一种基于数据驱动的工业裂解炉实时操作优化与控制方法

摘要

本发明属于石化工业的自动控制技术领域，特别涉及一种基于数据驱动的工业裂解炉实时操作优化与控制方法。本发明从基于数据驱动的离线预测模型库中选择该分类的相关预测模型作为当前裂解原料在线预测模型，利用该预测模型，根据当前工业裂解炉操作变量值得到乙烯和丙烯的预测收率，与在线分析仪获得的实时乙烯和丙烯收率进行比较，进行校正，建立多目标实时操作优化模型，模型的解是各操作变量组成的向量，利用校正后的预测模型得到各解所对应的乙烯和丙烯收率，使用多目标自适应遗传算法求解该模型，得到当前时刻各控制变量最优设定值，下发到集散控制系统执行。本发明提高裂解炉生产过程中的乙烯和丙烯收率，也能帮助提高乙烯厂的整体生产效率。

主权项

一种基于数据驱动的工业裂解炉实时操作优化与控制方法，其特征在于按照以下步骤进行：步骤1：采集裂解炉历史工况数据，采用乙烯和丙烯收率的离线预测模型，通过t时刻的操作条件，得出t+1时刻的双烯收率，具体步骤是：(1)采集石化企业实际裂解工业生产过程的历史数据库中3年内的各油品属性数据、其相对应的历史操作条件数据和双烯收率数据；(2)根据油品属性数据，划分裂解原料的属性，采用量子聚类方法，分别将轻烃原料划分为裂解性能相似的K₁个分类，将石脑油原料划分为裂解性能相似的K₂个分类，其中K₁和K₂的值由量子聚类方法自动确定；(3)校正各分类中的数据,对每一原料分类，使用基于聚类的异常点检测方法，剔除含有显著误差的操作条件数据和对应的双烯收率数据；(4)校正各分类中的数据后，对样本数据进行归一化处理，根据上述使用基于聚类的异常点检测方法得到的聚类结果，使用最小二乘支持向量机方法，建立针对轻烃原料的K₁个分类的操作条件与乙烯和丙烯收率的离线预测模型，针对石脑油原料的K₂个分类的操作条件与乙烯和丙烯收率关系的离线预测模型，即：乙烯收率的离线预测模型：$Y_{C_2{H}_4}(t+1)=\mathrm{LSSV}{M}_1\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right))\};$丙烯收率的离线预测模型：$Y_{C_3{H}_6}(t+1)=\mathrm{LSSV}{M}_2\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right)\};$其中离线预测模型的输入为t时刻的操作条件：原料流量mf(t)、汽烃比r(t)、反应管出口温度COT(t)、反应管出口压力COP(t)，模型输出代表t+1时刻乙烯的收率，代表t+1时刻丙烯的收率；以下步骤中记轻烃原料集合和石脑油原料集合中第i个分类为C_i；步骤2：采集实际工况数据，与历史工况数据比较，确立最接近实际工况的乙烯和丙烯收率的在线预测模型，通过在线预测模型得到t+1时刻该操作条件下的双烯收率的预测值和并与实际值比较进行校正，具体步骤是：(1)采集实际工况的裂解原料的油品属性数据，计算当前裂解原料与步骤1‑(2)中所获得的各原料分类之间的距离，该距离定义为当前裂解原料与分类C_i中各样本之间差异的最小值，即其中表示当前裂解原料的油品属性向量，表示分类C_i中的一个样本的油品属性向量，为油品差异的二范数，其中P为属性的总数量；从中选取最小的距离所对应的分类作为当前裂解原料所属的分类，使用所确定的原料分类k的乙烯与丙烯离线预测模型作为当前裂解原料的在线双烯收率预测模型；(2)采集当前实际裂解过程的操作条件数据，并利用当前裂解原料所属分类的乙烯和丙烯收率预测模型，得到t+1时刻该操作条件下的乙烯和丙烯收率的预测值和将由预测模型得到的t时刻的预测值与t时刻的裂解气在线分析仪所获得的乙烯和丙烯实际收率进行比较，当乙烯和丙烯收率的相对误差e₁(t)和e₂(t)均小于一个给定的阈值a％时，则不进行误差校正；否则，对在下一时刻t+1使用预测模型所得到的乙烯和丙烯收率进行校正；步骤3：以最大化乙烯和丙烯的收率为目标，以各操作变量的可控制范围为约束，建立裂解炉多目标实时操作优化模型(1)～(8)，然后采用多目标自适应遗传算法对该操作优化模型中的双烯收率在线预测模型(7)～(8)求解，最终得到各控制变量的优化设定值，具体步骤是：(1)根据实际工况，确定具体优化目标为：$\begin{array}{cc}\max & {Y^{\prime }}_{C_2{H}_4}(t+1)\end{array}---\left(1\right);$$\begin{array}{cc}\max & {Y^{\prime }}_{C_3{H}_6}(t+1)\end{array}---\left(2\right);$具体约束条件为：MF_min≤mf(t)≤MF_max   (3)；R_min≤r(t)≤R_max   (4)；COT_min≤COT(t)≤COT_max   (5)；COP_min≤COP(t)≤COP_max   (6)；双烯收率在线预测模型是：$Y_{C_2{H}_4}(t+1)=\mathrm{ILSSV}{M}_1\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right)\}---\left(7\right);$$Y_{C_3{H}_6}(t+1)=\mathrm{ILSSV}{M}_2\{\mathrm{mf}\left(t\right),r\left(t\right),\mathrm{COT}\left(t\right),\mathrm{COP}\left(t\right)\}---\left(8\right);$其中，MF_min和MF_max分别为原料进料流量的最小允许值和最大允许值；R_min和R_max分别为汽烃比的最小允许值和最大允许值，当mf(t)和r(t)确定时就可以直接得出稀释蒸汽的流量v(t)；COT_min和COT_max分别为反应管出口温度的最小允许值和最大允许值；COP_min和COP_max分别为反应管出口压力的最小允许值和最大允许值；(2)在上述优化目标和约束条件下，采用多目标自适应遗传算法求解双烯收率在线预测模型(7)‑(8)，算法中的解为各控制变量组成的向量＝[mf(t),r(t),COT(t),COP(t)]，获得各控制变量的Pareto最优解集合；步骤4：将步骤3‑(2)中所得到的各控制变量的Pareto最优解集合及其对应的乙烯和丙烯收率，提供给作业现场，选定Pareto最优解集合的某一个解作为当前实时操作条件X＝[mf(t),r(t),COT(t),COP(t)]，具体的选择条件是下面三个条件之一：(1)根据当前的乙烯和丙烯的价格，依据收益最大的，确定控制变量取值；(2)依据下游工序对乙烯和丙烯的不同需求量来确定，选择需求量最高的，确定控制变量取值；(3)根据作业现场乙烯和丙烯的收率之比的范围来，选择乙烯和丙烯同时达到收率最高，确定控制变量取值；提前设定上述选择条件，也可以根据实际需求变更条件，然后由操作优化实时控制器OIC006自动选择一个合适的解，并将当前时刻t对应的各操作变量的最优设定值下发到DCS，对裂解原料流量mf(t)、由COP(t)和汽烃比r(t)获得的稀释蒸汽的流量、由反应管出口温度COT(t)得到的裂解炉侧壁和炉膛底部的燃料流量这些控制变量进行调整；步骤5：设置t＝t+1，重复进行步骤2‑(2)、3和4进行滚动优化，实现裂解炉的实时操作优化与控制，直到当前原料的裂解生产结束。