一种集成化常压精馏过程代理模型的建立方法技术

本发明专利技术公开一种集成化常压精馏塔过程代理模型的建立方法，旨在为炼油常压精馏过程提供代理模型，从而提高常压塔进化优化的计算效率。具体来讲，本发明专利技术方法首先利用常压精馏机理模型生成输入与输出训练数据后，利用高斯过程回归算法、RBF神经网络、和多项式回归算法分别建立三个不同回归模型，并根据各个模型的误差大小设置各个模型的权重系数，从而得到初始集成化的代理模型。然后，利用粒子群优化算法不断优化模型直至满足误差精度要求。可以说，本发明专利技术方法以三个不同的算法建立相应的回归模型，可集成发挥各个回归模型的优势，模型的回归预测精度得到了有效的保证。

【技术实现步骤摘要】
一种集成化常压精馏过程代理模型的建立方法
本专利技术涉及石油化工领域中一种常压装置代理模型的建立方法，尤其涉及一种集成化常压精馏过程代理模型的建立方法。
技术介绍
作为石油加工行业的常用装置，常压精馏在炼油行业占有举足轻重的地位，承担着对原油的初步分离及为后续的炼油生产提供原料的重任。从生产过程来说，常压精馏操作过程表现为原油切换频繁、数学模型复杂、能耗大、收率低。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，为此，迫切需要在装置运行过程中实施操作优化，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。鉴于进化算法在优化中不需要提供优化对象准确模型结构、模型参数及鲁棒强等优势，现阶段，进化算法已成为过程操作优化的研究热点，尤其是采用“拟稳态”过程模型下的进化优化，在一定程度上可提高优化的实时性，并有可能取得比传统优化更好的效果。然而，常压精馏过程模型的复杂性及进化算法需要对适应度函数的多次反复评估，会导致常压精馏过程进化优化的耗时评估，用代理模型代替常压精馏过程输出的实际模型可有效解决进化优化中的耗时计算问题。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进化算法在适应度评价时的耗时计算问题。常用的代理模型包括多项式回归模型、径向基函数(RadialBasisFunction，RBF)神经网络模型、高斯过程回归模型(GaussianProcessRegression，GPR)等。多项式回归模型计算快速方便，但模型精度低；RBF神经网络模型需要大量的样本数据，具有建模速度快，鲁棒性好的特点，在一定程度上能满足模型精度的要求；高斯过程模型的非线性能力强，而且具有在训练样本点达到无偏估计，模型结果能提供未知点处的预测值和预测标准差，但只适合于低维小样本建模。但是，基于代理模型的操作优化仍存在以下问题：如代理模型的选择、代理模型的建立及更新、代理模型的准确度评估等问题。本专利技术在分析常压操作机理的基础上，综合了各种代理模型的优缺点，建立了基于高斯过程回归、RBF神经网络及多项式回归的集成化的代理模型，所建的代理模型可根据建模精度自适应地调整模型的权系数，并结合高斯回归模型的协方差最大、RBF神经网络模型和多项式回归模型的误差最小加点策略，更新代理模型，以提高建模精度。本专利技术建立的代理模型可用于常压精馏过程的操作优化，可减少进化优化的计算时间。
技术实现思路
本专利技术所要解决的主要技术问题是：为炼油常压精馏过程提供代理模型，从而提高常压进化优化的计算效率。为此，本专利技术公开一种集成化常压精馏过程代理模型的建立方法。具体来讲，本专利技术方法首先利用常压精馏机理模型生成输入与输出训练数据后，利用高斯过程回归算法、RBF神经网络、和多项式回归算法分别建立三个不同回归模型，并根据各个模型的误差大小设置各个模型的权重系数，从而得到初始集成化的代理模型。然后，利用粒子群优化(ParticalSwarmOptimization，PSO)算法不断优化模型直至满足误差精度要求。本专利技术解决上述技术问题所采用的技术方案为：一种集成化常压精馏过程代理模型的建立方法，包括以下所示步骤：(1)利用常压精馏过程的机理模型生成N个输入输出采样数据，记输入数据矩阵为X∈RN×8，记输出数据矩阵为Y∈RN×4，其中输入数据矩阵X中的8个测量变量包括：原油混炼比、回流比、原料进料温度、原料进料流量、常压顶部循环回流比、两个常压中段的回流比、和常压的回流温度，输出数据矩阵Y的5个测量变量包括：石脑油产品流量、煤油产品流量、轻柴油产品流量、重柴油产品流量、和原油混炼比，RN×8表示N×8维的实数矩阵。(2)计算输入数据矩阵X的均值向量μX∈R8×1与标准差向量δX∈R8×1，并根据公式对矩阵X实施标准化处理得到输入矩阵其中，UX＝[μX，μX，…，μX]T∈RN×8是由N个相同的均值向量μX组成的矩阵，对角矩阵ФX对角线上的元素由标准差向量δX构成。(3)计算输出数据矩阵Y的均值向量μY∈R4×1与标准差向量δY∈R4×1，并根据公式对矩阵Y实施标准化处理得到输出矩阵其中，UY＝[μY，μY，…，μY]T∈RN×4是由N个相同的均值向量μY组成的矩阵，对角矩阵ФY对角线上的元素由标准差向量δY构成。(4)利用高斯过程回归(GPR)算法建立矩阵与矩阵之间的回归模型：其中，f1为GPR拟合的函数，E1为均值为零、方差分别为{σ1，σ2，σ4，σ5}的高斯噪声。GPR算法的原理介绍如下：设输出向量y为矩阵中的任意一列的列向量，GPR算法需要确定的模型参数包括：方差σ、核参数c与η。首先，根据如下所示公式计算核协方差矩阵C∈RN×N中的第i行、第j列元素Cij：上式中，xi与xj分别为矩阵中第i行与第j行的行向量，当i＝j时，当i≠j时，其次，如下所示公式计算极大似然函数L：上式中，|C|表示计算矩阵C的行列式。然后，在计算极大似然函数相对于模型参数集Θ＝{σ，c，η}的偏导数：最后，利用共轭梯度法对式(3)中偏导数做最大化求解得到的最优解即为GPR算法的模型参数集Θ。确定好GPR算法的模型参数集Θ＝{σ，c，η}后，即可对任意输入数据向量z∈R8×1所对应的输出值进行预测，具体的预测方法如下所示：首先，根据如下所示公式计算核协方差向量k∈RN×1：上式中，ki为核协方差向量k中第i的元素。其次，根据公式计算输出的预测值与此同时，GPR算法还给出预测误差的方差cov(z)＝Cz-kTC-1k，其中Cz＝η+σ。(5)利用RBF神经网络建立矩阵与矩阵之间的回归模型：其中，f2为非线性函数，E2为模型误差矩阵，具体的实施过程如下所示：①设置隐层节点数为ξ后，随机从矩阵中选取ξ个行向量分别做为各聚类簇的初始中心点向量。②计算矩阵中各行向量与ξ个中心点向量之间的距离，并根据距离最小值将该行向量划分进相应的聚类簇中。③计算各聚类簇中所有归属行向量的均值向量，该向量即为新的中心点向量。④判断各中心点向量是否收敛？若否，则返回步骤②；若是，则将收敛后的中心点向量记录为O1，O2，…，Oξ，并执行步骤⑤。⑤根据如下所示公式计算RBF参数θr：其中，r＝1，2，…，ξ。⑥按照如下所示公式计算任意输入向量z经隐层第r个神经元节点转换后的输出sr：那么z经所有ξ个隐层神经元节点转换后的输出向量为s＝[s1，s2，…，sξ]。⑦以矩阵中各个行向量为输入向量，按照步骤⑥计算各个输入向量经隐层神经元节点转换后的输出向量s1，s2，…，sN，并构建隐层输出矩阵S＝[s1T，s2T，…，sNT]T；⑧根据公式B＝(STS)-1STY计算隐层输出矩阵S到输出层输出之间的回归系数矩阵B。⑨计算RBF神经网络模型对输出的估计值与误差矩阵(6)建立输入矩阵与输出矩阵之间的线性多项式回归模型：其中，为回归系数矩阵，E3为模型误差矩阵。(7)根据公式εα＝sum{diag(EαTEα)}计算各回归模型的累计误差εα，然后根据如下所示公式确定各回归模型的权重系数ρα：其中α＝1，2，3，diag(EαTEα)表示将矩阵EαTEα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。(8)再次利用常压精馏过程的机理模型生本文档来自技高网...

【技术保护点】
1.一种集成化常压精馏过程代理模型的建立方法，其特征在于，包括以下步骤：步骤(1)：利用常压精馏过程的机理模型生成N个输入输出采样数据，记输入数据矩阵为X∈RN×8，记输出数据矩阵为Y∈RN×4，其中输入数据矩阵X中的8个测量变量包括：原油混炼比、回流比、原料进料温度、原料进料流量、常压顶部循环回流比、两个常压中段的回流比、和常压的回流温度，输出数据矩阵Y的4个测量变量包括：石脑油产品流量、煤油产品流量、轻柴油产品流量、和重柴油产品流量，RN×4表示N×4维的实数矩阵；步骤(2)：计算输入数据矩阵X的均值向量μX∈R

【技术特征摘要】
1.一种集成化常压精馏过程代理模型的建立方法，其特征在于，包括以下步骤：步骤(1)：利用常压精馏过程的机理模型生成N个输入输出采样数据，记输入数据矩阵为X∈RN×8，记输出数据矩阵为Y∈RN×4，其中输入数据矩阵X中的8个测量变量包括：原油混炼比、回流比、原料进料温度、原料进料流量、常压顶部循环回流比、两个常压中段的回流比、和常压的回流温度，输出数据矩阵Y的4个测量变量包括：石脑油产品流量、煤油产品流量、轻柴油产品流量、和重柴油产品流量，RN×4表示N×4维的实数矩阵；步骤(2)：计算输入数据矩阵X的均值向量μX∈R8×1与标准差向量δX∈R8×1，并根据公式对矩阵X实施标准化处理得到输入矩阵其中，UX＝[μX，μX，…，μX]T∈RN×8是由N个相同的均值向量μX组成的矩阵，对角矩阵ΦX对角线上的元素由标准差向量δX构成；步骤(3)：计算输出数据矩阵Y的均值向量μY∈R4×1与标准差向量δY∈R4×1，并根据公式对矩阵Y实施标准化处理得到输出矩阵其中，UY＝[μY，μY，…，μY]T∈RN×4是由N个相同的均值向量μY组成的矩阵，对角矩阵ΦY对角线上的元素由标准差向量δY构成；步骤(4)：利用高斯过程回归(GPR)算法建立矩阵与矩阵之间的回归模型：其中，f1为GPR算法拟合的非线性函数，E1中各列向量为零均值、方差分别为σ1，σ2，σ3，σ4的高斯噪声；步骤(5)：利用径向基函数(RBF)神经网络建立矩阵与矩阵之间的回归模型：其中，f2为RBF神经网络拟合的非线性函数，E2为模型误差矩阵；步骤(6)：建立输入矩阵与输出矩阵之间的线性多项式回归模型：其中，为回归系数矩阵，E3为模型误差矩阵；步骤(7)：根据公式εα＝sum{diag(EαTEα)}计算各回归模型的累计误差εα，然后根据如下所示公式确定各回归模型的权重系数ρα：其中α＝1，2，3，diag(EαTEα)表示将矩阵EαTEα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(8)：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×8，记输出数据为矩阵Y*∈Rn×4；步骤(9)：根据公式与公式分别对X*与Y*实施标准化处理，对应得到输入矩阵与输出矩阵其中与分别表示标准化后的第i个输入与输出数据向量，w＝1，2，…n；步骤(10)：以作为回归模型输入，分别调用步骤(4)、步骤(5)、和步骤(6)中建立的回归模型，计算GPR模型的输出估计值RBR神...

【专利技术属性】
技术研发人员：吴华，史旭华，薛锋，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江,33