CN103713604B - 一种基于数据驱动的工业裂解炉实时操作优化与控制方法 - Google Patents

Abstract

本发明属于石化工业的自动控制技术领域，特别涉及一种基于数据驱动的工业裂解炉实时操作优化与控制方法。本发明从基于数据驱动的离线预测模型库中选择该分类的相关预测模型作为当前裂解原料在线预测模型，利用该预测模型，根据当前工业裂解炉操作变量值得到乙烯和丙烯的预测收率，与在线分析仪获得的实时乙烯和丙烯收率进行比较，进行校正，建立多目标实时操作优化模型，模型的解是各操作变量组成的向量，利用校正后的预测模型得到各解所对应的乙烯和丙烯收率，使用多目标自适应遗传算法求解该模型，得到当前时刻各控制变量最优设定值，下发到集散控制系统执行。本发明提高裂解炉生产过程中的乙烯和丙烯收率，也能帮助提高乙烯厂的整体生产效率。

Description

一种基于数据驱动的工业裂解炉实时操作优化与控制方法

技术领域

本发明属于石化工业的自动控制技术领域，特别涉及一种基于数据驱动的工业裂解炉实时操作优化与控制方法。

背景技术

乙烯和丙烯是石化工业中两种最重要的单体，是制备或合成其它有机化工原料的基础。管式裂解炉是当前生产乙烯和丙烯的重要设备，其生产规模、产量和技术，都标志着一个国家石化工业的发展水平。

乙烯裂解炉的生产工艺和主要控制流程如图1所示。烃类原料或石脑油原料F001按照设定的流量进入到裂解炉后，首先在对流段通过锅炉给水F003提供的热量进行预热，然后与稀释蒸汽按照一定的比例(称为汽烃比)进行混合，继续预热并完全气化，接着混合气体进入辐射段的反应管中，在辐射段的炉膛底部和侧壁中均覆盖有燃料气喷嘴，通过燃料气F004的燃烧提供裂解反应所需要的炉膛温度，混合气体在反应管中会快速吸收热量并完成裂解反应，生成由乙烯、丙烯、甲烷、丁二烯等产品所组成的裂解气F006，再进入下游工序进行冷却和分离。

在裂解产物中，乙烯和丙烯是两个最重要的产品，其收率直接决定了企业的技术水平和经济效益。在裂解生产过程中，对双烯收率影响较大的过程控制变量主要有原料F001的烃组成、原料F001的进料流率、汽烃比(稀释蒸汽与原料质量流率的比值)、裂解炉管出口温度COT(CoilOutletTemperature)、裂解炉管出口压力COP(CoilOutletPressure)。在当前企业的实际生产运行中，通常的做法是根据裂解炉制造商提供的参考值和人工经验对COT进行控制。但是，实际生产中的裂解原料通常来自不同的油田，导致油品的波动非常大，并且在实际生产过程中通常需要切换多种不同的油品。因此，当前的人工经验方法无法实现对裂解炉的和双烯收率的优化与控制，迫切需要能够提高双烯收率的裂解炉在线操作优化与控制方法。

针对裂解炉的操作优化与控制方法，中国专利ZL200910056294.9提出了一种裂解深度的在线优化方法，该方法首先使用模糊聚类思想将油品分为不同的聚类，然后建立控制变量与双烯收率之间的神经元网络预测模型，接着建立以最大化双烯经济效益为目标的单目标优化模型，再利用标准的序列二次规划方法SQP求解得到控制变量的设定值。但是，该方法仍然具有以下不足之处：所使用的模糊聚类算法的性能依赖于初始选取的聚类中心，因此需要运行多次，每次随机指定聚类中心，从多次运行结果中取最好的一个；神经元网络建模方法在处理大量数据的学习过程中容易出现维数灾难，即数据量越多，其学习所需要的时间呈指数级增长，导致学习性能较差；模型为最大化经济价值的单目标优化模型，对于双烯收率的权值确定由市场情况和人工确定。中国专利ZL201010204480.5、CN102289198A也提出了裂解炉各控制变量的在线操作优化方法，其优化模型是以双烯或某几种产物的经济价值最大化为目标，仍然是一个单目标模型，求解的结果只能为现场控制人员提供各控制变量的唯一优化设定值。在实际生产中，双烯收率呈反向关联关系，即乙烯收率的增加必然导致丙烯收率的降低，而丙烯收率的增加反过来又必然导致乙烯收率的降低。因此，单目标模型中双烯收率权重如何确定是一个十分困难的问题，并且仅以经济价值最大化作为优化目标容易导致双烯产物中出现某一种产量过大而另一种产量不足的情况，从而影响下游工序的正常生产，进而影响带个石化企业生产链的整体生产效率和经济效益。

发明内容

为了克服以上现有裂解炉操作优化与控制方法的缺陷，本发明提供一种基于数据驱动的工业裂解炉实时操作优化与控制方法，与以往仅使用单目标优化方法不同，本发明是基于数据驱动和多目标动态优化思想，具体原理如说明书附图2所示：首先，实时预测模型选择器根据当前裂解原料的信息确定其所属的原料分类，然后从基于数据驱动的离线预测模型库中选择该分类的相关预测模型作为当前裂解原料的预测模型；其次，利用该预测模型，根据当前工业裂解炉的操作变量值得到乙烯和丙烯的预测收率，将其与在线分析仪获得的实时乙烯和丙烯收率进行比较，根据偏差对预测模型进行校正；再次，建立多目标实时操作优化模型，该模型的解是各操作变量组成的向量，利用校正后的预测模型可以得到各解所对应的乙烯和丙烯收率；然后使用自适应遗传算法求解该模型，得到当前时刻各控制变量的最优设定值，下发到集散控制系统(distributedcontrolsystem，简记为DCS)执行。以上的误差校正和操作优化建模与求解过程滚动执行，直到当前原料的裂解生产过程结束，最终达到提高双烯（乙烯和丙烯）收率的目的。

实现本发明目的的技术方案按照以下步骤进行：

步骤1：采集裂解炉历史工况数据，采用乙烯和丙烯收率的离线预测模型，通过t时刻的操作条件，得出t+1时刻的双烯收率，具体步骤是：

（1）采集石化企业实际裂解工业生产过程的历史数据库中3年内的各油品属性数据、其相对应的历史操作条件数据和双烯收率数据；

（2）根据油品属性数据，划分裂解原料的属性，对于轻烃原料，采用其各组分特性，即甲烷、乙烷、丙烷、丁烷、烷烃、环戊烷、环己烷、苯组分的含量作为分类依据；而对于较重的石脑油，采用其族组成，即PINOA值，具体是其所含的直链烷烃、支链烷烃、环烷烃、烯烃、芳烃的百分含量作为分类依据；采用量子聚类(quantumclustering)方法，分别将轻烃原料划分为裂解性能相似的K ₁个分类，将石脑油原料划分为裂解性能相似的K ₂个分类，其中K ₁和K ₂的值由量子聚类方法自动确定；

（3）校正各分类中的数据,对每一原料分类，使用基于聚类的异常点检测方法，剔除含有显著误差的操作条件数据和对应的双烯收率数据；

（4）对样本数据进行归一化处理，根据上述聚类结果，使用最小二乘支持向量机方法，建立针对轻烃原料的K ₁个分类的操作条件与乙烯和丙烯收率的离线预测模型，针对石脑油原料的K ₂个分类的操作条件与乙烯和丙烯收率关系的离线预测模型，即：

乙烯收率的离线预测模型：Y _C2H4(t+1)=LSSVM ₁{mf(t),r(t),COT(t),COP(t))}；

丙烯收率的离线预测模型：Y _C3H6(t+1)=LSSVM ₂{mf(t),r(t),COT(t),COP(t)}；

其中离线预测模型的输入为t时刻的操作条件：原料流量mf(t)、汽烃比r(t)、反应管出口温度COT(t)、反应管出口压力COP(t)，模型输出Y _C2H4(t+1)代表t+1时刻乙烯的收率，Y _C3H6(t+1)代表t+1时刻丙烯的收率；

以下步骤中记轻烃原料集合和石脑油原料集合中第i个分类为C _i ；

步骤2：采集实际工况数据，与历史工况数据比较，确立最接近实际工况的乙烯和丙烯收率的在线预测模型，通过在线预测模型得到t+1时刻该操作条件下的双烯收率的预测值Y _C2H4(t+1)和Y _C3H6(t+1)，并与实际值比较进行校正，具体步骤是：

（1）采集实际工况的裂解原料的油品属性数据，计算当前裂解原料与步骤1-（2）中所获得的各原料分类之间的距离，该距离定义为当前裂解原料与分类C _i 中各样本之间差异的最小值，即，其中表示当前裂解原料的油品属性向量，表示分类C _i 中的一个样本的油品属性向量，为油品差异的二范数，其中P为属性的总数量；

从中选取最小的距离所对应的分类，作为当前裂解原料所属的分类，使用所确定的原料分类k的乙烯与丙烯离线预测模型作为当前裂解原料的在线双烯收率预测模型；

（2）采集当前实际裂解过程的操作条件数据，并利用当前裂解原料所属分类的乙烯和丙烯收率预测模型，得到t+1时刻该操作条件下的乙烯和丙烯收率的预测值Y _C2H4(t+1)和Y _C3H6(t+1)；

将由预测模型得到的t时刻的预测值与t时刻的裂解气在线分析仪所获得的乙烯和丙烯实际收率进行比较，当乙烯和丙烯收率的相对误差e ₁(t)和e ₂(t)均小于一个给定的阈值a%时，则不进行误差校正；否则，对在下一时刻t+1使用预测模型所得到的乙烯和丙烯收率进行校正；

对在下一时刻t+1使用预测模型所得到的乙烯和丙烯收率按照下式进行校正，即乙烯收率的校正值Y' _C2H4(t+1)=Y _C2H4(t+1)×[1+rand(-1,1)×e ₁(t)]，丙烯收率的校正值Y' _C3H6(t+1)=Y _C3H6(t+1)×[1+0.5×rand(-1,1)×e ₂(t)]，式中rand(-1,1)是在[-1.0,1.0]之间服从均匀分布的随机数；

步骤3：以最大化乙烯和丙烯的收率为目标，以各操作变量的可控制范围为约束，建立裂解炉多目标实时操作优化模型，然后采用多目标自适应遗传算法对该操作优化模型求解，最终得到各控制变量的优化设定值，具体步骤是：

（1）根据实际工况，确定具体优化目标为：

maxY' _C2H4(t+1)(1)；

maxY' _C3H6(t+1)(2)；

具体约束条件为：

MF _min ≤mf(t)≤MF _max (3)；

R _min ≤r(t)≤R _max (4)；

COT _min ≤COT(t)≤COT _max (5)；

COP _min ≤COP(t)≤COP _max (6)；

双烯收率在线预测模型是：

Y _C2H4(t+1)=ILSSVM ₁{mf(t),r(t),COT(t),COP(t)}(7)；

Y _C3H6(t+1)=ILSSVM ₂{mf(t),r(t),COT(t),COP(t)}(8)；

其中，MF _min 和MF _max 分别为原料进料流量的最小允许值和最大允许值；R _min 和R _max 分别为汽烃比的最小允许值和最大允许值，当mf(t)和r(t)确定时就可以直接得出稀释蒸汽的流量v(t)；COT _min 和COT _max 分别为反应管出口温度的最小允许值和最大允许值；COP _min 和COP _max 分别为反应管出口压力的最小允许值和最大允许值；

（2）在上述优化目标和约束条件下，采用多目标自适应遗传算法求解双烯收率在线操作优化模型（1）-（8），算法中的解为各控制变量组成的向量=[mf(t),r(t),COT(t),COP(t)]，获得各控制变量的Pareto最优解集合，该集合中的任意两个不同的解X _i 和X _j 都是非劣解，即X _i 不能支配解X _j ，同时X _j 也不能支配解X _i ，同时，在算法所搜索到的可行域内不存在其它的解能够支配该集合中的任意一个解；

所述的多目标自适应遗传算法的具体步骤包括：

Step1.产生由n _p 个解组成的初始种群：

所述的种群由一系列的解组成，其中每一个解随机产生，即解中的控制变量的值在约束(3)-(6)所要求的范围内容随机产生；第i个解记为X _i =[mf(t) _i ,r(t) _i ,COT(t) _i ,COP(t) _i ]，其中mf(t) _i ,r(t) _i ,COT(t) _i ,COP(t) _i 分别表示第i个解的原料质量流量、汽烃比、反应炉管出口温度、反应炉管出口压力；并将初始种群中的全部非劣解存入到外部档案集A中，A的作用是存储算法在迭代过程中所得到的非劣解；

种群中的非劣解是指当前种群中不存在其它的解能够支配该解，即当前种群中不存在其它的解能够满足其乙烯和丙烯收率同时大于等于该解的乙烯和丙烯收率；

Step2.初始化相关参数：

初始化各交叉算子k的选择概率p _k =1/N，其中N为交叉算子的总数目，设置各交叉算子成功次数与失败次数的记数器初始值s _k =0，f _k =0，设置当前迭代次数g=0；

Step3.种群更新：

针对种群中的每个解X _i =[mf(t) _i ,r(t) _i ,COT(t) _i ,COP(t) _i ]，首先从种群中随机选择另一个解X _j =[mf(t) _j ,r(t) _j ,COT(t) _j ,COP(t) _j ]；

其次，将各交叉算子的选择概率连成一个轮盘，即各交叉算子的选择区域为[a _k-1,a _k ]，k=1,2,…,N，其中a ₀=0，a _k =a _k-1+p _k ，显然a _N =1；

再次，产生一个[0,1]内的随机数rand(0,1)，根据该值所属轮盘的区域号，确定使用的交叉算子类型；然后，利用该交叉算子对X _i 和X _j 进行交叉运算，得到一个新解X _new ，如果X _new 的乙烯收率和丙烯收率均大于或者等于X _i 的乙烯收率和丙烯收率，即新解X _new 支配解X _i ，则令X _i =X _new ，说明交叉算子成功更新了X _i ，并设置s _k =s _k +1；否则丢弃X _new ，并设置f _k =f _k +1。

Step4.更新外部档案集A：

利用新种群中的每个解X _i 更新外部档案集A，其更新过程按照以下情况进行：

(1)当X _i 的乙烯和丙烯收率均小于或者等于外部档案集A中的某一个解时，则丢弃X _i ；

(2)当X _i 的乙烯和丙烯收率均大于或者等于外部档案集A中的某一个或者多个解时，即X _i 支配这些解，则将这些解从A中删除，并将解X _i 插入到A中；

(3)当X _i 与A中的解互为非劣解时，则将X _i 插入到A中；

Step5.更新各交叉算子的选择概率：

如果当前迭代次数g<L，L是一个给定的学习期，则不进行选择概率的更新；否则，更新各交叉算子的选择概率，更新公式为：，其中称为交叉算子k的成功率，即；

Step6.设置g=g+1，当g>g _max ，g _max 为最大迭代次数，则转到Step3；否则，停止；将上述结果输出外部档案集A，该集合即为算法所找到的最终Pareto解集。

步骤4：将步骤3-（2）中所得到的各控制变量的Pareto最优解集合及其对应的乙烯和丙烯收率，提供给作业现场，选定Pareto最优解集合的某一个解作为当前实时操作条件X=[mf(t),r(t),COT(t),COP(t)]，具体的选择条件是：

（1）根据当前的乙烯和丙烯的价格，依据收益最大的，确定控制变量取值；

（2）依据下游工序对乙烯和丙烯的不同需求量来确定，优选需求量最高的，确定控制变量取值；

（3）根据作业现场乙烯和丙烯的收率之比的范围来，优选乙烯和丙烯同时达到收率最高，确定控制变量取值；

提前设定上述选择条件，也可以根据实际需求变更条件，然后由操作优化实时控制器OIC006自动选择一个合适的解，并将当前时刻t对应的各操作变量的最优设定值下发到DCS，对裂解原料流量mf(t)、由COP(t)和汽烃比r(t)获得的稀释蒸汽的流量、由反应管出口温度COT(t)得到的裂解炉侧壁和炉膛底部的燃料流量等控制变量进行调整；

步骤5：设置t=t+1，重复进行步骤2-（2）、3和4进行滚动优化，实现裂解炉的实时操作优化与控制，直到当前原料的裂解生产结束。

与现有技术相比，本发明的特点和有益效果是：

本发明提供了一种基于数据驱动的工业裂解炉的实时操作优化与控制方法，在该方法中使用了基于量子聚类的裂解原料分类方法，实现了自适应确定裂解原料分类的数量并避免了对聚类中心的随机指定；使用了学习效率更高的LSSVM方法来建立双烯收率之间的预测模型，提高了双烯收率预测的精度；建立了裂解炉的多目标实时操作优化模型，能够根据乙烯和丙烯的实际收率对预测模型进行反馈调整，提出自适应遗传算法对多目标操作优化模型的求解，能够为现场控制人员提供多种控制方案集合，在提高裂解炉生产过程中的乙烯和丙烯收率的同时，也能够帮助提高乙烯厂的整体生产效率。

附图说明

图1为本发明所涉及的工业裂解炉生产工艺和控制流程图；

图2为本发明所提出的裂解炉实时操作优化与控制方法原理图；

图3为本发明实施例中所提出的乙烯收率预测模型的训练结果与测试结果图；

图4为本发明实施例中所提出的自适应遗传算法求解得到的非劣解在目标空间的投影结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本实施例基于图1所示的工业裂解炉，其裂解原料为石脑油。图中FIC001、FIC002、FIC003分别为裂解原料、稀释蒸汽、锅炉给水的流量控制器；FIC004和FIC005分别为侧壁烧嘴和炉膛底部烧嘴的燃料气流量控制器；AI006为裂解炉反应管出口的乙烯和丙烯收率在线分析仪；TI007和PI008分别为裂解炉反应管出口的温度和压力传感器，用来获取COT和COP的实际测量值；TIC007和PIC008分别为COT和COP控制器；OIC006为裂解炉多目标实时操作优化控制器。在实施过程中的t时刻，在线分析仪AI006进行采样，OIC006根据在线分析仪AI006的分析结果对其预测模型进行校正，然后基于内嵌的多目标实时操作优化模型和自适应多目标遗传算法，获得t时刻各控制变量的最优设定值，该设定值由底层的DCS系统进行实施。这些设定值将保持不变，直到下一个采样时刻t+1。

将本发明所提出的基于数据驱动的工业裂解炉实时操作优化与控制方法应用于本实施例，具体步骤包括：

步骤1：采集裂解炉历史工况数据，采用乙烯和丙烯收率的离线预测模型，通过t时刻的操作条件，得出t+1时刻的双烯收率，具体步骤是：

（1）采集石化企业实际裂解工业生产过程的历史数据库中3年内的各油品属性数据、其相对应的历史操作条件数据和双烯收率数据；

（2）根据油品属性数据，划分裂解原料的属性，对于轻烃原料，采用其各组分特性，即甲烷、乙烷、丙烷、丁烷、烷烃、环戊烷、环己烷、苯组分的含量作为分类依据；而对于较重的石脑油，采用其族组成，即PINOA值，具体是其所含的直链烷烃、支链烷烃、环烷烃、烯烃、芳烃的百分含量作为分类依据；采用量子聚类方法，分别将轻烃原料划分为裂解性能相似的K ₁个分类，将石脑油原料划分为裂解性能相似的K ₂个分类，其中K ₁和K ₂的值由量子聚类方法自动确定；

设全部样本的集合为N，所含样本的数目为|N|，量子聚类方法的具体步骤如下：

Step1.初始化高斯核宽度调节参数δ=0.475，度量距离md=0.1，聚类个数K ₂=0；

Step2.计算每个样本x的势能，其中；

Step3.设置K ₂ =K ₂ +1；

Step4.从未被聚类的样本集合N中，选取势能最小的样本，将样本b作为第K ₂类聚类的中心，即第K ₂类聚类的中心v _k =b；

Step5.将集合N中与第K ₂类聚类中心的距离小于md的样本加入到第K ₂类聚类中，然后将第K ₂类聚类中的样本从集合N中删除。样本x与第K ₂类聚类中心的距离d(x,K ₂)定义为该样本与聚类中心v _k 的距离，即，其中h=5表示石脑油原料属性的数目（原料为轻烃原料时h=8）；

Step6.如果集合N为空，停止，得到K ₂个分类；否则，转Step3；

在以下过程中记轻烃原料集合和石脑油原料集合中第i个分类为C _i ；

（3）校正各分类中的数据，对每一原料分类，使用基于聚类的异常点检测方法，剔除含有显著误差的操作条件数据和对应的双烯收率数据，具体步骤是：

Step1.使用量子聚类算法将该分类中的样本数据进行聚类，得到聚类结果C={C _1, C ₂,…,C _k }，该算法中样本的属性为操作条件数据和对应的双烯收率数据；

Step2.计算该分类中所有样本x的异常因子，其中|C _i |表示聚类C _i 中的样本个数，d(x,C _i )表示样本x到聚类C _i 的距离；

Step3.计算所有样本异常因子的平均值avg_OF和标准差dev_OF；

Step4.将该分类中满足OF(x)≥avg_OF+α×dev_OF的所有样本删除，其中α为[1,1.5]之间的数；

（4）校正各分类数据后，对样本数据进行归一化处理，根据上述聚类结果，使用最小二乘支持向量机方法，建立针对轻烃原料的K ₁个分类的操作条件与乙烯和丙烯收率的离线预测模型，针对石脑油原料的K ₂个分类的操作条件与乙烯和丙烯收率关系的离线预测模型，即：

乙烯收率的离线预测模型：Y _C2H4(t+1)=LSSVM ₁{mf(t),r(t),COT(t),COP(t))}；

丙烯收率的离线预测模型：Y _C3H6(t+1)=LSSVM ₂{mf(t),r(t),COT(t),COP(t)}；

其中离线预测模型的输入为t时刻的操作条件：原料流量mf(t)、汽烃比r(t)、反应管出口温度COT(t)、反应管出口压力COP(t)，模型输出Y _C2H4(t+1)代表t+1时刻乙烯的收率，Y _C3H6(t+1)代表t+1时刻丙烯的收率；

在该步骤中，共获得针对石脑油原料的K ₂=23个分类的乙烯和丙烯收率预测模型；

针对某石脑油原料类别的乙烯收率预测模型的训练数据结果和测试数据结果如图3所示，从中可以看出训练数据预测误差的范围在0.45%以内，测试数据预测误差的范围在0.6%以内；

步骤2：采集实际工况数据，与历史工况数据比较，确立最接近实际工况的乙烯和丙烯收率的在线预测模型，通过在线预测模型得到t+1时刻该操作条件下的双烯收率的预测值Y _C2H4(t+1)和Y _C3H6(t+1)，并与实际值比较进行校正，具体步骤是：

（1）采集由实验室获得的当前裂解原料石脑油的油品属性，其直链烷烃、支链烷烃、环烷烃、烯烃、芳烃的百分含量分别为30.7%，29.54%，33.67%，0.13%，5.96%；

计算当前裂解原料与各分类C _i 之间的距离，表示当前裂解原料的油品属性向量，表示石脑油原料分类C _i 中的一个样本的油品属性向量，为油品差异的二范数，其中P为属性的总数量；

从中选取最小的距离所对应的分类，作为当前裂解原料所属的分类，在本实施例中经过计算k=6，使用所确定的第6个原料分类的乙烯与丙烯离线预测模型作为当前裂解原料的在线双烯收率预测模型；

（2）采集当前实际裂解过程的操作条件数据，并利用当前裂解原料所属分类的乙烯和丙烯收率预测模型，得到t+1时刻该操作条件下的乙烯和丙烯收率的预测值Y _C2H4(t+1)和Y _C3H6(t+1)；

将由预测模型得到的t时刻的预测值与t时刻的裂解气在线分析仪所获得的乙烯和丙烯实际收率进行比较，当乙烯和丙烯收率的相对误差e ₁(t)和e ₂(t)均小于一个给定的阈值2%时，则不进行误差校正；否则，对在下一时刻t+1使用预测模型所得到的乙烯和丙烯收率进行校正，即乙烯收率的校正值Y' _C2H4(t+1)=Y _C2H4(t+1)×[1+r ₁×e ₁(t)]，丙烯收率的校正值Y' _C3H6(t+1)=Y _C3H6(t+1)×[1+0.5×r ₂×e ₂(t)]，式中Y _C2H4(t+1)和Y _C3H6(t+1)是根据预测模型得到的乙烯和丙烯收率预测值，r ₁和r ₂是在[-1.0,1.0]之间服从均匀分布的随机数，该随机数产生后，在下面的步骤3中将保持不变；

步骤3：以最大化乙烯和丙烯的收率为目标，以各操作变量的可控制范围为约束，建立裂解炉多目标实时操作优化模型，然后采用多目标自适应遗传算法对该操作优化模型求解，最终得到各控制变量的优化设定值，具体步骤是：

（1）根据实际工况，确定具体优化目标为：

优化目标为：

maxY' _C2H4(t+1)(9)；

maxY' _C3H6(t+1)(10)；

约束条件为：

8500kg/h≤mf(t)≤11200kg/h(11)；

0.42≤r(t)≤0.55(12)；

1097K≤COT(t)≤1132K(13)；

0.152MPa≤COP(t)≤0.165MPa(14)；

Y _C2H4(t+1)=ILSSVM ₁{mf(t),r(t),COT(t),COP(t)}(15)；

Y _C3H6(t+1)=ILSSVM ₂{mf(t),r(t),COT(t),COP(t)}(16)；

Y' _C2H4(t+1)=Y _C2H4(t+1)×[1+r ₁×e ₁(t)](17)；

Y' _C3H6(t+1)=Y _C3H6(t+1)×[1+0.5×r ₂×e ₂(t)](18)；

（2）在上述优化目标和约束条件下，采用多目标自适应遗传算法求解3-（1）所建立的操作优化模型（9）-（18），算法中的解为各控制变量组成的向量=[mf(t),r(t),COT(t),COP(t)]，获得各控制变量的Pareto最优解集合；

该算法的步骤包括：

Step1.产生由n _p =100个解组成的初始种群：

种群中的解随机产生，即解中的控制变量的值在约束(3)-(6)所要求的范围内容随机产生；每个解X _i =[mf(t) _i ,r(t) _i ,COT(t) _i ,COP(t) _i ]，其中下标i表示第i个解，mf(t) _i ,r(t) _i ,COT(t) _i ,COP(t) _i 分别表示第i个解的原料质量流量、汽烃比、反应炉管出口温度、反应炉管出口压力；并将初始种群中的全部非劣解存入到外部档案集A中；

Step2.初始化相关参数：

初始化各交叉算子k的选择概率p _k =1/N，其中N为交叉算子的总数目，在本实施例中N=4；

设置各交叉算子成功次数与失败次数的记数器s _k =0，f _k =0，设置当前迭代次数g=0；

Step3.种群更新：

针对种群中的每个解X _i =[mf(t) _i ,r(t) _i ,COT(t) _i ,COP(t) _i ]，首先从种群中随机选择另一个解X _j =[mf(t) _j ,r(t) _j ,COT(t) _j ,COP(t) _j ]；其次，将各交叉算子的选择概率连成一个轮盘，即各交叉算子的选择区域为[a _k-1,a _k ]，k=1,2,…,N，其中a ₀=0，a _k =a _k-1+p _k ，显然a _N =1；再次，产生一个[0,1]内的随机数rand(0,1)，根据该值所属轮盘的区域号，确定使用的交叉算子类型；然后，利用该交叉算子对X _i 和X _j 进行交叉运算，得到一个新解X _new ，如果X _new 的乙烯收率和丙烯收率均大于或者等于X _i 的乙烯收率和丙烯收率，即新解X _new 支配解X _i ，则令X _i =X _new ，说明交叉算子成功更新了X _i ，并设置s _k =s _k +1；否则丢弃X _new ，并设置f _k =f _k +1；

Step4.更新外部档案集A：

更新过程按照以下情况进行：

(1)如果X _i 的乙烯和丙烯收率均小于或者等于外部档案集A中的某一个解，则丢弃X _i ；

(2)如果X _i 的乙烯和丙烯收率均大于或者等于外部档案集A中的某一个或者多个解，即X _i 支配这些解，则将这些解从A中删除，并将解X _i 插入到A中；

(3)如果X _i 与A中的解互为非劣解，则将X _i 插入到A中；

Step5.更新各交叉算子的选择概率：

如果当前迭代次数g<L，L=30是一个给定的学习期，则不进行选择概率的更新；否则，更新各交叉算子的选择概率：，为交叉算子k的成功率；

Step6.设置g=g+1。如果g>g _max ，g _max=1000为最大迭代次数，则转到Step3；否则，停止，得到的外部档案集A即为Pareto解集，如图4所示，图中的每个点都代表一个Pareto解在目标空间的投影点；

步骤4：将步骤3-（2）中所得到的各控制变量的Pareto最优解集合及其对应的乙烯和丙烯收率，提供给作业现场，选定Pareto最优解集合的某一个解作为当前实时操作条件X=[mf(t),r(t),COT(t),COP(t)]，具体的选择条件是：

（1）根据当前的乙烯和丙烯的价格，依据收益最大的，确定控制变量取值；

（2）依据下游工序对乙烯和丙烯的不同需求量来确定，优选需求量最高的，确定控制变量取值；

（3）根据作业现场乙烯和丙烯的收率之比的范围来，优选乙烯和丙烯同时达到收率最高，确定控制变量取值；

提前设定上述选择条件，也可以根据实际需求变更条件，然后由操作优化实时控制器OIC006自动选择一个合适的解，并将当前时刻t对应的各操作变量的最优设定值下发到DCS，对裂解原料流量mf(t)、由COP(t)和汽烃比r(t)获得的稀释蒸汽的流量、由反应管出口温度COT(t)得到的裂解炉侧壁和炉膛底部的燃料流量等控制变量进行调整；

本实施例中取第1个选项，然后由图1中的操作优化实时控制器OIC006自动选择能够带来最大经济效益的解X=[9833kg/h，0.51，1108K，0.1607MPa]，其所对应的乙烯和丙烯收率分别为33.11%和16.185%，该解对应于图4中从左开始的第40个解。并将当前时刻t对应的各操作变量的最优设定值下发到DCS，设定裂解原料流量为9833kg/h、由裂解炉管出口压力COP(t)和汽烃比r(t)获得的稀释蒸汽的流量为5108kg/h、由反应管出口温度1108K得到的裂解炉侧壁和炉膛底部的燃料所流量等控制变量执行相应的调整操作；

步骤5：设置t=t+1，重复进行步骤2-（2）、3和4进行滚动优化，实现裂解炉的实时操作优化与控制，直到当前原料的裂解生产结束。

基于某乙烯厂的实际生产数据，从本实施例所得到的操作优化模型的解(图4)中可以看出，乙烯的收率范围在32.6%至33.6%之间，丙烯的收率范围在16.1%至16.8%之间，而该乙烯厂当前依照人工经验所得到的乙烯收率一般均低于32.5%，而丙烯收率一般均低于16.3%。因此，使用本发明所提出的工业裂解炉实时操作优化与控制方法能够提高乙烯和丙烯的收率，同时该方法能够提供给现场操作人员多种操作设定与控制方案，方便操作人员根据实际工况和下游工序的原料需求灵活设定选择条件，进而帮助提高乙烯厂的整体生产效率。

Claims (4)

1.一种基于数据驱动的工业裂解炉实时操作优化与控制方法，其特征在于按照以下步骤进行：

步骤1：采集裂解炉历史工况数据，采用乙烯和丙烯收率的离线预测模型，通过t时刻的操作条件，得出t+1时刻的双烯收率，具体步骤是：

(1)采集石化企业实际裂解工业生产过程的历史数据库中3年内的各油品属性数据、其相对应的历史操作条件数据和双烯收率数据；

(2)根据油品属性数据，划分裂解原料的属性，采用量子聚类方法，分别将轻烃原料划分为裂解性能相似的K₁个分类，将石脑油原料划分为裂解性能相似的K₂个分类，其中K₁和K₂的值由量子聚类方法自动确定；

(3)校正各分类中的数据,对每一原料分类，使用基于聚类的异常点检测方法，剔除含有显著误差的操作条件数据和对应的双烯收率数据；

(4)校正各分类中的数据后，对样本数据进行归一化处理，根据上述使用基于聚类的异常点检测方法得到的聚类结果，使用最小二乘支持向量机方法，建立针对轻烃原料的K₁个分类的操作条件与乙烯和丙烯收率的离线预测模型，针对石脑油原料的K₂个分类的操作条件与乙烯和丙烯收率关系的离线预测模型，即：

乙烯收率的离线预测模型： $Y_{C_2{H}_4}(t+1)=\mathrm{LSSV}{M}_1\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right))\};$

丙烯收率的离线预测模型： $Y_{C_3{H}_6}(t+1)=\mathrm{LSSV}{M}_2\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right)\};$

其中离线预测模型的输入为t时刻的操作条件：原料流量mf(t)、汽烃比r(t)、反应管出口温度COT(t)、反应管出口压力COP(t)，模型输出代表t+1时刻乙烯的收率，代表t+1时刻丙烯的收率；

以下步骤中记轻烃原料集合和石脑油原料集合中第i个分类为C_i；

步骤2：采集实际工况数据，与历史工况数据比较，确立最接近实际工况的乙烯和丙烯收率的在线预测模型，通过在线预测模型得到t+1时刻该操作条件下的双烯收率的预测值和并与实际值比较进行校正，具体步骤是：

(1)采集实际工况的裂解原料的油品属性数据，计算当前裂解原料与步骤1-(2)中所获得的各原料分类之间的距离，该距离定义为当前裂解原料与分类C_i中各样本之间差异的最小值，即其中表示当前裂解原料的油品属性向量，表示分类C_i中的一个样本的油品属性向量，为油品差异的二范数，其中P为属性的总数量；从中选取最小的距离所对应的分类作为当前裂解原料所属的分类，使用所确定的原料分类k的乙烯与丙烯离线预测模型作为当前裂解原料的在线双烯收率预测模型；

(2)采集当前实际裂解过程的操作条件数据，并利用当前裂解原料所属分类的乙烯和丙烯收率预测模型，得到t+1时刻该操作条件下的乙烯和丙烯收率的预测值和

将由预测模型得到的t时刻的预测值与t时刻的裂解气在线分析仪所获得的乙烯和丙烯实际收率进行比较，当乙烯和丙烯收率的相对误差e₁(t)和e₂(t)均小于一个给定的阈值a％时，则不进行误差校正；否则，对在下一时刻t+1使用预测模型所得到的乙烯和丙烯收率进行校正；

步骤3：以最大化乙烯和丙烯的收率为目标，以各操作变量的可控制范围为约束，建立裂解炉多目标实时操作优化模型(1)～(8)，然后采用多目标自适应遗传算法对该操作优化模型中的双烯收率在线预测模型(7)～(8)求解，最终得到各控制变量的优化设定值，具体步骤是：

(1)根据实际工况，确定具体优化目标为：

$\begin{array}{cc}\max & {Y^{\&prime;}}_{C_2{H}_4}(t+1)\end{array}---\left(1\right);$

$\begin{array}{cc}\max & {Y^{\&prime;}}_{C_3{H}_6}(t+1)\end{array}---\left(2\right);$

具体约束条件为：

MF_min≤mf(t)≤MF_max(3)；

R_min≤r(t)≤R_max(4)；

COT_min≤COT(t)≤COT_max(5)；

COP_min≤COP(t)≤COP_max(6)；

双烯收率在线预测模型是：

$Y_{C_2{H}_4}(t+1)=\mathrm{ILSSV}{M}_1\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right)\}---\left(7\right);$

$Y_{C_3{H}_6}(t+1)=\mathrm{ILSSV}{M}_2\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right)\}---\left(8\right);$

其中，MF_min和MF_max分别为原料进料流量的最小允许值和最大允许值；R_min和R_max分别为汽烃比的最小允许值和最大允许值，当mf(t)和r(t)确定时就可以直接得出稀释蒸汽的流量v(t)；COT_min和COT_max分别为反应管出口温度的最小允许值和最大允许值；COP_min和COP_max分别为反应管出口压力的最小允许值和最大允许值；

(2)在上述优化目标和约束条件下，采用多目标自适应遗传算法求解双烯收率在线预测模型(7)-(8)，算法中的解为各控制变量组成的向量＝[mf(t),r(t),COT(t),COP(t)]，获得各控制变量的Pareto最优解集合；

步骤4：将步骤3-(2)中所得到的各控制变量的Pareto最优解集合及其对应的乙烯和丙烯收率，提供给作业现场，选定Pareto最优解集合的某一个解作为当前实时操作条件X＝[mf(t),r(t),COT(t),COP(t)]，具体的选择条件是下面三个条件之一：

(1)根据当前的乙烯和丙烯的价格，依据收益最大的，确定控制变量取值；

(2)依据下游工序对乙烯和丙烯的不同需求量来确定，选择需求量最高的，确定控制变量取值；

(3)根据作业现场乙烯和丙烯的收率之比的范围来，选择乙烯和丙烯同时达到收率最高，确定控制变量取值；

提前设定上述选择条件，也可以根据实际需求变更条件，然后由操作优化实时控制器OIC006自动选择一个合适的解，并将当前时刻t对应的各操作变量的最优设定值下发到DCS，对裂解原料流量mf(t)、由COP(t)和汽烃比r(t)获得的稀释蒸汽的流量、由反应管出口温度COT(t)得到的裂解炉侧壁和炉膛底部的燃料流量这些控制变量进行调整；

步骤5：设置t＝t+1，重复进行步骤2-(2)、3和4进行滚动优化，实现裂解炉的实时操作优化与控制，直到当前原料的裂解生产结束。

2.根据权利要求1所述的一种基于数据驱动的工业裂解炉实时操作优化与控制方法，其特征在于划分裂解原料的属性时，对于轻烃原料，采用其各组分特性，即甲烷、乙烷、丙烷、丁烷、烷烃、环戊烷、环己烷、苯组分的含量作为分类依据；而对于较重的石脑油，采用其族组成，即PINOA值，具体是其所含的直链烷烃、支链烷烃、环烷烃、烯烃、芳烃的百分含量作为分类依据。

3.根据权利要求1所述的一种基于数据驱动的工业裂解炉实时操作优化与控制方法，其特征在于步骤2-(2)中对在下一时刻t+1使用预测模型所得到的乙烯和丙烯收率进行校正是按照下式进行的，即乙烯收率的校正值 ${Y^{\&prime;}}_{C_2{H}_4}(t+1)=Y_{C_2{H}_4}(t+1)\&times;[1+\mathrm{rand}(-\mathrm{1,1})\&times;e_1\left(t\right)],$ 丙烯收率的校正值 ${Y^{\&prime;}}_{C_3{H}_6}(t+1)=Y_{C_3{H}_6}(t+1)\&times;[1+0.5\&times;\mathrm{rand}(-\mathrm{1,1})\&times;e_2\left(t\right)],$ 式中rand(-1,1)是在[-1.0,1.0]之间服从均匀分布的随机数。

4.根据权利要求1所述的一种基于数据驱动的工业裂解炉实时操作优化与控制方法，其特征在于所述的各控制变量的Pareto最优解集合中的任意两个不同的解X_i和X_j都是非劣解，即X_i不能支配解X_j，同时X_j也不能支配解X_i，同时，在算法所搜索到的可行域内不存在其它的解能够支配该集合中的任意一个解。