[发明专利]液化石油气裂解关键产品收率预测及原料优化方法

说明书

技术领域

本发明涉及一种液化石油气（LPG）裂解关键产品收率预测及原料优化方法。

技术背景

乙烯工业占据石油化工行业的核心地位，乙烯产量是衡量一个国家石油化工发展水平的标志，而乙烯裂解炉为整个系统的核心装置，因此改善和提高裂解炉的操作性能至关重要。随着我国乙烯工业的迅速发展，石油产品需求的增长，裂解原料短缺的局面日趋明显。为了适应国际市场油品价格变化及提高乙烯产品收率，我国乙烯厂已拓宽了裂解用原料，液化石油气(LPG)这种轻质原料得到越来越广泛的应用。因此对液化石油气（LPG）裂解关键产品的收率预测及原料优化显得尤为重要。

图1为典型的多层感知BP神经网络结构，是应用比较广泛的软测量方法，而由于这种方法在输入输出样本数量较大，用于训练的神经网络结构较为复杂的情况下，传统的BP神经网络误差修正算法，在训练过程中易陷入局部最优值而难以收敛到设定精度，因此，提出将BP神经网络与粒子群算法（Particle Swarm Optimization，以下简称PSO）算法相结合以获取网络的最优权值和阈值，进一步提高神经网络的预测准确度的方法有其理论优越性。在实际工业现场中，不同原料对于裂解产品收率的影响没有理论指导，在选择油品时相对比较粗糙，也无法做到裂解关键产品收率的实时预测。因此充分利用现场操作历史数据和系统的理论分析推导，结合神经网络建模和智能算法，开发液化石油气裂解关键产品收率预测及原料优化方法具有重要意义。

发明内容

为了解决上述问题，本发明提供了一种液化石油气裂解关键产品收率预测及原料优化方法。

本发明技术方案如下：

一种液化石油气裂解关键产品收率预测及原料优化方法，所述方法包括以下步骤：

步骤1：以液化石油气裂解原料组成成分及操作条件作为输入变量，针对每个关键产品收率为输出变量建模，构建裂解关键产品的神经网络模型：

f(xi)=f2(Σiw2f1(Σiw1xi+b1i)+b2i)]]>

其中b₁和w₁为网络隐含层系数；b₂和w₂为输出层系数；x_i为模型输入；f₁表示隐含层传递函数；f₂是输出层传递函数；

步骤2：针对关键产品利用裂解炉模拟软件构建裂解收率模型，产生仿真数据；

步骤3：选取步骤2中获得的仿真数据，利用粒子群算法对步骤1中的神经网络模型进行训练，得到模型的连接权值和偏置值；

步骤4：采集工业现场数据对模型进行误差验证；

步骤5：以实时工况数据作为模型输入，预测裂解关键产品收率；

步骤6：利用粒子群算法优化计算裂解原料组成，从而得到使裂解产品总收益最大的最优液化石油气原料组成成分分布。

较佳的，步骤2中，所述裂解收率模型结合现场数据进行模型校正后产生仿真数据。

较佳的，对于步骤2中所述模型隐含层节点数确定方法为：

L=(mn)^1/2+(7～15)

其中,m为输入神经元数；n为输出神经元数。