一種預測催化裂化汽油產率的方法
2023-12-06 08:28:26
一種預測催化裂化汽油產率的方法
【專利摘要】本發明涉及了一種預測催化裂化汽油產率的方法，所述方法包括以下步驟：(1)獲得與催化裂化的原料性質、催化劑性質和操作有關的基礎數據，以及汽油產率的實際值，對上述數據進行預處理，再進行歸一化處理；(2)利用PSO優化BP神經網絡進行模型訓練，以步驟(1)所得歸一化處理後的基礎數據為輸入值，以實際值為期望輸出，獲得預測汽油產率的模型；(3)對現場採集的與催化裂化的原料性質、催化劑性質和操作有關的基礎數據進行預處理作為預測數據，將預測數據代入步驟(2)獲得的模型中，獲得汽油產率預測值。本發明提供的方法計算速度快，準確性好，可以廣泛應用於工業生產。
【專利說明】一種預測催化裂化汽油產率的方法
【技術領域】
[0001] 本發明涉及石油化工領域，具體涉及一種預測催化裂化汽油產率的方法。
【背景技術】
[0002] 催化裂化作為石油的二次加工單元，承擔著摻煉渣油、重質油輕質化的任務，其產 物汽油是車用汽油的主要來源。但隨著原油的重質化、劣質化，同時對輕質油品尤其是汽油 需求的增加，催化裂化加工能力也在不斷增長。因此預測汽油產率對煉廠進一步調整產品 結構提升效率具有一定的指導意義。催化裂化反應機理相當複雜，其反應過程和產品分布 受到原料性質、操作條件等影響，難以建立精確的數學表達式來描述其動態的生產過程。
[0003] 目前計算催化裂化過程產品收率的關聯式一般根據實際操作數據和中型實驗數 據得出，適用於工藝方案估算或技術經濟評價，難以用於具體指導工程設計或現場優化操 作。神經網絡作為一種非線性統計性數據建模工具，具有獨特的分布並行處理、自適應能力 和非線性預測能力。陳鴻偉（陳鴻偉，劉煥志，李曉偉，等雙循環流化床顆粒循環流率試驗 與PSO優化BP神經網絡預測[J].中國電機工程學報，2010, 32:25-29.)等利用PSO優化BP 神經網絡預測雙循環流化床顆粒循環流率。周小偉（周小偉，袁俊，楊伯倫.應用PSO優化 BP神經網絡的二次反應清潔汽油辛烷值預測[J].西安交通大學學報，2010, 12:82-86.)、 袁俊（袁俊，周小偉，楊伯倫.基於LM/SVM方法的二次反應清潔汽油辛烷值預測[J].高 校化學工程學報，2010, 02:258-262.)等分別利用PSO優化BP神經網絡和LM/SVM方法對 二次反應清潔汽油辛烷值進行預測。張忠洋（張忠洋，李澤欽，李宇龍.GA輔助BP神經 網絡預測催化裂化裝置汽油產率[J].石油煉製與化工，2014, 45 (7) : 91-96.)等利用GA輔 助BP神經網絡預測某煉油廠催化裂化裝置汽油產率，得到經GA優化後預測汽油產率均方 誤差為4. 92,但該研究僅對採集的360組現場數據進行分析，且只考察溫度、壓力等7個變 量作為影響汽油產率的因素。
[0004] 雖然BP神經網絡在諸多領域取得很好的效果。由於其具有局部極小化，收斂速 度慢，網絡結構選擇不一，應用實例與網絡規模之間的矛盾，預測能力和訓練能力之間的矛 盾，樣本依賴性等問題。
【發明內容】
[0005] 本發明的目的在於，利用粒子群（Particle Swarm Optimization, PS0)優化反相 傳播（Back Propagation，BP)神經網絡分析催化裂化裝置得到的影響汽油產率數據，從而 快速預測催化裂化裝置的汽油產率，為進一步合理優化原料性質、催化劑性質以及操作條 件等，最大限度生產液體燃料等提供一定的指導意見。
[0006] 本發明提供了一種預測催化裂化汽油產率的方法，所述方法包括以下步驟：
[0007] (1)獲得與催化裂化的原料性質、催化劑性質和操作有關的基礎數據，以及汽油產 率的實際值，對上述數據進行預處理，再進行歸一化處理；
[0008] ⑵利用PSO優化BP神經網絡進行模型訓練，以步驟⑴所得歸一化處理後的基 礎數據為輸入值，以實際值為期望輸出，獲得預測汽油產率的模型；
[0009] (3)對現場採集的與催化裂化的原料性質、催化劑性質和操作有關的基礎數據進 行預處理作為預測數據，將預測數據代入步驟（2)獲得的汽油產率模型中，獲得汽油產率 預測值。
[0010] 本發明步驟（1)所述與原料性質、催化劑性質和操作有關的基礎數據以及汽油產 率的實際值均從生產現場通過常規實驗採集獲得。
[0011] 其中，步驟（1)所述與原料性質有關的基礎數據包括以下參數：原料油飽和烴含 量、原料油芳烴含量、原料油浙青質+膠質含量、原料油10%餾出溫度、原料油50%餾出溫 度、原料油90%餾出溫度和原料油鈉含量。
[0012] 步驟（1)所述與催化劑性質有關的基礎數據包括以下參數：催化劑活性、再生劑 微反活性指數、再生劑定碳含量、平衡劑活性、再生劑鈉含量、再生劑鎳和釩含量。
[0013] 步驟（1)所述與操作有關的基礎數據包括以下參數：催化劑溫度、原料溫度、反應 溫度、反應壓力、原料油量、預提升蒸汽流量、原料油霧化蒸汽流量、預提升幹氣流量、回煉 t匕、劑油比、二反料位和粗汽油至提升管反應器流控。
[0014] 本發明步驟（1)或（3)所述預處理具體為：取各個參數的共同時間段內的數據，對 各個參數進行異常值的剔除，所述異常值包括零、負值、空數據以及與平均值之差大於3倍 標準差的數據。
[0015] 本發明步驟（1)所述歸一化處理為：將樣本序列定為{X(n)}，按照最大最小法對 數據進行歸一化處理，所述最大最小法公式為Xk= (Xi-Xmin) AXmax-Xmin),其中，Xk為歸一化 值，Xi為步驟（1)獲得的基礎數據值，Xmaj^PXmin分別是{X(n)}的最大值和最小值。
[0016] 本發明涉及的BP神經網絡的結構如圖1所示。
[0017] 本發明步驟（2)所述BP神經網絡，包括輸入層、輸出層和隱含層各一層；其中，步 驟（1)所得歸一化處理後的基礎數據作為輸入層，汽油產率作為輸出層；隱含層節點數選
【權利要求】
1. 一種預測催化裂化汽油產率的方法，其特徵在於，所述方法包括以下步驟： (1) 獲得與催化裂化的原料性質、催化劑性質和操作有關的基礎數據，以及汽油產率的 實際值，對上述數據進行預處理，再進行歸一化處理； (2) 利用PSO優化BP神經網絡進行模型訓練，以步驟（1)所得歸一化處理後的基礎數 據為輸入值，以實際值為期望輸出，獲得預測汽油產率的模型； (3) 對現場採集的與催化裂化的原料性質、催化劑性質和操作有關的基礎數據進行預 處理作為預測數據，將預測數據代入步驟（2)獲得的汽油產率模型中，獲得汽油產率預測 值。
2. 根據權利要求1所述的方法，其特徵在於，步驟（1)所述與原料性質有關的基礎數 據包括以下參數：原料油飽和烴含量、原料油芳烴含量、原料油浙青質+膠質含量、原料油 10%餾出溫度、原料油50%餾出溫度、原料油90%餾出溫度和原料油鈉含量。
3. 根據權利要求1所述的方法，其特徵在於，步驟（1)所述與催化劑性質有關的基礎包 括以下參數：催化劑活性、再生劑微反活性指數、再生劑定碳含量、平衡劑活性、再生劑鈉含 量、再生劑鎳和鑰;含量。
4. 根據權利要求1所述的方法，其特徵在於，步驟（1)所述與操作有關的基礎包括以下 參數：催化劑溫度、原料溫度、反應溫度、反應壓力、原料油量、預提升蒸汽流量、原料油霧化 蒸汽流量、預提升幹氣流量、回煉比、劑油比、二反料位和粗汽油至提升管反應器流控。
5. 根據權利要求1?4任意一項所述的方法，其特徵在於，步驟（1)或（3)所述預處理 具體為：取各個參數的共同時間段內的數據，對各個參數進行異常值的剔除，所述異常值包 括零、負值、空數據以及與平均值之差大於3倍標準差的數據。
6. 根據權利要求1?4任意一項所述的方法，其特徵在於，步驟（1)所述歸一化處理 為：將樣本序列定為{X(n)}，按照最大最小法對數據進行歸一化處理，所述最大最小法公 式為Xk = (Xi-Xmin) AXmax-Xmin)，其中，Xk為歸一化值，Xi為現場採集的數據，X max和Xmin分別 是{X(η)}的最大值和最小值。
7. 根據權利要求1所述的方法，其特徵在於，步驟（2)所述BP神經網絡包括輸 入層、輸出層和隱含層各一層；其中，步驟（1)所得歸一化處理後的基礎數據作為輸入 汽油產率實際值作為期望輸出；隱含層節點數選擇參考公式：
式中，m為輸入節點數，η為輸出節點數，分別比較不同節點下 訓練和驗證模型獲得的均方誤差，找出最佳隱層節點數；輸入層與隱含層之間用正切S型 函數tansig作為傳遞函數，用選擇性作用函數Lin作為輸出層和隱含層之間的傳遞函數； 所述PSO優化BP神經網絡訓練具體為：（a)設置初始化參數，所述初始化參數包括種 群大小、加速係數、學習率、迭代次數，所述迭代次數根據經驗值和計算速度以及適應度的 計算結果確定；(b)設置終止條件為：如果迭代次數超過步驟（a)設置的值，算法結束；（c) 每個粒子在網絡中正向傳播，計算各粒子其在輸出層的輸出，比較得到誤差；（d)在每一次 迭代過程中，每個粒子通過個體極值和全局極值更新自身的速度和位置，找到其最優位置 Pbest的適應值；（e)將每個粒子的最優位置Pbest的適應值與群體歷史最優位置G best的適應 值進行比較，如果Pbest的適應值優於Gbest的適應值，則將該值作為群體最優位置G best,否則 Gbest保持不變；（f)用群體最優位置Gbest不斷更新網絡的權值和閾值；（g)若滿足終止條件， 則停止算法；若不滿足終止條件，則轉向步驟（d); 當迭代結果的誤差小於允許誤差0. OOl?0. 00001，系統結束迭代計算，模型構建完 成。
8.根據權利要求7所述的方法，其特徵在於，所述初始化參數包括：初始種群η = 50， 規模為m = 300,迭代次數K = 500,個體和速度最大最小值popmax = I ;popmin = -l，Vmax = 1^11 = -1，速度更新參數〇2 = 1.494;(：1 = 1.494，分配8?網絡的權值和閾值。
【文檔編號】G06N3/02GK104392098SQ201410585086
【公開日】2015年3月4日 申請日期:2014年10月27日 優先權日:2014年10月27日
【發明者】吳迎亞, 藍興英, 彭麗, 高金森, 呂林英 申請人:中國石油大學(北京)