一种基于数据驱动的溶剂脱沥青装置建模及优化方法制造方法及图纸

本发明专利技术公开了一种基于数据驱动的溶剂脱沥青装置建模及优化方法。所述基于数据驱动的溶剂脱沥青装置建模方法，所述方法包括：(1)现场数据的预处理，所述现场数据包括溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；(2)筛选特征变量，所述筛选根据工艺原理和过程进行；(3)对特征变量采用主成分分析法(PCA)进行降维；和(4)采用反向传播(BP)神经网络就降维后的数据集进行建模，分别建立脱沥青油(DAO)的收率模型和脱硫脱残炭模型。所述优化方法包括利用构建得到的基于数据驱动的溶剂脱沥青装置模型优化溶剂脱沥青装置操作条件的步骤。

A Data-driven Modeling and Optimization Method for Solvent Deasphalting Unit

The invention discloses a method for modeling and optimizing a solvent deasphalting device based on data driving. The data-driven modeling method for solvent deasphalting unit includes: (1) pretreatment of field data, which includes production operation data, raw material and product property analysis data of solvent deasphalting unit; (2) selection of characteristic variables, which are based on process principle and process; (3) reduction of characteristic variables by principal component analysis (PCA). Dimension; and (4) Using back propagation (BP) neural network to model the reduced data set, the yield model of deasphalting oil (DAO) and the model of desulfurization and carbon residue were established respectively. The optimization method includes the steps of optimizing the operating conditions of solvent deasphalting unit by using the built data-driven model of solvent deasphalting unit.

【技术实现步骤摘要】
一种基于数据驱动的溶剂脱沥青装置建模及优化方法
本专利技术涉及一种基于数据驱动的溶剂脱沥青装置模拟与操作条件的优化方法。该方法可用于模拟溶剂脱沥青过程，预测产品收率和性质，并且快速智能地优化装置的主要操作条件。
技术介绍
随着现代工业的迅速发展，石油作为国家战略物资在国民经济中发挥着至关重要的作用。由于原油质量逐渐劣化，炼油过程中的渣油再利用问题得到了重视。溶剂脱沥青(solventdeasphalting，SDA)工艺是生产催化裂化或加氢裂化原料的一个重要环节，增加了重油的加工深度和附加值。作为炼油企业重要的加工单元之一，对溶剂脱沥青装置进行模拟和优化，使其适应不同工况以满足后续加工单元的要求至关重要。溶剂脱沥青装置分为溶剂抽提段和溶剂回收段两部分，其核心抽提段的原理是溶剂的液液萃取——基于溶剂对渣油中不同化学族组分的溶解能力不同来分离轻重液相。渣油的成分极其复杂，现有的研究大多采用热力学预测相平衡数据，辅以少量实验数据作为延伸，或者按照K值不同给每一个温度馏分划分新的族组分。机理模型在对渣油虚拟族组分的划分上多采用试凑法，需要凭经验不断调试，具有很高的复杂性。因此，本领域迫切需要一种溶剂脱沥青装置模拟方法，用以解决上述技术问题。
技术实现思路
本专利技术旨在提供一种基于数据驱动的溶剂脱沥青装置模拟及优化方法。在本专利技术的第一方面，提供一种基于数据驱动的溶剂脱沥青装置建模方法，所述方法包括：(1)现场数据的预处理，所述现场数据包括溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；(2)筛选特征变量，所述筛选根据工艺原理和过程特性进行；(3)对特征变量采用主成分分析法(PCA)进行降维；和(4)采用反向传播(BP)神经网络就降维后的数据集进行建模，分别建立脱沥青油(DAO)的收率模型和脱硫脱残炭模型。在另一优选例中，所述数据的预处理包括进行数据调和、清洗、变换和归约。在另一优选例中，所述数据的预处理包括在剔除掉异常数据点后，将DCS数据处理成12h的均值形式，并对相应时间段的性质数据的缺省值进行插值操作后与操作数据组合，并将其归一化到[-1,1]区间。在另一优选例中，所述特征变量包括针对DAO收率模型的输入变量，以及DAO脱硫脱残炭模型的变量；更佳地，所述DAO收率模型的输入变量包括渣油密度ρVR、运动粘度μVR、残炭质量分数wVR、硫含量wS、铁含量wFe、镍含量wNi、钒含量wV、饱和分含量wSH、芳香分含量wAH、胶质含量wR、沥青质含量wA、抽提塔入口温度TR1I、抽提塔顶部温度TR1T、抽提塔底部温度TR1B、沉降塔入口温度TR2I、沉降塔顶部压力PR2T、沉降塔副溶剂温度TR2FRJ、冷渣进料流量FVR和溶剂比R等共计19维输入特征变量。更佳地，所述DAO脱硫脱残炭模型的变量包括渣油密度ρVR、运动粘度μVR、硫含量wS、铁含量wFe、镍含量wNi、饱和分含量wSH、芳香分含量wAH、胶质含量wR、沥青质含量wA、抽提塔入口温度TR1I、抽提塔顶部温度TR1T、沉降塔顶部压力PR2T、沉降塔顶部温度TR2T、沉降塔副溶剂温度TR2FRJ、冷渣进料流量FVR和溶剂比R等共计16维特征变量。在另一优选例中，采用PCA方法对特征变量进行降维，选取特征贡献率大于99％的成分作为建模变量。在本专利技术的第二方面，提供一种基于数据驱动的溶剂脱沥青装置优化方法，所述方法包括利用上述本专利技术提供的方法构建得到的基于数据驱动的溶剂脱沥青装置模型优化溶剂脱沥青装置的步骤，其中，所述优化包括：使用基于差分进化的粒子群算法，利用训练完毕的模型，根据生产目标，对溶剂脱沥青装置的操作条件进行优化，优化目标定义为：maxf(X)＝yDAO其中，决策变量X为溶剂脱沥青装置的操作条件。yDAO表示DAO收率模型的输出，为产品脱沥青油的收率。在另一优选例中，通过基于差分进化的粒子群优化算法，利用DAO收率模型和脱硫脱残炭模型联动，根据脱沥青油收率最大化的生产目标，通过DAO收率模型对装置操作条件进行优化，并将每一次迭代生成的操作条件送入脱硫脱残炭模型中求得脱沥青油的硫、残炭含量，并判断该值是否满足约束，同时设定抽提塔顶部温度大于抽提塔底部温度,以此保证优化结果的可执行性。据此，本专利技术通过提供一种溶剂脱沥青装置模拟方法，解决了现有技术中的问题。附图说明图1是溶剂脱沥青工艺过程示意图。图2是DAO样本收率分布图。图3是PCA-BP模型结构。图4是DAO收率模型对收率的效果。图5是DAO脱硫脱残炭模型对残炭的模拟效果。图6是DAO脱硫脱残炭模型对硫含量的模拟效果。图7是模拟的操作条件变化对DAO收率的影响。图8是模拟的操作条件变化对DAO硫和残炭含量的影响。具体实施方式专利技术人经过深入研究，提供了一种基于工业数据的溶剂脱沥青装置产品收率和硫、残炭含量预测方法及装置操作条件的优化方法。该方法在获得炼厂溶剂脱沥青装置运行数据的基础上，采用数据调和、清洗、变换、归约的方法对现场数据进行预处理，以剔除故障点和对数据进行平滑处理；对预处理后的数据根据工艺原理和生产过程特性进行特征变量的选择，分别筛选出对DAO收率和DAO硫含量和残炭含量影响较大的特征变量；对于特征选择后的数据集采用主元分析法(PCA)对其进行降维，减少噪声的影响；降维后的数据输入到神经网络模型中进行训练，获得DAO收率和DAO脱硫脱残炭模型；采用基于差分进化的粒子群算法对所建模型进行操作条件的优化，求得在给定原料性质下产品DAO收率尽可能大且满足残炭质量指标约束的操作条件，为生产优化提供方案。本专利技术提供的基于数据驱动的溶剂脱沥青装置模拟及优化方法，所述方法包括以下步骤：步骤一：采集溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；步骤二：对现场数据中缺失和冗余的部分进行数据调和、清洗、变换和归约等预处理环节；步骤三：根据工艺原理和过程特性，对步骤二获得的数据中的特征变量进行初步筛选；步骤四：对步骤三中经过特征变量筛选的数据集采用主成分分析法(PCA)对其进行降维，剔除异常噪声；步骤五：步骤四中降维后的数据集采用反向传播(BP)神经网络进行建模，分别建立DAO收率模型和脱硫脱残炭模型；步骤六：使用基于差分进化的粒子群算法，利用训练完毕的模型，根据生产目标，对溶剂脱沥青装置的操作条件进行优化，优化目标定义为：maxf(X)＝yDAO其中，决策变量X为溶剂脱沥青装置的操作条件。yDAO表示DAO收率模型的输出，为产品脱沥青油的收率。在本专利技术的一种实施方式中，步骤一中现场采集溶剂脱沥青装置的生产操作数据、原料和产品分析数据。步骤二中由于现场数据的缺失和冗余，不能直接用来建模。因此需要对采集到的数据进行清洗，变换和归约。现场的数据存在着物料不平衡，仪表的某些读数故障等问题，需要在进行数据分析的基础上对缺失值和异常值进行处理。生产操作数据一般以秒计，考虑到工业流程存在一定的时滞，在本专利技术的一种实施方式中，剔除存在异常噪声的数据点之后，将生产操作数据处理成12h的均值形式。分析数据通常分析周期为日，对与生产操作数据对应时间段的物料分析数据的缺省值进行插值操作，最后与生产操作数据组合。最终得到原料性质、操作条件和产品性质相对应的数据集，并将其归一化到[-1,1]区间。根据工艺过程特性，在本本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的溶剂脱沥青装置建模方法，其特征在于，所述方法包括：(1)现场数据的预处理，所述现场数据包括溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；(2)筛选特征变量，所述筛选根据工艺原理和过程特性进行；(3)对特征变量采用主成分分析法(PCA)进行降维；(4)采用反向传播(BP)神经网络就降维后的数据集进行建模，分别建立脱沥青油(DAO)的收率模型和脱硫脱残炭模型。

【技术特征摘要】
1.一种基于数据驱动的溶剂脱沥青装置建模方法，其特征在于，所述方法包括：(1)现场数据的预处理，所述现场数据包括溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；(2)筛选特征变量，所述筛选根据工艺原理和过程特性进行；(3)对特征变量采用主成分分析法(PCA)进行降维；(4)采用反向传播(BP)神经网络就降维后的数据集进行建模，分别建立脱沥青油(DAO)的收率模型和脱硫脱残炭模型。2.如权利要求1所述的建模方法，其特征在于，所述数据的预处理包括进行数据调和、清洗、变换和归约。3.如权利要求1所述的建模方法，其特征在于，所述数据的预处理包括在剔除掉异常数据点后，将DCS数据处理成12h的均值形式，并对相应时间段的性质数据的缺省值进行插值操作后与操作数据组合，并将其归一化到[-1,1]区间。4.如权利要求1所述的建模方法，其特征在于，所述特征变量包括针对DAO收率模型的输入变量，以及DAO脱硫脱残炭模型的变量。5.如权利要求4所述的建模方法，其特征在于，所述DAO收率模型的输入变量包括渣油密度ρVR、运动粘度μVR、残炭质量分数wVR、硫含量wS、铁含量wFe、镍含量wNi、钒含量wV、饱和分含量wSH、芳香分含量wAH、胶质含量wR、沥青质含量wA、抽提塔入口温度TR1I、抽提塔顶部温度TR1T、抽提塔底部温度TR1B、沉降塔入口温度TR2I、沉降塔顶部压力PR2T、沉降塔副溶剂温度TR2FRJ、冷渣进料流量FVR和溶剂比R等共计19维输入特征变量。6.如权利要求4所述...

【专利技术属性】
技术研发人员：钱锋，钟伟民，隆建，杨明磊，杜文莉，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海,31