[发明专利]一种炼油过程全流程建模方法

摘要

本发明公开了一种炼油过程全流程建模方法，基于炼油过程各生产装置的机理和运行特性，在校正后的模型基础上，分析各装置的关键操作/工艺条件对产品收率的影响。根据影响趋势进行分段线性化，求解线性方程，获得相应的Delta‑Base收率数据，结合神经网络建模技术，将操作条件与Delta‑Base数据之间进行关联，建立收率代理模型，提高收率数据计算速度，实现炼油过程产品收率的实时预测，为建立精确的计划优化PIMS模型提供理论支撑。

主权项

1.一种炼油过程全流程建模方法，其特征在于，包括以下步骤：(1)利用.net软件平台开发数据通信接口，实现炼油企业现场实时数据库与机理模型之间的数据通信，获得炼油过程各生产装置的实时运行数据；(2)根据采集的实时运行数据，以反应器出口的模型预测值和实际值的平方差最小作为优化目标，采用改进后的差分进化算法进行求解，拟合模型动力学参数，实现机理模型的实时校正，其中所述实时运行数据包括进料性质、操作条件以及产品收率，且其中所述改进后的差分进化算法为带有三角变异的差分进化算法，并定义优化目标为：其中，决策变量X包括各个反应的指前因子和活化能，和分别表示各产品组分油的实际质量收率和模型预测质量收率；(3)基于校正后的机理模型，针对不同生产方案，分析在不同原料性质和操作条件下的关键产品收率，建立产品收率分析数据库，其中所述关键产品是指常减压各侧线产品，催化重整的汽油、芳烃和氢气，催化裂化的液化气、汽油和柴油，加氢裂化的石脑油、航煤和柴油；(4)利用产品收率分析数据库训练能够准确反映实际工况的神经网络代理模型，并将操作条件与Delta‑Base数据进行关联，实现炼油装置收率的实时预测，其中使用神经网络代理模型来替代机理模型进行预测计算；其中，神经网络模型采用反向传播神经网络，选取的输入变量包括：原料的密度、硫含量、氮含量和残炭值；输出变量包括：常减压各侧线产品收率，催化重整的汽油、芳烃和氢气收率，催化裂化的液化气、汽油和柴油收率，加氢裂化的石脑油、航煤和柴油收率；利用代理模型对装置收率进行实时预测，获得各生产装置产品收率的Delta‑Base值。