CN106773674A - 一种延迟焦化过程多目标实时优化方法及系统 - Google Patents

Abstract

本发明公开了一种延迟焦化过程多目标实时优化方法及系统，该方法包括以下步骤：S1、实时获取延迟焦化过程生产数据；S2、建立延迟焦化工艺模型，并校准延迟焦化工艺模型；S3、在优化的延迟焦化工艺模型的基础上，实现结合基于多目标列队竞争算法和非支配遗传算法的混合算法；S4、综合选择延迟焦化过程中的多个优化变量，以原料换热终温和产品收率作为双优化目标，进行模拟计算，得到双优化目标的变化趋势图；S5、编写GUI交互界面，实时显示数据读取、模型建立、算法优化和变化趋势图的结果，选择变化趋势图中最佳优化目标对应的优化变量。本发明算法优化效果好，搜索能力强，且能够有效的帮助石化工厂提高生产效率，节能环保，具有显著的经济效益。

Description

一种延迟焦化过程多目标实时优化方法及系统

技术领域

本发明涉及石油炼化领域，尤其涉及一种延迟焦化过程多目标实时优化方法及系统。

背景技术

延迟焦化是炼油厂渣油脱碳技术的主要手段之一。延迟焦化工艺分为反应、分离、吸收稳定系统三个部分。在对延迟焦化分馏的研究中，Trauth提出5个集中的动力学模型，即将减压渣油的焦化产物按照物理形态及馏程曲线划分为焦化富气、粗汽油、焦化柴油、其他液相产品(例如石脑油、蜡油)以及焦炭五大类。

国内研究方面，王春华等人借助PRO/II软件对延迟焦化装置分馏塔系统的仿真分析方法进行了深入研究，由于实际生产中难以测定来自焦炭塔顶的高温油气的具体组成成分，而且分馏塔底蒸发段的人字塔板气液相并不平衡，研究人员使用反向推算法获得油气组成，并将底部蒸发段和分馏部分分开处理，选择Grayson-Streed法对延迟焦化装置分馏塔系统模型进行物料和热量衡算，并获得了准确的模拟结果。孙杨等利用Aspen灵敏度分析优化分馏塔中段回流去热，得到较好的优化效果。李建树等利用数据分析软件STATISTICA进行正交试验的设计分析各个中段循环的一次效应和二次效应对渣油换热终温的影响，得到各个中段循环的最优流量。

在延迟焦化实际生产中，常常会涉及成本、安全、可靠性、环境、资源等目标、这些目标往往是相互冲突的。为解决多目标问题，NSGA、NPGA、MOGA、MOLCA等算法被相继提出。非支配遗传算法NSGA-II是Deb等对NSGA的改进，新算法引入了精英保留机制、提出了快速非支配排序方法和拥挤度距离概念，提升了计算性能。缺陷在于稳定性比较差，在目标函数评价次数较少时，容易出现收敛于局部最优解、解集部分缺失等问题。列队竞争算法是由鄢烈祥等人于2001年提出的一种并行搜索多层竞争的全局优化搜索方法。列队竞争算法通过家族内部的生存竞争、家族之间的列队地位竞争，兼顾全局最优解的质量和搜索速度的同时避免群体陷入局部最优解。缺陷在于当变量急剧增加时，搜索能力下降，出现计算所得非支配解集趋于两端中间点较少的情况。

发明内容

本发明要解决的技术问题在于针对延迟焦化工艺现有技术中没有多目标实时优化的缺陷，提供一种延迟焦化过程多目标实时优化方法及系统。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种延迟焦化过程多目标实时优化方法，包括以下步骤：

S1、编写软件接口连接石化工厂实时数据库，实时获取延迟焦化过程生产数据；

S2、利用ASPEN PLUS流程模拟软件建立延迟焦化工艺模型，结合获取的生产数据校准延迟焦化工艺模型；

S3、在优化的延迟焦化工艺模型的基础上，实现结合基于多目标列队竞争算法和非支配遗传算法的混合算法；

S4、综合选择延迟焦化过程中的多个优化变量，以原料换热终温和产品收率作为双优化目标，通过混合算法在ASPEN PLUS流程模拟软件中进行模拟计算，得到双优化目标的变化趋势图；

S5、编写GUI交互界面，实时显示数据读取、模型建立、算法优化和变化趋势图的结果，选择变化趋势图中最佳优化目标对应的优化变量。

进一步地，本发明的步骤S1中获取延迟焦化过程生产数据的方法具体为：

利用Visual studio2012软件和C#语言编写石化工厂延迟焦化工艺实时数据库接口的类库程序的.dll文件，利用Matlab中NET.addAssembly函数读取.dll文件，连接上实时数据库后采用classObj.proxy方式提取延迟焦化过程生产数据。

进一步地，本发明的步骤S1中获取的延迟焦化过程生产数据包括：

进料参数、采出量、循环量、装置操作参数，产品的质量指标，以及原料和产品的比重、D86数据。

进一步地，本发明的步骤S2中建立的延迟焦化工艺模型的表达方式为：

Y＝Φ(X,C)

其中，Φ为延迟焦化工艺的Aspen模型；X为输入变量；C为模型参数；Y为输出变量；在此工艺中，X为高温油气进料性质及流量、返塔富吸收油的性质及流量，中段循环的流量及温差；Y为粗气油终馏点、柴油终馏点、轻蜡油终馏点、重蜡油终馏点、塔顶温度、塔底温度；C为各个反应模块、物性方法、塔板效率、脱过热段气化率、塔顶气相分率。

进一步地，本发明的步骤S2中校准延迟焦化工艺模型的方法为：

调整Y＝Φ(X,C)中C的参数值使输出变量Y满足|Y_计算-Y_实际|/Y_实际≤1％。

进一步地，本发明的步骤S3中混合算法的具体步骤为：

S31、初始化：通过随机撒点生成多个初始种群，初始种群代表由若干组优化变量组成的向量；计算各个初始种群的目标函数值，并对初始种群以原料换热终温或产品收率进行升序排列，作为进化父代；

S32、多目标列队进化：根据进化父代排序分配搜索空间，每个家族在其搜索空间内无性繁殖，产生n个均匀随机分布的子代，存储子代和父代；选取父代，父代排序采用目标轮换法，本次迭代以原料换热终温的升序选取父代，下次迭代选取产品收率的升序选取父代，如此反复；判断迭代次数是否达到设定值，若是则进行下一步，若否则重新执行步骤S32；

S33、遗传进化：根据列队所形成的种群选择父代，通过交叉变异策略生成子代；计算子代和父代的目标函数值和适应度，根据适应度大小进行非支配排序，保存非支配个体；选择最优秀的个体作为新的父代；判断迭代次数是否达到设定值，若是则进行下一步，若否则重新执行步骤S33；

S34、外部集存储：将遗传进化所得非支配个体存储在外部集，并计算其拥挤度距离，若非支配个体数目超过外部集存储容量，则删掉其中拥挤度距离小的个体；

S35、判断终止条件：若达到迭代次数达到设定值或解集分布较好，则输出外部集；若未达到，则返回步骤S32继续执行。

进一步地，本发明的步骤S4中选择的延迟焦化过程优化变量包括：

顶循环流量、柴油循环流量、中段循环流量、蜡油循环流量、柴油抽出量、轻蜡油抽出量和重蜡油抽出量。

进一步地，本发明的步骤S4中延迟焦化过程优化目标包括：

原料渣油换热终温，以及汽油收率、柴油收率和轻蜡油收率。

进一步地，本发明的步骤S4中的延迟焦化过程优化变量和优化目标之间的函数关系为：

步骤S4中的延迟焦化过程优化的数学模型如下：

目标函数：

Max f(u)＝Y₁+Y₂+Y₃

Max g(u)＝Q+Di，i＝1,2,3,4；

约束条件：

[Y,D,Z]＝Φ(X)

X_下≤X≤X_上

Z_下≤Z≤Z_上

其中，Φ为延迟焦化工艺的Aspen模型，f(u)为产品收率，g(u)为原料换热终温；Y₁、Y₂、Y₃依次为汽油、柴油、轻蜡油的收率；Q表示原料换热前的温度，Di表示原料依次与柴油循环换热、中段循环换热、蜡油循环换热、塔底循环换热能增加的温度，单位为℃；X是优化变量向量，X_上、X_下为优化变量上下界；Z是指定产品的质量指标向量，Z_上、Z_下为各侧线产品质量控制值的上下界。

本发明提供一种延迟焦化过程多目标实时优化系统，包括：

数据获取单元，用于通过编写的软件接口连接石化工厂实时数据库，实时获取延迟焦化过程生产数据；

模型建立单元，用于利用ASPEN PLUS流程模拟软件建立延迟焦化工艺模型，结合获取的生产数据校准延迟焦化工艺模型；

混合算法单元，用于在优化的延迟焦化工艺模型的基础上，实现结合基于多目标列队竞争算法和非支配遗传算法的混合算法；

模拟优化单元，用于综合选择延迟焦化过程中的多个优化变量，以原料换热终温和产品收率作为双优化目标，通过混合算法在ASPEN PLUS流程模拟软件中进行模拟计算，得到双优化目标的变化趋势图；

实时显示单元，用于通过编写的GUI交互界面，实时显示数据读取、模型建立、算法优化和变化趋势图的结果，选择变化趋势图中最佳优化目标对应的优化变量。

本发明产生的有益效果是：本发明的延迟焦化过程多目标实时优化方法，通过将原料进料性质、各个中段回流、产品采出量综合起来，利用混合优化算法实时计算它们对延迟焦化产品收率和原料换热终温双目标的综合影响，本发明优化效果好，搜索能力强，能够同时兼顾全局最优解的质量和搜索速度，有助于提高产能；通过实时显示结果趋势图，能够直观的反映优化结果；本发明能够有效的帮助石化工厂提高生产效率，节能环保，具有显著的经济效益。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的延迟焦化工艺简图；

图2是本发明实施例的混合算法的基本流程图；

图3是本发明实施例的混合算法和Aspen相结合的计算框图；

图4是本发明实施例的延迟焦化原料换热终温与产品收率非支配图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例的延迟焦化过程多目标实时优化方法，包括以下步骤：

S1、编写软件接口连接石化工厂实时数据库，实时获取延迟焦化过程生产数据；利用Visual studio2012软件和C#语言编写石化工厂延迟焦化工艺实时数据库接口的类库程序的.dll文件，利用Matlab中NET.addAssembly函数读取.dll文件，连接上实时数据库后采用classObj.proxy方式提取延迟焦化过程生产数据。

获取的延迟焦化过程生产数据包括：进料参数、采出量、循环量、装置操作参数，产品的质量指标，以及原料和产品的比重、D86数据。

S2、利用ASPEN PLUS流程模拟软件建立延迟焦化工艺模型，结合获取的生产数据校准延迟焦化工艺模型；

建立的延迟焦化工艺模型的表达方式为：

Y＝Φ(X,C)

其中，Φ为延迟焦化工艺的Aspen模型；X为输入变量；C为模型参数；Y为输出变量；在此工艺中，X为高温油气进料性质及流量、返塔富吸收油的性质及流量，中段循环的流量及温差；Y为粗气油终馏点、柴油终馏点、轻蜡油终馏点、重蜡油终馏点、塔顶温度、塔底温度；C为各个反应模块、物性方法、塔板效率、脱过热段气化率、塔顶气相分率。

校准延迟焦化工艺模型的方法为：

调整Y＝Φ(X,C)中C的参数值使输出变量Y满足|Y_计算-Y_实际|/Y_实际≤1％。

S3、在优化的延迟焦化工艺模型的基础上，实现结合基于多目标列队竞争算法和非支配遗传算法的混合算法；

S4、综合选择延迟焦化过程中的多个优化变量，以原料换热终温和产品收率作为双优化目标，通过混合算法在ASPEN PLUS流程模拟软件中进行模拟计算，得到双优化目标的变化趋势图；

选择的延迟焦化过程优化变量包括：顶循环流量、柴油循环流量、中段循环流量、蜡油循环流量、柴油抽出量、轻蜡油抽出量和重蜡油抽出量。

延迟焦化过程优化目标包括：原料渣油换热终温，以及汽油收率、柴油收率和轻蜡油收率。

步骤S4中的延迟焦化过程优化变量和优化目标之间优化的数学模型如下：

目标函数：

Max f(u)＝Y₁+Y₂+Y₃

Max g(u)＝Q+Di，i＝1,2,3,4；

约束条件：

[Y,D,Z]＝Φ(X)

X_下≤X≤X_上

Z_下≤Z≤Z_上

其中，Φ为延迟焦化工艺的Aspen模型，f(u)为产品收率，g(u)为原料换热终温；Y₁、Y₂、Y₃依次为汽油、柴油、轻蜡油的收率；Q表示原料换热前的温度，Di表示原料依次与柴油循环换热、中段循环换热、蜡油循环换热、塔底循环换热能增加的温度，单位为℃；X是优化变量向量，X_上、X_下为优化变量上下界；Z是指定产品的质量指标向量，Z_上、Z_下为各侧线产品质量控制值的上下界。

S5、编写GUI交互界面，实时显示数据读取、模型建立、算法优化和变化趋势图的结果，选择变化趋势图中最佳优化目标对应的优化变量。

混合算法的具体步骤为：

S31、初始化：通过随机撒点生成多个初始种群，初始种群代表由若干组优化变量组成的向量；计算各个初始种群的目标函数值，并对初始种群以原料换热终温或产品收率进行升序排列，作为进化父代；

S32、多目标列队进化：根据进化父代排序分配搜索空间，每个家族在其搜索空间内无性繁殖，产生n个均匀随机分布的子代，存储子代和父代；选取父代，父代排序采用目标轮换法，本次迭代以原料换热终温的升序选取父代，下次迭代选取产品收率的升序选取父代，如此反复；判断迭代次数是否达到设定值，若是则进行下一步，若否则重新执行步骤S32；

S33、遗传进化：根据列队所形成的种群选择父代，通过交叉变异策略生成子代；非支配排序，保存非支配个体；选择父代；判断迭代次数是否达到设定值，若是则进行下一步，若否则重新执行步骤S33；

S34、外部集存储：将遗传进化所得非支配个体存储在外部集，并计算其拥挤度距离，若非支配个体数目超过外部集存储容量，则删掉其中拥挤度距离小的个体；

S35、判断终止条件：若达到迭代次数达到设定值或解集分布较好，则输出外部集；若未达到，则返回步骤S32继续执行。

本发明实施例的延迟焦化过程多目标实时优化系统，包括：

数据获取单元，用于通过编写的软件接口连接石化工厂实时数据库，实时获取延迟焦化过程生产数据；

模型建立单元，用于利用ASPEN PLUS流程模拟软件建立延迟焦化工艺模型，结合获取的生产数据校准延迟焦化工艺模型；

混合算法单元，用于在优化的延迟焦化工艺模型的基础上，实现结合基于多目标列队竞争算法和非支配遗传算法的混合算法；

模拟优化单元，用于综合选择延迟焦化过程中的多个优化变量，以原料换热终温和产品收率作为双优化目标，通过混合算法在ASPEN PLUS流程模拟软件中进行模拟计算，得到双优化目标的变化趋势图；

实时显示单元，用于通过编写的GUI交互界面，实时显示数据读取、模型建立、算法优化和变化趋势图的结果，选择变化趋势图中最佳优化目标对应的优化变量。

在本发明的另一个具体实施例中，延迟焦化过程多目标实时优化方法包括：

(1)利用Visual studio2012软件和C#语言编写石化工厂延迟焦化工艺实时数据库接口的类库程序(.dll文件)，利用Matlab中NET.addAssembly函数读取.dll文件，连接上实时数据库后采

用classObj.proxy方式提取延迟焦化过程生产数据。利用编程语言，开发石化工厂延迟焦化工艺Oracle企业数据库接口，在Matlab上配置JDBC通道提取延迟焦化工艺检测数据。

(2)利用ASPEN PLUS软件建立延迟焦化主分馏模型，分馏塔采用PetroFrac石油化工专用模型，混合器采用Mixer，分流器采用FSplit，气液分离罐采用Flash2模型。分馏塔采用分段模拟，塔底脱过热段用闪蒸罐Flash2模型代替。物性方法采用Grayson-Streed法，引入塔板Murphree效率来拟合理论塔板和真实塔板之间的差异。采用进料油气性质反推修正计算方法，在不同操作条件下计算汽油、柴油、蜡油产品的收率及D86数据，结合工厂实际数据校准ASPEN模型。

(3)为克服NSGA-II和MOLCA存在的问题，将NSGA-II和MOLCA结合，利用MOLCA为NSGA-II生成进化父代，形成一种高效的混合算法MOLCA-NSGA-II。优化步骤是：1)初始化。通过随机策略，生成初始种群，并对初始种群以某一目标升序排列，作为进化父代；2)多目标列队进化。根据父代排序分配搜索空间，每个家族在其搜索空间内无性繁殖，产生n个均匀(随机)分布的子代，存储子代和父代；选取父代，父代排序采用目标轮换法，本次迭代以目标一的升序选取父代，下次迭代选取目标二的升序选取父代，如此反复；判断终止条件，若是则进行下一步，若否则重新执行第二步；3)遗传进化。根据列队所形成的种群选择父代，通过交叉变异策略生成子代；非支配排序，保存非支配个体；选择父代；判断终止条件，若是则进行下一步，若否则重新执行生成子代步骤；4)外部集存储。将遗传进化所得非支配个体存储在外部集，若非支配个体数目超过外部集存储容量，则删掉其中拥挤度距离小的个体；5)判断终止条件。若达到终止判据，则输出外部集；若未达到，则返回第二步继续执行。改进的混合算法能在较短的时间内得到非支配解，提高了计算速度，具体流程如图2所示。

(4)顶循环流量、柴油循环流量、中段循环流量、蜡油循环流量、柴油抽出量、轻蜡油抽出量、重蜡油抽出量、原料性质等因素对原料渣油换热终温各自有独立的影响，比如柴油循环流量的一次效应几乎相当于重蜡油循环和顶循环流量的一次效应。一般观点认为提高高温位的蜡油、中段循环的取热比例，降低塔顶、柴油循环等低温位热源的取热比例就能提高用能效率，但他们的优化大都基于工程经验，虽然最终结果有所改善，但没有经过定量分析，而且也忽略了取热优化的同时对产品收率也有影响，企业在追求用能效率的同时也追求产品收率，在加大产品抽出量的时候又会影响原料的换热终温。本方法将这些因数综合起来作为优化变量，通过基于MOLCA与NSGA-II的混合算法与ASPEN模拟结合进行原料换热终温与产品收率双目标实时优化，找出优化目标的变化趋势。具体的流程如图3所示。

(5)编写GUI交互界面，将实时数据读取、机理模型、算法优化、显示结果趋势图等功能整合起来，实现输入参数—显示优化趋势图的实时优化效果。

在本发明的另一个具体实施例中，某石化厂延迟焦化装置的设计规模为100万t/a，采取的原料为常减压渣油。

其实际生产流程如下：

如图1所示，首先将从常减压装置来的原料一减压渣油(150℃)送入原料油缓冲罐，之后用原料油泵抽出，经柴油—原料油换热器、轻蜡油—原料换热器、循环油—原料及回流换热器换热后与焦化主分馏塔底采出的循环油混合，然后进入加热炉的进料缓冲罐。

循环油从分馏塔底抽出，经由循环油泵升压后分成两部分，一部分经换热器和循环油蒸汽发生器换热后分别返回焦化分馏塔的人字形挡板上部和底部；循环油上返塔部分，另一部分返回至原料油进料线与原料渣油混合，作为循环油使用。

重蜡油由重蜡油泵从蜡油集油箱中抽出，一部分经稳定塔塔底再沸器换热后，回流至分馏塔；另一部分重蜡油经过重蜡油蒸汽发生器和重蜡油冷却器换热后出装置和作为急冷油。轻蜡油从分馏塔抽出后，经轻蜡油—原料换热器、除氧水—轻蜡油换热器和轻蜡油冷却器换热至80℃后出装置。

柴油经柴油泵抽出后分成两股，一股物料返回分馏塔内，另一股物流经柴油和回流蒸汽发生器、柴油—原料油换热器和富吸收油—柴油换热器换热后，再分为两部分，一部分作为回流返回分馏塔，其余经过柴油空冷器冷却后分成两路，一路柴油出装置，另一路作为再吸收塔的进料。

从吸收稳定系统的再吸收塔塔底来的富吸收油经换热器换热至120℃后，进入主分馏塔。

产品规格约束：

汽油干点：192～201℃；柴油干点：353～362℃；轻蜡油干点：435～450℃；

分馏塔塔顶温度：105～130℃；

1、根据实际流程使用ASPEN PLUS软件建立模型，导入数据到ASPEN的数据路径中

对比计算结果和实际生产数据，反复微调模型参数，校准模型。

表1不同操作条件下为模拟值与实际工况值对比

经过模拟可以看出，产品终馏点和原料的换热终温与实际生产数据基本吻合，说明所建模型基本符合装置实际运行状况。

2.混合算法优化

一个典型且较为标准的多目标优化问题主要包括：目标函数、决策变量(或优化变量、操作变量)和约束条件。一般的MOP的数学定义如下：

其中，y为n个目标函数组成的向量，所有目标均为求最小值(若为求最大值，可以对目标函数取负)；为n维的决策矢量；g_i(x)为不等式约束，该约束可以确定决策变量的取值范围，h_j(x)为等式约束。

在本例优化过程中，选取顶循环流量、柴油循环流量、中段循环流量、蜡油循环流量、柴油抽出量、轻蜡油抽出量、重蜡油抽出量为优化变量，实际生产历史数据中各个流量的最大值和最小值作为优化区间，原料渣油的换热终馏点和汽油、柴油、轻蜡油产品收率为优化目标，工厂检测的产品质量指标作为约束条件。通过读取实时数据、利用混合优化算法，计

算这些变量对双目标的综合影响，并实时显示双目标优化趋势图。结果如图4所示。

从结果上可以看出，通过优化后利用延迟焦化分馏体系的反应余热能将原料换热终温提高到314.7℃，此时对应的操作条件为顶循环流量为33.29t/h，柴油循环流量为63.88t/h，中段循环流量为74.28t/h，蜡油循环流量为33.97t/h，柴油抽出量为63.29t/h，轻蜡油抽出量为26.24t/h，重蜡油抽出量为13.8t/h。若追求收率，对应操作条件为顶循环流量为44.1t/h，柴油循环流量为41.29t/h，中段循环流量为63.17t/h，蜡油循环流量为27.23t/h，柴油抽出量为65.74t/h，轻蜡油抽出量为27.87t/h，重蜡油抽出量为11.04t/h，此时的收率为0.834。此后，由于进料成分限制，产率几乎不再上升，与实际情况吻合。通过本方法，工厂可以根据实际数据，优化查看趋势，给生产提供参考。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种延迟焦化过程多目标实时优化方法，其特征在于，包括以下步骤：

S1、编写软件接口连接石化工厂实时数据库，实时获取延迟焦化过程生产数据；

S2、利用ASPEN PLUS流程模拟软件建立延迟焦化工艺模型，结合获取的生产数据校准延迟焦化工艺模型；

S3、在优化的延迟焦化工艺模型的基础上，实现结合基于多目标列队竞争算法和非支配遗传算法的混合算法；

S4、综合选择延迟焦化过程中的多个优化变量，以原料换热终温和产品收率作为双优化目标，通过混合算法在ASPEN PLUS流程模拟软件中进行模拟计算，得到双优化目标的变化趋势图；

S5、编写GUI交互界面，实时显示数据读取、模型建立、算法优化和变化趋势图的结果，选择变化趋势图中最佳优化目标对应的优化变量。

2.根据权利要求1所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S1中获取延迟焦化过程生产数据的方法具体为：

利用Visual studio2012软件和C#语言编写石化工厂延迟焦化工艺实时数据库接口的类库程序的.dll文件，利用Matlab中NET.addAssembly函数读取.dll文件，连接上实时数据库后采用classObj.proxy方式提取延迟焦化过程生产数据。

3.根据权利要求1所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S1中获取的延迟焦化过程生产数据包括：

进料参数、采出量、循环量、装置操作参数，产品的质量指标，以及原料和产品的比重、D86数据。

4.根据权利要求1所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S2中建立的延迟焦化工艺模型的表达方式为：

Y＝Φ(X,C)

其中，Φ为延迟焦化工艺的Aspen模型；X为输入变量；C为模型参数；Y为输出变量；在此工艺中，X为高温油气进料性质及流量、返塔富吸收油的性质及流量，中段循环的流量及温差；Y为粗气油终馏点、柴油终馏点、轻蜡油终馏点、重蜡油终馏点、塔顶温度、塔底温度；C为各个反应模块、物性方法、塔板效率、脱过热段气化率、塔顶气相分率。

5.根据权利要求4所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S2中校准延迟焦化工艺模型的方法为：

调整Y＝Φ(X,C)中C的参数值使输出变量Y满足|Y_计算-Y_实际|/Y_实际≤1％。

6.根据权利要求1所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S3中混合算法的具体步骤为：

S31、初始化：通过随机撒点生成多个初始种群，初始种群代表由若干组优化变量组成的向量；计算各个初始种群的目标函数值，并对初始种群以原料换热终温或产品收率进行升序排列，作为进化父代；

S32、多目标列队进化：根据进化父代排序分配搜索空间，每个家族在其搜索空间内无性繁殖，产生n个均匀随机分布的子代，存储子代和父代；选取父代，父代排序采用目标轮换法，本次迭代以原料换热终温的升序选取父代，下次迭代选取产品收率的升序选取父代，如此反复；判断迭代次数是否达到设定值，若是则进行下一步，若否则重新执行步骤S32；

S33、遗传进化：根据列队所形成的种群选择父代，通过交叉变异策略生成子代；计算子代和父代的目标函数值和适应度，根据适应度大小进行非支配排序，保存非支配个体；选择最优秀的个体作为新的父代；判断迭代次数是否达到设定值，若是则进行下一步，若否则重新执行步骤S33；

S34、外部集存储：将遗传进化所得非支配个体存储在外部集，并计算其拥挤度距离，若非支配个体数目超过外部集存储容量，则删掉其中拥挤度距离小的个体；

S35、判断终止条件：若达到迭代次数达到设定值或解集分布较好，则输出外部集；若未达到，则返回步骤S32继续执行。

7.根据权利要求1所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S4中选择的延迟焦化过程优化变量包括：

顶循环流量、柴油循环流量、中段循环流量、蜡油循环流量、柴油抽出量、轻蜡油抽出量和重蜡油抽出量。

8.根据权利要求7所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S4中延迟焦化过程优化目标包括：

原料渣油换热终温，以及汽油收率、柴油收率和轻蜡油收率。

9.根据权利要求8所述的延迟焦化过程多目标实时优化方法，其特征在于，步骤S4中的延迟焦化过程双目标优化的数学模型如下：

目标函数：

Max f(u)＝Y₁+Y₂+Y₃

Max g(u)＝Q+Di，i＝1,2,3,4；

约束条件：

[Y,D,Z]＝Φ(X)

X_下≤X≤X_上

Z_下≤Z≤Z_上

其中，Φ为延迟焦化工艺的Aspen模型，f(u)为产品收率，g(u)为原料换热终温；Y₁、Y₂、Y₃依次为汽油、柴油、轻蜡油的收率；Q表示原料换热前的温度，Di表示原料依次与柴油循环换热、中段循环换热、蜡油循环换热、塔底循环换热能增加的温度，单位为℃；X是优化变量向量，X_上、X_下为优化变量上下界；Z是指定产品的质量指标向量，Z_上、Z_下为各侧线产品质量控制值的上下界。

10.一种延迟焦化过程多目标实时优化系统，其特征在于,包括：

数据获取单元，用于通过编写的软件接口连接石化工厂实时数据库，实时获取延迟焦化过程生产数据；

模型建立单元，用于利用ASPEN PLUS流程模拟软件建立延迟焦化工艺模型，结合获取的生产数据校准延迟焦化工艺模型；

混合算法单元，用于在优化的延迟焦化工艺模型的基础上，实现结合基于多目标列队竞争算法和非支配遗传算法的混合算法；

模拟优化单元，用于综合选择延迟焦化过程中的多个优化变量，以原料换热终温和产品收率作为双优化目标，通过混合算法在ASPEN PLUS流程模拟软件中进行模拟计算，得到双优化目标的变化趋势图；

实时显示单元，用于通过编写的GUI交互界面，实时显示数据读取、模型建立、算法优化和变化趋势图的结果，选择变化趋势图中最佳优化目标对应的优化变量。