[发明专利]自适应树种搜索灰狼算法的重油热解模型参数识别方法

说明书

本发明涉及重油催化裂解技术领域，尤其涉及一种自适应树种搜索灰狼算法的重油热解模型参数识别方法，包括步骤S1，建立重油热解反应产率动力学模型特性方程；步骤S2，判断自适应树种搜索灰狼算法的目标函数表达式；步骤S3，判断重油热解反应产率动力学模型待辨识参数的最优值；步骤S4，得到最优的重油热解反应产率动力学模型；步骤S5，预测输出重油热解反应产率。本发明通过基于树和种子算法种子局部搜索策略，提供一种自适应树种搜索灰狼算法的重油热解反应产率模型参数辨识方法，引入自适应参数来判断利用何种搜索方法更新灰狼位置，从而实现算法的全局搜索能力和局部搜索能力的平衡，提高了搜索效率。

技术领域

本发明涉及重油催化裂解技术领域，尤其涉及一种自适应树种搜索灰狼算法的重油热解模型参数识别方法。

背景技术

重油又称可持久性油，是原油经过分馏提取出柴油、汽油、煤油后剩余的残余物，其特点是粘度高，分子量大，难以挥发，如何将日益增加的重质油轻质化，对解决能源危机与缓解环境问题都具有十分重要的意义，而重油催化裂解技术是伴随工艺条件的不断优化、反应器的改进和催化剂的改良，在重油催化裂化的基础上发展而来，传统的蒸汽热裂解的反应温度高达840℃，重油催化裂解的温度条件为550℃-650℃，重油在催化剂的作用下深度裂解产生低碳烯烃和轻质芳烃。相比传统蒸汽热裂解技术而言，重油催化裂解的工艺反应条件缓和，拓宽了低碳烯烃的来源，是重油轻质化的有效手段。

催化裂解装置所需生产原料多变，产品方案要经常调整，为了指导催化裂解工艺过程的优化，研究者进行大量的试验研究，通过建立催化裂解集总动力学模型来描述其内在化学反应的规律，由此预测原油组成和工艺参数的变化对反应物反应的产率的变化影响。而模型中的参数越准确，模型的预测精度越高，从而设计的控制策略性能也越良好。由于重油裂解集总模型结构具有复杂的非线性特性，并且多个变量之间存在严重耦合关系，传统的参数估计方法，如最小二乘法、Gauss-Newton法等只能针对特定的问题有效，对模型要求较高，因此在实际使用过程会有各种困难。从本质上讲，参数估计问题可以转化为优化问题，从而可以利用先进的优化算法解决这一类问题。

随着群智能算法的不断发展，涌现出一批新型元启发式智能算法，如萤火虫算法、布谷鸟算法、灰狼算法(gray wolfoptimizer,GWO)等。GWO算法是由Mirjalili于2014年提出，该算法的思想是模拟了生物界狼群集体狩猎行为和社会等级关系，通过对目标猎物实施跟踪、探索、追捕、围攻的方式实现狩猎的最优化过程。GWO算法自提出以来，由于具有结构简单、参数少、易于实现的优良性能。然而，与其他元启发式算法类似，基本的GWO也存在一些棘手的问题。例如，局部搜索能力差，易早熟收敛等。

树和种子算法(Tree-Seed algorithm,TSA)是由Kiran于2015年提出了一种新型元启发式优化算法，该算法结构简单，局部搜索能力较强，但全局搜索能力不足，易陷入局部最优，且算法后期的搜索速度较慢。

发明内容

为此，本发明提供一种自适应树种搜索灰狼算法的重油热解模型参数识别方法。用以克服现有技术中无法利用自适应树种搜索灰狼算法获得重油催化裂解工艺过程中的重油热解反应产率的问题。

为实现上述目的，本发明提供一种自适应树种搜索灰狼算法的重油热解模型参数识别方法，包括：

步骤S1，建立重油热解反应产率动力学模型特性方程，判断待识别的参数；

步骤S2，根据步骤S1中方程判断自适应树种搜索灰狼算法的目标函数表达式；

步骤S3，将步骤S2中目标函数式的最小化作为优化算法的适应度函数，并利用自适应树种搜索灰狼算法，判断重油热解反应产率动力学模型待辨识参数的最优值；

步骤S4，将步骤S3中的待辨识参数的最优值代入至步骤S1的重油热解反应产率动力学模型，得到最优的重油热解反应产率动力学模型；