一种加氢精制中氢解程度的实时预测方法及其系统技术方案

本发明专利技术提供一种加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法及其系统，所述方法包括：基于所述过程的当前操作条件，利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。本发明专利技术根据加氢裂化流程在线可检测的过程变量利用ELM实时预测加氢精制过程含硫和/或氮的化合物的氢解程度，可为加氢裂化流程精制反应器的运行优化提供重要的状态信息。

Real time prediction method and system for hydrogenolysis degree in hydrofining

The present invention provides a compound in the hydrotreating process of sulfur and / or nitrogen hydrogen solution degree of real time prediction method and system thereof, the method includes: the current operating conditions of the process based on the use of compound extreme learning machine ELM model real-time prediction of the process of sulfur and / or nitrogen hydrogen solution degree. According to the invention can detect the hydrocracking process online process variables using ELM real-time prediction of hydrogenation process of sulfur compounds and / or nitrogen hydrogen solution, can provide important information for optimizing the operation state of the hydrocracking process of refining reactor.

【技术实现步骤摘要】
一种加氢精制中氢解程度的实时预测方法及其系统
本专利技术涉及加工过程预测
，更具体地，涉及一种加氢精制中氢解程度的实时预测方法及其系统。
技术介绍
石油工业是我国国民经济的一大支柱，随着经济的发展，炼厂规模不断扩大，装置大型化、自动化的程度不断提高，使得对原油这类不可再生资源的开发力度逐渐增大，最终造成了生产原料的匮乏。因此，能加工含硫或高硫的劣质油、重质油，生产高品质运输燃料，并且在保证产品收率的前提下可灵活调整产品分布的二次加工技术成为各炼化企业关注的重点，其中最有效、最环保的技术是加氢裂化。加氢精制是加氢裂化流程的基本过程之一，其主要作用是脱除原料油中的有机硫化物、有机氮化物等非纯烃类化合物，为加氢裂化反应器提供合格的原料。加氢精制反应器的进料主要是1#、2#VGO与罐区轻蜡油，此外，根据流程是否采用循环工况，还会有部分硫、氮含量极低的循环尾油加入。精制反应器主要发生的化学反应包括：加氢脱硫、加氢脱氮、加氢脱氧等除杂置换反应；烯烃饱和、芳烃饱和等附带反应。其中，加氢脱硫反应和加氢脱氮反应的基本原理是有机硫化物的C-S键和有机氮化物的C-N键在催化剂的活性表面发生断裂，与氢气作用分别生成烃类、硫化氢和氨气。现有技术主要以加氢精制反应器的脱硫(氮)率，即进料油与反应生成油中硫(氮)含量的差与进料油硫(氮)含量的比值，作为精制过程的评价指标，衡量加氢精制反应器运行状况的好坏。然而，反应生成油中以有机态存在的硫化物和氮化物结构复杂，难以进行在线检测，而离线化验的结果往往又存在较大的滞后，这将导致加氢精制反应器的运行状况，即脱硫(氮)效果存在不足或过度，进而导致加氢裂化终端产品中S含量超标，或裂化过程催化剂有机氮中毒、或精制过程因温度过高而导致催化剂快速老化，最终影响催化剂的使用寿命，降低炼化企业的整体经济效益。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法及其系统。本专利技术的一个方面，提供了一种加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法，所述方法包括：基于所述过程的当前操作条件，利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。本专利技术的另一个方面，提供了一种加氢精制过程中含硫和/或氮化合物的氢解程度的实时预测系统，所述系统包括：数据采集模块，用于采集所述过程的当前操作条件；极限学习机ELM模型训练单元，用于构建ELM模型；实时预测模块，用于实时预测所述过程中含硫和/或氮的化合物的氢解程度。本专利技术提供的加氢精制过程含硫和/或氮的化合物的氢解程度实时预测方法及其系统，采用ELM对当前催化剂活性、当前进料属性、当前操作条件下的含S/N化合物氢解程度进行实时预测。通过选出当前催化剂活性下与当前进料属性最接近的多个进料属性下所有含S/N化合物氢解程度数据，选取它们的操作条件作为输入，含S/N化合物氢解程度为输出训练ELM。该预测模型的优点在于：(1)数据去噪之后进行稳态判别，剔除了一部分冗余数据；(2)ELM与其他神经网络算法相比运行速度快、学习能力强、泛化性能好，可以实现实时预测；(3)在模型搭建方法上，选择与当前进料属性相似度高于阈值的历史数据集合的操作条件为输入，除去了无关数据的干扰，也大大加快了ELM模型的训练速度，降低了模型计算不收敛的概率。本专利技术实时预测加氢精制过程含硫和/或氮的化合物的氢解程度可以保障催化剂活性，是延长装置开工周期、保证加氢裂化终端产品S含量合格的重要措施，同时也可为加氢精制反应器的运行优化提供必要的实时状态信息。附图说明图1为根据本专利技术一个优选实施例中加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法的流程示意图；图2为根据本专利技术一个优选实施例中使用的ELM模型结构图；图3为根据本专利技术中加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测系统的结构图；图4为根据本专利技术一个优选实施例中加氢精制过程中含硫化合物氢解程度的预测结果图；图5为根据本专利技术一个优选实施例中加氢精制过程中含氮化合物氢解程度的预测结果图；图6为根据本专利技术一个优选实施例中加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测系统结构图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本专利技术的加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法，包括：基于所述过程的当前操作条件，利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。本申请根据加氢裂化流程在线可检测的过程变量利用ELM实时预测加氢精制过程含硫和/或氮的化合物的氢解程度，可为加氢裂化流程精制反应器的运行优化提供重要的状态信息。其中，当前操作条件是指加氢精制反应器各反应床层的温度分布及精制反应器中催化剂空速的当前值。其中，若无特别说明，所述“含硫和/或氮的化合物”和所述“S/N化合物”均指含硫的化合物和/或含氮的化合物。本专利技术的极限学习机ELM模型可以为常见的ELM模型，较为优选的是，所述极限学习机ELM模型的构建步骤包括：基于所述过程中当前催化剂活性和当前进料属性，从所述过程的稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据，所述含硫和/或氮的化合物氢解程度数据对应的操作条件为输入，所述含硫和/或氮的化合物氢解程度数据为输出，训练ELM。在上述步骤中，所述所有含有硫和/或氮的化合物氢解程度数据的催化剂活性与所述当前催化剂活性尽可能相同。所述所有含硫和/或氮的化合物氢解程度数据的进料属性与所述当前进料属性相似度高于阈值。为了更加简化构建步骤，ELM模型的构建步骤可以包括：1)基于催化剂活性，将所述稳态历史数据分成若干个历史运行区域，得到互不相关的Z组包含催化剂活性、进料属性、操作条件、硫化氢含量信息的稳态历史数据集合和Z组包含催化剂活性、进料属性、操作条件、氨气含量信息的稳态历史数据集合，其中，Z为正整数；2)基于所述过程所属的加氢裂化过程中的硫化氢含量和氨气含量，对所述过程在催化剂活性、进料属性和操作条件下各自对应的稳态历史数据进行含硫和/或氮的化合物氢解程度的计算，遍历Z组中稳态历史数据，得到Z组包含催化剂活性、进料属性、操作条件、含硫和/或氮的化合物氢解程度的稳态历史数据集合；3)基于所述过程中当前催化剂活性和当前进料属性，从2)中稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据，将所述数据对应的操作条件为输入，所述数据为输出，训练ELM。在上述步骤2)中，为了更加简化步骤，还包括：根据当前催化剂活性从Z个包含催化剂活性、进料属性、操作条件、含硫和/或氮的化合物氢解程度信息的数据集合中筛选出P个包含催化剂活性、进料属性、操作条件、含S/N化合物氢解程度信息的数据集合。其中，P，Z均为整数且P＜Z。其中，P的个数根据当前催化剂活性所取得的数据来确定，通常假设当前催化剂活性为α，则取Z组数据中催化剂活性为(α-δ，α+δ)所对应的数据作为筛选出来的数据，δ为任意一个正数。从上述Z组数据中选出所需的P组数据。在上述步骤2)中，具体为：根据公式(1)和公式(2)分别计算加氢精本文档来自技高网...

【技术保护点】
一种加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法，其特征在于，包括：基于所述过程的当前操作条件，利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。

【技术特征摘要】
1.一种加氢精制过程中含硫和/或氮的化合物的氢解程度的实时预测方法，其特征在于，包括：基于所述过程的当前操作条件，利用极限学习机ELM模型实时预测所述过程中含硫和/或氮的化合物的氢解程度。2.根据权利要求1所述的方法，其特征在于，所述极限学习机ELM模型的构建步骤包括：基于所述过程中当前催化剂活性和当前进料属性，从所述过程的稳态历史数据中选取在所述不同操作条件下所有含硫和/或氮的化合物氢解程度数据，所述含硫和/或氮的化合物氢解程度数据对应的操作条件为输入，所述含硫和/或氮的化合物氢解程度数据为输出，训练ELM。3.根据权利要求2所述的方法，其特征在于，所述所有含硫和/或氮的化合物氢解程度数据的进料属性与所述当前进料属性相似度高于阈值。4.根据权利要求2所述的方法，其特征在于，所述极限学习机ELM模型的构建步骤包括：1)基于催化剂活性，将所述稳态历史数据分成若干个历史运行区域，得到互不相关的Z组包含催化剂活性、进料属性、操作条件、硫化氢含量信息的稳态历史数据集合和Z组包含催化剂活性、进料属性、操作条件、氨气含量信息的稳态历史数据集合，其中，Z为正整数；2)基于所述过程所属的加氢裂化过程中的硫化氢含量和氨气含量，对所述过程在催化剂活性、进料属性和操作条件下各自对应的稳态历史数据进行含硫和/或氮的化合物氢解程度的计算，遍历Z组中稳态历史数据，得到Z组包含催化剂活性、进料属性、操作条件、含硫和/或氮的化合物氢解程度的稳态历史数据集合；3)基于所述过程中当前催化剂活性和当前进料属性，从2)中稳态历史数据中选取在不同操作条件下所有含硫和/或氮的化合物氢解程度数据，将所述数据对应的操作条件为输入，所述数据为输出，训练ELM。5.根据权利要求2-4中任一项所述的方法，其特征在于，在所述训练ELM之前，还包括：...

【专利技术属性】
技术研发人员：王雅琳，陈冠余，薛永飞，孙备，袁小锋，阳春华，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43