基于LSTM的蠟油加氫裝置動態(tài)建模研究與WEB平臺構(gòu)建.pdf

1、近年來我國粗獷的經(jīng)濟增長方式引發(fā)了諸多能源和環(huán)保的問題，目前國家對這些問題給予了高度的重視，對各行業(yè)的生產(chǎn)和發(fā)展提出了更高的要求，尤其是煉油石化行業(yè)。氫氣作為一種非常寶貴的清潔能源，在煉油石化行業(yè)中，它既是石油煉制和石油化工加氫工藝中的重要原料，同時也是石油煉制和石油化工過程中的副產(chǎn)品之一。隨著原油的重質(zhì)化和劣質(zhì)化，以及國家對成品油品質(zhì)標(biāo)準(zhǔn)的提高，煉油石化企業(yè)的氫氣成本急劇提升，目前已經(jīng)成為煉油石化企業(yè)的第二大成本要素，如何降低氫氣成本

2、已經(jīng)成為一個重大的研究課題。加氫裝置作為主要的氫氣消耗體，對其進行建模能夠有效的監(jiān)測氫氣的使用，對于產(chǎn)氫系統(tǒng)和供氫系統(tǒng)的調(diào)節(jié)具有重要的指導(dǎo)意義。本文針對加氫裝置中的蠟油加氫裝置進行建模分析，建立基于LSTM(Long-Short Term Memory)的蠟油加氫裝置新氫流量預(yù)測模型，并對此模型進行改進提出了一種新的模型—CC-LASSO-LSTM模型，在煉油企業(yè)實際數(shù)據(jù)集上驗證了模型的有效性。針對該模型在變工況情況下的適用性問題，對模

3、型增加自適應(yīng)策略，提出了自適應(yīng)CC-LASSO-LSTM模型。同時針對煉油企業(yè)的實用性要求，建立基于WEB的加氫裝置新氫流量預(yù)測平臺。
　　本研究的主要研究內(nèi)容有以下幾個方面:
　　1、針對蠟油加氫裝置，建立基于數(shù)據(jù)的新氫流量預(yù)測模型，預(yù)測下一時刻的新氫流量?；跓捰推髽I(yè)現(xiàn)場實際數(shù)據(jù)集，分別建立了基于SVR(Support Vector Regression)，BPNN（Back Propagation Neutral Ne

4、twork），RNN(Recurrent Neutral Network)和LSTM的蠟油加氫裝置新氫流量預(yù)測模型。實驗結(jié)果表明，LSTM模型囡其在時序數(shù)據(jù)處理上的優(yōu)勢其模型預(yù)測效果最好，預(yù)測RMSEP（Root Mean Square Error of Prediction）為427.855Nm3/h，MAPE(Mean Absolute Percentage Error)為1.281％，RNN次之，其中BPNN因模型穩(wěn)定性差，SVR

5、預(yù)測精度不高而不適用于此問題。
　　2、考慮經(jīng)過操作人員選擇的特征可能存在冗余以及存在共線性等問題，提出CC-LASSO-LSTM模型，該模型通過對特征進行兩步選擇，最終保留6個特征，并用LSTM進行建模，模型預(yù)測RMSEP為402.182Nm3/h，MAPE為1.233％，相對LSTM模型分別降低6.000％和3.747％。
　　3、針對CC-LASSO-LSTM模型在變工況情況下的適用性不足的問題，提出一種帶自適應(yīng)機制的

6、CC-LASSO-LSTM模型-自適應(yīng)CC-LASSO-LSTM模型，在現(xiàn)場采集數(shù)據(jù)集下進行驗證，工況不變情況下自適應(yīng)CC-LASSO-LSTM模型預(yù)測效果與傳統(tǒng)模型相比較有略微提升;在變工況情況下，模型預(yù)測效果顯著提升，RMSEP為413.159Nm3/h，MAPE為1.535％，分別降低了15.165％和14.405％。
　　4、針對煉油企業(yè)的預(yù)測模型平臺化需求，建立基于WEB的加氫裝置新氫流量預(yù)測平臺。平臺集成用戶登錄驗證、