一种数据和知识融合的异常工况预测与预警方法及系统技术方案

本发明专利技术属于异常工况预测预警领域，提供了一种数据和知识融合的异常工况预测与预警方法及系统，通过Spearman等级相关系数来筛选特征变量，降低数据维度。然后，利用长短期记忆网络深度学习变量之间的潜在关系，以预测过程关键参数的变化趋势。最后，利用符号有向图模型实现异常工况演化趋势的预警，同时提供操作建议，及时切断异常工况的链式传播路径。与同类异常工况预测预警方法相比，突出了所提出方法的可靠性和灵活性。的可靠性和灵活性。的可靠性和灵活性。

【技术实现步骤摘要】
一种数据和知识融合的异常工况预测与预警方法及系统


[0001]本专利技术属于异常工况预测预警领域，尤其涉及一种数据和知识融合的异常工况预测与预警方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]减少异常工况发生是油气集输过程安全平稳运行的前提。因此，开展异常工况的预测和预警至关重要。异常工况预测和预警技术可以分为三类：基于解析模型的方法、基于数据驱动的方法和基于知识的方法。基于解析模型的方法需要建立严格和准确的数学模型，如物料平衡和能量平衡等。然而，由于油气集输过程的强耦合性，很难建立严格的解析模型。基于数据驱动的方法从大量的数据出发，利用各种分析方法挖掘隐藏在数据中的变化规律。然而，仅采用数据驱动的方法对油气集输流程装置的异常工况进行预测，则需要预测的参数众多，涉及到算法的模型种类和数量众多，泛化性不强。基于知识的方法可以通过大量的专家知识和经验对异常情况进行分析和推理，快速而准确地获得正确的结论。然而，仅采用基于知识的方法通常很难全面地收集、提取海量专家知识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据和知识融合的异常工况预测与预警方法，其特征在于，包括如下步骤：获取油气集输站库工艺生产数据；基于油气集输站库工艺生产数据，通过变量相关性分析对过程工艺变量进行特征选择，选取高相关性的选取高相关性的变量作为特征变量；将选取的特征变量构成时序数据集，基于训练后的深度神经网络学习异常工况的本质特征，预测与异常工况相关的过程关键变量；构建专家知识模型，分析异常工况的传播路径，推理得到与关键变量相关的异常工况，对异常工况进行预警并制定相应的运营决策。2.如权利要求1所述的一种数据和知识融合的异常工况预测与预警方法，其特征在于，深度神经网络模型训练时，引入损失函数对模型训练的合适程度进行评价，所述损失函数包括平均绝对误差和平均绝对误差。3.如权利要求1所述的一种数据和知识融合的异常工况预测与预警方法，其特征在于，深度神经网络模型训练时，通过正交实验方法调整深度神经网络的超参数，所述超参数包括对网络层节点数、激活函数和批处理量。4.如权利要求1所述的一种数据和知识融合的异常工况预测与预警方法，其特征在于，所述深度神经网络采用长短期记忆网络。5.如权利要求1所述的一种数据和知识融合的异常工况预测与预警方法，其特征在于，所述变量相关性分析采用斯皮尔曼等级相关系数。6.如权利要求1所述的一种数据和知识融合的异常工况预测与预警方法，其特征在于，所述专家知识模型的构建采用符号有向图...

【专利技术属性】
技术研发人员：崔哲，瞿健，刘彬，孙素莉，田文德，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：