CN110796318A

CN110796318A - 一种催化分馏装置的实时操作优化方法及装置

Info

Publication number: CN110796318A
Application number: CN202010008628.1A
Authority: CN
Inventors: 鄢烈祥; 范阳春; 沈体峰; 周力; 廖国军
Original assignee: Hangu Yunzhi Wuhan Technology Co Ltd
Current assignee: Hangu Yunzhi Wuhan Technology Co Ltd
Priority date: 2020-01-06
Filing date: 2020-01-06
Publication date: 2020-02-14
Anticipated expiration: 2040-01-06
Also published as: CN110796318B

Abstract

本发明涉及催化分馏装置的操作优化技术领域，公开了一种催化分馏装置的实时操作优化方法及装置，其中方法包括以下步骤：实时采集催化分馏装置的产品化验数据以及装置生产数据；根据装置生产数据判断催化分馏装置是否处于稳态工况，如果是，则根据产品化验数据以及装置生产数据建立催化分馏装置的机理模型；采用列队竞争算法对机理模型进行修正；设置指标约束条件以及操作变量，结合机理模型以及指标约束条件进行优化求解，得到最优操作值；根据最优操作值获取催化分馏装置的最优操作方案。本发明具有机理模型实时性高、求解简单的技术效果，可以帮助提高催化分馏装置的收率、产量。

Description

一种催化分馏装置的实时操作优化方法及装置

技术领域

本发明涉及催化分馏装置的操作优化技术领域，具体涉及一种催化分馏装置的实时操作优化方法及装置。

背景技术

催化分馏装置实时优化技术是应用智能优化算法和机理模型技术寻找当前最优操作条件的方案。以当前的生产数据和分析数据为基础，实时建立符合装置工况的机理模型，确定出最优操作条件。应用该优化技术，可以在保证安全生产和产品合格的前提下，有效减少能量消耗、污染物排放，提高收率、产量、利润、资源利用率。

目前这种实时优化方法仍然存在局限：装置流程复杂，导致机理模型建立难度大大增加，机理模型与实际装置很难完全匹配；传统的机理模型严重依赖于原料的分析化验数据，而目前大多数炼厂都无法做到对原料进行实时分析，使得机理模型的建立很难达到实时性；运算需要满足多目标多约束条件，求解过程中超大的操作变量空间，仅通过模拟方法是不可能找到最优点的，有时甚至找到一个可行的设计点都是困难的，唯有应用优化技术才能搜索到最优或接近最优的设计点；耗时较长，往往针对一个工况进行建模需要技术人员2-3天的时间，而生产装置现场状况变动较多，原料更替频繁，建模耗时过长模型则会失去时效性，无法实时代替当前工况，更无法进行优化。

发明内容

本发明的目的在于克服上述技术不足，提供一种催化分馏装置的实时操作优化方法及装置，解决现有技术中机理模型的实时性差、时效性差、求解困难的技术问题。

为达到上述技术目的，本发明的技术方案提供一种催化分馏装置的实时操作优化方法，包括以下步骤：

实时采集催化分馏装置的产品化验数据以及装置生产数据；

根据所述装置生产数据判断所述催化分馏装置是否处于稳态工况，如果是，则根据所述产品化验数据以及装置生产数据建立所述催化分馏装置的多个候选机理模型；

采用列队竞争算法从多个所述候选机理模型中选取最优机理模型；

设置指标约束条件以及操作变量，结合所述最优机理模型以及所述指标约束条件进行优化求解，得到最优操作值；

根据所述最优操作值获取所述催化分馏装置的最优操作方案；

根据所述产品化验数据以及装置生产数据建立所述催化分馏装置的多个候选机理模型，具体为：

采用不同的维度对所述产品化验数据以及装置生产数据进行扩容，得到不同的数据集；

根据每一所述数据集建立与其对应的候选机理模型。

本发明还提供一种催化分馏装置的实时操作优化装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述催化分馏装置的实时操作优化方法。

与现有技术相比，本发明的有益效果包括：本发明首先获取装置生产数据，根据装置生产数据可判断装置是否处于稳定工况状态，在装置处于稳定工况状态时在进行机理模型的建立，从而使得所建立的机理模型时效性高，符合当前工况。其次，本发明基于产品化验数据建立机理模型，无需依赖原料化验数据，产品化验数据相较于原料化验数据更容易获取，从而降低了机理模型建立的难度，提高了机理模型建立的实时性。其次本发明中指标约束条件和操作变量都是实时进行设置的，而不是预先设定所有有可能的约束条件，因此较为符合当前的生产需求目标，同时降低了机理模型的求解难度。最后，本发明在建立了机理模型后，采用列队竞争算法对机理模型进行优化筛选，从而使得建立的机理模型保持与当前装置工况相匹配，通过动态的机理模型实现动态的操作优化，使得最后求解的最优操作方案更加精准。

附图说明

图1是本发明提供的催化分馏装置的实时操作优化方法一实施方式的流程图；

图2是本发明提供的催化分馏装置一实施方式的结构示意图；

图3是本发明提供的分馏塔物料热量模型一实施方式的结构示意图;

图4是本发明提供的列队竞争算法一实施方式的倒向变异示意图。

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仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本发明的实施例1提供了催化分馏装置的实时操作优化方法，以下简称本方法，包括以下步骤：

S1、实时采集催化分馏装置的产品化验数据以及装置生产数据；

S2、根据所述装置生产数据判断所述催化分馏装置是否处于稳态工况，如果是，则根据所述产品化验数据以及装置生产数据建立所述催化分馏装置的多个候选机理模型；

S3、采用列队竞争算法从多个所述候选机理模型中选取最优机理模型；

S4、设置指标约束条件以及操作变量，结合所述最优机理模型以及所述指标约束条件进行优化求解，得到最优操作值；

S5、根据所述最优操作值获取所述催化分馏装置的最优操作方案；

根据每一所述数据集建立与其对应的候选机理模型。

本方法对催化分馏装置的操作方案进行实时优化，催化分馏装置以下简称装置。首先通过O PC数据采集系统实时采集装置各侧线产品的LIMS分析化验数据与DCS装置生产数据，并对产品化验数据和装置生产数据进行整定。以整定后的装置生产数据和产品化验数据为基础，实时建立符合装置工况的机理模型，确定出符合约束的最优操作条件。本发明可以在保证安全生产和产品合格的前提下，实时给出装置操作优化方案，帮助车间提高收率、产量，帮助企业提高利润、资源利用率。

本实施例通过OPC技术实时采集催化分馏装置的LIMS产品分析化验数据及DCS装置生产数据，并将数据存储到数据库中。具体的，通过访问LIMS系统获取产品分析编号，通过产品分析编号获取产品的详细分析PONA数据，即产品化验数据。并根据确定的关键组分进行数据分类，将分类后的数据录入到数据库中。所述的详细组分采用关键组分法：首先读取PONA分析数据TXT文档，确定关键组分之后将相关组分进行归并，保留关键组分。根据装置生产数据判断装置是否处于稳态，即是否处于稳态工况，在稳态工况时再进行机理模型的建模。数据集中产品化验数据以及数据装置生产数据均包括多个不同的属性，对数据集进行不同维度的扩容，从而可以得到不同的候选机理模型供选择。这里的不同维度即不同的属性，例如产品化验数据包括密度、馏程以及组成成分等属性；所述装置生产数据包括温度、流量、压力以及液位等数据，则可针对密度、馏程以及组成成分中任一种或几种对产品化验数据进行扩容，针对温度、流量、压力以及液位中任一种或几种对产品化验数据进行扩容，扩容的方法可采用插值法等实现。基于列队竞争算法进行建模以及优化。设置需要满足的产品指标约束条件，针对不同的指标约束条件设置不同的操作变量，并根据指标约束条件计算相应操作变量的搜索空间。操作人员可根据生产实际需求自行更改指标约束条件并选择操作变量，然后通过优化系统计算得到符合要求的优化方案。结合机理模型、指标约束条件及操作变量的搜索空间，对最优机理模型进行求解，计算出最优操作值，最优操作值对应最优操作方案。例如，可使用列队竞争算法对机理模型进行多目标多约束求解，得到最优操作值；采用列队竞争算法对多目标多变量进行优化，求解平均时长不超过10分钟。

本发明根据装置生产数据可判断装置是否处于稳定工况状态，在装置处于稳定工况状态时在进行机理模型的建立，从而使得所建立的机理模型时效性高，符合当前工况。其次，本发明基于产品化验数据建立机理模型，无需依赖原料化验数据，产品化验数据相较于原料化验数据更容易获取，从而降低了机理模型建立的难度，提高了机理模型建立的实时性。其次本发明中指标约束条件和操作变量都是实时进行设置的，而不是预先设定所有有可能的约束条件，因此较为符合当前的生产需求目标，灵活性高，同时降低了机理模型的求解难度。最后，本发明在建立了机理模型后，采用列队竞争算法对机理模型进行优化筛选，从而使得建立的机理模型保持与当前装置工况相匹配，通过动态的机理模型实现动态的操作优化，使得最后求解的最优操作方案更加精准。

经验证，本发明所建立的最优机理模型的匹配度能达到95%以上；最优操作方案的效果均与预期相符合。

优选的，所述产品化验数据包括密度、馏程以及组成成分；所述装置生产数据包括温度、流量、压力以及液位。

产品化验数据包括产品的密度、馏程以及组成成分等；装置生产数据包括整个催化分馏装置的各位置处的温度、流量、压力、液位数据等。本实施例中装置生产数据和产品化验数据的采集频次为每半分钟采集一次，也可是其他设定采集频率。

优选的，根据所述装置生产数据判断所述催化分馏装置是否处于稳态工况，具体为：

判断所述装置生产数据的波动范围是否在设定范围内，如果是，则判定所述催化分馏装置处于稳态工况，否则判定所述催化分馏装置处于非稳态工况。

稳态判断方法包括对装置生产数据，如温度、流量、压力、液位数据进行数据处理及标准差分析，判断其是否保持在一定波动范围内，其中规定标准差分析可由操作人员自行设定。

优选的，如果所述催化分馏装置处于非稳态工况，则等待设定时间间隔后再次采集装置生产数据以及产品化验数据，并根据实时的装置生产数据再次判断所述催化分馏装置是否处于非稳态工况，直至所述催化分馏装置达到稳定工况后再进行机理模型的建立，否则不进行机理模型的建立。

若稳态检测无法通过，则不能进行下一步的机理模型建立以及优化计算。

优选的，根据所述数据集建立与其对应的候选机理模型，具体为：

按工艺流程将所述催化分馏装置分为多个单元装置；

根据所述数据集分别建立每一所述单元装置的机理单元方程组；

串联多个所述机理单元方程组得到所述候选机理模型。

具体的，如图2所示，图2示出了催化分馏装置的结构实例以及工艺流程实例，图2中催化分馏装置包括回炼油罐、分馏塔、汽提塔、吸收塔、再吸收塔、稳定塔以及解吸塔。本实施例首先分别建立回炼油罐、分馏塔、汽提塔、吸收塔、再吸收塔、稳定塔以及解吸塔的机理单元方程组，最后串联合成与实际工艺流程相同的机理模型。

串联各机理单元方程组具体为：根据工艺流程对各机理单元方程组进行连接，根据上一机理单元方程组的计算当前机理单元方程组的输入流股，并将计算得到的输入流股带入至当前机理单元方程组，然后将当前机理单元方程组的计算结果作为下一机理单元方程组的输入流股，代入下一机理单元方程组。根据工艺流程依次对每一个机理单元方程组进行上述处理，即可串联合成总的机理模型。

优选的，建立所述单元装置的机理单元方程组，具体为：

根据所述产品化验数据对所述单元装置进行物料衡算以及热量衡算，得到物料守恒公式以及热量守恒公式；

结合所述物料守恒公式、所述热量守恒公式以及进料热状态参数建立所述机理单元方程组。

本实施例以图2中分馏塔为例，对机理单元方程组的建立步骤进行说明。首先将侧线产品的产品化验数据合成装置的进料原料，根据工艺流程及分馏塔装配图获取分馏塔的塔板数、进料位置、中段循环换热器、汽提塔等信息，根据以上信息搭建分馏塔物料及热量模型，物料及热量模型如图3所示。

根据图3对分馏塔进料板分别作物料衡算及热量衡算，即：

式中：

为进料的焓（kJ/kmol），为进料量（kmol）；

为进料板上方饱和蒸汽的焓（kJ/kmol），

为进料板上方饱和蒸汽量（kmol）；

为进料板下方饱和蒸汽的焓（kJ/kmol），

为进料板下方饱和蒸汽量（kmol）；

进料板上方饱和液体的焓（kJ/kmol），

进料板上方饱和液体量（kmol）；

进料板下方饱和液体的焓（kJ/kmol），

进料板下方饱和液体量（kmol）。

与进料板相邻的上塔板、下塔板的温度及组成可近似认为与进料板相同，即有：

，

将上式带入物料守恒公式、热量守恒公式，可得：

引入进料热状态参数：

通过进料热状态参数化简物料守恒公式、热量守恒公式，可得：

化简后的物料守恒公式、热量守恒公式描述了在分馏塔内精馏段和提馏段的气相流量、液相流量、进料量以及进料热状态参数之间的基本关系，根据进料板计算结果进行逐板计算，得到分馏塔的物料平衡方程组以及热量平衡方程组，即得到了符合分馏塔实际工况的机理模型。

优选的，采用列队竞争算法从多个所述候选机理模型中选取最优机理模型，具体为：

通过所述候选机理模型对目标控制参数进行计算，得到产品计算数据；

根据所述产品计算数据与所述产品化验数据的差值，对所述或候选机理模型进行修正；

采用列队竞争算法从多个修正后的候选机理模型中选取最优机理模型。

基于产品化验数据对候选机理模型进行修正，以采样时刻的产品计算数据与产品化验数据的差值为基准，对产品计算数据进行修正，即：

式中，

为产品计算数据，

为产品化验数据，

修正值；

其中，

为滤波系数，相当于产品化验数据的置信度系数，

为常数；

为采样时刻的初始差值，

为

个采样时刻的差值的归一化值。

逐步校正每个产品化验数据，并对循环流股赋初值之后进行反复校核，得到修正后更为符合实时工况的候选机理模型。然后使用列队竞争算法选出与现场工况最为匹配的最优机理模型，使用列队竞争算法大大缩短了校核所需时间。

优选的，采用列队竞争算法从多个修正后的候选机理模型中选取最优机理模型，具体为：

以修正后的候选机理模型计算的产品计算数据与相应产品化验数据之间的误差函数作为目标函数；

对每一所述候选机理模型所包含的机理单元方程组进行随机选择，对随机选择结果进行编码得到组建的家族，针对多个候选机理模型组建多个家族得到初始化群体；

根据目标函数值对各家族进行排序，根据排序次序为每个家族分配变异次数；当家族的变异概率大于产生的随机数时，对相应家族进行倒向变异；比较各家族变异前后的目标函数值，如果变异后的目标函数值大于变异前的目标函数值，则将变异前的家族作为后代，否则将变异后的家族作为后代，得到迭代更新后的群体；

判断是否达到迭代上限，如果达到，则输出目标函数值最小的最优家族对应的候选机理模型作为最优机理，否则计算变异后的每个家族的目标函数值，然后转上一步进行下一次迭代。

具体的，采用列队竞争算法从多个修正后的候选机理模型中选取最优机理模型，过程如下：

1、首先对各候选机理模型进行编码，每个候选机理模型均包括N个的机理单元方程组，N为催化分馏装置所包含的单元装置的数量，0表示未选择该机理单元方程组，1表示选择该机理单元方程组，为每个候选机理模型随机选择机理单元方程组，根据随机选择结果按固定的单元装置顺序对候选机理模型进行编码，随机产生m个家族组成初始化群体；单元装置顺序可按工艺流程进行设置；

2、依据目标函数值的大小对m个家族排队，本实施例考虑产品化验数据与模型计算得到的产品计算数据的误差最小，按升序排序；目标函数值为：

；

3、根据排队次序对每个家族分配变异次数，排队越靠前，变异次数越少，越往后变异次数越多。例如，排在第1位的家族可能变异的次数为1，排在第m位（末位）的家族可能变异的次数为m。当产生的随机数小于变异的概率时发生变异，变异的概率等于变异次数除以总分配变异次数。如图4所示，变异策略为倒向变异，随机产生两个1~N之间的数字，倒序交换家族内两个数字之间（a和b之间）的编码，如图4所示，即a位置处的编码移动至b位置处，a+1位置处编码移动至b-1位置处，依次类推；

4、比较每个家族变异前后的目标函数值，例如每次变异前的家族记为np，目标函数值为fp,经过一次变异后的家族记为nl,目标函数值为fl。如果fp≤fl,则将np作为家族的后代，如果fp>fl,则将nl作为家族的后代；

5、整个群体经过一次迭代之后，可以获得新的群体；

6、判断是否达到迭代上限，如果达到上限就退出，选择最优家族进行解码即可得到最优机理模型，否则计算后代每个家族的目标函数值，返回（2）重新进行排队，进行下一次迭代。

建模优化过程的优化目标为每个产品化验数据与模型计算得到的数据误差最小；优化的操作变量为涉及到的关键变量（关键温度、流量、压力数据）；关键操作变量的变化范围为优化约束条件。

得到最优机理模型后，设置指标约束条件以及操作变量约束条件，根据所述目标函数、指标约束条件以及操作变量约束条件采用列队竞争算法对最优机理模型进行求解得到最优操作方案。

设置指标约束条件以及操作变量约束条件，具体为：操作人员根据生产需求设定质量约束范围作为指标约束条件，并选择期望进行调节的操作变量以及操作变量操作范围。

例如：以表1中粗汽油干点和柴油初馏点与设定值之间的误差最小为优化目标，以表2中对应的操作变量为优化变量，以表1中其余的考察分析指标和表2中的操作变量的操作范围为约束条件对模型使用列队竞争算法进行优化。

过程如下：

1、操作变量以及操作变量操作范围设置初始搜索空间，在初始搜索空间按均匀分散产生m个操作方案的作为初始个体，组成初始种群，计算各个个体的目标函数值，本次优化目标函数值为粗汽油干点和柴油初馏点与设定值之间的误差；

式中：为第一代进化过程中第i个家族第j个操作变量的初始值，r是0~1之间均匀分布的随机数，lbj和ubj分别是操作变量j的上限、下限，即搜索空间。

2、按目标函数的大小，对m个个体排序，本发明求粗汽油干点和柴油初馏点与设定值之间的误差最小值，采用升序排序；

3、根据各个个体在列队中的位置，按一定比例确定其相应的搜索空间，处于第一位的搜索空间最小，处于最末位的搜索空间最大；

式中：和

分别为某子家族群第t代进化中，列队中第i个家族的第j个操作变量所分配的搜索空间的下限与上限；

是第t代进化中，列队中第i个家族的第j个操作变量的值；

为第j个操作变量在第t代的取值区间长度，m为个体数；s为操作变量数。

4、各个个体在各自的相应的搜索空间进行无性繁殖，产生n个彼此差异性尽可能大的子代个体，将其中最优个体（最优个体根据目标函数筛选）保留下来，代表它所属的家族，参加下次列队地位的竞争；

5、达到迭代次数，输出最优个体对应的操作方案作为最优操作方案，否则整体收缩搜索空间，然后，转到第2步；

收缩搜索空间，具体为：

式中：

为t+1次搜索空间，

为t次搜索空间，

为收缩系数，

小于1，本实施例取0.95。

最优求解的最优操作方案为满足质量约束的最优的装置的操作方案，操作人员可根据生产实际。本发明中操作人员可自行更改设置指标约束范围并选择操作变量，然后通过机理模型计算得到符合要求的优化方案，使得优化操作方案符合要求的同时，尽可能简化计算难度。

具体的，本实施例中指标约束条件设置如表1所示，选择需要约束的分析指标，选择分析考察指标进行约束。

表1：指标约束条件

根据表1中的指标约束条件，选择对应的操作变量及其调整范围，如表2所示。

表2：操作变量

优选的，本方法还包括，对所述最优操作方案进行显示以及打印。

将最优操作优化方案输出到操作人员交互界面，如WEB端页面上进行显示，操作人员参考最优操作优化方案，并可根据现场实际情况对最优操作优化方案进行微调，然后进行相关操作，实现催化分馏装置的开环实时优化。开环实时优化是指最优操作优化方案为操作人员提供操作指导，并不直接干预装置的运行，操作人员可根据装置实际运行情况对最优操作优化方案进行适当调整。操作人员还可将页面上的最优操作优化方案进行打印，记录实际实施幅度。还可将最优操作优化方案保存为PDF格式文件进行存档记录，操作人员可自行下载记录方案实施幅度。具体的，本方法集成于WEB端操作系统中，用户在局域网中可以轻松访问。

实施例2

本发明的实施例2提供了催化分馏装置的实时操作优化装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1提供的催化分馏装置的实时操作优化方法。

本实施例提供的催化分馏装置的实时操作优化装置，用于实现催化分馏装置的实时操作优化方法，因此催化分馏装置的实时操作优化方法所具备的技术效果，催化分馏装置的实时操作优化装置同样具备，在此不再赘述。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims

1.一种催化分馏装置的实时操作优化方法，其特征在于，包括以下步骤：

实时采集催化分馏装置的产品化验数据以及装置生产数据；

根据每一所述数据集建立与其对应的候选机理模型。

2.根据权利要求1所述的催化分馏装置的实时操作优化方法，其特征在于，所述产品化验数据包括密度、馏程以及组成成分；所述装置生产数据包括温度、流量、压力以及液位。

3.根据权利要求1所述的催化分馏装置的实时操作优化方法，其特征在于，根据所述装置生产数据判断所述催化分馏装置是否处于稳态工况，具体为：

4.根据权利要求1所述的催化分馏装置的实时操作优化方法，其特征在于，如果所述催化分馏装置处于非稳态工况，则等待设定时间间隔后再次采集装置生产数据以及产品化验数据，并根据实时的装置生产数据再次判断所述催化分馏装置是否处于非稳态工况，直至所述催化分馏装置达到稳定工况后再进行机理模型的建立，否则不进行机理模型的建立。

5.根据权利要求1所述的催化分馏装置的实时操作优化方法，其特征在于，根据所述数据集建立与其对应的候选机理模型，具体为：

按工艺流程将所述催化分馏装置分为多个单元装置；

串联多个所述机理单元方程组得到所述候选机理模型。

6.根据权利要求5所述的催化分馏装置的实时操作优化方法，其特征在于，建立所述单元装置的机理单元方程组，具体为：

根据所述产品化验数据对所述单元装置进行物料衡算以及热量衡算，得到物料守恒公式以及热量守恒公式，联立所述物料守恒公式以及热量守恒公式得到所述机理单元方程组。

7.根据权利要求1所述的催化分馏装置的实时操作优化方法，其特征在于，采用列队竞争算法从多个所述候选机理模型中选取最优机理模型，具体为：

8.根据权利要求7所述的催化分馏装置的实时操作优化方法，其特征在于，采用列队竞争算法从多个修正后的候选机理模型中选取最优机理模型，具体为：

判断是否达到迭代上限，如果达到，则输出目标函数值最小的最优家族对应的候选机理模型作为最优机理模型，否则计算变异后的每个家族的目标函数值，然后转上一步进行下一次迭代。

9.一种催化分馏装置的实时操作优化装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-8任一所述的催化分馏装置的实时操作优化方法。