本发明专利技术涉及一种工业乙烯裂解炉的裂解深度在线优化方法，利用机理模型和实际生产数据作为训练样本，结合裂解原料聚类结果，建立裂解炉收率神经网络多模型，模型输入变量为原料密度、原料直链烷烃含量之和、原料正构烷烃异构烷烃含量之比、进料流量、汽烃比、炉管出口温度ＣＯＴ、炉管出口压力，模型输出变量为乙烯收率和丙烯收率（或三烯总收率）。根据油品实测值，判断所属子模型，利用裂解气在线分析仪对该子模型输出的裂解深度在线校正，利用ＳＱＰ方法，以经济效益最大为目标，在裂解深度和汽烃比约束下，确定最优裂解深度值及汽烃比，并在裂解炉的当前裂解深度值附近不断滚动优化。方法合理可靠，简单易行，易于移植，具有广泛适应性。
【技术实现步骤摘要】
本专利技术涉及一种。
技术介绍
乙烯工业是石油化工行业的龙头，乙烯产量是衡量一个国家的石油化工发 展水平的标志。裂解炉处于乙烯装置中的龙头位置，对其控制的好坏不仅直接 影响整个乙烯生产装置的产品质量和产量，而且还影响下游生产装置(如聚乙 烯、聚丙烯、乙二醇等生产装置)的平稳操作。图l为典型的裂解炉工艺流程和控制图，烃类原料F101进入裂解炉BA101后， 先在预热段经过初步预热后，与稀释蒸汽F102混合，再进一步预热并且完全汽 化，使其温度升高至稍低于裂解反应的温度，然后进入裂解炉辐射段的反应管， 裂解反应主要在辐射段中进行，它为吸热反应，在此部分所需热量由底部燃料 气F103和侧壁燃料气F104燃烧供给，在反应管内的烃类原料迅速升温，同时发 生裂解反应生成乙烯、丙烯、丁二烯、甲垸、乙垸等产品。裂解深度是衡量裂解炉内裂解反应进行程度的重要指标，影响裂解深度的 主要因素包括COT (Coil Outlet Temperature,裂解炉出口温度，以下简称COT)、 裂解原料组成、停留时间、汽烃比，其中COT温度对乙烯、丙烯收率影响最大。 目前国内大部分乙烯裂解炉装置均采用COT来表征裂解深度，而COT设定值的选 取主要参照裂解炉专利商提供的在设计原料条件下的规定值或经验值，往往是"以不变应万变"。然而，国内各乙烯生产企业普遍面临裂解原料来源复杂， 油品特性波动大等状况，这使得固定COT的生产运行方式不能及时地反映由于裂 解原料组成以及裂解炉运行状况变化而引起的裂解深度和裂解产品收率变化； 为此，华东理工大学率先开发并实施裂解深度控制系统(专利号ZL 200510025043.6)，如图l所示，包括裂解深度控制系统与COT控制系统构成的串 级控制系统，其中C0T控制系统的测量值源于裂解炉炉管出口的热电偶TI105， 其设定值由裂解深度控制器AIC105输出计算可得，裂解深度指标一般采用丙乙 比(丙烯乙烯质量比)或者甲丙比(甲烷丙烯质量比)，利用现场的裂解气组成在 线分析仪AI105数据作为参考，作为裂解深度控制器AIC105的测量值。裂解深度控制系统改变传统工业现场采用COT代替裂解深度的控制方式，但 该裂解深度控制系统的设定值目前仍然由人工确定，缺乏定量指导，文献检索 发现目前仍没有裂解深度设定值在线优化的工业实施先例，因此，充分利用现 场具备的原料组成信息以及裂解气在线分析仪，结合数据挖掘和优化技术，开 发工业乙烯裂解炉裂解深度在线优化技术具有重要意义。
技术实现思路
本专利技术提供一种，此方法首先采集 并建立裂解原料(以石脑油为例)数据库，利用FCM (Fuzzy C-Means,模糊C均 值聚类算法，以下简称FCM)得到N类油品对应的油品属性聚类中心；然后采集 实际工业过程数据对裂解炉机理模型进行模型校正，利用校正后的机理模型， 以及覆盖范围宽于现场常用工况的操作条件数据，生成与N类油品对应的"原 料属性-操作条件-产物收率"的数据集，进而构造具有非线性辨识能力的N个神经网络模型，其中，每个子神经网络模型输入变量均选取为原料密度、原 料直链烷烃含量之和、原料正构烷烃异构垸烃含量之比、进料流量、汽烃比、炉管出口温度COT、炉管出口压力COP (Coil Outlet Pressure,裂解炉出口压 力，以下简称C0P)，模型输出变量选取为乙烯收率和丙烯收率；现场实施时， 可根据新油品测量属性值，判断所属子模型，并由该子模型计算输出裂解产物 产率；为克服模型的预测误差以及不确定性干扰因素，利用裂解气组成在线分 析仪输出对神经网络模型预测输出不断进行在线校正；根据实际生产情况、市 场条件制定优化目标函数，应用SQP (Sequential Quadratic Programming,序 列二次规划法，以下简称SQP)算法对裂解深度指标和汽烃比进行优化，使裂 解炉在保证运行周期不变的前提下，达到"双烯"(即乙烯、丙烯质量收率之和) 或"三烯"(即乙烯、丙烯、丁二烯质量收率之和)最大的目的。 包括以下步骤① 采集工业乙烯裂解炉系统的历史工况数据及对应的油品属性数据；② 选取油品属性作为聚类属性变量，进行油品聚类利用模糊C均值聚类算法将油品数据归为裂解特性相似的N类；◎根据步骤②中的油品聚类结果，利用机理模型生成与N类油品对应的"原 料属性-操作条件-产物收率"的数据集，构造具有非线性辨识能力的N 个神经网络模型，其中，机理模型为包括裂解反应动力学方程 质量守 恒方程组、动量守恒方程、能量守恒方程的联立方程组；④采集当前工况数据及对应的油品属性数据，结合当前油品属性值，计算 该油品到各子模型对应油品聚类中心的距离，选择距离最小的为当前模型W) glx,-c/12，选择"(/)最小的子模型为当前模型，其中，"(/)表示当前测量油品到各子模型对应油品聚类中心的距离，各子模型对应油 品的聚类中心为(。U2,...c,0 ，当前油品属性值为 (W..,x》，/ = l，...7V，/ = l，...A/， N为步骤②中所述的油品聚类类别数，M为步骤②中所述的聚类属性变量个数；◎为克服模型失配和外部扰动通常会给系统带来的不确定性，采用在维持 预测模型不变的基础上对未来的误差作出预测并进行在线校正 々(* + 1)=凡,"+ 1) + ^0:)，其中，々^ + 1)为校正后的* + 1下一时刻的丙乙比 模型预测值，凡("l)为"l下一时刻的丙乙比模型预测计算值，A是误差 校正系数，=为*时刻系统的丙乙比实际值少0t)与模型预测 值^W之间的误差；⑥根据裂解炉的实际情况，确定优化操作变量及约束条件，以乙烯丙烯质 量收率之和最大为目标，以在线校正后的裂解产物收率预测神经网络模 型作为在线优化模型，利用SQP方法结合专家系统在当前COT工作点对 应的裂解深度指标值附近滚动优化，得到裂解深度指标优化最终结果。 所述步骤①中的工况数据包括裂解炉的进料流量，蒸汽流量，出口温度C0T， 出口压力C0P，侧壁燃料气流量，底部燃料气流量；油品属性包括正构烷烃、异 构烷烃、烯烃、环烷烃、芳烃的质量百分含量，裂解气中甲垸、乙烯、丙烯含 量百分比。所述历史数据采集范围为3个月至2年间的历史工况数据及对应的油品属 性数据。所述步骤②中，选取直链垸烃总量、正构烷烃与异构垸烃之比作为聚类属性变量。所述步骤②是通过采用随机初始化聚类中心并多次运行模糊C均值聚类算 法，选择价值函数最小对应的结果实现油品数据分类。所述步骤③中的"原料属性-操作条件-产物收率"的数据集产生的操作条件是正常工况范围基础的100% 120%。所述步骤③中的模型为神经网络回归模型，其中，每个子神经网络模型输入变量均选取为原料密度、原料直链垸烃含量之和、原料正构烷烃异构烷烃含量之比、进料流量、汽烃比、炉管出口温度COT、炉管出口压力COP，模型输出变量选取为乙烯收率和丙烯收率。所述步骤④中的误差校正系数取值范围为。 所述步骤⑥中裂解深度指标优化最终结果，经过了限幅处理。 所述步骤⑤中的滚动优化，即在每一个采样时刻，优化性能指标只涉及到从 该时刻起未来有限的时间，而到下一个采样时刻，这一优化时段同时向前推移， 在每一个时刻对该时刻的优化性能指标进行优化。本专利技术提供一种，首先采本文档来自技高网...
【技术保护点】
工业乙烯裂解炉裂解深度在线优化方法，其特征在于所述方法包括以下步骤： ①采集工业乙烯裂解炉系统的历史工况数据及对应的油品属性数据； ②选取油品属性作为聚类属性变量，进行油品聚类：利用模糊Ｃ均值聚类算法将油品数据归为裂解特性相似的 Ｎ类； ③根据步骤②中的油品聚类结果，利用机理模型生成与Ｎ类油品对应的“原料属性－操作条件－产物收率”的数据集，构造具有非线性辨识能力的Ｎ个神经网络模型，其中，机理模型为包括裂解反应动力学方程、质量守恒方程组、动量守恒方程、能量守恒方 程的联立方程组； ④采集当前工况数据及对应的油品属性数据，结合当前油品属性值，计算 该油品到各子模型对应油品聚类中心的距离，选择距离最小的为当前模型：＊＊＊，选择ｄ（ｉ）最小的子模型为当前模型，其中，ｄ（ｉ）表示当前测量油品到各 子模型对应油品聚类中心的距离，各子模型对应油品的聚类中心为（ｃ↓［ｉ］↑［１］，ｃ↓［ｉ］↑［２］，…ｃ↓［ｉ］↑［ｊ］），当前油品属性值为（ｘ↓［１］，ｘ↓［２］，…，ｘ↓［ｊ］），ｉ＝１，…Ｎ，ｊ＝１，…Ｍ，Ｎ为步骤②中所述的油品聚类类别数，Ｍ为步骤②中所述的聚类属性变量个数； ⑤为克服模型失配和外部扰动通常会给系统带来的不确定性，采用在维持预测模型不变的基础上对未来的误差作出预测并进行在线校正：ｙ↓［ｐ］（ｋ＋１）＝ｙ↓［ｍ］（ｋ＋１）＋ｈｅ（ｋ），其中，ｙ↓［ｐ ］（ｋ＋１）为校正后的ｋ＋１下一时刻的丙乙比模型预测值，ｙ↓［ｍ］（ｋ＋１）为ｋ＋１下一时刻的丙乙比模型预测计算值，ｈ是误差校正系数，ｅ（ｋ）＝ｙ（ｋ）－ｙ↓［ｍ］（ｋ）为ｋ时刻系统的丙乙比实际值ｙ（ｋ）与模型预测值ｙ↓［ｍ］（ｋ）之间的误差； ⑥根据裂解炉的实际情况，确定优化操作变量及约束条件，以乙烯丙烯质量收率之和最大为目标，以在线校正后的裂解产物收率预测神经网络模型作为在线优化模型，利用ＳＱＰ方法结合专家系统在当前ＣＯＴ工作点对应的裂解深度指标值附近滚动优化，得到 裂解深度指标优化最终结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：钱锋，王宏刚，王振雷，梅华，杜文莉，王大海，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：31[中国|上海]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。