CN115268277B - 一种催化裂化动力学参数自动更新校正方法及装置 - Google Patents
一种催化裂化动力学参数自动更新校正方法及装置 Download PDFInfo
- Publication number
- CN115268277B CN115268277B CN202211194760.1A CN202211194760A CN115268277B CN 115268277 B CN115268277 B CN 115268277B CN 202211194760 A CN202211194760 A CN 202211194760A CN 115268277 B CN115268277 B CN 115268277B
- Authority
- CN
- China
- Prior art keywords
- parameters
- working condition
- catalytic cracking
- optimization
- dynamic
- 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.)
- Active
Links
- 238000004523 catalytic cracking Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 22
- 238000004989 laser desorption mass spectroscopy Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 150000001336 alkenes Chemical class 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 239000002283 diesel fuel Substances 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 5
- 239000000571 coke Substances 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 239000002002 slurry Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000005804 alkylation reaction Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 238000009833 condensation Methods 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 238000005984 hydrogenation reaction Methods 0.000 claims description 3
- 238000006317 isomerization reaction Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000007363 ring formation reaction Methods 0.000 claims description 3
- 238000007142 ring opening reaction Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000183024 Populus tremula Species 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本申请公开了一种催化裂化动力学参数自动更新校正方法及装置，包括获取催化裂化工业装置的LIMS数据和DCS数据，以从历史工况数据库中选择要对标的工况；设置优化参数，包括设置催化裂化分子级机理模型的动力学参数的初始值及上下限、对动力学参数分组、设置优化目标函数及优化目标的权重、设置优化算法及其在每组动力学参数优化中的误差限及迭代步数；根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，获得对应的目标动力学参数值；在优化其中一组参数时，另外分组的参数保持不变。本申请能够实现任意工况的动力学参数自动更新校正，提高计算速度、收敛性及模型的外延性，避免过拟合，可灵活应对催化裂化装置原料多变的情况。
Description
技术领域
本申请涉及石油化工生产过程控制与优化技术领域，尤其涉及一种催化裂化动力学参数自动更新校正方法及装置。
背景技术
催化裂化是重质油轻质化的重要手段，是炼厂生产汽、柴油的核心装置，也是炼厂的主要效益来源。动力学参数校正是催化裂化分子级机理模型不可避免的重要环节，动力学参数对模拟结果有着重要影响，模型参数的取值是否合理直接影响模拟精度，特别是后续实时优化所需代理模型的精度，因此动力学参数校正是模型应用的关键环节之一。
近年来，基于结构导向集总的分子级机理模型由于其具有较好的外延性和预测能力而备受青睐。但是，不可否认的是，这些数学模型往往包含微分方程组，具有很高的非线性，而且模型动力学参数之间高度耦合，使得模型动力学参数的求解极为困难，将模型的所有参数一次进行优化求解往往计算效率低，难以获得较优解。此外，当前较为成熟的催化裂化过程模拟软件（如Aspen HYSYS、Petro-sim）对模型参数的校正均是采用单一工况，这使得优化得到的模型的普适性大打折扣，同时也降低软件使用的灵活性。由于原油重质化、劣质化不断加剧，最终进入催化裂化装置的原料变化也比较大，这对机理模型的适应性提出了挑战，因此动力学参数自动更新也是提高模型精度、适应性以及未来模型智能化的重要手段。
然而，针对目前的催化裂化动力学参数更新方法，其存在的不足主要包括如下几方面：1）机理模型非线性程度高，动力学参数耦合强度高，全部参数同时优化求解计算速度慢，收敛性差。2）当前成熟的催化裂化软件仅支持单一工况进行参数校正，灵活性较低。3）难以适应催化裂化多变的进料情况。
发明内容
本申请的目的在于提供一种催化裂化动力学参数自动更新校正方法及装置，至少解决了现有的动力学参数更新校正策略中存在的计算慢、收敛性差、灵活度较低以及难以适用于多种场景的技术问题之一。
为实现上述目的，本申请提供一种催化裂化动力学参数自动更新校正方法，包括：
获取催化裂化工业装置的LIMS数据和DCS数据，根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况；
设置优化参数，包括设置催化裂化分子级机理模型的动力学参数的初始值及上下限、对动力学参数分组、设置优化目标函数及优化目标的权重、设置优化算法以及设置优化算法在每组动力学参数优化中的误差限及迭代步数；
根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，获得对应的目标动力学参数值；在优化其中一组参数时，另外分组的参数保持不变。
进一步地，所述根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况，包括：
以催化裂化装置最新状态为参考态
x 0 ，计算历史工况库中每个工况
x i 与
x 0 的相似度
d i ；
以
d i 对工况库中的工况进行排序，对排序后的工况依次划分为2
K+1个工况群，其中
K为要选择的工况数目；
在第偶数个工况群中选
d i 最大值所对应的工况，如果工况群中所选的
d i 对应多个工况时，则取时间戳离
x 0 最近的工况，作为要对标的工况。
进一步地，所述计算历史工况库中每个工况
x i 与
x 0 的相似度
d i ，可采用余弦距离、欧式距离、马氏距离或切比雪夫距离中的任意一种相似度度量方式来计算。
进一步地，所述对动力学参数分组，包括：
若要调节液化气、汽油或柴油的收率，则将裂化、开环、断侧链及烷基化反应对应的参数作为一组进行优化；
若要调节油浆和焦炭的收率，则将氢转移、缩合、烯烃叠合、烯烃环化反应对应的参数作为一组进优化；
若要调节汽油组成含量，则将异构化、加氢反应对应的参数作为一组进行优化。
进一步地，所述优化目标函数包括误差平方和最小或绝对相对误差最小两种形式。
进一步地，当采用误差平方和最小确定优化目标函数时，表达式为：
当采用绝对相对误差最小确定优化目标函数时，表达式为：
其中，、均表示优化目标函数，
K、
N分别表示选择的工况数和要对标的性质数量；
y表示要对标的性质；
w为对标性质的权重；上标
exp表示实际生产数据，上标
cal表示模型计算数据，
i、
j分别表示所选择的第
i个工况和所要对标的性质中的第
j个性质。
进一步地，所述优化算法包括单纯形法、序贯二次规划法或遗传算法。
本申请还提供一种催化裂化动力学参数自动更新校正装置，包括：
工况对标单元，用于获取催化裂化工业装置的LIMS数据和DCS数据，根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况；
优化参数设置单元，用于设置优化参数，包括设置催化裂化分子级机理模型的动力学参数的初始值及上下限、对动力学参数分组、设置优化目标函数及优化目标的权重、设置优化算法以及设置优化算法在每组动力学参数优化中的误差限及迭代步数；
参数分组优化单元，用于根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，获得对应的目标动力学参数值；在优化其中一组参数时，另外分组的参数保持不变。
本申请还提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的催化裂化动力学参数自动更新校正方法。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的催化裂化动力学参数自动更新校正方法。
相对于现有技术，本申请的有益效果在于：
1）对多个动力学参数进行分组优化，提高计算速度和收敛性；
2）可实现任意工况的动力学参数校正，避免过拟合，进一步提高模型的外延性；
3）本发明可实现动力学参数自动更新校正，能够灵活应对催化裂化装置原料多变的情况，保证适应最新的生产需求。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请某一实施例提供的催化裂化动力学参数自动更新校正方法的流程示意图；
图2是图1中步骤S10的子步骤的流程示意图；
图3是本申请某一实施例提供的催化裂化动力学参数自动更新校正装置的结构示意图；
图4是本申请某一实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本申请某一实施例提供一种催化裂化动力学参数自动更新校正方法。如图1所示，该催化裂化动力学参数自动更新校正方法包括步骤S10至步骤S30。各步骤具体如下：
S10、获取催化裂化工业装置的LIMS数据和DCS数据，根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况。
本步骤中，自动读取催化裂化工业装置当前最新的进料宏观性质数据，即LIMS数据和装置的生产操作数据，即DCS数据，然后根据读取的LIMS和DCS数据从历史工况数据库中自动选择要对标的工况。
在一个实施例中，根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况又包括子步骤S101-S103，如图2所示。具体地，各步骤内容如下：
S101、以催化裂化装置最新状态为参考态
x 0 ，计算历史工况库中每个工况
x i 与
x 0 的相似度
d i ；
S102、以
d i 对工况库中的工况进行排序，对排序后的工况依次划分为2
K+1个工况群，其中
K为要选择的工况数目；
S103、在第偶数个工况群中选
d i 最大值所对应的工况，如果工况群中所选的
d i 对应多个工况时，则取时间戳离
x 0 最近的工况，作为要对标的工况。
在一个具体地实施方式中，计算历史工况库中每个工况
x i 与
x 0 的相似度
d i ，可采用余弦距离、欧式距离、马氏距离或切比雪夫距离中的任意一种相似度度量方式来计算。例如，本实施例中若采用余弦距离计算相似度
d i ，其计算公式为：
计算每个工况
x i 与
x 0 的余弦距离：
其中，
x i 为历史工况向量；
x 0 为装置最新状态向量。
S20、设置优化参数，包括设置催化裂化分子级机理模型的动力学参数的初始值及上下限、对动力学参数分组、设置优化目标函数及优化目标的权重、设置优化算法以及设置优化算法在每组动力学参数优化中的误差限及迭代步数。
本步骤中，催化裂化分子级机理模型的动力学参数的初始值及上下限、优化目标的权重、优化算法在每组动力学参数优化中的误差限及迭代步数均可根据实际需要进行设定。
在一个示例性的实施方式中，对动力学参数分组，可以包括如下内容：
若要调节液化气、汽油或柴油的收率，则将裂化、开环、断侧链及烷基化反应对应的参数作为一组进行优化；
若要调节油浆和焦炭的收率，则将氢转移、缩合、烯烃叠合、烯烃环化反应对应的参数作为一组进优化；
若要调节汽油组成含量，则将异构化、加氢反应对应的参数作为一组进行优化。
可以理解的是，本实施例中，动力学参数分组可以根据实际情况决定分多少组以及每组包含多少个动力学参数。需要强调的是，此处列举的参数分组情况只是一种优选的实施方式，在实际应用中还可以包括其他多种分组方式，在此不作任何限制。
在一个示例性的实施方式中，优化目标函数包括误差平方和最小或绝对相对误差最小两种形式。具体地，
当采用误差平方和最小确定优化目标函数时，表达式为：
当采用绝对相对误差最小确定优化目标函数时，表达式为：
其中，、均表示优化目标函数，
K、
N分别表示选择的工况数和要对标的性质数量；
y表示要对标的性质；
w为对标性质的权重；上标
exp表示实际生产数据，上标
cal表示模型计算数据，
i、
j分别表示所选择的第
i个工况和所要对标的性质中的第
j个性质。
在一个示例性的实施方式中，优化算法可以采用单纯形法、序贯二次规划法或遗传算法中的任意一种，具体可根据实际需要来选择。
S30、根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，获得对应的目标动力学参数值；在优化其中一组参数时，另外分组的参数保持不变。
本步骤中，根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，从而获得对应的目标动力学参数值；当优化某一组动力参数时，其余分组中的动力学参数保持不变，即采用一次只优化一组参数的方式来进行分组优化。最后，把校正所得的参数自动添加到动力学参数集中，供催化裂化分子级机理模型使用。
综上所述，本申请实施例提供的方法，通过对多个动力学参数进行分组优化，可提高计算速度和收敛性；同时可实现任意工况的动力学参数校正，避免过拟合，进一步提高模型的外延性；此外，本方法还可以实现动力学参数自动更新校正，能够灵活应对催化裂化装置原料多变的情况，保证适应最新的生产需求。
为了帮助理解，在一个具体地实施例中，代入具体数值对于本申请的催化裂化动力学参数自动更新校正方法进行详细阐述：
（1）读取装置最新状态。读取DCS系统最新一次记录的生产工艺参数以及LIMS系统记录的进口原料和装置出口产品的性质检测数据，将DCS系统和LIMS系统的原始数据进行整理、合并成一条工况数据，某石化的某一时刻下的一条数据（以下简称
x 0 ）见表1。
表1 某石化催化裂化装置某一时刻下DCS和LIMS数据
（2）工况选择。根据读取的装置最新状态
x 0 ，在建好的历史数据库中的628个工况自动匹配选择
K个工况（此处
K为2）用于后面的动力学参数校正。工况自动选择的具体步骤如下：
（a）以获取的装置最新状态
x 0 为参考态。
（b）计算历史工况数据库每个工况
x i 与
x 0 的相似度
d i ，相似度可以选择余弦距离、欧式距离、马氏距离或切比雪夫距离中的其中一种来度量，此处选择余弦距离（余弦距离越小，相似度越大），其计算公式如下：
计算得到628个工况的
d i 见表2。
（c）以计算得到的
d i 对工况库中的工况进行升序排序，结果见表2。
（d）对排序后的工况依次划分为2
K+1（即5）个工况群，结果见表2。
（e）在第偶数个工况群（即第2和第4个工况群）中选
d i 最小所对应的工况，如果工况群中最大的
d i 对应多个工况时，则取时间戳离
x 0 最近的工况。
（f）由步骤（e）在第2和第4工况群分别选出第203和第556这两个工况作为后续参数自动校正的对标工况，结果见表2。
表2以628个工况相对于参考工况的余弦距离排序后划分工况群的结果
（3）设置催化裂化分子级机理模型动力学参数的初值及其上下限。结果见表3：
表3 催化裂化动力学参数序号、初值、上下限及优化值
（4）对拟优化的动力学参数进行分组。这里的参数分组可以根据实际情况分多少组以及每组包含多少个参数，本实施例子总共分3组，第1组优化的参数包括（动力学参数以序号代替）：1、5、8、14、16、25、28；第2组优化的参数包括：12、21、22、23、26、27；第3组优化的参数包括：1、5、8、12、14、16、21、22、23、25、26、27、28。
（5）确定优化目标函数及优化目标的权重设置。此处的目标函数有两种形式可选，分别为误差平方和最小及绝对相对误差最小两种模式。本实施例子选择误差平方和最小，具体数学表达如下：
其中，
K、
N分别表示选择的工况数和要对标的性质数量；
y表示要对标的性质，如产品收率和汽油PONA等，其具体由催化裂化分子级机理模型可计算的性质列表和实际生产所测定的性质列表决定，本实施例子包含干气收率、液化气收率、汽油收率、柴油收率、油浆收率、焦炭收率、汽油烷烃含量、汽油烯烃含量和汽油芳烃含量共9项；
w为对标性质的权重，根据实际情况设定，本实施例子均设定为1。
（6）选择优化算法。此处的优化算法可以是单纯形法、序贯二次规划法、遗传算法等算法中的一种，本实施例优选为单纯形法。
（7）优化算法设置。根据第（4）步的动力学参数分组以及第（6）步选择的优化算法，设置优化算法在每组动力学参数优化中的误差限及迭代步数，本实施例子对3组参数的优化算法的函数容差限和变量容差限均设为1.0e-4，每组参数优化的最大迭代步数分别为150、150、100步。
（8）根据动力学参数的分组以及每组的算法设置，利用优化算法逐一对每组参数进行优化获取对应的目标动力学参数。当优化某一组动力参数时，其余待优化组中的动力学参数保持不变；当一组动力学参数校正完毕时，会自动更新优化的对应参数，接着优化下一组参数，直至所有各组参数均优化完毕，本实施例子最终优化得到的参数见表3。
（9）校正所得的参数自动添加到动力学参数集中，供催化裂化分子级机理模型使用。利用优化得到的动力学参数预测629个（数据库的628个+最新参考态）工况的产品收率以及汽油POA。对629个工况产品收率以及汽油POA预测的绝对平均误差见表4，对应分步优化法结果。
表4 两种参数分组方式动力学参数校正对预测629个工况
整体误差及校参耗时对比
作为对比，将上述实施例子分步优化的所有参数进行一次性优化，不做分组，算法设置时迭代步数设置为上一个实施例子的总迭代步数（即400步），其他设置与上一个实施例子一致，优化得到的参数同样用于预测629个（数据库的628个+最新参考态）工况的产品收率以及汽油POA。对629个工况产品收率以及汽油POA预测的绝对平均误差见表4，对应一步优化法结果。从表4的整体误差对比来看，分步优化法和一步优化法大体一致。然而，需要注意的是，从表4可以看出分步优化法在用时上有明显优势，实施的分步优化法比一步优化法用时减少约38%。由此可见，本申请实施例提供的催化裂化动力学参数自动更新校正方法，能够提高优化效率。
请参阅图3，本申请某一实施例还提供一种催化裂化动力学参数自动更新校正装置，包括：
工况对标单元01，用于获取催化裂化工业装置的LIMS数据和DCS数据，根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况；
优化参数设置单元02，用于设置优化参数，包括设置催化裂化分子级机理模型的动力学参数的初始值及上下限、对动力学参数分组、设置优化目标函数及优化目标的权重、设置优化算法以及设置优化算法在每组动力学参数优化中的误差限及迭代步数；
参数分组优化单元03，用于根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，获得对应的目标动力学参数值；在优化其中一组参数时，另外分组的参数保持不变。
可以理解的是，本申请提供的催化裂化动力学参数自动更新校正装置可实施上述方法实施例所提供的催化裂化动力学参数自动更新校正方法，并实现与其相同的效果。其中，上述方法实施例中的可选项同样也适用于本实施例，本申请实施例的其余内容可参照上述方法实施例的内容，此处不再进一步赘述。
请参阅图4，本申请某一实施例还提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的催化裂化动力学参数自动更新校正方法。
处理器用于控制该终端设备的整体操作，以完成上述的催化裂化动力学参数自动更新校正方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC) 、数字信号处理器(DigitalSignal Processor，简称DSP) 、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD) 、现场可编程门阵列(Field Programmable Gate Array ，简称FPGA) 、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的催化裂化动力学参数自动更新校正方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的催化裂化动力学参数自动更新校正方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的催化裂化动力学参数自动更新校正方法，并达到如上述方法一致的技术效果。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。
Claims (9)
1.一种催化裂化动力学参数自动更新校正方法，其特征在于，包括：
获取催化裂化工业装置的LIMS数据和DCS数据，根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况；包括：
以催化裂化装置最新状态为参考态x 0 ，计算历史工况库中每个工况x i 与x 0 的相似度d i ；
以d i 对工况库中的工况进行排序，对排序后的工况依次划分为2K+1个工况群，其中K为要选择的工况数目；
在第偶数个工况群中选d i 最大值所对应的工况，如果工况群中所选的d i 对应多个工况时，则取时间戳离x 0 最近的工况，作为要对标的工况；
设置优化参数，包括设置催化裂化分子级机理模型的动力学参数的初始值及上下限、对动力学参数分组、设置优化目标函数及优化目标的权重、设置优化算法以及设置优化算法在每组动力学参数优化中的误差限及迭代步数；
根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，获得对应的目标动力学参数值；在优化其中一组参数时，另外分组的参数保持不变。
2.根据权利要求1所述的催化裂化动力学参数自动更新校正方法，其特征在于，所述计算历史工况库中每个工况x i 与x 0 的相似度d i ，可采用余弦距离、欧式距离、马氏距离或切比雪夫距离中的任意一种相似度度量方式来计算。
3.根据权利要求1所述的催化裂化动力学参数自动更新校正方法，其特征在于，所述对动力学参数分组，包括：
若要调节液化气、汽油或柴油的收率，则将裂化、开环、断侧链及烷基化反应对应的参数作为一组进行优化；
若要调节油浆和焦炭的收率，则将氢转移、缩合、烯烃叠合、烯烃环化反应对应的参数作为一组进优化；
若要调节汽油组成含量，则将异构化、加氢反应对应的参数作为一组进行优化。
4.根据权利要求1所述的催化裂化动力学参数自动更新校正方法，其特征在于，所述优化目标函数包括误差平方和最小或绝对相对误差最小两种形式。
5.根据权利要求4所述的催化裂化动力学参数自动更新校正方法，其特征在于，当采用误差平方和最小确定优化目标函数时，表达式为：
当采用绝对相对误差最小确定优化目标函数时，表达式为：
其中，、均表示优化目标函数，K、N分别表示选择的工况数和要对标的性质数量；y表示要对标的性质；w为对标性质的权重；上标exp表示实际生产数据，上标cal表示模型计算数据，i、j分别表示所选择的第i个工况和所要对标的性质中的第j个性质。
6.根据权利要求1所述的催化裂化动力学参数自动更新校正方法，其特征在于，所述优化算法包括单纯形法、序贯二次规划法或遗传算法。
7.一种催化裂化动力学参数自动更新校正装置，其特征在于，包括：
工况对标单元，用于获取催化裂化工业装置的LIMS数据和DCS数据，根据LIMS数据和DCS数据从历史工况数据库中选择要对标的工况；包括：
以催化裂化装置最新状态为参考态x 0 ，计算历史工况库中每个工况x i 与x 0 的相似度d i ；
以d i 对工况库中的工况进行排序，对排序后的工况依次划分为2K+1个工况群，其中K为要选择的工况数目；
在第偶数个工况群中选d i 最大值所对应的工况，如果工况群中所选的d i 对应多个工况时，则取时间戳离x 0 最近的工况，作为要对标的工况；
优化参数设置单元，用于设置优化参数，包括设置催化裂化分子级机理模型的动力学参数的初始值及上下限、对动力学参数分组、设置优化目标函数及优化目标的权重、设置优化算法以及设置优化算法在每组动力学参数优化中的误差限及迭代步数；
参数分组优化单元，用于根据要对标的工况及优化参数，逐一对每组动力学参数进行优化，获得对应的目标动力学参数值；在优化其中一组参数时，另外分组的参数保持不变。
8.一种终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的催化裂化动力学参数自动更新校正方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的催化裂化动力学参数自动更新校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211194760.1A CN115268277B (zh) | 2022-09-29 | 2022-09-29 | 一种催化裂化动力学参数自动更新校正方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211194760.1A CN115268277B (zh) | 2022-09-29 | 2022-09-29 | 一种催化裂化动力学参数自动更新校正方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115268277A CN115268277A (zh) | 2022-11-01 |
| CN115268277B true CN115268277B (zh) | 2023-04-28 |
Family
ID=83757067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211194760.1A Active CN115268277B (zh) | 2022-09-29 | 2022-09-29 | 一种催化裂化动力学参数自动更新校正方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115268277B (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070100475A1 (en) * | 2005-10-25 | 2007-05-03 | Korchinski William J | Method and apparatus for applying reduced nonlinear models to optimization of an operation |
| CN101650566B (zh) * | 2009-09-14 | 2011-08-17 | 清华大学 | 催裂化装置常规再生的再生烟气成份动态软测量方法 |
| CN107301264A (zh) * | 2017-05-03 | 2017-10-27 | 中国石油大学(北京) | 一种催化裂化反应动力学参数的估算方法及系统 |
| CN109960235B (zh) * | 2018-11-29 | 2022-08-26 | 中国石油化工股份有限公司 | 基于机理模型的炼化装置实时优化方法和设备 |
| CN109814513B (zh) * | 2019-03-20 | 2020-12-29 | 广东辛孚科技有限公司 | 一种基于数据模型的催化裂化装置优化方法 |
| CN110414031B (zh) * | 2019-05-07 | 2021-10-22 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法、装置、电子设备及计算机可读存储介质 |
| CN111142488B (zh) * | 2019-12-30 | 2021-05-04 | 浙江中控技术股份有限公司 | 基于工况比对驱动的流程工业优化方法 |
| CN113673741A (zh) * | 2021-05-25 | 2021-11-19 | 石化盈科信息技术有限责任公司 | 稳态实时优化方法、装置、存储介质及电子设备 |
| CN113722935A (zh) * | 2021-09-16 | 2021-11-30 | 广东辛孚科技有限公司 | 一种石化装置代理模型的自动更新方法 |
| CN113723015A (zh) * | 2021-09-16 | 2021-11-30 | 广东辛孚科技有限公司 | 一种基于机理模型与大数据技术的催化裂化装置优化方法 |
-
2022
- 2022-09-29 CN CN202211194760.1A patent/CN115268277B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115268277A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1011267B (zh) | 利用智能处理的计算机控制系统 | |
| US20200401113A1 (en) | Determining optimal material and/or manufacturing process | |
| US20030171829A1 (en) | System and method for complex process optimization and control | |
| Chen et al. | Optimization of short-time gasoline blending scheduling problem with a DNA based hybrid genetic algorithm | |
| US11993751B2 (en) | Predictive control systems and methods with fluid catalytic cracking volume gain optimization | |
| CN107766245A (zh) | 基于ott策略的可变力度组合测试用例优先级在线排序方法 | |
| CN111522233A (zh) | 参数自整定的mimo异因子全格式无模型控制方法 | |
| CN115268277B (zh) | 一种催化裂化动力学参数自动更新校正方法及装置 | |
| CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
| CN109782586B (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
| CA3220830A1 (en) | Method for generating artificial intelligence model for process control, process control system based on artificial intelligence model, and reactor comprising same | |
| CN115017806A (zh) | 基于改善人工蜂群算法的不完全拆卸线平衡优化方法 | |
| CN111522235B (zh) | 参数自整定的mimo异因子紧格式无模型控制方法 | |
| Salmasnia et al. | A robust posterior preference decision-making approach to multiple response process design | |
| CN116414094A (zh) | 一种焊接装配智能调度方法及系统 | |
| CN110738403A (zh) | 一种数据处理方法、设备及计算机存储介质 | |
| CN112183817A (zh) | 一种柔性车间调度方法 | |
| Curteanu et al. | Optimization strategy based on genetic algorithms and neural networks applied to a polymerization process | |
| F. Cuadros Bohorquez et al. | Surrogate-model-based, particle swarm optimization, and genetic algorithm techniques applied to the multiobjective operational problem of the fluid catalytic cracking process | |
| CN109814388B (zh) | 参数自整定的miso异因子偏格式无模型控制方法 | |
| CN112342050B (zh) | 一种优化催化裂化装置轻油收率的方法、装置及存储介质 | |
| CN112365071A (zh) | 一种基于改进型差分进化算法的S Zorb装置实时优化方法 | |
| Mahfouf et al. | Fuzzy Takagi-Sugeno Kang model predictive control for process engineering | |
| Arpornwichanop et al. | Studies on optimal control approach in a fed-batch fermentation | |
| Klanke et al. | Advanced data-driven prediction models for BOF endpoint detection |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |