一种基于代理模型的常减压装置的约束进化优化方法制造方法及图纸

本发明专利技术公开一种基于代理模型的常减压装置的约束进化优化方法，针对常减压精馏过程的耗时计算及保证工况稳定和安全要求的等式、不等式约束优化问题，旨在实施以生产利润最大为目标的优化。具体来讲，本发明专利技术方法在优化迭代中采用加点策略，更新完善全局、局部的代理模型，并对所建的全局、局部代理模型进行优化搜索，从而得到优化解。与传统方法相比，本发明专利技术方法与传统方法的最大优势在于所针对的优化问题更符合实际运行情况，即考虑了工况稳定和安全要求所涉及的等式与不等式约束问题。此外，本发明专利技术方法通过新定义优化目标函数，往复优化搜索全局与局部训练数据，能较好地保证训练数据的多样性从而不断提升代理模型的精度。

【技术实现步骤摘要】
一种基于代理模型的常减压装置的约束进化优化方法
本专利技术涉及石油化工领域中一种常减压装置生产利润最大的优化方法，尤其涉及一种基于代理模型的常减压装置的约束进化优化方法。
技术介绍
随着全球经济的发展，化工生产过程实行实时优化变得越来越重要。过程实时优化往往表现为在尽量短的时间内在保证产品质量和操作工况安全的条件下达到降低能耗、降低工业排放或者进一步提高经济效益、改善产品质量的目标。作为石油加工的龙头装置，常减压精馏在炼油行业具有举足轻重的地位，承担着对原油的初步分离，为后续的炼油化工装置提供原料的重任。精馏过程是一个约束、多变量、非线性、强耦合的复杂系统，从结构上来说，精馏装置通常可有几十块至上百块的塔板构成，在塔板上完成复杂的传质、传热操作，视不同的分离要求，不同的塔规模，其模型方程可达数百个甚至数千个，且变量错综繁多。过程模型的复杂性对现有优化方法提出了挑战。精馏过程的优化方法通常有传统优化、商业平台优化及进化优化等。传统的优化方法主要包括序列线性规划、罚函数、增广拉格朗日函数、广义简约梯度、内点法和序列二次规划法(Sequent本文档来自技高网...

【技术保护点】
1.一种基于代理模型的常减压装置的约束进化优化方法，其特征在于，包括以下步骤：/n步骤(1)：利用常减压装置的机理模型生成N个输入输出采样数据，记输入数据矩阵为X∈R

【技术特征摘要】
1.一种基于代理模型的常减压装置的约束进化优化方法，其特征在于，包括以下步骤：
步骤(1)：利用常减压装置的机理模型生成N个输入输出采样数据，记输入数据矩阵为X∈Rα×N，记输出数据矩阵为Y∈Rβ×N，其中输入数据矩阵X中的α个输入测量变量包括：m1种原油的进料流量、m2个精馏塔的进料温度、m3个回流温度与m3个回流比、m4个原油混合器的混合比，则α＝m1+m2+2m3+m4，输出数据矩阵Y中β个输出测量变量分别是β种产品油的流量，Rα×N表示α×N维的实数矩阵；
步骤(2)：利用GPR算法分别建立输入数据矩阵X与β个输出测量变量之间的GPR模型：Yb＝fb(X)+Eb，其中，fb表示第b个GPR模型的非线性变换过程，Eb为均值为零、方差为σb的高斯噪声，Yb为输出数据矩阵Y中的第b行向量，b＝1，2，…，β；
步骤(3)：确定如下所示公式①中定义的生产利润最大化目标函数及其相应的约束条件：






上式中，x∈Rα×1由α个输入测量变量的数据组成、J(x)表示以x为输入对应的生产利润、是由x中记录的m1种原油的进料流量数据组成、F(x)∈Rβ×1表示以x∈Rα×1为输入并根据常减压精馏过程的机理模型计算得到的β个产品油流量、与分别为原油与产品油的单价、xmin与xmax分别表示输入数据向量的上限与下限、hp(x)与gq(x)分别表示第p个等式约束条件与第q个不等式约束条件、P为等式约束条件的个数、Q为不等式约束条件的个数、s.t.是SubjectTo的缩写，表示约束条件的意思；
步骤(4)：先将J(x)变更为：其中再以如下所示公式②为优化目标：



上式中，为新目标函数、γ＝1，2，…，(P+Q)、J0＝max{J(x1)，J(x2)，…，J(xN)}表示取J(x1)，J(x2)，…，J(xN)中的最大值、λ为惩罚因子、Vγ(x)表示第γ个惩罚程度函数，其定义如下所示：



并利用粒子群优化算法求解得到β个最优粒子向量s1，s2，…，sβ，其中sb∈Rα×1，具体的实施过程如下所示：
步骤(4.1)：初始化b＝1后，设置粒子群优化算法的参数，具体包括：粒子总数D、最大迭代次数Im、加速因子ε1与ε2；
步骤(4.2)：设置迭代次数iter＝1，在区间[xmin，xmax]上随机生成D个粒子向量其中表示第d个粒子向量，d＝1，2，…，D；
步骤(4.3)：根据上述公式②计算各个粒子向量所对应的目标函数值其中惩罚因子λ需根据公式λ＝|J0|·χd/(P+Q)计算得到，χd表示第d个粒子向量不满足公式①中约束条件的次数；
步骤(4.4)：将中的最大目标函数值所对应的粒子向量记做向量t，将各个粒子向量在整个迭代进程中取得的最大目标函数值所对应的粒子向量分别记录为并根据如下所示公式更新各个粒子的运行速度向量



上式中，向量vd∈Rα×1中各元素皆为区间[-1，1]上的随机数，rand1和rand2是在区间[0，1]内的任意随机数；
步骤(4.5)：对向量中各元素进行修正：若中元素大于1，则将该元素修改成1；若中元素小于-1，则将该元素修改成-1；其他情况，对元素不做修改；
步骤(4.6)：根据公式更新各个粒子向量并对各个粒子向量中的元素进行修正使其处于区间[xmin，xmax]内；
步骤(4.7)：判断是否满足条件：iter＜Im？若是，则置iter＝iter+1后返回步骤(4.3)；若否，则最终得到的最优粒子向量sb为中最大值所对应的粒子向量，并执行步骤(4.8)；
步骤(4.8)：判断是否满足条件：b＜β？若是，则设置b＝b+1后，返回步骤(4.2)；若否，则得到β个最优粒子向量s1，s2，…，sβ；
步骤(5)：分别以s1，s2，…，sβ为输入数据向量，并根据常减压装置的机理模型计算得到F(s1)，F(s2)，…，F(sβ)后，再将s1，s2，…，sβ添加进输入数据矩阵X中，即X＝[X，s1，s2，…，sβ]，并对应地将F(s1)，F(s2)，…，F(sβ)添加进输出数据矩阵Y中，即Y＝[Y，F(s1)，F(s2)，…，F(sβ)]；
步骤(6)：根据如下所示公式计算输入数据矩阵X中各列向量的拥挤距离dist(i)：



上式中，i＝1，2，…，N，min{}表示求取{}中所有元素的最小值，符号||||表示计算向量的长度，N表示输入数据矩阵X中列向量的总数，N会随着添加数据向量的操作而不断变更；
步骤(7)：将输入数据矩阵X中满足条件dist(i)＞δ的所有列向量组成全局输入数据矩阵XG，并对应地将输出数据矩阵Y中相同列的列向量组成全局输出数据矩阵YG，并分别建立XG与YG中β个输出测量变量之间的GPR模型：其中表示第b个GPR模型的非线性变换过程...

【专利技术属性】
技术研发人员：薛锋，史旭华，唐俊苗，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33