[发明专利]一种常减压产品性质预测方法、系统、设备和存储介质

说明书

本发明涉及一种常减压产品性质预测方法、系统、设备和存储介质，包括：基于预先获得的样本数据集，对预先构建的各机器学习模型进行训练，并将训练好的各机器学习模型进行融合，得到最终的常压塔融合模型；采用最终的常压塔融合模型对常减压产品性质进行预测，得到常减压产品性质预测结果。本发明采用流程模拟数据+现场数据对机器学习模型进行建模，模型具有自学习能力，能够应对如原油性质变化和产品方案变化等复杂工况。利用融合的机器学习模型进行孪生模型的训练，使得模型能够对数据特征进行充分的学习，提升模型的泛化性能和鲁棒性，从而保证模型既具备对多工况的适应性，又具备计算的稳定性和收敛性。本发明可以广泛应用于产品检测领域。

技术领域

本发明涉及一种基于模型融合的常减压产品性质预测方法、系统、设备和存储介质，属于产品检测领域。

背景技术

常减压蒸馏装置是炼油工业中的原油处理设备，是石油炼制的第一道工序。作为石油炼制的“龙头”装置，其运行水平对二次加工装置运行性能和全厂优化有至关重要的作用。为提升常减压装置运行水平，RTO(Real Time Optimization，实时优化)技术开始逐步在工业中应用。常减压侧线产品性质预测作为关键技术之一，其预测性能好坏，对RTO技术应用水平起着关键作用。

常减压蒸馏过程是一个复杂的传热和传质耦合过程，并且原油组分数量众多，使得上述过程呈现出较强的非线性，这也给常减压产品性质预测模型的建立造成了巨大的挑战。根据建模方法的不同，常减压侧线产品性质预测存在两种技术路线：

其一，建立常减压蒸馏装置的严格机理模型，通过机理模型预测常减压产品的性质。该种方法从工艺机理出发，在合理简化假设的基础上综合考虑了常减压蒸馏过程多方面对产品性质的影响，产品性质估计具有较高的外推性，但由于机理模型求解复杂，收敛率低，导致经常无法给出预测结果。而且，由于建立机理模型时，通常采用虚拟组分表征原油，导致对航煤冰点、闪点、柴油冷滤点等关键性质预测时出现较大偏差。

其二，建立产品性质的数据驱动预测模型：根据已有的过程操作数据和对应的产品质量数据对数据驱动预测模型进行建模，这种方法相对简单且易于现场实施，尤其是以BP(Back-Propagation)神经网络为代表的前向神经元网络技术出现，其较强的非线性处理能力和自学习功能为产品估计提供了新的有力工具，这种避开对复杂工业系统严格机理建模，通过对研究对象实施数据挖掘，以探寻其内在规律的方法正越来越受到重视。

综上，现有的常减压侧线产品性质预测存在以下问题：

1.传统流程模拟方法在计算速度、收敛性和产品特殊性质预测上存在较大的劣势，将传统流程模拟直接用于生产操作指导具有较大的局限性；

2.数据驱动预测模型几乎都是建立在现场数据或者模拟数据的基础之上，其建模基础数据过于单一，不足以应对石化过程中出现原料性质改变、产品方案改变和设备性能发生变化等工况。

3.目前报道的数据驱动预测模型大多数都是采用一种数学模型对数据进行建模，这种方式对数据特征的学习往往不够全面，从而造成模型的泛化能力较差。

发明内容

针对上述问题，本发明的目的是提供一种基于模型融合的常减压产品性质预测方法、系统、设备和存储介质，通过采用流程模拟工艺模型+机器学习孪生模型的组合方法，可以有效提高对常减压产品性质预测的准确度。

为实现上述目的，本发明采取以下技术方案：

本发明的第一个方面，是提供一种常减压产品性质预测方法，包括以下步骤：

基于预先获得的样本数据集，对预先构建的各机器学习模型进行训练，并将训练好的各机器学习模型进行融合，得到最终的常压塔融合模型；

采用最终的常压塔融合模型对常减压产品性质进行预测，得到常减压产品性质预测结果。

优选地，所述最终的常压塔融合模型的获得方法，包括：