一种基于复合预测技术的原油性质快速检测方法

摘要

本发明公开了一种基于复合预测技术的原油性质快速检测方法，该方法面向炼化企业，以近红外光谱数据库及对应的原油性质数据库为基础，首先采用拓扑学建模技术来判别拓扑学建模技术预测是否可信，如可信，则采用拓扑学建模技术进行原油关键性质数据预测；如不可信，则采用偏最小二乘法进行原油关键性质数据预测，以确保原油关键性质数据的预测精度。该方法能在10分钟内快速准确预测原油性质，从而为炼化企业常减压装置的操作指导提供及时、准确的原油关键性质数据，避免原油加工过程的盲目性，提高炼化企业的生产效率和经济效益。

说明书

技术领域

本发明涉及石油化工领域的原油性质检测方面，尤其是一种基于复合预测技 术的原油性质快速检测方法。

背景技术

传统原油评价方法可以提供详细的原油性质数据，但其操作复杂，时间长， 很难满足原油加工过程中对原油性质分析实时性的要求，原油性质快速检测对指 导炼厂常减压装置的操作意义重大，有着广泛的应用前景。

当前，近红外光谱结合恰当的建模技术，运用于汽油等浅色油品性质的快 速检测已趋成熟。然而，相对于汽油，原油组成更为复杂。如仅采用拓扑学这种 聚类分析方法，其建模对所依据的原油光谱库和性质数据库要求都很高，否则， 极易导致预测精度变差；如仅采用偏最小二乘拟合方法，由于不同的原油组成差 别很大，很难找出一个性质和谱图相关性很高且适用范围很广的拟合公式。

因此，单一建模预测技术，很难准确预测原油性质。

发明内容

本发明目的是针对传统的原油评价方法耗时长，很难满足炼化企业对原油性 质分析实时性的要求，而提出的一种原油性质快速预测方法。

本发明采用以下的技术方案：

本发明基于原油近红外谱图，首先采用拓扑学建模技术来计算近红外光谱库 中已知原油与待测原油间的光谱距离d_s，然后统计d_s值小于阈值的已知原油数 量m，m同定值M比较以判别拓扑学预测是否可信，如果m等于或大于M，则 认为拓扑学预测可信并采用拓扑学建模技术计算待测原油关键性质数据；如果m 小于M，则认为拓扑学预测不可信并采用偏最小二乘法计算待测原油关键性质 数据。

本方法中已知原油与待测原油的光谱距离d_s通过下式计算：

$d_s=k\times \Sigma \sqrt{Q_i{(A_{0i}-A_{\mathrm{si}})}^2}$

式中，i为原油在近红外光谱区的特征波数；d_s为第s种已知原油与待测原油间 的光谱距离；k为常数；Q_i表示原油在特征波数i下的吸光度权重，吸光度权重Q_i的值依据不同特征波数i反映原油性质能力的大小确定；A_0i表示待测原油在特征 波数i下的吸光度；A_si表示第s种已知原油在特征波数i下的吸光度。

本方法中常数k取值为10000，阈值为8。

本方法中定值M的值为12。

本方法在采用拓扑学建模技术计算原油关键性质数据时，待测原油的关键性 质数据通过下式计算：

$p_j=\underset{t=1}{\overset{m}{\Sigma }}(\frac{1}{d_t}\times p_{\mathrm{jt}}/\underset{t=1}{\overset{m}{\Sigma }}\frac{1}{d_t})$

式中，p_j为待测原油的第j种性质数据；m为光谱库中与待测原油光谱距离小 于阈值的原油总数；d_t为满足与待测原油光谱距离小于阈值的已知原油中第t种 已知原油与待测原油间的光谱距离；p_jt为第t种已知原油的第j种性质数据。

本方法在采用偏最小二乘法预测原油关键性质时，待测原油的性质数据通过 下式计算：

p_j＝∑k_ji×A_0i

式中，i为原油在近红外光谱区参与计算的特征波数；p_j为待测原油的第j种性 质数据；A_0i为待测原油在特征波数i下的吸光度；k_ji为特征波数i下吸光度A_0i与 相应性质数据p_j之间的拟合系数。

本方法拟合系数k_ji通过偏最小二乘法回归计算，该回归方程为：

p_js＝∑k_ji×A_si

式中，i为原油在近红外光谱区参与计算的特征波数；p_js为第s种已知原油的第 j种性质数据；A_si为第s种已知原油在特征波数i下的吸光度；k_ji为特征波数i下 吸光度与相应性质数据p_js之间的拟合系数。

本方法所预测的关键性质数据包括API密度数据、硫含量数据、氮含量数 据和酸值数据。

本发明所提供的检测方法基于原油近红外光谱，采用拓扑学和偏最小二乘法 相结合的复合预测技术，从而实现对原油性质的快速检测。该方法与传统的原油 评价方法需要十多天时间以及动辄十几万的检测费用相比，本方法能在10分钟 内快速预测原油关键性质，具有很好的实时性和经济性。

附图说明

图1是待测原油性质复合预测过程框图。

图2是实施例1中待测原油油样的近红外光谱谱图。

图3是实施例2中待测原油油样的近红外光谱谱图。

具体实施过程

下面结合附图以及两个具体算例，给出详细的计算过程和具体操作流程，以 对本发明作进一步说明。实施例中的光谱库采用国际通用的INTERTEK原油光 谱库（采用其他标准原油光谱库也可以达到相同结果），该光谱库内含近1000 种世界各地的原油光谱数据。本实施例在以本发明技术方案为前提下进行实施， 但本发明的保护范围不限于下述的实施例。

实施例1：

如图1所示，具体实施过程如下：

1）采集一原油待测油样，经近红外光谱仪扫描，得到待测原油油样的近红 外光谱谱图。谱图如图2所示。

2）采用拓扑学建模技术计算近红外光谱库中已知原油与待测原油间的光谱 距离d_s。将图2中的光谱数据与INTERTEK原油光谱数据库中的原油光谱数据 逐一比较，按下式计算两两间的光谱距离：

$d_s=k\times \Sigma \sqrt{Q_i{(A_{0i}-A_{\mathrm{si}})}^2}$

式中，d_s为第s种已知原油与待测原油间的光谱距离；A_0i表示待测原油在特征 波数i下的吸光度（通过图2得出）；A_si表示第s种已知原油在特征波数i下的吸 光度（通过INTERTEK原油光谱库得出）；i为原油在近红外光谱区的特征波数； Q_i表示原油在特征波数i下的吸光度权重，吸光度权重Q_i的值依据不同特征波数 i反映原油性质能力的大小确定。

近红外光谱选择特征波数在4000～4800范围内的吸光度判断拓扑学预测是 否可靠。特征波数i之间的波数间隔及相应的吸光度权重Q_i依据不同特征波数反 映原油性质差异能力的大小来选择。

表1为特征波数i之间的波数间隔及相应的吸光度权重：

波数范围 波数间隔 吸光度权重 4000～4200 4 0.005 4200～4440 2 0.003 4440～4800 8 0.008

常数k取值10000，此时光谱距离阈值为8。逐一计算光谱库中所有油种与 待测油样的光谱距离d_s，并判读d_s值小于光谱距离阈值的原油数量m。通过计 算，可在光谱库中找到18个和待测样品光谱距离小于8的样品（即m值为18）。

表2为实施例1中满足d_s值小于光谱距离阈值的原油油种编号及相应d_s值：

原油编号 光谱距离 原油编号 光谱距离 原油编号 光谱距离 _EU00519 4.01 _EU00537 6.10 _EU00479 7.14 _EU00523 4.10 _EU00466 6.41 _EU00450 7.18 _EU00580 4.79 _EU00584 6.65 _EU00453 7.50 _EU00518 5.01 _EU00472 6.66 _EU00456 7.60 _EU00485 5.74 _EU00497 6.78 _EU00455 7.85 _EU00591 6.06 _EU00474 6.81 _EU00583 7.90

根据m＞M（M的值为12），认为采用拓扑学预测可信。

3）采用拓扑学建模技术计算待测原油关键性质数据，关键性质数据包括API 密度数据、硫含量数据、氮含量数据、酸值数据等。计算公式如下：

$p_j=\underset{t=1}{\overset{m}{\Sigma }}(\frac{1}{d_t}\times p_{\mathrm{jt}}/\underset{t=1}{\overset{m}{\Sigma }}\frac{1}{d_t})$

式中，p_j为待测原油的第j种性质数据；m为光谱库中与待测原油光谱距离小 于阈值的原油总数（本实施例中m值为18）；d_t为满足与待测原油光谱距离小于 阈值的已知原油中第t种已知原油与待测原油间的光谱距离（从表2中得出）；p_jt为第t种已知原油的第j种性质数据（通过INTERTEK原油光谱库得出）。

以API密度数据为例，计算过程如下：

查询原油性质数据库得出上述18种原油的API密度数据。

表3为满足d_s值小于光谱距离阈值的原油油种编号及相应的API密度数据：

原油编号 API密度 原油编号 API密度 原油编号 API密度 _EU00519 39.85 _EU00537 39.60 _EU00479 38.40 _EU00523 39.72 _EU00466 39.00 _EU00450 38.90

_EU00580 38.90 _EU00584 38.70 _EU00453 39.60 _EU00518 38.86 _EU00472 39.80 _EU00456 39.68 _EU00485 39.37 _EU00497 38.86 _EU00455 39.70 _EU00591 38.10 _EU00474 38.60 _EU00583 39.00

数值代入并计算，待测原油API密度数据为：

$\mathrm{API}=\underset{t=1}{\overset{m}{\Sigma }}(\frac{1}{d_t}\times {\mathrm{API}}_t/\underset{t=1}{\overset{m}{\Sigma }}\frac{1}{d_t})=39.17$

其它性质数据的计算方法完全相同，最终可得待测原油的关键性质。

表4为待测原油的关键性质数据：

实施例2：

具体过程如下：

1）采集一原油待测油样，经近红外光谱仪扫描，得到待测原油油样的近红 外光谱谱图。谱图如图3所示。

2）采用拓扑学建模技术计算近红外光谱库中已知原油与待测原油间的光谱 距离d_s。其计算过程与实施例1完全相同，此处略。

通过计算，在光谱库中只能找到2个（即m值为2）和待测样品光谱距离小 于8的样品点。

表5为实施例2中满足d_s值小于光谱距离阈值的原油油种编号及相应d_s值：

原油编号 光谱距离 原油名称 光谱距离 _ME_044 6.12 _ME_098 7.68

根据m＜M（M的值为12），则认为采用拓扑学预测不可信，改用偏最小二 乘法进行预测。

3）以光谱库中各已知原油不同特征波数下的吸光度为输入，以相应原油性 质数据为输出，采用偏最小二乘法（PLS）回归计算吸光度与各性质之间的拟合 系数。该回归方程为：

p_js＝∑k_ji×A_si

式中，i为原油在近红外光谱区参与计算的特征波数；p_js为第s种已知原油的第 j种性质数据；A_si为第s种已知原油在特征波数i下的吸光度；k_ji为特征波数i下 吸光度与相应性质数据p_js之间的拟合系数（s的数量大于参与计算的特征波数i 的数量）。

特征波数4672、4650、4625、4602、4575、4549、4502、4484、4443、4405、 4364、4330、4308、4266、4219、4208、4164、4108、4060和4000为参与计算 的有效特征波数。

PLS计算可以采用当前通用的软件工具，如MATLAB等。

以API密度为例（其它性质计算方法完全相同），将INTERTEK原油光谱库 中已知s种原油的API密度数据以及其在特征波数i下的吸光度数值代入。经过 MATLAB计算，可得API密度数据与吸光度的拟合系数。

表6为API密度与吸光度的拟合系数：

拟合系数 k_API4672k_API4650k_API4625k_API4602k_API4575k_API4549k_API4502k_API4484k_API4443k_API4405值 2515.2 2046.5 1625.9 1415.0 1694.3 2016.0 1612.0 1369.6 641.4 187.7 拟合系数 k_API4364k_API4330k_API4308k_API4266k_API4219k_API4208k_API4164i_API4108k_API4060k_API4000值 148.3 90.6 112.3 110.5 150.4 147.1 136.2 141.9 127.0 237.0

4）将表6中计算得到的拟合系数以及图3中读出的待测原油的吸光度值代 入下式，计算原油关键性质数据，包括API密度数据、硫含量数据、氮含量数 据、酸值数据等：

p_j＝∑k_ji×A_0i

以API密度数据计算为例：

API＝2515.2×0.0004+2046.5×0.0005+...+237.0×0.0043＝20.10

其它性质数据的计算方法完全相同，最终可得待测原油关键性质数据。

表7为待测原油关键性质数据：