CN111523779A - 一种在线确定常减压直馏柴油馏程曲线的方法 - Google Patents
一种在线确定常减压直馏柴油馏程曲线的方法 Download PDFInfo
- Publication number
- CN111523779A CN111523779A CN202010286265.8A CN202010286265A CN111523779A CN 111523779 A CN111523779 A CN 111523779A CN 202010286265 A CN202010286265 A CN 202010286265A CN 111523779 A CN111523779 A CN 111523779A
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- vacuum
- distillation range
- data
- line
- 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
- 238000004821 distillation Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000002283 diesel fuel Substances 0.000 title claims abstract description 32
- 230000007246 mechanism Effects 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 34
- 239000000047 product Substances 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 210000002569 neuron Anatomy 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000005292 vacuum distillation Methods 0.000 claims abstract description 15
- 239000006227 byproduct Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 239000010779 crude oil Substances 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010946 mechanistic model Methods 0.000 claims description 7
- 230000000704 physical effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000009897 systematic effect Effects 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 55
- 238000010992 reflux Methods 0.000 description 15
- 239000000945 filler Substances 0.000 description 8
- 238000001816 cooling Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000010724 circulating oil Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 241000183024 Populus tremula Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000002199 base oil Substances 0.000 description 1
- 238000004523 catalytic cracking Methods 0.000 description 1
- 238000004517 catalytic hydrocracking Methods 0.000 description 1
- 238000001833 catalytic reforming Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000011033 desalting Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及一种在线确定常减压直馏柴油馏程曲线的方法，选取目标常减压装置的多个典型加工工况，搭建严格机理模型；针对每一个典型加工方案，以超过100套装置实际生产数据作为严格机理模型的输入变量，计算得到常减压装置侧线产品的馏程分析结果；通过数据校正消除严格机理模型和实际生产数据针对侧线产品馏程分析结果的系统误差；考察目标常减压装置运行的上下限，随机生成若干组操作参数，以严格机理模型为计算载体，得到超过若干组成套严格机理模型数据，保证数据均匀覆盖了目标装置的整个操作范围；以通过严格机理模型生成的大数据为基础，建立人工神经元网络的数理模型，从而通过可测的操作条件，快速准确的计算出侧线产品的馏程指标。
Description
技术领域
本发明涉及一种在线确定常减压直馏柴油馏程曲线的方法。
背景技术
常减压装置是炼油厂原油加工中的第一个必不可少的工艺过程，面对各种不同性质的原油，不仅要直接生产部分产品(有些需要精制后才能作为商品)，而且还要为下游诸多二次加工装置提供合格和优质的原料。常减压装置主要是应用蒸馏的工艺与工程技术，根据炼油厂加工总流程的要求进行蒸馏，蒸馏装置可以是常减压蒸馏或常压蒸馏。原油蒸馏装置在生产某些石油产品(如直馏喷气燃料、直馏柴油等)的同时，为催化重整、催化裂化、加氢裂化、润滑油基础油生产装置和各类重油加工装置等提供原料。
典型的常减压装置一般包括电脱盐、换热网络、初馏塔(闪蒸塔)、常压炉、常压塔、减压炉和减压塔，其中常压塔和减压塔是常减压装置的核心。
直馏柴油的馏程曲线是常减压装置生产过程中十分重要的控制指标，体现了其性质和分布特点，且直接影响后续二次加工装置如柴油加氢等的操作状态和终端产品的性质。我国目前针对石油产品常压蒸馏特性测定法为GB/T 6536-2010，基于美国试验与材料协会标准ASTM D86:2007a重新起草。现有技术中，在确定常减压直馏柴油馏程曲线时，柴油质量的在线预测只针对单个塔(常压塔或减压塔)，而受常减压装置本身工艺特点的影响，常压塔(常一线、常二线、常三线)和减压塔(减一线)的操作状态共同决定了最终的柴油馏分质量指标，因此，现有技术中所获得的馏程曲线精确度较差。
发明内容
本发明所要解决的技术问题是针对现有技术的现状，提供一种集成现场数据、严格机理模型与人工神经元网络在线确定常减压直馏柴油馏程曲线的方法，该方法能快速、准确的获得侧线产品的馏程指标。
本发明解决上述技术问题所采用的技术方案为：一种在线确定常减压直馏柴油馏程曲线的方法，其特征在于包括以下步骤：
(1)严格机理模型的搭建
基于工艺流程及设备的工程设计参数，利用模拟软件建立常减压装置的全流程严格机理模型；
严格机理模型的建立过程大致包括以下步骤：
根据原料油处理量，原料油性质及产品收率，作出全塔物料平衡；以原油详细分析数据做虚拟组分切割；根据操作数据中的炉出口温度和压力，塔进料段温度和压力计算过气化度，确定塔底温度；根据塔顶，各侧线抽出温度和中段回流温度，作全塔热平衡，计算全塔回流热；校核各个侧线，中段回流及塔顶的温度和流量；计算全塔气液相负荷分布；作塔板水力学核算；作机泵、换热器等设备核算；根据塔顶，各侧线和塔底虚拟组分的组成，拟合蒸馏曲线。
目前，上述步骤可直接通过流程模拟软件如Aspen HYSYS(AspenTech)、ProII(Invensys)或Unisim Design(HONEYWELL)完成；
(2)典型工况选取和数据整理
常减压装置的实际生产过程根据原油性质变化和产品切割方案的要求分为多个典型的加工方案，在任意加工方案中选取原油性质和/或原油处理量和/或操作参数和/或产品性质作为步骤(1)中严格机理模型的输入变量；
常减压装置的实际生产过程中，由于原油性质的变化和产品切割方案的要求，一般存在多个典型加工方案，其中包括加工原油性质的变化、加工量的变化、产品生产方案的变化等等，原油性质的变化主要体现在不同原油本身性质的差异及混合原油的配比，加工量的变化则是装置处理量在其下限与上限之间的变化，产品生产方案的变化是指随着市场变化和产品性质的要求，产品切割方案发生相应的变化，比如随着季节不同，常减压装置生产的柴油馏分的凝结点会发生变化，对于柴油与蜡油之间的分离要求产生影响；每一种加工方案下，对于装置关键的温度，压力，流量设定点的要求都有所不同，因此形成了从原油性质和原油处理量，到装置操作参数，再到产品性质之间的成套生产数据，这些数据直观的反映了在每一个加工工况下，装置的整体操作状况和特点，本发明选取这些参数作为严格机理模型的输入变量，可大大提高馏程曲线的准确性；
(3)产品性质预测
以步骤(2)超过100套典型的加工方案中实际原油性质和/或原油处理量和/或操作参数和/或产品性质作为步骤(1)中严格机理模型的输入变量，计算得到常减压装置所有产品的完整物性结果，其中包含柴油的详细馏程数据；
基于严格机理模型的流程模拟可以产生完整的原料性质、操作条件与产品收率和性质对应的数据，基于这一特点，对于每一个典型加工工况，装置的操作参数都会存在一定程度的变化；上述生成的数据在步骤(4)中可以用来与现场实际数据进行对比，同时也是作为建立产品物性数据与原料及操作条件的量化关系的重要数据依据，为步骤(5) 提供关键性的数据分布；
(4)严格机理模型的数据校正
将步骤(3)所获得的详细馏程数据与常减压装置的现场实际数据进行对比，对严格机理模型进行数据校正；
由于装置现场测量的各种工艺过程数据均含有误差(包括随机误差和过失误差)，导致通过严格机理模型计算得到的侧线产品馏程分析结果与实际的测量结果之间可能存在系统误差，通过严格机理模型的数据校正可消除系统误差，提高馏程曲线的准确性。在本发明的步骤(4)中，利用下式对严格机理模型进行数据校正，
其中，
是在工况i中某一侧线产品p的某一馏程温度点j通过严格机理模型的模拟值；
是同一工况i下该侧线产品p的对应馏程温度点j的实际测量值；aj和bj是对某一侧线产品某一馏程温度点j进行数据校正引入的修正参数。参数aj和bj通过数据回归求得，通过最小二乘法、以严格机理模型的预测值与该关联式得到的预测值最为接近为目标而获得；在最小二乘法中，优化的目标是：
最小化
aj和bj则是可调整的优化变量，通过非线性优化算法得到使模拟值与实际测量值最为接近的参数组合。该步骤既可在Excel中完成，也可以借助专业的数学工具软件如GAMS或者MATLAB实现；
(5)基于严格机理模型的生产数据样本扩展
分析目标常减压装置的设备操作边界，针对每一个典型的加工方案，在其操作参数区间内通过拉丁超立方抽样产生样本点，利用上述产生的样本点，基于步骤(4)数据校正后的严格机理模型进行模拟计算，将每个工况设定扩展生成2000～5000套数据样本，共计生成超过一万套装置生产数据。
步骤(5)中，拉丁超立方抽样的步骤为，
A、将相关参数缩放到[0，1]区间；
B、将该[0，1]分为n等份，每个小区间内[i/n，(i+1)/n]内根据均匀分布随机产生一个数；
C、将n个随机数的顺序打乱；
D、这n个数即为每个随机样本的概率，按照概率分布函数的反函数生成随机分布的值。步骤(5)中，所述样本点的产生基于下面的公式，
其中，xi是参数随机值，ξ是随机数，P是xi的累积概率分布；
(6)人工神经元网络模型的建立
基于步骤(5)中严格机理模型扩展得到的生产数据样本，建立人工神经元网络的数理模型，在线确定常减压直馏柴油的馏程。
人工神经元网络模型的建立，需要从机理的角度出发，选取在严格机理模型建立过程中对输出结果有明显影响的变量，防止模型的输入层引入较多与输出结果不相关的变量，造成模型的稳定性差，本发明的常减压装置直馏柴油是常一线、常二线、常三线和减一线的混合物，因此模型的建立需要考虑影响每一条侧线的操作条件，如常压炉出口温度，常压塔处理量，常压塔顶压力和常压塔底汽提蒸汽量共同决定了常压塔的总气化量；减压炉出口温度，减压塔处理量，减压塔顶压力，减压塔顶压力共同决定了减压塔的总气化量；各侧线的抽出温度为在当前压力下的泡点温度，理论上决定了各侧线的馏程的5％和10％点，也间接决定了上一条侧线的90％和95％点；四条侧线的流量决定了最终的混合比例和馏程曲线的形状。因此，本发明选取常压炉出口温度(I1，℃)，常压塔处理量(I2，t/hr)，常压塔顶压力(I3，kPa)，常压塔顶温度(14，℃)，常一线流量(I5，t/hr)，常一线抽出温度(I6，℃)，常二线流量(I7，t/hr)，常二线抽出温度(I8，℃)，常三线流量 (I9，t/hr)，常三线抽出温度(I10，℃)，常压塔底汽提蒸汽量(I11，℃)，减压炉出口温度 (I12，℃)，减压塔处理量(I13，t/hr)，减压塔顶压力(I14，kPa)，减压塔顶温度(I15，℃)，减一线流量(I16，t/hr)，减一线抽出温度(I17，℃)，作为常减压直馏柴油馏程测量软仪表的输入变量，基于严格机理模型扩展得到的生产数据样本，培训人工神经元网络模型。
在上述各方案中，基于严格机理模型扩展得到的生产数据样本，对输入变量和输出变量进行归一化处理，得到输入变量[sI1，sI2，sI3，...，sI17]和输出变量[sO1，sO2，...，sO5]，人工神经元网络模型可由下式表示
(sO1，sO2，sO3，sO4，sO5)＝f(sx1，sx2，sx3，...，sx17)
通过训练人工神经元网络模型，获得模型参数，由下式对人工神经元网络模型的输出
进行反归一化处理，求得常减压直馏石脑油馏程的在线计算值
所述输入变量利用下式进行归一化处理：
其中，Ii是第i个输入变量的实际测量值，sIi是第i个输入变量归一化后的神经元网络输入值，
和
是第i个输入变量的下限和上限值，归一化后输入变量的下限和上限分别为a和b。
所述输出变量利用下式进行归一化处理：
其中，Oj是第j个输出变量的实际测量值，sOj是第j个输出变量归一化后的神经元网络输出值，
和
是第j个输出变量的下限和上限值，归一化后输出变量的下限和上限分别为a和b。
与现有技术相比，本发明的优点在于：本发明选取目标常减压装置的多个典型加工工况，整理得到针对每一个典型加工工况的成套生产加工数据，结合工艺流程、设备参数等硬件设计参数，搭建严格机理模型；机理模型搭建完成后，针对每一个典型加工方案，以超过100套装置实际生产数据的原油性质和操作参数作为严格机理模型的输入变量，计算得到常减压装置侧线产品的馏程分析结果；通过数据校正消除严格机理模型和实际生产数据针对侧线产品馏程分析结果的系统误差；考察目标常减压装置每一台设备运行的上下限(温度，压力，流量等)，在设备运行允许的范围内，随机生成若干组操作参数，以严格机理模型为计算载体，得到超过若干组成套严格机理模型数据(计算过程中未收敛的数据被剔除)，保证数据均匀覆盖了目标装置的整个操作范围；以通过严格机理模型生成的大数据为基础，建立人工神经元网络的数理模型，提取操作条件与产品性质之间的关系，从而通过可测的操作条件，快速准确的计算出侧线产品的馏程指标。
附图说明
图1为本发明实施例常压塔和减压塔的工艺流程图；
图2为本发明实施例的人工神经元网络模型图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例1：
如图1所示，为某一典型的燃料型炼厂的常压塔和减压塔工艺流程。
初馏塔底油经常压炉加热后进入常压塔第53层塔盘。常压塔塔顶油气经换热冷却后进入常顶回流罐，常顶不凝气直接进增压机，压缩后送至装置外。常顶油提压后一部分作为冷回流至常压塔顶，另外一部分直接出装置。常压塔设有三个中段回流：常顶循油自第5层塔盘抽出，经常顶循油泵升压后换热冷却返回第2层塔盘；常一中油自第19 层塔盘抽出，经常一中油泵升压后换热冷却返回第16层塔盘；常二中油自第33层塔盘抽出，经常一中油泵升压后换热冷却返回第30层塔盘。常压塔设有三个侧线：常一线油自常压塔第15层塔盘抽出至常一线汽提塔，常一线油气返回至第14层塔盘，常一线油经常一线油泵升压后冷却换热，作为航煤或柴油组分出装置；常二线油自常压塔第29 层塔盘抽出至常二线汽提塔，常二线油气返回至第28层塔盘，常二线油经常二线油泵升压后冷却换热，作为柴油组分出装置；常三线油自常压塔第42层塔盘抽出至常三线汽提塔，常三线油气返回至第41层塔盘，常三线油经常三线油泵升压后冷却换热，作为柴油组分出装置。常压塔底设汽提蒸汽线，常底油经常底油泵升压进入减压炉加热后进入减压塔进料段。
减顶油气经三级抽空器后进减顶分水罐，减顶不凝气与初顶不凝气、常顶不凝气混合后直接进增压机，压缩后送至装置外；减顶油经减顶油泵提压后并入减一线油。减一及减一中油自第I层填料底部抽出，由减一及减一中油泵提压后，一部分热回流直接返回至第II层填料上部，其余经换热冷却后一部分冷回流至第I层填料上部，另外一部分与常压柴油组份混合后出装置。减二及减二中油自第III层填料底部抽出，由减二及二中油泵提压后，经换热冷却后一部分冷回流返回至第III层填料上部，其余部分经换热冷却后，与减三线混合后出装置。减三及减三中油自第IV层填料底部抽出，由减三及减三中油泵提压后，经换热冷却后，一部分冷回流至第IV层填料上部，另外一部分经进一步换热冷却后，与减二线油混合后出装置。过汽化油自第V层填料底部抽出，经过汽化油泵提压后，与减三及减三中油混合经换热后出装置。减底油由减压渣油泵提压后，经换热冷却后，一部分冷回流至减压塔底部，其余部分进一步冷却换热后出装置。
基于上述常压塔和减压塔工艺流程中，本实施例在线确定常减压直馏柴油馏程曲线的方法为：
(1)严格机理模型的搭建
基于工艺流程及设备的工程设计参数，利用模拟软件建立常减压装置的全流程严格机理模型。严格机理模型的建立过程大致包括以下步骤：
根据原料油处理量，原料油性质及产品收率，作出全塔物料平衡；以原油详细分析数据(表1)做虚拟组分切割；根据操作数据中的炉出口温度和压力，塔进料段温度和压力计算过气化度，确定塔底温度；根据塔顶，各侧线抽出温度和中段回流温度，作全塔热平衡，计算全塔回流热；校核各个侧线，中段回流及塔顶的温度和流量；计算全塔气液相负荷分布；作塔板水力学核算；作机泵、换热器等设备核算；根据塔顶，各侧线和塔底虚拟组分的组成，拟合蒸馏曲线。本案例中采用的流程模拟软件为Unisim Design (HONEYWELL)。基于一组以重质原油为原料(表1)的现场采集数据和严格机理模型得到的结果如表2所示。
表1常减压原料油详细分析数据(重质原油)
表2装置实际生产数据与严格机理模型结果对比
(2)典型工况选取和数据整理
常减压装置的实际生产过程根据原油性质变化和产品切割方案的要求分为多个典型的加工方案，在任意加工方案中选取原油性质和/或原油处理量和/或操作参数和/或产品性质作为步骤(1)中严格机理模型的输入变量；
本案例中，生产方案的变化主要由原油性质和产品切割方案的变化组合而成，共分为以下四个工况：
| 工况 | 原油 | 柴油规格 |
| 工况1 | 轻质原油 | 0#柴油 |
| 工况2 | 重质原油 | 0#柴油 |
| 工况3 | 轻质原油 | -10#柴油 |
| 工况4 | 重质原油 | -10#柴油 |
(3)产品性质预测
以步骤(2)超过100套典型的加工方案中实际原油性质和/或原油处理量和/或操作参数和/或产品性质作为步骤(1)中严格机理模型的输入变量，计算得到常减压装置所有产品的完整物性结果，其中包含柴油的详细馏程数据。表3显示的是基于表1和表 2的现场采集数据，其对应的柴油分析数据和严格机理模型的预测结果的典型对比。
表3装置柴油分析数据与严格机理模型结果对比
(4)严格机理模型的数据校正
将步骤(3)所获得的详细馏程数据与常减压装置的现场实际数据进行对比，对严格机理模型进行数据校正。由于装置现场测量的各种工艺过程数据均含有误差(包括随机误差和过失误差)，导致通过严格机理模型计算得到的侧线产品馏程分析结果与实际的测量结果之间可能存在系统误差。通过最小二乘法对严格机理模型的数据校正可消除系统误差，提高馏程曲线的准确性。以表3现场采集和严格机理模型的数据为基础，采用数据校正方法对严格机理模型数据校正后，得到的结果如表4所示。
表4装置柴油分析数据与严格机理模型数据校正结果对比
(5)基于严格机理模型的生产数据样本扩展
分析目标常减压装置的设备操作边界，针对每一个典型的加工方案，在其操作参数区间内通过拉丁超立方抽样产生样本点，利用上述产生的样本点，基于步骤(4)数据校正后的严格机理模型进行模拟计算，将每个工况设定扩展生成2000～5000套数据样本，共计生成超过一万套装置生产数据；
(6)人工神经元网络模型的建立
基于步骤(5)中严格机理模型扩展得到的12375组生产数据样本，建立如图2所示的人工神经元网络模型；
输入下述输入变量并进行归一化处理：常压炉出口温度I1(℃)变化范围[360.01,374.96]，常压塔处理量I2(t/hr)变化范围[330.10,474.89]，常压塔顶压力I3(kPa) 变化范围[166.31,187.29]，常压塔顶温度I4(℃)变化范围[106.88,127.49]，常一线流量I5(t/hr) 变化范围[18.48,31.90]，常一线抽出温度I6(℃)变化范围[176.27,196.49]，常二线流量I7(t/hr) 变化范围[53.73,91.66]，常二线抽出温度I8(℃)变化范围[258.14,277.52]，常三线流量I9 (t/hr)变化范围[1.03,25.69]，常三线抽出温度I10(℃)变化范围[328.72,355.95]，常压塔底汽提蒸汽量I11(℃)变化范围[3.50,5.99]，减压炉出口温度I12(℃)变化范围[370.01,388.52]，减压塔处理量I13(t/hr)变化范围[228.35,347.59]，减压塔顶压力I14(kPa)变化范围 [2.00,3.00]，减压塔顶温度I15(℃)变化范围[57.02,63.00]，减一线流量I16(t/hr)变化范围 [1.03,32.83]，减一线抽出温度I17(℃)变化范围[91.82,122.37]，a和b取值分别为0.1和1，归一化结果如下：
对输出结果进行归一化处理，直馏柴油馏程5％点温度O1(℃)变化范围 [173.70,201.30]，10％点温度O1(℃)变化范围[186.80,208.80]，50％点温度O1(℃)变化范围[251.50,275.50]，90％点温度O1(℃)变化范围[321.50,349.50]，95％点温度O1(℃)变化范围 [335.10,373.10]，a和b取值分别为0.1和1，归一化结果如下：
人工神经元网络模型共三层，其中输入层节点数为17，隐藏层节点数为9，输出层节点数为5。以归一化后的工业生产数据为训练样本，通过共轭梯度法进行人工神经元网络模型的训练，模型收敛后，得到的一组权值如下：
其中，
是输入层第i个节点到隐含层第j个节点的权值；
是隐含层第i个节点到输出层第j个节点的权值；
预测直馏柴油馏程的人工神经元网络模型隐藏层的公式为：
其中，Hj是隐藏层第j个节点的输出值；
预测直馏柴油馏程的人工神经元网络模型输出层的公式为：
其中，
是直馏柴油馏程归一化预测值，通过反归一化处理，就可以得到直馏柴油馏程的预测值
在对训练样本变量进行归一化时，5％点温度O1(℃)变化范围[173.70,201.30]，10％点温度O2(℃)变化范围[186.80,208.80]，50％点温度O3(℃)变化范围 [251.50,275.50]，90％点温度O4(℃)变化范围[321.50,349.50]，95％点温度O5(℃)变化范围 [335.10,373.10]；a和b取值分别为0.1和1，则反归一化的结果为：
以常减压装置的一组实际生产数据作为输入值：
通过人工神经元网络模型计算得到的直馏柴油馏程结果为：
实际的测量化验结果为：
通过人工神经元网络在线预测的结果与实际测量化验结果吻合较好。
Claims (9)
1.一种在线确定常减压直馏柴油馏程曲线的方法，其特征在于包括以下步骤：
(1)严格机理模型的搭建
基于工艺流程及设备的工程设计参数，利用模拟软件建立常减压装置的全流程严格机理模型；
(2)典型工况选取和数据整理
常减压装置的实际生产过程根据原油性质变化和产品切割方案的要求分为多个典型的加工方案，在任意加工方案中选取原油性质和/或原油处理量和/或操作参数和/或产品性质作为步骤(1)中严格机理模型的输入变量；
(3)产品性质预测
以步骤(2)超过100套典型的加工方案中实际原油性质和/或原油处理量和/或操作参数和/或产品性质作为步骤(1)中严格机理模型的输入变量，计算得到常减压装置所有产品的完整物性结果，其中包含柴油的详细馏程数据；
(4)严格机理模型的数据校正
将步骤(3)所获得的详细馏程数据与常减压装置的现场实际数据进行对比，对严格机理模型进行数据校正；
(5)基于严格机理模型的生产数据样本扩展
分析目标常减压装置的设备操作边界，针对每一个典型的加工方案，在其操作参数区间内通过拉丁超立方抽样产生样本点，利用上述产生的样本点，基于步骤(4)数据校正后的严格机理模型进行模拟计算，将每个工况设定扩展生成2000～5000套数据样本，共计生成超过一万套装置生产数据；
(6)人工神经元网络模型的建立
基于步骤(5)中严格机理模型扩展得到的生产数据样本，建立人工神经元网络的数理模型，在线确定常减压直馏柴油的馏程。
2.根据权利要求1所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：步骤(4)中，利用下式对严格机理模型进行数据校正，
其中，
是在工况i中某一侧线产品p的某一馏程温度点j通过严格机理模型的模拟值；
是同一工况i下该侧线产品p的对应馏程温度点j的实际测量值；aj和bj是对某一侧线产品某一馏程温度点j进行数据校正引入的修正参数。
3.根据权利要求2所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：参数aj和bj通过数据回归求得，通过最小二乘法、以严格机理模型的预测值与该关联式得到的预测值最为接近为目标而获得；在最小二乘法中，优化的目标是：
最小化
aj和bj则是可调整的优化变量，通过非线性优化算法得到使模拟值与实际测量值最为接近的参数组合。
4.根据权利要求1所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：步骤(5)中，拉丁超立方抽样的步骤为
A、将相关参数缩放到[0，1]区间；
B、将该[0，1]分为n等份，每个小区间内[i/n，(i+1)/n]内根据均匀分布随机产生一个数；
C、将n个随机数的顺序打乱；
D、这n个数即为每个随机样本的概率，按照概率分布函数的反函数生成随机分布的值。
5.根据权利要求4所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：步骤(5)中，所述样本点的产生基于下面的公式
其中，xi是参数随机值，ξ是随机数，P是xi的累积概率分布。
6.根据权利要求1～5中任一权利要求所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：选取常压炉出口温度(I1,℃)，常压塔处理量(I2,t/hr)，常压塔顶压力(I3,kPa)，常压塔顶温度(I4,℃)，常一线流量(I5,t/hr)，常一线抽出温度(I6,℃)，常二线流量(I7,t/hr)，常二线抽出温度(I8,℃)，常三线流量(I9,t/hr)，常三线抽出温度(I10,℃)，常压塔底汽提蒸汽量(I11，℃)，减压炉出口温度(I12，℃)，减压塔处理量(I13，t/hr)，减压塔顶压力(I14,kPa)，减压塔顶温度(I15,℃)，减一线流量(I16,t/hr)，减一线抽出温度(I17,℃)，作为常减压直馏柴油馏程测量软仪表的输入变量，基于严格机理模型扩展得到的生产数据样本，培训人工神经元网络模型。
7.根据权利要求6所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：基于严格机理模型扩展得到的生产数据样本，对输入变量和输出变量进行归一化处理，得到输入变量[sI1,sI2,sI3,…,sI17]和输出变量[sO1,sO2,…,sO5]，人工神经元网络模型可由下式表示
(sO1,sO2,sO3,sO4,sO5)＝f(sx1,sx2,sx3,…,sx17)
通过训练人工神经元网络模型，获得模型参数，由下式对人工神经元网络模型的输出
进行反归一化处理，求得常减压直馏石脑油馏程的在线计算值
8.根据权利要求7所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：所述输入变量利用下式进行归一化处理，
其中，Ii是第i个输入变量的实际测量值，sIi是第i个输入变量归一化后的神经元网络输入值，
和
是第i个输入变量的下限和上限值，归一化后输入变量的下限和上限分别为a和b。
9.根据权利要求7所述的在线确定常减压直馏柴油馏程曲线的方法，其特征在于：所述输出变量利用下式进行归一化处理，
其中，Oj是第j个输出变量的实际测量值，sOj是第j个输出变量归一化后的神经元网络输出值，
和
是第j个输出变量的下限和上限值，归一化后输出变量的下限和上限分别为a和b。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010286265.8A CN111523779A (zh) | 2020-04-13 | 2020-04-13 | 一种在线确定常减压直馏柴油馏程曲线的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010286265.8A CN111523779A (zh) | 2020-04-13 | 2020-04-13 | 一种在线确定常减压直馏柴油馏程曲线的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111523779A true CN111523779A (zh) | 2020-08-11 |
Family
ID=71901666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010286265.8A Pending CN111523779A (zh) | 2020-04-13 | 2020-04-13 | 一种在线确定常减压直馏柴油馏程曲线的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523779A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420499A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 用于常减压装置的物理逻辑重建方法 |
| CN115637164A (zh) * | 2021-07-19 | 2023-01-24 | 中国石化工程建设有限公司 | 一种催化或焦化分馏塔抽出特定控制干点的轻轻柴油的方法及系统 |
| CN115637164B (zh) * | 2021-07-19 | 2024-05-14 | 中国石化工程建设有限公司 | 一种催化或焦化分馏塔抽出特定控制干点的轻轻柴油的方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169387A (zh) * | 2007-11-28 | 2008-04-30 | 华东理工大学 | 一种在线确定常压塔顶石脑油质量指标的软测量方法 |
| CN101201331A (zh) * | 2007-11-28 | 2008-06-18 | 华东理工大学 | 一种在线确定初馏塔顶石脑油质量指标的软测量方法 |
| CA2807071A1 (en) * | 2013-02-22 | 2014-08-22 | Manufacturing Technology Network Inc. | Computer apparatus and method for integration of process planning optimization and control |
| US20140309756A1 (en) * | 2013-02-05 | 2014-10-16 | Yokogawa Corporation Of America | System, Method and Apparatus for Determining Properties of Product or Process Streams |
| CN106528992A (zh) * | 2016-10-27 | 2017-03-22 | 贵州理工学院 | 一种铝用碳素阳极煅烧窑煅烧带软测量判定方法 |
| CN109960235A (zh) * | 2018-11-29 | 2019-07-02 | 中国石油化工股份有限公司 | 基于机理模型的炼化装置实时优化方法和设备 |
-
2020
- 2020-04-13 CN CN202010286265.8A patent/CN111523779A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169387A (zh) * | 2007-11-28 | 2008-04-30 | 华东理工大学 | 一种在线确定常压塔顶石脑油质量指标的软测量方法 |
| CN101201331A (zh) * | 2007-11-28 | 2008-06-18 | 华东理工大学 | 一种在线确定初馏塔顶石脑油质量指标的软测量方法 |
| US20140309756A1 (en) * | 2013-02-05 | 2014-10-16 | Yokogawa Corporation Of America | System, Method and Apparatus for Determining Properties of Product or Process Streams |
| CA2807071A1 (en) * | 2013-02-22 | 2014-08-22 | Manufacturing Technology Network Inc. | Computer apparatus and method for integration of process planning optimization and control |
| CN106528992A (zh) * | 2016-10-27 | 2017-03-22 | 贵州理工学院 | 一种铝用碳素阳极煅烧窑煅烧带软测量判定方法 |
| CN109960235A (zh) * | 2018-11-29 | 2019-07-02 | 中国石油化工股份有限公司 | 基于机理模型的炼化装置实时优化方法和设备 |
Non-Patent Citations (5)
| Title |
|---|
| 侯凯锋等: "原油蒸馏装置的在线模拟、修正与优化", 石油炼制与化工, vol. 30, no. 10, 31 October 1999 (1999-10-31) * |
| 刘晓亭: "常减压蒸馏装置仿真培训系统开发", no. 8, pages 10 - 11 * |
| 罗凡: "基于原油实时性质的常减压蒸馏装置数据处理和优化研究", no. 4, pages 1 - 51 * |
| 董晓杨: "炼油企业集成过程操作的生产计划优化", CNKI优秀硕士学位论文全文库, no. 12, 15 December 2015 (2015-12-15) * |
| 黄明辉等: "原油常减压蒸馏装置流程的参数模拟分析", 当代化工, vol. 47, no. 8, 31 August 2018 (2018-08-31) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420499A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 用于常减压装置的物理逻辑重建方法 |
| CN115637164A (zh) * | 2021-07-19 | 2023-01-24 | 中国石化工程建设有限公司 | 一种催化或焦化分馏塔抽出特定控制干点的轻轻柴油的方法及系统 |
| CN115637164B (zh) * | 2021-07-19 | 2024-05-14 | 中国石化工程建设有限公司 | 一种催化或焦化分馏塔抽出特定控制干点的轻轻柴油的方法及系统 |
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 | |
| CN106845796B (zh) | 一种加氢裂化流程产品质量在线预测方法 | |
| EP1257614A1 (en) | Petroleum distillation method and system | |
| CA2456558A1 (en) | Process to prepare a hydrocarbon product having a sulphur content of below 0.05 wt % | |
| US20080078694A1 (en) | Method and apparatus for controlling FCC effluent with near-infrared spectroscopy | |
| CN111523779A (zh) | 一种在线确定常减压直馏柴油馏程曲线的方法 | |
| CN102998276B (zh) | 由红外光谱测定原油实沸点蒸馏曲线的方法 | |
| CN109817287B (zh) | 一种延迟焦化模型集成方法 | |
| CN112001593A (zh) | 基于回归关系和模糊识别模型的面板堆石坝性态评价方法 | |
| CN108490782B (zh) | 一种基于选择性双层集成学习适用于复杂工业过程产品质量指标缺失数据补全的方法及系统 | |
| Xing et al. | Fouling tendency of bitumen visbreaking products | |
| CN108009337B (zh) | 一种基于流程模拟软件的在线标定系统 | |
| CN113420500A (zh) | 智能常减压系统 | |
| CN110763649B (zh) | 一种由近红外光谱及性质选择目标原油调合配方的方法 | |
| CN111044482B (zh) | 原油调配方法 | |
| Akpa et al. | Pinch analysis of heat exchanger networks in the crude distillation unit of Port-Harcourt refinery | |
| CN109299482B (zh) | 一种加氢裂化用能分析方法及装置 | |
| CN115938502A (zh) | 一种基于分子级反应机理的化工产物特性预测方法及系统 | |
| Khalaf | Steady state simulation of Basrah crude oil refinery distillation unit using aspen hysys | |
| Sadighi et al. | Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network | |
| CN114444403A (zh) | 存储器、炼油生产装置氢分布预测方法、装置和设备 | |
| CN109299838B (zh) | 一种炼厂工艺能耗分析方法及装置 | |
| Babidorich et al. | Using Mathematical Modeling to Generate Training Data in Hydrotreating Processes | |
| Adejoh et al. | Energy integration of vacuum distillation plant using pinch technology (A case study of KRPC VDU Unit) | |
| CN113420499B (zh) | 用于常减压装置的物理逻辑重建方法 |
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 |