(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110344489.4 (22)申请日 2021.03.30 (65)同一申请的已公布的文献号 申请公布号 CN 113051828 A (43)申请公布日 2021.06.29 (73)专利权人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 尹爱军　谭治斌　任宏基　何彦霖　 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/18(2006.01)(56)对比文件 CN 110467950 A,2019.1 1.19 CN 10971 1428 A,2019.0 5.03 CN 108302329 A,2018.07.20 CN 104931646 A,2015.09.23 CN 111625953 A,2020.09.04 US 2015186790 A1,2015.07.02 M. Hassan 等.Gas clas sificati on using binary decisi on tree classifier. 《2014 IEEE Internati onal Symposium o n Circuits and System s (ISCAS)》 .2014, 张德政 等.决策树C4.5算法在天然气输 差 分析中的应用. 《计算机 工程与应用》 .20 06,(第 23期),208-210. 审查员 黄帷 (54)发明名称 一种工艺参数驱动 的天然气水露点在线预 测方法 (57)摘要 本发明涉及天然气集输领域， 针对常规天然 气水露点检测仪易损坏， 检测成本高及传统数据 驱动方法不能有效反应实际脱水系统天然气水 露点与各监测参数间的影 响关系的缺点， 公开了 一种工艺参数驱动的天然气水露点在线预测方 法， 一种三甘醇脱水装置生产运行状态下的工艺 监测数据， 制作了一个多维样 本序列原始训练数 据集； 通过选择对天然气水露点预测的关键参 数， 实现了无关冗余特征的剔除， 建立了天然气 水露点预测训练数据集； 通过训练数据集对NP 模 型进行训练以学习三甘醇脱水装置各工艺监测 参数的多元回归函数关系； 将脱水装置实时工艺 监测数据作为NP预测模 型的目标集数据， 实现天 然气水露点在线预测。 本发明与现有技术相比， 具有准确度高的有益效果。 权利要求书3页 说明书7页 附图2页 CN 113051828 B 2022.09.02 CN 113051828 B 1.一种工艺 参数驱动的天然气水露点在线预测方法， 其特 征在于， 包括以下步骤： 步骤S1： 对于具有N个工艺监测参数的脱水系统， 将各参数依次编号为参数1至参数N， N 个工艺参数和天然气水露点的历史监测数据 组成预测模型原始训练数据集， 数据集共有P 个样本， 将各样本依次编号为样本1至样本P， 该数据集以N个工艺参数为变量， 天然气水露 点为标签或目标值； 步骤S2： 建立用于选择关键参数的梯度提升决策树GBDT模型， 所述GBDT模型是由回归 树组成的加法模型， 最新的决策树根据以已建立好的决策树模 型建立， 即构建当前的第t棵 回归树时以前t ‑1棵决策树的负梯度将作为回归树拟合的每个样本的新 目标值， 直至模型 收敛时模型训练完成， 当模型训练完成时计算N个工艺参数在各棵树中的平均重要程度来 评估并选择重要参数， 所述工艺参数j的平均重要程度 依据 计 算， M是GBDT建立 的决策树的数量， L是二叉树 的深度， 假设每棵树都是二叉树， 所述 是节 点t分裂前后的之后的平方损失依据lt＝nrootimproot‑nlimpl‑nrimpr计算， nroot是节点分裂前 的样本数量， nl是分裂后左节点的样本数量， nr是分裂后右节点的样本数量， improot是节点 分裂前的均 方误差， impl是分裂后左节点的均 方误差， impr是分裂后右节点的均 方误差， 确 定所述GBDT模型的训练参数， 损失函数， 决策树的数量、 决策树最大深度、 学习率， 所述损失 函数决定决策树节点的分裂， 所述决策树的数量、 决策树最大深度和学习率是为了防止模 型过拟合， 利用训练集所有样本目标值的均值初始化模型 F0(x)； 步骤S3： 训练模型第t棵回归树， 1≤t≤M， 计算第t ‑1棵树分裂完成后的模型Ft‑1(x)的 负梯度， 将负梯度作为每个样本的新目标值， 所述回归树训练是节 点分裂的过程， 当达到树 的最大深度或节点只有一个样本时停止分裂， 当所有节点停止分裂时该回归树训练完成， 所述回归树的分裂过程通过最小平方误差函数选择最优分裂特征和值， 其最优分裂属性计 算过程为： 依次遍历该节点所有参数特征h＝1,2, …,Ng和第h个参数在该节点的样本值， 即 将第h个参数特征作为分裂变量， 及将该参数特征的某个样本值s作为分裂条件值， 依据 选择最优分裂特征和分裂值， yi为样本目标值， γ1为R1所有样本目标值的均值 和γ2为R2所有样本目标值的均值， 计算当前回归树各叶节点均值ati， 通过线性搜索确定模 型权重 更新模型Ft(x)＝Ft‑1(x)+γtat， 所述Ft(x) 为第t棵树分裂完成后的模型at为第t棵回归树各叶节点ati组成的向量， 第t棵回归树训练 完成； 步骤S4： 重复步骤S3， 直到所有回归树训练完成， 得到 工艺参数特征选择的GBDT模型； 步骤S5： 分别计算原始数据 集N个工艺参数在GBDT各棵树中的平均重要程度并排序， 得 到各工艺参数对天然气水露点的重要程度， 设定阈值选择关键工艺参数， 得到特征选择后 的N′个工艺参数， 将 选择的N′个参数依次编号为参数1至参数N ′， N′个工艺参数为变量数据 和天然气水露点 监测数据为标签值或目标值组成特 征选择后的数据集； 步骤S6： 将特征选择后的训练数据集， 按7： 3的比例划分训练上下文集和训练目标集， 建立天然气水露点预测的神经过程NP模型， 所述NP模型结合了神经网络和 高斯过程的优权　利　要　求　书 1/3 页 2 CN 113051828 B 2点， NP模型由编码器和解码器组成， 模型通过编码器生成高维随机隐变量z， 将高斯过程的 目标分布的预测转化为对隐变量z的计算， 所述高维随机隐变量z服从多维高斯分布， 所述 编码器通过多层感知器MLP生 成中间变量并利用中间变量参数化高维随机隐变量z， 该分布 由中间变量通过MLP得到分布的均值向量和方差向量建立， 所述中间变量利用N ′个工艺参 数数据和天然气水露点组成的点集通过MLP生成的数组取均值得到， 所述生成中间变量的 神经网络， 输入层神经元个数由输入数据决定， 共包含三个隐藏层， 每个隐藏层128个神经 元， 输出层由128个神经元 组成， 对中间变量的神经网络的输出值取均值， 并经一个128神经 元的隐藏层和两个128神经元的输出层分别生成高维随机隐变量z的均值向量 μ和方差向量 σ， 对高维随机隐变量z采样， 由于z由中间变量的神经网络的输出值取均值建立， 对于一次 输入， 所有 数据点具有相同的采样， 将采样复制n ′次， n′为N′个工艺参数数据和天然气水 露 点组成的点集的大小， 采样扩展得到 解码器的高维随机隐变 量z的采样输入 zC、 zT， 所述解码 器分为模型优化和模型预测两部 分， 所述解码 器由MLP建立， 所述模 型优化通过输入训练上 下文集生成的采样zC、 训练目标集生成的采样zT和训练目标集对模型进行优化， 所述模型优 化通过证据下界优化模型各参数， 所述解码器神经网络， 输入层神经元个数 由输入数据决 定， 共包含两个隐藏层， 每个隐藏层128个神经元， 输出层由2个神经元组成， 分别输出预测 值和预测 值的预测方差， 所述模型预测将训练数据集作为上下文集， 将新生成的监测数据 作为目标集， 所述目标集不包含 目标值， 通过上文集生成的采样zc和目标集自变量数据输 入解码器神经网络实现目标预测， 所有解码器和编码器中的数据输入， 当包含多个输入时 将多个输入以向量前后相连的形式组成一个新的单一的输入； 步骤S7： 训练NP模型， 从训练上文集随机采样K个样本， 该样本数量不低于训练上文集 数量的30％， 从训练目标集随机采样Q个样本， 该样本数量不低于训练目标集数量的30％， 组成NP模型的一次训练样本， 将选取的训练样本送入NP模型， 通过NP模型优化中的证据下 界得到模型损失， 所述模型损失即为单次训练损失； 步骤S8： 重复步骤S7直至训练过程收敛， 得到天然气水露点预测模型； 步骤S9： 进行天然气水露点在线预测， 对于脱水系统实时工艺参测数据， 将训练数据集 作为上下文集， 将新的监测数据作为步骤6中的目标集， 将该上文集和目标集输入NP模型， 通过解码器的目标 预测实现天然气水露点在线预测。 2.根据权利要求1所述的一种工艺参数驱动的天然气水露点在线预测方法， 其特征在 于， 步骤S6中编码器阶段增加训练目标集与训练上下文集的注意力机制， 所述注意力机制 充分利用了训练上下文集的信息， 并为重要的上下文点赋予了该模型更多的权重， 将重要 的上下文点赋予更多的权重以提高学习效率和预测效果， 所述注意力机制通过训练上下