[发明专利]常一线油闪点在线软测量方法

说明书

本发明涉及一种常一线油闪点的在线软测量方法：选取和构造影响常一线油闪点的关键变量，即常一线馏出温度、常顶温度、常顶压力、常二线汽提蒸汽流量、常一线采出与进料比总量作为神经网络模型的输入变量，常一线油闪点作为对应的输出，建立基于人工神经网络模型的常一线油闪点的软仪表，通过人工分析值对模型输出进行校正，实现对常压塔常一线产品质量的实时监测和控制；该方法不仅可以指导操作人员对操作过程进行及时调整，而且软仪表给出的闪点估计值可以为过程控制提供依据，进而实现操作过程的优化，提高常减压装置的原油拔出率。

技术领域

本发明属于石油炼制与智能控制交叉领域，涉及石油炼制过程中常减压装置中常压塔产品—常一线油闪点的一种在线软测量方法。

背景技术

常压塔作为常减压装置的主要设备，大量处理来自初馏塔的原油，并消耗大量的能量。因此，保证常压塔高效、稳定运行，成为常减压装置节能降耗、提高原油拔出率的关键。

常一线油闪点是常一线产品的主要质量控制指标，其主要反映采出油品的轻重，所以其控制的好坏不仅关系到常压塔原油的拔出率，同时影响后面的加工过程。当前，对于闪点，还没有合适的仪表能够实时给出测量值，多数炼厂还是依赖于实验室的人工分析值。人工分析的周期一般为每4个小时或者8个小时一次，每次分析需要近两个小时，然后根据人工分析的结果对操作工况进行调整，所以滞后较大，往往容易造成采出的产品太重不合格或者为了保证产品的质量而最终影响到原油的拔出率。

为了解决上述问题，在过程控制中，开发了许多软测量的方法，利用各种不同的数学模型来估计闪点值。通过选取与常一线油闪点值密切相关的变量作为模型的辅助变量，然后根据模型输入实时估计出闪点值。软测量中使用的模型众多，大体可以分为三类，即机理模型、统计模型和智能建模方法。机理模型法和统计模型法是传统的建模方法，它们的共同缺点是不能准确描述常减压装置这种高度非线性的系统，所以模型精度都不够高。近年来发展起来的智能建模技术，为非线性系统建模提供了一种新的思路。智能建模方法有人工神经网络、支持向量机等，它们共同的特点是具有自学习、自组织能力，对于非线性系统可以给出较为准确的描述，所以在过程建模中得到了广泛的应用。

目前，针对常压塔的软测量方法中，不管是传统的建模方法还是智能建模，都存在如下一些问题：

(1)由于原油性质及操作工况经常发生变化，造成所建模型的计算精度随时间逐渐降低，所以软测量模型发挥的效果有限。

(2)常减压装置是高度非线性系统，变量耦合严重，软测量建模中所选变量往往较多，而且相互关联，冗余变量较多，反而造成模型的输出稳定性下降。

常压塔的操作变量较多，为了合理选取软测量模型的辅助变量，避免模型过于精简，不能完全描述闪点的变化规律，同时，为了减少冗余变量的产生，本发明首先采用AspenPlus对常压塔进行流程模拟，模拟出常压塔的实际操作工况，然后进行常压塔关键操作变量关于常一线油闪点的灵敏度分析，根据灵敏度分析的结果，选取对常一线油闪点影响较大的变量作为软测量模型辅助变量的候选集合，然后基于石油精馏原理，对候选的辅助变量进行相关性分析，去除冗余的变量，最终确定模型的输入变量。依据确定的辅助变量，采集现场的历史生产数据，去除异常数据，形成训练样本集。然后利用BP算法训练3层前馈神经网络，在误差满足一定要求后，输出模型参数。

发明内容