【技术实现步骤摘要】
延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置
[0001]本专利技术涉及迁移预测
,具体地涉及一种延迟焦化加热炉炉管温 度的动态深度迁移预测方法、一种延迟焦化加热炉炉管温度的动态深度迁移 预测装置以及一种电子设备。
技术介绍
[0002]焦化加热炉是延迟焦化装置的核心,决定着整个装置的操作周期和经济 效益。因此对炉管温度等关键变量建立动态预测模型,获取趋势变化的提前 量,赢得充足的预操作时间,维持运行工况的相对平稳,对于提升产品质量、 经济效益乃至安全环保水平,具有重大意义。
[0003]随着过程监测数据量和计算机处理能力的爆炸式增长,数据驱动的智能 预测备受青睐。其中,深度学习作为该领域革命性的新技术,其多层非线性 网络结构具有强大的复杂函数拟合能力,克服了传统浅层网络对先验知识和 人工特征的依赖,能自动处理海量原始数据,自适应挖掘敏感特征,进而建 立由辅助数据到目标参量的智能预测模型。特别是深度学习中的长短时记忆 网络(LongShort
‑
Term Memory,LSTM),其独特“门”结构在处理更多关 联变量的同时,能有效挖掘时间序列中的长周期依赖性,提升预测效果。与 浅层神经网络、支持向量回归等传统方法相比,LSTM等深度网络的模型结 构更复杂,训练难度更大,多采用离线训练、在线部署的模式。该模式有两 个基本要求:(1)离线阶段有足够多的标签样本以完成训练,否则模型容 易过拟合,性能难以达标;(2)在线阶段的测试(实时)数据与训练(历 史)数据具有相同的分布规律,否则模 ...
【技术保护点】
【技术特征摘要】
1.一种延迟焦化加热炉炉管温度的动态深度迁移预测方法,其特征在于,包括:确定炉管温度的目标测点及与目标测点存在相似性的源测点;获取所述源测点的源域样本数据,所述源域样本数据包括源测点的温度关联量及所述温度关联量对应的温度;采用所述源域样本数据对基于机器学习的深度预测模型进行训练,得到训练好的深度预测模型;基于目标域样本数据和迁移策略对所述训练好的深度预测模型进行调整,所述目标域样本数据包括目标测点的温度关联量及所述温度关联量对应的温度;将通过监测所述目标测点所获取到的温度关联量输入调整后的训练好的深度预测模型,得到所述目标测点温度的预测值。2.根据权利要求1所述的预测方法,其特征在于,所述与目标测点存在相似性的源测点,包括:与所述目标测点存在空间相似性的源测点;和/或与所述目标测点存在时间相似性的源测点。3.根据权利要求1所述的预测方法,其特征在于,所述源域样本数据和目标域样本数据分别通过对源域历史数据和目标域历史数据处理后得到;所述源域历史数据和目标域历史数据均包括温度测点数据和与温度关联量测点数据;所述处理包括:规范化处理:所述规范化处理包括数据清洗、数据补足、数据归一化、数据互相关分析中的至少一者;以及构建处理:将规范化处理后的数据构建为矩阵形式。4.根据权利要求3所述的预测方法,其特征在于,所述将规范化处理后的数据构建为矩阵形式,包括:获取温度关联量的个数为m,每个温度关联量包含n个测点,样本特征长度为k;将所述规范化处理后的数据构建为n
‑
k组样本数据,每个样本数据的特征为m
×
k的矩阵;所述样本数据为所述源域样本数据或所述目标域样本数据。5.根据权利要求1所述的预测方法,其特征在于,所述深度预测模型为长短期记忆网络模型;所述长短期记忆网络模型的神经元更新机制如下:f
(t)
=σ(W
fX
x
(t)
+W
fh
h
(t
‑
1)
+b
f
)i
(t)
=σ(W
iX
x
(t)
+W
ih
h
(t
‑
1)
+b
i
)g
(t)
=tanh(W
gX
x
(t)
+W
gh
h
(t
‑
1)
+b
g
)o
(t)
=σ(W
oX
x
(t)
+W
oh
h
(t
‑
1)
+b
o
)所述长短期记忆网络模型的损失函数为均方误差。6.根据权利要求5所述的预测方法,其特征在于,采用所述源域样本数据对基于机器学习的深度预测模型进行训练,包括:
将所述源域样本数据分为训练样本和验证样本;采用所述训练样本对所述长短期记忆网络模型进行训练;采用所述验证样本测试训练后的长短期记忆网络模型的预测效果。7.根据权利要求5所述的预测方法,其特征在于,基于目标域样本数据和迁移策略对所述训练好的深度预测模型进行调整,包括:确定所述训练好的深度预测模型对所述目标测点的温度的预测误差大于设定阈值,根据目标域样本数据和源域样本数据的数量比例和相似度评价,从预设的迁移策略中选择对应的迁移策略;采用选择的迁移策略对所述训...
【专利技术属性】
技术研发人员:袁壮,李传坤,高新江,王春利,何亚东,
申请(专利权)人:中国石油化工股份有限公司青岛安全工程研究院,
类型:发明
国别省市:
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。