System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能控制领域,具体地涉及一种乙烯装置裂解炉烟气氮氧化物控制方法、一种乙烯装置裂解炉烟气氮氧化物控制装置、一种乙烯装置裂解炉烟气氮氧化物控制设备以及一种计算机可读存储介质。
技术介绍
1、乙烯装置是石化生产的龙头装置,乙烯裂解装置是化工板块最重要的污染源之一,同时也是化工板块能耗最大的装置之一。乙烯是石化行业最重要的原料之一,下游产业链庞大,乙烯相关产品占石化产品的75%以上。乙烯裂解炉是乙烯装置的核心,蒸汽裂解乙烯装置约占产量约占我国乙烯总产量的比重较大。根据2019-2020年石化企业的在线监测数据,乙烯裂解炉烟气氮氧化物仍不能稳定达标排放。
2、目前,针对乙烯装置裂解炉烟气氮氧化物预测及控制方法研究并不成熟,并且裂解炉烟气氮氧化物的相关变量较多,与再生烟气氮氧化物相关的过程变量尚不能完全掌握,裂解炉烟气氮氧化物的预测存在困难;并且,裂解炉烟气氮氧化物浓度的超标问题严重,目前尚未实现氮氧化物排放量的有效控制。
技术实现思路
1、本专利技术实施例的目的是提供一种乙烯装置裂解炉烟气氮氧化物控制方法、装置及设备,用于对裂解炉烟气氮氧化物浓度值的控制,主要解决目前乙烯装置裂解炉氮氧化物浓度容易超标以及预测模型不精准的问题。
2、为了实现上述目的,本专利技术的第一方面提供了一种乙烯装置裂解炉烟气氮氧化物控制方法,包括采用模糊神经网络的预测模型得到氮氧化物浓度,以及采用粒子群优化算法对所述预测模型的参数进行优化,所述粒子群优化算法包括:定义活跃因子,所述
3、优选的,所述活跃因子用于量化第i个粒子与全局最优位置的差距,包括:a(t+1)=(xi(t+1)-gbest(t+1))2
4、其中,a(t+1)为活跃因子,xi(t+1)是第i个粒子在第t+1次迭代的位置,gbest(t+1)是第i个粒子在第t+1次迭代的全局最优位置。
5、优选的,所述惯性权重通过以下方式确定:
6、
7、其中,ωi(t+1)、ωi(t)分别为第i个粒子在第t+1次和第t次迭代的惯性权重,pi(t+1)、pi(t)分别为第i个粒子在第t+1次和第t次迭代的历史最优位置,f(pi(t+1))、f(pi(t))分别为第i个粒子在第t+1次和第t次迭代的适应度值。
8、优选的,所述学习因子中的个体学习因子通过以下方式确定:
9、
10、其中,ε1,i(t+1)、ε1,i(t)分别为第i个粒子在第t+1次和第t次迭代的个体学习因子,pi(t+1)、pi(t)分别为第i个粒子在第t+1次和第t次迭代的历史最优位置,f(pi(t+1))、f(pi(t))分别为第i个粒子在第t+1次和第t次迭代的适应度值。
11、优选的,所述学习因子中的社会学习因子通过以下方式确定:
12、
13、其中,ε2,i(t+1)、ε2,i(t)分别为第i个粒子在第t+1次和第t次迭代的社会学习因子,pi(t+1)、pi(t)分别为第i个粒子在第t+1次和第t次迭代的历史最优位置,f(pi(t+1))、f(pi(t))分别为第i个粒子在第t+1次和第t次迭代的适应度值。
14、优选的,采用模糊神经网络的预测模型得到氮氧化物浓度,包括:将乙烯装置裂解炉的工况参数输入所述模糊神经网络的预测模型;以所述模糊神经网络的预测模型输出的预测值作为所述氮氧化物浓度。
15、优选的,所述方法还包括:根据预测模型得到的氮氧化物浓度与实际值的误差,和/或根据预测模型得到的氮氧化物浓度与实际值的误差变化率,确定所述乙烯装置裂解炉的风机转速。
16、在本专利技术的第二方面,还提供了一种乙烯装置裂解炉烟气氮氧化物控制装置,包括:预测模型模块,用于采用模糊神经网络的预测模型得到氮氧化物浓度,以及参数优化模块,用于采用粒子群优化算法对所述预测模型的参数进行优化,还包括:活跃因子模块,用于定义量化第i个粒子与全局最优位置的差距的活跃因子;以及优化确定模块,用于根据所述第i个粒子在第t+1次迭代后的历史最优位置的适应度变化,基于所述活跃因子确定惯性权重和学习因子。
17、优选的,所述活跃因子用于量化第i个粒子与全局最优位置的差距,包括:a(t+1)=(xi(t+1)-gbest(t+1))2;
18、其中,a(t+1)为活跃因子,xi(t+1)是第i个粒子在第t+1次迭代的位置,gbest(t+1)是第i个粒子在第t+1次迭代的全局最优位置。
19、优选的,所述惯性权重通过以下方式确定:
20、
21、其中,ωi(t+1)、ωi(t)分别为第i个粒子在第t+1次和第t次迭代的惯性权重,pi(t+1)、pi(t)分别为第i个粒子在第t+1次和第t次迭代的历史最优位置,f(pi(t+1))、f(pi(t))分别为第i个粒子在第t+1次和第t次迭代的适应度值。
22、优选的,所述学习因子中的个体学习因子通过以下方式确定:
23、
24、其中,ε1,i(t+1)、ε1,i(t)分别为第i个粒子在第t+1次和第t次迭代的个体学习因子,pi(t+1)、pi(t)分别为第i个粒子在第t+1次和第t次迭代的历史最优位置,f(pi(t+1))、f(pi(t))分别为第i个粒子在第t+1次和第t次迭代的适应度值。
25、优选的,所述学习因子中的社会学习因子通过以下方式确定:
26、
27、其中,ε2,i(t+1)、ε2,i(t)分别为第i个粒子在第t+1次和第t次迭代的社会学习因子,pi(t+1)、pi(t)分别为第i个粒子在第t+1次和第t次迭代的历史最优位置,f(pi(t+1))、f(pi(t))分别为第i个粒子在第t+1次和第t次迭代的适应度值。
28、优选的,采用模糊神经网络的预测模型得到氮氧化物浓度,包括:将乙烯装置裂解炉的工况参数输入所述模糊神经网络的预测模型;以所述模糊神经网络的预测模型输出的预测值作为所述氮氧化物浓度。
29、优选的,所述装置还包括:风机转速控制模块,用于根据预测模型得到的氮氧化物浓度与实际值的误差,和/或根据预测模型得到的氮氧化物浓度与实际值的误差变化率,确定所述乙烯装置裂解炉的风机转速。
30、在本专利技术的第三方面,还提供了一种乙烯装置裂解炉烟气氮氧化物控制设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述的乙烯装置裂解炉烟气氮氧化物控制方法的步骤。
31、在本专利技术的第四方面,还提供了一种计算机可读存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行前述的乙烯装置裂解炉烟气氮氧化物控制方法的步骤。本文档来自技高网...
【技术保护点】
1.一种乙烯装置裂解炉烟气氮氧化物控制方法,其特征在于,包括:利用模糊神经网络控制器控制风机转速,动态调整炉膛负压及炉膛氧含量;其中,所述模糊神经网络控制器中包括乙烯裂解炉氮氧化物预测模型,所述乙烯裂解炉氮氧化物预测模型采用基于活跃因子的粒子群优化算法对其中的参数进行优化;所述基于活跃因子的粒子群优化算法,包括:
2.根据权利要求1所述的方法,其特征在于,所述活跃因子用于量化第i个粒子与全局最优位置的差距,包括:
3.根据权利要求2所述的方法,其特征在于,所述惯性权重通过以下方式确定:
4.根据权利要求2所述的方法,其特征在于,所述学习因子中的个体学习因子通过以下方式确定:
5.根据权利要求2所述的方法,其特征在于,所述学习因子中的社会学习因子通过以下方式确定:
6.根据权利要求1所述的方法,其特征在于,采用模糊神经网络的预测模型得到氮氧化物浓度,包括:
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
8.一种乙烯装置裂解炉烟气氮氧化物控制装置,其特征在于,包括:预测模型模块,用于采用
9.根据权利要求8所述的装置,其特征在于,所述活跃因子用于量化第i个粒子与全局最优位置的差距,判断粒子的运动路径是否发生偏离,包括:
10.根据权利要求9所述的装置,其特征在于,所述惯性权重通过以下方式确定:
11.根据权利要求9所述的装置,其特征在于,所述学习因子中的个体学习因子通过以下方式确定:
12.根据权利要求11所述的装置,其特征在于,所述学习因子中的社会学习因子通过以下方式确定:
13.根据权利要求8所述的装置,其特征在于,采用模糊神经网络的预测模型得到氮氧化物浓度,包括:
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:
15.一种乙烯装置裂解炉烟气氮氧化物控制设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项权利要求所述的乙烯装置裂解炉烟气氮氧化物控制方法的步骤。
16.一种计算机可读存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行权利要求1至7中任一项权利要求所述的乙烯装置裂解炉烟气氮氧化物控制方法的步骤。
...【技术特征摘要】
1.一种乙烯装置裂解炉烟气氮氧化物控制方法,其特征在于,包括:利用模糊神经网络控制器控制风机转速,动态调整炉膛负压及炉膛氧含量;其中,所述模糊神经网络控制器中包括乙烯裂解炉氮氧化物预测模型,所述乙烯裂解炉氮氧化物预测模型采用基于活跃因子的粒子群优化算法对其中的参数进行优化;所述基于活跃因子的粒子群优化算法,包括:
2.根据权利要求1所述的方法,其特征在于,所述活跃因子用于量化第i个粒子与全局最优位置的差距,包括:
3.根据权利要求2所述的方法,其特征在于,所述惯性权重通过以下方式确定:
4.根据权利要求2所述的方法,其特征在于,所述学习因子中的个体学习因子通过以下方式确定:
5.根据权利要求2所述的方法,其特征在于,所述学习因子中的社会学习因子通过以下方式确定:
6.根据权利要求1所述的方法,其特征在于,采用模糊神经网络的预测模型得到氮氧化物浓度,包括:
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
8.一种乙烯装置裂解炉烟气氮氧化物控制装置,其特征在于,包括:预测模型模块,用于采用模糊神经网络的预测模型得到氮氧化物浓度,以及参数优化模块,用于采用粒子群优化算法对所述预测模型的参数进行优化,其中,一个粒子代表一...
【专利技术属性】
技术研发人员:卢薇,杨文玉,张树才,李焕,
申请(专利权)人:中国石油化工股份有限公司,
类型:发明
国别省市:
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。