催化裂化再生烟气氮氧化物预测方法、装置及系统制造方法及图纸

本发明专利技术提供一种催化裂化再生烟气氮氧化物预测方法、装置及系统，属于化工领域。所述预测方法包括：获取数据并进行预处理，得到处理后的样本集；分析与再生烟气氮氧化物密切相关的关键变量，根据样本集构建催化裂化再生烟气氮氧化物初始预测模型；利用基于飞行信息的粒子群优化算法优化催化裂化再生烟气氮氧化物初始预测模型，得到催化裂化再生烟气氮氧化物目标预测模型，使用目标预测模型对预处理后的待测数据进行预测，得到氮氧化物预测值。通过建立基于模糊神经网络的氮氧化物预测模型，使用基于飞行信息的粒子群优化算法对初始预测模型进行优化，提高模型的预测精度，最终得到能够快速进行预测，有利于提升氮氧化物预测准确度。确度。确度。

【技术实现步骤摘要】
催化裂化再生烟气氮氧化物预测方法、装置及系统


[0001]本专利技术涉及化工领域，具体地涉及一种催化裂化再生烟气氮氧化物预测方法、一种催化裂化再生烟气氮氧化物预测装置、一种催化裂化再生烟气氮氧化物预测系统。

技术介绍

[0002]催化裂化装置再生烟气是催化裂化装置最大的空气污染源，主要含有一氧化碳(CO)、二氧化硫(SO2)、氮氧化物(NO
x
)和粉尘等有害物质，尤其是NO
x
随烟气排放到空气中会对大气造成严重污染。由于催化裂化再生器出口烟气的污染物浓度随工况调整波动范围较大，目前无法准确实时预测到出口再生烟气中氮氧化物的浓度值。同时，催化裂化的脱硫脱硝装置受到进口烟气波动的影响，脱硫脱硝剂的不能准确添加，造成治理设施参数调节响应滞后，烟气排放难以处于稳定状态，废气排放存在超标风险。
[0003]根据产生机理的不同，NO
x
可分为热力型、燃料型和快速型。热力型的生成机理是高温下空气的氮气(N2)氧化形成NO
x
。热力型的生成与燃烧温度、氧浓度和烟气在高温区的停留时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种催化裂化再生烟气氮氧化物预测方法，其特征在于，所述方法包括：对变量数据进行预处理，得到处理后的样本集；根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型；利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型，得到催化裂化再生烟气氮氧化物目标预测模型；使用所述目标预测模型对预处理后的待测数据进行预测，得到氮氧化物预测值。2.根据权利要求1所述的催化裂化再生烟气氮氧化物预测方法，其特征在于，所述对变量数据进行预处理，得到处理后的样本集，包括：获取所有变量数据；对所述变量数据进行清洗；对清洗后的变量数据进行归一化处理，得到归一化数据；对归一化数据进行降维处理，得到输入变量数据组；在所述输入变量数据组中选取预设数量的数据组作为样本集。3.根据权利要求2所述的催化裂化再生烟气氮氧化物预测方法，其特征在于，所述对所述变量数据进行清洗，包括：根据各变量数据的阈值范围，剔除各变量数据中的异常值；利用线性插值算法对各变量数据中的缺失数据进行补遗，得到清洗后的变量数据。4.根据权利要求2所述的催化裂化再生烟气氮氧化物预测方法，其特征在于，所述对归一化数据进行降维处理，得到输入变量数据组，包括：采用主成分分析法对归一化数据进行降维处理，得到变量的相关系数和贡献率大于阈值的变量组成输入变量数据组。5.根据权利要求2所述的催化裂化再生烟气氮氧化物预测方法，其特征在于，所述变量数据包括：再生烟气进出口污染物和催化裂化装置运行期间反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据；所述反应器数据、再生器数据、脱硫脱硝设施数据、产品分布数据以及治理设施原料数据均包括：原料氮含量、再生器氧含量、再生器密相藏量、再生主风量、提升管油浆进料量、提升管上部温度、出口烟气温度、总进料量、烟尘浓度、提升管上部温度、再生器底部密相温度以及再生器稀相段压力。6.根据权利要求1所述的催化裂化再生烟气氮氧化物预测方法，其特征在于，所述根据所述样本集构建催化裂化再生烟气氮氧化物初始预测模型，包括：构建基于模糊神经网络的催化裂化再生烟气氮氧化物基础模型：式中，y(t)是t时刻氮氧化物的实际输出，w(t)＝[w1(t),w2(t),
…
,w
P
(t)]是模糊神经网络输出权值，w
l
(t)是t时刻连接输出神经元和第l个规则层神经元的权值，P是神经元总个数，v
l
(t)是t时刻第l个规则层神经元输出，v
l
(t)的计算公式如下：
式中，c
j
(t)＝[c
1j
(t),c
2j
(t),
…
,c
mj
(t)]是t时刻第j个径向基函数神经元的中心，σ
j
(t)＝[σ
1j
(t),σ
2j
(t),
…
,σ
mj
(t)]是t时刻第j个径向基函数神经元的宽度，是t时刻第j个径向基函数神经元的输出值，x(t)＝[x1(t),x2(t),
…
,x
m
(t)]是t时刻氮氧化物预测模型的输入；定义误差函数表达式：其中，z＝1,2,
…
,Z,Z是测试样本的数目，y
d
是氮氧化物的期望输出，y是氮氧化物的实际输出，e是氮氧化物预测模型的误差；将所述样本集输入所述催化裂化再生烟气氮氧化物基础模型进行训练，得到催化裂化再生烟气氮氧化物初始预测模型。7.根据权利要求6所述的催化裂化再生烟气氮氧化物预测方法，其特征在于，所述利用基于飞行信息的粒子群优化算法优化所述催化裂化再生烟气氮氧化物初始预测模型，得到催化裂化再生烟气氮氧化物目标预测模型，包括：定义一个粒子代表一个神经网络，粒子的种群大小为n，粒子的位置表达式为：x
i
＝{(w
i，1
,σ
i，1
,c
i，1
)，(w
i,2
,σ
i,2
,c
i,2
)...(w
i,j
,σ
i,j
,c
i,j
)}；式中，w
i,1
为第i个粒子代表的模糊神经网络中第1个神经元的权值，σ
i,1
为第i个粒子代表的模糊神经网络中第1个神经元的宽度，c
i,1
为第i个粒子代表的模糊神经网络中第1个神经元的中心；初始化粒子群中各粒子的位置、速度和惯性权重，定义种群大小和函数的最大迭代次数；根据误差函数，计算每个粒子的误差函数值，将每个粒子的误差函数值与当前全局最优位置g
best
(k)相比较，如果粒子的误差函数值更好则更新g
best
(k)，同时，将每个粒子的误差函数值与当前历史最优位置p
i
(k)相比较，如果粒子的误差函数值更好则更新p
i
(k)，计算SP(k)；其中，SP是表征粒子多样性的指标，表达式为：
SP(k+1)是粒子群的多样性，d
i
(k+1)是第i个粒子与其他粒子在第k+1次迭代的最小欧式距离，是所有d
i
(k+1)的平均值；根据速度更新公式和位置更新公式更新粒子群中粒子的位置x
i
(k)和速度v
i
(k)，计算惯性权重ω
i
(k)；第i个粒子的位置更新公式为：x
i
(k+1)＝x
i
(k)+v
i
(k+1)；第i个粒子的速度更新公式为：v
i
(k+1)＝ω
i
(k)v
i
(k)+ε1R1(p
i
(k)
‑
x
i
(k))+ε2R2(g
best
(k)
‑
x
i
(k))；式中，ω(k)是惯性权重，ε1和ε2是学习因子，R1和R2是[0,1]之间的随机值，p
i
(k)是粒子在第k次迭代的历史最优位置，g
best
(k)是第k次迭代整个种群找到的全局最优位置，x
i
(k)是第i个粒子在第k次迭代的位置，v
i
(k)是第i个粒子子在第k次迭代的速度；计算粒子当前位置的误差函数值，更新历史最优位置p
i
(k)和全局最优位置g
d
(k)，依据全局最优位置g
best
(k)和粒子的位置x
i
(k)计算出当前次迭代惯性权重的值，惯性权重ω更新公式为：其中，g
best
(k+1)是第i个粒子在第k+1次迭代的全局最优位置，p
i
(k+1)是第i个粒子在第k+1次迭代的历史最优位置，f(p
i
(k+1))是第i个粒子在第k+1次迭代的适应度值，x
i
(k+1)是第i个粒子在第k+1次迭代的位置；当迭代次数达到最大迭代次数时算法停止，得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值。8.根据权利要求7所述的催化裂化再生烟气氮氧化物预测方法，其特征在于，在得到所述催化裂化再生烟气氮氧化物初始预测模型最优参数值后，根据均方根误差和精度评价使用所述最优参数的催化裂化再生烟气氮氧化物预测模型性能，判断预测误差和精度是否在预设范围内；若是，则将使用所述最优参数的催化裂化再生烟气氮氧化物预测模型作为催化裂化再生烟气氮氧化物目标预测模型；RMSE表达式为：
其预测精度的计算公式为：其中，Z是测试的样本数量，y
d
是氮氧化物期望输出，y是氮氧化物的实际输出。9.一种催化裂化再生烟气氮氧化物预测装置，其特征在于，包括：控制器，用于对变量数据进行预处理，得到...

【专利技术属性】
技术研发人员：卢薇，张树才，杨文玉，李焕，
申请(专利权)人：中石化安全工程研究院有限公司，
类型：发明
国别省市：