发明内容
本发明的目标是针对废塑料炼油燃烧优化,提出一种燃烧优化方法,优化内容兼顾了各燃烧器的运行参数、进料情况和出产品情况。
本发明的技术方案是通过废塑料炼油主体工艺的数据采集,针对反应釜轴向温度分布与各燃烧器运行参数、进料量和出产品量间的相互影响关系,建立基于数据挖掘技术的模型,应用并行的优化算法寻优等手段,确立了一种废塑料炼油燃烧优化的方法,利用该方法可有效控制废塑料炼油过程中,反应釜内温度的分布情况,提高反应效率和产品质量,既可以实施离线优化也可以进行在线实时燃烧优化。
本发明的具体步骤是:
步骤(1)采集废塑料炼油生产过程中,各燃烧器运行参数、反应釜进料量和反应釜出产品量及反应釜所需要的燃烧状态的特征指标,建立实时数据库;具体的各燃烧器运行参数、反应釜进料量、反应釜出产品量和反应釜所需要的燃烧状态的特征指标,通过废塑料炼油生产过程中实时的数据监测控制系统获取,或直接通过仪器设备测量采集。
所述的各燃烧器运行参数为各燃烧器的给风量和给油量;所述的反应釜所需要的燃烧状态的特征指标为反应釜内轴向温度分布(反应釜内壁轴向取M个温度监测点,M≥3)。
这个过程积累数据,在积累了相当的数据后,再进行后边的数据挖掘建模。
步骤(2)采用支持向量机方法和广义回归神经网络建模,建立反应釜轴向的温度分布与各燃烧器运行参数、反应釜进料量和反应釜出产品量间的模型;具体建模方法如下:
用于建模样本的输入参数及表征反应釜所需要的燃烧状态的特征指标的输出参数表示为
,其中
表示第
组作为输入数据的各燃烧器的运行参数 (包括各燃烧器的给油和给风量) 、反应釜进料量和反应釜出产品量向量,
表示第
组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量(M个反应釜轴向的温度值),
为样本数量,以实际运行数据为基础建立各燃烧器运行参数、反应釜进料量和反应釜出产品量与反应釜所需要的燃烧状态的特征指标间的模型。
采用支持向量机方法建模,支持向量机核函数选为径向基函数
为映射函数,设所求的目标函数为:
,
为模型输出的锅炉燃烧状态的特征指标预测值,
为权重系数向量,
为截距。引入松弛因子ξ
* i≥0和ξ
i≥0和允许拟合误差ε,模型可以通过在约束:
获得,其中常数C>0为惩罚系数。该最小化问题为一个凸二次规划问题,引入拉格朗日函数:
在鞍点处,函数L是关于w,b,ξ
i,ξ
i *的极小点,也是
极大点,最小化问题转化为求其对偶问题的最大化问题。
拉格朗日函数L在鞍点处是关于w,b,ξi,ξi *极小点,得:
可得拉格朗日函数的对偶函数:
此时,
按照库恩-塔克(KKT)条件定理,在鞍点有下式成立:
由上式可见,α i ·α i * =0,α i 和α i * 都不会同时为非零,可得:
从上式可求出b,获得模型。
在采用广义回归神经网络建模,对于
个隐节点的3层广义回归神经网络采用径向基影射函数,其输出为:
,
为权重系数,
为
维输入向量,
、
为径向基函数参数。建立广义回归神经网络模型的关键在于确定函数的参数
、
及权重系数
。采用遗传算法迭代训练广义回归神经网络,定义遗传算法初始群体
向量的各维分量,分别为隐节点个、径向基函数的参数
、
和权重系数,目标函数为:
,其中
为第
个样本的BP神经网络输出值,
为第
个样本的实际值。当
达到了最小、达到设定值或完成迭代次数时,训练完成,获得隐节点个数、径向基函数的参数和权重系数,从而获得广义回归神经网络模型。
采用新的废塑料炼油不同运行状态下的数据作为检验样本,应用支持向量机模型和广义回归神经网络模型加权平均的预测方法,对检验数据进行预测,即
,其中
为第
组检验样本工况的目标预测值,
为支持向量机模型预测值,
为广义回归神经网络模型预测值,
为支持向量机模型预测值比例系数,
为广义回归神经网络模型的预测比例系数,且
;
与
的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量
的各维分量,分别为支持向量机模型比例
和广义回归神经网络模型权重
,目标函数为:
,其中
为第
组工况实际数据与结合模型预测的反应釜轴向各测点中的最大误差,
为第
组工况实际数据与结合模型预测的反应釜轴向各测点的平均误差,当
取得了最小、达到设定值或完成迭代次数时,寻优完成,获得最优的支持向量机模型和广义回归神经网络模型的比例系数,按最优系数将支持向量机模型和广义回归神经网络模型结合,获得废塑料炼油燃烧特性模型。
步骤(3) 利用粒子群优化算法结合所建燃烧特性模型,针对不同反应釜所需燃烧指标进行各燃烧参数配置的优化,具体步骤如下:
a.定义粒子群位置向量的各维分量分别为各燃烧器运行参数;
b.设定粒子群的搜索目标和迭代次数,搜索目标为根据实际生产状况确定的反应釜所需的最优燃烧状态指标;
c.根据实际燃烧器的设计和运行要求设定各各燃烧器运行参数的寻优范围,并初始化位置向量,然后根据上一步设定的搜索目标,用粒子群算法进行迭代计算,搜索粒子群在参数向量空间内的最优位置;
d.当粒子群算法完成迭代次数或找到设定要求的最优时,停止计算获得相应最优的位置向量,即获得最优的各燃烧器运行参数组合。
废塑料炼油是一种新的工业生产工艺,由于其主要是进行化学裂解反应的过程,所以对温度的要求比较严格,目前实际的生产过程中对燃烧的调整完全依据个人经验,在进料量的扰动下,具有不稳定性,有待提高。本发明方法具体是采集废塑料炼油的实时数据,利用数据挖掘技术和并行优化算法,针对反应釜轴向的温度分布与各燃烧器运行参数、反应釜进料量和反应釜出产品量间的关系进行建模,结合寻优算法对各燃烧器的运行进行优化,以达到最优的控制反应釜温度分布的目标。
本发明方法既可以在线优化也可以离线优化。
具体实施方式
一种废塑料炼油燃烧优化方法,具体是以下步骤:
(1) 采集废塑料炼油生产过程中,各燃烧器运行参数、反应釜进料量和反应釜出产品量及反应釜所需要的燃烧状态的特征指标,建立实时数据库;具体的各燃烧器运行参数、反应釜进料量、反应釜出产品量和反应釜所需要的燃烧状态的特征指标,通过废塑料炼油生产过程中实时的数据监测控制系统获取,或直接通过仪器设备测量采集。
所述的各燃烧器运行参数为各燃烧器的给风量和给油量;所述的反应釜所需要的燃烧状态的特征指标为反应釜内轴向温度分布(反应釜内壁轴向取M个温度监测点,M≥3),其获得的方法为成熟技术。
(2)采用支持向量机方法和广义回归神经网络建模,建立反应釜轴向的温度分布与各燃烧器运行参数、反应釜进料量和反应釜出产品量间的模型;具体建模方法如下:
用于建模样本的输入参数及表征反应釜所需要的燃烧状态的特征指标的输出参数表示为
,其中
表示第
组作为输入数据的各燃烧器的运行参数 (包括各燃烧器的给油和给风量) 、反应釜进料量和反应釜出产品量向量,
表示第
组作为输出参数的表征反应釜所需要的燃烧状态的特征指标的参数向量(M个反应釜轴向的温度值),
为样本数量,以实际运行数据为基础建立各燃烧器运行参数、反应釜进料量和反应釜出产品量与反应釜所需要的燃烧状态的特征指标间的模型。
采用支持向量机方法建模,支持向量机核函数选为径向基函数
为映射函数,设所求的目标函数为:
,
为模型输出的锅炉燃烧状态的特征指标预测值,
为权重系数向量,
为截距。引入松弛因子ξ
* i≥0和ξ
i≥0和允许拟合误差ε,模型可以通过在约束:
获得,其中常数C>0为惩罚系数。该最小化问题为一个凸二次规划问题,引入拉格朗日函数:
在鞍点处,函数L是关于w,b,ξ
i,ξ
i *的极小点,也是
极大点,最小化问题转化为求其对偶问题的最大化问题。
拉格朗日函数L在鞍点处是关于w,b,ξi,ξi *极小点,得:
可得拉格朗日函数的对偶函数:
此时,
按照库恩-塔克(KKT)条件定理,在鞍点有下式成立:
由上式可见,α i ·α i * =0,α i 和α i * 都不会同时为非零,可得:
从上式可求出b,获得模型。
在采用广义回归神经网络建模,对于
个隐节点的3层广义回归神经网络采用径向基影射函数,其输出为:
,
为权重系数,
为
维输入向量,
、
为径向基函数参数。建立广义回归神经网络模型的关键在于确定函数的参数
、
及权重系数
。采用遗传算法迭代训练广义回归神经网络,定义遗传算法初始群体
向量的各维分量,分别为隐节点个、径向基函数的参数
、
和权重系数,目标函数为:
,其中
为第
个样本的BP神经网络输出值,
为第
个样本的实际值。当
达到了最小、达到设定值或完成迭代次数时,训练完成,获得隐节点个数、径向基函数的参数和权重系数,从而获得广义回归神经网络模型。
采用新的废塑料炼油不同运行状态下的数据作为检验样本,应用支持向量机模型和广义回归神经网络模型加权平均的预测方法,对检验数据进行预测,即
,其中
为第
组检验样本工况的目标预测值,
为支持向量机模型预测值,
为广义回归神经网络模型预测值,
为支持向量机模型预测值比例系数,
为广义回归神经网络模型的预测比例系数,且
;
与
的确定采用粒子群算法迭代寻优确定,初始化粒子群位置向量
的各维分量,分别为支持向量机模型比例
和广义回归神经网络模型权重
,目标函数为:
,其中
为第
组工况实际数据与结合模型预测的反应釜轴向各测点中的最大误差,
为第
组工况实际数据与结合模型预测的反应釜轴向各测点的平均误差,当
取得了最小、达到设定值或完成迭代次数时,寻优完成,获得最优的支持向量机模型和广义回归神经网络模型的比例系数,按最优系数将支持向量机模型和广义回归神经网络模型结合,获得废塑料炼油燃烧特性模型。
步骤(3) 利用粒子群优化算法结合所建燃烧特性模型,针对不同反应釜所需燃烧指标进行各燃烧参数配置的优化,具体步骤如下:
a.定义粒子群位置向量
的各维分量分别为各燃烧器运行参数;
b.设定粒子群的搜索目标和迭代次数,搜索目标为根据实际生产状况确定的反应釜所需的最优燃烧状态指标;
c.根据实际燃烧器的设计和运行要求设定各各燃烧器运行参数的寻优范围,并初始化位置向量
,然后根据上一步设定的搜索目标,用粒子群算法进行迭代计算,搜索粒子群在参数向量空间内的最优位置;
d.当粒子群算法完成迭代次数或找到设定要求的最优时,停止计算获得相应最优的位置向量,即获得最优的各燃烧器运行参数组合。根据所获得的最优参数组合对各燃烧器实际燃烧进行调整,达到燃烧优化的目的。