CN106874644A - 一种加氢精制中氢解程度的实时预测方法及其系统 - Google Patents
一种加氢精制中氢解程度的实时预测方法及其系统 Download PDFInfo
- Publication number
- CN106874644A CN106874644A CN201611235402.5A CN201611235402A CN106874644A CN 106874644 A CN106874644 A CN 106874644A CN 201611235402 A CN201611235402 A CN 201611235402A CN 106874644 A CN106874644 A CN 106874644A
- Authority
- CN
- China
- Prior art keywords
- hydrogenolysis
- data
- sulfur
- degree
- stable state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G45/00—Refining of hydrocarbon oils using hydrogen or hydrogen-generating compounds
- C10G45/72—Controlling or regulating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
- C10G2300/20—Characteristics of the feedstock or the products
- C10G2300/201—Impurities
- C10G2300/202—Heteroatoms content, i.e. S, N, O, P
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Organic Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明提供一种加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法及其系统,所述方法包括:基于所述过程的当前操作条件,利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。本发明根据加氢裂化流程在线可检测的过程变量利用ELM实时预测加氢精制过程含硫和/或氮的化合物的氢解程度,可为加氢裂化流程精制反应器的运行优化提供重要的状态信息。
Description
技术领域
本发明涉及加工过程预测技术领域,更具体地,涉及一种加氢精制中氢解程度的实时预测方法及其系统。
背景技术
石油工业是我国国民经济的一大支柱,随着经济的发展,炼厂规模不断扩大,装置大型化、自动化的程度不断提高,使得对原油这类不可再生资源的开发力度逐渐增大,最终造成了生产原料的匮乏。因此,能加工含硫或高硫的劣质油、重质油,生产高品质运输燃料,并且在保证产品收率的前提下可灵活调整产品分布的二次加工技术成为各炼化企业关注的重点,其中最有效、最环保的技术是加氢裂化。
加氢精制是加氢裂化流程的基本过程之一,其主要作用是脱除原料油中的有机硫化物、有机氮化物等非纯烃类化合物,为加氢裂化反应器提供合格的原料。加氢精制反应器的进料主要是1#、2#VGO与罐区轻蜡油,此外,根据流程是否采用循环工况,还会有部分硫、氮含量极低的循环尾油加入。精制反应器主要发生的化学反应包括:加氢脱硫、加氢脱氮、加氢脱氧等除杂置换反应;烯烃饱和、芳烃饱和等附带反应。其中,加氢脱硫反应和加氢脱氮反应的基本原理是有机硫化物的C-S键和有机氮化物的C-N键在催化剂的活性表面发生断裂,与氢气作用分别生成烃类、硫化氢和氨气。
现有技术主要以加氢精制反应器的脱硫(氮)率,即进料油与反应生成油中硫(氮)含量的差与进料油硫(氮)含量的比值,作为精制过程的评价指标,衡量加氢精制反应器运行状况的好坏。然而,反应生成油中以有机态存在的硫化物和氮化物结构复杂,难以进行在线检测,而离线化验的结果往往又存在较大的滞后,这将导致加氢精制反应器的运行状况,即脱硫(氮)效果存在不足或过度,进而导致加氢裂化终端产品中S含量超标,或裂化过程催化剂有机氮中毒、或精制过程因温度过高而导致催化剂快速老化,最终影响催化剂的使用寿命,降低炼化企业的整体经济效益。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法及其系统。
本发明的一个方面,提供了一种加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法,所述方法包括:
基于所述过程的当前操作条件,利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。
本发明的另一个方面,提供了一种加氢精制过程中含硫和/或氮化合物的氢解程度的实时预测系统,所述系统包括:
数据采集模块,用于采集所述过程的当前操作条件;
极限学习机ELM模型训练单元,用于构建ELM模型;
实时预测模块,用于实时预测所述过程中含硫和/或氮的化合物的氢解程度。
本发明提供的加氢精制过程含硫和/或氮的化合物的氢解程度实时预测方法及其系统,采用ELM对当前催化剂活性、当前进料属性、当前操作条件下的含S/N化合物氢解程度进行实时预测。通过选出当前催化剂活性下与当前进料属性最接近的多个进料属性下所有含S/N化合物氢解程度数据,选取它们的操作条件作为输入,含S/N化合物氢解程度为输出训练ELM。该预测模型的优点在于:(1)数据去噪之后进行稳态判别,剔除了一部分冗余数据;(2)ELM与其他神经网络算法相比运行速度快、学习能力强、泛化性能好,可以实现实时预测;(3)在模型搭建方法上,选择与当前进料属性相似度高于阈值的历史数据集合的操作条件为输入,除去了无关数据的干扰,也大大加快了ELM模型的训练速度,降低了模型计算不收敛的概率。本发明实时预测加氢精制过程含硫和/或氮的化合物的氢解程度可以保障催化剂活性,是延长装置开工周期、保证加氢裂化终端产品S含量合格的重要措施,同时也可为加氢精制反应器的运行优化提供必要的实时状态信息。
附图说明
图1为根据本发明一个优选实施例中加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法的流程示意图;
图2为根据本发明一个优选实施例中使用的ELM模型结构图;
图3为根据本发明中加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测系统的结构图;
图4为根据本发明一个优选实施例中加氢精制过程中含硫化合物氢解程度的预测结果图;
图5为根据本发明一个优选实施例中加氢精制过程中含氮化合物氢解程度的预测结果图;
图6为根据本发明一个优选实施例中加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测系统结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法,包括:基于所述过程的当前操作条件,利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。
本申请根据加氢裂化流程在线可检测的过程变量利用ELM实时预测加氢精制过程含硫和/或氮的化合物的氢解程度,可为加氢裂化流程精制反应器的运行优化提供重要的状态信息。
其中,当前操作条件是指加氢精制反应器各反应床层的温度分布及精制反应器中催化剂空速的当前值。
其中,若无特别说明,所述“含硫和/或氮的化合物”和所述“S/N化合物”均指含硫的化合物和/或含氮的化合物。
本发明的极限学习机ELM模型可以为常见的ELM模型,较为优选的是,所述极限学习机ELM模型的构建步骤包括:
基于所述过程中当前催化剂活性和当前进料属性,从所述过程的稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据,所述含硫和/或氮的化合物氢解程度数据对应的操作条件为输入,所述含硫和/或氮的化合物氢解程度数据为输出,训练ELM。
在上述步骤中,所述所有含有硫和/或氮的化合物氢解程度数据的催化剂活性与所述当前催化剂活性尽可能相同。
所述所有含硫和/或氮的化合物氢解程度数据的进料属性与所述当前进料属性相似度高于阈值。
为了更加简化构建步骤,ELM模型的构建步骤可以包括:
1)基于催化剂活性,将所述稳态历史数据分成若干个历史运行区域,得到互不相关的Z组包含催化剂活性、进料属性、操作条件、硫化氢含量信息的稳态历史数据集合和Z组包含催化剂活性、进料属性、操作条件、氨气含量信息的稳态历史数据集合,其中,Z为正整数;
2)基于所述过程所属的加氢裂化过程中的硫化氢含量和氨气含量,对所述过程在催化剂活性、进料属性和操作条件下各自对应的稳态历史数据进行含硫和/或氮的化合物氢解程度的计算,遍历Z组中稳态历史数据,得到Z组包含催化剂活性、进料属性、操作条件、含硫和/或氮的化合物氢解程度的稳态历史数据集合;
3)基于所述过程中当前催化剂活性和当前进料属性,从2)中稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据,将所述数据对应的操作条件为输入,所述数据为输出,训练ELM。
在上述步骤2)中,为了更加简化步骤,还包括:根据当前催化剂活性从Z个包含催化剂活性、进料属性、操作条件、含硫和/或氮的化合物氢解程度信息的数据集合中筛选出P个包含催化剂活性、进料属性、操作条件、含S/N化合物氢解程度信息的数据集合。其中,P,Z均为整数且P<Z。其中,P的个数根据当前催化剂活性所取得的数据来确定,通常假设当前催化剂活性为α,则取Z组数据中催化剂活性为(α-δ,α+δ)所对应的数据作为筛选出来的数据,δ为任意一个正数。从上述Z组数据中选出所需的P组数据。
在上述步骤2)中,具体为:
根据公式(1)和公式(2)分别计算加氢精制过程在相应催化剂活性、相应进料属性、相应操作条件下的含S和含N化合物的氢解程度:
其中,n(NH3)表示精制过程生成的氨气摩尔含量,n(H2S)表示精制过程生成的硫化氢摩尔含量,n(RSH)和n(RNH2)分别表示进料中含硫化合物杂质与含氮化合物杂质的摩尔含量,由原料油的化验数据经换算获得。
为了加快ELM的训练速度,在所述训练ELM之前,还包括:根据Pearson相似度公式选取与当前进料属性最相似的数据作为训练样本,即选取与当前进料属性相似度大于预设阈值的数据。通常选取与当前进料属性相似度较高的数据作为训练样本。当数据为数据集合时,以数据集合作为训练样本。
在一个优选的实施例中,所述Pearson相似度公式选取的步骤为:
1)按照当前催化剂活性,分别计算当前进料属性与所述过程的稳态历史数据中各个进料属性的Pearson相似度;
其中,xk表示当前进料属性,yd,k表示历史数据中不同的进料属性数据,k表示当前计算到第k个进料组分,d表示第d个历史数据;
2)将计算好的按照大小排序,选出相似度高于阈值的数据集合数据作为ELM的训练数据。其中,阈值根据实际情况具体确定。
在本发明中,为了更精确地实现预测,通常会对历史数据进行筛选,可以使用本领域中常见的PCA法。在本发明优选的实施例中,优选使用两重方差稳态判别法进行筛选,得到所述过程的稳态历史数据。
本发明优选使用的两重方差稳态判别法具体为:
计算当前时间滑块中各个历史数据的第一重方差和以各个历史数据方差为元素所得的第二重方差,筛选出所述第一重方差和所述第二重方差均低于阈值所对应的稳态历史数据;
若其中存在一个方差值高于阈值,则时间滑块向下移一个单位,重复上述计算步骤;
筛选出所述第一重方差和所述第二重方差均低于预设阈值的历史数据作为所述流程的稳态历史数据。
在一个优选实施例中,两重方差稳态判别法具体为:
S1.取一长度为L的时间滑块,将整个数据分为M个运行过程样本数据集。即得到X1,L,X2,L+1,X3,L+2,…,XM,L+M-1这几个样本集,每个样本集中包含L组数据;
S2.分别计算当前时间滑块中每个变量的第一重方差和以各个变量方差为元素所得的第二重方差其中,两重方差的预设阈值都设定为a,若它们均小于a,则当前时间滑块中的数据认为是稳态数据;
S3.若它们有一个值高于预设阈值a,则时间滑块向下移一个单位,重复步骤S2,最后可以判别出稳态数据。
按照以下公式计算各个数据集所含变量的方差:
其中,m∈(1,2,…,M),表示当前所取时间滑块的序号,M表示样本数据集总个数;r∈(1,2,…,R),表示当前计算的方差为第r个变量的方差,R表示总变量个数;L表示时间滑块中特定变量的样本个数。
在本发明的加氢精制过程中,所述历史数据包括:加氢精制反应器各反应床层的温度分布、催化剂空速、罐区进料蜡油流量、VGO流量、含硫干气硫化氢及氨气摩尔含量、冷高压分离塔含硫污水质量分数、脱丁烷塔和脱硫塔塔顶回流罐馏出物含硫化氢及氨气质量分数、脱硫化氢塔塔底富胺液含硫化氢质量分数、低分气脱硫塔塔底富胺液含硫化氢质量分数以及反应部分注水氨气含量质量分数。
为了降低历史数据带来的噪音,本发明实施例中优选对历史数据进行预处理,包括:对加氢精制过程的所有历史数据进行小波去噪处理。
本发明还提供了一种加氢精制过程中含硫和/或氮化合物的氢解程度的实时预测系统,如图3所示,所述系统包括:
数据采集模块,用于采集所述过程的当前操作条件;
极限学习机ELM模型训练单元,用于构建ELM模型;
实时预测模块,用于实时预测所述过程中含硫和/或氮的化合物的氢解程度。
其中,所述极限学习机ELM模型的构建步骤包括:
基于所述过程中当前催化剂活性和当前进料属性,从所述过程的稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据,将所述数据对应的操作条件为输入,所述数据为输出,训练ELM。
在一个优选实施例中,所述数据采集模块还包括稳态数据集合形成单元,用于对所述过程的历史数据利用两重方差稳态判别法进行筛选,得到所述过程的稳态历史数据。
在一个优选实施例中,在所极限学习机ELM模型训练单元中还包括加氢精制过程含硫和/或氮的化合物氢解程度计算单元,用于根据整个加氢裂化流程的硫化氢含量和氨气含量,分别对加氢精制过程在特定催化剂活性、特定进料属性、特定操作条件下所对应的运行数据进行硫和/或氮的化合物氢解程度的计算并存储,直至上述Z组数据遍历完为止。
在一个优选实施例中,在所极限学习机ELM模型训练单元中还包括第二数据集合形成单元,用于通过整合上一步计算结果得到加氢精制过程在不同催化剂活性下各个进料属性,各个操作条件对应的含硫和/或氮的化合物氢解程度,得到Z个包含催化剂活性、进料属性、操作条件、含硫和/或氮的化合物氢解程度信息的数据集合。
在一个优选实施例中,本发明的系统还包括数据预处理单元,用于对加氢精制过程的历史运行数据进行预处理。
实施例1
本实施例所提供的加氢精制过程中含硫和/或氮的化合物的氢解程度实时预测方法,如图1所示,具体包括:
1)对加氢精制装置的历史数据使用阈值去噪方法进行预处理;
2)对经过预处理的过程数据利用两重方差稳态判别法进行筛选,将选出的稳态数据按照加氢裂化流程反应系统催化剂活性分成若干个历史运行时域,得到互不相关的Z个包含催化剂活性、进料属性、操作条件、硫化氢含量信息的数据集合和Z个包含催化剂活性、进料属性、操作条件、氨气含量信息的数据集合;
3)根据整个加氢裂化流程的硫化氢含量和氨气含量,分别对加氢精制过程在特定催化剂活性、特定进料属性、特定操作条件下所对应的运行数据进行S/N化合物氢解程度的计算并存储,直至上述Z组数据遍历完为止;
4)通过整合上一步的计算结果得到加氢精制过程在各个催化剂活性与各种进料属性下不同操作条件所对应的含S/N化合物氢解程度,得到Z个催化剂活性、进料属性、操作条件、含S/N化合物氢解程度的数据集合;
5)根据加氢精制过程当前催化剂活性确定的运行区域和进料属性,选取相同催化剂活性下与当前进料属性相似度高于一定阈值的特定进料属性在不同操作条件下的所有含S/N化合物氢解程度数据,并将它们的操作条件为输入,含S/N化合物氢解程度为输出训练ELM;
6)利用所建立的ELM实时预测加氢精制反应器在当前催化剂活性下,当前进料属性、当前操作条件所能达到的加氢精制过程含S/N化合物的氢解程度。
其中,所需要的历史数据包括:
加氢精制反应器各反应床层的温度分布、催化剂空速、罐区进料蜡油流量、VGO流量、含硫干气硫化氢及氨气摩尔含量、冷高压分离塔含硫污水质量分数、脱丁烷塔和脱硫塔塔顶回流罐馏出物含硫化氢及氨气质量分数、脱硫化氢塔塔底富胺液含硫化氢质量分数、低分气脱硫塔塔底富胺液含硫化氢质量分数以及反应部分注水氨气含量质量分数。
其中,数据的稳态判别方法包括:
分别计算当前时间滑块中各个变量的第一重方差及以各个变量方差为元素所得的第二重方差,筛选出两重方差均低于设定阈值所对应的稳态历史数据。若其中有一个方差值高于阈值,则时间滑块向下移一个单位,重复上述计算步骤。最后筛选出两重方差值均低于预设阈值的历史数据作为该流程的稳态历史数据。
具体地:
①取一长度为L的时间滑块,将整个数据分为M个运行过程样本数据集。即得到X1,L,X2,L+1,X3,L+2,…,XM,L+M-1这几个样本集,每个样本集中包含L组数据;
②分别计算当前时间滑块中每个变量的第一重方差和以各个变量方差为元素所得的第二重方差其中,两重方差的预设阈值都设定为a,若它们均小于a,则当前时间滑块中的数据认为是稳态数据;
③若它们有一个值高于预设阈值a,则时间滑块向下移一个单位,重复步骤②。最后可以判别出稳态数据。
按照以下公式计算各个数据集所含变量的方差:
其中,m∈(1,2,…,M),表示当前所取时间滑块的序号,M表示样本数据集总个数;r∈(1,2,…,R),表示当前计算的方差为第r个变量的方差,R表示总变量个数;L表示时间滑块中特定变量的样本个数。
其中,根据整个加氢裂化流程的硫化氢含量和氨气含量,分别对加氢精制过程在特定催化剂活性、特定进料属性、特定操作条件下所对应的运行数据进行S/N化合物氢解程度的计算并存储,直至上述Z组数据遍历完为止。
具体计算公式如下:
其中,kS、kN分别表示含S化合物氢解程度和含N化合物氢解程度,n(H2S)表示精制过程生成的硫化氢摩尔含量,n(NH3)表示精制过程生成的氨气摩尔含量,n(RSH)和n(RNH2)分别表示进料中含硫化合物杂质与含氮化合物杂质的摩尔含量,由原料油的化验数据经换算获得。
其中,通过整合上一步计算结果得到加氢精制过程在不同催化剂活性下各种进料属性、各种操作条件对应的含S/N化合物的氢解程度,得到Z个互不相关的含催化剂活性、进料属性、操作条件、含S/N化合物氢解程度信息的数据集合;
具体地,催化剂活性方程如下所示:
ac=exp(-α×tc)
其中,ac为催化剂活性,α为衰减常数(取决于催化剂种类),t为当前测试运行的时间,ts为当前测试与前一个测试运行之间的时间间隔,mf为进料的质量流率,Wcat为催化重整总质量,tc是无量纲项,代表在一个特定生命周期通过总催化剂重量的总进料量。
根据上述公式,可由当前进料处理量mf得到当前催化剂活性的具体值ac,取催化剂活性值的δ邻域即区间(ac-δ,ac+δ)为一个加氢精制反应运行时域。因此可根据催化剂活性判定当前反应的运行区域。
具体的,含S/N化合物氢解程度的计算按照当前催化剂活性可得到当前加氢精制反应的运行时域,即:
假设有h种不同的进料属性,根据催化剂活性Ai计算当前反应所处的运行时域中某一特定进料属性m1下各种操作条件对应的含S/N化合物氢解程度和分别得到j个包含催化剂活性Ai、进料属性m1、操作条件cv、含S/N化合物氢解程度信息的数据集合,其中,v∈(1,2,…,j)表示j种不同的操作条件。
然后计算催化剂活性Ai的下一种特定进料属性m2下各种操作条件对应的含S/N化合物氢解程度和分别得到j个包含催化剂活性Ai、进料属性m2、操作条件cv、含S/N化合物氢解程度信息的数据集合,其中,(v∈(1,2,…,j)。直到遍历所有进料属性得到催化剂活性Ai下各种进料油属性和不同操作条件对应的含S/N化合物氢解程度。
选取催化剂活性Ai+1,重复上述计算步骤。得到催化剂活性Ai+1下各种进料属性和各种操作条件对应的含S/N化合物氢解程度,分别得到h×j个含催化剂活性、进料属性、操作条件、含S/N化合物氢解程度信息的数据集合。
重复上述步骤,直到遍历完历史数据中所有催化剂活性,分别得到Z个包含催化剂活性、进料属性、操作条件、含S/N化合物氢解程度信息的数据集合。
根据当前催化剂活性、当前进料属性选择与当前进料属性相似度高于设定阈值的多个含S/N化合物氢解程度数据,将它们的操作条件为输入,含S/N化合物氢解程度为输出训练ELM。
具体地,首先按照当前催化剂活性筛选出P个催化剂活性、进料属性、操作条件、含S/N化合物氢解程度数据集合,然后按照Pearson相关系数公式计算当前进料属性与筛选出的P个数据集合中进料属性的相似度,选出相似度高于设定阈值的多个数据块,将它们的操作条件与含S/N化合物氢解程度分别作为ELM的输入输出训练ELM。
具体地,对ELM进行训练的内容包括:
(1)按照当前催化剂活性从Z个含催化剂活性、进料属性、操作条件、含S/N化合物氢解程度信息的数据集合中筛选出P个数据集合;分别计算当前进料属性与这P个数据集合各个进料属性的Pearson相似度;
其中,xk表示当前进料属性,yd,k表示历史数据中不同的进料属性数据,k表示当前计算到第k个进料组分,d表示第d个历史数据。
(2)将计算好的按照大小排序,选出相似度高于设定阈值的数据集合数据作为ELM的训练数据。
根据当前的操作条件数据(加氢精制反应器各反应床层的温度分布及精制反应器中催化剂空速的当前值),由ELM预测当前催化剂活性、当前进料属性、当前操作条件下的含S/N化合物氢解程度。
根据现有的数据,按照上述方法先对它们进行去噪预处理,然后用两重方差稳态判别法选出稳态数据。稳态判别时选择时间滑块的长度为L=10,根据两重方差稳态判别法,分别计算各个时间滑块中每个变量的第一重方差和所有变量方差为元素的第二重方差。根据实际计算结果,将方差的预设阈值定为1.0,即若有一个值超过1.0,则有理由
判定该组数据为非稳态。选择通过前面的计算判定为稳态的数据,计算对应的含S/N化合物氢解程度,其中的数据如表1所示。
表1加氢精制过程特定进料属性、操作条件下操作变量与含S/N化合物氢解程度对应表
续表1
表2几种进料属性对应的进料流量(kg/h)
进料属性 | 1#常减压VGO | 2#常减压VGO | 罐区轻蜡油 |
属性1 | 42.77040971 | 126.8324685 | 16.11154492 |
属性2 | 45.28755104 | 131.1518257 | 55.88075353 |
属性3 | 49.48896473 | 134.5346183 | 46.43356929 |
属性4 | 57.50755685 | 144.3429544 | 42.71678921 |
属性5 | 61.82059419 | 150.5176923 | 29.36428452 |
属性6 | 54.76644066 | 137.1618465 | 50.27930886 |
属性7 | 40.49280058 | 119.3170822 | 68.08365519 |
表3为各种进料属性对应的操作条件
它们对应的含S/N化合物氢解程度如表4所示。
表4各种进料属性下各种操作条件对应的含S/N化合物氢解程度
最后,需要对ELM进行训练,包括:
①计算当前进料属性与历史的催化剂活性、进料属性、操作条件、含S/N化合物氢解程度数据集合中各个进料属性的pearson相似度;
②将计算出的pearson相似度按照由小到大的顺序排列,从历史数据中选出与当前进料属性相似度高于设定阈值的多组数据作为ELM的训练样本集;
③利用第二步选出的训练样本集对ELM进行训练,如图2所示。ELM在训练之前可随机产生输入层与隐含层间的连接权值w和隐含层神经元阈值b,因此只需确定隐含层神经元个数和隐含层神经元的激活函数即可计算出输出层权值β,得到最终结果。
隐含层神经元个数默认值为训练集样本数,本实例选择20个样本训练集,故隐含层神经元个数首先默认为20。输出层权值β可由下式计算得出:
其中,H+为隐含层输出矩阵H的Moore-Penrose广义逆;T’为网络输出矩阵T的转置。
为了检验上述ELM的预测精度,选择同一催化剂活性下相同进料属性的13个样本做检测,检测指标为测试值与计算值之间的R2值、均方根误差RMSE和相对误差,计算公式如下所示:
最终预测的含S化合物氢解程度的RMSE=0.013952,R2=0.96475;含N化合物氢解程度的RMSE=0.020259,R2=0.93926。预测结果与用于测试的真值的相对误差如表5所示。
表5加氢精制过程S/N化合物氢解程度预测相对误差表
图4和图5分别是本发明加氢精制过程含硫化合物氢解程度的预测结果图和含氮化合物氢解程度的预测结果图。此实例中隐含层神经元个数选择为12。从图中可以看出,利用本发明可以较精准地预测加氢精制过程含S/N化合物氢解程度,为加氢精制反应器的运行优化提供必要的实时状态信息,也有利于保证催化剂活性,是延长装置开工周期、保证目标产品S含量合格的重要措施。
图6是本发明一个实例的加氢精制过程含S/N化合物氢解程度的实时预测装置的结构图。如图6所示,本实施例的加氢精制过程含S/N化合物氢解程度实时预测系统包括:
数据预处理单元,用于对加氢精制过程的历史运行数据进行预处理;
稳态数据集合形成单元,用于对经过预处理的历史数据利用两重方差方法进行筛选,选出其中的稳态数据按照加氢裂化流程反应系统催化剂活性分成若干个历史运行时域,得到互不相关的Z个包含催化剂活性、进料属性、操作条件、硫化氢含量信息的数据集合和Z个包含催化剂活性、进料属性、操作条件、氨气含量信息的数据集合;
加氢精制过程含S/N化合物氢解程度计算单元,根据整个加氢裂化流程的硫化氢含量和氨气含量,分别对加氢精制过程在特定催化剂活性、特定进料属性、特定操作条件下所对应的运行数据进行S/N化合物氢解程度的计算,直至上述Z组数据遍历完为止并存储;
第二数据集合形成单元,用于通过整合上一步计算结果得到加氢精制过程在不同催化剂活性下各个进料属性,各个操作条件对应的含S/N化合物氢解程度,得到Z个包含催化剂活性、进料属性、操作条件、含S/N化合物氢解程度信息的数据集合;
ELM训练单元,用于根据加氢精制过程当前催化剂活性和进料属性,选取与当前进料属性相似度高于一定阈值的特定进料属性下含S/N化合物氢解程度数据集合,将它的操作条件作为输入,含S/N化合物氢解程度为输出训练ELM;
实时预测模块,即含S/N化合物氢解程度实时预测单元,用于利用所建立的ELM实时预测当前催化剂活性、当前进料属性、当前操作条件下加氢精制过程含S/N化合物的氢解程度。
本发明实时预测加氢精制过程含硫和/或氮的化合物的氢解程度可以保障催化剂活性,是延长装置开工周期、保证加氢裂化终端产品S含量合格的重要措施,同时也可为加氢精制反应器的运行优化提供必要的实时状态信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法,其特征在于,包括:
基于所述过程的当前操作条件,利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。
2.根据权利要求1所述的方法,其特征在于,所述极限学习机ELM模型的构建步骤包括:
基于所述过程中当前催化剂活性和当前进料属性,从所述过程的稳态历史数据中选取在所述不同操作条件下所有含硫和/或氮的化合物氢解程度数据,所述含硫和/或氮的化合物氢解程度数据对应的操作条件为输入,所述含硫和/或氮的化合物氢解程度数据为输出,训练ELM。
3.根据权利要求2所述的方法,其特征在于,所述所有含硫和/或氮的化合物氢解程度数据的进料属性与所述当前进料属性相似度高于阈值。
4.根据权利要求2所述的方法,其特征在于,所述极限学习机ELM模型的构建步骤包括:
1)基于催化剂活性,将所述稳态历史数据分成若干个历史运行区域,得到互不相关的Z组包含催化剂活性、进料属性、操作条件、硫化氢含量信息的稳态历史数据集合和Z组包含催化剂活性、进料属性、操作条件、氨气含量信息的稳态历史数据集合,其中,Z为正整数;
2)基于所述过程所属的加氢裂化过程中的硫化氢含量和氨气含量,对所述过程在催化剂活性、进料属性和操作条件下各自对应的稳态历史数据进行含硫和/或氮的化合物氢解程度的计算,遍历Z组中稳态历史数据,得到Z组包含催化剂活性、进料属性、操作条件、含硫和/或氮的化合物氢解程度的稳态历史数据集合;
3)基于所述过程中当前催化剂活性和当前进料属性,从2)中稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据,将所述数据对应的操作条件为输入,所述数据为输出,训练ELM。
5.根据权利要求2-4中任一项所述的方法,其特征在于,在所述训练ELM之前,还包括:利用Pearson相似度公式选取与当前进料属性相似度大于预设阈值的数据作为ELM训练样本。
6.根据权利要求2所述的方法,其特征在于,所述过程的稳态历史数据的获取具体为:
对所述过程的历史数据利用两重方差稳态判别法进行筛选,得到所述过程的稳态历史数据。
7.根据权利要求6所述的方法,其特征在于,所述两重方差稳态判别法具体为:
计算当前时间滑块中各个历史数据的第一重方差和以各个历史数据方差为元素所得的第二重方差,筛选出所述第一重方差和所述第二重方差均低于阈值所对应的稳态历史数据;
若其中存在一个方差高于阈值,则时间滑块向下移一个单位,重复上述计算步骤;
筛选出所述第一重方差和所述第二重方差均低于预设阈值的历史数据作为所述流程的稳态历史数据。
8.根据权利要求2所述的方法,其特征在于,所述历史数据包括:
加氢精制反应器各反应床层的温度分布、催化剂空速、罐区进料蜡油流量、VGO流量、含硫干气硫化氢及氨气摩尔含量、冷高压分离塔含硫污水质量分数、脱丁烷塔和脱硫塔塔顶回流罐馏出物含硫化氢质量分数及氨气质量分数、脱硫化氢塔塔底富胺液含硫化氢质量分数、低分气脱硫塔塔底富胺液含硫化氢质量分数和反应部分注水氨气含量质量分数。
9.一种加氢精制过程中含硫和/或氮化合物的氢解程度的实时预测系统,其特征在于,包括:
数据采集模块,用于采集所述过程中操作条件;
极限学习机ELM模型训练单元,用于构建ELM模型;
实时预测模块,用于实时预测所述过程中含硫和/或氮的化合物的氢解程度。
10.根据权利要求9所述的系统,其特征在于,所述极限学习机ELM模型的构建步骤包括:
基于所述过程中当前催化剂活性和当前进料属性,从所述过程的稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据,将所述数据对应的操作条件为输入,所述数据为输出,训练ELM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611235402.5A CN106874644B (zh) | 2016-12-28 | 2016-12-28 | 一种加氢精制中氢解程度的实时预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611235402.5A CN106874644B (zh) | 2016-12-28 | 2016-12-28 | 一种加氢精制中氢解程度的实时预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874644A true CN106874644A (zh) | 2017-06-20 |
CN106874644B CN106874644B (zh) | 2018-04-13 |
Family
ID=59164472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611235402.5A Active CN106874644B (zh) | 2016-12-28 | 2016-12-28 | 一种加氢精制中氢解程度的实时预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874644B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108636421A (zh) * | 2018-04-23 | 2018-10-12 | 中国石油大学(华东) | 一种加氢脱硫催化剂表面活性相与其催化活性构效关系的解析方法 |
CN108707473A (zh) * | 2018-04-25 | 2018-10-26 | 清华大学 | 一种基于结构导向集总的加氢裂化过程建模方法 |
CN109681165A (zh) * | 2019-03-01 | 2019-04-26 | 北京国双科技有限公司 | 用于油田采油中的注水策略优化方法及装置 |
CN110021377A (zh) * | 2017-10-31 | 2019-07-16 | 中国石油化工股份有限公司 | 加氢裂化催化剂的失活预测方法、装置和存储设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司中原油田普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
CN104657586A (zh) * | 2014-12-31 | 2015-05-27 | 重庆科技学院 | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 |
CN105069486A (zh) * | 2015-09-09 | 2015-11-18 | 西安石油大学 | 基于极限学习机的石化设备腐蚀预测方法 |
US20160086087A1 (en) * | 2014-09-19 | 2016-03-24 | King Fahd University Of Petroleum And Minerals | Method for fast prediction of gas composition |
-
2016
- 2016-12-28 CN CN201611235402.5A patent/CN106874644B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
US20160086087A1 (en) * | 2014-09-19 | 2016-03-24 | King Fahd University Of Petroleum And Minerals | Method for fast prediction of gas composition |
CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司中原油田普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
CN104657586A (zh) * | 2014-12-31 | 2015-05-27 | 重庆科技学院 | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 |
CN105069486A (zh) * | 2015-09-09 | 2015-11-18 | 西安石油大学 | 基于极限学习机的石化设备腐蚀预测方法 |
Non-Patent Citations (4)
Title |
---|
崔东文: "极限学习机在湖库总磷、总氮浓度预测中的应用", 《水资源保护》 * |
郭彦 等: "采用神经网络和主成分分析方法建立催化重整装置收率预测模型", 《过程工程学报》 * |
靳鑫: "半监督极限学习机在化工过程软测量建模中的应用研究", 《中国优秀硕士论文数据库 工程科技I辑》 * |
高慧慧 等: "基于数据属性划分的递阶ELM研究及化工应用", 《化工学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021377A (zh) * | 2017-10-31 | 2019-07-16 | 中国石油化工股份有限公司 | 加氢裂化催化剂的失活预测方法、装置和存储设备 |
CN110021377B (zh) * | 2017-10-31 | 2020-11-10 | 中国石油化工股份有限公司 | 加氢裂化催化剂的失活预测方法、装置和存储设备 |
CN108636421A (zh) * | 2018-04-23 | 2018-10-12 | 中国石油大学(华东) | 一种加氢脱硫催化剂表面活性相与其催化活性构效关系的解析方法 |
CN108707473A (zh) * | 2018-04-25 | 2018-10-26 | 清华大学 | 一种基于结构导向集总的加氢裂化过程建模方法 |
CN109681165A (zh) * | 2019-03-01 | 2019-04-26 | 北京国双科技有限公司 | 用于油田采油中的注水策略优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106874644B (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874644B (zh) | 一种加氢精制中氢解程度的实时预测方法及其系统 | |
CN106778008B (zh) | 一种用于优化加氢裂化过程反应条件的方法 | |
CN103102966B (zh) | 一种高氮原料加氢裂化方法 | |
CN110456756B (zh) | 一种适用于连续生产过程全局运行状况在线评估的方法 | |
CN102213949B (zh) | 一种乙烯装置价值优化方法 | |
CN103102957A (zh) | 一种高氮原料两段加氢裂化方法 | |
CN104392098A (zh) | 一种预测催化裂化汽油产率的方法 | |
CN104463343A (zh) | 一种预测催化裂化轻质油产率的方法 | |
CN106709654A (zh) | 一种加氢裂化流程全局运行状况评估与质量追溯方法 | |
CN111863145B (zh) | 一种低温煤焦油全馏分加氢裂化集总动力学模型建模方法 | |
CN104463327A (zh) | 一种预测催化裂化焦炭产率的方法 | |
Sbaaei et al. | Predictive modeling and optimization for an industrial Coker Complex Hydrotreating unit–development and a case study | |
CN106281431B (zh) | 一种加氢裂化装置反应深度的实时预测方法及装置 | |
CN114239321A (zh) | 一种基于大数据的炼油过程模式识别及优化方法 | |
CN106597853A (zh) | 一种加氢裂化流程中主动式动态调控方法 | |
Jarullah | Kinetic Modelling Simulation and Optimal Operation of Trickle Bed Reactor for Hydrotreating of Crude Oil. Kinetic Parameters Estimation of Hydrotreating Reactions in Trickle Bed Reactor (TBR) via Pilot Plant Experiments; Optimal Design and Operation of an Industrial TBR with Heat Integration and Economic Evaluation. | |
CN104611022A (zh) | 一种劣质重质馏分油加氢裂化方法 | |
CN104611016B (zh) | 一种劣质原料加氢裂化方法 | |
CN104611039B (zh) | 劣质原料加氢裂化方法 | |
CN102750454A (zh) | 一种氢气消耗预测值获取方法、装置及系统 | |
Sadighi et al. | Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network | |
CN104611014A (zh) | 一种劣质原料两段加氢处理方法 | |
CN106221797A (zh) | 页岩油深加工方法 | |
Burgess et al. | Desulfurisation of gas oil: A case study in environmental and economic assessment | |
CN103789021B (zh) | 一种高氮原料加氢处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |