用于连续重整装置的实时优化方法和设备与流程
本发明属于数据优化领域，尤其涉及用于连续重整装置的实时优化方法和设备。
背景技术：
通过应用石化工业过程实时优化技术可以提高企业综合效益，已经成为国内外石油化工等流程工业企业的共识。采用实时优化技术在减少装置操作人员重复性劳动的同时，减少技术人员只根据设计参数和经验确定操作值，不能达到最优化的操作，可以促使企业大幅度的节能降耗，并大大提高对于市场的反应速度，从而带来极为可观的经济效益。
过程实时优化技术能随时监测过程装置运行状况，并在满足所有约束条件的前提下，不断调整工作点，以克服各种因素对过程的影响，保证过程装置始终能够得到最佳的经济效益。然而，装置实时优化大部分依赖于严格稳态机理模型，基于复杂物料平衡、能量平衡方程的动力学机理模型虽能很好表征出连续重整装置物理特性，但面对实际现场重整进料原料性质变化和操作不确定扰动，往往求解困难，甚至经常不能收敛，影响了在线实时计算和稳定性能。另一方面，为了规避这个问题，也有尝试使用历史数据经验模型，一定程度上提高了实时性和稳定性，却以牺牲模型外推能力为代价，实际适用范围大大变窄。
技术实现要素：
为了解决现有技术中存在的缺点和不足，本发明提出了用于连续重整装置的实时优化方法和设备，充分发挥了机理模型和数据经验模型的优势，混合模型不仅能反映连续重整装置过程真实物理特性，提升了模型外推能力，而且降低了原有模型的复杂程度，大大提升了实时优化求解效率和稳定性能。
一方面，本实施例提出了用于连续重整装置的实时优化方法，所述实时优化方法包括：
步骤一，建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；
步骤二，从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；
步骤三，将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；
步骤四，基于最优装置控制参数对连续重整装置的当前控制参数进行优化。
可选的，所述建立连续重整装置实时优化模型，包括：
建立如公式一所示的连续重整装置简化机理模型
其中，g(·)为非线性方程组，当j＝1,2,3,4时yraw,j分别为直馏石脑油原料、汽柴油加氢石脑油原料、裂解抽余油原料、加氢裂化重石脑油原料，yburden分别为重整装置负荷最小值和最大值，yoper,i分别为各操作条件工艺要求最小值和最大值，i＝1,2,3,4,5,6,7,8分别对应重整进料初馏点、重整反应器入口温度、氢油比、水氯比、加热炉氧含量、加热炉出口温度、分馏塔回流比、分馏塔压操作条件，yquality,m分别为生成油产品质量要求最小规格、最大规格，m＝1,2分别为塔底和塔顶采出产品，ar_yld分别为芳烃收率，energycost装置能耗；
通过已获取的历史过程稳态数据集，用深度神经网络模型估计简化机理模型中的关联系数，建立如公式二所示的连续重整装置关联数学模型
其中，dnnf(·)为深度学习网络模型用于离线学习估算重整反应速率常数，t为反应温度，单位为k；lhsv为液时空速，单位为1/h；vc为催化剂装填量，单位为m3；
a＝2π·r·h，其中，r为反应器床层半径，h为反应器高度；
可选的，所述在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件，包括：
确定满足计划调度要求的前提下最大化连续重整装置芳烃收率和最小化装置能耗的优化目标；
基于已确认的优化目标建立目标优化函数表达式
obj＝min(w1/ar_yld+w2·energycost)
式中，obj为最小化目标函数，w1/ar_yld为最大芳烃收率目标计算的倒数，w2·energycost第二项为装置最小能耗目标，ar_yld为重整生成油产品芳烃收率，energycost为重整反应器加热炉和分馏塔加热炉燃料气消耗总和，w1、w2分别为目标函数两项的权重；
所述约束条件包括原料进料量约束、装置负荷约束、操作条件约束、重整生成油产品质量要求约束、模型平衡约束。
可选的，所述将初始参数进行有效性处理，包括：
对所述初始参数依次进行一致性检测、在线预处理以及过程启发式稳态检测；
其中，所述一致性检测包括通过参数匹配的方式对初始参数中的全部数据的类别进行校对；
所述在线预处理包括对校对后的初始参数进行填充缺失值、滤波去噪的处理；
所述过程启发式稳态检测包括对处理后的初始参数进行去噪前后的差异判断初始参数对应的重整过程是否处于稳态的操作。
可选的，所述对处理后的初始参数进行去噪前后的差异判断初始参数是否处于稳态的操作，包括：
根据公式三分别计算各变量的高低滤波值；
式中，
如公式四所示，计算某一段时间区间t内，高、低滤波值均方差之和是否小于阈值ε1；
如果满足公式四的判断条件，则如公式五所示，计算某一段时间区间t内，最旧和最新的高滤波值均方差之和是否小于阈值ε2，如果满足公式五的判断条件，则判定时间区间t内初始参数对应的重整过程处于稳态；
式中，
可选的，所述数据整定包括：
利用连续重整装置生产过程的物料平衡或者能量平衡等关系，在原始测量数据的基础上，确定基于整定值与其对应的测量值的偏差之平方和最小的整定条件，基于整定条件建立如公式六所示的整定数学表达式
式中，x表示己测变量向量，u表示未测变量向量，
基于公式四对对初始数据进行整定。
可选的，在所述实时优化方法中的步骤三与步骤四之间，还包括：
步骤五，对得到最优装置参数再次进行稳态判断和可靠性判断，基于通过判断的最优参数值对连续重整装置的当前控制参数进行优化。
可选的，所述实时优化方法还包括：
设置用于实现实时优化自动运行模式和常规人为设定值运行模式之间切换的无扰动切换机制。
可选的，所述无扰动切换机制，包括：
实时优化回路的投运；
实时优化回路的切除；
实时优化系统与常规人为设定之间的无扰切换。
另一方面，本实施例还提出了用于连续重整装置的实时优化设备，所述实时优化设备包括：
模型建立单元，用于建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；
数据整理单元，用于从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；
参数求解单元，用于将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；
优化实现单元，用于基于最优装置控制参数对连续重整装置的当前控制参数进行优化。
本发明提供的技术方案带来的有益效果是：
由于充分发挥了机理模型和数据经验模型的优势，混合模型不仅能反映连续重整装置过程真实物理特性，提升了模型外推能力，而且降低了原有模型的复杂程度，大大提升了实时优化求解效率和稳定性能。同时本发明融合了数据处理、稳态检测、参数动态校正、数据整定等模块功能，有效保证连续重整装置在线实时闭环运行，提高连续重整生产过程操作运行和管理水平，从而达到优化装置操作、消除瓶颈、节能降耗以及提升装置经济效益为目的。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提出的用于连续重整装置的实时优化方法的流程示意图；
图2为本申请提出的用于连续重整装置的实时优化设备的结构示意图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
为了解决现有技术中过于依赖严格稳态机理模型导致的求解困难等缺陷，本实施例提出了基于简化机理和深度神经网络模型结合的用于连续重整装置的实时优化方法，具体的如图1所示，所述实时优化方法包括：
步骤一，建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；
步骤二，从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；
步骤三，将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；
步骤四，基于最优装置控制参数对连续重整装置的当前控制参数进行优化。
在实施中，该实时优化方法包括实时同步获取近红外在线分析仪输出的重整原料性质数据和实时数据库采集的重整装置操作数据，经过去噪、缺失值填充等数据预处理、过程稳态检测、及数据整定后，输入至基于简化机理和深度学习神经网络数据混合模型建立的连续重整装置质量和能耗关联数学模型，以芳烃收率最大化和能耗最小化为综合优化目标，同时考虑原料性质、装置负荷、催化剂水氯平衡、加热炉氧含量、加热炉出口温度、产品质量等生产原料、产品及操作约束，利用非线性规划求解器在线实时求得最佳的重整进料初馏点、反应器入口温度、氢油比、分馏塔回流比等操作参数设定，并经过再次稳态和可靠性判断后下达给先进控制器执行，从而实现连续重整装置的在线闭环实时优化，使得装置运行达到芳烃收率最大及能耗最小化，提高了装置的经济效益。
这里所使用的简化机理和深度学习神经网络数据混合模型，即先建立连续重整装置简化机理模型，包括物料平衡方程、能量平衡方程、化学反映速率方程与化学平衡方程、热量质量和动量传递方程，各装置单元间的联结方程、物性推算方程、分子归一方程等，而后通过将历史的过程稳态数据集，用深度神经网络模型进行离线学习估计简化机理模型中的关联系数，从而建立了连续重整装置关联数学模型用于在线实时计算。
上述内容中所涉及到的连续重整装置实时优化模型的构建过程包括：
11、建立如公式一所示的连续重整装置简化机理模型
其中，g(·)为非线性方程组，当j＝1,2,3,4时yraw,j分别为直馏石脑油原料、汽柴油加氢石脑油原料、裂解抽余油原料、加氢裂化重石脑油原料，yburden分别为重整装置负荷最小值和最大值，yoper,i分别为各操作条件工艺要求最小值和最大值，i＝1,2,3,4,5,6,7,8分别对应重整进料初馏点、重整反应器入口温度、氢油比、水氯比、加热炉氧含量、加热炉出口温度、分馏塔回流比、分馏塔压操作条件，yquality,m分别为生成油产品质量要求最小规格、最大规格，m＝1,2分别为塔底和塔顶采出产品，ar_yld分别为芳烃收率，energycost装置能耗；
12、通过已获取的历史过程稳态数据集，用深度神经网络模型估计简化机理模型中的关联系数，建立如公式二所示的连续重整装置关联数学模型
其中，dnnf(·)为深度学习网络模型用于离线学习估算重整反应速率常数，t为反应温度，单位为k；lhsv为液时空速，单位为1/h；vc为催化剂装填量，单位为m3；
a＝2π·r·h，其中，r为反应器床层半径，h为反应器高度；
经过模型参数估计后，将整定后的当前数据集输入至基于简化机理和深度神经网络数据混合模型建立的连续重整装置关联数学模型，以芳烃收率最大化和能耗最小化为综合优化目标函数，同时考虑重整进料原料性质、装置负荷、催化剂水氯平衡、加热炉氧含量、加热炉出口温度、产品质量要求等生产原料、产品及操作约束条件，通过约束条件确定的可行域内利用非线性规划求解器在线实时求得最佳的重整进料初馏点、反应器入口温度、氢油比、分馏塔回流比等操作参数设定。
为了实现最优操作参数的设定，需要在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件，包括：
确定满足计划调度要求的前提下最大化连续重整装置芳烃收率和最小化装置能耗的优化目标；
基于已确认的优化目标建立目标优化函数表达式
obj＝min(w1/ar_yld+w2·energycost)
式中，obj为最小化目标函数，w1/ar_yld为最大芳烃收率目标计算的倒数，w2·energycost第二项为装置最小能耗目标，ar_yld为重整生成油产品芳烃收率，energycost为重整反应器加热炉和分馏塔加热炉燃料气消耗总和，w1、w2分别为目标函数两项的权重；
所述约束条件包括原料进料量约束、装置负荷约束、操作条件约束、重整生成油产品质量要求约束、模型平衡约束。
在构建连续重整装置实时优化模型以及对应的约束条件后，向实时优化模型中所输入的数据由数据集成单元通过数据集成引擎从近红外在线分析仪、实时数据库、oracle数据库获取连续重整装置实时优化模型需要的初始参数存储至数据仓库。
其中初始化参数包括：近红外在线分析仪获取的重整原料和重整生成油性质，如密度、硫含量、氮含量、初馏点、终馏点、pona值等；实时数据库获取的重整反应器和分馏塔等设备的操作工况，如重整进料负荷、重整反应入口温度、加热炉出口温度、加热炉氧含量、分馏塔回流比、灵敏板温度、氢油比、水氯比等；oracle数据库获取的分馏塔塔板效率系数、重整反应动力学系数和置前因子等。
为了确保初始参数的有效性，需要将初始参数进行有效性处理，具体处理步骤包括：对所述初始参数依次进行一致性检测、在线预处理以及过程启发式稳态检测的三类处理方式。该三类处理方式具体包括：
1)一致性检测包括通过参数匹配的方式对初始参数中的全部数据的类别进行校对；
2)在线预处理包括对校对后的初始参数进行填充缺失值、滤波去噪的处理；
3)过程启发式稳态检测包括对处理后的初始参数进行去噪前后的差异判断初始参数对应的重整过程是否处于稳态的操作。
具体的，过程启发式稳态检测的处理步骤具体包括：
根据公式三分别计算各变量的高低滤波值；
式中，
如公式四所示，计算某一段时间区间t内，高、低滤波值均方差之和是否小于阈值ε1；
如果满足公式四的判断条件，则如公式五所示，计算某一段时间区间t内，最旧和最新的高滤波值均方差之和是否小于阈值ε2，如果满足公式五的判断条件，则判定时间区间t内初始参数对应的重整过程处于稳态；
式中，
在进行完有效性处理后，为了确保向实时优化模型中输入的数据能够反映连续重整装置生产过程的物料平衡或者能量平衡等关系，还需要对进行有效性处理后的数据进行数据整定和模型参数估计的操作。
具体的，数据整定包括：
利用连续重整装置生产过程的物料平衡或者能量平衡等关系，在原始测量数据的基础上，确定基于整定值与其对应的测量值的偏差之平方和最小的整定条件，基于整定条件建立如公式六所示的整定数学表达式
式中，x表示己测变量向量，u表示未测变量向量，
基于公式六对对初始数据进行整定。
而模型参数估计的步骤，则是利用数据整定后的数据集，调整连续重整装置混合模型的参数(如，分馏塔塔板效率系数、重整反应动力学系数和置前因子)，使模型的输出与现场实际测量数据相一致或偏差最小。
可选的，在所述实时优化方法中的步骤三与步骤四之间，还包括：
步骤五，对得到最优装置参数再次进行稳态判断和可靠性判断，基于通过判断的最优参数值对连续重整装置的当前控制参数进行优化。
求得最优操作条件设定后，经再次稳态和可靠性判断后，优化结果将作为先进过程控制(advancedprocesscontrol，apc)被控变量的设定值，自动下载给先进控制器apc执行，apc系统能确保平稳快速的向最优值(设定值)靠拢，从而实现连续重整装置的在线闭环实时优化，使得装置运行达到芳烃收率最大及能耗最小化，提高装置生产的经济效益。
可选的，所述实时优化方法还包括：
为保障系统安全，防止在循环在线优化过程发生实时优化上位机和apc之间的通讯中断、上位机死机等异常状况，还设置有用于实现实时优化自动运行模式和常规人为设定值运行模式之间切换的无扰动切换机制，从而保证了安全和效益的统一。
无扰动切换机制，包括实时优化回路的投运；实时优化回路的切除以及实时优化系统与常规人为设定之间的无扰切换。具体的：
1)实时优化回路投运：当把某个相应的回路开关位号置为on状态，该回路的计算模式自动变更到实时优化模式。
2)实时优化回路切除：(1)当通讯故障出现时，切除优化器开关，所用优化回路停止作用；(2)某个回路优化切除时，把其优化模式自动切回原人工优化设定模式；(3)当某个回路的优化投运条件不具备时，切除该回路优化，并报警提示；
3)无扰切换：未投运优化时，被控变量的设定值自动跟踪该位号的过程测量值；操作变量的优化输出值自动跟踪该位号的设定值或者阀值，当实时优化投运时实现无扰动切换。
4)常规人工设定和实时优化的切换就是优化回路输入源的切换。实时优化启动运行后，如果优化回路的开关打开时，表示实时优化系统提供的设定值可以用于回路优化，但这时没有处于实时优化。如果要采用实时优化，必须把优化回路的计算模式切向远程控制，这时优化回路才接受实时优化给出的设定值。如果优化回路的计算模式切回人工设定模式，优化回路将选择常规人工设定的模式。
本实施例提出一种基于简化机理和深度神经网络模型结合的连续重整装置实时优化方法。由于充分发挥了机理模型和数据经验模型的优势，混合模型不仅能反映连续重整装置过程真实物理特性，提升了模型外推能力，而且降低了原有模型的复杂程度，大大提升了实时优化求解效率和稳定性能。同时本发明融合了数据处理、稳态检测、参数动态校正、数据整定等模块功能，有效保证连续重整装置在线实时闭环运行，提高连续重整生产过程操作运行和管理水平，从而达到优化装置操作、消除瓶颈、节能降耗以及提升装置经济效益为目的。
实施例二
本实施例还提出了用于连续重整装置的实时优化设备2，如图2所示，所述实时优化设备包括：
模型建立单元21，用于建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；
数据整理单元22，用于从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；
参数求解单元23，用于将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；
优化实现单元24，用于基于最优装置控制参数对连续重整装置的当前控制参数进行优化。
在实施中，该实时优化方法包括实时同步获取近红外在线分析仪输出的重整原料性质数据和实时数据库采集的重整装置操作数据，经过去噪、缺失值填充等数据预处理、过程稳态检测、及数据整定后，输入至基于简化机理和深度学习神经网络数据混合模型建立的连续重整装置质量和能耗关联数学模型，以芳烃收率最大化和能耗最小化为综合优化目标，同时考虑原料性质、装置负荷、催化剂水氯平衡、加热炉氧含量、加热炉出口温度、产品质量等生产原料、产品及操作约束，利用非线性规划求解器在线实时求得最佳的重整进料初馏点、反应器入口温度、氢油比、分馏塔回流比等操作参数设定，并经过再次稳态和可靠性判断后下达给先进控制器执行，从而实现连续重整装置的在线闭环实时优化，使得装置运行达到芳烃收率最大及能耗最小化，提高了装置的经济效益。
这里所使用的简化机理和深度学习神经网络数据混合模型，即先建立连续重整装置简化机理模型，包括物料平衡方程、能量平衡方程、化学反映速率方程与化学平衡方程、热量质量和动量传递方程，各装置单元间的联结方程、物性推算方程、分子归一方程等，而后通过将历史的过程稳态数据集，用深度神经网络模型进行离线学习估计简化机理模型中的关联系数，从而建立了连续重整装置关联数学模型用于在线实时计算。
上述内容中所涉及到的连续重整装置实时优化模型的构建过程包括：
11、建立如公式一所示的连续重整装置简化机理模型
其中，g(·)为非线性方程组，当j＝1,2,3,4时yraw,j分别为直馏石脑油原料、汽柴油加氢石脑油原料、裂解抽余油原料、加氢裂化重石脑油原料，yburden分别为重整装置负荷最小值和最大值，yoper,i分别为各操作条件工艺要求最小值和最大值，i＝1,2,3,4,5,6,7,8分别对应重整进料初馏点、重整反应器入口温度、氢油比、水氯比、加热炉氧含量、加热炉出口温度、分馏塔回流比、分馏塔压操作条件，yquality,m分别为生成油产品质量要求最小规格、最大规格，m＝1,2分别为塔底和塔顶采出产品，ar_yld分别为芳烃收率，energycost装置能耗；
12、通过已获取的历史过程稳态数据集，用深度神经网络模型估计简化机理模型中的关联系数，建立如公式二所示的连续重整装置关联数学模型
其中，dnnf(·)为深度学习网络模型用于离线学习估算重整反应速率常数，t为反应温度，单位为k；lhsv为液时空速，单位为1/h；vc为催化剂装填量，单位为m3；
a＝2π·r·h，其中，r为反应器床层半径，h为反应器高度；
经过模型参数估计后，将整定后的当前数据集输入至基于简化机理和深度神经网络数据混合模型建立的连续重整装置关联数学模型，以芳烃收率最大化和能耗最小化为综合优化目标函数，同时考虑重整进料原料性质、装置负荷、催化剂水氯平衡、加热炉氧含量、加热炉出口温度、产品质量要求等生产原料、产品及操作约束条件，通过约束条件确定的可行域内利用非线性规划求解器在线实时求得最佳的重整进料初馏点、反应器入口温度、氢油比、分馏塔回流比等操作参数设定。
本实施例提出一种基于简化机理和深度神经网络模型结合的连续重整装置实时优化设备。由于充分发挥了机理模型和数据经验模型的优势，混合模型不仅能反映连续重整装置过程真实物理特性，提升了模型外推能力，而且降低了原有模型的复杂程度，大大提升了实时优化求解效率和稳定性能。同时本发明融合了数据处理、稳态检测、参数动态校正、数据整定等模块功能，有效保证连续重整装置在线实时闭环运行，提高连续重整生产过程操作运行和管理水平，从而达到优化装置操作、消除瓶颈、节能降耗以及提升装置经济效益为目的。
对中海油某下属子公司的150万连续重整装置实施本发明提出的连续重整装置实时优化系统，取得明显的经济效益。
一方面，通过对预加氢分馏塔进行实时优化，提高重整进料初馏点(74℃～78℃)，重整产品汽油的转化率、芳烃收率、四苯收率都有了明显的提高。
表1对预加氢分馏塔进行实时优化前后的多项参数对比
另一方面，通过对重整反应器进行实时优化操作，当重整反应器入口平均反应温度wait提高至522℃后，芳烃收率从71.12％提高在72.16％，芳烃收率提高了1％。
表2对重整反应器进行实时优化前后的多项参数对比
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！