[发明专利]重整生成油关键组份分布预测方法、装置、设备和介质

权利要求书

1.一种重整生成油关键组份分布预测方法，其特征在于，包括：

获取目标重整装置的操作参数和生产原料数据；

确定所述目标重整装置生产的重整生成油的关键组份种类；

调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据。

2.根据权利要求1所述的方法，其特征在于，所述获取目标重整装置的操作参数和生产原料数据之后，所述调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据之前，还包括：

对所述操作参数和所述生产原料数据进行数据预处理。

3.根据权利要求1所述的方法，其特征在于，所述调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据之前，还包括：

采集所述目标重整装置的历史操作参数、历史生产原料数据和所述关键组份的历史分布数据，建立数据集并划分为训练集和测试集；

以所述训练集中的所述历史操作参数、所述历史生产原料数据为输入，分别以所述训练集中各关键组份的历史分布数据为输出，对初始的神经网络模型进行多次训练，得到各关键组份的多个训练模型；

采用所述测试集中的所述历史操作参数、所述历史生产原料数据对应的所述历史分布数据，对各关键组份的各训练模型进行预测测试，从所述关键组份的各训练模型中选定预测模型。

4.根据权利要求3所述的方法，其特征在于，所述采用所述测试集中的所述历史操作参数、所述历史生产原料数据对应的所述历史分布数据，对各关键组份的各训练模型进行预测测试，从所述关键组份的各训练模型中选定预测模型，包括：

以所述测试集中的所述历史操作参数、所述历史生产原料数据为各关键组份的各训练模型的输入，获取各训练模型的输出并与所述测试集中对应的历史分布数据进行线性回归得到皮尔森系数；

寻找各关键组份的最高皮尔森系数的训练模型，作为对应关键组份的预测模型。

5.根据权利要求3所述的方法，其特征在于，所述采集所述目标重整装置的历史操作参数、历史生产原料数据和所述关键组份的历史分布数据，建立数据集并划分为训练集和测试集之后，所述以所述训练集中的所述历史操作参数、所述历史生产原料数据为输入，分别以所述训练集中各关键组份的历史分布数据为输出，对初始的神经网络模型进行多次训练，得到各关键组份的多个训练模型之前，还包括：

对所述数据集进行数据预处理。

6.根据权利要求5所述的方法，其特征在于，所述数据预处理包括数据清洗、降噪和归一化处理。

7.根据权利要求1所述的方法，其特征在于，所述调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据之后，还包括：

采集各关键组份的实际分布数据；

计算各关键组份的预测分布数据与实际分布数据之间的误差；

若存在关键组份的误差大于预设阈值，则更新所述关键组份的预测模型。

8.一种重整生成油关键组份分布预测装置，其特征在于，包括：

数据获取模块，用于获取目标重整装置的操作参数和生产原料数据；

组份确定模块，用于确定所述目标重整装置生产的重整生成油的关键组份种类；

数据预测模块，用于调用各类关键组份对应的预测模型，分别采用各预测模型基于所述操作参数和所述生产原料数据进行预测，得到所述预测模型所对应关键组份的预测分布数据。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。