[发明专利]一种基于数据模型的催化裂化装置优化方法

说明书

本发明涉及一种基于数据模型的催化裂化装置优化方法，本发明提出的根据生产历史大数据建立的反应装置模型，该方法不依赖复杂的过程机理；能够准确预测产物的收率和关键性质。本发明提出的变量关联性算法，能够从海量的DCS位号、Lims变量里智能筛选出与目标变量强相关的变量，将模型复杂度降到最低，同时保证可靠性。同时，本发明构建的多神经网络集成学习预测模型，运算速度快，收敛性高，适应性广，提出的优化方法可以在消耗较少计算资源的前提下快速计算出结果，可以满足装置的实时在线优化需求。本发明采用智能算法确定不同工艺参数间的时间延迟效应，使计算更为准确。

技术领域

本发明涉及石油化工生产过程控制与优化领域，尤其涉及一种基于数据模型的催化裂化装置优化方法。

背景技术

催化裂化是重质油轻质化的重要手段，是炼油厂生产汽柴油的核心装置，也是炼厂的主要效益来源。近年来，原油重质化、劣质化不断加剧，清洁燃料和低碳烯烃的市场需求在上升，安全环保的指标越来越严格，石化产品的国际竞争日趋激烈，这些新要求都对催化裂化生产提出了新的挑战。催化裂化是石油炼制行业中最复杂的催化生产装置,对整个装置建立过程机理模型十分复杂，大数据技术直接从海量的生产数据中挖掘规律，分析过程可以减少对复杂的过程机理的依赖。将大数据和人工智能等前沿的数据分析技术应用到装置优化领域，可进一步提高装置控制水平，提升装置在最优操作区间的平稳运行效率，提高目标产物收率，提升产品质量，降低能耗和生产成本，提高安全性，控制环保指标，从多个维度提高生产效率和增加经济效益。

目前，大数据技术在石油化工装置优化领域的应用尚处于发展的起步阶段，一些企业和科研单位开始进行了一些研究和尝试，取得了一些成果，但仍然存在很大的发展和改善空间。中石化九江石化催化裂化大数据应用示范研究项目代表了大数据技术在装置优化应用方面的最新成果，该研究利用传递熵算法研究了各个位点之间的相关性和因果链路，进而建立装置报警分析模型；通过主成分分析结合结焦机理分析确立关键参数，利用神经网络构建结焦预测模型，用聚类分析和互相关函数分析等建立关联网络，提供减缓结焦的方案；通过支持向量机等机器学习方法建立汽油收率预测模型。该项研究取得了初步应用效果，长期适用性有待检验。另一些研究，将八集总动力学模型与BP型神经网络结合预测催化裂化的产物收率，预测精度比单纯用集总模型有了提高，然而训练的生产样本数据只有120组，覆盖的时间范围较小，缺乏在更广泛的工况条件下的适用性检验。也有一些研究将人工神经网络技术应用于装置控制，但同样存在训练样本有限，应用范围较窄的问题。

因此，总结已有方法的不足，包括如下几方面：(1)机理模型复杂，建立难度大，用时长。(2)复杂机理模型非线性程度高，计算速度慢，收敛性差。(3)数据样本数量少，时间范围较小。(4)目前的方法未考虑时间延迟效应，数据之间的内在因果关系不对应，致使模型外推性能较差。(5)变量选择依赖人工专家经验，可能忽略一些影响变量，也可能增加无效变量，增加模型复杂度。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于数据模型的催化裂化装置优化方法，本发明提出的根据生产历史大数据建立的反应装置模型，该方法不依赖复杂的过程机理；能够准确预测产物的收率和关键性质。本发明提出的变量关联性算法，能够从海量的DCS位号、Lims变量里智能筛选出与目标变量强相关的变量，将模型复杂度降到最低，同时保证可靠性。同时，运算速度快，收敛性高，适应性强，可以用于指导实时在线优化。本发明采用智能算法确定不同工艺参数间的时间延迟效应，使计算更为准确。

本发明是通过以下技术方案达到上述目的：一种基于数据模型的催化裂化装置优化方法，包括如下步骤：

(1)读取装置的DCS、LIMS历史生产数据，建立DCS、LIMS标准数据库；规范数据库格式，建立索引规则，便于后期查询、新增、抽取；