CN111027733A - 一种基于大数据技术的石油化工装置产品收率优化方法 - Google Patents

一种基于大数据技术的石油化工装置产品收率优化方法 Download PDF

Info

Publication number
CN111027733A
CN111027733A CN201811175992.6A CN201811175992A CN111027733A CN 111027733 A CN111027733 A CN 111027733A CN 201811175992 A CN201811175992 A CN 201811175992A CN 111027733 A CN111027733 A CN 111027733A
Authority
CN
China
Prior art keywords
product yield
neural network
data
optimal
optimization method
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.)
Pending
Application number
CN201811175992.6A
Other languages
English (en)
Inventor
覃伟中
田健辉
罗重春
蒋白桦
徐盛虎
陈齐全
郑京禾
邸金海
雷凡
陆志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Original Assignee
China Petroleum and Chemical Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp filed Critical China Petroleum and Chemical Corp
Priority to CN201811175992.6A priority Critical patent/CN111027733A/zh
Publication of CN111027733A publication Critical patent/CN111027733A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Genetics & Genomics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于大数据技术的石油化工装置产品收率优化方法，包括：收集装置的历史生产数据，并对收集的数据进行清洗和整定，获得用于优化产品收率的数据样本；对所述数据样本进行相关性分析，筛选出与产品收率相关的工艺参数；利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型；在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。

Description

一种基于大数据技术的石油化工装置产品收率优化方法
技术领域
本发明属于大数据技术应用领域，尤其涉及一种基于大数据技术的石油化工装置产品收率优化方法。
背景技术
石油化工是基础性产业，它为农业、能源、交通、机械、电子、纺织、轻工、建筑、建材等工农业和人民日常生活提供配套用品和服务，在国民经济中占有举足轻重的地位，是我国的支柱产业。石油化工生产是一系列的复杂的物理、化学反应进行组合的过程，有些过程缺乏有效的、严格的机理角度的描述。面对石油化工行业难以采用传统技术手段进行问题分析的弊端，引入大数据技术是解决该弊端的新的思路和方法。
2001年，Gartner公司的一份研究报告首次出现“大数据”概念的提法。进入2012年，大数据一词越来越多地被提及，人们用它来描述和定义信息***时代产生的海量数据，并命名与之相关的技术发展与创新。越来越多的政府、企业等机构开始意识到数据正在成为其最重要的资产，数据分析能力正在成为其的核心竞争力。2013年3月22日，奥巴马政府宣布投资2亿美元拉动大数据相关产业发展，将“大数据战略”上升为国家战略。奥巴马政府将数据定义为“未来的新石油”，并表示一个国家拥有数据的规模、活性及解释运用的能力将成为综合国力的重要组成部分；未来，对数据的占有和控制甚至将成为陆权、海权、空权之外的另一种国家核心资产。这也是继1993年9月美国政府启动“信息高速公路”计划后，国家层面发力在信息领域的又一次“狂飙猛进”。
大数据技术在国内也呈现了快速发展的趋势，国内金融业、互联网、通讯、电子商务等行业应用大数据技术都取得了良好的效果。
近年来，京东、淘宝等网络零售第三方交易平台和电子商务网站蓬勃发展，聚集了大量的经营者、消费者和相关商品及服务，并因此产生了大量的数据。利用大数据技术，对网络购物、网络消费、网上支付数据等进行深度挖掘、深入分析，可发现大量有价值的信息和统计规律，对布局和推动今后互联网经济的健康有序发展、对进一步规范经营者和消费者的电子商务活动、加强国家对该领域的宏观调控和监管等，均产生了积极的作用。
在石化领域，国外已进行试验性探索，如英国石油(BP)公司对海量管道传感数据进行分析，发现管道压力数据与管道腐蚀程度的关联关系，可作为管道腐蚀程度的表征。基于原油运输历史数据，按照对管道的腐蚀能力将原油进行分类，从而更好地安排原油输运，降低管道腐蚀的风险。
对石油行业来说，国内石油企业将会把更多的新技术应用于战略决策、科技研发、生产经营和安全环保等各个领域，目的是为了从大数据资源中挖掘更多的财富和价值。大数据应用是石油行业信息化深入、IT与业务深度融合的必然，在我国石油石化行业应用的前景将越来越广阔。随着石油储备的逐步减少，石油石化行业产业链中的勘探、开发难度日益增大，信息化的成熟度已经成为影响行业增长幅度的首要因素。
石化行业具有原料性质繁杂和生产过程复杂的特点，这也是大数据技术尚未在石化行业普遍应用的原因。目前国内应用大数据技术在石油化工装置收率优化的研究处于空白阶段，完全依赖于专家的经验，不能简单有效地对收率进行优化，以及无法确定最佳收率时的具体操作条件。
发明内容
为解决上述技术问题，本发明的主要目的在于提供一种基于大数据技术的石油化工装置产品收率优化方法，以解决现有技术中对收率优化时完全依赖与专家经验，不能简单有效地对收率进行优化，以及无法确定最佳收率时的具体操作条件的问题。
本发明的目的是通过以下技术方案实现的：
一种基于大数据技术的石油化工装置产品收率优化方法，包括以下步骤：
收集装置的历史生产数据，并对收集的数据进行清洗和整定，获得用于优化产品收率的数据样本；
对所述数据样本进行相关性分析，筛选出与产品收率相关的工艺参数，所述工艺参数包括影响产品收率的原料油性质参数和生产中可调控的操作变量；
利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型；
在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。
优选地，所述历史生产数据包括生产过程数据和分析化验数据。
优选地，对收集的数据进行清洗和整定包括删除所述数据中误差超过给定阈值的原始数据。
优选地，采用粗糙集算法对所述数据样本进行相关性分析，根据相关系数的大小筛选出与产品收率相关的工艺参数。
优选地，所述神经网络算法为BP神经网络算法。
其中，利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型，具体包括以下步骤：
选取不同的隐含层神经元个数建立不同的神经网络模型，并将所述数据样本导入神经网络模型进行训练，然后通过检验模型精度确定最佳隐含层神经元个数，据此确定最佳BP神经网络的结构，建立最佳BP神经网络模型；
利用遗传算法训练最佳BP神经网络模型的系数，生成产品收率预测模型。
优选地，所述隐含层神经元个数为6到25。
此外，根据本发明的另一个实施例，优选地，对产品收率预测模型进行测试，只有当所述产品收率预测模型的精度满足预设的精度条件后，才利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。
优选地，所述装置约束条件是指在装置允许的操作范围内。
优选地，以图形化的方式展示获得所述最佳产品收率的操作方案。
与现有技术相比，本发明具有如下优点或有益效果：
1)本发明利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型；在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及获得此最佳产品收率的操作条件，避免了艰难的机理分析，所用方法直观有效，为石油化工装置的产品分布优化提供了一种便捷的方法。
2)本发明优选采用粗糙集方法，对影响产品收率的原料油性质和操作变量进行筛选，不需要数据样本之外的任何先验知识即可对数据样本进行相关性分析。采用BP神经网络拟合产品收率的预测模型，采用遗传算法优化神经网络参数以及可调控的操作条件，从而获得最佳产品收率的操作方案。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。
图1为本发明采用的神经网络拓扑结构图；
图2为本发明采用的遗传算法流程图；
图3为本发明一种实施例的方法流程图；
图4为图3所示实施例的隐含层神经元个数与均方误差关系的示意图；
图5为本发明另一种实施例的方法流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。
下面结合附图对本发明的技术方案进行进一步说明。
如图1所示，为本发明采用的神经网络拓扑结构图。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。神经网络是一种运算模型，由大量的节点(神经元)相互连接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则根据网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
神经网络算法是根据部分输入-输出数据规律推算出新输入输出结果，具有很强的自学习和自训练能力，是一种模仿生物神经***构成的新的信息处理模型，并具有独特的结构，所以人们期望它能解决一些用传统方法难以解决的问题。
实际应用中神经网络又可分为BP网络、径向基网络、递归网络等，作为根据由于需要求解内部机制复杂的工业生产过程，本发明采用了BP神经网络。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络模型拓扑结构包括输入层、隐层和输出层。
BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。
图2为遗传算法流程图，函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用手段，目前构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法可以方便的得到较好的结果。经验证用遗传算法进行以神经网络为基础的参数寻优，其结果与实际操作结果相符合。其具体算法流程为本领域技术人员公知常识，在此不再赘述(请参考图2)。
在遗传算法的流程中有几个关键元素：
1)适应度值评估函数。这个函数是算法的关键，用于计算群体中各个个体的适应度。也就是对繁衍出来的后代进行评估打分，是优秀，还是一般，还是很差，用这个函数进行量化。
2)选择运算规则：又称选择算子。选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。最常见的是轮盘赌算法，也是本实施例中采用的选择算法，这个算法比较简单有效。选择算法目前已有的有10种之多，各种不同业务可以按需选择。
如图3所示，为本发明一实施例的方法流程图。本发明主要利用了神经网络和遗传算法，通过遗传算法优化的BP神经网络模型来确定产品最佳收率和最佳收率时的操作条件。该方法主要包括以下步骤：
S11：收集装置的历史生产数据并对收集的数据进行清洗和整定，获得用于进行产品收率分析优化的大数据数据样本。
其中，所述历史生产数据主要包括生产过程数据和分析化验数据，在对收集的数据进行清洗和整定时剔除原始数据中具有显著误差的数据，以降低随机误差对测量值的影响，以及当存在未测量的变量时，对这些变量进行估计和补充。
S12：对所述数据样本进行相关性分析，根据相关系数的大小筛选出对产品收率有较大影响的工艺参数。在此，所述工艺参数主要包括描述原料油性质的参数和生产中可调控的操作变量。由于粗糙集算法不需要数据样本之外的任何先验知识即可对所述数据样本进行相关性分析，因此在本实施例中优选利用粗糙集算法进行数据相关性分析。
S13：利用BP神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型。
通常，BP神经网络模型采用三层网络结构，即输入层、隐含层和输出层。输入层的神经元为上一步骤筛选出的工艺参数，输出层神经元的个数通常为1个(在本实施例中即汽油收率)。神经网络模型在学习的时候设定最大迭代次数和学习率，采用L-M算法训练BP神经网络。L-M(Levenberg-Marquardt)算法是一种非线性最小二乘算法，它是基于Gauss-Newton算法的改进，改进后的L-M算法在非线性程度很高的最小二乘问题上具有更强的适应性和更快的收敛速度，因此L-M算法在工程技术和科学实验中常用来进行参数拟合、参数估算和函数逼近。
BP神经网络最重要的任务是确定隐含层神经元的个数，因为隐含层神经元个数对BP神经网络预测精度有较大的影响：神经元个数太多，训练时间增加，网络容易过拟合；节点数太少，网络不能很好的学习，需要增加训练次数。隐含层神经元个数计算式如下：
Figure BDA0001823730420000071
式中：H是隐含层神经元个数；m为输入层神经元个数；n为输出层神经元个数；L是1至10之间的常数。
由于BP神经网络的大量并行分布结构和非线性动态特性，使得通过上式在实际计算时难以取得理想效果。为了找到最优的网络结构，本实施例将隐含层神经元个数由6逐渐增加到25(如图4所示)，选取不同的隐含层神经元个数建立不同的BP神经网络模型，并将所选择的训练数据导入BP神经网络模型进行训练，然后检验模型精度，例如比较每次验证样本的均方误差，以此确定最佳隐含层神经元个数，从而确定最佳BP神经网络的结构，建立最佳BP神经网络模型。图4示出了本实施例的隐含层神经元个数与均方误差关系的示意图。
在本实施例中，在汽油收率寻优过程中，采用遗传算法，确定初始种群个数，并设定迭代次数。在计算极值的过程中把训练后的神经网络预测结果作为个体适应度值，计算式如下：
Fi＝y汽油收率i
式中：Fi为个体i的适应度值；y汽油收率i为个体i汽油收率神经网络预测值。
采用轮盘赌法选择个体，它是选择适应度所占比例较大的个体进入下一代，计算式如下：
fi＝k/Fi
Figure BDA0001823730420000072
由于适应度值越小越好，所以在个体选择前对适应度值求倒数得到处理后的个体适应度。式中：k为系数，fi为个体i的处理后的适应度值，fj是个体j的处理后的适应度值，N为种群个体数目，pi为每个个体被遗传到下一代群体中的概率。
交叉操作是产生新个体的主要方式，但是随机选择个体交叉操作会导致有效基因的缺失，交叉概率一般在0.6～0.9之间；变异操作可以为种群提供新的基因，变异概率通常较小，一般在0～0.1之间。
S14：在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。
在本实施例中，所述装置约束条件是指装置允许的操作范围。具体地，根据生产安全要求，对所述产品收率预测模型所涉及到的变量设置调控范围(其中不可调控变量设为固定值)，如：反应温度的调控范围是+-5℃。在运行所述产品收率预测模型时，将各变量的调控范围作为约束条件，在所述约束条件下寻找最佳产品收率，并得到各项可调控的操作变量在此最佳产品收率下的取值。
S15：为装置操作人员展示获得所述最佳产品收率的操作方案。
在本实施例中，将产品收率预测值、操作优化的计算结果以及获得所述最佳产品收率的操作方案(包括操作条件)，以图形化的方式展示出来，为操作人员优化装置操作提供参考。
如图5所示，为本发明另一实施例的方法流程图。该实施例与实施例一不同，在该实施例中，还包括以所述数据样本为测试样本，对产品收率预测模型进行测试，然后判断所述产品收率预测模型的精度是否满足预设的精度条件这一步骤。只有当所述产品收率预测模型的精度满足预设的精度条件后，才利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值，以确保结果的准确度。否则，返回上一步骤重新进行执行上一步骤。
在本实施例中，该方法主要包括以下步骤：
S21：收集装置的历史生产数据并对收集的数据进行清洗和整定，获得用于进行产品收率分析优化的大数据数据样本。
其中，所述历史生产数据主要包括生产过程数据和分析化验数据，在对收集的数据进行清洗和整定时剔除原始数据中具有显著误差的数据，以降低随机误差对测量值的影响，以及当存在未测量的变量时，对这些变量进行估计和补充。
S22：对所述数据样本进行相关性分析，根据相关系数的大小筛选出对产品收率有较大影响的工艺参数。在此，所述工艺参数主要包括描述原料油性质的参数和生产中可调控的操作变量。由于粗糙集算法不需要数据样本之外的任何先验知识即可对所述数据样本进行相关性分析，因此在本实施例中优选利用粗糙集算法进行数据相关性分析。
S23：利用BP神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型。
S24：以所述数据样本为测试样本，对产品收率预测模型进行测试。判断所述产品收率预测模型的精度是否满足预设的精度条件。若所述产品收率预测模型的精度满足预设的精度条件，继续执行步骤S25；否则，返回执行步骤S23，重新训练产品收率预测模型。
S25：在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。
在本实施例中，所述装置约束条件是指装置允许的操作范围。
S26：为装置操作人员展示获得所述最佳产品收率的操作方案。
在本实施例中，将产品收率预测值、操作优化的计算结果以及获得所述最佳产品收率的操作方案(包括操作条件)，以图形化的方式展示出来，为操作人员优化装置操作提供参考。
本发明解决了现有技术中对收率优化时完全依赖与专家经验，不能简单有效地对收率进行优化，以及无法确定最佳收率时的具体操作条件的问题。利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型；在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及获得此最佳产品收率的操作条件，避免了艰难的机理分析，所用方法直观有效，为石油化工装置的产品分布优化提供了一种便捷的方法。
应当说明的是，虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种基于大数据技术的石油化工装置产品收率优化方法，包括以下步骤：
收集装置的历史生产数据，并对收集的数据进行清洗和整定，获得用于优化产品收率的数据样本；
对所述数据样本进行相关性分析，筛选出与产品收率相关的工艺参数，所述工艺参数包括影响产品收率的原料油性质参数和生产中可调控的操作变量；
利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型；
在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。
2.根据权利要求1所述的优化方法，其特征在于，
所述历史生产数据包括生产过程数据和分析化验数据。
3.根据权利要求1所述的优化方法，其特征在于，
对收集的数据进行清洗和整定包括删除所述收集的数据中误差超过给定阈值的原始数据。
4.根据权利要求1所述的优化方法，其特征在于，
采用粗糙集算法对所述数据样本进行相关性分析，根据相关系数的大小筛选出与产品收率相关的工艺参数。
5.根据权利要求1所述的优化方法，其特征在于，
所述神经网络算法为BP神经网络算法。
6.根据权利要求5所述的优化方法，其特征在于，
利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型，包括以下步骤：
选取不同的隐含层神经元个数建立不同的神经网络模型，并将所述数据样本导入神经网络模型进行训练，然后通过检验模型精度确定最佳隐含层神经元个数，据此确定最佳BP神经网络的结构，建立最佳BP神经网络模型；
利用遗传算法训练最佳BP神经网络模型的系数，生成产品收率预测模型。
7.根据权利要求6所述的优化方法，其特征在于，选取不同的隐含层神经元个数建立不同的神经网络模型，其中所述隐含层神经元个数为6到25。
8.根据权利要求1所述的优化方法，其特征在于，还包括：
对产品收率预测模型进行测试，只有当所述产品收率预测模型的精度满足预设的精度条件后，才利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。
9.根据权利要求1所述的优化方法，其特征在于，
所述装置约束条件是指在装置允许的操作范围内。
10.根据权利要求1所述的优化方法，其特征在于，
以图形化的方式展示获得所述最佳产品收率的操作方案。
CN201811175992.6A 2018-10-10 2018-10-10 一种基于大数据技术的石油化工装置产品收率优化方法 Pending CN111027733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811175992.6A CN111027733A (zh) 2018-10-10 2018-10-10 一种基于大数据技术的石油化工装置产品收率优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811175992.6A CN111027733A (zh) 2018-10-10 2018-10-10 一种基于大数据技术的石油化工装置产品收率优化方法

Publications (1)

Publication Number Publication Date
CN111027733A true CN111027733A (zh) 2020-04-17

Family

ID=70191628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811175992.6A Pending CN111027733A (zh) 2018-10-10 2018-10-10 一种基于大数据技术的石油化工装置产品收率优化方法

Country Status (1)

Country Link
CN (1) CN111027733A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598306A (zh) * 2020-04-22 2020-08-28 汉谷云智(武汉)科技有限公司 一种炼油厂生产计划优化方法及装置
CN112464554A (zh) * 2020-11-03 2021-03-09 桂林理工大学 一种汽油精制设备的操作参数优化方法
CN113420799A (zh) * 2021-06-10 2021-09-21 北京宜能高科科技有限公司 样本增强方法、模型训练方法及***
CN115496426A (zh) * 2022-11-16 2022-12-20 承德石油高等专科学校 一种工业大数据智能分析决策方法及***
CN115879638A (zh) * 2022-12-30 2023-03-31 东北石油大学 一种油田接转站***碳排放预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090182693A1 (en) * 2008-01-14 2009-07-16 Halliburton Energy Services, Inc. Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm
CN103077267A (zh) * 2012-12-28 2013-05-01 电子科技大学 一种基于改进bp神经网络的参量声源建模方法
CN104778338A (zh) * 2015-05-03 2015-07-15 长春工业大学 一种低能耗分子蒸馏过程给定值的优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090182693A1 (en) * 2008-01-14 2009-07-16 Halliburton Energy Services, Inc. Determining stimulation design parameters using artificial neural networks optimized with a genetic algorithm
CN103077267A (zh) * 2012-12-28 2013-05-01 电子科技大学 一种基于改进bp神经网络的参量声源建模方法
CN104778338A (zh) * 2015-05-03 2015-07-15 长春工业大学 一种低能耗分子蒸馏过程给定值的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王江荣: "基于主成分分析和遗传算法的模糊神经网络在矿井突水判断中的应用", 《计量技术》 *
赵媛媛: "数据挖掘技术在MIP工艺汽油收率优化中的应用", 《中国优秀博硕士学位论文全文数据库（硕士）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598306A (zh) * 2020-04-22 2020-08-28 汉谷云智(武汉)科技有限公司 一种炼油厂生产计划优化方法及装置
CN111598306B (zh) * 2020-04-22 2023-07-18 汉谷云智(武汉)科技有限公司 一种炼油厂生产计划优化方法及装置
CN112464554A (zh) * 2020-11-03 2021-03-09 桂林理工大学 一种汽油精制设备的操作参数优化方法
CN113420799A (zh) * 2021-06-10 2021-09-21 北京宜能高科科技有限公司 样本增强方法、模型训练方法及***
CN115496426A (zh) * 2022-11-16 2022-12-20 承德石油高等专科学校 一种工业大数据智能分析决策方法及***
CN115879638A (zh) * 2022-12-30 2023-03-31 东北石油大学 一种油田接转站***碳排放预测方法
CN115879638B (zh) * 2022-12-30 2023-06-09 东北石油大学 一种油田接转站***碳排放预测方法

Similar Documents

Publication Publication Date Title
CN111027733A (zh) 一种基于大数据技术的石油化工装置产品收率优化方法
Naderi et al. Novel statistical forecasting models for crude oil price, gas price, and interest rate based on meta-heuristic bat algorithm
CN109242558A (zh) 一种基于神经网络的经营数据预测方法、可读存储介质和预测***
Buragohain Adaptive network based fuzzy inference system (ANFIS) as a tool for system identification with special emphasis on training data minimization
Jafarzadeh-Ghoushchi et al. Performance study of artificial neural network modelling to predict carried weight in the transportation system
Júnior et al. An approach for evolving neuro-fuzzy forecasting of time series based on parallel recursive singular spectrum analysis
Haixiang et al. Optimizing reservoir features in oil exploration management based on fusion of soft computing
Divasón et al. PSO-PARSIMONY: A method for finding parsimonious and accurate machine learning models with particle swarm optimization. Application for predicting force–displacement curves in T-stub steel connections
Wu et al. A forecasting model based support vector machine and particle swarm optimization
Sugumar et al. A technique to stock market prediction using fuzzy clustering and artificial neural networks
Horák et al. Comparison of neural networks and regression time series when predicting the export development from the USA to PRC
Gu et al. Fuzzy time series forecasting based on information granule and neural network
Wang et al. Color trend prediction method based on genetic algorithm and extreme learning machine
Koczy et al. Computational intelligence in modeling complex systems and solving complex problems
Caraka Prediction of Euro 50 Using Back Propagation Neural Network (BPNN) and Genetic Algorithm (GA)
Chen et al. The dynamic extensions of fuzzy grey cognitive maps
Luo Application of BP neural network in economic management of coastal area
Fu et al. Prediction of financial economic time series based on group intelligence algorithm based on machine learning
Skakalina Investigation of intelligent technologies for formation forecasting models
Ahmad Analyzing different machine learning techniques for stock market prediction
Miskony et al. A randomized algorithm for prediction interval using RVFL networks ensemble
Pandey et al. Framework for stock market prediction using deep learning technique
Jadhav et al. Prediction of earnings per share for industry
Chengwei Research on Performance Evaluation System of Manufacturing Listed Companies Based on CNN
Скакаліна Investigation of intelligent technologies for formation forecasting models= Дослідження інтелектуальних технологій для моделей прогнозування пласта

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200417

RJ01 Rejection of invention patent application after publication