一种预测催化裂化焦炭产率的方法
【专利摘要】本发明涉及了一种预测催化裂化焦炭产率的方法，所述方法包括以下步骤：(1)获得与催化裂化的原料性质、催化剂性质和操作有关的基础数据，以及焦炭产率的实际值，对上述数据进行预处理，再进行归一化处理；(2)利用BP神经网络进行模型训练，以步骤(1)所得归一化处理后的基础数据为输入值，以实际值为期望输出，获得预测焦炭产率的模型；(3)对现场采集的与催化裂化的原料性质、催化剂性质和操作有关的基础数据进行预处理作为预测数据，将预测数据代入步骤(2)获得的模型中，获得焦炭产率预测值。本发明提供的方法计算速度快，准确性好，可以广泛应用于工业生产。
【专利说明】一种预测催化裂化焦炭产率的方法
【技术领域】
[0001] 本发明涉及石油化工领域，具体涉及一种预测催化裂化焦炭产率的方法。
【背景技术】
[0002] 重油催化裂化（RFCC)在我国炼油工业占有重要地位，是炼厂提高经济效益的重 要手段。但随着原油的重质化、劣质化，我国RFCC原料的掺渣率不断提高，原料性质越来越 差，使RFCC产物分布及产品质量变差，轻质油收率低，焦炭干气产率高。由于催化裂化是极 其复杂的平行顺序反应，是反应与流动、传质传热的高度耦合。其反应过程和产品分布受到 原料性质、催化剂性质以及操作条件影响，难以建立精确的数学表达式来描述其动态的生 产过程，难以预测产品分布。
[0003] 目前计算催化裂化过程产品收率的关联式一般根据实际操作数据和中型实验数 据得出，适用于工艺方案估算或技术经济评价，难以用于具体指导工程设计或现场优化操 作。BP神经网络作为一种非线性统计性数据建模工具，具有独特的分布并行处理、自适应能 力和非线性预测能力。中国专利CN 102737288 A提出了一种基于RBF神经网络参数自优 化水质多步预测方法，通过在线水质监测仪器的远程传输，将各个监测站的数据存到本地 服务器的数据库中，然后对水质样本序列进行归一化处理，经过RBF神经网络模型训练、预 测，最终试验对水质进行预测。中国专利CN 103559556 A提出了一种在线预测电力系统负 荷能力极限的方法，改方法由基于电网状态相似度指标的样本筛选方法、Lasso方法和误差 反向传播型神经网络三部分组成。
[0004] 虽然利用神经网络预测工业装置的某些性质等已广泛应用，但在石油化工行业 中，尤其在催化裂化中对于焦炭产率的预测依然是空白。
【发明内容】
[0005] 本发明的目的在于，利用BP神经网络分析催化裂化装置得到的影响焦炭产率数 据，从而快速预测催化裂化装置的焦炭产率，为进一步合理优化原料性质、催化剂性质以及 操作条件等，最大限度生产液体燃料等提供一定的指导意见。
[0006] 本发明提供了一种预测催化裂化焦炭产率的方法，所述方法包括以下步骤：
[0007] (1)获得与催化裂化的原料性质、催化剂性质和操作有关的基础数据，以及焦炭产 率的实际值，对上述数据进行预处理，再进行归一化处理；
[0008] (2)利用BP神经网络进行模型训练，以步骤（1)所得归一化处理后的基础数据为 输入值，以实际值为期望输出，获得预测焦炭产率的模型；
[0009] (3)对现场采集的与催化裂化的原料性质、催化剂性质和操作有关的基础数据进 行预处理作为预测数据，将预测数据代入步骤（2)获得的模型中，获得焦炭产率预测值。 [0010] 本发明步骤（1)所述与原料性质、催化剂性质和操作有关的基础数据以及焦炭产 率的实际值均从生产现场通过常规实验采集获得。
[0011] 其中，步骤（1)所述与原料性质有关的基础数据包括以下参数：原料油饱和烃含 量、原料油芳烃含量、原料油浙青质+胶质含量、原料油10%馏出温度、原料油50%馏出温 度、原料油90%馏出温度和原料油钠含量。
[0012] 步骤（1)所述与催化剂性质有关的基础数据包括以下参数：催化剂活性、再生剂 微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含量、再生剂镍和钒含量。
[0013] 步骤（1)所述与操作有关的基础数据包括以下参数：催化剂温度、原料温度、反应 温度、反应压力、原料油量、预提升蒸汽流量、原料油雾化蒸汽流量、预提升干气流量、回炼 t匕、剂油比、二反料位和粗汽油至提升管反应器流控。
[0014] 本发明步骤（1)或（3)所述预处理具体为：取各个参数的共同时间段内的数据，对 各个参数进行异常值的剔除，所述异常值包括零、负值、空数据以及与平均值之差大于3倍 标准差的数据。
[0015] 本发明步骤（1)所述归一化处理为：将样本序列定为{X(n)}，按照最大最小法对 数据进行归一化处理，所述最大最小法公式为X k = (Xi-Xmin) AXmax-Xmin)，其中，Xmax和Xmin分 别是{X(η)}的最大值和最小值。
[0016] 本发明步骤（2)所述的BP神经网络结构如图1所示；作为一种非线性建模和预测 方法具有良好的非线性品质、极高的拟合精度和泛化功能，是一种单向传播的多层前馈神 经网络，该网络的主要特点是信号前向传播，误差反向传播。X 1, X2，…，乂"是8?神经网络 的输入值，Y1, Y2，…，Yn^ BP神经网络的预测值，Coij和Cojk为BP神经网络权值。输入信 号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状 态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从 而使BP神经网络预测输出不断逼近期望输出。
[0017] 所述BP神经网络包括输入层、输出层和隐含层各一层；其中，步骤（1)所得归 一化处理后的基础数据作为输入层，焦炭产率作为输出层，隐含层节点数选择参考公式 HK-n-U isUZiOj+.式中，m为输入节点数，优选为25, η为输出节点数，优选为1，分别 比较不同节点下训练模型获得的均方误差，找出最佳隐层节点数H ;输入层与隐含层之间 用正切S型函数tansig作为传递函数，用选择性作用函数Lin作为输出层和隐含层之间 的传递函数，用函数输入输出数据训练BP神经网络。
[0018] 本发明步骤（2)还包括BP神经网络初始化步骤，优选该步骤的参数为：在步骤 (1)所得的数据中随机选择99%组数据作为训练样本，利用BP神经网络对训练样本进行模 型训练，设置的迭代次数为100次，学习率为〇. 2,目标值为0. 00004 ;当迭代结果的误差小 于允许误差0. 001?0. 00001，系统结束迭代计算，模型构建完成。
[0019] 本发明所述BP神经网络的算法流程如图2所示。
[0020] 本发明通过BP神经网络对炼厂催化裂化装置的焦炭产率进行分析，建立了焦炭 产率模型，可以在线预测催化裂化装置焦炭产率。本发明提供的方法计算速度快，准确性 好，可以广泛应用于工业生产。
【专利附图】
【附图说明】
[0021] 图1为BP神经网络的结构图。
[0022] 图2为BP神经网络的算法流程示意图。
[0023] 图3为BP神经网络预测催化裂化焦炭产率与真实产率比较图。
[0024] 图4为BP神经网络预测催化裂化焦炭产率预测绝对误差曲线图。
【具体实施方式】
[0025] 以下实施例用于说明本发明，但不用来限制本发明的范围。
[0026] 实施例1
[0027] 以A炼厂催化裂化装置的一年数据为研究对象，利用BP神经网络对采集的13万 组数据进行预处理、归一化、模型训练、模型验证，从而在线实现焦炭产率预测，具体实施步 骤如下：
[0028] (1)从生产现场通过常规实验采集与原料性质、催化剂性质和操作有关的基础数 据以及焦炭产率实际值；其中，与原料性质有关的基础数据包括以下参数：原料油饱和烃 含量、原料油芳烃含量、原料油浙青质+胶质含量、原料油10%馏出温度、原料油50%馏出 温度、原料油90%馏出温度和原料油钠含量；与催化剂性质有关的基础包括以下参数：催 化剂活性、再生剂微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含量、再生剂镍和 钒含量；与操作有关的基础包括以下参数：催化剂温度、原料温度、反应温度、反应压力、原 料油量、预提升蒸汽流量、原料油雾化蒸汽流量、预提升干气流量、回炼比、剂油比、二反料 位和粗汽油至提升管反应器流控；
[0029] 对数据进行预处理，所述预处理步骤为：取各个参数的共同时间段内的数据，对各 个参数进行异常值的剔除，所述异常值包括零、负值、空数据以及与平均值之差大于3倍标 准差的数据，得到1万组数据；
[0030] 再进行归一化处理，所述归一化处理方法为：将样本序列定为{X(n)}，按照最大 最小法对数据进行归一化处理，所述最大最小法公式为X k = (Xi-Xmin) AXmax-Xmin),其中，Xk 为归一化值，Xi为现场采集的数据，Xmax和Xmin分别是{x(n)}的最大值和最小值；
[0031] (2)利用BP神经网络对步骤⑴所得归一化处理后的数据进行模型训练，获得焦 炭产率模型；
[0032] 其中，步骤（1)所得归一化处理后的基础数据作为输入层，焦炭产率作为输出层， 焦炭产率实际值作为期望输出；隐含层节点数选择参考公式： 式 中：m = 25为输入节点数，η = 1为输出节点数，分别比较不同节点下训练和验证模型获得 的均方误差，找出最佳隐层节点数H = 7 ;输入层与隐含层之间用正切S型函数tansig作 为传递函数，用选择性作用函数Lin作为输出层和隐含层之间的传递函数；
[0033] 在步骤（1)所得1万组数据中随机选择9900组数据作为训练样本，利用BP神经网 络对训练样本进行模型训练，设置的迭代次数为100次，学习率为〇. 2,目标值为0. 00004 ; 当迭代结果的误差小于允许误差〇. 001?〇. 00001，系统结束迭代计算，模型构建完成。
[0034] (3)在步骤（1)所得1万组数据中随机选择1组基础数据作为预测样本，代入步骤 (2)获得的焦炭产率模型中，获得焦炭产率预测值，所述数据和所得预测值见表1。
[0035] 表1 :影响焦炭产率的参数的数值以及焦炭产率数值
[0036]
【权利要求】
1. 一种预测催化裂化焦炭产率的方法，所述方法包括以下步骤： (1) 获得与催化裂化的原料性质、催化剂性质和操作有关的基础数据，以及焦炭产率的 实际值，对上述数据进行预处理，再进行归一化处理； (2) 利用BP神经网络进行模型训练，以步骤⑴所得归一化处理后的基础数据为输入 值，以实际值为期望输出，获得预测焦炭产率的模型； (3) 对现场采集的与催化裂化的原料性质、催化剂性质和操作有关的基础数据进行预 处理作为预测数据，将预测数据代入步骤（2)获得的模型中，获得焦炭产率预测值。
2. 根据权利要求1所述的方法，其特征在于，步骤（1)所述与原料性质有关的基础数 据包括以下参数：原料油饱和烃含量、原料油芳烃含量、原料油浙青质+胶质含量、原料油 10%馏出温度、原料油50%馏出温度、原料油90%馏出温度和原料油钠含量。
3. 根据权利要求1所述的方法，其特征在于，步骤（1)所述与催化剂性质有关的基础包 括以下参数：催化剂活性、再生剂微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含 量、再生剂镍和钥;含量。
4. 根据权利要求1所述的方法，其特征在于，步骤（1)所述与操作有关的基础包括以下 参数：催化剂温度、原料温度、反应温度、反应压力、原料油量、预提升蒸汽流量、原料油雾化 蒸汽流量、预提升干气流量、回炼比、剂油比、二反料位和粗汽油至提升管反应器流控。
5. 根据权利要求1?4任意一项所述的方法，其特征在于，步骤（1)或（3)所述预处理 具体为：取各个参数的共同时间段内的数据，对各个参数进行异常值的剔除，所述异常值包 括零、负值、空数据以及与平均值之差大于3倍标准差的数据。
6. 根据权利要求1?4任意一项所述的方法，其特征在于，步骤（1)所述归一化处理 为：将样本序列定为{X(n)}，按照最大最小法对数据进行归一化处理，所述最大最小法公 式为Xk = (Xi-Xmin)AXmax-Xmin)，其中，Xk为归一化值，Xi为现场采集的数据，Xmax和Xmin分别 是{X(η)}的最大值和最小值。
7. 根据权利要求1所述的方法，其特征在于，步骤（2)所述BP神经网络包括输 入层、输出层和隐含层各一层；其中，步骤（1)所得归一化处理后的基础数据作为输入 层，焦炭产率作为输出层，焦炭产率实际值作为期望输出；隐含层节点数选择参考公式 IiSLSW:!,式中，m为输入节点数，η为输出节点数，分别比较不同节点下训练 模型获得的均方误差，找出最佳隐层节点数H;输入层与隐含层之间用正切S型函数tansig作为传递函数，隐含层和输出层之间用选择性作用函数Lin作为传递函数，利用上述函数 输入输出数据训练BP神经网络。
8. 根据权利要求7所述的方法，其特征在于，所述步骤（2)包括BP神经网络初始化步 骤，该步骤的具体参数为：在步骤（1)所得数据中随机选择99%组数据作为训练样本，利用 BP神经网络对训练样本进行模型训练，设置的迭代次数为100次，学习率为0. 2,目标值为 0. 00004 ;当迭代结果的误差小于允许误差0. 001?0. 00001，系统结束迭代计算，模型构建 完成。
【文档编号】G06N3/12GK104463327SQ201410585073
【公开日】2015年3月25日 申请日期:2014年10月27日 优先权日:2014年10月27日
【发明者】蓝兴英, 彭丽, 吴迎亚, 吕林英, 高金森 申请人:中国石油大学(北京)