CN103488085A - 甲醇四塔精馏系统多目标优化控制方法 - Google Patents

Abstract

本发明公开了一种甲醇四塔精馏系统多目标优化控制方法，从DCS历史数据库中提取历史数据训练BP神经网络模型作为精馏系统的模型，该模型以预精馏塔的出料作为输入，其他三塔的操作参数为优化对象，再使用改进的遗传算法，通过选择、交叉、变异操作，反复调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的最优操作参数。本发明能够在不改变精馏塔的结构与工作原理的情况下，避免了人工试凑，直接计算得出最优操作参数，同时完成降低成本、能耗和提高产能两个目标。

Description

甲醇四塔精馏系统多目标优化控制方法

技术领域

本发明涉及化工精馏技术领域，尤其涉及一种甲醇四塔精馏系统的多目标优化控制方法。

背景技术

甲醇作为煤化工产业最主要的产品之一和非常重要的替代能源，在当今全球化工市场起着非常重要的作用。精馏是甲醇生产的关键环节，对企业的产量及收益影响重大，且由于精馏能耗在总能耗中占比很大，降低精馏环节的能耗成为企业节约成本与完成节能减排目标的重要课题。

甲醇四塔精馏系统的工艺流程如图1所示。粗甲醇经换热后进入预精馏塔，脱除轻组分，塔底的高沸点组分经加压后进入加压塔。加压塔塔顶的气体进入换热器，利用加压塔塔顶和常压塔塔底的温差，冷凝加压塔塔顶气相，同时给常压塔塔底提供热能。加压塔与常压塔的塔顶馏出精甲醇产品，一部分回流回塔内。常压塔的侧线抽出物进入甲醇回收塔抽出杂醇油，废水进入生化系统处理。

在实际生产中，精馏系统的进料流量、进料质量等进料条件会随着上游生产状况发生改变，出料产品质量等指标也会依据企业的生产规划发生改变。当这些条件与约束指标改变时，如何调节精馏系统的控制参数，达到总能耗、产品单位能耗、产品流量等多个目标的整体最优，成为精馏系统控制的研究重点。

现有的精馏系统参数调节单纯依靠工人的生产经验。这种控制方法主要有两大缺点：第一，无法保证能耗与产量的最优；第二，由于系统的滞后性，通常在1、2个小时后才能测得系统稳定后的产品质量。如果参数调节不当，就会导致产品质量不达标，造成已有产品的浪费。这两点都会导致生产成本难以降低，物料与能源的利用率难以提高。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种甲醇四塔精馏系统多目标优化控制方法，以BP神经网络方法建模,使用改进的遗传算法求解上游物料条件与生产要求改变时的最优操作变量,实现系统稳定后单位能耗、流量多个目标的协同优化。

为实现上述目的，本发明提供了一种甲醇四塔精馏系统多目标优化控制方法，包括以下步骤：

步骤1分析所述甲醇四塔精馏系统的自由度及实际生产数据，以预精馏塔的出料作为输入，加压塔、常压塔和甲醇回收塔的操作参数为优化对象，定义了一个包含7个输入、4个输出的BP神经网络作为精馏系统的模型；

步骤2在化工厂DCS历史数据库中提取所述7个输入与4个输出的历史数据；

步骤3将提取出的所述历史数据作为训练数据，对所述BP神经网络进行离线训练；

步骤4使用遗传算法，通过选择、交叉、变异操作，每一代的每一个体在计算适应度时调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的所述遗传算法的适应度函数最大的操作参数，根据得到的所述操作参数对所述加压塔、常压塔和甲醇回收塔进行控制。

在本发明的较佳实施方式中，所述BP神经网络的7个输入分别是：F₁：预后粗甲醇的流量（kg/h）；c₁：预后粗甲醇中甲醇的含量(%)；c₂：预后粗甲醇中乙醇的含量(%)；Q₁：加压塔的供热(kW/h)；k：加压塔塔顶采出的流量/常压塔塔顶采出的流量；P：加压塔塔顶的压力（kPa）；F₂：常压塔侧线采出的流量（kg/h）；所述BP神经网络的4个输出分别是：B：精甲醇产品的单位能耗（kW/kg）；F：加压塔与常压塔精甲醇产品的流量和(kg/h)；c_p1：加压塔塔顶精甲醇产品中乙醇的实际含量（ppm）；c_p2：常压塔塔顶精甲醇产品中乙醇的实际含量（ppm）。

在本发明的另一较佳实施方式中，，所述步骤4中所述进料条件为：F₁、c₁、c₂，所述生产要求为：加压塔塔顶精甲醇产品中乙醇的最大容许含量（ppm）、cmax2和常压塔塔顶精甲醇产品中乙醇的最大容许含量（ppm）。

在本发明的较佳实施方式中，，步骤2中所述历史数据为15000组数据，每组数据均为所述甲醇四塔精馏系统连续2小时以上稳态工作时的数据。

在本发明的另一较佳实施方式中，，所述步骤3中训练出的BP神经网络模型中隐含层为一层，隐含层节点个数为10个。

在本发明的较佳实施方式中，所述步骤4中所述进料条件为：F₁、c₁、c₂，所述生产要求为：c_max1：加压塔塔顶精甲醇产品中乙醇的最大容许含量（ppm），和c_max2：常压塔塔顶精甲醇产品中乙醇的最大容许含量（ppm）。

在本发明的另一较佳实施方式中，所述进料条件为：进入加压塔粗甲醇总流量为55085.201kg/h，甲醇质量含量84.9%，乙醇质量含量0.2%，所述生产要求为：加压塔塔顶精甲醇产品和常压塔塔顶精甲醇产品中乙醇含量均低于50ppm。

在本发明的另一较佳实施方式中，所述步骤1中操作参数为：Q₁、k、P、F₂。

在本发明的较佳实施方式中，所述优化多目标为B和F。

在本发明的另一较佳实施方式中，所述改进遗传算法流程如下：

（1）种群初始化；

（2）计算每个个体适应度；

（3）选择、交叉与变异；

（4）如果循环已满2000次，则算法结束，输出最优个体，否则跳至步骤（2）。

在本发明的较佳实施方式中，所述步骤4中所述改进遗传算法寻优的适应度函数f通过如下公式计算：

${f_1}^{\′}=\frac{1}{B+a_1{e}_1+a_2{e}_2}$

${f_2}^{\′}=\frac{F}{b_1{e}_1+b_2{e}_2}$

$f_j=\frac{{f_j}^{\′}-{f_{j\min }}^{\′}}{{f_{j\max }}^{\′}-{f_{j\min }}^{\′}}$

f'=f₁+f₂

$f=\frac{f^{\′}-{f_{\min }}^{\′}}{{f_{\max }}^{\′}-{f_{\min }}^{\′}}$

其中f'₁和f'₂分别为两个优化目标B和F适应度函数的绝对值，f₁和f₂为归一化处理之后的值，f'为适应度函数的绝对值，f为归一化处理之后的值；B为精甲醇产品的单位能耗，a₁、a₂、b₁、b₂分别是精甲醇产品中乙醇超标时的罚项，e₁和e₂定义如下：

$e_1=\left\{\begin{array}{cc}0& c_{p1}\≤c_{\max 1}\\ c_{p1}-c_{\max 1}& c_{p1}\≥c_{\max 1}\end{array}\right.$

$e_2=\left\{\begin{array}{cc}0& c_{p2}\≤c_{\max 2}\\ c_{p2}-c_{\max 2}& c_{p2}\≥c_{\max 2}\end{array}\right.$

其中c_p1为加压塔塔顶精甲醇产品中乙醇的实际含量；c_p2为常压塔塔顶精甲醇产品中乙醇的实际含量，c_max1为加压塔塔顶精甲醇产品中乙醇的最大容许含量，c_max2为常压塔塔顶精甲醇产品中乙醇的最大容许含量。

在本发明的另一较佳实施方式中，所述罚项a₁=a₂=10³，b₁=b₂=2*10⁶。

本发明提供的甲醇四塔精馏系统多目标优化控制方法可以在不改变精馏塔的结构与工作原理的情况下，以BP神经网络方法建模,使用改进的遗传算法求解上游物料条件与生产要求改变时的最优操作变量，避免了人工试凑，直接计算得出最优操作参数，同时完成降低成本、能耗和提高产能两个目标。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的甲醇四塔精馏流程图；

图2是本发明的一个较佳实施例的四塔精馏系统的BP神经网络模型结构图；

图3是本发明的一个较佳实施例的遗传算法寻优流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种甲醇四塔精馏系统的多目标优化控制方法，以BP神经网络方法建模,使用改进的遗传算法求解上游物料条件与生产要求改变时的最优操作变量,实现系统稳定后单位能耗、流量等多个目标的协同优化，具体步骤如下：

第一步，分析四塔精馏系统的自由度及实际生产数据，以预精馏塔的出料作为输入，其余三塔的操作参数为优化对象，定义了一个包含7个输入、4个输出的BP神经网络作为精馏系统的模型。

7个输入分别是：F₁：预后粗甲醇的流量（kg/h）；c₁：预后粗甲醇中甲醇的含量(%)；c₂：预后粗甲醇中乙醇的含量(%)；Q₁：加压塔的供热(kW/h)；k：加压塔塔顶采出的流量/常压塔塔顶采出的流量；P：加压塔塔顶的压力（kPa）；F₂：常压塔侧线采出的流量（kg/h）。

4个输出分别是：B：精甲醇产品的单位能耗（kW/kg）；F：加压塔与常压塔精甲醇产品的流量和(kg/h)；c_p1：加压塔塔顶精甲醇产品中乙醇的实际含量（ppm）；c_p2：常压塔塔顶精甲醇产品中乙醇的实际含量（ppm）。

第二步，在化工厂DCS历史数据库中提取以上7个输入与4个输出的历史数据。取大约15000组数据，每组数据均为系统连续2小时以上稳态工作时的数据。

第三步，使用历史数据训练BP网络。测试并最终确定BP网络模型中隐含层为一层，隐含层节点个数为10个。

第四步，使用遗传算法，通过选择、交叉、变异操作，每一代的每一个体在计算适应度时调用所述训练好的BP神经网络模型，在计算适应度时，要把个体所代表的的进料条件输入模型，并用相应的输出计算适应度寻找给定进料条件与生产要求下的使得遗传算法的适应度函数最大操作参数，根据得到的操作参数对加压塔、常压塔和甲醇回收塔进行控制。

生产条件为满负荷75%左右，即进入加压塔粗甲醇总流量为55085.201kg/h，甲醇质量含量84.9%，乙醇质量含量0.2%，约束指标双塔产品中乙醇含量均需要低于50ppm。Q₁、K、P、F₂为待确定的操作参数。

B和F为优化的两个目标。其数学描述可定义为：

min：f=[B,1/F]

St.c_p1(Q₁,k,P,F₂)≤c_max1

c_p2(Q₁,k,P,F)≤c_max2

其中的适应度函数f通过如下公式计算：

${f_1}^{\′}=\frac{1}{B+a_1{e}_1+a_2{e}_2}$

${f_2}^{\′}=\frac{F}{b_1{e}_1+b_2{e}_2}$

$f_j=\frac{{f_j}^{\′}-{f_{j\min }}^{\′}}{{f_{j\max }}^{\′}-{f_{j\min }}^{\′}}$

f'=f₁+f₂

$f=\frac{f^{\′}-{f_{\min }}^{\′}}{{f_{\max }}^{\′}-{f_{\min }}^{\′}}$

其中f'₁和f'₂分别为两个优化目标B和F适应度函数的绝对值，f₁和f₂为归一化处理之后的值，f'为适应度函数的绝对值，f为归一化处理之后的值；两个子目标的适应度函数，以权重为1相加，子目标的适应度，以流量越大，或者单位能耗越小，适应度越大。B为精甲醇产品的单位能耗。

a₁、a₂、b₁、b₂分别是精甲醇产品中乙醇超标时的罚项，能使归一化以后的适应度函数小到趋于零，即远大于B和F的参数都是可接受的。可选a₁=a₂=10³，b₁=b₂=2*10⁶。e₁和e₂定义如下：

$e_1=\left\{\begin{array}{cc}0& c_{p1}\≤c_{\max 1}\\ c_{p1}-c_{\max 1}& c_{p1}\≥c_{\max 1}\end{array}\right.$

$e_2=\left\{\begin{array}{cc}0& c_{p2}\≤c_{\max 2}\\ c_{p2}-c_{\max 2}& c_{p2}\≥c_{\max 2}\end{array}\right.$

其中c_p1为加压塔塔顶精甲醇产品中乙醇的实际含量；c_p2为常压塔塔顶精甲醇产品中乙醇的实际含量，c_max1为加压塔塔顶精甲醇产品中乙醇的最大容许含量，c_max2为常压塔塔顶精甲醇产品中乙醇的最大容许含量。

本发明一较佳实施例使用的是一种带最优保留以及自适应交叉、变异概率的遗传算法。所谓最优保留是指在每一轮生成新个体时，保留本轮和全局最优的个体；所谓自适应是指交叉和变异概率随着算法的收敛分别减小与增大，这样做可以在寻优初期加快探索速度，同时保护优良染色体；在寻优后期加快收敛，同时依靠变异来跳出局部最优。保优策略对本轮与全局最优个体不进行变异和交叉，防止优秀的染色体被破坏。另外，子目标及总体目标适应度都通过平移与拉伸进行了归一化，从而拉开染色体之间的性能差异，避免算法陷入局部最优。

算法流程如图3所示，具体步骤如下：

（1）种群初始化

在四维空间中用1个长度为40位的染色体表征Q1,k,P,F2四个变量，分别占用9、16、10、5个二进制基因。个体规模为200，随机初始化为第一代种群，最大遗传代数为2000，迭代开始。

（2）计算每个个体适应度

（a）结合BP网络，计算每一个个体的B、Q、F与cp1、cp2。（b）计算每个染色体的两个子目标适应度f1i’、f2i’。（c）计算每个染色体的两个归一化适应度f1i、f2。（d）计算每个染色体的总体目标绝对适应度fi’。（e）计算每个染色体的归一化适应度fi。（f）更新适应度更新本轮最优与全局最优个体。

（3）选择、交叉与变异

（a）根据适应度函数，以轮盘赌的概率生成下一代种群的前198个染色体。第199个个体为本轮最优染色，第200个个体为全局最优染色体。（b）前198个染色体两两配对，根据自适应的交叉概率交叉。交叉时，对个体中代表4个变量的二进制位，分别随机产生1个交叉起始位数。（c）对交叉后的前198个个体，根据自适应的变异概率变异。交叉时，4个变量分别随机产生1个单点变异位。（4）如果循环已满2000次，则算法结束，输出最优个体，否则跳至步骤（2）。

在历史数据库中随机取出六组历史数据，求出单位能耗和产量的平均值。用本发明较佳实施例提供的算法随机计算六次，同样求得单位能耗与产量的平均值。将算法结果与历史数据进行比较，单位能耗的平均降低了10.0%，而产量平均增加了2.05%，精甲醇产品的质量均符合设定要求。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种甲醇四塔精馏系统多目标优化控制方法，包括以下步骤：

步骤1分析所述甲醇四塔精馏系统的自由度及实际生产数据，以预精馏塔的出料作为输入，加压塔、常压塔和甲醇回收塔的操作参数为优化对象，定义一个包含7个输入、4个输出的BP神经网络作为精馏系统的模型；

步骤2在化工厂DCS历史数据库中提取所述7个输入与4个输出的历史数据；

步骤3将提取出的所述历史数据作为训练数据，对所述BP神经网络进行离线训练，测试并最终确定BP网络模型中隐含层的最终层数与中间结点的个数；

步骤4使用遗传算法，通过选择、交叉、变异操作，每一代的每一个体在计算适应度时调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的所述遗传算法的多个优化目标下的适应度函数最大的操作参数，根据得到的所述操作参数对所述加压塔、常压塔和甲醇回收塔进行控制。

2.如权利要求1所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述步骤1中所述BP神经网络的7个输入分别是：F₁：预后粗甲醇的流量；c₁：预后粗甲醇中甲醇的含量；c₂：预后粗甲醇中乙醇的含量；Q₁：加压塔的供热；k：加压塔塔顶采出的流量/常压塔塔顶采出的流量；P：加压塔塔顶的压力；F₂：常压塔侧线采出的流量；

所述BP神经网络的4个输出分别是：B：精甲醇产品的单位能耗；F：加压塔与常压塔精甲醇产品的流量和；c_p1：加压塔塔顶精甲醇产品中乙醇的实际含量；c_p2：常压塔塔顶精甲醇产品中乙醇的实际含量。

3.如权利要求1所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述步骤3中训练出的BP神经网络模型中隐含层为一层，隐含层节点个数为10个。

4.如权利要求2所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述步骤4中所述进料条件为：F₁、c₁、c₂，所述生产要求为：c_max1：加压塔塔顶精甲醇产品中乙醇的最大容许含量，和c_max2：常压塔塔顶精甲醇产品中乙醇的最大容许含量。

5.如权利要求5所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述进料条件为：进入加压塔粗甲醇总流量为55085.201kg/h，甲醇质量含量84.9%，乙醇质量含量0.2%，所述生产要求为：加压塔塔顶精甲醇产品和常压塔塔顶精甲醇产品中乙醇含量均低于50ppm。

6.如权利要求2所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述步骤1中操作参数为：Q₁、k、P、F₂。

7.如权利要求2所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述优化目标为B和F。

8.如权利要求1所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述步骤4中的遗传算法是一种在每一轮生成新个体时，保留本轮和全局最优的个体，以及自适应的变异和交叉概率的遗传算法，算法步骤如下：

（1）种群初始化；

（2）计算每个个体适应度；

（3）选择、交叉与变异；

（4）如果循环已满2000次，则算法结束，输出最优个体，否则跳至步骤（2）。

9.如权利要求9所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述遗传算法寻优的适应度函数f通过如下公式计算：

${f_1}^{\′}=\frac{1}{B+a_1{e}_1+a_2{e}_2}$

${f_2}^{\′}=\frac{F}{b_1{e}_1+b_2{e}_2}$

$f_j=\frac{{f_j}^{\′}-{f_{j\min }}^{\′}}{{f_{j\max }}^{\′}-{f_{j\min }}^{\′}}$

f'=f₁+f₂

$f=\frac{f^{\′}-{f_{\min }}^{\′}}{{f_{\max }}^{\′}-{f_{\min }}^{\′}}$

其中f'₁和f'₂分别为两个优化目标B和F适应度函数的绝对值，f₁和f₂为归一化处理之后的值，f'为适应度函数的绝对值，f为归一化处理之后的值；B为精甲醇产品的单位能耗，a₁、a₂、b₁、b₂分别是精甲醇产品中乙醇超标时的罚项，e₁和e₂定义如下：

$e_1=\left\{\begin{array}{cc}0& c_{p1}\≤c_{\max 1}\\ c_{p1}-c_{\max 1}& c_{p1}\≥c_{\max 1}\end{array}\right.$

$e_2=\left\{\begin{array}{cc}0& c_{p2}\≤c_{\max 2}\\ c_{p2}-c_{\max 2}& c_{p2}\≥c_{\max 2}\end{array}\right.$

其中c_p1为加压塔塔顶精甲醇产品中乙醇的实际含量；c_p2为常压塔塔顶精甲醇产品中乙醇的实际含量，c_max1为加压塔塔顶精甲醇产品中乙醇的最大容许含量，c_max2为常压塔塔顶精甲醇产品中乙醇的最大容许含量。

10.如权利要求9所述的甲醇四塔精馏系统多目标优化控制方法，其中，所述罚项a₁=a₂=10³，b₁=b₂=2*10⁶。

Images