一种催化裂化过程中原油预热温度控制方法与流程

本发明涉及工业自动化技术领域，特别是涉及一种催化裂化过程中原油预热温度控制方法。

背景技术：

催化裂化过程是石油炼制的关键环节，而在催化裂化过程中，原油的预热温度是一个非常重要的变量，直接影响反应过程的热平衡和反应深度。因此实现良好的预热温度控制可以直接提高原油的生产效益。传统的PID只适用于小时滞或无时滞的控制系统，而原油预热的动态过程是一个大时滞的过程，当输入阶跃信号时，常会产生较大的超调和震荡，影响对原油的预热温度控制。因此提出新的控制方法提高原油预热系统的控制性能是迫切需要的。

技术实现要素：

本发明所要解决的技术问题是提供一种催化裂化过程中原油预热温度控制方法，能够抑制预热过程出现的超调和震荡，提高控制性能。

本发明解决其技术问题所采用的技术方案是：提供一种催化裂化过程中原油预热温度控制方法，包括以下步骤：

(1)通过结合状态变量、输出跟踪误差和设定值变量，建立催化裂化过程中原油预热的扩展状态空间模型；

(2)引入佳点集理论作为利用改进的MOEA/D-DE算法确定目标函数中的加权矩阵；

(3)设计带有预测函数控制性能的PI-PD控制器对原油预热温度进行控制。

所述步骤(1)包括以下子步骤：

(11)利用实时数据驱动的方法建立局部预测模型；

(12)根据局部预测模型建立催化裂化中原油预热温度过程的差分方程模型；

(13)根据差分方程模型建立催化裂化中原油预热温度过程的状态空间模型。

所述步骤(13)后还包括将得到的状态空间模型转换为包含状态变量、输出跟踪误差和设定值变量的扩展状态空间模型的步骤。

所述步骤(2)具体包括以下子步骤：

(21)选取催化裂化原油预热温度过程的目标函数；

(22)对佳点集理论在n维空间中取佳点集的方法做简要说明；

(23)引入佳点集理论初始化大小为N的初始种群，并初始化用于存储Pareto非支配解的外部种群为空集；

(24)分别根据调节时间和超调量计算初始种群中每个个体的目标函数值，其中，根据调节时间计算出的目标函数值作为第一目标值，根据超调量计算出的目标函数值作为第二目标值；

(25)初始化理想点，所述理想点为种群中每个个体所对应的第一目标值中的最小值和第二目标值中的最小值；

(26)将多目标问题用切比雪夫分解方法中均匀分布的N个权向量分解成N个子问题，并确定每一个子问题的目标函数；

(27)对于每一个确定的子问题的权向量，计算其他权向量与确定子问题的欧几里得距离得出每一个子问题的T个邻居子问题；

(28)对每一个子问题的目标函数对应的个体进行差分进化操作得到临时个体，并对临时个体进行多项式变异操作，得到变异临时个体；

(29)计算变异临时个体的第一目标值和第二目标值，如果每一个目标的最优值都小于每个子问题的个体对应的目标函数的值则更新理想点；

(210)通过变异临时个体和其目标值来更新第j个子问题的所有T个邻居子问题分别对应的个体以及每个个体对应的目标函数值，并更新外部种群中所存储的非支配解；

(211)达到最大迭代次数则结束，给出加权矩阵的一组Pareto最优解。

所述步骤(3)具体为：选取控制时域，将得到的加权矩阵运用到催化裂化原油预热温度过程的目标函数中，并对所述目标函数求导并使其为0，得到最优控制律，定义一个最大允许误差，当系统的误差小于或等于最大允许误差时，就认为系统已达到稳定，得到PI-PD控制器的参数，将参数代入PI-PD控制器对原油预热温度进行控制。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过建立实时数据库、模型建立、预测控制、算法优化等步骤，进而确立了一种改进的MOEA/D-DE算法优化催化裂化过程中的原油预热温度控制方法，利用该方法可有效提高系统的控制精度和稳定性。

附图说明

图1是改进的MOEA/D-DE算法优化的RFC-PIPD的原油预热温度控制系统结构图；

图2是利用改进的MOEA/D-DE算法确定目标函数中的加权矩阵Q流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种催化裂化过程中原油预热温度控制方法，用来抑制预热过程出现的超调和震荡，提高控制性能。本发明首先通过结合状态变量、输出跟踪误差和设定值变量，建立催化裂化过程中原油预热的扩展状态空间模型，来更好地处理原油预热过程中可能出现的未知扰动而导致的超调和震荡，接着利用改进的MOEA/D-DE算法来优化目标函数中的加权矩阵，最后设计一种带有预测函数控制性能的PI-PD(PFC-PIPD)控制器。该方法提高了温度追踪的精度和速度，具备良好的控制性能。根据本发明建立的控制系统如图1所示。

本发明方法的步骤包括：

步骤一.建立被控对象的扩展状态空间模型，具体是：

1.1利用实时数据驱动的方法建立局部预测模型：建立原油预热过程的实时运行数据库，通过数据采集装置采集实时过程运行数据，将采集的实时过程运行数据作为数据驱动的样本集合其中，表示第i组工艺参数的输入值，y(i)表示第i组工艺参数的输出值，N表示采样总数；以该对象的实时过程运行数据集合为基础建立基于最小二乘算法的离散差分方程形式的局部受控自回归滑动平均模型：

其中，y_L(k)表示k时刻局部预测模型的工艺参数的输出值，表示通过辨识得到的模型参数的集合，F和H为通过辩识得到的参数，表示局部预测模型的工艺参数的过去时刻的输入和输出数据的集合，u(k-d-1)表示k-d-1时刻工艺参数对应的控制变量，d+1为实际过程的时滞，Τ为矩阵的转置符号；

采用的辨识手段为：

其中，和P为参数辨识中的两个矩阵，γ∈(0,1)表示遗忘因子，I表示单位矩阵；

1.2利用步骤1.1中得到的系数，建立催化裂化中原油预热温度过程的差分方程模型，其形式为：

Δy(k)+HΔy(k-1)＝FΔu(k-d-1)

其中,Δ是差分算子，F,H为1.1步骤中通过辩识得到的参数，d为时滞项；Δy(k)表示k时刻的输出增量，Δu(k-d-1)表示k-d-1时刻的控制输入增量；

1.3根据步骤1.2中的差分方程，建立催化裂化中原油预热温度过程的状态空间模型，形式如下：

其中，

C_m＝(100…0)

其中，Δx(k)表示k时刻的状态变量，A_m为(d+1)×(d+1)阶矩阵,B_m为(d+1)×1阶矩阵，C_m为1×(d+1)阶矩阵；

1.4将步骤1.3中得到的状态空间模型转换为包含状态变量、输出跟踪误差和设定值变量的扩展状态空间模型，形式如下：

z(k+1)＝Az(k)+BΔu(k)+CΔr(k+1)

在设定值设为1不变时，Δr(k+1)＝0，扩展状态空间模型简化为：

z(k+1)＝Az(k)+BΔu(k)

式中，

e(k)＝r(k)-y(k)

其中，z(k)表示k时刻的状态量，r(k)为k时刻的理想输出值，e(k)为k时刻理想输出值与实际输出值之间的差值。

步骤二.利用改进的MOEA/D-DE算法确定目标函数中的加权矩阵Q，如图2所示，具体是：

2.1选取催化裂化原油预热温度过程的目标函数J，形式如下：

Q＝Q_f＝diag{q_jy1,q_jy2,…,q_jyn,q_ju1,…,q_jum-1,q_je}，Q>0,R>0,Q_f>0分别表示状态过程的加权矩阵、输入加权矩阵和终端加权矩阵，[k₀,k_f]为优化时域，q_j1,q_j2,…q_jum-1表示过程状态的权重系数，q_je为输出跟踪误差的权重系数，本实施方式中取q_je＝1；

2.2采取实数编码方式在n维空间H中取佳点集的方法如下：①设初始种群规模为N，染色体②在n维空间中作含N个点的佳点集，

P_n(i)＝{{r₁×i},{r₂×i},…,{r_n×i},i＝1,2,…,n},其中取p是满足(p-n)/2≥n的最小素数；③当为实数编码时，设的取值范围为取

即可；

2.3引入佳点集理论初始化大小为N的初始种群X＝{x₁,x₂,…,x_N}，每个x_n都代表一个由Q中所有元素{q_jy1,q_jy2,…,q_jyn,q_ju1,…,q_jum-1,q_je}组成的种群个体；初始化外部种群EP为空集，在搜索最优解过程中将其用于存储Pareto非支配解。

2.4分别根据调节时间t_s和超调量σ计算每个个体的目标函数值F_n(x),把根据指标t_s得出的f_ts(x)作为目标函数值F_n的第一个目标值，把根据指标σ得出的f_os(x)作为目标函数值F_n的第二个目标值：

F_n(x)＝[f_ts(x)，f_os(x)]

2.5初始化理想点Z^*；其中是第一个目标函数f_ts(x)到目前为止找到的最小值，是第二个目标函数f_os(x)到目前为止找到的最小值；

2.6将多目标问题F(x)＝min(f_ts(x)，f_os(x))用切比雪夫分解方法分解成N个子问题，具体的每一个子问题的目标函数如下：

上式中，是当前参考点，即每一个目标当前的最优值组成的向量，本实施方式中m的值是2；g^te(x|λ^j,z^*)表示第j个子问题的目标函数；是第j个子问题的权值，x表示一个种群个体，f_i(x)表示第j个子问题的个体对应的第i个目标函数的值；

2.7根据每一个子问题g^te(x|λ^j,z^*)的权值λ^j，计算每一个子问题的T个邻居子问题B(j)＝(B_j1,B_j2,…,B_jT)，用B_ji表示第j个子问题的第i个邻居子问题，本实施方式中取T＝20，i＝1,2,…,T；

2.8对每一个子问题g^te(x|λ^j,z^*)对应的个体进行差分进化(DE)操作得到临时个体y；

2.9对临时个体y进行多项式变异(PLM)操作，得到个体y＇；

2.10计算新的临时个体y＇的两个目标函数值F_j＇，若对于每个j＝1,2,…,m都有则更新理想点z^*；

2.11通过新的临时个体P_j(t+1)和其目标值F_j＇来更新第j个子问题的所有T个邻居子问题B(j)分别对应的个体以及每个个体对应的目标函数值，并更新外部种群EP中所存储的非支配解；

2.12达到最大迭代次数G则算法结束，给出加权矩阵Q的一组Pareto最优解{X_p,1≤p≤N}，在此实施方式中给定G＝200；

2.13根据生产现场的实际需要，选取步骤2.11得到的一个Pareto最优解作为最优满意解，即可得到最优的加权矩阵Q；

步骤三.设计作用于被控对象的改进的MOEA/D-DE算法优化原油预热过程的PFC-PIPD控制器，具体方法是：

3.1取控制时域M＝1，在当前k时刻P步后的状态变量z(k+P)可表示为

z(k+P)＝A^Pz(k)+αΔu(k)+θΔR

其中

P是预测时域，M<P，A表示(d+1)×(d+1)阶状态矩阵，B表示(d+1)×1阶输入矩阵，C表示1×(d+1)阶输出矩阵，α表示由A^P-1和B相乘所构成的矩阵，A^P-1表示P-1个矩阵A相乘，θ表示状态矩阵A和输出矩阵C相乘所构成的矩阵关系式，ΔR表示由Δr(k+j)(j＝1,…,P)所构成的矩阵，r(k+j)表示被控对象的设定值，β是参考轨迹的柔化系数，c(k)是根据被控对象实际操作需要设定的设定值，Δr(k+j)表示k+j时刻的设定值改变量，在此实施方式中，令c(k)＝1；

3.2选取催化裂化原油预热温度过程的目标函数J，形式如下：

Q＝Q_f＝diag{q_jy1,q_jy2,…,q_jyn,q_ju1,…,q_jum-1,q_je}，Q为改进的MOEA/D-DE算法优化得到的加权矩阵；

在该方法中的PI-PD控制器可以表示为一个增量形式：

u(k)＝u(k-1)+K_p(k)(e_s(k)-e_s(k-1))+K_i(k)e_s(k)

-K_f(k)(y(k)-y(k-1))-K_d(y(k)-2y(k-1)+y(k-2))

＝u(k-1)+K_p(k)(e_s(k)-e_s(k-1))+K_i(k)e_s(k)-K_f(k)(y(k)-y(k-1))

-K_d(y(k)-y(k-1))+K_d(y(k-1)-y(k-2))

e_s(k)＝c(k)-y(k)

c(k)为被控对象的设定值，y(k)为实际输出值，e_s(k)表示k时刻设定值与实际输出值之间的差值，K_p(k),K_i(k),K_f(k),K_d(k)分别表示k时刻PI-PD控制器的前向通道的比例系数、前向通道的积分系数、反馈环的比例系数、反馈环的微分系数；

将u(k)表示为矩阵形式化简可得：u(k)＝u(k-1)+w^T(k)E(k)

上式中

对目标函数J求导并使其为0，由可得最优控制律。

定义一个最大允许误差δ，当e_s(k)小于或等于最大允许误差δ时，就认为系统已达到稳定且K_p(k),K_i(k),K_f(k),K_d(k)不再改变，具体解释如下：

当|e_s(k)|≤δ时

当|e_s(k)|>δ时

在得到PI-PD控制器的参数K_p(k),K_i(k),K_f(k),K_d(k)后，便可通过步骤3.2计算得到的控制量u(k)作用于被控对象从而对原油预热温度进行控制，并依此循环。

不难发现，本发明通过建立实时数据库、模型建立、预测控制、算法优化等步骤，进而确立了一种改进的MOEA/D-DE算法优化催化裂化过程中的原油预热温度控制方法，利用该方法可有效提高系统的控制精度和稳定性。