过滤器的压降预测方法、装置、存储介质及电子设备

本技术涉及数据处理，特别涉及一种过滤器的压降预测方法、装置、存储介质及电子设备。

背景技术：

1、在当今全球能源结构向绿色、低碳转型的大背景下，天然气作为一种更为清洁的低碳化石能源，其地位日益凸显。作为连接天然气开采与终端用户的桥梁，天然气输送系统的安全、高效运行至关重要。为确保天然气在管道运输过程中的质量与稳定性，避免环境变化、温度波动及压力差异导致的凝析液等有害杂质液滴生成，净化处理成为不可或缺的一环。气液聚结器作为天然气净化、液化天然气(lng)处理、管输及燃料气处理等关键环节中的核心设备，其重要性不言而喻。

2、气液聚结器通过其独特的聚结机制，能够有效去除气流中夹带的微小液滴，从而确保天然气的纯净度和输送系统的长期稳定运行。这一功能的实现，不仅关乎到天然气的高效利用，还直接关系到管道运输的安全性、关键设备的保护以及人体健康与环境保护。因此，对气液聚结器过滤性能的严格评价及优化设计，是行业内持续关注的焦点。

3、在评价气液聚结器性能时，压降作为衡量其效率与能耗的关键指标之一，其准确预测对于设备的选型、设计优化及运行管理具有重要意义。然而，现有技术在压降预测方面存在诸多局限性。传统的实验方法虽然直观可靠，但设备成本高、耗时长，且难以覆盖所有可能的操作场景，限制了其在实际应用中的广泛性。另一方面，基于物理模型的数学计算方法虽然理论上能够模拟复杂的物理过程，但由于模型假设条件的简化、参数选取的不确定性以及不同工况下物理现象的复杂变化，导致计算结果往往存在较大的偏差，难以满足不同工业应用的精度要求。

技术实现思路

1、本技术所要解决的技术问题是提供一种过滤器的压降预测方法、装置、存储介质及电子设备，能够快速准确地确定过滤器的压降。具体方案如下：

2、一种过滤器的压降预测方法，包括：

3、获取待预测的过滤器的特征数据；所述特征数据包括所述过滤器的材料特征以及运行环境特征；

4、将所述特征数据输入到压降预测模型中，获得所述过滤器的压降预测结果；所述压降预测模型是利用预设的训练样本集训练机器学习模型得到的，所述机器学习模型的模型参数通过目标优化算法计算得到，所述目标优化算法包括基于减法优化器和柯西分布函数改进的北方苍鹰优化算法。

5、上述的方法，可选的，通过目标优化算法计算得到所述机器学习模型的模型参数的过程，包括：

6、生成初始种群；所述初始种群包括预设数量的苍鹰个体，每个所述苍鹰个体表示机器学习模型的一个候选的模型参数取值方案；

7、将所述初始种群确定为目标种群，并计算所述目标种群中的每个所述苍鹰个体的适应度值；

8、确定当前的目标种群中的每个所述苍鹰个体各自对应的猎物位置的目标适应度值；

9、对于每个所述苍鹰个体，在所述苍鹰个体的适应度值小于对应猎物位置的目标适应度值的情况下，生成随机数，根据所述目标种群中的最佳苍鹰个体以及当前生成的随机数，确定所述苍鹰个体的第一更新位置；在所述苍鹰个体的适应度值不小于对应猎物位置的目标适应度值的情况下，通过预设的减法优化器确定所述苍鹰个体的第一更新位置；所述目标种群中的最佳苍鹰个体为所述目标种群中适应度值最佳的苍鹰个体；

10、根据每个所述苍鹰个体的适应度值、第一更新位置以及第一更新位置的适应度值，对所述目标种群进行第一阶段位置更新；

11、对于第一阶段位置更新后的所述目标种群中的每个苍鹰个体，生成所述苍鹰个体的变异随机数；在所述变异随机数小于预设的柯西变异阈值的情况下，根据第一阶段位置更新后的所述目标种群中的最佳苍鹰个体以及预设的柯西分布函数，确定所述苍鹰个体的第二更新位置；在所述变异随机数不小于预设的柯西变异阈值的情况下，根据所述苍鹰个体的捕猎半径、参数上下限值以及所述随机数，确定所述苍鹰个体的第二更新位置；所述捕猎半径根据当前的迭代次数以及预设的迭代次数阈值确定；

12、根据第一阶段位置更新后的所述目标种群中的每个所述苍鹰个体的适应度值、第二更新位置以及第二更新位置的适应度值，对第一阶段位置更新后的所述目标种群进行第二阶段位置更新，获得新的目标种群；

13、在当前的迭代次数不等于所述迭代次数阈值的情况下，将当前的迭代次数加一，并返回执行确定当前的目标种群中的每个所述苍鹰个体各自对应的猎物位置的目标适应度值的步骤；

14、在当前的迭代次数等于所述迭代次数阈值的情况下，将所述新的目标种群中的最佳苍鹰个体，作为机器学习模型的模型参数。

15、上述的方法，可选的，所述计算所述目标种群中的每个所述苍鹰个体的适应度值，包括：

16、根据k折交叉验证算法以及所述训练样本集，计算所述目标种群中的每个所述苍鹰个体的适应度值。

17、上述的方法，可选的，基于预设的训练样本集训练机器学习模型得到压降预测模型的过程，包括：

18、获取训练样本集；所述训练样本集包括多个训练样本；所述训练样本包括过滤器的特征数据以及压降信息；

19、根据所述训练样本集中的训练样本对所述机器学习模型进行训练，获得压降预测模型。

20、上述的方法，可选的，所述获取训练样本集，包括：

21、获取各个原始样本数据，每个所述原始样本数据包括多个候选特征类型的特征数据以及压降信息；

22、根据预设的斯皮尔曼相关性分析算法以及各个所述原始样本数据，确定每个所述候选特征类型的相关系数；每个所述候选特征类型的相关系数表征每个所述候选特征类型的特征数据与所述压降信息的关联程度；

23、根据每个所述候选特征类型的特征数据的相关系数，在每个原始样本数据各个所述候选特征类型中选取出目标特征类型的特征数据，获得每个所述原始样本数据对应的初始样本数据；所述初始样本数据包括目标特征类型的特征数据以及压降信息；

24、对各个所述初始样本数据进行归一化处理，获得每个所述初始样本数据对应的最终样本数据；

25、按预设比例对各个所述最终样本数据划分，得到训练样本集和测试样本集。

26、一种过滤器的压降预测装置，包括：

27、获取单元，用于获取待预测的过滤器的特征数据；所述特征数据包括所述过滤器的材料特征以及运行环境特征；

28、预测单元，用于将所述特征数据输入到压降预测模型中，获得所述过滤器的压降预测结果；所述压降预测模型是利用预设的训练样本集训练机器学习模型得到的，所述机器学习模型的模型参数通过目标优化算法计算得到，所述目标优化算法包括基于减法优化器和柯西分布函数改进的北方苍鹰优化算法。

29、上述的装置，可选的，所述预测单元，包括：

30、生成子单元，用于生成初始种群；所述初始种群包括预设数量的苍鹰个体，每个所述苍鹰个体表示机器学习模型的一个候选的模型参数取值方案；

31、第一确定子单元，用于将所述初始种群确定为目标种群，并计算所述目标种群中的每个所述苍鹰个体的适应度值；

32、第二确定子单元，用于确定当前的目标种群中的每个所述苍鹰个体各自对应的猎物位置的目标适应度值；

33、第一执行子单元，用于对于每个所述苍鹰个体，在所述苍鹰个体的适应度值小于对应猎物位置的目标适应度值的情况下，生成随机数，根据所述目标种群中的最佳苍鹰个体以及当前生成的随机数，确定所述苍鹰个体的第一更新位置；在所述苍鹰个体的适应度值不小于对应猎物位置的目标适应度值的情况下，通过预设的减法优化器确定所述苍鹰个体的第一更新位置；所述目标种群中的最佳苍鹰个体为所述目标种群中适应度值最佳的苍鹰个体；

34、第一更新子单元，用于根据每个所述苍鹰个体的适应度值、第一更新位置以及第一更新位置的适应度值，对所述目标种群进行第一阶段位置更新；

35、第二执行子单元，用于对于第一阶段位置更新后的所述目标种群中的每个苍鹰个体，生成所述苍鹰个体的变异随机数；在所述变异随机数小于预设的柯西变异阈值的情况下，根据第一阶段位置更新后的所述目标种群中的最佳苍鹰个体以及预设的柯西分布函数，确定所述苍鹰个体的第二更新位置；在所述变异随机数不小于预设的柯西变异阈值的情况下，根据所述苍鹰个体的捕猎半径、参数上下限值以及所述随机数，确定所述苍鹰个体的第二更新位置；所述捕猎半径根据当前的迭代次数以及预设的迭代次数阈值确定；

36、第二更新子单元，用于根据第一阶段位置更新后的所述目标种群中的每个所述苍鹰个体的适应度值、第二更新位置以及第二更新位置的适应度值，对第一阶段位置更新后的所述目标种群进行第二阶段位置更新，获得新的目标种群；

37、第三执行子单元，用于在当前的迭代次数不等于所述迭代次数阈值的情况下，将当前的迭代次数加一，并返回触发所述第二确定子单元执行确定当前的目标种群中的每个所述苍鹰个体各自对应的猎物位置的目标适应度值；

38、第四执行子单元，用于在当前的迭代次数等于所述迭代次数阈值的情况下，将所述新的目标种群中的最佳苍鹰个体，作为机器学习模型的模型参数。

39、上述的装置，可选的，所述第一确定子单元，包括：

40、计算模块，用于根据k折交叉验证算法以及所述训练样本集，计算所述目标种群中的每个所述苍鹰个体的适应度值。

41、一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的过滤器的压降预测方法。

42、一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上述的过滤器的压降预测方法。

43、基于上述本技术实施提供的一种过滤器的压降预测方法、装置、存储介质及电子设备，所述方法包括：获取待预测的过滤器的特征数据；所述特征数据包括所述过滤器的材料特征以及运行环境特征；将所述特征数据输入到压降预测模型中，获得所述过滤器的压降预测结果；所述压降预测模型是利用预设的训练样本集训练机器学习模型得到的，所述机器学习模型的模型参数通过目标优化算法计算得到，所述目标优化算法包括基于减法优化器和柯西分布函数改进的北方苍鹰优化算法。应用本技术实施例提供的方法，能够快速准确地确定过滤器的压降。