CN105740960A - 一种工业加氢裂化反应条件的优化方法 - Google Patents

Abstract

本发明提供一种工业加氢裂化反应条件的优化方法，包括步骤：1)在不同操作条件下，采集工业加氢裂化装置加氢裂化反应的生产数据；2)以生产数据为加氢裂化过程的待优化的目标函数，以操作条件为相关优化变量，3)基于约束性遗传机制，建立目标函数、约束函数以及计算参数的隐式数值函数关系或显性函数解析关系；4)采用目标优化算法进行目标优化。本发明提出的方法，确立了一种较为准确的成品油性能指标对于运转工艺条件的高维隐式函数依赖关系。可以采用数值方法，对于成品油性能指标与运转工艺条件进行关联。该方法不受复杂的待优化目标函数的凸性，可微性限制。而且该方式也更适应于加氢裂化反应体系具有的极强的非线性特征。

Description

一种工业加氢裂化反应条件的优化方法

技术领域

本发明属于石油化工领域，具体地，涉及一种加氢工艺过程的优化方法。

背景技术

随着世界原油质量的日益劣化和重质化，我国炼厂所加工原油的日益多样性以及各类催化剂的不断涌现。工艺运转所获取的各类产品性能评价结果及规律性也表现得纷繁复杂，对于各类成品油的各种性能要求也因不同需求而纷繁复杂。催化剂研发和工艺运转过程的实质无非是在兼顾和权衡各类损益的条件下使得某个指标或某类指标最优化。可将这一优化过程用数学语言描述为：在特定的等性及不等性条件约束下使得某个或某类产品性能极大或极小化。

这一过程在实现过程中存在着巨大的困难。以工艺运转数据的分析为例：运转系统规模相对较大，衡量系统本身性质的自由度较多，对于成品油的各种性能要求导致相关系统的约束条件很多；待优化的目标往往并不唯一而且可能数目众多，众多目标之间有时还存在着互斥性的矛盾；油品性能以及待优化的目标函数与工艺条件之间很可能存在着非线性的甚至是非解析的近似函数依赖关系。在传统的科研进程中解决这一困难的途径往往通过“降维，拟线性化”等方式忽略某些因素来实现，其实现结果也往往取决于个体科技人员的技能，经验和运气等。

专利CN201010165042.2介绍了一种工业装置对二甲苯氧化反应过程多目标优化方法。该方法采用遗传算法对于对二甲苯的氧化反应条件进行优化。该方法中对二甲苯氧化反应体系相对比较简单，基本属于无约束优化。反应的目标函数可以写作待优化变量的显式函数。

CN101261497A介绍了一种工业装置粗对苯二甲酸加氢精制反应过程优化运行方法，该方法采用粒子群优化算法对于对二甲苯加氢过程进行数学优化。但其在计算过程中所拟合的动力学方程形式相对放式相对简单，对于反应级数的处理方式也相对比较简单。以上技术面向的对象体系均比较简单，且未对待优化目标彼此之间的矛盾影响进行细致刻画。

专利CN103488085A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。但是对于加氢裂化反应，操作参数多，待优化的生产数据超过三个，该专利的处理方法不能实现多个目标参数的优化。

发明内容

为了克服上述技术问题，本发明的目的在于，提供一种工业加氢裂化反应条件的优化方法。

实现本发明上述目的的技术方案为：

一种工业加氢裂化反应条件的优化方法，包括步骤：

1)在不同操作条件下，采集工业加氢裂化装置加氢裂化反应的生产数据；所述操作条件为反应温度、处理量、氢分压力、空速、原料沸点、原料组成、氢油体积比、循环氢纯度、原料的气化率中的三种以上；所述生产数据为转化率、选择性、收率、航煤冰点、烟点、汽油辛烷值、柴油十六烷值数据中的一种或多种。进一步地，所述生产数据为生成油的密度、轻石脑油收率和中油选择性、尾油选择性中的一种或多种；

2)以生成油产品性质对加氢裂化工艺条件的函数关系做为加氢裂化过程的待优化的目标函数，以操作条件为相关优化变量，将步骤1)的不同操作条件的具体工艺参数除以该操作条件中工艺参数的最大值，得到标准化的自变量，以所得自变量为约束函数；

3)基于约束性遗传机制，建立目标函数、约束函数以及计算参数的隐式数值函数关系或显性函数解析关系；

4)采用目标优化算法进行目标优化，具体包括以下步骤：

A)确立待优化目标函数的形式；

B)针对每个优化目标随机生成相应目标的种群；

C)对每个种群依据相关目标函数的约束机制进行筛选，获取符合约束条件限制的种群个体，形成新种群；

D)按C)的方式依次生成新个体，新个体数目为10-10000个；个体数目的选择取决于计算体系的复杂性及计算软硬件系统的限制；

E)以新个体构成新种群，作为优化计算的初始种群；

F)依次计算每个种群个体的适应度函数；

G)采用遗传算法的选择性算法选出个体进行种群复制，作为下次计算的种群父本个体；

H)对已选取的种群父本个体进行交叉和变异产生新的种群个体；

I)将新种群替代旧种群，重复步骤C)-H)直至进化达到优化目标。

最终所得到的种群是若干个满足目标函数个体的优解。

其中，所述步骤3)中，计算参数为种群数目(即总群中所有个体的数目)、最大种群遗传代数、交叉概率和变异概率；所述最大种群遗传代数为10-500，交叉概率为0-1，变异概率为0-1。

所述步骤3)之A)中，目标函数可以为加氢裂化反应的中油选择性、馏分油的转化率；也可以以航煤冰点、航煤烟点、中油选择性、柴油收率为目标函数。

优选地，所述最大种群遗传代数为20-200；交叉概率为0.4-0.6；变异概率为0-0.1。

其中，所述步骤3)中待优化的目标函数和相关约束目标函数的关系为隐性函数关系时，则建立样条曲线或样条曲面插值函数，

优选地，当待优化的目标函数和相关约束目标函数的关系为隐性函数关系时，建立三次样条曲面、B样条曲面、U，V样条曲面中的一种函数。

步骤4)中所涉及的适应度函数是一个非负型实函数，它与目标函数之间存在着一定的关联性，当使求取的目标函数极大化时，适应度函数与目标函数正向相关；当使求取的目标函数极小化时，适应度函数与目标函数反向相关。

其中，所述步骤4)中的适应度函数为目标函数本身，或与目标函数正向相关。所述适应度函数形式上为显式解析函数或为隐式数值函数。

适应度函数可以包含“罚函数”形式使得不符合约束函数要求的个体适用度为零。也可以包含其它函数使得不符合约束函数要求的个体在遗传计算中不参与种群复制。

具体地，所述步骤4)A中将函数自变量的求解区间首先视为[0,1]组成的立方区间，对区间的每一个工艺参数维度进行等距剖分，将每个区间划分为256等份，每一等分分别用八位二进制数列00000000-11111111进行表示；计算时将二进制转化为实际变量值，再行按照所确立的数值隐式函数计算相关的工艺条件时对应的目标函数；

目标函数对应的00000000-11111111之间的二进制数值作为一个种群个体，每组3个8位的二进制数做为该个体的基因，生成初始种群。

所述步骤4)G中，按照所计算的自适应函数值的大小进行下一代种群的个体父本的复制，复制的原则包括：直接选择适应度函数大于或小于指定比率(例如50％)的个体进行复制，或者依照适应度函数数值的大小依概率选择复制个体进行复制，复制所得个体作为下次计算的种群父本个体。

其中，所述步骤4)中所涉及的个体进化计算过程采用多核计算机并行计算或多计算结点的分布计算，其计算节点为1个以上。

优选地，所述计算节点为100-200个。

针对现有技术存在的问题，本发明提供一种工业加氢裂化装置加氢裂化反应的目标优化方法，该方法能够适用的运转系统规模相对较大，衡量系统本身性质的自由度较多的情形，同时该模型也适用于相关系统的约束条件较多的情形；同时其对于油品性能以及待优化的目标函数与工艺条件之间很可能存在着非线性的甚至是非解析的近似函数依赖关系也有很好的适用性。原本在传统的科研进程中需要采用“降维，拟线性化”等方式并且往往要忽略某些因素来实现的优化方式，本方法也可通过一般的数学方式予以实现。

与现有技术相比，本发明方法具有以下优点：

首先，本方法确立一种较为准确的成品油性能指标对于运转工艺条件的高维隐式函数依赖关系。可以采用数值方法，对于成品油性能指标与运转工艺条件进行关联。

其次，该方式对于复杂函数体系的优化求解也提供了一种有效的方法。该方法不受复杂的待优化目标函数的凸性，可微性限制。而且该方式也更适应于加氢裂化反应体系具有的极强的非线性特征。

附图说明

图1为生成油密度对工艺操作条件等势图，图中从左到右依次为生成油密度为0.813的等势面、生成油密度为0.803的等势面、生成油密度为0.793的等势面、生成油密度为0.783的等势面。

图2为轻石脑油收率对工艺操作条件等势图，图中从右到左依次为轻石脑油收率为30％的等势面、轻石脑油收率为26％的等势面、轻石脑油收率为20％的等势面、轻石脑油收率为15％的等势面。

图3为中油选择性对工艺操作条件等势图，图中从右到左依次为中油选择性为65％的等势面(立方体中右侧上下两条)、中油选择性为60％的等势面、中油选择性为55％的等势面、中油选择性为50％的等势面、中油选择性为45％的等势面(立方体中靠近压力坐标轴的左上角)。

图4进化计算所涉及的所有工艺操作点符合操作条件的可行解区间点云逼近图。

图5计算过程第25代、50代、75代、100代、125代、150代、175代、200代代表工艺变量的种群个体在操作空间分布的变化情况。

图6计算过程工艺变量适应度函数值的变化情况。

图7计算过程中目标函数中油选择性的变化情况。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

个体进化计算过程采用多节点分布式计算机进行计算，计算节点为100个。

除非特别说明，本发明所采用的技术手段，为本领域常规的技术手段。

实施例1

首先从40ml小型加氢装置按照不同工艺条件依次提取温度、处理量以及氢分压力不同的27组实验对应的馏分油产品，分别采集27种工艺操作条件下生成油的密度、轻石脑油收率以及中油选择性数据。依次将加氢裂化反应的温度、处理量以及氢分压力分别标准化(除以相关工艺变量的最大值)后做为自变量，以生成油的密度、轻石脑油收率以及中油选择性做为函数采用3次B样条方法进行插值计算，生成一个关于操作工艺变量与三类产品性质的三个隐式数值函数。该优化计算体系的目标函数及约束函数均为不能够写成全局显式函数的局域数据数值插值隐函数。

其次，分别将生成油密度(F₁)、轻石脑油收率(F₂)以及中油选择性(F₃)对于操作工艺条件进行作图，作图结果如图1～3所示。

接下来将待优化函数以及相关约束函数写成如下标准形式：

$\begin{array}{cc}\max & F_3(a,b,d)\\ s.t.& 0.793<F_1(a,b,d)<\mathrm{0.8.3}\\ & 20\%<F_2(a,b,d)<25\%\\ & a=\frac{P}{14.7}\\ & b=\frac{T}{387}\\ & d=\frac{\mathrm{Flow}}{90}\\ & 10.7\&le;P\&le;14.7\\ & 377\&le;T\&le;387\\ & 60\&le;\mathrm{Flow}\&le;90\end{array}---\left(1\right)$

上式中，每种工艺条件的取值范围来源于工业生产的相关实际参数的最大合理操作范围。P表示氢分压力；

T表示温度；

Flow表示处理量；

然后对函数体系进行优化计算，具体计算步骤包括：

将函数自变量的求解区间首先视为[0,1]组成的立方区间，对区间的每一个工艺参数维度进行等距剖分，将每个区间划分为256等份，每一等分分别用八位二进制数列00000000-11111111进行表示。计算时将二进制转化为实际变量值，再行按照所确立的数值隐式函数计算相关的工艺条件时对应的目标函数F₃及约束函数F₁、F₂产品性质数值。对应的三个00000000-11111111之间的二进制数值作为一个种群个体，每组3个8位的二进制数做为该个体的基因，按照该方法生成初始40个种群个体。

在本实施例为了简化计算，同时为了优化反应过程中的产品中油选择性。故个体所对应的目标函数F₃的数值视为对应个体的适应度函数。如果个体对应的函数F₁及F₂数值满足约束条件要求，则将F3的数值做为适应度函数的数值，如果个体对应的函数F₁及F₂数值不满足约束条件要求，则将F₃对应的适应度函数的数值赋值为0，也即使得该个体无法进行遗传计算。

依次将所有个体对应的基因按照概率0.3，0.65及0.05进行无损复制、交叉配合或基因变异形成另外40个个体种群，并计算相关自适应函数，按照所形成的包含80个个体的种群自适应函数值依概率大小随机选取其中的40个做为新一代种群，反复重复这一过程200次即进化计算代数为200。种群的个体趋于单一，同时其自适应函数值趋于满足于约束条件的最大值。该计算过程也收敛于式(1)的优化问题的最优解。

整个计算过程工艺变量数值的变化情况如图6所示。计算过程显示在整个计算过程中的工艺条件不断进行调整。

整个计算过程工艺变量在工艺操作变量空间的变化情况如图5所示。计算过程显示在整个计算过程中的工艺条件不断进行调整。

整个计算过程中目标函数中油选择性的变化情况如图7所示。计算结果表明在进化计算的初期目标函数的增长很快，后来逐渐变慢。大约140代以后目标函数几乎没有变化，也表明计算收敛。

最后将计算过程所涉及的所有满足约束条件的可行工艺操作点列于图4。可认为改进化计算过程所有个体基本遍历整个约束条件所满足的可行工艺操作区间。

实施例2

实施例2为在实施例1相同算法条件下，只调整反应温度及处理量，对裂化反应的转化率进行优化。由于此次计算的是优化函数尾油转化率的最小值，故将自适应函数写做目标函数的倒数，其余方法与实施例1相同。该目标函数为馏分油的转化率(原料重油转化为轻组分的转化率)。尾油是所需的目标产品，尾油不再参与转化。

优化问题的标准的数学形式为：

对比例1

现将实际40ml小型试验装置在相同条件下，采用经验法依次调整反应压力、反应处理量以及反应温度摸索7次工艺条件的可行操作结果作为比较例1。

表1：实施例1和对比例1的比较

	比较例1	实施例1
			反应压力/MPa	11.7	11.3
反应处理量/g/hr	64.5	66.5
			反应温度/℃	381	384.7
生成油密度/g/ml	0.802	0.797
			石脑油收率/％	20.3	22.7
中油选择性/％	56.4	59.4

可见在相同约束条件下该方法具有更好的操作效果，产品性能也更符合要求。

对比例2

对比例2为遵循特定产品性能约束要求的情况下，最大化生产尾油相关性能约束要求列于表2。

表2：对比例2性能约束

航煤冰点	>-52℃
		航煤烟点	22-25mm
中油选择性	>83％

柴油收率

>25％

按本方法优化计算的工艺参数进行相关工艺试验其结果作为实施例2。

与按常规摸索方法(按照既有运转操作经验每次只变动一个工艺条件，对每个工艺条件依次进行一维搜索。)所获实验结果对比列于表3。

表3工艺操作条件及结果

	比较例2	实施例2
			反应压力/MPa	14.3	14.3
反应处理量/g/hr	80	85
			反应温度/℃	361	360
入口氢油体积比	1600:1	1600:1
			航煤冰点/℃	-35	-37
航煤烟点/mm	23	24
			柴油收率/wt％	22.9	24.5
馏分油中油选择性/％	84.0	83.2
			馏分油转化率/wt％	57.8	60.0

从以上的实施例可以看出，本发明方法的最大特点在于，能够在复杂的实际工况工艺条件约束下，高效地完成工艺参数的优化计算。其计算结果相对于传统的经验性摸索更具高效性和准确性。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种工业加氢裂化反应条件的优化方法，其特征在于，包括步骤：

1)在不同操作条件下，采集工业加氢裂化装置加氢裂化反应的生产数据；所述操作条件为反应温度、处理量、氢分压力、空速、原料沸点、原料组成、氢油体积比、循环氢纯度、原料的气化率中的三种以上；所述生产数据为转化率、选择性、收率、航煤冰点、烟点，汽油辛烷值、柴油十六烷值数据中的一种或多种；

2)以生成油产品性质对加氢裂化工艺条件的函数关系做为加氢裂化过程的待优化的目标函数，以操作条件为相关优化变量，将步骤1)的不同操作条件的具体工艺参数除以该操作条件中工艺参数的最大值，得到标准化的自变量，以所得自变量为约束函数及目标函数的自变量；

3)基于约束性遗传机制，建立目标函数、约束函数以及计算参数的隐式数值函数关系或显性函数解析关系；

4)采用目标优化算法进行目标优化，具体包括以下步骤：

A)确立待优化目标函数的形式；

B)针对每个优化目标随机生成相应目标的种群；

C)对每个种群依据相关目标函数的约束机制进行筛选，获取符合约束条件限制的种群个体，形成新种群；

D)按C)的方式依次生成新个体，新个体数目为40-2000个；

E)以新个体构成新种群，作为优化计算的初始种群；

F)以待优化的目标函数本身或与该函数正向相关的函数做为适应度函数，依次计算每个种群个体的适应度函数值；

G)采用遗传算法的选择性算法选出个体进行种群复制，作为下次计算的种群父本个体；

H)对已选取的种群父本个体进行交叉和变异产生新的种群个体；

I)将新种群替代旧种群，重复步骤C)-H)直至进化达到优化目标。

2.如权利要求1所述的优化方法，其特征在于，所述步骤3)中，计算参数为种群数目、最大种群遗传代数、交叉概率和变异概率；所述最大种群遗传代数为10-500，交叉概率为0-1，变异概率为0-1。

3.如权利要求2所述的优化方法，其特征在于：所述最大种群遗传代数为20-200；交叉概率为0.4-0.6；变异概率为0-0.1。

4.如权利要求1所述的优化方法，其特征在于，所述步骤3)中待优化的目标函数和相关约束目标函数的关系为隐性函数关系时，则建立样条曲线或样条曲面插值函数。

5.如权利要求4所述的优化方法，其特征在于，当待优化的目标函数和相关约束目标函数的关系为隐性函数关系时，建立三次样条曲面、B样条曲面、U，V样条曲面中的一种函数。

6.如权利要求1-5任一所述的优化方法，其特征在于：所述步骤4)中的适应度函数为目标函数本身，或与目标函数正向相关。

7.如权利要求1-5任一所述的优化方法，其特征在于，所述步骤4)A中将函数自变量的求解区间首先视为[0,1]组成的立方区间，对区间的每一个工艺参数维度进行等距剖分，将每个区间划分为256等份，每一等分分别用八位二进制数列00000000-11111111进行表示；计算时将二进制转化为实际变量值，再行按照所确立的数值隐式函数计算相关的工艺条件时对应的目标函数；

目标函数对应的00000000-11111111之间的二进制数值作为一个种群个体，每组3个8位的二进制数做为该个体的基因，生成初始种群。

8.如权利要求1-5任一所述的优化方法，其特征在于，所述步骤4)中所涉及的个体进化计算过程采用多核计算机并行计算或多计算结点的分布计算，其计算节点为1个以上。

9.如权利要求8所述的优化方法，其特征在于，所述计算节点为100-200个。