CN117970789A - 常减压装置在线多目标优化方法、系统、设备及介质 - Google Patents
常减压装置在线多目标优化方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117970789A CN117970789A CN202311578681.5A CN202311578681A CN117970789A CN 117970789 A CN117970789 A CN 117970789A CN 202311578681 A CN202311578681 A CN 202311578681A CN 117970789 A CN117970789 A CN 117970789A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- model
- optimization
- time
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000007246 mechanism Effects 0.000 claims abstract description 117
- 238000013499 data model Methods 0.000 claims abstract description 99
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000011161 development Methods 0.000 claims description 45
- 239000010779 crude oil Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004821 distillation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003350 kerosene Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000002283 diesel fuel Substances 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004989 laser desorption mass spectroscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及机器学习技术,揭露了常减压装置在线多目标优化方法、系统、电子设备以及存储介质,该方法包括:获取运行数据,对运行数据进行数据清洗,得到目标数据,将目标数据存储至数据库中;利用历史数据搭建机理模型及数据模型,并设置数据库与机理模型、数据模型之间的数据接口;当实时数据未超出数据范围时,将实时数据传输至数据模型中,并将数据模型中的实时数据传输至外部优化系统;当实时数据超出数据范围时,将实时数据传输至机理模型中,并将机理模型中的实时数据传输至外部优化系统;基于数据模型、机理模型及实时数据对外部优化系统进行优化计算,得到目标优化系统。本发明可以保证常减压装置在进行优化时的实时性及目标多样性。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种常减压装置在线多目标优化方法、系统、电子设备及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
常减压装置是炼厂加工原油的第一道工序,借助精馏的作用,将原油按馏程切割成汽油、煤油、轻柴油等产品或半成品,或者为下游二次加工过程提供原料,因此,常减压装置优化与否,不仅会影响本装置能耗的降低及经济效益的提升,还会对下游加工流程产生重要影响。由于常减压装置加工的原油更换频繁,存在油品升级、产品价格及后续加工负荷调整、提高轻收及减压深拔的迫切需求,需要经常性地对常减压装置进行优化调整,而常减压装置操作参数众多且互相影响,无法凭经验解决所有问题。
目前,在现有技术中主要有三种途径对常减压装置进行优化调整:一是利用专业的流程模拟软件基于装置历史数据建立装置的机理模型,通过机理模型的分析优化功能对装置进行优化计算,但是这种方法对建模人员素质要求较高,无法保证分析优化计算得到的优化方案在将来原油发生变化或加工计划改变后仍是最优的;二是通过基于流程模拟软件的常减压装置优化管理平台,将机理模型放在后台,前端界面仅包含输入、输出和优化结果等的展示,使用者无需知道复杂的传质传热及气液平衡机理,但是因为没有关联原油数据,无法保证优化方案的及时性;三是通过实时优化系统,基于在线分析仪的实时数据,一般以经济效益最大化为优化目标,后台的模型或是机理模型或是数据模型,保证了优化方案的时效性,但是目标过于单一,无法满足装置的多目标优化需求。综上所述,现有技术中存在常减压装置在进行优化时不能保证实时性及目标多样性的问题。
发明内容
针对上述问题,本发明的实施例提供了一种常减压装置在线多目标优化方法、系统、电子设备及计算机可读存储介质。
第一方面,本发明实施例提供了一种常减压装置在线多目标优化方法,包括:
获取运行数据,对所述运行数据进行数据清洗,得到目标数据,将所述目标数据存储至预设的开发系统数据库中,其中,所述运行数据包含历史数据及实时数据;
利用所述历史数据搭建机理模型及数据模型,设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口;
当所述实时数据未超出预设的数据范围时,将所述实时数据通过所述数据模型对应的数据接口传输至所述数据模型中,并将所述数据模型中的实时数据传输至预设的外部优化系统;
当所述实时数据超出预设的数据范围时,将所述实时数据通过所述机理模型对应的数据接口传输至所述机理模型中,并将所述机理模型中的实时数据传输至所述外部优化系统;
基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统。
根据本发明的实施例,所述对所述运行数据进行数据清洗,得到目标数据,包括:
对所述运行数据中的历史数据及实时数据进行过滤,得到历史过滤数据及实时过滤数据;
对所述历史过滤数据进行修正,得到修正数据;
对所述实时过滤数据进行小信号切除,得到切除数据;
对所述切除数据进行调和,得到调和数据;
对所述修正数据及所述调和数据进行整合,得到目标数据。
根据本发明的实施例,所述利用所述历史数据搭建机理模型及数据模型,包括:
获取装置设备数据,并从所述历史数据中选取输入数据,利用所述输入数据及所述装置设备数据建立机理模型;
从所述历史数据中选取原油参数,对所述原油参数进行聚类分析,得到分析数据;
利用所述分析数据建立不同工况的实时数据表;
利用预设的主成分分析方法对所述分析数据进行分类,得到分类标签,根据所述分类标签及所述实时数据表建立不同工况的数据表;
利用所述分类标签及所述机理模型进行计算,得到不同工况的机理模型数据表;
利用预设的神经网络对所述数据表及所述机理模型数据表进行训练,得到数据模型。
根据本发明的实施例,所述设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口,包括:
获取多个数据处理函数,将所述多个数据处理函数线性组合为构造函数;
利用所述构造函数构造所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口。
根据本发明的实施例,所述将所述数据模型中的实时数据传输至预设的外部优化系统,包括:
对所述实时数据进行排序,得到实时序号;
获取传输控制协议,利用所述传输控制协议将所述数据模型与所述外部优化系统建立连接,并根据所述实时序号向所述外部优化系统传输所述实时数据。
根据本发明的实施例,所述基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统,包括:
对所述实时数据进行稳态判定,得到实时稳态数据;
获取所述数据模型的标准数据范围,并判断所述实时稳态数据是否超过所述标准数据范围;
当所述实时稳态数据超过所述标准数据范围时,选取所述实时数据中的优化目标,利用所述机理模型对所述优化目标进行计算,得到优化数据;
利用所述优化数据对所述外部优化系统中的实时数据进行数据更新,得到目标优化系统。
根据本发明的实施例,所述利用所述机理模型对所述优化目标进行计算,得到优化数据,包括:
利用下述公式对所述优化目标进行计算,得到优化数据:
A=B/C*100%
其中,A表示所述优化数据,B表示所述优化目标,C表示所述机理模型的输入数据。
第二方面,本发明实施例提供了一种常减压装置在线多目标优化系统,其特征在于,包括:
目标数据存储模块,用于获取运行数据,对所述运行数据进行数据清洗,得到目标数据,将所述目标数据存储至预设的开发系统数据库中,其中,所述运行数据包含历史数据及实时数据;
数据接口生成模块,用于利用所述历史数据搭建机理模型及数据模型,设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口;
数据模型接收模块,用于当所述实时数据未超出预设的数据范围时,将所述实时数据通过所述数据模型对应的数据接口传输至所述数据模型中,并将所述数据模型中的实时数据传输至预设的外部优化系统;
机理模型接收模块,用于当所述实时数据超出预设的数据范围时,将所述实时数据通过所述机理模型对应的数据接口传输至所述机理模型中,并将所述机理模型中的实时数据传输至所述外部优化系统;
目标优化系统生成模块,用于基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统。
第三方面,本发明实施例提供了一种电子设备,其包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如前第一方面所述的一种常减压装置在线多目标优化方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如前第一方面所述的一种常减压装置在线多目标优化方法。
与现有技术相比,本发明的上述技术方案具有如下有益效果:
本发明的实施例通过对运行数据进行数据清洗,可以清洗掉无效数据及异常数据,使得到的目标数据更加精确;通过利用历史数据搭建机理模型及数据模型,能够提高数据的利用率;通过设置开发系统数据库与机理模型、数据模型之间的数据接口,能够保证数据传输时的实时性,从而加快计算效率;通过判断实时数据是否超出数据范围,来决定实时数据传输至数据模型还是机理模型,再通过相应的数据接口传输至外部优化系统,能够保证目标多样性及时效性;通过对外部优化系统进行优化计算,得到目标优化系统,能够实现在线多目标优化,保证了优化目标的多样性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1显示了本发明实施例一的常减压装置在线多目标优化方法的工作流程图;
图2显示了本发明实施例一的对运行数据进行数据清洗,得到目标数据的流程示意图;
图3显示了本发明实施例一的设置开发系统数据库与机理模型、数据模型之间的数据接口的流程示意图;
图4显示了本发明实施例三的常减压装置在线多目标优化系统的功能模块图;
图5显示了本发明实施例四的实现所述常减压装置在线多目标优化方法的电子设备的组成结构示意图。
具体实施方式
下面结合附图所示的实施例对本公开发明作进一步说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明提出了一种常减压装置在线多目标优化方法,以运行数据为基础,搭建机理模型及数据模型,通过判断实时数据是否超出数据范围来决定传输至外部优化系统的途径,并对外部优化系统中的优化目标进行优化计算,得到目标优化系统。相比于传统方法,常减压装置在线多目标优化方法充分利用目标优化系统对多个优化目标进行优化处理的特点,有效解决了目标的多样性,通过对运行数据的处理,利用历史数据搭建机理模型及数据模型,设置开发系统数据库与机理模型、数据模型之间的数据接口,进而利用数据接口进行数据传输,保证了数据传输时的实时性,从而保证了在进行优化时的实时性及目标多样性的问题。
实施例一
如图1所示,本发明提出了一种常减压装置在线多目标优化方法,包括以下步骤:
S1、获取运行数据,对所述运行数据进行数据清洗,得到目标数据,将所述目标数据存储至预设的开发系统数据库中,其中,所述运行数据包含历史数据及实时数据;
本发明实施例中,所述开发系统数据库包括但不限于SQLServer数据库、Access数据库;所述运行数据包含历史数据及实时数据,其中,所述历史数据包含原油水含量、原油硫含量、常一线密度、常一线冰点、常一线闪点等原料及产品分析数据及温度、压力、流量等历史操作数据;所述实时数据包含装置的温度、压力、压降、流量等实时工艺参数及原油馏程、原油密度、常一线密度、常一线馏程等原油及油品的在线分析数据;所述运行数据的来源包括但不仅限于LIMS系统、实时数据库系统、原油及油品的在线分析系统。
请参阅图2所示,本发明实施例中,所述对所述运行数据进行数据清洗,得到目标数据,包括:
S21、对所述运行数据中的历史数据及实时数据进行过滤,得到历史过滤数据及实时过滤数据;
S22、对所述历史过滤数据进行修正,得到修正数据;
S23、对所述实时过滤数据进行小信号切除,得到切除数据;
S24、对所述切除数据进行调和,得到调和数据;
S25、对所述修正数据及所述调和数据进行整合,得到目标数据。
本发明实施例中,可以利用预设的3σ理论对所述运行数据中的无效数据及异常数据进行删除,得到历史过滤数据及实时过滤数据;综合考虑实际数据,对所述历史过滤数据进行修正,例如,原油窄馏分馏出量、各侧线产量馏程、各侧线产品实际流量值等实际数据,使得到的修正数据满足预设的物料平衡、归一化要求;对实时过滤数据进行小信号切除,从而能够降低数据变化量,得到切除数据;通过一阶惯性滤波及预设的物料平衡限制、归一化限制对所述切除数据进行调和,得到调和数据;对所述修正数据及所述调和数据进行整合指的是可以但不仅限于相加,得到目标数据。
本发明另一可选实施例中,所述数据清洗还包括用数据平滑技术消除噪音信号和异常值等操作,能够进一步对数据进行处理,使得到的目标数据更加准确。
本发明实施例中,将所述目标数据利用预设的Sql语句存储至所述开发系统数据库中,所述Sql语句指的是结构化查询语言,能够对所述目标数据进行增删改查,将所述目标数据存储至所述开发系统数据库中,能够保证数据的完整性并且不会丢失数据。
S2、利用所述历史数据搭建机理模型及数据模型,设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口。
本发明实施例中,所述利用所述历史数据搭建机理模型及数据模型,包括:
获取装置设备数据,并从所述历史数据中选取输入数据,利用所述输入数据及所述装置设备数据建立机理模型;
从所述历史数据中选取原油参数,对所述原油参数进行聚类分析,得到分析数据;
利用所述分析数据建立不同工况的实时数据表;
利用预设的主成分分析方法对所述分析数据进行分类,得到分类标签,根据所述分类标签及所述实时数据表建立不同工况的数据表;
利用所述分类标签及所述机理模型进行计算,得到不同工况的机理模型数据表;
利用预设的神经网络对所述数据表及所述机理模型数据表进行训练,得到数据模型。
本发明另一可选实施例中,综合考虑预设的物料平衡、能量平衡及归一化要求从所述历史数据中选取输入数据及输出数据,利用所述机理模型对所述输入数据进行严格的物料平衡、能量平衡、气液平衡及传质传热运算,得到模型计算结果,根据模型计算结果不断调整优化机理模型参数,再判断所述模型计算结果是否与所述输出数据的差值在5%之内,当差值在5%之内时,就判定机理模型能够反映装置的实际情况,所建机理模型有效合理。在此基础上,为保证机理模型优化计算时的鲁棒性,调整输入参数,并建立输入、输出和优化数据表,便于机理模型与外部优化系统之间的连接。
本发明实施例中,从所述历史数据中选取原油参数,所述原油参数包含原油密度、原油硫含量、原油倾点、原油轻端馏分含量、原油石脑油馏分含量、原油航煤馏分含量、原油柴油馏分含量、原油蜡油馏分含量及原油渣油馏分含量;利用预设的自组织映射神经网络方法对所述原油参数进行聚类分析,得到分析数据;利用所述主成分分析(PCA)方法对所述分析数据进行分类,得到分类标签,依据分类标签建立不同工况数据表;利用分类标签及机理模型计算得到不同工况机理模型数据表;再利用所述神经网络指的是BP神经元网络,利用所述神经网络对所述不同工况数据表、不同工况机理模型数据表进行前向及反向训练,得到不同工况的数据模型。
请参阅图3所示,本发明实施例中,所述设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口,包括:
S31、获取多个数据处理函数,将所述多个数据处理函数线性组合为构造函数;
S32、利用所述构造函数构造所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口。
本发明实施例中,所述数据处理函数包括但不仅限于mid函数、right函数、countif函数;所述线性组合包括但不限于相加、相减;利用预设的Externalible方法实现对所述构造函数的聚合,从而得到所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口。
本发明实施例中,通过所述数据接口使得不同的构造函数可以同时组合使用,可以实现一个接口同时使用多个函数,从而提高数据处理的效率;通过所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口,能够保证采集到的所述实时数据经数据处理后可自动传输至所述机理模型及所述数据模型,同时将所述机理模型及所述数据模型的模拟结果自动传输至外部优化系统,以实现在线多目标优化。
S3、判断所述实时数据是否超过预设的数据范围。
本发明实施例中,判断所述实时数据是否超过预设的数据范围,所述数据范围是指进行工况分类时的数据范围,当所述实时数据未超过所述数据范围时,将所述实时数据传输至所述数据模型,当所述实时数据超过所述数据范围时,将所述实时数据传输至所述机理模型,例如,所述实际工况分类数据原油密度为882kg/m3,而数据范围工况一为:865~870kg/m3,工况二为:870~875kg/m3;工况三为:875kg/m3~880kg/m3,那么所述实时数据是超过所述数据范围的,则将所述实时数据传输至所述机理模型中。
当所述实时数据未超出预设的数据范围时,执行S4、将所述实时数据通过所述数据模型对应的数据接口传输至所述数据模型中,并将所述数据模型中的实时数据传输至预设的外部优化系统。
本发明实施例中,根据所述数据模型与所述开发系统数据库之间的数据接口进行所述实时数据的传输,当所述实时数据传输到所述数据模型时,所述数据模型会通过接口接收并返回已接收标识;当所述实时数据未成功传输时,会继续等待下次传输,直至所有所述实时数据全部传输完成并保存。
本发明实施例中,所述将所述数据模型中的实时数据传输至预设的外部优化系统,包括:
对所述实时数据进行排序,得到实时序号;
获取传输控制协议,利用所述传输控制协议将所述数据模型与所述外部优化系统建立连接,并根据所述实时序号向所述外部优化系统传输所述实时数据。
本发明实施例中,所述外部优化系统是一种微服务架构的云平台;所述实时数据还包括经过所述数据模型计算后的计算数据;根据所述实时数据传输的时间进行排序,得到实时序号,能够防止数据丢失;所述传输控制协议可以但不仅限于TCP(三次握手)协议,使用三次握手协议建立所述数据模型与所述外部优化系统的连接;根据所述实时序号向所述外部优化系统传输所述实时数据,能够避免数据在传输过程中数据拥塞。
本发明另一可选实施例中,当所述外部优化系统接收到所述实时数据时,返回所述数据模型相应的确认标识,例如,“ACK”确认字符标识,返回确认标识后再进行下一次传输数据。
当所述实时数据超出预设的数据范围时,执行S5、将所述实时数据通过所述机理模型对应的数据接口传输至所述机理模型中,并将所述机理模型中的实时数据传输至所述外部优化系统;
本发明实施例中,当所述实时数据超出预设的数据范围时,根据所述机理模型与所述开发系统数据库之间的数据接口进行所述实时数据的传输,当所述实时数据传输到所述机理模型时,所述机理模型会通过接口接收并返回已接收标识;当所述实时数据未成功传输时,会继续等待下次传输,直至所有所述实时数据全部传输完成并保存,再将所述实时数据传输至所述外部优化系统。
本发明实施例中,所述将所述机理模型中的实时数据传输至所述外部优化系统的步骤与上述S4中的所述将所述数据模型中的实时数据传输至预设的外部优化系统的步骤类似,在此不做过多赘述。
S6、基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统。
本发明实施例中,所述基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统,包括:
对所述实时数据进行稳态判定,得到实时稳态数据;
获取所述数据模型的标准数据范围,并判断所述实时稳态数据是否超过所述标准数据范围;
当所述实时稳态数据超过所述标准数据范围时,选取所述实时数据中的优化目标,利用所述机理模型对所述优化目标进行计算,得到优化数据;
利用所述优化数据对所述外部优化系统中的实时数据进行数据更新,得到目标优化系统。
本发明实施例中,利用预设的R检测法对实时数据进行稳态判定,得到实时稳态数据;并判断所述实时稳态数据是否超过所述标准数据范围,当所述实时稳态数据超过所述标准数据范围时,选取所述实时数据中的优化目标,所述优化目标包含轻油收率、装置总拔、石脑油收率、航煤收率、柴油收率、蜡油收率及装置能耗;再选取所述优化目标对应的优化方法对所述优化目标进行优化计算,得到优化数据,所述优化方法包含线性规划法、单目标一维黄金分割法、单目标进化法CMA-ES、单目标进化法JADE、单目标进化法CoDE及多目标优化法NSGA-III;根据优化后的所述优化数据对所述外部优化系统中的实时数据进行替换,得到更新后的目标优化系统。
本发明实施例中,所述利用所述机理模型对所述优化目标进行计算,得到优化数据,包括:
利用下述公式对所述优化目标进行计算,得到优化数据:
A=B/C*100%
其中,A表示所述优化数据,B表示所述优化目标,C表示所述机理模型的输入数据。
本发明实施例中,所述输入数据包含原油流量及外来轻烃流量,所述优化目标指的是目标产量,所述优化数据指的是目标收率,例如,优化目标为石脑油产量,优化数据即为石脑油收率。
本发明实施例中,所述目标优化系统是特征为微服务架构的云平台,用户可以选择优化目标及优化算法启动对应的优化计算,当用户不进行选择时,系统会按照之前的选择每小时自动进行一次优化计算。
本发明另一可选实施例中,根据最终得到的优化目标、优化调节变量、产品性质及其他关键控制值生成优化前后对比表,再利用相关性分析方法依据优化调节变量对优化目标的敏感程度对优化调节变量进行排序,得到排序表,基于所述排序表可以在进行装置优化调整时优先选择影响程度较大的调节变量进行优化调整。
实施例二
为了更加清楚地了解本发明,下面通过一个第二实施例进一步解释本发明实施例在基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统的情况。
本发明实施例中,所述基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统,包括:
从所述实时数据中选取所述外部优化系统的优化目标作为目标数据;
获取所述数据模型中的实际数据,对所述实际数据与所述目标数据进行四则运算,得到数据差值,并判断所述数据差值是否超过预设的目标差值;
当所述数据差值超过预设的目标差值时,利用所述机理模型中的优化数据表对所述目标数据进行调整,得到调整数据;
利用所述调整数据对所述目标数据进行替换,得到目标优化系统。
本发明实施例中,所述优化目标包含轻油收率、装置总拔、石脑油收率、航煤收率、柴油收率、蜡油收率及装置能耗;对所述实际数据与所述目标数据进行减法运算,得到数据差值;将所述目标差值可以但不仅限于设置为0.1,当所述数据差值超过0.1时,则需要对所述目标数据进行优化,可以采用综合系数调差的方法调整差值,得到调整数据;利用所述调整数据实现所述目标优化系统的更新,得到目标优化系统。
实施例三
如图4所示,本实施例还提供一种常减压装置在线多目标优化系统的功能模块图。
本实施例所述的常减压装置在线多目标优化系统400可以安装于电子设备中。根据实现的功能,所述常减压装置在线多目标优化系统400可以包括目标数据存储模块401、数据接口生成模块402、数据模型接收模块403、机理模型接收模块404及目标优化系统生成模块405。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述目标数据存储模块401,用于获取运行数据,对所述运行数据进行数据清洗,得到目标数据,将所述目标数据存储至预设的开发系统数据库中,其中,所述运行数据包含历史数据及实时数据;
所述数据接口生成模块402,用于利用所述历史数据搭建机理模型及数据模型,设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口;
所述数据模型接收模块403,用于当所述实时数据未超出预设的数据范围时,将所述实时数据通过所述数据模型对应的数据接口传输至所述数据模型中,并将所述数据模型中的实时数据传输至预设的外部优化系统;
所述机理模型接收模块404,用于当所述实时数据超出预设的数据范围时,将所述实时数据通过所述机理模型对应的数据接口传输至所述机理模型中,并将所述机理模型中的实时数据传输至所述外部优化系统;
所述目标优化系统生成模块405,用于基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统。
详细地,本发明实施例中所述常减压装置在线多目标优化系统400中所述的各模块在使用时采用如实施例一和实施例二所述的常减压装置在线多目标优化方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例四
如图5所示,本实施例还提供一种计算机电子设备,所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504,还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序,如常减压装置在线多目标优化程序。
其中,所述处理器501在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器502内的程序或者模块(例如执行常减压装置在线多目标优化程序等),以及调用存储在所述存储器502内的数据,以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据,例如常减压装置在线多目标优化程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备500,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器501逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器502存储的常减压装置在线多目标优化程序是多个指令的组合,在所述处理器501中运行时,可以实现:
获取运行数据,对所述运行数据进行数据清洗,得到目标数据,将所述目标数据存储至预设的开发系统数据库中,其中,所述运行数据包含历史数据及实时数据;
利用所述历史数据搭建机理模型及数据模型,设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口;
当所述实时数据未超出预设的数据范围时,将所述实时数据通过所述数据模型对应的数据接口传输至所述数据模型中,并将所述数据模型中的实时数据传输至预设的外部优化系统;
当所述实时数据超出预设的数据范围时,将所述实时数据通过所述机理模型对应的数据接口传输至所述机理模型中,并将所述机理模型中的实时数据传输至所述外部优化系统;
基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统。
具体地,所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
实施例五
本实施例提供了一种存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现如上文所述的常减压装置在线多目标优化方法的步骤。
这些程序代码也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。存储介质的例子可以包括但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
应该理解这样使用的术语在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够除了在这里图示或描述的那些以外的顺序实施。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种常减压装置在线多目标优化方法,其特征在于,所述方法包括:
获取运行数据,对所述运行数据进行数据清洗,得到目标数据,将所述目标数据存储至预设的开发系统数据库中,其中,所述运行数据包含历史数据及实时数据;
利用所述历史数据搭建机理模型及数据模型,设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口;
当所述实时数据未超出预设的数据范围时,将所述实时数据通过所述数据模型对应的数据接口传输至所述数据模型中,并将所述数据模型中的实时数据传输至预设的外部优化系统;
当所述实时数据超出预设的数据范围时,将所述实时数据通过所述机理模型对应的数据接口传输至所述机理模型中,并将所述机理模型中的实时数据传输至所述外部优化系统;
基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统。
2.如权利要求1所述的常减压装置在线多目标优化方法,其特征在于,所述对所述运行数据进行数据清洗,得到目标数据,包括:
对所述运行数据中的历史数据及实时数据进行过滤,得到历史过滤数据及实时过滤数据;
对所述历史过滤数据进行修正,得到修正数据;
对所述实时过滤数据进行小信号切除,得到切除数据;
对所述切除数据进行调和,得到调和数据;
对所述修正数据及所述调和数据进行整合,得到目标数据。
3.如权利要求1所述的常减压装置在线多目标优化方法,其特征在于,所述利用所述历史数据搭建机理模型及数据模型,包括:
获取装置设备数据,并从所述历史数据中选取输入数据,利用所述输入数据及所述装置设备数据建立机理模型;
从所述历史数据中选取原油参数,对所述原油参数进行聚类分析,得到分析数据;
利用所述分析数据建立不同工况的实时数据表;
利用预设的主成分分析方法对所述分析数据进行分类,得到分类标签,根据所述分类标签及所述实时数据表建立不同工况的数据表;
利用所述分类标签及所述机理模型进行计算,得到不同工况的机理模型数据表;
利用预设的神经网络对所述数据表及所述机理模型数据表进行训练,得到数据模型。
4.如权利要求1所述的常减压装置在线多目标优化方法,其特征在于,所述设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口,包括:
获取多个数据处理函数,将所述多个数据处理函数线性组合为构造函数;
利用所述构造函数构造所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口。
5.如权利要求1所述的常减压装置在线多目标优化方法,其特征在于,所述将所述数据模型中的实时数据传输至预设的外部优化系统,包括:
对所述实时数据进行排序,得到实时序号;
获取传输控制协议,利用所述传输控制协议将所述数据模型与所述外部优化系统建立连接,并根据所述实时序号向所述外部优化系统传输所述实时数据。
6.如权利要求1所述的常减压装置在线多目标优化方法,其特征在于,所述基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统,包括:
对所述实时数据进行稳态判定,得到实时稳态数据;
获取所述数据模型的标准数据范围,并判断所述实时稳态数据是否超过所述标准数据范围;
当所述实时稳态数据超过所述标准数据范围时,选取所述实时数据中的优化目标,利用所述机理模型对所述优化目标进行计算,得到优化数据;
利用所述优化数据对所述外部优化系统中的实时数据进行数据更新,得到目标优化系统。
7.如权利要求6所述的常减压装置在线多目标优化方法,其特征在于,所述利用所述机理模型对所述优化目标进行计算,得到优化数据,包括:
利用下述公式对所述优化目标进行计算,得到优化数据:
A=B/C*100%
其中,A表示所述优化数据,B表示所述优化目标,C表示所述机理模型的输入数据。
8.一种常减压装置在线多目标优化系统,其特征在于,所述系统包括:
目标数据存储模块,用于获取运行数据,对所述运行数据进行数据清洗,得到目标数据,将所述目标数据存储至预设的开发系统数据库中,其中,所述运行数据包含历史数据及实时数据;
数据接口生成模块,用于利用所述历史数据搭建机理模型及数据模型,设置所述开发系统数据库与所述机理模型、所述数据模型之间的数据接口;
数据模型接收模块,用于当所述实时数据未超出预设的数据范围时,将所述实时数据通过所述数据模型对应的数据接口传输至所述数据模型中,并将所述数据模型中的实时数据传输至预设的外部优化系统;
机理模型接收模块,用于当所述实时数据超出预设的数据范围时,将所述实时数据通过所述机理模型对应的数据接口传输至所述机理模型中,并将所述机理模型中的实时数据传输至所述外部优化系统;
目标优化系统生成模块,用于基于所述数据模型、所述机理模型及所述实时数据对所述外部优化系统进行优化计算,得到目标优化系统。
9.一种电子设备,其包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至7中任一项所述的常减压装置在线多目标优化方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时,实现如权利要求1至7中任一项所述的常减压装置在线多目标优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311578681.5A CN117970789A (zh) | 2023-11-23 | 2023-11-23 | 常减压装置在线多目标优化方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311578681.5A CN117970789A (zh) | 2023-11-23 | 2023-11-23 | 常减压装置在线多目标优化方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117970789A true CN117970789A (zh) | 2024-05-03 |
Family
ID=90860449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311578681.5A Pending CN117970789A (zh) | 2023-11-23 | 2023-11-23 | 常减压装置在线多目标优化方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117970789A (zh) |
-
2023
- 2023-11-23 CN CN202311578681.5A patent/CN117970789A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104798043B (zh) | 一种数据处理方法和计算机系统 | |
He et al. | Optimization of energy-efficient open shop scheduling with an adaptive multi-objective differential evolution algorithm | |
CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
Jakobsen et al. | A standardized Approach to Multi-criteria Assessment of CCS Chains | |
CN110210980A (zh) | 一种驾驶行为评估方法、装置和存储介质 | |
CN111950706A (zh) | 基于人工智能的数据处理方法、装置、计算机设备及介质 | |
CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
JP2008021020A (ja) | 販売計画作成支援システム | |
CN113590682B (zh) | 电网停电窗口期生成方法、装置、电子设备和存储介质 | |
CN117319452B (zh) | 应用于硫酸钡制备下的安全巡检方法及系统 | |
CN115796398A (zh) | 基于电力物资的需求智能分析方法、系统、设备及介质 | |
CN117970789A (zh) | 常减压装置在线多目标优化方法、系统、设备及介质 | |
CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
CN116012019A (zh) | 一种基于大数据分析的金融风控管理系统 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN115952894A (zh) | 一种电力物资需求及采购的预测方法 | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
CN114004384A (zh) | 一种项目进度偏差预警方法及装置 | |
CN114386647A (zh) | 一种油气田行业能耗的预测方法及系统 | |
CN113569366B (zh) | 基于大数据的供热管网优化设计方法及终端设备 | |
CN116402238B (zh) | 一种包装订单的生产排程方法、装置、设备及存储介质 | |
CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
CN112895967B (zh) | 换电里程的剩余使用时间的预测方法、系统、介质及设备 | |
CN116596678A (zh) | 时间序列数据预警方法、装置、设备及存储介质 | |
CN113887810A (zh) | 一种地下运输作业工时预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |