一种催化裂化过程建模方法及催化裂化过程预测方法与流程

本发明涉及过程优化领域，特别涉及一种催化裂化过程建模方法及催化裂化过程预测方法。

背景技术：

催化裂化是炼油工业中最重要的二次加工，在炼油工业中占有举足轻重的作用。2015年底，全国催化裂化能力22580万吨/年，占原油一次加工能力的比例为30.4％，是能力最大的重质油轻质化工艺。目前，催化裂化为全国提供了60％以上的汽油和20％以上的柴油，同时为后续mtbe装置、烷基化装置、轻汽油醚化装置、芳构化装置等提供了90％以上的原料，为炼油业务的增值创效做出了重要贡献。提高催化裂化生产操作优化水平，保证催化裂化装置安全、稳定、长周期运行，是提高炼油企业盈利水平的重要手段。

现有技术为提高催化裂化装置生产操作优化水平主要采用建立机理模型的方法，现有机理建模的方法在气体分馏、乙烯裂解等反应较为简单的过程系统中应用成果较好。

在实现本发明的过程中，本发明人发现现有技术中至少存在以下问题：

由于催化裂化反应机理不清楚、工艺流程复杂，机理模型建立周期长、精确度有限，而且维护工作量特别大，一旦原料变化、设备老化、装置改造等产生较大的操作波动，优化模型期内不能得到较好的修正，优化结果易产生较大的偏差。

技术实现要素：

鉴于此，本发明提供一种催化裂化过程建模方法及催化裂化过程预测方法，用于提高生产操作水平，保障催化裂化装置安全、稳定运行。

具体而言，包括以下的技术方案：

一种催化裂化过程建模方法，所述方法包括：

获取催化裂化过程中若干变量的相应的若干组生产数据；

根据所述若干变量的相应的若干组生产数据，建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型；

再次获取催化裂化过程中所述若干变量的对应的预设组生产数据；

将所述若干变量的对应的预设组生产数据代入所述若干组相关关系模型中，计算得到因变量的预测数据；

将所述因变量的预测数据与对应的因变量生产数据做差再除以所述因变量生产数据，得到误差取值；

如果所述误差取值小于预设值，确认所述若干组相关关系模型。

进一步地，所述获取催化裂化过程中若干变量的相应的若干组生产数据之后，所述方法还包括：对所述若干组生产数据进行预处理，如果一组所述生产数据中存在缺失变量，则删除该组生产数据。

进一步地，所述相关关系模型的表达式表示为：

y＝βx+ε

式中，y是选定的变量y的所有数据；x是变量x的所有数据；β是参数；ε为服从正态分布的残差。

进一步地，所述预设值的取值范围为3％～5％。

进一步地，所述如果所述误差取值小于预设值，确认所述若干组相关关系模型之后，所述方法还包括：如果所述误差取值大于所述预设值，再次获取催化裂化过程中所述若干变量的相应的若干组生产数据。

进一步地，所述如果所述误差取值大于所述预设值，再次获取催化裂化过程中所述若干变量的相应的若干组生产数据之后，所述方法还包括：根据所述再次获取的所述若干变量的相应的若干组生产数据，再次建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型。

进一步地，所述如果所述误差取值小于预设值，确认所述若干组相关关系模型之后，所述方法还包括：根据所述若干组相关关系模型，调整催化裂化过程中变量的取值，得到调整后的所述若干组相关关系模型。

一种催化裂化过程预测方法，采用上述任一项所述的方法获得所述若干组相关关系模型，在相应的相关关系模型中输入自变量的取值，得到所需因变量的预测值。

本发明实施例提供的技术方案的有益效果：

通过获取催化裂化过程中若干变量的相应的若干组生产数据，根据所述若干变量的相应的若干组生产数据，建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型，再次获取催化裂化过程中所述若干变量的对应的预设组生产数据，将所述若干变量的对应的预设组生产数据代入所述若干组相关关系模型中，计算得到因变量的预测数据，将所述因变量的预测数据与对应的因变量生产数据做差再除以所述因变量生产数据，得到误差取值，如果所述误差取值小于预设值，确认所述若干组相关关系模型，可以对催化裂化过程进行优化，提高生产操作水平，减少维护工作量，从而进一步保障催化裂化装置安全、稳定、长周期的运行，提高经济效益。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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为本发明实施例的一种催化裂化过程建模方法的方法流程图；

图2为本发明实施例的一种催化裂化过程中变量的分布曲线图；

图3位本发明实施例的一种催化裂化过程中所有变量之间的相关关系图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本实施例提供了一种催化裂化过程建模方法，如图1所示，该方法包括：

步骤101：获取催化裂化过程中若干变量的相应的若干组生产数据；

具体地，获取催化裂化过程中，随时间不断变化的若干组实际生产数据的数据集，记为s。在得到实际生产数据后，对得到的若干组生产数据进行预处理，如果一组生产数据中存在缺失变量，则删除该组生产数据。实际生产数据在进行预处理之后，共得到p+1个变量和n组数据。

在本实施例中，通过对实际生产数据的预处理，17个检测点的数据共得到17个变量，删除缺失变量所在组的生产数据，最终得到275组完整的检测数据，图2显示变量的分布情况，可以看出变量的分布集中在一个小的区间范围内，形态接近于一个正态分布或者多个正态分布的叠加，说明可以通过关键变量共同描述催化裂化的生产过程，且变量之间存在一定的相关关系。由于变量的区间很窄，非线性特性在局部范围内可以用线性关系近似表示，所以变量之间的相关关系可以近似用线性关系表示。

步骤102：根据若干变量的相应的若干组生产数据，建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型；

具体地，首先，从p+1个变量中选择一个，作为因变量y，将剩余的p个变量作为自变量x，然后研究这些变量的定量相关关系，即相关关系模型的表达式表示为：

y＝βx+ε

式中，y是选定的变量y的所有数据；x是变量x的所有数据；β是参数；ε为服从正态分布的残差

进一步地，在一个存在p+1个属性的催化裂化装置中，利用预处理后的n组数据，需要求解的问题如下：

yi＝β0+xi1β1+…+xipβp+εi(i＝1,2,…,n)

其中yi,xi1,…,xip(i＝1,2,…,n)均为采集到的生产数据。

求解变量的相关关系模型，即计算最佳的β来描述这一相关关系。在求解过程中，为了更好的选择相关变量，并建立这些变量之间的关系，需要引入罚参数λ。

在给定λ的情况下，估计最佳的参数β，就转化为求解如下的优化问题：

求解β的最佳估计值具体迭代过程如下：

(1)在给定罚参数λ时，选取参数β的初值，记为β⁽⁰⁾，这里选择最小二乘估计作为β的初值，其中，

(2)在给定罚参数λ时，将β的最佳估计值记为采用如下的迭代式计算其中β⁽⁰⁾为初值，那么，

β⁽¹⁾＝β⁽⁰⁾-[▽²qlsβ⁽⁰⁾+n∑λβ⁽⁰⁾]^-1[▽qlsβ⁽⁰⁾+nuλβ⁽⁰⁾]

其中，

▽²qlsβ⁽⁰⁾＝x'x

▽qlsβ⁽⁰⁾＝-x(y-xβ⁽⁰⁾)

如果|βj|＜10^-4，那么取

uλβ⁽⁰⁾＝∑λβ⁽⁰⁾β⁽⁰⁾

(3)如果某个|βj|＜10^-6时，令βj＝0，重复上述(2)的操作，直到β收敛，即|β⁽ⁿ⁺¹⁾-β⁽ⁿ⁾|＜10^-6，这时得到的β值即为在给定罚参数λ时β的最佳估计值

(4)不断改变λ的大小，λ∈(0,1)，每当λ数值确定时，重复(1)至(3)的操作，计算出此时β的最佳估计值然后，求出使广义交叉验证统计量最小的λ，即求解问题：

不断变化λ的数值，求解上述问题的最优解，最终得到的λ为最优选择的罚参数，对应的为参数β的最佳估计值。

此时建立的相关关系模型为y＝β0+x1β1+…+xpβp，式中的多数βi(i＝1,2,…,p)数值为零，其余不为零的系数表明了变量间的定量相关关系。

其次，从数据集s的p+1个变量里，选择一个新的变量作为y，其余的变量作为自变量x，重复上述建立相关关系模型的步骤，建立关于y和x的相关关系模型。

最后，不断重复建立相关关系模型的步骤，找到以任一变量为因变量与其它变量为自变量的的相关关系模型，组成一个网状的所有变量的相关模型。

在本实施例中，选择因变量为提升管出口温度(trca1101)，其余16个变量作为自变量，来寻找其间的相关关系。

建立如下的待解的问题，其中n＝275，p＝16。

求解变量的相关关系的模型，即计算最佳的β来描述这一相关关系。通过进行(1)至(4)的步骤，最终得到参数β的最佳估计值

此时建立相关关系模型为

trca1101＝0.37ti1217+1.53tt1328-0.35ti1116a+0.62ti1124

+0.09tia1407-0.02frc1205+0.19ti1118a-144.2834

计算结果表明提升管出口温度(trca1101)主要与分馏塔塔底温度(ti1217)、稳定塔塔底温度(tt1328)、再生器稀相温度(ti1116a)、分布管下温度(ti1124)、烟机入口温度(tia1407)、循环油浆上返塔流量(frc1205)、再生器床层温度(二密)(ti1118a)密切相关。

继续从数据集s的17个变量里，选择一个新的变量作为y，其余的变量作为自变量x，重复(1)至(4)的步骤，找到y和x的相关关系模型。

不断重复步骤建立相关关系模型的步骤，找到任一变量与其它剩余变量之间的相关关系模型，最终计算结果如图3所示，所有变量之间的相关关系用箭头表示，组成一个网状结构的相关关系模型。变量之间定量的相关关系数据见表1。

表1

步骤103：再次获取催化裂化过程中若干变量的对应的预设组生产数据；

步骤104：将若干变量的对应的预设组生产数据代入若干组相关关系模型中，计算得到因变量的预测数据；

步骤105：将因变量的预测数据与对应的因变量生产数据做差再除以因变量生产数据，得到误差取值；

步骤106：如果误差取值小于预设值，确认若干组相关关系模型。

具体地，由于每个参数对于优化过程的重要性不同，所以每个参数误差预设值的取值也不尽相同，预设值的取值范围为3％～5％。如果误差取值小于预设值，那么确认若干组相关关系模型，根据若干组相关关系模型，调整催化裂化过程中变量的取值，得到调整后的若干组相关关系模型，对于催化裂化过程进行预测，根据调整后的若干组相关关系模型，在相应的相关关系模型中输入自变量的取值，得到所需因变量的预测值，预判催化裂化效果；如果误差取值大于预设值，那么再次获取催化裂化过程中若干变量的相应的若干组生产数据，根据再次获取的若干变量的相应的若干组生产数据，再次建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型，重复步骤103到步骤106。

本实施例通过获取催化裂化过程中若干变量的相应的若干组生产数据，根据若干变量的相应的若干组生产数据，建立以任一变量为因变量、其它变量为自变量的若干组相关关系模型，再次获取催化裂化过程中若干变量的对应的预设组生产数据，将若干变量的对应的预设组生产数据代入若干组相关关系模型中，计算得到因变量的预测数据，将因变量的预测数据与对应的因变量生产数据做差再除以因变量生产数据，得到误差取值，如果误差取值小于预设值，确认若干组相关关系模型，可以对催化裂化过程进行优化，提高生产操作水平，减少维护工作量，从而进一步保障催化裂化装置安全、稳定、长周期的运行，提高经济效益。

以上所述仅是为了便于本领域的技术人员理解本发明的技术方案，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。