CN111382489A - 裂解炉的工艺参数的优化方法、装置及裂解炉 - Google Patents

Abstract

本发明公开了一种裂解炉的工艺参数的优化方法、装置及裂解炉。其中，该方法包括：确定待优化的工艺参数；根据裂解炉模型，确定工艺参数与裂解产物收率的定量关系，其中，裂解炉模型为依据多个不同工况，以及裂解炉在多个不同工况下对裂解原料进行裂解得到多个裂解产物历史数据建立的，其中，裂解炉模型为使用多组训练数据通过机器学习训练得到的，多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系，以及根据定量关系对工艺参数进行优化，得到优化后的工艺参数。本发明解决了相关技术中存在的仅凭经验无法获得裂解炉的最佳的工艺参数的技术问题。

Description

裂解炉的工艺参数的优化方法、装置及裂解炉

技术领域

本发明涉及石油化工领域，具体而言，涉及一种裂解炉的工艺参数的优化方法、装置及裂解炉。

背景技术

石油和化学生产原料复杂，且生产流程涵盖高温、深冷等复杂工艺，其中裂解炉是进行物质转化和能量利用的核心装置，其稳定、高效运行与否决定着整个生产装置的生产运行水平，其优化运行一直是需要解决的问题。

以乙烯生产装置为例说明。

在相关技术中存在三套乙烯装置，分别为33万吨乙烯装置(E1装置9台裂解炉)、27万吨乙烯装置(E2装置5台裂解炉)和新建60万吨乙烯装置(E3装置7台裂解炉)。

E1装置为S&W工艺包，顺序流程，原设计能力为30万吨乙烯/年，后经扩能改造到33万吨乙烯/年，8台在用裂解炉炉管分为16W、16(2-2-1-1)、48U三种。

E2装置为采用美国Brown&Root(B&R)公司工艺包，前脱丙烷前加氢流程，原设计能力为18万吨乙烯/年，后经扩能改造到27万吨乙烯/年，5台裂解炉炉管分为80U、192I两种。

E3装置由SW负责装置裂解炉的工艺包设计，中国寰球工程公司负责分离系统的工艺设计及整个乙烯装置的基础设计，设计能力为60万吨乙烯/年，采用前脱丙烷前加氢流程，7台裂解炉炉管分为8M、192U、176U三种。

在相关技术中，乙烯裂解炉的操作方式一般是根据设计数据和操作经验对裂解炉的工艺参数进行设定，但是乙烯裂解原料的组成会随着原料来源以及上游炼油装置原油品质而变化，操作条件与设计值发生较大的偏离，导致最佳的工艺参数偏离设计值；无法定量关联裂解原料属性-工艺参数-裂解产物组成分布，随着装置的升级改造，裂解炉的运行特性已经与开工时不同，运行初期与末期的特性也有差异，仅凭经验无法获得最佳的工艺参数，导致目标产品收率达不到最大值。

因此，在相关技术中存在仅凭经验无法获得裂解炉的最佳的工艺参数的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种裂解炉的工艺参数的优化方法、装置及裂解炉，以至少解决相关技术中存在的仅凭经验无法获得裂解炉的最佳的工艺参数的技术问题。

根据本发明实施例的一个方面，提供了一种裂解炉的工艺参数的优化方法，包括：确定待优化的所述工艺参数；根据裂解炉模型，确定所述工艺参数与裂解产物收率的定量关系，其中，所述裂解炉模型为依据多个不同工况，以及所述裂解炉在所述多个不同工况下对裂解原料进行裂解得到多个裂解产物历史数据建立的，其中，所述裂解炉模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系；根据所述定量关系对所述工艺参数进行优化，得到优化后的工艺参数。

可选地，在根据所述裂解炉模型，确定所述工艺参数与裂解产物收率的所述定量关系之前，还包括：获取所述裂解炉的结构参数，待用所述裂解炉裂解的原料的原料属性，以及初始工况参数建立机理模型；依据所述多个不同工况，以及与所述多个不同工况对应的多个裂解产物历史数据，对所述机理模型进行校正，得到所述裂解炉模型。

可选地，依据所述多个不同工况，以及与所述多个不同工况对应的多个裂解产物历史数据，对所述机理模型进行校正，得到所述裂解炉模型包括：获取在所述多个不同工况下，采用所述机理模型分别获得与所述多个不同工况对应的多个裂解产物数据；分别确定所述多个裂解产物数据与对应的所述多个裂解产物历史数据之间的偏差，得到所述多个裂解产物数据与所述多个裂解产物历史数据的偏差之和；依据所述偏差之和控制在预定偏差和之内的校正规则，对所述机理模型进行校正，得到所述裂解炉模型。

可选地，根据所述定量关系对所述工艺参数进行优化，得到优化后的工艺参数包括：在裂解产物收率为多种不同的裂解产物的收率的情况下，依据所述多种不同的裂解产物的收率确定所述工艺参数的优化幅度；根据确定的所述优化幅度，对所述工艺参数进行优化，得到优化后的工艺参数。

可选地，所述工艺参数包括以下至少之一：投料负荷，汽烃比，裂解炉出口温度COT。

根据本发明的另一个方面，提供了一种裂解炉的工艺参数的优化装置，包括：第一确定模块，用于确定待优化的所述工艺参数；第二确定模块，用于根据裂解炉模型，确定所述工艺参数与裂解产物收率的定量关系，其中，所述裂解炉模型为依据多个不同工况，以及所述裂解炉在所述多个不同工况下对裂解原料进行裂解得到多个裂解产物历史数据建立的，其中，所述裂解炉模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系；优化模块，用于根据所述定量关系对所述工艺参数进行优化，得到优化后的工艺参数。

可选地，该装置还包括：获取模块，用于获取所述裂解炉的结构参数，待用所述裂解炉裂解的原料的原料属性，以及初始工况参数建立机理模型；校正模块，用于依据所述多个不同工况，以及与所述多个不同工况对应的多个裂解产物历史数据，对所述机理模型进行校正，得到所述裂解炉模型。

可选地，所述校正模块包括：获取单元，用于获取在所述多个不同工况下，采用所述机理模型分别获得与所述多个不同工况对应的多个裂解产物数据；第一确定单元，用于分别确定所述多个裂解产物数据与对应的所述多个裂解产物历史数据之间的偏差，得到所述多个裂解产物数据与所述多个裂解产物历史数据的偏差之和；校正单元，用于依据所述偏差之和控制在预定偏差和之内的校正规则，对所述机理模型进行校正，得到所述裂解炉模型。

可选地，所述优化模块包括：第二确定单元，用于在裂解产物收率为多种不同的裂解产物的收率的情况下，依据所述多种不同的裂解产物的收率确定所述工艺参数的优化幅度；优化单元，用于根据确定的所述优化幅度，对所述工艺参数进行优化，得到优化后的工艺参数。

根据本发明的还一方面，提供了一种裂解炉，包括上述任一项所述的裂解炉的工艺参数的优化装置。

在本发明实施例中，采用裂解炉模型，确定所述工艺参数与裂解产物收率的定量关系，之后，根据所述定量关系对所述工艺参数进行优化，得到优化后的工艺参数的方式，通过裂解炉模型来优化工艺参数，达到了快速准确优化裂解炉的工艺参数的目的，进而解决了相关技术中存在的仅凭经验无法获得裂解炉的最佳的工艺参数的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的裂解炉的工艺参数的优化方法的流程图；

图2是根据本发明优选实施例的基于机理模型的裂解炉的工艺参数优化方法的流程图；

图3是根据本发明优选实施方式的对COT进行优化的示意图；

图4是根据本发明实施例的裂解炉的工艺参数的优化装置的结构框图；

图5是根据本发明实施例的裂解炉的工艺参数的优化装置的优选结构框图；

图6是根据本发明实施例的裂解炉的工艺参数的优化装置的优选结构框图；

图7是根据本发明实施例的裂解炉的工艺参数的优化装置的优选结构框图；

图8是根据本发明实施例的裂解炉的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种裂解炉的工艺参数的优化方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的裂解炉的工艺参数的优化方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，确定待优化的工艺参数，其中，该工艺参数可以包括多种，例如，该工艺参数可以包括以下至少之一：投料负荷，汽烃比，裂解炉出口温度COT等；

步骤S104，根据裂解炉模型，确定工艺参数与裂解产物收率的定量关系，其中，裂解炉模型为依据多个不同工况，以及裂解炉在多个不同工况下对裂解原料进行裂解得到多个裂解产物历史数据建立的，其中，裂解炉模型为使用多组训练数据通过机器学习训练得到的，多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系；

步骤S106，根据定量关系对工艺参数进行优化，得到优化后的工艺参数。

通过上述步骤，采用裂解炉模型，确定工艺参数与裂解产物收率的定量关系，之后，根据定量关系对工艺参数进行优化，得到优化后的工艺参数的方式，通过裂解炉模型来优化工艺参数，达到了快速准确优化裂解炉的工艺参数的目的，进而解决了相关技术中存在的仅凭经验无法获得裂解炉的最佳的工艺参数的技术问题。

在根据裂解炉模型，确定工艺参数与裂解产物收率的定量关系之前，可以通过多种方式获得该裂解炉模型，例如，可以先依据一定的软件模型来制定出一个初始模型，之后通过对该初始模型进行校正的方式来得到该裂解炉模型。例如，可以先获取裂解炉的结构参数(可以包括：炉管、炉膛，例如，炉管的参数包括：炉管类型、分布、有效长度、壁厚、内径等)，待用裂解炉裂解的原料的原料属性(例如，用于描述原料组份的比值，原料组份可以包括多种，例如，可以是(链烷烃(Paraffin)，烯烃(Olefin)，环烷烃(Naphthene)和芳烃(Aromatics)等)，以及初始工况参数(可以为该裂解炉出厂时的出厂参数，也可以是对该裂解炉使用了一段时间后与实际情况较符合的工况运行参数)建立机理模型；依据多个不同工况，以及与多个不同工况对应的多个裂解产物历史数据，对机理模型进行校正，得到裂解炉模型。

依据多个不同工况，以及与多个不同工况对应的多个裂解产物历史数据，对机理模型进行校正，得到裂解炉模型也可以采用多种方式，例如，可以先获取在多个不同工况下，采用机理模型分别获得与多个不同工况对应的多个裂解产物数据；分别确定多个裂解产物数据与对应的多个裂解产物历史数据之间的偏差，得到多个裂解产物数据与多个裂解产物历史数据的偏差之和；依据偏差之和控制在预定偏差和之内的校正规则，对机理模型进行校正，得到裂解炉模型。其中，该校正规则可以采用一般的数据处理方法，例如，最小二乘法，利用最小二乘法可以简便地求得该多个裂解产物数据，使得多个裂解产物数据与多个裂解产物历史数据之间的偏差的平方和为最小，因而使得多个裂解产物数据与多个裂解产物历史数据之间的偏差之和也最小。

在本发明实施例中，裂解炉模型是通过机器学习训练得到的，即通过机器学习的方式对多组训练数据进行训练，其中，上述多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系。因此，经过训练后的裂解炉模型，将裂解炉的工艺参数输入该模型后，能够准确的输出该工艺参数与裂解产物收率的定量关系，提高了确定工艺参数与裂解产物收率的定量关系的效率，进一步可以快速准确优化裂解炉的工艺参数。

可选地，在根据定量关系对工艺参数进行优化，得到优化后的工艺参数时，在不同的场景下，也可以采用不同的处理方法，例如，在裂解产物收率为一种裂解产物的收率的情况下，直接依据该裂解产物收率的高低来对工艺参数进行调节优化。而在裂解产物收率为多种不同的裂解产物的收率的情况下，可以依据多种不同的裂解产物的收率确定工艺参数的优化幅度；根据确定的优化幅度，对工艺参数进行优化，得到优化后的工艺参数。需要说明的是，依据多种不同的裂解产物的收率确定工艺参数的优化幅度时，也可以包括多种情况，例如，可以该确定优化幅度为一个能够使得上述多种不同的裂解产物的收率均提高的优化幅度，也可以确定优化幅度一个能够使得上述多种不同的裂解产物的收率均提高一个数值的优化幅度等。通过上述联合考虑多种不同的裂解产物的收率，能够最大化的提高裂解炉的使用效率。

结合上述说明，下面提供一种优选实施例。

为获得裂解炉的最佳工艺参数，提高目标产品(乙烯等)的收率，在本发明优选实施例中，提供了一种基于机理模型的裂解炉的工艺参数优化方法。图2是根据本发明优选实施例的基于机理模型的裂解炉的工艺参数优化方法的流程图，如图2所示，该方法包括如下流程：

步骤S202，数据采集(裂解炉的炉管、炉膛的结构参数，时间匹配的原料属性－工艺参数－裂解产物收率)。即，采集某台裂解炉的炉管、炉膛的详细结构参数(例如，包括炉管类型、分布、有效长度、壁厚、内径)，及裂解炉多个典型工况的裂解原料属性、工艺参数、裂解气全组成分析的历史数据，同时要求这三类数据在时间上的一致性；

步骤S204，裂解炉的机理模型的建立和校正(输入：裂解炉结构参数、原料属性、工艺参数，采用多工况数据验证)。采用基于自由基裂解反应机理的乙烯裂解炉模拟软件COILSIM-CRAFT建立裂解炉的机理模型，并采用多个工况的运行数据(可以包括历史数据和当前运行数据)对机理模型进行校正得到裂解炉模型，使裂解炉模型预测的裂解深度与实际取样分析数据或在线色谱的分析数据吻合；

步骤S206，关键工艺参数灵敏度分析(投料负荷、汽烃比、裂解炉出口温度(CoilOutlet Temperature，简称为COT)对裂解产物收率的影响的规律)。在一定的裂解原料条件下，利用建立的裂解炉模型对裂解炉的工艺参数(例如，投料负荷、汽烃比、裂解炉出口温度(Coil Outlet Temperature，简称为COT))进行灵敏度分析，获得工艺参数与裂解产物收率分布的定量关系；

步骤S208，提出最优方案(以关键产品收率最大化为目标，优化投料负荷、汽烃比、COT)。采用预定方法(例如，图示法)以目标产品收率最大化为目标，同时或分别优化进料负荷、汽烃比、COT，获得最佳的工艺参数(即获得匹配原料和裂解炉运行状态的较佳工艺参数)，从而提高目标产品的收率和原料利用率。

通过上述基于机理模型的裂解炉的工艺参数优化方法，与传统的依赖设计数据和经验的优化方法相比，本发明实施例的有益之处在于：采用机理模型能够明确揭示关键工艺参数与裂解产物收率的关系，实现了以产品收率最大化为目标的工艺参数的优化，减少了靠经验尝试获取最佳工艺参数的次数，方法简洁、简单易行、成本低、可靠高。相比传统经验的操作方式，可实现单台裂解炉乙烯单程收率提高0.4％以上；另外，需要说明的是，本发明实施例的方法适用于所有乙烯装置裂解炉的工艺参数优化和乙烯原料的定量评价。

下面结合上述实施例及优选实施例，裂解炉以乙烯裂解炉为例，提供了一种裂解炉工艺参数的优选实施方式，在本发明优选实施方式中，基于先进的乙烯裂解炉模拟软件，采用机理建模和模拟技术，提供了一种基于机理模型的乙烯裂解炉的工艺参数优化方法。

在本发明优选实施方式中，针对某一时期E3装置192U炉型裂解石脑油时的工况，对其COT进行优化，实现了乙烯收率单程收率提高0.43％。下面对该优选实施方式进行说明。

1、采集192U型裂解炉炉管、炉膛设计图纸，整理的数据包括：炉管管长、内径、壁厚，炉膛的长、宽、高尺寸数据。

2、采集192U裂解石脑油的工艺参数历史数据、石脑油的详细PIONA值((链烷烃(Paraffin)，烯烃(Olefin)，环烷烃(Naphthene)和芳烃(Aromatics)，简称为该PIONA值)以及对应时间的裂解产物分析数据。

3、采用COILSIM-CRAFT建立裂解反应的炉管模型(即上述机理模型)，以石脑油的详细PIONA值为原料表征炉管模型的输入，对原料的详细组分进行刻画。

4、对建立的裂解炉炉管模型进行校正，采用现场实际操作数据和裂解气组成的标定数据完成，通过调节炉管模型参数来保证COT和丙烯(Propylene)和乙烯(Ethylene)比(简称为PE比)同时匹配工艺参数。

5、根据现场提供的工艺参数的操作范围，建立数个不同工况下的炉管模型，并采用最小二乘法优化参数，让炉管模型计算得到的COT和PE比与实际操作数据在不同工况下的偏差总和最小，从而保证裂解炉管模型的准确性。

6、利用建立好的模型对COT进行灵敏度分析，进料负荷68.4t/h、汽烃比0.5不变，COT变化范围为825-855℃，获得裂解产物收率随COT变化规律的数据。

7、采用图示法对COT进行优化分析，图3是根据本发明优选实施方式的对COT进行优化的示意图，如图3所示，在进料负荷、汽烃比不变的前提下，以双烯收率最大化为目标且根据大庆石化公司多产乙烯的实际生产需求，优化COT(升温5℃)，优化结果：双烯收率基本维持不变(增加0.011％)，乙烯收率增加0.43％。

在本实施例中还提供了一种裂解炉的工艺参数的优化装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是根据本发明实施例的裂解炉的工艺参数的优化装置的结构框图，如图4所示，该装置包括：第一确定模块42、第二确定模块44和优化模块46，下面对该装置进行说明。

第一确定模块42，用于确定待优化的工艺参数；第二确定模块44，连接至上述第一确定模块42，用于根据裂解炉模型，确定工艺参数与裂解产物收率的定量关系，其中，裂解炉模型为依据多个不同工况，以及裂解炉在多个不同工况下对裂解原料进行裂解得到多个裂解产物历史数据建立的，其中，裂解炉模型为使用多组训练数据通过机器学习训练得到的，多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系；优化模块46，连接至上述第二确定模块44，用于根据定量关系对工艺参数进行优化，得到优化后的工艺参数。

图5是根据本发明实施例的裂解炉的工艺参数的优化装置的优选结构框图，如图5所示，该装置除包括图4的所有结构外，还包括：获取模块52和校正模块54，下面对该装置进行说明。

获取模块52，用于获取裂解炉的结构参数，待用裂解炉裂解的原料的原料属性，以及初始工况参数建立机理模型；校正模块54，连接至上述获取模块52和第二确定模块44，用于依据多个不同工况，以及与多个不同工况对应的多个裂解产物历史数据，对机理模型进行校正，得到裂解炉模型。

图6是根据本发明实施例的裂解炉的工艺参数的优化装置的优选结构框图，如图6所示，该校正模块54包括：获取单元62，第一确定单元64和校正单元66，下面对该校正模块54进行说明。

获取单元62，用于获取在多个不同工况下，采用机理模型分别获得与多个不同工况对应的多个裂解产物数据；第一确定单元64，连接至上述获取单元62，用于分别确定多个裂解产物数据与对应的多个裂解产物历史数据之间的偏差，得到多个裂解产物数据与多个裂解产物历史数据的偏差之和；校正单元66，连接至上述第一确定单元64，用于依据偏差之和控制在预定偏差和之内的校正规则，对机理模型进行校正，得到裂解炉模型。

图7是根据本发明实施例的裂解炉的工艺参数的优化装置的优选结构框图，如图7所示，该优化模块46包括：第二确定单元72和优化单元74，下面对该优化模块46进行说明。

第二确定单元72，用于在裂解产物收率为多种不同的裂解产物的收率的情况下，依据多种不同的裂解产物的收率确定工艺参数的优化幅度；优化单元74，连接至上述第二确定单元72，用于根据确定的优化幅度，对工艺参数进行优化，得到优化后的工艺参数。

在本发明实施例中，还提供了一种裂解炉，图8是根据本发明实施例的裂解炉的结构示意图，如图8所示，该裂解炉80包括上述任一项的裂解炉的工艺参数的优化装置82。

在本发明实施例中，还提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的裂解炉的工艺参数的优化。

在本发明实施例中，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述任意一项的裂解炉的工艺参数的优化。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种裂解炉的工艺参数的优化方法，其特征在于，包括：

确定待优化的所述工艺参数；

根据裂解炉模型，确定所述工艺参数与裂解产物收率的定量关系，其中，所述裂解炉模型为依据多个不同工况，以及所述裂解炉在所述多个不同工况下对裂解原料进行裂解得到多个裂解产物历史数据建立的，其中，所述裂解炉模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系；

根据所述定量关系对所述工艺参数进行优化，得到优化后的工艺参数。

2.根据权利要求1所述的方法，其特征在于，在根据所述裂解炉模型，确定所述工艺参数与裂解产物收率的所述定量关系之前，还包括：

获取所述裂解炉的结构参数，待用所述裂解炉裂解的原料的原料属性，以及初始工况参数建立机理模型；

依据所述多个不同工况，以及与所述多个不同工况对应的多个裂解产物历史数据，对所述机理模型进行校正，得到所述裂解炉模型。

3.根据权利要求2所述的方法，其特征在于，依据所述多个不同工况，以及与所述多个不同工况对应的多个裂解产物历史数据，对所述机理模型进行校正，得到所述裂解炉模型包括：

获取在所述多个不同工况下，采用所述机理模型分别获得与所述多个不同工况对应的多个裂解产物数据；

分别确定所述多个裂解产物数据与对应的所述多个裂解产物历史数据之间的偏差，得到所述多个裂解产物数据与所述多个裂解产物历史数据的偏差之和；

依据所述偏差之和控制在预定偏差和之内的校正规则，对所述机理模型进行校正，得到所述裂解炉模型。

4.根据权利要求1所述的方法，其特征在于，根据所述定量关系对所述工艺参数进行优化，得到优化后的工艺参数包括：

在裂解产物收率为多种不同的裂解产物的收率的情况下，依据所述多种不同的裂解产物的收率确定所述工艺参数的优化幅度；

根据确定的所述优化幅度，对所述工艺参数进行优化，得到优化后的工艺参数。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述工艺参数包括以下至少之一：

投料负荷，汽烃比，裂解炉出口温度COT。

6.一种裂解炉的工艺参数的优化装置，其特征在于，包括：

第一确定模块，用于确定待优化的所述工艺参数；

第二确定模块，用于根据裂解炉模型，确定所述工艺参数与裂解产物收率的定量关系，其中，所述裂解炉模型为依据多个不同工况，以及所述裂解炉在所述多个不同工况下对裂解原料进行裂解得到多个裂解产物历史数据建立的，其中，所述裂解炉模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：裂解炉的工艺参数和与该工艺参数与裂解产物收率的定量关系；

优化模块，用于根据所述定量关系对所述工艺参数进行优化，得到优化后的工艺参数。

7.根据权利要求6所述的装置，其特征在于，还包括：

获取模块，用于获取所述裂解炉的结构参数，待用所述裂解炉裂解的原料的原料属性，以及初始工况参数建立机理模型；

校正模块，用于依据所述多个不同工况，以及与所述多个不同工况对应的多个裂解产物历史数据，对所述机理模型进行校正，得到所述裂解炉模型。

8.根据权利要求7所述的装置，其特征在于，所述校正模块包括：

获取单元，用于获取在所述多个不同工况下，采用所述机理模型分别获得与所述多个不同工况对应的多个裂解产物数据；

第一确定单元，用于分别确定所述多个裂解产物数据与对应的所述多个裂解产物历史数据之间的偏差，得到所述多个裂解产物数据与所述多个裂解产物历史数据的偏差之和；

校正单元，用于依据所述偏差之和控制在预定偏差和之内的校正规则，对所述机理模型进行校正，得到所述裂解炉模型。

9.根据权利要求6所述的装置，其特征在于，所述优化模块包括：

第二确定单元，用于在裂解产物收率为多种不同的裂解产物的收率的情况下，依据所述多种不同的裂解产物的收率确定所述工艺参数的优化幅度；

优化单元，用于根据确定的所述优化幅度，对所述工艺参数进行优化，得到优化后的工艺参数。

10.一种裂解炉，其特征在于，包括权利要求6至9中任一项所述的裂解炉的工艺参数的优化装置。

Images