一种油气田加热炉污染物排放量核算方法及系统技术方案

本发明专利技术涉及一种油气田加热炉污染物排放量核算方法及系统，所述方法包括以下步骤，获取油气田中的关键生产要素；获取燃油和燃气的硫含量；建立数据算法模型；根据所述关键生产要素和所述硫含量，基于所述数据算法模型预测出油气田加热炉的污染物排放量，得到预测结果；输出所述预测结果；一种油气田加热炉污染物排放量核算系统，其特征在于，所述核算系统包括，要素提取模块，数据提取模块，模型构建模块，数据核算模块，结果输出模块，用于输出所述预测结果。本发明专利技术方便对油气田加热炉进行污染物排放量核算和预测。物排放量核算和预测。物排放量核算和预测。

【技术实现步骤摘要】
一种油气田加热炉污染物排放量核算方法及系统


[0001]本专利技术属于污染物排放量核算领域领域，特别涉及一种油气田加热炉污染物排放量核算方法及系统。

技术介绍

[0002]应用于油、气田行业的加热炉统称为油气田加热炉，属于工业炉窑。它是油气集输系统中应用最多的油气田专用设备，其作用是将原油、天然气、油水混合物、油气水混合物加热至工艺所需温度，满足油气集输工艺及加工工艺的要求。油气田加热炉主要有管式加热炉、水套加热炉、真空相变加热炉、热媒加热炉等4种类型，所用燃料包括原油、天然气、油气混用等多种类型。
[0003]相关技术中，针对加热炉在内的工业炉窑，相关规定指定的相对的核算方法，包括自动监测数据核算、手工监测数据核算、物料衡算法核算、产排污系数法核算等。
[0004]相关技术存在有以下的问题，由于油气田加热炉数量众多，且油气田加热炉作业现场处于偏远地区，无法全部做到监测与核算，需要一种针对油气田加热炉进行污染物排放量核算的方法与系统。

技术实现思路

[0005]针对上述问题，本专利技术公开了一种油气田加热炉污染物排放量核算方法及系统。
[0006]第一方面，本专利技术公开了一种油气田加热炉污染物排放量核算方法，包括以下步骤，获取油气田中的关键生产要素；获取燃油和燃气的硫含量；建立数据算法模型；根据所述关键生产要素和所述硫含量，基于所述数据算法模型预测出油气田加热炉的污染物排放量，得到预测结果；输出所述预测结果。
[0007]更进一步的，所述获取油气田中的关键生产要素，具体包括，
[0008]提取样本，并设定样本中生产要素的指标数据为p；根据所述样本数据得到矩阵X＝(x
ij
)
s
×
p
；根据所述矩阵X＝(x
ij
)
s
×
p
得到协方差矩阵；根据所述协方差矩阵计算得到特征值λ
i
、主成分贡献率W
i
和累积方差贡献率C
i
；筛选出所述累积方差贡献率C
i
大于阀值的生产要素，作为所述关键生产要素；其中，x
ij
表示第i组样本中第j个生产要素的指标数据。
[0009]更进一步的，所述协方差矩阵R的计算公式为，
[0010][0011]其中，所述协方差矩阵R为对称矩阵，R
ij
＝R
ji
；所述主成分贡献率W
i
和累积方差贡献率C
i
的计算公式为，
[0012][0013][0014]其中，所述累积方差贡献率C
i
的大小代表数据反映的原特征的大小。
[0015]更进一步的，所述建立数据算法模型具体包括，构建具有输入层、中间层和输出层的神经网络；遗弃无用信息；添加有价值信息到所述神经网络的细胞状态中；更新所述神经网络的细胞状态；通过所述输出层输出结果。
[0016]更进一步的，所述核算方法还包括训练所述算法模型，具体包括以下步骤，划分数据集，获取训练样本和测试样本；获取所述算法模型的网络结构并确定超参数设置，得到训练数据；通过所述训练数据训练所述算法模型中的神经网络。
[0017]更进一步的，所述核算方法还包括算法评价，采用平均绝对误差、均方根误差、皮尔逊相关系数和判定系数来评价所述算法模型的性能。
[0018]另一方面，本专利技术公开了一种油气田加热炉污染物排放量核算系统，其特征在于，所述核算系统包括，要素提取模块，用于获取油气田中的关键生产要素；数据提取模块，用于获取燃油和燃气的硫含量；模型构建模块，用于建立数据算法模型；数据核算模块，用于根据所述关键生产要素和所述硫含量，基于所述数据算法模型预测出油气田加热炉的污染物排放量，得到预测结果；结果输出模块，用于输出所述预测结果。
[0019]更进一步的，所述要素提取模块具体包括，样本提取单元，用于提取样本数据并设定样本中生产要素的指标数据为p；样本处理单元，用于根据所述样本数据得到矩阵X＝(x
ij
)
s
×
p
；矩阵获取单元，用于根据所述矩阵X＝(x
ij
)
s
×
p
得到协方差矩阵；矩阵计算单元，用于根据所述协方差矩阵计算得到特征值λ
i
、主成分贡献率W
i
和累积方差贡献率C
i
；要素筛选单元，用于筛选出所述累积方差贡献率C
i
大于阀值的生产要素，作为所述关键生产要素。
[0020]更进一步的，所述模型构建模块具体包括，网络构建单元，用于构建具有输入层、中间层和输出层的神经网络；信息筛选单元，用于遗弃无用信息；信息添加单元，用于添加有价值信息到所述神经网络的细胞状态中；状态更新单元，用于更新所述神经网络的细胞状态；结果输出单元，用于通过输出门输出结果。
[0021]更进一步的，所述核算系统还包括模型训练模块，具体包括，数据划分单元，用于划分数据集，获取训练样本和测试样本；数据获取单元，用于获取所述算法模型的网络结构并确定超参数设置，得到训练数据；网络训练单元，用于通过所述训练数据训练所述算法模型中的神经网络。
[0022]更进一步的，所述核算系统还包括算法评价模块，用于通过平均绝对误差、均方根误差、皮尔逊相关系数和判定系数来评价所述算法模型的性能。
[0023]本专利技术至少具有如下的优点，
[0024]建立数据算法模型，实现了企业对油气田加热炉动态核算与跟踪，填补了国内油气田加热炉无专门污染物核算方法的空白，对油气田企业提高加热炉热效率、推进节能降耗、排污许可证申领及执行报告编制、环保达标及重污染天气应对等方面起到促进作用。
[0025]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
[0026]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0027]图1是本申请实施例中核算方法示意图；
[0028]图2是本申请实施例中小波神经网络结构示意图；
[0029]图3是本申请实施例中LSTM神经网络结构示意图。
具体实施方式
[0030]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油气田加热炉污染物排放量核算方法，其特征在于，包括以下步骤，获取油气田中的关键生产要素；获取燃油和燃气的硫含量；建立数据算法模型；根据所述关键生产要素和所述硫含量，基于所述数据算法模型预测出油气田加热炉的污染物排放量，得到预测结果；输出所述预测结果。2.根据权利要求1所述的一种油气田加热炉污染物排放量核算方法，其特征在于，所述获取油气田中的关键生产要素，具体包括，提取样本，并设定样本中生产要素的指标数据为p；根据所述样本数据得到矩阵X＝(x
ij
)
s
×
p
；根据所述矩阵X＝(x
ij
)
s
×
p
得到协方差矩阵；根据所述协方差矩阵计算得到特征值λ
i
、主成分贡献率W
i
和累积方差贡献率C
i
；筛选出所述累积方差贡献率C
i
大于阀值的生产要素，作为所述关键生产要素；其中，x
ij
表示第i组样本中第j个生产要素的指标数据。3.根据权利要求2所述的一种油气田加热炉污染物排放量核算方法，其特征在于，所述协方差矩阵R的计算公式为，其中，所述协方差矩阵R为对称矩阵，R
ij
＝R
ji
；所述主成分贡献率W
i
和累积方差贡献率C
i
的计算公式为，的计算公式为，其中，所述累积方差贡献率C
i
的大小代表数据反映的原特征的大小。4.根据权利要求1所述的一种油气田加热炉污染物排放量核算方法，其特征在于，所述建立数据算法模型具体包括，构建具有输入层、中间层和输出层的神经网络；遗弃无用信息；添加有价值信息到所述神经网络的细胞状态中；更新所述神经网络的细胞状态；通过所述输出层输出结果。5.根据权利要求1所述的一种油气田加热炉污染物排放量核算方法，其特征在于，所述核算方法还包括训练所述算法模型，具体包括以下步骤，划分数据集，获取训练样本和测试样本；获取所述算法模型的网络结构并确定超参数设置，得到训练数据；通过所述训练数据训练所述算法模型中的神经网络。6.根据权利要求1所述的一种油气田加热炉污染物排放量核算方法，其特征在于，所述
核算...

【专利技术属性】
技术研发人员：唐智和，张芳，马琳，马文猛，何为，李巨峰，栾辉，王若尧，邹诚诚，董智鹤，
申请(专利权)人：中国石油集团安全环保技术研究院有限公司，
类型：发明
国别省市：