CN117113858B - 一种氢气系统的预警方法及装置 - Google Patents

一种氢气系统的预警方法及装置 Download PDF

Info

Publication number
CN117113858B
CN117113858B CN202311369759.2A CN202311369759A CN117113858B CN 117113858 B CN117113858 B CN 117113858B CN 202311369759 A CN202311369759 A CN 202311369759A CN 117113858 B CN117113858 B CN 117113858B
Authority
CN
China
Prior art keywords
data
hydrogen
pressure
model
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.)
Active
Application number
CN202311369759.2A
Other languages
English (en)
Other versions
CN117113858A (zh
Inventor
王淑奕
吴永文
玛丽·阿克波米米
周厚双
王胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Scienco Technology Co ltd
Original Assignee
Beijing Scienco Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Scienco Technology Co ltd filed Critical Beijing Scienco Technology Co ltd
Priority to CN202311369759.2A priority Critical patent/CN117113858B/zh
Publication of CN117113858A publication Critical patent/CN117113858A/zh
Application granted granted Critical
Publication of CN117113858B publication Critical patent/CN117113858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)

Abstract

本申请涉及一种氢气系统的预警方法及装置。主要技术方案包括：获取氢气系统的运行数据，根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态，当氢气系统的运行状态为异常状态时，进行预警，以根据运行数据，基于预先训练的调度模型确定调度信息。本申请能够预测未来时间段的运行状态提前预警，及时发现问题，准确地根据当下的运行状态提供调度方案，有效提高氢气系统的安全平稳生产，减少氢气管网压力的波动。

Description

一种氢气系统的预警方法及装置
技术领域
本申请涉及石油炼化技术领域，特别是涉及一种氢气系统的预警方法及装置。
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。
目前，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。当氢气系统产生异常时，在调度人员看到反馈的参数超出了正常范围后才会发现，问题的发现存在滞后性，无法及时准确地根据当下的运行状态提供解决方案。
发明内容
基于此，本申请提供了一种氢气系统的预警方法、装置、设备和存储介质，能够提前预测未来时间段的运行状态进行预警，及时发现问题，准确地根据当下的运行状态提供解决方案。
第一方面，提供一种氢气系统的预警方法，该方法包括：
获取氢气系统的运行数据；
根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态；
当氢气系统在未来预设时间段的运行状态为异常状态时，进行预警，以根据运行数据，基于预先训练的调度模型确定调度信息。
根据本申请实施例中一种可实现的方式，预测模型包括压力预测模型和分类预测模型，运行数据包括氢气系统中产氢装置的产氢数据、耗氢装置的耗氢数据和氢气管网的管网压力数据，管网压力数据包括当前管网压力；根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态，包括：
根据产氢数据、耗氢数据和管网压力数据，通过压力预测模型确定氢气系统在未来预设时间段的预测管网压力；
根据产氢数据、耗氢数据和管网压力数据，通过分类预测模型确定氢气系统在未来预设时间段的压力趋势标签；
根据预设压力容纳值、当前管网压力、预测管网压力和压力趋势标签，判断氢气系统在未来预设时间段的运行状态。
根据本申请实施例中一种可实现的方式，压力趋势标签包括趋势标签和速率标签；根据预设压力容纳值、当前管网压力、预测管网压力和压力趋势标签，判断氢气系统在未来预设时间段的运行状态，包括：
根据预设压力容纳值和预测管网压力，确定氢气系统在未来预设时间段的压力趋势信息；
当压力趋势信息与趋势标签一致时，判断氢气系统在未来预设时间段的运行状态为异常状态；或者，
根据当前管网压力和预测管网压力，确定氢气系统在未来预设时间段的变化速率信息；
当变化速率信息和速率标签一致时，判断氢气系统在未来预设时间段的运行状态为异常状态。
根据本申请实施例中一种可实现的方式，根据运行数据，基于预先训练的调度模型确定调度信息，包括：
根据运行数据，确定氢气系统中每个产氢装置产氢量的第一变化量和每个耗氢装置耗氢量的第二变化量；
按照从大到小的顺序将每个第一变化量和每个第二变化量进行排序，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；
根据主变量装置的运行数据，生成至少一条备选调度信息；
根据至少一条备选调度信息，基于预先训练的调度模型确定调度信息。
根据本申请实施例中一种可实现的方式，主变量装置的运行数据包括位置数据、历史操作数据、当前运行数据、压力数据和每月计划数据；根据主变量装置的运行数据，生成至少一条备选调度信息，包括：
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；
根据压力数据，确定主变量装置和从变量装置的压力调整速度；
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。
根据本申请实施例中一种可实现的方式，根据至少一条备选调度信息，基于预先训练的调度模型确定调度信息，包括：
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校验信息；
根据校验信息和预设校验阈值区间，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。
根据本申请实施例中一种可实现的方式，该方法还包括：
当每条备选调度信息的校验结果均为不合理时，根据主变量装置的运行数据，生成至少一条调度修正信息；
将至少一条调度修正信息输入预先训练的调度模型，得到至少一条调度修正信息的校验信息；
根据校验信息和预设校验阈值区间，校验至少一条调度修正信息的合理性，得到至少一条调度修正信息的校验结果，直至出现校验结果为合理的调度修正信息为止。
根据本申请实施例中一种可实现的方式，在获取氢气系统的运行数据之前，该方法还包括：
获取样本数据，样本数据包括产氢数据、耗氢数据和管网压力数据，以及产氢数据、耗氢数据和管网压力数据对应的压力趋势标签；
根据产氢数据、耗氢数据和管网压力数据，训练第一神经元网络模型得到压力预测模型；
根据产氢数据、耗氢数据和管网压力数据对应的压力趋势标签，训练第二神经元网络模型得到分类预测模型。
根据本申请实施例中一种可实现的方式，在获取氢气系统的运行数据之前，该方法还包括：
获取原始数据；
对原始数据进行数据预处理得到预处理数据，利用预处理数据，建立氢气系统中参与氢气处理的装置的机理模型，机理模型包括产氢装置模型、耗氢装置模型；
根据机理模型，利用样本生成和样本增强得到模型样本数据，模型样本数据与预处理数据形成大数据训练所用的样本数据；
根据调度模型预设的输入变量和输出变量，利用样本数据，训练人工神经元网络得到参与氢气处理的装置的人工智能AI模型；
根据参与氢气处理的装置的AI模型搭建调度模型。
第二方面，提供了一种氢气系统的预警装置，该装置包括：
获取模块，用于获取氢气系统的运行数据；
判断模块，用于根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态；
确定模块，用于当氢气系统在未来预设时间段的运行状态为异常状态时，进行预警，以根据运行数据，基于预先训练的调度模型确定调度信息。
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一方面中涉及的方法。
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一方面中涉及的方法。
根据本申请实施例所提供的技术内容，获取氢气系统的运行数据，根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态，当氢气系统的运行状态为异常状态时，进行预警，以根据运行数据，基于预先训练的调度模型确定调度信息，能够预测未来时间段的运行状态提前预警，及时发现问题，准确地根据当下的运行状态提供调度方案，有效提高氢气系统的安全平稳生产，减少氢气管网压力的波动。
附图说明
图1为一个实施例中氢气系统的预警方法的流程示意图；
图2为一个实施例中氢气系统的预警装置的结构框图；
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。
当氢气系统产生异常时，在调度人员看到反馈的参数超出了正常范围后才会发现，属于反馈式调度模式，而且这些参数主要集中在产耗氢装置流量和管网压力的监测，因此，很难掌握因上游加工原油品变化、加工方案变化、氢源变化、用氢装置对氢源要求不一、氢气网络复杂等因素而引起的氢气系统的变化情况。另外，由于装置间的时滞性，也会造成有些问题不能被及时发现，导致引起较大波动后才能被发现，所以靠单独的监测手段会有滞后性。
随着机理模型的发展，一些氢气系统中利用机理模型建模，来指导氢气需求，但是机理模型的数据是建立在少量的现场数据上，只涵盖了少数的工况，本质上还是离线模型，很难应用到实际生产中。因此，亟需一种可以提前预警，及时发现问题并根据当前运行状态给出解决方案的方法，帮助调度人员更好的管理日常调度生产运营。
为了解决现有技术问题，本申请实施例提供了一种氢气系统的预警方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的氢气系统的预警方法进行介绍。
图1示出了本申请一个实施例提供的氢气系统的预警方法的流程示意图。如图1所示，该方法可以包括以下步骤：
S110，获取氢气系统的运行数据。
氢气系统可以包括产氢装置、耗氢装置和氢气管网，运行数据可以包括产氢数据、耗氢数据和管网压力数据。其中，产氢数据可以包括产氢量，耗氢数据可以包耗氢量，管网压力数据包括历史管网压力和当前管网压力。运行数据可以从氢气系统的管理模块中获取。
S120，根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态。
预测模型包括压力预测模型和分类预测模型，压力预测模型用于预测氢气系统在未来预设时间段的管网压力，分类预测模型用于预测氢气系统在未来预设时间段的压力趋势。预设时间段可以根据实际需求在训练模型时调整，预设时间段的时间单位可以为分钟，也可以为小时，比如说，30分钟，1小时。
结合压力预测模型和分类预测模型，形成双重预测，当两者的预测趋势相同时，判断氢气系统在未来预设时间段的运行状态为异常状态，当两者的预测趋势不同时，为避免出现误报，将该状态判断为氢气系统在未来预设时间段的正常状态。
通过结合压力预测模型和分类预测模型形成双重预测，及时判断某一参数的变化是否会对氢气管网产生波动影响，利于生产人员及时进行操作调整。
S130，当氢气系统在未来预设时间段的运行状态为异常状态时，进行预警，以根据运行数据，基于预先训练的调度模型确定调度信息。
当氢气系统在未来预设时间段的运行状态为异常状态时，进行预警，产生预警信号之后，根据运行数据自动生成至少一条备选调度信息，每条备选调度信息对应一个调度方案。
为了使调度方案更具备实际指导价值，利用调度模型对调度方案进行验证。将至少一条备选调度信息输入调度模型，调度模型输出一系列关于产品性质的数据，当这些数据均符合生产要求时，表明该备选调度信息具备指导意义，将其确定为调度信息，调度信息为通过验证最终推送给备选用户的信息，帮助用户更准确地处理氢气系统日常生产中遇到的问题。
可以看出，本申请实施例通过获取氢气系统的运行数据，根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态，当氢气系统的运行状态为异常状态时，进行预警，以根据运行数据，基于预先训练的调度模型确定调度信息，能够预测未来时间段的运行状态提前预警，及时发现问题，准确地根据当下的运行状态提供调度方案。
下面对上述方法流程中的各步骤进行详细描述。首先结合实施例对上述S120即“根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态”进行详细描述。
作为一种可实现的方式，根据产氢数据、耗氢数据和管网压力数据，通过压力预测模型确定氢气系统在未来预设时间段的预测管网压力；
根据产氢数据、耗氢数据和管网压力数据，通过分类预测模型确定氢气系统在未来预设时间段的压力趋势标签；
根据预设压力容纳值、当前管网压力、预测管网压力和压力趋势标签，判断氢气系统在未来预设时间段的运行状态。
将产氢数据、耗氢数据和管网压力数据输入压力预测模型，压力预测模型输出氢气系统在未来预设时间段的预测管网压力，将产氢数据、耗氢数据和管网压力数据输入分类预测模型，分类预测模型输出氢气系统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。基于预设压力容纳值和预测管网压力，或者，基于预测管网压力和压力趋势标签，判断氢气系统在未来预设时间段的运行状态。
具体地，根据预设压力容纳值和预测管网压力，确定氢气系统在未来预设时间段的压力趋势信息；
当压力趋势信息与趋势标签一致时，判断氢气系统在未来预设时间段的运行状态为异常状态。
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升高和压力降低。
当预测管网压力大于最大压力容纳值时，确定氢气系统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，则表示氢气系统在未来预设时间段的压力确实会过高，判断氢气系统在未来预设时间段的运行状态为异常状态，进行预警。
当预测管网压力小于最小压力容纳值时，确定氢气系统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，则表示氢气系统在未来预设时间段的压力确实会过低，判断氢气系统在未来预设时间段的运行状态为异常状态，进行预警。
除此之外，还可以根据当前管网压力和预测管网压力，确定氢气系统在未来预设时间段的变化速率信息；
当变化速率信息和速率标签一致时，判断氢气系统在未来预设时间段的运行状态为异常状态。
变化速率信息包括增速过高、增速过低、降速过低和降速过高，速率标签包括增速过高标签和降速过高标签。
根据当前管网压力和预测管网压力的差值以及预设时间段，求得当前管网压力和预测管网压力的变化速率，对比变化速率与正常速率。若变化速率与正常速率的差值的绝对值大于预设阈值，则确定当前管网压力和预测管网压力的变化速率异常，其中，预设阈值可以根据实际需求设定，此处不做限定。若变化速率与正常速率的差值为正数，则氢气系统在未来预设时间段的管网压力增速过高，若变化速率与正常速率的差值为负数，则氢气系统在未来预设时间段的管网压力降速过高。
当氢气系统在未来预设时间段的管网压力增速过高，分类预测模型输出的趋势标签为增速过高标签时，或者，当氢气系统在未来预设时间段的管网压力降速过高，分类预测模型输出的趋势标签为降速过高标签时，变化速率信息和速率标签一致，氢气系统在未来预设时间段的运行状态为异常状态。
当变化速率与正常速率的差值的绝对值小于或等于预设阈值时，若变化速率与正常速率的差值为正数，则氢气系统在未来预设时间段的管网压力增速过低，若变化速率与正常速率的差值为负数，则氢气系统在未来预设时间段的管网压力降速过低。这些情况能够使氢气系统保持良好的工作状态，将其视为正常状态，无需与速率标签进行比较。
通过压力预测模型和分类预测模型相互支持相互验证，保证预测模型的准确度，不仅针对当前管网压力或者历史管网压力进行预警，在此基础上也可以对未来的压力变化趋势进行预警，更有效地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，将反馈式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。
下面结合实施例对上述S130即“根据运行数据，基于预先训练的调度模型确定调度信息”进行详细描述。
作为一种可实现的方式，根据运行数据，确定氢气系统中每个产氢装置产氢量的第一变化量和每个耗氢装置耗氢量的第二变化量；
按照从大到小的顺序将每个第一变化量和每个第二变化量进行排序，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；
根据主变量装置的运行数据，生成至少一条备选调度信息；
根据至少一条备选调度信息，基于预先训练的调度模型确定调度信息。
运行数据包括产氢装置的产氢量和耗氢装置的耗氢量。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标立每小时。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。
在确定主变量装置之后，根据主变量装置的运行数据，生成至少一条备选调度信息。
其中，主变量装置的运行数据包括位置数据、历史操作数据、当前运行数据、压力数据和每月计划数据。具体地，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；
根据压力数据，确定主变量装置和从变量装置的压力调整速度；
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。
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。
历史操作数据为炼厂根据调度习惯、装置结构、操作习惯对主变量装置和从变量装置的日常操作数据。当前运行数据可以包括当前负荷量，根据当前负荷量可以判断装置是否在可操作弹性范围内。每月计划数据可以包括装置月初或月末的计划完成度，根据每月计划数据可以很好地衡量装置的可操作空间。
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，能够生成至少一条符合当前工况的备选调度信息。
作为一种可实现的方式，根据至少一条备选调度信息，基于预先训练的调度模型确定调度信息，包括：
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校验信息；
根据校验信息和预设校验阈值区间，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。
调度模型是建立在历史数据和机理模型数据的基础上，通过神经元网络建模和大数据训练得到可以精准描述加氢装置的模型，该模型可以描述原料负荷、原料性质、新氢组成、新氢流量、操作条件、产品性质及产品收率等之间的关系。
将至少一条备选调度信息输入预先训练的调度模型，调度模型输出至少一条备选调度信息的校验信息，校验信息包括但不限于产品物性信息、产品收率信息等，其中，产品物性信息可以包括密度值、硫含量、干点、馏程信息、辛烷值、十六烷值等等。其中不同的产品物性的侧重点不同。预设校验阈值区间为保证产品质量优良的阈值值区间。
根据校验信息和预设校验阈值区间，校验至少一条备选调度信息的合理性，得到校验结果，其中，校验结果包括合理和不合理，当校验信息处于预设校验阈值区间内时，备选调度信息的校验结果为合理，当校验信息处于预设校验阈值区间之外时，备选调度信息的校验结果为不合理。将校验结果为合理的备选调度信息确定为调度信息。当调度信息包括多条备选调度信息时，根据功能需求对多条备选调度信息进行优先级排序，按照优先级序列向用户展示调度信息。
作为一种可实现的方式，当每条备选调度信息的校验结果均为不合理时，根据主变量装置的运行数据，生成至少一条调度修正信息；
将至少一条调度修正信息输入预先训练的调度模型，得到至少一条调度修正信息的校验信息；
根据校验信息和预设校验阈值区间，校验至少一条调度修正信息的合理性，得到至少一条调度修正信息的校验结果，直至出现校验结果为合理的调度修正信息为止。
当每条备选调度信息的校验结果均为不合理时，需要重新根据主变量装置的运行数据，生成至少一条调度修正信息，将调度修正信息输入调度模型再次进行校验，根据调度模型输出的校验信息和预设校验阈值区间再次比较，得到校验结果，直至出现校验结果为合理的调度修正信息为止。
作为一种可实现的方式，在获取氢气系统的运行数据之前，方法还包括：
获取样本数据，样本数据包括产氢数据、耗氢数据和管网压力数据，以及产氢数据、耗氢数据和管网压力数据对应的压力趋势标签；
根据产氢数据、耗氢数据和管网压力数据，训练第一神经元网络模型得到压力预测模型；
根据产氢数据、耗氢数据和管网压力数据对应的压力趋势标签，训练第二神经元网络模型得到分类预测模型。
将氢气管网关键位点压力作为预测值，并将管网压力及其影响管网压力的相关变量作为输入值，即氢气管网的产氢装置、耗氢装置、提纯装置等相关产耗氢数据和管网压力数据。根据产氢数据、耗氢数据、管网压力数据分析得到其对应的预测管网压力作为输出值，训练第一神经元网络模型进而得到压力预测模型。
氢气系统中的数据具备时序性特点，利用这些变量之间的时序性影响和管网本身累计性的属性，基于循环神经元网络中的长短时记忆网络解决时序性数据预测模型的优点，第一神经元网络模型可以选择长短时记忆网络（Long Short Term networks，LSTM）模型，得到可以预测未来预设时间段内的压力预测模型。可以分别建立预测不同时长的模型组合成压力预测模型，不同时长的模型可以滚动预测，进而得到准确率高的压力预测模型，实现可预测未来1~60min管网压力变化情况。
压力趋势标签包括高高报标签、低低报标签、增速过快标签、降速过快标签。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。由于模型的输出是分类问题，且氢气系统数据具有时序性特点，第二神经元网络模型可以选用训练速度更快、训练效果和LSTM网络近似的门控循环单元（gated recurrent unit，GRU）网络模型。
搭建GRU网络模型后，将样本数据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。压力预测模型建立在监测数据的基础上，监测点涵盖在氢气系统的各个装置的关键位点，将各个点位的产氢数据、耗氢数据、管网压力数据作为GRU网络模型的输入，对产氢数据、耗氢数据、管网压力数据进行分析，将其对应的事件标注高高报、上升速率过快、下降速率过快、低低报等四类标签，将这四类标签作为GRU网络模型的输出，训练GRU网络模型得到分类预测模型。
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，在获取氢气系统的运行数据之前，方法还包括：
获取原始数据；
对原始数据进行数据预处理得到预处理数据，利用预处理数据，建立氢气系统中参与氢气处理的装置的机理模型，机理模型包括产氢装置模型、耗氢装置模型；
根据机理模型，利用样本生成和样本增强得到模型样本数据，模型样本数据与预处理数据形成大数据训练所用的样本数据；
根据调度模型预设的输入变量和输出变量，利用样本数据，训练人工神经元网络得到参与氢气处理的装置的人工智能AI模型；
根据参与氢气处理的装置的AI模型搭建调度模型。
原始数据包括但不限于装置原料数据/操作条件数据/产品数据等，原始数据的来源包括但不限于实时数据库数据及化验分析数据。其中，原料数据包括混合原料流量、混合原料负荷量、混合原料物性值、分进料负荷量和分进料物性值等。
机理模型的训练过程为：获取历史原料数据，对其进行预处理，包括剔除异常值、缺失值处理、数据降噪、数据对齐、数据判定等，得到预处理数据。通过划分不同的工况，根据预处理后的数据搭建加氢装置对应的机理模型，包括加氢裂化模型、加氢改质模型、渣油加氢模型、柴油加氢模型和其他加氢精制等模型，并用现场数据验证模型的精确度。
根据机理模型功能需求确定训练数据的输入和输出变量，输入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，输出变量包括但不仅限于以下变量：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。基于输入变量的数据和输出变量的数据训练机理模型，得到能够生成调度模型需要样本的机理模型。
将原料数据输入机理模型，机理模型输出模型样本数据。通过合理的扩展输入数据变化范围，利用python脚本来执行机理模型生成百万级的样本数据。对生成的样本进行分布分析，对样本稀疏区域或未覆盖区域进行样本补充，对样本密集区域进行相似样本筛选并删除部分样本，从而使样本在所需覆盖区域均匀分布。
根据调度模型预设的输入、输出变量，在样本数据中确定输入、输出变量对应的数据作为输入和输出，通过改变不同隐藏层数、节点数和激活函数等调试手段训练人工神经元网络得到参与氢气处理的装置的人工智能AI模型，根据参与氢气处理的装置的人工智能AI模型组合起来，搭建调度模型。
最后，对训练得到的调度模型进行验证。用大量的现场数据输入到调度模型中，对比输出变量的计算值和现场值的相对误差，当相对误差大于1%时，调试人工神经网络模型的相关参数，重新训练，直到计算值和现场值相对误差低于1%时，调度模型二队训练过程至此结束。
应该理解的是，虽然图1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1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。
图2为本申请实施例提供的一种氢气系统的预警装置的结构示意图，用以执行如图1中所示的方法流程。如图2所示，该装置可以包括：获取模块210、判断模块220和确定模块230，还可以进一步包括：训练模块。其中各组成模块的主要功能如下：
获取模块210，用于获取氢气系统的运行数据；
判断模块220，用于根据运行数据，通过预先训练的预测模型判断氢气系统在未来预设时间段的运行状态；
确定模块230，用于当氢气系统在未来预设时间段的运行状态为异常状态时，进行预警，以根据运行数据，基于预先训练的调度模型确定调度信息。
作为一种可实现的方式，预测模型包括压力预测模型和分类预测模型，运行数据包括氢气系统中产氢装置的产氢数据、耗氢装置的耗氢数据和氢气管网的管网压力数据，管网压力数据包括当前管网压力；判断模块220，具体用于：
根据产氢数据、耗氢数据和管网压力数据，通过压力预测模型确定氢气系统在未来预设时间段的预测管网压力；
根据产氢数据、耗氢数据和管网压力数据，通过分类预测模型确定氢气系统在未来预设时间段的压力趋势标签；
根据预设压力容纳值、当前管网压力、预测管网压力和压力趋势标签，判断氢气系统在未来预设时间段的运行状态。
作为一种可实现的方式，压力趋势标签包括趋势标签和速率标签；判断模块220，具体用于：
根据预设压力容纳值和预测管网压力，确定氢气系统在未来预设时间段的压力趋势信息；
当压力趋势信息与趋势标签一致时，判断氢气系统在未来预设时间段的运行状态为异常状态；或者，
根据当前管网压力和预测管网压力，确定氢气系统在未来预设时间段的变化速率信息；
当变化速率信息和速率标签一致时，判断氢气系统在未来预设时间段的运行状态为异常状态。
作为一种可实现的方式，确定模块230，具体用于：
根据运行数据，确定氢气系统中每个产氢装置产氢量的第一变化量和每个耗氢装置耗氢量的第二变化量；
按照从大到小的顺序将每个第一变化量和每个第二变化量进行排序，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；
根据主变量装置的运行数据，生成至少一条备选调度信息；
根据至少一条备选调度信息，基于预先训练的调度模型确定调度信息。
作为一种可实现的方式，主变量装置的运行数据包括位置数据、历史操作数据、当前运行数据、压力数据和每月计划数据；确定模块230，具体用于：
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；
根据压力数据，确定主变量装置和从变量装置的压力调整速度；
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。
作为一种可实现的方式，确定模块230，具体用于：
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校验信息；
根据校验信息和预设校验阈值区间，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。
作为一种可实现的方式，其特征在于，确定模块230，还用于：
当每条备选调度信息的校验结果均为不合理时，根据主变量装置的运行数据，生成至少一条调度修正信息；
将至少一条调度修正信息输入预先训练的调度模型，得到至少一条调度修正信息的校验信息；
根据校验信息和预设校验阈值区间，校验至少一条调度修正信息的合理性，得到至少一条调度修正信息的校验结果，直至出现校验结果为合理的调度修正信息为止。
作为一种可实现的方式，在获取氢气系统的运行数据之前，装置还包括训练模块，用于：
获取样本数据，样本数据包括产氢数据、耗氢数据和管网压力数据，以及产氢数据、耗氢数据、管网压力数据对应的压力趋势标签；
根据产氢数据、耗氢数据和管网压力数据，训练第一神经元网络模型得到压力预测模型；
产氢数据、耗氢数据和管网压力数据对应的压力趋势标签，训练第二神经元网络模型得到分类预测模型。
作为一种可实现的方式，在获取氢气系统的运行数据之前，训练模块，还用于：
获取原始数据；
对原始数据进行数据预处理得到预处理数据，利用预处理数据，建立氢气系统中参与氢气处理的装置的机理模型，机理模型包括产氢装置模型、耗氢装置模型；
根据机理模型，利用样本生成和样本增强得到模型样本数据，模型样本数据与预处理数据形成大数据训练所用的样本数据；
根据调度模型预设的输入变量和输出变量，利用样本数据，训练人工神经元网络得到参与氢气处理的装置的人工智能AI模型；
根据参与氢气处理的装置的AI模型搭建调度模型。
上述各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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 (9)

1.一种氢气系统的预警方法，其特征在于，所述方法包括：
获取氢气系统的运行数据；
根据所述运行数据，通过预先训练的预测模型判断所述氢气系统在未来预设时间段的运行状态，具体包括：根据所述运行数据，通过预先训练的预测模型确定所述氢气系统在未来预设时间段的预测管网压力和压力趋势标签，其中，所述压力趋势标签包括速率标签，所述运行数据包括当前管网压力；根据所述当前管网压力和所述预测管网压力，确定所述氢气系统在未来预设时间段的变化速率信息；当所述变化速率信息和所述速率标签一致时，判断所述氢气系统在未来预设时间段的运行状态为异常状态；
当所述氢气系统在未来预设时间段的运行状态为异常状态时，进行预警，以根据所述运行数据，基于预先训练的调度模型确定调度信息，具体包括：根据所述运行数据，确定所述氢气系统中每个产氢装置产氢量的第一变化量和每个耗氢装置耗氢量的第二变化量；按照从大到小的顺序将每个所述第一变化量和每个所述第二变化量进行排序，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；根据所述主变量装置的运行数据，生成至少一条备选调度信息；根据所述至少一条备选调度信息，基于预先训练的调度模型确定所述调度信息。
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括压力预测模型和分类预测模型，所述运行数据包括所述氢气系统中产氢装置的产氢数据、耗氢装置的耗氢数据和氢气管网的管网压力数据，所述管网压力数据包括当前管网压力；所述根据所述运行数据，通过预先训练的预测模型判断所述氢气系统在未来预设时间段的运行状态，包括：
根据所述产氢数据、所述耗氢数据和所述管网压力数据，通过所述压力预测模型确定所述氢气系统在未来预设时间段的预测管网压力；
根据所述产氢数据、所述耗氢数据和所述管网压力数据，通过所述分类预测模型确定所述氢气系统在未来预设时间段的压力趋势标签；
根据预设压力容纳值、所述当前管网压力、所述预测管网压力和所述压力趋势标签，判断所述氢气系统在未来预设时间段的运行状态。
3.根据权利要求2所述的方法，其特征在于，所述压力趋势标签还包括趋势标签；所述根据预设压力容纳值、所述预测管网压力和所述压力趋势标签，判断所述氢气系统在未来预设时间段的运行状态，包括：
根据所述预设压力容纳值和所述预测管网压力，确定所述氢气系统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趋势标签一致时，判断所述氢气系统在未来预设时间段的运行状态为异常状态。
4.根据权利要求1所述的方法，其特征在于，所述主变量装置的运行数据包括位置数据、历史操作数据、当前运行数据、压力数据和每月计划数据；所述根据所述主变量装置的运行数据，生成至少一条备选调度信息，包括：
根据所述位置数据，确定所述主变量装置预设距离内的装置为从变量装置；
根据所述压力数据，确定所述主变量装置和所述从变量装置的压力调整速度；
结合所述历史操作数据、所述当前运行数据、所述每月计划数据和所述压力调整速度，生成至少一条备选调度信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述至少一条备选调度信息，基于预先训练的调度模型确定所述调度信息，包括：
将所述至少一条备选调度信息输入所述预先训练的调度模型，得到所述至少一条备选调度信息的校验信息；
根据所述校验信息和预设校验阈值区间，校验所述至少一条备选调度信息的合理性，得到所述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。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
当每条备选调度信息的校验结果均为不合理时，根据所述主变量装置的运行数据，生成至少一条调度修正信息；
将所述至少一条调度修正信息输入所述预先训练的调度模型，得到所述至少一条调度修正信息的校验信息；
根据所述校验信息和所述预设校验阈值区间，校验所述至少一条调度修正信息的合理性，得到所述至少一条调度修正信息的校验结果，直至出现校验结果为合理的调度修正信息为止。
7.根据权利要求1至6任一项所述的方法，其特征在于，在获取氢气系统的运行数据之前，所述方法还包括：
获取样本数据，所述样本数据包括产氢数据、耗氢数据和管网压力数据，以及所述产氢数据、所述耗氢数据和所述管网压力数据对应的压力趋势标签；
根据所述产氢数据、所述耗氢数据和所述管网压力数据，训练第一神经元网络模型得到压力预测模型；
根据所述产氢数据、所述耗氢数据和所述管网压力数据对应的压力趋势标签，训练第二神经元网络模型得到分类预测模型。
8.根据权利要求1至6任一项所述的方法，其特征在于，在获取氢气系统的运行数据之前，所述方法还包括：
获取原始数据；
对所述原始数据进行数据预处理得到预处理数据，利用所述预处理数据，建立所述氢气系统中参与氢气处理的装置的机理模型，所述机理模型包括产氢装置模型、耗氢装置模型；
根据所述机理模型，利用样本生成和样本增强得到模型样本数据，所述模型样本数据与所述预处理数据形成大数据训练所用的样本数据；
根据调度模型预设的输入变量和输出变量，利用所述样本数据，训练人工神经元网络得到参与氢气处理的装置的人工智能AI模型；
根据所述参与氢气处理的装置的AI模型搭建所述调度模型。
9.一种氢气系统的预警装置，其特征在于，所述装置包括：
获取模块，用于获取氢气系统的运行数据；
判断模块，用于根据所述运行数据，通过预先训练的预测模型判断所述氢气系统在未来预设时间段的运行状态，具体包括：根据所述运行数据，通过预先训练的预测模型确定所述氢气系统在未来预设时间段的预测管网压力和压力趋势标签，其中，所述压力趋势标签包括速率标签，所述运行数据包括当前管网压力；根据所述当前管网压力和所述预测管网压力，确定所述氢气系统在未来预设时间段的变化速率信息；当所述变化速率信息和所述速率标签一致时，判断所述氢气系统在未来预设时间段的运行状态为异常状态；
确定模块，用于当所述氢气系统在未来预设时间段的运行状态为异常状态时，进行预警，以根据所述运行数据，基于预先训练的调度模型确定调度信息，具体包括：根据所述运行数据，确定所述氢气系统中每个产氢装置产氢量的第一变化量和每个耗氢装置耗氢量的第二变化量；按照从大到小的顺序将每个所述第一变化量和每个所述第二变化量进行排序，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；根据所述主变量装置的运行数据，生成至少一条备选调度信息；根据所述至少一条备选调度信息，基于预先训练的调度模型确定所述调度信息。
CN202311369759.2A 2023-10-23 2023-10-23 一种氢气系统的预警方法及装置 Active CN117113858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311369759.2A CN117113858B (zh) 2023-10-23 2023-10-23 一种氢气系统的预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311369759.2A CN117113858B (zh) 2023-10-23 2023-10-23 一种氢气系统的预警方法及装置

Publications (2)

Publication Number Publication Date
CN117113858A CN117113858A (zh) 2023-11-24
CN117113858B true CN117113858B (zh) 2024-02-06

Family

ID=88793436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311369759.2A Active CN117113858B (zh) 2023-10-23 2023-10-23 一种氢气系统的预警方法及装置

Country Status (1)

Country Link
CN (1) CN117113858B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530705A (zh) * 2013-10-17 2014-01-22 武汉钢铁(集团)公司 一种钢铁企业煤气预测方法、装置及系统
CN112215464A (zh) * 2020-09-04 2021-01-12 北京天泽智云科技有限公司 一种多工况下高炉煤气的预测平衡调度系统
WO2022160705A1 (zh) * 2021-01-26 2022-08-04 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备
CN115374692A (zh) * 2022-07-12 2022-11-22 贵州大学 一种用于区域综合能源系统的双层优化调度决策方法
CN116432856A (zh) * 2023-04-28 2023-07-14 东北石油大学 基于cnn-glstm模型的管道动态预警方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530705A (zh) * 2013-10-17 2014-01-22 武汉钢铁(集团)公司 一种钢铁企业煤气预测方法、装置及系统
CN112215464A (zh) * 2020-09-04 2021-01-12 北京天泽智云科技有限公司 一种多工况下高炉煤气的预测平衡调度系统
WO2022160705A1 (zh) * 2021-01-26 2022-08-04 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备
CN115374692A (zh) * 2022-07-12 2022-11-22 贵州大学 一种用于区域综合能源系统的双层优化调度决策方法
CN116432856A (zh) * 2023-04-28 2023-07-14 东北石油大学 基于cnn-glstm模型的管道动态预警方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钢铁企业煤气预测与调度优化系统;栾绍峻;吴秀婷;;冶金经济与管理(第06期);全文 *

Also Published As

Publication number Publication date
CN117113858A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
Oraiopoulos et al. On the accuracy of urban building energy modelling
Zhao et al. Optimal inspection and replacement policy based on experimental degradation data with covariates
CN115315667A (zh) 具有若干工厂的过程网络
CN113741362A (zh) 液化天然气接收站操作优化方法、系统、介质及计算设备
Ran et al. When will China’s industrial carbon emissions peak? Evidence from machine learning
CN117113858B (zh) 一种氢气系统的预警方法及装置
CN114048925A (zh) 一种电网综合运营预警方法、装置及终端设备
Ngwenyama et al. Discernment of transformer oil stray gassing anomalies using machine learning classification techniques
Wang et al. Exploring factors influencing the digital economy: Uncovering the relationship structure to improve sustainability in China
CN102750454B (zh) 一种氢气消耗预测值获取方法、装置及系统
Xu et al. An effective high-quality prediction intervals construction method based on parallel bootstrapped RVM for complex chemical processes
CN112053181A (zh) 一种农产品价格预测方法及系统
Grenyer et al. Multistep prediction of dynamic uncertainty under limited data
CN117108924B (zh) 一种智能氢气管理系统及方法
CN112749459B (zh) 存储器、基于设备改建的氢网用氢优化方法、装置和设备
Wang et al. Research on the reliability allocation method for a production system based on availability
CN117113886B (zh) 一种压力预测方法及装置
Xu et al. On simulation and optimization of one natural gas industry system under the rough environment
CN112749823A (zh) 存储器、基于回收氢最大化的氢网优化方法、装置和设备
Kuvykin Optimal planning and analysis of continuous production models
Saari et al. System availability assessment using a parametric Bayesian approach: a case study of balling drums
Gong et al. Construction of Industrial Product Lifecycle Management System Based on CAD
CN117132085B (zh) 一种计划排产方案生成方法和装置
Hao et al. Dynamic overcapacity modelling of early warning system for phosphorus fertilizer industry in China
Briand et al. Software measurement and formal methods: a case study centered on TRIO+ Specifications

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