[发明专利]一种集成化常压精馏过程代理模型的建立方法

说明书

本发明公开一种集成化常压精馏塔过程代理模型的建立方法，旨在为炼油常压精馏过程提供代理模型，从而提高常压塔进化优化的计算效率。具体来讲，本发明方法首先利用常压精馏机理模型生成输入与输出训练数据后，利用高斯过程回归算法、RBF神经网络、和多项式回归算法分别建立三个不同回归模型，并根据各个模型的误差大小设置各个模型的权重系数，从而得到初始集成化的代理模型。然后，利用粒子群优化算法不断优化模型直至满足误差精度要求。可以说，本发明方法以三个不同的算法建立相应的回归模型，可集成发挥各个回归模型的优势，模型的回归预测精度得到了有效的保证。

技术领域

本发明涉及石油化工领域中一种常压装置代理模型的建立方法，尤其涉及一种集成化常压精馏过程代理模型的建立方法。

背景技术

作为石油加工行业的常用装置，常压精馏在炼油行业占有举足轻重的地位，承担着对原油的初步分离及为后续的炼油生产提供原料的重任。从生产过程来说，常压精馏操作过程表现为原油切换频繁、数学模型复杂、能耗大、收率低。与发达国家相比，我国的常压生产过程存在严重的高成本、高能耗、资源利用率低等问题，为此，迫切需要在装置运行过程中实施操作优化，使装置在面临原料、设备运行状况乃至环境、市场等因素变化时保持平稳与高效运行。

鉴于进化算法在优化中不需要提供优化对象准确模型结构、模型参数及鲁棒强等优势，现阶段，进化算法已成为过程操作优化的研究热点，尤其是采用“拟稳态”过程模型下的进化优化，在一定程度上可提高优化的实时性，并有可能取得比传统优化更好的效果。然而，常压精馏过程模型的复杂性及进化算法需要对适应度函数的多次反复评估，会导致常压精馏过程进化优化的耗时评估，用代理模型代替常压精馏过程输出的实际模型可有效解决进化优化中的耗时计算问题。所谓代理模型是指代替复杂的实际对象的近似模型，用来在一定程度上解决进化算法在适应度评价时的耗时计算问题。常用的代理模型包括多项式回归模型、径向基函数(Radial Basis Function，RBF)神经网络模型、高斯过程回归模型(Gaussian Process Regression，GPR)等。多项式回归模型计算快速方便，但模型精度低；RBF神经网络模型需要大量的样本数据，具有建模速度快，鲁棒性好的特点，在一定程度上能满足模型精度的要求；高斯过程模型的非线性能力强，而且具有在训练样本点达到无偏估计，模型结果能提供未知点处的预测值和预测标准差，但只适合于低维小样本建模。

但是，基于代理模型的操作优化仍存在以下问题：如代理模型的选择、代理模型的建立及更新、代理模型的准确度评估等问题。本发明在分析常压操作机理的基础上，综合了各种代理模型的优缺点，建立了基于高斯过程回归、RBF神经网络及多项式回归的集成化的代理模型，所建的代理模型可根据建模精度自适应地调整模型的权系数，并结合高斯回归模型的协方差最大、RBF神经网络模型和多项式回归模型的误差最小加点策略，更新代理模型，以提高建模精度。本发明建立的代理模型可用于常压精馏过程的操作优化，可减少进化优化的计算时间。

发明内容

本发明所要解决的主要技术问题是：为炼油常压精馏过程提供代理模型，从而提高常压进化优化的计算效率。为此，本发明公开一种集成化常压精馏过程代理模型的建立方法。具体来讲，本发明方法首先利用常压精馏机理模型生成输入与输出训练数据后，利用高斯过程回归算法、RBF神经网络、和多项式回归算法分别建立三个不同回归模型，并根据各个模型的误差大小设置各个模型的权重系数，从而得到初始集成化的代理模型。然后，利用粒子群优化(Partical Swarm Optimization，PSO)算法不断优化模型直至满足误差精度要求。

本发明解决上述技术问题所采用的技术方案为：一种集成化常压精馏过程代理模型的建立方法，包括以下所示步骤：