
基于此,本申请提供了一种智能氢气管理系统及方法,以解决无法及时准确全面地管理氢气系统的问题。
第一方面,提供一种智能氢气管理系统,该系统包括:氢气管网数据获取模块、氢气管网压力预测模块、氢气系统预警模块、调度方案生成模块和氢气调度排产模块;其中,氢气管网数据获取模块,用于获取氢气管网的流向信息和用氢信息;
氢气管网压力预测模块,用于根据流向信息和用氢信息,预测氢气管网中关键监测节点在未来预设时间段的压力值;
氢气系统预警模块,用于当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息;
调度方案生成模块,用于根据预警信息,生成调度信息;
氢气调度排产模块,用于根据调度信息,确定当前生产调度信息,以根据当前生产调度信息管理氢气管网。
根据本申请实施例中一种可实现的方式,氢气管网数据获取模块包括:
初始数据获取单元,用于获取数字逻辑管网的管段连接信息,以及氢气系统的运行数据,其中,运行数据包括氢源数据和氢阱数据,数字逻辑管网由氢气管网的实际结构通过节点划分和回路识别的方式转化得到的,数字逻辑管网包括多个管段,将多个管段划分为边缘管段和内部管段;
赋值单元,用于将氢源数据和氢阱数据赋值为边缘管段的端口信息;
计算单元,用于根据管段连接信息和端口信息,基于边缘管段至内部管段的方向计算氢气管网的缺口值,缺口值为氢气管网的产氢量和耗氢量不平衡的差值,根据氢源数据和氢阱数据对应的预设权重值,以及缺口值,调整端口信息,得到最新端口信息;
迭代单元,用于根据管段连接信息和最新端口信息,再次基于边缘管段至内部管段的方向计算氢气管网的最新缺口值;
重复根据管段连接信息和通过最新缺口调整后的端口信息计算氢气管网的缺口值,直至最终的缺口值在预设范围内,获取关键管段处的当前流量信息和当前流向信息;
根据当前流量信息和当前流向信息,计算氢气管网的流向信息和用氢信息。
根据本申请实施例中一种可实现的方式,运行数据还包括流量数据、压力数据、温度数据、组成数据和管网数据,其中,流量数据包括液体流量数据和气体流量数据;氢气管网数据获取模块还包括:
数据预处理单元,用于在为边缘管段的端口信息赋值前,对运行数据进行以下预处理方式中的至少一种:
对运行数据进行数据规范化处理、异常处理、噪音数据处理和归一化处理;
将运行数据的数据类型转化为标准类型;
对气体流量数据进行修正处理。
根据本申请实施例中一种可实现的方式,氢气管网压力预测模块包括压力预测模型,压力预测模型是基于长短时记忆网络模型训练得到的,用于:
根据流向信息和用氢信息,预测氢气管网中关键监测节点的管网压力,得到多个初始管网压力;
根据多个初始管网压力,确定氢气管网中关键监测节点在未来预设时间段的压力值。
根据本申请实施例中一种可实现的方式,压力预测模型包括多个不同时长的子预测模型,每个子预测模型之间间隔预设时长;多个不同时长的子预测模型,用于:
按照时长从大到小的顺序分别根据流向信息和用氢信息预测氢气管网中关键监测节点的管网压力,得到多个初始管网压力。
根据本申请实施例中一种可实现的方式,氢气系统预警模块包括分类预测模型,分类预测模型是基于循环神经网络训练得到的,用于:
根据流向信息、用氢信息和关键监测节点在未来预设时间段的压力值,确定关键监测节点在未来预设时间段的压力趋势标签;
根据预设压力容纳值和关键监测节点在未来预设时间段的压力值,确定关键监测节点在未来预设时间段的压力趋势信息;
当压力趋势信息与压力趋势标签一致时,判断出存在关键监测节点在未来预设时间段的压力值异常;
根据压力值异常的关键监测节点的流向信息和用氢信息,生成预警信息。
根据本申请实施例中一种可实现的方式,调度方案生成模块包括调度模型,调度模型是基于人工神经网络训练得到的,用于:
根据预警信息,确定发生异常的主变量装置,以及主变量装置预设距离内的从变量装置;
根据主变量装置和从变量装置的运行数据,生成调度信息。
根据本申请实施例中一种可实现的方式,氢气调度排产模块,具体用于:
根据调度信息,测算氢气管网的耗氢量和产氢量;
根据耗氢量、产氢量和预设加工需求信息,确定当前生产调度信息。
根据本申请实施例中一种可实现的方式,氢气调度排产模块,还用于:
在未生成调度信息的情况下,获取待加工原油的原料信息;
根据原料信息,基于预先建立的样本库生成多个加工方案;
根据多个加工方案,确定待加工原油的计划排产信息。
第二方面,提供了一种智能氢气管理方法,该方法应用于智能氢气管理系统,系统包括氢气管网数据获取模块、氢气管网压力预测模块、氢气系统预警模块、调度方案生成模块和氢气调度排产模块;方法包括:
氢气管网数据获取模块获取氢气管网的流向信息和用氢信息;
氢气管网压力预测模块根据流向信息和用氢信息,预测氢气管网中关键监测节点在未来预设时间段的压力值;
氢气系统预警模块当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息;
调度方案生成模块根据预警信息,生成调度信息;
氢气调度排产模块根据调度信息,确定当前生产调度信息,以根据当前生产调度信息管理氢气管网。
第三方面,提供了一种计算机设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机指令,所述计算机指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第二方面中涉及的方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令用于使计算机执行上述第二方面中涉及的方法。
根据本申请实施例所提供的技术内容,智能氢气管理系统包括:氢气管网数据获取模块、氢气管网压力预测模块、氢气系统预警模块、调度方案生成模块和氢气调度排产模块,其中,氢气管网数据获取模块,用于获取氢气管网的流向信息和用氢信息,氢气管网压力预测模块,用于根据流向信息和用氢信息,预测氢气管网中关键监测节点在未来预设时间段的压力值,氢气系统预警模块,用于当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息,调度方案生成模块,用于根据预警信息,生成调度信息,氢气调度排产模块,用于根据调度信息,确定当前生产调度信息,以根据当前生产调度信息管理氢气管网,能够及时准确全面地管理氢气系统。
附图说明
图1为一个实施例中智能氢气管理系统的结构框图;
图2为一个实施例中智能氢气管理方法的流程示意图;
图3为一个实施例中计算机设备的示意性结构图。
具体实施方式
以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1示出了本申请一个实施例提供的智能氢气管理系统的流程示意图。如图1所示,智能氢气管理系统100包括:氢气管网数据获取模块110、氢气管网压力预测模块120、氢气系统预警模块130、调度方案生成模块140和氢气调度排产模块150。其中,氢气管网数据获取模块110,用于获取氢气管网的流向信息和用氢信息。
流向信息为氢气管网的管段内氢气流动方向的信息,可以包括从不同的氢源沿着不同的路线走到不同氢阱的方向。用氢信息为氢气管网的氢阱处的氢气使用情况,可以包括用氢结构、新氢组成和氢气流量等。
其中,氢气管网数据获取模块110包括初始数据获取单元、赋值单元、计算单元和迭代单元,通过初始数据获取单元获取数字逻辑管网的管段连接信息,并从实时数据库获取实时的运行数据,根据运行数据计算得到流向信息和用氢信息。
氢气管网压力预测模块120,用于根据流向信息和用氢信息,预测氢气管网中关键监测节点在未来预设时间段的压力值。
氢气管网压力预测模块120包括压力预测模型,该压力预测模型是基于长短时记忆网络模型训练得到的。将流向信息和产氢信息、用氢信息输入压力预测模型,压力预测模型输出氢气管网中关键监测节点在未来预设时间段的压力值。其中,关键监测节点是根据企业生产运行预先选择的节点。
氢气系统预警模块130,用于当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息。
氢气系统预警模块130包括分类预测模型,该分类预测模型是基于循环神经网络训练得到的。分类预测模型根据流向信息、用氢信息、关键监测节点在未来预设时间段的压力值和预设压力容纳值确定关键监测节点在未来预设时间段的压力趋势标签和压力趋势信息,根据压力趋势信息与压力趋势标签的一致性,判断关键监测节点在未来预设时间段的压力值是否异常,基于压力值异常的关键监测节点的流向信息和用氢信息,生成预警信息。其中,预警信息可以包括异常情况、异常节点信息和异常时间等。
调度方案生成模块140,用于根据预警信息,生成调度信息。
调度方案生成模块140根据预警信息对压力值异常的关键监测节点的数据进行数据处理和数据分析,计算出氢气系统产耗氢的不平衡量,并在此不平衡量上给出相应的方案,即调度信息。在生成调度方案时,主要根据以下几点要素综合给出至少一种调度方案:一是考虑地理位置和管网结构,根据分析后引起变化的主因素,选择管网上与之相邻的装置,一般考虑较大的装置进行调节;二是快速平稳管网压力,根据缺口量大小以及当前管网压力水平,给出快速调正或微调慢速稳定方案;三是结合炼厂调度习惯,每个炼厂装置结构、操作习惯等都不同,参考炼厂的操作习惯;四是考虑装置运行情况,是否在装置的操作范围内、以及装置关键设备的运行情况、月初或月末装置的计划完成度等等都在逻辑范围内综合考量。
调度方案生成模块140包括调度模型,通过调度模型校验生成至少一种方案,确定合理的调度方案为调度信息。调度信息可以包括调度装置、调度装置的用氢或产氢变化信息等。
氢气调度排产模块150,用于根据调度信息,确定当前生产调度信息,以根据当前生产调度信息管理氢气管网。
当前生产调度信息为当前氢气系统内产耗氢装置生产调度的信息,可以包括当前产氢装置负荷及产氢信息、耗氢装置负荷及用氢信息、和其他相关信息等。
氢气调度排产模块150还可以根据预设加工原油信息,同时依据调度信息中产耗氢装置负荷信息测算氢气管网的耗氢量和产氢量,确定当前生产调度信息,以此管理氢气管网。
可以看出,本申请实施例中智能氢气管理系统提供给氢气生产管理者一个综合服务平台,在此平台中,可以通过氢气管网数据获取模块对氢气系统有更清晰的认识,通过氢气管网压力预测模块能更有效地解决氢气管网压力波动的问题,基于大数据的氢气系统预警模块和调度方案生成模块及时发现氢气系统中的波动以及消除波动提供了数据和方案支持,氢气调度排产模块可以根据测算调度方案的可行性,进一步优化得到当前生产调度信息,进而及时准确全面地管理氢气系统。
作为一种可实现的方式,氢气管网数据获取模块包括:初始数据获取单元、赋值单元、计算单元和迭代单元。
初始数据获取单元,用于获取数字逻辑管网的管段连接信息,以及氢气系统的运行数据。
其中,管段连接信息表示数字逻辑管网中各个管段之间的连接关系,运行数据包括流量数据、压力数据、温度数据、组成数据和管网数据、氢源数据和氢阱数据。氢源数据为产氢装置的产氢量,产氢装置可以包含天然气制氢、重整副产氢、乙烯氢、外购氢等单元装置,氢阱数据为耗氢装置的新氢流量,耗氢装置可以包含加氢裂化、加氢改质、渣油加氢、柴油加氢、航煤加氢、汽油加氢以及一些其他耗氢(如硫磺、烷基化)等单元装置。
在获取流向信息和用氢信息之前,根据氢气管网的实际结构通过节点划分和回路识别,将其转化为数字逻辑管网,数字逻辑管网包括多个管段,将多个管段划分为边缘管段和内部管段,对数字逻辑管网中的每个管段都进行标记。
赋值单元,用于将氢源数据和氢阱数据赋值为边缘管段的端口信息。
计算单元,用于根据管段连接信息和端口信息,基于边缘管段至内部管段的方向计算氢气管网的缺口值,缺口值为氢气管网的产氢量和耗氢量不平衡的差值,根据氢源数据和氢阱数据对应的预设权重值,以及缺口值,调整端口信息,得到最新端口信息。
根据数字逻辑管网中各个管段之间的连接关系和端口信息,基于边缘管段至内部管段的方向,即由外向内不断推进,计算每个管段的氢气流量和氢气流向,在每个三通管段位置都进行氢平衡计算,在首次计算中存在实时数据中产耗氢不平衡导致存在缺口值,因此首次计算完成后每个三通管段位置再由外向内进行溯源氢源和氢阱,将不平衡量分别传递到边缘管段的端口处,按照传递的数据对应的预设权重值分别调整氢源和氢阱数据,得到最新端口信息。
迭代单元,用于根据管段连接信息和最新端口信息,再次基于边缘管段至内部管段的方向计算氢气管网的最新缺口值;
重复根据管段连接信息和通过最新缺口调整后的端口信息计算氢气管网的缺口值,直至最终的缺口值在预设范围内,获取关键管段处的当前流量信息和当前流向信息;
根据当前流量信息和当前流向信息,计算氢气管网的流向信息和用氢信息。
根据数字逻辑管网中各个管段之间的连接关系和最新端口信息,再次由外向内不断推进,计算氢气管网的最新缺口值,重复上述过程,直至迭代到缺口值在预设范围后,停止迭代。其中,预设范围可以根据需求确定,此处不做限定。此时,获取关键管段处的当前流量信息和当前流向信息,关键管段是根据生产需求提前确定好的。根据当前流量信息、当前流向信息和氢源的氢气组成数据,推算出氢阱处的新氢组成和用氢结构,得到氢气管网的流向信息和用氢信息。
作为一种可实现的方式,氢气管网数据获取模块还包括:
数据预处理单元,用于在为边缘管段的端口信息赋值前,对运行数据进行以下预处理方式中的至少一种:
对运行数据进行数据规范化处理、异常处理、噪音数据处理和归一化处理;
将运行数据的数据类型转化为标准类型;
对气体流量数据进行修正处理。
运行数据包括流量数据、压力数据、温度数据、组成数据和管网数据;其中流量数据分为液体流量数据、气体流量数据,管网数据包括阀门信息、管段信息和连接信息等;
运行数据根据数据来源不同,数据的特点也不同。流量、压力、温度等数据来源于实时数据库中心,简称实时数据,实时数据特点为频次高、数据密集,但偶有缺失值。组成数据来源于化验分析数据,简称分析数据,分析数据特点为频次低、数据离散、缺失值较多等,管网数据来源于设计和实际测量。对不同类型的数据进行以下预处理:
数据规范化处理是指将实时数据和分析数据中的缺失值根据不同变量的特点进行缺值补充,对于连续变化的变量,采用该变量此时刻前一段时间的均值进行补充,对于离散型的变量,采用上一时刻值进行补充,对于缺失值较多的变量,采用备选变量进行数据补充,并利用变量相关性进行验证补充值的合理性。比如,某一装置新氢压缩机入口的新氢流量数据存在缺值,采用上述连续变化变量补充方式进行补充,并利用备选变量即新氢压缩机出口变量和返飞动变量与新氢压缩机入口的新氢流量关系进行验证补充值的合理性。数据规范化处理还包括数据频次对齐,主要是将实时数据与分析数据进行数据对齐,按照统一时间戳的方式进行时间对齐。
在对运行数据进行异常处理时,根据运行数据中的异常数据的异常类型进行不同的处理。
当运行数据中的异常数据的异常类型为自身异常时,也就是说,在正常生产过程中出现的异常数据,这类数据偏离正常值属于坏值,需要对其修正处理。这类数据成为局外点,在测量所得运行数据中,局外点是指很明显远离其他点,明显不服从样本分布的数据点。局外点检测方法采用t检验准则等,将计算观测值对期望估计值的残差,并与选定的临界值进行比较,以作判定排除可能的局外点。
当运行数据中的异常数据的异常类型为仪表异常时,也就是说,异常数据是由仪表故障导致的异常值,这类异常值基本是恒定不变的。首先,采用以下公式根据异常数据判定仪表是否正常:
(1)
其中,Svar,i表示异常数据的方差,Ki表示开关参数,Xval,i表示第i个异常数据,表示第i个异常数据的平均值,n表示异常数据的总数量。
当Ki=1时,表示仪表测量的运行数据处于波动状态,若异常数据的方差小于最小设定值,方差太小,认为数据恒定不变,仪表出现坏值,结合变量数据的物理意义判断是否删除;当异常数据的方差大于最大设定值,方差太大,仪表异常,此时调取该仪表对应的备用仪表作为当前使用设备。
当Ki=0时,表示仪表测量的运行数据处于平稳状态,无需对其进行处置。
正常生产过程中仪表测量的运行数据都存在噪音,这些噪音值影响运行数据的精度,会降低预测模型的预测精度,为了提高预测模型的准确率,对噪音数据进行滤波处理。数据滤波有多种方法,针对氢气系统中各个数据的特点可以采用不同的滤波处理方式,比如,均值滤波方法、一阶滞后滤波、中值滤波等方法。
氢气系统中的变量数据较多,有温度、压力、气体流量、装置负荷等等,这些变量数据大小不一致,在数据训练中绝对值较大的数值变化会淹没绝对值较小的变化,为了减少量纲带来的影响,最后需要对所有变量进行归一化处理,归一化至[0,1]区间。
标准类型为可被程序计算识别的数据类型,当运行数据的类型为数值型、类别型、文本型等形式,需要将这些类型的运行数据转为可被程序计算识别的数据。
实时数据中的流量数据分为液体流量数据和气体流量数据,其中气体数据的数据精度一般根据仪表类型有所不同,气体流量的测量方式常见的有孔板流量计和质量流量计等,以孔板流量计较为常见。其中,孔板流量计测量中受介质实时温度、实时压力和气体组成变化影响,为提高数据准确性需要对其进行温度、压力、组成的修正,可采用以下公式对运行数据中的气体流量进行温度、压力、组成的修正处理:
(2)
其中,F'(i,t)表示t时刻修正后的气体流量,F(i,t)表示t时刻气体流量计的测量值,P(i,t)表示t时刻气体流量对应的压力测量值,P(i,0)表示气体流量计的压力设计值,MW(i,t)表示t时刻气体管线上的气体组分的分子量测量值,MW(i,0)表示气体流量计的分子量设计值,T(i,t)表示t时刻气体流量对应的温度测量值,T(i,0)表示气体流量计的温度设计值,i表示需要修正的气体类型。
作为一种可实现的方式,氢气管网压力预测模块包括压力预测模型,压力预测模型是基于长短时记忆网络模型训练得到的,用于:
根据流向信息和用氢信息,预测氢气管网中关键监测节点的管网压力,得到多个初始管网压力;
根据多个初始管网压力,确定氢气管网中关键监测节点在未来预设时间段的压力值。
将流向信息和用氢信息输入压力预测模型,压力预测模型会输出氢气管网中每个关键监测节点的多个初始管网压力,将多个初始管网压力输出,展示氢气管网在未来预设时间段的管网压力变化趋势,根据管网压力变化趋势,确定氢气管网在未来预设时间段的管网压力。
具体地,压力预测模型包括多个不同时长的子预测模型,每个子预测模型之间间隔预设时长;多个不同时长的子预测模型。子预测模型,用于:
按照时长从大到小的顺序分别根据流向信息和用氢信息预测氢气管网中关键监测节点的管网压力,得到多个初始管网压力。
将当前的流向信息和用氢信息输入时长最大的子预测模型,得到第一个初始管网压力;
将间隔预设时长的流向信息和用氢信息,输入时长排列在第二的子预测模型,得到第二个初始管网压力;
以得到第二个初始管网压力的时间点为起始点,将间隔预设时长的流向信息和用氢信息,输入时长排列在第三的子预测模型,得到第三个初始管网压力,以此类推,直到时长排列在最后的子预测模型输出最后一个初始管网压力为止。
在氢气管网流向所用的数据基础上,再增加工艺流程中对管网压力有影响的变量,如装置负荷、装置操作条件、外排氢数据等等,在这些变量的基础上建立压力预测模型。
首先对上述变量进行数据处理,然后进行数据相关性分析,筛选出相关度高的变量,删除无关或重复相关的变量,对所选数据进行归一化处理后作为输入数据。
根据氢气管网的数据特点,所选数据均具有时序性的特点,而且每个特征变量在时间上有先后之分,氢气管网又有一定的累积的特性,所以采用循环神经网络(RecurrentNeural Network,RNN)中对时序性数据预测根据优势的长短期记忆网络(Long Short-TermMemory,LSTM)作为建立压力预测模型的网络结构。
在建立压力预测模型的网络结构后,分别展开模型训练、模型验证、模型调试最终获得高准确率的压力预测模型,可以预测氢气管网未来一段时间(0~30min)压力变化的,作为指导氢气管网调节的依据。
此外,压力预测模型在训练过程中,还包括搭建事件库,即将生产中调整幅度较大的波动事件、单装置出现的紧急事件等,将这些较大波动的时间段标记为事件,纳入到事件库中,每次模型训练中会带着事件库数据,利用事件库中数据的多样性提高的模型的准确度和适应性。
在模型上线运行时,压力预测模型支持自学习,模块会定期自动根据新增数据样本,在原有基础上扩展样本,并训练生成新的压力预测模型,更新后的模型的适应性更符合当前的生产运行状态。
压力预测模型能够预测未来一段时间压力走向的变化,给生产人员更多的时间预先调整,减少了较大的压力波动频次,同时提前对氢气系统进行调控,也减少了因氢气管网压力过高造成的氢气浪费的问题和因氢气管网压力过低对生产装置的影响,对氢气系统的高效利用和安全生产有重要的提高。
作为一种可实现的方式,氢气系统预警模块包括分类预测模型,分类预测模型是基于循环神经网络训练得到的,用于:
根据流向信息、用氢信息和关键监测节点在未来预设时间段的压力值,确定关键监测节点在未来预设时间段的压力趋势标签;
根据预设压力容纳值和关键监测节点在未来预设时间段的压力值,确定关键监测节点在未来预设时间段的压力趋势信息;
当压力趋势信息与压力趋势标签一致时,判断出存在关键监测节点在未来预设时间段的压力值异常;
根据压力值异常的关键监测节点的流向信息和用氢信息,生成预警信息。
将流向信息、用氢信息和关键监测节点在未来预设时间段的压力值输入分类预测模型,分类预测模型输出关键监测节点在未来预设时间段的压力趋势标签。压力趋势标签包括趋势标签和速率标签,其中,趋势标签包括高高报标签和低低报标签,速率标签包括增速过快标签和降速过快标签。
预设压力容纳值包括最大压力容纳值和最小压力容纳值,预设压力容纳值可以根据氢气系统内的装置性能进行设置。压力趋势信息包括压力过高和压力过低。
当压力值大于最大压力容纳值时,确定关键监测节点在未来预设时间段的压力过高,呈现高高趋势,若此时,分类预测模型输出的趋势标签为高高报标签,压力趋势信息与压力趋势标签一致,判断出存在关键监测节点在未来预设时间段的压力值异常。
当压力值小于最小压力容纳值时,确定关键监测节点在未来预设时间段的压力过低,呈现低低趋势,若此时,分类预测模型输出的趋势标签为低低报标签,压力趋势信息与压力趋势标签一致,判断出存在关键监测节点在未来预设时间段的压力值异常。
当关键监测节点在未来预设时间段的压力值压力增速过高,分类预测模型输出的趋势标签为增速过高标签时,或者,当关键监测节点在未来预设时间段的压力值降速过高,分类预测模型输出的趋势标签为降速过高标签时,压力趋势信息与压力趋势标签一致,氢气系统在未来预设时间段的运行状态为异常状态。
分类预测模型的训练数据主要为氢气系统中的管网、产氢和耗氢装置的主要负荷数据、产氢耗氢数据和排氢数据以及主要的运行数据。为了分类预测模型的使用便捷性,训练分类预测模型直接输出高高报、低低报、增速过快、降速过快等四类标签。通过设定四类报警机制的参数,利用大数据分类技术,将大规模的训练数据分别进行标签分类。由于模型输出是分类问题且氢气系统数据具有时序性特点,我们选用训练速度更快、训练效果和LSTM网络近似的门循环单元(Gate Recurrent Unit,GRU) 网络,其属于神经循环网络的一种。
搭建GRU的神经网络后,将数据样本划分为训练集和测试集和验证集,利用测试集的误差不断迭代提高模型的准确率,最后用验证集数据验证模型准确度,如果准确率不符合要求继续调试模型,直至满足验证集的准确率。
作为一种可实现的方式,调度方案生成模块包括调度模型,调度模型是基于人工神经网络训练得到的,用于:
根据预警信息,确定发生异常的主变量装置,以及主变量装置预设距离内的从变量装置;
根据主变量装置和从变量装置的运行数据,生成调度信息。
首先,对氢气系统中每个产氢装置产氢量和每个耗氢装置耗氢量的变化量进行统计,剔除会造成误判趋势的噪音和异常值,采用最小二乘拟合技术对每个装置的变化量进行拟合,计算其变化斜率,得到每个产氢装置产氢量和每个耗氢装置耗氢量的主要变化量,即,第一变化量和第二变化量。
缺口量是因为某一调整导致的产氢不足或产氢过剩,基于氢气系统的数据特点,直接将产耗氢之间的总不平衡量作为缺口量值是不合理的,因此,将所有的第一变化量和第二变化量相加得到氢气系统当前的缺口量。
将所有的第一变化量和所有的第二变化量按照从大到小的顺序进行混合排序,得到变化量序列,确定变化量序列中满足预设条件的变化量对应的装置为主变量装置。其中,预设条件可以根据实际生产需求进行设置,比如说,大于1000立方。只要是满足预设条件的装置都可以确定为主变量装置,因此,主变量装置可以是一个也可也是多个。
由于氢气管网是由多个装置组成的,除了装置自身影响氢气量的变化,还受其周围的其他装置影响。因此,根据位置数据,确定主变量装置预设距离内的装置为从变量装置。预设距离可以根据氢气管网中每个装置之间的影响力进行设置。
氢气的流动受到压力的影响,在预设时间内,根据主变量装置的压力数据中的当前管网压力,结合缺口量和从变量装置的压力数据,确定主变量装置和从变量装置的压力调整速度,以判断给出快调还是慢调的调度方案。
结合历史操作数据、当前运行数据、每月计划数据和压力调整速度,生成至少一条备选调度信息,将至少一条备选调度信息输入预先训练的调度模型,得到至少一条备选调度信息的产品物性值,根据产品物性值和预设物性值区间,校验至少一条备选调度信息的合理性,得到至少一条备选调度信息的校验结果,确定校验结果为合理的备选调度信息为调度信息。
调度模型的训练过程包括数据预处理、稳态判定、机理模型建模、样本生成、样本分析、样本增强、数据训练以及模型调试等。
首先依据模型应用场景和功能要求的不同,进行输入输出划分。比如考虑新氢流量需求时,将新氢流量作为输出变量;考虑装置变化对产品影响时,将产品作为输出变量。其中输入输出变量包括但不仅限于以下变量:混合原料负荷及物性、分进料负荷及物性、新氢流量及组成/压力/温度、反应压力、反应温度、高低分分离操作条件、高分流量及组成/压力/温度、低分流量及组成/压力/温度、干气流量及组成/压力/温度、液体产品流量及物性等。
通过历史数据的数据预处理和稳态判定模块,划分不同的工况,建立对应的机理模型,利用机理模型生成样本,并对样本进行补充和筛选,最后得到百万级的样本数据,进行大数据训练,结合神经元网络的训练集、测试集和验证集等不断进行模型训练和调试,最终得到高精度的调度模型。
氢气系统预警模块和调度方案生成模块可以更有效的对即将造成氢气管网波动的位点进行报警并给出合理方案,将事后调度变为及时调度或事前调度,将问题消灭在源头,减少问题带来了连锁反应,避免造成一定的生产隐患。
作为一种可实现的方式,氢气调度排产模块,具体用于:
根据调度信息,测算氢气管网的耗氢量和产氢量;
根据耗氢量、产氢量和预设加工需求信息,确定当前生产调度信息。
其中,预设加工需求信息为当前加工原油信息,当根据预警模块和调度方案生成模块给出调度信息时,预设加工需求信息更新为当前加工原油信息和当前调度信息中涉及到装置的负荷和用氢信息;氢气调度排产模块根据预设加工需求信息的更新值,快速计算出当前条件下整个氢气系统的生产调度方案,生产调度方案包括调度信息中的相关装置的负荷、用氢、产品性质信息,也包括氢气系统中其他装置的负荷、用氢和产品性质信息。
作为一种可实现的方式,氢气调度排产模块,还用于:
在未生成调度信息的情况下,获取待加工原油的原料信息;
根据原料信息,基于预先建立的样本库生成多个加工方案;
根据多个加工方案,确定待加工原油的计划排产信息。
未生成调度信息表明智能氢气管理系统未开启在线管理状态,处于离线状态。离线状态时,可以根据用户输入的待加工原油的原料信息确定计划排产信息。
具体包括:第一步,建立初始样本库,包含原油的详评数据,涵盖常见的加工油种。第二步,搭建原油加工方案优化模型,将计划加工的油种进行配方优化,根据主力油种和辅助油种以及轻油等划分,将计划加工的油种根据原油加工方案优化模型拆分为多个加工配方和对应的加工时长。第三步,搭建主力装置人工智能(Artificial Intelligence,AI)模型,以大数据为基础,采用人工智能技术对常减压、加氢裂化、加氢改质、渣油加氢、加氢精制等主要装置进行人工神经网络(Artificial Neural Network,ANN)建模,通过大数据训练得到AI模型。第四步,搭建全流程物性传递模型,包括中间物料走向模型和全厂物料平衡模型,将各个装置的AI模型通过逻辑表达式关联,将第二步得到的多个原油加工配方和对应时长输入至全流程物性传递模型中,原油的性质和流量通过常减压侧线传递到各个二次装置入口,借助耗氢装置AI模型可以得到总的耗氢需求。第五步,根据总耗氢需求量,在产氢装置模型的基础和实际负荷限制的基础上,给出产氢排产方案,产氢装置包括但不限于天然气制氢、煤制氢、重整副产氢、乙烯氢、外购氢等,最后得到计划调度方案,包含产氢方案和用氢方案。
氢气调度排产模块提供给计划人员一种可以综合考虑原油性质变化、物性传递、装置操作条件以及产品性质要求等多方面因素的用氢方案,对氢气排产指导更精准,提高氢气有效利用率和产品质量合格率。
图2为本申请实施例提供的一种智能氢气管理方法的流程图,该方法可以由如图1所示的智能氢气管理系统执行。如图2所示,该方法可以包括以下步骤:
S210,氢气管网数据获取模块获取氢气管网的流向信息和用氢信息;
S220,氢气管网压力预测模块根据流向信息和用氢信息,预测氢气管网中关键监测节点在未来预设时间段的压力值;
S230,氢气系统预警模块当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息;
S240,调度方案生成模块根据预警信息,生成调度信息;
S250,氢气调度排产模块根据调度信息,确定当前生产调度信息,以根据当前生产调度信息管理氢气管网。
作为一种可实现的方式,氢气管网数据获取模块包括:初始数据获取单元、赋值单元、计算单元和迭代单元;氢气管网数据获取模块获取氢气管网的流向信息和用氢信息,包括:
初始数据获取单元获取数字逻辑管网的管段连接信息,以及氢气系统的运行数据,其中,运行数据包括氢源数据和氢阱数据,数字逻辑管网由氢气管网的实际结构通过节点划分和回路识别的方式转化得到的,数字逻辑管网包括多个管段,将多个管段划分为边缘管段和内部管段;
赋值单元将氢源数据和氢阱数据赋值为边缘管段的端口信息;
计算单元根据管段连接信息和端口信息,基于边缘管段至内部管段的方向计算氢气管网的缺口值,缺口值为氢气管网的产氢量和耗氢量不平衡的差值,根据氢源数据和氢阱数据对应的预设权重值,以及缺口值,调整端口信息,得到最新端口信息;
迭代单元根据管段连接信息和最新端口信息,再次基于边缘管段至内部管段的方向计算氢气管网的最新缺口值;
重复根据管段连接信息和通过最新缺口调整后的端口信息计算氢气管网的缺口值,直至最终的缺口值在预设范围内,获取关键管段处的当前流量信息和当前流向信息;
根据当前流量信息和当前流向信息,计算氢气管网的流向信息和用氢信息。
作为一种可实现的方式,运行数据还包括流量数据、压力数据、温度数据、组成数据和管网数据,其中,流量数据包括液体流量数据和气体流量数据;所述方法还包括:
数据预处理单元在为边缘管段的端口信息赋值前,对运行数据进行以下预处理方式中的至少一种:
对运行数据进行数据规范化处理、异常处理、噪音数据处理和归一化处理;
将运行数据的数据类型转化为标准类型;
对气体流量数据进行修正处理。
作为一种可实现的方式,氢气管网压力预测模块包括压力预测模型,压力预测模型是基于长短时记忆网络模型训练得到的;氢气管网压力预测模块根据流向信息和用氢信息,预测氢气管网中关键监测节点在未来预设时间段的压力值,包括:
根据流向信息和用氢信息,预测氢气管网中关键监测节点的管网压力,得到多个初始管网压力;
根据多个初始管网压力,确定氢气管网中关键监测节点在未来预设时间段的压力值。
作为一种可实现的方式,压力预测模型包括多个不同时长的子预测模型,每个子预测模型之间间隔预设时长;根据流向信息和用氢信息,预测氢气管网中关键监测节点的管网压力,得到多个初始管网压力,包括:
按照时长从大到小的顺序分别根据流向信息和用氢信息预测氢气管网中关键监测节点的管网压力,得到多个初始管网压力。
作为一种可实现的方式,氢气系统预警模块包括分类预测模型,分类预测模型是基于循环神经网络训练得到的;氢气系统预警模块当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息,包括:
根据流向信息、用氢信息和关键监测节点在未来预设时间段的压力值,确定关键监测节点在未来预设时间段的压力趋势标签;
根据预设压力容纳值和关键监测节点在未来预设时间段的压力值,确定关键监测节点在未来预设时间段的压力趋势信息;
当压力趋势信息与压力趋势标签一致时,判断出存在关键监测节点在未来预设时间段的压力值异常;
根据压力值异常的关键监测节点的流向信息和用氢信息,生成预警信息。
作为一种可实现的方式,调度方案生成模块包括调度模型,调度模型是基于人工神经网络训练得到的;调度方案生成模块根据预警信息,生成调度信息,包括:
根据预警信息,确定发生异常的主变量装置,以及主变量装置预设距离内的从变量装置;
根据主变量装置和从变量装置的运行数据,生成调度信息。
作为一种可实现的方式,氢气调度排产模块根据调度信息,确定当前生产调度信息,包括:
根据调度信息,测算氢气管网的耗氢量和产氢量;
根据耗氢量、产氢量和预设加工需求信息,确定当前生产调度信息。
作为一种可实现的方式,所述方法还包括:
在未生成调度信息的情况下,获取待加工原油的原料信息;
根据原料信息,基于预先建立的样本库生成多个加工方案;
根据多个加工方案,确定待加工原油的计划排产信息。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本申请中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
根据本申请的实施例,本申请还提供了一种计算机设备、一种计算机可读存储介质。
如图3所示,是根据本申请实施例的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机或移动装置。其中数字计算机可以包括台式计算机、便携式计算机、工作台、个人数字助理、服务器、大型计算机和其它适合的计算机。移动装置可以包括平板电脑、智能电话、可穿戴式设备等。
如图3所示,设备300包括计算单元301、ROM 302、 RAM 303 、总线304以及输入/输出(I/O)接口305 ,计算单元 301、ROM 302 以及 RAM 303 通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
计算单元301可以根据存储在只读存储器(ROM)302 中的计算机指令或者从存储单元308加载到随机访问存储器(RAM)303 中的计算机指令,来执行本申请方法实施例中的各种处理。计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301可以包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。在一些实施例中,本申请实施例提供的方法可被实现为计算机软件程序,其被有形地包含于计算机可读存储介质,例如存储单元308。
RAM 303还可存储设备300操作所需的各种程序和数据。计算机程序的部分或者全部可以经由ROM 802和/或通信单元309而被载入和/或安装到设备300上。
设备300中的输入单元306、输出单元307、存储单元308和通信单元309可以连接至I/O接口305。其中,输入单元306可以是诸如键盘、鼠标、触摸屏、麦克风等;输出单元307可以是诸如显示器、扬声器、指示灯等。设备300能够通过通信单元309与其他设备进行信息、数据等的交换。
需要说明的是,该设备还可以包括实现正常运行所必需的其他组件。也可以仅包含实现本申请方案所必需的组件,而不必包含图中所示的全部组件。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。
用于实施本申请的方法的计算机指令可以采用一个或多个编程语言的任何组合来编写。这些计算机指令可以提供给计算单元301,使得计算机指令当由诸如处理器等计算单元301执行时使执行本申请方法实施例中涉及的各步骤。
本申请提供的计算机可读存储介质可以是有形的介质,其可以包含或存储计算机指令,用以执行本申请方法实施例中涉及的各步骤。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的等形式的存储介质。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种智能氢气管理系统,其特征在于,所述系统包括:氢气管网数据获取模块、氢气管网压力预测模块、氢气系统预警模块、调度方案生成模块和氢气调度排产模块;其中,所述氢气管网数据获取模块,用于获取氢气管网的流向信息和用氢信息;
所述氢气管网压力预测模块,用于根据所述流向信息和所述用氢信息,预测所述氢气管网中关键监测节点在未来预设时间段的压力值;
所述氢气系统预警模块,用于当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息;
所述调度方案生成模块,用于根据所述预警信息,生成调度信息;
所述氢气调度排产模块,用于根据所述调度信息,确定当前生产调度信息,以根据所述当前生产调度信息管理所述氢气管网。
2.根据权利要求1所述的系统,其特征在于,所述氢气管网数据获取模块包括:
初始数据获取单元,用于获取数字逻辑管网的管段连接信息,以及所述氢气系统的运行数据,其中,所述运行数据包括氢源数据和氢阱数据,所述数字逻辑管网由所述氢气管网的实际结构通过节点划分和回路识别的方式转化得到的,所述数字逻辑管网包括多个管段,将所述多个管段划分为边缘管段和内部管段;
赋值单元,用于将所述氢源数据和所述氢阱数据赋值为所述边缘管段的端口信息;
计算单元,用于根据所述管段连接信息和所述端口信息,基于所述边缘管段至所述内部管段的方向计算所述氢气管网的缺口值,所述缺口值为所述氢气管网的产氢量和耗氢量不平衡的差值,根据所述氢源数据和所述氢阱数据对应的预设权重值,以及所述缺口值,调整所述端口信息,得到最新端口信息;
迭代单元,用于根据所述管段连接信息和所述最新端口信息,再次基于所述边缘管段至所述内部管段的方向计算所述氢气管网的最新缺口值;
重复根据所述管段连接信息和通过所述最新缺口调整后的端口信息计算所述氢气管网的缺口值,直至最终的缺口值在预设范围内,获取关键管段处的当前流量信息和当前流向信息;
根据所述当前流量信息和所述当前流向信息,计算所述氢气管网的流向信息和用氢信息。
3.根据权利要求2所述的系统,其特征在于,所述运行数据还包括流量数据、压力数据、温度数据、组成数据和管网数据,其中,所述流量数据包括液体流量数据和气体流量数据;所述氢气管网数据获取模块还包括:
数据预处理单元,用于在为所述边缘管段的端口信息赋值前,对所述运行数据进行以下预处理方式中的至少一种:
对所述运行数据进行数据规范化处理、异常处理、噪音数据处理和归一化处理;
将所述运行数据的数据类型转化为标准类型;
对所述气体流量数据进行修正处理。
4.根据权利要求1所述的系统,其特征在于,所述氢气管网压力预测模块包括压力预测模型,所述压力预测模型是基于长短时记忆网络模型训练得到的,用于:
根据所述流向信息和所述用氢信息,预测所述氢气管网中关键监测节点的管网压力,得到多个初始管网压力;
根据所述多个所述初始管网压力,确定所述氢气管网中关键监测节点在未来预设时间段的压力值。
5.根据权利要求4所述的系统,其特征在于,所述压力预测模型包括多个不同时长的子预测模型,每个子预测模型之间间隔预设时长;所述多个不同时长的子预测模型,用于:
按照时长从大到小的顺序分别根据所述流向信息和所述用氢信息预测所述氢气管网中关键监测节点的管网压力,得到多个初始管网压力。
6.根据权利要求1所述的系统,其特征在于,所述氢气系统预警模块包括分类预测模型,所述分类预测模型是基于循环神经网络训练得到的,用于:
根据所述流向信息、所述用氢信息和所述关键监测节点在未来预设时间段的压力值,确定所述关键监测节点在未来预设时间段的压力趋势标签;
根据预设压力容纳值和所述关键监测节点在未来预设时间段的压力值,确定所述关键监测节点在未来预设时间段的压力趋势信息;
当所述压力趋势信息与所述压力趋势标签一致时,判断出存在关键监测节点在未来预设时间段的压力值异常;
根据压力值异常的关键监测节点的流向信息和用氢信息,生成预警信息。
7.根据权利要求6所述的系统,其特征在于,所述调度方案生成模块包括调度模型,所述调度模型是基于人工神经网络训练得到的,用于:
根据所述预警信息,确定发生异常的主变量装置,以及所述主变量装置预设距离内的从变量装置;
根据所述主变量装置和所述从变量装置的运行数据,生成调度信息。
8.根据权利要求1所述的系统,其特征在于,所述氢气调度排产模块,具体用于:
根据所述调度信息,测算所述氢气管网的耗氢量和产氢量;
根据所述耗氢量、所述产氢量和预设加工需求信息,确定当前生产调度信息。
9.根据权利要求1所述的系统,其特征在于,所述氢气调度排产模块,还用于:
在未生成调度信息的情况下,获取待加工原油的原料信息;
根据所述原料信息,基于预先建立的样本库生成多个加工方案;
根据所述多个加工方案,确定所述待加工原油的计划排产信息。
10.一种智能氢气管理方法,其特征在于,所述方法应用于智能氢气管理系统,所述系统包括氢气管网数据获取模块、氢气管网压力预测模块、氢气系统预警模块、调度方案生成模块和氢气调度排产模块;所述方法包括:
所述氢气管网数据获取模块获取氢气管网的流向信息和用氢信息;
所述氢气管网压力预测模块根据所述流向信息和所述用氢信息,预测所述氢气管网中关键监测节点在未来预设时间段的压力值;
所述氢气系统预警模块当判断出存在关键监测节点在未来预设时间段的压力值异常时,生成预警信息;
所述调度方案生成模块根据所述预警信息,生成调度信息;
所述氢气调度排产模块根据所述调度信息,确定当前生产调度信息,以根据所述当前生产调度信息管理所述氢气管网。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370523.0A CN117108924B (zh) | 2023-10-23 | 2023-10-23 | 一种智能氢气管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370523.0A CN117108924B (zh) | 2023-10-23 | 2023-10-23 | 一种智能氢气管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117108924A true CN117108924A (zh) | 2023-11-24 |
CN117108924B CN117108924B (zh) | 2024-02-06 |
Family
ID=88800490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311370523.0A Active CN117108924B (zh) | 2023-10-23 | 2023-10-23 | 一种智能氢气管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117108924B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592037A (zh) * | 2011-01-11 | 2012-07-18 | 中国石油化工股份有限公司 | 预测氢气需求量的方法和设备及氢气平衡调度方法和设备 |
CN106096818A (zh) * | 2016-05-31 | 2016-11-09 | 浙江中控软件技术有限公司 | 一种氢气资源调度方案的生成方法和装置 |
CN106338930A (zh) * | 2016-10-27 | 2017-01-18 | 中冶赛迪工程技术股份有限公司 | 基于动态模拟的钢铁企业煤气管理系统及方法 |
CN111379966A (zh) * | 2018-12-27 | 2020-07-07 | 中国石油化工股份有限公司 | 存储器、氢气管网工况数据生成方法、装置和设备 |
CN112966922A (zh) * | 2021-03-02 | 2021-06-15 | 中国石油大学(北京) | 一种氢气调度方案的确定方法、装置和设备 |
CN113297535A (zh) * | 2021-07-22 | 2021-08-24 | 北京理工大学 | 一种氢气能源调度系统及其调度方法 |
CN114484285A (zh) * | 2022-04-01 | 2022-05-13 | 正和集团股份有限公司 | 一种炼油厂氢气管网压力调节方法 |
JP2022142287A (ja) * | 2021-03-16 | 2022-09-30 | 大陽日酸株式会社 | 供給管理システム |
CN116878719A (zh) * | 2023-05-05 | 2023-10-13 | 内蒙古岱海发电有限责任公司 | 基于模型预测的氢压异常检测方法及系统 |
-
2023
- 2023-10-23 CN CN202311370523.0A patent/CN117108924B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592037A (zh) * | 2011-01-11 | 2012-07-18 | 中国石油化工股份有限公司 | 预测氢气需求量的方法和设备及氢气平衡调度方法和设备 |
CN106096818A (zh) * | 2016-05-31 | 2016-11-09 | 浙江中控软件技术有限公司 | 一种氢气资源调度方案的生成方法和装置 |
CN106338930A (zh) * | 2016-10-27 | 2017-01-18 | 中冶赛迪工程技术股份有限公司 | 基于动态模拟的钢铁企业煤气管理系统及方法 |
CN111379966A (zh) * | 2018-12-27 | 2020-07-07 | 中国石油化工股份有限公司 | 存储器、氢气管网工况数据生成方法、装置和设备 |
CN112966922A (zh) * | 2021-03-02 | 2021-06-15 | 中国石油大学(北京) | 一种氢气调度方案的确定方法、装置和设备 |
JP2022142287A (ja) * | 2021-03-16 | 2022-09-30 | 大陽日酸株式会社 | 供給管理システム |
CN113297535A (zh) * | 2021-07-22 | 2021-08-24 | 北京理工大学 | 一种氢气能源调度系统及其调度方法 |
CN114484285A (zh) * | 2022-04-01 | 2022-05-13 | 正和集团股份有限公司 | 一种炼油厂氢气管网压力调节方法 |
CN116878719A (zh) * | 2023-05-05 | 2023-10-13 | 内蒙古岱海发电有限责任公司 | 基于模型预测的氢压异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117108924B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2686820C2 (ru) | Система и способ настройки моделей процессов | |
JP2021051769A (ja) | 供給組成を推測するためのデータクレンジングシステムおよび方法 | |
Chin et al. | Asset maintenance optimisation approaches in the chemical and process industries–A review | |
Garratt et al. | Real-time representations of the output gap | |
US20230053175A1 (en) | Process network with several plants | |
CN105225979A (zh) | 一种半导体器件制程预测系统和方法 | |
Sarabia et al. | Data reconciliation and optimal management of hydrogen networks in a petrol refinery | |
CN107544457A (zh) | 基于可靠性分析的炼化装置运行周期专家决策系统及方法 | |
Hosseini et al. | Oil price future regarding unconventional oil production and its near-term deployment: A system dynamics approach | |
CN110927654A (zh) | 一种智能电能表批次运行状态评价方法 | |
CN106249709A (zh) | 动态的过程质量控制图和定龄维修联合设计优化控制方法 | |
CN117108924B (zh) | 一种智能氢气管理系统及方法 | |
RU63573U1 (ru) | Система автоматизированного учета и планирования на предприятии | |
CN102750454B (zh) | 一种氢气消耗预测值获取方法、装置及系统 | |
EP4041849A1 (en) | System, method, and program | |
Grenyer et al. | Multistep prediction of dynamic uncertainty under limited data | |
CN117113858B (zh) | 一种氢气系统的预警方法及装置 | |
CN114235108B (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
CN113779893B (zh) | 基于回声状态网络的保障性仿真输出结果可信性评价方法 | |
CN117113886B (zh) | 一种压力预测方法及装置 | |
CN117132085B (zh) | 一种计划排产方案生成方法和装置 | |
Kekäläinen | Data Pipelines and Edge Analysis in Engine Installations | |
Saari et al. | System availability assessment using a parametric Bayesian approach: a case study of balling drums | |
US20240035869A1 (en) | Oil and gas metering system | |
RU96675U1 (ru) | Информационно-управляющая аналитическая система комплексной оптимизации технологических режимов скважин |
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 |