[发明专利]一种基于半监督深度GRU的渣油加氢模型及建立方法

说明书

本发明公开了一种基于半监督深度GRU的渣油加氢模型及建立方法，所述方法包括：对原始数据进行时序处理，得到无标签的样本训练集A和带标签的样本训练集合A*；使用min‑max标准化的方法对样本数据进行归一化处理以消除不同量纲所带来的影响；归一化后的样本数据集合A和A*均为建模过程的输入数据；用以上处理好的无标签的样本数据集合A构建深度GRU模型，利用GRU自动编码器，按照贪心原理逐层对深度GRU模型进行无监督预训练；用预训练获得的参数初始化相同结构的深度GRU模型，利用带标签的数据集合A*进行二次训练，经过监督学习微调后获得最终的基于半监督深度GRU的渣油加氢模型。相比于其他现存的方法，本发明方法能够有效地提高数据利用率。

技术领域

本发明涉及渣油加氢技术领域，尤其是涉及一种基于半监督深度GRU的渣油加氢模型及建立方法。

背景技术

渣油加氢过程可以脱除硫、氮、金属等杂质，降低残炭含量，为重油催化裂化装置提供优质原料，是炼油过程中实现渣油清洁高效转化的加氢精制工艺，是高效利用重质石油的重要手段。氢气是加氢精制工艺的重要原料，渣油加氢装置作为一种耗氢装置，其氢气来源包括产氢装置中来的新氢和提纯后再利用的循环氢。由于产氢装置生产氢气以及系统对氢气的调度均存在时延，因此，建立对渣油加氢装置建模为下一时刻渣油加氢装置需要的新氢流量进行稳定、精确的预报，能为产氢装置的生产调节以及氢气系统的优化调度具有重要的指导意义。

目前，关于渣油加氢装置建模方法的研究，主要的建模方法有：机理建模和数据驱动建模。而这些传统建模方法在渣油加氢工艺上面临着许多难题：对于机理建模而言，渣油加氢过程涉及到十几种化学反应，机理复杂，往往只能针对单一反应建立机理模型，而且这样的模型预测精确度不高，在无法满足实际工业的运行需求。数据驱动建模方法主要包括多元统计分析方法和机器学习理论。对于多元统计分析建模方法如主元分析、偏最小二乘等而言，无法对复杂的化工过程进行很好的非线性拟合；而支持向量机、BP神经网络等常用机器学习方法则无法很好地处理时序数据中的潜在特征；循环神经网络作为一种常用的处理时间序列数据的方法，但是其包含的结构参数数量多，且容易发生梯度消失问题难以训练。同时，前述传统方法都只能针对有标签数据样本进行建模，存在数据特征挖掘不充分、利用率不高等问题。上述局限性影响了模型的运行精度和鲁棒性。

发明内容

本发明的第一个目的在于，针对现有技术中存在的不足，提出一种基于半监督深度GRU的渣油加氢模型的建立方法，以提高渣油加氢装置新氢流量预测模型的精度、鲁棒性和数据利用率。

为此，本发明的上述目的通过以下技术方案来实现：

一种基于半监督深度GRU的渣油加氢模型的建立方法，其特征在于，所述基于半监督深度GRU的渣油加氢模型的建立方法包括：对原始数据进行时序处理，得到无标签的样本数据集合A和带标签的样本数据集合A*；使用min-max标准化的方法对样本数据集合A和A*中的数据进行归一化处理以消除不同量纲所带来的影响；归一化后的样本数据集合A和A*均为建模过程的输入数据；用以上处理好的无标签的样本数据集合A构建深度GRU模型，利用GRU自动编码器，按照贪心原理逐层对深度GRU模型进行无监督预训练；用预训练获得的参数初始化相同结构的深度GRU模型，利用带标签的数据集合A*进行二次训练，经过监督学习微调后获得最终的基于半监督深度GRU的渣油加氢模型，具体包括以下步骤：