CN113536601A - 一种提高连续重整装置催化剂碳含量预估精度的方法 - Google Patents

Abstract

本发明公开了一种连续重整装置催化剂碳含量预估方法，该方法基于数据驱动技术，通过计算回归系数，自动从连续重整装置中催化剂再生单元选择与碳含量相关性强的过程参数，建立催化剂碳含量预估模型，并筛选去除其中的异常样本提高模型预估精度。相较于人工化验或基于重整单元参数的建模方法，该方法可以实时预估催化剂碳含量，显著提升催化剂碳含量的实时性；相较于依靠工艺专家知识筛选与碳含量相关性强的过程参数的方法，该方法基于数据相关性分析自动筛选过程参数，同时删除异常样本，提高了模型预估精度。该方法可帮助企业更加及时有效地监控生产过程，对稳定并优化连续重整生产，提高企业经济效益具有重要价值。

Description

一种提高连续重整装置催化剂碳含量预估精度的方法

技术领域

本发明涉及炼化企业生产领域，具体为一种基于生产过程参数的数据驱动建模方法，用 以提高连续重整装置催化剂碳含量预估精度。

背景技术

在目前的炼化工业生产中，催化剂结焦是连续重整反应的常见问题，一旦催化剂结焦失 活，将影响反应的正常进行，进而影响连续重整装置正常生产。催化剂碳含量的实时准确检 测，一直是制约连续重整装置稳定及优化生产的一个关键因素。

然而，催化剂碳含量目前只能通过人工每隔2～3天抽取样本进行离线化验，时间较长， 实时性很差。由于难以实时反映催化剂碳含量的变化，因此很难指导连续重整装置及时优化 生产。近年来，已有研究者采用数据驱动的方法对催化剂碳含量进行预测，有研究者采用连 续重整单元中的过程参数进行建模，但由于连续重整单元反应周期长、时滞性大，难以建立 实时准确的模型。近来也出现了采用反应更加迅速的催化剂再生系统参数进行建模的研究， 但目前还是根据工艺专家知识筛选过程参数，存在过程参数选择主观随意性大等不足，模型 预估精度还有进一步提升的空间。

发明内容

针对上述问题，本发明公开了一种基于数据之间相关性自动筛选变量并优化建模结果的 数据驱动建模技术，通过计算回归系数自动筛选出与催化剂碳含量相关性强的催化剂再生系 统过程参数来建立模型，并且删除了模型中异常样本，提高了连续重整装置催化剂碳含量预 估精度。该方法包括以下步骤：

1.收集炼化企业连续重整催化剂再生系统历史生产中的过程参数X∈R^m×a和实验室人 工化验得到的催化剂碳含量历史数据Y∈R^n×1，m表示过程参数样本数，a表示过程 参数个数，n表示人工化验值样本数；

2.采用3σ法则筛选过程参数样本中异常样本，将不在(μ-3σ,μ+3σ)区间的过程参数 样本视为异常并删除该样本，其中σ为样本方差，μ为样本均值；

3.将过程参数样本和人工化验值样本在时间维度对齐，得到X_t∈R^n×a：

式中X_t,i表示第i个人工化验值样本对齐后的过程参数，△t表示人工化验值样本滞后 过程参数样本的时间；

4.使用如下方法计算出步骤3中得到的过程参数X_t与催化剂碳含量Y的回归系数

式中

表示

中第j个过程参数的回归系数，x_ij为X_t中第i个样本的第j个过程参数，y_i为Y中第i个样本的催化剂碳含量历史数据，

为回归方程常数项，λ为惩 罚系数；

5.根据

筛选出与催化剂碳含量相关性强的过程参数X_c∈R^n×ac，ac表示筛选后的 过程参数个数；

6.使用最小二乘回归算法建立中间模型

为催化剂碳含量的预估值，

为 模型系数；

7.使用下式计算模型中每个样本的学生化残差r_i,(i＝1,2,…,n)：

H＝X_c(X′_cX_c)^-1X′_c

式中

表示最终模型的催化剂碳含量的预估值；H为帽子矩阵，是将Y投影到由X_c的列向量所生成的子空间上的投影矩阵，h_ii为H的第i个主对角线元素，

为第i个样本的预测误差，σ为误差项的标准差；

8.删除|r_i|>2的异常样本，使用最小二乘回归算法重新建模，得到最终模型

为最终模型的催化剂碳含量的预估值，w为最终模型的模型系数；

9.采集当前连续重整催化剂再生系统的过程参数，基于最终模型进行催化剂碳含量实 时准确预估。

有益效果：

本发明公开了一种提高连续重整装置催化剂碳含量精度的方法，该方法针对连续重整装 置催化剂碳含量的实时准确监测问题，摒弃了使用连续重整单元参数建模和根据工艺专家知 识筛选过程参数的方法，通过计算回归模型系数以筛选与碳含量相关性强的过程参数，并使 用学生化残差去除异常样本，提高了模型的预估精度。该方法能够实时准确反应催化剂碳含 量的变化，从而帮助企业更加及时有效地监控生产过程，对稳定并优化连续重整生产，提高 企业经济效益具有重要价值。

附图说明

图1为本发明方法流程图；

图2为本发明实施方法中的中间模型拟合效果；

图3为本发明实施方法中的最终模型拟合效果。

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说明，由具体的操作流程说明本方法在连 续重整装置催化剂碳含量预估方面的实施效果。本实施例在以本发明技术方案为前提下进行 实施，但本发明的保护范围不限于下述的实施例。

表1为某炼油企业2020年1月到11月采集到的连续重整装置催化剂再生系统过程参数 X∈R^m×a，共计m＝46296个样本，a＝30个过程参数，包括烧焦区入口气体流量、烧焦区入 口温度、过热区入口温度、再生器出口氧含量、20个再生器烧焦床层温度、闭锁料斗变压区料位1、闭锁料斗变压区料位2、过热区入口气体流量、再生循环气补空气流量、再生器 入口氧含量以及再生器烧焦气出口温度。

表1催化剂再生系统参数历史数据

表2为该企业连续重整装置催化剂人工化验值历史数据Y∈R^n×1，共计n＝121个样本。 从表2中可知人工化验值采样长达2～3天，难以满足企业生产对实时性的要求。

表2人工化验值历史数据

为解决上述问题，决定采用本发明技术建立连续重整装置催化剂碳含量模型，具体过程 结合图1如下：

1)采用3σ法则筛选过程参数样本中异常样本并删除，在该样本中σ和μ如表3所示，将不在(μ-3σ,μ+3σ)区间的过程参数样本视为异常并删除该样本；

表3过程参数样本平均值和方差

过程参数	σ	μ
			再生过热区入口温度	477.073	32.161
再生器出口氧含量	0.500	0.078
			过热区入口气体流量	5929.783	449.559
再生器烧焦床层温度1	451.150	29.307
			再生器烧焦床层温度2	530.209	37.841
……	……	……

2)将过程参数样本和人工化验值样本在时间维度对齐，得到X_t∈R^n×a：

式中△t表示人工化验样本滞后过程参数样本的时间，本实施例中△t＝30min；

3)按下式计算回归系数

本例中通过交叉验证计算获得惩罚系数λ＝0.0116，回归方 程常数项

为0，结果如表4所示；

表4回归系数

4)根据

筛选出与催化剂碳含量相关性强的ac＝16个过程参数X_c∈R^n×ac，即为步 骤3)中序号1-16的过程参数；

5)使用最小二乘回归算法建立催化剂碳含量预估中间模型

经计算模型系数

为：

其中，模型拟合系数R²＝0.69，拟合结果如图2所示；

6)计算每个样本的学生化残差r_i(i＝1,2,…,n)，结果如表5所示；

表5每个样本的学生化残差

7)删除|r_i|>2的异常样本，使用最小二乘回归算法重新建模，模型系数w为：

w＝[-0.0007 0.0154 -0.0168 -0.1168 -0.0219 -0.0160 -0.2047 0.03540.1586-0.0272 0.0147 0.0001 0.1313 0.0129 8.3510 0.0069]^T

模型拟合系数R²＝0.89，拟合结果如图3所示；

8)使用该模型预估连续重整装置催化剂碳含量，并与人工化验值进行对比。以2020年 6月10日的样本为例，人工化验值为4.08，模型预估值为4.10，偏差仅为0.02。其 他样本预测结果类似，以6月份样本为例，结果如表6所示：

表66月份催化剂碳含量人工化验值与模型预估值对比

人工化验值采样时间	人工化验值	模型预估值	偏差绝对值
				2020/06/018:00	4.37	4.31	0.06
2020/06/038:00	4.45	4.37	0.08
				2020/06/058:00	4.32	4.38	0.06
2020/06/088:00	4.15	4.37	0.22
				2020/06/108:00	4.08	4.10	0.02
2020/06/128:00	4.02	4.10	0.08
				2020/06/178:00	3.86	3.86	0.00
2020/06/198:00	3.99	4.00	0.01
				2020/06/228:00	4.05	4.06	0.01
2020/06/248:00	4.20	4.13	0.07
				2020/06/298:00	4.49	4.31	0.18

由表6可见，催化剂碳含量的模型预估值与人工化验值偏差较小，其均方误差为0.0096； 而如果仅基于工艺知识来选择变量建模预测，其均方误差为0.0164。可见，该方法的催化剂 碳含量预测精度得到明显提升。

Claims (4)

1.一种提高连续重整装置催化剂碳含量预估精度的方法，其特征在于基于数据之间相关性自动筛选与催化剂碳含量相关性强的过程参数，并通过删除异常样本提高催化剂碳含量模型预估精度，实时预估催化剂碳含量，包括以下步骤：

1)收集炼化企业连续重整催化剂再生系统历史生产中的过程参数X∈R^m×a和实验室人工化验得到的催化剂碳含量历史数据Y∈R^n×1，m表示过程参数样本数，a表示过程参数个数，n表示人工化验值样本数；

2)采用3σ法则筛选过程参数样本中异常样本并删除；

3)将过程参数样本和人工化验值样本在时间维度对齐，得到对齐后的过程参数X_t∈R^{n ×a}；

4)使用如下方法计算出步骤3)中得到的过程参数X_t与催化剂碳含量Y的回归系数

式中

表示

中第j个过程参数的回归系数，x_ij为X_t中第i个样本的第j个过程参数，y_i为Y中第i个样本的催化剂碳含量历史数据，

为回归方程常数项，λ为惩罚系数；

5)根据

筛选出与催化剂碳含量相关性强的过程参数X_c∈R^n×ac，ac表示筛选后的过程参数个数；

6)使用最小二乘回归算法建立X_c关于Y的中间模型

为催化剂碳含量的预估值，

为模型系数；

7)计算模型中每个样本的学生化残差r_i,i＝1,2,…,n；

8)删除|r_i|>2的异常样本，使用最小二乘回归算法重新建模，得到最终模型

为最终模型的催化剂碳含量的预估值，w为最终模型的模型系数；

9)采集当前连续重整催化剂再生系统的过程参数，基于最终模型进行催化剂碳含量实时预估。

2.根据权利要求1所述的一种提高连续重整装置催化剂碳含量预估精度的方法，其特征在于将不在(μ-3σ,μ+3σ)区间的过程参数样本视为异常并删除该样本，其中σ为样本方差，μ为样本均值。

3.根据权利要求1所述的一种提高连续重整装置催化剂碳含量预估精度的方法，其特征在于采用下式进行时间维度对齐：

式中X_t,i表示第i个人工化验值样本对齐后的过程参数，△t表示人工化验值样本滞后过程参数样本的时间。

4.根据权利要求1所述的一种提高连续重整装置催化剂碳含量预估精度的方法，其特征在于使用学生化残差筛选异常样本：

H＝X_c(X′_cX_c)^-1X′_c

式中

表示最终模型的催化剂碳含量的预估值；H为帽子矩阵，是将Y投影到由X_c的列向量所生成的子空间上的投影矩阵，h_ii为H的第i个主对角线元素，

为第i个样本的预测误差，σ为误差项的标准差。

Images