System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及脱硫设施注碱量预测,具体涉及一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法。
技术介绍
1、催化裂化装置是炼油企业造成大气污染的主要大气污染源之一,也是政府及企业自身的环保管理重点。目前,《gb 31570-2015石油炼制工业污染物排放标准》对催化裂化装置废气中二氧化硫的排放限值为100mg/m3,特别排放限值为50mg/m3。为防止催化裂化装置废气污染物的超标排放,大部分企业已增设废气脱硫装置。一般地,废气脱硫装置多采用钠碱法脱硫,即使用废碱性清液作为吸收剂,通过喷淋的方式吸收废气中的二氧化硫。因此碱液的加注量是该设施的主要操作变量,需要根据反应再生装置的运行情况,原料性质等因素进行动态调整。
2、然而,目前对脱硫装置的调整是依靠人工判断反应再生装置运行状态的变化进行的,从反应再生装置运行状态变化到调整治理装置再到调整生效,存在很强的滞后性。此外,不合理的调整可能会使碱液添加量不足导致废气二氧化硫浓度的超标,或是使碱液添加量过量导致装置运行成本的增加。
3、同时,传统时序卷积网络模型(tcn)在脱硫装置注碱量预测过程中,由于映射的非线性程度较高,时序关联性较强也会造成预测精度下降。
4、因此,亟待提出一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法,使操作人员能够根据未来的变化趋势进行脱硫装置的调整,确保催化裂化装置废气的稳定达标排放。
技术实现思路
1、本专利技术为解决目前对脱硫装置的调整是依靠人工判断反应再生装置运
2、本专利技术为了实现上述目的,本专利技术提供了一种基于改进时序卷积网络模型(ma-tcn)的脱硫装置注碱量预测方法,该方法包括以下步骤:
3、s1、构建残差连接模块;
4、s2、构建遮罩自注意力网络模块;
5、s3、将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型;
6、s4、对所述改进的时序卷积网络模型进行训练;
7、s5、运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测。
8、优选地,在步骤s1中,所述构建残差连接模块,具体包括:
9、s1.1、构建膨胀因果卷积网络层;
10、s1.2、将步骤s1.1中的多个膨胀因果卷积网络层进行堆叠,得到残差连接模块。
11、优选地,在步骤s1.1中,所述构建膨胀因果卷积网络层,具体包括构建膨胀因果卷积网络层u(t):
12、
13、其中,s={s0,s1,...,st,...,st}为一段时间序列数据,s中每一个样本u={u0,u1,...,uk-1}为一个卷积核,u中的每一个内核ds是时间序列数据的维度,κ是卷积核的大小,d为卷积核的膨胀率,用于控制两个相邻的内核间所跳过的步长。
14、优选地,在步骤s1.2中,残差连接模块具体为:
15、o=f(f(s,w)+s)
16、其中,f为激活函数,f(s,w)为多个膨胀因果卷积网络层的映射函数,s为f的输入,w为f的参数集合。
17、优选地,在步骤s2中,所述构建遮罩自注意力网络模块,具体包括:
18、s2.1、进行线性变换,具体数学描述公式为:
19、q=wqs
20、k=wks
21、v=wvs
22、其中,q为dk维的索引值,k为dk维的键值,v为dv维的数值,wq,wk,wv分别为将s映射为q,k,v的参数矩阵;
23、s2.2、进行矩阵相乘,得到输出矩阵a:
24、a=ktq
25、s2.3、进行因果softmax遮罩;
26、a′=softmax(a)
27、a″=atm
28、其中,a′为softmax运算后的注意力分数矩阵,a″为遮罩注意力分数矩阵,m为维度为dk×dk的因果遮罩矩阵;
29、s2.4、将步骤s2.1中的线性变换矩阵v与步骤s2.3中的遮罩注意力分数矩阵a″相乘,再与步骤s2.1中的一段时间序列数据s相加,得到遮罩自注意力网络模块:
30、o=va″+s。
31、优选地,在步骤s3中,所述将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型,具体包括:
32、将遮罩自注意力网络模块和残差连接模块以遮罩自注意力网络模块在前,残差连接模块在后的方式进行交替堆叠。
33、优选地,遮罩自注意力网络模块和残差连接模块的数量相同。
34、优选地,在步骤s4中,所述对所述改进的时序卷积网络模型进行训练,具体包括:
35、s4.1、设定损失函数lb:
36、
37、其中,b为大小为b的时间序列数据切片,为将b输入到改进的时序卷积网络模型中得到的模型预测值,yb为对应时间点的碱液流量监测数据;lp为损失函数的范数级别,p为范数阶级;
38、s4.2、采用监督学习的方式对所述改进的时序卷积网络模型进行训练。
39、优选地,在步骤s4.2中,所述采用监督学习的方式对所述改进的时序卷积网络模型进行训练之前,具体还包括:
40、设定所述改进的时序卷积网络模型的超参数。
41、优选地,所述超参数包括用于决定所述改进的时序卷积网络模型的结构的结构超参数和用于决定所述改进的时序卷积网络模型训练时行为的训练超参数。
42、优选地,在步骤s5中,所述运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测,具体包括:
43、s5.1、选取输入变量,采集脱硫装置当前时刻的过程变量监测数据及当前时刻之前τ个时刻的历史过程变量监测数据,得到所述改进的时序卷积网络模型的输入数据;
44、s5.2、对所述改进的时序卷积网络模型的输入数据进行预处理,并将预处理后所述改进的时序卷积网络模型的输入数据输入训练好的所述改进的时序卷积网络模型中,得到下一时刻的碱液流量的预测值。
45、优选地,在步骤s5.1中,所述过程变量监测数据包括吸收剂酸碱度、洗涤塔循环泵入口ph值、滤清模块循环泵入口ph值、洗涤塔补水线流量、洗涤塔入口烟气标态流量、洗涤塔入口烟气温度、洗涤塔入口烟气压力、洗涤塔入口so2浓度、循环溶剂百分比、脱硝反应温度、洗涤塔底温度。
46、优选地,
47、其中,κ为所述改进的时序卷积网络模型中卷积核的大小,d为卷积核的膨胀率,χ为所述改进的时序卷积网络模型中的残差连接模块的本文档来自技高网...
【技术保护点】
1.一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,所述基于改进时序卷积网络模型的脱硫装置注碱量预测方法包括以下步骤:
2.根据权利要求1所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S1中,所述构建残差连接模块,具体包括:
3.根据权利要求2所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S1.1中,所述构建膨胀因果卷积网络层,具体包括构建膨胀因果卷积网络层U(T):
4.根据权利要求3所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S1.2中,残差连接模块具体为:
5.根据权利要求4所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S2中,所述构建遮罩自注意力网络模块,具体包括:
6.根据权利要求5所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S3中,所述将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型,具体包括:
7.根据权利要
8.根据权利要求6所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S4中,所述对所述改进的时序卷积网络模型进行训练,具体包括:
9.根据权利要求8所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S4.2中,所述采用监督学习的方式对所述改进的时序卷积网络模型进行训练之前,具体还包括:
10.根据权利要求9所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,所述超参数包括用于决定所述改进的时序卷积网络模型的结构的结构超参数和用于决定所述改进的时序卷积网络模型训练时行为的训练超参数。
11.根据权利要求1所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S5中,所述运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测,具体包括:
12.根据权利要求11所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S5.1中,所述过程变量监测数据包括吸收剂酸碱度、洗涤塔循环泵入口pH值、滤清模块循环泵入口pH值、洗涤塔补水线流量、洗涤塔入口烟气标态流量、洗涤塔入口烟气温度、洗涤塔入口烟气压力、洗涤塔入口SO2浓度、循环溶剂百分比、脱硝反应温度、洗涤塔底温度。
13.根据权利要求11所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,
14.根据权利要求11所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S5.2中,所述对所述改进的时序卷积网络模型的输入数据进行预处理,具体包括:
...【技术特征摘要】
1.一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,所述基于改进时序卷积网络模型的脱硫装置注碱量预测方法包括以下步骤:
2.根据权利要求1所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤s1中,所述构建残差连接模块,具体包括:
3.根据权利要求2所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤s1.1中,所述构建膨胀因果卷积网络层,具体包括构建膨胀因果卷积网络层u(t):
4.根据权利要求3所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤s1.2中,残差连接模块具体为:
5.根据权利要求4所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤s2中,所述构建遮罩自注意力网络模块,具体包括:
6.根据权利要求5所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤s3中,所述将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型,具体包括:
7.根据权利要求1或6所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,遮罩自注意力网络模块和残差连接模块的数量相同。
8.根据权利要求6所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤s4中,所述对所述改进的时序卷积网络模型进行训练,具体包...
【专利技术属性】
技术研发人员:蒋瀚,杨文玉,李焕,张树才,卢薇,丁禄彬,高阳,
申请(专利权)人:中国石油化工股份有限公司,
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。