基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

doi:10.11772/j.issn.1001-9081.2021040787

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (3): 791-796.DOI: 10.11772/j.issn.1001-9081.2021040787

所属专题：人工智能； 2021年中国计算机学会人工智能会议(CCFAI 2021)

• 2021年中国计算机学会人工智能会议(CCFAI 2021) • 上一篇下一篇

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

陈冲¹(), 闫珠¹, 赵继轩¹, 何为¹^,², 梁华庆¹

^1.中国石油大学(北京) 信息科学与工程学院, 北京 102249
^2.中国石油集团安全环保技术研究院有限公司 HSE检测中心, 北京 102206

收稿日期:2021-05-17 修回日期:2021-06-26 接受日期:2021-06-29 发布日期:2021-11-09 出版日期:2022-03-10
通讯作者: 陈冲
作者简介:闫珠（1996—），女，山东菏泽人，硕士研究生，主要研究方向：深度学习、信号处理
赵继轩（1997—），男，天津人，硕士研究生，主要研究方向：深度学习
何为（1989—），男，陕西西安人，工程师，硕士，主要研究方向：污染在线监测、人工智能
梁华庆（1964—），女，广东吴川人，教授，博士，主要研究方向：石油行业的弱信号及测控仪器。
基金资助:
中国石油天然气集团有限公司直属院所基础科学研究和战略储备技术研究基金资助项目(2017D-5008);中国石油大学（北京）科研基金资助项目(2462020YXZZ025)

Prediction of NOx emission from fluid catalytic cracking unit based on ensemble empirical mode decomposition and long short-term memory network

Chong CHEN¹(), Zhu YAN¹, Jixuan ZHAO¹, Wei HE¹^,², Huaqing LIANG¹

^1.College of Information Science and Engineering，China University of Petroleum-Beijing，Beijing 102249，China
^2.HSE Testing Center，Safety and Environmental Protection Technology Research Institute of CNPC，Beijing 102206，China

Received:2021-05-17 Revised:2021-06-26 Accepted:2021-06-29 Online:2021-11-09 Published:2022-03-10
Contact: Chong CHEN
About author:YAN Zhu， born in 1996， M. S. candidate. Her research interests include deep learning， signal processing.
ZHAO Jixuan， born in 1997， M. S. candidate. His research interest include deep learning.
HE Wei， born in 1989， M. S.， engineer. His research interests include online monitoring of pollution， artificial intelligence.
LIANG Huaqing， born in 1964， Ph. D.， professor. Her research interests include detection of weak signal and measurement and control instrument in petroleum.
Supported by:
CNPC Foundation for Basic Research and Strategic Reserved Technology(2017D-5008);Science Foundation of China University of Petroleum （Beijing）(2462020YXZZ025)

摘要/Abstract

摘要：

氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一，准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性，为了提高污染物排放浓度预测精度，提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列；根据IMF子序列与原始数据之间的相关性分析，剔除极弱相关的信号分量，有效减小原信号数据中的噪声；将IMF序列集分为高、低频两部分，分别进入不同深度的LSTM网络；最终，将子序列的预测结果反变换得到NOx排放浓度。实验表明，在催化裂化装置NOx排放预测中，对比LSTM的表现，EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%；在决定系数R²上增大了43%，实现了更高的预测精度。

关键词: 催化裂化, 污染物排放预测, 集合经验模态分解, 长短期记忆网络

Abstract:

Nitrogen oxide （NOx） is one of the main pollutants in the regenerated flue gas of Fluid Catalytic Cracking （FCC） unit. Accurate prediction of NOx emission can effectively avoid the occurrence of pollution events in refinery enterprises. Because of the non-stationarity， nonlinearity and long-memory characteristics of pollutant emission data， a new hybrid model incorporating Ensemble Empirical Mode Decomposition （EEMD） and Long Short-Term Memory network （LSTM） was proposed to improve the prediction accuracy of pollutant emission concentration. The NOx emission concentration data was first decomposed into several Intrinsic Mode Functions （IMFs） and a residual by using the EEMD model. According to the correlation analysis between the IMF sub-sequences and the original data， the IMF sub-sequences with low correlation were eliminated， which could effectively reduce the noise in the original data. The IMFs could be divided into high and low frequency sequences， which were respectively trained in the LSTM networks with different depths. The final NOx concentration prediction results were reconstructed by the predicted results of each sub-sequences. Compared with the performance of LSTM in the NOx emission prediction of FCC unit， the Mean Square Error （MSE）， Mean Absolute Error （MAE） were reduced by 46.7%， 45.9%，and determination coefficient （R²） of EEMD-LSTM was improved by 43% respectively， which means the proposed model achieves higher prediction accuracy.

Key words: fluid catalytic cracking, pollutant emission prediction, Ensemble Empirical Mode Decomposition (EEMD), Long Short-Term Memory (LSTM) network

中图分类号:

TP391.4

陈冲, 闫珠, 赵继轩, 何为, 梁华庆. 基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测[J]. 计算机应用, 2022, 42(3): 791-796.

Chong CHEN, Zhu YAN, Jixuan ZHAO, Wei HE, Huaqing LIANG. Prediction of NOx emission from fluid catalytic cracking unit based on ensemble empirical mode decomposition and long short-term memory network[J]. Journal of Computer Applications, 2022, 42(3): 791-796.

图/表 7

图1 LSTM结构

Fig. 1 Structure of LSTM

图2 EEMD-LSTM模型结构

Fig.2 Structure of EEMD-LSTM model

图3 预处理之后的数据

Fig. 3 Preprocessed data

图4 IMF分量数据集

Fig. 4 Dataset of IMF subsequences

表1 IMF分量相关系数

Tab. 1 Pearson correlation coefficients of IMF subsequences

IMF	$x (t)$	IMF	$x (t)$
imf₁（t）	0.089 3	imf₇（t）	0.307 1
imf₂（t）	0.097 3	imf₈（t）	0.436 2
imf₃（t）	0.109 4	imf₉（t）	0.127 2
imf₄（t）	0.128 2	imf₁₀（t）	0.151 7
imf₅（t）	0.164 1	imf₁₁（t）	0.638 2
imf₆（t）	0.248 2	imf₁₂（t）	0.273 0

表1 IMF分量相关系数

Tab. 1 Pearson correlation coefficients of IMF subsequences

IMF	$x (t)$	IMF	$x (t)$
imf₁（t）	0.089 3	imf₇（t）	0.307 1
imf₂（t）	0.097 3	imf₈（t）	0.436 2
imf₃（t）	0.109 4	imf₉（t）	0.127 2
imf₄（t）	0.128 2	imf₁₀（t）	0.151 7
imf₅（t）	0.164 1	imf₁₁（t）	0.638 2
imf₆（t）	0.248 2	imf₁₂（t）	0.273 0

图5 模型预测值与真实值对比

Fig. 5 Comparison of predicted value and observed value of models

表2 模型性能对比

Tab. 2 Comparison of model performance

模型	RMSE	MAE	R²
LSTM	28.084	20.287	0.611
EEMD-LSTM	14.957	10.974	0.874

参考文献 18

1	夏隽，毛哲. 加热炉燃烧器改造降低烟气NO_x排放［J］.油气田环境保护， 2019， 29（3）： 19-21，61.
	XIA J， MAO Z. Revamping of heating furnace burner to reduce NOx emission from flue gas ［J］. Environment Protection of Oil & Gas Fields， 2019， 29（3）： 19-21，61.
2	欧阳福生，凌巧，虞正恺. 灵活多效催化裂化工艺反应动力学模型研究［J］. 高校化学工程学报， 2015，29（5）： 1106-1113. 10.3969/j.issn.1003-9015.2015.00.025
	OUYANG F S， LING Q， YU Z K. Reaction kinetic model for flexible dual-riser fluid catalytic cracking process ［J］. Journal of Chemical Engineering of Chinese Universities， 2015，29（5）： 1106-1113. 10.3969/j.issn.1003-9015.2015.00.025
3	孙世源，孟凡东，闫鸿飞，等. 重油催化裂化14集总动力学模型研究［J］. 河南化工， 2017， 34（7）： 29-34.
	SUN S Y， MENG F D， YAN H F， et al. Research on 14 lumping kinetic model of heavy oil catalytic cracking ［J］. Henan Chemical Industry， 2017， 34（7）： 29-34.
4	栗伟，苏宏业，刘瑞兰. 粒子群优化算法在催化裂化模型参数估计中的应用［J］.化工学报， 2010， 61（8）： 1927-1932.
	LI W， SU H Y， LIU R L. Parameter estimation of catalytic cracking model using PSO algorithm ［J］. CIESC Journal， 2010， 61（8）： 1927-1932.
5	JOHN Y M， MUSTAFA M A， PATELl R， et al. Parameter estimation of a six-lump kinetic model of an industrial fluid catalytic cracking unit ［J］. Fuel， 2019， 235： 1436-1454. 10.1016/j.fuel.2018.08.033
6	GUO R， SHI D. Prediction of C3 concentration in FCCU using neural estimator based on dynamic PCA ［C］// Proceedings of the 2009 International Conference on Computational Intelligence & Security. Washington， DC： IEEE Computer Society， 2009： 34-37. 10.1109/cis.2009.242
7	WANG Y， ZHANG X， WANG X， et al. Text sentiment analysis based on parallel recursive constituency Tree-LSTM ［C］// Proceedings of the 2019 IEEE 4th International Conference on Data Science in Cyberspace. Piscataway： IEEE， 2019： 156-161. 10.1109/dsc.2019.00031
8	SEZER O B， GUDELEK U， OZBBAYOGLU M. Financial time series forecasting with deep learning： a systematic literature review： 2005 — 2019 ［J］. Applied Soft Computing， 2020， 90： 106181. 10.1016/j.asoc.2020.106181
9	NIU H， XU K， WANG W. A hybrid stock price index forecasting model based on variational mode decomposition and LSTM network ［J］. Applied Intelligence， 2020， 50： 4296-4309. 10.1007/s10489-020-01814-0
10	ZHAO A， QI L， DONG J， et al. Dual channel LSTM based multi-feature extraction in gait for diagnosis of neurodegenerative diseases ［J］. Knowledge-Based Systems， 2018， 145： 91-97. 10.1016/j.knosys.2018.01.004
11	CHEN R， WANG X， ZHANG W， et al. A hybrid CNN-LSTM model for typhoon formation forecasting ［J］. GeoInformatica， 2019， 23： 375-96. 10.1007/s10707-019-00355-0
12	WU Z H， HUANG N E. Ensemble empirical mode decomposition： a noise-assisted data analysis method ［J］. Advances in Adaptive Data Analysis， 2009， 1（1）： 1-41.
13	贾雨杰，陈鹏蕾，朱莉. 基于EEMD-ARIMA模型的气温预测研究［J］. 统计学与应用， 2020， 9（2）： 304-311. 10.12677/SA.2020.92033
	JIA Y J， CHEN P L， ZHU L. Prediction of temperature based on EEMD-ARIMA model ［J］. Statistics and Applications， 2020， 9（2）： 304-311. 10.12677/SA.2020.92033
14	王红军，万鹏.基于EEMD和小波包变换的早期故障敏感特征获取［J］. 北京理工大学学报， 2013， 33（9）： 945-950. 10.3969/j.issn.1001-0645.2013.09.014
	WANG H J， WAN P. Sensitive features extraction of early fault based on EEMD and WPT ［J］. Transactions of Beijing Institute of Technology， 2013， 33（9）： 945-950. 10.3969/j.issn.1001-0645.2013.09.014
15	孟安波，邵慧栋，殷豪. 基于EEMD和LSTM的负荷预测方法，装置及设备： CN108985514A［P］. 2018-12-11.
	MENG A B， SHAO H D， YIN H. Load forecasting methods， devices and equipment based on EEMD and LSTM： CN108985514A［P］. 2018-12-11.
16	HUANG N E， SHEN Z， LONG S R， et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis ［J］. Proceedings of the Royal Society A： Mathematical， Physical & Engineering Sciences， 1998， 454（1971）： 903-995. 10.1098/rspa.1998.0193
17	杨丽，吴雨茜，王俊丽，等. 循环神经网络研究综述［J］. 计算机应用， 2018， 38（S2）： 6-11，31. 10.1109/ijcnn.2018.8489331
	YANG L， WU Y X， WANG J L， et al. Research on recurrent neural network ［J］. Journal of Computer Applications， 2018， 38（S2）： 6-11，31. 10.1109/ijcnn.2018.8489331
18	HOCHREITER S， SCHMIDHUBER J. Long short-term memory ［J］. Neural Computation， 1997， 9（8）： 1735-1780. 10.1162/neco.1997.9.8.1735

[1]	汪雨晴, 朱广丽, 段文杰, 李书羽, 周若彤. 基于交互注意力机制的心理咨询文本情感分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2393-2399.
[2]	吕锡婷, 赵敬华, 荣海迎, 赵嘉乐. 基于Transformer和关系图卷积网络的信息传播预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1760-1766.
[3]	罗歆然, 李天瑞, 贾真. 基于自注意力机制与词汇增强的中文医学命名实体识别[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 385-392.
[4]	花晓雨, 李冬芬, 付优, 毕可骏, 应时, 王瑞锦. 结合层次图神经网络与长短期记忆的产业链风险评估预警模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3223-3231.
[5]	朱志平, 杨燕, 王杰. 基于场景图感知的跨模态图像描述模型[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 58-64.
[6]	史含笑, 王雷春. 结合LSTM和自注意力机制的图卷积网络短期电力负荷预测[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 311-317.
[7]	陈丽安, 过弋. 融合个体偏差信息的文本情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 145-151.
[8]	吴家皋, 章仕稳, 蒋宇栋, 刘林峰. 基于状态精细化长短期记忆和注意力机制的社交生成对抗网络用于行人轨迹预测[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1565-1570.
[9]	杨海宇, 郭文普, 康凯. 基于卷积长短时深度神经网络的信号调制方式识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1318-1322.
[10]	尹春勇, 周立文. 基于再编码的无监督时间序列异常检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 804-811.
[11]	尹春勇, 张杨春. 基于CNN和Bi-LSTM的无监督日志异常检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3510-3516.
[12]	余本年, 詹永照, 毛启容, 董文龙, 刘洪麟. 面向语音增强的双复数卷积注意聚合递归网络[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3217-3224.
[13]	张军, 吴朋莉, 石陆魁, 史进, 潘斌. 联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 321-328.
[14]	侯旭东, 滕飞, 张艺. 基于深度自编码的医疗命名实体识别模型[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2686-2692.
[15]	强赞霞, 鲍先富. 基于卷积长短期记忆的残差注意力去雨网络[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2858-2864.

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

Prediction of NOx emission from fluid catalytic cracking unit based on ensemble empirical mode decomposition and long short-term memory network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 18

相关文章 15

编辑推荐

Metrics