CN114187975A - 一种柴油加氢装置数据模型的优化和自动更新方法及系统 - Google Patents

Abstract

本发明属于柴油加氢优化技术领域，并具体公开了一种柴油加氢装置数据模型的优化和自动更新方法及系统。根据进料、装置生产数据的上下限值对采集的数据进行拓展，采用稳态检测方法对拓展后的数据进行稳态检测，以获得操作稳定的样本数据，并根据该样本数据找到影响产品十六烷值的关键操作因素；构建柴油加氢装置数据预测模型，对所述柴油加氢装置数据预测模型进行训练，以获取柴油加氢装置数据模型；当柴油加氢装置数据模型的输入数据的偏差大于预设值时，优化更新柴油加氢装置数据预测模型，实现柴油加氢装置数据模型的更新迭代。本发明在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，提高收率、产量、利润、资源利用率。

Description

一种柴油加氢装置数据模型的优化和自动更新方法及系统

技术领域

本发明属于柴油加氢优化技术领域，更具体地，涉及一种柴油加氢装置数据模型的优化和自动更新方法及系统。

背景技术

实时模拟与实时优化技术是指采用快速、高效的优化计算技术，结合工艺知识和现场操作数据，分析生产运行的状况，通过模型计算定量获得物耗、能耗、质量指标等关键生产运行指标，对操作运行中的生产装置参数及时进行优化调整，克服原料波动、环境因素波动、上下游生产单元负荷变化等的影响，使生产运行始终保持在最佳工作状态。

目前这种实时优化方法仍然存在局限：装置流程复杂，导致机理模型建立难度大大增加，机理模型与实际装置很难完全匹配；传统的机理模型严重依赖于原料的分析化验数据，而目前大多数炼厂都无法做到对原料进行实时分析，使得机理模型的建立很难达到实时性；运算需要满足多目标多约束条件，求解过程中超大的操作变量空间，仅通过模拟方法是不可能找到最优点的，有时甚至找到一个可行的设计点都是困难的，唯有应用优化技术才能搜索到最优或接近最优的设计点；耗时较长，往往针对一个工况进行建模需要技术人员2-3天的时间，而生产装置现场状况变动较多，原料更替频繁，建模耗时过长模型则会失去时效性，无法实时代替当前工况，更无法进行优化。

柴油加氢装置实时优化技术是应用智能优化算法和数据模型技术寻找当前最优操作条件的方案。以当前的生产数据和分析数据为基础，实时建立符合装置工况的数据模型，确定出最优操作条件。应用该优化技术，可以在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，提高收率、产量、利润、资源利用率。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种柴油加氢装置数据模型的优化和自动更新方法及系统，其中结合柴油加氢装置自身的特征及其操作工艺特点，相应设计了柴油加氢装置数据模型，并根据历史数据以及柴油加氢装置机理模型，对柴油加氢装置数据模型进行优化计算，同时，根据实际操作数据与历史数据的比对，对数据库和柴油加氢装置数据模型进行实时更新，可以在保证安全生产和产品合格的前提下，采用最优输出结果对模型参数进行优化，以获取最优的操作方案，有效减少能量消耗、污染物排放，提高收率、产量、利润、资源利用率。

为实现上述目的，按照本发明的一个方面，提出了一种柴油加氢装置数据模型的优化和自动更新方法，包括以下步骤：

步骤一：采集柴油加氢装置进料以及装置生产数据；

步骤二：根据进料、装置生产数据的上下限值对采集的数据进行拓展，采用稳态检测方法对拓展后的数据进行稳态检测，以获得操作稳定的样本数据，并根据该样本数据找到影响产品十六烷值的关键操作因素；

步骤三：构建柴油加氢装置数据预测模型，将所述关键操作因素作为自变量，即输入数据，柴油加氢装置的产品化验数据作为输出变量，即输出数据，对所述柴油加氢装置数据预测模型进行训练，以对柴油加氢装置数据预测模型的参数进行修正，从而获取柴油加氢装置数据模型；

步骤四：以柴油加氢装置原料成本最小或利润最大为优化目标，以产品十六烷值满足标准为约束条件，采用柴油加氢装置数据模型对柴油加氢装置的操作变量进行优化求解，以获取最优操作值，并根据所述最优操作值获取所述柴油加氢装置的最优操作方案；

步骤五，当柴油加氢装置数据模型的输入数据的偏差大于预设值时，调整出现偏差的变量的上下限值，并返回至步骤二，重新对数据进行拓展，自动更新柴油加氢装置数据预测模型的输入和输出变量，以优化更新柴油加氢装置数据预测模型，实现柴油加氢装置数据模型的更新迭代。

作为进一步优选的，步骤二中，所述稳态检测的计算模型如下：

x_t＝mt+μ+a_t

式中，mt为状态变量的确定性漂移，μ是稳态过程假设下的状态变量平均值，a_t是均值为0且标准差为σ_a的随机误差序列或白噪声，σ_a为a 的标准差，x_t为系统状态。

作为进一步优选的，步骤三中，所述输入数据和输出变量需经数据调和后输入至所述柴油加氢装置数据预测模型，其中，数据调和的计算模型如下：

s.tc(x_u，x_m)＝0

式中，

是数据调和前第i个数据值，x_m(i)是数据调和后第相应状态变量值，x_u(j)是第j个不可测变量，x_u为物料平衡方程，x_m为组分物料平衡方程，n_measured为，σ_i第i个可测变量的标准差，c(x_u，x_m)＝0 为M个物料平衡与组分物料平衡方程的模型的等式约束，

是x_m的下限值，

是x_m的上限值，

是x_u的下限值，

是x_u的上限值。

作为进一步优选的，步骤三中，所述产品化验数据采用柴油加氢装置机理模型获取。

作为进一步优选的，所述柴油加氢装置的机理模型的构建包括以下步骤：

首先，获取柴油加氢装置处于稳态工况的原料、实际产品化验数据以及装置生产数据，并将所述原料、实际产品化验数据以及装置生产数据按照预设比例划分为基础集和验证集；

其次，构建反应器模型：采用动力学集总的方式将基础集中的原料进行表征，并构建表征后原料的反应网络，基于LHHW机理构建所述反应网络中每个反应的速率方程，对所述速率方程中的反应活性因子进行迭代校正，以获取满足误差要求的反应活性因子，同时获取该反应活性因子下反应器流出物；

接着，构建分馏塔模型：将反应器流出物集总还原分组，并以该还原分组作为进料，构建分馏塔模型，并输出分馏塔模型的分馏数据；

最后，根据所述分馏数据对产品收率、柴油性质和构成加氢装置的单元操作进行计算，并根据计算得到的数据与基础集中数据的差值对所述机理模型进行修正，以获取修正的机理模型，采用验证集中的数据验证所述修正的机理模型，以获取最优的机理模型。

作为进一步优选的，所述产品化验数据包括：十六烷值、D86馏程、双环芳烃含量重量、单-芳烃含量重量、柴油凝点以及柴油闪点。

作为进一步优选的，步骤四中，采用以下方法进行优化求解：

优化求解公式型式如下：

s.t.c_i(x)＝0，i∈ε

C_i(x)≥0，i∈τ

式中，x∈Rⁿ为状态变量和操作变量，f(x)是目标函数，c_i为约束条件，该约束条件包括模型、变量边界约束和生产指标约束，ε为等式约束指标集，τ为不等式约束指标集，f(x)和c_i满足一阶或二阶连续可微，此处，状态变量为目标变量，比如以十六烷值为目标，或者以经济目标函数为目标变量；

然后，引入松弛变量将不等式约束转化为等式约束：

s.t.c_i(x)＝0，i∈ε

c_i(x)+s_i＝0，i∈τ

s_i≥0，i∈τ

式中，s_i为松弛变量的边界约束，s为松弛变量；

考虑为如下NLP问题：

s.tc(x)＝0

x≥0

式中，f：Rⁿ→R，c：Rⁿ→R^m，为了处理变量x的边界约束，在求解问题时考虑如下问题：

s.t.c(x)＝0

式中，μ＞0为障碍参数，

为障碍函数，x⁽ⁱ⁾为有效集，随着障碍参数μ的下降，障碍问题的解趋于原问题的解x^*，如果c(x)＝0满足条件，那么障碍问题的解满足如下一阶条件：

c(x)＝0

式中，x＞0，对角矩阵X＝diag(x)，λ为可行的参数，A(x)为x的集，单位向量e＝[1，1，...，1]^T，引入对偶变量v：

式中，v⁽ⁱ⁾为对偶变量的参数，得到下述系统：

c(x)＝0

Xv-μe＝0

求解上述系统，要求迭代点满足：

x_k＞0，v_k＞0

式中，x_k为扰动的条件，v_k为对偶变量的扰动，当μ→0时，x_k和v_k趋近于0，当μ＝0时，x≥0，v≥0共同构成NLP问题的扰动条件；

采用嵌套的方法求解上述系统问题外层循环调整障碍参数μ值，构造障碍问题，内层循环对固定的μ值近似求解障碍问题，定义障碍问题误差为：

式中，E_μ(x，λ，v)为障碍问题的误差，如果障碍问题的近似解 (x^*(μ)，λ^*(μ)，v^*(μ))满足：

E₀(x^*(μ)，λ_*(μ)，v^*(μ))≤ε_tol

其中，ε_tol＞0为NLP问题的收敛容差，此时优化计算结束。

按照本发明的另一个方面，还提供了一种柴油加氢装置数据模型的优化和自动更新系统，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的柴油加氢装置数据模型的优化和自动更新方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.本发明根据柴油加氢装置的实际产品化验数据以及装置生产数据，应用智能优化算法和数据模型技术寻找当前最优操作条件的方案，同时，根据当实际操作数据与优化算法中数据库的数据产生偏差时，根据当实际操作数据对数据库中的数据进行更新，同时更新油加氢装置数据模型，可以在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，提高收率、产量、利润、资源利用率。

2.本发明柴油加氢装置数据模型的产品化验数据根据柴油加氢装置机理模型获取。机理模型的构建是根据实际中获取的原料、实际产品化验数据以及装置生产数据作为基础数据库，采用动力学集总的方式将基础集中的原料进行表征，并构建表征后原料的反应网络，基于LHHW机理构建所述反应网络中每个反应的速率方程，对所述速率方程中的反应活性因子进行迭代校正，以获取满足误差要求的反应活性因子，同时，将反应器流出物集总还原分组，并以该还原分组作为进料，构建分馏塔模型，根据所述分馏数据对产品收率、柴油性质和构成加氢装置的单元操作进行计算，即本发明根据实际数据分别建立构成加氢装置每个单元装置的机理单元方程组，串联多个机理单元方程组，并对多个机理方程组进行修正，得到最优的机理方程组，以根据原料和产品的十六烷值变化情况，及时确定装置各股进料的最优比例和操作条件，在保障产品十六烷值合格条件下，减少高价值的直馏柴油的比例，以确保数据模型的输出结果为最优结果。

3.本发明用生产数据校正反应器模型得到反应活性因子；然后将反应器流出物集总还原组分，进行分馏塔模型开发，对产品收率、性质和单元操作进行计算，最终用验证数据集经过检查物料平衡后验证模型，得到柴油加氢装置的机理模型，使得整个优化算法遵循物料守恒及热量守恒，保证了算法的精度和准确性。

附图说明

图1是本发明实施例提供的一种柴油加氢装置数据模型的优化和自动更新方法的流程图。

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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明实施例提供的一种柴油加氢装置数据模型的优化和自动更新方法,采集柴油加氢装置近一年的原料、实际产品化验数据以及装置生产数据；对上述数据进行分类筛选成500～700组基础装置成套数据；将基础数据拓展为50000～100000组包含各维度信息的数据；将数据划分为训练集与验证集用多种算法进行训练得到最佳的柴油加氢装置数据模型；用于计算的柴油加氢装置数据模型在本地服务器上，当现场装置数据与分析化验数据发生较大的变化，与现有数据出现大的偏离时，通过云服务器的训练新的柴油加氢装置数据模型并实现本地柴油加氢装置数据模型的实时更新；使用数据模型的方法为：获取柴油加氢装置的产品化验数据并采集柴油加氢装置的装置生产数据；根据装置生产数据判断柴油加氢装置是否处于稳态工况，如果是，则根据产品化验数据以及装置生产数据建立匹配柴油加氢装置当前工况的数据模型；设置指标约束条件以及操作变量，结合数据模型以及指标约束条件进行优化求解，得到最优操作值；根据最优操作值获取柴油加氢装置的最优操作方案。本发明具有数据模型模型精度高、实时性高、求解速度快的技术效果，可以帮助提高柴油加氢装置的经济效益。一般的，本发明方法流程如下：

步骤一，数据通讯和建立数据库。建立数据库，应用网络通讯接口技术，读取柴油加氢装置的LIMS数据和DCS实时操作数据，在此基础上，开发柴油加氢装置数据模型及其自动更新的软件系统。

步骤二，将柴油加氢装置物流数据与装置点表进行梳理，筛选出影响产品柴油十六烷值的关键因素指标。即，将柴油加氢装置进料、产品性质数据(主要是十六烷值)、装置生产数据点表进行梳理，筛选出影响产品柴油十六烷值的关键因素指标。更具体的，采集柴油加氢装置进料、产品性质数据(主要是十六烷值)、装置生产数据。根据进料、装置生产数据的上下限值对采集的数据进行拓展，采用稳态检测方法对拓展后的数据进行稳态检测，以获得操作稳定的样本数据，并根据该样本数据找到影响产品十六烷值的关键操作因素。根据历史运行数据，即现有的柴油加氢装置进料、产品性质数据(主要是十六烷值)、装置生产数据，确定每种性质的基准值与上下限。对上述数据进行分类筛选成500～700组基础装置成套数据；根据基础数据的上下限值将基础数据拓展为50000～100000组包含各维度信息的数据。在此基础上，应用数据量约简和变量维数约简方法，减少数据量，找到影响产品十六烷值的主要或关键因素。

其中，影响产品柴油十六烷值的关键因素指标如下表所示：

本步骤中，稳态检测时假设系统状态xt在有限的时间窗口内是实际t 的线性函数。稳态检测的计算模型如下：

x_t＝mt+μ+a_t

式中，mt为状态变量的确定性漂移，μ是稳态过程假设下的状态变量平均值，a_t是均值为0且标准差为σ_a的随机误差序列或白噪声，σ_a为a 的标准差，x_t为系统状态。当过程变量(如温度、压力或液位等)随时间发生显著的积累性漂移时，称该变量是非稳态的，反之则该变量是稳态的。若柴油加氢装置流量有3个以上、温度有5个以上，压力有3个以上非稳态，则认为柴油加氢装置处于动态阶段。

步骤三，将上述包含上下界的基础数据拓展为50000～100000组数据，然后调用柴油加氢装置机理模型，通过该柴油加氢装置机理模型输出变量参数，也为本发明中的柴油加氢装置的产品化验数据，具体如下表所示：

输出变量参数
	十六烷值D4737
D86馏程-95％
	双环芳烃含量重量wt％
单-芳烃含量重量wt％
	柴油凝点[℃]
柴油闪点[℃]

本步骤中涉及到柴油加氢装置机理模型的构建，其具体步骤如下：

S1获取柴油加氢装置处于稳态工况的原料、实际产品化验数据以及装置生产数据，并将所述原料、实际产品化验数据以及装置生产数据按照预设比例划分为基础集和验证集。本步骤中，采用质量平衡的方法获取柴油加氢装置处于稳态工况的原料、产品化验数据以及装置生产数据，具体如下：S11根据脱硫、脱氮反应刻度计算H₂S和NH₃收率；S12除掉干气产品和液化气产品中的H₂S和NH₃，获取净化干气产品和净化液化气，确定净化干气产品的净化液化气的收率；S13根据原料油和新氢的流量计算反应器的总进料量；S14根据净化干气产品、净化液化气、所有液体产品、H₂S和NH₃的总和计算反应器流出物流率，若该流出物流率满足要求，则柴油加氢装置处于稳态工况。同时，实际产品化验数据通过近红外光谱快速分析技术快速的得到。

S2根据基础集中所述原料、实际产品化验数据以及装置生产数据建立柴油加氢装置的机理模型，其具体包括以下步骤：

S21构建反应器模型：采用动力学集总的方式将基础集中的原料进行表征，并构建表征后原料的反应网络，基于LHHW机理构建所述反应网络中每个反应的速率方程，对所述速率方程中的反应活性因子进行迭代校正，以获取满足误差要求的反应活性因子，同时获取该反应活性因子下反应器流出物。其中，LHHW机理包括：催化剂表面对反应物的吸附、抑制吸附、吸附分子非反应以及产品解吸。本步骤中，检查质量平衡后进行原料表征，包括以下步骤：(1)根据反应动力学模型对原料进行分析；(2)采用集总组分表示原料；本发明中使用97动力学集总表示原料，如下表所示：

原料表征后建立反应网络、定义速率方程以及估算速率常数和反应热。柴油加氢床层反应包括烷烃加氢裂化反应；开环反应；芳烃、环烷烃、含氮集总组分、含硫集总组分的脱烷基反应；芳烃、剩余氮集总组分和难脱硫集总组分的加氢饱和反应；易脱硫集总组分的加氢脱硫反应；含氮集总组分的加氢脱氮反应。177个反应网络表示上述反应路径。每个反应的速率方程基于LHHW机理，包括可逆反应和不可逆反应。该LHHW机理包括：(1)催化剂表面对反应物的吸附；(2)抑制吸附；(3)吸附分子非反应；(4) 产品解吸。速率方程包括可逆反应的速率方程和不可逆反应的速率方程，所述可逆反应的速率方程为：

不可逆反应的速率方程为：

式中，Rate为反应速率，K_total为总活性，该总活性为反应网络中一系列反应活性因子的组合，k为速率常数，K_ADS，i为烃类i的吸附常数，K_ADS，j烃类j的吸附常数，ADS为LHHW机理吸附项，C_i为烃类i的浓度，C_j为烃类j的浓度，

为氢分压，K_eq为反应平衡常数，

为加氢速率，x 为氢气组分分压。K_total是一系列活性因子的组合，表示不同反应集的表观反应速率。例如，轻质芳烃的加氢反应K_total是反应产物K_global、K_{hdg，overall}和K_hdg，light的组合。K_global表示分配给每个催化剂床层的总活性因子，K_{hdg，overall}表示所有加氢反应的组活性因子，K_hdg，light表示轻质馏分的加氢反应活性因子。

本发明中，活性因子迭代校准是为了使预测值与工厂数据之间的偏差最小。反应活性因子进行迭代校正的过程如下：S211确定校准目标函数； S212将K_total设定为很小的值，使得校准目标函数对应的指标的性能在开始时都处于失活状态；S213依次递增调整K_total，以激活反应器的反应；S214 调整K_total中的反应活性因子，使得反应器模型预测的对应指标的预测值与基础集中该对应指标的实际值偏差最小；S215重复步骤S213和步骤S214，并以基础集中的实际数据校准反应器模型的温度分布和产品收率，直到反应器模型的预测误差在预设范围内。

反应活性因子校准目标函数如下：

反应活性因子包括以下：

注：三个宽馏分指<221℃(L)221～510℃(M)>510℃(H)馏分

S22构建分馏塔模型：将反应器流出物集总还原分组，并以该还原分组作为进料，构建分馏塔模型，并输出分馏塔模型的分馏数据。将反应器流出物集总还原分组具体包括以下步骤：S221将反应器流出物划分为C_6-和C₆₊； S222获取反应器流出物C_6-和C₆₊的TBP蒸馏曲线、API度和分子量分布；S223 确定离散的虚拟组分的数量为N，使用Gauss-Legendre积分法计算虚拟组分组切割点和权重因子ω_i，并计算切割点的API比重和分子量，分别计算出在C_6-和C₆₊的TBP蒸馏曲线上划分的切割点F_vi，S224使用所述分子量和 SG(相对密度)估算每个虚拟组分的临界温度T_c、临界压力P_c、临界体积 V_c和偏心因子ω；S225根据所述反应器流出物计算每个虚拟分组的摩尔分数x_i。

步骤S223中，采用如下公式计算在C_6-和C₆₊的TBP蒸馏曲线上划分的切割点F_vi：

F_vi＝0.5×(q_i+q_i+1)

式中，q_i和q_i+1为切割点虚拟组分温度值，i＝0,…,N-1；

步骤S224中，所述临界温度T_c、临界压力P_c、临界体积V_c和偏心因子ω的计算公式如下：

式中，T_b为沸点，SG为密度，T_br＝T_b/T_c；

步骤S225中，所述摩尔分数x_i的计算模型如下：

式中，ω_i为Gauss-Legendre积分法获取的权重因子，SG_i为虚拟组分i 的密度，MW_i为虚拟组分i的分子量，SG_avg为反应器模型获得的平均密度，MW_avg为反应器模型获得的分子量。

S23根据所述分馏数据对产品收率、柴油性质和构成加氢装置的单元操作进行计算，并根据计算得到的数据与基础集中数据的差值对所述机理模型进行修正，以获取修正的机理模型，采用验证集中的数据验证所述修正的机理模型，以获取最优的机理模型。在本步骤中，柴油性质包括柴油闪点、柴油凝点和液体产品的密度。

S3设定指标约束条件以及操作变量，结合所述最优的机理模型以及所述指标约束条件进行优化求解，得到最优操作变量值，即上述输出变量参数。其中，指标约束条件包括原料柴油物性、加氢反应器结构以及催化剂性能；操作变量包括原料催化柴油流量、原料常压柴油流量、氢油比以及反应器进口柴油温度。

步骤四，构建柴油加氢装置数据预测模型，将所述关键操作因素作为自变量，即输入数据，柴油加氢装置的产品化验数据作为输出变量，即输出数据，对所述柴油加氢装置数据预测模型进行训练，以对柴油加氢装置数据预测模型的参数进行修正，从而获取柴油加氢装置数据模型。本步骤中，所述输入数据和输出变量需经数据调和后输入至所述柴油加氢装置数据预测模型，用于模型参数的修正，其中，数据调和的计算模型如下：

S.tc(x_u，x_m)＝0

式中，

是数据调和前第i个数据值，x_m(i)是数据调和后第相应状态变量值，x_u(j)是第j个不可测变量，x_u为物料平衡方程，x_m为组分物料平衡方程，n_measured为，σ_i第i个可测变量的标准差，c(x_u，x_m)＝0 为M个物料平衡方程和组分物料平衡方程的等式约束，

是x_m的下限值，

是x_m的上限值，

是x_u的下限值，

是x_u的上限值。在目标函数中，标准差σ_i可以看作对应平方项的加权值。通过求解该式，得到目标函数f(x_m)极小状态变量值

本步骤中，为了提高模型的预测精度、速度及鲁棒性，采用以下方法进行优化求解：

优化计算是RTO系统(Real time optimization实时优化系统)的关键环节。优化求解公式型式如下：

s.t.c_i(x)＝0，i∈ε

c_i(x)≥0，i∈τ

式中，x∈Rⁿ包含状态变量和操作变量，f：Rⁿ→R是目标函数，c_i为约束条件，该约束条件包括模型、变量边界约束和生产指标约束，ε为等式约束指标集，τ为不等式约束指标集，f(x)和c_i满足一阶或二阶连续可微；

然后，引入松弛变量将不等式约束转化为等式约束，其中，状态变量为目标变量，比如以十六烷值为目标，或者以经济目标函数为目标变量：

s.t.c_i(x)＝0，i∈ε

c_i(x)+s_i＝0，i∈τ

s_i≥0，i∈τ

式中，s_i为松弛变量的边界约束，s为松弛变量；

加以简化，考虑为如下NLP问题，：

s.tc(x)＝0

x≥0

式中，f：Rⁿ→R，c：Rⁿ→R^m，为了处理变量x的边界约束，在求解问题时考虑如下问题：

s.t.c(x)＝0

式中，μ＞0为障碍参数，

为障碍函数，x⁽ⁱ⁾为有效集，随着障碍参数μ的下降，障碍问题的解趋于原问题的解x^*，如果c(x)＝0满足条件，那么障碍问题的解满足如下一阶条件：

c(x)＝0

式中，x＞0，对角矩阵X＝diag(x)，λ为可行的参数，A(x)为x的集，单位向量e＝[1，1，...，1]^T，引入对偶变量v：

式中，v⁽ⁱ⁾为对偶变量的参数，得到下述系统：

C(x)＝0

Xv-μe＝0

求解上述系统，要求迭代点满足：

x_k＞0，v_k＞0

式中，x_k为扰动的条件，v_k为对偶变量的扰动，当μ→0时，x_k和v_k趋近于0，当μ＝0时，x≥0，v≥0共同构成NLP问题的扰动条件；

采用嵌套的方法求解上述系统问题外层循环调整障碍参数μ值，构造障碍问题，内层循环对固定的μ值近似求解障碍问题，定义障碍问题误差为：

式中，E_μ(x，λ，v)为障碍问题的误差，如果障碍问题的近似解 (x^*(μ)，λ^*(μ)，v^*(μ))满足：

E₀(x^*(μ)，λ^*(μ)，v^*(μ))≤ε_tol

其中，ε_tol＞0为NLP问题的收敛容差，此时优化计算结束。

步骤五：以柴油加氢装置原料成本最小或利润最大为优化目标，以产品十六烷值满足标准为约束条件，采用柴油加氢装置数据模型对柴油加氢装置的操作变量进行优化求解，以获取最优操作值，并根据所述最优操作值获取所述柴油加氢装置的最优操作方案。本步骤中，柴油加氢装置数据模型为非线性规划模型，存在多个局部极小或极大，为求得全局最优解，本发明采用列队竞争算法求解，该算法是一种模拟自然法则的全局优化算法，它解决了运筹学和过程系统工程领域中许多个挑战性优化难题。本发明采用列队竞争算法求解上述柴油加氢装置数据模型可得到全局最优解。

步骤六：当柴油加氢装置数据模型的输入数据的偏差大于预设值时，调整出现偏差的变量的上下限值，并返回至步骤二，重新对数据进行拓展，自动更新柴油加氢装置数据预测模型的输入和输出变量，以优化更新柴油加氢装置数据预测模型，实现柴油加氢装置数据模型的更新迭代。本步骤中，主要检查优化变量值是否位于操作条件之外，以及优化变量的边界是否发生变化。此外，还可以通过判断设置点是否在统计意义上发生了显著的变化。若未发生显著变化，则优化参数值不会传递给控制层。

按照本发明的另一个方面，还提供了一种柴油加氢装置数据模型的优化和自动更新系统，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的柴油加氢装置数据模型的优化和自动更新方法。同时，存储器上还集成有优化参数下发模块，该模块在将新的设置点传递给控制层之前会检查优化计算结果，以确定当前设备操作是否会导致问题。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种柴油加氢装置数据模型的优化和自动更新方法，其特征在于，包括以下步骤：

步骤一：采集柴油加氢装置进料以及装置生产数据；

步骤二：根据进料、装置生产数据的上下限值对采集的数据进行拓展，采用稳态检测方法对拓展后的数据进行稳态检测，以获得操作稳定的样本数据，并根据该样本数据找到影响产品十六烷值的关键操作因素；

步骤三：构建柴油加氢装置数据预测模型，将所述关键操作因素作为自变量，即输入数据，柴油加氢装置的产品化验数据作为输出变量，即输出数据，对所述柴油加氢装置数据预测模型进行训练，以对柴油加氢装置数据预测模型的参数进行修正，从而获取柴油加氢装置数据模型；

步骤四：以柴油加氢装置原料成本最小或利润最大为优化目标，以产品十六烷值满足标准为约束条件，采用柴油加氢装置数据模型对柴油加氢装置的操作变量进行优化求解，以获取最优操作值，并根据所述最优操作值获取所述柴油加氢装置的最优操作方案；

步骤五，当柴油加氢装置数据模型的输入数据的偏差大于预设值时，调整出现偏差的变量的上下限值，并返回至步骤二，重新对数据进行拓展，自动更新柴油加氢装置数据预测模型的输入和输出变量，以优化更新柴油加氢装置数据预测模型，实现柴油加氢装置数据模型的更新迭代。

2.根据权利要求1所述的一种柴油加氢装置数据模型的优化和自动更新方法，其特征在于，步骤二中，所述稳态检测的计算模型如下：

x_t＝mt+μ+a_t

式中，mt为状态变量的确定性漂移，μ是稳态过程假设下的状态变量平均值，a_t是均值为0且标准差为σ_a的随机误差序列或白噪声，σ_a为a的标准差，x_t为系统状态。

3.根据权利要求1所述的一种柴油加氢装置数据模型的优化和自动更新方法，其特征在于，步骤三中，所述输入数据和输出变量需经数据调和后输入至所述柴油加氢装置数据预测模型，其中，数据调和的计算模型如下：

s.t.c(x_u，x_m)＝0

式中，

是数据调和前第i个数据值，x_m(i)是数据调和后第相应状态变量值，x_u(j)是第j个不可测变量，x_u为物料平衡方程，x_m为组分物料平衡方程，n_measured为，σ_i第i个可测变量的标准差，c(x_u，x_m)＝0为M个物料平衡与组分物料平衡方程的等式约束，

是x_m的下限值，

是x_m的上限值，

是x_u的下限值，

是x_u的上限值。

4.根据权利要求1所述的一种柴油加氢装置数据模型的优化和自动更新方法，其特征在于，步骤三中，所述产品化验数据采用柴油加氢装置机理模型获取。

5.根据权利要求4所述的一种柴油加氢装置数据模型的优化和自动更新方法，其特征在于，所述柴油加氢装置的机理模型的构建包括以下步骤：

首先，获取柴油加氢装置处于稳态工况的原料、实际产品化验数据以及装置生产数据，并将所述原料、实际产品化验数据以及装置生产数据按照预设比例划分为基础集和验证集；

其次，构建反应器模型：采用动力学集总的方式将基础集中的原料进行表征，并构建表征后原料的反应网络，基于LHHW机理构建所述反应网络中每个反应的速率方程，对所述速率方程中的反应活性因子进行迭代校正，以获取满足误差要求的反应活性因子，同时获取该反应活性因子下反应器流出物；

接着，构建分馏塔模型：将反应器流出物集总还原分组，并以该还原分组作为进料，构建分馏塔模型，并输出分馏塔模型的分馏数据；

最后，根据所述分馏数据对产品收率、柴油性质和构成加氢装置的单元操作进行计算，并根据计算得到的数据与基础集中数据的差值对所述机理模型进行修正，以获取修正的机理模型，采用验证集中的数据验证所述修正的机理模型，以获取最优的机理模型。

6.根据权利要求1所述的一种柴油加氢装置数据模型的优化和自动更新方法，其特征在于，所述产品化验数据包括：十六烷值、D86馏程、双环芳烃含量重量、单-芳烃含量重量、柴油凝点以及柴油闪点。

7.根据权利要求1所述的一种柴油加氢装置数据模型的优化和自动更新方法，其特征在于，步骤四中，采用以下方法进行优化求解：

优化求解公式型式如下：

s.t.c_i(x)＝0，i∈ε

c_i(x)≥0，i∈τ

式中，x∈Rⁿ为状态变量和操作变量，f(x)是目标函数，c_i为约束条件，该约束条件包括模型、变量边界约束和生产指标约束，ε为等式约束指标集，τ为不等式约束指标集，f(x)和c_i满足一阶或二阶连续可微；

然后，引入松弛变量将不等式约束转化为等式约束：

s.t.c_i(x)＝0，i∈ε

c_i(x)+s_i＝0，i∈τ

s_i≥0，i∈τ

式中，s_i为松弛变量的边界约束，s为松弛变量；

考虑为如下NLP问题：

s.t.c(x)＝0

x≥0

式中，f：Rⁿ→R，c：Rⁿ→R^m，为了处理变量x的边界约束，在求解问题时考虑如下问题：

s.t.c(x)＝0

式中，μ＞0为障碍参数，

为障碍函数，x⁽ⁱ⁾为有效集，随着障碍参数μ的下降，障碍问题的解趋于原问题的解x^*，如果c(x)＝0满足条件，那么障碍问题的解满足如下一阶条件：

c(x)＝0

式中，x＞0，对角矩阵X＝diag(x)，λ为可行的参数，A(x)为x的集，单位向量e＝[1，1，...，1]^T，引入对偶变量v：

式中，v⁽ⁱ⁾为对偶变量的参数，得到下述系统：

c(x)＝0

Xv-μe＝0

求解上述系统，要求迭代点满足：

x_k＞0，v_k＞0

式中，x_k为扰动的条件，v_k为对偶变量的扰动，当μ→0时，x_k和v_k趋近于0，当μ＝0时，x≥0，v≥0共同构成NLP问题的扰动条件；

采用嵌套的方法求解上述系统问题外层循环调整障碍参数μ值，构造障碍问题，内层循环对固定的μ值近似求解障碍问题，定义障碍问题误差为：

式中，E_μ(x，λ，v)为障碍问题的误差，如果障碍问题的近似解(x^*(μ)，λ^*(μ)，v^*(μ))满足：

E₀(x^*(μ)，λ^*(μ)，v^*(μ))≤ε_tol

其中，ε_tol＞0为NLP问题的收敛容差，此时优化计算结束。

8.一种柴油加氢装置数据模型的优化和自动更新系统，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一所述的柴油加氢装置数据模型的优化和自动更新方法。

Images