[发明专利]一种柴油产率的预测方法及其预测系统

说明书

本发明提供了一种柴油产率的预测方法及其预测系统。该预测方法包括以下步骤：获取待测样本的加氢裂化过程的过程变量数据xsubgt;q/subgt;及待测标签ysubgt;q/subgt;；根据所述过程变量数据xsubgt;q/subgt;构建局部模型，以确定隐变量的后验分布；以及经由预先训练的预测模型，根据所述隐变量的后验分布确定慢特征并根据所述慢特征确定柴油产率预测值通过实施上述步骤，该预测方法能够适用于具有大惯性的柴油化工过程的数据驱动建模，在不同标签缺失的场景下具有较强的非线性表征能力和强时序慢特征提取能力。

技术领域

本发明涉及能源化工领域，具体涉及一种柴油产率的预测方法、一种柴油产率的预测系统，以及一种计算机可读存储介质。

背景技术

在实际工业运作过程中，尤其是柴油生产过程中，存在大时滞与大惯性特点，导致工业数据各变量之间耦合关系复杂，过程数据可能呈现出强非线性与强时序相关等统计特性。

目前，由于绝大多数慢特征分析(Slow feature analysis，SFA)和概率慢特征分析(Probabilistic slow feature analysis，PSFA)相关模型使用了线性映射描述隐变量空间与观测空间之间的条件关系，导致了这些模型处理强非线性数据能力不足。另外，在传统PSFA模型中，基于一阶马尔科夫链的隐变量空间并不能很好地处理长周期的时序特性。因此，无论是学术创新还是工程应用角度，设计一种非线性PSFA模型，用于提取过程非线性慢特征，具有较强的实用性。

但是，常见的使用深度学习(Deep learning，DL)中的多层感知器(Multilayerperceptron，MLP)或变分自编码器(Variational Auto-Encoder，VAE)构造出的非线性状态空间模型(Nonlinear state-space model，NSSM)可能导致模型规模与观测数据的维度呈现平方的关系。而且，受限于MLP和VAE缺乏处理数据时序性的能力，上述两类NSSM忽视了时间序列中长期时序相关性，因此可能不适合于高维时序数据的建模。另外，虽然采用深度推断网络，例如深度循环神经网络(Recurrent Neural Network，RNN)进行模型参数化，获得的NSSM性能优于基于MLP的NSSM，但是，经典RNN可能会出现梯度爆炸和梯度消失现象，造成基于梯度信息的优化算法无法使用。

此外，还存在通过RNN的变种网络，长短期记忆(Long Short-Term Memory，LSTM)网络来控制网络中的信息流，使得信号在网络中逐元素相乘和相加，避免权重的链式相乘，以及LSTM的变种，即门控循环单元(Gated recurrent unit，GRU)，该网络中每个单元可以自动地提取动态特征。

尽管使用上述DL中的模型可以较好地实现SSM的非线性拓展，然而目前深度SSM的研究几乎不考虑缓慢变化的表征学习，因此大多数NSSM可能不适用于具有大惯性的化工过程数据驱动建模。

为了解决现有技术中存在的上述问题，本领域亟需一种柴油产率的预测技术，能够适用于具有大惯性的柴油化工过程的数据驱动建模，在不同标签缺失的场景下具有较强的非线性表征能力和强时序慢特征提取能力。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。

为了克服现有技术存在的上述缺陷，本发明提供了一种柴油产率的预测方法、一种柴油产率的预测系统，以及一种计算机可读存储介质，能够适用于具有大惯性的柴油化工过程的数据驱动建模，在不同标签缺失的场景下具有较强的非线性表征能力和强时序慢特征提取能力。