CN112782979A - 一种连续催化重整装置实时优化控制系统及其方法 - Google Patents

Abstract

本发明公开了一种连续催化重整装置实时优化控制系统及其方法。本发明系统共分为包括数据采集模块、数据转换模块、数据处理模块、人机交互模块、中央处理模块、预测控制模块，其中中央处理模块依据重整动力学、热力学、物料平衡、能量平衡等基本原理，建立较为完备的机理模型，通过最优操控算法来达到实时优化控制。本发明针对连续催化重整装置采用模块化的形式构建了实时优化控制系统，通过各个模块的相互配合并采用机理建模与最优操控算法相结合的方式来达到实时优化控制的目标。通过对连续催化重整装置中整个过程的优化，有效的得到了系统综合指标的最优解，这对于化工厂提高产品收率和经济效益具有重要的意义。

Description

一种连续催化重整装置实时优化控制系统及其方法

技术领域

本发明属于自动控制技术领域，涉及一种连续催化重整装置实时优化控制系统及其方法。

背景技术

催化重整是指在温度、压力、临氢和催化剂存在的条件下，使原油蒸馏所得的轻汽油馏分(或石脑油)转变成富含芳烃的高辛烷值汽油(重整汽油)，并副产液化石油气和氢气的过程；是炼油工业中主要的加工工艺之一，是提高汽油质量和生产石油化工原料的重要手段，也是解决高辛烷值汽油、芳烃原料短缺的有效方法之一。

随着世界能源短缺的情况愈演愈烈，资源的竞争也将会越来越激烈，但是我国许多石油化工企业由于生产设备陈旧，工艺技术落后等原因，与国外相比，生产成本很高，经济效益差距较大。如何使得生产成本降低以及扩大经济效益，已经成为了一个迫切需要解决的问题。

基于以上情况，本发明提出了一种连续催化重整装置实时优化控制系统。该系统采用机理建模与最优操控算法相结合的方式，为实现连续催化重整装置中综合指标的优化控制提供了有利的保障。

发明内容

本发明的一个目的是针对现有的连续催化重整装置中关于生产成本较高，经济效益差距较大等综合指标的不足的问题，提出了一种机理建模与最优操控算法相结合的实时优化控制系统。

该系统包括数据采集模块、数据转换模块、数据处理模块、人机交互模块、中央处理模块、预测控制模块，其中数据转换模块包括A/D转换模块和D/A转换模块；

数据采集模块用于炼油工业连续催化重整装置的组分、温度、压力、流量等数据采集，并将其传送到A/D转换模块；

A/D转换模块用于将接收到的模拟量转换为相应的数字量，并将其传送到数据处理模块；

数据处理模块储存有历史运行数据的数据库；对A/D转换模块传送的数据进行对比处理，然后将处理后的数据传送至中央处理模块；

人机交互模块用于设定炼油工业连续催化重整过程的运行指标，并将其输送到中央处理模块；运行指标包括运行优化周期T_zq、综合目标函数权重β、催化剂装填量、装置结构参数、装置物性参数；装置结构参数包括反应器装置半径、高度，装置物性参数包括反应活化能、平衡常数等。

中央处理模块用于获取最优运行的操作变量值以及最优目标函数值，并将其传送到D/A转换模块；

D/A转换模块接收到的数字量转换成相应的模拟量，并将其传送到预测控制模块；

所述的预测控制模块包括对取得最优目标函数值和最优运行的操作变量值的所有可控对象进行控制，使系统达到最优状态。

本发明系统弥补了现有的原料消耗较多，经济效益不好等不足，便于提高产品收率和经济效益。

本发明的另一个目的是提供一种连续催化重整装置实时优化控制方法，该方法主要步骤如下：

步骤(1)、人机交互模块设定连续催化重整装置实时优化控制系统的运行指标，并将其输送到中央处理模块；运行指标包括运行优化周期T_zq，综合目标函数权重β，催化剂装填量，装置的结构参数(如反应器装置半径、高度)，以及物性参数(如反应活化能、平衡常数)等；

步骤(2)、数据采集模块采集到连续催化重整装置的各实时数据，记录当前时间T₁，并通过A/D转换模块转换成数字量后，输送给数据处理模块；

步骤(3)、将数据采集模块采集到连续催化重整装置的各实时数据与数据处理模块存储的历史运行数据进行对比，如果实时数据出现突变或者差异较大，则等待一个运行周期T_zq后，重新返回步骤(2)，反之则进入步骤(4)；

上述实时数据出现突变或者差异较大是指：

步骤(4)、经由数据处理模块处理后的数据输送到中央处理模块，中央处理模块调用最优操控算法，得到连续重整装置中最优运行的操作变量值以及最优目标函数值；

步骤(5)、中央处理模块将得到的最优运行的操作变量值以及最优目标函数值作为设定值，通过D/A转换模块发送给预测控制模块，调用预测控制模块使系统达到最优运行的设定值，进而将连续重整装置调整到最优运行状态；

步骤(6)、记录当前时间为T₂，如果T₂-T₁＜T_zq，则继续等待；否则转步骤(2)，重新进行优化调整。

作为优选，步骤(2)所述的数据采集模块采集的各实时数据包括进入第一个反应器前的循环氢流量、入口温度、压力、烷烃、环烷烃、芳烃、烯烃组分；最后一个反应器出口的温度、压力、产品烷烃、环烷烃、芳烃、烯烃组分；各个反应器出口温度、催化剂循环速率等。

作为优选，所述中央处理模块存储有连续催化重整装置优化模型，包括目标函数、约束条件、反应器模型、基础物性数据；

所述连续催化重整装置优化模型优化问题形成如下：

1)目标函数为：

maxβg₁+(1-β)g₂ (1)

其中g₁、g₂分别为产品收率、产品价格，权重β的取值为0～1；

2)约束条件为：

加热炉温度：T_min＜T_em＜T_max (2)

反应压力：P_min＜P_re＜P_max (3)

进料流量：F_min＜F_lo＜F_max (4)

其中，T_em、P_re、F_lo分别为加热炉温度、反应压力、进料流量，T_min、T_max、P_min、P_max、F_min、F_max分别为加热炉温度最小值、加热炉温度最大值、反应压力最小值、反应压力最大值、进料流量最小值、进料流量最大值。

3)反应器模型

针对连续重整装置33集总反应网络，可以得出39个反应速率方程，构建反应器模型；

烷烃脱氢反应(可逆)：

r_j＝dY_P/d(V_c/F)＝k_j·(Y_P-Y_N/K_epj),j＝1～7 (5)

环烷烃脱氢反应(可逆)：

r_j＝dY_N/d(V_c/F)＝k_j·(Y_N-Y_A/K_epj),j＝8～15 (6)

芳烃氢解反应：

r_j＝dY_A/d(V_c/F)＝k_j·Y_A,j＝16～20 (7)

烷烃加氢裂化反应：

r_j＝dY_P/d(V_c/F)＝k_j·Y_P,j＝21～39 (8)

其中r_j为第j个反应的反应速率；Y_P、Y_N、Y_A分别为烷烃、环烷烃、芳烃的摩尔流量；V_C为催化剂装填量；F为进料体积流量；K_epj为第j个反应平衡常数；k_j为反应速率常数，其表达式为：

其中k_0j为反应频率因子；E_j,b_j分别为反应活化能和压力指数；P_h为反应物中的氢分压；R'为摩尔气体常量；T为反应温度；φ_j为催化剂活性因子；μ_j为装置因子。

本发明连续重整工艺采用常用的径向反应器，径向反应器物流通过反应器的压力降比轴向反应器小，有利于减小临氢系统的压力降。结合物料平衡和能量平衡原理，可得到重整反应器模型方程组：

其中

为33集总组分的摩尔流量；R为径向反应器床层半径；H为反应器高度；液时空速LHSV＝F/V_c；

为各集总组分的化学计量系数矩阵；

为反应热向量；

为恒压比热容向量；

为重整反应的反应速率向量，有

因此重整反应器模型方程组可以改写为：

其中

为反应速率常数矩阵，R₀表示反应其床层半径的初始值，

表示33集总组分的摩尔流量初始值，T₀表示反应温度初始值。

4)基础物性数据

在重整模拟过程中，必要物性数据的获取是模型计算的前提条件，这些数据的准确性对模拟精度有非常大的影响。一些热力学性质数据是必须通过关联式由基础数据计算得到的。在重整温度条件下，所有反应组分均呈气态形式，可以将它们看作为理想气体状态，使用热力学一致性方程。

1)焓

H_m＝H＝A+BT+CT²+DT³+ET⁴+F'T⁵ (12)

其中H_m为理想气体在_T时的焓，_T为温度；A、B，C，D，E，F'为导出系数。

2)熵

其中S为理想气体在_T时的熵；G为导出系数。

3)恒压比热容

其中C_p为理想气体在恒压下的热容。

4)反应热

在温度_T下，反应热的计算公式为：

其中

代表了标准摩尔反应焓；α为化学计量系数；

代表了标准摩尔生成焓；C_p(T)为各组分在温度T下的恒压比热容。

5)反应平衡常数计算

对于可逆反应

其温度_T及标准压力为100Kpa下的平衡常数为：

其中

为温度_T下的标准摩尔生成吉布斯自由能，也称为标准摩尔自由焓，计算式为：

其中

已经知道，标准摩尔生成熵

的计算公式为：

为标准状态下的组分标准摩尔熵。

中央处理模块通过计算式(1)-(18)组成的优化问题，计算最优目标函数值和最优变量值，具体步骤如下：

步骤C1、将式(1)-(18)组成的优化问题转化成如下式(19)的非线性优化问题：

其中x为n维变量，f(x)和c(x)分别表示连续可微的目标函数和m维约束方程，x^L和x^U分别表示变量的上下界约束。

步骤C2、采用迭代计算方法求解上式(19)所表示的优化问题，在x第k次迭代(k为大于等于零的整数)的迭代点x_k处QP子问题表示为以下形式：

式中d_k为搜索方向，g_k和

分别表示在x_k处目标函数的导数和约束方程的雅克比矩阵，c_k表示在x_k处c(x_k)的值，W_k为拉格朗日函数的Hessian阵。其中拉格朗日函数为：

L(x,λ,v,π)＝f(x)+λ^Tc(x)+v^T(x-x^U)-π^T(x-x^L) (21)

式中λ、v和π分别表示与等式约束、上边界约束和下边界约束相关的拉格朗日乘子，λ^T、v^T和π^T分别表示相应拉格朗日乘子的转置。

步骤C3、在迭代过程中将搜索空间分解为两个子空间Y和Z，将式(20)表示的QP子问题转化为低维QP子问题。其中Z∈R^n×(n-m)，由雅克比矩阵的零空间向量组成，Y∈R^n×m，由雅克比矩阵的值空间向量组成。在x_k处子空间Y和Z的值表示为Y_k和Z_k，Z_k满足下式：

搜索方向dk可表示为零值空间方向的移动量：

d_k＝Y_kp_y+Z_kp_z (23)

式中p_y和p_z表示值空间和零空间移动的矢量矩阵，且p_y∈R^m，p_z∈R^n-m，m、n表示维度，为正整数且n>m。

将式(22)和式(23)带入到QP子问题(20)中的等式约束，可得：

因此根据式(24)p_y被唯一确定：

从而搜索方向可表示为：

将式(26)中的搜索方向dk代入到以上QP子问题中，并去掉与变量p_z无关的常数项，则QP子问题表示为式(27)以p_z∈R^n-m为变量的以下QP子问题形式：

其中w_k为(n-m)×1矩阵

Bk为(n-m)×(n-m)矩阵

p_z为(n-m)维变量。

步骤C4、采用积极集方法求解式(27)获得p_z，然后根据式(23)获得搜索方向矢量的值dk，其中式(27)表示的QP子问题的积极集求解方法为成熟技术。

步骤C5、令x_k+1＝x_k+αd_k，这样就得到了下一个迭代点。其中α∈(0,1]，通过一维搜索方法求取，该求取方法为成熟技术。

步骤C6、求取搜索方向二范数norm(d_k,2)、拉格朗日函数梯度与搜索方向乘积的值和一阶优化条件值；如果一阶优化条件值小于设定误差ε₁，或者norm(d_k,2)的值和拉格朗日函数梯度与搜索方向乘积的值同时小于设定误差ε₁，则停止计算，得到最优目标函数值和最优变量值；否则令x_k＝x_k+1，转步骤C2，继续计算。

与现有的技术相比，本发明具有如下优点：

本发明针对连续催化重整装置采用模块化的形式构建了实时优化控制系统，通过各个模块的相互配合并采用机理建模与最优操控算法相结合的方式来达到实时优化控制的目标。通过对连续催化重整装置中整个过程的优化，有效的得到了系统综合指标的最优解，这对于化工厂提高产品收率和经济效益具有重要的意义。

本发明通过对连续催化重整装置中整个过程的优化，有效的得到了系统综合指标的最优解，这对于化工厂提高产品收率和经济效益具有重要的意义。

附图说明

图1为连续催化重整装置工艺原理图；

图2为整体结构示意图；

具体实施方式

下面结合附图和具体实施例对本发明作进一步的分析。

如图1所示，一种连续催化重整装置工艺原理图，其工艺生产流程为：

重整进料与来自高压汽液分离罐的循环氢混合，与重整反应产物经由换热器换热后进入加热炉1，通过在加热炉中加热到一定的温度后，进入第一个重整反应器R1与催化剂接触进行重整反应；从第一个重整反应器R1出来的反应产物和未反应的原料再进入加热炉2进行加热，加热过后再依次进入反应器R2、加热炉3、反应器R3、加热炉4、反应器R4，由最后一个反应器R4出来的反应产物与重整进料、循环氢混合物进行换热后，再进入空冷器冷却，然后进入高压汽液分离罐；在高压汽液分离罐中，进行分离后的含氢气体一部分作为循环氢，另外一部分含氢气体进入氢气提纯系统提纯后作为副产氢送出装置。催化剂在反应器和再生器之间连续不断地流动，当催化剂上面积碳率达到一定程度时，就会出现结焦现象，结焦后的催化剂从第四个重整反应器出来后进入催化剂再生器进行再生，再生后的催化剂作为新鲜催化剂送入第一个重整反应器继续进行重整反应，不断循环进行。

如图2所示，一种连续催化重整装置实时优化控制系统整体结构示意图，具体实施采用以下步骤：

步骤(1)、人机交互模块设定连续催化重整装置实时优化控制系统的运行指标，并将其输送到中央处理模块；运行指标包括运行优化周期T_zq，综合目标函数权重β，催化剂装填量，装置的结构参数(如反应器装置半径、高度)，以及物性参数(如反应活化能、平衡常数)等；

步骤(2)、数据采集模块采集到连续催化重整装置的各实时数据，记录当前时间T₁，并通过A/D转换模块转换成数字量后，输送给数据处理模块；

步骤(3)、将数据采集模块采集到连续催化重整装置的各实时数据与数据处理模块存储的历史运行数据进行对比，如果实时数据出现突变或者差异较大，则等待一个运行周期T_zq后，重新返回步骤(2)，反之则进入步骤(4)；

上述实时数据出现突变或者差异较大是指：

步骤(4)、经由数据处理模块处理后的数据输送到中央处理模块，中央处理模块调用最优操控算法，得到连续重整装置中最优运行的操作变量值以及最优目标函数值；

步骤(5)、中央处理模块将得到的最优运行的操作变量值以及最优目标函数值作为设定值，通过D/A转换模块发送给预测控制模块，调用预测控制模块使系统达到最优运行的设定值，进而将连续重整装置调整到最优运行状态；

步骤(6)、记录当前时间为T₂，如果T₂-T₁＜T_zq，则继续等待；否则转步骤(2)，重新进行优化调整。

作为优选，步骤(2)所述的数据采集模块采集的各实时数据包括进入第一个反应器前的循环氢流量、入口温度、压力、烷烃、环烷烃、芳烃、烯烃组分；最后一个反应器出口的温度、压力、产品烷烃、环烷烃、芳烃、烯烃组分；各个反应器出口温度、催化剂循环速率等。

作为优选，所述中央处理模块存储有连续催化重整装置优化模型，包括目标函数、约束条件、反应器模型、基础物性数据；

所述连续催化重整装置优化模型优化问题形成如下：

1)目标函数为：

maxβg₁+(1-β)g₂ (1)

其中g₁、g₂分别为产品收率、产品价格，权重β的取值为0～1；

2)约束条件为：

加热炉温度：T_min＜T_em＜T_max (2)

反应压力：P_min＜P_re＜P_max (3)

进料流量：F_min＜F_lo＜F_max (4)

其中，T_em、P_re、F_lo分别为加热炉温度、反应压力、进料流量，T_min、T_max、P_min、P_max、F_min、F_max分别为加热炉温度最小值、加热炉温度最大值、反应压力最小值、反应压力最大值、进料流量最小值、进料流量最大值。

3)反应器模型

针对连续重整装置33集总反应网络，可以得出39个反应速率方程，构建反应器模型；

烷烃脱氢反应(可逆)：

r_j＝dY_P/d(V_c/F)＝k_j·(Y_P-Y_N/K_epj),j＝1～7 (5)

环烷烃脱氢反应(可逆)：

r_j＝dY_N/d(V_c/F)＝k_j·(Y_N-Y_A/K_epj),j＝8～15 (6)

芳烃氢解反应：

r_j＝dY_A/d(V_c/F)＝k_j·Y_A,j＝16～20 (7)

烷烃加氢裂化反应：

r_j＝dY_P/d(V_c/F)＝k_j·Y_P,j＝21～39 (8)

其中r_j为第j个反应的反应速率；Y_P、Y_N、Y_A分别为烷烃、环烷烃、芳烃的摩尔流量；V_C为催化剂装填量；F为进料体积流量；K_epj为第j个反应平衡常数；k_j为反应速率常数，其表达式为：

其中k_0j为反应频率因子；E_j,b_j分别为反应活化能和压力指数；P_h为反应物中的氢分压；R'为摩尔气体常量；T为反应温度；φ_j为催化剂活性因子；μ_j为装置因子。

本发明连续重整工艺采用常用的径向反应器，径向反应器物流通过反应器的压力降比轴向反应器小，有利于减小临氢系统的压力降。结合物料平衡和能量平衡原理，可得到重整反应器模型方程组：

其中

为33集总组分的摩尔流量；R为径向反应器床层半径；H为反应器高度；液时空速LHSV＝F/V_c；

为各集总组分的化学计量系数矩阵；

为反应热向量；

为恒压比热容向量；

为重整反应的反应速率向量，有

因此重整反应器模型方程组可以改写为：

其中

为反应速率常数矩阵，R₀表示反应其床层半径的初始值，

表示33集总组分的摩尔流量初始值，T₀表示反应温度初始值。

4)基础物性数据

在重整模拟过程中，必要物性数据的获取是模型计算的前提条件，这些数据的准确性对模拟精度有非常大的影响。一些热力学性质数据是必须通过关联式由基础数据计算得到的。在重整温度条件下，所有反应组分均呈气态形式，可以将它们看作为理想气体状态，使用热力学一致性方程。

1)焓

H_m＝H＝A+BT+CT²+DT³+ET⁴+F'T⁵ (12)

其中H_m为理想气体在_T时的焓，_T为温度；A、B，C，D，E，F'为导出系数。

2)熵

其中S为理想气体在_T时的熵；G为导出系数。

3)恒压比热容

其中C_p为理想气体在恒压下的热容。

4)反应热

在温度_T下，反应热的计算公式为：

其中

代表了标准摩尔反应焓；α为化学计量系数；

代表了标准摩尔生成焓；C_p(T)为各组分在温度T下的恒压比热容。

5)反应平衡常数计算

对于可逆反应

其温度_T及标准压力为100Kpa下的平衡常数为：

其中

为温度T下的标准摩尔生成吉布斯自由能，也称为标准摩尔自由焓，计算式为：

其中

已经知道，标准摩尔生成熵

的计算公式为：

为标准状态下的组分标准摩尔熵。

中央处理模块通过计算式(1)-(18)组成的优化问题，计算最优目标函数值和最优变量值，具体步骤如下：

步骤C1、将式(1)-(18)组成的优化问题转化成如下式(19)的非线性优化问题：

其中x为n维变量，f(x)和c(x)分别表示连续可微的目标函数和m维约束方程，x^L和x^U分别表示变量的上下界约束。

步骤C2、采用迭代计算方法求解上式(19)所表示的优化问题，在x第k次迭代(k为大于等于零的整数)的迭代点x_k处QP子问题表示为以下形式：

式中d_k为搜索方向，g_k和

分别表示在x_k处目标函数的导数和约束方程的雅克比矩阵，c_k表示在x_k处c(x_k)的值，W_k为拉格朗日函数的Hessian阵。其中拉格朗日函数为：

L(x,λ,v,π)＝f(x)+λ^Tc(x)+v^T(x-x^U)-π^T(x-x^L) (21)

式中λ、v和π分别表示与等式约束、上边界约束和下边界约束相关的拉格朗日乘子，λ^T、v^T和π^T分别表示相应拉格朗日乘子的转置。

步骤C3、在迭代过程中将搜索空间分解为两个子空间Y和Z，将式(20)表示的QP子问题转化为低维QP子问题。其中Z∈R^n×(n-m)，由雅克比矩阵的零空间向量组成，Y∈R^n×m，由雅克比矩阵的值空间向量组成。在x_k处子空间Y和Z的值表示为Y_k和Z_k，Z_k满足下式：

搜索方向dk可表示为零值空间方向的移动量：

d_k＝Y_kp_y+Z_kp_z (23)

式中p_y和p_z表示值空间和零空间移动的矢量矩阵，且p_y∈R^m，p_z∈R^n-m，m、n表示维度，为正整数且n>m。

将式(22)和式(23)带入到QP子问题(20)中的等式约束，可得：

因此根据式(24)p_y被唯一确定：

从而搜索方向可表示为：

将式(26)中的搜索方向dk代入到以上QP子问题中，并去掉与变量p_z无关的常数项，则QP子问题表示为式(27)以p_z∈R^n-m为变量的以下QP子问题形式：

其中w_k为(n-m)×1矩阵

Bk为(n-m)×(n-m)矩阵

p_z为(n-m)维变量。

步骤C4、采用积极集方法求解式(27)获得p_z，然后根据式(23)获得搜索方向矢量的值dk，其中式(27)表示的QP子问题的积极集求解方法为成熟技术。

步骤C5、令x_k+1＝x_k+αd_k，这样就得到了下一个迭代点。其中α∈(0,1]，通过一维搜索方法求取，该求取方法为成熟技术。

步骤C6、求取搜索方向二范数norm(d_k,2)、拉格朗日函数梯度与搜索方向乘积的值和一阶优化条件值；如果一阶优化条件值小于设定误差ε₁，或者norm(d_k,2)的值和拉格朗日函数梯度与搜索方向乘积的值同时小于设定误差ε₁，则停止计算，得到最优目标函数值和最优变量值；否则令x_k＝x_k+1，转步骤C2，继续计算。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离发明构思的前提下还可以做出一定程度的简单推演或者替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种连续催化重整装置实时优化控制方法，其特征在于主要步骤如下：

步骤(1)、人机交互模块设定连续催化重整装置实时优化控制系统的运行指标，并将其输送到中央处理模块；

步骤(2)、数据采集模块采集到连续催化重整装置的各实时数据，记录当前时间T₁，并通过A/D转换模块转换成数字量后，输送给数据处理模块；

步骤(3)、将数据采集模块采集到连续催化重整装置的各实时数据与数据处理模块存储的历史运行数据进行对比，如果实时数据出现突变或者差异较大，则等待一个运行周期T_zq后，重新返回步骤(2)，反之则进入步骤(4)；

步骤(4)、经由数据处理模块处理后的数据输送到中央处理模块，中央处理模块调用最优操控算法，得到连续重整装置中最优运行的操作变量值以及最优目标函数值；

步骤(5)、中央处理模块将得到的最优运行的操作变量值以及最优目标函数值作为设定值，通过D/A转换模块发送给预测控制模块，调用预测控制模块使系统达到最优运行的设定值，进而将连续重整装置调整到最优运行状态；

步骤(6)、记录当前时间为T₂，如果T₂-T₁＜T_zq，则继续等待；否则转步骤(2)，重新进行优化调整；

所述中央处理模块存储有连续催化重整装置优化模型，其优化问题形成包括目标函数、约束条件、反应器模型、基础物性数据；

针对连续重整装置33集总反应网络，所述反应器模型由39个反应速率方程构建：

烷烃脱氢反应(可逆)：

r_j＝dY_P/d(V_c/F)＝k_j·(Y_P-Y_N/K_epj),j＝1～7 (5)

环烷烃脱氢反应(可逆)：

r_j＝dY_N/d(V_c/F)＝k_j·(Y_N-Y_A/K_epj),j＝8～15 (6)

芳烃氢解反应：

r_j＝dY_A/d(V_c/F)＝k_j·Y_A,j＝16～20 (7)

烷烃加氢裂化反应：

r_j＝dY_P/d(V_c/F)＝k_j·Y_P,j＝21～39 (8)

其中r_j为第j个反应的反应速率；Y_P、Y_N、Y_A分别为烷烃、环烷烃、芳烃的摩尔流量；V_C为催化剂装填量；F为进料体积流量；K_epj为第j个反应平衡常数；k_j为反应速率常数，其表达式为：

其中

为33集总组分的摩尔流量；R为径向反应器床层半径；H为反应器高度；液时空速LHSV＝F/V_c；

为各集总组分的化学计量系数矩阵；

为反应热向量；

为恒压比热容向量；

为重整反应的反应速率向量，有

因此重整反应器模型方程组可以改写为：

其中

为反应速率常数矩阵，R₀表示反应其床层半径的初始值，

表示33集总组分的摩尔流量初始值，T₀表示反应温度初始值；

4)基础物性数据

4-1)焓

H_m＝H＝A+BT+CT²+DT³+ET⁴+F'T⁵ (12)

其中H_m为理想气体在T时的焓，T为温度；A、B，C，D，E，F'为导出系数；

4-2)熵

其中S为理想气体在T时的熵；G为导出系数；

4-3)恒压比热容

其中C_p为理想气体在恒压下的热容；

4-4)反应热

在温度_T下，反应热的计算公式为：

其中

代表了标准摩尔反应焓；α为化学计量系数；

代表了标准摩尔生成焓；C_p(T)为各组分在温度T下的恒压比热容；

4-5)反应平衡常数计算

对于可逆反应

其温度_T及标准压力为100Kpa下的平衡常数为：

其中

为温度_T下的标准摩尔生成吉布斯自由能，也称为标准摩尔自由焓，计算式为：

其中

已经知道，标准摩尔生成熵

的计算公式为：

为标准状态下的组分标准摩尔熵；

中央处理模块根据上述优化问题，计算最优目标函数值和最优变量值，具体步骤如下：

步骤C1、将上述优化问题转化成如下式(19)的非线性优化问题：

其中x为n维变量，f(x)和c(x)分别表示连续可微的目标函数和m维约束方程，x^L和x^U分别表示变量的上下界约束；

步骤C2、采用迭代计算方法求解上式(19)所表示的优化问题，在x第k次迭代的迭代点x_k处QP子问题表示为以下形式：

式中d_k为搜索方向，g_k和

分别表示在x_k处目标函数的导数和约束方程的雅克比矩阵，c_k表示在x_k处c(x_k)的值，W_k为拉格朗日函数的Hessian阵；其中拉格朗日函数为：

L(x,λ,v,π)＝f(x)+λ^Tc(x)+v^T(x-x^U)-π^T(x-x^L) (21)

式中λ、v和π分别表示与等式约束、上边界约束和下边界约束相关的拉格朗日乘子，λ^T、v^T和π^T分别表示相应拉格朗日乘子的转置；

步骤C3、在迭代过程中将搜索空间分解为两个子空间Y和Z，将式(20)表示的QP子问题转化为低维QP子问题；其中Z∈R^n×(n-m)，由雅克比矩阵的零空间向量组成，Y∈R^n×m，由雅克比矩阵的值空间向量组成；在x_k处子空间Y和Z的值表示为Y_k和Z_k，Z_k满足下式：

搜索方向dk可表示为零值空间方向的移动量：

d_k＝Y_kp_y+Z_kp_z (23)

式中p_y和p_z表示值空间和零空间移动的矢量矩阵，且p_y∈R^m，p_z∈R^n-m，m、n表示维度，为正整数且n>m；

将式(22)和式(23)带入到QP子问题(20)中的等式约束，可得：

因此根据式(24)p_y被唯一确定：

从而搜索方向可表示为：

将式(26)中的搜索方向dk代入到以上QP子问题中，并去掉与变量p_z无关的常数项，则QP子问题表示为式(28)以p_z∈R^n-m为变量的以下QP子问题形式：

其中w_k为(n-m)×1矩阵

Bk为(n-m)×(n-m)矩阵

p_z为(n-m)维变量；

步骤C4、求解式(27)获得p_z，然后根据式(23)获得搜索方向矢量的值d_k；

步骤C5、更新x_k+1＝x_k+αd_k，α∈(0,1]；

步骤C6、求取搜索方向二范数norm(d_k,2)、拉格朗日函数梯度与搜索方向乘积的值和一阶优化条件值；如果一阶优化条件值小于设定误差ε₁，或者norm(d_k,2)的值和拉格朗日函数梯度与搜索方向乘积的值同时小于设定误差ε₁，则得到最优目标函数值和最优变量值；否则令x_k＝x_k+1，转步骤C2。

2.如权利要求1所述的一种连续催化重整装置实时优化控制方法，其特征在于步骤(1)运行指标包括运行优化周期T_zq，综合目标函数权重β，催化剂装填量，装置的结构参数，以及物性参数。

3.如权利要求1所述的一种连续催化重整装置实时优化控制方法，其特征在于步骤(2)所述的数据采集模块采集的各实时数据包括进入第一个反应器前的循环氢流量、入口温度、压力、烷烃、环烷烃、芳烃、烯烃组分；最后一个反应器出口的温度、压力、产品烷烃、环烷烃、芳烃、烯烃组分；各个反应器出口温度、催化剂循环速率等。

4.如权利要求1所述的一种连续催化重整装置实时优化控制方法，其特征在于所述连续催化重整装置优化模型优化问题中目标函数为：

maxβg₁+(1-β)g₂ (1)

其中g₁、g₂分别为产品收率、产品价格，权重β的取值为0～1。

5.如权利要求4所述的一种连续催化重整装置实时优化控制方法，其特征在于所述连续催化重整装置优化模型优化问题中约束条件为：

加热炉温度：T_min＜T_em＜T_max (2)

反应压力：P_min＜P_re＜P_max (3)

进料流量：F_min＜F_lo＜F_max (4)

其中，T_em、P_re、F_lo分别为加热炉温度、反应压力、进料流量，T_min、T_max、P_min、P_max、F_min、F_max分别为加热炉温度最小值、加热炉温度最大值、反应压力最小值、反应压力最大值、进料流量最小值、进料流量最大值。

6.一种连续催化重整装置实时优化控制系统，其特征在于包括数据采集模块、数据转换模块、数据处理模块、人机交互模块、中央处理模块、预测控制模块，其中数据转换模块包括A/D转换模块和D/A转换模块；

数据采集模块用于炼油工业连续催化重整装置的组分、温度、压力、流量等数据采集，并将其传送到A/D转换模块；

A/D转换模块用于将接收到的模拟量转换为相应的数字量，并将其传送到数据处理模块；

数据处理模块储存有历史运行数据的数据库；对A/D转换模块传送的数据进行对比处理，然后将处理后的数据传送至中央处理模块；

人机交互模块用于设定炼油工业连续催化重整过程的运行指标，并将其输送到中央处理模块；

中央处理模块用于获取最优运行的操作变量值以及最优目标函数值，并将其传送到D/A转换模块；

D/A转换模块接收到的数字量转换成相应的模拟量，并将其传送到预测控制模块；

所述的预测控制模块包括对取得最优目标函数值和最优运行的操作变量值的所有可控对象进行控制，使系统达到最优状态。

Images