利用隐空间相关特征的催化再生烟气NOx浓度预测方法与流程

本发明涉及催化裂化装置污染物预测，具体涉及一种利用隐空间相关特征的催化再生烟气nox浓度预测方法。

背景技术：

1、催化裂化装置的催化再生烟气中含有大量氮氧化物(nox)、二氧化硫等污染物，是石油炼制工业最重要的废气污染源之一，直接排放会对大气造成严重污染。污染物主要由待生催化剂在再生反应器烧焦罐中与高温大流量主风接触发生燃烧分解所产生。由于烟气中氮氧化物的浓度与催化裂化装置运行工况有着复杂的关系，因此工艺人员不能提前预判再生器出口中的氮氧化物浓度，也就无法根据再生器出口nox浓度来及时调整脱硝设施的运行参数，特别是当装置执行氮氧化物特别排放限值(50mg/m3)时，容易造成治理设施出口烟气中nox浓度超标排放，严重时，甚至会导致催化裂化装置降负荷运行，对装置的长周期运行和经济效益造成影响。因此，需要对催化再生烟气中的氮氧化物浓度进行预测，进而指导烟气处理装置的操作。

2、在目前过程控制领域中，一般将预测方法划分为基于解析模型的方法与基于数据驱动的方法。基于解析模型的方法主要根据化学反应机理建立动力学模型，然而再生烟气氮氧化物浓度与原料性质、工艺操作参数、催化剂性质等因素间存在着复杂的非线性关系，并且实际工业过程涉及的变量、规模等都十分庞大，增加了工况的不确定性，建立精确的解析模型变得极为困难。基于数据驱动的方法不要求具体的解析模型和丰富专家知识，能够直接利用工业过程中可以被监测的变量数据，通过提取数据中的特征信息，实现对未来某个时刻氮氧化物浓度的预测。

3、建立数据驱动的催化再生烟气氮氧化物浓度预测模型需要解决如下问题：第一是由于化工过程的复杂性导致过程监测变量众多，而高维输入变量会对模型的预测精度产生严重影响；第二是模型要能够从众多过程变量中提取与氮氧化物浓度的非线性相关信息，同时建立与氮氧化物浓度的复杂非线性映射关系；第三是消除不同过程监测变量量纲对模型预测精度的影响。一般地，传统机器学习模型仅能对变量之间的浅层非线性关系进行映射，无法满足对复杂工业过程的建模要求。基于深度学习的数据驱动方法具备较强的非线性映射能力，但仍无法避免以高维变量作为输入时的精度下降问题。因此，需要提出一种新的深度神经网络模型框架，从高维过程监测变量中提取与氮氧化物浓度相关的非线性特征，实现对氮氧化物浓度的预测，支撑催化再生烟气稳定达标排放。

4、因此，亟需一种利用隐空间相关特征的催化再生烟气nox浓度预测方法，实现对催化再生烟气nox浓度的高精度预测。

技术实现思路

1、本发明为解决现有技术中存在的由于化工过程的复杂性导致过程监测变量众多，使得高维输入变量会对模型的预测精度产生严重影响、模型难以从众多过程变量中提取与氮氧化物浓度的非线性相关信息，同时建立与氮氧化物浓度的复杂非线性映射关系，以及不同过程监测变量量纲会对模型预测精度造成影响的问题，提供了一种利用隐空间相关特征的催化再生烟气nox浓度预测方法。

2、本发明为了实现上述目的，本发明提供了一种利用隐空间相关特征的催化再生烟气nox浓度预测方法，该方法包括以下步骤：

3、s1、建立目标驱动自编码器神经网络子模型；

4、s2、对目标驱动自编码器神经网络子模型进行训练，得到训练完成后的目标驱动自编码器神经网络子模型；

5、s3、将训练完成的若干个目标驱动自编码器神经网络子模型进行堆叠，得到目标驱动自编码器深度神经网络模型，以获得隐空间相关特征；

6、s4、运用隐空间相关特征建立全连接神经网络模型；

7、s5、对全连接神经网络模型进行训练；

8、s6、运用训练好的全连接神经网络模型，对下一采样时刻的催化再生烟气nox浓度进行预测。

9、优选地，在步骤s1中，所述建立目标驱动自编码器神经网络子模型之前，具体还包括：

10、s01、采集催化裂化装置反应再生过程的状态监测历史数据和nox浓度监测历史数据，构建训练数据集；

11、s02、对训练数据集中的数据进行预处理。

12、优选地，在步骤s01中，状态监测历史数据包括流量、风量、温度、压力、进料量、滑阀阀位和液位状态监测历史数据。

13、优选地，在步骤s02中，所述对训练数据集中的数据进行预处理，具体包括：

14、s02.1、对状态监测历史数据与nox浓度监测历史数据进行标准化变换，以获得标准化变换后的状态监测历史数据矩阵和nox浓度监测历史数据矩阵

15、s02.2、对标准化变换后的状态监测历史数据矩阵和nox浓度监测历史数据数据矩阵进行时间延迟变换，以获得时间延迟变换后的状态监测历史数据矩阵和nox浓度监测历史数据矩阵

16、优选地，在步骤s02.1中，标准化变换的具体数学描述公式为：

17、

18、其中，为催化裂化装置nox浓度运行历史数据的均值向量，为方差向量。

19、优选地，在步骤s02.2中，时间延迟变换的具体数学描述公式为：

20、

21、优选地，在步骤s1中，所述建立目标驱动自编码器神经网络子模型，具体包括：

22、s1.1、将时间延迟变换后的状态监测历史数据矩阵和nox浓度监测历史数据矩阵合并为矩阵

23、s1.2、将矩阵输入编码器进行映射得到隐变量其中，dh为隐变量的维度；{θ,ε}为编码器的权重和偏差；

24、s1.3、将得到的隐变量输入解码器进行映射得到重构输出其中，为解码器的权重和偏差。

25、优选地，在步骤s1.2中，编码器进行映射的具体数学计算公式为h＝f(θu+ε)，其中，f为编码器的激活函数。

26、优选地，在步骤s1.3中，解码器进行映射的具体数学计算公式为其中，为解码器的激活函数。

27、优选地，在步骤s2中，所述对目标驱动自编码器神经网络子模型进行训练，得到训练完成后的目标驱动自编码器神经网络子模型，具体包括：

28、s2.1、设定目标驱动自编码器的目标函数，具体数学描述公式为：

29、

30、其中，n为训练时批数据的规模大小；

31、s2.2、设定目标驱动自编码器的超参数；

32、s2.3、采用监督学习的方式对建立的目标驱动自编码器神经网络子模型进行训练。

33、优选地，在步骤s2.2中，所述目标驱动自编码器的超参数包括用于决定目标驱动自编码器神经网络子模型的结构的结构超参数和用于决定目标驱动自编码器神经网络子模型训练时行为的训练超参数。

34、优选地，在步骤s3中，所述将训练完成的若干个目标驱动自编码器神经网络子模型进行堆叠，得到目标驱动自编码器深度神经网络模型，以获得隐空间相关特征，具体包括：

35、s3.1、设定进行堆叠的目标驱动自编码器神经网络子模型的数量k；

36、s3.2、基于得到的目标驱动自编码器深度神经网络模型，获得隐空间相关特征其中，为隐空间相关特征的维度。

37、优选地，在步骤s3.1中，在堆叠k个目标驱动自编码器神经网络子模型时，按目标驱动自编码器神经网络子模型隐藏层的神经元个数从高至低堆叠。

38、优选地，在步骤s4中，所述运用隐空间相关特征建立全连接神经网络模型，具体包括：

39、全连接神经网络模型通过映射函数g将输入的hk映射成为输出

40、其中，为nox浓度预测值；ψg为激活函数；{q,v}为参数集合。

41、优选地，在步骤s5中，所述对全连接神经网络模型进行训练，具体包括：

42、s5.1、设定全连接神经网络模型的损失函数：

43、

44、s5.2、使用监督学习的方式对全连接神经网络模型进行训练。

45、优选地，在步骤s6中，所述运用训练好的全连接神经网络模型，对下一采样时刻的催化再生烟气nox浓度进行预测，具体包括：

46、s6.1、选取输入变量作为全连接神经网络模型的输入数据；

47、s6.2、对全连接神经网络模型的输入数据进行预处理，并将预处理后全连接神经网络模型的输入数据输入训练好的全连接神经网络模型中，得到下一采样时刻的催化再生烟气nox浓度的预测值。

48、根据上述技术方案，运用该方法，通过将标准化变换和时间延迟变换引入到对反应再生系统烟道出口氮氧化物浓度预测方法的数据预处理过程中，一方面使模型利用了变量的时变信息进行预测，另一方面压缩了各个变量的值域，从而提高了预测精度；而针对反应再生系统监测变量较多的问题，通过提出堆叠目标驱动自编码器神经网络子模型，对高维输入变量进行逐级降维，保留最有助于预测的信息，与直接将高维监测作为预测模型输入相比，具有更高的预测精度；而通过运用隐空间相关特征建立全连接神经网络模型，更是实现了对氮氧化物浓度的高精度预测。