CN102213949B - 一种乙烯装置价值优化方法 - Google Patents

Abstract

本发明属于化学反应工程领域，涉及一种乙烯裂解装置操作优化的方法。本发明提供一种以价值最大化为标尺，通过建立收率预测模型、价值预测模型与价值优化模型，针对不同原料构成、市场价格及装置工艺特点来制定裂解炉的操作优化方案的方法。采用本发明优化方案后，使优化的裂解温度低于以乙烯等主产物收率最大制定的优化方案的裂解温度，有效地延长装置的运行周期、较小清焦费用，降低分离能耗，并有进一步提高装置处理能力的潜力。同时获得最高的经济收益。

Description

一种乙烯装置价值优化方法

技术领域

本发明属于化学反应工程领域，涉及乙烯工业裂解技术，更具体地说，涉及一种乙烯裂解装置操作优化的方法。 

背景技术

乙烯工业是石油化工的龙头和基础，历来被作为衡量一个国家石化行业发展水平的标志。因此提高乙烯装置的经济效益对提升整个石化企业的市场竞争力具有举足轻重的作用。目前，全世界99％的乙烯是通过管式裂解炉以热裂解/蒸汽裂解的方式生产的，而我国乙烯基本都是以此方式生产。在热裂解/蒸汽裂解生产乙烯的过程中，裂解炉作为装置的核心设备，其操作条件的优化程度，不仅影响到整个乙烯生产装置的产品质量和收益状况，还将影响到下游生产装置的收益。因而，如何能为裂解炉选择一个最佳的工艺条件一直受到研究者广泛地重视。 

以往在为裂解炉制定操作优化方案时，多选用乙烯、乙烯+丙烯、乙烯+丙烯+BTX等主产物的收率作为优化的标尺。建立由原料物性和工艺条件来预测裂解产物收率的模型。再根据预测模型中热裂解工艺条件与裂解产物收率之间存在着的映射关系，通过这种映射关系找出某种热裂解产物收率最大值时的裂解工艺条件；或者利用模型可以预测的功能，通过利用数值最值搜索等数学 方法，寻找出最大的裂解主产物收率时的工艺条件。工艺条件通常为炉管出口温度。 

对于管式裂解炉乙烯等热裂解产物收率预测的研究已经有相当长的历史，发展的预测模型主要可分为三类：经验模型、半经验半理论模型和机理模型。其中的经验模型是以裂解的某个或某几个参数直接与产品收率进行关联，不需要求取反应动力学参数就可以用来进行工业装置优化控制和预测工艺参数变化的影响。由于其拥有较好的预测效果和简便、快速的运行等优点，应用最为广泛。近年来，随着计算机数据处理技术的不断发展，出现了大量如神经网络、小波网络、模糊系统、粗糙集理论和粗糙规划、支持向量基、图论以及量子力学方法等数据处理方法，使得经验模型能在完备的试验数据基础上对裂解产物收率给出更为准确的预测，因而在优化操作方法的制定时倍受重视。 

但是，乙烯作为化工行业最重要的基础原料，以它为基础或者衍生的系列化工产品广泛用于国民经济各个领域，涉及巨大的经济利益。随着国内国民经济的快速发展，对乙烯的需求也越来越大，2007年国内乙烯总产量达到1024.8万吨，但还不能满足国内对乙烯以及乙烯衍生的需求，需要进口大量的乙烯及其衍生产品。为了满足国内对乙烯的巨大需求，近年来国内进行了第二、三轮乙烯改扩建工程，到2010年，我国乙烯总生产能力将达到1702万吨/年。这种乙烯装置的大型化，导致了有价值副产品已达到了经济分离规模，主、副产品的价格差逐渐缩小，乙烯等主产物收率的变化规律不再能够准确地反应收益的变化规律。因此，本发明的主要目标是不拘泥于低碳烯烃的收率，而着眼于全部裂解产品，为裂解过程的价值变化进行分析，根据原料构成、市场价格、装置工艺特点来制定裂解炉的操作优化方案，调整产品结构，从而实现过程收 益的最大化。 

发明内容

本发明的目的是提供一种以价值最大化为标尺，通过建立收率预测模型、价值预测模型与价值优化模型，针对不同原料构成、市场价格及装置工艺特点来制定裂解炉的操作优化方案的方法。 

本发明的技术方案为如下所述： 

一种乙烯裂解装置价值优化方法，所述方法包括， 

(1)乙烯装置价值标准为单位原料下乙烯裂解过程的收益，它包括单位原料下乙烯裂解过程的总收益和单位原料下裂解全产品收益两种情况； 

(2)建立收率预测模型、价值预测模型与价值优化模型； 

(3)通过调取上述模型，得到乙烯装置价值最大化的优化工艺条件。 

在所述步骤(1)中乙烯装置的价值标准为单位原料下乙烯裂解过程总收益，即单位原料的产品销售收入－单位原料费用－单位原料的燃料费用－单位原料的分离费用+单位原料的蒸汽收入，其中单位原料的产品销售收入等于各种裂解产物的收率与其相应的产品价格乘积之和。 

所述优化方法具体包括， 

(1)建立样本数据库： 

①收集密度、恩式蒸馏数据、裂解原料族组成等物性不同的裂解原料在不同投油量、炉管入口温度、炉管出口温度、炉管出口压力、稀释比和停留时间下的热裂解产物收率数据； 

②根据装置的工艺特点，计算在不同投油量、炉管入口温度、炉管出口温度、炉管出口压力、稀释比和停留时间下的裂解炉单位原料下的燃料量及产生的蒸汽量； 

③根据得到的不同原料、不同工艺条件下的裂解产品的收率数据及其所选用的分离流程，通过流程模拟计算分离过程的单位原料能耗数据； 

④收集实时准确的价格数据； 

⑤根据上述数据建立样本数据库：其样本的数据由裂解原料物性、热裂解工艺条件、分离流程参数、价格以及全部裂解产物收率、单位原料下裂解反应需要的燃料量、裂解产生的蒸汽量和裂解产物的分离能耗构成； 

(2)建立收率预测模型： 

根据裂解原料物性、热裂解工艺条件和裂解产物收率，建立收率预测模型并验证该模型； 

①建模过程是：先调取样本数据库中的部分数据，即将其中的裂解原料物性、热裂解工艺条件和裂解产物收率作为数据输入； 

建立基于核函数的支持向量机训练程序，输入变量和输出变量通过支持向量机模型形成映射关系，利用支持向量机训练程序对训练样本数据进行学习训练，经过学习和训练得到N个支持向量X_i ^*，i＝0,1,…,N，从而形成支持向量机模型： 

$Y\left(X\right)={\mathrm{\Σ}}_{i=1}^N{Y}_i{\mathrm{\α}}_{i}K(X,X_i^{*})+{\mathrm{\α}}_0$

其中，表示支撑向量，Y_i表示支撑向量的产物收率，α_i表示第i个支撑向量的系数,α0表示的是一个常数，表示输出向量的的偏移量，这个常量在模型 学习过程中确定，X是输入的物性和热裂解工艺条件，Y(X)表示收率，K(·)是支持向量机的核函数，选自高斯型函数、多项式函数、线性型函数和径向基函数中的一种, 

其中裂解原料物性和热裂解工艺条件作为所述模型的输入变量，裂解产物收率作为输出变量；形成收率预测模型； 

②验证和消除偏差过程： 

调取样本数据库中剩余的原料物性和热裂解工艺条件数据输入上述建立的收率预测模型中，计算出全部裂解产物收率的预测结果； 

比较得到的模型预测结果和实验结果，若模型预测结果与实验结果的偏差值大于10％，对收率预测模型中函数参数数值进行调节，后重复建模和验证过程，直至收率模型预测值与实验结果的偏差在10％内，收率预测模型确定； 

(3)建立价值预测模型： 

根据裂解原料物性、热裂解工艺条件、分离流程、价格、单位原料下的燃料量、产生的蒸汽量、单位原料分离过程的能耗以及裂解过程价值，建立基于产物收率预测模型的单位原料的总收益＝∑(各种裂解产物的收率×相应的产品价格)－原料价格－单位原料的燃料量×燃料价格－单位原料的分离能耗×标油价格+单位原料的蒸汽量×蒸汽价格的价值预测模型； 

建立价值预测模型过程；将裂解原料物性、热裂解工艺条件、分离流程参数、价格作为输入变量；调用步骤(2)建立的收率预测模型 计算出全部裂解产品的收率，根据全部产品的收率和价格数据，求算单位原料的产品销售收入和原料费用；根据全部产品的收率 和分离流程参数调用样本数据库中与之对应的单位原料的分离能耗，由单位原料的分离能耗和标油价格数据求算单位原料的分离费用；根据输入项中的工艺条件调用样本数据库中与之对应的单位原料的燃料量和产生蒸汽量，由单位原料的燃料量和产生蒸汽量及价格数据分别求算单位原料的燃料费用和蒸汽收入；最后求算裂解过程总收益的预测结果，作为输出变量。价值预测模型确定； 

计算公式如下， 

单位原料的总收益＝单位原料的产品销售收入－单位原料费用－单位原料的燃料费用－单位原料的分离费用+单位原料的蒸汽收入；其中， 

单位原料的产品销售收入＝∑(各种裂解产物的收率×相应的产品价格) 

单位原料费用＝原料价格 

单位原料的分离费用＝单位原料的分离能耗×标油价格 

单位原料的燃料费用＝单位原料的燃料量×燃料价格 

单位原料的蒸汽收入＝单位原料的蒸汽量×蒸汽价格； 

(4)建立价值优化模型： 

根据价值预测模型中热裂解工艺条件与裂解价值之间存在着的裂解价值＝a(裂解工艺条件-b)²+c的映射关系，利用价值预测模型的预测功能求得各裂解工艺条件时的裂解价值，建立价值优化模型上述“裂解价值＝a(裂解工艺条件-b)²+c”，通过数值最值搜索数学方法，寻找出热裂解价值最大时的裂解工艺条件,工艺条件通常为炉管出口温度； 

(5)价值优化实施过程： 

调用步骤(4)的价值优化模型，将裂解原料物性、除待优化操作条件以外 的热裂解工艺条件、分离流程参数和价格数据输入到模型的输入变量中，通过计算优化出热裂解过程总收益及与之对应的裂解装置的最优操作条件，所述待优化操作条件指裂解温度。 

本发明另一个发明点，所述步骤(1)乙烯装置价值标准为单位原料的裂解全产品收益，即各裂解产物的收率与其相应的产品价格乘积之和再减去单位原料费用。 

所述优化方法具体包括， 

(1)建立样本数据库： 

①收集密度、恩式蒸馏数据、裂解原料族组成等物性不同的裂解原料在不同的投油量、炉管入口温度、炉管出口温度、炉管出口压力、稀释比和停留时间下的热裂解产物收率数据和实时准确的价格数据； 

②根据上述数据构成样本数据库；其样本的数据由裂解原料物性、热裂解工艺条件、价格以及全部裂解产物收率构成； 

(2)建立收率预测模型： 

根据裂解原料物性、热裂解工艺条件和裂解产物收率，建立收率预测模型； 

①建立收率预测模型过程： 

调取数据库，取出样本数据中的部分数据，将其中的裂解原料物性、热裂解工艺条件和裂解产物收率作为数据输入训练程序的数组中， 

建立基于核函数的支持向量机训练程序，输入变量和输出变量通过支持向量机模型形成映射关系，利用支持向量机训练程序对训练样本数据进行学习训练，经过学习和训练得到N个支持向量X_i ^*，i＝0,1,…,N，从而形成支持向量 机模型： 

$Y\left(X\right)={\mathrm{\Σ}}_{i=1}^N{Y}_i{\mathrm{\α}}_{i}K(x,X_i^{*})+{\mathrm{\α}}_0$

其中，表示支撑向量，Y_i表示支撑向量的产物收率，α_i表示第i个支撑向量的系数，X是输入的物性和热裂解工艺条件，α₀表示的是一个常数，表示输出向量的的偏移量，这个常量在模型学习过程中确定，Y(X)表示收率，K(·)是支持向量机的核函数，选自高斯型函数、多项式函数、线性型函数和径向基函数中的一种， 

其中裂解原料物性和热裂解工艺条件作为所述模型的输入变量，裂解产物收率作为输出变量；建立收率预测模型； 

②验证和消除偏差过程： 

将剩余样本中的原料物性和热裂解工艺条件输入所建立的收率预测模型中，计算出全部裂解产物收率的预测结果； 

比较得到的模型预测结果和实验结果，若模型预测结果与实验结果的偏差值大于10％，对收率预测模型中函数参数数值进行调节，后重复建模和验证过程，直至收率模型预测值与实验结果的偏差在10％内，收率预测模型确定； 

(3)建立价值预测模型： 

根据裂解原料物性、热裂解工艺条件、价格以及裂解过程价值，建立基于产物收率预测模型的裂解全产品收益＝∑(各种裂解产物的收率×相应的产品价格)－原料价格的价值预测模型； 

建立价值预测模型过程；将裂解原料物性、热裂解工艺条件、价格作为输入变量；调用收率预测模型 

计算出全部裂解产品的收率，根据全部产品收率及输入的价格数据，求算单位原料的产品销售收入和原料费用；最后根据 单位原料的产品销售收入和原料费用，求算裂解全产品收益的预测结果，作为输出变量。价值预测模型确定； 

其计算公式如下， 

单位原料的裂解全产品收益＝单位原料的产品销售收入－原料费用； 

单位原料的产品销售收入＝∑(各种裂解产物的收率×相应的产品价格) 

单位原料费用＝原料价格 

(4)建立价值优化模型： 

根据价值预测模型中热裂解工艺条件与裂解价值之间存在着的裂解价值＝a(裂解工艺条件-b)²+c的映射关系，利用价值预测模型的预测功能求得各裂解工艺条件时的裂解价值，建立价值优化模型上述公式裂解价值＝a(裂解工艺条件-b)²+c，通过数值最值搜索数学方法，寻找出热裂解价值最大时的裂解工艺条件；工艺条件通常为炉管出口温度； 

(5)价值优化实施过程： 

程序调用步骤(4)的价值优化模型，将裂解原料物性、除待优化操作条件以外的热裂解工艺条件和价格数据输入到模型的输入变量中，通过计算优化出热裂解全产品收益及与之对应的裂解装置的最优操作条件，所述待优化操作条件指裂解温度。 

在上述两种方法中，建立所述收率预测模型采用神经网络法、支持向量机法、SPYRO方法中的一种。 

且所述热裂解原料物性为密度、恩式蒸馏数据、裂解原料族组成，或者碳氢比、残碳值、分子量、关联指数BMCI和折光指数，或者裂解原料的组成。 

所述热裂解工艺条件包括投油量、炉管入口温度、炉管出口温度、炉管出口压力、稀释比和停留时间。 

所述分离流程可选用顺序流程、前脱乙烷流程、前脱丙烷流程、低投资分离流程、渐进分离流程及油吸收分离流程之一。 

本发明采用优化方法后，具有的有益效果： 

①选用乙烯装置价值最大化操作优化方案后，一般会使优化的裂解温度低于以乙烯等主产物收率最大制定的优化方案的裂解温度，这样，可以有效地延长装置的运行周期、较小清焦费用，降低分离能耗，并有进一步提高装置处理能力的潜力。 

②选用乙烯装置价值最大化操作优化方案后，可以获得最高的经济收益。 

附图说明

图1是本发明中建立收率预测模型流程示意图； 

图2是本发明方案1中建立价值预测模型流程示意图； 

图3是本发明方案2中建立价值预测模型流程示意图； 

图4是本发明中建立价值优化模型流程示意图； 

图5是本发明实施例1中燃料量与COT关系； 

图6是本发明实施例1中图2蒸汽量与COT关系 

上述各幅附图的内容将结合具体实施方式加以说明 

具体实施方式

图1为本发明中收率预测模型建立过程的流程图。 

输入样本数据库；然后训练程序调用开放源标准接口数据库，取出样本数据中的一部分将其中的裂解原料物性、热裂解工艺条件和裂解产物收率作为训练数据输入训练程序的数组中，其中裂解原料物性和热裂解工艺条件作为所述模型的输入变量，裂解产物收率作为输出变量；训练程序对样本数据进行学习 训练，以对样本的规律建立模式识别，形成收率预测模型；将剩余样本中的原料物性和热裂解工艺条件输入所建立的预测模型中，计算出全部裂解产物收率的预测结果；比较得到的模型预测结果和实验结果，如果预测结果与实验结果的偏差超过可接受的范围，例如偏差超过10％，对函数参数数值进行调节，然后再重新训练和预测，直至预测值与实验结果的偏差在可接受的范围内，例如小于10％，收率预测模型确定。 

图2为本发明方案1中价值预测模型建立过程的流程图。 

首先输入由原料物性、热裂解工艺条件、分离流程参数以及全部裂解产物收率、单位原料下裂解反应需要的燃料量、裂解产生的蒸汽量和裂解产物的分离能耗构成的样本数据库；再输入变量裂解原料物性、工艺条件(包括热裂解工艺条件和分离流程参数)及价格；调用收率预测模型，计算出全部裂解产品的收率；然后按照产品销售收入＝∑(各种裂解产物的收率×相应的产品价格)、原料费用＝原料价格，分别求算单位原料的产品销售收入和原料费用；根据已经求出的全部裂解产品的收率和选用的分离流程参数，调用样本数据库中与之对应的单位原料的分离能耗，按照分离费用＝单位原料的分离能耗×标油价格，求算单位原料的分离费用；根据输入项中的工艺条件，调用样本数据库中与之对应的单位原料的燃料量和产生蒸汽量，按照燃料费用＝单位原料的燃料量×燃料价格、蒸汽收入＝单位原料的蒸汽量×蒸汽价格，分别求算单位原料的燃料费用和蒸汽收入；最后根据公式总收益＝产品销售收入-原料费用-燃料费用-分离费用+蒸汽收入，求算裂解过程总收益的预测结果，作为输出变量。 

图3为本发明方案2中价值预测模型建立过程的流程图。 

首先输入由原料物性、热裂解工艺条件、分离流程参数以及全部裂解产物收率、单位原料下裂解反应需要的燃料量、裂解产生的蒸汽量和裂解产物的分离能耗构成的样本数据库；再输入变量裂解原料物性、热裂解工艺条件及价格；调用收率预测模型，计算出全部裂解产品的收率；然后按照产品销售收入＝∑(各种裂解产物的收率×相应的产品价格)和原料费用＝原料价格，分别求算单位原料的产品销售收入和原料费用；最后根据公式总收益＝产品销售收入-原料费用，求算裂解过程总收益的预测结果，作为输出变量。 

图4为本发明中价值优化模型建立过程的流程图。 

图中N为计算次数，M为设置的总计算次数。 

首先输入变量原料性质、价格和已知的工艺条件；令N等于1，最大价值为0；然后按照样本数据库中相关原料的对应工艺条件范围给待优化的操作参数赋值；调用价值预测模型预测价值；将本次求取的价值数据与最大价值数据进行比较，若本次价值数据大于最大价值数据，则令最大价值等于本次价值，否则最大价值不变；而后令N等于N加1，重新给待优化工艺条件赋值，以此翻盖所有待优化参数所涉及的范围。求最大价值，并利用映射关系得到及其相应的最优操作条件。 

实施例1： 

以100万吨乙烯项目的设计方案为例，采用方案1，认为操作成本不变，令总收益＝产品销售收益-原料费用-燃料费用-分离费用+蒸汽收入，计算了总收益最大方案下的最优操作条件及裂解过程总收益情况。 

天津100万吨乙烯设计方案采用了SL-I型裂解炉(10万吨/年)、顺序分离流程，选取了两种石脑油(111.20万吨石脑油1#+35.73万吨石脑油2#)和一种加氢尾油(122.34万吨)作为主要原料。裂解产生的乙烷、丙烷循环利用。在计算过程中，不考虑炼厂干气部分。 

首先建立样本。收集乙烯设计方案用到的三种裂解原料，其物理性质如表1所示；裂解模拟实验装置中分别进行三种原料在不同工艺条件下的裂解实验，计算出产物收率；计算在不同工艺条件下的裂解炉单位原料下的燃料量及产生的蒸汽量，可得在操作条件范围内二者与裂解温度基本呈线性变化(如图5、6所示)；而后，根据实验得到的各原料在不同工艺条件下的裂解产品收率，利用aspen过程模拟软件计算分离过程的单位原料能耗数据，部分结果见表2～4；选用百万吨乙烯可研阶段价格体系(见价格数据表5中的价格3)；由裂解原料物性、热裂解工艺条件、分离流程参数、价格以及全部裂解产物收率、单位原料下裂解反应需要的燃料量、裂解产生的蒸汽量和裂解产物的分离能耗构成样本数据库。 

表1原料性质 

表2石脑油能耗费用与COT的关系 

表3加氢尾油蒸汽收入与COT的关系 

表4柴油蒸汽收入与COT的关系 

表5价格数据 

然后分别建立收率预测模型、价值预测模型和价值优化模型，程序采用C语言编写。流程分别见图1、图2和图4所示。收率预测模型利用Vapnik提出的支持向量机理论建立，核函数采用径向基函数。根据样本数据，编写支持向量机程序。该程序有数据库、支持向量机训练程序和预测程序三个部分组成。数据库采用微软的ACCESS。在收率预测模型中每个样本的输入层有15个向量，为原料物性和热裂解工艺条件，其中物性向量有11个：比重、馏程(7个)、链烷烃含量、环烷烃含量、芳烃含量；热裂解工艺条件有4个向量：水油比、停留时间、炉管出口温度COT、炉管出口压力COP；输出层为全部裂解产品的收率。将样本数据分成两部分：第一部分随即选择三分之二的数据为训练数据，剩余的三分之一是预测数据。将训练数据录入数据库中，然后用支持向量机训练程序对其进行学习训练，形成模型。再调用预测程序，计算出产物收率，实验值与支持向量机模型预测值误差基本在10％以内，说明此支持向量机收率预测模型成立；价值预测模型按公式总收益＝产品销售收益-原料费用-燃料费用-分离费用+蒸汽收入建立，其中的产品销售收入＝∑(各种裂解产物的收率×相应的产品价格)，原料费用＝原料价格，燃料费用＝单位原料的燃料量×燃料价格，分离费用＝单位原料的分离能耗×标油价格，蒸汽收入＝单位原料的蒸汽量×蒸汽价格，全产品收率由调用收率预测模型计算，单位原料的燃料量、蒸汽量和分离能耗调用样本数据获得；价值优化模型根据价值预测模型中热裂解 工艺条件与裂解价值之间存在着的映射关系，通过数值最值搜索等数学方法建立。 

最后，运行优化程序分别对三种原料求取其最大裂解过程总收益及其相应的操作温度，结果如表6所示。在三种原料相应的最大收益裂解炉管出口温度下，按照各自原料的原料量及最优单位原料收益对整个流程进行物料衡算和收益核算，求取整个装置的收益见表7。 

表6优化的裂解温度 

表7收益 

实施例2： 

以100万吨乙烯项目的设计方案为例，采用方案2，令全产品收益＝∑(各种裂解产物的收率×相应的产品价格)-原料价格，计算了全产品收益最大方案下的最优操作条件及裂解过程总收益情况。 

首先建立样本。收集乙烯设计方案用到的三种裂解原料，其物理性质如表1所示；裂解模拟实验装置中分别进行三种原料在不同工艺条件下的裂解实验，计算出产物收率；选用百万吨乙烯可研阶段价格体系，见价格数据表5中的价格3。由裂解原料物性、热裂解工艺条件、价格以及全部裂解产物收率构成样本数据库。 

然后分别建立收率预测模型、价值预测模型和价值优化模型。程序采用C语言编写。流程分别见图1、图3和图4所示。收率预测模型利用支持向量机理 论建立，核函数采用径向基函数。程序有数据库、支持向量机训练程序和预测程序三个部分组成。数据库采用微软的ACCESS。在样本数据中选择三分之二的数据为训练数据，剩余的三分之一是预测数据。将训练数据录入数据库中，然后用训练程序对其进行学习训练，形成模型。再调用预测程序，计算出产物收率，实验值与支持向量机模型预测值误差基本在10％以内，说明此收率预测模型成立；价值预测模型按公式全产品收益＝∑(各种裂解产物的收率×相应的产品价格)-原料价格建立，其中的全产品收率调用收率预测模型计算；价值优化模型根据价值预测模型中热裂解工艺条件与价值之间存在着的映射关系，通过数值最值搜索等数学方法建立。 

最后，运行优化程序分别对三种原料求取其最大裂解全产品收益及其相应的操作温度，如表8所示。在三种原料相应的最大全产品收益COT操作点下，按照各自原料的原料量及最优单位原料收益对整个流程进行物料衡算和收益核算，求取整个装置的收益见表9。 

表8优化的裂解温度 

表9收益 

对比例1： 

以100万吨乙烯项目的设计方案为例，按照方案1，认为操作成本不变，令总收益＝产品销售收益-原料费用-燃料费用-分离费用+蒸汽收入，比较相同的原料量基准下，乙烯收率最大、双烯收率最大、三烯三苯收率最大和过程 收益最大四种方案下的最佳COT操作点及裂解收益情况。 

表10优化的裂解温度 

表11收益 

比较四种方案下的收益值可以发现，价值最大方案时的收益值明显高于其他方案。其中与乙烯收率最大方案下的收益值之间的差距最大，达到了4亿元/年。与双烯收率最大方案下的收益值间的差距最小，也超过了1.3亿元/年。可见，如将企业的操作优化方案按照最大收益值为标尺进行调整，产生的经济效益将十分可观。出现这一结果的原因，除了在选用最大价值优化方案时三种油品原料的裂解产品收入较高外，最大价值的操作温度普遍低于主产物收率最大时的操作温度，使得燃料费用相对较低也是其重要原因。这无形中可以延长裂解炉的运行周期，降低清焦次数，带来额外的经济效益。 

对比例2： 

以100万吨乙烯项目的设计方案为例，按照方案2，比较了选用中石油、中石化、天津、镇海四个不同时期不同价格体系时的全产品收益最大方案下的最 佳COT操作点及裂解收益情况。 

表10优化的裂解温度 

表11收益 

结果表明，价格对价值的影响较大。因而一成不变的按照某个时期的价格来确定操作条件是不科学的，只有遵从价值规律，迅速地对日益变化的市场情况做出反应，及时按照真实的价格来求算最优的操作条件，才能有效地提高企业的经济效益。 

Claims (8)

1.一种乙烯裂解装置价值优化方法，其特征在于，所述方法包括，

(1)乙烯装置价值标准为单位原料下乙烯裂解过程的收益，它包括单位原料下乙烯裂解过程的总收益和单位原料下裂解全产品收益两种情况；

(2)建立收率预测模型、价值预测模型与价值优化模型,进一步具体包括以下步骤：

(2.1)建立样本数据库：

①收集密度、恩式蒸馏数据、裂解原料族组成的物性不同的裂解原料在不同投油量、炉管入口温度、炉管出口温度、炉管出口压力、稀释比和停留时间下的热裂解产物收率数据；

②根据装置的工艺特点，计算在不同投油量、炉管入口温度、炉管出口温度、炉管出口压力、稀释比和停留时间下的裂解炉单位原料下的燃料量及产生的蒸汽量；

③根据得到的不同原料、不同工艺条件下的裂解产品的收率数据及其所选用的分离流程，通过流程模拟计算分离过程的单位原料能耗数据；

④收集实时准确的价格数据；

⑤根据上述数据建立样本数据库：其样本的数据由裂解原料物性、热裂解工艺条件、分离流程参数、价格以及全部裂解产物收率、单位原料下裂解反应需要的燃料量、裂解产生的蒸汽量和裂解产物的分离能耗构成；

(2.2)建立收率预测模型：

根据裂解原料物性、热裂解工艺条件和裂解产物收率，建立收率预测模型并验证该模型；

①建模过程是：先调取样本数据库中的部分数据，即将其中的裂解原料物性、热裂解工艺条件和裂解产物收率作为数据输入；

建立基于核函数的支持向量机训练程序，输入变量和输出变量通过支持向量机模型形成映射关系，利用支持向量机训练程序对训练样本数据进行学习训练，经过学习和训练得到N个支持向量Xi*，i＝0,1,…,N，从而形成支持向量机模型：

$Y\left(X\right)={\mathrm{\Σ}}_{i=1}^N{Y}_1{\mathrm{\α}}_{i}K(X,X_1^{*})+{\mathrm{\α}}_0$

其中，表示支撑向量，Y_i表示支撑向量的产物收率，α_i表示第i个支撑向量的系数，X是输入的物性和热裂解工艺条件，α₀表示的是一个常数，表示输出向量的偏移量，这个常量在模型学习过程中确定，Y(X)表示收率，K(·)是支持向量机的核函数，选自高斯型函数、多项式函数、线性型函数和径向基函数中的一种，其中裂解原料物性和热裂解工艺条件作为所述模型的输入变量，裂解产物收率作为输出变量，形成收率预测模型；

②验证和消除偏差过程：

调取样本数据库中剩余的原料物性和热裂解工艺条件数据输入上述建立的收率预测模型中，计算出全部裂解产物收率的预测结果；

比较得到的模型预测结果和实验结果，若模型预测结果与实验结果的偏差值大于10％，对收率预测模型中函数参数数值进行调节，后重复建模和验证过程，直至收率模型预测值与实验结果的偏差在10％内，收率预测模型确定；

(2.3)建立价值预测模型：

根据裂解原料物性、热裂解工艺条件、分离流程、价格、单位原料下的燃料量、产生的蒸汽量、单位原料分离过程的能耗以及裂解过程价值，建立基于产物收率预测模型的单位原料的总收益＝∑(各种裂解产物的收率×相应的产品价格)－原料价格－单位原料的燃料量×燃料价格－单位原料的分离能耗×标油价格+单位原料的蒸汽量×蒸汽价格的价值预测模型；

建立价值预测模型过程；将裂解原料物性、热裂解工艺条件、分离流程参数、价格作为输入变量；调用步骤(2.2)建立的收率预测模型计算出全部裂解产品的收率，根据全部产品的收率和价格数据，求算单位原料的产品销售收入和原料费用；根据全部产品的收率和分离流程参数调用样本数据库中与之对应的单位原料的分离能耗，由单位原料的分离能耗和标油价格数据求算单位原料的分离费用；根据输入项中的工艺条件调用样本数据库中与之对应的单位原料的燃料量和产生蒸汽量，由单位原料的燃料量和产生蒸汽量及价格数据分别求算单位原料的燃料费用和蒸汽收入；最后求算裂解过程总收益的预测结果，作为输出变量，价值预测模型确定；计算公式如下，

单位原料的总收益＝单位原料的产品销售收入－单位原料费用－单位原料的燃料费用－单位原料的分离费用+单位原料的蒸汽收入，其中，

单位原料的产品销售收入＝∑(各种裂解产物的收率×相应的产品价格)

单位原料费用＝原料价格

单位原料的分离费用＝单位原料的分离能耗×标油价格

单位原料的燃料费用＝单位原料的燃料量×燃料价格

单位原料的蒸汽收入＝单位原料的蒸汽量×蒸汽价格；

(2.4)建立价值优化模型：

根据价值预测模型中热裂解工艺条件与裂解价值之间存在着的裂解价值＝a(裂解工艺条件-b)²+c的映射关系，利用价值预测模型的预测功能求得各裂解工艺条件时的裂解价值，建立价值优化模型，上述“裂解价值＝a(裂解工艺条件-b)²+c”通过数值最值搜索数学方法，寻找出热裂解价值最大时的裂解工艺条件,工艺条件通常为炉管出口温度；

(2.5)价值优化实施过程：

调用步骤(2.4)的价值优化模型，将裂解原料物性、除待优化操作条件以外的热裂解工艺条件、分离流程参数和价格数据输入到模型的输入变量中，通过计算优化出热裂解过程总收益及与之对应的裂解装置的最优操作条件，所述待优化操作条件指裂解温度；

(3)通过调取上述价值优化模型，得到乙烯装置价值最大化的优化工艺条件。

2.根据权利要求1所述的乙烯裂解装置价值优化方法，其特征在于，

所述步骤(1)中乙烯装置的价值标准为单位原料下乙烯裂解过程总收益，即单位原料的产品销售收入－单位原料费用－单位原料的燃料费用－单位原料的分离费用+单位原料的蒸汽收入，其中单位原料的产品销售收入等于各种裂解产物的收率与其相应的产品价格乘积之和。

3.根据权利要求1所述的乙烯裂解装置价值优化方法，其特征在于，

所述的乙烯装置价值标准为单位原料的裂解全产品收益，即各裂解产物的收率与其相应的产品价格乘积之和再减去单位原料费用。

4.根据权利要求1所述的乙烯裂解装置价值优化方法，其特征在于，所述的(2.3)建立价值预测模型,还可以为：

根据裂解原料物性、热裂解工艺条件、价格以及裂解过程价值，建立基于产物收率预测模型的裂解全产品收益＝∑(各种裂解产物的收率×相应的产品价格)－原料价格的价值预测模型；

建立价值预测模型过程；将裂解原料物性、热裂解工艺条件、价格作为输入变量；调用收率预测模型

计算出全部裂解产品的收率，根据全部产品收率及输入的价格数据，求算单位原料的产品销售收入和原料费用；最后根据单位原料的产品销售收入和原料费用，求算裂解全产品收益的预测结果，作为输出变量,价值预测模型确定；

其计算公式如下，

裂解全产品收益＝单位原料产品销售收入－单位原料费用,其中，

单位原料产品销售收入＝∑(各种裂解产物的收率×相应的产品价格)

单位原料费用＝原料价格。

5.根据权利要求1，4之一所述的乙烯裂解装置价值优化方法，其特征在于，

建立所述收率预测模型采用神经网络法、支持向量机法、SPYRO方法中的一种。

6.根据权利要求1所述的乙烯裂解装置价值优化方法，其特征在于，所述裂解原料物性为密度、恩式蒸馏数据，或者碳氢比、残碳值、分子量、关联指数BMCI和折光指数。

7.根据权利要求1或4之一所述的乙烯裂解装置价值优化方法，其特征在于，所述热裂解工艺条件包括投油量、炉管入口温度、炉管出口温度、炉管出口压力、稀释比和停留时间。

8.根据权利要求1或4之一所述的乙烯裂解装置价值优化方法，其特征在于，所述分离流程,选用顺序流程、前脱乙烷流程、前脱丙烷流程、低投资分离流程、渐进分离流程及油吸收分离流程之一。