重整生成油关键组份分布预测方法、装置、设备和介质与流程

1.本发明涉及石油化工技术领域，特别是涉及一种重整生成油关键组份分布预测方法、装置、设备和介质。


背景技术：

2.重整装置是重要的石油炼制装置，其目的是将石脑油转换成富含芳烃组份的重整生成油，其中富含芳烃组份的重整生成油会进入下游化工装置形成产品，或者去汽油调和装置成为调和汽油的原料。去化工装置的重整生成油中关键组份的含量情况，直接决定了芳烃、苯、甲苯、二甲苯、三甲苯这些重要的化工产品的产量。随着化工产品市场价格波动加剧，企业越来越希望能及时获得重整生成油中关键组份的含量，这样就能更快地调整操作，多生产附加值更高的组份，实现精细化生产及利润最大化。
3.目前，获得重整生成油关键组份分布的常见方法，包括人工化验分析和采用在线分析仪。人工化验分析首先要取得重整生成油的样本，然后再送入实验室进行人工化验分析，最后得出组份分布的结果。这种方法虽然能准确测得产品组份分布，但耗时较长，整个过程平均下来需要2-4小时左右，效率低。采用在线分析仪进行在线分析，可以实现分钟级的组份分布的准确分析，但是首先需在原有管道上安装导流管，将重整生成油引入到在线分析仪设备中，该设备通过近红外光谱分析，核磁分析技术对产品组份分布进行分析。这种方法需要安装大量仪器设备，占用很多场地安装设备，需配备导流管道、光缆、电缆，且前期投入较大，安装在线分析仪的总投资一般都在300万以上，成本高。


技术实现要素：

4.本发明主要解决的技术问题是：现有技术中获得重整生成油关键组份分布的效率低、成本高。
5.为解决上述技术问题，本发明提供了一种重整生成油关键组份分布预测方法、装置、设备和介质。
6.一种重整生成油关键组份分布预测方法，包括：
7.获取目标重整装置的操作参数和生产原料数据；
8.确定所述目标重整装置生产的重整生成油的关键组份种类；
9.调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据。
10.在其中一个实施例中，所述获取目标重整装置的操作参数和生产原料数据之后，所述调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据之前，还包括：
11.对所述操作参数和所述生产原料数据进行数据预处理。
12.在其中一个实施例中，所述调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份
的预测分布数据之前，还包括：
13.采集所述目标重整装置的历史操作参数、历史生产原料数据和所述关键组份的历史分布数据，建立数据集并划分为训练集和测试集；
14.以所述训练集中的所述历史操作参数、所述历史生产原料数据为输入，分别以所述训练集中各关键组份的历史分布数据为输出，对初始的神经网络模型进行多次训练，得到各关键组份的多个训练模型；
15.采用所述测试集中的所述历史操作参数、所述历史生产原料数据对应的所述历史分布数据，对各关键组份的各训练模型进行预测测试，从所述关键组份的各训练模型中选定预测模型。
16.在其中一个实施例中，所述采用所述测试集中的所述历史操作参数、所述历史生产原料数据对应的所述历史分布数据，对各关键组份的各训练模型进行预测测试，从所述关键组份的各训练模型中选定预测模型，包括：
17.以所述测试集中的所述历史操作参数、所述历史生产原料数据为各关键组份的各训练模型的输入，获取各训练模型的输出并与所述测试集中对应的历史分布数据进行线性回归得到皮尔森系数；
18.寻找各关键组份的最高皮尔森系数的训练模型，作为对应关键组份的预测模型。
19.在其中一个实施例中，所述采集所述目标重整装置的历史操作参数、历史生产原料数据和所述关键组份的历史分布数据，建立数据集并划分为训练集和测试集之后，所述以所述训练集中的所述历史操作参数、所述历史生产原料数据为输入，分别以所述训练集中各关键组份的历史分布数据为输出，对初始的神经网络模型进行多次训练，得到各关键组份的多个训练模型之前，还包括：
20.对所述数据集进行数据预处理。
21.在其中一个实施例中，所述数据预处理包括数据清洗、降噪和归一化处理。
22.在其中一个实施例中，所述调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据之后，还包括：
23.采集各关键组份的实际分布数据；
24.计算各关键组份的预测分布数据与实际分布数据之间的误差；
25.若存在关键组份的误差大于预设阈值，则更新所述关键组份的预测模型。
26.一种重整生成油关键组份分布预测装置，包括：
27.数据获取模块，用于获取目标重整装置的操作参数和生产原料数据；
28.组份确定模块，用于确定所述目标重整装置生产的重整生成油的关键组份种类；
29.数据预测模块，用于调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据。
30.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
31.获取目标重整装置的操作参数和生产原料数据；
32.确定所述目标重整装置生产的重整生成油的关键组份种类；
33.调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据。
34.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
35.获取目标重整装置的操作参数和生产原料数据；
36.确定所述目标重整装置生产的重整生成油的关键组份种类；
37.调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据。
38.与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
39.通过采用各关键组份对应的预测模型，基于操作参数和生产原料数据进行预测，不需要人工分析，可以快速在线预测出关键组份的预测分布数据，从而帮助用户快速准确的知道重整生成油关键组份的分布，而且基于模型预测，不需要安装其他复杂的硬件设备，不占用场地空间，成本低。因此，关键组份的分布预测高效且低成本。
附图说明
40.通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
41.图1为一个实施例中重整生成油关键组份分布预测方法的流程示意图；
42.图2为另一个实施例中重整生成油关键组份分布预测方法的流程示意图；
43.图3、图5、图7、图9、图11、图13分别为非芳、苯、甲苯、c8a、c9a和重芳烃的收率实际值；
44.图4、图6、图8、图10、图12、图14分别为采用预测模型得到的非芳、苯、甲苯、c8a、c9a和重芳烃的收率预测值；
45.图15为一个实施例中重整生成油关键组份分布预测装置的结构框图。
具体实施方式
46.为使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，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。
47.在一个实施例中，提供了一种重整生成油关键组份分布预测方法，如图1所示，该方法包括：
48.s110：获取目标重整装置的操作参数和生产原料数据。
49.重整装置用于产出重整生成油。操作参数是指操作重整装置所涉及的参数，生产原料数据是重整装置产出重整生成油所用原料的数据，比如包括原料物性。重整生成油的关键组份的分布，与生产原料数据和操作参数息息相关。具体地，操作参数和生产原料数据可以是通过用户输入的方式获取，也可以是通过与其他设备通信请求获取。
50.s130：确定目标重整装置生产的重整生成油的关键组份种类。
51.关键组份的种类一般有多种，比如，可以包括芳烃、苯、甲苯、二甲苯、三甲苯等。
52.s150：调用各类关键组份对应的预测模型，分别采用各预测模型基于操作参数和生产原料数据进行预测，得到预测模型所对应关键组份的预测分布数据。
53.一种关键组份对应一个预测模型；各关键组份对应的预测模型可以预先存储。预测模型可以是表征操作参数以及生产原料数据与分布数据的对应关系的模型，例如，以目标重整装置的操作参数和生产原料数据为关键组份所对应预测模型的输入，预测模型输出分布数据，得到预测分布数据。其中，预测分布数据是预测的分布数据；关键组份的分布数据是表征关键组份的含量的数据，例如分布数据可以是收率。
54.上述重整生成油关键组份分布预测方法，通过采用各关键组份对应的预测模型，基于操作参数和生产原料数据进行预测，不需要人工分析，可以快速在线预测出关键组份的预测分布数据，从而帮助用户快速准确的知道重整生成油关键组份的分布，而且基于模型预测，不需要安装其他复杂的硬件设备，不占用场地空间，成本低。因此，关键组份的分布预测高效且低成本。
55.在其中一个实施例中，步骤s110之后、步骤s150之前，还包括：对操作参数和生产原料数据进行数据预处理。
56.数据预处理是对数据进行整理的操作，以提高数据的准确性。具体地，步骤s150中分别采用各预测模型基于数据预处理后的操作参数和生产原料数据进行预测。
57.数据预处理可以包括数据清洗、降噪和归一化处理，即，对操作参数和生产原料数据进行数据清洗、降噪和归一化处理。其中，数据清洗可以包括将与关键组份分布无关的描述数据进行剔除、对缺失的数值进行插补，确保数据的准确性、完整性；降噪可以是通过outlier函数进行降噪处理，提高数据准确性；归一化处理可以是使用scale函数、将所有数值归为0到1之间，便于预测模型处理。
58.在其中一个实施例中，如图2所示，步骤s150之前还可以包括步骤s101至步骤s105。可以理解，步骤s101至步骤s105可以是在步骤s100之前执行，即，在每一次进行在线预测之前，预先建立各关键组份的预测模型。
59.s101：采集目标重整装置的历史操作参数、历史生产原料数据和关键组份的历史分布数据，建立数据集并划分为训练集和测试集。
60.历史操作参数和历史生产原料数据分别是目标重整装置历史生产所使用的操作参数和生产原料数据；历史分布数据包括各次使用历史操作参数、历史生产原料数据的情况下产出的重整生成油中关键组份的分布数据。其中，数据集的划分可以遵循二八原则，将数据集中80％的数据作为训练集，20％的数据作为测试集，每一个训练集和测试集均包括历史操作参数、历史生产原料数据和对应的历史分布数据。
61.关于数据集的建立，以一实施例进行说明：确定需要纳入预测模型的变量共158个，收集这些变量的数据，准备建立数据集。由于不同的数据特征往往来源于不同的数据源，这样导致了各个不同源的数据在时间维度上存在不一致的情况，比如有的采集时间是12点30分25秒，有的是12点29分50秒。所以将所有的变量，以组份分布数据为基准，放在同一时间维度之下，建立一个大的数据集。对于时间跨度较大的变量，如lims数据，进行平行拉伸的方法，确保每一行数据包含关键组份分布数据及其对应的所有相关变量的数据。数据集可以是一个大的excel表格，每一行包含：时间、物性、压力、温度等一系列的操作参数以及分布数据。
62.s103：以训练集中的历史操作参数、历史生产原料数据为输入，分别以训练集中各关键组份的历史分布数据为输出，对初始的神经网络模型进行多次训练，得到各关键组份的多个训练模型。
63.对每一种关键组份，分别进行模型训练，得到各关键组份的训练模型。比如，以训练集中的历史操作参数、历史生产原料数据为输入，以训练集中关键组份a的历史分布数据为输出，对初始的神经网络模型进行多次训练，得到关键组份a的多个训练模型；以训练集中的历史操作参数、历史生产原料数据为输入，以训练集中关键组份b的历史分布数据为输出，对初始的神经网络模型进行多次训练，得到关键组份b的多个训练模型。重整生成油关键组份的分布，和大量生产原料数据、操作参数数据息息相关，针对数据量大、数据维度高的情况，采用神经网络能对这样的数据集进行准确高效的学习。
64.以生产原料数据包括lims物性数据、分布数据包括收率为例，历史lims物性数据和历史操作参数是输入层、历史收率为输出层，可以通过调节神经网络模型隐含层的节点数与层数，训练出数个不同的模型。
65.s105：采用测试集中的历史操作参数、历史生产原料数据对应的历史分布数据，对各关键组份的各训练模型进行预测测试，从关键组份的各训练模型中选定预测模型。
66.通过对每一种关键组份的多个训练模型进行预测测试，选取最优的训练模型作为预测模型，分别为若干个需要预测的关键组份搭建起单独的神经网络模型。
67.在其中一个实施例中，步骤s101之后、步骤s103之前，还包括：对数据集进行数据预处理。
68.数据预处理是对数据进行整理的操作，以提高数据的准确性，从而提高模型的准确性。具体地，步骤s103中采用数据预处理后的历史操作参数、历史生产原料数据和历史分布数据。
69.在其中一个实施例中，数据预处理包括数据清洗、降噪和归一化处理。通过数据预处理，对历史操作参数、历史生产原料数据和历史分布数据进行数据清洗、降噪和归一化处理。
70.例如，数据集建立后，首要任务是进行数据清洗，将与组份分布无关的描述数据进行剔除(如时间、罐号等)，为之后的模型搭建做好铺垫。原始数据不可避免的存在一些缺失值，可能是由于停产、进料调整产生的，也可能是因为人为因素。通过对含有缺失值的数列进行中位数插补的方法，最大限度的还原可能的真实值，确保数据的完整性。
71.建模数据存在数据量大，数据间隔较为密集的等特征，数据易存在离群点、异常值，且低尺度高频信息呈不规律震动状态分布，也就是含有噪声。所以在数据分析之前，必须处理部分噪声非常明显的数据，使数据相对平滑，更有利于建立预测模型。具体可以采用outlier函数对于各变量逐列计算，如果发现离群点则予以剔除。
72.原始数据在不同维度上的特征的尺度(单位)是不一致的，需要标准化步骤对数据进行预处理。可以使用scale函数，将所有数值归为0到1之间，便于神经网络模型的学习与搭建。
73.在其中一个实施例中，步骤s105包括：以测试集中的历史操作参数、历史生产原料数据为各关键组份的各训练模型的输入，获取各训练模型的输出并与测试集中对应的历史分布数据进行线性回归得到皮尔森系数；寻找各关键组份的最高皮尔森系数的训练模型，
作为对应关键组份的预测模型。
74.最高皮尔森系数的训练模型，是指皮尔森系数最高的训练模型。通过寻找最高皮尔森系数的模型，得到准确度最好的隐含层节点数与层数的组合，从而确定最终的预测模型，得到的预测模型预测准确性高。
75.在其中一个实施例中，初始的神经网络模型的包括bp神经网络模型。
76.bp(back propagation反向传播)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。训练神经网络的目标是优化代价函数，使得代价函数找到一个全局最小值或者局部最小值。不管使用何种梯度下降算法(bgd、sgd、adam)，都需要先算出各个参数的梯度。反向传播的作用就是快速算出所有参数的偏导数。反向传播的优点在于，尽力用一次前向传播和一次反向传播，就同时计算出所有参数的偏导数。使用传统神经网络(如ann人工神经网络)求偏导，需要多次才能求出所有参数的偏导，而反向传播一次就够了。这样大大节省了模型训练的时间，提升模型搭建的效率和预测速度。通过运用反向传播神经网络的算法作为核心，搭建在线预测模型，可以实时准确预测重整生成油里的关键组份的分布信息。
77.在其中一个实施例中，参考图2，步骤s150之后还包括步骤s160至步骤s180。
78.s160：采集各关键组份的实际分布数据。
79.其中，实际分布数据是目标重整装置实际产出的重整生成油中关键组份的分布数据，可以通过用户输入获得。
80.s170：计算各关键组份的预测分布数据与实际分布数据之间的误差。
81.具体地，对每一种关键组份，计算其预测分布数据与实际分布数据之间的差值的绝对值，得到误差。
82.s180：若存在关键组份的误差大于预设阈值，则更新关键组份的预测模型。
83.其中，预设阈值可以根据实际需要进行设置。有任一个关键组份的误差大于预设阈值，则更新这个关键组份的预测模型。
84.现有技术中，获得重整生成油关键组份分布的常见方法，还包括运用机理模型的方法。机理模型也可以准确预测重整生成油关键组份分布情况，主要是运用集总法(按各类分子的动力学特征，将反应体系划分为若干个集总组分，在动力学研究中把每个集总作为虚拟的单一组分来考察，建立集总动力学模型)、分子尺度法(在不同深度的原料油和产物的组成分析基础上，通过某种数学手段进行模拟计算的方法，与传统的集总方法相比，其集总划分得更为详细，是在分子尺度上的集总)，对产品组份分布加以测算。运用机理模型的软件产品有hysys软件、petrosim软件。这些软件虽然可以算出理论上的产品组份分布，但是构建机理模型十分复杂，难度较大，开发成本也高，需要非常专业的人员花大量时间搭建。并且随着时间的推移，受到装置的老化，催化剂活性降低等影响，机理模型难以长期可靠，需要经常人工校核。另外，机理模型往往对数据质量的要求非常高，稍有偏差，机理模型就很难收敛。如果想要实现机理模型的在线测算，则需在计算前进行大量的数据处理，实现在线分析难度较大。综上所述，机理模型存在构建难度大、长期可靠性差、实时在线预测难度大的不足。
85.鉴于工厂生产过程中，存在原料定期的更换、生产操作的调整，这些变化会导致现
有的预测模型预测不准确。本实施例通过每次模型预测得到预测分布数据后，将预测分布数据和实际分布数据进行比对，如果某个关键组份的误差超过预设阈值，将会触发模型的自动训练机制，自动更新关键组份的预测模型。这种有监督式的模型更新方法，能够确保预测模型预测的精度长期可靠，基于当前的工况，做出符合实际的预测，并且后期维护成本较低。相比于现有的机理模型，本技术采用预测模型进行预测并自更新，具备可在线预测、长期可靠性高、构建更简单的优点。
86.具体地，更新预测模型的方式，可以是选用预设间隔之前的历史操作数据、历史生产原料数据、历史分布数据，基于初始的神经网络模型重新训练得到新的预测模型，比如可以是选用前3个月的历史数据，并且在训练好之后更新到模型库中。
87.预测模型效果的判定可以使用皮尔森相关系数作为指标。相关系数是最早由统计学家卡尔
·
皮尔森设计的统计指标，是研究变量之间线性相关程度的量。在具体应用例中，将预测结果(预测收率)与实际结果(实际收率)仔细对比后，预测模型的预测准确度如下：
88.非芳的自动预测结果如图3，实际结果如图4；非芳的预测值与实际值的皮尔森相关系数为99.47％，预测模型效果好，能够较为准确预测非芳的收率。苯的自动预测结果如图5，实际结果如图6；苯的预测值与实际值的皮尔森相关系数为99.77％，预测模型效果好，能够准确预测苯的收率。甲苯的自动预测结果如图7，实际结果如图8；甲苯的预测值与实际值的皮尔森相关系数为99.35％，预测模型效果不错，能够较为准确预测甲苯的收率。c8a的自动预测结果如图9，实际结果如图10；c8a的预测值与实际值的皮尔森相关系数为98.68％，预测模型效果较为不错。c9a的自动预测结果如图11，实际结果如图12；c9a的预测值与实际值的皮尔森相关系数为99.28％，预测模型效果好，能够准确预测c9a的收率。重芳烃的自动预测结果如图13，实际结果如图14；重芳烃的预测值与实际值的皮尔森相关系数为98.61％，预测模型效果较好。
89.应该理解的是，虽然图1-图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
90.在一个实施例中，如图15所示，提供了一种重整生成油关键组份分布预测装置，包括：
91.数据获取模块110，用于获取目标重整装置的操作参数和生产原料数据；组份确定模块130，用于确定目标重整装置生产的重整生成油的关键组份种类；数据预测模块150，用于调用各类关键组份对应的预测模型，分别采用各预测模型基于操作参数和生产原料数据进行预测，得到预测模型所对应关键组份的预测分布数据。
92.上述重整生成油关键组份分布预测装置，通过采用各关键组份对应的预测模型，基于操作参数和生产原料数据进行预测，不需要人工分析，可以快速在线预测出关键组份的预测分布数据，从而帮助用户快速准确的知道重整生成油关键组份的分布，而且基于模型预测，不需要安装其他复杂的硬件设备，不占用场地空间，成本低。因此，关键组份的分布
预测高效且低成本。
93.关于重整生成油关键组份分布预测装置的具体限定可以参见上文中对于重整生成油关键组份分布预测方法的限定，在此不再赘述。上述重整生成油关键组份分布预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本技术实施例中对模块的划分是示意性的，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。
94.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各实施例中方法的步骤。
95.上述计算机设备，由于可以实现上述各实施例中方法的步骤，同理，可以提高关键组份的分布预测效率，且低成本。
96.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例中方法的步骤。
97.上述计算机可读存储介质，由于可以实现上述各实施例中方法的步骤，同理，可以提高关键组份的分布预测效率，且低成本。
98.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
99.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，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。