稳态实时优化方法、装置、存储介质及电子设备与流程

1.本技术涉及优化控制技术领域，特别地涉及一种稳态实时优化方法、装置、存储介质及电子设备。


背景技术：

2.实时优化技术利用数学和机理模型，结合原料、产品和公用工程的市场价格，依据炼油、化工装置当前的运行状态和装置约束，实时模拟和优化装置操作参数，并将优化结果传送到先进控制系统，达到装置效益提升或节能的目的。根据运行状态的不同，实时优化系统可分为稳态和动态两种类型。相对于动态实时优化，稳态实时优化技术主要采用机理模型，适用于解决大范围非线性优化问题。此外，稳态检测是稳态与动态实时优化最重要的区别，稳态实时优化系统在运行前和运行后，都需要对装置进行稳态检测，确保过程系统处于相对稳定的运行状态。
3.目前市场上使用的稳态实时优化方法，模型计算利用联立方程法(equationoriented，eo)进行求解，该算法对模型初始值的精度要求较高，不合理的初值经常会造成模型的不收敛。


技术实现要素：

4.针对上述问题，本技术提供一种稳态实时优化方法、装置、存储介质及电子设备，解决了相关技术中由于联立方程法求解中不合理的模型初始值导致模型不收敛的技术问题。
5.第一方面，本技术提供了一种稳态实时优化方法，所述方法包括：
6.获取当前工况数据；
7.从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型；
8.根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。
9.在一些实施例中，所述预设模型分类库的建立过程，包括：
10.收集历史工况数据；
11.根据所述历史工况数据，训练稳态实时优化模型，得到不同工况数据下完成收敛的多个稳态实时优化模型；
12.根据所述多个稳态实时优化模型建立所述预设模型分类库。
13.在一些实施例中，在收集历史工况数据之后，还包括：
14.对所述历史工况数据进行预处理。
15.在一些实施例中，所述根据所述多个稳态实时优化模型建立所述预设模型分类库，包括：
16.通过聚类算法根据所述多个稳态实时优化模型建立所述预设模型分类库。
17.在一些实施例中，所述根据所述历史工况数据，训练稳态实时优化模型，得到不同工况数据下完成收敛的多个稳态实时优化模型，包括：
18.对所述历史工况数据进行分类，得到不同工况的历史工况数据；
19.分别以所述不同工况的历史工况数据作为输入，对机器学习模型进行训练，得到不同工况下完成收敛的多个稳态实时优化模型。
20.在一些实施例中，所述从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型，包括：
21.通过分类邻近算法从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型。
22.在一些实施例中，在所述获取当前工况数据之后，还包括：
23.对所述当前工况数据进行预处理。
24.第二方面，一种稳态实时优化装置，所述装置包括：
25.获取单元，用于获取当前工况数据；
26.选择单元，用于从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型；
27.计算单元，用于根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。
28.第三方面，一种存储介质，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如上述第一方面所述的稳态实时优化方法。
29.第四方面，一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述存储器和所述处理器之间互相通信连接，该计算机程序被所述处理器执行时，执行如上述第一方面所述的稳态实时优化方法。
30.本技术提供的一种稳态实时优化方法、装置、存储介质及电子设备，包括：获取当前工况数据；从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型；根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。本技术通过预先建立模型分类库，从中选择与当前工况数据最接近的完成收敛的模型，以减少优化计算时间，提高收敛率，同时解决了现有模型对初始值要求较高的问题。
附图说明
31.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的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
32.图1为本技术实施例提供的一种稳态实时优化方法的流程示意图；
33.图2为本技术实施例提供的模型选择过程示意图；
34.图3为本技术实施例提供的使用本技术的稳态实时优化方法前后收敛情况对比图；
35.图4为本技术实施例提供的一种稳态实时优化装置的结构示意图；
36.图5为本技术实施例提供的一种电子设备的连接框图。
具体实施方式
37.以下将结合附图及实施例来详细说明本技术的实施方式，借此对本技术如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本技术实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本技术的保护范围之内。
38.由背景技术可知，目前市场上使用的稳态实时优化方法，模型计算利用联立方程法(equation oriented，eo)进行求解，该算法对模型初始值的精度要求较高，不合理的初值经常会造成模型的不收敛。
39.有鉴于此，本技术提供一种稳态实时优化方法、装置、存储介质及电子设备，解决了相关技术中由于联立方程法求解中不合理的模型初始值导致模型不收敛的技术问题。
40.实施例一
41.图1为本技术实施例提供的一种稳态实时优化方法的流程示意图，如图1所示，本方法包括：
42.s101、获取当前工况数据。
43.需要说明的是，所述当前工况数据包括：裂解炉工况数据(包括裂解炉开停状态：开或停。进料状态：lpg、循环乙烷丙烷、轻石脑油、石脑油、加裂尾油、分组裂解)、原料分析数据(化验分析数据和在线分析数据，具体信息见表1)、裂解炉运行数据(裂解炉进料量、稀释蒸汽流量、总平均cot(coil outlettemperature)、裂解炉出口压力cop(coil outlet pressure))、裂解气在线分析数据(h2、ch4、c2h4、c2h6、c3h6和c3h8的摩尔百分含量)、tmt测量数据(测量日期和测量温度)。
[0044][0045][0046]
表1
[0047]
在一些实施例中，在所述获取当前工况数据之后，还包括：
[0048]
对所述当前工况数据进行预处理。
[0049]
需要说明的是，所述预处理包括对获取到的当前工况数据进行整理、清洗，删除数据中的零值数据、重复数据和异常数据后，对数据进行标准化处理，确保后续计算的准确性。
[0050]
s102、从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型。
[0051]
在一些实施例中，所述从预设模型分类库中选择与所述当前工况数据相匹配的稳
态实时优化模型，包括：
[0052]
通过分类邻近算法从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型。
[0053]
需要说明的是，通过收集不同工况下的数据和不同工况下已经收敛的模型，利用聚类(clustering)k均值聚类算法(k
‑
means)建立模型分类库。当新的工况出现时，依据获取到的当前工况数据，利用分类(classification)k近邻算法 (knn)，在预设模型分类库中自动选取与当前工况相同或相似的稳态实时优化模型，这样保证了模型的初始值与当前工况相近，即使个别关键仪表出现故障，也能够保证模型的正常收敛。
[0054]
具体的，如图2所示，为模型选择过程示意图。首先根据当前工况数据中的裂解炉工况数据、裂解炉运行数据、化验分析数据和在线分析数据，查找到找到相同或最相近的工况，然后根据该工况下数据通过分类邻近算法找到数据最相似的稳态实时优化模型，将该模型作为计算模型。
[0055]
s103、根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。
[0056]
需要说明的是，在通过选取得到计算用的稳态实时优化模型后，以所述当前工况数据作为输入，通过模型进行优化计算。
[0057]
在一些实施例中，所述预设模型分类库的建立过程，包括：
[0058]
收集历史工况数据；
[0059]
根据所述历史工况数据，训练稳态实时优化模型，得到不同工况数据下完成收敛的多个稳态实时优化模型；
[0060]
根据所述多个稳态实时优化模型建立所述预设模型分类库。
[0061]
需要说明的是，所述历史工况数据包括：裂解炉工况数据(包括裂解炉开停状态：开或停。进料状态：lpg、循环乙烷丙烷、轻石脑油、石脑油、加裂尾油、分组裂解)、原料分析数据(化验分析数据和在线分析数据，具体信息见表1)、裂解炉运行数据(裂解炉进料量、稀释蒸汽流量、总平均cot(coil outlettemperature)、裂解炉出口压力cop(coil outlet pressure))、裂解气在线分析数据(h2、ch4、c2h4、c2h6、c3h6和c3h8的摩尔百分含量)、tmt测量数据(测量日期和测量温度)。
[0062]
在一些实施例中，在收集历史工况数据之后，还包括：
[0063]
对所述历史工况数据进行预处理。
[0064]
需要说明的是，为了建立稳态实时优化模型，对历史工况数据进行收集，收集后的数据被存储于数据库中，对数据进行预处理，就是对数据进行整理和清洗，删除数据中的零值数据、重复数据和异常数据。并将整理后的数据中的70％的数据作为训练集、30％的数据作为测试集。通过机器学习建立模型，在模型建立过程中，还需数据进行标准化处理，以消除数量级引起的模型偏差，确保模型建立和预测的准确性。
[0065]
进一步需要说明的是，乙烯装置在生产过程中，会按计划调整生产负荷、投退裂解炉、改变裂解炉原料和改变裂解炉裂解状态(共裂解和分组裂解等)，稳态实时优化模型必须能够随着装置的调整而变化，在不同工况下实现模型的收敛，这对模型的准确性、自适应程序的完善和现场测量仪表的准确度都有较高的要求。对收集到的5089小时裂解炉工况数据进行统计分析，在这些数据中共有43种工况，其中部分裂解炉的工况变化情况见表2：工况调整1中5#裂解炉从停到开，进石脑油原料；工况调整2中1#裂解炉从停到开，进加裂尾油
进料，同时4#裂解炉，从开到停。具体的裂解炉工况变化情况如表2所示，其中，1代表“开”和“进料”，0代表“停”和“不进料”。
[0066][0067]
表2
[0068]
在一些实施例中，所述根据所述多个稳态实时优化模型建立所述预设模型分类库，包括：
[0069]
通过聚类算法根据所述多个稳态实时优化模型建立所述预设模型分类库。
[0070]
需要说明的是，通过收集不同工况下的数据和不同工况下已经收敛的模型，利用聚类(clustering)k均值聚类算法(k
‑
means)建立模型分类库。
[0071]
在一些实施例中，所述根据所述历史工况数据，训练稳态实时优化模型，得到不同工况数据下完成收敛的多个稳态实时优化模型，包括：
[0072]
对所述历史工况数据进行分类，得到不同工况的历史工况数据；
[0073]
分别以所述不同工况的历史工况数据作为输入，对机器学习模型进行训练，得到不同工况下完成收敛的多个稳态实时优化模型。
[0074]
需要说明的是，分别在不同工况下训练及其学习模型，得到不同工况下对应的稳态实时优化模型，以保证在不同工况下模型都可以收敛，提高收敛率，降低初始值要求。
[0075]
如图3所示，为使用本技术的稳态实时优化方法前后收敛情况对比图，图3 中第一图为使用本技术的稳态实时优化方法前的12个小时的模型的收敛情况和使用本技术稳态实时优化方法后的12个小时的模型的收敛情况，模型2小时自动运行1次，从图3中可以看出使用本技术的稳态实时优化方法不仅可以减少模型计算时间，还可以提高模型的收敛率。
[0076]
综上所述，本技术实施例提供了一种稳态实时优化方法，包括：获取当前工况数
据；从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型；根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。本技术通过预先建立模型分类库，从中选择与当前工况数据最接近的完成收敛的模型，以减少优化计算时间，提高收敛率，同时解决了现有模型对初始值要求较高的问题。
[0077]
实施例二
[0078]
基于上述本发明实施例公开的稳态实时优化方法，图4具体公开了应用该稳态实时优化方法的稳态实时优化装置。
[0079]
如图4所示，本发明实施例公开了一种稳态实时优化装置，该装置包括：
[0080]
获取单元401，用于获取当前工况数据；
[0081]
需要说明的是，所述当前工况数据包括：裂解炉工况数据(包括裂解炉开停状态：开或停。进料状态：lpg、循环乙烷丙烷、轻石脑油、石脑油、加裂尾油、分组裂解)、原料分析数据(化验分析数据和在线分析数据，具体信息见表1)、裂解炉运行数据(裂解炉进料量、稀释蒸汽流量、总平均cot(coil outlettemperature)、裂解炉出口压力cop(coil outlet pressure))、裂解气在线分析数据(h2、ch4、c2h4、c2h6、c3h6和c3h8的摩尔百分含量)、tmt测量数据(测量日期和测量温度)。
[0082]
在一些实施例中，在所述获取当前工况数据之后，所述装置还包括：
[0083]
预处理单元，用于对所述当前工况数据进行预处理。
[0084]
需要说明的是，所述预处理包括对获取到的当前工况数据进行整理、清洗，删除数据中的零值数据、重复数据和异常数据后，对数据进行标准化处理，确保后续计算的准确性。
[0085]
选择单元402，用于从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型；
[0086]
在一些实施例中，所述选择单元402，用于通过分类邻近算法从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型。
[0087]
需要说明的是，通过收集不同工况下的数据和不同工况下已经收敛的模型，利用聚类(clustering)k均值聚类算法(k
‑
means)建立模型分类库。当新的工况出现时，依据获取到的当前工况数据，利用分类(classification)k近邻算法 (knn)，在预设模型分类库中自动选取与当前工况相同或相似的稳态实时优化模型，这样保证了模型的初始值与当前工况相近，即使个别关键仪表出现故障，也能够保证模型的正常收敛。
[0088]
具体的，如图2所示，为模型选择过程示意图。首先根据当前工况数据中的裂解炉工况数据、裂解炉运行数据、化验分析数据和在线分析数据，查找到找到相同或最相近的工况，然后根据该工况下数据通过分类邻近算法找到数据最相似的稳态实时优化模型，将该模型作为计算模型。
[0089]
计算单元403，用于根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。
[0090]
需要说明的是，在通过选取得到计算用的稳态实时优化模型后，以所述当前工况数据作为输入，通过模型进行优化计算。
[0091]
在一些实施例中，所述预设模型分类库的建立过程，包括：
[0092]
收集单元，用于收集历史工况数据；
[0093]
训练单元，用于根据所述历史工况数据，训练稳态实时优化模型，得到不同工况数据下完成收敛的多个稳态实时优化模型；
[0094]
建立单元，用于根据所述多个稳态实时优化模型建立所述预设模型分类库。
[0095]
需要说明的是，所述历史工况数据包括：裂解炉工况数据(包括裂解炉开停状态：开或停。进料状态：lpg、循环乙烷丙烷、轻石脑油、石脑油、加裂尾油、分组裂解)、原料分析数据(化验分析数据和在线分析数据，具体信息见表1)、裂解炉运行数据(裂解炉进料量、稀释蒸汽流量、总平均cot(coil outlettemperature)、裂解炉出口压力cop(coil outlet pressure))、裂解气在线分析数据(h2、ch4、c2h4、c2h6、c3h6和c3h8的摩尔百分含量)、tmt测量数据(测量日期和测量温度)。
[0096]
在一些实施例中，在收集历史工况数据之后，所述收集单元还用于：
[0097]
对所述历史工况数据进行预处理。
[0098]
需要说明的是，为了建立稳态实时优化模型，对历史工况数据进行收集，收集后的数据被存储于数据库中，对数据进行预处理，就是对数据进行整理和清洗，删除数据中的零值数据、重复数据和异常数据。并将整理后的数据中的70％的数据作为训练集、30％的数据作为测试集。通过机器学习建立模型，在模型建立过程中，还需数据进行标准化处理，以消除数量级引起的模型偏差，确保模型建立和预测的准确性。
[0099]
进一步需要说明的是，乙烯装置在生产过程中，会按计划调整生产负荷、投退裂解炉、改变裂解炉原料和改变裂解炉裂解状态(共裂解和分组裂解等)，稳态实时优化模型必须能够随着装置的调整而变化，在不同工况下实现模型的收敛，这对模型的准确性、自适应程序的完善和现场测量仪表的准确度都有较高的要求。对收集到的5089小时裂解炉工况数据进行统计分析，在这些数据中共有43种工况，其中部分裂解炉的工况变化情况见表2：工况调整1中5#裂解炉从停到开，进石脑油原料；工况调整2中1#裂解炉从停到开，进加裂尾油进料，同时4#裂解炉，从开到停。具体的裂解炉工况变化情况如表2所示，其中，1代表“开”和“进料”，0代表“停”和“不进料”。
[0100]
在一些实施例中，所述建立单元，用于通过聚类算法根据所述多个稳态实时优化模型建立所述预设模型分类库。
[0101]
需要说明的是，通过收集不同工况下的数据和不同工况下已经收敛的模型，利用聚类(clustering)k均值聚类算法(k
‑
means)建立模型分类库。
[0102]
在一些实施例中，所述训练单元，包括：
[0103]
分类子单元，用于对所述历史工况数据进行分类，得到不同工况的历史工况数据；
[0104]
训练子单元，用于分别以所述不同工况的历史工况数据作为输入，对机器学习模型进行训练，得到不同工况下完成收敛的多个稳态实时优化模型。
[0105]
需要说明的是，分别在不同工况下训练及其学习模型，得到不同工况下对应的稳态实时优化模型，以保证在不同工况下模型都可以收敛，提高收敛率，降低初始值要求。
[0106]
如图3所示，为使用本技术的稳态实时优化方法前后收敛情况对比图，图3 中第一图为使用本技术的稳态实时优化方法前的12个小时的模型的收敛情况和使用本技术稳态实时优化方法后的12个小时的模型的收敛情况，模型2小时自动运行1次，从图3中可以看出使用本技术的稳态实时优化方法不仅可以减少模型计算时间，还可以提高模型的收敛率。
[0107]
综上所述，本技术实施例提供了一种稳态实时优化装置，包括：获取当前工况数
据；从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型；根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。本技术通过预先建立模型分类库，从中选择与当前工况数据最接近的完成收敛的模型，以减少优化计算时间，提高收敛率，同时解决了现有模型对初始值要求较高的问题。
[0108]
实施例三
[0109]
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，该计算机程序被处理器执行时可以实现如实施例一的方法步骤，本实施例在此不再重复赘述。
[0110]
实施例四
[0111]
图5为本技术实施例提供的一种电子设备500的连接框图，如图5所示，该电子设备500可以包括：处理器501，存储器502，多媒体组件503，输入/输出 (i/o)接口504，以及通信组件505。
[0112]
其中，处理器501用于执行如实施例一中的稳态实时优化方法中的全部或部分步骤。存储器502用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
[0113]
处理器501可以是专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件 (programmable logic device，简称pld)、现场可编程门阵列(field programmablegate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的稳态实时优化方法。
[0114]
存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
onlymemory，简称eeprom)，可擦除可编程只读存储器(erasable programmableread
‑
only memory，简称eprom)，可编程只读存储器(programmable read
‑
onlymemory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0115]
多媒体组件503可以包括屏幕和音频组件，该屏幕可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。
[0116]
i/o接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。
[0117]
通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如wi
‑
fi，蓝牙，近场通信(near field communication，简称nfc)， 2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件505可以包括：wi
‑
fi模块，蓝牙模块，nfc模块。
[0118]
综上，本技术提供的一种稳态实时优化方法、装置、存储介质及电子设备，该方法包括：获取当前工况数据；从预设模型分类库中选择与所述当前工况数据相匹配的稳态实时优化模型；根据匹配到的所述稳态实时优化模型对所述当前工况数据进行优化计算。本技术通过预先建立模型分类库，从中选择与当前工况数据最接近的完成收敛的模型，以减少优化计算时间，提高收敛率，同时解决了现有模型对初始值要求较高的问题。
[0119]
在本技术实施例所提供的几个实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。
[0120]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0121]
虽然本技术所揭露的实施方式如上，但上述的内容只是为了便于理解本技术而采用的实施方式，并非用以限定本技术。任何本技术所属技术领域内的技术人员，在不脱离本技术所揭露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，但本技术的专利保护范围，仍须以所附的权利要求书所界定的范围为准。