乙烯装置混合建模校正优化方法及设备与流程

本发明涉及化工相关，特别是一种乙烯装置混合建模校正优化方法、电子设备、存储介质及计算机程序产品。

背景技术：

1、实时优化技术作为一种将流程模拟理论与先进控制技术紧密结合产生的新兴技术，可以实现生产装置经济效益最大化优化。该技术立足于现有生产装备，可充分挖掘装置潜力，以较低的人力与财力成本、较少的能源及物质消耗获取较高的产品收率和经济效益。与此同时，实时优化技术可以以较高的精准度还原实际生产状况，并可对实际运行状态实施持续性的监控。在提高装置收益、降低生产成本的同时，又使其管理水平得到提升。

2、乙烯装置是化工生产过程的龙头，通过将轻烃、石脑油以及加裂尾油等原料于高温条件下在裂解炉内发生裂解反应，生产出乙烯、丙烯等重要化工产品以氢气、芳烃等高附加值产品。通常来说，乙烯装置流程长、组分众多、响应滞后性明显且系统耦合性突出，如何在工艺流程复杂且基本不对其进行改扩建的前提下对乙烯装置进行实时经济效益最大化优化是目前石化行业研究领域的重点。

3、现有技术在乙烯装置上实施的实时优化技术主要呈现以下特点：一是以搭建的全流程纯数据模型为基础进行实时优化，由于乙烯装置流程长、变量数多，单纯依赖人工经验及历史运行数据规律搭建的数据模型精度堪忧，可解释性差，进而对于实际生产操作进行指导的有效性与合理性欠缺；二是以搭建的全流程纯机理模型为基础进行实时优化，此类模型在急冷、压缩与分离工序的精度较高，但由于裂解炉内流动、混合、传质、传热、反应等过程彼此耦合、相互影响且不同工况下的规律性无法复刻，裂解炉纯机理模型的适用性有待进一步提升。加之，现有技术大部分乙烯装置的裂解炉为液相炉，通常以石脑油、加裂尾油等重质油品为原料，操作经验相对丰富，而以轻烃为主要裂解原料的气相裂解炉相对较少，考虑炉子结构以及操作条件等因素的不同，炉内发生的裂解反应特点及相关过程特性并不完全一致。相比较而言，轻烃裂解炉的优化调整操作更具备行业竞争性、前景挑战性以及技术复杂性。

4、因此，现有技术缺乏将实时优化技术更好地应用在以轻烃为主要裂解原料的乙烯装置上。

技术实现思路

1、基于此，有必要针对现有技术缺乏将实时优化技术更好地应用在以轻烃为主要裂解原料的乙烯装置上的技术问题，提供一种乙烯装置混合建模校正优化方法、电子设备、存储介质及计算机程序产品。

2、本发明提供一种乙烯装置混合建模校正优化方法，包括：

3、搭建乙烯装置轻烃裂解炉出口的产品收率数据模型，所述产品收率数据模型根据输入的乙烯装置的工况参数输出多个组分的预测出口组成；

4、搭建乙烯装置急冷、压缩与分离工序基础机理模型；

5、将所述产品收率数据模型与所述急冷、压缩与分离工序基础机理模型结合，得到全流程模型，获取多个工况的现场测量仪表数据，以所述全流程模型中总体仪表偏差之和最小为目标对每一工况进行校正得到用于输出每个可调变量的校正数值的全流程数据整定模型，所述总体仪表偏差之和为所述全流程模型中各个测量仪表的模型计算结果与对应的现场测量仪表数据的偏差之和；

6、获取实时工况参数输入所述全流程数据整定模型，得到实时工况参数下每个可调变量的校正数值。

7、进一步地，所述搭建乙烯装置轻烃裂解炉出口的产品收率数据模型，包括：

8、采用乙烯装置轻烃裂解炉不同工况下的历史工况参数和各组分的历史出口组成，分别通过第一算法搭建第一算法模型，通过第二算法搭建第二算法模型，对所述第一算法模型与所述第二算法模型的输出进行加权计算得到产品收率数据模型；

9、计算多个工况下所述产品收率数据模型的各组分的预测出口组成与实际出口组成的组分差值，基于所述实际组分差值对所述产品收率数据模型的多个工况进行校正得到校正后的产品收率数据模型。

10、更进一步地，所述计算多个工况下所述产品收率数据模型的各组分的预测出口组成与实际出口组成的组分差值，基于所述实际组分差值对所述产品收率数据模型的多个工况进行校正得到校正后的产品收率数据模型，包括：

11、依次选择一个工况作为当前工况，对于当前工况，执行如下校正：

12、分别计算所述当前工况下所述产品收率数据模型的各组分的预测出口组成与实测出口组成的实际组分差值；

13、对于每个组分，如果所述实际组分差值不满足工艺要求，则搭建一个或多个所述组分的偏差支配模型，所述偏差支配模型根据当前工况的工况参数，输出预测组分差值，将所有的所述偏差支配模型输出的所述预测组分差值与所述产品收率数据模型所述组分的预测出口组成相加，得到校正后的产品收率数据模型中所述组分的校正出口组成，其中，所述搭建一个或多个所述组分的偏差支配模型，包括：

14、将所述产品收率数据模型所述组分的预测出口组成作为当前校正出口组成，将所述实际组分差值作为当前校正组分差值，执行偏差支配建模循环校正，在每次偏差支配建模循环校正过程中，以所述当前校正组分差值为精度支配指标，以工况参数为输入，采用第一算法训练根据工况参数预测组分差值的第一偏差支配模型，采用第二算法训练根据工况参数预测组分差值第二偏差支配模型，搭建第一偏差支配模型和第二偏差支配模型的偏差支配模型，将所述当前工况的工况参数输入所述偏差支配模型，得到预测组分差值，将所述预测组分差值与所述当前校正出口组成相加后更新为当前校正出口组成，将所述当前校正出口组成与实测出口组成计算差值绝对值，作为当前校正组分差值，如果所述当前校正组分差值满足工艺要求，则结束循环，否则执行下一偏差支配建模循环校正过程。

15、进一步地，所述以所述全流程模型中总体仪表偏差之和最小为目标对每一工况进行校正，包括：

16、设置粒子群，以一个粒子代表所述全流程模型中的一个可调变量，以粒子位置为所述可调变量在其可调范围内的数值，以粒子速度为所述可调变量在其可调范围内的调整变化幅度，对每一工况，通过粒子群算法寻找使得当前工况下，所述全流程模型中总体仪表偏差之和最小时每个可调变量的校正数值。

17、更进一步地，所述通过粒子群算法寻找使得当前工况下，所述全流程模型中总体仪表偏差之和最小时每个可调变量的校正数值，包括：

18、设第i个粒子的位置为xi＝(xi1,xi2,…,xin)t，其速度为vi＝(vi1,vi2,…,vin)t，其个体极值为pi＝(pi1,pi2,…,pin)t，种群全局极值为pg＝(pg1,pg2,…,pgn)t；

19、粒子的速度更新为：vid(t+1)＝wvid(t)+c1r1[pid(t)-xid(t)]+c2r2[pgd(t)-xid(t)]

20、粒子的位置更新为：xid(t+1)＝xid(t)+vid(t+1)；

21、式中，d为维度，d＝1,2,…n；i为粒子，i＝1,2,…s，s为可调变量的总数，c1为第一学习因子、c2为第二学习因子，r1为介于[0,1]之间的第一随机数，r2为介于[0,1]之间的第二随机数，t为当前迭代时刻，pid为个体最优粒子位置，pgd为全局最优粒子位置，xid为当前粒子位置，w为惯性权重，其中：

22、

23、上式中，wmin为惯性权重的最小值，wmax为惯性权重的最大值，c1,min为惯性权重的最小值，c2,max为惯性权重的最大值，e为当前计算偏差，estd为工艺允许最大偏差；

24、设置粒子群算法的适应度函数为：

25、

26、式中，fe为适应度函数，j为第j块测量仪表，k为所述全流程模型中添加的总仪表数，φj为第j块仪表的权重，有0和1两个数值，在仪表正常运行的情况下取值为1，否则取值为0，rj为第j块仪表在当前工况下的实际测量值；mj为第j块仪表在当前工况下的模型计算值，stdj为仪表测量相对偏差。

27、进一步地，还包括：

28、将每个可调变量作为遗传算法的个体，通过遗传算法从所述可调变量中选择经济效益最大化时的优化变量；

29、所述获取实时工况参数输入所述全流程数据整定模型，得到实时工况参数下每个可调变量的校正数值，包括：获取实时工况参数输入所述全流程数据整定模型，得到实时工况参数下每个所述最优变量的校正数值。

30、更进一步地，所述将每个可调变量作为遗传算法的个体，通过遗传算法从所述可调变量中选择经济效益最大化时的优化变量，包括：

31、设置遗传算法的交叉率为：

32、

33、设置遗传算法的变异率为：

34、

35、式中，pc为个体的交叉概率，pm为个体的变异概率，pcx为交叉率的最大值，pcn为交叉率的最小值，pmx为变异率的最大值，pmn为变异率的最小值，f'为种群需要交叉个体的适应度，f为种群需要变异个体的适应度，favg为种群平均适应度，f'x为交叉个体的最大适应度，fx为变异个体的最大适应度值，o为优化变量个数，c为约束变量个数；

36、将每个可调变量作为个体，通过遗传算法从所述可调变量中选择经济效益最大化时的优化变量。

37、本发明提供一种电子设备，包括：

38、至少一个处理器；以及，

39、与至少一个所述处理器通信连接的存储器；其中，

40、所述存储器存储有可被至少一个所述处理器执行的指令，所述指令被至少一个所述处理器执行，以使至少一个所述处理器能够执行如前所述的乙烯装置混合建模校正优化方法。

41、本发明提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的乙烯装置混合建模校正优化方法的所有步骤。

42、本发明提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如前所述的乙烯装置混合建模校正优化方法。

43、本发明首先进行关键产品收率数据模型搭建。同时，以模型计算产品收率与实际收率之间的偏差作为模型精度支配指标，通过关键变量与支配指标之间的支配建模对产品收率数据模型进行循环校正以使得产品收率数据模型精度满足工艺需求，然后，将裂解炉出口产品收率数据模型引入乙烯装置全流程模型搭建。在此基础之上，通过将不同工况下满足物料平衡关系的现场测量仪表数据引入全流程模型中，进行以总体仪表偏差之和最小为目标、单个仪表偏差适应性校正的计算，使得模型计算结果与实际数据基本一致。基于本发明的乙烯装置混合建模校正优化方法，对于模型可实时输出而装置无法直接测量的关键变量进行可视化精准感知与智能监控预警平台开发。使装置能够提前识别运行隐患/问题并及时解决，对于乙烯装置生产操作优化、运行状态监测、生产隐患排查、异常问题分析等具有重要指导意义。

技术特征：

1.一种乙烯装置混合建模校正优化方法，其特征在于，包括：

2.根据权利要求1所述的乙烯装置混合建模校正优化方法，其特征在于，所述搭建乙烯装置轻烃裂解炉出口的产品收率数据模型，包括：

3.根据权利要求2所述的乙烯装置混合建模校正优化方法，其特征在于，所述计算多个工况下所述产品收率数据模型的各组分的预测出口组成与实际出口组成的组分差值，基于所述实际组分差值对所述产品收率数据模型的多个工况进行校正得到校正后的产品收率数据模型，包括：

4.根据权利要求1所述的乙烯装置混合建模校正优化方法，其特征在于，所述以所述全流程模型中总体仪表偏差之和最小为目标对每一工况进行校正，包括：

5.根据权利要求4所述的乙烯装置混合建模校正优化方法，其特征在于，所述通过粒子群算法寻找使得当前工况下，所述全流程模型中总体仪表偏差之和最小时每个可调变量的校正数值，包括：

6.根据权利要求1所述的乙烯装置混合建模校正优化方法，其特征在于，还包括：

7.根据权利要求6所述的乙烯装置混合建模校正优化方法，其特征在于，所述将每个可调变量作为遗传算法的个体，通过遗传算法从所述可调变量中选择经济效益最大化时的优化变量，包括：

8.一种电子设备，其特征在于，包括：

9.一种存储介质，其特征在于，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如权利要求1至7任一项所述的乙烯装置混合建模校正优化方法的所有步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至7任一项所述的乙烯装置混合建模校正优化方法。

技术总结
本发明公开乙烯装置混合建模校正优化方法及设备。方法包括：搭建乙烯装置轻烃裂解炉出口的产品收率数据模型；搭建乙烯装置急冷、压缩与分离工序基础机理模型；将产品收率数据模型与急冷、压缩与分离工序基础机理模型结合，得到全流程模型，获取多个工况的现场测量仪表数据，以全流程模型中总体仪表偏差之和最小为目标对每一工况进行校正得到全流程数据整定模型；获取实时工况参数输入所述全流程数据整定模型，得到实时工况参数下每个可调变量的校正数值。本发明对于模型可实时输出而装置无法直接测量的关键变量进行可视化精准感知与智能监控预警平台开发。使装置能够提前识别运行隐患/问题并及时解决。

技术研发人员：马芳芳,李鹏飞,边潇潇,张宏科
受保护的技术使用者：万华化学集团股份有限公司
技术研发日：
技术公布日：2024/9/23