催化裂化净化烟气中硫化物和氮化物含量预测方法及系统

本发明涉及工业催化裂化，更具体的说，涉及一种催化裂化净化烟气中硫化物和氮化物含量的预测方法及系统。

背景技术：

1、催化裂化(fluid catalytic cracking,fcc)是炼制石油的一种重要工艺，可将重质石油转化为轻质汽油和其他高价值产品，催化裂化工艺通过将烃类油料喷入提升管反应器，并与高温催化剂接触，使烃类油料分解为较小的分子，裂化后的烃类蒸汽会被分离并进一步加工，而失活的高温催化剂则会被再生。催化剂在再生过程中升温，然后循环回到提升管反应器，为吸热反应提供所需的热量和原料蒸发所需的热量。

2、催化裂化工艺具有多种优点：首先，催化裂化工艺可以将重质原油转化为轻质汽油和其他高附加值的产品，从而提高产品产量，有助于满足市场对高品质汽油和石化产品的需求，并提高炼油厂的利润率；其次，催化裂化工艺可以适应多种不同种类和质量的石油原料，包括重质和低质石油原料，从而提高炼油厂的灵活性和适应性；此外，催化裂化工艺还可以提高石油馏分的产率和选择性，降低石油加工的能耗和环境污染。

3、因此，催化裂化技术不仅对于保障能源安全和环境保护具有重要的意义，而且具有广泛的应用前景。

4、然而，在催化裂化工艺中，净化烟气排放量较大且排放成分复杂，例如氮氧化物和硫化物，对空气质量和健康构成了潜在威胁。因此，预测和控制排放净化烟气中硫化物和氮化物含量的重要性日益凸显。

技术实现思路

1、本发明的目的是提供一种催化裂化净化烟气中硫化物和氮化物含量的预测方法及系统，解决现有技术中对于催化裂化工艺的净化烟气中硫化物和氮化物含量难以精确预测的问题。

2、为了实现上述目的，本发明提供了一种催化裂化净化烟气中硫化物和氮化物含量的预测方法，包括以下步骤：

3、步骤s1、获取催化裂化过程数据；

4、步骤s2、分别采用多种机器学习算法对催化裂化过程数据进行特征选择，评估每个特征的重要性得分，选择重要性得分满足要求的特征，生成若干特征子集；

5、步骤s3、对多种机器学习算法得到的若干特征子集进行交叉验证，分别获得多种机器学习算法得到的性能表现满足要求的特征子集，进行加权融合得到共同特征集合；

6、步骤s4、采用改进的transformer模型对共同特征集合进行非线性拟合，预测催化裂化净化烟气中硫化物和氮化物含量并输出。

7、在一实施例中，所述步骤s2中的多种机器学习算法，进一步包括极端梯度提升算法，

8、所述极端梯度提升算法，对应的评估函数表达式为：

9、

10、其中，gx为叶子节点x的一阶偏导数之和，gy为叶子节点y的一阶偏导数之和，hx为叶子节点x的二阶偏导之和，hy为叶子节点y的二阶偏导数之和，γ和λ分别代表l1惩罚项和l2惩罚项。

11、在一实施例中，所述步骤s2中的多种机器学习算法，进一步包括随机森林算法，

12、所述随机森林算法，对应的评估函数表达式为：

13、

14、其中，表示第i个变量在随机森林所有树中节点分裂不纯度平均改变量；n为随机森林分类数的数量；

15、对应的表达式为：

16、

17、

18、其中，gil和gir分别代表在节点m分裂的两个子节点的gini指数，当变量xi在第k棵树出现m次。

19、在一实施例中，所述交叉验证方法包括以下步骤：

20、在特征子集分为若干大小相等的子集；

21、选择其中一个子集作为验证集，剩余子集作为训练集；

22、在训练集上训练模型，并在验证集上进行模型评估，记录评估指标值；

23、重复上述步骤直至所有子集评估完成；

24、对所有评估指标值进行求和，得到特征子集的最终评估结果。

25、在一实施例中，所述步骤s3进一步包括：

26、根据交叉验证获得特征子集的最终评估结果，选择最终评估结果满足要求的特征子集，作为最终特征子集；

27、对每种机械学习算法得到的最终特征子集，按照最终评估结果分配权重；

28、将最终特征子集按照权重进行加权融合，得到共同特征集合。

29、在一实施例中，所述步骤s4，进一步包括：

30、采用乘积量化方法计算共同特征集合中特征向量之间的相似度；

31、根据相似度生成特征向量之间的权重；

32、利用权重对特征向量进行加权融合，获得融合后的特征向量；

33、根据融合后的特征向量生成预测结果。

34、在一实施例中，所述采用乘积量化方法计算共同特征集合中特征向量之间的相似度，进一步包括：

35、将特征向量划分为数个子向量

36、为每个子向量生成独立的量化表；

37、使用生成的量化表对每个子向量进行量化；

38、通过量化后的子向量恢复原始特征向量；

39、采用优化距离计算方法，计算特征向量之间的相似度。

40、在一实施例中，所述优化距离计算方法，进一步包括欧几里得距离公式计算。

41、在一实施例中，所述步骤s4，进一步包括：

42、采用改进的transformer模型作为非线性拟合方法，用于建立输入特征向量与输出标签之间的映射关系，所述输出标签即催化裂化净化烟气中硫化物和氮化物含量的预测值。

43、在一实施例中，所述步骤s4的改进transformer模型，进一步包括编码组件和解码组件：

44、所述编码组件由多层编码器组成，所述解码组件由相同层数的解码器组成；

45、每个编码器由自注意力层和前馈神经网络层组成。

46、为了实现上述目的，本发明提供了一种催化裂化净化烟气中硫化物和氮化物含量预测系统，包括：

47、存储器，用于存储可由处理器执行的指令；

48、处理器，用于执行所述指令以实现如上述任一项所述的方法

49、为了实现上述目的，本发明提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上述任一项所述的方法。

50、本发明提供的一种催化裂化净化烟气中硫化物和氮化物含量预测方法及系统，具有预测精度高、计算效率高、适用范围广等优点，可以应用于各种需要预测催化裂化净化烟气组分含量的场景，具有广阔的应用价值。

技术特征：

1.一种催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述步骤s2中的多种机器学习算法，进一步包括极端梯度提升算法，

3.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述步骤s2中的多种机器学习算法，进一步包括随机森林算法，

4.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述交叉验证方法包括以下步骤：

5.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述步骤s3进一步包括：

6.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述步骤s4，进一步包括：

7.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述采用乘积量化方法计算共同特征集合中特征向量之间的相似度，进一步包括：

8.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述步骤s4，进一步包括：

9.根据权利要求1所述的催化裂化净化烟气中硫化物和氮化物含量预测方法，其特征在于，所述步骤s4的改进的transformer模型，进一步包括编码组件和解码组件：

10.一种催化裂化净化烟气中硫化物和氮化物含量预测系统，包括：

技术总结
本发明涉及工业催化裂化技术领域，更具体的说，涉及一种催化裂化净化烟气中硫化物和氮化物含量预测方法及系统。本方法包括：获取催化裂化过程数据；分别采用多种机器学习算法对催化裂化过程数据进行特征选择，评估每个特征的重要性得分，选择重要性得分满足要求的特征，生成若干特征子集；对多种机器学习算法得到的若干特征子集进行交叉验证，分别获得多种机器学习算法得到的性能表现满足要求的特征子集，进行加权融合得到共同特征集合；采用改进的Transformer模型对共同特征集合进行非线性拟合，预测催化裂化净化烟气中硫化物和氮化物含量并输出。本发明具有预测精度高、计算效率高、适用范围广等优点，具有广阔的应用价值。

技术研发人员：杜文莉,隆建,钟伟民,钱锋,杨明磊
受保护的技术使用者：华东理工大学
技术研发日：
技术公布日：2024/1/15