一種煉油過程全流程建模方法
【技術領域】
[0001] 本發(fā)明涉及基于機理和運行特性的煉油過程全流程建模方法，該方法可以用于煉 油過程建模仿真、模型實時校正以及和PMS生產計劃優(yōu)化模型的實時構建。
【背景技術】
[0002] 煉油工業(yè)是我國石油工業(yè)中的重要一環(huán)。原油經過煉制加工可以生產出汽油、煤 油、柴油等其它能源難以取代的液體車用燃料；還可以生產出近千種的潤滑劑、石蠟、瀝青、 油焦等石油產品；并可為塑料、合成橡膠和合成纖維等三大合成材料及其它重要有機原料 的生產提供化工原料。因此，煉油工業(yè)是我國國民經濟命脈和安全保障的重要支柱產業(yè)。
[0003] 煉油的一般過程是先將原油切割成不同沸程的餾分，然后將這些餾分按照產品規(guī) 格要求，除去其中的非理想組分和有害雜質，或者經過化學轉化形成所需要的組分，進而加 工成產品。從原油到產品需要經過一次加工、二次加工、三次加工及油品調合和精制。涉及 到的主要工藝過程包括：常減壓蒸餾、催化重整、加氫裂化、催化裂化、重油加氫和延遲焦化 等。
[0004] 面對國內外市場競爭的日趨激烈，要求我國煉油企業(yè)對市場和生產環(huán)境的變化做 出快速而有效的響應，以獲得最大的經濟效益。運用信息技術改造和提升傳統產業(yè)，使其保 持可持續(xù)發(fā)展，對于增強我國煉油企業(yè)在境內、外市場的競爭力具有十分重要的意義。世界 各國的經驗表明，流程模擬與過程優(yōu)化技術是提高企業(yè)的經濟效益、降低生產成本、提高其 在國際市場中的創(chuàng)新力、應變力、適應力和綜合競爭力的主要技術手段之一。由此可見，開 展煉油過程流程模擬與過程優(yōu)化技術的研宄與應用具有十分重要的現實意義。
[0005] 借助于計算機技術的發(fā)展，流程模擬技術在煉油中某些單裝置上的應用已經取得 了一定的成效，如催化重整、催化裂化、加氫裂化等。但是單裝置的優(yōu)化也有其局限性，其 最優(yōu)解不一定是全廠最優(yōu)解，原因是單裝置優(yōu)化需要正確的中間產品價格信息，而一些中 間產品在市場上沒有銷售，其價格信息市場上不一定存在，因此需要建立全廠的全流程模 型，對煉油過程實施全流程優(yōu)化。然而，煉油產業(yè)的信息化問題始終缺乏一個完善的模擬與 優(yōu)化方案，難點在于生產裝置產生的數據量巨大，數據庫種類不一，裝置模型的機理復雜， 并且現行的模擬軟件在全流程模擬和優(yōu)化上存在缺陷：大部分軟件難以達到高精度，部分 基于分子結構集總的反應器模型卻存在與分餾部分所使用的餾程集總不兼容的問題；煉油 流程模擬軟件操作復雜，不依靠外部計算支持難以單獨實現全流程優(yōu)化，更無法給煉油生 產以合理化的生產指導。因此進一步提高煉油流程模擬與優(yōu)化技術勢在必行。
[0006] 精確收率模型的核心在于準確的機理模型。裝置的機理模型是化工過程的一種數 學表達，其核心在于化工過程的傳質、傳質和反應基本原理，可用于預測不同工藝條件下裝 置的運行狀態(tài)、產品性質和收率等。一般來說，煉油過程的分離裝置主要是常減壓塔，其模 型核心在于準確描述塔內氣液相平衡、熱平衡以及物料平衡等過程，而模型的關鍵參數則 是精餾塔的板效率；反應裝置是煉油廠的核心，其主要功能在于將不同餾分的原油轉化為 汽油、柴油、煤油、芳烴等關鍵產品。由于原油組分難以確定，目前絕大多數煉油反應過程建 模均采用集總模型對原料組分和動力學進行集總，將性質相近的分子歸為一類，大大減少 模型參數，降低求解難度，同時又能保證一定的準確性。

【發(fā)明內容】

[0007] 本發(fā)明提供了一種基于機理和運行特性的煉油過程全流程建模方法。方法基于煉 油各生產裝置的工藝機理模型，根據實際工業(yè)數據，應用改進差分算法對機理模型進行實 時校正，并以此為基礎，針對關鍵操作/工藝條件開展操作特性分析，結合神經網絡技術， 建立代理模型，將操作條件與Delta-Base數據進行關聯，實現煉油過程生產裝置收率的實 時預測，為建立精確的計劃優(yōu)化PMS模型提供理論支撐。
[0008] 具體技術方案如下：
[0009] 一種煉油過程全流程建模方法，包括以下步驟：
[0010] ⑴利用.net接口技術建立現場實時數據庫與模型之間的數據通信，獲得煉油過 程各生產裝置的實時運行數據；
[0011] 結合現場情況和生產經驗建立數據調和標準，剔除無用和錯誤的實時數據，獲得 準確合理的原料的性質和裝置的操作條件以及產品收率等實時數據；
[0012] (2)根據采集的實時運行數據，以反應器出口的模型預測值和實際值的平方差最 小作為優(yōu)化目標，利用改進后的差分進化算法進行求解，擬合模型參數，實現機理模型實時 校正；
[0013] (3)基于校正后的機理模型，針對不同生產方案，分析在不同原料性質和操作條件 下的關鍵產品收率，建立產品收率分析數據庫；
[0014] (4)利用產品收率分析數據庫訓練能夠準確反映實際工況的神經網絡代理模型， 并將操作條件與Delta-Base數據進行關聯，實現煉油裝置收率的實時預測。該實時預測能 為建立精確的計劃優(yōu)化PMS模型提供理論支撐。
[0015] 步驟（1)中所述生產裝置包括：常減壓蒸餾、催化重整、催化裂化、加氫裂化和延 遲焦化裝置。
[0016] 步驟（2)中所述實時運行數據包括進料性質、操作條件以及產品收率。
[0017] 步驟（2)中所述改進后的差分進化算法是帶有三角變異的差分進化算法，并定義 優(yōu)化目標為：
【主權項】
1. 一種煉油過程全流程建模方法，其特征在于，包括以下步驟： (1) 利用.net接口技術建立現場實時數據庫與模型之間的數據通信，獲得煉油過程各 生產裝置的實時運行數據； (2) 根據采集的實時運行數據，以反應器出口的模型預測值和實際值的平方差最小作 為優(yōu)化目標，利用改進后的差分進化算法進行求解，擬合模型參數，實現機理模型實時校 正； (3) 基于校正后的機理模型，針對不同生產方案，分析在不同原料性質和操作條件下的 關鍵產品收率，建立產品收率分析數據庫； (4) 利用產品收率分析數據庫訓練能夠準確反映實際工況的神經網絡代理模型，并將 操作條件與Delta-Base數據進行關聯，實現煉油裝置收率的實時預測。
2. 根據權利要求1所述的建模方法，其特征在于，步驟（1)中所述生產裝置包括：常減 壓蒸餾、催化重整、催化裂化、加氫裂化和延遲焦化裝置。
3. 根據權利要求1所述的建模方法，其特征在于，步驟（2)中所述實時運行數據包括進 料性質、操作條件以及產品收率。
4. 根據權利要求1所述的建模方法，其特征在于，步驟（2)中所述改進后的差分進化算 法是帶有三角變異的差分進化算法，并定義優(yōu)化目標為：
其中，決策變量X包括各個反應的指向因子和活化能，和,分別表示各產品組 分油的實際質量收率和模型預測質量收率。
5. 根據權利要求1所述的建模方法，其特征在于，步驟⑶中所述原料性質是指原料的 密度、硫含量、氮含量和殘?zhí)恐档?，所述操作條件是指原料的進料負荷、操作溫度、操作壓力 等，所述關鍵產品是指常減壓各測線產品，催化重整的汽油、芳烴和氫氣，催化裂化的液化 氣、汽油和柴油，加氫裂化的石腦油、航煤和柴油。
6. 根據權利要求1所述的建模方法，其特征在于，步驟（4)中使用神經網絡代理模型 來替代機理模型進行預測計算；其中，神經網絡模型采用反向傳播神經網絡，選取的輸入 變量包括：原料的密度、硫含量、氮含量和殘?zhí)恐?；輸出變量包括：常減壓各測線產品收率， 催化重整的汽油、芳烴和氫氣收率，催化裂化的液化氣、汽油和柴油收率，加氫裂化的石腦 油、航煤和柴油收率；利用代理模型對裝置收率進行實時預測，獲得各生產裝置產品收率的 Delta-Base 值。
【專利摘要】本發(fā)明公開了一種煉油過程全流程建模方法，基于煉油過程各生產裝置的機理和運行特性，在校正后的模型基礎上，分析各裝置的關鍵操作/工藝條件對產品收率的影響。根據影響趨勢進行分段線性化，求解線性方程，獲得相應的Delta-Base收率數據，結合神經網絡建模技術，將操作條件與Delta-Base數據之間進行關聯，建立收率代理模型，提高收率數據計算速度，實現煉油過程產品收率的實時預測，為建立精確的計劃優(yōu)化PIMS模型提供理論支撐。
【IPC分類】G05B19-418
【公開號】CN104765346
【申請?zhí)枴緾N201510135014
【發(fā)明人】錢鋒, 范琛, 楊明磊, 杜文莉, 鐘偉民
【申請人】華東理工大學
【公開日】2015年7月8日
【申請日】2015年3月26日