炼油化工企业论文提纲

论文题目：基于LSTM的蜡油加氢装置动态建模研究与WEB平台构建

摘要：近年来我国粗犷的经济增长方式引发了诸多能源和环保的问题,目前国家对这些问题给予了高度的重视,对各行业的生产和发展提出了更高的要求,尤其是炼油石化行业。氢气作为一种非常宝贵的清洁能源,在炼油石化行业中,它既是石油炼制和石油化工加氢工艺中的重要原料,同时也是石油炼制和石油化工过程中的副产品之一。随着原油的重质化和劣质化,以及国家对成品油品质标准的提高,炼油石化企业的氢气成本急剧提升,目前已经成为炼油石化企业的第二大成本要素,如何降低氢气成本已经成为一个重大的研究课题。加氢装置作为主要的氢气消耗体,对其进行建模能够有效的监测氢气的使用,对于产氢系统和供氢系统的调节具有重要的指导意义。本文针对加氢装置中的蜡油加氢装置进行建模分析,建立基于LSTM（Long-Short Term Memory）的蜡油加氢装置新氢流量预测模型,并对此模型进行改进提出了一种新的模型一CC-LASSO-LSTM模型,在炼油企业实际数据集上验证了模型的有效性。针对该模型在变工况情况下的适用性问题,对模型增加自适应策略,提出了自适应CC-LASSO-LSTM模型。同时针对炼油企业的实用性要求,建立基于WEB的加氢装置新氢流量预测平台。本研究的主要研究内容有以下几个方面:1、针对蜡油加氢装置,建立基于数据的新氢流量预测模型,预测下一时刻的新氢流量。基于炼油企业现场实际数据集,分别建立了基于SVR（Support Vector Regrssion）,BPNN（Back Propagation Neutral Network）,RNN（Recurrent Neutral Network）和 LSTM 的蜡油加氢装置新氢流量预测模型。实验结果表明,LSTM模型因其在时序数据处理上的优势其模型预测效果最好,预测 RMSEP（RootMean Square Error of Prediction）为 427.855Nm3/h,MAPE（Mean Absolute Percentage Error）为 1.281%,RNN 次之,其中 BPNN 因模型稳定性差,SVR预测精度不高而不适用于此问题。2、考虑经过操作人员选择的特征可能存在冗余以及存在共线性等问题,提出CC-LASSO-LSTM模型,该模型通过对特征进行两步选择,最终保留6个特征,并用LSTM进行建模,模型预测RMSEP为402.182Nm3/h,MAPE为1.233%,相对LSTM模型分别降低 6.000%和3.747%。3、针对CC-LASSO-LSTM模型在变工况情况下的适用性不足的问题,提出一种带自适应机制的CC-LASSO-LSTM模型-自适应CC-LASSO-LSTM模型,在现场采集数据集下进行验证,工况不变情况下自适应CC-LASSO-LSTM模型预测效果与传统模型相比较有略微提升;在变工况情况下,模型预测效果显著提升,RMSEP为413.159Nm3/h,MAPE为 1.535%,分别降低了 15.165%和 14.405%。4、针对炼油企业的预测模型平台化需求,建立基于WEB的加氢装置新氢流量预测平台。平台集成用户登录验证、数据显示、新氢流量预测、消息通知四大模块。其中可使用多种模型进行预测,例如LSTM、RNN、SVR等。

关键词：LSTM;蜡油加氢;自适应LSTM;WEB平台;建模

学科专业：控制科学与工程

致谢

摘要

Abstract

第一章 绪论

1.1 研究背景和意义

1.2 研究现状

1.2.1 加氢装置建模研究现状

1.2.2 RNN/LSTM研究现状

1.3 主要研究内容

1.3.1 研究对象

1.3.2 研究思路

1.4 本文的内容安排

第二章 基于数据的新氢流量预测建模方法

2.1 引言

2.2 数据标准化

2.2.1 min-max标准化

2.2.2 0均值标准化

2.3 特征选择方法

2.3.1 相关系数法

2.3.2 决策树

2.3.3 LASSO

2.3.4 递归特征消除

2.4 建模方法

2.4.1 支持向量回归

2.4.2 反向传播人工神经网络

2.4.3 循环神经网络

2.4.4 长短期记忆神经网络

2.5 模型性能评价指标

2.5.1 校正标准偏差

2.5.2 预测标准偏差

2.5.3 平均绝对百分比误差

2.6 本章小结

第三章 基于LSTM的新氢流量预测模型及改进

3.1 问题描述

3.2 数据预处理

3.2.1 数据集介绍

3.2.2 数据标准化

3.3 基于LSTM的新氢流量预测模型

3.3.1 时间序列处理

3.3.2 模型建立

3.3.3 模型参数优化

3.4 其他新氢流量预测模型建立与分析

3.4.1 支持向量回归

3.4.2 BP人工神经网络

3.4.3 循环神经网络

3.4.4 比较与分析

3.5 基于CC-LASSO-LSTM的新氢流量预测模型

3.5.2 模型建立与优化

3.5.3 比较与分析

3.6 本章小结

第四章 基于自适应CC-LASSO-LSTM的新氢流量预测模型

4.1 问题描述

4.2 自适应CC-LASSO-LSTM模型

4.2.1 自适应LSTM模型结构

4.2.2 算法流程

4.3 模型建立与分析

4.3.1 数据集划分

4.3.2 建模与分析

4.3.3 模型优化

4.4 本章小结

第五章 基于WEB的新氢流量预测平台

5.1 引言

5.2 平台架构

5.2.1 B/S模式

5.2.2 三层框架

5.3 平台实现技术与开发语言

5.3.1 JSP技术

5.3.2 超文本标记语言HTML

5.3.3 层叠样式表CSS

5.3.4 脚本语言JavaScript

5.3.5 数据库接口DAO

5.3.6 结构查询语言SQL

5.4 平台开发工具及运行环境

5.4.1 开发工具

5.4.2 运行环境

5.5 平台功能模块及运行展示

5.5.1 用户登录模块

5.5.2 数据显示模块

5.5.3 新氢流量预测模块

5.5.4 消息通知模块

5.6 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献