面向增产催化裂化高附加值产品模拟的混合建模方法

1.本发明涉及石油化工技术领域，具体地涉及一种面向增产催化裂化高附加值产品模拟的混合建模方法及一种面向增产催化裂化高附加值产品模拟的混合建模装置。


背景技术：

2.催化裂化工艺是石油炼制经过工业中重油轻质化的重要手段之一，经过催化裂化工艺得到的催化裂化(fcc-fluid catalytic cracking)产品是主要的交通运输燃料。其具体过程为：烃类油料通过雾化喷嘴进入提升管反应器中，并与来自再生器的高温催化剂接触；当烃类油料混合着高温催化剂向上流动时，烃类油料会蒸发并分解为较小的分子，由于此过程中发生了裂化反应，气相的速度会随着提升管反应器高度的增加而增加，同时，裂化反应时会生成焦炭，它在高温催化剂表面沉积，从而使高温催化剂失去活性，裂化后的烃蒸气在分离器中与失活的高温催化剂分离，一部分烃类蒸汽会吸附在高温催化剂表面，并在催化剂汽提塔中用蒸汽汽提出来；将裂化后的烃类蒸汽送入精馏塔进一步分离，而失活的高温催化剂流入再生器中，在再生器中，沉积在高温催化剂表面上的焦炭被烧掉以再生催化剂，催化剂在再生过程中升温，这类经过高温的再生催化剂循环回到提升管反应器继续得到利用。整个过程中，高温催化剂也起热载体的作用，提供提升管反应器中吸热裂化反应所需的热量以及原料蒸发所需的热量。
3.针对提升管反应器的详细建模对于研究者来说是一项具有挑战性的任务，因为提升管反应器内不仅涉及到复杂的流体动力学和fcc进料中存在众多的未知碳氢化合物，而且提升管反应器内害同时发生了不同类型的反应。由于分析和计算的限制，原料中存在的大量未知化合物结合的催化裂化详细集总动力学模型难以用于工业规模的fcc提升管反应器的数学建模。目前主流的针对fcc提升管反应器的建模方式是使用集总动力学的方法，但是目前的方法也普遍存在着一些不足：例如集总划分不合理，过于简单的集总划分往往导致模型精度低，外推性差，以及无法获得一些性质关键指标的预测结果，而提高集总数虽然可以解决上述问题，但在实际应用过程中往往由于工业条件下分析能力以及手段有限，无法获得模型需要的参数以及变量，同时过多的集总数也往往导致计算量几何倍数增长，增加了计算负荷。
4.在这种状况下，利用数据驱动方法构建模型的方法就倍受青睐；数据驱动建模法从历史输入和输出信息中提取数据中的有效信息，有效地构建原始变量和新变量之间的数学关系，不用了解太多化学机理，便可以使用数据进行建模，从而把建模变得简洁高效。
5.但是，由于催化裂化反应工艺具有多变量、强干扰、大滞后、强耦合等特点，是一个非常复杂的大工业系统复杂性，仅依靠生产过程历史数据，很难挖掘出可以充分反映各参数变量对生产过程的影响，所建立的模型外延性不高；因此，如何通过合理设置反应组分数、反应的反应网络和数据建模方法，构建实用的催化裂化机理模型亟待解决。


技术实现要素：

6.本发明实施方式的目的是提供一种面向增产催化裂化高附加值产品模拟的混合建模方法，以至少解决上述的现有模型预测精度低，外推性差、运行速度慢的问题。
7.为了实现上述目的，本发明第一方面提供一种面向增产催化裂化高附加值产品模拟的混合建模方法，包括：
8.将催化裂化反应原料类型体系划分为m个集总组分，建立集总动力学模型；
9.以催化裂化反应装置的操作数据作为输入，通过所述集总动力学模型预测不同工况下所述m个集总组分的质量浓度数据；
10.根据预测的不同工况下所述m个集总组分的质量浓度数据，结合对应的实测高附加值产品的化学性质指标数据，建立高附加值产品的数据预测模型，所述高附加值产品的数据预测模型用于预测所述高附加值产品的化学性质。
11.可选的，所述将催化裂化反应原料类型体系划分为m个集总组分，建立集总动力学模型，包括：
12.基于集总理论，将催化裂化反应原料类型体系划分为m个集总组分；
13.基于催化反应特性，针对所述m个集总组分建立n个催化裂化反应的反应网络；
14.根据实测的不同工况下所述m个集总组分的收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型。
15.可选的，所述高附加值产品包括乙烯、丙烯、c5～210℃馏分；所述催化裂化反应原料类型体系包括：直馏馏分油、渣油、脱沥青油、回炼油经芳烃抽提后的抽余油、热加工馏分油、加氢处理油。
16.可选的，所述m个集总组分基于催化裂化馏程和族组成进行划分。
17.可选的，所述催化裂化反应装置的操作数据包括：原料混合系统、烟气主风系统、反应再生系统、主分馏塔及其附属流程、柴油汽提塔、吸收塔、再吸收塔、稳定塔对应的装置实际操作控制点位的数据。
18.可选的，所述根据实测的催化裂化产品收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型，包括：
19.在所述n个催化裂化反应的反应网络的基础上，按照平推流形式建立集总动力学模型，表达式为：
[0020][0021]
其中，yj表示集总组分的质量浓度，单位为kg/kg；s表示无因次距离，且s＝s/l，s为提升管高度位置，单位为m；l为提升管总长，单位为m；kj为集总反应速率常数，单位为m3/(kg.h)，通过拟合催化裂化反应装置的历史操作数据得到；ρ为气体密度，单位为kg/m3；v
wh
为真实重时空速，单位为h-1
，v
wh
＝g
进料(油+惰性物)
/g
(催化剂)
；g
进料(油+惰性物)
为进料总重量，g
(催化剂)
为催化剂重量，分别通过原料混合系统、反应再生系统得到；
[0022]
在考虑催化剂结焦失活、重芳烃吸附失活、碱氮吸附失活的影响的情况下，设为催化剂失活项，包括结焦失活、重芳烃吸附失活、碱氮吸附失活，则
其中，β为催化剂结焦失活因子；xc为催化剂焦炭含量，单位为wt％，通过烟气主风系统得到；α为催化剂结焦失活函数指数；da为重芳烃吸附失活因子，通过原料混合系统得到；xa为原料油残碳含量，单位为m％，dn为碱氮吸附失活因子，通过原料混合系统得到；xn为原料油碱氮含量，通过原料混合系统得到，单位为wt％；tc为催化剂停留时间，单位为s，通过反应再生系统得到；φ
c/o
为反应剂油比，单位为kg/kg，通过反应再生系统得到。
[0023]
可选的，所述根据实测的催化裂化产品收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型，还包括：
[0024]
采用非线性曲线拟合和数据补偿方式，处理实测的催化裂化产品收率数据，得到实测集总组分数据作为所述集总动力学模型的输入数据。
[0025]
可选的，所述集总动力学模型的输出为：
[0026]
与所述m个集总组分对应的m个多维数组的微分方程组，通过求解所述m个多维数组的微分方程组，得到所述集总动力学模型的输出，即所述m个集总组分的质量浓度数据。
[0027]
可选的，所述方法还包括：对所述集总动力学模型的模型参数进行优化；所述集总动力学模型的模型参数包括：每一催化裂化反应的反应网络对应的指前因子和活化能、以及5个全局失活因子。
[0028]
可选的，所述对所述集总动力学模型的模型参数进行优化，包括：
[0029]
通过所述集总动力学模型预测不同工况下所述m个集总组分的收率数据；
[0030]
采用自适应和声算法对所述集总动力学模型的模型参数进行优化，通过计算实测的不同工况下所述m个集总组分的收率数据与预测的不同工况下所述m个集总组分的收率数据的均方误差，并将所述均方误差作为批判标准，所述批判标准为：均方误差小于0.1。
[0031]
可选的，所述建立高附加值产品的数据预测模型，包括：
[0032]
设所述高附加值产品的实测的化学性质指标数据为其对应的集总组分的质量浓度数据的非线性函数，建立高附加值产品的数据预测模型，所述高附加值产品的数据预测模型的数学关系模型表达式为：
[0033]
m＝f(x1,
…
,xi)(1《i≤m)
[0034]
其中，x为所述高附加值产品的数据预测模型中集总组分的质量浓度数据；
[0035]
利用核偏最小二乘法，将所述高附加值产品的数据预测模型的数学关系模型转化为非线性数学关系模型：
[0036][0037]
其中：为预测的高附加值产品的化学性质指标数据，用于表示高附加值产品的性质；为核矩阵；u为实测高附加值产品的化学性质指标数据的得分向量组成的矩阵；t为高附加值产品对应的集总组分的质量浓度数据的得分向量组成的矩阵；x为高附加值产品对应的集总组分的质量浓度数据。
[0038]
本发明的第二方面提供一种面向增产催化裂化高附加值产品模拟的混合建模装置，包括：
[0039]
生成模块，用于将催化裂化反应原料类型体系划分为m个集总组分，建立集总动力学模型；
[0040]
预测模块，用于以催化裂化反应装置的操作数据作为输入，通过集总动力学模型预测不同工况下m个集总组分的质量浓度数据；
[0041]
训练模块，用于根据预测的不同工况下所述m个集总组分的质量浓度数据，结合对应的实测高附加值产品的化学性质指标数据，建立高附加值产品的数据预测模型，所述高附加值产品的数据预测模型用于预测所述高附加值产品的化学性质。
[0042]
可选的，所述生成模块，包括：
[0043]
划分模块，用于基于集总理论，将催化裂化反应原料类型体系划分为m个集总组分；
[0044]
建立模块，用于基于催化反应特性，针对所述m个集总组分建立n个催化裂化反应的反应网络；
[0045]
建模模块，用于根据实测的不同工况下所述m个集总组分的收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型。
[0046]
可选的，所述建模模块还包括：
[0047]
优化模块，用于对所述集总动力学模型的模型参数进行优化。
[0048]
本发明的第三方面，提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的面向增产催化裂化高附加值产品模拟的混合建模方法。
[0049]
另一方面，本发明提供一种采用如上所述的建模方法建立的高附加值产品的数据预测模型，用于预测c5～210℃馏分辛烷值。
[0050]
通过上述技术方案，本发明将催化裂化过程的物料根据组分、馏程划分为m个集总，构建n个催化裂化反应的反应网络，并利用智能优化算法求解、优化集总动力学模型的模型参数，提升模型准确度，使模型具有较高的模型精度；同时，基于集总动力学模型的部分预测结果，利用数据建模方法构建预测产品性质的高附加值产品性质的数据预测模型。本发明充分利用现有催化工业装置的分析水平和生产需求，从实用性和准确性出发，融合反应机理建模和数据建模方法建立催化裂化装置预测模型，模型的预测精度高、运行速度快，能够准确预测高附加值产品性质的数据，从而得到催化裂化高附加值产品如乙烯、丙烯、c5～210℃馏分的收率以及c5～210℃馏分辛烷值，为装置操作优化提供指导。
[0051]
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0052]
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
[0053]
图1是本发明提供的面向增产催化裂化高附加值产品模拟的混合建模方法的流程图；
[0054]
图2是本发明提供的建立集总动力学模型的流程图；
[0055]
图3是本发明一种实施方式提供的11集总组分的反应网络示意图；
[0056]
图4是本发明提供的自适应和声算法优化集总动力学模型参数流程图；
[0057]
图5是本发明提供的面向增产催化裂化高附加值产品模拟的混合建模装置结构示意图；
[0058]
图6是本发明提供的混合建模装置的生成模块的结构示意图；
[0059]
图7是本发明提供的催化裂化装置的结构示意图；
[0060]
图8是本发明一种实施方式提供的第一反应区温度与11集总组分收率的变化关系示意图；
[0061]
图9是本发明一种实施方式提供的c5～210℃馏分总收率与第一反应区温度的的变化关系示意图；
[0062]
图10是本发明一种实施方式提供的辛烷值数据预测模型对c5～210℃馏分辛烷值预测结果示意图。
[0063]
附图标记说明
[0064]
10-生成模块；
ꢀꢀꢀꢀꢀꢀꢀꢀ
20-预测模块；
ꢀꢀꢀꢀꢀꢀꢀ
30-训练模块；
[0065]
201-划分模块；
ꢀꢀꢀꢀꢀꢀꢀ
202-建立模块；
ꢀꢀꢀꢀꢀꢀ
203-建模模块。
具体实施方式
[0066]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0067]
图1是本发明提供的面向增产催化裂化高附加值产品模拟的混合建模方法的流程图。如图1所示，本发明实施方式提供一种面向增产催化裂化高附加值产品模拟的混合建模方法，所述方法包括：
[0068]
步骤101、将催化裂化反应原料类型体系划分为m个集总组分，建立集总动力学模型；
[0069]
步骤102、以催化裂化反应装置的操作数据作为输入，通过所述集总动力学模型预测不同工况下所述m个集总组分的质量浓度数据；
[0070]
步骤103、根据预测的不同工况下所述m个集总组分的质量浓度数据，结合对应的实测高附加值产品的化学性质指标数据，建立高附加值产品的数据预测模型，所述高附加值产品的数据预测模型用于预测所述高附加值产品的化学性质。
[0071]
具体地，本发明中以一组催化裂化反应装置的操作数据作为输入，便能够得到集总组分的质量浓度数据以及基于部分集总组分的质量浓度数据得到高附加值产品的化学性质。
[0072]
进一步地，图2是本发明提供的建立集总动力学模型的流程图，如图2所示，所述将催化裂化反应原料类型体系划分为m个集总组分，建立集总动力学模型，包括：
[0073]
步骤104、基于集总理论，将催化裂化反应原料类型体系划分为m个集总组分；
[0074]
步骤105、基于催化反应特性，针对所述m个集总组分建立n个催化裂化反应的反应网络；
[0075]
步骤106、根据实测的不同工况下所述m个集总组分的收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型。
[0076]
具体地，根据一种实施方式，以某160万吨/年的mip-cgp催化裂化工业装置为建模
对象，将反应体系划分为c2
＝
、c3
＝
、扣除c3
＝
组分的c3～c4剩余组分(lpg)、c5～210℃馏分中饱和烃(gs)、c5～210℃馏分中烯烃(go)、c5～210℃馏分中芳烃(ga)、210～365℃馏分(d)、365～800℃馏分中饱和烃(fs)、365～800℃馏分中芳烃(fa)、365～800℃馏分中胶质和沥青质(fra)以及焦炭(c)十一个集总组分，根据所述集总动力学模型预测不同工况下十一集总组分的收率数据及c5～210℃馏分的饱和烃、芳烃、烯烃的质量浓度数据，以预测的所述c5～210℃馏分的饱和烃、芳烃、烯烃的质量浓度数据利用高附加值产品的数据预测模型预测出c5～210℃馏分的辛烷值数据；所述m个集总组分基于催化裂化馏程和族组成进行划分，采用划分为十一集总组分的方式，在计算复杂度以及模型信息量之间达到相对平衡，能在减少计算复杂性的同时预测尽可能多的有效信息。
[0077]
所述装置操作数据具体可以为除了原料混合系统、烟气主风系统、反应再生系统、主分馏塔及其附属流程、柴油汽提塔、吸收塔、再吸收塔及稳定塔对应的实际操作控制点位的数据外，还包括其余催化裂化核心流程内对应的装置上实际操作控制点位的数据。
[0078]
图3提供了11集总组分的反应网络示意图，所述11个集总组分的划分基于馏程和族组成；根据划分的十一集总组分，得到所述催化裂化反应的反应网络对应为50个，具体包括：
[0079]
365～800℃馏分(fs、a、fra三个集总组分)的催化裂化反应可以生成(d、gs、go、ga、c2
＝
、c3
＝
、lpg、c)，则此3个集总的裂化反应各8个(总计24个)。
[0080]
210～365℃馏分(d)可以催化裂化生成(gs、go、ga、c2
＝
、c3
＝
、lpg、c)，裂化反应有7个。
[0081]
c5～210℃馏分(gs、go、ga)催化裂化后可以生成(c2
＝
、c3
＝
、lpg、c)，同时考虑gs、go之间可以通过氢转移反应发生相互转化(gs go)或生成芳烃(ga)，因而c5～210℃馏分饱和烃集总(gs)的催化裂化反应6个，c5～210℃馏分烯烃集总(go)的催化裂化反应6个，c5～210℃馏分芳烃集总(ga)的催化裂化反应4个。
[0082]
lpg的催化裂化生成(c2
＝
、c3
＝
、c)的反应，因此lpg集总的催化裂化反应为3个。
[0083]
更进一步地，将所述50个催化裂化反应的反应网络从反应1～反应50进行标号排序，可以得到以下的反应式：
[0084]
反应1：fs
→d[0085]
反应2：fs
→
gs
[0086]
反应3：fs
→
go
[0087]
反应4：fs
→
ga
[0088]
反应5：fs
→
lpg
[0089]
反应6：fs
→
c3
＝
[0090]
反应7：fs
→
c2
＝
[0091]
反应8：fs
→c[0092]
反应9：fa
→d[0093]
反应10：fa
→
gs
[0094]
反应11：fa
→
go
[0095]
反应12：fa
→
ga
[0096]
反应13：fa
→
lpg
[0097]
反应14：fa
→
c3
＝
[0098]
反应15：fa
→
c2
＝
[0099]
反应16：fa
→c[0100]
反应17：fra
→d[0101]
反应18：fra
→
gs
[0102]
反应19：fra
→
go
[0103]
反应20：fra
→
ga
[0104]
反应21：fra
→
lpg
[0105]
反应22：fra
→
c3
＝
[0106]
反应23：fra
→
c2
＝
[0107]
反应24：fra
→c[0108]
反应25：d
→
gs
[0109]
反应26：d
→
go
[0110]
反应27：d
→
ga
[0111]
反应28：d
→
lpg
[0112]
反应29：d
→
c3
＝
[0113]
反应30：d
→
c2
＝
[0114]
反应31：d
→c[0115]
反应32：
[0116]
反应33：gs
→
ga
[0117]
反应34：gs
→
lpg
[0118]
反应35：gs
→
c3
＝
[0119]
反应36：gs
→
c2
＝
[0120]
反应37：gs
→c[0121]
反应38：
[0122]
反应39：go
→
ga
[0123]
反应40：go
→
lpg
[0124]
反应41：go
→
c3
＝
[0125]
反应42：go
→
c2
＝
[0126]
反应43：go
→c[0127]
反应44：ga
→
lpg
[0128]
反应45：ga
→
c3
＝
[0129]
反应46：ga
→
c2
＝
[0130]
反应47：ga
→c[0131]
反应48：lpg
→
c3
＝
[0132]
反应49：lpg
→
c2
＝
[0133]
反应50：lpg
→c[0134]
其中，所述反应1～反应31的反应级数设置为一级或二级反应，所述反应32和反应38为可逆反应。
[0135]
进一步地，所述高附加值产品包括乙烯、丙烯、c5～210℃馏分；所述催化裂化反应原料类型体系包括：直馏馏分油、渣油、脱沥青油、回炼油经芳烃抽提后的抽余油、热加工馏分油、加氢处理油。
[0136]
进一步地，所述根据实测的催化裂化产品收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型，包括：
[0137]
在11集总催化裂化反应的反应网络的基础上，考虑催化剂结焦失活、重芳烃吸附失活、碱氮吸附失活的影响，按照平推流形式，建立完整的集总动力学模型，设所述集总动力学模型表达式为：
[0138][0139]
其中，yj表示集总组分的质量浓度，单位为kg/kg；s表示无因次距离，且s＝s/l，s为提升管高度位置，单位为m；l为提升管总长，单位为m；kj为集总反应速率常数，单位为m3/(kg.h)，通过拟合催化裂化反应装置的历史操作数据得到；ρ为气体密度，单位为kg/m3，可以采用气体状态方程进行计算，如理想气体状态方程、雷德利希-邝氏状态方程(redlich-kwong equation of state，rk方程)等，在未具体限定的情况下默认采用理想气体状态方程进行计算；v
wh
为真实重时空速，单位为h-1
，v
wh
＝g
进料(油+惰性物)
/g
(催化剂)
，g
进料(油+惰性物)
为进料总重量，g
(催化剂)
为催化剂重量，分别通过原料混合系统、反应再生系统获取，具体地，可以通过原料混合系统、反应再生系统的实际操作控制点位的数据获取；为催化剂失活项，包括结焦失活、重芳烃吸附失活、碱氮吸附失活，其中，β为催化剂结焦失活因子；xc为催化剂焦炭含量，单位为wt％，通过烟气主风系统得到；α为催化剂结焦失活函数指数；da为重芳烃吸附失活因子，通过原料混合系统得到；xa为原料油残碳含量，单位为m％，dn为碱氮吸附失活因子，通过原料混合系统得到；xn为原料油碱氮含量，单位为wt％，通过原料混合系统得到；tc为催化剂停留时间，单位为s，通过反应再生系统得到；φ
c/o
为反应剂油比，单位为kg/kg，通过反应再生系统得到。具体地，以上的数据均可以通过各自对应的系统的实际操作控制点位的数据进行获取；
[0140]
根据50个反应网络中各个集总之间的反应网络，可以得到11集总的反应速率微分方程组，其向量形式为：
[0141]
y＝[fs fa fra d gs go ga lpg c3
＝ dr c]
t
[0142][0143]
在k矩阵中，k
i,j
为集总i反应生成集总j的反应速率常数，i代表反应物集总，j代表生成物集总，速率常数符合阿伦尼乌斯方程，即
[0144][0145]
其中，k0
i,j
，ea
i,j
分别为集总i生成集总j反应的指前因子和活化能，而t为反应温度，r为摩尔气体常数，在si制下取值为8.3145。
[0146]
由于提升管反应器的特性，同时出于简化计算的需求，忽略径向上的流动，使用一维流动模型进行考虑。
[0147]
11集总反应集总动力学模型包含50个反应，每个反应的速率常数k均包含指前因子以及活化能，因此模型的待求参数总共有100个。
[0148]
进一步地，所述根据实测的催化裂化产品收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型，还包括：
[0149]
采用非线性曲线拟合和数据补偿方式，处理实测的催化裂化产品收率数据，得到实测集总组分数据作为所述集总动力学模型的输入数据。获取到的实测的催化裂化产品收率数据作为训练模型的输入数据，还可以用于训练好的模型的模型优化。
[0150]
进一步地，所述集总动力学模型的输出为：
[0151]
与所述m个集总组分对应的m个多维数组的微分方程组，通过求解所述m个多维数组的微分方程组，得到所述集总动力学模型的输出，即所述m个集总组分的质量浓度数据。
[0152]
进一步地，所述方法还包括：对所述集总动力学模型的模型参数进行优化；所述集总动力学模型的模型参数包括：每一催化裂化反应的反应网络对应的指前因子和活化能、以及5个全局失活因子。
[0153]
具体地，所述对所述集总动力学模型的模型参数进行优化，包括：
[0154]
通过所述集总动力学模型预测不同工况下所述m个集总组分的收率数据；
[0155]
采用自适应和声算法对所述集总动力学模型的模型参数进行优化，通过计算实测的不同工况下所述m个集总组分的收率数据与预测的不同工况下所述m个集总组分的收率数据的均方误差，并将所述均方误差作为批判标准，所述批判标准为：均方误差小于0.1。
[0156]
图4提供了自适应和声算法优化集总动力学模型参数流程图，如图4所示，在中，所述自适应和声算法包括四个参数hms,hmcr,par和bw，其中，hms代表和声算法的和声记忆库的大小；hmcr代表和声记忆库取值概率；par代表音调微调概率；bw代表音调微调带宽，hms在初始化后固定，hmcr,par和bw三个参数都是随迭代搜索而动态调整，参数hmcr以及par自适应调整，从而实现了全局的快速最优化。利用自适应和声算法进行目标优化时，确定待优化目标-即总动力学模型的模型参数，初始化自适应和声算法的和声记忆库大小、和声记忆库保留频率、自适应和声算法的迭代次数、微调参数hmcr以及par；在初始化和声记忆库范围内，随机产生优化目标的多个初始解，并将初始解放入到和声记忆库内，通过反复微调参数hmcr以及par，产生新解，并判断新解是否为和声记忆库内的最差解，若是，则将新的解替换为最差解，得到新的和声记忆库，随着迭代次数的增加不断收敛，从而来完成优化，得到最优解。
[0157]
其包含如下部分：
[0158]
1)输入数据处理：通过对输入的原始装置测量数据进行处理，使其变为模型需要的数据。
[0159]
2)集总动力学模型：输入为各个参数，输出为一个11维的数组的微分方程组，来表示所设计的集总动力学模型。
[0160]
3)微分方程组求解：使用matlab自带的自适应变步长四阶龙格-库塔法对上述集总动力学模型进行求解。
[0161]
4)参数适应度评估：对求解得到的十一集总结果，与装置实际的十一集总结构进行比较，通过计算其均方误差(mean-square error,mse)作为批判标准，具体标准为小于0.1。
[0162]
5)参数优化：使用自适应和声算法对模型参数进行优化。
[0163]
6)模型评估：在求取的最优模型参数后，基于催化裂化工业数据样本对整个模型进行性能评估。
[0164]
进一步地，所述建立高附加值产品的数据预测模型，包括：
[0165]
设所述高附加值产品的实测的化学性质指标数据为其对应的集总组分的质量浓度数据的非线性函数，建立高附加值产品的数据预测模型，所述高附加值产品的数据预测模型的数学关系模型表达式为：
[0166]
m＝f(x1,
…
,xi)(1《i≤m)
[0167]
其中，x为所述高附加值产品的数据预测模型中集总组分的质量浓度数据；
[0168]
利用核偏最小二乘法，将所述高附加值产品的数据预测模型的数学关系模型转化为非线性数学关系模型：
[0169][0170]
其中：为预测的高附加值产品的化学性质指标数据，用于表示高附加值产品的
性质；为核矩阵；u为实测高附加值产品的化学性质指标数据的得分向量组成的矩阵；t为高附加值产品对应的集总组分的质量浓度数据的得分向量组成的矩阵；x为高附加值产品对应的集总组分的质量浓度数据。
[0171]
图5是本发明提供的面向增产催化裂化高附加值产品模拟的混合建模装置结构示意图。如图5所示，本发明实施方式提供一种面向增产催化裂化高附加值产品模拟的混合建模装置，包括：
[0172]
生成模块10，用于将催化裂化反应原料类型体系划分为m个集总组分，建立集总动力学模型；
[0173]
预测模块20，用于以催化裂化反应装置的操作数据作为输入，通过所述集总动力学模型预测不同工况下所述m个集总组分的质量浓度数据；
[0174]
训练模块30，用于根据预测的不同工况下所述m个集总组分的质量浓度数据，结合对应的实测高附加值产品的化学性质指标数据，建立高附加值产品的数据预测模型，所述高附加值产品的数据预测模型用于预测所述高附加值产品的化学性质。
[0175]
进一步地，图6是本发明提供的生成模块的结构示意图，如图6所示，所述生成模块10还包括：
[0176]
划分模块201，用于基于集总理论，将催化裂化反应原料类型体系划分为m个集总组分；
[0177]
建立模块202，用于基于催化反应特性，针对所述m个集总组分建立n个催化裂化反应的反应网络；
[0178]
建模模块203，用于根据实测的不同工况下所述m个集总组分的收率数据和所述n个催化裂化反应的反应网络，按照平推流形式建立集总动力学模型。
[0179]
优选地，所述建模装置还包括：优化模块(未示出)，用于对所述集总动力学模型的模型参数进行优化，提高集总动力学模型预测的准确性。
[0180]
本发明实施方式还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的面向增产催化裂化高附加值产品模拟的混合建模方法。
[0181]
另一方面，本发明实施方式还提供一种采用上述的建模方法建立的高附加值产品的数据预测模型，用于预测c5～210℃馏分辛烷值。
[0182]
实施例1：
[0183]
如图7所示的催化裂化装置结构示意图，以此作为建模实施例来进一步说明本发明具体步骤包括：
[0184]
(1)采集选取2019年1月1日至2019年7月1日之间的实际装置运行数据，包含生产操作数据和性质数据如原料油、产品、催化剂等。将数据处理成12小时的平均值。在此基础上，对数据进行处理，剔除不合理的数据后得到324组数据，得到样本数据库：
[0185]
如表1所示为现有典型原料油性质对照数据，从表格中可以得到原料油的各类成分以及各类成分的占比；
[0186][0187]
表1典型原料油性质对照表举例
[0188]
如表2所示为催化裂化过程中，所使用的催化剂的性质数据；
[0189][0190]
表2催化剂性质表
[0191]
如表3所示为催化裂化装置包含的不同工况下，具体地装置内参数数据和装置的设定数据；
[0192]
[0193][0194]
表3催化裂化装置工况表
[0195]
(2)基于集总理论，将物料细分为11个集总组分，建立50个反应的反应网络，进而建立完整的集总动力学模型。表4为集总划分。11集总组分之间的反应网络，如图3所示。
[0196][0197]
表4 11集总组分划分表
[0198]
(3)在获得模型原料油数据后，计算得到11集总的集总反应集总动力学模型，使用自适应和声算法进行集总动力学模型的模型参数优化，如图3所示的自适应和声算法优化集总动力学模型参数流程图。
[0199]
选取前75组数据作为模型参数估计用的数据，后75组做为验证模型效果的数据。
[0200]
通过对每个集总计算其均方方差(mse)来判断模型参数对预测结果发散性的大小，如果后75组用于校核的数据mes值与前75组用于计算的数据相差较大，则表明该组数据的预测性能不良，如果mes值相差较小，则证明其效果良好，参数效果验证如表5所示。
[0201][0202]
表5参数效果验证表
[0203]
通过表5可得出：集总动力学模型的模型参数对预测结果的发散性较小，通过自适应和声算法优化集总动力学模型参数，能够提高集总动力学模型的预测性能。
[0204]
表6展示了通过ga算法求取的各个反应的指前因子以及活化能的值：
[0205]
[0206][0207]
表6ga算法求取的动力学参数表
[0208]
在获取了可行的动力学数据后，就可以对后75组数据进行分析，首先对其预测结果的误差进行分析。表7展示了11集总的预测值与实际测量值相比的误差情况。
[0209][0210][0211]
表7预测的11集总平均误差表
[0212]
通过对表格数据进行对比，可以看出，产品收率的预测值与实际测量值之间的误差较小，集总动力学模型对集总组分的收率预测结果较好，对于c5～210℃馏分预测值与实际测量值的相对误差为1.48％，预测精度较高。
[0213]
(4)模型反应温度的灵敏度分析
[0214]
选取工况1做进一步的灵敏度分析，测试第一反应区温度变化对各个组分的影响，见图8，图8示出了第一反应区温度与11集总组分收率的变化关系示意图，由此可见，随着温度的上升，柴油馏分收率下降、液化气、丙烯、焦炭收率上升，符合催化反应原理过程，随着反应温度的升高，催化裂化反应的裂化深度进一步提升，使得其大分子进一步转化生成小分子，与此同时随着温度升高，油气分子脱氢过程加剧使得焦炭产率上升。图9为c5～210℃馏分总收率与第一反应区温度的的变化关系示意图，我们可以看到随着第一反应区反应温度的上升，c5～210℃馏分收率先上升后下降。在工业生产中，c5～210℃馏分是fcc装置首要的产物，其收率直接决定了fcc装置最终的经济效益，因此，能够准确控制反应温度显得十分重要。由此可见，此方法构建的工业催化装置模型具有良好的精度和外延性。
[0215]
(5)辛烷值数据模型预测效果
[0216]
所述集总动力学模型的输出为：c5～210℃馏分中饱和烃、芳烃、烯烃的质量浓度数据，在相同的输入数据下，建立集总动力学模型与辛烷值数据预测模型的联系。
[0217]
设c5～210℃馏分的辛烷值是其饱和烃、芳烃、烯烃质量浓度数据的非线性函数，建立c5～210℃馏分的数据预测模型，即辛烷值预测模型，所述辛烷值预测模型的数学关系模型表达式为：
[0218]
ron＝f(gs,ga,go)
[0219]
利用核偏最小二乘法，将所述辛烷值预测模型的数学关系模型转化为非线性数学关系模型：
[0220][0221]
其中：为预测辛烷值，用于表示c5～210℃馏分的性质；为核矩阵，u为实际测得的c5～210℃馏分辛烷值的得分向量组成的矩阵，t为c5～210℃馏分的馏分烃类的得分向量组成的矩阵，c5～210℃馏分的馏分烃类，具体包括：饱和烃、芳烃、烯烃，x为c5～210℃馏分的馏分烃类的质量浓度数据。
[0222]
在测试集上，利用数据建模方法构建的辛烷值模型预测值与实际测量值，如图10所示。可以看出，根据集总动力学模型预测c5～210℃馏分烃类组成，利用核偏最小二乘法法构建的辛烷值非线性数据模型，其对30个样品的ron预测平均绝对误差(mean absolute error,mae)为0.189，均方根误差(root mean square error,rmse)为0.227。考虑到测量值与实际值均存在少量偏差，因此采用当前方法，构建的辛烷值性质模型可以满足后续建模的精度与稳定性要求。
[0223]
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能
的组合方式不再另行说明。
[0224]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。