一种基于混合建模的乙烯生产原料优化方法技术

本发明专利技术涉及一种基于机理与数据混合建模和线性规划技术的乙烯原料优化方法，利用大规模线性规划方法在全厂约束范围之内进行乙烯原料选择优化，使得全厂利润最大化。首先，针对乙烯裂解炉建立机理模型，基于机理模型模拟产生海量数据样本，构建神经网络数据模型，建立裂解产物收率预测的混合模型。其次，针对裂解产物收率随原料属性、工艺参数变化的非线性关系，采用多段线性处理方式，利用混合模型构建收率与原料属性关键参数、关键工艺参数之间的基准‑增量数据库；将收率的基准‑增量多段线性结构数据库联合其它约束信息写入计划优化线性规划模型，利用分布递归方式求解模型，获得原料选择优化结果。为保证收率基准‑增量结构的准确性和线性规划模型的预测精度，混合模型可自动校正模型参数、快速更新收率的基准‑增量多段线性结构数据库。本发明专利技术提供的方法可以为乙烯企业原料采购、计划排产提供定量依据，从而提高企业的经济效益和原料利用率。

【技术实现步骤摘要】
一种基于混合建模的乙烯生产原料优化方法
本专利技术涉及乙烯生产过程优化研究领域，具体涉及一种基于混合建模和线性规划的乙烯原料优化方法。
技术介绍
乙烯工业是石油化学工业的龙头和核心，乙烯产品占石化产品的75％以上，乙烯产量是衡量一个国家石油化工发展水平的重要标志。乙烯生产中原料费用占80％～90％，直接决定了乙烯生产成本。乙烯原料结构与原料性质对产品收率和生产成本影响巨大。一般来说，原料轻质化率越高、直链烷烃含量越高的原料，双烯收率及高附加值收率就会越高，相应的边际效益越好。国内乙烯生产企业以石油基原料为主，面对页岩气革命带来的原料变化，以及由此带来的北美、中东廉价乙烯产品的冲击，做好国内乙烯原料结构的优化调整，是决定乙烯生存和盈利能力的关键，对提高国内乙烯装置的竞争力和企业的经济效益具有重大意义。乙烯原料优化包括两大途径：一是优化炼油-化工总工艺加工流程和加工方案；二是基于现有工艺、装置、方案采用定量化的模拟工具如计划优化软件对所有可能做乙烯原料的物料流股进行优化选择和优化配置。前者依托于装置的设计、改造、加工方案的变更，涉及范围广、投资大；后者可实施的前提是企业的原油加工能力大，可提供的乙烯原料的数量充足或者具有外购乙烯原料的可行性。对于国内已建成的绝大多数石化企业，工艺总流程、设备已经定型，第二条途径是目前解决乙烯原料优化问题的重要手段。目前，国际上的计划优化软件主要有AspenTech公司的PIMS(过程工业模拟系统)软件、Honeywell的RPMS(炼油和石油化工建模系统)软件。PIMS、RPMS软件的主要功能包括为企业进行原料品种和数量的优选，优化选择产品结构，优化中间物流最佳流向，按照各物流价格选择最佳库存量，进行生产模式及调合优化，计算盈亏平衡点，寻找系统瓶颈，为企业做长期规划。但是，目前国内大多数企业结合计划优化软件进行乙烯原料优化方案选择的时候，采用固定收率模型，即利用乙烯装置一定时间内的统计平均数据作为计划排产的依据。该种固定收率模型的方法无法反映原料属性、工艺条件变化引起的产物收率差异，造成PIMS、RPMS软件对乙烯原料优化时的排产结果与实际过程偏差较大。通过建立准确的裂解产物收率模型可以提高计划优化软件中乙烯装置收率预测的准确性。目前的裂解产物收率预测模型主要有三种：经验模型、机理模型以及两者相结合的半经验半机理模型，其中机理模型因其精度高成为工程技术人员的优选模型。近年来，已有报道将基于严格机理的乙烯裂解炉模拟软件与PIMS软件结合进行乙烯生产过程的计划优化，如文献“基于PIMS-SPYRO集成技术的乙烯生产计划优化”(石油化工技术经济，第23卷第4期，页码13-16)。但是，该方法存在以下问题：一是当原料流股多、裂解炉炉型多、个数多(百万吨级以上乙烯装置一般含10台以上的裂解炉)，需要对乙烯裂解炉模拟软件进行大量、多次地调用，优化过程繁琐、耗时，导致计算效率低；二是实际工业过程中，原料属性、裂解炉运行状态动态变化，乙烯裂解炉模型不可避免的与实际过程产生偏差。如何保证裂解产物收率预测和计划优化模型的准确性，是目前亟待解决的问题。
技术实现思路
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。针对现有国内外技术存在的缺陷，本专利技术提出一种机理与数据驱动混合建模和线性规划技术相结合的乙烯原料优化方法，该方法结合了机理建模预测裂解产物收率精度高和数据驱动模型计算速度快两者的优点，同时利用线性规划技术搜索全局最优解。本专利技术的技术可为石化企业进行原料采购、生产计划排产提供辅助决策，显著提高乙烯生产企业的经济效益。为了实现上述目的，本专利技术针对目标乙烯生产企业的裂解炉，建立裂解炉机理模型，利用机理模型产生的收率数据作为数据模型的训练样本，对神经网络模型进行训练。将训练后的神经网络作为裂解产物收率预测模型。利用神经网络模型，通过输入原料属性、裂解炉操作条件、裂解炉炉型结构信息时，模拟产生收率的基准-增量多段线性结构数据库以描述乙烯装置产率与原料属性、工艺操作条件之间的非线性关系。神经网络模型可根据实际工业数据针对变化的原料属性自动校正模型参数，实时更新基准-增量线性结构数据库。依据基准-增量线性结构数据库、原料来源信息、全厂约束条件等建立乙烯生产过程的计划优化线性规划模型，通过分布递归求出全厂利润最大时的乙烯原料结构、裂解炉投料组合、最佳操作条件等。具体地，本专利技术提供一种优化乙烯生产并构建乙烯生产过程优化模型的方法，包括如下步骤：(1)采集乙烯生产过程数据，获得裂解产物收率，(2)构建收率的基准-增量线性结构数据库，(3)基于基准-增量线性结构数据库、约束条件、原料价格、产品价格，建立乙烯生产过程的优化模型，任选的(4)以效益最大化为目标函数，求解优化模型，获得优化的乙烯生产参数。在一个或多个实施方案中，在步骤(1)中，过程数据包括选自以下的一种或多种或全部：原料属性，裂解炉操作条件，裂解炉炉型结构信息等信息。在一个或多个实施方案中，原料选自以下的一种或多种或全部：石脑油、轻石脑油指、气相原料、加氢尾油。在一个或多个实施方案中，原料包括石脑油和/或轻石脑油，原料属性包括选自以下的一种或多种或全部：PIONA值、密度、馏程。在一个或多个实施方案中，PIONA值是正构烷烃、异构烷烃、环烷烃、烯烃、芳烃的含量。在一个或多个实施方案中，原料包括气相原料，原料属性包括选自以下的一种或多种或全部：乙烷、丙烷、正丁烷、异丁烷的含量。在一个或多个实施方案中，原料包括加氢尾油，原料属性包括选自以下的一种或多种或全部：PIONA值、密度、馏程。在一个或多个实施方案中，PIONA值是正构烷烃、异构烷烃、环烷烃、烯烃、芳烃的含量。在一个或多个实施方案中，裂解炉操作条件包括选自以下的一种或多种或全部：进料负荷、稀释蒸汽比、进料温度、进料压力、出口温度、出口压力。在一个或多个实施方案中，裂解炉炉型结构信息包括选自以下的一个或多个或全部：裂解炉辐射炉管的有效长度、壁厚、内径、燃烧喷嘴数量和分布。在一个或多个实施方案中，根据生产过程数据获取裂解产物收率。在一个或多个实施方案中，裂解产物包括选自以下的一种或多种或全部：氢气、甲烷、乙烯、丙烯、乙烷、丙烷、丙炔、丙二烯、丁二烯、苯、混合碳四、裂解碳五、碳六-碳八混合物、碳九、碳十-碳十六混合物、碳十七以上混合物。在一个或多个实施方案中，根据生产过程数据通过构建机理模型获得裂解产物收率。所述机理模型是采用乙烯裂解炉模拟软件或基于化工原理、化学反应工程的基本原理建立的模型。所述机理反应中机理为自由基反应机理。优选地，所述机理模型包括采用乙烯裂解炉模拟软件建立的模型或自行建立的裂解炉模型。在一个或多个实施方案中，所述软件为Colisim或SPYRO本文档来自技高网...

【技术保护点】
1.一种优化乙烯生产并构建乙烯生产过程优化模型的方法，包括如下步骤：/n(1)采集乙烯生产过程数据，获得裂解产物收率，/n(2)构建收率的基准-增量线性结构数据库，/n(3)基于基准-增量线性结构数据库、约束条件、原料价格、产品价格，建立乙烯生产过程的优化模型，/n任选的(4)以效益最大化为目标函数，求解优化模型，获得优化的乙烯生产参数，/n优选地，步骤(2)包括：/n(2.1)利用乙烯生产过程数据和裂解产物收率训练得到神经网络模型，/n(2.2)计算原料属性的基准值和裂解炉操作条件基准值，/n(2.3)根据原料属性基准值、裂解炉操作条件基准值、裂解炉炉型结构信息在神经网络模型中获取产物基准收率，/n(2.4)根据裂解炉炉型结构信息和改变的原料属性和裂解炉操作条件在神经网络模型中获取产物收率，与基准收率比较获得增量收率，/n(2.5)根据(2.4)的结果形成基准-增量线性结构数据库。/n

【技术特征摘要】
1.一种优化乙烯生产并构建乙烯生产过程优化模型的方法，包括如下步骤：
(1)采集乙烯生产过程数据，获得裂解产物收率，
(2)构建收率的基准-增量线性结构数据库，
(3)基于基准-增量线性结构数据库、约束条件、原料价格、产品价格，建立乙烯生产过程的优化模型，
任选的(4)以效益最大化为目标函数，求解优化模型，获得优化的乙烯生产参数，
优选地，步骤(2)包括：
(2.1)利用乙烯生产过程数据和裂解产物收率训练得到神经网络模型，
(2.2)计算原料属性的基准值和裂解炉操作条件基准值，
(2.3)根据原料属性基准值、裂解炉操作条件基准值、裂解炉炉型结构信息在神经网络模型中获取产物基准收率，
(2.4)根据裂解炉炉型结构信息和改变的原料属性和裂解炉操作条件在神经网络模型中获取产物收率，与基准收率比较获得增量收率，
(2.5)根据(2.4)的结果形成基准-增量线性结构数据库。


2.如权利要求1所述的方法，其特征在于，所述方法具有选自以下的一个或多个特征：
所述乙烯生产过程数据包括选自以下的一种或多种：原料属性，裂解炉操作条件，裂解炉炉型结构信息；
所述乙烯生产参数包括选自以下的一个或多个：原料结构、裂解炉投料组合、裂解炉操作条件；
步骤(1)包括根据乙烯生产过程数据通过构建机理模型获得裂解产物收率；优选地，所述机理模型是基于化工原理、化学反应工程的基本原理建立的模型；更优选地，所述机理是自由基反应机理。


3.如权利要求1或2所述的方法，其特征在于，所述方法具有选自以下的一个或多个特征：
原料选自以下的一种或多种或全部：石脑油、轻石脑油、气相原料、加氢尾油；原料属性包括选自以下的一种或多种：PIONA值、密度、馏程、乙烷、丙烷、正丁烷、异丁烷的含量；
裂解炉操作条件包括选自以下的一种或多种：进料负荷、稀释蒸汽比、进料温度、进料压力、出口温度、出口压力；
裂解炉炉型结构信息包括选自以下的一个或多个：裂解炉辐射炉管的有效长度、壁厚、内径、燃烧喷嘴数量和分布；
裂解产物包括选自以下的一种或多种：氢气、甲烷、乙烯、丙烯、乙烷、丙烷、丙炔、丙二烯、丁二烯、苯、混合碳四、裂解碳五、碳六-碳八混合物、碳九、碳十-碳十六混合物、碳十七以上混合物。


4.如权利要求1或2所述的方法，其特征在于，所述方法具有选自以下的一个或多个特征：
在步骤(2.1)中，利用乙烯生产过程数据和裂解产物收率采用十折交叉验证的方式训练得到神经网络模型；
原料属性基准值是一种或多种原料的属性的平均值；
裂解炉操作条件基准值是针对不同原料种类的裂解炉操作条件基准值；
基准-增量多段线性结构数据库是根据基准收率和增量收率采用多段线性化处理方法描述裂解产物收率随原料属性、操作条件改变而变化的非线性关系；
步骤(2.5)还包括通过校正神经网络模型的参数来更新所述基准-增量多段线性结构数据库。


5.如权利要求1或2所述的方法，其特征在于，所述方法具有选自以下的一个或多个特征：

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