基于自组织映射网络的原油性质预测方法及系统

技术领域

本发明涉及石油化工生产技术领域，更具体的说，涉及一种基于自组织映射网络的原油性质预测方法及系统。

背景技术

原油是具有特殊气味的粘稠性油状液体，是烷烃、环烷烃、芳香烃和烯烃等多种液态烃的混合物，不同地域产出的原油理化性质具有较大差异。石化企业对于原油的加工处理方式也十分复杂，其内部生产装置的运行与原油理化性质息息相关。原油理化性质的波动会影响装置的平稳运行，从而对产品收率、能源浪费等方面产生不利影响，所以石化企业亟需一种可及时对所需原油理化性质进行预测的计算方法，为炼厂生产装置的平稳运行奠定坚实的基础。

现有方法中，对原油全面、详细的实验室分析可以提供全面的原油理化性质，但由于原油性质多、实验操作复杂，耗时久，不仅成本高昂，而且不能及时有效的为生产工艺流程提供相关数据支持。尽管部分大型炼厂部署了原油在线快评系统去实时监测原油理化性质，但该系统仅能提供种类有限的原油理化性质数据，无法满足常减压装置操作优化的数据需求。因此，开发原油性质计算方法，依据一部分原油性质即可预测推算其他原油性质，对炼厂制定加工方案、指导实际生产具有重要现实意义。

中国发明专利CN104155245B公开了一种基于模式识别与谱图映射的油品多类性质的检测方法，将未知样品的近红外光谱投影到特征平面的区域位置与朴素贝叶斯分类器相关联，建立预测未知原油性质的数学模型。但是，上述方法受限于近红外光谱分析的原理，需要性能稳定的光谱仪和大量原油光谱进行建模，耗时长。

中国发明专利CN110987866A公开了一种汽油性质评价方法，使用近红外光谱仪分别测定已知汽油样本和未知样本的近红外光谱，对未知样本进行分类，并根据每一类中的性质预测模型对未知样本进行性质预测。但是，上述方法对近红外光谱仪的重复性要求高。

中国发明专利CN113139155A公开了一种大范围原油调合选择优化方法，通过对原油性质光谱数据库的近红外光谱数据进行主成分分析和聚类分析，穷举原油调合的所有情况，来选择最佳的原油调和比例，并获取其各项性质。但是，上述方法对光谱仪的依赖性较高，且穷尽算法效率较低。

因此，目前亟需一种原油性质预测方法及系统，以改进解决现有原油性质计算方法的上述不足。

发明内容

本发明的目的是提供一种基于自组织映射网络的原油性质预测方法及系统，解决现有技术的原油性质计算方法在获取原油特定理化性质时耗时耗力的问题。

为了实现上述目的，本发明提供了一种基于自组织映射网络的原油性质预测方法，包括以下步骤：

步骤S1、采集一批原油样品作为参考基准原油样品，获取对应理化性质，按照获取难易程度将理化性质值划分为易测向量和难测向量；

步骤S2、采集待测原油样品，获取对应的易测向量，将待测原油样品和参考基准原油样品的易测向量数据输入自组织映射网络进行聚类，获得多组原油向量簇；

步骤S3、筛选得到待测原油样品处于同一簇下的步骤S1中的参考基准原油样品；

步骤S4、计算步骤S3筛选得到的参考基准原油样品和待测原油样品的相似程度，对参考基准原油样品的难测向量赋予权值；

步骤S5、根据参考基准原油样品的难测向量及对应权值，计算待测原油样品的难测向量，实现待测原油样品的原油性质预测。

在一实施例中，所述步骤S1中的易测向量，包括密度、硫含量、氯含量、残炭、石脑油收率、柴油收率、蜡油收率、渣油收率；

所述步骤S1中的难测向量，包括蜡含量、沥青质、氮含量、胶质、酸值。

在一实施例中，所述步骤S1中理化性质的获取方式，包括近红外原油快评、核磁原油快评、原油评价标准试验方法。

在一实施例中，所述步骤S2，进一步包括：

步骤S21、采集待测原油获取对应的易测向量，将所获取的易测向量与步骤S1获取的易测向量构成完整数据集；

步骤S22、对完整数据集进行标准化处理或归一化处理，获得处理后的易测向量；

步骤S23、将处理后的易测向量进行主成分分析，获得主成分分析结果；

步骤S24、将主成分分析结果输入自组织映射网络进行聚类，获得多组原油向量簇。

在一实施例中，所述步骤S22中的标准化的计算公式如下：

a′＝(a-a

其中，a′为标准化后的原油理化性质值，a为原始的原油理化性质值，a

在一实施例中，所述步骤S22中的归一化处理包括线性归一化和均值归一化；

所述线性归一化的计算公式如下：

a′＝(a-a

其中，a′为线性归一化后的原油理化性质值，a为原始的原油理化性质值，a

所述均值归一化的计算公式如下：

a′＝(a-a

其中，a′为均值归一化后的原油理化性质值，a为原始的原油理化性质值，a

在一实施例中，所述步骤S3中所筛选得到的参考基准原油样品的簇索引，满足以下表达式：

Index

其中，Index

在一实施例中，所述步骤S4，进一步包括采用基于距离的相似判据方法计算相似程度；

所述基于距离的相似判据方法，进一步包括欧氏距离、夹角余弦距离和马氏距离。

在一实施例中，所述步骤S4中，对于待测原油样品中以质量分数为单位的理化性质，对步骤S3中筛选得到的参考基准原油样品赋予权值；

所采用的赋予权值的方式包括线性归一化、对数归一化和反余切归一化。

在一实施例中，所述步骤S4中，对于待测原油样品中以非质量分数为单位的理化性质，选取与所述理化性质最相似的步骤S3筛选得到的参考基准原油样品中的1组原油样品，将该组原油样品对应的理化性质值作为待测原油样品在该理化性质上的预测值。

为了实现上述目的，本发明提供了一种基于自组织映射网络的原油性质预测系统，包括：

存储器，用于存储可由处理器执行的指令；

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。

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。

本发明提供的一种基于自组织映射网络的原油性质预测方法及系统，采用基于距离的相似判据方法，能够通过原油样品易获取的理化性质快速预测其难获取的理化性质，解决部分原油特定性质采集耗时耗力、分析难度大的问题，有益于提高原油分析效率，为原油全面理化性质的快速分析提供了可靠的支持，有力地促进了炼厂生产效率的提升和经济效益的增长。

附图说明

本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：

图1揭示了根据本发明一实施例的基于自组织映射网络的原油性质预测方法流程图；

图2揭示了根据本发明一实施例的基于自组织映射网络的原油性质预测系统原理框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。

针对现有技术的原油性质分析难度大、耗时长的问题，本发明提供一种原油性质快速计算预测方法及系统，可以广泛应用于智能化的原油调度领域。

图1揭示了根据本发明一实施例的基于自组织映射网络的原油性质预测方法流程图，如图1所示，本发明提出的基于自组织映射网络的原油性质预测方法，具体包括以下步骤：

步骤S1、采集一批原油样品作为参考基准原油样品，获取对应理化性质，按照获取难易程度将理化性质值划分为易测向量和难测向量；

步骤S2、采集待测原油样品，获取对应的易测向量，将待测原油样品和参考基准原油样品的易测向量数据输入自组织映射网络进行聚类，获得多组原油向量簇；

步骤S3、筛选得到待测原油样品处于同一簇下的步骤S1中的参考基准原油样品；

步骤S4、计算步骤S3筛选得到的参考基准原油样品和待测原油样品的相似程度，对参考基准原油样品的难测向量赋予权值；

步骤S5、根据参考基准原油样品的难测向量及对应权值，计算待测原油样品的难测向量，实现待测原油样品的原油性质预测。

下文将对这些步骤进行详细描述。应理解，在本发明范围内，本发明的上述各技术特征和在下文(如实施例)中具体描述的各技术特征之间都可以互相组合，相互关联，从而构成优选的技术方案。

步骤S1、采集一批原油样品作为参考基准原油样品，获取对应理化性质，按照获取难易程度将理化性质值划分为易测向量和难测向量。

收集一批原油样品，并获取其数个理化性质，将原油易获取的理化性质值组成为原油的易测向量，将原油较难获取的理化性质值组成为原油的难测向量。这一批次的原油样品可以作为参考基准。

在本实施例中，原油的易测向量包括但不限于密度、硫含量、氯含量、残炭、石脑油收率、柴油收率、蜡油收率、渣油收率等理化性质。

在本实施例中，原油的难测向量包括但不限于蜡含量、沥青质、氮含量、胶质、酸值等理化性质；

在本实施例中，原油理化性质的获取方式，包括但不限于近红外原油快评、核磁原油快评、原油评价标准试验方法、或其他原油评价方法；

收集得到的原油样品的易测向量

其中，a

收集得到的原油样品的难测向量

其中，b

原油的易测性质与难测性质是对原油理化性质的代称，本领域技术人员在使用本方法时，可以依据原油性质计算需求、实验室分析能力、原油历史数据、计算复杂度等条件，将原油理化性质划分为易测性质和难测性质。

步骤S2、采集待测原油样品，获取对应的易测向量，将待测原油样品和参考基准原油样品的易测向量数据输入自组织映射网络进行聚类，获得多组原油向量簇。

获取新一批原油样品，通过实验获取该批原油样品的易测向量，将其和步骤S1中的易测向量数据在预处理后一同带入自组织映射网络进行聚类，获得多组原油向量簇。这新一批次的原油样品为待测原油样品。

在本实施例中，步骤S2中进一步包括：

步骤S21、采集待测原油获取对应的易测向量，将所获取的易测向量与步骤S1获取的易测向量构成完整数据集；

获取新一批原油样品为待测原油样品，通过实验获取该批原油样品的易测向量。

步骤S22、对完整数据集进行标准化处理或归一化处理，获得处理后的易测向量；

对数据集进行标准化或归一化处理，消弭原油不同理化性质值间的数量级差距和或量纲差异，获得更好计算结果。

适用于本方法的标准化或归一化公式包括但不限于如下几种。

标准化的计算公式如下：

a′＝(a-a

其中，a′为标准化后的原油理化性质值，a为原始的原油理化性质值，a

线性归一化的计算公式如下：

a′＝(a-a

其中，a′为线性归一化后的原油理化性质值，a为原始的原油理化性质值，a

均值归一化的计算公式如下：

a′＝(a-a

其中，a′为均值归一化后的原油理化性质值，a为原始的原油理化性质值，a

得到标准化或归一化后的易测向量

步骤S23、将处理后的易测向量进行主成分分析，获得主成分分析结果；

将S22中得到的易测向量

主成分分析(Principal Component Analysis，PCA)，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

步骤S24、主成分分析结果输入自组织映射网络进行聚类，获得多组原油向量簇；

将S23中得到的主成分分析结果放入自组织映射网络进行聚类，获得多组原油向量簇。

其中，自组织映射网络通过将高维输入空间映射到低维的输出空间来实现聚类。它由一个二维网格组成，每个网格单元称为节点。

每个节点都有一个权重向量，与输入空间中的样本向量进行比较。

在聚类过程中，输入样本逐渐被分配到与其最相似的获胜节点所代表的原油向量簇中。原油向量簇的形状和大小取决于输入数据的特征和聚类算法的参数设置。距离较近的节点会形成同一原油向量簇，而距离较远的节点则代表不同的原油向量簇。

步骤S3、筛选得到待测原油样品处于同一簇下的步骤S1中的参考基准原油样品。

找出和待测原油样品处于同一簇下的步骤S1中的原油样品，且筛选出的步骤S1中的原油样品的簇索引，应当满足以下表达式：

Index

其中，Index

步骤S4、计算步骤S3筛选得到的参考基准原油样品和待测原油样品的相似程度，对参考基准原油样品的难测向量赋予权值。

参考步骤S3中筛选出的原油样品和新一批原油样品的相似程度并赋予前者不同的权值。

在本实施例中，步骤S4中进一步包括：采用基于距离的相似判据方法，计算相似程度。

基于距离的相似判据方法，包括但不限于欧式距离、夹角余弦距离、马氏距离等。

在本实施例中，欧式距离的计算公式：

其中，EucD为欧式距离值，其值越小代表距离越小，说明步骤S1中的参考基准原油样品和待测原油样品越相似；

a′

在本实施例中，余弦距离的计算公式：

其中，cosD为余弦距离，其值越小代表距离越小，说明步骤S1中的参考基准原油样品和待测原油样品越相似；

a′

在本实施例中，马氏距离的计算公式如下：

其中，

步骤S4中待测原油样品的理化性质的单位，可分为质量分数和非质量分数，根据理化性质的单位，对待测原油样品进行如下不同的处理。

采用基于距离的相似判据方法，计算步骤S3中筛选出的参考基准原油样品和待测原油样品的相似程度；

对于待测原油样品中以质量分数为单位的理化性质，对步骤S3中筛选得到的i个参考基准原油样品赋予各自的权值Weight

所采用的赋予权值的方式包括但不限于线性归一化、对数归一化、反余切归一化等。

对于待测原油样品中以非质量分数为单位的理化性质，选取与所述理化性质最相似的步骤S3筛选得到的参考基准原油样品中的1组原油样品，将该组原油样品对应的理化性质值作为待测原油样品在该理化性质上的预测值。

步骤S5、根据参考基准原油样品的难测向量及对应权值，计算待测原油样品的难测向量，实现待测原油样品的原油性质预测。

依据步骤S3和步骤S4中筛选出的参考基准原油样品的难测向量及其权值计算待测原油样品的难测向量，实现了待测原油样品的原油性质计算及预测。

对于待测原油样品中以质量分数为单位的理化性质，依据步骤S3和步骤S4中筛选出的参考基准原油样品的难测向量及其权值，计算出待测原油样品的难测向量，即实现了原油的性质计算，具体计算公式如下：

其中，

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

下面以收集得到的一组原油样品以及对应理化性质的数据作为实验对象，对本发明提出的基于自组织映射网络的原油性质预测方法进行具体详细说明。

步骤S1、采集一批原油样品作为参考基准原油样品，并获取其数个理化性质。

在本实施例中，原油的易测向量包括密度、硫含量、残炭、石脑油收率、柴油收率、蜡油收率、渣油收率，原油的难测向量包括沥青质、氮含量、胶质、酸值；

生成原油样品的易测向量

步骤S2、获取新一批原油样品为待测原油样品，获取该批原油样品的易测向量，将其和步骤S1中的易测向量数据标准化和主成分分析后，一同带入自组织映射网络进行聚类，获得650组原油向量簇。

步骤S3、找出和新一批原油样品处于同一簇下的步骤S1中的原油样品。

步骤S4、采用马氏距离的相似程度判据方法，对难测向量中以质量分数为单位的理化性质，如沥青质、氮含量、胶质、酸值，采用线性归一化的方式计算得到步骤S3中筛选出的22个原油样品并赋予相应的权值Weighti。

步骤S5、依据步骤S3和步骤S4中筛选出的原油样品的难测向量及其权值计算新一批原油样品的难测向量，即实现了新一批原油样品的原油性质预测。

基于上述方法，计算26组原油的难测向量。

其中，原油沥青质的预测结果如表1所示，参考值为采用近红外原油快评方法获取的该原油性质数据值，预测值是本方法计算得到的数据值。

表1：原油沥青质的预测结果

原油氮含量的预测结果如表2所示。

表2：原油氮含量的预测结果

原油胶质的预测结果如表3所示。

表3：原油胶质的预测结果

/>

原油酸值的预测结果如表4所示。

表4：原油酸值的预测结果

如表1、表2、表3、表4可见，沥青质、氮含量、胶质和酸值所对应的相对误差绝对值的平均值分别为14.10％、10.99％、18.59％和14.37％，说明采用自组织映射网络获得多组原油向量簇，在同一簇下通过相似度判据方法寻找已知的相近原油并赋其权值的方法，可以计算得到原油的指定理化性质。

显见，原油易测向量的维数会直接影响原油向量簇的分布，维数越高，向量簇分隔越精确，但耗时更长。

原油易测向量各维度数值的分布、方差、均值等特征会对原油向量簇的分布结果产生不同程度的影响，本领域技术人员采用本方法计算预测原油理化性质时，可以依据实际生产需求，调节主成分分析中的方差贡献率，提高预测效率或准确性。

图2揭示了根据本发明一实施例的基于自组织映射网络的原油性质预测系统原理框图。基于自组织映射网络的原油性质预测系统可包括内部通信总线201、处理器(processor)202、只读存储器(ROM)203、随机存取存储器(RAM)204、通信端口205、以及硬盘207。内部通信总线201可以实现基于自组织映射网络的原油性质预测系统组件间的数据通信。处理器202可以进行判断和发出提示。在一些实施例中，处理器202可以由一个或多个处理器组成。

通信端口205可以实现基于自组织映射网络的原油性质预测系统与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，基于自组织映射网络的原油性质预测系统可以通过通信端口205从网络发送和接收信息及数据。在一些实施例中，基于自组织映射网络的原油性质预测系统可以通过输入/输出端206以有线的形式与外部的输入/输出设备之间进行数据传输与通信。

基于自组织映射网络的原油性质预测系统还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘207，只读存储器(ROM)203和随机存取存储器(RAM)204，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器202所执行的可能的程序指令。处理器202执行这些指令以实现方法的主要部分。处理器202处理的结果通过通信端口205传给外部的输出设备，在输出设备的用户界面上显示。

举例来说，上述的基于自组织映射网络的原油性质预测方法的实施过程文件可以为计算机程序，保存在硬盘207中，并可记载到处理器202中执行，以实施本申请的方法。

基于自组织映射网络的原油性质预测方法的实施过程文件为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。

与现有技术相比较，本发明提供的一种基于自组织映射网络的原油性质预测方法及系统，具体具有以下有益效果：

1)不需要专家经验对原油理化性质进行推测，降低了技术应用的难度，为原油理化性质的快速检测提供了方法；

2)具有多种相似度判据方法，保证了计算结果的准确性；

3)不受原油理化性质单位的约束，提高了计算方法的普适性。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。

结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。