用于连续重整装置的实时优化方法和设备制造方法及图纸

本实施例提出用于连续重整装置的实时优化方法和设备，具体包括：建立连续重整装置实时优化模型，获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理得到待导入数据；将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；基于最优装置控制参数对连续重整装置的当前控制参数进行优化。由于充分发挥了机理模型和数据经验模型的优势，混合模型不仅能反映连续重整装置过程真实物理特性，提升了模型外推能力，提升了实时优化求解效率和稳定性能。

Real-time optimization method and equipment for continuous reforming unit

【技术实现步骤摘要】
用于连续重整装置的实时优化方法和设备
本专利技术属于数据优化领域，尤其涉及用于连续重整装置的实时优化方法和设备。
技术介绍
通过应用石化工业过程实时优化技术可以提高企业综合效益，已经成为国内外石油化工等流程工业企业的共识。采用实时优化技术在减少装置操作人员重复性劳动的同时，减少技术人员只根据设计参数和经验确定操作值，不能达到最优化的操作，可以促使企业大幅度的节能降耗，并大大提高对于市场的反应速度，从而带来极为可观的经济效益。过程实时优化技术能随时监测过程装置运行状况，并在满足所有约束条件的前提下，不断调整工作点，以克服各种因素对过程的影响，保证过程装置始终能够得到最佳的经济效益。然而，装置实时优化大部分依赖于严格稳态机理模型，基于复杂物料平衡、能量平衡方程的动力学机理模型虽能很好表征出连续重整装置物理特性，但面对实际现场重整进料原料性质变化和操作不确定扰动，往往求解困难，甚至经常不能收敛，影响了在线实时计算和稳定性能。另一方面，为了规避这个问题，也有尝试使用历史数据经验模型，一定程度上提高了实时性和稳定性，却以牺牲模型外推能力为代价，实际适用范围大大变窄。
技术实现思路
为了解决现有技术中存在的缺点和不足，本专利技术提出了用于连续重整装置的实时优化方法和设备，充分发挥了机理模型和数据经验模型的优势，混合模型不仅能反映连续重整装置过程真实物理特性，提升了模型外推能力，而且降低了原有模型的复杂程度，大大提升了实时优化求解效率和稳定性能。一方面，本实施例提出了用于连续重整装置的实时优化方法，所述实时优化方法包括：步骤一，建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；步骤二，从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；步骤三，将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；步骤四，基于最优装置控制参数对连续重整装置的当前控制参数进行优化。可选的，所述建立连续重整装置实时优化模型，包括：建立如公式一所示的连续重整装置简化机理模型其中，G(·)为非线性方程组，当j＝1,2,3,4时yraw,j分别为直馏石脑油原料、汽柴油加氢石脑油原料、裂解抽余油原料、加氢裂化重石脑油原料，yburden分别为重整装置负荷最小值和最大值，yoper,i分别为各操作条件工艺要求最小值和最大值，i＝1,2,3,4,5,6,7,8分别对应重整进料初馏点、重整反应器入口温度、氢油比、水氯比、加热炉氧含量、加热炉出口温度、分馏塔回流比、分馏塔压操作条件，yquality,m分别为生成油产品质量要求最小规格、最大规格，m＝1,2分别为塔底和塔顶采出产品，Ar_yld分别为芳烃收率，EnergyCost装置能耗；通过已获取的历史过程稳态数据集，用深度神经网络模型估计简化机理模型中的关联系数，建立如公式二所示的连续重整装置关联数学模型其中，DNNf(·)为深度学习网络模型用于离线学习估算重整反应速率常数，T为反应温度，单位为K；LHSV为液时空速，单位为1/h；Vc为催化剂装填量，单位为m3；为集总组分的恒压比热向量，单位为kJ/kmol/K；ΔHj为第j个反应的反应热，单位为kJ/kmol；A为反应油气流向截面积，单位为m2；A＝2π·R·H，其中，R为反应器床层半径，H为反应器高度；为包含氢气在内的集总组分摩尔流量向量；为各重整反应的反应速率常数矩阵；ri,j(j＝1～m)i为集总组分的第j个反应速度。可选的，所述在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件，包括：确定满足计划调度要求的前提下最大化连续重整装置芳烃收率和最小化装置能耗的优化目标；基于已确认的优化目标建立目标优化函数表达式OBJ＝min(w1/Ar_yld+w2·EnergyCost)式中，OBJ为最小化目标函数，w1/Ar_yld为最大芳烃收率目标计算的倒数，w2·EnergyCost第二项为装置最小能耗目标，Ar_yld为重整生成油产品芳烃收率，EnergyCost为重整反应器加热炉和分馏塔加热炉燃料气消耗总和，w1、w2分别为目标函数两项的权重；所述约束条件包括原料进料量约束、装置负荷约束、操作条件约束、重整生成油产品质量要求约束、模型平衡约束。可选的，所述将初始参数进行有效性处理，包括：对所述初始参数依次进行一致性检测、在线预处理以及过程启发式稳态检测；其中，所述一致性检测包括通过参数匹配的方式对初始参数中的全部数据的类别进行校对；所述在线预处理包括对校对后的初始参数进行填充缺失值、滤波去噪的处理；所述过程启发式稳态检测包括对处理后的初始参数进行去噪前后的差异判断初始参数对应的重整过程是否处于稳态的操作。可选的，所述对处理后的初始参数进行去噪前后的差异判断初始参数是否处于稳态的操作，包括：根据公式三分别计算各变量的高低滤波值；式中，分别表示当前时刻高、低滤波值，分别表示上一时刻高低滤波值，fH、fL分别表示高低滤波系数，xt表示当前时刻原始数据输入；如公式四所示，计算某一段时间区间t内，高、低滤波值均方差之和是否小于阈值ε1；如果满足公式四的判断条件，则如公式五所示，计算某一段时间区间t内，最旧和最新的高滤波值均方差之和是否小于阈值ε2，如果满足公式五的判断条件，则判定时间区间t内初始参数对应的重整过程处于稳态；式中，代表最新的高滤波值，代表最旧的高滤波值。可选的，所述数据整定包括：利用连续重整装置生产过程的物料平衡或者能量平衡等关系，在原始测量数据的基础上，确定基于整定值与其对应的测量值的偏差之平方和最小的整定条件，基于整定条件建立如公式六所示的整定数学表达式式中，X表示己测变量向量，U表示未测变量向量，表示整定值向量，Q为测量变量协方差矩阵，G为连续重整装置混合模型的开放式约束方程，包括连续重整装置模型物料平衡方程、能量平衡方程、化学反映速率方程与化学平衡方程、热量质量和动量传递方程，各装置单元间的联结方程、物性推算方程、分子归一方程；基于公式四对对初始数据进行整定。可选的，在所述实时优化方法中的步骤三与步骤四之间，还包括：步骤五，对得到最优装置参数再次进行稳态判断和可靠性判断，基于通过判断的最优参数值对连续重整装置的当前控制参数进行优化。可选的，所述实时优化方法还包括：设置用于实现实时优化自动运行模式和常规人为设定值运行模式之间切换的无扰动切换机制。可选的，所述无扰动切换机制，包括：实时优化回路的投运；实时优化回路的切除；实时优化系统与常规人为设定之间的无扰切换。另一方面，本实施例还提出了用于连续重整装置的实时优化设备，所述实时优化设备包括：模型建立单元，用于建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；数据整理单元，用于从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；参数求解单元，用于将待导入数据本文档来自技高网...

【技术保护点】
1.用于连续重整装置的实时优化方法，其特征在于，所述实时优化方法包括：步骤一，建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；步骤二，从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；步骤三，将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；步骤四，基于最优装置控制参数对连续重整装置的当前控制参数进行优化。

【技术特征摘要】
1.用于连续重整装置的实时优化方法，其特征在于，所述实时优化方法包括：步骤一，建立连续重整装置实时优化模型，在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件；步骤二，从近红外在线分析仪和数据库中获取用于导入连续重整装置实时优化模型的初始参数，将初始参数进行有效性处理，并对处理后的数据进行包括数据整定和模型参数估计的操作，得到待导入数据；步骤三，将待导入数据传输至连续重整装置实时优化模型中，在约束条件对应的范围内对目标优化函数求解，确定目标函数最优解对应的最优装置操作参数；步骤四，基于最优装置控制参数对连续重整装置的当前控制参数进行优化。2.根据权利要求1所述的用于连续重整装置的实时优化方法，其特征在于，所述建立连续重整装置实时优化模型，包括：建立如公式一所示的连续重整装置简化机理模型其中，G(·)为非线性方程组，当j＝1,2,3,4时yraw,j分别为直馏石脑油原料、汽柴油加氢石脑油原料、裂解抽余油原料、加氢裂化重石脑油原料，yburden分别为重整装置负荷最小值和最大值，yoper,i分别为各操作条件工艺要求最小值和最大值，i＝1,2,3,4,5,6,7,8分别对应重整进料初馏点、重整反应器入口温度、氢油比、水氯比、加热炉氧含量、加热炉出口温度、分馏塔回流比、分馏塔压操作条件，yquality,m分别为生成油产品质量要求最小规格、最大规格，m＝1,2分别为塔底和塔顶采出产品，Ar_yld分别为芳烃收率，EnergyCost装置能耗；通过已获取的历史过程稳态数据集，用深度神经网络模型估计简化机理模型中的关联系数，建立如公式二所示的连续重整装置关联数学模型其中，DNNf(·)为深度学习网络模型用于离线学习估算重整反应速率常数，T为反应温度，单位为K；LHSV为液时空速，单位为1/h；Vc为催化剂装填量，单位为m3；为集总组分的恒压比热向量，单位为kJ/kmol/K；ΔHj为第j个反应的反应热，单位为kJ/kmol；A为反应油气流向截面积，单位为m2；A＝2π·R·H，其中，R为反应器床层半径，H为反应器高度；为包含氢气在内的集总组分摩尔流量向量；为各重整反应的反应速率常数矩阵；ri,j(j＝1～m)i为集总组分的第j个反应速度。3.根据权利要求2所述的用于连续重整装置的实时优化方法，其特征在于，所述在实时优化模型中建立目标优化函数以及对目标优化函数求解过程中的约束条件，包括：确定满足计划调度要求的前提下最大化连续重整装置芳烃收率和最小化装置能耗的优化目标；基于已确认的优化目标建立目标优化函数表达式OBJ＝min(w1/Ar_yld+w2·EnergyCost)式中，OBJ为最小化目标函数，w1/Ar_yld为最大芳烃收率目标计算的倒数，w2·EnergyCost第二项为装置最小能耗目标，Ar_yld为重整生成油产品芳烃收率，EnergyCost为重整反应器加热炉和分馏塔加热炉燃料气消耗总和，w1、w2分别为目标函数两项的权重；所述约束条件包括原料进料量约束、装置负荷约束、操作条件约束、重整生成油产品质量要求约束、模型平衡约束。4.根据权利要求1所述的用于连续重整装置的实时优化方法，其特征在于，所述将初始参数进行有效性处理，包括：对所述初始参数依次...

【专利技术属性】
技术研发人员：娄海川，谢六磊，李辉，陈寿烽，李达，王贵宏，吴玉成，田甜，
申请(专利权)人：浙江中控软件技术有限公司，
类型：发明
国别省市：浙江,33