CN108664676A - 一种催化裂化过程建模方法及催化裂化过程预测方法 - Google Patents
一种催化裂化过程建模方法及催化裂化过程预测方法 Download PDFInfo
- Publication number
- CN108664676A CN108664676A CN201710210215.XA CN201710210215A CN108664676A CN 108664676 A CN108664676 A CN 108664676A CN 201710210215 A CN201710210215 A CN 201710210215A CN 108664676 A CN108664676 A CN 108664676A
- Authority
- CN
- China
- Prior art keywords
- variable
- catalytic cracking
- several groups
- creation data
- cracking process
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种催化裂化过程建模方法及催化裂化过程预测方法,属于过程优化领域。该方法包括:通过催化裂化过程中若干变量的相应的若干组生产数据,建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型,再次获取催化裂化过程中若干变量的对应的预设组生产数据,将若干变量的对应的预设组生产数据代入若干组相关关系模型中,计算得到因变量的预测数据,将因变量的预测数据与对应的因变量生产数据做差再除以因变量生产数据,得到误差取值,如果误差取值小于预设值,确认若干组相关关系模型,可以对催化裂化过程进行优化,提高生产操作水平,减少维护工作量,从而进一步保障催化裂化装置安全、稳定、长周期的运行,提高经济效益。
Description
技术领域
本发明涉及过程优化领域,特别涉及一种催化裂化过程建模方法及催化裂化过程预测方法。
背景技术
催化裂化是炼油工业中最重要的二次加工,在炼油工业中占有举足轻重的作用。2015年底,全国催化裂化能力22580万吨/年,占原油一次加工能力的比例为30.4%,是能力最大的重质油轻质化工艺。目前,催化裂化为全国提供了60%以上的汽油和20%以上的柴油,同时为后续MTBE装置、烷基化装置、轻汽油醚化装置、芳构化装置等提供了90%以上的原料,为炼油业务的增值创效做出了重要贡献。提高催化裂化生产操作优化水平,保证催化裂化装置安全、稳定、长周期运行,是提高炼油企业盈利水平的重要手段。
现有技术为提高催化裂化装置生产操作优化水平主要采用建立机理模型的方法,现有机理建模的方法在气体分馏、乙烯裂解等反应较为简单的过程系统中应用成果较好。
在实现本发明的过程中,本发明人发现现有技术中至少存在以下问题:
由于催化裂化反应机理不清楚、工艺流程复杂,机理模型建立周期长、精确度有限,而且维护工作量特别大,一旦原料变化、设备老化、装置改造等产生较大的操作波动,优化模型期内不能得到较好的修正,优化结果易产生较大的偏差。
发明内容
鉴于此,本发明提供一种催化裂化过程建模方法及催化裂化过程预测方法,用于提高生产操作水平,保障催化裂化装置安全、稳定运行。
具体而言,包括以下的技术方案:
一种催化裂化过程建模方法,所述方法包括:
获取催化裂化过程中若干变量的相应的若干组生产数据;
根据所述若干变量的相应的若干组生产数据,建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型;
再次获取催化裂化过程中所述若干变量的对应的预设组生产数据;
将所述若干变量的对应的预设组生产数据代入所述若干组相关关系模型中,计算得到因变量的预测数据;
将所述因变量的预测数据与对应的因变量生产数据做差再除以所述因变量生产数据,得到误差取值;
如果所述误差取值小于预设值,确认所述若干组相关关系模型。
进一步地,所述获取催化裂化过程中若干变量的相应的若干组生产数据之后,所述方法还包括:对所述若干组生产数据进行预处理,如果一组所述生产数据中存在缺失变量,则删除该组生产数据。
进一步地,所述相关关系模型的表达式表示为:
Y=βX+ε
式中,Y是选定的变量y的所有数据;X是变量x的所有数据;β是参数;ε为服从正态分布的残差。
进一步地,所述预设值的取值范围为3%~5%。
进一步地,所述如果所述误差取值小于预设值,确认所述若干组相关关系模型之后,所述方法还包括:如果所述误差取值大于所述预设值,再次获取催化裂化过程中所述若干变量的相应的若干组生产数据。
进一步地,所述如果所述误差取值大于所述预设值,再次获取催化裂化过程中所述若干变量的相应的若干组生产数据之后,所述方法还包括:根据所述再次获取的所述若干变量的相应的若干组生产数据,再次建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型。
进一步地,所述如果所述误差取值小于预设值,确认所述若干组相关关系模型之后,所述方法还包括:根据所述若干组相关关系模型,调整催化裂化过程中变量的取值,得到调整后的所述若干组相关关系模型。
一种催化裂化过程预测方法,采用上述任一项所述的方法获得所述若干组相关关系模型,在相应的相关关系模型中输入自变量的取值,得到所需因变量的预测值。
本发明实施例提供的技术方案的有益效果:
通过获取催化裂化过程中若干变量的相应的若干组生产数据,根据所述若干变量的相应的若干组生产数据,建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型,再次获取催化裂化过程中所述若干变量的对应的预设组生产数据,将所述若干变量的对应的预设组生产数据代入所述若干组相关关系模型中,计算得到因变量的预测数据,将所述因变量的预测数据与对应的因变量生产数据做差再除以所述因变量生产数据,得到误差取值,如果所述误差取值小于预设值,确认所述若干组相关关系模型,可以对催化裂化过程进行优化,提高生产操作水平,减少维护工作量,从而进一步保障催化裂化装置安全、稳定、长周期的运行,提高经济效益。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种催化裂化过程建模方法的方法流程图;
图2为本发明实施例的一种催化裂化过程中变量的分布曲线图;
图3位本发明实施例的一种催化裂化过程中所有变量之间的相关关系图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本实施例提供了一种催化裂化过程建模方法,如图1所示,该方法包括:
步骤101:获取催化裂化过程中若干变量的相应的若干组生产数据;
具体地,获取催化裂化过程中,随时间不断变化的若干组实际生产数据的数据集,记为S。在得到实际生产数据后,对得到的若干组生产数据进行预处理,如果一组生产数据中存在缺失变量,则删除该组生产数据。实际生产数据在进行预处理之后,共得到p+1个变量和n组数据。
在本实施例中,通过对实际生产数据的预处理,17个检测点的数据共得到17个变量,删除缺失变量所在组的生产数据,最终得到275组完整的检测数据,图2显示变量的分布情况,可以看出变量的分布集中在一个小的区间范围内,形态接近于一个正态分布或者多个正态分布的叠加,说明可以通过关键变量共同描述催化裂化的生产过程,且变量之间存在一定的相关关系。由于变量的区间很窄,非线性特性在局部范围内可以用线性关系近似表示,所以变量之间的相关关系可以近似用线性关系表示。
步骤102:根据若干变量的相应的若干组生产数据,建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型;
具体地,首先,从p+1个变量中选择一个,作为因变量y,将剩余的p个变量作为自变量x,然后研究这些变量的定量相关关系,即相关关系模型的表达式表示为:
Y=βX+ε
式中,Y是选定的变量y的所有数据;X是变量x的所有数据;β是参数;ε为服从正态分布的残差
进一步地,在一个存在p+1个属性的催化裂化装置中,利用预处理后的n组数据,需要求解的问题如下:
yi=β0+xi1β1+…+xipβp+εi(i=1,2,…,n)
其中yi,xi1,…,xip(i=1,2,…,n)均为采集到的生产数据。
求解变量的相关关系模型,即计算最佳的β来描述这一相关关系。在求解过程中,为了更好的选择相关变量,并建立这些变量之间的关系,需要引入罚参数λ。
在给定λ的情况下,估计最佳的参数β,就转化为求解如下的优化问题:
求解β的最佳估计值具体迭代过程如下:
(1)在给定罚参数λ时,选取参数β的初值,记为β(0),这里选择最小二乘估计作为β的初值,其中,
(2)在给定罚参数λ时,将β的最佳估计值记为采用如下的迭代式计算其中β(0)为初值,那么,
β(1)=β(0)-[▽2QLSβ(0)+n∑λβ(0)]-1[▽QLSβ(0)+nUλβ(0)]
其中,
▽2QLSβ(0)=X'X
▽QLSβ(0)=-X(Y-Xβ(0))
如果|βj|<10-4,那么取
Uλβ(0)=∑λβ(0)β(0)
(3)如果某个|βj|<10-6时,令βj=0,重复上述(2)的操作,直到β收敛,即|β(n+1)-β(n)|<10-6,这时得到的β值即为在给定罚参数λ时β的最佳估计值
(4)不断改变λ的大小,λ∈(0,1),每当λ数值确定时,重复(1)至(3)的操作,计算出此时β的最佳估计值然后,求出使广义交叉验证统计量最小的λ,即求解问题:
不断变化λ的数值,求解上述问题的最优解,最终得到的λ为最优选择的罚参数,对应的为参数β的最佳估计值。
此时建立的相关关系模型为y=β0+x1β1+…+xpβp,式中的多数βi(i=1,2,…,p)数值为零,其余不为零的系数表明了变量间的定量相关关系。
其次,从数据集S的p+1个变量里,选择一个新的变量作为y,其余的变量作为自变量x,重复上述建立相关关系模型的步骤,建立关于y和x的相关关系模型。
最后,不断重复建立相关关系模型的步骤,找到以任一变量为因变量与其它变量为自变量的的相关关系模型,组成一个网状的所有变量的相关模型。
在本实施例中,选择因变量为提升管出口温度(TRCA1101),其余16个变量作为自变量,来寻找其间的相关关系。
建立如下的待解的问题,其中n=275,p=16。
求解变量的相关关系的模型,即计算最佳的β来描述这一相关关系。通过进行(1)至(4)的步骤,最终得到参数β的最佳估计值
此时建立相关关系模型为
TRCA1101=0.37TI1217+1.53TT1328-0.35TI1116A+0.62TI1124
+0.09TIA1407-0.02FRC1205+0.19TI1118A-144.2834
计算结果表明提升管出口温度(TRCA1101)主要与分馏塔塔底温度(TI1217)、稳定塔塔底温度(TT1328)、再生器稀相温度(TI1116A)、分布管下温度(TI1124)、烟机入口温度(TIA1407)、循环油浆上返塔流量(FRC1205)、再生器床层温度(二密)(TI1118A)密切相关。
继续从数据集S的17个变量里,选择一个新的变量作为y,其余的变量作为自变量x,重复(1)至(4)的步骤,找到y和x的相关关系模型。
不断重复步骤建立相关关系模型的步骤,找到任一变量与其它剩余变量之间的相关关系模型,最终计算结果如图3所示,所有变量之间的相关关系用箭头表示,组成一个网状结构的相关关系模型。变量之间定量的相关关系数据见表1。
表1
步骤103:再次获取催化裂化过程中若干变量的对应的预设组生产数据;
步骤104:将若干变量的对应的预设组生产数据代入若干组相关关系模型中,计算得到因变量的预测数据;
步骤105:将因变量的预测数据与对应的因变量生产数据做差再除以因变量生产数据,得到误差取值;
步骤106:如果误差取值小于预设值,确认若干组相关关系模型。
具体地,由于每个参数对于优化过程的重要性不同,所以每个参数误差预设值的取值也不尽相同,预设值的取值范围为3%~5%。如果误差取值小于预设值,那么确认若干组相关关系模型,根据若干组相关关系模型,调整催化裂化过程中变量的取值,得到调整后的若干组相关关系模型,对于催化裂化过程进行预测,根据调整后的若干组相关关系模型,在相应的相关关系模型中输入自变量的取值,得到所需因变量的预测值,预判催化裂化效果;如果误差取值大于预设值,那么再次获取催化裂化过程中若干变量的相应的若干组生产数据,根据再次获取的若干变量的相应的若干组生产数据,再次建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型,重复步骤103到步骤106。
本实施例通过获取催化裂化过程中若干变量的相应的若干组生产数据,根据若干变量的相应的若干组生产数据,建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型,再次获取催化裂化过程中若干变量的对应的预设组生产数据,将若干变量的对应的预设组生产数据代入若干组相关关系模型中,计算得到因变量的预测数据,将因变量的预测数据与对应的因变量生产数据做差再除以因变量生产数据,得到误差取值,如果误差取值小于预设值,确认若干组相关关系模型,可以对催化裂化过程进行优化,提高生产操作水平,减少维护工作量,从而进一步保障催化裂化装置安全、稳定、长周期的运行,提高经济效益。
以上所述仅是为了便于本领域的技术人员理解本发明的技术方案,并不用以限制本发明。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 (8)
1.一种催化裂化过程建模方法,其特征在于,所述方法包括:
获取催化裂化过程中若干变量的相应的若干组生产数据;
根据所述若干变量的相应的若干组生产数据,建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型;
再次获取催化裂化过程中所述若干变量的对应的预设组生产数据;
将所述若干变量的对应的预设组生产数据代入所述若干组相关关系模型中,计算得到因变量的预测数据;
将所述因变量的预测数据与对应的因变量生产数据做差再除以所述因变量生产数据,得到误差取值;
如果所述误差取值小于预设值,确认所述若干组相关关系模型。
2.根据权利要求1所述的方法,其特征在于,所述获取催化裂化过程中若干变量的相应的若干组生产数据之后,所述方法还包括:对所述若干组生产数据进行预处理,如果一组所述生产数据中存在缺失变量,则删除该组生产数据。
3.根据权利要求1所述的方法,其特征在于,所述相关关系模型的表达式表示为:
Y=βX+ε
式中,Y是选定的变量y的所有数据;X是变量x的所有数据;β是参数;ε为服从正态分布的残差。
4.根据权利要求1所述的方法,其特征在于,所述预设值的取值范围为3%~5%。
5.根据权利要求1所述的方法,其特征在于,所述如果所述误差取值小于预设值,确认所述若干组相关关系模型之后,所述方法还包括:如果所述误差取值大于所述预设值,再次获取催化裂化过程中所述若干变量的相应的若干组生产数据。
6.根据权利要求5所述的方法,其特征在于,所述如果所述误差取值大于所述预设值,再次获取催化裂化过程中所述若干变量的相应的若干组生产数据之后,所述方法还包括:根据所述再次获取的所述若干变量的相应的若干组生产数据,再次建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型。
7.根据权利要求1所述的方法,其特征在于,所述如果所述误差取值小于预设值,确认所述若干组相关关系模型之后,所述方法还包括:根据所述若干组相关关系模型,调整催化裂化过程中变量的取值,得到调整后的所述若干组相关关系模型。
8.一种催化裂化过程预测方法,采用权利要求1至7其中任一项所述的方法获得所述若干组相关关系模型,在相应的相关关系模型中输入自变量的取值,得到所需因变量的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710210215.XA CN108664676A (zh) | 2017-03-31 | 2017-03-31 | 一种催化裂化过程建模方法及催化裂化过程预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710210215.XA CN108664676A (zh) | 2017-03-31 | 2017-03-31 | 一种催化裂化过程建模方法及催化裂化过程预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664676A true CN108664676A (zh) | 2018-10-16 |
Family
ID=63784391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710210215.XA Pending CN108664676A (zh) | 2017-03-31 | 2017-03-31 | 一种催化裂化过程建模方法及催化裂化过程预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664676A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814513A (zh) * | 2019-03-20 | 2019-05-28 | 杭州辛孚能源科技有限公司 | 一种基于数据模型的催化裂化装置优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060073013A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to fluidized catalytic cracking unit |
CN103729571A (zh) * | 2014-01-23 | 2014-04-16 | 中南大学 | 一种高炉炼铁过程一氧化碳利用率的建模方法 |
CN104361153A (zh) * | 2014-10-27 | 2015-02-18 | 中国石油大学(北京) | 一种预测重油催化裂化沉降器结焦量的方法 |
CN105701267A (zh) * | 2015-05-13 | 2016-06-22 | 青岛科技大学 | 一种石油催化裂化反应再生部分的建模方法 |
-
2017
- 2017-03-31 CN CN201710210215.XA patent/CN108664676A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060073013A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to fluidized catalytic cracking unit |
CN103729571A (zh) * | 2014-01-23 | 2014-04-16 | 中南大学 | 一种高炉炼铁过程一氧化碳利用率的建模方法 |
CN104361153A (zh) * | 2014-10-27 | 2015-02-18 | 中国石油大学(北京) | 一种预测重油催化裂化沉降器结焦量的方法 |
CN105701267A (zh) * | 2015-05-13 | 2016-06-22 | 青岛科技大学 | 一种石油催化裂化反应再生部分的建模方法 |
Non-Patent Citations (4)
Title |
---|
冯志高 等: "《高超声速飞行器概论》", 31 December 2016, 北京理工大学出版社 * |
吴钦佩: "利用多元回归方程计算汽油辛烷值", 《石油炼制与化工》 * |
汪丽: "催化裂化装置不同操作条件下产品收率的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
陈露: "应用化学计量学技术预测预测原油性质和反应产物分布", 《电脑知识与技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814513A (zh) * | 2019-03-20 | 2019-05-28 | 杭州辛孚能源科技有限公司 | 一种基于数据模型的催化裂化装置优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104965967B (zh) | 一种常减压蒸馏装置的收率实时预测方法 | |
US11494651B2 (en) | Systems and methods for optimizing refinery coker process | |
CN102053595A (zh) | 一种乙烯装置中控制裂解炉裂解深度的方法 | |
CN108108572B (zh) | 一种用于蜡油加氢裂化过程建模和优化方法 | |
CN103605325B (zh) | 基于代理模型的工业乙烯裂解炉全周期动态优化方法 | |
Zhao et al. | Production planning optimization of an ethylene plant considering process operation and energy utilization | |
US20210348066A1 (en) | Predictive control systems and methods with hydrocracker conversion optimization | |
CN103631140B (zh) | 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法 | |
US20220299952A1 (en) | Control system with optimization of neural network predictor | |
Sadighi et al. | An optimisation approach for increasing the profit of a commercial VGO hydrocracking process | |
CN117270483B (zh) | 化工生产装置全流程动态优化控制方法、装置、电子设备 | |
Han et al. | Performance analysis and optimal temperature selection of ethylene cracking furnaces: A data envelopment analysis cross-model integrated analytic hierarchy process | |
CN103524284A (zh) | 一种乙烯裂解原料配置的预测和优化方法 | |
Li et al. | Optimization model for a thermochemical biofuels supply network design | |
CN101169387B (zh) | 一种在线确定常压塔顶石脑油质量指标的软测量方法 | |
CN104611000B (zh) | 一种提高大型乙烯裂解炉作业效率的生产批调度控制方法 | |
CN108664676A (zh) | 一种催化裂化过程建模方法及催化裂化过程预测方法 | |
CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
Radu et al. | Modelling and simulation of an industrial fluid catalytic cracking unit | |
Aguilar et al. | Simulation and planning of a petroleum refinery based on carbon rejection processes | |
Jin et al. | Multi‐Objective Optimization of Pseudo‐Dynamic Operation of Naphtha Pyrolysis by a Surrogate Model | |
CN111931975A (zh) | 一种考虑下游扰乱约束下的裂解炉炉群调度建模与方法 | |
Jarullah et al. | Optimal design of industrial reactor for naphtha thermal cracking process | |
WO2022106917A1 (en) | Predictive control systems and methods with offline gains learning and online control | |
CN107450314A (zh) | 一种用于乙烯裂解炉全运行周期裂解深度控制系统及其方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |