裂解原料的等效分子组成预测方法与系统与流程

本发明属于工业裂解，具体涉及一种裂解原料的等效分子组成预测方法与系统。

背景技术：

1、乙烯是化工行业最重要的基础原料，乙烯工业是石油化工产业的核心，以乙烯为基础或者衍生的系列化工产品广泛用于国民经济各个领域。随着国内国民经济的快速发展，对乙烯的需求也越来越大，近年来，乙烯原料呈现多元化发展趋势，但90％以上的乙烯是仍然是通过管式裂解炉以蒸汽裂解方式生产的。管式裂解炉的生产原料大部分都来自油气田的轻烃和炼油装置的部分产品。中国的蒸汽裂解装置传统上以石脑油为原料，但对于原料短缺的企业，还会使用凝析油、轻柴油、抽余油、加氢尾油、轻烃等与石脑油的混合物作为原料进行裂解，因此随着裂解原料的多样化，根据裂解原料进行等效分子组成预测，进而优化操作条件就显得尤为重要。

2、目前预测蒸汽裂解原料等效分子组成有两种方法：1)蒙特卡罗方法将蒸汽裂解原料中的单个分子看作分子结构特征的集合，在各个分子特征符合一定的概率分布的前提下，通过随机抽样的方法构造分子，在保证与石油烃常规物性吻合的情况下构造表征该原料的等效分子组成。蒙特卡罗方法依赖于分子特征概率分布的准确性，但是分子特征概率分布针对的是常规原料，对于非常规原料的预测准确性较差2)信息熵最大化方法，主要运用信息熵最大化理论，对蒸汽裂解原料的组成进行了分析。信息熵最大化算法克服了已知条件少的问题，将方程求解问题转化为最优化问题，但是存在预测结果平均化等问题。

技术实现思路

1、本发明的目的在于提供一种裂解原料的等效分子组成预测方法，缩短预测时间，提高预测精度。

2、本发明是通过以下技术方案实现的：一种裂解原料的等效分子组成预测方法，包括以下步骤：

3、构建样本数据：每个样本数据均包括输入变量与输出变量，所述输入变量为裂解原料的宏观物理性质参数，所述输出变量为经过分析测试得到的相应裂解原料的等效分子组成；

4、采用所述样本数据训练高斯过程回归模型，使得训练好的高斯过程回归模型具备通过裂解原料的宏观物理性质参数识别相应裂解原料的等效分子组成的能力；

5、将待测裂解原料的宏观物理性质参数输入所述训练好的高斯过程回归模型中，输出待测裂解原料的等效分子组成。

6、进一步的，随机选择一半以上的样本数据作为训练样本集，剩余的样本数据作为测试样本集；将测试样本集的输入变量输入采用训练集训练后的高斯过程回归模型中，判断得到的预测结果与测试样本集的输出变量之间的误差是否在可接受范围内，若是，则表示高斯过程回归模型已训练好，若否，则重新训练高斯过程回归模型，直到对测试样本集的输入变量的预测结果与测试样本集的输出变量之间的误差在可接受范围内。

7、进一步的，重新训练高斯过程回归模型包括以下步骤：对高斯过程回归模型的参数信息进行调整。

8、进一步的，所述参数信息包括核函数与参数估计方法。

9、进一步的，高斯过程回归模型的核函数选自以下核函数中的一种或组合：径向基函数核、马顿核、指数函数核与二次有理函数核。

10、进一步的，用于对石油烃的等效分子组成进行预测。

11、进一步的，用于对以下石油烃的等效分子组成进行预测：石脑油、柴油、凝析油、抽余油、加氢尾油、轻烃或者其混合物。

12、进一步的，所述样本数据的输出变量包括以下分子中的至少一种：碳链长度为3-12的正构烷烃、异构烷烃、环烷烃、链烷烃、环烯烃、链烯烃、芳烃。

13、进一步的，样本数据的输入变量来源于馏程测定仪和\或近红外分析仪等的分析结果；样本数据的输出变量采用气相色谱仪和\或液相色谱仪的分析测试得到。

14、本发明还提供一种裂解原料的等效分子组成预测系统，包括样本数据库、高斯过程回归模型、输入层与输出层；

15、所述输入层用于向样本数据库输入样本数据或向高斯过程回归模型输入裂解原料的宏观物理性质参数；

16、所述样本数据库用于存储训练样本集与测试样本集，并且样本数据库中的每个样本数据均包括输入变量与输出变量，所述输入变量为裂解原料的宏观物理性质参数，所述输出变量为经过分析测试得到的相应裂解原料的等效分子组成；

17、所述高斯过程回归模型包括训练模块与预测模块；

18、所述训练模块用于拟合出样本输入值和输出值之间的映射关系，并得出回归公式；

19、所述预测模块用于根据裂解原料的宏观物理性质参数，通过所述回归公式计算裂解原料的等效分子组成；

20、所述输出层用于输出预测模块的计算结果。

21、进一步的，所述回归公式表示为：y*＝k(x*，x)k(x，x)-1y；

22、式中，k表示由核函数所确定的协方差函数，x表示训练样本集中的裂解原料的宏观物理性质参数，y表示训练样本集中的裂解原料的等效分子组成， x*表示待预测的裂解原料的宏观物理性质参数，y*表示待预测的裂解原料的等效分子组成。

23、与现有技术相比，本发明的有益效果是：

24、1、本发明基于宏观物理性质参数与等效分子组成之间的映射关系进行预测，通过高斯过程回归模型从样本数据中挖掘出两者之间的映射关系，只需将非常规原料的相关数据加入样本数据中，就可实现对非常规原料的预测，克服了蒙特卡罗方法对于非常规原料的预测准确性较差的缺陷。

25、2、本发明使用的是类似广义差值的方法，利用了已有的数据集中的信息，在没有引入其它假设的情况下建立了回归模型，因此不会有预测结果平均化的问题；而信息熵最大化算法引入“等效分子组成为满足约束条件下信息熵最大时的组成分布”这一假设，因此存在预测结果平均化的问题。

26、3、现有技术的蒙特卡罗方法通过随机抽样的方法构建分子体系，需要大量的计算时间，蒙特卡洛方法往往需要构造数以万计的分子然后求平均得到等效分子组成，因此每次计算都需要大量的计算时间，而本发明的模型在模型训练阶段消耗的时间较长，在模型预测阶段仅需要常数复杂度的时间，相较蒙特卡罗方法可以忽略不计。本发明通过高斯过程回归挖掘出宏观物理性质参数与分子组成之间的映射关系，利用训练好的高斯过程回归模型进行预测，仅需输入宏观物理性质参数，就能获得等效分子组成的，1秒内即可获得预测结果，大大缩短了计算时间。

27、4、高斯过程回归(gaussian process regression)是使用高斯过程 (gaussianprocess)先验对数据进行回归分析的非参数模型。高斯过程回归的模型假设包括噪声(回归残差)和高斯过程先验两部分，其求解按贝叶斯推断 (bayesian inference)进行。若不限制核函数的形式，高斯过程回归在理论上是紧致空间内任意连续函数的通用近似。此外，高斯过程回归可提供预测结果的后验，且在似然为正态分布时，该后验具有解析形式。因此，高斯过程回归是一个具有泛用性和可解析性的概率模型。

28、5、本发明通过判断得到的预测结果与测试样本集的输出变量之间的误差是否可接受范围内，来检验高斯过程回归模型的训练效果，通过不断迭代训练更新模型参数，保证模型具有较高的精度。

29、6、高斯过程回归模型可以针对乙烯厂中不同裂解原料的变化，预测出裂解原料的等效分子组成，如各种碳数的正构烷烃、异构烷烃、环烷烃、链烯烃、环烯烃、芳烃等，从而在后续工作中用于生产调度、操作条件优化等，提高生产企业的经济效益。

30、7、一般回归算法给定输入值，得到的是对应的输出值，而高斯过程回归模型得到的是输出值的分布。也就是说高斯过程回归模型不仅可以预测出结果，还能计算出预测结果在某个范围内的置信区间，因而模型具有较高的可解释性，并且当置信区间较大时，模型使用者还能知道预测结果不可靠)

31、8、宏观物理性质参数是裂解原料易于测量的物理性质，炼化企业在外购裂解原料如石脑油时这些性质会作为商品的信息提供的；如果裂解原料是炼化企业自产，这些物理性质也可以用炼化企业自己的分析测试手段方便的分析测试。因此，容易获取输入数据。