[发明专利]基于数据与机理相混合的催化重整过程建模方法

说明书

本发明公开基于数据与机理相混合的催化重整过程建模方法。建立机理模型；将机理模型进行离散，得到离散模型；采用能够求解大规模NLP问题的求解器对离散模型进行动态模拟，得到实测无法获取的反应器内部参数；构建数据模型，训练时采用神经网络学习方式；最后，训练好的数据模型以催化重整过程中反应器的输入实测值和动态模拟后的机理模型输出为输入，根据其输出与催化重整过程中反应器的输出实测值相比较，若差值大于阈值，则重新优化机理模型，反之则结束，得到所需的机理模型和数据模型相结合的催化重整过程模型。该方法弥补了机理建模与数据建模各自的不足之处，提高了催化重整过程模型的通用性与适应性。

技术领域

本发明属于自动控制技术领域，涉及一种基于数据与机理相混合的催化重整过程建模方法。

背景技术

催化重整是炼油工业主要的加工工艺之一，也是解决高辛烷值汽油、芳烃原料短缺的有效方法之一。只有建立更加准确的模型，才会使催化重整装置运行的更好，也会使得产率提高，得到更好的经济收益。

重整反应的过程是重整进料与循环氢混合，并与重整反应产物进行换热，换热后进入加热炉加热到一定的温度后，进入第一个重整反应器进行重整反应，生成重整反应产物从第一个重整反应器出来后再进入加热炉加热到一定的反应温度后进入第二个重整反应器进行重整反应，依次循环直到第四个重整反应器。

针对此工艺流程在机理建模方面，国外已有很多成熟的机理建模软件，例如AspenPlus，ProⅡ，UniSim等。国外的这些建模软件，是为了针对其自己国家的实际情况所建立的，且其软件内部的机理是严格保密的，无法获取到，这就导致了其中存在的一些模型针对国内的实际情况来说不一定适用，因此建立出符合我国内实际情况的机理模型是十分必要的。机理模型的优点是可以很好的获得内部的参数，且参数易于调整，模型具有很强的适应性，但是其难点在于催化重整过程内部过于复杂且有些参数无法获得，因此机理模型想要建立的准确非常困难，此外在优化求解中还需要采用大规模的求解器，求解速度较慢。

近些年来，随着机器学习、人工智能等技术的发展，国内外很多专家学者逐渐运用此类技术来建立催化重整过程的数据模型，以此来克服传统机理建模方法的不足，其建立的数据模型可以看为一个黑箱模型，此模型不需要对机理过程的内部结构了解太多且不需要求解器，但是仅使用数据模型的话，如果数据未来的变化一旦超出一定的范围，此类模型的可靠性将会大幅度下降。

随着世界能源短缺以及越来越激烈的国际市场竞争，与发达国家同类企业相比，国内企业普遍存在着生产成本高，经济效益差等问题。因此，若可以建立较为通用且准确的模型，不仅可以节省资金，还可以提高市场竞争力。基于机理模型与数据模型各自存在的问题，本发明给出了一种基于数据与机理相混合的催化重整过程建模方法，该方法采用机理建模、神经网络学习相结合的方式，为建立出符合实际需求的催化重整过程模型提供了有利的保障。

发明内容

本发明的目的是针对现有的催化重整过程中机理建模与数据建模的各自存在的缺点，提出了一种机理模型与数据模型相混合的建模方法。

本发明依据重整动力学、热力学、物料平衡、能量平衡等基本原理，建立了较为完备的机理模型；为了使得机理模型与实际生产过程达到一致，根据实际工厂的输入数据，采用内点法的参数校正方法来对模型参数进行优化；将优化后机理模型进行离散，得到离散模型；采用能够求解大规模NLP问题的求解器对离散模型进行动态模拟，得到实测无法获取的反应器内部参数；构建数据模型，训练时采用神经网络学习方式；最后，训练好的数据模型以催化重整过程中反应器的输入实测值和动态模拟后的机理模型输出为输入，根据其输出与催化重整过程中反应器的输出实测值相比较，若差值大于阈值，则重新优化机理模型，反之则结束，得到所需的机理模型和数据模型相结合的催化重整过程模型。

该方法弥补了机理建模与数据建模各自的不足之处，提高了催化重整过程模型的通用性与适应性。

一种基于数据与机理相混合的催化重整过程建模方法，该方法主要步骤如下：