一种基于数据模型的催化裂化装置优化方法制造方法及图纸

本发明专利技术涉及一种基于数据模型的催化裂化装置优化方法，本发明专利技术提出的根据生产历史大数据建立的反应装置模型，该方法不依赖复杂的过程机理；能够准确预测产物的收率和关键性质。本发明专利技术提出的变量关联性算法，能够从海量的DCS位号、Lims变量里智能筛选出与目标变量强相关的变量，将模型复杂度降到最低，同时保证可靠性。同时，本发明专利技术构建的多神经网络集成学习预测模型，运算速度快，收敛性高，适应性广，提出的优化方法可以在消耗较少计算资源的前提下快速计算出结果，可以满足装置的实时在线优化需求。本发明专利技术采用智能算法确定不同工艺参数间的时间延迟效应，使计算更为准确。

A data model-based optimization method for catalytic cracking unit

The present invention relates to an optimization method of catalytic cracking unit based on data model. The reaction unit model established by the present invention according to large data of production history does not depend on complex process mechanism, and can accurately predict the yield and key properties of products. The variable correlation algorithm proposed by the invention can intelligently select variables that are strongly related to the target variable from a large number of DCS bits and Lims variables, reduce the complexity of the model to the minimum, and ensure reliability. At the same time, the multi-neural network ensemble learning prediction model constructed by the invention has fast operation speed, high convergence and wide adaptability. The proposed optimization method can quickly calculate the results on the premise of consuming less computing resources, and can meet the real-time online optimization requirements of the device. The invention adopts intelligent algorithm to determine the time delay effect between different process parameters, so as to make the calculation more accurate.

【技术实现步骤摘要】
一种基于数据模型的催化裂化装置优化方法
本专利技术涉及石油化工生产过程控制与优化领域，尤其涉及一种基于数据模型的催化裂化装置优化方法。
技术介绍
催化裂化是重质油轻质化的重要手段，是炼油厂生产汽柴油的核心装置，也是炼厂的主要效益来源。近年来，原油重质化、劣质化不断加剧，清洁燃料和低碳烯烃的市场需求在上升，安全环保的指标越来越严格，石化产品的国际竞争日趋激烈，这些新要求都对催化裂化生产提出了新的挑战。催化裂化是石油炼制行业中最复杂的催化生产装置,对整个装置建立过程机理模型十分复杂，大数据技术直接从海量的生产数据中挖掘规律，分析过程可以减少对复杂的过程机理的依赖。将大数据和人工智能等前沿的数据分析技术应用到装置优化领域，可进一步提高装置控制水平，提升装置在最优操作区间的平稳运行效率，提高目标产物收率，提升产品质量，降低能耗和生产成本，提高安全性，控制环保指标，从多个维度提高生产效率和增加经济效益。目前，大数据技术在石油化工装置优化领域的应用尚处于发展的起步阶段，一些企业和科研单位开始进行了一些研究和尝试，取得了一些成果，但仍然存在很大的发展和改善空间。中石化九江石化催化裂化大数据应用示范研究项目代表了大数据技术在装置优化应用方面的最新成果，该研究利用传递熵算法研究了各个位点之间的相关性和因果链路，进而建立装置报警分析模型；通过主成分分析结合结焦机理分析确立关键参数，利用神经网络构建结焦预测模型，用聚类分析和互相关函数分析等建立关联网络，提供减缓结焦的方案；通过支持向量机等机器学习方法建立汽油收率预测模型。该项研究取得了初步应用效果，长期适用性有待检验。另一些研究，将八集总动力学模型与BP型神经网络结合预测催化裂化的产物收率，预测精度比单纯用集总模型有了提高，然而训练的生产样本数据只有120组，覆盖的时间范围较小，缺乏在更广泛的工况条件下的适用性检验。也有一些研究将人工神经网络技术应用于装置控制，但同样存在训练样本有限，应用范围较窄的问题。因此，总结已有方法的不足，包括如下几方面：(1)机理模型复杂，建立难度大，用时长。(2)复杂机理模型非线性程度高，计算速度慢，收敛性差。(3)数据样本数量少，时间范围较小。(4)目前的方法未考虑时间延迟效应，数据之间的内在因果关系不对应，致使模型外推性能较差。(5)变量选择依赖人工专家经验，可能忽略一些影响变量，也可能增加无效变量，增加模型复杂度。
技术实现思路
本专利技术为克服上述的不足之处，目的在于提供一种基于数据模型的催化裂化装置优化方法，本专利技术提出的根据生产历史大数据建立的反应装置模型，该方法不依赖复杂的过程机理；能够准确预测产物的收率和关键性质。本专利技术提出的变量关联性算法，能够从海量的DCS位号、Lims变量里智能筛选出与目标变量强相关的变量，将模型复杂度降到最低，同时保证可靠性。同时，运算速度快，收敛性高，适应性强，可以用于指导实时在线优化。本专利技术采用智能算法确定不同工艺参数间的时间延迟效应，使计算更为准确。本专利技术是通过以下技术方案达到上述目的：一种基于数据模型的催化裂化装置优化方法，包括如下步骤：(1)读取装置的DCS、LIMS历史生产数据，建立DCS、LIMS标准数据库；规范数据库格式，建立索引规则，便于后期查询、新增、抽取；(2)从标准数据库中抽取建模可能用到的变量数据进行预处理，为后面的分析做准备；其中预处理包括删除无效数据、对缺失值进行插值拟合填充、用数据平滑技术消除噪音信号和异常值的影响、变量分类、数据归一化处理；(3)变量关联性分析，以挑选关联性强的变量进行建模；(4)采用延迟时间分析技术校正各变量数据之间的时滞效应，得到因果关系直接对应的变量数据库；(5)基于步骤(4)得到的变量数据库进料聚类和工况聚类；(6)机器学习建立变量预测模型；(7)针对实际生产的优化需求，设定优化目标及相应的约束条件，基于步骤(6)得到的变量预测模型进行优化，用全局优化算法计算出最佳的操作参数，得到优化模型；(8)对应用模型进行预测和优化；(9)设计两种模型自动更新模式，以适应新的工况。作为优选，所述在步骤(2)中，插值方法可以选择最近邻插值、线性插值、三次样条插值中的一种；原始数据的平滑方法使用快速傅里叶滤波器平滑技术，以消除高频噪音信号以及异常值对数据分析的影响；变量类型划分：将变量划分为进料变量、控制变量(操作条件)、被控变量和中间监控变量；数据非负归一化处理，以消除不同变量的量纲差异，处理公式如下：作为优选，所述步骤(3)具体为：对工艺流程内的所有变量进行关联性分析，得到相关系数矩阵，设定相关性阈值，从众多的变量中挑选关联性强的变量进行建模，保证精度的前提下减少复杂度；其中，变量关联分析采用如下方法：首先将DCS、LIMS变量的时间序列数据作图，转换为图像数据，再将图像数据进行适度压缩，保留主要图像变化特征，使用图像相似度算法计算趋势图的相似度，最终获取各变量的相似度系数矩阵。作为优选，所述步骤(4)通过延迟时间分析技术来校正数据之间的时滞效应，其中，延迟时间判断方法为：首先根据装置尺寸信息和工艺参数，估算延迟时间的大概范围Delay_min～Delay_max，然后选择对应的DCS变量画出历史数据时间趋势图，根据图论的方法，建立图中波动信号的相似性模型，在±γ*Delay_max时间范围内搜索波动信号的相似性，相似度最高的时间点确定为最佳延迟时间，γ为大于1的时间范围系数；最后，确立所有延迟时间后，得到延迟时间矩阵，用延迟时间矩阵对原始数据进行处理，得到因果关系对应的变量数据库。作为优选，所述步骤(5)在聚类时，首先根据进料组成、性质、流量等特征将进料聚为M个类别，然后在每一类进料下面根据操作工况聚为N个类别，统计每个类别的样本量；聚类算法可以为模糊c均值聚类法、k均值聚类法、系统聚类法中的一种；其中，聚类距离的计算使用以下方法，公式如下：其中，变量X1＝(x11,x12,…,x1n)；X2＝(x21,x22,…,x2n)；d12表示变量X1与X2之间的距离；α＝(α1,α2,…αn)表示各性质分量的权重。α的确定方法如下：α＝Xmax-Xmin。作为优选，所述步骤(6)具体为：根据步骤(3)的关联分析技术，确立预测模型的输入和输出变量，构建由多个神经网络组合而成的集成学习方法，用划分好的样本数据进行模型的训练和测试；参数学习采用小批量Mini-batch梯度下降法，每个Mini-batch里都要包含第5步聚类得到的每个类别的样本，样本从从每个类别中随机抽取，并且Mini-batch中各个类别的样本数量要基本相同；经过训练得到神经网络输入输出预测模型。作为优选，所述的优化模型可以根据需求构建汽油收率最大化模型，产品加权价值最大化模型，产品质量指标最优化模型。作为优选，所述采用全局优化算法计算出最佳的操作参数具体为：首先根据步骤(5)的聚类规则确定待优化进料的类别，搜索这个类别下使得目标函数最优的历史样本，计算该样本进料与当前待优化进料的相似距离，设定一个距离阈值，如果距离小于阈值，就把历史样本的操作工况当做当前进料的最优工况；如果距离大于阈值，则将进料分为更小的类，然后重复上述搜索过程，直到得到最优工况；当要求进一步提高优化精度时，可用上述方法得到的工况做本文档来自技高网...

【技术保护点】
1.一种基于数据模型的催化裂化装置优化方法，其特征在于，包括如下步骤：(1)读取装置的DCS、LIMS历史生产数据，建立DCS、LIMS标准数据库；规范数据库格式，建立索引规则，便于后期查询、新增、抽取；(2)从标准数据库中抽取建模可能用到的变量数据进行预处理，为后面的分析做准备；其中预处理包括删除无效数据、对缺失值进行插值拟合填充、用数据平滑技术消除噪音信号和异常值的影响、变量分类、数据归一化处理；(3)变量关联性分析，以挑选关联性强的变量进行建模；(4)采用延迟时间分析技术校正各变量数据之间的时滞效应，得到因果关系直接对应的变量数据库；(5)基于步骤(4)得到的变量数据库进料聚类和工况聚类；(6)机器学习建立变量预测模型；(7)针对实际生产的优化需求，设定优化目标及相应的约束条件，基于步骤(6)得到的变量预测模型进行优化，用全局优化算法计算出最佳的操作参数，得到优化模型；(8)对应用模型进行预测和优化；(9)设计两种模型自动更新模式，以适应新的工况。

【技术特征摘要】
1.一种基于数据模型的催化裂化装置优化方法，其特征在于，包括如下步骤：(1)读取装置的DCS、LIMS历史生产数据，建立DCS、LIMS标准数据库；规范数据库格式，建立索引规则，便于后期查询、新增、抽取；(2)从标准数据库中抽取建模可能用到的变量数据进行预处理，为后面的分析做准备；其中预处理包括删除无效数据、对缺失值进行插值拟合填充、用数据平滑技术消除噪音信号和异常值的影响、变量分类、数据归一化处理；(3)变量关联性分析，以挑选关联性强的变量进行建模；(4)采用延迟时间分析技术校正各变量数据之间的时滞效应，得到因果关系直接对应的变量数据库；(5)基于步骤(4)得到的变量数据库进料聚类和工况聚类；(6)机器学习建立变量预测模型；(7)针对实际生产的优化需求，设定优化目标及相应的约束条件，基于步骤(6)得到的变量预测模型进行优化，用全局优化算法计算出最佳的操作参数，得到优化模型；(8)对应用模型进行预测和优化；(9)设计两种模型自动更新模式，以适应新的工况。2.根据权利要求1所述的一种基于数据模型的催化裂化装置优化方法，其特征在于：所述在步骤(2)中，插值方法可以选择最近邻插值、线性插值、三次样条插值中的一种；原始数据的平滑方法使用快速傅里叶滤波器平滑技术，以消除高频噪音信号以及异常值对数据分析的影响；变量类型划分：将变量划分为进料变量、控制变量(操作条件)、被控变量和中间监控变量；数据非负归一化处理，以消除不同变量的量纲差异，处理公式如下：3.根据权利要求1所述的一种基于数据模型的催化裂化装置优化方法，其特征在于：所述步骤(3)具体为：对工艺流程内的所有变量进行关联性分析，得到相关系数矩阵，设定相关性阈值，从众多的变量中挑选关联性强的变量进行建模，保证精度的前提下减少复杂度；其中，变量关联分析采用如下方法：首先将DCS、LIMS变量的时间序列数据作图，转换为图像数据，再将图像数据进行适度压缩，保留主要图像变化特征，使用图像相似度算法计算趋势图的相似度，最终获取各变量的相似度系数矩阵。4.根据权利要求1所述的一种基于数据模型的催化裂化装置优化方法，其特征在于：所述步骤(4)通过延迟时间分析技术来校正数据之间的时滞效应，其中，延迟时间判断方法为：首先根据装置尺寸信息和工艺参数，估算延迟时间的大概范围Delay_min～Delay_max，然后选择对应的DCS变量画出历史数据时间趋势图，根据图论的方法，建立图中波动信号的相似性模型，在±γ*Delay_max时间范围内搜索波动信号的相似性，相似度最高的时间点确定为最佳延迟时间，γ为大于1的时间范围系数；最后，确立所有延迟时间后，得到延迟时间矩阵，用延迟时间矩阵对原始数据进行处理，得到因果关系对应的变量数据库。5.根据权利要求1所述的一种基于数据模型的催化裂化装置优化方法，其特征在于：所述步骤(5)在聚类时，首先根据进料组成、性质、流量等特征将进料聚为M个类别，然后在每一类进料下面根据操作工况聚为N个类别，统计每个类别的样本量；聚类算法可以为模糊c均值聚类法、k...

【专利技术属性】
技术研发人员：何恺源，周成林，
申请(专利权)人：杭州辛孚能源科技有限公司，
类型：发明
国别省市：浙江,33