催化裂化反应深度在线计算和自适应非线性预测控制方法

专利名称：：催化裂化反应深度在线计算和自适应非线性预测控制方法
技术领域：
：本发明涉及催化裂化反应深度在线计算和自适应非线性预测控制方法，属于石油化工催化裂化生产过程软测量和自动控制领域。
背景技术：
：催化裂化装置是石油炼厂中最重要的重质油转化装置之一。原料油在热和催化剂的作用下使重质油发生裂化反应，转变为富气、汽油和柴油等高价值产品。从经济效益而言，炼油企业中一半以上的效益是靠催化裂化取得的。因此应用先进的优化控制技术实现装置的平稳运行，并为在线优化提供条件，无疑具有重要的现实意义和明显的经济效益。已有的催化裂化优化控制方案多是以反应温度(提升管出口温度)为主，但事实上催化裂化是一个反应过程，对装置操作及产品分布影响最大的是反应深度。反应温度只是影响反应深度的一个因素，在实际生产过程中还有很多影响反应深度的因素。为解决这一问题，袁璞等(催化裂化反应过程的观测和控制，中国专利ZL90108193.0)提出宏观反应热(每公斤进料在裂化反应时所需的热量kj/kg)的概念。宏观反应热综合了影响反应深度的各种因素，维持反应热平稳，可使反应深度平稳，从而使整个装置操作较平稳。江青茵(2003)同样基于反应深度控制的思想，提出一种以产品转化率为主要调控量的闭环调优控制系统。实现基于宏观反应热的催化裂化反应深度优化控制的一个关键就是宏观反应热的在线实时计算。影响反应深度的因素很多，其中一个重要的因素是再生催化剂循环量。由于生产过程的危险性和复杂性，催化剂循环量不能够用测量仪表直接测量。目前工业上计算催化剂循环量的方法主要分为三类。1、利用再生器稳态热平衡关系计算催化剂循环量，如林世雄等(石油炼制工程(第三版)[M]，2007，374-377)；2、利用再生器中碳的物料平衡计算催化循环量，如魏飞等(FCC催化剂循环量计算方法的比较，炼油设计，1990，4(1)41-43)；3、利用催化剂流动特性和再生阀门特性计算催化循环量，如袁璞等(催化裂化反应过程的观测和控制，中国专利ZL90108193.0)。但已有的计算方法面临如下问题1、采用再生器热平衡计算催化剂循环量具有较高的精度，但由于烟气氧含量测量具有一定的时间滞后；待生催化剂由提升管经汽提段流至再生器，其温度和焦含量对再生器均有1-2分钟的时间滞后，其计算的实时性不能满足对提升管进行先进控制的要求。2、待生催化剂定碳、再生催化剂定碳只能通过离线化验得到，具有相当大的时间滞后，因此，利用碳平衡法计算催化剂循环量不能满足生产监控及控制的实时性要求。3、利用再生阀门流量特性模型计算催化剂循环量速度快，但由于催化剂循环量是关于滑阀开度的非线性函数，且与催化剂的流化状态及密度有关。当再生阀门开度变化较大或催化剂流化状态发生变化时，若采用固定的再生阀门特性模型进行计算，其准确性将难以得到保证。因此，设计一种计算相对准确且快速反映实际变化的催化剂循环量在线实时计算方法，实现反应深度在线计算，并在此基础上实现催化裂化装置反应深度控制，维持装置长期平稳运行，是十分必要的。
发明内容本发明目的是针对催化裂化装置，提供一种反应深度在线计算和自适应非线性预测控制方法。为达到上述目的，本发明采用再生器热平衡计算模型和再生阀门流量特性模型相结合的方式，利用相对准确的再生器热平衡计算结果在线校正再生阀门模型系数，并由校正后的再生阀门模型实现对催化剂循环量的实时观测。最后，根据提升管动态数学模型完成催化裂化反应热的在线实时计算。另外，考虑到再生阀门流量特性模型的特点，即与提升管反应部分的动态特性相比，再生阀门的动态特性可以忽略，而稳态特性会随工况变化而变化。基于此特点，在控制模型中，将再生阀门稳态模型与提升管反应部分非线性动态模型分离，在实现提升管反应部分非线性预测控制的基础上，根据在线校正的再生阀门模型计算催化剂循环量，实现再生阀门开度对反应深度的自适应非线性预测控制。本发明首先利用再生阀门流量特性模型计算催化剂循环量，然后判断装置的反应-再生部分是否达到平衡，若装置平衡，则用再生器热平衡模型计算得到的催化剂循环量在线更新再生阀门模型系数，然后用更新后的再生阀门模型计算出催化剂循环量，用于计算提升反应热和设计自适应非线性预测器。催化裂化反应深度在线计算和自适应非线性预测控制方法，其特征在于，是在控制计算机上按照以下步骤实现的步骤⑴控制计算机初始化设置第一个催化剂循环量计算模块，第二个催化剂循环量计算模块，再生阀门模型系数校正模块，提升管反应热计算模块以及提升管反应深度自适应非线性预测控制模块；步骤⑵设置控制计算机的采样间隔Ts，采样周期KXTs，采样时刻k=1，2，…K，所述控制计算机利用实时数据库在线地从分布式控制系统DCS取得现场数据，至少包括再生阀门开度测量值ivp(k)，再生阀门压降测量值△P(k)，进入再生器的催化剂温度测量值T1GO，流出再生器的催化剂温度测量值T2GO，第一段提升管的入口温度测量值TrtGO，第一段提升管的出口温度测量值Tri(k)，第二段提升管的出口温度测量值Uk)，原料油进料质量流量测量值Gtjil(k)，原料油进料预热温度测量值τ。η(k)，提升蒸汽质量流量测量值Gw(k)，进提升管提升蒸汽温度测量值Tw(k)，进再生器空气体积流量测量值Fa(k)，烟气氧含量测量值Ofg(k)，再生烟气温度测量值Tfg(k)，进入再生器的空气温度测量值Ta(k)，再生取热器冷却水流量测量值Fex(k)，再生取热器冷却水入口处温度测量值Texin(k)，再生器取热器冷却水出口处温度测量值Tra。ut(k)，并给定两段提升管的总反应热设定值H:和第二段提升管出口温度设定值步骤(3)第k个采样时刻，所述第一个催化剂循环量计算模块根据步骤(2)取得的ivp(k)和△P(k)，按再生阀门流量特性模型计算催化剂循环量G。(k)其中Gc(k)第k个采样时刻，由再生阀门流量特性模型计算得到的催化剂循环量，kg/关于再生阀门开度ivp的未知函数，mXh，采用多项式函数来近似’其中N=2为多项式函数阶次，an(k-l)是第k_l个采样时刻的多项式系数，其初始值为a0(0)=-15.915,B1(0)=1.159，a2(0)=0.058；步骤(4)所述再生阀门模型系数校正模块依次按下述步骤更新步骤(3)所述的多项式系数，步骤(4.1)第k个采样时刻，根据步骤(2)取得的Trt(k)和T2(k)，判断催化裂化反应_再生部分是否达到稳态，若满足下述条件则认为反应-再生部分达到稳态，其中向量X(k_kn)，kn=1，2，…，kN是由第k_kn个采样时刻的Trf(k-kn)^PT2(k-kn)组成的二维向量，数据长度kN=10，ε=[1,4]'是阈值，步骤(4.2)若催化裂化反应_再生部分达到稳态，转入所述步骤(4.3)，利用再生器热平衡公式计算催化剂循环量来更新所述再生阀门模型系数，若未达到稳态，则令an(k)=an(k-l),n=0,…，N转入步骤(5)计算，步骤(4.3)所述第二个催化剂循环量计算模块根据步骤(2)中取得的T1GO和T2(k)，按再生器热平衡公式计算催化剂循环量{k)其中·Gc(k)第k个采样时刻，由再生器热平衡公式计算得到的催化剂循环量，kg/h，Cpcat:催化剂比热，kj/(kg.0C)，已知值，Qc(k)=Q0(k)-Qa(k)-QT(k)-Qq(k)第k个采样时刻，催化剂带走热量，第k个采样时刻，单位时间总烧焦放热量，kj/h，ΔHcb燃烧Ikg碳产生的热量，kj/(kg碳)，已知值，Voc燃烧Ikg碳耗氧量，m3/(kg碳)，已知值，第k个采样时刻，空气带走热量，kj/h，Pair空气密度，kg/m3，已知值，Cpair空气比热，kj/(kg.°C)，已知值，第k个采样时刻，脱附热量，kj/h，Qq(k)=Fex(k)Cpwater(Texout(k)-Texin(k))第k个采样时刻，再生取热器取热量，kj/h，CpwatCT冷却水比热，kj/(kg.V)，已知值，步骤(4.4)令Cv(ivp(k))認、，得到用于更新多项式系数的一组数据{ivp{k),Cv{ivp{k))]，然后利用递推最小二乘算法更新步骤(3)所述多项式系数，更新迭代公式如下K(k)是第k个采样时刻的系数校正增益矩阵，P(k)为k时刻的协方差矩阵，其初值P(O)=IO5XI,I为单位阵为遗忘因子，θ(k)=[a0(k),ai(k),...，aN(k)]'是第k个采样时刻的多项式系数，上标符号“'”表示矩阵转置，下同，步骤(4.5)所述第一个催化剂循环量计算模块根据更新的多项式系数an(k)重新计算催化剂循环量Gc(^)=^an(k)xivpn⑷，并送所述分布式控制系统DCS显示和后续计算使用；步骤(5)提升管反应热计算模块在所述提升管分为两段的条件下，i=1，2，计算各段提升管的反应热，步骤(5.1)设定一个所述提升管的模型，其中Tri:第i段提升管的出口温度，°C，第1段提升管的入口温度，V，Mpi第i段提升管物料和器壁的热容量，kJ/°C，已知值，Cpoil油气比热，kj/(kg.°C)，已知值，Cpcat催化剂比热，kj/(kg.°C)，已知值，Cpw水蒸汽热容量，kj/kg，已知值，Cc由再生阀门模型计算得到的催化剂循环量，kg/h，Hlossi第i段提升管的热损失，kj/h，已知值，Hri第i段提升管的反应热，kj/kg原料油，步骤(5.2)离散化提升管模型方程，得到反应热计算公式计算所述各段提升管的反应热参数，最终得到两段提升管的总反应热为代步骤(6)在第k个采样时刻，所述提升管反应深度自适应非线性预测控制模块按下述步骤进行反应深度控制，步骤(6.1)建立面向动态控制的提升管非线性动态数学模型，其中油气在第i段提升管的滞留时间，h，Vri第i段提升管体积，m3，已知值，ρoil第1段提升管入口处的油气密度，kg/m3，已知值，无量纲热容校正系数，VLi第i段提升管耐磨耐热层体积，m3，已知值，ρL提升管耐磨耐热层密度，kg/m3,已知值，Cpffl提升管耐磨耐热层的比热，kj/(kg.°C)，已知值，Gc由再生阀门模型计算得到的催化剂循环量，kg/h，反应热与物料比热之比，。C，ΔHce反应热，kj/kg催化碳，已知值，Cci第i段提升管出口处催化剂的催化碳含量，％，已知值CptjilL原料油比热，kj/(kg.°C)，已知值，ΔHv原料油气化热，kj/kg原料油，已知值，所述提升管反应深度自适应非线性预测控制的输出变量为第二段提升管出口温度Trt和两段提升管的总反应热民，控制变量为原料油预热温度Ttjil和再生阀门开度ivp；基于上述提升管非线性动态数学模型，所述反应深度自适应非线性预测控制模块的目的是，控制原料油预热温度Ttjil和再生阀门开度ivp，使第二段提升管出口温度Trt和反应热扎达至IJ各自设定值<和<，步骤(6.2)在第k个采样时刻，提升管反应深度自适应非线性预测控制模块通过控制原料油预热温度和再生阀门开度，使第二段提升管出口温度和反应热达到各自设定值ζΧ，即，采用Levenberg-Marquardt优化算法求解下述优化问题得到控制量1^0^12)，士叩&+12)，12=1，…，L2，其中=L1=10为预测步长，L2=2为控制步长，Hjk+l》是根据(6.1)所述提升管模型预测k+h时刻的反应热值，Uk+l》是根据(6.1)所述提升管模型预测k+“时刻的第2段提升管出口温度值，Toil(k+l2)是k+l2时刻的原料油预热温度的预测值，ivp(k+l2)是k+l2时刻的再生阀门开度的预测值，"1/5O「10]Q=Λ1/Α是输出变量加权矩阵，λ=λ<是控制变量加权矩阵；UI/OUJ步骤(7)所述提升管反应深度自适应非线性预测控制模块将步骤(6.2)得到的Toil(k+Ι)和ivp(k+1)分别作为k+Ι时刻原料油预热温度PID控制器的设定值和k+Ι时刻再生阀门开度的设定值，然后转入k+Ι时刻，重复执行步骤(2)-(7)直至达到设定的采样总数K。上述技术方法具有如下效果利用计算相对准确但具有较大时间滞后的再生器热平衡计算的催化剂循环量在线校正再生阀门模型系数，由此得到能够适应工况变化的再生阀门模型，满足了催化剂循环量估计的相对准确性和实时性双重要求；在此基础上，基于提升管动态模型完成反应热的在线计算，使其满足实施先进控制的要求；在建立面向动态控制的提升管数学模型时，根据再生阀门模型的特点，即与提升管反应部分的动态特性相比，再生阀门的动态特性可以忽略，而稳态特性会随工况的变化而变化。将再生阀门稳态模型与提升管反应部分非线性动态模型分离，在实现提升管反应部分非线性预测控制的基础上，根据在线校正的再生阀门模型计算重新催化剂循环量，实现再生阀门开度对反应深度的自适应非线性预测控制，为催化裂化装置的安全生产和优化控制提供帮助。图1是本发明实施例的催化裂化反应深度在线计算和自适应预测控制方法流程图；图2是本发明实施例的现场运行结构示意图；图3是本发明实施例的控制计算机计算流程图。具体实施例方式下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。本发明的特征在于利用相对准确但具有较大时间滞后的热平衡计算结果在线校正再生阀门模型的参数，由此得到能够适应工况变化的自适应再生阀门模型，满足了催化剂循环量估计的相对准确性和实时性双重要求。最后，基于提升管动态数学模型完成反应热的在线计算；在建立面向动态控制的提升管数学模型时，根据再生阀门模型的特点，即与提升管反应部分的动态特性相比，再生阀门的动态特性可以忽略，而稳态特性会随工况的变化而变化。将再生阀门稳态模型与提升管反应部分非线性动态模型分离，在实现提升管反应部分非线性预测控制的基础上，提取再生阀门开度与催化剂循环量间的非线性时变的稳态关系，最终实现反应深度的自适应非线性预测控制。其总体实现方案流程图和总体实现原理图参见附图1-3，包含以下步骤1、步骤1控制计算机初始化，采集过程数据并对数据进行预处理该步骤主要包含以下单元模块设置第一个催化剂循环量计算模块，第二个催化剂循环量计算模块，再生阀门模型系数校正模块，提升管反应热计算模块以及提升管反应深度自适应非线性预测控制模块；过程实测变量和化验变量数据采集单元上位机利用实时数据库在线地从分布式控制系统DCS取得现场数据；过程变量包括再生阀门开度测量值ivp(k)，再生阀门压降测量值△P(k)，进入再生器的催化剂温度测量值T1GO，流出再生器的催化剂温度测量值T2GO，第一段提升管的入口温度测量值TrtGO，第一段提升管的出口温度测量值TriGO，第二段提升管的出口温度测量值Trt(k)，原料油进料质量流量测量值Gtjil(k)，原料油进料预热温度测量值T。n(k)，提升蒸汽质量流量测量值Gw(k)，进提升管提升蒸汽温度测量值Tw(k)，进再生器空气体积流量测量值Fa(k)，烟气氧含量测量值Ofg(k)，再生烟气温度测量值TfgGO，进入再生器的空气温度测量值Ta(k)，再生取热器冷却水流量测量值FexGO，再生取热器冷却水入口处温度测量值τεχ—in(k)，再生器取热器冷却水出口处温度测量值τεχ—。ut(k)，并给定两段提升管的总反应热设定值H:和第二段提升管出口温度设定值<；变量数据处理单元对实测过程变量和化验变量进行滤波处理以降低噪声的影响；统一变量的量程和量纲，调整零点，检测变量是否超限；纯滞后时间单元由装置相关设备和流体输送管道的尺寸，实时确定各变量间相互影响的时间滞后；并利用实测相关变量的历史趋势曲线，核对这些纯滞后时间；2、步骤2建立再生阀门流量特性模型，并基于过程实时测量数据计算催化剂循环量第k个采样时刻，所述第一个催化剂循环量计算模块根据步骤(1)取得的ivp(k)和ΔP(k)，按再生阀门流量特性模型计算所述催化剂循环量G。(k)Gc(k)第k个采样时刻，由再生阀门流量特性模型计算得到的催化剂循环量，kg/h,Cv(ivp(k))关于再生阀门开度ivp的未知函数，m3/kg，可以采用多项式函数、神经网络、支持向量机等方法逼近，本实施例中采用多项式函数来近似=Ne[2,5]为多项式函数阶次，an(k_l)是第k_l个采样时刻的多项式系数，实施例中取N=2，且多项式系数的初始值为a。(0)=-15.915,B1(0)=1.159，a2(0)=0.058；3、步骤3催化裂化反应_再生部分稳态判定及多项式系数更新计算步骤(3.1)第k个采样时刻，根据步骤⑴取得的Trt(k)和T2(k)，判断催化裂化反应_再生部分是否达到稳态，若满足公式0-3则认为反应-再生部分达到稳态，其中向量X(k_kn)，kn=1，2，…，kN是由第k_kn个采样时刻的Trt(k-kn)*T2(k-kn)组成的二维向量，kNe[5,20]是用于数据长度，实施例中取kN=10，ε是稳态判定阈值，取一个足够小的正常数，实施例中取ε=[1,4]'，步骤(3.2)若反应-再生部分达到稳态，转入所述步骤(3.3)，利用再生器热平衡计算催化剂循环量更新阀门再生阀门模型系数，若未达到稳态，保持步骤(2)中的多项式系数不变，即令&11(10=an(k-l),n=0,…，N，然后转入所述步骤(4)计算，步骤(3.3)所述第二个催化剂循环量计算模块根据步骤⑴中取得的I\(k)和T2(k)，按公式0-4计算催化剂循环量{k)Gc(k)第k个采样时刻，由再生器热平衡计算得到的催化剂循环量，kg/h，Cp。at催化剂比热，kj/(kg.V)，已知值，Qc(k)=Q。(k)-Qa(k)-QT(k)_Qq(k)第k个采样时刻，催化剂带走热量，kj/h，第k个采样时刻，单位时间总烧焦放热量，kj/h，AHcb燃烧lkg碳产生的热量，kj/(kg碳)，已知值，voc燃烧lkg碳耗氧量，m3/(kg碳)，已知值，Qa(k)=Fa(k)PairCpair(Tfg(k)_Ta(k)):第k个采样时亥，空气带走热量，kJ/h，Pair空气密度，kg/m3，已知值，Cpair空气比热，kj/(kg.°C)，已知值，Qt(k)=0.063XQo(k)第k个采样时刻，脱附热量，kJ/h，Qq(k)=Fex(k)Cpwater(Tex—0Ut(k)-Tex—in(k))第k个采样时刻，再生取热器取走的热量，kj/h，Cpwater冷却水比热，kj/(kg.°C)，已知值，步骤(3.4)令，得到用于更新多项式系数的一组数据然后利用带遗忘因子的递推最小二乘算法更新步骤(3)所述多项式系数，更新迭代公式如下K(k)是第k个采样时刻的系数校正增益矩阵，P(k)为k时刻的协方差矩阵，其初值P(0)=pXI，p取一个足够大的正常数，实施例中取p=105，为遗忘因子，实施例中取入(k)=0.98；0(k)=[a0(k),a,(k),…，aN(k)]'是第k个采样时刻的多项式系数，步骤(3.5)所述第一个催化剂循环量计算模块根据更新的多项式系数an(k)重新计算催化剂循环量:并送所述分布式控制系统DCS显示和后续计算使用；4、步骤4基于提升管动态数学模型计算总反应热根据提升管上温度测点的分布，将所述提升管分为N段，然后针对各段分别计算提升管的反应热，在本实施例将提升管分为2段，i=1，2，计算这2段提升管的反应热，步骤(4.1)设定一个所述提升管的模型凡公式0-6段提升管的出口温度，V，Tr0=T,^,i=1第1段提升管的入口温度，°C，反应热MPi第i段提升管物料和器壁的热容量，kJ/°C，已知值，Cpoil油气比热，kj/(kg.°C)，已知值，Cpcat:催化剂比热，kj/(kg.°C)，已知值，Cpw水蒸汽热容量，kj/kg，已知值，Cc由再生阀门模型计算得到的催化剂循环量，kg/h，Hlossi第i段提升管的热损失，kj/h，已知值，Hn第i段提升管的反应热，kj/kg原料油，步骤(4.2)离散化提升管模型方程，得到反应热计算公式计算所述各段提升管的Hoi(k)=(Goil(k)Cpoil+Gc(k)Cpcat+Gw(k)Cpw)(Tri(k)-Tkh)(k)),0<y^1是滤波参数，可根据实际情况进行调整，实施例中取Y=0.97，最终得到两段提升管的总反应热5、步骤5设计提升管自适应非线性预测控制器步骤(5.1)建立面向动态控制的提升管非线性数学模型油气在第i段提升管的滞留时间，h，公式0-8Vri第i段提升管体积，m3，已知值，Poil第1段提升管入口处的油气密度，kg/m3，已知值，「LlPL无量纲热容校正系数，yoilVLi第i段提升管耐磨耐热层体积，m3，已知值，PL提升管耐磨耐热层密度，kg/m3,已知值，Cpffl提升管耐磨耐热层的比热，kj/(kg.°C)，已知值，Gc由再生阀门模型计算得到的催化剂循环量，kg/h,1Cp^+GCCpi+反应热与物料比热之比，°C，wAHce反应热，kj/kg催化碳，已知值，Cci第i段提升管出口处催化剂的催化碳含量，％，已知值CpoiLL原料油比热，kj/(kg.°C)，已知值，AHV原料油气化热，kj/kg原料油，已知值，步骤(5.2)在第k个采样时刻，采用Levenberg-Marquardt优化算法求解下述优化问题公式0-9得到Toil(k+l2)，ivp(k+l2)，12=1，…，L2，本实施例中取预测步长=10，控制步长L2=2；Hr(k+U是根据(5.1)所述提升管模型预测k+h时刻的反应热值，Tr2(k+li)是根据(5.1)所述提升管模型预测k+“时刻的第2段提升管出口温度值，T。n(k+12)是k+l2时刻的原料油预热温度的预测值，ivp(k+l2)是k+l2时刻的再生阀门开度的预测值，取输出"1/501变量加权矩阵n，控制变量加权矩阵《=01/6所述提升管反应深度自适应非线性预测控制模块将步骤(5.2)得到的T。n(k+1)和ivp(k+l)分别作为k+1时刻原料油预热温度PID控制器的设定值和再生阀门开度的设定值，然后转入k+1时刻，重复执行步骤(2)-(7)。minJ=YKJQ台Ti2(k+I,)-T;2_-zl2=\~T0ll{k+l2)-Tml{k+l2^ivp[k+l2、—ivp(Ji+12-'.R10"05‘1权利要求催化裂化反应深度在线计算和自适应非线性预测控制方法，其特征在于，是在控制计算机上按照以下步骤实现的步骤(1)控制计算机初始化设置第一个催化剂循环量计算模块，第二个催化剂循环量计算模块，再生阀门模型系数校正模块，提升管反应热计算模块以及提升管反应深度自适应非线性预测控制模块；步骤(2)设置控制计算机的采样间隔Ts，采样周期K×Ts，采样时刻k＝1，2，…K，所述控制计算机利用实时数据库在线地从分布式控制系统DCS取得现场数据，至少包括再生阀门开度测量值ivp(k)，再生阀门压降测量值ΔP(k)，进入再生器的催化剂温度测量值T1(k)，流出再生器的催化剂温度测量值T2(k)，第一段提升管的入口温度测量值Tr0(k)，第一段提升管的出口温度测量值Tr1(k)，第二段提升管的出口温度测量值Tr2(k)，原料油进料质量流量测量值Goil(k)，原料油进料预热温度测量值Toil(k)，提升蒸汽质量流量测量值Gw(k)，进提升管提升蒸汽温度测量值Tw(k)，进再生器空气体积流量测量值Fa(k)，烟气氧含量测量值Ofg(k)，再生烟气温度测量值Tfg(k)，进入再生器的空气温度测量值Ta(k)，再生取热器冷却水流量测量值Fex(k)，再生取热器冷却水入口处温度测量值Tex_in(k)，再生器取热器冷却水出口处温度测量值Tex_out(k)，并给定两段提升管的总反应热设定值和第二段提升管出口温度设定值步骤(3)第k个采样时刻，所述第一个催化剂循环量计算模块根据步骤(2)取得的ivp(k)和ΔP(k)，按再生阀门流量特性模型计算催化剂循环量GC(k)<mrow><msub><mi>G</mi><mi>C</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mi>Cv</mi><mrow><mo>(</mo><mi>ivp</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>)</mo></mrow><mtext>&times;</mtext><mtext></mtext><msqrt><mi>&Delta;P</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></msqrt><mo>,</mo></mrow>其中GC(k)第k个采样时刻，由再生阀门流量特性模型计算得到的催化剂循环量，kg/h，Cv(ivp(k))关于再生阀门开度ivp的未知函数，m×h，采用多项式函数来近似<mrow><mi>Cv</mi><mrow><mo>(</mo><mi>ivp</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>n</mi><mo>=</mo><mn>0</mn></mrow><mi>N</mi></munderover><msub><mi>a</mi><mi>n</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>&times;</mo><msup><mi>ivp</mi><mi>n</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo></mrow>其中N＝2为多项式函数阶次，an(k-1)是第k-1个采样时刻的多项式系数，其初始值为a0(0)＝-15.915，a1(0)＝1.159，a2(0)＝0.058；步骤(4)所述再生阀门模型系数校正模块依次按下述步骤更新步骤(3)所述的多项式系数，步骤(4.1)第k个采样时刻，根据步骤(2)取得的Tr2(k)和T2(k)，判断催化裂化反应-再生部分是否达到稳态，若满足下述条件<mrow><mo>|</mo><mi>X</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><msub><mi>k</mi><mi>n</mi></msub><mo>=</mo><mn>1</mn></mrow><msub><mi>k</mi><mi>N</mi></msub></munderover><mfrac><mrow><mi>X</mi><mrow><mo>(</mo><mi>k</mi><mo>-</mo><msub><mi>k</mi><mi>n</mi></msub><mo>)</mo></mrow></mrow><msub><mi>k</mi><mi>N</mi></msub></mfrac><mo>|</mo><mo>&le;</mo><mi>&epsiv;</mi><mo>,</mo></mrow>则认为反应-再生部分达到稳态，其中向量X(k-kn)，kn＝1，2，…，kN是由第k-kn个采样时刻的Tr2(k-kn)和T2(k-kn)组成的二维向量，数据长度kN＝10，ε＝[1，4]′是阈值，步骤(4.2)若催化裂化反应-再生部分达到稳态，转入所述步骤(4.3)，利用再生器热平衡公式计算催化剂循环量来更新所述再生阀门模型系数，若未达到稳态，则令an(k)＝an(k-1)，n＝0，…，N转入步骤(5)计算，步骤(4.3)所述第二个催化剂循环量计算模块根据步骤(2)中取得的T1(k)和T2(k)，按再生器热平衡公式计算催化剂循环量<mrow><msub><mover><mi>G</mi><mo>^</mo></mover><mi>C</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msub><mi>Q</mi><mi>C</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow><mrow><msub><mi>Cp</mi><mi>cat</mi></msub><mo>&times;</mo><mrow><mo>(</mo><msub><mi>T</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>T</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>)</mo></mrow></mrow></mfrac><mo>,</mo></mrow>其中第k个采样时刻，由再生器热平衡公式计算得到的催化剂循环量，kg/h，Cpcat催化剂比热，kJ/(kg.℃)，已知值，QC(k)＝QO(k)-Qa(k)-QT(k)-Qq(k)第k个采样时刻，催化剂带走热量，kJ/h，第k个采样时刻，单位时间总烧焦放热量，kJ/h，ΔHcb燃烧1kg碳产生的热量，kJ/(kg碳)，已知值，voc燃烧1kg碳耗氧量，m3/(kg碳)，已知值，Qa(k)＝Fa(k)ρairCpair(Tfg(k)-Ta(k))第k个采样时刻，空气带走热量，kJ/h，ρair空气密度，kg/m3，已知值，Cpair空气比热，kJ/(kg.℃)，已知值，QT(k)＝0.063×QO(k)第k个采样时刻，脱附热量，kJ/h，Qq(k)＝Fex(k)Cpwater(Tex_out(k)-Tex_in(k))第k个采样时刻，再生取热器取热量，kJ/h，Cpwater冷却水比热，kJ/(kg.℃)，已知值，步骤(4.4)令得到用于更新多项式系数的一组数据然后利用递推最小二乘算法更新步骤(3)所述多项式系数，更新迭代公式如下其中K(k)是第k个采样时刻的系数校正增益矩阵，P(k)为k时刻的协方差矩阵，其初值P(0)＝105×I，I为单位阵，λ(k)＝0.98为遗忘因子，θ(k)＝[a0(k)，a1(k)，…，aN(k)]′是第k个采样时刻的多项式系数，上标符号“′”表示矩阵转置，下同，步骤(4.5)所述第一个催化剂循环量计算模块根据更新的多项式系数an(k)重新计算催化剂循环量并送所述分布式控制系统DCS显示和后续计算使用；步骤(5)提升管反应热计算模块在所述提升管分为两段的条件下，i＝1，2，计算各段提升管的反应热，步骤(5.1)设定一个所述提升管的模型<mrow><mi>M</mi><msub><mi>p</mi><mi>i</mi></msub><mfrac><msub><mi>dT</mi><mi>ri</mi></msub><mi>dt</mi></mfrac><mo>+</mo><mrow><mo>(</mo><msub><mi>G</mi><mi>oil</mi></msub><msub><mi>Cp</mi><mi>oil</mi></msub><mo>+</mo><msub><mi>G</mi><mi>C</mi></msub><msub><mi>Cp</mi><mi>cat</mi></msub><mo>+</mo><msub><mi>G</mi><mi>w</mi></msub><msub><mi>Cp</mi><mi>w</mi></msub><mo>)</mo></mrow><mrow><mo>(</mo><msub><mi>T</mi><mi>ri</mi></msub><mo>-</mo><msub><mi>T</mi><mrow><mi>r</mi><mrow><mo>(</mo><mi>i</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msub><mo>)</mo></mrow><mo>-</mo><msub><mi>H</mi><mi>lossi</mi></msub><mo>=</mo><msub><mi>G</mi><mi>oil</mi></msub><msub><mi>H</mi><mi>ri</mi></msub><mo>,</mo></mrow>其中Tri第i段提升管的出口温度，℃，Tr0＝Tr(i-1)，i＝1第1段提升管的入口温度，℃，Mpi第i段提升管物料和器壁的热容量，kJ/℃，已知值，Cpoil油气比热，kJ/(kg.℃)，已知值，Cpcat催化剂比热，kJ/(kg.℃)，已知值，Cpw水蒸汽热容量，kJ/kg，已知值，GC由再生阀门模型计算得到的催化剂循环量，kg/h，Hlossi第i段提升管的热损失，kJ/h，已知值，Hri第i段提升管的反应热，kJ/kg原料油，步骤(5.2)离散化提升管模型方程，得到反应热计算公式计算所述各段提升管的反应热<mrow><msub><mi>H</mi><mi>ri</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>&gamma;</mi><mo>)</mo></mrow><msub><mi>H</mi><mi>ri</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mi>&gamma;</mi><mrow><mo>(</mo><msub><mi>Mp</mi><mi>i</mi></msub><mfrac><mrow><msub><mi>T</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>T</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow><msub><mi>T</mi><mi>s</mi></msub></mfrac><mo>+</mo><msub><mi>H</mi><mi>oi</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>H</mi><mi>lossi</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>/</mo><msub><mi>G</mi><mi>oil</mi></msub><mo>,</mo></mrow>其中Hoi(k)＝(Goil(k)Cpoil+GC(k)Cpcat+Gw(k)Cpw)(Tri(k)-Tr(i-1)(k))，0＜γ≤1是滤波参数，最终得到两段提升管的总反应热为步骤(6)在第k个采样时刻，所述提升管反应深度自适应非线性预测控制模块按下述步骤进行反应深度控制，步骤(6.1)建立面向动态控制的提升管非线性动态数学模型<mrow><mfencedopen='{'close=''><mtable><mtr><mtd><mfrac><msub><mi>dT</mi><mrow><mi>r</mi><mn>1</mn></mrow></msub><mi>dt</mi></mfrac><mo>=</mo><mo>-</mo><mfrac><mn>1</mn><mrow><msub><mi>s</mi><mrow><mi>T</mi><mn>1</mn></mrow></msub><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msub><mi>&Gamma;</mi><mn>1</mn></msub><mo>)</mo></mrow></mrow></mfrac><mrow><mo>(</mo><msub><mi>T</mi><mrow><mi>r</mi><mn>1</mn></mrow></msub><mo>-</mo><msub><mi>T</mi><mrow><mi>r</mi><mn>0</mn></mrow></msub><mo>)</mo></mrow><mo>-</mo><mfrac><msub><mi>&Lambda;</mi><mn>1</mn></msub><mrow><msub><mi>s</mi><mrow><mi>T</mi><mn>1</mn></mrow></msub><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msub><mi>&Gamma;</mi><mn>1</mn></msub><mo>)</mo></mrow></mrow></mfrac><mfrac><msub><mi>G</mi><mi>C</mi></msub><msub><mi>G</mi><mi>oil</mi></msub></mfrac><msub><mi>C</mi><mrow><mi>c</mi><mn>1</mn></mrow></msub></mtd></mtr><mtr><mtd><mfrac><msub><mi>dT</mi><mrow><mi>r</mi><mn>2</mn></mrow></msub><mi>dt</mi></mfrac><mo>=</mo><mo>-</mo><mfrac><mn>1</mn><mrow><msub><mi>s</mi><mrow><mi>T</mi><mn>2</mn></mrow></msub><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msub><mi>&Gamma;</mi><mn>2</mn></msub><mo>)</mo></mrow></mrow></mfrac><mrow><mo>(</mo><msub><mi>T</mi><mrow><mi>r</mi><mn>2</mn></mrow></msub><mo>-</mo><msub><mi>T</mi><mrow><mi>r</mi><mn>1</mn></mrow></msub><mo>)</mo></mrow><mo>-</mo><mfrac><msub><mi>&Lambda;</mi><mn>2</mn></msub><mrow><msub><mi>s</mi><mrow><mi>T</mi><mn>2</mn></mrow></msub><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msub><mi>&Gamma;</mi><mn>2</mn></msub><mo>)</mo></mrow></mrow></mfrac><mfrac><msub><mi>G</mi><mi>C</mi></msub><msub><mi>G</mi><mi>oil</mi></msub></mfrac><mrow><mo>(</mo><msub><mi>C</mi><mrow><mi>c</mi><mn>2</mn></mrow></msub><mo>-</mo><msub><mi>C</mi><mrow><mi>c</mi><mn>1</mn></mrow></msub><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>,</mo></mrow>其中油气在第i段提升管的滞留时间，h，Vri第i段提升管体积，m3，已知值，ρoil第1段提升管入口处的油气密度，kg/m3，已知值，<mrow><msub><mi>&Gamma;</mi><mi>i</mi></msub><mo>=</mo><mfrac><mrow><mfrac><mrow><msub><mi>V</mi><mi>Li</mi></msub><msub><mi>&rho;</mi><mi>L</mi></msub></mrow><mrow><msub><mi>V</mi><mi>ri</mi></msub><msub><mi>&rho;</mi><mi>oil</mi></msub></mrow></mfrac><msub><mi>Cp</mi><mi>m</mi></msub></mrow><mrow><msub><mi>Cp</mi><mi>oil</mi></msub><mo>+</mo><mfrac><msub><mi>G</mi><mi>C</mi></msub><msub><mi>G</mi><mi>oil</mi></msub></mfrac><msub><mi>Cp</mi><mi>cat</mi></msub><mo>+</mo><mfrac><msub><mi>G</mi><mi>w</mi></msub><msub><mi>G</mi><mi>oil</mi></msub></mfrac><msub><mi>Cp</mi><mi>w</mi></msub></mrow></mfrac><mo>:</mo></mrow>无量纲热容校正系数，VLi第i段提升管耐磨耐热层体积，m3，已知值，ρL提升管耐磨耐热层密度，kg/m3，已知值，Cpm提升管耐磨耐热层的比热，kJ/(kg.℃)，已知值，GC由再生阀门模型计算得到的催化剂循环量，kg/h，<mrow><msub><mi>&Lambda;</mi><mi>i</mi></msub><mo>=</mo><mfrac><mrow><mi>&Delta;</mi><msub><mi>H</mi><mi>CR</mi></msub></mrow><mrow><msub><mi>Cp</mi><mi>oil</mi></msub><mo>+</mo><mfrac><msub><mi>G</mi><mi>C</mi></msub><msub><mi>G</mi><mi>oil</mi></msub></mfrac><msub><mi>Cp</mi><mi>cat</mi></msub><mo>+</mo><mfrac><msub><mi>C</mi><mi>w</mi></msub><msub><mi>G</mi><mi>oil</mi></msub></mfrac><msub><mi>Cp</mi><mi>w</mi></msub></mrow></mfrac><mo>:</mo></mrow>反应热与物料比热之比，℃，ΔHCR反应热，kJ/kg催化碳，已知值，Cci第i段提升管出口处催化剂的催化碳含量，％，已知值Cpoil_L原料油比热，kJ/(kg.℃)，已知值，ΔHv原料油气化热，kJ/kg原料油，已知值，步骤(6.2)在第k个采样时刻，提升管反应深度自适应非线性预测控制模块通过控制原料油预热温度和再生阀门开度，使第二段提升管出口温度和反应热达到各自设定值和即，采用Levenberg-Marquardt优化算法求解下述优化问题<mrow><munder><munder><mi>min</mi><mrow><msub><mi>T</mi><mi>oil</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>,</mo><mi>ivp</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>)</mo></mrow></mrow></munder><mrow><mi>j</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><msub><mi>L</mi><mn>2</mn></msub></mrow></munder><mi>J</mi><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><msub><mi>l</mi><mn>1</mn></msub><mo>=</mo><mn>1</mn></mrow><msub><mi>L</mi><mn>1</mn></msub></munderover><msup><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>H</mi><mi>r</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><msubsup><mi>H</mi><mi>r</mi><mo>*</mo></msubsup></mtd></mtr><mtr><mtd><msub><mi>T</mi><mrow><mi>r</mi><mn>2</mn></mrow></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><msubsup><mi>T</mi><mrow><mi>r</mi><mn>2</mn></mrow><mo>*</mo></msubsup></mtd></mtr></mtable></mfenced><mo>&prime;</mo></msup><mi>Q</mi><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>H</mi><mi>r</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><msubsup><mi>H</mi><mi>r</mi><mo>*</mo></msubsup></mtd></mtr><mtr><mtd><msub><mi>T</mi><mrow><mi>r</mi><mn>2</mn></mrow></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>1</mn></msub><mo>)</mo></mrow><mo>-</mo><msubsup><mi>T</mi><mrow><mi>r</mi><mn>2</mn></mrow><mo>*</mo></msubsup></mtd></mtr></mtable></mfenced></mrow><mrow><mo>+</mo><munderover><mi>&Sigma;</mi><mrow><msub><mi>l</mi><mn>2</mn></msub><mo>=</mo><mn>1</mn></mrow><msub><mi>L</mi><mn>2</mn></msub></munderover><msup><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>T</mi><mi>oil</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>-</mo><msub><mi>T</mi><mi>oil</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi>ivp</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>-</mo><mi>ivp</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>&prime;</mo></msup><mi>R</mi><mfencedopen='['close=']'><mtable><mtr><mtd><msub><mi>T</mi><mi>oil</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>-</mo><msub><mi>T</mi><mi>oil</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mi>ivp</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>)</mo></mrow><mo>-</mo><mi>ivp</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><msub><mi>l</mi><mn>2</mn></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mtd></mtr></mtable></mfenced></mrow>得到控制量Toil(k+l2)，ivp(k+l2)，l2＝1，…，L2，其中L1＝10为预测步长，L2＝2为控制步长，Hr(k+l1)是根据(6.1)所述提升管模型预测k+l1时刻的反应热值，Tr2(k+l1)是根据(6.1)所述提升管模型预测k+l1时刻的第2段提升管出口温度值，Toil(k+l2)是k+l2时刻的原料油预热温度的预测值，ivp(k+l2)是k+l2时刻的再生阀门开度的预测值，是输出变量加权矩阵，是控制变量加权矩阵；步骤(7)所述提升管反应深度自适应非线性预测控制模块将步骤(6.2)得到的Toil(k+1)和ivp(k+1)分别作为k+1时刻原料油预热温度PID控制器的设定值和k+1时刻再生阀门开度的设定值，然后转入k+1时刻，重复执行步骤(2)-(7)直至达到设定的采样总数K。FSA00000159643000011.tif,FSA00000159643000012.tif,FSA00000159643000023.tif,FSA00000159643000025.tif,FSA00000159643000026.tif,FSA00000159643000031.tif,FSA00000159643000032.tif,FSA00000159643000033.tif,FSA00000159643000034.tif,FSA00000159643000035.tif,FSA00000159643000043.tif,FSA00000159643000051.tif,FSA00000159643000054.tif,FSA00000159643000055.tif,FSA00000159643000061.tif,FSA00000159643000062.tif全文摘要催化裂化反应深度在线计算和自适应非线性预测控制方法属于工业过程自动控制
技术领域：
，其特征在于，利用再生器热平衡计算得到的相对准确的催化剂循环量在线校正再生阀门流量特性模型的参数，然后基于校正后的再生阀门流量特性模型完成催化剂循环量的实时计算；在此基础上，基于提升管动态数学模型在线计算催化裂化反应热及实现提升管反应深度自适应非线性预测控制。文档编号G05B13/04GK101859103SQ201010196660公开日2010年10月13日申请日期2010年6月2日优先权日2010年6月2日发明者刘祁跃,王平,黄德先申请人:清华大学