一種預(yù)測重油催化裂化沉降器結(jié)焦量的方法
【專利摘要】本發(fā)明涉及一種預(yù)測重油催化裂化沉降器結(jié)焦量的方法，包括以下步驟：(1)獲得與沉降器的冷凝率、捕獲率、生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)，以及冷凝率、捕獲率和生焦率的實(shí)際值，對上述各組數(shù)據(jù)進(jìn)行預(yù)處理，再進(jìn)行歸一化處理；(2)利用神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，以步驟(1)所得基礎(chǔ)數(shù)據(jù)作為輸入值，以實(shí)際值作為期望輸出，獲得預(yù)測沉降器冷凝率、捕獲率和生焦率的模型；(3)對現(xiàn)場采集的與沉降器的冷凝率、捕獲率、生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理，分別代入步驟(2)獲得的模型中，得到沉降器冷凝率、捕獲率和生焦率的預(yù)測值，現(xiàn)場采集沉降器內(nèi)油漿質(zhì)量流量，計(jì)算得到沉降器結(jié)焦量預(yù)測值。本發(fā)明提供的方法簡便、準(zhǔn)確，可以應(yīng)用于實(shí)際工業(yè)生產(chǎn)。
【專利說明】一種預(yù)測重油催化裂化沉降器結(jié)焦量的方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及石油化工領(lǐng)域，具體涉及一種預(yù)測重油催化裂化沉降器結(jié)焦量的方 法。

【背景技術(shù)】
[0002] 重油催化裂化（RFCC)在我國煉油工業(yè)占有重要地位，是煉廠提高經(jīng)濟(jì)效益的重 要手段。但隨著原油的重質(zhì)化、劣質(zhì)化，我國RFCC原料的摻渣率不斷提高，原料性質(zhì)越來越 差，不僅使RFCC產(chǎn)物分布及產(chǎn)品質(zhì)量變差，而且加劇了RFCC裝置結(jié)焦。其中沉降器結(jié)焦危 害最大，同時發(fā)生最普遍，輕則導(dǎo)致催化劑循環(huán)不暢和催化劑大量跑劑，重則導(dǎo)致催化劑循 環(huán)中斷，裝置被迫非計(jì)劃停工，由結(jié)焦造成的非計(jì)劃停工嚴(yán)重影響RFCC裝置的經(jīng)濟(jì)效益。
[0003]目前，大量研究對減緩沉降器結(jié)焦問題進(jìn)行了研究，主要包括：控制好原料油的 質(zhì)量、提高原料霧化效果、根據(jù)反應(yīng)深度選擇適宜的操作條件、控制防焦蒸汽量和溫度、力口 強(qiáng)沉降器保溫、適當(dāng)采用高效汽提技術(shù)、降低油氣停留時間、搞好平穩(wěn)操作及公用工程保障 等。雖然這些研究對延緩沉降結(jié)焦問題起到一定效果，但是結(jié)焦問題依然存在，且每年都由 此造成煉廠裝置非計(jì)劃停工。因此，在線預(yù)測催化裂化沉降器的結(jié)焦量，在線判斷裝置結(jié)焦 情況對掌握裝置運(yùn)行狀態(tài)十分重要，一旦結(jié)焦量過高，可以通過調(diào)節(jié)原料進(jìn)料性質(zhì)、催化劑 性質(zhì)、操作參數(shù)或是計(jì)劃停工等方式，減緩非計(jì)劃停工給煉廠帶來的經(jīng)濟(jì)損失。


【發(fā)明內(nèi)容】

[0004] 為了解決現(xiàn)有技術(shù)中存在的問題，實(shí)現(xiàn)在線判斷沉降器裝置結(jié)焦情況，本發(fā)明提 供了一種預(yù)測重油催化裂化沉降器結(jié)焦量的方法，所述方法包括以下步驟：
[0005] (1)獲得與沉降器的冷凝率、捕獲率、生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)，以及冷凝率、捕獲率 和生焦率的實(shí)際值，對上述各組數(shù)據(jù)進(jìn)行預(yù)處理，再進(jìn)行歸一化處理；
[0006] (2)利用神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，以步驟（1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)作為 輸入值，以實(shí)際值作為期望輸出，獲得預(yù)測沉降器冷凝率、捕獲率和生焦率的模型；
[0007] (3)對現(xiàn)場采集的與沉降器的冷凝率、捕獲率、生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處 理，分別代入步驟（2)獲得的模型中，得到沉降器冷凝率、捕獲率和生焦率的預(yù)測值，現(xiàn)場 采集沉降器內(nèi)油漿質(zhì)量流量，計(jì)算得到沉降器結(jié)焦量預(yù)測值。
[0008] 本發(fā)明步驟（1)所述與冷凝率相關(guān)的基礎(chǔ)數(shù)據(jù)以及冷凝率實(shí)際值均從催化裂化 生產(chǎn)現(xiàn)場通過常規(guī)實(shí)驗(yàn)采集獲得，其中，與冷凝率相關(guān)的基礎(chǔ)數(shù)據(jù)包括以下具體參數(shù)：油漿 初餾點(diǎn)、油漿575°C餾出量、油漿10%餾出溫度、油漿50%餾出溫度、油漿90%餾出溫度、沉 降器出口溫度和沉降器內(nèi)油漿分壓。
[0009] 本發(fā)明步驟（1)所述與捕獲率相關(guān)的基礎(chǔ)數(shù)據(jù)以及捕獲率實(shí)際值均從催化裂化 生產(chǎn)現(xiàn)場通過計(jì)算流體動力學(xué)（ComputationalFluidDynamics,CFD)模擬獲得，其中，與 捕獲率相關(guān)的基礎(chǔ)數(shù)據(jù)包括以下具體參數(shù)：油氣在沉降器內(nèi)線速、沉降器出口溫度、沉降器 內(nèi)部壓力、油漿密度和油漿殘?zhí)俊?br> [0010] 本發(fā)明步驟（1)所述與生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)以及生焦率實(shí)際值均從催化裂化 生產(chǎn)現(xiàn)場通過常規(guī)實(shí)驗(yàn)采集獲得，其中，與生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)包括以下具體參數(shù)：油漿 殘?zhí)?、油漿密度、油漿平均分子量、油漿飽和烴含量、油漿芳香烴含量、油漿氫含量、油漿碳 含量、油漿浙青質(zhì)膠質(zhì)含量和沉降器出口溫度。
[0011] 本發(fā)明步驟（1)或（3)所述預(yù)處理具體為：取各個參數(shù)的共同時間段內(nèi)的數(shù)據(jù)，對 各個參數(shù)進(jìn)行異常值的剔除，所述異常值包括零、負(fù)值、空數(shù)據(jù)以及與平均值之差大于3倍 標(biāo)準(zhǔn)差的數(shù)據(jù)。
[0012] 本發(fā)明步驟（1)所述歸一化處理為：將樣本序列定為{X(n)}，按照最大最小法對 數(shù)據(jù)進(jìn)行歸一化處理，所述最大最小法公式為Xk= (Xi-Xmin)AXmax-Xmin),其中，Xk為歸一化 值，Xi為步驟（1)獲得的實(shí)測數(shù)據(jù)值，Xmaj^PXmin分別是{X(n)}的最大值和最小值。
[0013] 本發(fā)明步驟⑵所述神經(jīng)網(wǎng)絡(luò)選自反相傳播（BackPropagation,BP)神經(jīng)網(wǎng) 絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)（GeneralizedRegressionNeuralNetwork,GRNN)、徑向基函數(shù) (RadialBasisFunction,RBF)神經(jīng)網(wǎng)絡(luò)、粒子群（ParticleSwarmOptimization,PS0)優(yōu) 化BP神經(jīng)網(wǎng)絡(luò)或遺傳算法（GeneticAlgorithm,GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)；優(yōu)選為GRNN神經(jīng) 網(wǎng)絡(luò)。
[0014] 本發(fā)明步驟（2)所述的BP神經(jīng)網(wǎng)絡(luò)，作為一種非線性建模和預(yù)測方法具有良好 的非線性品質(zhì)、極高的擬合精度和泛化功能，是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò) 的主要特點(diǎn)是信號前向傳播，誤差反向傳播。X1,X2，…，乂"是8?神經(jīng)網(wǎng)絡(luò)的輸入值，Y1, Y2，…，Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，Wij和吻為BP神經(jīng)網(wǎng)絡(luò)權(quán)值。輸入信號從輸入層經(jīng)隱 含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層 得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng) 絡(luò)預(yù)測輸出不斷逼近期望輸出。
[0015] 所述BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練具體為：BP神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層和隱含層 各一層；其中，步驟（1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)作為輸入層，冷凝率、捕獲 率和生焦率分別作為輸出層，實(shí)際值作為期望輸出；隱含層節(jié)點(diǎn)數(shù)選擇參考公式 H 尨i：g10+)，式中，m為輸入節(jié)點(diǎn)數(shù)，優(yōu)選為25,n為輸出節(jié)點(diǎn)數(shù)，優(yōu)選為 1，分別比較不同節(jié)點(diǎn)下訓(xùn)練模型獲得的均方誤差，找出最佳隱層節(jié)點(diǎn)數(shù)H;輸入層與隱含 層之間用正切S型函數(shù)tansig作為傳遞函數(shù)，用選擇性作用函數(shù)Lin作為輸出層和隱含層 之間的傳遞函數(shù)，用函數(shù)輸入輸出數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，使訓(xùn)練好的的網(wǎng)絡(luò)能夠擬合非線 性函數(shù)輸出。
[0016] 所述BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練還包括BP神經(jīng)網(wǎng)絡(luò)初始化步驟，優(yōu)選該步驟的參數(shù)為：在步 驟（1)所得的數(shù)據(jù)中隨機(jī)選擇99%組數(shù)據(jù)作為訓(xùn)練樣本，利用BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本進(jìn)行 模型訓(xùn)練，設(shè)置的迭代次數(shù)為100次，學(xué)習(xí)率為〇. 2,目標(biāo)值為0. 00004 ;當(dāng)?shù)Y(jié)果的誤差 小于允許誤差〇. 001?〇. 00001，系統(tǒng)結(jié)束迭代計(jì)算，模型構(gòu)建完成。
[0017] 本發(fā)明步驟（2)所述的GRNN神經(jīng)網(wǎng)絡(luò)共四層，包括輸入層、模式層、求和層和輸出 層；其中，步驟（1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)作為輸入層，冷凝率、捕獲率和生焦率的 預(yù)測值作為與輸入層對應(yīng)的輸出層，模式層神經(jīng)元數(shù)目等于學(xué)習(xí)樣本的數(shù)目，即輸入樣本 的維度，求和層利用公式：
[0018]

【權(quán)利要求】
1. 一種預(yù)測重油催化裂化沉降器結(jié)焦量的方法，其特征在于，所述方法包括以下步 驟： (1) 獲得與沉降器的冷凝率、捕獲率、生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)，以及冷凝率、捕獲率和生 焦率的實(shí)際值，對上述各組數(shù)據(jù)進(jìn)行預(yù)處理，再進(jìn)行歸一化處理； (2) 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，以步驟（1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)作為輸入 值，以實(shí)際值作為期望輸出，分別獲得預(yù)測沉降器冷凝率、捕獲率和生焦率的模型； (3) 對現(xiàn)場采集的與沉降器的冷凝率、捕獲率、生焦率相關(guān)的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理，分 別代入步驟（2)獲得的模型中，得到沉降器冷凝率、捕獲率和生焦率的預(yù)測值，現(xiàn)場采集沉 降器內(nèi)油漿質(zhì)量流量，計(jì)算得到沉降器結(jié)焦量預(yù)測值。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（1)或（3)所述與冷凝率相關(guān)的基礎(chǔ) 數(shù)據(jù)包括以下具體參數(shù)：油漿初餾點(diǎn)、油漿575°C餾出量、油漿10%餾出溫度、油漿50%餾 出溫度、油漿90%餾出溫度、沉降器出口溫度和沉降器內(nèi)油漿分壓。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（1)或（3)所述與捕獲率相關(guān)的基礎(chǔ) 數(shù)據(jù)包括以下具體參數(shù)：油氣在沉降器內(nèi)線速、沉降器出口溫度、沉降器內(nèi)部壓力、油漿密 度和油漿殘?zhí)俊?br> 4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟⑴或⑶所述與生焦率相關(guān)的基礎(chǔ) 數(shù)據(jù)包括以下具體參數(shù)：油漿殘?zhí)?、油漿密度、油漿平均分子量、油漿飽和烴含量、油漿芳香 烴含量、油漿H含量、油漿C含量、油漿浙青質(zhì)膠質(zhì)含量和沉降器出口溫度。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（1)或（3)所述預(yù)處理具體為：取各 個參數(shù)的共同時間段內(nèi)的數(shù)據(jù)，對各個參數(shù)進(jìn)行異常值的剔除，所述異常值包括零、負(fù)值、 空數(shù)據(jù)以及與平均值之差大于3倍標(biāo)準(zhǔn)差的數(shù)據(jù)。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（1)所述歸一化處理為：將樣本 序列定為{X(n)}，按照最大最小法對數(shù)據(jù)進(jìn)行歸一化處理，所述最大最小法公式為Xk = (Xi-XJAX^-X^)，其中，Xk為歸一化值，Xi為步驟⑴獲得的數(shù)據(jù)值，Xmax和X min分別是 {X(n)}的最大值和最小值。
7. 根據(jù)權(quán)利要求1?6任意一項(xiàng)所述的方法，其特征在于，步驟（2)所述神經(jīng)網(wǎng)絡(luò)選自 BP神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)或GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。
8. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（3)所述沉降器結(jié)焦量預(yù)測值由以 下公式計(jì)算得到：沉降器結(jié)焦量=沉降器內(nèi)油漿質(zhì)量流量X冷凝率預(yù)測值X捕獲率預(yù)測 值X生焦率預(yù)測值。
【文檔編號】G06F17/50GK104361153SQ201410584065
【公開日】2015年2月18日 申請日期:2014年10月27日 優(yōu)先權(quán)日:2014年10月27日
【發(fā)明者】藍(lán)興英, 彭麗, 高金森, 吳迎亞, 蘇鑫 申請人:中國石油大學(xué)(北京)