数据驱动的加氢裂化过程反应温度优化方法及装置制造方法及图纸

本发明专利技术涉及炼油过程技术领域，更具体的说，涉及一种数据驱动的加氢裂化过程反应温度优化方法及装置。本方法，包括以下步骤：步骤S1、采集加氢裂化生产过程数据；步骤S2、建立基于可塑性规则的回声状态网络的系统预测模型；步骤S3、利用系统预测模型获得预测转换率，反馈校正得到校正转换率生成约束控制输入条件；步骤S4、基于协方差矩阵自适应进化策略控制优化反应器各床层温度参数，达到优化目标。本发明专利技术不需要系统动力学模型，将输入约束在一定范围内的同时有效抑制外部扰动带来的不利影响，将每个床层的反应温度保持最低，使工厂的经济效益最大化，控制精度高。控制精度高。控制精度高。

【技术实现步骤摘要】
数据驱动的加氢裂化过程反应温度优化方法及装置


[0001]本专利技术涉及炼油过程
，更具体的说，涉及一种数据驱动的加氢裂化过程反应温度优化方法及装置。

技术介绍

[0002]加氢裂化是重质原料油和氢气经催化剂作用发生复杂化学反应，生产各种轻质燃料油的加工过程，是最重要的石油炼制过程之一。
[0003]图1揭示了典型的加氢裂化工艺流程图，如图1所示的加氢裂化生产过程，具体包括以下步骤：
[0004]原油在热交换系统110中加热，随后与流经熔炉120的氢混合后流向精制反应塔R101；
[0005]精制反应塔R101中的油
‑
氢混合物通过3个催化剂床层，分别为催化剂床层R1B1、催化剂床层R2B2和催化剂床层R3B3，并将底部的反应物送到装载4个催化剂床层的裂化反应塔R102，分别为催化剂床层R2B1、催化剂床层R2B2、催化剂床层R2B3和催化剂床层R2B4，同时，添加氢气到精制反应塔R101和裂化反应塔R102的7个床层中；
[0006]裂化反应塔R102中反应物被空气冷却器冷却并送入高低压分离器130；利用高压分离器131出口的循环氢，并转移低压分离器132出来的底部到炉膛140；
[0007]最终，原料通过分馏系统150分离成若干产品。
[0008]其中，精制反应塔R101与裂化反应塔R102的反应温度合适与否直接关系到炼油过程的安全平稳运行及经分馏系统分出的产品产量、质量，也影响着企业的经济效益。
[0009]在实际生产过程中，加氢裂化过程具有高度非线性，易受原料性能变化的影响，且机理复杂，影响因素众多。此外，为了实现利润最大化，不断变化的市场环境对最终的产品分布具有决定性作用。
[0010]因此，在这样的动态条件下有效地控制反应温度并获得最大的利润将对加氢裂化过程控制技术的发展及应用起到举足轻重的作用。
[0011]加氢裂化过程中涉及大量碳氢化合物，建立机理模型耗时大、效率低、不易于优化运行工况，因此基于集总动力学模型加氢裂化过程的控制得到了越来越多的重视和研究。而此类方法仅适用于某些情况，均忽略了经济扰动和市场价格的波动对产品分布和经济效益的影响。
[0012]随着加氢裂化过程控制的发展，相关的研究取得了许多重要的成果，其中的一个局限性是对机理模型的依赖性，控制策略无法在不同条件下实现实时控制。
[0013]数据驱动建模不需要明确的数学模型，在复杂的工业过程中非常流行，如堆叠编码器
‑
解码器、随机森林、概率序列网络、循环神经网络，而这些方法的一个主要缺点是不能保证全局收敛，且梯度下降学习速率慢。
[0014]与此同时，许多元启发或自然启发的优化算法，如粒子群优化、遗传算法、差分进化算法、进化策略，可解决非线性和复杂问题，并在网络拓扑和超参数优化方面取得了显著
的成果。

技术实现思路

[0015]本专利技术的目的是提供一种数据驱动的加氢裂化过程反应温度优化方法及装置，解决现有技术的加氢裂化过程反应的优化过程耗时大、效率低的问题。
[0016]为了实现上述目的，本专利技术提供了一种数据驱动的加氢裂化过程反应温度优化方法，包括以下步骤：
[0017]步骤S1、采集加氢裂化生产过程数据；
[0018]步骤S2、利用加氢裂化生产过程数据，建立基于可塑性规则的回声状态网络的系统预测模型；
[0019]步骤S3、利用系统预测模型计算获得预测转换率，根据预测转换率和实际转换率r进行反馈校正得到校正转换率生成约束控制输入条件；
[0020]步骤S4、根据约束控制输入条件，基于协方差矩阵自适应进化策略控制优化反应器各床层温度参数，达到优化目标，使得加氢裂化过程的实际转换率r在跟踪最优转换率r
*
的同时反应器各床层温度最低。
[0021]在一实施例中，所述实际转换率r，对应的表达式如下：
[0022][0023]其中，y
n
为非尾油品产量，y
w
为总产品产量，y
le
、y
ln
、y
hn
、y
k
、y
d
和y
lb
分别为轻端、轻石脑油、重石脑油、煤油、柴油和尾油的产量。
[0024]在一实施例中，所述最优转换率r
*
，对应的表达式如下：
[0025][0026]其中，p
m
是总产品成本，β为耗氢量与原油处理量的比例，p
u
表示未转换的石油价格，p
c
表示转换后的石油价格。
[0027]在一实施例中，所述步骤S2，进一步包括：
[0028]构建均方根误差，对系统预测模型进行训练性能评估。
[0029]在一实施例中，所述步骤S2，进一步包括：
[0030]步骤S21、构建原始模型的输入层和储备池，储备层在t时刻的输入状态s
in
(t)和激活状态s(t)表述为：
[0031]s
in
(t)＝W
in
u(t)+W
res
s(t
‑
1)，
[0032]s(t)＝f(a
i
(t)s
in
(t)+b
i
(t))，
[0033]其中，u(t)为在t时刻反应器中各床层温度，f为sigmoid函数；
[0034]步骤S22、根据最小二乘估计方法训练读取权重W
out
，构建输出层，对应表达式为：
[0035]W
out
＝(X
T
X)
‑1X
·
Y；
[0036]其中，X为储备池状态，Y为训练阶段的输出向量；
[0037]步骤S23、回声状态网络的输出向量，对应的表达式为：
[0038][0039]其中，为t时刻预测转换率；
[0040]步骤S24、根据均方根误差公式评估预测任务的训练性能，对应表达式为：
[0041][0042]其中，y
desired
为期望输出，T为训练样本数；
[0043]步骤S25、通过最小化神经元实际输出分布与期望分布之间的Kullbak
‑
Leiber散度，得到神经元的内在可塑性规则；
[0044]步骤S26、根据如下sigmoid神经元来激活函数：
[0045][0046]其中，根据如下随机梯度下降规则更新a和b：
[0047][0048][0049]其中，μ为期望分布的均值，η为学习率，Δa
i
(t)和Δb
i
(t)为第i个储备池网络从时刻t
‑
1到时刻t的增益和偏置的变化。
[0050]在一实施例中，所述约束控制输入条件，进一步包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的加氢裂化过程反应温度优化方法，其特征在于，包括以下步骤：步骤S1、采集加氢裂化生产过程数据；步骤S2、利用加氢裂化生产过程数据，建立基于可塑性规则的回声状态网络的系统预测模型；步骤S3、利用系统预测模型计算获得预测转换率，根据预测转换率和实际转换率r进行反馈校正得到校正转换率生成约束控制输入条件；步骤S4、根据约束控制输入条件，基于协方差矩阵自适应进化策略控制优化反应器各床层温度参数，达到优化目标，使得加氢裂化过程的实际转换率r在跟踪最优转换率r
*
的同时反应器各床层温度最低。2.根据权利要求1所述的数据驱动的加氢裂化过程反应温度优化方法，其特征在于，所述实际转换率r，对应的表达式如下：其中，y
n
为非尾油品产量，y
w
为总产品产量，y
le
、y
ln
、y
hn
、y
k
、y
d
和y
lb
分别为轻端、轻石脑油、重石脑油、煤油、柴油和尾油的产量。3.根据权利要求1所述的数据驱动的加氢裂化过程反应温度优化方法，其特征在于，所述最优转换率r
*
，对应的表达式如下：其中，p
m
是总产品成本，β为耗氢量与原油处理量的比例，p
u
表示未转换的石油价格，p
c
表示转换后的石油价格。4.根据权利要求1所述的数据驱动的加氢裂化过程反应温度优化方法，其特征在于，所述步骤S2，进一步包括：构建均方根误差，对系统预测模型进行训练性能评估。5.根据权利要求4所述的数据驱动的加氢裂化过程反应温度优化方法，其特征在于，所述步骤S2，进一步包括：步骤S21、构建原始模型的输入层和储备池，储备层在t时刻的输入状态s
in
(t)和激活状态s(t)表述为：s
in
(t)＝W
in
u(t)+W
res
s(t
‑
1)，s(t)＝f(a
i
(t)s
in
(t)+b
i
(t))，其中，u(t)为在t时刻反应器中各床层温度，f为sigmoid函数；步骤S22、根据最小二乘估计方法训练读取权重W
out
，构建输出层，对应表达式为：W
out
＝(X
T
X)
‑1X
·
Y；其中，X为储备池状态，Y为训练阶段的输出向量；步骤S23、回声状态网络的输出向量，对应的表达式为：其中，为t时刻预测转换率；步骤S24、根据均方根误差公式评估预测任务的训练性能，对应表达式为：
其中，y
desired
为期望输出，T为训练样本数；步骤S25、通过最小化神经元实际输出分布与期望分布之间的Kullbak
‑
Leiber散度，得到神经元的内在可塑性规则；步骤S26、根据如下sigmoid函数来激活神经元：其中，根据如下随机梯度下降规则更新a和b：其中，根据如下随机梯度下降规则更新a和b：其中，μ为期望分布的均值，η为学习率，Δa
i
(t)和Δb
i
(t)为第i个储备池网络从时刻t
‑
1到时刻t的增益和偏置的变化。6.根据权利要求1所述的数据驱动的加氢裂化过程反应温度优化方法，其特征在于，所述约束控制输入条件，进一步包括：t时刻系统状态跟踪误差x(t)，满足暂态及稳...

【专利技术属性】
技术研发人员：杜文莉，钟伟民，李中美，钱锋，彭鑫，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：