【技术实现步骤摘要】
本专利技术涉及石油炼化的，具体涉及了一种炼化结构的预测方法、一种炼化结构的预测装置，以及一种计算机可读存储介质。
技术介绍
1、在石油炼化过程中，通常需要建立准确的装置模型来预测全流程各装置的关键参数。但是，由于各装置机理复杂，运行工况众多，且过程变量繁多，从而导致根据进料和关键工艺参数来分析装置出料等关键参数变得十分困难，这给企业计划和资源调控带来巨大挑战。
2、近些年来，机器学习的高速发展带来了很多智能非线性处理算法。反向传播神经网络(back propagation neural network，bp神经网络，也被称作error backpropagation neural network，误差反向传播神经网络)由于其较强的非线性映射能力以及自学习和自适应的能力被广泛应用于模式识别和回归预测领域。bp神经网络适合求解内部机制复杂的问题，因而可以很好地处理炼化过程的装置黑箱模型。
3、但是，大规模的样本数据是bp神经网络在各个领域取得显著成效的基础。然而，在实际的化工生产中，炼化企业往往有自己整体的规划布局和建设方案，这也导致了不同运行装置的投产时间和运行周期不同。对于刚投产的装置，其运行时间短，监测数据量少，难以获得准确的预测模型。通常情况下，炼化过程包括多套相同或近似的加工装置，例如，两套常减压装置、三套汽柴油加氢装置。多套加工装置由于投产时间和工艺水平不同，会导致过程数据量和收率分布不同，因此装置模型存在差异。尤其是新投产的装置，其过程数据量明显不足，因此，根据新投产的装置所构建的装置模型存在模
4、为了解决现有技术中存在的上述问题，本领域亟需一种炼化结果的预测技术，能够减小对炼化装置中炼化数据量的依赖性，对炼化过程中的小样本数据进行准确的结果预测，从而解决新炼化装置中数据量不足所导致模型预测准确性差的问题。
技术实现思路
1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
2、为了克服现有技术存在的上述缺陷，本专利技术提供了一种炼化结果的预测方法、一种炼化结果的预测装置，以及一种计算机可读存储介质，能够减小对炼化装置中炼化数据量的依赖性，对炼化过程中的小样本数据进行准确的结果预测，从而解决新炼化装置中数据量不足所导致模型预测准确性差的问题。
3、具体来说，根据本专利技术的第一方面提供的上述炼化结果的预测方法，包括以下步骤：获取第一炼化装置中多数的炼化数据，以构建第一炼化数据集；基于所述第一炼化数据集，训练所述第一炼化装置的第一装置模型，以确定其第一权值参数；获取第二炼化装置中少数的第二炼化数据，以构建第二炼化数据集；根据所述第一权值参数初始化所述第二炼化装置的第二装置模型，并基于所述第二炼化数据集，训练所述第二炼化装置的第二装置模型，以确定其第二权值参数；以及将所述第二炼化装置的待测炼化数据输入所述第二装置模型，以预测对应的炼化结果。
4、此外，根据本专利技术的第二方面提供的上述炼化过程的预测装置。炼化过程的预测装置包括存储器及处理器。该处理器连接该存储器，并被配置用于实施本专利技术的第一方面提供的上述炼化过程的预测方法。
5、此外，根据本专利技术的第三方面还提供了一种计算机可读存储介质，其上存储有计算机指令。所述计算机指令被处理器执行时，实施本专利技术的第一方面提供的上述炼化结果的预测方法。
本文档来自技高网...【技术保护点】
1.一种炼化结果的预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的预测方法，其特征在于，所述基于所述第一炼化数据集，训练所述第一炼化装置的第一装置模型，以确定其第一权值参数的步骤包括：
3.如权利要求2所述的预测方法，其特征在于，所述预处理所述第一炼化数据集，以对所述多数的炼化数据进行标准化处理的步骤包括：
4.如权利要求2所述的预测方法，其特征在于，所述基于所述第一训练集中的数据，对反向传播神经网络的模型进行训练，以获得所述第一炼化装置的第一装置模型，以确定其第一权值参数的步骤包括：
5.如权利要求4所述的预测方法，其特征在于，所述通过所述输入变量的数据，训练所述反向传播神经网络的模型，以获得所述第一权值参数的步骤包括：
6.如权利要求4所述的预测方法，其特征在于，所述通过所述输入变量的数据，训练所述反向传播神经网络的模型，以获得所述第一权值参数的步骤，还包括：
7.如权利要求6所述的预测方法，其特征在于，所述在确定所述输入层的节点数和所述输出层的节点数后，通过所述第一训练集和所述第一测试集，确
8.如权利要求6所述的预测方法，其特征在于，所述通过所述输入变量的数据，训练所述反向传播神经网络的模型，以获得所述第一权值参数的步骤，还包括：
9.如权利要求8所述的预测方法，其特征在于，所述响应于获得优化后的所述损失函数和所述优化函数，优化所述反向传播神经网络的隐含层的层数和各所述隐含层上的神经元的个数的步骤包括：
10.如权利要求8所述的预测方法，其特征在于，所述通过所述输入变量的数据，训练所述反向传播神经网络的模型，以获得所述第一权值参数的步骤，还包括：
11.如权利要求10所述的预测方法，其特征在于，所述响应于确定优化后的所述反向传播神经网络的所述隐含层的层数和所述神经元的个数，优化表示所述反向传播神经网络训练完毕的终止条件的步骤包括：
12.如权利要求1所述的预测方法，其特征在于，所述获取第二炼化装置中少数的第二炼化数据，以构建第二炼化数据集的步骤包括：
13.如权利要求12所述的预测方法，其特征在于，所述根据所述第一权值参数初始化所述第二炼化装置的第二装置模型，并基于所述第二炼化数据集，训练所述第二炼化装置的第二装置模型，以确定其第二权值参数的步骤包括：
14.如权利要求13所述的预测方法，其特征在于，所述训练所述迁移学习-反向传播神经网络的模型，以确定所述第二装置模型的步骤包括：
15.如权利要求14所述的预测方法，其特征在于，所述以所述第二测试集的决定系数最高的训练方式训练所述迁移学习-反向传播神经网络的模型，确定所述第二装置模型的步骤包括：
16.一种炼化过程的预测装置，其特征在于，包括：
17.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～15中任一项所述的炼化结果的预测方法。
...【技术特征摘要】
1.一种炼化结果的预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的预测方法，其特征在于，所述基于所述第一炼化数据集，训练所述第一炼化装置的第一装置模型，以确定其第一权值参数的步骤包括：
3.如权利要求2所述的预测方法，其特征在于，所述预处理所述第一炼化数据集，以对所述多数的炼化数据进行标准化处理的步骤包括：
4.如权利要求2所述的预测方法，其特征在于，所述基于所述第一训练集中的数据，对反向传播神经网络的模型进行训练，以获得所述第一炼化装置的第一装置模型，以确定其第一权值参数的步骤包括：
5.如权利要求4所述的预测方法，其特征在于，所述通过所述输入变量的数据，训练所述反向传播神经网络的模型，以获得所述第一权值参数的步骤包括：
6.如权利要求4所述的预测方法，其特征在于，所述通过所述输入变量的数据，训练所述反向传播神经网络的模型，以获得所述第一权值参数的步骤，还包括：
7.如权利要求6所述的预测方法，其特征在于，所述在确定所述输入层的节点数和所述输出层的节点数后，通过所述第一训练集和所述第一测试集，确定优化后的所述反向传播神经网络的损失函数的步骤包括：
8.如权利要求6所述的预测方法，其特征在于，所述通过所述输入变量的数据，训练所述反向传播神经网络的模型，以获得所述第一权值参数的步骤，还包括：
9.如权利要求8所述的预测方法，其特征在于，所述响应于获得优化后的所述损失函数和所述优化函数，优化所述反向传...
【专利技术属性】
技术研发人员：杜文莉，曹跃，李智，钟伟民，钱锋，杨明磊，唐漾，
申请(专利权)人：华东理工大学，
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。