CN115034310A - 乙烯裂解炉热效率的多模型预测方法及装置 - Google Patents
乙烯裂解炉热效率的多模型预测方法及装置 Download PDFInfo
- Publication number
- CN115034310A CN115034310A CN202210673265.2A CN202210673265A CN115034310A CN 115034310 A CN115034310 A CN 115034310A CN 202210673265 A CN202210673265 A CN 202210673265A CN 115034310 A CN115034310 A CN 115034310A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- production process
- thermal efficiency
- working condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G9/00—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
- C10G9/14—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils in pipes or coils with or without auxiliary means, e.g. digesters, soaking drums, expansion means
- C10G9/18—Apparatus
- C10G9/20—Tube furnaces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种乙烯裂解炉热效率的多模型预测方法、装置及存储介质。所述多模型预测方法包括以下步骤:获取乙烯裂解炉的生产过程数据,其中,所述生产过程数据包括进料量数据及热相关数据;将所述进料量数据与多模型数据库中的多种预测模型适配的工况范围进行匹配,其中,所述多种预测模型及其适配的工况范围是根据所述乙烯裂解炉的历史生产过程数据训练确定;以及响应于所述进料量数据与任意一个或多个所述预测模型适配的工况范围匹配成功,调用对应的一个或多个所述预测模型,根据所述热相关数据预测所述乙烯裂解炉在对应工况范围的热效率。
Description
技术领域
本发明属于燃烧优化技术领域,具体涉及一种乙烯裂解炉热效率的多模型预测方法、一种乙烯裂解炉热效率的多模型预测装置,以及一种计算机可读存储介质。
背景技术
随着经济的不断发展,我国的国民生产总值不断提高。然而,在工业飞速发展的同时,能源问题也日趋紧张。如何有效地使用能量、提高热效率正成为当今最值得关注的话题。此外,环保问题也值得关注。化石资源的燃烧会导致氮氧化物(NOx)等污染物的增加,而NOx对大气环境的污染十分严重,是产生臭氧等有害污染物的重要物质之一。此外,NOx还会与空气当中的水蒸气发生化学反应形成酸雨,对大自然生态环境系统、人体健康平衡等多方面造成严重危害。
为了提高生产过程中的经济效益,并减少环境污染,有必要对各种工业燃烧过程进行优化。乙烯装置作为石油化工行业装置的龙头,同时也是能耗大户,其燃烧过程的优化对提升经济效益和保护环境具有深远的意义。进一步地,在乙烯裂解的整个过程中,裂解炉的能耗约占整个乙烯装置能耗的60%左右,而燃料气的消耗又占裂解炉总能耗70%左右,因此可以通过预测乙烯裂解炉的热效率来进行乙烯裂解工艺的燃烧优化。然而,在乙烯裂解的过程中,首先需要由乙烯裂解炉把液化石油气、加氢尾油及石脑油等多种原料在高温下裂解成由乙烯、甲烷、丙烯、氢气等小分子物质组成的裂解气,再经过压缩、分离等工艺单元加工成乙烯、丙烯及各种副产品,其裂解过程是一个复杂的流动、传热、传质过程,一般难以通过机理对其进行建模。
为了克服现有技术存在的上述缺陷,本领域亟需一种热效率预测技术,用于快速、精确地预测乙烯裂解炉的热效率,并为后续的燃烧优化打下基础。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
为了克服现有技术存在的上述缺陷,本发明提供了一种乙烯裂解炉热效率的多模型预测方法、一种乙烯裂解炉热效率的多模型预测装置,以及一种计算机可读存储介质,能够快速、精确地预测乙烯裂解炉的热效率,并为后续的燃烧优化打下基础。
具体来说,根据本发明的第一方面提供的上述乙烯裂解炉热效率的多模型预测方法包括以下步骤:获取乙烯裂解炉的生产过程数据,其中,所述生产过程数据包括进料量数据及热相关数据;将所述进料量数据与多模型数据库中的多种预测模型适配的工况范围进行匹配,其中,所述多种预测模型及其适配的工况范围是根据所述乙烯裂解炉的历史生产过程数据训练确定;以及响应于所述进料量数据与任意一个或多个所述预测模型适配的工况范围匹配成功,调用对应的一个或多个所述预测模型,根据所述热相关数据预测所述乙烯裂解炉在对应工况范围的热效率。
进一步地,在本发明的一些实施例中,确定所述多模型数据库中的所述多种预测模型及其适配的工况范围的步骤包括:获取所述乙烯裂解炉的多组历史生产过程数据,其中,所述历史生产过程数据包括进料量数据及热相关数据;以进料量为标准,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案;基于预先聚类分析确定的多个热效率等级,采用预先确定的多个预测模型分别计算各所述历史热相关数据关于每一所述分类方案中各对应工况范围的热效率预测值;根据各所述历史热相关数据对应的热效率实际值及所述热效率预测值,计算各所述分类方案的总均方误差,并确定其中总均方误差最小的最优分类方案;以及将所述最优分类方案划分的多种工况范围及其对应的预测模型存入所述多模型数据库。
进一步地,在本发明的一些实施例中,在根据所述历史进料量数据,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案之前,所述多模型预测方法还包括以下步骤:对获取的所述多组历史生产过程数据进行预处理,以筛除其中异常工况和/或非稳态分布的异常值。
进一步地,在本发明的一些实施例中,所述以进料量为标准,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案的步骤包括:从所述多组历史生产过程数据中分别提取所述进料量数据,以确定所述多组历史生产过程数据涉及的总范围[a,b];根据所述多组历史生产过程数据中的最小进料量a确定范围下限,根据最大进料量b确定范围上限,并以预设步进量Δ的正整数倍i为跨度,构建一种分类方案的多种工况范围;以及遍历工况范围个数大于等于3的所有正整数倍数i,以得到总范围[a,b]的i种分类方案。
进一步地,在本发明的一些实施例中,所述根据所述多组历史生产过程数据中的最小进料量a确定范围下限,根据最大进料量b确定范围上限,并以预设步进量Δ的正整数倍i为跨度,构建一种分类方案的多种工况范围的步骤包括:对所述最小进料量a吨向下取整,以确定范围下限a0吨;对所述最大进料量b吨向上取整,以确定范围上限b0吨;以及以整数Δ吨的正整数倍i为跨度,构建一种分类方案的n种工况范围[a0,a0+Δ)、[a0+Δ,a0+2Δ)、...、[a0+nΔ,b0)。
进一步地,在本发明的一些实施例中,所述以进料量为标准,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案的步骤还包括:确定每一所述工况范围中包含的数据量;以及响应于任一所述工况范围中包含的数据量小于预设的数量阈值,将所述工况范围并入数据量较小的相邻工况范围。
进一步地,在本发明的一些实施例中,所述热相关数据包括排烟温度和/或燃料气流量与进料量的比值,聚类分析确定所述多个热效率等级的步骤包括:从所述多组历史生产过程数据中分别提取所述排烟温度和/或所述燃料气流量与进料量的比值;构建聚类分析模型,并随机生成多个聚类中心点;将各组所述历史生产过程数据中的所述排烟温度和/或所述比值输入所述聚类分析模型,根据各组所述排烟温度和/或所述比值到各所述聚类中心点的距离,将所述多组历史生产过程数据分为多个类别,其中,每一所述类别对应一个热效率等级;根据分完类别的所述多组历史生产过程数据,重复生成聚类中心点及数据分类的操作,直到所述聚类中心点不再变化;以及根据最终确定的多个聚类中心点,确定所述多个热效率等级。
进一步地,在本发明的一些实施例中,确定所述多个预测模型的步骤包括:根据所述乙烯裂解炉的运行特性,采用反平衡法建立初始化的热效率预测模型
η=5-α1*O2-α2*tg+α3*ta-k
其中,O2表示氧含量,tg表示排烟温度,ta表示预热空气温度,α1、α2、α3表示模型系数,k表示模型校正系数,反映乙烯裂解炉的表面散热损失热量;以及根据各所述工况范围的历史生产过程数据对应的热效率等级η,分别求解所述模型系数α1、α2、α3及所述模型校正系数k的值,以确定对应各所述工况范围的多个预测模型。
进一步地,在本发明的一些实施例中,所述根据各所述工况范围的历史生产过程数据对应的热效率等级η,分别求解所述模型系数α1、α2、α3及所述模型校正系数k的值的步骤包括:根据所述热效率预测模型,确定关于所述模型系数α1、α2、α3及所述模型校正系数k的超定线性方程组
再采用最小二乘法求解所述超定线性方程组,以求解所述模型系数α1、α2、α3及所述模型校正系数k的值。
进一步地,在本发明的一些实施例中,所述多模型预测方法还包括以下步骤:响应于所述进料量数据与各所述预测模型适配的工况范围都匹配失败,将所述生产过程数据存入临时数据库,并判断所述临时数据库中的数据量是否达到预设的数据量阈值;以及响应于所述临时数据库中的数据量达到所述数据量阈值,将所述临时数据库中存储的数据作为所述历史生产过程数据,重新确定多种预测模型及其适配的工况范围,并将其更新到所述多模型数据库。
此外,根据本发明的第二方面提供的上述乙烯裂解炉热效率的多模型预测装置包括存储器及处理器。所述处理器连接所述存储器,并被配置用于实施本发明的第一方面提供的上述乙烯裂解炉热效率的多模型预测方法。
此外,根据本发明的第三方面提供的上述计算机可读存储介质,其上存储有计算机指令。所述计算机指令被处理器执行时,实施本发明的第一方面提供的上述乙烯裂解炉热效率的多模型预测方法。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的上述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了根据本发明的一些实施例提供的乙烯裂解炉热效率的多模型预测方法的流程示意图。
图2示出了根据本发明的一些实施例提供的乙烯裂解炉的热效率预测结果的示意图。
图3示出了根据本发明的一些实施例提供的乙烯裂解炉的热效率预测结果的示意图。
图4示出了根据本发明的一些实施例提供的乙烯裂解炉的热效率预测结果的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍,但这并不代表此发明的特征仅限于该实施方式。恰恰相反,结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解,以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外,为了避免混乱或模糊本发明的重点,有些具体细节将在描述中被省略。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
能理解的是,虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分,这些组件、区域、层和/或部分不应被这些用语限定,且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此,以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
如上所述,在乙烯裂解的过程中,首先需要由乙烯裂解炉把液化石油气、加氢尾油及石脑油等多种原料在高温下裂解成由乙烯、甲烷、丙烯、氢气等小分子物质组成的裂解气,再经过压缩、分离等工艺单元加工成乙烯、丙烯及各种副产品,其裂解过程是一个复杂的流动、传热、传质过程,一般难以通过机理对其进行建模。
为了克服现有技术存在的上述缺陷,本发明提供了一种乙烯裂解炉热效率的多模型预测方法、一种乙烯裂解炉热效率的多模型预测装置,以及一种计算机可读存储介质,能够快速、精确地预测乙烯裂解炉的热效率,并为后续的燃烧优化打下基础。
在一些非限制性的实施例中,本发明的第一方面提供的上述乙烯裂解炉热效率的多模型预测方法,可以由本发明的第二方面提供的上述乙烯裂解炉热效率的多模型预测装置来实施。具体来说,该多模型预测装置中可以配置有存储器及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质,其上存储有计算机指令。该处理器连接该存储器,并被配置用于执行该存储器上存储的计算机指令,以实施本发明的第一方面提供的上述乙烯裂解炉热效率的多模型预测方法。
以下将结合一些多模型预测方法的实施例来描述上述多模型预测装置的工作原理。本领域的技术人员可以理解,这些多模型预测方法的实施例只是本发明提供的一些非限制性的实施方式,旨在清楚地展示本发明的主要构思,并提供一些便于公众实施的具体方案,而非用于限制该多模型预测装置的全部功能或全部工作方式。同样地,该多模型预测装置也只是本发明提供的一种非限制性的实施方式,不对这些多模型预测方法中各步骤的实施主体构成限制。
首先请参考图1,图1示出了根据本发明的一些实施例提供的乙烯裂解炉热效率的多模型预测方法的流程示意图。
如图1所示,在本发明的一些实施例中,乙烯裂解炉热效率的多模型预测方法可以分为离线建模和在线预测两个阶段来实施。对应地,本发明提供的上述多模型预测装置也可以分为离线建模和在线预测的两个模块。在一些实施例中,该离线建模模块和在线预测模块可以集成于同一设备。可选地,在另一些实施例中,该离线建模模块和在线预测模块也可以分布于两个以上设备,并由这些设备相互配合地实施本发明的第一方面提供的上述乙烯裂解炉热效率的多模型预测方法。
具体来说,在离线建模阶段,本发明提供的上述多模型预测装置可以首先获取乙烯裂解炉的多组历史生产过程数据,以构建乙烯裂解炉的数据样本集。在此,一组历史生产过程数据中可以包含总进料量、底部燃料气流量、侧壁燃料气流量等进料量数据,以及排烟温度、氧含量、预热空气温度、实际热效率等热相关数据。一组历史生产过程数据通常是指在某个时间点对所选取的各个监控变量进行采集得到的数据。当数据集以矩阵的形式呈现时,矩阵中的一行数据(行向量)通常表示一组乙烯裂解炉生产过程数据,矩阵中的各列数据(列向量)通常分别对应于不同的变量,生产过程数据包含的变量的个数(列数)即为数据的维度。此外,为了保证样本的完整性和有效性,样本的数量不宜太少,工况分类之前的历史生产过程数据通常不少于10000组,而进行分类后每一个工况类别的历史生产过程数据通常不少于200组。这些样本数据可以按照7:3的比例进行随机划分,其中70%用于热效率模型的训练,而30%用于热效率模型的预测和测试。
进一步地,在一些实施例中,多模型预测装置可以优选地对获取的历史生产过程数据进行工况监测、稳态监测、数据清洗等预处理操作,以提升热效率预测模型的训练效率和预测精度。
例如,在预处理的操作过程中,多模型预测装置可以对采集的原始数据进行工况监测,排除故障工况、异常工况的样本数据,而只保留无故障发生的正常工况下的历史生产过程数据。
又例如,多模型预测装置还可以采用以下公式(1),对获取的样本数据进行稳态监测:
其中,t表示开始时间,M表示滑动窗口的宽度,vτ表示τ时刻变量的值,表示在t到t+M-1时刻变量的平均值,σ是变量稳态监测之后的结果值,σi表示临界阈值。在此,该临界阈值σi可以被确定为第i个变量的操作范围的2%。
如果窗口中的数据满足等式,则多模型预测装置将记录对应的时间跨度。否则,窗口将向后移动一个数据,并继续检查窗口中的数据,直到所有数据稳态监测完毕。
之后,多模型预测装置可以对通过稳态监测的数据进行平均值计算。如果在稳态范围内某一点的变量值与其平均值之间的差值de大于20%,则该变量值将被视为非稳态分布的异常值,需对其进行数据清理。在此,差值de可以通过如下等式(2)来计算:
数据预处理之后的一组历史生产过程数据中可以包括6个变量,分别是总进料量、底部燃料气流量、侧壁燃料气流量、排烟温度、氧含量、预热空气温度,记为:
X={x1,x2,...,xn},xi∈RD
其中,n表示样本个数(本实施例中n=11367),D表示输入样本维度(D=6),即总进料量、底部燃料气流量、侧壁燃料气流量、排烟温度、氧含量、预热空气温度。
如图1所示,在完成历史生产过程数据的预处理操作之后,多模型预测装置可以结合k-means等聚类分析模型和乙烯裂解炉的工艺特性,将各组历史生产过程数据的热效率分为“高”、“较高”、“中等”、“较低”、“低”五种评级(对应1~5的等级评分),并将计算出热效率等级η的数据按照进料量进行工况分类,以设计多种分类方案。
具体来说,对历史生产过程数据进行热效率等级评定的过程,主要包含以下三步:
第一步,从多组历史生产过程数据中分别提取“排烟温度”、“燃料气与进料量的比值”等与热效率高度相关,且均为负相关关系的热相关数据。在此,燃料气与进料量的比值n,可以根据底部燃料气流量为Qb、侧壁燃料气流量Qs,以及总进料量为Qm来计算:
第二步,对第一步提取的数据进行k-means聚类分析。在此,k-means聚类分析模型的输入值为排烟温度、燃料气与进料量的比值,其聚类分析的步骤与相关定义如下:
A.首先随机生成五个聚类中心点;
B.根据聚类中心点可以将数据分为五类。分类的原则是数据离哪一个中心点近就分入哪一类中,距离的定义采用曼哈顿距离:
C.根据分好的类别的数据,重新计算聚类中心;
D.重复第B、第C步,直到聚类中心不再变化。
第三步,根据第二步得到的五个聚类中心对热效率进行评级,将所有历史生产过程数据分为五组数据簇,分别对应着热效率“低”、“较低”、“中等”、“较高”、“高”的五种热效率等级,并用标签η=1~5来表示。
具体来说,由于燃料气与进料量的比值n、排烟温度都与热效率高度相关,本发明可以通过k-means聚类算法来确定各热效率等级的中心位置,其算法输入为:
其中,num表示聚类算法的样本个数(本实施例中num=11367),Dk表示输入样本维度(D=2),即燃料气与进料量的比值n、排烟温度这两个量。
之后,本发明可以设置聚类中心数量为5,算法输出五个类别的聚类中心,按照燃料气与进料量的比值n由小到大排列如下:(n1,tg1)、(n2,tg2)、(n3,tg3)、(n4,tg4)、(n5,tg5)。
由于燃料气与进料量的比值、排烟温度都与热效率成反比,而燃料气与进料量的比值、排烟温度的数据变化趋势基本一致,因此当n1<n2<n3<n4<n5时,恰好有tg1<tg2<tg3<tg4<tg5。
该推论不仅仅符合现实逻辑,在仿真时经过多次验证也能证明。
基于上述理论可知,以(n1,tg1)、(n2,tg2)、(n3,tg3)、(n4,tg4)、(n5,tg5)为聚类中心的五类数据簇分别对应着热效率“高”、“较高”、“中等”、“较低”、“低”五个等级,并用5、4、3、2、1五个标签值来对应上述5个热效率等级。
完成热效率评级后的数据样本可更新为:
X′=(x′1,x′2,...,x′num},x′i∈RD′
其中,num表示样本个数(本实施例中num=11367),D表示输入样本维度(本实施例中D=6),即进料量、燃料气与总进料量的比、排烟温度、氧含量、预热空气温度、热效率。
此外,为对多组历史生产过程数据进行工况范围分类设计多种分类方案的过程,主要包含以下三步:
第一步,从多组历史生产过程数据中分别提取总进料量(单位:吨)等进料量数据,以确定该多组历史生产过程数据涉及的总范围[a,b]。进一步地,为了简化计算,多模型预测装置还可以根据所述多组历史生产过程数据中的最小进料量a向下取整,以确定范围下限a0吨,根据最大进料量b向上取整,以确定范围上限b0吨,从而得到进料量的整数范围[a0,b0]。
第二步,以进料量为分类基准,以预设步进量Δ的正整数倍i为跨度,构建一种分类方案的多种工况范围,并遍历工况范围个数大于等于3的所有正整数倍数i,以得到总范围[a,b]的i种分类方案。
具体来说,在一些实施例中,多模型预测装置可以预设步进量Δ=1吨。如此,在第一种分类方案中每一类进料量范围为1吨,可分为[a0,a0+1)、[a0+1,a0+2)、...、[a0+n1,b0)共n1种工况;在第二种分类方案中,每一类进料量范围为2吨,可分为[a0,a0+2)、[a0+2,a0+4)、...、[a0+n2,b0)这n2种工况;以此类推,直到分类方案产生的工况数不足三种为止。
第三步,查看所有分类方案中是否存在需要合并的工况。假设一共获取到S组历史数据,若某一类工况中的数据数量小于0.01*S组,则多模型预测装置可以将其并入相邻工况中数据量小的一类,以降低预测模型的复杂度及数据处理负荷。
具体来说,以石脑油进料量为[36,45]的整数范围为例,第1种分类方案中每一类工况中进料量范围为1吨,分别为[36,37)、[37,38)、[38,39)、[39,40)、[40,41)、[41,42)、[42,43)、[43,44)、[44,45]9种工况;
第2种分类方案中每一类工况中进料量范围为2吨,分别为[36,38)、[38,40)、[40,42)、[42,44)、[44,45]5种工况,其中最后一种工况因为跨度不满2吨而设置为1吨,之后发生类似情况将不再赘述;
第3种分类方案中每一类工况进料量范围为3吨,可分为[36,39)、[39,42)、[42,45]3种工况;
第4种分类方案中每一类工况进料量范围为4吨,可分为[36,40)、[40,44)、[44,45]3种工况;
当每一类工况的进料量范围为4吨时,无法产生至少3种工况,因此没有第5种分类方案。如此,本发明即可以进料量为标准,设计获得对多组历史生产过程数据进行工况范围分类的四种分类方案。
之后,如图1所示,多模型预测装置可以采用预先确定的多个预测模型分别计算各历史热相关数据关于每一分类方案中各对应工况范围的热效率预测值,再根据各历史热相关数据对应的热效率实际值及热效率预测值,计算各分类方案的总均方误差,以确定其中总均方误差最小的最优分类方案。
具体来说,确定最优分类方案的过程,主要包含以下三步:
第一步,建立热效率预测模型。在计算管式裂解炉的热效率时,常采用反平衡法进行计算:
η=1-q1-q2-q3 (5)
其中,q1表示排烟损失热量,q2表示不完全燃烧损失热量,q3表示表面散热损失热量。在此,该排烟损失热量q1、不完全燃烧损失热量q2与氧含量O2、排烟温度tg正相关,并与预热空气温度ta负相关。表面散热损失热量q3根据被测炉子日常积累的测试数据及操作负荷选取适当的数值k即可。
之后,本发明可以结合上述热效率评价系统与乙烯裂解炉生产工艺的相关知识,建立乙烯裂解炉热效率预测模型:
η=5-α1*O2-α2*tg+α3*ta-k (6)
其中,O2表示氧含量,tg表示排烟温度,ta表示预热空气温度,α1为第一模型系数,α2为第二模型系数,α3为第三模型系数,k为模型校正系数,反映乙烯裂解炉的表面散热损失热量q3。
第二步,在第一步得到的热效率预测模型的基础上,对公式(6)进行移项,以计算模型系数:
-α1*O2-α2*tg+α3*ta-k=η-5 (7)
其中,O2、tg、tα均可通过乙烯裂解炉的生产过程数据处理得到,η可经由上述聚类分析的步骤计算确定,α1、α2、α3、k为模型系数。因此,公式(7)可以写成矩阵形式:
之后,多模型预测装置可以结合各工况范围的历史生产过程数据对应的热效率等级η,通过最小二乘法求解该超定线性方程组,分别求解预测模型的模型系数α1、α2、α3、k的值。
第三步,计算每一个分类方案的总均方误差。为了评价不同分类方案的优劣,需要用第二步建立的热效率模型进行预测,并计算每种分类方案中各预测模型的总均方误差RMSE,并以总均方误差RMSE最小的分类方案为最优分类方案。该总均方误差的计算公式如下:
其中,N为预测的总样本数,yob为热效率真实值,ypre为热效率预测值。
请参考表1,表1示出了根据本发明的一些实施例提供的分类方案及对应的热效率预测模型。
表1分类方案以及模型
多模型预测装置可以根据上述公式(6),对表1所示的四种分类方案中一共20种工况分别建立热效率预测模型,观察预测结果,并采用公式(9)分别计算每一种分类方案的总均方误差RMSE。
本实施例计算出四种分类方案的总均方误差RMSE如表2所示:
表2分类方案的总均方误差
分类方案 | 1 | 2 | 3 | 4 |
总均方误差 | 0.0032 | 0.0030 | 0.0029 | 0.0031 |
由表2可知,分类方案3的总均方误差最小,为最优分类方案。最优方案的分类预测结果如图2、图3、图4所示。图2、图3、图4分别对应着模型3.1、模型3.2、模型3.3的热效率预测结果。图形的横坐标为数据样本,纵坐标为热效率,其中的实线部分代表预测值,而虚线部分代表着真实值。由图2、图3、图4可以看出红线和蓝线高度重合,证明了所建立模型的准确性高。因此,在本实施例中,多模型预测装置可以采用[36,39)、[39,42)、[42,45]工况分类方案,其对应的热效率预测模型为模型3.1、3.2、3.3。
之后,多模型预测装置可以将该[36,39)、[39,42)、[42,45]的最优分类方案划分的多种工况范围,以及及其对应的预测模型3.1、3.2、3.3存入多模型数据库,以供在线预测阶段调用。
请继续参考图1,在本发明提供的上述多模型预测方法的在线预测阶段,多模型预测装置可以在线获取乙烯裂解炉的生产过程数据。在此,该生产过程数据中可以包含总进料量、底部燃料气流量、侧壁燃料气流量等进料量数据,以及排烟温度、氧含量、预热空气温度等热相关数据。一组生产过程数据通常是在某个时间点对所选取的各个监控变量进行采集得到的数据。当数据集以矩阵的形式呈现时,矩阵中的一行数据(行向量)通常表示一组乙烯裂解炉生产过程数据,矩阵中的各列数据(列向量)通常分别对应于不同的变量,生产过程数据包含的变量的个数(列数)即为数据的维度。
进一步地,在一些实施例中,多模型预测装置可以优选地对获取的生产过程数据进行工况监测、稳态监测、数据清洗等预处理操作,以提升热效率预测模型的训练效率和预测精度。该预处理操作的原理与上述离线建模阶段类似,在此不做赘述。
之后,针对上述以进料量为标准设计的工况范围分类方案,多模型预测装置可以将该生产过程数据中的总进料量,与多模型数据库中的多种预测模型适配的工况范围进行匹配。若该总进料量与多模型数据库中的任意一个或多个所述预测模型适配的工况范围匹配成功,则多模型预测装置可以调用对应的一个或多个预测模型,根据该生产过程数据中的排烟温度、氧含量、预热空气温度等热相关数据,预测该乙烯裂解炉在对应工况范围的热效率。
反之,若该进料量数据与多模型数据库中的各预测模型适配的工况范围都匹配失败,则多模型预测装置可以进行报错,并将该生产过程数据存入临时数据库。之后,多模型预测装置还可以实时监测临时数据库中的数据量是否达到预设的数据量阈值a。响应于临时数据库中的数据量达到数据量阈值a的监测结果,多模型预测装置可以再次执行上述离线建模阶段的步骤,将临时数据库中存储的数据作为历史生产过程数据,以重新确定多种预测模型及其适配的工况范围,并将其更新到多模型数据库,以供在线预测使用。
具体来说,针对上述总范围为[36,45]的实施例,若实时采集的进料量为38吨(在[36,45]的范围内),则多模型预测装置可以匹配相应的工况,并调用相应的热效率预测模型3.1来预测乙烯裂解炉的热效率。反之,若实时采集的进料量为20吨(不在[36,45]的范围内),则多模型预测装置可以判定进料量超出多模型数据库的总范围,并将该组数据全部存入临时数据库中。
之后,多模型预测装置还可以实时监测临时数据库中的数据量。当临时数据库中的数据量达到预设的数据量阈值(0.1*S)时,多模型预测装置可以判定当前的热效率预测模型已经无法满足实际的预测需求,从而再次执行上述离线建模阶段的步骤,对该0.1*S组数据进行离线建模,得到新工况对应的热效率预测模型,并将其更新到多模型数据库中。
如此,通过采用聚类分析的方式自适应地确定多个热效率等级,结合各分类方案的总均方误差RMSE自适应地确定各工况的分类方案,再结合热效率评价系统与乙烯裂解炉生产工艺的相关知识,分别建立对应各工况范围的多个热效率预测模型,本发明可以快速、精确地预测乙烯裂解炉的热效率,并为后续的燃烧优化打下基础。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
尽管上述的实施例所述的乙烯裂解炉热效率的多模型预测装置,可以通过软件与硬件的组合来实现。但是可以理解,该多模型预测装置也可以单独在软件或硬件中加以实施。对于硬件实施而言,该多模型预测装置可在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言,该多模型预测装置可通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施,其中每一个模块执行一个或多个本文中描述的功能和操作。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (12)
1.一种乙烯裂解炉热效率的多模型预测方法,其特征在于,包括以下步骤:
获取乙烯裂解炉的生产过程数据,其中,所述生产过程数据包括进料量数据及热相关数据;
将所述进料量数据与多模型数据库中的多种预测模型适配的工况范围进行匹配,其中,所述多种预测模型及其适配的工况范围是根据所述乙烯裂解炉的历史生产过程数据训练确定;以及
响应于所述进料量数据与任意一个或多个所述预测模型适配的工况范围匹配成功,调用对应的一个或多个所述预测模型,根据所述热相关数据预测所述乙烯裂解炉在对应工况范围的热效率。
2.如权利要求1所述的多模型预测方法,其特征在于,确定所述多模型数据库中的所述多种预测模型及其适配的工况范围的步骤包括:
获取所述乙烯裂解炉的多组历史生产过程数据,其中,所述历史生产过程数据包括进料量数据及热相关数据;
以进料量为标准,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案;
基于预先聚类分析确定的多个热效率等级,采用预先确定的多个预测模型分别计算各所述历史热相关数据关于每一所述分类方案中各对应工况范围的热效率预测值;
根据各所述历史热相关数据对应的热效率实际值及所述热效率预测值,计算各所述分类方案的总均方误差,并确定其中总均方误差最小的最优分类方案;以及
将所述最优分类方案划分的多种工况范围及其对应的预测模型存入所述多模型数据库。
3.如权利要求2所述的多模型预测方法,其特征在于,在根据所述历史进料量数据,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案之前,所述多模型预测方法还包括以下步骤:
对获取的所述多组历史生产过程数据进行预处理,以筛除其中异常工况和/或非稳态分布的异常值。
4.如权利要求2所述的多模型预测方法,其特征在于,所述以进料量为标准,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案的步骤包括:
从所述多组历史生产过程数据中分别提取所述进料量数据,以确定所述多组历史生产过程数据涉及的总范围[a,b];
根据所述多组历史生产过程数据中的最小进料量a确定范围下限,根据最大进料量b确定范围上限,并以预设步进量Δ的正整数倍i为跨度,构建一种分类方案的多种工况范围;以及
遍历工况范围个数大于等于3的所有正整数倍数i,以得到总范围[a,b]的i种分类方案。
5.如权利要求4所述的多模型预测方法,其特征在于,所述根据所述多组历史生产过程数据中的最小进料量a确定范围下限,根据最大进料量b确定范围上限,并以预设步进量Δ的正整数倍i为跨度,构建一种分类方案的多种工况范围的步骤包括:
对所述最小进料量a吨向下取整,以确定范围下限a0吨;
对所述最大进料量b吨向上取整,以确定范围上限b0吨;以及
以整数Δ吨的正整数倍i为跨度,构建一种分类方案的n种工况范围[a0,a0+Δ)、[a0+Δ,a0+2Δ)、...、[a0+nΔ,b0)。
6.如权利要求4所述的多模型预测方法,其特征在于,所述以进料量为标准,设计对所述多组历史生产过程数据进行工况范围分类的多种分类方案的步骤还包括:
确定每一所述工况范围中包含的数据量;以及
响应于任一所述工况范围中包含的数据量小于预设的数量阈值,将所述工况范围并入数据量较小的相邻工况范围。
7.如权利要求2所述的多模型预测方法,其特征在于,所述热相关数据包括排烟温度和/或燃料气流量与进料量的比值,聚类分析确定所述多个热效率等级的步骤包括:
从所述多组历史生产过程数据中分别提取所述排烟温度和/或所述燃料气流量与进料量的比值;
构建聚类分析模型,并随机生成多个聚类中心点;
将各组所述历史生产过程数据中的所述排烟温度和/或所述比值输入所述聚类分析模型,根据各组所述排烟温度和/或所述比值到各所述聚类中心点的距离,将所述多组历史生产过程数据分为多个类别,其中,每一所述类别对应一个热效率等级;
根据分完类别的所述多组历史生产过程数据,重复生成聚类中心点及数据分类的操作,直到所述聚类中心点不再变化;以及
根据最终确定的多个聚类中心点,确定所述多个热效率等级。
8.如权利要求7所述的多模型预测方法,其特征在于,确定所述多个预测模型的步骤包括:
根据所述乙烯裂解炉的运行特性,采用反平衡法建立初始化的热效率预测模型
η=5-α1*O2-α2*tg+α3*ta-k
其中,O2表示氧含量,tg表示排烟温度,ta表示预热空气温度,α1、α2、α3表示模型系数,k表示模型校正系数,反映乙烯裂解炉的表面散热损失热量;以及
根据各所述工况范围的历史生产过程数据对应的热效率等级η,分别求解所述模型系数α1、α2、α3及所述模型校正系数k的值,以确定对应各所述工况范围的多个预测模型。
10.如权利要求2所述的多模型预测方法,其特征在于,还包括以下步骤:
响应于所述进料量数据与各所述预测模型适配的工况范围都匹配失败,将所述生产过程数据存入临时数据库,并判断所述临时数据库中的数据量是否达到预设的数据量阈值;以及
响应于所述临时数据库中的数据量达到所述数据量阈值,将所述临时数据库中存储的数据作为所述历史生产过程数据,重新确定多种预测模型及其适配的工况范围,并将其更新到所述多模型数据库。
11.一种乙烯裂解炉热效率的多模型预测装置,其特征在于,包括:
存储器;以及
处理器,所述处理器连接所述存储器,并被配置用于实施如权利要求1~10中任一项所述的乙烯裂解炉热效率的多模型预测方法。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时,实施如权利要求1~10中任一项所述的乙烯裂解炉热效率的多模型预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673265.2A CN115034310A (zh) | 2022-06-14 | 2022-06-14 | 乙烯裂解炉热效率的多模型预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673265.2A CN115034310A (zh) | 2022-06-14 | 2022-06-14 | 乙烯裂解炉热效率的多模型预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034310A true CN115034310A (zh) | 2022-09-09 |
Family
ID=83125300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210673265.2A Pending CN115034310A (zh) | 2022-06-14 | 2022-06-14 | 乙烯裂解炉热效率的多模型预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034310A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828650A (zh) * | 2023-02-24 | 2023-03-21 | 广东仁懋电子有限公司 | 一种用于实现氮化镓的电路高频封装方法及系统 |
-
2022
- 2022-06-14 CN CN202210673265.2A patent/CN115034310A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828650A (zh) * | 2023-02-24 | 2023-03-21 | 广东仁懋电子有限公司 | 一种用于实现氮化镓的电路高频封装方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
CN112489733B (zh) | 基于粒子群算法和神经网络的辛烷值损失预测方法 | |
Chen et al. | Aero-engine remaining useful life prediction method with self-adaptive multimodal data fusion and cluster-ensemble transfer regression | |
Xu et al. | Hybrid feature selection for wafer acceptance test parameters in semiconductor manufacturing | |
CN109978048A (zh) | 一种脱硫塔浆液循环泵故障分析与诊断方法 | |
CN108776831A (zh) | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 | |
CN109740301A (zh) | 一种基于bp神经网络的燃气机组碳排放量的核算方法 | |
CN115034310A (zh) | 乙烯裂解炉热效率的多模型预测方法及装置 | |
CN113919235A (zh) | 基于lstm演化聚类的移动源污染异常排放检测方法及介质 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
Yuan et al. | A comparative study of adaptive soft sensors for quality prediction in an industrial refining hydrocracking process | |
CN112231971A (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
CN112085064A (zh) | 基于支持向量机多分类概率输出的变压器故障诊断方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN117809774A (zh) | 氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法 | |
CN114118730A (zh) | 一种电力企业业务流程的合规检测方法 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
CN113408187A (zh) | 基于随机森林的降低汽油辛烷值损失的优化方法 | |
CN113656294A (zh) | 一种软件缺陷预测方法 | |
CN112420132A (zh) | 一种汽油催化裂化过程产品质量优化控制方法 | |
CN117467464A (zh) | 催化再生烟气二氧化硫排放浓度预测方法、装置及设备 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及系统 | |
CN117457102A (zh) | 一种基于数据驱动的换热设备铵盐结晶风险预测方法 | |
CN117910885B (zh) | 一种综合能源服务的综合评价方法及系统 | |
CN118568514A (zh) | 基于迁移学习的中小跨径桥梁监测预警评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |