CN113420499B - 用于常减压装置的物理逻辑重建方法 - Google Patents

Abstract

本发明属于石油炼化领域，公开了一种用于常减压装置的物理逻辑重建方法，该方法包括：确定常减压装置涉及的范围、变量和测量仪表；确定测量仪表的系统误差和测量仪表对应变量在目标方程中的权重；建立常减压装置的物理逻辑重建模型，包括目标方程和约束条件，实现装置的实时数字镜像；选取相似工况数据作为优化变量的初值；利用建模平台、非线性求解器和前述模型对目标方程进行优化求解。本发明实现了对有测量的数据校正和没有测量的数据的软测量，对常减压装置来说，若原料性质无测量，可以通过产品信息和操作信息基于五大约束进行反推，从而确定原料性质，同时可预测装置特性如塔板板效等，实现装置模型对装置实时特性的自适应。

Description

用于常减压装置的物理逻辑重建方法

技术领域

本发明涉及石油炼化技术领域，尤其是涉及一种用于常减压装置的物理逻辑重建方法。

背景技术

过程工业(process industry)也称流程工业，是指通过物理变化和化学变化进行的生产过程。石化、电力、冶金、造纸、医药、食品等工业，他们的特征是过程具有一定的连续性。

常减压装置作为过程工业中的炼化行业的原油加工的第一道工序，该装置运行水平对炼化行业绩效提升起到重要的推动作用。在实际常减压装置中，由于现场仪表受到成本、精度、安装等各种限制和影响，很多仪表数据存在偏离甚至错误的情况，另外还存在着很多受限于仪表的发展，数据现场无法测量的情况。没有足够的数据支撑难以提升常减压装置现有运行水平。

在流程工业领域，普遍采用商业模拟软件进行流程模拟的方法来校正测量仪表得到的数据并获得无测量仪表的数据。常减压装置相关的领域亦是如此。该方法采用机理模型对数据进行校正或推测，因此结果的可信度高。但是当无法直接测量的关键数据较多的情况下，流程模拟的不确定性变大，需要有一定的专家经验做指导。尤其对常减压装置这种原料和产品性质测量频次比较低的情况，这种方法实现起来就更加困难。这种模拟方法还无法反映装置实时特性，需要用户不断调试装置特性参数。另外复杂装置的模型收敛困难，求解时间长，过长的求解时间可能会失去数据对装置运行的即时指导意义。

发明内容

针对现有技术中存在的上述问题，本发明的目的是提供一种用于常减压装置的物理逻辑重建方法，通过该方法不仅能建立模型精度与机理模型相似的模型，还能实时反映装置特性，实现现实装置的实时数字镜像，而且能快速获得测量数据校正结果和未测量数据软测量结果如原料性质和装置性能参数等，尤其是对于没有原油在线分析系统的常减压装置可快速且准确获得原油性质，达到及时反映装置性能和为后续装置运行操作提供基础数据的目的。

为解决上述技术问题，本发明采用的技术方案如下：

一种用于常减压装置的物理逻辑重建方法，包括：

确定常减压装置涉及的范围、变量和测量仪表；

确定测量仪表的误差，根据测量仪表的误差确定相应变量在目标方程中的权重；

建立常减压装置的物理逻辑重建模型，包括目标方程和约束条件；

获取优化变量的初值，以及变量中的原油性质的变化范围；

利用建模平台、非线性求解器和前述模型对目标方程进行优化求解，完成对测量数据的校正和未测量数据的软测量，以及对原油性质无测量时原油性质的计算。

进一步地，所述的约束条件的建立包括如下过程：

根据建模目的确定输出变量，并通过降维方法确定相应的输入变量；

采用机器学习方法学习输入变量和输出变量的数据特征，训练输出变量与对应的输入变量间的关系模型；

采用机器学习和经验机理混合方法，建立具有多个神经元网络群的常减压装置的AI模型，用于物理逻辑重建模型中的等式约束条件；

基于设备本身的瓶颈、历史数据统计得到的变量范围和模型的适应范围，形成物理逻辑重建模型中的不等式约束条件，并结合上一步形成的等式约束条件，形成了物理逻辑重建模型中的整体约束条件。

进一步地，获取优化变量的初值包括如下过程：

通过相似度算法判断是否存在与当前工况相似的历史工况，若存在相似工况，则将该历史工况的物理逻辑重建结果作为本次工况物理逻辑重建的初值，用于后续优化求解；若不存在相似工况，则选择最近的稳态工况的物理逻辑重建结果作为初值。

进一步地，在模型优化求解时，基于设定的现场约束对模型进行测算是否满足装置特性，其中，所述的现场约束包括物料平衡、能量平衡、相平衡、热量传递和设备性能五大现场约束条件。

进一步地，所述的物理逻辑重建模型的数据来源包括：

随时间变化而变化的数据，包括现场仪表数据和实验室分析数据；

基于装置的工艺流程，包括分离流程和换热流程，建立的机理模型产生的满足装置运行自然规律的模拟数据。

进一步地，物理逻辑重建模型示意如下：

y_j＝f_j(x_cal，i，y_j′)j，j′∈J，j≠j′

x_cal，i＝f_i(x_cal，i′，y_j)i，i′∈I，i≠i′

y_j，L≤y_j≤y_j，U

x_i，L≤x_i，cal≤x_i，U

其中，x_msd,i为经过数据处理之后的现场测量仪表数据；x_syserr,i为仪表i系统误差；x_cal,i为最后计算输出的数据；x_cal,i’为除了x_cal,i之外的最后计算输出的数据；w_i为仪表i的权重；M_axi为仪表i最大值；Min_i为仪表i最小值，y_j为其他变量；包括除了有现场测量之外的输出变量和中间变量；y_j’为其他变量，包括除了有现场测量和y_j之外的输出变量和中间变量；函数f代表所有x和y的关系，主要反映物料平衡、能量平衡、相平衡、压力平衡、热量传递等物理模型；J表示1到J的集合，即1,2,3,…,J；I表示1到I的集合，即1,2,3,…,I；y_j,_L和y_j,U分别为y_j的下限和上限，x_i,L和x_i,U分别为x_i的下限和上限。

进一步地，在使用所述物理逻辑重建模型前，还判断当前工况是否超出了模型范围，若超出范围，则在当前工况附近范围进行工况增强，新增部分样本，然后将新增的所述部分样本信息汇总到之前的样本中对模型进行校正训练，实现模型自学习。

与现有技术相比，本发明所述的一种用于常减压装置的物理逻辑重建方法，具有如下技术效果：

1、本发明中模型的数据基础是数十万套来自装置的历史工况和在历史工况基础上延伸出的严格机理模拟工况，从而可以使模型实时体现装置特性，具有更广的适应性和更强的针对性。

2、本发明利用物理逻辑重建优化的方式对已有数据进行校正，同时考虑了所有测量值对校正结果的影响。

3、本发明在无原油在线分析系统的情况下可推测出原油性质。

4、本发明可推测出装置实时特性，实现装置模型的自适应。

5、本发明的物理逻辑重建模型求解速度快，求解时间在5分钟以内。

6、本发明的物理逻辑重建模型整合了人工智能的优点，可自学习，不断学习装置特性，从而提高模型表征装置的准确度。

7、物理逻辑重建结果可作为常减压装置通盘优化的初值，使优化时间减少，减少系统等待的计算时间。

附图说明

图1为本发明实施例所述的用于常减压装置的物理逻辑重建方法的流程示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。

参照图1所示，本发明实施例所公开的一种用于常减压装置的物理逻辑重建方法，主要用于过程工业领域，比如常减压装置、加氢装置、催化装置等领域，其主要包括如下步骤：

步骤S1：确定常减压装置涉及的范围、变量和测量仪表。常减压装置主要包括三个精馏塔(初馏塔、常压塔和减压塔)、两个加热炉(常压炉和减压炉)、一个电脱盐和一个换热网络；变量包括各个塔的处理量、常压炉及减压炉出口温度、各处汽提蒸汽流量、各中段回流量、产品产量和换热器旁路流量等；测量仪表包括物料的温度表、流量表及塔段的压力表等，以及其它实验室分析数据。

步骤S2：分析测量仪表的系统误差，从而校正由仪表系统误差引起的测量偏差。对测量仪表进行多次模拟，若在多次模拟结果中测量值和模拟值的偏差方向一致，且偏差大于5倍仪表精度，则可确定该仪表的系统误差。

进一步地，确定测量变量在物理逻辑重建模型中所占权重。

利用数学统计方法对历史数据进行统计，得到仪表的方差。方差计算公式采用高斯函数，描述如下：

其中，x为测量变量，μ是均值，σ²为方差，σ为标准差。

根据方差设置权重，方程如下：

其中，σ为标准差，Max_i是仪表i的测量数据最大值，w_i为仪表i的权重。

步骤S3：建立常减压装置物理逻辑重建模型，包括优化目标方程和约束条件，实时反映装置特性，实现装置的实时数字镜像。

优化目标方程是有测量仪表的变量的测量值和模型计算值的差值最小，公式表达如下：

其中，x_msd,i为经过数据处理之后的现场测量仪表数据，x_syserr,i为事先确定的仪表i系统误差，x_cal,i为最后计算输出的数据，w_i为仪表i的权重，Max_i为测量仪表i的最大值，Min_i为测量仪表i的最小值。

约束条件包括等式约束和不等式约束。等式约束采用机器学习和经验机理模型结合获得。

建立常减压装置物理逻辑重建的约束条件的具体步骤如下：

步骤S31：采用数据挖掘方法对历史数据进行挖掘，获取变量之间的关联性。根据模型应用场景，确定模型的输出变量。通过对历史数据的降维分析，选择输出变量对应的输入变量；

步骤S32：采用机器学习方法，利用数十万个样本数据，训练输出变量与其输入变量间的关系模型，通过改变机器学习中的参数，使训练获得的模型既能较好拟合训练数据又能较好预测测试数据；

步骤S33：若模型精度达不到要求，则通过反复试验方法，改变该输出对应的输入变量，继续采用步骤S32训练模型，直至精度达到预设的要求；

步骤S34：根据装置工艺流程，建立物料的质量平衡和能量平衡模型，以及减压塔的全塔压降模型。通过对全塔压降和其它变量的样本数据进行相关性分析获得影响压降的变量及其变化关系，确定压降和影响压降变化的变量之间的关系式，利用样本数据回归出关系式中的系数，从而获得全塔压降模型。

步骤S35：结合S32和S34中的模型，建立具有多个神经元网络群的常减压装置的AI模型。具体获得产品性质软仪表预测模型、原油/中间流股性质软仪表预测模型、操作条件软仪表预测模型、流股单位焓值预测模型、塔板汽液相负荷软仪表预测模型、减压炉和转油线相关温度和压力预测模型和换热网络模型，结合质量模型、能量平衡模型和减压塔全塔压降相关的经验模型，形成了本发明实施例中的常减压装置的AI模型，用于物理逻辑重建模型中的等式约束条件。

步骤S36：采用统计方法对历史数据和样本数据进行统计，获得变量允许的变化范围和设备瓶颈，从而获得物理逻辑重建模型中不等式约束条件，结合上一步形成的等式约束条件，形成了物理逻辑重建模型中的约束条件。

公式示意如下：

y_j＝f_j(x_cal，i，y_j′)j，j′∈J，j≠j′

x_cal，i＝f_i(x_cal，i′，y_j)i，i′∈I，i≠i′

y_j，L≤y_j≤y_j，U

x_i，L≤x_i，cal≤x_i，U

其中，x_cal,i为最后计算输出的数据；x_cal,i’为除了x_cal,i之外的最后计算输出的数据；y_j为其他变量，包括除了有现场测量之外的输出变量和中间变量；y_j’为其他变量，包括除了有现场测量和y_j之外的输出变量和中间变量；函数f代表所有x和y的关系，主要反映物料平衡、能量平衡、相平衡、压力平衡、热量传递等物理模型；J表示1到J的集合，即1,2,3,…,J；I表示1到I的集合，即1,2,3,…,I；y_j,L和y_j,U分别为y_j的下限和上限，x_i,L和x_i,U分别为x_i的下限和上限。

举例来说，首先，根据某常减压装置的特点选出286个产品性质、93个原油/中间流股性质、42个操作条件、124个塔板气液相负荷、46个流股单位、减压炉和转油线相关温度和压力和98个换热温度作为输出变量，在数十万套运行数据基础上，通过降维方法，选出影响输出变量的输入变量。例如，产品性质会作为模型的输出变量。将其它变量包括原料组成、设备特性、操作条件等用降维方法分析对目标变量的影响，以此确定对输出变量影响较大的一些变量。再采用机器学习方法对输出变量和影响输出变量的输入变量样本数据进行训练，获得输出变量的AI模型。

最终根据需求训练了286个产品性质软仪表预测模型、93个原油/中间流股性质软仪表预测模型、42个操作条件软仪表预测模型、124个塔板气液相负荷软仪表预测模型、98个带有详细换热器结构的换热网络模型、46个流股单位焓值预测模型、2个减压炉和转油线相关温度和压力预测模型。模型精度高，比如初顶干点、常顶干点、常一线干点和闪点等模型的标准偏差为1-2℃。结合上述模型和2个减压塔全塔压降相关模型、6个全塔物料平衡模型、3个全塔能量平衡模型形成了整个常减压装置物理逻辑重建模型的约束条件。

步骤S4：获取变量的初始值。

本实施例中，获取变量的初始值包括：通过相似度算法判断是否存在与当前工况存在近似的历史工况数据，计算当前工况与历史任一工况的欧式距离，选出最小欧式距离，若最小值小于设定值，则认为该最小欧式距离对应的工况与当前工况是相似工况，否则认为不存在当前工况的相似工况。若存在相似工况，则将该相似工况的物理逻辑重建结果作为本次工况物理逻辑重建的初值，用于后续的优化求解。若不存在相似工况，则选择最近的稳态工况的物理逻辑重建结果作为初值。

步骤S5：获取变量中的原油性质的变化范围。

原油性质影响物理逻辑重建结果的准确度。目前来说，企业存在两种测量原油性质的方法：一种是通过原油详评和加工原油比例获得原油性质；另一种是在第一种基础上增加在线分析仪。上述方法均可能因为详评报告不能及时更新等原因造成原油性质准确度受限。因此为获得准确的物理逻辑重建结果，有必要对原油性质的变化范围进行限定。

针对第一种测量方法，本发明在步骤S4中获得的相似工况的原油性质基础上给出一定变化范围，比如表征原油性质的原油馏程，在相似工况的原油馏程基础上，上下浮动1％作为变量原油馏程的不等式约束。针对第二种测量方法，本发明根据在线分析结果修正加工原油比例，结合原油详评获得原油性质，以此性质为基础上给出一定变化范围。

在上述原油性质变化范围下，通过对物理逻辑重建模型优化，获得最终原油性质。因为此方法获得的原油性质同时考虑了装置特性和产品性质，所以其提高了准确性，同时在没有在线分析仪的情况下也可实时获得原油性质信息。

步骤S6：采用非线性求解器对物理逻辑重建模型进行优化求解，完成对测量数据的校正和未测量数据的软测量，以及对原油性质无测量时原油性质的计算。

本实施例中，在GAMS优化平台(但不限于GAMS)建立物理逻辑重建模型，调用平台中的非线性求解器对前述的物理逻辑重建模型进行优化求解。其中，物理逻辑重建的结果能够作为后续通盘优化的变量的初值，减少后续通盘优化所等待的时间。

步骤S7：模型的自学习和自适应。现场的设备性能和加工的原料发生较大变化时，可能会导致工况超出上述AI模型覆盖的范围，模型对范围以外的预测效果比较差。因此在使用该模型之前，本发明还判断当前工况是否超出了模型范围，若超出范围，会在当前工况附近范围进行工况增强，新增部分样本，将新增的部分样本信息汇总到之前的样本中对模型进行校正训练，实现模型的自学习。同时利用物理逻辑重建方法获得装置实时特性实现装置模型的自适应。

具体来说，常减压物理装置的逻辑重建是以常减压装置AI模型为主要约束，以处理后的稳态数据为输入，采用数学规划法求解各变量预测值和测量值差值最小时各变量的优化值，用此方法获得的变量数据实现了历史工况数据和实时工况数据的校正，以及获取变量的软测量，包括原油性质、装置特性参数，从而还原现场工况，此方法获得的变量数据满足通盘优化模型中约束条件，用该套数据作为通盘优化的初值可将优化时间缩减至5分钟以内。

其中，物理逻辑重建输入信息是数据处理和稳态分析之后的数据，主要分为流量、温度、压力和流股物性数据，一般涉及几百个DCS仪表和实验分析数据。举例来说，某企业的输入信息总共涉及到了185个DCS仪表包括102个流量表，75个温度表和8个压力表以及138个实验室分析项目。

物理逻辑重建建模依据装置的工艺流程和物理本质。常减压装置主要包括分离流程和换热流程，不同装置有着不同的工艺流程。物理本质体现了装置运行所遵循的自然规律，其主要包括物料平衡、能量平衡、分离遵循的相平衡、换热所遵循的传热理论，最终以数学模型的方式表现出装置工艺流程和物理本质。

经过物理逻辑重建后，输出变量中除了对这些现场的仪表和实验室分析物理逻辑重建之外，还包含了现场没有仪表的数据：如塔设备中的关键塔板的气相、液相、净气相和净液相的流量、关键塔板的气液相流股的密度、进料压力、塔底压力、产品馏程性质、单位焓值结果、减压塔的喷淋密度、减压塔的转油线压降和温降，加热炉中的炉出口压力、单位焓值结果、加热负荷，换热网络中的换热器的进出口流量、进出口温度、有效换热面积、污垢系数等。对应于某装置185个DCS仪表的输入信息，经过物理逻辑重建后，共计输出336个流量、温度和压力相关信息及573个性质相关信息，如此实现了对仪表数据的预测。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种用于常减压装置的物理逻辑重建方法，其特征在于，该方法包括：

确定常减压装置涉及的范围、变量和测量仪表；

确定测量仪表的误差，根据测量仪表的误差确定相应变量在目标方程中的权重；

建立常减压装置的物理逻辑重建模型，包括优化目标方程和约束条件；

获取优化变量的初值，以及变量中的原油性质的变化范围；

利用建模平台、非线性求解器和前述模型对目标方程进行优化求解，完成对测量数据的校正和未测量数据的软测量，以及对原油性质无测量时原油性质的计算和装置特性；

其中，所述优化目标方程的公式表达如下：

所述约束条件的公式示意如下：

y_j＝f_j(x_cal,i,y_j')j,j′∈J,j≠j′

x_cal,i＝f_i(x_cal,i',y_j)i,i′∈I,i≠i′

y_j,L≤y_j≤y_j,U

x_i,L≤x_i,cal≤x_i,U

其中，x_msd,i为经过数据处理之后的现场测量仪表数据；x_syserr,i为仪表i系统误差；x_cal,i为最后计算输出的数据；x_cal,i’为除了x_cal,i之外的最后计算输出的数据；w_i为仪表i的权重；

为仪表i最大值；Min_i为仪表i最小值，y_j为其他变量；包括除了有现场测量之外的输出变量和中间变量；y_j’为其他变量，包括除了有现场测量和y_j之外的输出变量和中间变量；函数f代表所有x和y的关系，主要反映物料平衡、能量平衡、相平衡、压力平衡、热量传递的物理模型；J表示1到J的集合，即1,2,3,…,J；I表示1到I的集合，即1,2,3,…,I；y_j,L和y_j,U分别为y_j的下限和上限，x_i,L和x_i,U分别为x_i的下限和上限；

建立所述约束条件的具体步骤如下：

采用数据挖掘方法对历史数据进行挖掘，根据模型应用场景，确定模型的输出变量，通过对历史数据的降维分析，选择输出变量对应的输入变量；

采用机器学习方法，训练输出变量与其输入变量间的关系模型；

若模型精度达不到要求，则通过反复试验方法，改变该输出对应的输入变量，继续训练所述关系模型，直至精度达到预设的要求；

根据装置工艺流程，建立物料的质量平衡和能量平衡模型，以及减压塔的全塔压降模型；

结合所述关系模型、所述物料的质量平衡和能量平衡模型、所述减压塔的全塔压降模型，建立具有多个神经元网络群的常减压装置的AI模型，用于物理逻辑重建模型中的等式约束条件；

采用统计方法对历史数据和样本数据进行统计，获得变量允许的变化范围和设备瓶颈，从而获得物理逻辑重建模型中不等式约束条件，结合所述等式约束条件，形成了物理逻辑重建模型中的约束条件。

2.根据权利要求1所述的物理逻辑重建方法，其特征在于，获取优化变量的初值包括如下过程：

通过相似度算法判断是否存在与当前工况相似的历史工况，若存在相似工况，则将该历史工况的物理逻辑重建结果作为本次工况物理逻辑重建的初值，用于后续优化求解；若不存在相似工况，则选择最近的稳态工况的物理逻辑重建结果作为初值。

3.根据权利要求1所述的物理逻辑重建方法，其特征在于，在模型优化求解时，基于设定的现场约束对模型进行测算是否满足装置特性，其中，所述的现场约束包括物料平衡、能量平衡、相平衡、热量传递和设备性能五大现场约束条件。

4.根据权利要求1所述的物理逻辑重建方法，其特征在于，所述的物理逻辑重建模型的数据来源包括：

随时间变化而变化的数据，包括现场仪表数据和实验室分析数据；

基于装置的工艺流程，包括分离流程和换热流程，建立的机理模型产生的满足装置运行自然规律的模拟数据。

5.根据权利要求1所述的物理逻辑重建方法，其特征在于，在使用所述物理逻辑重建模型前，还判断当前工况是否超出了模型范围，若超出范围，则在当前工况附近范围进行工况增强，新增部分样本，然后将所述新增部分样本的信息汇总到之前的样本中对模型进行校正训练，完成模型自学习。

6.一种炼油厂常减压系统,其特征在于，该系统用于执行上述权利要求1～5中任一项所述的物理逻辑重建方法。

7.一种炼油厂催化系统,其特征在于，该系统用于执行上述权利要求1～5中任一项所述的物理逻辑重建方法。

8.一种炼油厂加氢系统,其特征在于，该系统用于执行上述权利要求1～5中任一项所述的物理逻辑重建方法。

Images