工业乙烯裂解炉裂解深度在线优化方法

摘要

本发明涉及一种工业乙烯裂解炉的裂解深度在线优化方法，利用机理模型和实际生产数据作为训练样本，结合裂解原料聚类结果，建立裂解炉收率神经网络多模型，模型输入变量为原料密度、原料直链烷烃含量之和、原料正构烷烃异构烷烃含量之比、进料流量、汽烃比、炉管出口温度COT、炉管出口压力，模型输出变量为乙烯收率和丙烯收率(或三烯总收率)。根据油品实测值，判断所属子模型，利用裂解气在线分析仪对该子模型输出的裂解深度在线校正，利用SQP方法，以经济效益最大为目标，在裂解深度和汽烃比约束下，确定最优裂解深度值及汽烃比，并在裂解炉的当前裂解深度值附近不断滚动优化。方法合理可靠，简单易行，易于移植，具有广泛适应性。

主权项

1.工业乙烯裂解炉裂解深度在线优化方法，其特征在于所述方法包括以下步骤：①采集工业乙烯裂解炉系统的历史工况数据及对应的油品属性数据；②选取油品属性作为聚类属性变量，进行油品聚类：利用模糊C均值聚类算法将油品数据归为裂解特性相似的N类；③根据步骤②中的油品聚类结果，利用机理模型生成与N类油品对应的“原料属性-操作条件-产物收率”的数据集，构造具有非线性辨识能力的N个神经网络模型，其中，机理模型为包括裂解反应动力学方程、质量守恒方程组、动量守恒方程、能量守恒方程的联立方程组；④采集当前工况数据及对应的油品属性数据，结合当前油品属性值，计算该油品到各子模型对应油品聚类中心的距离，选择距离最小的为当前模型：$d\left(i\right)=\sqrt{\underset{j=1}{\overset{M}{\Sigma }}{|x_j-c_i^j|}^2},$选择d(i)最小的子模型为当前模型，其中，d(i)表示当前测量油品到各子模型对应油品聚类中心的距离，各子模型对应油品的聚类中心为(c_i¹，c_i²，...c_i^j)，当前油品属性值为(x₁，x₂，...，x_j)，i＝1，...N，j＝1，...M，N为步骤②中所述的油品聚类类别数，M为步骤②中所述的聚类属性变量个数；⑤为克服模型失配和外部扰动通常会给系统带来的不确定性，采用在维持预测模型不变的基础上对未来的误差作出预测并进行在线校正：y_p(k+1)＝y_m(k+1)+he(k)，其中，y_p(k+1)为校正后的k+1下一时刻的丙乙比模型预测值，y_m(k+1)为k+1下一时刻的丙乙比模型预测计算值，h是误差校正系数，e(k)＝y(k)-y_m(k)为k时刻系统的丙乙比实际值y(k)与模型预测值y_m(k)之间的误差；⑥根据裂解炉的实际情况，确定优化操作变量及约束条件，以乙烯丙烯质量收率之和最大为目标，以在线校正后的裂解产物收率预测神经网络模型作为在线优化模型，利用SQP方法结合专家系统在当前COT工作点对应的裂解深度指标值附近滚动优化，得到裂解深度指标优化最终结果。