[发明专利]一种集成化常压精馏过程代理模型的建立方法

摘要

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。

主权项

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∈RN×8，记输出数据矩阵为Y∈RN×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，RN×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εα＝sum{diag(EαTEα)}计算各回归模型的累计误差εα，然后根据如下所示公式确定各回归模型的权重系数ρα：其中α＝1，2，3，diag(EαTEα)表示将矩阵EαTEα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*∈Rn×8，记输出数据为矩阵Y*∈Rn×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＜elim？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elim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)＝Cz‑kTC‑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，yz2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，yz3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。