CN109726845B - 加氢裂化的产品收率预测方法、模型建立方法和存储设备 - Google Patents
加氢裂化的产品收率预测方法、模型建立方法和存储设备 Download PDFInfo
- Publication number
- CN109726845B CN109726845B CN201711047186.6A CN201711047186A CN109726845B CN 109726845 B CN109726845 B CN 109726845B CN 201711047186 A CN201711047186 A CN 201711047186A CN 109726845 B CN109726845 B CN 109726845B
- Authority
- CN
- China
- Prior art keywords
- data
- product yield
- condition information
- property information
- working condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004517 catalytic hydrocracking Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000002994 raw material Substances 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000003350 kerosene Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000002283 diesel fuel Substances 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004989 laser desorption mass spectroscopy Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000005504 petroleum refining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了加氢裂化的产品收率预测方法、模型建立方法和存储设备，其中所述模型建立方法包括步骤：分别获取工况信息和性质信息数据；根据预设规则对所述工况信息进行校正；将产品性质信息数据进行扩充；通过建立工况信息和性质信息数据的对应关系，构建初级建模数据；对初级建模数据进行数据筛选获取建模数据；对建模数据进行分类模型训练，获取产品收率的重点参数项；根据产品的收率的重点参数项生成产品收率预测模型。通过本发明，能够使工况信息和性质信息数据之间就具有了更好的对应性，且重点参数项的选取更加高效，因此，就可以使由此建立的产品收率预测模型的预测准确率更加的精确。
Description
技术领域
本发明涉及石油化工领域，特别是涉及加氢裂化的产品收率预测方法、模型建立方法和存储设备。
背景技术
石油是一种重要能源和优质化工原料、是关系国计民生的重要战略物资，石油工业是我国国民经济的重要基础产业。改革开放以来，我国经济高速发展，对能源的需求越来越大。
随着信息技术的发展，石油炼化生产装置信息化程度越来越高，随之也就积累了大量生产数据；这些数据背后隐藏着大量重要的生产信息，而大数据技术正是挖掘和利用这些信息的最有效手段。它是通过对庞大的数据进行专业化处理，从而发现数据内在的规律，来对生产流程中的各个环节进行预判，进而支撑生产决策。
CN104804761公开了一种加氢裂化装置的收率实时预测方法，包括：将实时数据库中的加氢裂化原料油的密度、硫含量、氮含量、进料负荷、催化剂床层温度、反应压力、氢油体积比作为预测模型的输入参数，来生成收率的预测模型。
发明人经过研究发现，现有技术中通过大数据进行石油炼化生产过程中各个环节的预判方式至少存在以下缺陷：
由于用于工况参数值参数值输入的取值的有效性一直不稳定，所以很难构建结果准确的预测模型来对产品的收率进行预判。
发明内容
针对现有技术的不足，本发明提供加氢裂化的产品收率预测方法、模型建立方法和存储设备。本发明可以提高加氢裂化的产品收率预测准确度。
本发明提供一种加氢裂化的产品收率预测模型建立方法，包括步骤：
S11、分别获取实时数据库***的历史数据中的工况信息，和，实验室信息管理***LIMS的历史数据中的性质信息数据；所述性质信息数据包括预设产品的产品属性信息和多种原料的原料性质信息；
S12、根据时序分别对所述工况信息和所述性质信息数据进行排序；
S13、根据预设规则对所述工况信息进行校正，所述预设规则包括：分别获取每个所述工况信息所对应的时间点，对所述时间点前后预设时段内的所有工况信息进行中值计算，以生成所述工况信息修正后的工况信息；
S14、将所述性质信息数据进行扩充，包括：将所述性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致；
S15、通过建立所述工况信息和所述性质信息数据的对应关系，构建初级建模数据；
S16、对所述初级建模数据进行数据筛选获取建模数据；所述数据筛选包括对所述初级建模数据进行产品流量的聚类，并根据聚类结果从所述初级建模数据获取最高转化率和最低转化率两个群组；进行产品收率的稳定性过滤，包括：当某一时间点之前的预设时段内产品的产品收率值波动未超出预设标准时，将所述预设时段内的数据确定为建模数据；
S17、对所述建模数据进行分类模型训练，根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值，获取所述产品收率的重点参数项；
S18、根据所述产品收率的重点参数项生成所述产品收率预测模型。
优选的，在本发明中，所述对所述建模数据进行分类模型训练，包括：
S21、将所述建模数据按照预设比例划分为训练数据和测试数据；
S22、使用所述训练数据进行建模，并使用所述测试数据进行评估；
S23、当评估的结果未达到预设值，调整建模时的参数项和/或迭代次数后返回步骤S21；当评估的结果达到预设值，建模结束。
优选的，在本发明中，所述通过建立所述工况信息和所述性质信息数据的对应关系，构建初级建模数据，包括：
根据所述工况信息和所述性质信息数据的时间对应关系，生成宽表；所述宽表用于将同一时间点的所述工况信息和所述性质信息数据中各个参数项的值进行关联存储。
优选的，在本发明中，所述分类模型包括通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型和神经网络模型中的一种及其任意组合。
优选的，在本发明中，所述根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值，获取所述产品收率的重点参数项，包括：
将权重值高于预设值的参数项，和/或，权重值排序前预设个数的参数项确定为重点参数项。
优选的，在本发明中，所述对所述时间点前后预设时段内的所有工况信息进行中值计算，以生成所述工况信息修正后的工况信息，包括：
所述预设时段为所述时间点前30分钟至所述时间点后30分钟。
优选的，在本发明中，所述时间点间隔粒度为一分钟。
优选的，在本发明中，所述产品包括液化气、轻油、重石、航煤、柴油或尾油。
在本发明实施例的另一面，还提供了一种加氢裂化的产品收率预测方法，包括步骤：
S31、分别获取当前的工况信息和性质信息数据；所述性质信息数据包括产品属性信息和多种原料的原料性质信息；
S32、在所述工况信息和性质信息数据中获取重点参数项的数据值；
S32、以所述重点参数项的数据值为输入，根据产品收率预测模型，生成当前的产品收率的预测值；所述产品收率预测模型包括：
S11、分别获取实时数据库***的历史数据中的工况信息，和，实验室信息管理***LIMS的历史数据中的性质信息数据；所述性质信息数据包括预设产品的产品属性信息和多种原料的原料性质信息；
S12、根据时序分别对所述工况信息和所述性质信息数据进行排序；
S13、根据预设规则对所述工况信息进行校正，所述预设规则包括：分别获取每个所述工况信息所对应的时间点，对所述时间点前后预设时段内的所有工况信息进行中值计算，以生成所述工况信息修正后的工况信息；
S14、将所述性质信息数据进行扩充，包括：将所述性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致；
S15、通过建立所述工况信息和所述性质信息数据的对应关系，构建初级建模数据；
S16、对所述初级建模数据进行数据筛选获取建模数据；所述数据筛选包括对所述初级建模数据进行产品流量的聚类，并根据聚类结果从所述初级建模数据获取最高转化率和最低转化率两个群组；进行产品收率的稳定性过滤，包括：当某一时间点之前的预设时段内的产品收率值波动未超出预设标准时，将所述预设时段内的数据确定为建模数据；
S17、对所述建模数据进行分类模型训练，根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值，获取所述产品收率的重点参数项；
S18、根据所述产品收率的重点参数项生成所述产品收率预测模型。
在本发明实施例的另一面，还提供了一种存储设备，包括软件程序，所述软件程序适于由处理器执行上述加氢裂化的产品收率预测模型建立方法的步骤，或，执行上述加氢裂化的产品收率预测方法的步骤。
由上可以看出，在本发明中，首先通过对工况信息进行了中值计算的方式来修正了工况信息和性质信息数据之间的时间偏差问题，此外，在本发明中，还对性质信息数据进行了数据扩充，以使性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致，这样，工况信息和性质信息数据之间就具有了更好的对应性；还有，在本发明实施例中，还通过聚类的方式来从初级建模数据进行数据筛选出更加具有代表性的建模数据，来使后续的分类模型训练能够更高效的进行重点参数项的选取。由于通过本发明实施例，能够使工况信息和性质信息数据之间就具有了更好的对应性，且重点参数项的选取更加高效和准确，因此，就可以使由此建立的产品收率预测模型的预测准确率更加的精确。
进一步的，在本发明中，还可以通过在建模数据进行分类模型训练时，将建模数据按照预设比例划分为训练数据和测试数据的方式来保证选取重点参数项的模型的效果，因此也就进一步的使由此建立的产品收率预测模型的预测准确率更加的精确。
附图说明
为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域技术人员来讲，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。
图1为本发明中所述加氢裂化的产品收率预测模型建立方法的步骤示意图；
图2为本发明中所述加氢裂化的产品收率预测模型建立方法的又一步骤示意图；
图3为本发明中所述加氢裂化的产品收率预测模型的预测误差示意图；
图4为本发明中所述加氢裂化的产品收率预测方法的步骤示意图；
图5为本发明中所述计算机设备的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了提高加氢裂化的产品收率预测准确度，如图1所示，本发明实施例提供了一种加氢裂化的产品收率预测模型建立方法，包括步骤：
S11、分别获取实时数据库***的历史数据中的工况信息，和，实验室信息管理***（Laboratory Information Management System，LIMS）的历史数据中的性质信息数据；所述性质信息数据包括预设产品的产品属性信息和多种原料的原料性质信息；
在本发明实施例中，实时数据库***中的历史数据中，包括有加氢裂化生产工艺以及相关设备的多方面的参数数据，举例来说，工况信息可以包括在加氢裂化的生产工艺各个主要环节的温度、压力、流量、液位或阀门开度等数据，以及产品的流量或收率等数据。
LIMS***的主要作用是针对各种原料和各种产品的成分、质量等性能指标，进行收集、分析、报告和管理，来完成对实验室工作的各个环节进行全面量化和质量管理。LIMS***的数据库可以存储加氢裂化生产过程中的原料以及各种主要产品（如液化气、轻石脑油、重石脑油、航煤、柴油和尾油等）的性质信息数据；具体来说，性质信息数据可以包括预设产品的产品属性信息和多种原料的原料性质信息；其中，产品属性信息具体可以包括产品的密度、馏程等。
S12、根据时序分别对所述工况信息和所述性质信息数据进行排序；
为了建立工况信息和所述性质信息数据的对应关系，首先要统一这两种数据的排序方式。
在实际应用中，实时数据库***中的工况信息可以通过设于加氢裂化生产现场的集散控制***（Distributed Control System，DCS）进行工况信息的采集。典型的，从实时数据库***中获取的工况信息可以以一分钟为时间间隔粒度，即，工况信息的采集频率可以为每分钟一次，这样，历史数据库中两条相邻的工况信息记录之间的时间差为一分钟。
在实际应用中，LIMS***的数据采集方式一般并不统一，具体来说，原料和各种产品的抽样的时间并不统一，从每4小时检验一次到每周检验一次不等，这样，LIMS的历史数据中的性质信息数据中，两条相邻的性质信息数据之间的时间差就会可能是4小时或是一周；因此，相较于工况信息，性质信息数据的数据量较小，且数据粒度稀疏。
S13、根据预设规则对所述工况信息进行校正，所述预设规则包括：分别获取每个所述工况信息所对应的时间点，对所述时间点前后预设时段内的所有工况信息进行中值计算，以生成所述工况信息修正后的工况信息；
现有技术中，通过预测模型的方式进行产品收率的预测时，其预测的效果较差，发明人经过研究发现，现有技术中的加氢裂化产品收率的预测模型，之所以预测结果不够准确，其原因至少包括，进行模型训练时所用的数据质量较差，具体来说，发明人通过研究加氢裂化的工艺流程自身的特性得知，工况信息的采集时间，与该工况信息影响的产品的性质影响的检出时间，这两个时间点并不是完全同步的；此外，工况信息对于性质信息数据的影响也不是点对点（时间点）的，具体来说，某一时刻的性质信息数据的变化，并不是由某一个时间点的工况信息的变化造成的，而是某一时间段的工况信息的变化，才能造成明确的性质信息数据对应性调整。
基于以上原因，在本发明实施例中，根据预设规则对工况信息进行了校正，以改善工况信息与性质信息数据之间的对应度；
具体来说，预设规则可以包括：分别获取每个工况信息所对应的时间点，对时间点前后预设时段内的所有工况信息进行中值计算，以生成工况信息修正后的工况信息；以时间点前后预设时段为该时间点的前30分钟至该时间点的后30分钟内这一小时的时段为例，修正前，时间点为X年Y月Z日上午10点30分的工况信息的数值为A，修正过程为，对该时间点前半小时（X年Y月Z日上午10点整）至后半小时（X年Y月Z日上午11点整）内所有的工况信息进行中值计算，这样，修正后的工况信息的数值减少了偶然性和跳跃性，相当于采用一个较大的时间段中具有代表性的工况信息数值与性质信息数据之间进行对应，这样，就等于是以计算出的中值数为工况信息的数值，持续了一个时间段，从而造成了性质信息数据的变动；这样，就修正了该中值数与性质信息数据之间的对应关系。
S14、将所述性质信息数据进行扩充，包括：将所述性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致；
在本发明实施例中，针对相较于工况信息，性质信息数据的数据量较小，且数据粒度稀疏这一问题，还对性质信息数据进行了扩充，具体来说，通过将性质信息数据的时间点间隔粒度调整为与工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致；以获取的工况信息的某一参数项为每分钟一条记录、性质信息数据中的某一参数项为每4小时一条记录为例，通过进行数据填充，首先将性质信息数据的记录也设定为每分钟一条，然后将性质信息数据中空白的时间点的数据进行填充，将空白时间点的数据更新为与时序靠前的性质信息数据一致，即，扩充出来的性质信息数据与其前面的已经存储有已有数值的性质信息数据保持一致，也就是说，本发明实施例中认为，在获得下一次性质信息数据采集之前的时间内如果以每分钟来获取性质信息数据，那么，这期间的每分钟的性质信息数据与上一次采集性质信息数据是一样的。
在对性质信息数据进行扩充后，性质信息数据的记录与工况信息同样，都是每分钟一条记录，即，性质信息数据的时间点间隔粒度与工况信息的时间点间隔粒度保持了一致。
S15、通过建立工况信息和性质信息数据的对应关系，构建初级建模数据；
在性质信息数据的时间点间隔粒度与工况信息的时间点间隔粒度保持一致后，就可以建立工况信息和性质信息数据的对应关系，构建初级建模数据了。在实际应用中，可以通过建立宽表的方式，在宽表的条记录中包括某一时间点的性质信息数据的各个参数项和工况信息的各个参数项；当宽表中包括了大量的上述记录后，就构建了初级建模数据，即，根据工况信息和所述性质信息数据的时间对应关系，生成宽表；宽表用于将同一时间点的所述工况信息和所述性质信息数据中各个参数项的值进行关联存储。
S16、对初级建模数据进行数据筛选获取建模数据；数据筛选包括对所述初级建模数据进行产品流量的聚类，并根据聚类结果从所述初级建模数据获取最高转化率和最低转化率两个群组；进行产品收率的稳定性过滤，包括：当某一时间点之前的预设时段内产品的产品收率值波动未超出预设标准时，将所述预设时段内的数据确定为建模数据；
在本发明实施例中，建模数据是用于预判产品收率的，因此，需要从初级建模数据中筛选出能够有效的进行产品的收率预判的数据；具体来说，初级建模数据中，还包括有很多非典型的数据和噪音数据；一方面，初级建模数据中还包括有不能很好的反应对于产品收率的高低的数据，比如，产品收率处于中等的数据中，其工况信息和/或性质信息数据中各个参数项中数值的变化与产品收率变化的对应关系并不明确，为此，在本发明实施例中，采用了聚类的方式来进行数据的筛选，根据聚类结果从初级建模数据获取最高转化率和最低转化率两个群组；从而可以将最高转化率和最低转化率两个群组来作为典型的数据；这些数据中，工况信息和/或性质信息数据中各个参数项中数值的变化与产品收率变化的对应关系较为明确。
另一方面，有时候，当产品收率的变化波动比较大时，往往是由于数据的采集出现了误差，或是一些非典型的异常情况造成的，因此需要排除这些无效的噪音数据。此时，可以通过产品收率稳定性过滤的方式来进行数据清洗，具体来说，可以判断某一时间点之前的预设时段内的产品收率值波动是否超出预设标准，如果是，那么则认为该时间段的数据是有效的，可以作为建模数据；如果某一时间点之前的预设时段内的产品收率值波动超出了预设标准，那么则认为该时间段的数据为噪音数据。
需要说明的是，产品收率值波动的预设标准可以有本领域技术人员根据实际情况来设定，在此并不做具体数值的限定。
通过本步骤，可以从初级建模数据中获取典型且有效的数据来作为建模数据。
S17、对所述建模数据进行分类模型训练，根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值，获取所述产品收率的重点参数项；
在实际应用中，加氢裂化装置的运行过程中，涉及到的DCS***的工况信息的参数项超过五百多项，其中大部分对产品的产品收率影响并不显著，因此，需要从众多的工况信息和所述原料性质信息中确定出那些对于产品收率的影响较大的各个参数项。
在获取了建模数据后，为了能够从众多的工况信息和所述原料性质信息中各个参数项中确定出哪些参数项对于产品收率的影响较大，以及具体的影响方式，在本发明实施例中，对建模数据进行分类模型训练，通过获取工况信息和原料性质信息中各个参数项对于产品收率的影响权重的权重值，来获取产品收率的重点参数项。
对建模数据进行分类模型训练的方式具体可以如图2所示，包括步骤：
S21、将建模数据按照预设比例划分为训练数据和测试数据；
在实际应用中，可以将预设比例设定为7比3，即，70%的数据用来作为训练数据，另外30%的数据用来作为测试数据。需要说明的是，在本发明实施例中，预设比例的数值设定是可以根据本领域技术人员的需要进行调整和设定，在此并不做具体的限定。
S22、使用训练数据进行建模，并使用测试数据进行评估；
通过训练数据进行建模，来构建用于进行产品收率预测的模型；在实际应用中，本发明实施例中所使用的分类模型可以是通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型或神经网络模型，或是通过其中两种以上的模型来互为印证和修正。
测试数据可以在建模过程中进行结果评估，以验证预测模型的准确度和有效性。
S23、当评估的结果未达到预设值，调整建模时的参数项和/或迭代次数后返回步骤S21；当评估的结果达到预设值，建模结束。
通过测试数据可以判断预测模型的预测准确定和有效性，在不断地进行工况信息和原料性质信息中各个参数项的调整以获得更佳的预测结果的过程中，可以获取到每种参数项对于产品收率的影响权重的权重值，即，每种参数项对于产品收率的影响程度，这样，就可以从众多的参数项中来确定出那些是影响产品收率的重点参数项，在实际应用中，可以将权重值高于预设值的参数项，和/或，权重值排序前预设个数的参数项确定为重点参数项。
S18、根据产品收率的重点参数项生成产品收率预测模型。
在确定了用于预测产品收率的重点参数项后，可以使用全量的建模数据进行建模，以生成产品收率预测模型。
在依据本发明实施中技术方案进行的实验中，其过程和获得的数据如下：
以对航煤的收率进行预测为例，在根据预设规则对工况信息进行了校正时，分别获取每个工况信息所对应的时间点，对时间点前30分钟至该时间点的后30分钟内这一小时的时段所有工况信息进行中值计算，以生成工况信息修正后的工况信息；在采用神经网络对建模数据进行训练后，获得的重点参数项主要包括：床层平均温度、进料量、航煤出装置流量、重石脑油流量、原料油的终馏点、循环氢中硫化氢的含量、原料油的硫含量、原料油的初馏点、航煤汽提塔底温度、航煤终馏点等。在使用测试数据进行建模效果的评估时，预测得出的曲线图和测试数据实际的曲线图，在波峰和波谷等位置都能具有很好的拟合度，说明通过本发明的产品收率预测模型，可以取得很准确的预测效果。
图3示出了通过本发明的产品收率预测模型预测出的航煤收率的预测值与测试数据所提供的实际值的相对误差的概率分布情况，根据图3的现实可以得知，80%的测试样本实际值与预测值的相对误差小于等于0.1031；95%的测试样本实际值与预测值的相对误差小于等于0.1870；因此可以得知，本发明中的产品收率预测模型的泛化能力优秀，可以取得很准确的预测效果。
综上所述，在本发明实施例中，首先通过对工况信息采用了中值计算的方式来修正了工况信息和性质信息数据之间的时间点无法对应的问题，此外，在本发明实施例中，还对性质信息数据进行了数据扩充，以使性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致，这样，工况信息和性质信息数据之间就具有了更好的对应性；还有，在本发明实施例中，还通过聚类的方式来从初级建模数据进行数据筛选出更加具有代表性的建模数据，来使后续的分类模型训练能够更高效的进行重点参数项的选取。由于通过本发明实施例，能够使工况信息和性质信息数据之间就具有了更好的对应性，且重点参数项的选取更加高效和准确，因此，就可以使由此建立的产品收率预测模型的预测准确率更加的精确。
进一步的，在本发明实施例中，还可以通过在建模数据进行分类模型训练时，将建模数据按照预设比例划分为训练数据和测试数据的方式来保证选取重点参数项的模型的效果，因此也就进一步的使由此建立的产品收率预测模型的预测准确率更加的精确。
在本发明实施例中，还提供了一种加氢裂化的产品收率预测方法，如图4所示，包括步骤：
S31、分别获取当前的工况信息和性质信息数据；性质信息数据包括产品属性信息和多种原料的原料性质信息；
在图1所对应的实施例中，记载了一种加氢裂化的产品收率预测模型的建立方法，具体的技术方案可以参照上述实施例的记载，在此不再赘述。
本发明实施例中的加氢裂化的产品收率预测方法，可以是基于上述产品收率预测模型的，即，可以通过上述的产品收率预测模型。来实施本发明实施例中的收率预测方法；
本发明实施例中的产品收率预测方法是基于加氢裂化装置实时的工况信息和性质信息数据的，即，需要获取当前的工况信息和性质信息数据，本发明实施例中的工况信息可以通过设于加氢裂化生产现场的集散控制***（Distributed Control System，DCS）进行工况信息的采集，包括在加氢裂化的生产工艺各个主要环节的温度、压力、流量、液位或阀门开度等数据。
LIMS***的数据库可以存储加氢裂化生产过程中的原料以及各种主要产品（如液化气、轻石脑油、重石脑油、航煤、柴油和尾油等）的性质信息数据；具体来说，性质信息数据可以包括预设产品的产品属性信息和多种原料的原料性质信息；其中，产品属性信息具体可以包括产品的密度或馏程等。
S32、在工况信息和性质信息数据中获取重点参数项的数据值；
本发明实施例中的重点参数项的获取方式，也可以参照图1所对应的加氢裂化的产品收率预测模型的建立方法中的记载来实施，在此不再赘述。
重点参数项是众多的工况信息和所述原料性质信息中确定出那些对于产品收率的影响较大的各个参数项。
S32、以重点参数项的数据值为输入，根据图1所对应实施例中所述的产品收率预测模型，生成当前的产品收率的预测值。
重点参数项是用于产品收率预测模型输入的参数项，通过在工况信息和性质信息数据中获取重点参数项的数据值，可以输入产品收率预测模型，来生成当前的产品收率的预测值。
本发明实施例，可以作为图1所对应实施例的一种具体的应用方式，也可以作为其他预测模型的应用方式，只要能够获取到重点参数项，就可以通过本发明实施例中的产品收率预测模型来进行产品的收率的预测。
当本发明通过图1所对应实施例中所述产品收率预测模型进行产品收率预测时，其有益效果也和图1所对应实施例类似，即，首先通过对工况信息采用了中值计算的方式来修正了工况信息和性质信息数据之间的时间点无法对应的问题，此外，在本发明实施例中，还对性质信息数据进行了数据扩充，以使性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致，这样，工况信息和性质信息数据之间就具有了更好的对应性；还有，在本发明实施例中，还通过聚类的方式来从初级建模数据进行数据筛选出更加具有代表性的建模数据，来使后续的分类模型训练能够更高效的进行重点参数项的选取。由于通过本发明实施例，能够使工况信息和性质信息数据之间就具有了更好的对应性，且重点参数项的选取更加高效和准确，因此，就可以使由此建立的产品收率预测模型的预测准确率更加的精确。
进一步的，在本发明实施例中，还可以通过在建模数据进行分类模型训练时，将建模数据按照预设比例划分为训练数据和测试数据的方式来保证选取重点参数项的模型的效果，因此也就进一步的使由此建立的产品收率预测模型的预测准确率更加的精确。
在本发明实施例中，还提供了一种存储设备，其中，存储设备包括软件程序，软件程序适于处理器执行图1所对应的加氢裂化的产品收率预测模型建立方法，以及，图4所对应的加氢裂化的产品收率预测方法中的各个步骤。
本发明实施例可以通过软件程序的方式来实现，即，通过编写用于实现图1所对应的加氢裂化的产品收率预测模型建立方法，以及，图4所对应的加氢裂化的产品收率预测方法中的各个步骤的软件程序（及指令集），所述软件程序存储于存储设备中，存储设备设于计算机设备中，从而可以由计算机设备的处理器调用该软件程序以实现本发明实施例的目的。
下面通过计算机设备来说明本发明实施例，如图5所示，计算机终端包括总线201、存储设备202、处理器203和通信模块204；
总线201用于连接存储设备202和处理器203；处理器203用于执行存储设备202中的软件程序；通信模块204用于与实时数据库***和LIMS进行通信。
由于本发明实施例中的存储设备和加氢裂化的产品产品收率预测模型建立方法的工作原理和有益效果已经在图1所对应的加氢裂化的产品收率预测模型建立方法，以及，图4所对应的加氢裂化的产品收率预测方法的实施例中做了详尽的记载和描述，这样，就可以参照图1所对应的加氢裂化的产品收率预测模型建立方法，以及，图4所对应的加氢裂化的产品收率预测方法的实施例来理解本发明实施例中的存储设备，在此就不再赘述。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储设备中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储设备包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、ReRAM、MRAM、PCM、NAND Flash，NOR Flash，Memristor、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种加氢裂化的产品收率预测模型建立方法，其特征在于，包括步骤：
S11、分别获取实时数据库***的历史数据中的工况信息，和，实验室信息管理***LIMS的历史数据中的性质信息数据；所述性质信息数据包括预设产品的产品属性信息和多种原料的原料性质信息；
S12、根据时序分别对所述工况信息和所述性质信息数据进行排序；
S13、根据预设规则对所述工况信息进行校正，所述预设规则包括：分别获取每个所述工况信息所对应的时间点，对所述时间点前后预设时段内的所有工况信息进行中值计算，以生成所述预设时段内各个修正后的工况信息；
S14、将所述性质信息数据进行扩充，包括：将所述性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致，并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致；
S15、通过建立所述工况信息和所述性质信息数据的对应关系，构建初级建模数据；
S16、对所述初级建模数据进行数据筛选获取建模数据；所述数据筛选包括对所述初级建模数据进行产品流量的聚类，并根据聚类结果从所述初级建模数据获取最高转化率和最低转化率两个群组；进行产品收率的稳定性过滤，包括：当某一时间点之前的预设时段内的产品收率值波动未超出预设标准时，将所述预设时段内的数据确定为建模数据；
S17、对所述建模数据进行分类模型训练，根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值，获取所述产品收率的重点参数项；
S18、根据所述产品收率的重点参数项生成所述产品收率预测模型。
2.根据权利要求1中所述产品收率预测模型建立方法，其特征在于，所述对所述建模数据进行分类模型训练，包括：
S21、将所述建模数据按照预设比例划分为训练数据和测试数据；
S22、使用所述训练数据进行建模，并使用所述测试数据进行评估；
S23、当评估的结果未达到预设值，调整建模时的参数项和/或迭代次数后返回步骤S21；当评估的结果达到预设值，建模结束。
3.根据权利要求2中所述产品收率预测模型建立方法，其特征在于，所述通过建立所述工况信息和所述性质信息数据的对应关系，构建初级建模数据，包括：
根据所述工况信息和所述性质信息数据的时间对应关系，生成宽表；所述宽表用于将同一时间点的所述工况信息和所述性质信息数据中各个参数项的值进行关联存储。
4.根据权利要求3中所述产品收率预测模型建立方法，其特征在于，所述分类模型包括通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型和神经网络模型中的一种及其任意组合。
5.根据权利要求4中所述产品收率预测模型建立方法，其特征在于，所述根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值，获取所述产品收率的重点参数项，包括：
将权重值高于预设值的参数项，和/或，权重值排序前预设个数的参数项确定为重点参数项。
6.根据权利要求5中所述产品收率预测模型建立方法，其特征在于，所述对所述时间点前后预设时段内的所有工况信息进行中值计算，以生成所述工况信息修正后的工况信息，包括：
所述预设时段为所述时间点前30分钟至所述时间点后30分钟。
7.根据权利要求6中所述产品收率预测模型建立方法，其特征在于，所述时间点间隔粒度为一分钟。
8.根据权利要求1至7中任一所述产品收率预测模型建立方法，其特征在于，所述产品包括液化气、轻石脑油、重石脑油、航煤、柴油或尾油。
9.一种加氢裂化的产品收率预测方法，其特征在于，包括步骤：
S31、分别获取当前的工况信息和性质信息数据；所述性质信息数据包括产品属性信息和多种原料的原料性质信息；
S32、在所述工况信息和性质信息数据中获取重点参数项的数据值；
S32、以所述重点参数项的数据值为输入，根据如权利要求1至8中任一所述产品收率预测模型，生成当前的产品收率的预测值。
10.一种存储设备，其特征在于，包括软件程序，所述软件程序适于由处理器执行如权利要求1至8中任一所述加氢裂化的产品收率预测模型建立方法的步骤，或，执行如权利要求9所述加氢裂化的产品收率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711047186.6A CN109726845B (zh) | 2017-10-31 | 2017-10-31 | 加氢裂化的产品收率预测方法、模型建立方法和存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711047186.6A CN109726845B (zh) | 2017-10-31 | 2017-10-31 | 加氢裂化的产品收率预测方法、模型建立方法和存储设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109726845A CN109726845A (zh) | 2019-05-07 |
| CN109726845B true CN109726845B (zh) | 2022-03-04 |
Family
ID=66293716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711047186.6A Active CN109726845B (zh) | 2017-10-31 | 2017-10-31 | 加氢裂化的产品收率预测方法、模型建立方法和存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726845B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115454009A (zh) * | 2022-11-11 | 2022-12-09 | 常熟理工学院 | 用于化工生产的组分配制模型预测控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104789256A (zh) * | 2015-03-26 | 2015-07-22 | 华东理工大学 | 一种催化裂化装置的收率实时预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104804761B (zh) * | 2015-03-26 | 2016-08-24 | 华东理工大学 | 一种加氢裂化装置的收率实时预测方法 |
| CN106845796B (zh) * | 2016-12-28 | 2018-04-13 | 中南大学 | 一种加氢裂化流程产品质量在线预测方法 |
-
2017
- 2017-10-31 CN CN201711047186.6A patent/CN109726845B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104789256A (zh) * | 2015-03-26 | 2015-07-22 | 华东理工大学 | 一种催化裂化装置的收率实时预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109726845A (zh) | 2019-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875784B (zh) | 用于工业中的性能指标的基于数据的优化的方法和*** | |
| US20200387818A1 (en) | Asset Optimization Using Integrated Modeling, Optimization, and Artificial Intelligence | |
| CA2945543C (en) | Improving future reliability prediction based on system operational and performance data modelling | |
| US11754998B2 (en) | System and methods for automated model development from plant historical data for advanced process control | |
| US20180082002A1 (en) | Systems and methods for online model validation | |
| US11995667B2 (en) | Systems and methods for business analytics model scoring and selection | |
| CN110021377B (zh) | 加氢裂化催化剂的失活预测方法、装置和存储设备 | |
| CN116597939A (zh) | 基于大数据的药品质量控制管理分析***及方法 | |
| Tan et al. | A methodology for augmenting sparse pairwise comparison matrices in AHP: applications to energy systems | |
| CN111849544B (zh) | 加氢裂化的产品质量自控方法、装置和存储器 | |
| CN109726845B (zh) | 加氢裂化的产品收率预测方法、模型建立方法和存储设备 | |
| Kazantzi et al. | Managing uncertainties in a safety-constrained process system for solvent selection and usage: an optimization approach with technical, economic, and risk factors | |
| CN111931323B (zh) | 存储器、加氢裂化设备故障预测方法、装置和设备 | |
| Loterman et al. | A proposed framework for backtesting loss given default models | |
| CN111849545B (zh) | 加氢裂化的产品质量预测方法、装置和存储器 | |
| Schroeder et al. | Predicting and evaluating software model growth in the automotive industry | |
| JP7428157B2 (ja) | 解析装置、解析方法およびプログラム | |
| Holdaway | Data mining methodologies enhance probabilistic well forecasting | |
| CA3160715A1 (en) | Systems and methods for business analytics model scoring and selection | |
| CN112116139A (zh) | 一种电力需求预测方法及*** | |
| CN104200383A (zh) | 一种基于多元回归分析在税务决策上的应用 | |
| BuKhamseen et al. | Rigorous Performance Evaluation of Stochastic Optimization for Water Injection Strategies | |
| CN106779366A (zh) | 项目管理过程绩效模型及其构建方法和绩效模型管理*** | |
| Lyvia | Application of Data Mining to Predict Stock Price Movements in MNC Bank Using K-Nears Neighbor | |
| Liu et al. | Continuous reservoir simulation model updating and forecasting using a markov chain monte carlo method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231016 Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Patentee after: Sinopec (Dalian) Petrochemical Research Institute Co.,Ltd. Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Patentee before: CHINA PETROLEUM & CHEMICAL Corp. Patentee before: DALIAN RESEARCH INSTITUTE OF PETROLEUM AND PETROCHEMICALS, SINOPEC Corp. |