本发明涉及石油化工领域，尤其是涉及一种基于原料不确定性的催化重整反应器鲁棒操作优化方法。
背景技术：
催化重整过程是石油炼制和石油化工过程中的主要工艺过程之一。它是一定操作条件下，将石脑油转变为芳烃(包括苯、甲苯、二甲苯等)或者高辛烷值的优质汽油，并副产氢气的过程。其中，高辛烷值的优质汽油具有很好的抗震性，可以用作航空汽油和车用汽油；芳烃是重要的化工原料，可用作涂料、染料和农药等的原料；副产的氢气是石油化工加氢单元的重要的廉价氢气来源。所以，催化重整在石油化工过程，乃至整个化工行业都有着重要意义。
催化重整反应部分是整个工艺过程中的核心操作单元，其产品组成复杂且多样，操作条件的选择直接影响着产品的组成、产率及经济效益。为了提高产品产率和经济效益，需要对操作条件进行优化选择。
目前基于催化重整体系的操作优化方法主要是：在固定产品组成的前提下，基于事先构建的催化重整机理模型，选择需要优化的操作条件和生产目标分别作为优化变量和优化目标，运用各种群智能优化算法(如遗传算法、进化差分算法、人工蜂群算法等)，对模型进行优化。这种优化策略可以选取出最优的操作条件，显著提高生产目标和经济效益。但是这种操作优化方法还存在如下问题：
(1)操作条件优化是在原料组成固定的前提下进行，未考虑组分波动的影响。而现场原料和产品组成分析结果显示，受上游炼油装置的影响，催化重整过程的原料组成波动明显，并造成产品质量波动明显。基于原料组成固定的操作条件优化结果不一定在其他原料条件下表现良好。故需要在操作优化过程中，需要考虑原料的不确定性，提高装置运行的鲁棒性。
(2)基于机理模型的操作优化计算量大，特别是在实施考虑不确定性的鲁棒操作优化时，其计算量远超普通计算机的计算能力，无法用于实时优化。
技术实现要素：
本发明就是为了克服上述现有技术存在的缺陷而提供一种待选最优操作条件集。
本发明的目的之一是针对催化重整过程存在的原料不确定性问题，提出了采用不确定分析的方法来表示过程存在的不确定性问题，并在操作优化过程中，考虑原料的不确定性，提高装置运行的鲁棒性。
本发明的目的之二是针对鲁棒操作优化过程存在的运算量过大，无法实现实时动态优化的缺陷，提出了用基于数据驱动的代理模型来代替原来计算量昂贵的机理模型的方案，在保证模型准确性的前提下大幅度地降低计算成本。
本发明的目的可以通过以下技术方案来实现：
一种基于原料不确定性的催化重整反应器鲁棒操作优化方法，包括以下步骤：
s1、构建催化重整反应器机理模型；
s2、采集原始数据并处理，生成原料不确定数据库；
s3、基于所述原料不确定数据库的数据进行采样分析，获得原料不确定数据采样分析结果；
s4、基于步骤s1和步骤s3，选择需要优化的操作条件和生产目标统计量分别作为优化变量和优化目标，构建鲁棒操作优化模型；
s5、对所述鲁棒操作优化模型进行优化求解，获得pareto最优解集，该pareto最优解集对应一待选最优操作条件集；
s6、根据应用需求从所述待选最优操作条件集中选取目标操作条件。
优选地，所述步骤s1包括：
s101、采用划分集总的方法建立催化重整过程的集总反应动力学模型；
s102、构建基于多区并联平推流模型的反应器模型。
优选地，所述基于多区并联平推流模型的反应器模型具有如下特性：
1a、整个反应器包括四段重叠式的径向移动床反应器，每段反应器沿轴向划分成n个区间；
1b、每段反应器中的每个反应区间均被视为沿径向的一维平推流模型，且每段反应器的入口处的组分浓度、速度和温度一致；
1c、前一段反应器到后一段反应器的组分浓度和温度变化符合理想气体混合规则；
1d、催化剂失活的原因包括酸性位点失活和金属位点失活两种；
1e、在每个反应区间内均符合质量守恒定律与能量守恒定律。
优选地，所述步骤s2中，从dcs数据库和lims数据库采集原始数据，且根据lims数据库中数据的采集时间，提取对应时间下dcs数据库中的相关数据。
优选地，所述步骤s2中，原始数据的处理包括：对原始数据的无用数据和错误数据进行剔除，并按照所构建的反应器模型进行重新计算，生成原料不确定数据库。
优选地，所述剔除的原则包括：
2a、lims数据库中与集总组分和产品指标无关的数据剔除；
2b、lims数据库中标记为“微量”或者“<0.1％”的数据均视为0；
2c、lims数据库和dcs数据库重复记录的数据取最后一次记录结果；
2d、舍弃lims数据库和dcs数据库存在数据记录不全的数据集。
优选地，所述步骤s3中，采用超拉丁立方抽样方法进行采样，采样时的采样数根据主要产品指标的采样均匀性进行优选获得。
优选地，所述步骤s4中，构建的鲁棒操作优化模型包括均值标准差模型、maximax机会约束模型或minimax机会约束模型。
优选地，所述步骤s5中，对所述鲁棒操作优化模型进行优化求解具体为：
使用数据驱动的代理模型代替所述反应器机理模型，运用多目标遗传算法对所述鲁棒操作优化模型进行优化求解，获得pareto最优解集。
优选地，所述步骤s6中，目标操作条件通过ld决策方法获得目标操作条件。
与现有技术相比，本发明具有以下有益效果：
1)本发明为基于不确定分析的鲁棒操作优化策略，提升了产品指标和操作的鲁棒性。
2)构建了基于操作不确定性的多目标鲁棒操作条件优化与决策策略，提高了目标操作条件选取的精确性。
3)本发明提出了使用数据驱动的代理模型的方法对原有机理模型进行代替的方案，保证模型精度的同时，大幅降低了模型复杂度，使之可以实现操作条件的滚动动态优化。
4)本发明采用ld决策方法获得最后的多目标优化操作条件，结果选取精确性高。
附图说明
图1为本发明方法的流程示意图；
图2为一种典型的连续催化重整反应装置示意图；
图3为实施例中建立的27集总反应动力学模型反应网络；
图4为基于多区并联平推流模型的催化重整反应器模型；
图5为不同采样数时不同产品指标均值的变化情况示意图，其中，(5a)为芳烃收率，(5b)为氢气收率，(5c)为重质芳烃收率，(5d)为能耗；
图6为优化获得的pareto最优前沿与工业实际操作条件的结果比较示意图；
图7为对应pareto前沿的优化目标的欧式范数结果图，其中，(7a)为芳烃收率，(7b)为能耗。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种基于原料不确定性的催化重整反应器鲁棒操作优化方法，包括以下步骤：
s1、构建催化重整反应器机理模型；
s2、采集原始数据并处理，生成原料不确定数据库；
s3、基于所述原料不确定数据库的数据进行采样分析，获得原料不确定数据采样分析结果；
s4、基于步骤s1和步骤s3，选择需要优化的操作条件和生产目标统计量分别作为优化变量和优化目标，构建鲁棒操作优化模型；
s5、对所述鲁棒操作优化模型进行优化求解，获得pareto最优解集，该pareto最优解集对应一待选最优操作条件集；
s6、根据应用需求从所述待选最优操作条件集中选取目标操作条件。
以下对上述步骤进行具体描述，并以图2所示的一种典型的连续催化重整反应装置为例。
1、催化重整反应器机理模型构建
催化重整反应器机理模型主要包括反应动力学模型和反应器模型两部分。
1)反应动力学模型
由于催化重整过程反应物和反应网络复杂，无法对每个反应物和每个反应进行建模研究，故采用划分集总的方法解决催化重整过程中复杂的反应动力学问题。所谓集总方法，就是将反应体系中物化性质和动力学性质相似的组分作为一个虚拟组分进行计算。
本实施例的目标体系为以芳烃为主要生产目标的催化重整过程，故选取了将芳烃组分细分的27集总反应动力学网络构建反应动力学模型。其反应网络图见图3。
2)反应器模型
为了更加精确地获得催化重整反应器内的集总组分和温度的分布信息，并考虑催化剂失活的影响，本实施例采用了基于多区并联平推流模型的反应器模型，其示意图如图4所示。该基于多区并联平推流模型的反应器模型特点如下：
a.整个反应器装置包括四段重叠式的径向移动床反应器，每段反应器沿轴向划分成n个区间；
b.每段反应器中的每个反应区间均被视为沿径向的一维平推流模型，且每段反应器的入口处的组分浓度、速度、温度一致；
c.前一段反应器到后一段反应器的组分浓度和温度变化符合理想气体混合规则，公式如下：
其中，
d.催化剂失活的原因包括酸性位点失活和金属位点失活两种，其活性沿轴向方向的变化公式如下：
其中，h为反应器的轴向位置；ametal和bmetal分别是金属活性位点在轴向方向的失活因子；aacid和bacid分别是酸性活性位点在轴向方向的失活因子；
e.在每个区间内均符合质量守恒定律与能量守恒定律，其公式如下：
质量守恒定律：
能量守恒定律：
其中，
2、原始数据采集与处理
1)原始数据采集
原始数据的主要来源包括dcs(现场分散式控制系统)数据库和lims(实验室信息管理系统)数据库两部分。其中从dcs数据库采集的主要信息包括：进料负荷、循环氢量、氢气外送量、反应器及后续精馏塔出口流量、各级反应器进口温度、各级反应器温降、操作压力、各级反应器压降等。从lims数据库采集的主要信息包括：反应进料油、循环氢、外送氢气、反应生成油等的组分组成情况。一般lims数据库的数据量远小于dcs数据库，故根据lims数据库中数据的采集时间，提取中对应时间的dcs数据库中的相关数据。至此，完成了全部的原料数据采集工作。
2)原始数据处理
由于工业现场数据复杂，受到人为干扰较多，特别是组分分析数据，可能存在漏记、错记、重记的情况，故需要对原始数据的无用和错误数据进行剔除。剔除的主要原则如下：
a.lims数据库中与集总组分和产品指标无关的数据剔除；
b.lims数据库中标记为“微量”或者“<0.1％”的数据均视为0；
c.lims数据库和dcs数据库重复记录的数据只取最后一次记录结果；
d.lims数据库和dcs数据库存在数据记录不全的情况，则舍弃此数据集，不列入原始数据库数据。
经处理后的lims数据库和dcs数据库对应数据作为初始数据库。
3)原料集总数据计算
由于初始数据库记录的集总划分方法不一定与所选取的集总模型对应，故需要按照选取的27集总反应动力学模型划分方法对初始数据库中的集总组分数据进行重新计算，并结合反应进料油和循环氢的流量，计算不同数据集中，原料中各集总组分的流率，并导入原料不确定数据库。
3、原料不确定数据采样分析
由于油品组分测试的耗时和花费较大，测试频率较低，可以获得原料不确定数据量偏少，且覆盖面不大，故需要根据目前的不确定数据集对组分数据进行重新采样，以提高数据准确性。
本实施例针对30组原料不确定数据，计算各集总组分流率的波动上下界。并以此作为其采样上下界，采用超拉丁立方抽样方法进行采样，以保障其取样的均匀性。
采样数的选择会影响采样精度和运算时间。一般，采样数越多，采样精度越高，但相应运算时间也越长。故在选取不同采样数时，根据主要产品指标的均值和标准差的变化情况优选采样数。图5为不同采样数时不同产品指标均值的变化情况，根据结果，本实施例中优选了1000个采样数。
4、鲁棒操作优化模型构建
鲁棒操作优化模型的类型可根据实际需要选取，包括：
1)均值标准差模型
其中，fi(x)为选取的不同的优化目标，推荐采用的优化目标有：芳烃收率ya最大、轻质芳烃收率yla最大、氢气收率yh最大、重质芳烃收率yha最小、轻质烷烃收率ylp最小，四个换热器能耗ec最小等。x为优化变量，包括四段反应器的入口温度(t1，t2，t3，t4)、氢油比(hc)和操作压力(p)；μ为优化目标的均值；σ为优化目标的标准差；xlb和xub分别为优化变量的上下界。
2)maximax机会约束模型
其中，fi(x)为选取的不同的优化目标，αi为选取的置信度，fi为制定置信度下优化目标的值，ε为一个随机向量
3)minimax机会约束模型
在本实施例中采用minimax机会约束模型，以芳烃收率ya最大和四个换热器能耗ec最小为优化目标，置信度选择为5％，本实施例中多目标优化模型的函数表达式为：
其中，xlb＝[788,788,788,788,1.5,0.5]，xub＝[808,808,808,808,2.5,0.55]。
5、基于数据驱动的代理模型的优化策略
基于上述鲁棒操作优化问题和催化重整反应器模型，基于运用多目标遗传算法，对模型执行迭代优化，从而获得优化目标的pareto最优前沿解集，对应的操作条件即为待选的最优操作条件。但是这种方法计算复杂度很高，预计完成时间长达5000小时(基于12核cpu测算)。为了保证计算精度的同时提高计算效率，本发明使用数据驱动的代理模型代替计算量较大的反应器机理模型后，再运用多目标遗传算法进行优化求解，有效降低了优化复杂度。
使用数据驱动的代理模型代替所述反应器机理模型，运用多目标遗传算法对所述鲁棒操作优化模型进行优化求解，获得pareto最优解集。
本实施例中，采取两种不同的基于数据驱动的代理模型的方法来代替原有计算量巨大的机理模型。
(1)基于离线代理模型的优化方法，其步骤为：
a.基于优化变量的上下界，采用拉丁超立方抽样方法采集n组优化变量向量。
b.将n组优化变量带入机理模型中求解对应的目标函数统计量指标。
c.将优化变量作为输入，目标函数统计量指标作为输出，利用kriging模型构建代理模型，获得相应模型参数。
d.基于新创建的代理模型，运用多目标遗传算法，对模型执行迭代优化，从而获得优化目标的pareto最优前沿解集。
该方法的计算时间降至约24小时，效率提高超过200倍。通过该方法获得的最优操作条件带入原机理模型验证其模型误差，其中两个指标的平均绝对误差分别为0.012％和0.058gj/h，均在合理范围内。
(2)在线代理优化方法，其步骤为：
a.基于优化变量的上下界，采用拉丁超立方抽样方法采集m组优化变量向量。
b.将m组优化变量带入机理模型中求解对应的目标函数统计量指标。
c.将优化变量作为输入，目标函数统计量指标作为输出，利用rbf模型构建代理模型，获得相应模型参数。
d.基于获得的代理模型，运用多目标遗传算法，获得其pareto前沿点，然后验证其是否为非劣最优解，保存非劣解，并用构建的代理模型的信息去选择下一组选择的优化变量向量。
e.利用新选择的优化变量向量循环进行步骤b至步骤d，直到终止条件达成。
f.最后获得的优化目标的pareto最优前沿解集，对应一待选最优操作条件集。
该方法的计算时间降至约24小时，效率提高超过200倍，且模型预测值即为模型真实值。
本实施例分别采用上述两种方法获得的pareto最优前沿与工业实际操作条件的结果比较如图6所示。与目前操作条件相比，芳烃收率上升约0.80％，能耗下降约13.21gj/h。
6、通过决策方法选取目标操作条件
具体的，本实施例采用ld(leveldiagrams)决策方法获得最后的多目标优化操作条件。具体决策步骤如下：
a.在获得的m个优化目标pareto最优前沿解集中，求出每个优化目标的最小值和最大值。公式如下：
其中，x*是多目标优化获得的pareto最优前沿解集；
b.然后根据最大值和最小值，对优化目标进行归一化，公式如下：
其中，
c.若优化模型为最小化问题，则
本实施例采用欧式范数进行计算。
d.选择欧式范数最小，获得该决策方法下的最优解及其对应的目标操作变量。本实施例基于离线代理模型的优化方法最后选取的目标操作变量为：
x＝[796.03,788.00,788.32,793.05，1.500,0.500]
对应的芳烃收率和能耗minimax(5％置信度)统计量指标分别为63.52％和174.80gj/h。以该操作条件运行30天，较目前工业实际运行条件，芳烃收率均值提升0.85％，能耗均值降低8.81gj/h。图7是对应pareto前沿的优化目标的欧式范数结果图。
本实施例基于催化重整过程30天的原料波动数据，提出一套基于不确定分析的鲁棒操作优化策略，提升了产品指标和操作的鲁棒性，同时提出了使用数据驱动的代理模型的方法对原有机理模型代替的方案，保证模型精度的同时，大幅降低了模型复杂度，使之可以实现操作条件的滚动动态优化。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。