CN111598305A

CN111598305A - 一种轻烃分离装置运行状态优化及预测方法

Info

Publication number: CN111598305A
Application number: CN202010318477.XA
Authority: CN
Inventors: 鄢烈祥; 廖国军; 沈体峰; 周力; 范阳春
Original assignee: Hangu Yunzhi Wuhan Technology Co ltd
Current assignee: Hangu Yunzhi Wuhan Technology Co ltd
Priority date: 2020-04-21
Filing date: 2020-04-21
Publication date: 2020-08-28
Anticipated expiration: 2040-04-21
Also published as: CN111598305B

Abstract

本发明公开一种轻烃分离装置运行状态优化及预测方法，属于轻烃分离技术领域，解决了现有技术操作人员对轻烃分离装置的运行状态、产品组分了解滞后以及对水力学状态缺乏了解的问题。一种轻烃分离装置运行状态优化及预测方法，包括以下步骤：实时采集轻烃分离装置的现场数据，获取稳态点和平均点，建立机理模型；根据所述优化模型参数和初始化SVR模型参数得到优化的SVR模型；以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，获取水力学数据，预测得到轻烃分离装置的水力学状态。实现了预测得到轻烃分离装置运行状态的优化值及各产品组分值，优化轻烃分离装置运行，同时还预测得到轻烃分离装置的水力学状态。

Description

一种轻烃分离装置运行状态优化及预测方法

技术领域

本发明涉及轻烃分离技术领域，尤其是涉及一种轻烃分离装置运行状态优化及预测方法。

背景技术

从实时生产调度角度来讲，操作人员希望预先了解某些关键指标的未来变化趋势，这也使得指标趋势预测成为目前流程工业生产过程监控的重要任务。传统的生产过程指标预测采用基于机理建模的方法，此类方法在工艺机理分析的基础上，依据物料平衡、热量平衡和动力学建立数学模型。然而机理建模很大程度上依赖于对过程机理的认知，由于流程工业装置生产常具有非平衡、非稳定和强非线性等特点，此类机理模型成本高、难度大，其准确性和可靠性难以保证，往往存在模型精度低和容易失配等问题。

轻烃分离装置由于原料来源不稳定，生产波动较大，想要了解轻烃分离装置的运行状态对操作人员要求较高，经常出现产品质量不达标的情况。另外，操作人员只能通过温度经验来判断组分情况，对中间产品、产品的组成和装置的运行状态只能通过分析化验手段了解，有较大的滞后性，也无法进行运行状态优化，同时，在操作过程中，由于生产装置的特点，对装置(塔内)水力学状况也缺乏了解，常常发生塔内水力学不在合适的操作区间内，发生液泛、漏液等情况。

发明内容

本发明的目的在于至少克服上述一种技术不足，提出一种轻烃分离装置运行状态优化及预测方法。

本发明提供了一种轻烃分离装置运行状态优化及预测方法，包括以下步骤：实时采集轻烃分离装置的现场数据，对轻烃分离装置进行稳态检测，获取稳态点和平均点，根据实时采集得到的现场数据及获取的稳态点和平均点，建立机理模型；

获取轻烃分离装置运行的历史数据，利用历史数据进行模型训练得到初始化SVR模型参数，根据历史数据和所述机理模型进行训练验证，得到优化模型参数，根据所述优化模型参数和初始化SVR模型参数得到优化的SVR模型；

以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，以运行状态的优化值及各产品组分值优化轻烃分离装置运行；

获取水力学数据并存入数据库，送数据库页面读取输入板数、结构尺寸数据，根据所述输入板数和结构尺寸数据进行水力学计算和全塔压降计算，获取水力学负荷性能和全塔压降分布，根据所述水力学负荷性能和全塔压降分布，预测得到轻烃分离装置的水力学状态。

进一步地，对轻烃分离装置进行稳态检测，获取稳态点和平均点，具体包括，对轻烃分离装置进行稳态检测，获取所有稳态点和平均点列表，将所有平均值输出设置为错误值，获取所有DCS输入初始化，判断数据点或类型是否稳定，若是，则该数据点为稳定点，若否，则该数据点为非稳定点，根据所述稳态点获取平均点。

进一步地，所述轻烃分离装置运行状态优化及预测方法，还包括，将所述历史数据进行数据预处理，得到预处理后的数据，将预处理后的数据分为训练数据集和测试数据集。

进一步地，将所述历史数据进行数据预处理，具体包括，删除离散数据集，进行数据平滑处理，利用Z-score标准化方法进行数据归一化处理。

进一步地，所述根据历史数据和所述机理模型进行训练验证，得到优化模型参数，具体包括，对所述训练数据集进行数据分隔，然后进行测试集、训练集设置，利用交叉试验设置超参数，训练SVR模型，利用训练的SVR模型进行模型预测并得到训练平均误差；对所述训练数据集进行数据分隔，利用机理模型进行模型预测，得到预测平均误差；根据两种预测平均误差进行交叉验证，获取优化模型参数。

进一步地，以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，具体包括，将给机理模型和优化的SVR模型分别赋予权重，根据权重将机理模型和优化的SVR模型各自预测的运行状态优化值及各产品组分值进行加权，得到最终的运行状态优化值及各产品组分值。

与现有技术相比，本发明的有益效果包括：通过实时采集轻烃分离装置的现场数据，对轻烃分离装置进行稳态检测，获取稳态点和平均点，根据实时采集得到的现场数据及获取的稳态点和平均点，建立机理模型；通过获取轻烃分离装置运行的历史数据，利用历史数据进行模型训练得到初始化SVR模型参数，根据历史数据和所述机理模型进行训练验证，得到优化模型参数，根据所述优化模型参数和初始化SVR模型参数得到优化的SVR模型；以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，以运行状态的优化值及各产品组分值优化轻烃分离装置运行，并获取水力学数据，预测得到轻烃分离装置的水力学状态；实现了预测得到轻烃分离装置运行状态的优化值及各产品组分值，优化轻烃分离装置运行，同时还预测得到轻烃分离装置的水力学状态。

附图说明

图1是本发明实施例所述的轻烃分离装置运行状态优化及预测方法的流程示意图；

图2是本发明实施例所述的稳态检测的流程示意图；

图3是本发明实施例所述的优化的SVR模型获取的流程示意图；

图4是本发明实施例所述的水力学状态预测流程示意图；

图5是本发明实施例所述的轻烃回收流程示意图；

图6是本发明实施例所述的精馏段的负载性能图；

图7是本发明实施例所述的提馏段的负荷性能图。

附图标记：1-原料干燥器；2-乙烷塔；3-乙烷塔冷凝器；4-乙烷塔再沸器；5-高压碳三塔；6-高压碳三塔空冷器；7-高压碳三塔再沸器；8-低压碳三塔；9-低压碳三塔冷凝器；10-低压碳三塔再沸器；11-碳四塔；12-碳四塔空冷器；13-碳四塔再沸器；14-加氢预热器；15-选择性加氢反应器。

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。

本发明实施例提供了一种轻烃分离装置运行状态优化及预测方法，其流程示意图，如图1所示，所述方法包括以下步骤：

实时采集轻烃分离装置的现场数据，对轻烃分离装置进行稳态检测，获取稳态点和平均点，根据实时采集得到的现场数据及获取的稳态点和平均点，建立机理模型；

以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，以运行状态的优化值及各产品组分值优化轻烃分离装置运行，并获取水力学数据，预测得到轻烃分离装置的水力学状态；

获取水力学数据(包含塔内气液相流量负荷、气液相的密度、粘度、热导率、压缩因子、CP/CV等)，预测得到轻烃分离装置的水力学状态，具体包括，获取水力学数据并存入数据库，送数据库页面读取输入板数、结构尺寸数据，根据所述输入板数和结构尺寸数据进行水力学计算和全塔压降计算，获取水力学负荷性能和全塔压降分布，根据所述水力学负荷性能和全塔压降分布，预测得到轻烃分离装置的水力学状态。

一个具体实施例中，建立数据采集系统，实时采集现场数据，采集现场数据主要采用java多线程、线程池、内存自动回收和OPC、JDBC等技术，通过使用这些技术可以实现DCS与LIMS数据的稳定采集；

优选的，对轻烃分离装置进行稳态检测，获取稳态点和平均点，具体包括，对轻烃分离装置进行稳态检测，获取所有稳态点和平均点列表，将所有平均值输出设置为错误值，获取所有DCS输入初始化，判断数据点或类型是否稳定，若是，则该数据点为稳定点，若否，则该数据点为非稳定点，根据所述稳态点获取平均点。

需要说明的是，通过稳态检测和平均程序监视设备的稳态状态，并计算运行平均值，并将其作为优化程序的输入；该优化程序读取所有配置为平均或稳定状态检测的所有点的新值，这些值通常每隔一到两分钟从DCS/IMS中读取一次；读取结果存储在一个本地滚动缓冲区中，该缓冲区可以保存每个点的最后360个值(通常是6到12个小时)；

优化的稳态状态决定了数据点(对象)是否足够稳定，如果稳定，则可以开始计算一个新的优化周期；此稳态状态存储在一个信号标签中，表明该数据点对应的生产装置目前处于稳定状态；是否处于稳态状态决定生产装置是否仍然稳定，也决定了是否可以接收优化器计算的新设置点；稳态状态存储在单独的信号标签中；

任何配置为稳态检测的点可以用启发式方法或/和统计方法这两种检查方法进行检查；通常，优化稳定状态涉及一种更具包容性的检查，它需要实现检查监视更多的点，需要进行连续采集设备数据，并连续进行稳态检测计算；

需要说明的是，启发式方法和统计方法可以用来定义标签的平均值；对于启发式方法来说，其对原始数据采用两种筛选器，一种是轻筛选器，另一种是重筛选器；这种方法指定了时间跨度，并将重筛选数据和轻筛选数据之间的最大绝对差与允许的最大限制进行了比较；如果差额超过限值，则装置处于非稳定状态。

进行第二次测试，以确定装置数据是否具有趋势性；该测试比较了重筛选结果的起始值和结束值之间的差异；如果差的绝对值超过了规定的极限，则装置就处于非稳定状态；

筛选器值采用以下形式：

筛选因子f介于0到1.0之间，当f＝1.0时，不进行筛选，当前平均值与当前值Xt相同；当f＝0时，之前的平均值-1不使用当前值更新；对于轻筛选值，f的值应该在0.7到0.95之间(默认为0.8)；对于重的筛选值，f的值应该在0.05到0.3之间(默认为0.2)；

对于统计方法，其使用对每个标签最近历史值的统计检查来评估数据中是否有趋势；确定方差和均方逐次差分，计算均方逐次差分与方差之比；理想情况下，比率接近2或更大表明数据没有趋势，标签可以被认为是稳定的；在实际情况下，必须考虑到用于计算比率的样本数量；在给定样本数的情况下，建立了95％的置信度值；该置信度值用于确定所计算的比率是否表示稳定的标签；如图2为稳态检测的流程示意图；

在每个周期采集数据后，初始化稳态检测模型，获取所有稳态点和平均点的列表，将所有平均值输出设置为False值，然后判断上一周期以来的时间是否在公差范围内，如果为是则获取所有DCS输入初始化，将每一个数据点进行下述过程：以统计和启发的稳态检测方法判断数据点或类型稳定，如果是，则进入下一个点的检测，如果否，则将该点输出为False(错误)，直到没有剩余任意点；稳态检测完成后，判断打印标签是否打开，将所有点的最大偏差进行输出，如果稳态状态标签打开了，输出为稳定状态为True，再计算新平均值、输出平均值、输出稳态值和梯度稳态等数据，完成后，过一段时间执行下一周期的检测。

优选的，所述轻烃分离装置运行状态优化及预测方法，还包括，将所述历史数据进行数据预处理，得到预处理后的数据，将预处理后的数据分为训练数据集和测试数据集。

优选的，将所述历史数据进行数据预处理，具体包括，删除离散数据集，进行数据平滑处理，利用Z-score标准化方法进行数据归一化处理。

需要说明的是，采用通用软件(如HYSYS)，基于CAPE-OPEN方法，建立基于实时数据的机理模型；机理模型是根据对工艺流程的充分认识和理解，运用数学方法对工艺过程进行建模描述，是通过计算机辅助计算的手段进行过程的热量衡算、物料衡算和动量衡算，建立符合装置运行情况的数学模型。

一个具体实施例中，包括100组历史数据，基于历史数据，一组数据通过机理模型外推的数据90-110％产生50组数；可对历史数据进行处理，将其中95％的数据用于训练模型，5％的数据用于验证模型；

根据轻烃分离装置的特征，模型特征包括进料量、压力、操作条件、温度等，模型特征汇总表，如表1所示；

表1

需要说明的是，所述删除离散数据集，具体是，利用马氏距离作为计算样本之间的距离，消除数据之间不同量纲、数量级导致的偏差问题；数据平滑处理，具体是，采用滑动平均法进行数据平滑；数据归一化，具体是采用Z-score标准化方法；还采用支持向量回归方法进行数据预处理；

优选的，所述根据历史数据和所述机理模型进行训练验证，得到优化模型参数，具体包括，对所述训练数据集进行数据分隔，然后进行测试集、训练集设置，利用交叉试验设置超参数，训练SVR模型，利用训练的SVR模型进行模型预测并得到训练平均误差；对所述训练数据集进行数据分隔，利用机理模型进行模型预测，得到预测平均误差；根据两种预测平均误差进行交叉验证，获取优化模型参数。

需要说明的是，有了模型特征参数后，将其进行数据处理，将数据分为训练数据(集)和测试数据(集)；通过数据驱动和机理模型两种模型训练验证得到优化模型参数，再将模型参数通过检测，得到优化的模型并最终得到预测结果；优化的SVR模型获取的流程示意图，如图3所示；

所述SVR模型简述如下；

输入样本x首先通过非线性映射

(下)映射到一个高维特征空间，然后在这个特征空间中建立一个线性模型来估计回归函数；SVR支持向量回归机进模型预测，其考虑约束下模型如下，

其中，惩罚因子C用于控制模型复杂度和逼近误差的折中，C越大，模型越复杂，则对数据的拟合程度越高；损失函数的参数通过控制回归逼近误差，从而达到控制支持向量的个数和泛化能力的目的，其值越大，精度越低，支持向量越少。

优选的，以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，具体包括，将给机理模型和优化的SVR模型分别赋予权重，根据权重将机理模型和优化的SVR模型各自预测的运行状态优化值及各产品组分值进行加权，得到最终的运行状态优化值及各产品组分值。

一个具体实施例中，采用上述机理模型与优化后的SVR模型同时预测优化值与各产品组分值；以机理模型作为集成建模主体，利用生产数据建立误差补偿模型，补偿主体模型输出与实际输出的差值；优化运行初期可分配主体机理模型的权重为0.8，优化后的SVR模型的权重为0.2，随着时间的推移，数据积累量大了后，调高优化后的SVR模型所占的权重，达到最佳的预测效果；

以运行状态的优化值及各产品组分值优化轻烃分离装置运行，具体是指，在过程机理模型、数据模型和边界条件以及生产条件等约束下，实时地求解以产品质量合格卡边、经济目标最优为优化目标，求解得到优化值。

具体实施时，进行实时建模与优化计算以后，基于严格数学过程逐板水力学计算与全塔压降计算，比较压降设计值、模拟值、优化值，使装置技术人员实时了解装置情况，预测装置塔器运行状态，可运行周期；水力学状态预测流程示意图，如图4所示；

一个具体实施例中，轻烃回收流程示意图，如图5所示；来自罐区的原料经过原料干燥器，干燥器采用热乙烷再生，干燥后经过脱乙烷塔，塔顶得到乙烷出界区，塔顶采用冷剂作为冷凝器冷源，塔底为低压蒸汽加热，塔底物流进入高压碳三塔；高压碳三塔塔顶分离出一部分碳三后去到加氢反应器，塔底组分进入低压碳三塔，塔顶采用空冷器冷却，塔底采用低压蒸汽做热源；低压碳三塔塔顶分出剩余的碳三进入加氢反应器，经加氢之后出界区，低压碳三塔塔底进入碳四塔，该塔塔顶采用冷剂为冷源，塔底采用蒸汽为热源；碳四塔塔顶分离出碳四出界区，塔底混合芳烃去到罐区，塔顶为空冷器冷却，塔底为低压蒸汽加热；其中，进料量为31250kg/h，进料温度为25℃，进料压力为0.7Mpag；原料进料组成数据(摩尔分数)如表2所示；

表2

序号	组成	样一	样二	样三	样四	平均
							1	乙炔	0.010	0.010	0.010	0.010	0.010
2	乙烯	0.134	0.112	0.030	0.050	0.092
							3	乙烷	12.601	11.980	10.000	13.750	11.527
4	丙炔	0.389	0.383	0.440	0.430	0.404
							5	丙二烯	0.389	0.383	0.440	0.430	0.404
6	丙烯	21.666	21.488	21.770	21.640	21.641
							7	丙烷	2.647	1.870	3.050	2.780	2.522
8	1,3-丁二烯	31.646	30.245	35.760	33.400	32.550
							9	碳四烷烃	6.732	7.178	6.220	5.830	6.710
10	碳四烯烃	6.732	7.178	6.220	5.830	6.710
							11	汽油	16.428	18.546	15.780	15.660	16.918
12	碳11	0.628	0.628	0.280	0.190	0.512
							13	合计	100	100	100	100	100

通过本发明所述轻烃分离装置运行状态优化及预测方法，预测运行状态的优化值及各产品组分值，预测到的物流数据，如表3所示；

表3

物流	进料	乙烷	碳三	碳四	混合芳烃
						流量kg/h	31250	1938	5584	13234	10524
温度℃	25	40	40	40	100
						压力Mpag	0.70	2.30	2.50	0.40	0.45
质量分数
						乙炔	0.00	0.07	0.00	0.00	0.00
乙烯	0.04	0.62	0.00	0.00	0.00
						乙烷	6.12	98.56	0.04	0.00	0.00
丙炔	0.18	0.00	0.00	0.00	0.00
						丙二烯	0.37	0.00	0.00	0.00	0.00
丙烯	15.34	0.74	87.78	0.00	0.00
						丙烷	1.92	0.01	11.89	0.00	0.00
1,3-丁二烯	29.85	0.00	0.00	70.47	0.02
						碳四烷烃	6.35	0.00	0.01	14.94	0.10
碳四烯烃	6.13	0.00	0.27	14.47	0.00
						汽油	32.61	0.00	0.00	0.13	96.68
碳11	1.08	0.00	0.00	0.00	3.20
						合计	100.00	100.00	100.00	100.00	100.00

本发明所述轻烃分离装置运行状态优化及预测方法能较好的对各物流的状态与组分进行预测；以第一个塔为例，塔内结构数据与预测的水力学结果，如表4所示；

表4

项目	单位	精馏段	提馏段
				开始塔板		2	23
结束塔板		22	55
				直径	m	1	1.4
塔段高度	m	10.5	16.5
				内件类型		TRAY	TRAY
塔盘类型		BALLAST-V4	BALLAST-V4
				段压降	MPa	0.007	0.017
液泛率	％	31.45	50.19
				液泛率最大塔板		2	54

精馏段的负载性能图，如图6所示，提馏段的负荷性能图，如图7所示；塔板2与54分别为精馏段与提馏段最大负荷板，如塔板2与塔板54的负荷性能图所示，操作点处于区间内，不会发生液泛、漏液等情况，通过本发明轻烃分离装置运行状态优化及预测方法，可以较好的预测了装置运行时塔内水力学情况。

本发明公开了一种轻烃分离装置运行状态优化及预测方法，通过实时采集轻烃分离装置的现场数据，对轻烃分离装置进行稳态检测，获取稳态点和平均点，根据实时采集得到的现场数据及获取的稳态点和平均点，建立机理模型；通过获取轻烃分离装置运行的历史数据，利用历史数据进行模型训练得到初始化SVR模型参数，根据历史数据和所述机理模型进行训练验证，得到优化模型参数，根据所述优化模型参数和初始化SVR模型参数得到优化的SVR模型；以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，以运行状态的优化值及各产品组分值优化轻烃分离装置运行，并获取水力学数据，预测得到轻烃分离装置的水力学状态；实现了预测得到轻烃分离装置运行状态的优化值及各产品组分值，优化轻烃分离装置运行，同时还预测得到轻烃分离装置的水力学状态；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，提高产品质量、产量、利润、资源利用率。

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

1.一种轻烃分离装置运行状态优化及预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的轻烃分离装置运行状态优化及预测方法，其特征在于，对轻烃分离装置进行稳态检测，获取稳态点和平均点，具体包括，对轻烃分离装置进行稳态检测，获取所有稳态点和平均点列表，将所有平均值输出设置为错误值，获取所有DCS输入初始化，判断数据点或类型是否稳定，若是，则该数据点为稳定点，若否，则该数据点为非稳定点，根据所述稳态点获取平均点。

3.根据权利要求1所述的轻烃分离装置运行状态优化及预测方法，其特征在于，还包括，将所述历史数据进行数据预处理，得到预处理后的数据，将预处理后的数据分为训练数据集和测试数据集。

4.根据权利要求3所述的轻烃分离装置运行状态优化及预测方法，其特征在于，将所述历史数据进行数据预处理，具体包括，删除离散数据集，进行数据平滑处理，利用Z-score标准化方法进行数据归一化处理。

5.根据权利要求3所述的轻烃分离装置运行状态优化及预测方法，其特征在于，所述根据历史数据和所述机理模型进行训练验证，得到优化模型参数，具体包括，对所述训练数据集进行数据分隔，然后进行测试集、训练集设置，利用交叉试验设置超参数，训练SVR模型，利用训练的SVR模型进行模型预测并得到训练平均误差；对所述训练数据集进行数据分隔，利用机理模型进行模型预测，得到预测平均误差；根据两种预测平均误差进行交叉验证，获取优化模型参数。

6.根据权利要求1所述的轻烃分离装置运行状态优化及预测方法，其特征在于，以机理模型和优化的SVR模型共同预测轻烃分离装置运行状态的优化值及各产品组分值，具体包括，将给机理模型和优化的SVR模型分别赋予权重，根据权重将机理模型和优化的SVR模型各自预测的运行状态优化值及各产品组分值进行加权，得到最终的运行状态优化值及各产品组分值。