一種延遲焦化過程多目標實時優化方法及系統與流程
2023-04-23 11:21:37 1
本發明涉及石油煉化領域，尤其涉及一種延遲焦化過程多目標實時優化方法及系統。
背景技術：
延遲焦化是煉油廠渣油脫碳技術的主要手段之一。延遲焦化工藝分為反應、分離、吸收穩定系統三個部分。在對延遲焦化分餾的研究中，Trauth提出5個集中的動力學模型，即將減壓渣油的焦化產物按照物理形態及餾程曲線劃分為焦化富氣、粗汽油、焦化柴油、其他液相產品(例如石腦油、蠟油)以及焦炭五大類。
國內研究方面，王春華等人藉助PRO/II軟體對延遲焦化裝置分餾塔系統的仿真分析方法進行了深入研究，由於實際生產中難以測定來自焦炭塔頂的高溫油氣的具體組成成分，而且分餾塔底蒸發段的人字塔板氣液相併不平衡，研究人員使用反向推算法獲得油氣組成，並將底部蒸發段和分餾部分分開處理，選擇Grayson-Streed法對延遲焦化裝置分餾塔系統模型進行物料和熱量衡算，並獲得了準確的模擬結果。孫楊等利用Aspen靈敏度分析優化分餾塔中段回流去熱，得到較好的優化效果。李建樹等利用數據分析軟體STATISTICA進行正交試驗的設計分析各個中段循環的一次效應和二次效應對渣油換熱終溫的影響，得到各個中段循環的最優流量。
在延遲焦化實際生產中，常常會涉及成本、安全、可靠性、環境、資源等目標、這些目標往往是相互衝突的。為解決多目標問題，NSGA、NPGA、MOGA、MOLCA等算法被相繼提出。非支配遺傳算法NSGA-II是Deb等對NSGA的改進，新算法引入了精英保留機制、提出了快速非支配排序方法和擁擠度距離概念，提升了計算性能。缺陷在於穩定性比較差，在目標函數評價次數較少時，容易出現收斂於局部最優解、解集部分缺失等問題。列隊競爭算法是由鄢烈祥等人於2001年提出的一種並行搜索多層競爭的全局優化搜索方法。列隊競爭算法通過家族內部的生存競爭、家族之間的列隊地位競爭，兼顧全局最優解的質量和搜索速度的同時避免群體陷入局部最優解。缺陷在於當變量急劇增加時，搜索能力下降，出現計算所得非支配解集趨於兩端中間點較少的情況。
技術實現要素：
本發明要解決的技術問題在於針對延遲焦化工藝現有技術中沒有多目標實時優化的缺陷，提供一種延遲焦化過程多目標實時優化方法及系統。
本發明解決其技術問題所採用的技術方案是：
本發明提供一種延遲焦化過程多目標實時優化方法，包括以下步驟：
S1、編寫軟體接口連接石化工廠實時資料庫，實時獲取延遲焦化過程生產數據；
S2、利用ASPEN PLUS流程模擬軟體建立延遲焦化工藝模型，結合獲取的生產數據校準延遲焦化工藝模型；
S3、在優化的延遲焦化工藝模型的基礎上，實現結合基於多目標列隊競爭算法和非支配遺傳算法的混合算法；
S4、綜合選擇延遲焦化過程中的多個優化變量，以原料換熱終溫和產品收率作為雙優化目標，通過混合算法在ASPEN PLUS流程模擬軟體中進行模擬計算，得到雙優化目標的變化趨勢圖；
S5、編寫GUI交互界面，實時顯示數據讀取、模型建立、算法優化和變化趨勢圖的結果，選擇變化趨勢圖中最佳優化目標對應的優化變量。
進一步地，本發明的步驟S1中獲取延遲焦化過程生產數據的方法具體為：
利用Visual studio2012軟體和C#語言編寫石化工廠延遲焦化工藝實時資料庫接口的類庫程序的.dll文件，利用Matlab中NET.addAssembly函數讀取.dll文件，連接上實時資料庫後採用classObj.proxy方式提取延遲焦化過程生產數據。
進一步地，本發明的步驟S1中獲取的延遲焦化過程生產數據包括：
進料參數、採出量、循環量、裝置操作參數，產品的質量指標，以及原料和產品的比重、D86數據。
進一步地，本發明的步驟S2中建立的延遲焦化工藝模型的表達方式為：
Y＝Φ(X,C)
其中，Φ為延遲焦化工藝的Aspen模型；X為輸入變量；C為模型參數；Y為輸出變量；在此工藝中，X為高溫油氣進料性質及流量、返塔富吸收油的性質及流量，中段循環的流量及溫差；Y為粗氣油終餾點、柴油終餾點、輕蠟油終餾點、重蠟油終餾點、塔頂溫度、塔底溫度；C為各個反應模塊、物性方法、塔板效率、脫過熱段氣化率、塔頂氣相分率。
進一步地，本發明的步驟S2中校準延遲焦化工藝模型的方法為：
調整Y＝Φ(X,C)中C的參數值使輸出變量Y滿足|Y計算-Y實際|/Y實際≤1％。
進一步地，本發明的步驟S3中混合算法的具體步驟為：
S31、初始化：通過隨機撒點生成多個初始種群，初始種群代表由若干組優化變量組成的向量；計算各個初始種群的目標函數值，並對初始種群以原料換熱終溫或產品收率進行升序排列，作為進化父代；
S32、多目標列隊進化：根據進化父代排序分配搜索空間，每個家族在其搜索空間內無性繁殖，產生n個均勻隨機分布的子代，存儲子代和父代；選取父代，父代排序採用目標輪換法，本次迭代以原料換熱終溫的升序選取父代，下次迭代選取產品收率的升序選取父代，如此反覆；判斷迭代次數是否達到設定值，若是則進行下一步，若否則重新執行步驟S32；
S33、遺傳進化：根據列隊所形成的種群選擇父代，通過交叉變異策略生成子代；計算子代和父代的目標函數值和適應度，根據適應度大小進行非支配排序，保存非支配個體；選擇最優秀的個體作為新的父代；判斷迭代次數是否達到設定值，若是則進行下一步，若否則重新執行步驟S33；
S34、外部集存儲：將遺傳進化所得非支配個體存儲在外部集，並計算其擁擠度距離，若非支配個體數目超過外部集存儲容量，則刪掉其中擁擠度距離小的個體；
S35、判斷終止條件：若達到迭代次數達到設定值或解集分布較好，則輸出外部集；若未達到，則返回步驟S32繼續執行。
進一步地，本發明的步驟S4中選擇的延遲焦化過程優化變量包括：
頂循環流量、柴油循環流量、中段循環流量、蠟油循環流量、柴油抽出量、輕蠟油抽出量和重蠟油抽出量。
進一步地，本發明的步驟S4中延遲焦化過程優化目標包括：
原料渣油換熱終溫，以及汽油收率、柴油收率和輕蠟油收率。
進一步地，本發明的步驟S4中的延遲焦化過程優化變量和優化目標之間的函數關係為：
步驟S4中的延遲焦化過程優化的數學模型如下：
目標函數：
Max f(u)＝Y1+Y2+Y3
Max g(u)＝Q+Di，i＝1,2,3,4；
約束條件：
[Y,D,Z]＝Φ(X)
X下≤X≤X上
Z下≤Z≤Z上
其中，Φ為延遲焦化工藝的Aspen模型，f(u)為產品收率，g(u)為原料換熱終溫；Y1、Y2、Y3依次為汽油、柴油、輕蠟油的收率；Q表示原料換熱前的溫度，Di表示原料依次與柴油循環換熱、中段循環換熱、蠟油循環換熱、塔底循環換熱能增加的溫度，單位為℃；X是優化變量向量，X上、X下為優化變量上下界；Z是指定產品的質量指標向量，Z上、Z下為各側線產品質量控制值的上下界。
本發明提供一種延遲焦化過程多目標實時優化系統，包括：
數據獲取單元，用於通過編寫的軟體接口連接石化工廠實時資料庫，實時獲取延遲焦化過程生產數據；
模型建立單元，用於利用ASPEN PLUS流程模擬軟體建立延遲焦化工藝模型，結合獲取的生產數據校準延遲焦化工藝模型；
混合算法單元，用於在優化的延遲焦化工藝模型的基礎上，實現結合基於多目標列隊競爭算法和非支配遺傳算法的混合算法；
模擬優化單元，用於綜合選擇延遲焦化過程中的多個優化變量，以原料換熱終溫和產品收率作為雙優化目標，通過混合算法在ASPEN PLUS流程模擬軟體中進行模擬計算，得到雙優化目標的變化趨勢圖；
實時顯示單元，用於通過編寫的GUI交互界面，實時顯示數據讀取、模型建立、算法優化和變化趨勢圖的結果，選擇變化趨勢圖中最佳優化目標對應的優化變量。
本發明產生的有益效果是：本發明的延遲焦化過程多目標實時優化方法，通過將原料進料性質、各個中段回流、產品採出量綜合起來，利用混合優化算法實時計算它們對延遲焦化產品收率和原料換熱終溫雙目標的綜合影響，本發明優化效果好，搜索能力強，能夠同時兼顧全局最優解的質量和搜索速度，有助於提高產能；通過實時顯示結果趨勢圖，能夠直觀的反映優化結果；本發明能夠有效的幫助石化工廠提高生產效率，節能環保，具有顯著的經濟效益。
附圖說明
下面將結合附圖及實施例對本發明作進一步說明，附圖中：
圖1是本發明實施例的延遲焦化工藝簡圖；
圖2是本發明實施例的混合算法的基本流程圖；
圖3是本發明實施例的混合算法和Aspen相結合的計算框圖；
圖4是本發明實施例的延遲焦化原料換熱終溫與產品收率非支配圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。
本發明實施例的延遲焦化過程多目標實時優化方法，包括以下步驟：
S1、編寫軟體接口連接石化工廠實時資料庫，實時獲取延遲焦化過程生產數據；利用Visual studio2012軟體和C#語言編寫石化工廠延遲焦化工藝實時資料庫接口的類庫程序的.dll文件，利用Matlab中NET.addAssembly函數讀取.dll文件，連接上實時資料庫後採用classObj.proxy方式提取延遲焦化過程生產數據。
獲取的延遲焦化過程生產數據包括：進料參數、採出量、循環量、裝置操作參數，產品的質量指標，以及原料和產品的比重、D86數據。
S2、利用ASPEN PLUS流程模擬軟體建立延遲焦化工藝模型，結合獲取的生產數據校準延遲焦化工藝模型；
建立的延遲焦化工藝模型的表達方式為：
Y＝Φ(X,C)
其中，Φ為延遲焦化工藝的Aspen模型；X為輸入變量；C為模型參數；Y為輸出變量；在此工藝中，X為高溫油氣進料性質及流量、返塔富吸收油的性質及流量，中段循環的流量及溫差；Y為粗氣油終餾點、柴油終餾點、輕蠟油終餾點、重蠟油終餾點、塔頂溫度、塔底溫度；C為各個反應模塊、物性方法、塔板效率、脫過熱段氣化率、塔頂氣相分率。
校準延遲焦化工藝模型的方法為：
調整Y＝Φ(X,C)中C的參數值使輸出變量Y滿足|Y計算-Y實際|/Y實際≤1％。
S3、在優化的延遲焦化工藝模型的基礎上，實現結合基於多目標列隊競爭算法和非支配遺傳算法的混合算法；
S4、綜合選擇延遲焦化過程中的多個優化變量，以原料換熱終溫和產品收率作為雙優化目標，通過混合算法在ASPEN PLUS流程模擬軟體中進行模擬計算，得到雙優化目標的變化趨勢圖；
選擇的延遲焦化過程優化變量包括：頂循環流量、柴油循環流量、中段循環流量、蠟油循環流量、柴油抽出量、輕蠟油抽出量和重蠟油抽出量。
延遲焦化過程優化目標包括：原料渣油換熱終溫，以及汽油收率、柴油收率和輕蠟油收率。
步驟S4中的延遲焦化過程優化變量和優化目標之間優化的數學模型如下：
目標函數：
Max f(u)＝Y1+Y2+Y3
Max g(u)＝Q+Di，i＝1,2,3,4；
約束條件：
[Y,D,Z]＝Φ(X)
X下≤X≤X上
Z下≤Z≤Z上
其中，Φ為延遲焦化工藝的Aspen模型，f(u)為產品收率，g(u)為原料換熱終溫；Y1、Y2、Y3依次為汽油、柴油、輕蠟油的收率；Q表示原料換熱前的溫度，Di表示原料依次與柴油循環換熱、中段循環換熱、蠟油循環換熱、塔底循環換熱能增加的溫度，單位為℃；X是優化變量向量，X上、X下為優化變量上下界；Z是指定產品的質量指標向量，Z上、Z下為各側線產品質量控制值的上下界。
S5、編寫GUI交互界面，實時顯示數據讀取、模型建立、算法優化和變化趨勢圖的結果，選擇變化趨勢圖中最佳優化目標對應的優化變量。
混合算法的具體步驟為：
S31、初始化：通過隨機撒點生成多個初始種群，初始種群代表由若干組優化變量組成的向量；計算各個初始種群的目標函數值，並對初始種群以原料換熱終溫或產品收率進行升序排列，作為進化父代；
S32、多目標列隊進化：根據進化父代排序分配搜索空間，每個家族在其搜索空間內無性繁殖，產生n個均勻隨機分布的子代，存儲子代和父代；選取父代，父代排序採用目標輪換法，本次迭代以原料換熱終溫的升序選取父代，下次迭代選取產品收率的升序選取父代，如此反覆；判斷迭代次數是否達到設定值，若是則進行下一步，若否則重新執行步驟S32；
S33、遺傳進化：根據列隊所形成的種群選擇父代，通過交叉變異策略生成子代；非支配排序，保存非支配個體；選擇父代；判斷迭代次數是否達到設定值，若是則進行下一步，若否則重新執行步驟S33；
S34、外部集存儲：將遺傳進化所得非支配個體存儲在外部集，並計算其擁擠度距離，若非支配個體數目超過外部集存儲容量，則刪掉其中擁擠度距離小的個體；
S35、判斷終止條件：若達到迭代次數達到設定值或解集分布較好，則輸出外部集；若未達到，則返回步驟S32繼續執行。
本發明實施例的延遲焦化過程多目標實時優化系統，包括：
數據獲取單元，用於通過編寫的軟體接口連接石化工廠實時資料庫，實時獲取延遲焦化過程生產數據；
模型建立單元，用於利用ASPEN PLUS流程模擬軟體建立延遲焦化工藝模型，結合獲取的生產數據校準延遲焦化工藝模型；
混合算法單元，用於在優化的延遲焦化工藝模型的基礎上，實現結合基於多目標列隊競爭算法和非支配遺傳算法的混合算法；
模擬優化單元，用於綜合選擇延遲焦化過程中的多個優化變量，以原料換熱終溫和產品收率作為雙優化目標，通過混合算法在ASPEN PLUS流程模擬軟體中進行模擬計算，得到雙優化目標的變化趨勢圖；
實時顯示單元，用於通過編寫的GUI交互界面，實時顯示數據讀取、模型建立、算法優化和變化趨勢圖的結果，選擇變化趨勢圖中最佳優化目標對應的優化變量。
在本發明的另一個具體實施例中，延遲焦化過程多目標實時優化方法包括：
(1)利用Visual studio2012軟體和C#語言編寫石化工廠延遲焦化工藝實時資料庫接口的類庫程序(.dll文件)，利用Matlab中NET.addAssembly函數讀取.dll文件，連接上實時資料庫後採
用classObj.proxy方式提取延遲焦化過程生產數據。利用程式語言，開發石化工廠延遲焦化工藝Oracle企業資料庫接口，在Matlab上配置JDBC通道提取延遲焦化工藝檢測數據。
(2)利用ASPEN PLUS軟體建立延遲焦化主分餾模型，分餾塔採用PetroFrac石油化工專用模型，混合器採用Mixer，分流器採用FSplit，氣液分離罐採用Flash2模型。分餾塔採用分段模擬，塔底脫過熱段用閃蒸罐Flash2模型代替。物性方法採用Grayson-Streed法，引入塔板Murphree效率來擬合理論塔板和真實塔板之間的差異。採用進料油氣性質反推修正計算方法，在不同操作條件下計算汽油、柴油、蠟油產品的收率及D86數據，結合工廠實際數據校準ASPEN模型。
(3)為克服NSGA-II和MOLCA存在的問題，將NSGA-II和MOLCA結合，利用MOLCA為NSGA-II生成進化父代，形成一種高效的混合算法MOLCA-NSGA-II。優化步驟是：1)初始化。通過隨機策略，生成初始種群，並對初始種群以某一目標升序排列，作為進化父代；2)多目標列隊進化。根據父代排序分配搜索空間，每個家族在其搜索空間內無性繁殖，產生n個均勻(隨機)分布的子代，存儲子代和父代；選取父代，父代排序採用目標輪換法，本次迭代以目標一的升序選取父代，下次迭代選取目標二的升序選取父代，如此反覆；判斷終止條件，若是則進行下一步，若否則重新執行第二步；3)遺傳進化。根據列隊所形成的種群選擇父代，通過交叉變異策略生成子代；非支配排序，保存非支配個體；選擇父代；判斷終止條件，若是則進行下一步，若否則重新執行生成子代步驟；4)外部集存儲。將遺傳進化所得非支配個體存儲在外部集，若非支配個體數目超過外部集存儲容量，則刪掉其中擁擠度距離小的個體；5)判斷終止條件。若達到終止判據，則輸出外部集；若未達到，則返回第二步繼續執行。改進的混合算法能在較短的時間內得到非支配解，提高了計算速度，具體流程如圖2所示。
(4)頂循環流量、柴油循環流量、中段循環流量、蠟油循環流量、柴油抽出量、輕蠟油抽出量、重蠟油抽出量、原料性質等因素對原料渣油換熱終溫各自有獨立的影響，比如柴油循環流量的一次效應幾乎相當於重蠟油循環和頂循環流量的一次效應。一般觀點認為提高高溫位的蠟油、中段循環的取熱比例，降低塔頂、柴油循環等低溫位熱源的取熱比例就能提高用能效率，但他們的優化大都基於工程經驗，雖然最終結果有所改善，但沒有經過定量分析，而且也忽略了取熱優化的同時對產品收率也有影響，企業在追求用能效率的同時也追求產品收率，在加大產品抽出量的時候又會影響原料的換熱終溫。本方法將這些因數綜合起來作為優化變量，通過基於MOLCA與NSGA-II的混合算法與ASPEN模擬結合進行原料換熱終溫與產品收率雙目標實時優化，找出優化目標的變化趨勢。具體的流程如圖3所示。
(5)編寫GUI交互界面，將實時數據讀取、機理模型、算法優化、顯示結果趨勢圖等功能整合起來，實現輸入參數—顯示優化趨勢圖的實時優化效果。
在本發明的另一個具體實施例中，某石化廠延遲焦化裝置的設計規模為100萬t/a，採取的原料為常減壓渣油。
其實際生產流程如下：
如圖1所示，首先將從常減壓裝置來的原料一減壓渣油(150℃)送入原料油緩衝罐，之後用原料油泵抽出，經柴油—原料油換熱器、輕蠟油—原料換熱器、循環油—原料及回流換熱器換熱後與焦化主分餾塔底採出的循環油混合，然後進入加熱爐的進料緩衝罐。
循環油從分餾塔底抽出，經由循環油泵升壓後分成兩部分，一部分經換熱器和循環油蒸汽發生器換熱後分別返回焦化分餾塔的人字形擋板上部和底部；循環油上返塔部分，另一部分返回至原料油進料線與原料渣油混合，作為循環油使用。
重蠟油由重蠟油泵從蠟油集油箱中抽出，一部分經穩定塔塔底再沸器換熱後，回流至分餾塔；另一部分重蠟油經過重蠟油蒸汽發生器和重蠟油冷卻器換熱後出裝置和作為急冷油。輕蠟油從分餾塔抽出後，經輕蠟油—原料換熱器、除氧水—輕蠟油換熱器和輕蠟油冷卻器換熱至80℃後出裝置。
柴油經柴油泵抽出後分成兩股，一股物料返回分餾塔內，另一股物流經柴油和回流蒸汽發生器、柴油—原料油換熱器和富吸收油—柴油換熱器換熱後，再分為兩部分，一部分作為回流返回分餾塔，其餘經過柴油空冷器冷卻後分成兩路，一路柴油出裝置，另一路作為再吸收塔的進料。
從吸收穩定系統的再吸收塔塔底來的富吸收油經換熱器換熱至120℃後，進入主分餾塔。
產品規格約束：
汽油幹點：192～201℃；柴油幹點：353～362℃；輕蠟油幹點：435～450℃；
分餾塔塔頂溫度：105～130℃；
1、根據實際流程使用ASPEN PLUS軟體建立模型，導入數據到ASPEN的數據路徑中
對比計算結果和實際生產數據，反覆微調模型參數，校準模型。
表1不同操作條件下為模擬值與實際工況值對比
經過模擬可以看出，產品終餾點和原料的換熱終溫與實際生產數據基本吻合，說明所建模型基本符合裝置實際運行狀況。
2.混合算法優化
一個典型且較為標準的多目標優化問題主要包括：目標函數、決策變量(或優化變量、操作變量)和約束條件。一般的MOP的數學定義如下：
其中，y為n個目標函數組成的向量，所有目標均為求最小值(若為求最大值，可以對目標函數取負)；為n維的決策矢量；gi(x)為不等式約束，該約束可以確定決策變量的取值範圍，hj(x)為等式約束。
在本例優化過程中，選取頂循環流量、柴油循環流量、中段循環流量、蠟油循環流量、柴油抽出量、輕蠟油抽出量、重蠟油抽出量為優化變量，實際生產歷史數據中各個流量的最大值和最小值作為優化區間，原料渣油的換熱終餾點和汽油、柴油、輕蠟油產品收率為優化目標，工廠檢測的產品質量指標作為約束條件。通過讀取實時數據、利用混合優化算法，計
算這些變量對雙目標的綜合影響，並實時顯示雙目標優化趨勢圖。結果如圖4所示。
從結果上可以看出，通過優化後利用延遲焦化分餾體系的反應餘熱能將原料換熱終溫提高到314.7℃，此時對應的操作條件為頂循環流量為33.29t/h，柴油循環流量為63.88t/h，中段循環流量為74.28t/h，蠟油循環流量為33.97t/h，柴油抽出量為63.29t/h，輕蠟油抽出量為26.24t/h，重蠟油抽出量為13.8t/h。若追求收率，對應操作條件為頂循環流量為44.1t/h，柴油循環流量為41.29t/h，中段循環流量為63.17t/h，蠟油循環流量為27.23t/h，柴油抽出量為65.74t/h，輕蠟油抽出量為27.87t/h，重蠟油抽出量為11.04t/h，此時的收率為0.834。此後，由於進料成分限制，產率幾乎不再上升，與實際情況吻合。通過本方法，工廠可以根據實際數據，優化查看趨勢，給生產提供參考。
應當理解的是，對本領域普通技術人員來說，可以根據上述說明加以改進或變換，而所有這些改進和變換都應屬於本發明所附權利要求的保護範圍。