本發(fā)明涉及凝點(diǎn)概率預(yù)測(cè)領(lǐng)域，特別涉及一種混合原油凝點(diǎn)概率預(yù)測(cè)方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、混合原油凝點(diǎn)預(yù)測(cè)在管道安全運(yùn)行和流動(dòng)保障中起到十分重要的作用。國(guó)內(nèi)外許多學(xué)者都對(duì)此開(kāi)展了大量研究，目前關(guān)于混合原油凝點(diǎn)預(yù)測(cè)主要有兩類，一類是基于某區(qū)塊長(zhǎng)期積累的原油物性總結(jié)出的經(jīng)驗(yàn)公式，以及基于機(jī)器學(xué)習(xí)方法的混油預(yù)測(cè)模型?；煊湍c(diǎn)計(jì)算公式和預(yù)測(cè)模型均關(guān)注于預(yù)測(cè)結(jié)果的準(zhǔn)確性，但是受到油品物性波動(dòng)以及儀器誤差等多種不確定性因素的影響，凝點(diǎn)的預(yù)測(cè)結(jié)果往往存在一定的不確定性，當(dāng)前的研究方法均忽視了這種不確定性。

2、因此，現(xiàn)階段基于混合原油凝點(diǎn)概率預(yù)測(cè)的研究一般都關(guān)注于預(yù)測(cè)的準(zhǔn)確性，而忽略了預(yù)測(cè)的不確定性，導(dǎo)致預(yù)測(cè)結(jié)果只停留在理論層面，無(wú)法應(yīng)用于實(shí)際場(chǎng)景。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種混合原油凝點(diǎn)概率預(yù)測(cè)方法、裝置、設(shè)備及介質(zhì)，解決了現(xiàn)有技術(shù)中在混合原油凝點(diǎn)預(yù)測(cè)過(guò)程中忽略了不確定性，從而導(dǎo)致混合原油凝點(diǎn)預(yù)測(cè)結(jié)果無(wú)法實(shí)際應(yīng)用的問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種混合原油凝點(diǎn)概率預(yù)測(cè)方法，包括：

3、獲取待預(yù)測(cè)混油站場(chǎng)的預(yù)測(cè)油樣物性數(shù)據(jù)集，所述預(yù)測(cè)油樣物性數(shù)據(jù)集包括混合原油的物性參數(shù)數(shù)據(jù)和運(yùn)行參數(shù)數(shù)據(jù)；

4、獲取預(yù)先訓(xùn)練好的基于圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)的混合原油凝點(diǎn)概率預(yù)測(cè)模型；

5、將所述預(yù)測(cè)油樣物性數(shù)據(jù)集中的數(shù)據(jù)輸入至所述混合原油凝點(diǎn)概率預(yù)測(cè)模型中，輸出所述待預(yù)測(cè)混油站場(chǎng)的混油凝點(diǎn)預(yù)測(cè)區(qū)間和凝點(diǎn)概率密度預(yù)測(cè)結(jié)果；

6、所述獲取預(yù)先訓(xùn)練好的基于圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)的混合原油凝點(diǎn)概率預(yù)測(cè)模型，包括：

7、對(duì)用于訓(xùn)練的原始油樣物性數(shù)據(jù)集中的特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到鄰接矩陣；所述原始油樣數(shù)據(jù)集中包括輸入特征數(shù)據(jù)和預(yù)測(cè)特征數(shù)據(jù)；所述輸入特征數(shù)據(jù)為物性參數(shù)數(shù)據(jù)和運(yùn)行參數(shù)數(shù)據(jù)，所述預(yù)測(cè)特征數(shù)據(jù)為混油凝點(diǎn)數(shù)據(jù)；

8、基于所述圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)構(gòu)建初始混合原油凝點(diǎn)概率預(yù)測(cè)模型；

9、利用所述原始油樣物性數(shù)據(jù)集和所述鄰接矩陣對(duì)所述初始混合原油凝點(diǎn)概率預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的混合原油凝點(diǎn)概率預(yù)測(cè)模型。

10、可選的，對(duì)所述原始油樣物性數(shù)據(jù)集中的特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到鄰接矩陣，包括：

11、利用k-means聚類算法對(duì)所述原始油樣物性數(shù)據(jù)集進(jìn)行聚類，得到多個(gè)聚類簇；

12、基于所述聚類簇將所述原始油樣物性數(shù)據(jù)集進(jìn)行劃分，得到多個(gè)子數(shù)據(jù)集；

13、計(jì)算各個(gè)所述子數(shù)據(jù)集的特征相關(guān)性，得到各個(gè)子數(shù)據(jù)集的鄰接矩陣；

14、將所述各個(gè)子數(shù)據(jù)集的鄰接矩陣進(jìn)行堆疊，得到所述鄰接矩陣。

15、可選的，計(jì)算各個(gè)所述子數(shù)據(jù)集的特征相關(guān)性，得到各個(gè)子數(shù)據(jù)集的鄰接矩陣，包括：

16、根據(jù)計(jì)算各個(gè)所述子數(shù)據(jù)集中任意兩個(gè)特征之間的皮爾遜相關(guān)系數(shù)，以此得到各個(gè)所述子數(shù)據(jù)集對(duì)應(yīng)的鄰接矩陣；

17、其中，rab表示特征a和特征b之間的特征相關(guān)性；n表示子數(shù)據(jù)集的樣本數(shù)；ai表示第i個(gè)樣本的特征a的值；表示子數(shù)據(jù)集中特征a的平均值；bi表示第i個(gè)樣本的特征b的值，表示子數(shù)據(jù)集中特征b的平均值。

18、可選的，利用所述原始油樣物性數(shù)據(jù)集和所述鄰接矩陣對(duì)所述初始混合原油凝點(diǎn)概率預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，包括：

19、將所述子數(shù)據(jù)集和所述鄰接矩陣中的輸入特征數(shù)據(jù)輸入至初始混合原油凝點(diǎn)概率預(yù)測(cè)模型的圖卷積神經(jīng)網(wǎng)絡(luò)中，所述圖卷積神經(jīng)網(wǎng)絡(luò)中的每一層均執(zhí)行圖卷積操作，得到更新后的節(jié)點(diǎn)特征矩陣；

20、將各個(gè)層更新后的節(jié)點(diǎn)特征矩陣進(jìn)行堆疊，得到圖卷積神經(jīng)網(wǎng)絡(luò)的輸出h(l)；

21、將所述圖卷積神經(jīng)網(wǎng)絡(luò)的輸出h(l)輸入至所述初始混合原油凝點(diǎn)概率預(yù)測(cè)模型的貝葉斯神經(jīng)網(wǎng)絡(luò)中，得到訓(xùn)練輸出；

22、根據(jù)所述訓(xùn)練輸出，以及所述子數(shù)據(jù)集和所述鄰接矩陣中的預(yù)測(cè)特征數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練指導(dǎo)；

23、所述圖卷積操作的公式為：

24、

25、sigma表示激活函數(shù)；h(l)和h(l+1)表示第l層和第l+1層的節(jié)點(diǎn)特征矩陣；aatt表示注意力權(quán)重矩陣，注意力權(quán)重矩陣aatt是通過(guò)計(jì)算節(jié)點(diǎn)間的注意力系數(shù)并應(yīng)用softmax函數(shù)進(jìn)行歸一化構(gòu)建所得；i表示單位矩陣；⊙表示兩矩陣中的元素逐項(xiàng)相乘；a表示鄰接矩陣；d表示度矩陣，度矩陣對(duì)角線上的元素是每個(gè)節(jié)點(diǎn)的度，也是與每個(gè)節(jié)點(diǎn)相連的邊的數(shù)量；w(l)表示第l層的可學(xué)習(xí)權(quán)重矩陣。

26、可選的，注意力權(quán)重矩陣aatt是通過(guò)計(jì)算節(jié)點(diǎn)間的注意力系數(shù)并應(yīng)用softmax函數(shù)進(jìn)行歸一化構(gòu)建所得，包括：

27、根據(jù)計(jì)算各個(gè)子圖中任意兩節(jié)點(diǎn)i和j之間的注意力系數(shù)eij；hi和hj分別是節(jié)點(diǎn)i和j的特征向量；dim是特征向量的維度；所述子圖為根據(jù)子數(shù)據(jù)集和對(duì)應(yīng)的鄰接矩陣中的輸入特征數(shù)據(jù)構(gòu)成的子圖；

28、根據(jù)對(duì)各個(gè)所述注意力系數(shù)進(jìn)行歸一化操作，得到最終的注意力權(quán)重aij；ni表示節(jié)點(diǎn)i的鄰接節(jié)點(diǎn)集合；

29、將所有兩兩節(jié)點(diǎn)之間的所述最終的注意力權(quán)重aij組成所述注意力矩陣aatt。

30、可選的，所述貝葉斯神經(jīng)網(wǎng)絡(luò)的權(quán)重先驗(yàn)分布和偏置參數(shù)先驗(yàn)分布均服從高斯分布

31、其中，μ(l)，σ(l)表示權(quán)重的均值和方差；和偏置參數(shù)的均值和方差；i表示單位矩陣；w(l)表示貝葉斯神經(jīng)網(wǎng)絡(luò)的權(quán)重，b(l)表示貝葉斯神經(jīng)網(wǎng)絡(luò)的偏置參數(shù)。

32、本發(fā)明還提供了一種混合原油凝點(diǎn)概率預(yù)測(cè)裝置，包括：

33、預(yù)測(cè)數(shù)據(jù)獲取模塊，用于獲取待預(yù)測(cè)混油站場(chǎng)的預(yù)測(cè)油樣物性數(shù)據(jù)集，所述預(yù)測(cè)油樣物性數(shù)據(jù)集包括混合原油的物性參數(shù)數(shù)據(jù)和運(yùn)行參數(shù)數(shù)據(jù)；

34、模型獲取模塊，用于獲取預(yù)先訓(xùn)練好的基于圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)的混合原油凝點(diǎn)概率預(yù)測(cè)模型；

35、預(yù)測(cè)模塊，用于將所述預(yù)測(cè)油樣物性數(shù)據(jù)集中的數(shù)據(jù)輸入至所述混合原油凝點(diǎn)概率預(yù)測(cè)模型中，輸出所述待預(yù)測(cè)混油站場(chǎng)的混油凝點(diǎn)預(yù)測(cè)區(qū)間和凝點(diǎn)概率密度預(yù)測(cè)結(jié)果；

36、所述模型獲取模塊，包括：

37、關(guān)聯(lián)分析子模塊，用于對(duì)用于訓(xùn)練的原始油樣物性數(shù)據(jù)集中的特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到鄰接矩陣；所述原始油樣數(shù)據(jù)集中包括輸入特征數(shù)據(jù)和預(yù)測(cè)特征數(shù)據(jù)；所述輸入特征數(shù)據(jù)為物性參數(shù)數(shù)據(jù)和運(yùn)行參數(shù)數(shù)據(jù)，所述預(yù)測(cè)特征數(shù)據(jù)為混油凝點(diǎn)數(shù)據(jù)；

38、模型構(gòu)建子模塊，用于基于所述圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)構(gòu)建初始混合原油凝點(diǎn)概率預(yù)測(cè)模型；

39、模型訓(xùn)練子模塊，用于利用所述原始油樣物性數(shù)據(jù)集和所述鄰接矩陣對(duì)所述初始混合原油凝點(diǎn)概率預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的混合原油凝點(diǎn)概率預(yù)測(cè)模型。

40、可選的，關(guān)聯(lián)分析子模塊，包括：

41、聚類單元，用于利用k-means聚類算法對(duì)所述原始油樣物性數(shù)據(jù)集進(jìn)行聚類，得到多個(gè)聚類簇；

42、數(shù)據(jù)劃分單元，用于基于所述聚類簇將所述原始油樣物性數(shù)據(jù)集進(jìn)行劃分，得到多個(gè)子數(shù)據(jù)集；

43、相關(guān)性計(jì)算單元，用于計(jì)算各個(gè)所述子數(shù)據(jù)集的特征相關(guān)性，得到各個(gè)子數(shù)據(jù)集的鄰接矩陣；

44、堆疊單元，用于將所述各個(gè)子數(shù)據(jù)集的鄰接矩陣進(jìn)行堆疊，得到所述鄰接矩陣。

45、本發(fā)明還提供了一種混合原油凝點(diǎn)概率預(yù)測(cè)設(shè)備，包括：

46、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

47、處理器，用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的混合原油凝點(diǎn)概率預(yù)測(cè)方法。

48、本發(fā)明還提供了一種介質(zhì)，所述介質(zhì)中存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，所述計(jì)算機(jī)可執(zhí)行指令被處理器加載并執(zhí)行時(shí)，實(shí)現(xiàn)上述的混合原油凝點(diǎn)概率預(yù)測(cè)方法。

49、可見(jiàn)，本發(fā)明通過(guò)獲取待預(yù)測(cè)混油站場(chǎng)的預(yù)測(cè)油樣物性數(shù)據(jù)集，預(yù)測(cè)油樣物性數(shù)據(jù)集包括混合原油的物性參數(shù)數(shù)據(jù)和運(yùn)行參數(shù)數(shù)據(jù)；獲取預(yù)先訓(xùn)練好的基于圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)的混合原油凝點(diǎn)概率預(yù)測(cè)模型；將預(yù)測(cè)油樣物性數(shù)據(jù)集中的數(shù)據(jù)輸入至混合原油凝點(diǎn)概率預(yù)測(cè)模型中，輸出待預(yù)測(cè)混油站場(chǎng)的混油凝點(diǎn)預(yù)測(cè)區(qū)間和凝點(diǎn)概率密度預(yù)測(cè)結(jié)果；獲取預(yù)先訓(xùn)練好的基于圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)的混合原油凝點(diǎn)概率預(yù)測(cè)模型，包括：對(duì)用于訓(xùn)練的原始油樣物性數(shù)據(jù)集中的特征數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，得到鄰接矩陣；原始油樣數(shù)據(jù)集中包括輸入特征數(shù)據(jù)和預(yù)測(cè)特征數(shù)據(jù)；輸入特征數(shù)據(jù)為物性參數(shù)數(shù)據(jù)和運(yùn)行參數(shù)數(shù)據(jù)，預(yù)測(cè)特征數(shù)據(jù)為混油凝點(diǎn)數(shù)據(jù)；基于圖卷積神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)構(gòu)建初始混合原油凝點(diǎn)概率預(yù)測(cè)模型；利用原始油樣物性數(shù)據(jù)集和鄰接矩陣對(duì)初始混合原油凝點(diǎn)概率預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的混合原油凝點(diǎn)概率預(yù)測(cè)模型。本發(fā)明利用基于結(jié)合圖神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)的凝點(diǎn)概率預(yù)測(cè)模型，建立混油運(yùn)行參數(shù)及物性與混油凝點(diǎn)之間的關(guān)系，提高了預(yù)測(cè)模型在面對(duì)數(shù)據(jù)噪聲及不確定性因素時(shí)的魯棒性和穩(wěn)定性，從而避免給現(xiàn)場(chǎng)人員提供更樂(lè)觀或更悲觀的判斷。通過(guò)圖神經(jīng)網(wǎng)絡(luò)，可以有效捕獲了原油物性間的復(fù)雜關(guān)聯(lián)和相互作用；而貝葉斯理論的引入，則使得模型能夠輸出凝點(diǎn)的概率分布，而不僅僅是單一的預(yù)測(cè)值。這種概率預(yù)測(cè)的方式不僅全面反映了預(yù)測(cè)結(jié)果的不確定性，而且大大提高了模型在數(shù)據(jù)噪聲存在時(shí)的魯棒性和穩(wěn)定性。因此，基于結(jié)合圖神經(jīng)網(wǎng)絡(luò)和貝葉斯神經(jīng)網(wǎng)絡(luò)的凝點(diǎn)概率預(yù)測(cè)模型對(duì)混油凝點(diǎn)概率進(jìn)行預(yù)測(cè)，可以使現(xiàn)場(chǎng)調(diào)度人員合理評(píng)價(jià)模型預(yù)測(cè)效果，而進(jìn)一步安全地進(jìn)行生產(chǎn)調(diào)度，盡可能地提高生產(chǎn)效率。

50、此外，本發(fā)明還提供了一種混合原油凝點(diǎn)概率預(yù)測(cè)裝置、設(shè)備及介質(zhì)，同樣具有上述有益效果。