基于代理模型的工业乙烯裂解炉全周期动态优化方法技术

本发明专利技术涉及一种基于代理模型的工业乙烯裂解炉全周期动态优化方法，通过对工业乙烯裂解炉机理模拟，利用实验设计原理，产生一定量仿真数据，然后利用神经网络代理模型进行建模。利用该神经网络代理模型，结合炉管内结焦层厚度迭代计算更新，获得了裂解炉全周期动态模型。基于裂解炉全周期动态模型，提出了一种裂解炉全周期动态优化方法，然后利用线性分段方法对所构建的连续动态优化模型进行了近似求解。与经验操作对比，动态优化经济效益显著提高。该方法理论简化和推导合理，工程使用性强，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
乙烯工业一直以来占据着石油化工行业的核心地位，乙烯产量更是衡量一个国家综合工业水平的重要标志。乙烯裂解炉作为乙烯装置的龙头，其运行状况的好坏和操作水平，对乙烯等关键产品的收率和产量有着重要影响，因此提高乙烯裂解炉的操作水平，对其进行操作优化是提高乙烯装置效益的一个重要途径。乙烯裂解炉是将液化石油气、乙烷、丙烷、轻石脑油、石脑油、加氢尾油以及轻柴油等裂解原料，通过复杂的热裂解反应，转为为目标产品如乙烯、丙烯、1，3- 丁二烯等“三烯”以及其他产物过程装置。由于乙烯裂解炉周期运行特点，裂解反应过程中裂解反应产品会在反应炉管和废热锅炉管内连续结焦，导致裂解炉随着运行时间的进行，裂解目标关键产品收率或产量逐渐降低。同时结焦增加传热热阻，导致裂解炉炉管外壁温度上升，当其达到一定上限值时，乙烯裂解炉需要进行清焦，以恢复裂解炉生产能力。图1为典型的乙烯裂解炉系统示意图，裂解原料经过裂解炉对流段预热，然后与稀释蒸汽在对流段进一步过热，烃/蒸汽混合物到达500?600 V左右，进入裂解炉辐射管。燃料气在炉膛里燃烧，向裂解炉辐射管传递热量，将辐射段里的过烃/蒸汽混合物进一步加热，在辐射段出口时，温度达到800?860°C左右，自此裂解炉主要裂解反应已经完成，在经过一段绝热区域之后进入废热锅炉急冷，裂解气混合物温度降到300?500°C左右。废热锅炉系统通过高温裂解气混合物高品质热能的回收，产生高压蒸汽，输送到蒸汽管网。影响裂解炉关键产品收率和运行周期变量主要有:原料类型及进料流量，汽烃比，辐射段出口温度等，并且辐射管结焦焦层的逐渐积累增加，导致了裂解炉的全周期动态特性。为了进一步提高乙烯裂解炉的操作水平，对工业乙烯裂解炉实施全周期动态优化研究具有重要意义，通过文献检索和专利系统发现，目前工业应用中还没有这方面的实施先例，因此充分利用现场操作历史数据结合裂解炉神经网络代理模型，结合数据挖掘和参数估计技术，开发工业乙烯裂解炉全周期动态优化技术具有重要意义。
技术实现思路
为了解决上述问题，本专利技术提供了一种。本专利技术技术方案如下:—种，包括以下步骤:步骤1:构建机理模拟方案。利用裂解炉机理模拟软件，构建工业乙烯裂解炉的机理模型。这里主要用工业裂解炉的炉管几何信息，材料，裂解原料组成，以及设计资料等，利用裂解炉机理模拟软件构建实际工业乙烯裂解炉的机理模型。步骤2:选择输入变量。依据裂解过程特点，选择的输入变量分别是辐射段出口温度、烃进料流量、汽烃比、结焦厚度和绝热段体积，并且根据设计要求和工业经验，确定每个输入变量的取值范围，即确定上下限。步骤3:选择输出变量。依据裂解过程分析，选择裂解炉产品中关键产品收率、裂解深度丙烯/乙烯比，炉管最高温度和结焦速率作为输出变量。步骤4:获取“输入-输出”样本集。针对已经选择的输入变量，进行计算机实验设计，利用空间填充实验设计方法，产生一定量实验设计点。应用计算机接口程序，对每个实验设计点进行裂解炉机理模拟，并将选定的输出变量读取出，这样就获得了所需要的“输入-输出”样本集。步骤5:确定神经网络代理模型结构。针对每个输出变量，选择“多输入-单输出”的神经网络模型。神经网络具有五个输入节点，一个输出的节点，具有一个非线性隐含层和一个线性隐含层的前馈神经网络结构。步骤6:神经网络代理模型训练。将步骤4中产生的“输入-输出”样本集，随机分成三个子样本集，一个样本集用于神经网络模型的训练，一个样本用于神经网络模型训练的验证，另外一个样本集用于神经网络模型的测试。自此获得裂解炉关键产品收率、裂解深度丙烯乙烯比(PER)炉管最大温度和结焦速率的神经网络模型代理模型。步骤7:神经网络代理模型参数估计与矫正。步骤6获得的神经网络代理模型中，模型校正参数是要利用工业现场数据进行辨识的。因此利用现场裂解炉一段运行时间的操作数据，构建一个最小二乘参数估计算法。步骤8:利用焦层迭代更新，获得裂解炉关键产品收率、裂解深度乙烯丙烯比(PER)、炉管最大温度和结焦速率迭代动态模型。步骤9:基于步骤8中的裂解炉的连续动态模型，构建以天平均收益最大化为优化目标、以神经网络代理模型为非线性等式约束、以炉管最大温度和炉管结焦厚度不能超过给定上限为非线性不等式约束和有辐射段出口温度、烃进料流量、汽烃比等操作变量的上下限约束连续非线性动态优化问题。步骤10:针对步骤9中获得的连续非线性动态优化问题，提出了一种自适应等时间间隔分段常量动态优化求解算法，将复杂非线性动态优化问题转化为一定规模非线性规划(NLP)问题。并对该NLP问题，利用数学编程技术进行了求解。动态优化求解结果，可用于指导工业乙烯裂解炉操作生产。本专利技术的有益效果在于，本专利技术的方法首先通过裂解炉机理模拟分析，根据经验确定模拟过程中的输入变量及输入变量取值范围和输出变量；然后利用空间填充实验设计原理，依据输入变量及变量取值范围产生一定量实验设计点；再通过裂解炉机理模拟软件进行机理模拟，获得选定的输出变量值，从而输入与输出变量共同构成了裂解炉代理模型的“输入-输出”样本集；接着建立前馈神经网络裂解炉关键产品收率、炉管最大温度和结焦速率等建立代理模型，在对神经网络代理模型进行建模时，将“输入-输出”样本集随机分成三个子样本集，第一个子样本集用来对神经网络代理模型进行训练，第二个子样本集用来验证神经代理模型的训练过程，防止神经网络过拟合现象，第三个样本子集用来测试建立的神经网络代理模型。为了与工业炉实际运行数据进行匹配，针对具体某台裂解炉需要辨识和估计三个参数，即该时间序列开始时的初始辐射段等价结焦厚度、等价绝热段体积和结焦速率校正因子。这里基于粗差剔除和鲁棒非线性最小二乘算法，进行了参数的估计和辨识。然后利用结焦厚度迭代更新，获得了基于神经网络代理模型的裂解炉全周期动态模型。利用裂解炉全周期动态模型，构建了以天平均效益最大为目标，神经网络迭代代理模型为等式约束，炉管最大温度上限约束和其他变量上下限约束的裂解炉全周期连续非线性动态优化模型。由于所获得的裂解炉全周期连续非线性动态优化模型复杂，非线性强，等式和不等式约束，使得直接利用传统求解动态优化问题的变分法等难以求解。本专利技术提出了一种求解该难题的自适应时间分段动态优化方法，将该问题转化为一定规模的非线性规划问题(NLP)。利用数学编程技术，进行了求解。该容易实施，可适用于多种裂解炉的全周期操作动态优化，有着广泛的适应性和类推性。【附图说明】图1是工业乙烯裂解炉示意图；图2是工业乙烯裂解炉模拟“输入-输出”示意图；图3是乙烯收率神经网络代理模型训练结果对比图；图4是丙烯收率神经网络代理模型训练结果对比图；图5是裂解深度PER基于神经网络代理模型的周期模拟与工业数据对比图；图6是基于神经网络代理模型的裂解炉迭代动态模型结构示意图；图7是全周期动态优化与经验操作案例天均收益对比图；图8是全周期动态优化与经验操作案例随时间变化的每天收益对比图；图9是全周期动态优化与经验操作案例随时间变化的优化变量炉管出口温度(COT)轨迹对比图；图10是全周期动态优化与经验操作案例随时间变化的焦层厚度(Coke)轨迹对比图；图11是全周期动态优化与经验操作案例随时间变化的中间变量炉管最大温度(TMT)轨迹本文档来自技高网...

【技术保护点】
一种基于代理模型的工业乙烯裂解炉全周期动态优化方法，其特征在于，所述方法包括以下步骤：步骤1：构建机理模型，选择输入变量及输出变量，并获取“输入?输出”样本集；该选择的输入变量为辐射段出口温度、烃进料流量、汽烃比、结焦厚度和绝热段体积；该选择输出变量为关键产品收率、裂解深度丙烯/乙烯比、炉管最高温度和结焦速率；步骤2：确定神经网络代理模型结构：针对每个输出变量，选择“多输入?单输出”的神经网络模型，构成神经网络代理模型；步骤3：将步骤1中产生的“输入?输出”样本集，代入神经网络代理模型训练；步骤4：对步骤3中所获得的神经网络代理模型的相关参数进一步利用工业现场数据进行校正；步骤5：利用结焦迭代更新，以神经网络模型上一步的结焦速率乘以结焦时间得到结焦厚度作为神经网络模型下一步的输入，获得裂解炉关键产品收率、裂解深度乙烯丙烯比、炉管最大温度和结焦速率迭代的连续动态模型；步骤6：基于步骤5中的裂解炉的连续动态模型，以天平均收益最大化为优化目标、以神经网络代理模型为非线性等式约束、以炉管最高 温度和炉管结焦厚度不能超过给定上限为非线性不等式约束和有辐射段出口温度、烃进料流量、汽烃比等操作变量的上下限约束，构建连续非线性动态优化模型，以根据实际工况和要求对连续非线性动态优化模型进行求解以优化设定各输入输出量。...

【技术特征摘要】
1.一种基于代理模型的工业乙烯裂解炉全周期动态优化方法，其特征在于，所述方法包括以下步骤: 步骤1:构建机理模型，选择输入变量及输出变量，并获取“输入-输出”样本集； 该选择的输入变量为辐射段出口温度、烃进料流量、汽烃比、结焦厚度和绝热段体积； 该选择输出变量为关键产品收率、裂解深度丙烯/乙烯比、炉管最高温度和结焦速率； 步骤2:确定神经网络代理模型结构:针对每个输出变量，选择“多输入-单输出”的神经网络模型，构成神经网络代理模型； 步骤3:将步骤I中产生的“输入-输出”样本集，代入神经网络代理模型训练； 步骤4:对步骤3中所获得的神经网络代理模型的相关参数进一步利用工业现场数据进行校正； 步骤5:利用结焦迭代更新，以神经网络模型上一步的结焦速率乘以结焦时间得到结焦厚度作为神经网络模型下一步的输入，获得裂解炉关键产品收率、裂解深度乙烯丙烯比、炉管最大温度和结焦速率迭代的连续动态模型； 步骤6:基于步骤5中的裂解炉的连续动态模型，以天平均收益最大化为优化目标、以神经网络代理模型为非线性等式约束、以炉管最高温度和炉管结焦厚度不能超过给定上限为非线性不等式约束和有辐射段出口温度、烃进料流量、汽烃比等操作变量的上下限约束，构建连续非线性动态优化模型，以根据实际工况和要求对连续非线性动态优化模型进行求解以优化设定各输入输出量。2.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法，其特征在于，步骤I中还对所述输入 变量根据设计要求和工业经验，设定每个输入变量的取值范围，并采用空间填充产生实验设计点，进而产生所需样本数据。3.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法，其特征在于，所述结焦厚度为整炉管的等价厚度。4.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法，其特征在于，所述绝热段体积为裂解炉裂解某一特定原料时的等价绝热段体积。5.根据权利要求1所述的基于代理模型的工业乙烯裂解炉全周期动态优化方法，其特征在于，所述关键产品收率的关键产品包括:氢气，乙烯，乙烷，丙烯...

【专利技术属性】
技术研发人员：钱锋，李进龙，杜文莉，王振雷，叶贞成，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：