一种炼化装置管网完整性大数据管理体系的制作方法

1.本发明涉及一种管网完整性大数据管理体系，尤其涉及一种基于改进鲸鱼算法-k-max聚类算法的炼化装置管网完整性大数据管理体系。


背景技术：

2.随着炼化装置管网完整性管理的不断深化，炼化装置管网完整性管理的信息化系统建设成为了一大趋势，信息化建设水平是完整性管理水平提升的关键。目前已经开发了许多管网完整性管理的软件，但是软件主要是关注完整性管理评价，而有关对完整性管理业务流程软件比较少。此外，完整性管理软件系统的构建主要集中在油气管道和储罐，缺乏炼油装置管网的完整性管理系统，因此，构建一套炼油装置管网完整性管理系统非常重要。
3.炼油装置管网完整性管理业务流程众多且复杂，产生大量的业务数据和日志数据，因此，应该采用一种先进的大数据分析技术应对炼油装置管网完整性管理中的巨量数据，发现其中蕴藏的规律，针对分析结果实时地调整完整性管理措施，确保炼油装置管网完整性管理有效性，从而能够提高炼化企业的经济效益和社会效益。大数据环境下炼化装置管网完整性管理的数据收集和分析非常复杂，应该寻求一种有效的技术进行炼化装置管网完整性管理大数据的处理。在炼化装置连续运转过程中，管网完整性管理的大数据非常复杂，一旦发生风险运行数据也随之而变，有效地发现数据异常能够有效防止炼化装置的事故发生，而已有的大数据处理算法，诸如c均值聚类算法、峰值密度算法等，存在适应性差和可靠性低的缺陷。


技术实现要素：

4.本发明针对上述现有技术中存在的问题，提供一种基于改进鲸鱼算法-k-max聚类算法的炼化装置管网完整性大数据管理体系。通过设计出改进鲸鱼算法，对高斯混合聚类算法的基本参数进行改进，从而提高炼化装置管网完整性管理大数据分析的可靠性。
5.本发明的技术方案包括如下步骤：
6.步骤1：构建炼化装置管网完整性大数据管理体系的架构，如下所示：
7.(1)业务管理模块：该模块包括了炼化装置管网完整性管理的大数据信息，依据炼化装置管网完整性管理措施进行日常完整性管理，对业务管理数据进行存储和分析。
8.(2)技术支持模块：该模块包括炼化装置管网完整性管理的技术和知识集成的大数据信息，为炼化装置管网完整性管理提供技术服务。
9.(3)效能管理模块：该模块包括了炼化装置管网完整性管理效能检测和评价的大数据信息，及时发现炼化装置管网完整性管理存在的缺陷，提出改进措施。
10.(4)基础信息模块：该模块包括了炼化装置管网的基础信息，可以对炼化装置管数据进行存储和分析。
11.步骤2：改进鲸鱼算法设计
12.为了能够优化聚类算法的初始中心和数量，构建改进鲸鱼算法对这两个参数进行
优化。改进鲸鱼算法的步骤如下：
13.步骤2-1：泡网攻击
14.鲸鱼的觅食习惯是成群活动，在鲸鱼觅食时，单个鲸鱼按照随机概率确定觅食方式。
15.在泡网攻击过程中，将个体鲸鱼选择位置更新模式的行为概率设置为ε，泡网攻击模型如下
8.：
[0016][0017]
式中，n表示当前的迭代次数，l(n)表示头鲸的当前位置。l
*
(n)表示鲸群的最优觅食位置，s表示对数螺旋觅食路径的形状系数，表示0和1之间的任意数，s和可以控制鲸鱼个体螺旋位置更新形式，表示任意向量。
[0018]
步骤2-2：包围猎物
[0019]
当ε＜ε
*
时，鲸鱼个体更新自身的空间位置，向最优位置移动，逐步减小猎物的包围路径，相应的数学模型为：
[0020]
l(n 1)＝l
*
(n)-w
·jꢀꢀꢀ
(2)
[0021][0022][0023]
式中，t
max
表示最大迭代次数，d表示调节系数，表示任意向量，和可以控制鲸鱼的觅食行为。
[0024]
步骤2-3：搜寻猎物
[0025]
当时，位置更新算法选择随机搜索算法，相应的数学表达式如下：
[0026][0027][0028]
步骤2-4：更新鲸鱼的位置
[0029]
在鲸鱼的位置过程中，将量子旋转门引入至传统的位置更新算法中，从而能够极大地提升鲸鱼算法的种群的多样性和收敛精度。
[0030]
表示搜索空间中鲸鱼的位置，表示经过旋转门操作后鲸鱼的位置，相应的数学模型为：
[0031][0032]
通过比较量子旋转门操作前后解的比较，选择最佳的解。
[0033]
步骤3：设计k-max聚类算法
[0034]
根据加权聚类进行聚类，能够使同一炼化装置管网的完整性大数据的平均加权聚类极小化，从而能够发现炼化装置管网完整性管理中存在的风险因素。k-max聚类算法步骤如下：
[0035]
步骤3-1：根据炼化装置管网的实际情况确定风险区域数，选取k个炼化装置管网
潜在风险作为初始类中心。
[0036]
确定应急响应：应急响应主要处于风险减缓和维修过程，并且贯穿于整个管网完整性管理的始终。
[0037]
步骤3-2：计算第i个炼化装置管网风险到聚类中心k的加权距离，计算公式如下：
[0038]
ω
ik
＝c1d
b,ik
c2d
e,ik
c3d
t,ik
c4d
g,ik
ꢀꢀꢀ
(8)
[0039]
式中，ω
ik
表示第i个炼化装置管网风险与聚类中心k的加权距离，c1～c4表示调节因子，d
b,ik
表示第i个炼化装置管网业务管理模块风险与聚类中心加权距离，d
e,ik
表示第i个炼化装置管网效能管理模块风险与聚类中心加权距离，d
t,ik
表示第i个炼化装置管网技术支持模块风险与聚类中心加权距离，d
g,ik
表示第i个炼化装置管网基础信息模块风险与聚类中心加权距离。
[0040]
步骤3-3：依次将各个炼化装置管网分配至加权距离最小的聚类批次中。
[0041]
步骤3-4：对于每个聚类中心k，选取具有最大风险值更新聚类中心，第k批次的聚类中心确定模型如下：
[0042]rkt
＝max{a
it
}
ꢀꢀꢀ
(9)
[0043]
式中，r
kt
表示第k批次的聚类中心，a
it
表示风险值。
[0044]
重复执行步骤3-2，直至各模块风险的聚类中心不变时，算法结束。
[0045]
步骤4：利用改进鲸鱼算法优化的k-max聚类算法进行聚类，对炼化装置管网完整性管理大数据的数据异常进行检测。
[0046]
步骤5：对炼化装置管网完整性管理的异常数据进行标记。
[0047]
本发明的优点效果如下：
[0048]
通过本发明构建的基于改进鲸鱼算法-k-max聚类算法的炼化装置管网完整性管理大数据管理系统，利用改进的鲸鱼算法对k-max聚类算法的参数进行优化，从而发现炼化装置管网业务模块、效能模块、技术支持模块以及基础信息模块完整性大数据中的异常数据，从而能够发现潜在的风险，进而能够实时地完善炼化装置管网完整性管理措施，提高炼化企业的经济效益和社会效益。
附图说明
[0049]
图1炼化装置管网完整性大数据管理体系
具体实施方式
[0050]
实施例
[0051]
本发明的技术方案包括如下的步骤：
[0052]
步骤1：构建炼化装置管网完整性大数据管理体系的架构，如下所示：
[0053]
(1)业务管理模块：该模块包括了炼化装置管网完整性管理的大数据信息，依据炼化装置管网完整性管理措施进行日常完整性管理，对业务管理数据进行存储和分析。
[0054]
(2)技术支持模块：该模块包括炼化装置管网完整性管理的技术和知识集成的大数据信息，为炼化装置管网完整性管理提供技术服务。
[0055]
(3)效能管理模块：该模块包括了炼化装置管网完整性管理效能检测和评价的大数据信息，及时发现炼化装置管网完整性管理存在的缺陷，提出改进措施。
[0056]
(4)基础信息模块：该模块包括了炼化装置管网的基础信息，可以对炼化装置管数据进行存储和分析。
[0057]
步骤2：改进鲸鱼算法设计
[0058]
为了能够优化聚类算法的初始中心和数量，构建改进鲸鱼算法对这两个参数进行优化。改进鲸鱼算法的步骤如下：
[0059]
步骤2-1：泡网攻击
[0060]
鲸鱼的觅食习惯是成群活动，在鲸鱼觅食时，单个鲸鱼按照随机概率确定觅食方式。
[0061]
在泡网攻击过程中，将个体鲸鱼选择位置更新模式的行为概率设置为ε，泡网攻击模型如下
8.：
[0062][0063]
式中，n表示当前的迭代次数，l(n)表示头鲸的当前位置。l
*
(n)表示鲸群的最优觅食位置，s表示对数螺旋觅食路径的形状系数，表示0和1之间的任意数，s和可以控制鲸鱼个体螺旋位置更新形式，表示任意向量。
[0064]
步骤2-2：包围猎物
[0065]
当ε＜ε
*
时，鲸鱼个体更新自身的空间位置，向最优位置移动，逐步减小猎物的包围路径，相应的数学模型为：
[0066]
l(n 1)＝l
*
(n)-w
·jꢀꢀꢀ
(2)
[0067][0068][0069]
式中，t
max
表示最大迭代次数，d表示调节系数，表示任意向量，和可以控制鲸鱼的觅食行为。
[0070]
步骤2-3：搜寻猎物
[0071]
当时，位置更新算法选择随机搜索算法，相应的数学表达式如下：
[0072][0073][0074]
步骤2-4：更新鲸鱼的位置
[0075]
在鲸鱼位置的过程中，将量子旋转门引入至传统的位置更新算法中，从而能够极大地提升鲸鱼算法的种群的多样性和收敛精度。
[0076]
表示搜索空间中鲸鱼的位置，表示经过旋转门操作后鲸鱼的位置，相应的数学模型为：
[0077][0078]
通过比较量子旋转门操作前后解的比较，选择最佳的解。
[0079]
步骤3：设计k-max聚类算法
[0080]
根据加权聚类进行聚类，能够使同一炼化装置管网的完整性大数据的平均加权聚类极小化，从而能够发现炼化装置管网完整性管理中存在的风险因素。k-max聚类算法步骤如下：
[0081]
步骤3-1：根据炼化装置管网的实际情况确定风险区域数，选取k个炼化装置管网潜在风险作为初始类中心。
[0082]
确定应急响应：应急响应主要处于风险减缓和维修过程，并且贯穿于整个管网完整性管理的始终。
[0083]
步骤3-2：计算第i个炼化装置管网风险到聚类中心k的加权距离，计算公式如下：
[0084]
ω
ik
＝c1d
b,ik
c2d
e,ik
c3d
t,ik
c4d
g,ik
ꢀꢀꢀ
(8)
[0085]
式中，ω
ik
表示第i个炼化装置管网风险与聚类中心k的加权距离，c1～c4表示调节因子，d
b,ik
表示第i个炼化装置管网业务管理模块风险与聚类中心加权距离，d
e,ik
表示第i个炼化装置管网效能管理模块风险与聚类中心加权距离，d
t,ik
表示第i个炼化装置管网技术支持模块风险与聚类中心加权距离，d
g,ik
表示第i个炼化装置管网基础信息模块风险与聚类中心加权距离。
[0086]
步骤3-3：依次将各个炼化装置管网分配至加权距离最小的聚类批次中。
[0087]
步骤3-4：对于每个聚类中心k，选取具有最大风险值更新聚类中心，第k批次的聚类中心确定模型如下：
[0088]rkt
＝max{a
it
}
ꢀꢀꢀ
(9)
[0089]
式中，r
kt
表示第k批次的聚类中心，a
it
表示风险值。
[0090]
重复执行步骤3-2，直至各模块风险的聚类中心不变时，算法结束。
[0091]
步骤4：利用改进鲸鱼算法优化的k-max聚类算法进行聚类，对炼化装置管网完整性管理大数据的数据异常进行检测。
[0092]
步骤5：对炼化装置管网完整性管理的异常数据进行标记。
[0093]
具体的实施例如下所示：
[0094]
在实施例中，选取某石化公司汽油加氢脱硫装置管网为研究对象。构建其完整性大数据管理体系，如图1所示。对该石化公司汽油加氢脱硫装置管网2021年1月-6月的完整性大数据进行异常检测，异常数据见表1，从表1的结果可以看出，不同时间段炼化装置管网完整性大数据的异常点可以被有效地发现，表明本发明所构造的模型能够有效地对炼化装置管网完整性大数据进行聚类，并且能够发现异常值。检测结果见表2。
[0095]
表1异常数据结果
[0096]
类别日期时间风险值第一类1月22日2、4、60.6695、0.6723、0.6695第一类2月12日220.8862第二类3月10日20、220.7645、07235第二类4月5日16、180.6983、0.7543第三类5月17日110.6456第四类6月20日7、80.6530、0.7335
[0097]
表2测试样本评估结果
[0098]
时间总数据量异常数误检数
2021年1月1.43312021年2月1.54102021年3月1.37202021年4月1.52212021年5月1.38112021年6月1.4620
[0099]
从表2的结果可以看出，利用改进鲸群算法优化的k-max聚类算法对炼化装置管网完整性大数据进行异常检测，误检数为0或1，具有较小的误检率，结果表明，本发明所构造的模型具有较高的检测精度，能够发现炼化装置管网完整性管理存在的薄弱之处，为不断完善炼化装置管网完整性管理提供理论依据。