[發明專利]常減壓裝置常壓塔常一線10％點預測方法

有效

• 申請號: 201610163861.0
• 申請日: 2016-03-22
• 公開（公告）號: CN107220392B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 李傳坤;牟善軍;王春利;李杰;高新江;石寧;徐偉
• 申請（專利權）人: 中國石油化工股份有限公司;中國石油化工股份有限公司青島安全工程研究院
• 主分類號: G06F30/17
• 分類號: G06F30/17
• 代理公司: 上海碩力知識產權代理事務所(普通合伙) 31251
• 代理人: 王法男

1.一種常減壓裝置常壓塔常一線10％點預測方法，用于通過登錄預測系統，進行常一線10％點的預測；所述預測系統安裝于服務器上，服務器通過網線分別與實時數據庫系統、LIMS系統的服務器相連，客戶端為有權限的電腦和移動終端；預測系統的工作步驟如下：

1)選擇的輔助變量

根據現場操作工控制經驗，考慮實際對常一線10％點影響較大的相關輔助變量，包括常壓塔的塔頂溫度、塔頂壓力、常一線量、常一線抽出溫度以及常一線出再沸器溫度；

2)輔助變量原始數據的野值剔除

使用移動窗口中位值過濾器的方法，在線識別單個過程變量的異常點，剔除異常值，公式如下：

其中，過程變量在某一時刻的測量值，即這是該變量的“第個值”；是過程變量的時刻序號，即這是該變量的第幾個；median是求中位值的函數，X^*是數據的中位置值，1.4826是系數，閥值t＝3，移動窗口的大小取11個點，并對剔除的中位值使用計算出來的中位值填補；

原始數據經過野值剔除后，明顯偏離附件時刻測量值的數據被剔除；

3)輔助變量噪音剔除

(1)小波方法初步去噪

測量信號的小波分解將原始數據分解為高頻部分和低頻部分，其高頻部分反映的是噪音干擾，而低頻部分反映的是信號的真實值；

選用haar小波，利用下式將原始單變量信號分解為高頻部分和低頻部分：

式中，k₁為當前采樣點的時間序號，d是尺度系數，β是小波系數，G和H分別是高通和低通分解濾波器，l為時間參數；

分解尺度n＝3，將高頻部分全部濾除，并用下式進行重構：

式中，k₁為當前采樣點的時間序號，d是尺度系數，β是小波系數，G^*和H^*為高通和低通重構濾波器；

重構后的數據不含有原始數據的高頻部分，也就是剔除了高頻部分的噪音，使得用于軟儀表的數據更加準確地反映儀表的真實值；

(2)主元分析法深度去噪

利用主元分析法將初步去噪后的輔助變量數據，進行異常工況識別，以便剔除異常工況對建模的影響，實現深度去噪；

首先按下式將數據進行標準化：

其中，

其中，為標準化后數據，x_O為原始數據，為原始數據的平均值，s為標準差；w為參與標準差計算的所有點的個數-1，即變量的樣本數-1；

將標準化后的數據按下式進行分解：

式中，X為數據矩陣；Xp為表示X的主元矩陣；E為表示殘差矩陣；t為得分矩陣；p為負載矩陣；t₁、t₂、t_k代表主元矩陣Xp中，得分矩陣中的第1、2或k個值；p₁、p₂、p_k代表主元矩陣Xp中，負載矩陣中的第1、2或k個值；

主元個數k＝5，這個主元模型在i時刻的平方誤差如下：

式中，X_ij為i時刻第j個輸入變量的測量值，為i時刻第j個數據變量的主元模型預測值，T²統計量的控制限利用F分布按下式計算：

其中，F_f,m-1,a是對應于檢驗水平a，自由度為f，m-1條件下的F分布臨界值；

檢驗水平a＝0.05，自由度f＝5，m為移動窗口的寬度，取半個小時的數據：1個/15s,m＝120，并對SPE和T²畫出累計分布為95％的控制限，當SPE或T²超出95％控制限時此時的工況將被識別為異常工況，其數據不會用于建立軟測量模型；

4)主動變量相對于輔助變量的滯后時間的確定

利用遺傳算法確定滯后時間，方法具體如下：

遺傳算法輸入變量如下：

N＝[N₁,N₂,…,N_j] j＝1,2,…,v

其中，N_j為第j個輸入變量的滯后時間,v為輔助變量個數；

遺傳算法目標函數如下：

其中，y_i是主導變量離線化驗值，是GRNN模型5折交叉驗證預測值，u是訓練樣本個數；

在建立軟測量模型中，取v＝6，滯后時間范圍為N_j＝0-60min，由于N_j的取值是正整數，轉化為長度為6的二進制來計算；遺傳算法的種群大小為200，隨機初始化種群，迭代次數為500，交叉概率為0.4，變異概率為0.2；

5)軟測量方法；

使用廣義回歸神經網絡對常壓塔常一線10％點的軟測量建模，GRNN網絡結構由四層構成，分別為輸入層，模式層，求和層和輸出層；其中，輸入層節點數為6，模式層神經元數目為訓練樣本的數目，輸出層的神經元數目等于1；模式層神經元傳遞函數為：

其中，上式中，X′為網絡輸入變量即學習樣本，g為學習樣本中變量的個數，X_α為第α個神經元對應的學習樣本，σ為光滑因子，即高斯函數的標準差，α為第α個神經元；

求和層神經元的傳遞函數為：

其中，上式中，α為第α個神經元；g為學習樣本中變量的個數；y_αγ為加權系數是第α個神經元對應的訓練樣本的標簽的第γ個元素；P_α為模式層第α個節點輸出；γ為求和層節點序號；h為求和層節點總個數；

輸出層神經元的傳遞函數為：

其中，上式中，S_D為求和層第一個節點的輸出；

γ為輸出層節點序號，數值與求合成節點序號相同；

h為輸出層節點總個數，數值與求和層節點總個數相同；

GRNN模型訓練過程中的徑向基函數的擴展速度Spread由5折交叉驗證方法確定為Spread＝0.2；

6)系統算法技術路線

7)數據接口開發

為了獲取實際裝置的生產數據，開發了多種數據采集接口，從多種煉化企業主流實時數據庫采集輔助變量的數據，能滿足各種現場實施環境的需要；同時，開發了ODBC接口連接企業的LIMS系統，在線獲取主動變量的數據，實現常壓常一線10％點預測系統算法的檢驗與修正。