The invention discloses a modeling method of atmospheric distillation process based on multi-agent model, aiming at establishing multi-agent model and optimizing and updating multi-agent model to ensure regression accuracy. Specifically, the method first generates input and output training data using atmospheric distillation mechanism model, and then establishes three different non-linear regression models using GRNN, ELM, and GPR algorithms. Secondly, the sub-regression model is weighted by the error magnitude of the three regression models, and the final output estimate is obtained by weighting. Then, the differential evolution algorithm is used to search the new input and output sample data, so as to optimize the regression model until the error accuracy is satisfied. It can be said that the method of the invention can not only avoid the problem of selecting the modeling algorithm, but also give full play to the advantages of multi-model modeling, and the regression prediction accuracy of the model is effectively guaranteed by establishing multiple agent models.
【技术实现步骤摘要】
一种基于多代理模型的常压精馏过程建模方法
本专利技术涉及石油化工领域中一种常压装置的代理模型建立方法,尤其涉及一种基于多代理模型的常压精馏过程建模方法。
技术介绍
常压精馏装置在石油加工行业占有者举足轻重的地位,它是石油加工的第一道工序,承担着对原油的初步分离的重任。从常压精馏过程来看,由于原油切换频繁导致其数学模型异常复杂。此外,常压精馏装置通常伴随着能耗大与效率低等问题。与发达国家相比,我国的常压生产过程存在严重的高成本、高能耗、资源利用率低等问题。通常来讲,解决这些问题的关键在于对精馏过程实施操作优化,使装置在面临原料、设备运行状况乃至环境、市场等因素变化时保持平稳与高效运行。然而,实施操作优化是需要过程对象的模型作为基础。由于常压精馏过程对象的数学模型异常复杂,不利于在线的高效运算,因此建立代理模型就成为一中常见的解决方案。所谓代理模型是指代替复杂的实际对象的近似模型,用来在一定程度上解决在线控制与优化算法在适应度评价时的耗时计算问题。简单来讲,代理模型就是要输入与输出之间的回归模型,而建立回归模型的方式有多种,常见的回归模型包括:统计回归模型、神经网络(NeuralNetwork,NN)、高斯过程回归(GaussianProcessRegression,GPR)、支持向量机、极限学习机(ExtremeLearningMachine,ELM)等等。统计回归模型中最常见的莫过于偏最小二乘(PartialLeastSquare,PLS)算法,大多局限于输入与输出之间的线性回归关系。虽然PLS算法可借鉴支持向量机领域的核学习技巧拓展成非线性形式,但是在线 ...
【技术保护点】
1.一种基于多代理模型的常压精馏过程建模方法,其特征在于,包括以下步骤:步骤(1):确定常压精馏过程对象的输入测量变量与输出测量变量,并利用常压精馏过程的机理模型生成N个输入样本数据及其对应的N个输出样本数据,分别记做输入矩阵X∈RN×α与输出矩阵为Y∈RN×β,其中,α与β分别为输入测量变量与输出测量变量的个数,RN×α表示N×α维的实数矩阵;步骤(2):分别对输入矩阵X与输出矩阵Y实施归一化处理,对应得到归一化后的输入矩阵
【技术特征摘要】
1.一种基于多代理模型的常压精馏过程建模方法,其特征在于,包括以下步骤:步骤(1):确定常压精馏过程对象的输入测量变量与输出测量变量,并利用常压精馏过程的机理模型生成N个输入样本数据及其对应的N个输出样本数据,分别记做输入矩阵X∈RN×α与输出矩阵为Y∈RN×β,其中,α与β分别为输入测量变量与输出测量变量的个数,RN×α表示N×α维的实数矩阵;步骤(2):分别对输入矩阵X与输出矩阵Y实施归一化处理,对应得到归一化后的输入矩阵与并计算矩阵中各个行向量之间的距离,将最大距离记为dist;步骤(3):利用广义回归神经网络(GRNN)算法建立输入矩阵与输出矩阵之间的回归模型:其中,f1表示GRNN拟合的非线性函数,E1为误差矩阵;步骤(4):利用极限学习机(ELM)算法建立输入矩阵与输出矩阵之间的回归模型:其中,f2表示ELM拟合的非线性函数,E2为误差矩阵;步骤(5):利用高斯过程回归(GPR)算法建立输入矩阵与输出矩阵之间的回归模型:其中,f3表示GPR算法拟合的非线性函数,矩阵E3中各列向量为零均值、方差分别为σ1,σ2,…,σβ的高斯噪声;步骤(6):根据公式ελ=sum{diag(EλTEλ)}计算各回归模型的累计误差ελ,然后根据如下所示公式确定各回归模型的权重系数ρλ:其中λ=1,2,3,diag(EλTEλ)表示将矩阵EλTEλ中对角线上的元素转换成向量的操作,sum{}表计算向量各元素之和;步骤(7):再次利用常压精馏过程的机理模型生成n个输入输出数据,记输入数据为矩阵X*∈Rn×α,记输出数据为矩阵Y*∈Rn×β;步骤(8):分别对X*与Y*实施归一化处理,对应得到输入矩阵与输出矩阵步骤(9):以作为回归模型输入,分别调用步骤(3)、步骤(4)、和步骤(5)中建立的回归模型,计算GRNN模型的输出估计值ELM模型的输出估计值和GPR模型的输出估计值步骤(10):根据公式计算加权输出估计值并计算输出估计的均方误差步骤(11):判断是否满足条件:e<elim?若是,则建模过程结束;若否,则继续执行下一步骤(12),其中elim为误差上限;步骤(12):利用差分进化(DE)算法搜索满足如下所示目标函数的数据向量z1:上式中,yz1表示以数据向量z1为输入,常压精馏过程机理模型所对应的输出值;步骤(13):利用DE算法搜索满足如下所示目标函数的数据向量z3:上式中,yz2表示以数据向量z2为输入,常压精馏过程机理模型所对应的输...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。