[发明专利]一种集成化常压精馏过程代理模型的建立方法

权利要求书

1.一种集成化常压精馏过程代理模型的建立方法，其特征在于，包括以下步骤：

步骤(1)：利用常压精馏过程的机理模型生成N个输入输出采样数据，记输入数据矩阵为X∈R^N×8，记输出数据矩阵为Y∈R^N×4，其中输入数据矩阵X中的8个测量变量包括：原油混炼比、回流比、原料进料温度、原料进料流量、常压顶部循环回流比、两个常压中段的回流比、和常压的回流温度，输出数据矩阵Y的4个测量变量包括：石脑油产品流量、煤油产品流量、轻柴油产品流量、和重柴油产品流量，R^N×4表示N×4维的实数矩阵；

步骤(2)：计算输入数据矩阵X的均值向量μ_X∈R^8×1与标准差向量δ_X∈R^8×1，并根据公式对矩阵X实施标准化处理得到输入矩阵其中，U_X＝[μ_X，μ_X，…，μ_X]^T∈R^N×8是由N个相同的均值向量μ_X组成的矩阵，对角矩阵Φ_X对角线上的元素由标准差向量δ_X构成；

步骤(3)：计算输出数据矩阵Y的均值向量μ_Y∈R^4×1与标准差向量δ_Y∈R^4×1，并根据公式对矩阵Y实施标准化处理得到输出矩阵其中，U_Y＝[μ_Y，μ_Y，…，μ_Y]^T∈R^N×4是由N个相同的均值向量μ_Y组成的矩阵，对角矩阵Φ_Y对角线上的元素由标准差向量δ_Y构成；

步骤(4)：利用高斯过程回归(GPR)算法建立矩阵与矩阵之间的回归模型：其中，f₁为GPR算法拟合的非线性函数，E₁中各列向量为零均值、方差分别为σ₁，σ₂，σ₃，σ₄的高斯噪声；

步骤(5)：利用径向基函数(RBF)神经网络建立矩阵与矩阵之间的回归模型：其中，f₂为RBF神经网络拟合的非线性函数，E₂为模型误差矩阵；

步骤(6)：建立输入矩阵与输出矩阵之间的线性多项式回归模型：其中，为回归系数矩阵，E₃为模型误差矩阵；

步骤(7)：根据公式ε_α＝sum{diag(E_α^TE_α)}计算各回归模型的累计误差ε_α，然后根据如下所示公式确定各回归模型的权重系数ρ_α：

其中α＝1，2，3，diag(E_α^TE_α)表示将矩阵E_α^TE_α中对角线上的元素转换成向量的操作，sum{}表计算向量各元素之和；

步骤(8)：再次利用常压精馏过程的机理模型生成n个输入输出数据，记输入数据为矩阵X^*∈R^n×8，记输出数据为矩阵Y^*∈R^n×4；

步骤(9)：根据公式与公式分别对X^*与Y^*实施标准化处理，对应得到输入矩阵与输出矩阵其中与分别表示标准化后的第i个输入与输出数据向量，w＝1，2，…n；

步骤(10)：以作为回归模型输入，分别调用步骤(4)、步骤(5)、和步骤(6)中建立的回归模型，计算GPR模型的输出估计值RBR神经网络模型的输出估计值和线性多项式回归模型的输出估计值

步骤(11)：根据公式计算加权输出估计值并计算输出估计的均方误差

步骤(12)：判断是否满足条件：e＜e_lim；若是，则建模过程结束；若否，则执行步骤(13)至步骤(15)实施样本加点操作，其中e_lim为误差上限；

步骤(13)：利用粒子群优化(PSO)算法搜索满足如下所示目标函数的数据向量z₁：

上式中，cov(z₁)＝C_z-k^TC^-1k，核协方差向量k与核协方差矩阵C的计算方式分别如下所示：

上式中，k_i为核协方差向量k中第i的元素，σ为方差，c与η为核参数，C_ij为核协方差矩阵C∈R^N×N中的第i行、第j列元素，x_i与x_j分别为矩阵中第i行与第j行的行向量，当i＝j时，当i≠j时，i，j＝1，2，…，N；

步骤(14)：利用粒子群优化(PSO)算法搜索满足如下所示目标函数的数据向量z₂：

上式中，y_z2表示以数据向量z₂为输入，常压精馏过程机理模型所对应的输出值；

步骤(15)：利用粒子群优化(PSO)算法搜索满足如下所示目标函数的数据向量z₃：

上式中，y_z3表示以数据向量z₃为输入，常压精馏过程机理模型所对应的输出值；

步骤(16)：将数据向量z₁、z₂、和z₃添加进输入矩阵中得到新输入矩阵并对应将y_z1、y_z2、和y_z3添加进输出矩阵中得到新输出矩阵后，返回步骤(4)直至建模过程结束。

2.根据权利要求1所述的一种集成化常压精馏过程代理模型的建立方法，其特征在于，所述步骤(13)至步骤(15)中利用粒子群优化算法搜索数据向量z_α的详细实施过程具体为：

①设置最大迭代次数M与粒子的总个数D；

②设置迭代次数m＝1，在区间[-3δ_X，3δ_X]上生成D个粒子

③计算各个粒子所对应的目标函数值J₁，J₂，…，J_D；

④将当前迭代次数中取得最优目标函数值的粒子记做向量t，将各个粒子在整个迭代历史中取得最优目标函数值的位置分别记录为并根据如下所示公式更新各个粒子的运行速度向量

上式中，d＝1，2，…，D，向量v_d∈R^8×1各元素皆为区间[-1，1]上的随机数，rand₁和rand₂是在区间[0，1]内的任意随机数；

⑤对向量中各元素进行修正：若中元素大于1，则将该元素修改成1；若中元素小于-1，则将该元素修改成-1；其他情况，对元素不做修改；

⑥根据公式更新各个粒子并对各个粒子中的元素进行修正使粒子处于区间[-3δ_X，3δ_X]内；

⑦判断是否满足条件：m＜M；若是，则置m＝m+1后返回步骤③；若否，则PSO算法搜索得到的数据向量z_α＝t。