CN104804761B - 一种加氢裂化装置的收率实时预测方法 - Google Patents

Abstract

本发明公开了一种加氢裂化装置收率实时预测方法，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，对加氢裂化反应动力学参数进行实时校正，使机理模型能够精确描述装置实际运行情况。在校正后的模型基础上，分析关键操作/工艺条件，如原料密度、硫含量、氮含量、反应温度、压力和氢油体积比等，对加氢裂化产品收率的影响。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，实现加氢裂化装置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

一种加氢裂化装置的收率实时预测方法

技术领域

本发明涉及一种基于机理和运行特性的加氢裂化装置收率实时预测方法，该方法可以用于加氢裂化过程建模仿真、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

加氢裂化是指石油炼制过程中，在加热、氢气和催化剂存在的条件下，使重质油发生加氢、裂化和异构化反应，生成轻质油(石脑油、煤油、柴油和加氢尾油)的加工过程。

加氢裂化因其生产工艺灵活，产品质量优良，便于随季节的变化和市场的需求改变生产方案，已成为仅次于催化裂化的原油重要二次加工手段。它在炼油与石化企业中的重要性和作用越来越大的原因主要如下：(1)加氢裂化是大量生产优质中间馏分油(喷气燃料和柴油等)和调整油品结构的重要手段。而且，它还是唯一能在轻质化的同时，直接制取低硫、低芳烃清洁燃料的重要手段。(2)加氢裂化不需要原料预处理，可以直接加工含硫高的减压蜡油。(3)加氢裂化可以最大量生产芳烃潜含量高的优质重整原料，以进一步制取轻质芳烃或高辛烷值组分。(4)加氢裂化尾油除可以作为制取乙烯的优质进料外，还可以作为低硫的催化裂化原料。当采用不同催化剂匹配及组合时，它又是生产高档润滑油基础料的关键技术。(5)对二次转化油品，如催化裂化柴油、焦化柴油可以通过芳烃开环及深度脱芳烃等加氢改质技术制取清洁柴油产品。

加氢裂化催化剂主要由载体和活性金属两个基本部分组成的同时具有裂化和加氢功能的双功能催化剂。载体主要提供酸性，在其上发生裂解、异构化、歧化等反应，主要分为两大类：一类是无定型的，如氧化铝、硅铝、硅镁等；另一类是沸石分子筛类。这两类既可以单独使用，也可以混合使用。活性金属组分是加氢活性的主要来源，可以分为非贵金属和贵金属两类。非贵金属以W、Mo、Co、Ni为常见，多以硫化物状态使用；贵金属则以Pt、Pd为主，多以金属状态使用。由此可见，加氢裂化反应从化学反应的角度可以看作是催化裂化和催化加氢反应的叠加。

减压蜡油是加氢裂化的典型进料，它是大分子烷烃、单、双、多环环烷烃,烷基单、双、多环芳烃及环烷-芳烃组成的复杂混合物；硫、氮、氧和少量的重金属原子也混杂在这些分子的结构中。加氢裂化过程的主要反应可以概括为两类：加氢精制反应和加氢裂化反应。加氢精制反应，一般指杂原子烃中的杂原子脱除反应，如加氢脱硫、加氢脱氮、加氢脱氧、加氢脱金属以及不饱和烃的加氢饱和反应；加氢裂化反应则主要包括烃类的加氢异构化和裂化、开环反应。

典型的单段串联加氢裂化的工艺流程如图1所示。原料油经泵升压后，与新氢和循环氢混合换热后进入加热炉加热，然后进入加氢精制反应器进行加氢精制反应。加氢精制反应器设若干个催化剂床层，床层间设急冷氢注入设施。反应流出物进入加氢裂化反应器进行加氢裂化反应，两个反应器之间设急冷氢注入点，加氢裂化反应器同样设若干个催化剂床层，床层间设急冷氢注入设施。由加氢反应器出来的反应流出物经反应流出物/原料油换热器换热后反应流出物温度降至260度左右，进入热高压分离器。热高分气体再经热高分气空冷器冷却至49度左右进入冷高压分离器。冷却后的热高分气在冷高压分离器中进行油、气、水三相分离。顶部分出循环氢，经压缩机升压后返回系统使用；底部分出生成油，减压后进入低压分离器，脱除水，并释放出部分溶解气体(燃料气)。生成油加热后进入稳定塔，在1.0～1.2MPa下蒸出液化气，塔底液体加热至320度左右后进入分馏塔，得到石脑油、航空煤油、低凝柴油和塔底油(尾油)。

实际生产过程中，石脑油、航煤、柴油和尾油的收率受原料和操作条件的影响，关键产品的实际产量与生产计划预期值往往存在一定的偏差。究其原因，关键在于目前生产计划PIMS模型均采用固定收率，难以准确描述装置实际运行过程。因此，如何建立一个能精确、定量描述加氢裂化装置的收率模型是提高当前装置计划模型准确性的关键。

精确收率模型的核心在于准确的反应机理动力学。众所周知，加氢裂化反应包括加氢脱硫、加氢脱氮、加氢脱氧、加氢脱金属、烯烃芳烃饱和、烷烃异构化和环烷烃开环等多种反应，机理极为复杂。目前，对于类似的复杂反应体系，一般采用集总的方法进行动力学分析。如此，既能保留反应核心机理，同时还能简化反应网络，降低动力学参数估计难度。本专利综合考虑模型准确性和计算效率，在88集总模型的基础上建立加氢裂化机理模型，用于实时预测加氢裂化装置关键产品收率。

发明内容

本发明提供了本发明提供了一种基于机理和运行特性的加氢裂化装置收率实时预测方法。方法基于88集总的加氢裂化反应动力学模型建立加氢裂化工艺机理模型，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，实现加氢裂化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：

一种加氢裂化装置的收率实时预测方法，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，对加氢裂化装置的运行数据进行实时采集；

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)根据所述实时数据，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，实现加氢裂化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。

步骤(2)中所述实时数据选自加氢裂化原料油的密度、硫含量、氮含量、进料负荷、催化剂床层温度、反应压力、氢油体积比和产品收率。

步骤(2)中所述改进后的差分进化算法为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)中针对原料密度、硫含量、氮含量、装置加工量、反应温度、压力和氢油体积比开展操作特性分析，获得对关键产品收率的影响规律。

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，从而满足实时计算对于模型计算效率的要求；其中，神经网络代理模型采用反向传播(Backpropagation，BP)神经网络，选取7个神经网络输入变量：原料密度、硫含量、氮含量、进料负荷、床层平均温度、压力、氢油比，6个输出变量：轻端、轻石脑油、重石脑油、航煤、柴油、尾油；隐含层设置为7层；利用代理模型对装置收率进行实时预测，获得产品收率的Delta-Base值。

本发明的有益效果如下：(1)基于装置运行特性的机理模型的建模；(2)可实现现场数据的实时采集及模型参数的实时校正；(3)可获得原料性质和操作条件对关键产品收率的影响规律；(4)采用神经网络模型，利用代理模型可实现对产品收率的快速实时预测。

附图说明

图1为单段串联加氢裂化简化工艺流程图；

图2为模型实时校正简化流程图；

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；

图5为反应网络示意图；

图6是加氢裂化反应动力学向量流向示意图。

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.加氢裂化机理建模

加氢裂化过程原料组成复杂，发生的反应和副反应众多。大量的研究表明，加氢裂化过程发生的反应可分为几大类，主要有：(1)加氢脱硫；(2)加氢脱氮；(3)加氢脱氧；(4)加氢脱金属；(5)烯烃饱和；(6)芳烃饱和；(7)烷烃加氢异构化；(8)链烃加氢裂化。

对于这样的复杂反应体系反应动力学建模，需要使用集总动力学模型。所谓集总(Lumping)就是将复杂反应体系中的各类分子按其动力学特性相似的原则进行归并、划分成若干个虚拟的组分—集总组分,然后建立集总组分的反应动力学模型。

本发明结合实际工业情况，选择了88集总反应动力学理论建立加氢裂化反应模型，详细集总分类见表1：

表188集总反应动力学模型详细组分^a

No.		No.		No.		No.
								1	C6P	23	MTHN	45	MAN2HI	67	HBNITA2
2	C6N	24	C14P	46	HN1	68	HNNITA2
								3	C6A	25	MTHA	47	HA1	69	HA4
4	C7P	26	MN1LO	48	MTHA2	70	C47P
								5	C7N	27	MA1LO	49	HN2	71	VN1
6	C7A	28	MS12	50	HN3	72	VA1
								7	LTH	29	MNNITA	51	HN4	73	VN2
8	LBNIT	30	MN2LO	52	MA2NHI	74	VN3

9	C8P	31	MN3LO	53	HAN	75	VN4
								10	C8N	32	MANLO	54	MANAHI	76	VAN
11	C9P	33	MA2LO	55	HA2	77	VBNITA2N
								12	LNNIT	34	MAN2LO	56	HAN2	78	VA2
13	C8A	35	C18P	57	C26P	79	VTHA2N
								14	C9N	36	MA2NLO	58	HAN3	80	VAN2
15	LS8	37	MN1HI	59	HA2N	81	VAN3
								16	C9A	38	MA1HI	60	HANA	82	VA2N
17	C10P	39	MANALO	61	HA2N2	83	VANA
								18	C10N	40	MN2HI	62	HA3	84	VA2N2
19	C10A	41	MN3HI	63	HTHAN	85	VA3
								20	LTHA	42	MANHI	64	HBNITAN	86	VA4
21	MBNITN	43	MTHAN	65	HS28	87	VNNITA3
								22	MBNITA	44	MA2HI	66	HTHA2	88	VTHA3

^a以P结尾的是链烃，以N结尾的是环烷烃，以A结尾的为芳烃，包含TH的表示含有噻吩，BNIT表示结构中含有碱氮，NNIT表示非碱氮，以M开头LO结尾的为C14，以HI结尾的为C18，H开头的为C21，V开头的为C47。

根据加氢裂化反应机理以及加氢裂化反应特点，建立数学模型，主要考虑的反应为链烷烃的加氢裂解、环烷烃和芳烃的脱侧链、环烷烃的开环及芳烃的饱和反应。反应网络包含如下假设：

(a)链烷烃只发生裂化反应。

(b)环烷烃不发生脱氢生产芳烃的反应。

(c)环烷烃的反应由两大类组成：一类为侧链脱除，较重的环烷烃变为较轻的环烷烃；另一类为环烷烃的开环反应。

(d)芳烃的反应由两大类组成：一类为侧链脱除，较重的芳烃变为较差的芳烃；另一类为芳烃加氢饱和变为环烷烃。

(e)芳烃不能直接转化为烷烃。

(f)各反应为一级反应。

(g)环烷烃的开环及芳烃的饱和反应不能改变所处集总的沸程，即该反应只能在同一层之间进行。

(h)第i层集总链烃量的变化是它自身的裂解，同一层中环烷烃的开环以及所欲比它中的集总链烷烃裂解生产它的结果。

(i)对于环烷烃和芳烃的脱侧链反应，由于其反应机理相同，可以认为同一层内，环烷烃和芳烃脱侧链的反应速率常数值相同，因此，对由于脱侧链所引起的环烷烃和芳烃的变化，可以用总环来考虑。

(j)第i层集总环烷烃的变化是它自身向较轻环集总的转移、环烷烃开环向同层烷烃的转化，同层芳烃饱和向它的转化以及所有比它重的环烷烃向它转移的综合结果。

采用的反应网络如图5所示。

采用加氢裂化反应动力学向量流向如图6所示。

建立加氢裂化动力学模型常微分方程组：

$\frac{{\mathrm{dC}}_{\mathrm{Ai}}}{\mathrm{dt}}=-(K_{\mathrm{Ri}}+K_{\mathrm{ANi}})C_{\mathrm{Ai}}+\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{P}_{\mathrm{rij}}{K}_{\mathrm{rj}}{C}_{\mathrm{Aj}}---\left(1\right)$

$\frac{{\mathrm{dC}}_{\mathrm{Ni}}}{\mathrm{dt}}=K_{\mathrm{ANi}}{C}_{\mathrm{Ai}}-(K_{\mathrm{NRi}}+K_{\mathrm{Ri}})C_{\mathrm{Ai}}+\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{P}_{\mathrm{rij}}{K}_{\mathrm{Rj}}{C}_{\mathrm{Nj}}---\left(2\right)$

$\begin{array}{c}\frac{{\mathrm{dC}}_{\mathrm{Pi}}}{\mathrm{dt}}=K_{\mathrm{NPi}}{C}_{\mathrm{Ni}}-K_{\mathrm{Pi}}{C}_{\mathrm{Pi}}+\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{P}_{\mathrm{Pij}}{K}_{\mathrm{Pj}}{C}_{\mathrm{Pj}}\\ (i=\mathrm{1,2,3}......n)\end{array}---\left(3\right)$

其中，i，j：为不同碳数窄馏分层编号；C_pi、C_Ni、C_Ai：第i层烷烃、环烃和芳烃的碳原子质量分数；K_Pi：第i层烷烃裂解反应的速率常数；K_Ri：第i层环状烃脱侧链生成较轻环状烃反应的速率常数；K_NPi：第i层环状烃开环生成链烷烃反应的速率常数；K_ANi：第i层芳烃饱和生成环烷烃反应的速率常数；K_Pij：第j层烷烃向第i层转移的分配系数；P_rij：第j层环状烃向第i层转移的分配系数。

在以上的机理分析基础上，建立包括加氢脱硫、加氢脱氮、加氢脱氧、烯烃饱和、芳烃饱和、环烷烃开环、环烷烃断侧链、链烃加氢裂化等反应类型的催化反应机理动力学模型，结合实际工业数据进行工业反应器内组分浓度分布、温度分布、催化剂失活特性等数学模型的参数校正，从而建立能表征加氢裂化反应器内反应性能，精确描述实际工况的加氢裂化反应过程的工业反应器模型。

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加氢裂化模型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接口技术开发加氢裂化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原油特性数据，进料负荷、催化剂床层温度、压力、氢油体积比，生成产物的流量数据。

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：

$\min f\left(X\right)=\underset{i=1}{\mathrm{\Σ}}{(C_{\mathrm{actual}}^i-C_{\mathrm{predict}}^i)}^2---\left(4\right)$

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) (5)

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) (6)

其中

p₁＝|f(r₁)|/p′

p₂＝|f(r₂)|/p′ (7)

p₃＝|f(r₃)|/p′

p′＝|f(r₁)|+|f(r₂)|+|f(r₃)| (8)

模型实时校正的简化流程图如图2所示。

本例选取某工厂加氢裂化装置某天的实际数据作为说明，当天装置的操作工况为：反应器压力15MPa、催化剂床层加权平均入口温度(WABT)400℃、氢油体积比800。根据上述条件，由算法求解得到校正后的模型输出数据如表2所示：

表2校正模型预测输出与实际数据的对比

4.加氢裂化产品收率分析

通过以上步骤的实现，机理模型通过实时运行特性数据的校正已经可以准确反映加氢裂化装置的实际情况。

利用校正的机理模型针对不同原料特性(密度、硫含量和氮含量)、进料负荷、催化剂床层温度、压力和氢油体积比所得到的装置关键产品收率进行分析，其中关键产品主要包括：轻端、轻石脑油、重石脑油、航煤组分油、柴油和尾油。建立本地数据库存储收率数据，并能够实现数据的读写。

表3和表4分别为催化剂床层平均温度和原料硫含量变化下，关键产品收率分析实例。

表3床层温度(WABT)变化下关键产品的收率

如表3所示，在WABT逐渐升高的过程中，轻端、轻石脑油、重石脑油和航煤组分油的收率不断上升，而柴油和尾油的收率则逐渐下降。这说明反应温度升高时，加氢裂化的转化率随之增加，此时，烃类的二次裂解增加，柴油和尾油进一步裂解生成更轻的组分油。

如表4所示，随着原料硫含量的增加，加氢产品中轻端收率有所上升，其它产品收率都有不同程度的降低。可见，加氢原料中硫含量对于装置产物收率有着重要的影响。

表4原料硫含量变化下关键产品的收率

5.产品收率实时预测

加氢裂化装置收率实时预测技术要求机理模型有较高准确性的同时还对模型的计算效率提出了很高的要求。上文介绍的校正模型机理十分复杂，求解速度很慢，而且容易不收敛，显然无法满足实时预测的需要，因此亟需利用神经网络技术建立代理模型来实现装置收率的实时预测。

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：

$y_{\mathrm{pjk}}=\underset{i=0}{\overset{N_{j=1}}{\mathrm{\Σ}}}{w}_{\mathrm{jki}}{x}_{p,j-1,j}---\left(9\right)$

$\left\{\begin{array}{c}{x}_{\mathrm{pjk}}=f\left(y_{\mathrm{pjk}}\right)\\ x_{\mathrm{pjo}}=1\end{array}\right.---\left(10\right)$

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：

$E=\frac{1}{2}\underset{p}{\mathrm{\Σ}}\underset{k=1}{\overset{H_L}{\mathrm{\Σ}}}{(o_{\mathrm{pk}}-x_{\mathrm{plk}})}^2---\left(11\right)$

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。

$w_{\mathrm{jki}}(t+1)=w_{\mathrm{jki}}\left(t\right)+\mathrm{\η}\underset{p}{\mathrm{\Σ}}{\mathrm{\δ}}_{\mathrm{pjk}}{x}_{p,j-1,i}+\mathrm{\α}[w_{\mathrm{jki}}\left(t\right)-w_{\mathrm{kji}}(t-1)]---\left(12\right)$

其中：

$\left\{\begin{array}{c}{\mathrm{\δ}}_{\mathrm{plk}}=f^{\′}\left(y_{\mathrm{plk}}\right)(o_{\mathrm{pk}}-x_{\mathrm{plk}})\\ {\mathrm{\δ}}_{\mathrm{pjk}}=f^{\′}\left(y_{\mathrm{pjk}}\right)\underset{i=1}{\overset{N_{j+1}}{\mathrm{\Σ}}}{\mathrm{\δ}}_{p,j+1,i}{w}_{j+1,i,k}\end{array}\right.j=L-1,...,1---\left(13\right)$

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(9)-(13)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，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。

根据上文分析数据表明，操作变量影响下的加氢裂化装置关键产品收率呈现非线性的趋势。本发明利用神经网络代理预测模型计算，将非线性对象进行分段线性化处理，产生相应的Delta-Base数据，实现收率实时预测。计算结果可用于建立PIMS模型，提高模型的精度。

利用神经网络代理模型计算装置关键产品收率的Delta-Base数据如表五所示，其计算过程分为两步：

第一步：根据给定的原料性质和操作条件计算出装置各项关键产品的预测收率作为Base数据；

第二步：根据设定的自由变量，自动计算该变量在给定值邻域内变化下的产品收率预测数据，并计算出单位变量改变下收率的变化量，该变化量即作为装置收率预测的Delta数据，计算公式如下：

${\mathrm{Delta}}_{\mathrm{val}}=\frac{Y_{+}^{\mathrm{keyproduct}}-Y_{-}^{\mathrm{keyproduct}}}{{\mathrm{Val}}_{+}-{\mathrm{Val}}_{-}}=\frac{{\mathrm{\ΔY}}^{\mathrm{keyproduct}}}{\mathrm{\ΔVal}}---\left(14\right)$

其中，Val表示指定的自由变量(如硫含量，反应温度等)，Y^keyproduct表示关键产品预测收率。

表5是以原料密度、硫含量和氮含量为自由变量，获得的Delta-Base数据，其中BA表示相应产品收率的Base数据，SP1、SU1和TN1分别表示原料密度、硫含量和氮含量变化下相应的关键产品收率的变化情况，即为产品收率的Delta数据。

表5装置实时收率预测Delta-base值

Text	BA1	SP1	SU1	TN1
					基准值		0.9098	0.89	1697
变化量		0.01	1	1000
					轻端	-0.0622	0.0008	-0.0050	0.0003
轻石脑油	-0.0683	0.0015	0.0004	0.0001
					重石脑油	-0.1618	0.0015	0.0005	0.0001

航煤组分油	-0.2701	0.0040	0.0010	0.0003
					柴油	-0.3811	-0.0025	0.0012	-0.0002
尾油	-0.0565	-0.0053	0.0019	-0.0006
					物料平衡	-1.0000	0.0000	0.0000	0.0000

关键产品收率的计算公式如下：

Y_product＝C_product/C_Inlet (15)

其中，Y_product表示产品收率，C_product表示产品的质量流量，C_Inlet表示原料进料的质量流量。

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加氢裂化装置收率的实时预测。该方法以88集总反应动力学模型为理论基础，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，达到加氢裂化装置收率的实时预测的效果，为建立精确地计划优化PIMS模型提供理论支撑。

Claims (2)

1.一种加氢裂化装置的收率实时预测方法，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，对加氢裂化装置的运行数据进行实时采集；

(2)根据所述实时数据，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，实现加氢裂化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；

步骤(2)中所述实时数据选自加氢裂化原料油的密度、硫含量、氮含量、进料负荷、催化剂床层温度、反应压力、氢油体积比和产品收率；

所述改进后的差分进化算法为带有三角变异的差分进化算法，并定义优化目标为：

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

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(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，神经网络代理模型采用反向传播神经网络，选取7个神经网络输入变量：原料密度、硫含量、氮含量、进料负荷、床层平均温度、压力、氢油比，6个输出变量：轻端、轻石脑油、重石脑油、航煤、柴油、尾油；隐含层设置为7层；利用代理模型对装置收率进行实时预测，获得产品收率的Delta-Base值。

2.根据权利要求1所述的收率实时预测方法，其特征在于，步骤(3)中针对原料密度、硫含量、氮含量、装置加工量、反应温度、压力和氢油体积比开展操作特性分析，获得对关键产品收率的影响规律。