一種基于數據驅動的工業裂解爐實時操作優化與控制方法
【專利摘要】本發明屬于石化工業的自動控制【技術領域】，特別涉及一種基于數據驅動的工業裂解爐實時操作優化與控制方法。本發明從基于數據驅動的離線預測模型庫中選擇該分類的相關預測模型作為當前裂解原料在線預測模型，利用該預測模型，根據當前工業裂解爐操作變量值得到乙烯和丙烯的預測收率，與在線分析儀獲得的實時乙烯和丙烯收率進行比較，進行校正，建立多目標實時操作優化模型，模型的解是各操作變量組成的向量，利用校正后的預測模型得到各解所對應的乙烯和丙烯收率，使用多目標自適應遺傳算法求解該模型，得到當前時刻各控制變量最優設定值，下發到集散控制系統執行。本發明提高裂解爐生產過程中的乙烯和丙烯收率，也能幫助提高乙烯廠的整體生產效率。
【專利說明】一種基于數據驅動的工業裂解爐實時操作優化與控制方法
【技術領域】
[0001]本發明屬于石化工業的自動控制【技術領域】，特別涉及一種基于數據驅動的工業裂解爐實時操作優化與控制方法。
【背景技術】
[0002]乙烯和丙烯是石化工業中兩種最重要的單體，是制備或合成其它有機化工原料的基礎。管式裂解爐是當前生產乙烯和丙烯的重要設備，其生產規模、產量和技術，都標志著一個國家石化工業的發展水平。
[0003]乙烯裂解爐的生產工藝和主要控制流程如圖1所示。烴類原料或石腦油原料H)01按照設定的流量進入到裂解爐后，首先在對流段通過鍋爐給水H)03提供的熱量進行預熱，然后與稀釋蒸汽按照一定的比例(稱為汽烴比)進行混合，繼續預熱并完全氣化，接著混合氣體進入輻射段的反應管中，在輻射段的爐膛底部和側壁中均覆蓋有燃料氣噴嘴，通過燃料氣H)04的燃燒提供裂解反應所需要的爐膛溫度，混合氣體在反應管中會快速吸收熱量并完成裂解反應，生成由乙烯、丙烯、甲烷、丁二烯等產品所組成的裂解氣H)06，再進入下游工序進行冷卻和分離。
[0004]在裂解產物中，乙烯和丙烯是兩個最重要的產品，其收率直接決定了企業的技術水平和經濟效益。在裂解生產過程中，對雙烯收率影響較大的過程控制變量主要有原料FOOl的烴組成、原料H)01的進料流率、汽烴比(稀釋蒸汽與原料質量流率的比值)、裂解爐管出 口溫度 COT (Coil Outlet Temperature)、裂解爐管出 口壓力 COP (Coil OutletPressure)。在當前企業的實際生產運行中，通常的做法是根據裂解爐制造商提供的參考值和人工經驗對COT進行控制。但是，實際生產中的裂解原料通常來自不同的油田，導致油品的波動非常大，并且在實際生產過程中通常需要切換多種不同的油品。因此，當前的人工經驗方法無法實現對裂解爐的和雙烯收率的優化與控制，迫切需要能夠提高雙烯收率的裂解爐在線操作優化與控制方法。
[0005]針對裂解爐的操作優化與控制方法，中國專利ZL200910056294.9提出了一種裂解深度的在線優化方法，該方法首先使用模糊聚類思想將油品分為不同的聚類，然后建立控制變量與雙烯收率之間的神經元網絡預測模型，接著建立以最大化雙烯經濟效益為目標的單目標優化模型，再利用標準的序列二次規劃方法SQP求解得到控制變量的設定值。但是，該方法仍然具有以下不足之處:所使用的模糊聚類算法的性能依賴于初始選取的聚類中心，因此需要運行多次，每次隨機指定聚類中心，從多次運行結果中取最好的一個；神經元網絡建模方法在處理大量數據的學習過程中容易出現維數災難，即數據量越多，其學習所需要的時間呈指數級增長，導致學習性能較差；模型為最大化經濟價值的單目標優化模型，對于雙烯收率的權值確定由市場情況和人工確定。中國專利ZL201010204480.5、CN102289198A也提出了裂解爐各控制變量的在線操作優化方法，其優化模型是以雙烯或某幾種產物的經濟價值最大化為目標，仍然是一個單目標模型，求解的結果只能為現場控制人員提供各控制變量的唯一優化設定值。在實際生產中，雙烯收率呈反向關聯關系，即乙烯收率的增加必然導致丙烯收率的降低，而丙烯收率的增加反過來又必然導致乙烯收率的降低。因此，單目標模型中雙烯收率權重如何確定是一個十分困難的問題，并且僅以經濟價值最大化作為優化目標容易導致雙烯產物中出現某一種產量過大而另一種產量不足的情況，
從而影響下游工序的正常生產，進而影響帶個石化企業生產鏈的整體生產效率和經濟效.
【發明內容】
[0006]為了克服以上現有裂解爐操作優化與控制方法的缺陷，本發明提供一種基于數據驅動的工業裂解爐實時操作優化與控制方法，與以往僅使用單目標優化方法不同，本發明是基于數據驅動和多目標動態優化思想，具體原理如說明書附圖2所示:首先，實時預測模型選擇器根據當前裂解原料的信息確定其所屬的原料分類，然后從基于數據驅動的離線預測模型庫中選擇該分類的相關預測模型作為當前裂解原料的預測模型；其次，利用該預測模型，根據當前工業裂解爐的操作變量值得到乙烯和丙烯的預測收率，將其與在線分析儀獲得的實時乙烯和丙烯收率進行比較，根據偏差對預測模型進行校正；再次，建立多目標實時操作優化模型，該模型的解是各操作變量組成的向量，利用校正后的預測模型可以得到各解所對應的乙烯和丙烯收率；然后使用自適應遺傳算法求解該模型，得到當前時刻各控制變量的最優設定值，下發到集散控制系統(distributed control system,簡記為DCS)執行。以上的誤差校正和操作優化建模與求解過程滾動執行，直到當前原料的裂解生產過程結束，最終達到提聞雙稀(乙稀和丙稀)收率的目的。
[0007]實現本發明目的的技術方案按照以下步驟進行:
步驟1:采集裂解爐歷史工況數據，采用乙烯和丙烯收率的離線預測模型，通過t時刻的操作條件，得出t+l時刻的雙烯收率，具體步驟是:
(1)采集石化企業實際裂解工業生產過程的歷史數據庫中3年內的各油品屬性數據、其相對應的歷史操作條件數據和雙烯收率數據；
(2)根據油品屬性數據，劃分裂解原料的屬性，對于輕烴原料，采用其各組分特性，即甲烷、乙烷、丙烷、丁烷、烷烴、環戊烷、環己烷、苯組分的含量作為分類依據；而對于較重的石腦油，采用其族組成，即PINOA值，具體是其所含的直鏈烷烴、支鏈烷烴、環烷烴、烯烴、芳烴的百分含量作為分類依據；采用量子聚類(quantum clustering)方法，分別將輕烴原料劃分為裂解性能相似的A個分類，將石腦油原料劃分為裂解性能相似的&個分類，其中&和K2的值由量子聚類方法自動確定；
(3)校正各分類中的數據，對每一原料分類，使用基于聚類的異常點檢測方法，剔除含有顯著誤差的操作條件數據和對應的雙烯收率數據；
(4)對樣本數據進行歸一化處理，根據上述聚類結果，使用最小二乘支持向量機方法，建立針對輕烴原料的A個分類的操作條件與乙烯和丙烯收率的離線預測模型，針對石腦油原料的A個分類的操作條件與乙烯和丙烯收率關系的離線預測模型，即:
乙烯收率的離線預測模型 Jc2h4(Hl)=L^W1r{t), C0T{t), C0P{t))}；
丙烯收率的離線預測模型=I^3h6(WI) = LSSVM2 , r{t), C0T{t), COPif)] '其中離線預測模型的輸入為t時刻的操作條件:原料流量《/U)、汽烴比r(i)、反應管出口溫度⑶r(i)、反應管出口壓力，模型輸出7C2H4(i+l)代表t+\時刻乙烯的收率，代表時刻丙烯的收率；
以下步驟中記輕烴原料集合和石腦油原料集合中第i個分類為Ci ；
步驟2:采集實際工況數據，與歷史工況數據比較，確立最接近實際工況的乙烯和丙烯收率的在線預測模型，通過在線預測模型得到?+ι時刻該操作條件下的雙烯收率的預測值Iac2h4(^I)和&3H6U+1)，并與實際值比較進行校正，具體步驟是:
(1)采集實際工況的裂解原料的油品屬性數據，計算當前裂解原料與步驟1-(2)中所獲得的各原料分類之間的距離，該距離定義為當前裂解原料與分類G中各樣本之間差異的
最小值，即
【權利要求】
1.一種基于數據驅動的工業裂解爐實時操作優化與控制方法，其特征在于按照以下步驟進行: 步驟1:采集裂解爐歷史工況數據，采用乙烯和丙烯收率的離線預測模型，通過t時刻的操作條件，得出t+1時刻的雙烯收率，具體步驟是: (1)采集石化企業實際裂解工業生產過程的歷史數據庫中3年內的各油品屬性數據、其相對應的歷史操作條件數據和雙烯收率數據； (2)根據油品屬性數據，劃分裂解原料的屬性，采用量子聚類方法，分別將輕烴原料劃分為裂解性能相似的A個分類，將石腦油原料劃分為裂解性能相似的&個分類，其中&和K2的值由量子聚類方法自動確定； (3)校正各分類中的數據，對每一原料分類，使用基于聚類的異常點檢測方法，剔除含有顯著誤差的操作條件數據和對應的雙烯收率數據； (4)校正各分類中的數據后，對樣本數據進行歸一化處理，根據上述聚類結果，使用最小二乘支持向量機方法，建立針對輕烴原料的A個分類的操作條件與乙烯和丙烯收率的離線預測模型，針對石腦油原料的A個分類的操作條件與乙烯和丙烯收率關系的離線預測模型，即: 乙烯收率的離線預測模型
2.根據權利要求1所述的一種基于數據驅動的工業裂解爐實時操作優化與控制方法，其特征在于劃分裂解原料的屬性時，對于輕烴原料，采用其各組分特性，即甲烷、乙烷、丙烷、丁烷、烷烴、環戊烷、環己烷、苯組分的含量作為分類依據；而對于較重的石腦油，采用其族組成，即PINOA值，具體是其所含的直鏈烷烴、支鏈烷烴、環烷烴、烯烴、芳烴的百分含量作為分類依據。
3.根據權利要求1所述的一種基于數據驅動的工業裂解爐實時操作優化與控制方法，其特征在于步驟2- (2)中對在下一時刻?+l使用預測模型所得到的乙烯和丙烯收率進行校正是按照下式進行的，即乙烯收率的校正值7、2H4(W1)=Iac2h4(^I) X [l+rand{~l, I) Xe1 ⑴]，丙烯收率的校正值 7、冊(Wl) = 7C3H6(i+l) X [1+0.5Xrand{-1, I) Xe2⑴]，式中ra/?i/(-l，I)是在[-1.0, 1.0]之間服從均勻分布的隨機數。
4.根據權利要求1所述的一種基于數據驅動的工業裂解爐實時操作優化與控制方法，其特征在于所述的各控制變量的Pareto最優解集合中的任意兩個不同的解石和Jy都是非劣解，即尤不能支配解(.，同時(也不能支配解尤，同時，在算法所搜索到的可行域內不存在其它的解能 夠支配該集合中的任意一個解。
【文檔編號】G05B19/418GK103713604SQ201310730887
【公開日】2014年4月9日 申請日期:2013年12月26日 優先權日:2013年12月26日
【發明者】唐立新, 王顯鵬 申請人:東北大學