發(fā)布時間：2020-04-13 23:18

【摘要】：在國內(nèi)經(jīng)濟社會發(fā)展被資源環(huán)境問題制約背景下,以及“十三五”規(guī)劃制定的能源發(fā)展目標(biāo)指導(dǎo)下,石油化工企業(yè)面臨著節(jié)能減排的重要任務(wù),其中氫氣作為僅次于原油的第二大成本因素,提高氫氣使用率并降低氫耗量已經(jīng)成為重要研究課題。本文以國家重大基金項目為基礎(chǔ),針對某石化企業(yè)的降低耗氫量的需求,將工廠DCS數(shù)據(jù)與深度學(xué)習(xí)相結(jié)合,以建模仿真的形式,開展加氫裂化裝置的新氫流量預(yù)測建模研究,為企業(yè)氫氣管網(wǎng)的智能調(diào)度提供指導(dǎo)。本文針對加氫裂化裝置進(jìn)行建模研究,利用Lasso法篩選出關(guān)聯(lián)變量,并結(jié)合互相關(guān)函數(shù)(Cross-Correlation Function,CCF)對變量進(jìn)行時序匹配,建立基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的新氫流量預(yù)測模型,然后利用實際生產(chǎn)數(shù)據(jù)驗證了有效性。隨后針對實際生產(chǎn)中存在工況變化的問題,提出了一種參數(shù)自校正的CNN模型來增加對工況變化的適應(yīng)性,提高模型的適用性。本文的主要研究內(nèi)容如下:第一,針對工廠實際DCS數(shù)據(jù)集存在的特征冗余及時序不匹配等問題,對數(shù)據(jù)進(jìn)行預(yù)處理工作。應(yīng)用Lasso方法對數(shù)據(jù)集原有的特征進(jìn)行篩選,最終選定6個關(guān)聯(lián)變量,然后再使用CCF計算出關(guān)聯(lián)變量與新氫流量間的相關(guān)性及時滯大小,驗證了變量選擇的正確性并為后續(xù)CNN建模的時序數(shù)據(jù)重排列奠定基礎(chǔ)。第二,針對加氫裂化裝置,建立預(yù)測下一時刻新氫流量的黑箱模型�；陬A(yù)處理后的數(shù)據(jù)集,分別使用多元線性回歸(Multiple Linear Regression,MLR)、反向傳播人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Network,BPNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)、CNN四種機器學(xué)習(xí)方法建立加氫裂化裝置的新氫流量預(yù)測模型。實驗結(jié)果表明,CNN模型的預(yù)測效果最佳,其預(yù)測精度高且穩(wěn)定性好。RNN作為常用的時序數(shù)據(jù)處理方法,精度僅次于CNN。BPNN預(yù)測結(jié)果缺乏穩(wěn)定性,多元線性回歸精度低,兩者都不適用于該裝置的建模。第三,針對實際生產(chǎn)過程存在的工況變化的問題,提出了一種參數(shù)自校正的CNN模型。將工況分為穩(wěn)定工況和變工況兩種情形,并提出新的模型性能評價指標(biāo),并且根據(jù)先驗知識劃分出穩(wěn)定工況的數(shù)據(jù)進(jìn)行性能指標(biāo)序列采集,確定置信區(qū)間后,若評價指標(biāo)超出區(qū)間則結(jié)合微調(diào)(Fine Tune)法對模型進(jìn)行參數(shù)的校正,在實際變工況數(shù)據(jù)集上進(jìn)行驗證,預(yù)測均方根誤差和平均絕對百分誤差相比于普通CNN模型分別下降了 9.11%與11.70%,模型預(yù)測效果提升顯著,為深度學(xué)習(xí)應(yīng)用到實際工業(yè)生產(chǎn)過程奠定了基礎(chǔ)。
【圖文】：

邐磺逡逑邐%煎義賢跡保蹦炒笮土隊統(tǒng)В福埃巴蚨鄭旯こ掏恫笄餛鞒淌疽饌煎義霞憂飭鴉爸檬巧賢頰故鏡牧隊推笠登餛韁械暮那庾疃嗟淖爸�，同蕩挪是石辶x嫌投渭庸す痰鬧匾爸謾１究翁夂獻(xiàn)韉牧隊推笠抵�，２４０万多嵂年的紤n飭鴉板義現(xiàn)謎宸從υ蛄鞒掏既縵濾荊哄義希玻矗埃罰扯鄭曇友趿鴉從υ蛄鞒掏煎義弦誨危輳╁危垮澹懾逡誨危哄巍輳�？Ｕn矗義希叔澹佩澹玨�，，艺d澹ュ巍咤危掊澹鑠義希潁鑠澹掊義希掊危郟螅蓿沖義希剩五危保觶鰨�，逦劐ｍｍｍｍｘｔ辶x襄喂悖卞蝸聳苊ㄥ義希埽齲攏叔危у危у危А鰣危義�？？｝x嵐苣�？逦＊邋Ｓz

本文編號：2626568