一种基于迁移辨识的精馏过程单吨能耗预测方法及系统

1.本发明涉及流程工业生产加工技术领域，特别涉及一种基于迁移辨识的精馏过程单吨能耗预测方法及系统。


背景技术：

2.在流程工业中，精馏过程是应用最广的分离过程，其能耗占据整个行业耗能量的40％左右。在实际生产中，为保证产品合格，保守的操作使精馏过程消耗的能量大部分被冷却水或分离组分带走。因此，精馏过程的节能潜力巨大。常用能耗预测方法缺少与产品质量的关联，而准确预测精馏过程生产单吨合格产品所需能耗对其节能降耗具有重大的指导意义。
3.辨识技术利用过程历史数据确定单吨能耗预测数学模型的结构和参数。高精度的预测模型需要大量高质量的历史数据，导致辨识成本较高。考虑到不同精馏过程间存在的相似性，合理利用已辨识过程的模型中的知识有助于在提高辨识精度的同时降低辨识成本。而不迁移的传统辨识技术囿于独立同分布假设，难以将已辨识过程中的知识和待辨识过程有效结合。


技术实现要素：

4.本发明要解决的技术问题是提供一种可行性高、精度高的基于迁移辨识的精馏过程单吨能耗预测方法。
5.为了解决上述问题，本发明提供了一种基于迁移辨识的精馏过程单吨能耗预测方法，其包括以下步骤：
6.s1、将精馏过程的稳定工况划分为t个采样间隔，根据物料和能量平衡方程，建立关于采样时刻k的精馏过程单吨能耗模型：
7.y＝xθ v
ꢀꢀꢀ
(2)
8.其中，y为输出向量，x为观测矩阵，θ为参数向量，v为噪声向量；
9.s2、采集精馏过程a的历史数据，确定精馏过程a的单吨能耗模型阶次(pa,qa)和精馏过程a的单吨能耗模型参数向量
10.s3、定义精馏过程b的单吨能耗模型参数向量：
[0011][0012]
其中，pb＝pa,qb＝qa；
[0013]
采集并预处理待辨识的精馏过程b的历史数据，结合已经确定的精馏过程a的单吨能耗模型参数构建精馏过程b的单吨能耗模型的参数迁移辨识模型：
[0014][0015]
其中，输出向量yb为精馏过程b的单吨能耗，观测矩阵xb为精馏过程b历史数据构成
的矩阵，g为迁移增益矩阵；
[0016]
s4、选定迁移辨识准则函数，并最小化迁移辨识准则函数以求解迁移增益矩阵g；
[0017]
s5、将求解的迁移增益矩阵g代入参数迁移辨识模型中，得到精馏过程b的单吨能耗预测值。
[0018]
作为本发明的进一步改进，步骤s1包括：
[0019]
s11、将精馏过程的稳定工况划分为t个采样间隔，根据物料和能量平衡方程，建立关于采样时刻k的精馏过程单吨能耗模型：
[0020]
y(k) a1y(k-1)
…
a
p
y(k-p)＝b0u(k) b1u(k-1)
…
bqu(k-q) v(k)
ꢀꢀꢀ
(1)
[0021]
其中，y(k)为k时刻的输出变量；u(k)为k时刻的输入变量；a1,a2,
…
,a
p
,b0,b1,
…
,bq为单吨能耗模型参数；p和q为单吨能耗模型的阶次；v(k)为测量噪声；
[0022]
s12、定义输出向量、观测矩阵、参数向量、噪声向量分别为：
[0023]
y＝[y(p 1),y(p 2)
…
,y(p n)]
t
[0024][0025]
θ＝[a1,
…
,a
p
,b0,
…
,bq]
t
[0026]
v＝[v(p 1),v(p 2)
…
,v(p n)]
t
[0027]
其中，n为采集的数据长度；
[0028]
根据上述定义，精馏过程单吨能耗模型(1)等价为：
[0029]
y＝xθ v
[0030]
即公式(2)。
[0031]
作为本发明的进一步改进，步骤s4包括：
[0032]
s41、选定迁移辨识准则函数：
[0033][0034]
其中，θb为精馏过程b单吨能耗模型参数矩阵真实值；e[
·
]为均值运算；trace{
·
}为矩阵的迹运算；j(
·
)是关于g的准则函数；
[0035]
s42、将公式(3)代入公式(4)，得到：
[0036]
j(g)＝trace{e[(i-gxb)r(i-gxb)
t
gσbg
t
]}
ꢀꢀꢀ
(5)
[0037]
其中，为精馏过程a和精馏过程b的单吨能耗模型参数矩阵差异的方差，为精馏过程a和精馏过程b的单吨能耗模型参数矩阵差异，i为单位矩阵，σb为精馏过程b的噪声协方差矩阵。
[0038]
取准则函数(5)关于g的一阶导数并令其等于0，可得：
[0039][0040]
作为本发明的进一步改进，步骤s4还包括：
[0041]
s43、根据以下模型计算r的可实现解
[0042][0043]
得到公式(6)中r的可实现解为：
[0044][0045]
s44、运用矩阵求逆定理，将其转化为(pb qb)
×
(pb qb)维矩阵的求逆，可得迁移增益矩阵的简化可实现解为：
[0046][0047]
其中，为精馏过程b的单吨能耗模型参数辨识的费舍尔信息矩阵，迁移增益矩阵g依赖于精馏过程a和b的模型参数矩阵差异的方差以及采集的精馏过程b观测数据的质量f。
[0048]
作为本发明的进一步改进，所述精馏过程单吨能耗模型的输出变量为生产单吨合格产品所需的能源消耗，输入变量为生产单吨合格产品所需的进料流量、回流量、冷却水流量。
[0049]
作为本发明的进一步改进，所述测量噪声包括服从高斯分布、t分布、泊松分布的白噪声。
[0050]
作为本发明的进一步改进，所述历史数据包括进料流量、回流量、冷却水流量、单吨能耗四个变量。
[0051]
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述方法的步骤。
[0052]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任意一项所述方法的步骤。
[0053]
本发明还提供了一种基于迁移辨识的精馏过程单吨能耗预测系统，其包括：
[0054]
单吨能耗模型建立模块，用于将精馏过程的稳定工况划分为t个采样间隔，根据物料和能量平衡方程，建立关于采样时刻k的精馏过程单吨能耗模型：
[0055]
y＝xθ v
ꢀꢀꢀ
(2)
[0056]
其中，y为输出向量，x为观测矩阵，θ为参数向量，v为噪声向量；
[0057]
精馏过程a的单吨能耗模型阶次和参数向量确定模块，用于采集精馏过程a的历史数据，确定精馏过程a的单吨能耗模型阶次(pa,qa)和精馏过程a的单吨能耗模型参数向量
[0058]
精馏过程b的单吨能耗模型的参数迁移辨识模型构建模块，用于定义精馏过程b的单吨能耗模型参数向量：
[0059][0060]
其中，pb＝pa,qb＝qa；
[0061]
采集并预处理待辨识的精馏过程b的历史数据，结合已经确定的精馏过程a的单吨能耗模型参数构建精馏过程b的单吨能耗模型的参数迁移辨识模型：
[0062][0063]
其中，输出向量yb为精馏过程b的单吨能耗，观测矩阵xb为精馏过程b历史数据构成的矩阵，g为迁移增益矩阵；
[0064]
解迁移增益矩阵g求解模块，用于选定迁移辨识准则函数，并最小化迁移辨识准则函数以求解迁移增益矩阵g；
[0065]
精馏过程b的单吨能耗预测模块，用于将求解的迁移增益矩阵g代入参数迁移辨识模型中，得到精馏过程b的单吨能耗预测值。
[0066]
本发明的有益效果：
[0067]
本发明提出的参数迁移辨识模型以最小化辨识误差为目标，区别于不迁移的传统辨识技术仅使用当前待辨识过程的数据知识，通过确定迁移增益矩阵，使用待辨识过程的数据调整已辨识过程的模型，在相同的辨识成本下达到更高的辨识精度，从而使用少量历史数据实现对精馏过程单吨能耗的准确预测。
[0068]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0069]
图1是本发明优选实施例中基于迁移辨识的精馏过程单吨能耗预测方法的流程图；
[0070]
图2是本发明优选实施例中精馏过程a的进料流量、回流量、冷却水流量数据曲线；
[0071]
图3是本发明优选实施例中精馏过程a的单吨能耗预测曲线；
[0072]
图4是本发明优选实施例中精馏过程b的进料流量、回流量、冷却水流量数据曲线；
[0073]
图5是本发明优选实施例中精馏过程b的单吨能耗预测曲线。
具体实施方式
[0074]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0075]
如图1所示，为本发明优选实施例中基于迁移辨识的精馏过程单吨能耗预测方法，包括以下步骤：
[0076]
步骤s1、将精馏过程的稳定工况划分为t个采样间隔，根据物料和能量平衡方程，建立关于采样时刻k的精馏过程单吨能耗模型：
[0077]
y＝xθ v
ꢀꢀꢀ
(2)
[0078]
其中，y为输出向量，x为观测矩阵，θ为参数向量，v为噪声向量；其中，精馏过程单吨能耗模型的输出变量为生产单吨合格产品所需的能源消耗，输入变量为生产单吨合格产品所需的进料流量、回流量、冷却水流量。
[0079]
具体地，步骤s1包括：
[0080]
步骤s11、将精馏过程的稳定工况划分为t个采样间隔，根据物料和能量平衡方程，建立关于采样时刻k的精馏过程单吨能耗模型：
[0081]
y(k) a1y(k-1)
…
a
p
y(k-p)＝b0u(k) b1u(k-1)
…
bqu(k-q) v(k)
ꢀꢀꢀ
(1)
[0082]
其中，y(k)为k时刻的输出变量；u(k)为k时刻的输入变量；a1,a2,
…
,a
p
,b0,b1,
…
,bq为单吨能耗模型参数；p和q为单吨能耗模型的阶次；v(k)为测量噪声；所述测量噪声包括服从高斯分布、t分布、泊松分布的白噪声。
[0083]
步骤s12、定义输出向量、观测矩阵、参数向量、噪声向量分别为：
[0084]
y＝[y(p 1),y(p 2)
…
,y(p n)]
t
[0085][0086]
θ＝[a1,
…
,a
p
,b0,
…
,bq]
t
[0087]
v＝[v(p 1),v(p 2)
…
,v(p n)]
t
[0088]
其中，n为采集的数据长度；
[0089]
根据上述定义，精馏过程单吨能耗模型(1)等价为：
[0090]
y＝xθ v
[0091]
即公式(2)。
[0092]
步骤s2、采集精馏过程a的历史数据，确定精馏过程a的单吨能耗模型阶次(pa,qa)和精馏过程a的单吨能耗模型参数向量其中，所述历史数据包括进料流量、回流量、冷却水流量、单吨能耗四个变量。
[0093]
其中，采集精馏过程a的历史数据后，还包括对数据进行预处理的步骤，具体包括:
[0094]
步骤1：剔除精馏过程a的历史数据中的非数值样本点，并根据工况记录剔除异常工况数据；步骤2：剔除精馏过程a的历史数据中的离群点，其方法包括聚类分析、3西格玛准则、近邻性方法、箱体图分析等；步骤三：填补精馏过程a的历史数据中的缺失值，其方法包括均值填充、中位数填充、众数填充、机器学习算法填充等；步骤四：消除精馏过程a进料流量、回流量、冷却水流量、单吨能耗四个变量的量纲差异，其方法包括：归一化、z-score标准化、中心化、hellinger转化、帕莱托标准化等。
[0095]
可选地，确定精馏过程a的模型阶次方法包括hankel矩阵法、aic准则定阶法、bic准则定阶法、fpe准则定阶法、残差法、f检验法等。
[0096]
可选地，确定精馏过程a的模型参数方法包括最小二乘估计、最大似然估计、预报误差法、随机逼近法、支持向量回归、偏最小二乘、神经网络等。
[0097]
步骤s3、定义精馏过程b的单吨能耗模型参数向量：
[0098][0099]
其中，pb＝pa,qb＝qa；
[0100]
采集并预处理待辨识的精馏过程b的历史数据，结合已经确定的精馏过程a的单吨能耗模型参数构建精馏过程b的单吨能耗模型的参数迁移辨识模型：
[0101][0102]
其中，输出向量yb为精馏过程b的单吨能耗，观测矩阵xb为精馏过程b历史数据构成的矩阵，g为迁移增益矩阵；g的维度与数据长度nb有关。迁移增益矩阵g依赖于精馏过程a和
b的模型参数差异的方差以及采集的精馏过程b观测数据的质量。
[0103]
其中，预处理的步骤可参考上述精馏过程a。
[0104]
步骤s4、选定迁移辨识准则函数，并最小化迁移辨识准则函数以求解迁移增益矩阵g；迁移辨识的目标是得到最小方差意义下的迁移参数估计值。
[0105]
具体地，步骤s4包括：
[0106]
s41、选定迁移辨识准则函数：
[0107][0108]
其中，θb为精馏过程b单吨能耗模型参数矩阵真实值；e[
·
]为均值运算；trace{
·
}为矩阵的迹运算；j(
·
)是关于g的准则函数；
[0109]
s42、将公式(3)代入公式(4)，得到：
[0110]
j(g)＝trace{e[(i-gxb)r(i-gxb)
t
gσbg
t
]}
ꢀꢀꢀ
(5)
[0111]
其中，为精馏过程a和精馏过程b的单吨能耗模型参数矩阵差异的方差，为精馏过程a和精馏过程b的单吨能耗模型参数矩阵差异，i为单位矩阵，σb为精馏过程b的噪声协方差矩阵。
[0112]
取准则函数(5)关于g的一阶导数并令其等于0，可得：
[0113][0114]
进一步地，步骤s4还包括：
[0115]
s43、根据以下模型计算r的可实现解
[0116][0117]
得到公式(6)中r的可实现解为：
[0118][0119]
s44、运用矩阵求逆定理，将其转化为(pb qb)
×
(pb qb)维矩阵的求逆，可得迁移增益矩阵的简化可实现解为：
[0120][0121]
其中，为精馏过程b的单吨能耗模型参数辨识的费舍尔信息矩阵，迁移增益矩阵g依赖于精馏过程a和b的模型参数矩阵差异的方差以及采集的精馏过程b观测数据的质量f。
[0122]
步骤s5、将求解的迁移增益矩阵g代入参数迁移辨识模型中，得到精馏过程b的单吨能耗预测值。
[0123]
步骤s5包括：
[0124]
将计算得到的迁移增益矩阵(7)代入参数迁移辨识策略(3)中，可得：
[0125][0126]
根据精馏过程单吨能耗模型(2)，可得如下精馏过程b的单吨能耗预测值：
[0127][0128]
可选地，本发明还包括以下步骤：
[0129]
步骤s6、确定迁移辨识精度提升的条件：
[0130]
选择均方误差(mse,mean squared error)作为辨识精度的评价指标，定义：
[0131][0132][0133]
其中，为没有迁移精馏过程a的参数情况下的精馏过程b的单吨能耗模型参数辨识结果，mse_ls为其mse，mse_tr为参数迁移辨识结果的mse。
[0134]
将(3)和(7)代入(8)中，计算可得：
[0135][0136]
可以看出，参数迁移辨识的精度是否提高依赖于精馏过程a和b的模型参数差异的方差以及采集的精馏过程b观测数据的质量f。当精馏过程a和精馏过程b的观测数据满足条件：
[0137][0138]
时，mse_tr≤mse_ls成立，即参数迁移辨识精度比没有迁移参数情况下的辨识精度高。可选地，辨识性能分析的指标包括均方误差、均方根误差、平均绝对误差、平均绝对百分比误差、均方误差对数、中位绝对误差等。
[0139]
在流程工业中，现有的能耗预测模型的辨识一般仅利用当前待辨识过程的知识，且与产品质量缺乏联系。本发明给出的基于迁移辨识的精馏过程单吨能耗预测方法，考虑的是生产单吨合格产品所需的能耗，同时采用迁移辨识技术借助已辨识过程的模型知识，提高待辨识过程的模型精度，降低辨识成本，并对所建立的单吨能耗预测模型进行了评价。
[0140]
为了证明本发明的有效性，在其中一实施例中，利用本发明的方法对精馏过程a的历史数据进行预处理，图2给出了预处理后的进料流量、回流量、冷却水流量数据。采用传统辨识方法，确定单吨能耗预测模型的阶次(pa,qa)和参数图3给出了精馏过程a的单吨能耗预测结果。
[0141]
进一步采集并预处理精馏过程b的历史数据，图4给出了预处理后的进料流量、回流量、冷却水流量数据。结合已辨识的模型参数通过设计迁移增益矩阵g，构建迁移辨识参数估计
[0142]
并选定迁移辨识准则函数j(g)，通过取j(g)的一阶导数并令其等于0，求解迁移增益矩阵g，进一步计算简化可实现的迁移增益矩阵将其代入迁移辨识参数估计中得到
基于迁移辨识的精馏过程b单吨能耗预测模型。
[0143]
最后，选择参数估计值的均方误差(mse,mean squared error)作为辨识精度的评价指标，讨论迁移辨识方法的性能和传统单任务辨识方法性能间的关系。图5给出了精馏过程b的单吨能耗预测模型的预测结果，从图中可以看出，迁移辨识方法所建单吨能耗模型可以对单吨能耗进行准确预测。
[0144]
本发明优选实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中所述方法的步骤。
[0145]
本发明优选实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中所述方法的步骤。
[0146]
本发明优选实施例还公开了一种基于迁移辨识的精馏过程单吨能耗预测系统，其包括：
[0147]
单吨能耗模型建立模块，用于将精馏过程的稳定工况划分为t个采样间隔，根据物料和能量平衡方程，建立关于采样时刻k的精馏过程单吨能耗模型：
[0148]
y＝xθ v
ꢀꢀꢀ
(2)
[0149]
其中，y为输出向量，x为观测矩阵，θ为参数向量，v为噪声向量；
[0150]
精馏过程a的单吨能耗模型阶次和参数向量确定模块，用于采集精馏过程a的历史数据，确定精馏过程a的单吨能耗模型阶次(pa,qa)和精馏过程a的单吨能耗模型参数向量
[0151]
精馏过程b的单吨能耗模型的参数迁移辨识模型构建模块，用于定义精馏过程b的单吨能耗模型参数向量：
[0152][0153]
其中，pb＝pa,qb＝qa；
[0154]
采集并预处理待辨识的精馏过程b的历史数据，结合已经确定的精馏过程a的单吨能耗模型参数构建精馏过程b的单吨能耗模型的参数迁移辨识模型：
[0155][0156]
其中，输出向量yb为精馏过程b的单吨能耗，观测矩阵xb为精馏过程b历史数据构成的矩阵，g为迁移增益矩阵；
[0157]
解迁移增益矩阵g求解模块，用于选定迁移辨识准则函数，并最小化迁移辨识准则函数以求解迁移增益矩阵g；
[0158]
精馏过程b的单吨能耗预测模块，用于将求解的迁移增益矩阵g代入参数迁移辨识模型中，得到精馏过程b的单吨能耗预测值。
[0159]
本发明实施例中的基于迁移辨识的精馏过程单吨能耗预测系统用于实现前述的基于迁移辨识的精馏过程单吨能耗预测方法，因此该系统的具体实施方式可见前文中的基于迁移辨识的精馏过程单吨能耗预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
[0160]
另外，由于本实施例的基于迁移辨识的精馏过程单吨能耗预测系统用于实现前述
的基于迁移辨识的精馏过程单吨能耗预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
[0161]
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。