CN104765346A - 一种炼油过程全流程建模方法 - Google Patents

Abstract

本发明公开了一种炼油过程全流程建模方法，基于炼油过程各生产装置的机理和运行特性，在校正后的模型基础上，分析各装置的关键操作/工艺条件对产品收率的影响。根据影响趋势进行分段线性化，求解线性方程，获得相应的Delta-Base收率数据，结合神经网络建模技术，将操作条件与Delta-Base数据之间进行关联，建立收率代理模型，提高收率数据计算速度，实现炼油过程产品收率的实时预测，为建立精确的计划优化PIMS模型提供理论支撑。

Description

一种炼油过程全流程建模方法

技术领域

本发明涉及基于机理和运行特性的炼油过程全流程建模方法，该方法可以用于炼油过程建模仿真、模型实时校正以及和PIMS生产计划优化模型的实时构建。

背景技术

炼油工业是我国石油工业中的重要一环。原油经过炼制加工可以生产出汽油、煤油、柴油等其它能源难以取代的液体车用燃料；还可以生产出近千种的润滑剂、石蜡、沥青、油焦等石油产品；并可为塑料、合成橡胶和合成纤维等三大合成材料及其它重要有机原料的生产提供化工原料。因此，炼油工业是我国国民经济命脉和安全保障的重要支柱产业。

炼油的一般过程是先将原油切割成不同沸程的馏分，然后将这些馏分按照产品规格要求，除去其中的非理想组分和有害杂质，或者经过化学转化形成所需要的组分，进而加工成产品。从原油到产品需要经过一次加工、二次加工、三次加工及油品调合和精制。涉及到的主要工艺过程包括：常减压蒸馏、催化重整、加氢裂化、催化裂化、重油加氢和延迟焦化等。

面对国内外市场竞争的日趋激烈，要求我国炼油企业对市场和生产环境的变化做出快速而有效的响应，以获得最大的经济效益。运用信息技术改造和提升传统产业，使其保持可持续发展，对于增强我国炼油企业在境内、外市场的竞争力具有十分重要的意义。世界各国的经验表明，流程模拟与过程优化技术是提高企业的经济效益、降低生产成本、提高其在国际市场中的创新力、应变力、适应力和综合竞争力的主要技术手段之一。由此可见，开展炼油过程流程模拟与过程优化技术的研究与应用具有十分重要的现实意义。

借助于计算机技术的发展，流程模拟技术在炼油中某些单装置上的应用已经取得了一定的成效，如催化重整、催化裂化、加氢裂化等。但是单装置的优化也有其局限性，其最优解不一定是全厂最优解，原因是单装置优化需要正确的中间产品价格信息，而一些中间产品在市场上没有销售,其价格信息市场上不一定存在，因此需要建立全厂的全流程模型，对炼油过程实施全流程优化。然而，炼油产业的信息化问题始终缺乏一个完善的模拟与优化方案，难点在于生产装置产生的数据量巨大，数据库种类不一，装置模型的机理复杂，并且现行的模拟软件在全流程模拟和优化上存在缺陷：大部分软件难以达到高精度，部分基于分子结构集总的反应器模型却存在与分馏部分所使用的馏程集总不兼容的问题；炼油流程模拟软件操作复杂，不依靠外部计算支持难以单独实现全流程优化，更无法给炼油生产以合理化的生产指导。因此进一步提高炼油流程模拟与优化技术势在必行。

精确收率模型的核心在于准确的机理模型。装置的机理模型是化工过程的一种数学表达，其核心在于化工过程的传质、传质和反应基本原理，可用于预测不同工艺条件下装置的运行状态、产品性质和收率等。一般来说，炼油过程的分离装置主要是常减压塔，其模型核心在于准确描述塔内气液相平衡、热平衡以及物料平衡等过程，而模型的关键参数则是精馏塔的板效率；反应装置是炼油厂的核心，其主要功能在于将不同馏分的原油转化为汽油、柴油、煤油、芳烃等关键产品。由于原油组分难以确定，目前绝大多数炼油反应过程建模均采用集总模型对原料组分和动力学进行集总，将性质相近的分子归为一类，大大减少模型参数，降低求解难度，同时又能保证一定的准确性。

发明内容

本发明提供了一种基于机理和运行特性的炼油过程全流程建模方法。方法基于炼油各生产装置的工艺机理模型，根据实际工业数据，应用改进差分算法对机理模型进行实时校正，并以此为基础，针对关键操作/工艺条件开展操作特性分析，结合神经网络技术，建立代理模型，将操作条件与Delta-Base数据进行关联，实现炼油过程生产装置收率的实时预测，为建立精确的计划优化PIMS模型提供理论支撑。

具体技术方案如下：

一种炼油过程全流程建模方法，包括以下步骤：

(1)利用.net接口技术建立现场实时数据库与模型之间的数据通信，获得炼油过程各生产装置的实时运行数据；

结合现场情况和生产经验建立数据调和标准，剔除无用和错误的实时数据，获得准确合理的原料的性质和装置的操作条件以及产品收率等实时数据；

(2)根据采集的实时运行数据，以反应器出口的模型预测值和实际值的平方差最小作为优化目标，利用改进后的差分进化算法进行求解，拟合模型参数，实现机理模型实时校正；

(3)基于校正后的机理模型，针对不同生产方案，分析在不同原料性质和操作条件下的关键产品收率，建立产品收率分析数据库；

(4)利用产品收率分析数据库训练能够准确反映实际工况的神经网络代理模型，并将操作条件与Delta-Base数据进行关联，实现炼油装置收率的实时预测。该实时预测能为建立精确的计划优化PIMS模型提供理论支撑。

步骤(1)中所述生产装置包括：常减压蒸馏、催化重整、催化裂化、加氢裂化和延迟焦化装置。

步骤(2)中所述实时运行数据包括进料性质、操作条件以及产品收率。

步骤(2)中所述改进后的差分进化算法是带有三角变异的差分进化算法，并定义优化目标为：

$\min f\left(X\right)=\underset{i=1}{\mathrm{\Σ}}{(C_{\mathrm{actual}}^i-C_{\mathrm{predict}}^i)}^2$

其中，决策变量X包括各个反应的指向因子和活化能，和分别表示各产品组分油的实际质量收率和模型预测质量收率。

步骤(3)中所述原料性质是指原料的密度、硫含量、氮含量和残炭值，所述操作条件是指原料的进料负荷、操作温度、操作压力，所述关键产品是指指常减压各测线产品，催化重整的汽油、芳烃和氢气，催化裂化的液化气、汽油和柴油，加氢裂化的石脑油、航煤和柴油。

步骤(4)中使用神经网络代理模型来替代机理模型进行预测计算；其中，神经网络模型采用反向传播(Back propagation，BP)神经网络，选取的输入变量包括：原料的密度、硫含量、氮含量和残炭值；输出变量包括：常减压各测线产品收率，催化重整的汽油、芳烃和氢气收率，催化裂化的液化气、汽油和柴油收率，加氢裂化的石脑油、航煤和柴油收率；利用代理模型对装置收率进行实时预测，获得各生产装置产品收率的Delta-Base值。

本发明的有益效果如下：采用数据调和技术对现场实时数据进行处理，结合改进后的差分进化算法，对模型参数进行实时校正，使机理模型能够精确描述装置实际运行情况。同时还考虑了不同装置之间的物料匹配问题，实现了不同装置间物料间的互相转化，从而建立了从原油到产品的炼油过程全流程模型，实现了炼油过程的全流程模拟。

附图说明

图1为模型实时校正简化流程图；

图2为产品收率实时预测流程示意图；

图3为多层前向神经网络结构示意图；

图4为神经网络装置代理模型结构图。

具体实施方式

下面通过实施例对本发明进行具体描述。有必要在此指出的是，以下实施例只用于对本发明作进一步说明，不能理解为对本发明保护范围的限制，该领域的专业技术人员根据本发明的内容作出的一些非本质的改进和调整，仍属于本发明的保护范围。

实施例1

下面结合图表具体介绍本发明的实现方法：

1、炼油过程工艺机理建模

(1)基于精馏原理，完成初馏塔、常压塔和减压塔的建模与仿真，结合实际运行数据对分馏模型参数进行校正，建立能良好描述实际运行工况的常减压分离过程模型。

(2)基于重整27集总动力学机理，建立准确的重整反应动力学模型，结合重整装置实际运行情况，校正动力学参数，提高反应器模型精度。

(3)基于21集总催化裂化动力学机理，结合装置历史运行数据，建立能反映原料性质、装置工艺参数与产品收率、性质的之间关系的催化裂化过程机理模型。

(4)根据实际反应装置的工艺流程，建立蜡油/渣油加氢机理模型，包括反应系统和分馏系统，结合装置实际运行数据，获得准确可靠的蜡油/渣油加氢反应机理模型。

(5)以11集总热裂解反应机理为基础，选取合适的反应器模型进行过程描述，结合延迟焦化装置实际运行数据，获得精确的延迟焦化反应单元模型。

2、数据采集与调和

由于工业现场情况复杂，生产过程受到多种因素的影响，完全依据装置机理建立的炼油过程生产装置模型往往无法准确模拟实际装置，因此需要结合现场装置实际运行特性来对模型参数进行校正。首先是实现现场数据的采集和调和处理过程。

1)现场数据采集：在实际生产过程中，大多数工厂都会使用实时数据库来记录装置的运行状况，并提供相应数据点的位号以便采集数据。本发明利用VB.net接口技术开发炼油装置现场数据实时采集系统，可以实现将现场实时数据的读入，并储存到本地数据库中。需要采集的数据主要包括各生产装置的原料性质、负荷、工艺操作条件以及产品的收率信息。

2)数据调和处理：受现场检测仪表可靠性的局限，直接从DCS上获取到的数据往往存在物料不平衡、热量不平衡等问题，因此不能直接用于建立装置模型。为了确保模型样本数据的准确性，有必要对实时采集的数据建立调和标准，具体使用以下几种方法：(1)采用天平均值来校正模型；(2)根据统计数据和生产经验确定数据的值域，依此判断数据的准确性，将错误数据从本地数据库中删除；(3)对于在特定期间内无法采集的数据，建立冗余的计算公式，通过采集其他数据来推导出这个点。

3、机理模型实时校正

这一步骤结合实际案例介绍机理模型的实时校正实现过程。

模型实时校正可以归为参数估计问题，本发明首先将参数估计问题转化为最优化问题，即：

$\min f\left(X\right)=\underset{i=1}{\mathrm{\Σ}}{(C_{\mathrm{actual}}^i-C_{\mathrm{predict}}^i)}^2---\left(1\right)$

其中，决策变量X包括各个反应的指向因子和活化能，和分别表示各产品组分油的实际质量收率和模型预测质量收率。针对这种类型的优化目标，本发明使用改进的差分算法对问题进行求解。

差分算法(differential evolution，DE)是一种基于种群的的随机搜索算法，它具有结构简单、收敛速度快、鲁棒性高等特点。算法的变异机制，即生成子代的方法为：

r′＝r₁+F*(r₂-r₃)   (2)

其中，r′是新生成的子代个体，r₁,r₂,r₃是种群中随机选取的三个不同的父代个体，F为差分进化算子，一般为一个常数。

由于该目标决策变量数目众多，导致算法求解时计算量很大，因此需要对算法进行改进，加快其收敛速度。本发明选择了带有三角变异的改进差分算法，该方法被证明在提高算法收敛速度方面具有显著成效，其改进的变异策略可以表示为：

r′＝(r₁+r₂+r₃)/3+(p₂-p₁)(r₁-r₂)+(p₃-p₂)(r₂-r₃)+(p₁-p₃)(r₃-r₁)   (3)

其中

p₁＝|f(r₁)|/p′

p₂＝|f(r₂)|/p′      (4)

p₃＝|f(r₃)|/p′

p′＝|f(r₁)|+|f(r₂)|+|f(r₃)|    (5)

模型实时校正的简化流程图如图1所示。

4、融合机理与运行特性的产品收率实时预测

当前炼厂所采用的计划排产模型为线性收率模型，装置进料性质或操作条件发生改变时，产品收率随之发生线性变化。收率如何随进料信息发生改变则是由PIMS模型中的Delta-Base数据库所决定的。但是所需的Delta-Base值往往是根据生产历史数据取平均值来获得的，且常常半年或一年之久才更新一次，无法满足现代炼油企业原料灵活多变的特点，也无法反映实时操作条件的改变对产品收率的影响，这就限制了收率模型应用的精确度。为了获得准确可靠的PIMS模型参数，本项目将开发融合装置机理和运行特性的收率实时预测技术，此技术的关键之处在于如何根据装置的进料信息实时获得准确可靠的产品收率数据。换句话说，也就是如何根据进料信息获得实时的Delta-Base数据库。Delta-Base数据库包含Delta值和Base值两部分，指的是PIMS线性收率模型中的基准值(即Base)和基准值附近的变化值(即Delta)。假设线性收率模型可以表示为：y＝kx+b，其中y为收率，x为进料的负荷、组成或性质，而斜率k即为Delta，截距b即为Base。如何建立准确的Delta-Base数据库的问题实际上就变为如何求取k和b的问题。本项目融合炼油过程的机理模型和装置的运行特性求取k和b值，计算流程如图2所示。

具体方法描述如下：

1)采集实际装置稳定运行时的进料信息(流量、组成、性质等)和产品收率的对应数据，利用前文提及的数据调和技术对采集到的装置数据进行调和，得到准确可靠的装置运行数据。其中，产品的收率数据即可作为Delta-Base数据库中的Base值。

2)依据实际装置，建立对应的工艺机理模型，利用实际装置的运行数据对机理模型进行模型校正，获得能够准确描述实际工况的工艺机理模型。在此基础上，在操作点附近改变进料信息，获得一组产品收率数据，得到单位进料信息的改变量对产品收率的变化值，此值即为Delta-Base数据库中的Delta值。由于此值完全通过机理模型获得，且操作点附近的产品收率的变化量和进料信息的改变值之间基本符合线性关系，当机理模型经过校正后，可获得准确可靠的Delta-Base数据库。

3)将分别利用上述方法获得的k值和b值送入如图2所示的代理模型中，即可得到完整的基于机理模型的Delta-Base数据库。当操作条件变化不大，进料信息改变较小时，利用此代理模型，可以生成比较准确的Delta-Base数据，为PIMS模型提供可靠参数。

4)当进料信息变化较大，操作条件远离正常操作点时，此时产品收率和进料信息的变化值并不是简单的线性关系，需要对Delta值和Base值重新进行校正。校正方法如下：首先，在进料信息变化范围内，将产品收率对进料信息作图，得到产品收率随进料信息的变化趋势图，图中起始点和终点之间的斜率之差为k的变化范围；其次，基于影响趋势，建立神经网络模型，提高计算效率；再次，对变化趋势图实施分段线性化的策略，使每个分段的斜率变化值低于系统设定值，使得分段内收率和进料信息基本符合线性关系；最后，在每个分段范围内，重复步骤2)和步骤3)的内容，获得不同分段的Delta-Base数据

5)基于装置的机理模型，通过上述步骤可获得不同运行条件下的Delta-Base数据库。利用这种方法，可以获得较大范围内不同的进料信息对应的产品收率数据，由此可以产生一个包含大量进料信息和产品收率对应关系的数据库。在此基础上，建立实时预测产品收率的人工神经网络模型，采用上述获得的不同进料条件下的产品收率数据来训练神经网络模型，使之能够较为准确地预测一定进料变化范围的产品收率。

本发明采用反向传播(Back propagation，BP)神经网络，这是一种在过程控制中应用最广泛的神经网络结构。BP神经网络结构如图3所示。整个结构由L层神经元组成，第一层为输入层，最后一层为输出层，其它层为隐层，可以得到每个神经元的模型为：

$y_{\mathrm{pjk}}=\underset{i=0}{\overset{N_{j=1}}{\mathrm{\Σ}}}{w}_{\mathrm{jki}}{x}_{p,j-1,j}---\left(6\right)$

$\left\{\begin{array}{c}{x}_{\mathrm{pjk}}=f\left(y_{\mathrm{pjk}}\right)\\ x_{\mathrm{pjo}}=1\end{array}\right.---\left(7\right)$

式中：

y_pjk：j层中第k各神经元在第p组样本状态下的和输出；

x_pjk：j层中第k个神经元在第p组样本状态下的和函数输出；

w_pjk：j-1层中第i个神经元到j层中第p个神经元的链接权值。其中w_pjo定义为j层第k个神经元的阀值。

f(y)：神经元的非线性激活函数。

神经网络学习的目的是找出一系列权值，使样本的每组输入向量作用于网络后，其网络的实际输出向量与样本的期望输出向量一致，整个学习过程是调整网络中各神经元之间的连接权值，使下述网络的误差能量函数达到最小：

$E=\frac{1}{2}\underset{p}{\mathrm{\Σ}}\underset{k=1}{\overset{H_L}{\mathrm{\Σ}}}{(o_{\mathrm{pk}}-x_{\mathrm{plk}})}^2---\left(8\right)$

其中：

o_pk：第p组样本输入向量作用于网络后，网络输出层中第k个神经元的函数输出的期望值。

BP算法用来解决上述多层前向网络的学习问题，该学习算法由信号正向传播和误差反向传播组成。传统的BP算法可以概括地总结如下。

$w_{\mathrm{jki}}(t+1)=w_{\mathrm{jki}}\left(t\right)+\mathrm{\η}\underset{p}{\mathrm{\Σ}}{\mathrm{\δ}}_{\mathrm{pjk}}{x}_{p,j-1,i}+\mathrm{\α}[w_{\mathrm{jki}}\left(t\right)-w_{\mathrm{kji}}(t-1)]---\left(9\right)$

其中：

$\left\{\begin{array}{c}{\mathrm{\δ}}_{\mathrm{plk}}=f^{\′}\left(y_{\mathrm{plk}}\right)(o_{\mathrm{pk}}-x_{\mathrm{plk}})\\ {\mathrm{\δ}}_{\mathrm{pjk}}=f^{\′}\left(y_{\mathrm{pjk}}\right)\underset{i=1}{\overset{N_{j+1}}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,j+1,i}{w}_{j+1,i,k}\end{array}\right.j=L-1,...,1---\left(10\right)$

式中：

δ_pjk：第p组样本输入向量作用于网络后，j层中第k个神经元函数输出的误差信息；

t：学习时间；

f′(y)：神经元激活函数的一阶导函数。

式(6)-(10)是BP网络中权值的学习规则，式中学习速率和势态项系数一般是由经验确定，在传统BP算法中它们不能与网络结构、网络状态以及外部学习环境自动匹配，网络训练时需要人为进行调整。

根据上述神经网络结构，以加氢裂化装置为例，选取神经网络输入7个：原料密度、硫含量、氮含量、进料负荷、催化剂床层平均温度、压力、氢油体积比；输出6个：轻端、轻石脑油、重石脑油、航煤组分油、柴油和尾油；隐含层设置为7层。以此训练神经网络代理模型，见图4。

炼油过程其它生产装置的神经网络代理模型训练方法与加氢裂化装置类似。通过以上步骤的进行，本发明可以实现基于机理和运行特性的炼油过程的全流程模拟和各生产装置收率的实时预测。该方法以各生产装置的工艺机理模型为基础，利用实际工业数据对机理模型进行实时校正，并通过计算校正模型获得的分析数据来训练神经网络代理模型，克服了机理模型计算速度慢的局限。利用神经网络代理模型计算加氢裂化装置关键产品的收率，实现操作条件与Delta-Base数据的关联，达到装置收率实时预测的效果，为建立精确地计划优化PIMS模型提供理论支撑。

Claims (6)

1.一种炼油过程全流程建模方法，其特征在于，包括以下步骤：

(1)利用.net接口技术建立现场实时数据库与模型之间的数据通信，获得炼油过程各生产装置的实时运行数据；

(2)根据采集的实时运行数据，以反应器出口的模型预测值和实际值的平方差最小作为优化目标，利用改进后的差分进化算法进行求解，拟合模型参数，实现机理模型实时校正；

(3)基于校正后的机理模型，针对不同生产方案，分析在不同原料性质和操作条件下的关键产品收率，建立产品收率分析数据库；

(4)利用产品收率分析数据库训练能够准确反映实际工况的神经网络代理模型，并将操作条件与Delta-Base数据进行关联，实现炼油装置收率的实时预测。

2.根据权利要求1所述的建模方法，其特征在于，步骤(1)中所述生产装置包括：常减压蒸馏、催化重整、催化裂化、加氢裂化和延迟焦化装置。

3.根据权利要求1所述的建模方法，其特征在于，步骤(2)中所述实时运行数据包括进料性质、操作条件以及产品收率。

4.根据权利要求1所述的建模方法，其特征在于，步骤(2)中所述改进后的差分进化算法是带有三角变异的差分进化算法，并定义优化目标为：

$\min f\left(X\right)=\underset{i=1}{\mathrm{\Σ}}{(C_{\mathrm{actual}}^i-C_{\mathrm{predict}}^i)}^2$

其中，决策变量X包括各个反应的指向因子和活化能，和分别表示各产品组分油的实际质量收率和模型预测质量收率。

5.根据权利要求1所述的建模方法，其特征在于，步骤(3)中所述原料性质是指原料的密度、硫含量、氮含量和残炭值等，所述操作条件是指原料的进料负荷、操作温度、操作压力等，所述关键产品是指常减压各测线产品，催化重整的汽油、芳烃和氢气，催化裂化的液化气、汽油和柴油，加氢裂化的石脑油、航煤和柴油。

6.根据权利要求1所述的建模方法，其特征在于，步骤(4)中使用神经网络代理模型来替代机理模型进行预测计算；其中，神经网络模型采用反向传播神经网络，选取的输入变量包括：原料的密度、硫含量、氮含量和残炭值；输出变量包括：常减压各测线产品收率，催化重整的汽油、芳烃和氢气收率，催化裂化的液化气、汽油和柴油收率，加氢裂化的石脑油、航煤和柴油收率；利用代理模型对装置收率进行实时预测，获得各生产装置产品收率的Delta-Base值。