CN101396617B - 工业分馏系统负荷配置在线优化方法 - Google Patents

Abstract

本发明涉及工业分馏系统生产过程中资源配置优化方法，首先，利用自适应动量因子PSO算法对分馏系统的装置数据进行协调，并在此基础上，对分馏系统机理模型进行校正，提高模型对工业过程描述的精度，建立工业运行模型，并在模型的基础上，再次对装置负荷进行最佳分配、发挥了现有装置的潜能、降低能耗，为生产工艺的改造等提供基础和依据，且此方法适用于各类分馏系统的负荷在线优化，易于移植，有着广泛的适应性。

Description

工业分馏系统负荷配置在线优化方法

技术领域

本发明涉及一种工业分馏系统负荷配置在线优化方法。

背景技术

分离精馏装置作为化学工业生产过程中最重要的一种分离设备应用非常广泛。实施基于分馏塔严格机理模型的在线操作优化对提高产品质量、降低能耗有着重要意义，再次实施过程中涉及工业装置数据协调技术、工业装置工艺机理模型及其模型校正技术以及高效的在线优化技术等问题。

例如，二甲苯分馏塔可以用来实现碳八芳烃与碳九以上芳烃的分离，即：塔顶收集以对二甲苯(P-Xylene，下文简称为PX)为主的碳八芳烃作为吸附分离操作的原料，塔底收集富含邻二甲苯(O-Xylene，下文简称为OX)的碳九以上芳烃，塔底产品进入重芳烃分离塔装置实现碳九芳烃与重芳烃的分离，或进入邻二甲苯成品塔联产邻二甲苯。为扩大对二甲苯(PX)的生产规模，很多企业都在原有生产装置基础上进行改扩建，使运行状况不同的多套装置并行生产。为了使各装置运行在最佳操作点并且降低装置的能耗、提高企业的经济效益，合理分配装置的生产负荷和发挥各装置的潜能显得尤为重要。

如图1所示的分馏系统：F101流股的一部分与F103流股的一部分分别流入分馏塔DA101，经DA101塔处理后，低组分流股F104从塔顶产出，塔底产出为F105；同理，F102流股的一部分与F108分别进入另一不同结构的分馏塔，塔顶产出F109，塔底为F110；F101与F103流股的剩余部分分别进入第三套分馏装置，塔顶产出F114，塔底为F115。在此系统中，各分馏装置的结构与操作条件不同，导致其对原料的分离效果不同，因此，如何合理分配F101、F102及F103等进入各塔的流股资源，对优化装置的生产以及节能降耗起关键作用。

发明内容

本发明提供了一种工业分馏系统负荷分配在线优化方法，此方法根据实际工业数据，应用自适应动量因子PSO(Particle Swarm Optimization，粒子群优化，以下简称PSO)算法，首先对来自分馏系统的过程数据进行协调；以此为基础，建立分馏系统的机理模型，并用人工免疫优化校正技术对分馏系统工业模型进行校正，得到能反映工业装置实际运行工况的分馏系统模型；最后，根据实际生产情况和目标，应用序列二次规划(Sequential QuadraticProgramming，以下简称：SQP)算法和专家经验相融合的优化算法对操作负荷进行最佳分配，使分馏装置在保证产品产量和质量前提下，达到节能降耗的目的。

本工业分馏系统负荷配置在线优化方法，包括以下步骤：

工业分馏系统负荷配置在线优化方法，其特征在于所述方法包括以下步骤：

①采集工业分馏系统的实时和历史数据；

②根据所采集数据，确定需要进行数据协调的已测变量和需要进行估计的未测变量，并由测量变量样本估计测量误差的方差，预置过失误差在误差中出现的比例和过失误差标准差与随机误差标准差的比率；

③利用基于自适应动量因子的PSO智能优化算法，每个粒子的维数对应需要校正的模型参数的个数，各维的位置值对应各参数值，计算粒子群中每个粒子的适应度，对采集的装置数据进行协调，直至达到协调的目标；

④在以上装置数据的协调基础上，根据组分物料平衡方程、相平衡方程、摩尔分率加和方程、总包物料平衡方程及焓平衡方程建立分馏装置的机理模型，并确定分馏系统校正的目标函数；

⑤根据分馏装置的实际情况，确定需要校正的塔板效率数，利用基于人工免疫智能优化算法，根据需要校正的参数个数，确定每个免疫抗体的个数，抗体的规模，根据分馏系统校正后的目标函数计算各抗体的适应度，对分馏系统的塔板效率进行校正，直至达到优化目标；

⑥确定分馏系统的优化操作变量及约束条件，建立回流比与塔釜产出量之间的专家经验库，运行分馏系统的校正模型，得到各分馏装置塔顶与塔釜的产品产量与质量及塔釜的热负荷，以塔釜总热负荷最低为目标，利用SQP结合专家判断对负荷资源进行重新配置，并调整装置的回流比，直到达到优化目标。

所述步骤①中的数据包括装置数据和分析数据，装置数据包括分馏装置的各股进料流量和温度、塔顶与塔釜的产出流量、塔顶回流量、塔顶温度和压力、塔釜温度；分析数据包括：分馏装置各股进料和出料的成分数据。

所述步骤③中的适应度，为数据协调的目标函数，即 $F=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\ln \{(1-\mathrm{\η})\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\σ}}_i^2}]+\frac{\mathrm{\η}}{\mathrm{\γ}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\γ}}^2{\mathrm{\σ}}_i^2}]\},$

为测量误差，

为服从仪表测量误差的正态分布方差，η为过失误差在误差中出现的比例，γ为过失误差标准差与随机误差标准差的比率。

所述步骤③中的协调目标，为数据协调循环次数或适应度门槛值。

所述步骤④中的目标函数，为校正后分馏系统的塔顶、塔釜及关键点的塔板温度与实测值偏差最小，即：

$E=f\left(\mathrm{Eff}\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(A_{\mathrm{ij}}-{A\′}_{\mathrm{ij}})}^2+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(B_{\mathrm{ij}}-{B\′}_{\mathrm{ij}})}^2+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{(C_{\mathrm{ij}}-{C\′}_{\mathrm{ij}})}^2),$ m、n及k，分别对应每个塔的产出数、塔板数及每个塔塔顶、塔釜产出的成分百分比数，A_ij、B_ij、C_ij分别表示塔顶、塔釜产出；各塔板温度值；塔顶、塔釜产出的流量百分比模型计算值，A′_ij、B′_ij、C′_ij表示分馏装置运行时它们的实际值。

所述步骤⑤中的优化目标，为数据优化循环次数或适应度门槛值。

所述步骤⑥中的优化目标，为SQP迭代条件及各塔的塔顶塔釜的关键产出满足产品的产量、质量要求的门槛值。

本发明提供一种工业分馏系统负荷配置在线优化运行的方法，利用自适应动量因子PSO算法对分馏系统的装置数据进行协调，在此基础上，对分馏系统机理模型进行校正，提高模型对工业过程描述的精度，建立工业运行模型，并在模型的基础上，再次，对装置负荷进行最佳分配、发挥了现有装置的潜能、降低能耗，为生产工艺的改造等提供基础和依据，且此方法适用于各类分馏系统的负荷在线优化，易于移植，有着广泛的适应性。

附图说明

图1是分馏系统的工艺流程图；

图2是自适应动量因子PSO算法；

图3是分馏系统模型校正框图；

图4是分馏塔任一塔板物料进出情况图；

图5是利用SQP结合专家经验的分馏系统资源优化配置框图。

附图符号说明图：

图1中，DA101、DA102和DA103分别为不同结构的分馏装置；F101、F102、F103和F108为总进料；F107与F113为资源分配后的部分进料；F104、F109和F114分别为各分馏塔的塔顶产出；F105、F110和F115分别为它们的塔釜产出，F106、F111和F116分别为它们的回流量，EA101、FA101和BA101为DA101塔的冷凝罐、缓冲罐和再沸器，同样，EA102、FA102、BA102及EA103、FA103、BA103也分别为DA102塔与DA103塔的冷凝罐、缓冲罐和再沸器。

图2中，t为校正循环次数，

中

为估计的已测变量，

为估计的未测变量。

图4中，F_n为进入n层塔板的进料量，Q_n为进入n层塔板的热量；L_n为离开n层板的液体量，其中至下层板的液体量为

从n层板抽出的液体量为WL_n；

为自上层板来的液体量；

为自下层板来的汽体量；V_n为离开n层板的汽体量，其中至上层板的汽体量为

从n层板抽出的汽体量为WV_n；

为来自相关塔底的液体量；

为来自相关塔顶的汽体量；WL_i为来自相关塔侧线的液体量；WV_m为来自相关塔侧线的汽体量；下标j、k、l、m为模拟塔中的板号。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本具体实施例进行在线资源配置的工业装置二甲苯分馏系统如图2所示，DA101、DA102和DA103分别为不同结构的分馏装置；F101、F102、F103和F108为总进料；F107、F112与F113为资源分配后的部分进料；F104、F109和F114分别为各分馏塔的塔顶产出；F105、F110和F115分别为它们的塔釜产出，F106、F111和F116分别为它们的回流量，EA101、FA101和BA101为DA101塔的冷凝罐、缓冲罐和再沸器，同样，EA102、FA102、BA102及EA103、FA103、BA103也分别为DA102塔与DA103塔的冷凝罐、缓冲罐和再沸器。

本实施例通过以下方法对F101、F102及F103等进入各塔的流股资源进行分配，具体包括以下步骤：

1.采集工业分馏系统的实时和历史数据。数据包括装置数据和分析数据：装置数据包括分馏装置的各股进料流量、温度和压力、塔顶与塔釜的产出流量、塔顶回流量、塔顶温度和压力、塔釜温度；分析数据包括：分馏装置各股进料和出料的成分数据。在本实施例中所采集到的装置数据为：流股F101、F102、F103、F107、F108、F112及F113的入塔温度、流量及压力；DA101、DA102、DA103塔的塔顶产出流量F104、F109及F114及温度；塔的回流量F106、F111及F116；塔釜产出流量F105、F110及F115及各塔的塔顶、塔釜温度和塔顶压力。采集到的分析数据为对F101、F102、F103、F108、F104、F109、F114、F105、F110及F115的分析数据。

2.根据所采集数据，确定需要进行数据协调的已测变量和需要进行估计的未测变量，并由测量变量样本估计测量误差的方差，预置过失误差在误差中出现的比例和过失误差标准差与随机误差标准差的比率：

在进行实际装置运行工况在线优化时，其大量数据主要是来自现场仪表的测量。由于仪表精度及测量环境等的影响，现场采集的过程操作数据不可避免地存在着随机误差，有时还会由于受到诸如测量仪表的不准或失灵以及容器或管道泄漏等多种因素的影响，使得直接测量的数据不仅不能反映过程运行的真实情况，而且还常常违背基本的物料平衡和能量平衡关系，如果利用这样的数据来进行在线优化，必然会对优化的效果造成影响。因而，需对现场采集到的数据进行协调。

基于过程数据协调与测量误差判断的优化问题可描述为：

$\min \underset{i=1}{\overset{m}{\mathrm{\Σ}}}\ln \{(1-\mathrm{\η})\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\σ}}_i^2}]+\frac{\mathrm{\η}}{\mathrm{\γ}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\γ}}^2{\mathrm{\σ}}_i^2}]\}---\left(1\right)$

$s.t.L(\hat{X},\hat{U})=0---\left(2\right)$

$X^L\≤\hat{X}\≤X^U;U^L\≤\hat{U}\≤U^U---\left(3\right)$

这里，X_i为m维被测变量测量值；

为变量测量值X_i的估计值；η表示过失误差在测量误差中所占的比例(η<0.5)；

为服从仪表测量误差的正态分布方差；γ为过失误差标准差与随机误差标准差的比率(γ<0.2)；未测变量的估计值；L为满足过程变量的平衡方程；X^L、X^U和U^L、U^U分别为测量变量和未测变量的上下限。

3.利用基于自适应动量因子的PSO智能优化算法，每个粒子的维数对应需要校正的模型参数的个数，各维的位置值对应各参数值，计算粒子群中每个粒子的适应度，对采集的装置数据进行协调，直至达到协调的目标：

问题(1)可以通过自适应动量因子PSO算法进行优化，可以得出和

然后通过误差 $e_i=x_i-{\hat{x}}_i$ 来判断是否存在过失误差。判断的准则是：如果e_i属于过失误差的概率大于其属于随机误差的概率，即：

$\left|e_i\right|>{\mathrm{\&sigma;}}_i\sqrt{\frac{2{\mathrm{\&gamma;}}^2}{{\mathrm{\&gamma;}}^2-1}\ln \left[\frac{\mathrm{\&gamma;}(1-\mathrm{\&eta;})}{\mathrm{\&eta;}}\right]}---\left(4\right)$

则相应的测量中含有过失误差；反之则没有过失误差。具体数据协调的算法步骤为：

1)确定需要进行协调的已测变量X和需要进行估计的未测变量U，并由测量变量样本估计测量误差的方差。

2)预置过失误差在误差中出现的比例η和过失误差标准差与随机误差标准差的比率γ。

3)采用自适应动量因子PSO优化算法求解式(1)，得到

4)计算各个测量变量的误差 $e_i=x_i-{\hat{x}}_i,$ 通过式(2)判断是否存在过失误差，如果无过失误差存在，返回算法结束；否则继续。

5)对判断存在过失误差的e_i，计算：

${\mathrm{\&xi;}}_i=\frac{\left|e_i\right|}{{\mathrm{\&sigma;}}_i}---\left(5\right)$

将最大的ξ_i所反应的过程测量变量作为未测变量，得到新的X和U，返回3)。

对基于自适应动量因子PSO优化算法进行简单介绍，内容如下：

自适应动量因子PSO优化算法，首先初始化一群随机粒子，然后通过迭代找到最优解，在每次迭代中，粒子通过跟踪当前自身的找到个体最优值和整个种群找到的全局最优值，区别于传统的PSO算法，自适应动量因子PSO是在迭代过程中，根据迭代效果自动确定PSO中的惯性动量因子，控制粒子的分散性，避免陷入局部最优。自适应动量因子PSO算法的迭代过程由下式描述：

P_i(t+1)＝P_i(t)+V_i(t)   (7)

F_i(t)＝fitnessval ue(P_i(t))   (8)

定义：

$h\left(t\right)=\frac{\min \left(F(g_b(t-1),F(g_b\left(t\right)\right)}{\max \left(F(g_b(t-1),F(g_b\left(t\right)\right)}---\left(9\right)$

$S\left(t\right)=\frac{\min \left(F(g_b\left(t\right),\mathrm{\&Delta;}\left(t\right)\right)}{\max \left(F(g_b\left(t\right),\mathrm{\&Delta;}\left(t\right)\right)},\mathrm{\&Delta;}\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}F\left(P\left(i\right)\right)---\left(10\right)$

则惯性动量因子为：

ω(t)＝ω_ini-αh(t)+βs(t)   (11)

其中，V是粒子的速度，p是粒子当前的位置；N：种群数量；s：粒子维数；c₁，c₂：加速系数；ω(t)：动量因子；～U(0，1)；

U(0，1)；p_i(t)：t时刻粒子i的位置；v_i(t)：t时刻粒子i的速度；P_bi(t)：t时刻粒子i的位置的历史最优值；g_b(t)：t时刻全局最优粒子的位置；F_i(t)：t时刻粒子i的适应度值；

应用基于自适应动量因子PSO算法对分馏系统的过程数据进行协调及过失误差的判断。

适应度函数选为：

$F=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\ln \{(1-\mathrm{\&eta;})\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&sigma;}}_i^2}]+\frac{\mathrm{\&eta;}}{\mathrm{\&gamma;}}\exp [-\frac{1}{2}\frac{{(x_i-{\hat{x}}_i)}^2}{{\mathrm{\&gamma;}}^2{\mathrm{\&sigma;}}_i^2}]\},$ 并取ω_ini＝1，α＝0.5，β＝0.1，

具体实施步骤如下：

1)根据约束条件(2)，(3)，按实数编码初始一含有N个s维粒子的种群，这里取N＝100，即对应100个样本，每个粒子的维数s对应需要校正的模型参数的个数，即粒子位置p_i(0)，这里取s＝8，对应需进行数据协调的分流股F102～F105、F107～F110；同时初始化v_i(0)；

2)t＝1，利用公式(6)计算v_i(1)，然后代入(7)计算p_i(1)，即t＝1时刻的

，代入适应度函数F，并根据实际工况的操作数据，计算每个粒子的适应度值F_i(1)，i＝1，L，s，求出g_b(1)和p_b(1)、h(1)和s(1)，并计算惯性动量因子ω(1)；t＝t+1；

3)对于所有粒子，即i＝1，L，s，做以下操作：利用公式(6)更新v_i(t)，公式(6)中，c₁＝c₂＝1.6；

4)对于所有粒子，即i＝1，L，s，做以下操作：利用公式(7)更新p_i(t)，即得到更新后的

5)对于所有粒子，即i＝1，L，s，计算适应度函数，并根据实际工况的操作数据，计算每个粒子的适应度值F_i(t)，i＝1，L，s，求出g_b(t)和p_b(t)、h(t)和s(t)，并计算惯性动量因子ω(t)；

6)令t＝t+1，回到第3)步，直到满足迭代终止条件，即是否超过最大校正循环次数(设为200)或小于适应度校正门槛值(设为3.6)，此时全局最优粒子g_b(t)的每一维即代表需要优化的参数值。

根据实际工况数据，对一分馏装置部分数据取某一工况，考虑长度为60分钟的过程测量值进行了协调，结果为表1：

表1分馏系统各流股数据协调结果

4.在以上装置数据的协调基础上，根据组分物料平衡方程、相平衡方程、摩尔分率加和方程、总包物料平衡方程及焓平衡方程建立分馏装置的机理模型，并确定分馏系统校正的目标函数：

建立工业分馏装置模型的关键是确定各分馏塔的塔板效率，塔板效率反映了实际塔板上汽、液两相间传质的完善程度。采用默弗里效率计算，定义如式：

${\mathrm{Eff}}_{i,j}^M=\frac{y_{i,j}-y_{i,j+1}}{K_{x,y}{x}_{i,j}-y_{i,j+1}}---\left(12\right)$

式中，K：平衡常数K的值；x：液相摩尔分率；y：汽相摩尔分率；Eff^M：默弗里效率；i：第i组分；j：第j块塔板。

建立分馏装置的机理模型时，将主塔冷凝器定为第一块理论板，自上往下计数，主塔底最下一块理论板为再沸器，N_s为塔系中的理论板总数。图4表示塔内任一板的物流进出情况。对一个稳态操作的塔，按严格法建立的数学模型包括如下5个方程：

组分物料平衡方程：

$-{\tilde{L}}_{i,n-1}+L_{i,n}+V_{i,n}-{\tilde{V}}_{i,n+1}-{\tilde{L}}_{i,j}-{\tilde{V}}_{i,k}-{\mathrm{WL}}_{i,j}{-\mathrm{WV}}_{i,m}=f_{i,n}$

i＝1，Λ，N_C                                                  (13)

n＝1，Λ，N_S

相平衡方程：

Y_i，n＝K_i，nX_i，n  i＝1，Λ，N_C；n＝1，Λ，N_S                  (14)

摩尔分率加和方程：

$\begin{array}{cc}\underset{i=1}{\overset{N_C}{\mathrm{\&Sigma;}}}{X}_{i,n}=1& \underset{i=1}{\overset{N_C}{\mathrm{\&Sigma;}}}{Y}_{i,n}=1\end{array}---\left(15\right)$

总包物料平衡方程：

$\begin{array}{cc}-{\tilde{L}}_{n-1}+L_n+V_n-{\tilde{V}}_{n+1}-{\tilde{L}}_j-{\tilde{V}}_k-{\mathrm{WL}}_i-{\mathrm{WV}}_m=F_n& n=1,\mathrm{\&Lambda;},N_S\end{array}---\left(16\right)$

焓平衡方程：

$-H_{\mathrm{Ln}-1}{\tilde{L}}_{n-1}+H_{\mathrm{Ln}}{L}_n+H_{\mathrm{Vn}}{V}_n-H_{\mathrm{Vn}+1}{\tilde{V}}_{n+1}-H_{\mathrm{Lj}}{\tilde{L}}_j-H_{\mathrm{Vk}}{\tilde{V}}_k-H_{\mathrm{Li}}{\mathrm{WL}}_i-H_{\mathrm{Vm}}{\mathrm{WV}}_m=H_{\mathrm{Fn}}{F}_n+Q_n$

$n=1,\mathrm{\&Lambda;},N_S---\left(17\right)$

以上方程中，i为组分标记，n为塔板标记，N_C为总组分数，N_S为总塔板数，K为相平衡常数，X为液相组成摩尔分率，Y为汽相组成摩尔分率，H_L为液相焓，H_V为汽相焓。

分馏系统用于工业建模的装置数据包括各分馏塔的所有进料流量、压力和温度，塔顶的温度、压力及塔釜温度；分析数据包括各分馏塔所有的进出料成分组成。

根据理论分析，运行过程中塔板效率的确定是一个多维的、复杂的、高度非线性的寻优过程，这种系统一般存在较多的局部解，应用人工免疫优化算法可以克服系统陷入局部最优的问题。以下式总偏差E最小为目标函数，通过采集现场的样本数据，可对整个工业分馏系统模型进行优化校正，求得相应的分馏塔塔板效率。

$E=f\left(\mathrm{Eff}\right)=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}(\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{(A_{\mathrm{ij}}-{A\&prime;}_{\mathrm{ij}})}^2+\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{(B_{\mathrm{ij}}-{B\&prime;}_{\mathrm{ij}})}^2+\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{(C_{\mathrm{ij}}-{C\&prime;}_{\mathrm{ij}})}^2)---\left(18\right)$

这里，m＝2、n＝100、k＝10，分别对应每个塔的产出数、塔板数及塔塔顶、塔釜产出的成分数，A_ij、B_ij、C_ij分别表示各装置塔顶、塔釜产出、各塔板温度值、塔顶、塔釜产出组分百分比的模型计算值，A′_ij、B′_ij、C′_ij表示分馏装置运行的实际值。

5.根据分馏装置的实际情况，确定需要校正的塔板效率数，利用基于人工免疫智能优化算法，根据需要校正的参数个数，确定每个免疫抗体的个数，抗体的规模，计算各抗体的适应度，对分馏系统的塔板效率进行校正，直至达到优化目标：

采用从实际生产过程采集来的经过协调后的装置数据，通过智能的优化算法对分馏系统模型的塔板效率进行优化确定，从而建立能良好描述工业分馏装置特性的模型，分馏系统模型校正框图如图3所示。

具体步骤为：

1)初始化各塔塔板效率：k＝0，选择每个塔关键的塔板对应的塔板效率作为优化对象，按实数编码，按先验知识随机设置塔板效率(在0.4～0.95范围)作为初始抗体群A(0)＝{a₁(0)，a₂(0)，L a_N(0)}∈I^N，初始抗体规模N为100。随着种群的进化，种群规模N按式将自动逐渐减小：

N(k+1)＝max{[ηN(k)]，N_min}  (19)

其中：[·]表示上取整，η∈(0，1)为前后两次的平均适应度之比，N_min为最小种群规模，设为40。

2)结合生产过程操作数据，通过分流装置机理模型，计算结果：输入经过协调后的过程操作数据，运行分馏装置的机理模型，机理模型的输出为各装置塔顶、塔釜产出；装置各塔板温度值及塔顶、塔釜产出的流量组分百分比，计算抗体-抗原的亲和力：f(A(k))；

3)结合步骤2)所得结果和获取的生产过程分析数据进行判断：采用最大演化代数(100代)结合式子|f(A(k))|≤ε作为算法的终止准则，如符合以上两个条件之一，则本步骤5结束，抗体群中最佳个体即作为本算法的解；式中，ε是给定的阈值(设为1％)。

4)智能优化算法调整塔板效率：

a)动态分配抗体群。将抗体群A(k)依据与抗原亲和力降序排列后，按2:3:1比例分成3个子种群A_N1(k)、A_N2(k)和A_N3(k)，N₁+N₂+N₃＝N。其中，A_N1(k)为最高亲和力的子种群，用于寻找局部最优解；A_N2(k)为中等亲和力的子种群，用于找到全局最优解；A_N3(k)为最低亲和力的子种群，用于死亡。

b)克隆操作。对于各抗体A_N1N2∈A_N1(k)UA_N2(k)按下式进行克隆，自动调整克隆规模：

$N^c(k+1)=\min ([N^c\left(k\right)/\mathrm{\&eta;}],N_{\max }^c)---\left(20\right)$

其中，N^c(k)为上一代的克隆规模，为算法设置的最大克隆规模，设为10。

c)变异操作。对A^c(k)中的所有抗体，按下式进行变异：

$A{\left(k\right)}_{\mathrm{ij}}^{*}=A{\left(k\right)}_{\mathrm{ij}}+\mathrm{\&mu;exp}(-l\frac{f\left(A_i\right)}{f_{\max }\left(A\right)})\&CenterDot;(2\mathrm{\&delta;}-1),j=\mathrm{1,2},\mathrm{L\; l}---\left(21\right)$

这里 $\mathrm{\&mu;}=\frac{{\mathrm{\&gamma;}}^k\&CenterDot;f_{\max }\left(A\right)}{f_{\mathrm{avg}}\left(A\right)}$ 为尺度变异因子，γ为>1的常数(本实施例γ值为1.2)， $k=\left\{\begin{array}{c}-1,A_i\left(k\right)\&Element;A_{N1}\left(k\right)\\ 1,A_i\left(k\right)\&Element;A_{N2}\left(k\right)\end{array}\right.,$ f_avg(A)、f_max(A)分别为当代抗体群中最大的亲和力函数值及平均亲和力函数值，δ为[0，1]区间的随机数。

d)克隆选择。评估变异后的克隆群，若：

$f\left(A{\left(k\right)}_{\mathrm{ij}}^{*}\right)=\max f\left(A{\left(k\right)}_{\mathrm{ij}}^{*}\right)>f\left(A\left(k\right)\right),(j=\mathrm{1,2},L{C}_i,i=\mathrm{1,2},\mathrm{L\; N}),$ 则： $A\left(k\right)=A{\left(k\right)}_{\mathrm{ij}}^{*};$ 否则，A(k)不变，从而更新抗体群，实现信息交换。

e)免疫选择。为保证抗体的多样性，提高算法的全局搜索能力，随机产生d个抗体代替亲合力最低的A_N3(k)子种群，抗体A(k)被选择进入下一代的几率计算公式如下：

$P\left(A_i\right)=f\left(A_i\right)\exp \left(\frac{-S\left(A_i\right)}{\mathrm{\&lambda;}}\right)\&CenterDot;{\left(\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}f\left(A_i\right)\right)}^{-1}---\left(22\right)$

式中，S(A_i)＝Num(A_i)·N^-1，Num(A_i)为与抗体A_i的欧氏距离小于0.1的抗体个数，λ≥1为调节因子(本实施例λ为1.5)。转至步骤2)，直到满足结束条件，抗体群中最佳抗体即为所求的解即校正后的塔板效率。

可采集分馏系统10天的装置数据和分析数据，校正后各分馏塔的塔板效率分布在一般在0.6-0.8范围。

6.确定资源优化的优化的目标、优化操作变量及约束条件；建立回流比与塔釜产出量之间的专家经验库，利用SQP结合专家判断对负荷资源进行重新配置，并调整装置的回流比，直到达到优化目标：

为了发挥生产装置的内在潜力，降低生产成本，降低能耗，提高产出，在对分馏系统建模的基础上，优化装置的资源分配和操作条件。分馏系统资源优化流程如图5所示。

●资源优化的基准：保持当前的总的进料流量不变，在各塔实行资源配置优化。

●优化的目标：保持分馏系统塔釜的总产出在原来水平前提下，降低分馏系统的总的能耗。

●优化操作变量：操作变量为进料中的资源分配系数B1、B2及各塔的回流比R1、R2及R3。

定义：

$B1=\frac{F102-F107}{F102},$ $B2=\frac{F103-F113}{F103}$

●约束条件包括：(1)各塔的进料流量满足设计要求下的上下限，设置DA101、DA102及DA103塔的进料流量范围分别为(500cum/h～1800cum/h)、(500cum/h～1200cum/h)和(500cum/h～1500cum/h)；(2)各塔的厂控操作性能要求，DA101塔顶压力控制在0.18～0.22Mpa、DA103塔顶压力控制在0.65～1.3Mpa、DA103塔顶压力控制在0.42～0.72Mpa；(3)各塔的塔顶与塔釜产品质量要求，各装置塔顶间二甲苯(M-Xylene，MX)产出质量流量组分控制在小于10.5％，塔釜MX产出质量流量组分控制在小于0.5％；(4)各塔的塔釜产品产量要求，设置分馏系统塔釜产品总量大于24t/h。

●优化方法：采用SQP结合专家经验。SQP是目前化工计算中使用最广泛最成熟的一种算法，它具有运算效率高、容易收敛等特点。为了避免陷入局部最优，在优化算法中作了处理，将一部分优化操作变量如分馏装置中的各塔的回流比分离出来，用SQP优化资源分配系数的基础上结合回流比优化的专家经验来共同优化，这样能够保证在算法收敛的基础上，提高了优化速度，又不易陷入局部最优。

SQP优化算法描述：

对于一般非线性优化问题：

min   f(x)

s.t.g_i(x)≥0，i＝{1，2，Λ，m₁}   (23)

h_j(x)＝0，j＝{m₁+1，Λ m}

式中： $g_i\left(x\right)={(g_1\left(x\right),\mathrm{\&Lambda;},g_{m_1}\left(x\right))}^T,$ $h_j\left(x\right)={(h_{m_1+1}\left(x\right),\mathrm{\&Lambda;},h_m\left(x\right))}^T$

(1)构造QP的子问题

QP子问题可描述为：

$\min {\left[q\left(d\right)\right]}^{\left(k\right)}=\frac{1}{2}{d}^T{W}^{\left(k\right)}d+\&dtri;f{\left(x^{\left(k\right)}\right)}^{T}d$

$s.t.\&dtri;g_i{\left(x^{\left(k\right)}\right)}^{T}d+g_i{(}^{x\left(k\right)})\&GreaterEqual;0$ (24)

$\&dtri;h_E{\left(x^{\left(k\right)}\right)}^{T}d+h_E{(}^{x\left(k\right)})=0$

式中，W(k)是海森矩阵， $W^{\left(k\right)}=W(x^{\left(k\right)},{\mathrm{\&lambda;}}^{\left(k\right)})={\&dtri;}_x^{2}L(x^{\left(k\right)},{\mathrm{\&lambda;}}^{\left(k\right)}),$ 可用对称正定矩阵B^(k)近似代替，这里，

$L(x,\mathrm{\&lambda;})=f\left(x\right)-\underset{i=1}{\overset{m1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{g}_i\left(x\right)-\underset{j=m1+1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j{h}_j\left(x\right),$

K-K-T条件为

$\&dtri;\mathrm{xL}(x*,\mathrm{\&lambda;}*)=0;$

h_j(x)^*＝0，j∈E；，求解(24)，可得解(d^(k)，λ^(k+1)).

${\mathrm{\&lambda;}}_i^{*}\&GreaterEqual;0,g_i(x*)\&GreaterEqual;0,{\mathrm{\&lambda;}}_i^{*}{g}_i(x*)=0,i\&Element;I.$

(2)构造效益函数和下降方向

定义效益函数：

$\mathrm{\&Phi;}1(x,\mathrm{\&mu;})=f\left(x\right)+\mathrm{\&mu;}[{\left|\right|\min \{g_i\left(x\right),0\}\left|\right|}_1+{\left|\right|h_E\left(x\right)\left|\right|}_1]=f\left(x\right)+\mathrm{\&mu;}(\underset{i\&Element;I}{\mathrm{\&Sigma;}}\min \{g_i\left(x\right),0\}+\underset{j\&Element;E}{\mathrm{\&Sigma;}}\left|h_j\left(x\right)\right|.$

式中，μ为罚因子。

(3)步长的确定根据，

Φ1(x^(k)+α_kd^(k)，μ^(k))≤Φ₁(^x(k)，μ^(k))+βα_kD(Φ₁(x^(k)，μ^(k))；d^(k))   (25)

确定步长α_k，其中β∈(0，1).

具体的优化步骤为：

1)产生满足约束条件的初始化优化矢量，F103进DA101塔与DA103塔的分配系数B1(预设为0.5)及F102进DA101与DA102塔的分配系数B2(预设为0.5)作为SQP调整参数，设为x，x∈R⁽²⁾；DA101塔的回流比R1(预设为1.0)、DA102塔的回流比R2(预设为1.5)及DA103的回流比R3(预设为1.5)作为专家经验调整参数；并选取SQP参数μ，δ，ξ>0(取μ＝0.05，δ＝1，ξ＝0.1)，初始单位阵B₀，令k＝0；

2)运行上述分馏系统的校正后的工业模型，得到DA101塔、DA102塔及DA103塔的塔顶与塔釜的产品产量与质量及塔釜的热负荷；

3)计算分馏系统的总热负荷，解SQP子问题(24)，得到解d^(k)，λ^(k+1))，判断SQP迭代条件d^(k)是否满足‖d^(k)‖≤ξ，同时需要判断各塔的塔顶塔釜的关键产出是否满足产品的产量、质量要求；

4)如果d^(k)及产品的产量、质量都未满足要求，则通过SQP算法和回流比的专家经验重新调整资源分配系数B1、B2和各塔的回流比R1、R2及R3；

k＝k+1返回2)运行；

具体调整法方法如下：

●SQP调整：

通过SQP调整式(25)确定步长α_k，并有α_k∈[0，δ]；

令x^(k+1)＝x^(k)+α_kd^(k)；

用拟牛顿法修正B^(k)得B^(k+1)；

●回流比的专家经验调整：

设在工况i下当前的DA101塔、DA102塔及DA103塔的塔釜产出为ox_i1、ox_i2及ox_i3，它们的最低值限制为ox_im1(定为8t/h)、ox_im2(定为6t/h)及ox_im3(定为10t/h)，分馏系统塔釜的总产出要求为ox_it，每个分馏塔的回流比减少量控制分别限制为ΔR_i1(定为0.2)、ΔR_i2(定0.15)及ΔR_i3(定0.1)。

则每次迭代对回流比的调整操作：

IF ox_i1>ox_im1 and ox_i1+ox_i2+ox_i3>ox_it then R_i1＝R_i1-ΔR_i1

    ELSE  R_i1＝R_i1

IF ox_i2>ox_im2 and ox_i1+ox_i2+ox_i3>ox_it then R_i2＝R_i2-ΔR_i2

    ELSE  R_i2＝R_i2

IF ox_i3>ox_im3 and ox_i1+ox_i2+ox_i3>ox_it then R_i3＝R_i3-ΔR_i3

    ELSE  R_i3＝R_i3

5)如d^(k)及产品的产量、质量都满足要求，则输出资源分配系数B1、B2和各装置的回流比，作为最佳的优化操作变量。

在稳定工况下，通过采集装置的实际数据，经数据协调处理及模型校正后，对一分馏系统的资源进行了在线优化，将F103资源进DA101塔的分配系数B1从调优前的0.5调整为调优后的0.55；F102资源进DA101塔的分配系数B2从调优前的0.62调整为调优后的0.43；可以降低DA101、DA102及DA103的分馏装置的回流比分别为0.12、0.2及0.22，相当于降低能耗为6％。

综上所述仅为发明的较佳实施例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范7围的内容所作的等效变化与修饰，都应为本发明的技术范畴。

Claims (1)

1.工业分馏系统负荷配置在线优化方法，其特征在于所述方法包括以下步骤：

①采集工业分馏系统的实时和历史数据，所述数据包括装置数据和分析数据，装置数据包括分馏装置的各股进料流量和温度、塔顶与塔釜的产出流量、塔顶回流量、塔顶温度和压力、塔釜温度；分析数据包括：分馏装置各股进料和出料的成分数据；

②根据所采集数据，确定需要进行数据协调的已测变量和需要进行估计的未测变量，并由测量变量样本估计测量误差的方差，预置过失误差在误差中出现的比例和过失误差标准差与随机误差标准差的比率；

③利用基于自适应动量因子的粒子群优化智能优化算法，每个粒子的维数对应需要校正的模型参数的个数，各维的位置值对应各参数值，计算粒子群中每个粒子的适应度，对采集的装置数据进行协调，直至达到协调的目标；

其中所述适应度即为数据协调的目标函数，即

为测量误差，

σ_i ²为服从仪表测量误差的正态分布方差，η为过失误差在误差中出现的比例，γ为过失误差标准差与随机误差标准差的比率；

其中协调目标，为数据协调循环次数或适应度门槛值；

④在以上装置数据的协调基础上，根据组分物料平衡方程、相平衡方程、摩尔分率加和方程、总包物料平衡方程及焓平衡方程建立分馏装置的机理模型，并确定分馏系统校正的目标函数；

所述目标函数，为校正后分馏系统的塔顶、塔釜及关键点的塔板温度与实测值偏差最小，即：

m、n及k，分别对应每个塔的产出数、塔板数及每个塔塔顶、塔釜产出的成分个数，A_ij、B_ij、C_ij分别表示各装置塔顶、塔釜产出；各塔板温度值；塔顶、塔釜产出组分百分比的模型计算值，A′_ij、B′_ij、C′_ij表示分馏装置运行时它们的实际值；

⑤根据分馏装置的实际情况，确定需要校正的塔板效率数，利用基于人工免疫智能优化算法，根据需要校正的参数个数，确定每个免疫抗体的个数，抗体的规模，根据步骤④中所得分馏系统校正后的目标函数计算各抗体的适应度，对分馏系统的塔板效率进行校正，直至达到优化目标；所述优化目标，为数据优化循环次数或适应度门槛值；

⑥确定分馏系统的优化操作变量及约束条件，建立回流比与塔釜产出量之间的专家经验库，运行分馏系统的校正模型，得到各分馏装置塔顶与塔釜的产品产量与质量及塔釜的热负荷，以塔釜总热负荷最低为目标，利用序列二次规划结合专家判断对负荷资源进行重新配置，并调整装置的回流比，直到达到优化目标；

所述优化目标，为序列二次规划迭代条件及各塔的塔顶塔釜的关键产出满足产品的产量、质量要求的门槛值。

Images