一种融合机理和在线学习算法的油品质量智能预测方法技术

本发明专利技术涉及化工和自动控制领域，更具体的说，涉及一种融合机理和在线学习算法的油品质量智能预测方法及系统

【技术实现步骤摘要】
一种融合机理和在线学习算法的油品质量智能预测方法


[0001]本专利技术涉及化工和自动控制领域，更具体的说，涉及一种融合机理和在线学习算法的油品质量智能预测方法及系统
。

技术介绍

[0002]石油化工是重要的基础原材料工业，是国民经济的支柱产业之一
。
炼油工业是石化工业的重要组成部分，其中，汽油是炼油厂最重要的产品，其销售收入在炼油厂的总收入中占据一半以上的比例
。
成品汽油调和技术作为向市场提供各类标号汽油产品的必备工艺，在石化炼油生产中占有举足轻重的地位
。
随着科技与经济的发展，虽然新能源技术发展迅速，但依赖汽油的传统汽车仍然占汽车市场的主要份额
。
在环保问题的影响下，国家进一步出台了新的汽油产品标准，对芳烃等含量做出了更低的要求，使得汽油调和过程的配方控制难度增大
。
[0003]合理的汽油调和配方不仅能提高成品油的质量
、
降低生产成本，还能在满足国家标准的条件下提升企业的经济效益，进一步提升市场竞争力
。
成品汽油调和是根据各组分油的实际品质和不同目标成品油的标号指标，将多种组分油按照一定比例调和成符合质量要求的成品汽油的过程，是获得成品汽油的最后工序，调和油质量是调和过程好坏的直接体现
。
[0004]国内调和生产配方控制早期主要依赖于现场技术人员的经验，根据调和组分油的品质以及调和成品油的质量指标，通过简单线性计算得出各组分油的配方比例，受到组分油品质
、
人为因素
、
过程中非线性因素等的影响，很难准确控制各组分油的添加比例，整个调和过程存在调和周期长
、
一次调和成功率低
、
配方调节滞后等问题，企业不得不采取产品质量过剩来保证油品质量达标，导致调和成本明显增加
。
[0005]因此，在成品汽油的生产过程中，建立准确的质量预测模型，以严格控制组分油的配方比例，对调和油质量的提升和企业经济效益的提升都有着重要意义
。
[0006]由于工艺的复杂性和组分油品质的不确定性，传统的固定机理建模方法难以适应工业现场的变化，同时随着采集技术的发展，大量的历史数据得以保留，数据驱动的质量预测方法也成为了可行方法
。
[0007]因此，目前存在的油品质量预测方法包括基于汽油各属性值机理算法的在线预测和基于数据驱动的质量模型预测，但是，上述预测算法存在以下不足：
[0008]基于机理算法的在线预测存在误差积累问题，当组分油配方发生较大变动时，在线修正项积累的误差会使此刻的预测产生较大的误差；
[0009]基于数据驱动的预测算法存在数据完备性不足
、
模型泛化性较差
、
离线模型在适应复杂的工业环境变化上存在不足等问题
。

技术实现思路

[0010]本专利技术的目的是提供一种融合机理和在线学习算法的油品质量智能预测方法及
系统，解决现有技术对于油品质量预测精度不高的问题
。
[0011]本专利技术的又一个目的是提供一种融合机理和在线学习算法的油品质量智能预测方法及系统，解决现有技术对于油品质量预测的误差积累问题
。
[0012]为了实现上述目的，本专利技术提供了一种融合机理和在线学习算法的油品质量智能预测方法，包括以下步骤：
[0013]构建油品质量的在线机理预测模型；
[0014]构建基于在线学习算法的算法预测模型；
[0015]根据输入数据的变化程度，选择在线机理预测模型或算法预测模型进行预测，输出最终的预测结果
。
[0016]在一实施例中，所述构建油品质量的在线机理预测模型，进一步包括以下步骤：
[0017]选取代表油品质量的属性值，基于所选取属性的机理算法，构建油品质量的原始机理预测模型；
[0018]在原始机理预测模型中添加动态修正项，得到在线修正后的在线机理预测模型
。
[0019]在一实施例中，所述机理算法包含质量含量类指标和体积含量类指标
。
[0020]在一实施例中，所述动态修正项，对应的表达式为：
[0021]a*offset
j
(k
；
[0022]其中，
a
为在线校正参数，
offset
j
(k
为在时刻
k
成品油属性
j
的模型预测值的修正值
。
[0023]在一实施例中，所述构建基于在线学习算法的算法预测模型，进一步包括：
[0024]基于历史数据进行初始预训练，构建基于支持向量机算法的原始算法预测模型；
[0025]基于增量数据对原始算法预测模型进行更新，构建基于在线增量支持向量机算法的算法预测模型
。
[0026]在一实施例中，所述基于支持向量机算法的原始算法预测模型，对应的回归函数表达式为：
[0027][0028][0029]其中，
α
i
、
为拉格朗日乘子；
[0030]Φ
为非线性映射函数；
[0031]K
为核函数；
[0032]x
i
和
x
为各个样本，
b
为最优分类超平面的截距
。
[0033]在一实施例中，所述基于增量数据对原始算法预测模型进行更新，构建基于在线增量支持向量机算法的算法预测模型，进一步包括：
[0034]将增量数据作为新的待预测集，采用原始算法预测模型进行预测，获得预测偏差；
[0035]将预测偏差超过阈值的错误集和算法预测模型的支持向量集结合，得到新的增量训练集；
[0036]利用新的训练集数据对算法预测模型进行修正，获得修正后的基于在线增量支持向量机算法的算法预测模型
。
[0037]在一实施例中，所述基于在线增量支持向量机算法的算法预测模型，所支持向量
数量不大于预设上限值
。
[0038]在一实施例中，所述输入数据的变化程度，包括各个组分油的配方比例的变化程度；
[0039]当变化程度小于阈值时，选择在线机理预测模型进行预测；
[0040]当变化程度超过阈值时，选择算法预测模型进行预测
。
[0041]为了实现上述目的，本专利技术提供了融合机理和在线学习算法的油品质量智能预测系统，包括：
[0042]存储器，用于存储可由处理器执行的指令；
[0043]处理器，用于执行所述指令以实现如上述任一项所述的方法
。
[0044]本专利技术提出的融合机理和在线学习算法的油品质量智能预测方法及系统，将在线机理预测模型与在线学习算法预测模型相融合，通过组分油的流量数据来预测调和油质量是否符合标准，提升油品质量预测的准确度以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种融合机理和在线学习算法的油品质量智能预测方法，其特征在于，包括以下步骤：构建油品质量的在线机理预测模型；构建基于在线学习算法的算法预测模型；根据输入数据的变化程度，选择在线机理预测模型或算法预测模型进行预测，输出最终的预测结果
。2.
根据权利要求1所述的融合机理和在线学习算法的油品质量智能预测方法，其特征在于，所述构建油品质量的在线机理预测模型，进一步包括以下步骤：选取代表油品质量的属性值，基于所选取属性的机理算法，构建油品质量的原始机理预测模型；在原始机理预测模型中添加动态修正项，得到在线修正后的在线机理预测模型
。3.
根据权利要求2所述的融合机理和在线学习算法的油品质量智能预测方法，其特征在于，所述机理算法包含质量含量类指标和体积含量类指标
。4.
根据权利要求2所述的融合机理和在线学习算法的油品质量智能预测方法，其特征在于，所述动态修正项，对应的表达式为：
a*offset
j
(k
；其中，
a
为在线校正参数，
offset
j
(k
为在时刻
k
成品油属性
j
的模型预测值的修正值
。5.
根据权利要求1所述的融合机理和在线学习算法的油品质量智能预测方法，其特征在于，所述构建基于在线学习算法的算法预测模型，进一步包括：基于历史数据进行初始预训练，构建基于支持向量机算法的原始算法预测模型；基于增量数据对原始算法预测模型进行更新，构建基于在线增量支持向量机算法的算法预测模型
。6.
根据权利要求5所述的融合机理和在线学习算法的油品质量智能预测方法，其特征在于，...

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