[發(fā)明專(zhuān)利]一種工藝參數(shù)驅(qū)動(dòng)的三甘醇脫水裝置三甘醇損耗量在線(xiàn)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110340674.6
• 申請(qǐng)日: 2021-03-30
• 公開(kāi)（公告）號(hào): CN113088359A
• 公開(kāi)（公告）日: 2021-07-09
• 發(fā)明（設(shè)計(jì)）人: 尹愛(ài)軍;何彥霖;任宏基;譚治斌
• 申請(qǐng)（專(zhuān)利權(quán)）人: 重慶大學(xué)
• 主分類(lèi)號(hào): C10L3/10
• 分類(lèi)號(hào): C10L3/10;G16C20/10;G16C20/70;G06N20/20;G06N5/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明涉及天然氣集輸領(lǐng)域，針對(duì)常規(guī)人工日檢測(cè)三甘醇損耗量的方式存在檢測(cè)成本高，時(shí)效性差及傳統(tǒng)預(yù)測(cè)方法無(wú)法自適應(yīng)的預(yù)測(cè)脫水系統(tǒng)的三甘醇損耗的缺點(diǎn)，公開(kāi)了一種工藝參數(shù)驅(qū)動(dòng)的三甘醇脫水裝置三甘醇損耗量在線(xiàn)預(yù)測(cè)方法，一種三甘醇脫水裝置仿真模型，制作了一個(gè)多工藝參數(shù)特征的原始訓(xùn)練數(shù)據(jù)集；通過(guò)XGboost選擇影響三甘醇損耗量的關(guān)鍵參數(shù)特征，剔除了無(wú)關(guān)冗余參數(shù)特征，建立了特征選后的三甘醇脫水裝置三甘醇損耗量預(yù)測(cè)訓(xùn)練數(shù)據(jù)集；通過(guò)具有抗噪聲能力強(qiáng)和泛化能力強(qiáng)優(yōu)勢(shì)的RF模型，學(xué)習(xí)了特征選擇后的訓(xùn)練數(shù)據(jù)集中各工藝監(jiān)測(cè)參數(shù)與損耗量的函數(shù)關(guān)系，實(shí)現(xiàn)了三甘醇脫水裝置三甘醇損耗量的在線(xiàn)預(yù)測(cè)。本發(fā)明與現(xiàn)有技術(shù)相比，具有準(zhǔn)確度高的有益效果。

技術(shù)領(lǐng)域

本發(fā)明涉及天然氣集輸領(lǐng)域，具體涉及一種工藝參數(shù)驅(qū)動(dòng)的三甘醇脫水裝置三甘醇損耗量在線(xiàn)預(yù)測(cè)方法。

背景技術(shù)

三甘醇是一種優(yōu)良的脫水劑，廣泛應(yīng)用于天然氣脫水工藝中。三甘醇損耗量是三甘醇脫水裝置的一項(xiàng)重要生產(chǎn)指標(biāo)。三甘醇損耗會(huì)導(dǎo)致三甘醇脫水裝置脫水效果降低，縮短三甘醇的使用壽命。有效的監(jiān)測(cè)三甘醇損耗量，及時(shí)調(diào)整生產(chǎn)工藝有利于降低生產(chǎn)成本和提高脫水效果，因此有效監(jiān)測(cè)三甘醇損耗量是實(shí)際生產(chǎn)的重要任務(wù)之一。在實(shí)際生產(chǎn)中，通常通過(guò)人工日檢測(cè)三甘醇損耗量，檢測(cè)成本高，時(shí)效性差，同時(shí)傳統(tǒng)的三甘醇損耗量預(yù)測(cè)方法認(rèn)為三甘醇損耗與運(yùn)行參數(shù)、原料氣氣質(zhì)、處理氣量負(fù)荷等相關(guān)，有研究人員建立了線(xiàn)性模型預(yù)測(cè)三甘醇損耗量，但這些關(guān)系是經(jīng)驗(yàn)的，無(wú)法自適應(yīng)的預(yù)測(cè)脫水系統(tǒng)的三甘醇損耗。針對(duì)傳統(tǒng)檢測(cè)及預(yù)測(cè)方法無(wú)法實(shí)時(shí)有效的監(jiān)測(cè)三甘醇的損耗問(wèn)題，本發(fā)明通過(guò)極端梯度提升樹(shù)(eXtreme Gradient Boosting,XGboost)算法評(píng)估三甘醇脫水裝置原始特征集各參數(shù)對(duì)三甘醇損耗量的影響關(guān)系的重要程度，減少冗余或無(wú)關(guān)參數(shù)對(duì)損耗量預(yù)測(cè)的影響，實(shí)現(xiàn)關(guān)鍵參數(shù)的選擇。通過(guò)參數(shù)選擇后的高維數(shù)據(jù)樣本集，訓(xùn)練優(yōu)化具有抗噪聲能力強(qiáng)和泛化能力強(qiáng)優(yōu)勢(shì)的隨機(jī)森林(Random Forest,RF)模型。優(yōu)化后的RF預(yù)測(cè)模型可以通過(guò)三甘醇脫水裝置的工藝監(jiān)測(cè)參數(shù)實(shí)時(shí)的在線(xiàn)預(yù)測(cè)三甘醇損耗量，實(shí)現(xiàn)脫水裝置脫三甘醇損耗的評(píng)估。

發(fā)明內(nèi)容

針對(duì)常規(guī)三甘醇脫水裝置三甘醇損耗量人工檢測(cè)成本高，時(shí)效性差及傳統(tǒng)預(yù)測(cè)方法無(wú)法自適應(yīng)的預(yù)測(cè)脫水系統(tǒng)的三甘醇損耗的缺點(diǎn)，本發(fā)明公開(kāi)了一種工藝參數(shù)驅(qū)動(dòng)的三甘醇脫水裝置三甘醇損耗量在線(xiàn)預(yù)測(cè)方法，通過(guò)評(píng)估和選擇對(duì)三甘醇損耗有重要影響的關(guān)鍵參數(shù)，結(jié)合泛化能力強(qiáng)和預(yù)測(cè)準(zhǔn)確率高的隨機(jī)森林(Random Forest,RF)模型，實(shí)現(xiàn)一種三甘醇脫水裝置工藝參數(shù)的三甘醇損耗量在線(xiàn)預(yù)測(cè)。

本發(fā)明通過(guò)下述技術(shù)方案實(shí)現(xiàn)：

一種工藝參數(shù)驅(qū)動(dòng)的脫水裝置三甘醇損耗量在線(xiàn)預(yù)測(cè)方法，包括以下步驟：

步驟S1：對(duì)于具有N個(gè)工藝監(jiān)測(cè)參數(shù)的三甘醇脫水裝置，將各參數(shù)依次編號(hào)為參數(shù)1至參數(shù)N，將N個(gè)工藝參數(shù)和三甘醇損耗量數(shù)據(jù)組成預(yù)測(cè)模型原始訓(xùn)練數(shù)據(jù)集X，數(shù)據(jù)集共有M個(gè)樣本，將各樣本依次編號(hào)為樣本1至樣本M；

步驟S2：建立用于特征選擇的極端梯度提升樹(shù)(eXtreme Gradient Boosting,XGBoost)模型，所述XGBoost模型由多棵串行的決策樹(shù)組成，所述決策樹(shù)為分類(lèi)回歸樹(shù)(Classification and regression tree，CART)，模型當(dāng)前決策樹(shù)的建立依賴(lài)已建立好的決策樹(shù)模型，即對(duì)于當(dāng)前正構(gòu)建的第t棵決策樹(shù)的目標(biāo)擬合值為前t-1棵決策樹(shù)的損失值，所述損失值為目標(biāo)值與預(yù)測(cè)值的差，直至模型收斂時(shí)模型訓(xùn)練完成，當(dāng)模型訓(xùn)練完成時(shí)計(jì)算XGboost模型中每個(gè)工藝參數(shù)特征作為分裂條件時(shí)的平均增益判斷工藝參數(shù)的重要性，所述平均增益為工藝參數(shù)j總的增益和除以樹(shù)分裂中參數(shù)j出現(xiàn)的總頻次，設(shè)定模型訓(xùn)練時(shí)所需的相關(guān)參數(shù)，設(shè)定均方誤差為模型的損失函數(shù)，以及設(shè)定模型損失函數(shù)正則項(xiàng)的葉節(jié)點(diǎn)復(fù)雜性系數(shù)γ、懲罰系數(shù)λ，決策樹(shù)的數(shù)量、決策樹(shù)最大深度和學(xué)習(xí)率，所述損失函數(shù)、葉節(jié)點(diǎn)復(fù)雜性系數(shù)γ、懲罰系數(shù)λ用于控制決策樹(shù)節(jié)點(diǎn)的分裂，所述決策樹(shù)的數(shù)量、決策樹(shù)最大深度和學(xué)習(xí)率是為了防止模型過(guò)擬合；