不同原油的炼油厂调度：一种深度信念网络分类和多模型方法

在基于模型的炼油厂调度中，要提炼的原油组成的变化是一个重大挑战，尤其是对于那些React过程而言。 提出了一种基于分类的多模型方法来处理经常变化的原油。 这个想法是为每种原料原油建立一个调度模型，并且可以使用在线分类器确定类型。 为了发展分类器，引入了最近出现的深度信念网络，该分类器比传统的神经网络提供了更准确的分类。 通过对流化催化裂化装置（主要受变化的原油影响）建模，然后对炼油厂的调度进行模拟，以模拟中国北方一家炼油厂的实际运行，从而证明了该方法的有效性。 结果表明，多模型方法可有效处理各种原油。