一种沸腾床渣油加氢装置智能混合建模方法制造方法及图纸

本发明专利技术涉及工业装置建模技术领域，更具体的说，涉及一种沸腾床渣油加氢装置智能混合建模方法。本方法，包括以下步骤：步骤S1、获取沸腾床渣油加氢装置数据；步骤S2、对所获取数据进行预处理；步骤S3、建立沸腾床渣油加氢装置数据模型；步骤S4、建立沸腾床渣油加氢装置机理模型；步骤S5、基于自适应加权系数，将沸腾床渣油加氢装置数据模型和沸腾床渣油加氢装置机理模型进行融合，获得混合模型；步骤S6、基于混合模型对产品收率进行预测。本方法通过自适应加权系数将建立起的沸腾床渣油加氢装置机理模型和数据模型融合获得混合模型，所建立起的混合模型具有较强的外推能力和内插能力，模型稳定性较强，预测精度较高。预测精度较高。预测精度较高。

【技术实现步骤摘要】
一种沸腾床渣油加氢装置智能混合建模方法


[0001]本专利技术涉及工业装置建模
，更具体的说，涉及一种数据驱动和反应机理融合的沸腾床渣油加氢装置智能混合建模方法。

技术介绍

[0002]原油重质化和劣质化的趋势不可避免，且对重质燃料的需求正逐渐减少，渣油加氢技术由于能够实现渣油清洁高效转化，成为炼厂关注和投资开发的焦点技术。
[0003]沸腾床渣油加氢装置是近些年兴起的新工艺装置，对其模型的研究还较少。沸腾床渣油加氢装置能够处理广泛的原料来源，存在使用寿命长、催化剂在线加排、装置操作灵活等优点，可显著提高原料转化率。
[0004]数据驱动模型的精度较高，由基于观测数据的机器学习模型来发现输入输出的关联关系，具有更强的普适性，但是，数据驱动模型在输入条件(如原料性质)变化较大时会导致模型精度显著下降，甚至是预测趋势截然相反。
[0005]机理模型是基于工艺机理以及流程建立起来的精确数学模型，其参数具有非常明确的物理意义，机理模型有着很强的稳定性，能够应对工况变化较大的场景，但其精度却不如数据驱动模型。
[0006]以往的数据驱动模型参数的确定一般通过随机法或穷举法，这种寻找参数的方式效率不高且非常依赖经验。
[0007]因此，目前并没有一种针对沸腾床渣油加氢装置模型，可以对沸腾床渣油加氢装置的产品收率进行精确预测。

技术实现思路

[0008]本专利技术的目的是提供一种沸腾床渣油加氢装置智能混合建模方法，解决现有技术中的沸腾床渣油加氢装置模型预测精度低的问题。
[0009]为了实现上述目的，本专利技术提供了沸腾床渣油加氢装置智能混合建模方法，包括以下步骤：
[0010]步骤S1、获取沸腾床渣油加氢装置数据；
[0011]步骤S2、对所获取数据进行预处理；
[0012]步骤S3、建立沸腾床渣油加氢装置数据模型；
[0013]步骤S4、建立沸腾床渣油加氢装置机理模型；
[0014]步骤S5、基于自适应加权系数，将沸腾床渣油加氢装置数据模型和沸腾床渣油加氢装置机理模型进行融合，获得混合模型；
[0015]步骤S6、基于混合模型对产品收率进行预测。
[0016]在一实施例中，所述步骤S1中沸腾床渣油加氢装置数据包括沸腾床渣油加氢装置操作条件、原料信息和产品收率。
[0017]在一实施例中，所述步骤S2的数据预处理，进一步包括：
[0018]对所获取的数据进行异常值处理、归一化处理以及数据集划分。
[0019]在一实施例中，所述异常值处理，进一步包括：
[0020]采用平滑时序窗口异常检测方法进行异常点识别和处理；
[0021]异常点识别对应的表达式如下：
[0022][0023]其中，data
raw
为原始数据，filter
avg
为滑动窗口中的平均值，filter
std
为滑动窗口中的标准差，threshold为阈值；
[0024]异常点平滑处理对应的表达式如下：
[0025]data
smoothed
(i)＝influence*data
raw
+(1
‑
influence)*data
smoothed
(i
‑
1)；
[0026]其中，data
raw
为原始数据，data
smoothed
为平滑后的数据，influence为平滑系数。
[0027]在一实施例中，所述步骤S3进一步包括：
[0028]步骤S31、建立TCN
‑
LSTM网络；
[0029]步骤S32、基于鲸鱼算法与差分进化算法进行优化获得超参数；
[0030]步骤S33、根据优化后的超参数建立沸腾床渣油加氢装置数据模型。
[0031]在一实施例中，所述步骤S31的TCN
‑
LSTM网络，进一步包括输入层、TCN层、全连接层、LSTM层、DROUT层和输出层：
[0032]所述输入层，输入预处理后的沸腾床渣油加氢装置数据的时间序列；
[0033]所述TCN层，对输入的数据进行特征提取以及时序行分析；
[0034]所述全连接层，将TCN层计算得到的特征空间映射到LSTM层；
[0035]所述LSTM层，将TCN层提取的特征做进一步计算提取；
[0036]所述DROUT层，将部分神经元以一定概率停止工作；
[0037]所述输出层，输出各个产品的收率以及装置操作条件。
[0038]在一实施例中，所述步骤S32进一步包括：
[0039]步骤S321、初始化参数；
[0040]步骤S322、初始化种群；
[0041]步骤S323、适应度计算，个体位置对应TCN
‑
LSTM网络的超参数，将预处理后的数据以及网络超参数送入TCN
‑
LSTM网络中训练，计算测试集误差，将测试集误差作为鲸鱼算法与差分进化优化算法的目标函数；
[0042]步骤S324、位置更新，更新种群每个位置，判断是否满足训练终止条件，如果满足则输出最优个体位置，否则返回步骤S323。
[0043]在一实施例中，所述步骤S324中，位置更新表达式如下：
[0044][0045]其中，Leader_pos为当前最优位置；
[0046]Leader_pos'为差分进化算法变异后的位置；
[0047]cr为交叉概率；
[0048]r为随机数；
[0049]A为随机向量；
[0050]D为个体位置距离种群随机个体的位置；
[0051]D
p
为鲸鱼算法中个体与猎物之间的距离；
[0052]l为
‑
1～1的随机数；
[0053]b为用于定义对数螺旋形状的常数。
[0054]ε为定义的阈值。
[0055]在一实施例中，所述步骤S4，进一步包括：
[0056]步骤S41、对沸腾床渣油加氢装置反应体系进行物质划分；
[0057]步骤S42、根据反应机理和工艺流程，设置假设条件；
[0058]步骤S43、建立沸腾床渣油加氢装置机理模型；
[0059]步骤S44、求解获得模型参数。
[0060]在一实施例中，所述步骤S43的沸腾床渣油加氢装置机理模型，对应的表达式为：
[0061][0062]其中，k为对应转化反应过程的速率常数；
[0063]C
i
为各组分含量；
[0064]为催化剂失活时变函数；
[0065]t
c
为催化剂停留时间。
[0066]在一实施例中，所述步骤S44，进一步包括：
[0067]使用哈里斯鹰优化算法和四阶龙格库塔法求解获得模型参数。...

【技术保护点】

【技术特征摘要】
1.一种沸腾床渣油加氢装置智能混合建模方法，其特征在于，包括以下步骤：步骤S1、获取沸腾床渣油加氢装置数据；步骤S2、对所获取数据进行预处理；步骤S3、建立沸腾床渣油加氢装置数据模型；步骤S4、建立沸腾床渣油加氢装置机理模型；步骤S5、基于自适应加权系数，将沸腾床渣油加氢装置数据模型和沸腾床渣油加氢装置机理模型进行融合，获得混合模型；步骤S6、基于混合模型对产品收率进行预测。2.根据权利要求1所述的沸腾床渣油加氢装置智能混合建模方法，其特征在于，所述步骤S1中沸腾床渣油加氢装置数据包括沸腾床渣油加氢装置操作条件、原料信息和产品收率。3.根据权利要求1所述的沸腾床渣油加氢装置智能混合建模方法，其特征在于，所述步骤S2的数据预处理，进一步包括：对所获取的数据进行异常值处理、归一化处理以及数据集划分。4.根据权利要求3所述的沸腾床渣油加氢装置智能混合建模方法，其特征在于，所述异常值处理，进一步包括：采用平滑时序窗口异常检测方法进行异常点识别和处理；异常点识别对应的表达式如下：其中，data
raw
为原始数据，filter
avg
为滑动窗口中的平均值，filter
std
为滑动窗口中的标准差，threshold为阈值；异常点平滑处理对应的表达式如下：data
smoothed
(i)＝influence*data
raw
+(1
‑
influence)*data
smoothed
(i
‑
1)；其中，data
raw
为原始数据，data
smoothed
为平滑后的数据，influence为平滑系数。5.根据权利要求1所述的沸腾床渣油加氢装置智能混合建模方法，其特征在于，所述步骤S3进一步包括：步骤S31、建立TCN
‑
LSTM网络；步骤S32、基于鲸鱼算法与差分进化算法进行优化获得超参数；步骤S33、根据优化后的超参数建立沸腾床渣油加氢装置数据模型。6.根据权利要求5所述的沸腾床渣油加氢装置智能混合建模方法，其特征在于，所述步骤S31的TCN
‑
LSTM网络，进一步包括输入层、TCN层、全连接层、LSTM层、DROUT层和输出层：所述输入层，输入预处理后的沸腾床渣油加氢装置数据的时间序列；所述TCN层，对输入的数据进行特征提取以及时序行分析；所述全连接层，将TCN层计算得到的特征空间映射到LSTM层；所述LSTM层，将TCN层提取的特征做进一步计算提取；所述DROUT层，将部分神经元以一定概率停止工作；所述输出层，输出各个产品的收率以及装置操作条件。
7.根据权利要求5所述的沸腾床渣油加氢装置智能混合建模方法，其特征在于，所述步骤S32进一步包括：步骤S321、初始化参数；步骤S322、初始化种群；步骤S323、适应度计算，个体位置对应TCN
‑

【专利技术属性】
技术研发人员：钟伟民，隆建，杜文莉，钱锋，杨明磊，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：