CN104392098A - 一种预测催化裂化汽油产率的方法 - Google Patents

Abstract

本发明涉及了一种预测催化裂化汽油产率的方法，所述方法包括以下步骤：(1)获得与催化裂化的原料性质、催化剂性质和操作有关的基础数据，以及汽油产率的实际值，对上述数据进行预处理，再进行归一化处理；(2)利用PSO优化BP神经网络进行模型训练，以步骤(1)所得归一化处理后的基础数据为输入值，以实际值为期望输出，获得预测汽油产率的模型；(3)对现场采集的与催化裂化的原料性质、催化剂性质和操作有关的基础数据进行预处理作为预测数据，将预测数据代入步骤(2)获得的模型中，获得汽油产率预测值。本发明提供的方法计算速度快，准确性好，可以广泛应用于工业生产。

Description

一种预测催化裂化汽油产率的方法

技术领域

本发明涉及石油化工领域，具体涉及一种预测催化裂化汽油产率的方法。

背景技术

催化裂化作为石油的二次加工单元，承担着掺炼渣油、重质油轻质化的任务，其产物汽油是车用汽油的主要来源。但随着原油的重质化、劣质化，同时对轻质油品尤其是汽油需求的增加，催化裂化加工能力也在不断增长。因此预测汽油产率对炼厂进一步调整产品结构提升效率具有一定的指导意义。催化裂化反应机理相当复杂，其反应过程和产品分布受到原料性质、操作条件等影响，难以建立精确的数学表达式来描述其动态的生产过程。

目前计算催化裂化过程产品收率的关联式一般根据实际操作数据和中型实验数据得出，适用于工艺方案估算或技术经济评价，难以用于具体指导工程设计或现场优化操作。神经网络作为一种非线性统计性数据建模工具，具有独特的分布并行处理、自适应能力和非线性预测能力。陈鸿伟(陈鸿伟,刘焕志,李晓伟,等双循环流化床颗粒循环流率试验与PSO优化BP神经网络预测[J].中国电机工程学报,2010,32:25-29.)等利用PSO优化BP神经网络预测双循环流化床颗粒循环流率。周小伟(周小伟,袁俊,杨伯伦.应用PSO优化BP神经网络的二次反应清洁汽油辛烷值预测[J].西安交通大学学报,2010,12:82-86.)、袁俊(袁俊,周小伟,杨伯伦.基于LM/SVM方法的二次反应清洁汽油辛烷值预测[J].高校化学工程学报,2010,02:258-262.)等分别利用PSO优化BP神经网络和LM/SVM方法对二次反应清洁汽油辛烷值进行预测。张忠洋(张忠洋,李泽钦,李宇龙.GA辅助BP神经网络预测催化裂化装置汽油产率[J].石油炼制与化工,2014,45(7):91-96.)等利用GA辅助BP神经网络预测某炼油厂催化裂化装置汽油产率，得到经GA优化后预测汽油产率均方误差为4.92，但该研究仅对采集的360组现场数据进行分析，且只考察温度、压力等7个变量作为影响汽油产率的因素。

虽然BP神经网络在诸多领域取得很好的效果。由于其具有局部极小化，收敛速度慢，网络结构选择不一，应用实例与网络规模之间的矛盾，预测能力和训练能力之间的矛盾，样本依赖性等问题。

发明内容

本发明的目的在于，利用粒子群(Particle Swarm Optimization,PSO)优化反相传播(Back Propagation,BP)神经网络分析催化裂化装置得到的影响汽油产率数据，从而快速预测催化裂化装置的汽油产率，为进一步合理优化原料性质、催化剂性质以及操作条件等，最大限度生产液体燃料等提供一定的指导意见。

本发明提供了一种预测催化裂化汽油产率的方法，所述方法包括以下步骤：

(1)获得与催化裂化的原料性质、催化剂性质和操作有关的基础数据，以及汽油产率的实际值，对上述数据进行预处理，再进行归一化处理；

(2)利用PSO优化BP神经网络进行模型训练，以步骤(1)所得归一化处理后的基础数据为输入值，以实际值为期望输出，获得预测汽油产率的模型；

(3)对现场采集的与催化裂化的原料性质、催化剂性质和操作有关的基础数据进行预处理作为预测数据，将预测数据代入步骤(2)获得的汽油产率模型中，获得汽油产率预测值。

本发明步骤(1)所述与原料性质、催化剂性质和操作有关的基础数据以及汽油产率的实际值均从生产现场通过常规实验采集获得。

其中，步骤(1)所述与原料性质有关的基础数据包括以下参数：原料油饱和烃含量、原料油芳烃含量、原料油沥青质+胶质含量、原料油10％馏出温度、原料油50％馏出温度、原料油90％馏出温度和原料油钠含量。

步骤(1)所述与催化剂性质有关的基础数据包括以下参数：催化剂活性、再生剂微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含量、再生剂镍和钒含量。

步骤(1)所述与操作有关的基础数据包括以下参数：催化剂温度、原料温度、反应温度、反应压力、原料油量、预提升蒸汽流量、原料油雾化蒸汽流量、预提升干气流量、回炼比、剂油比、二反料位和粗汽油至提升管反应器流控。

本发明步骤(1)或(3)所述预处理具体为：取各个参数的共同时间段内的数据，对各个参数进行异常值的剔除，所述异常值包括零、负值、空数据以及与平均值之差大于3倍标准差的数据。

本发明步骤(1)所述归一化处理为：将样本序列定为{X(n)}，按照最大最小法对数据进行归一化处理，所述最大最小法公式为X_k＝(X_i-X_min)/(X_max-X_min)，其中，X_k为归一化值，X_i为步骤(1)获得的基础数据值，X_max和X_min分别是{X(n)}的最大值和最小值。

本发明涉及的BP神经网络的结构如图1所示。

本发明步骤(2)所述BP神经网络，包括输入层、输出层和隐含层各一层；其中，步骤(1)所得归一化处理后的基础数据作为输入层，汽油产率作为输出层；隐含层节点数选择参考公式：式中，m为输入节点数，优选为25，n为输出节点数，优选为1，分别比较不同节点下训练和验证模型获得的均方误差，找出最佳隐层节点数；输入层与隐含层之间用正切S型函数tansig作为传递函数，用选择性作用函数Lin作为输出层和隐含层之间的传递函数。

所述PSO优化BP神经网络训练具体为：(a)设置初始化参数，所述初始化参数包括种群大小、加速系数、学习率、迭代次数，所述迭代次数根据经验值和计算速度以及适应度的计算结果确定；(b)设置终止条件为：如果迭代次数超过步骤(a)设置的值，算法结束；(c)每个粒子在网络中正向传播，计算各粒子其在输出层的输出，比较得到误差；(d)在每一次迭代过程中，每个粒子通过个体极值和全局极值更新自身的速度和位置，找到其最优位置P_best的适应值；(e)将每个粒子的最优位置P_best的适应值与群体历史最优位置G_best的适应值进行比较，如果P_best的适应值优于G_best的适应值，则将该值作为群体最优位置G_best，否则G_best保持不变；(f)用群体最优位置G_best不断更新网络的权值和阈值；(g)若满足终止条件，则停止算法；若不满足终止条件，则转向步骤(d)；当迭代结果的误差小于允许误差0.001～0.00001，***结束迭代计算，模型构建完成。

优选所述初始化参数具体包括：初始种群n＝50，规模为m＝300，迭代次数K＝500，个体和速度最大最小值pop_max＝1；pop_min＝-1，V_max＝1；V_min＝-1，速度更新参数c2＝1.494；c1＝1.494，分配BP网络的权值和阈值。

本发明涉及的PSO优化BP神经网络的算法流程如图2所示。

本发明通过PSO优化BP神经网络对炼厂催化裂化装置的汽油产率进行分析，建立了汽油产率模型，可以在线预测催化裂化装置汽油产率。本发明提供的方法计算速度快，准确性好，可以广泛应用于工业生产。

附图说明

图1为BP神经网的络结构图；

图2为PSO优化BP神经网络的算法流程示意图；

图3为PSO优化BP算法最优个体适应度结果图；

图4为PSO优化BP神经网络预测催化裂化汽油产率与真实值对比图；

图5为PSO优化BP神经网络预测催化裂化汽油产率预测绝对误差曲线图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

以某A炼厂的120万吨/年MIP催化裂化装置为研究对象，收集约13万组现场数据，利用PSO优化BP神经网络对采集的13万组数据进行预处理、归一化、模型训练，从而在线实现汽油产率预测，具体实施步骤如下：

(1)从生产现场通过常规实验采集与原料性质、催化剂性质和操作有关的基础数据以及汽油产率实际值；其中，与原料性质有关的基础数据包括以下参数：原料油饱和烃含量、原料油芳烃含量、原料油沥青质+胶质含量、原料油10％馏出温度、原料油50％馏出温度、原料油90％馏出温度和原料油钠含量；与催化剂性质有关的基础包括以下参数：催化剂活性、再生剂微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含量、再生剂镍和钒含量；与操作有关的基础包括以下参数：催化剂温度、原料温度、反应温度、反应压力、原料油量、预提升蒸汽流量、原料油雾化蒸汽流量、预提升干气流量、回炼比、剂油比、二反料位和粗汽油至提升管反应器流控；

对数据进行预处理，所述预处理步骤为：取各个参数的共同时间段内的数据，对各个参数进行异常值的剔除，所述异常值包括零、负值、空数据以及与平均值之差大于3倍标准差的数据，得到6000组数据；

再进行归一化处理，所述归一化处理方法为：将样本序列定为{X(n)}，按照最大最小法对数据进行归一化处理，所述最大最小法公式为X_k＝(X_i-X_min)/(X_max-X_min)，其中，X_k为归一化值，X_i为步骤(1)获得的数据值，X_max和X_min分别是{X(n)}的最大值和最小值；

(2)利用PSO优化BP神经网络对步骤(1)所得归一化处理后的数据进行模型训练，获得汽油产率模型；

所述PSO优化BP神经网络，包括输入层、输出层和隐含层各一层；其中，步骤(1)所得归一化处理后的基础数据作为输入层，汽油产率作为输出层，汽油产率实际值作为期望输出；隐含层节点数选择参考公式：式中，m＝25，n＝1，分别比较不同节点下训练和验证模型获得的均方误差，找出最佳隐层节点数N＝10；输入层与隐含层之间用正切S型函数tansig作为传递函数，用选择性作用函数Lin作为输出层和隐含层之间的传递函数；

具体步骤为：(a)设置初始化参数，所述初始化参数包括：初始种群n＝50，规模为m＝300，迭代次数K＝500，个体和速度最大最小值pop_max＝1；pop_min＝-1，V_max＝1；V_min＝-1，速度更新参数c2＝1.494；c1＝1.494，分配BP网络的权值和阈值；(b)设置终止条件为：如果迭代次数超过步骤(a)设置的值，算法结束；(c)每个粒子在网络中正向传播，计算各粒子其在输出层的输出，比较得到误差；(d)在每一次迭代过程中，每个粒子通过个体极值和全局极值更新自身的速度和位置，找到其最优位置P_best的适应值；(e)将每个粒子的最优位置P_best的适应值与群体历史最优位置G_best的适应值进行比较，如果P_best的适应值优于G_best的适应值，则将该值作为群体最优位置G_best，否则G_best保持不变；所述最优个体适应度结果见图3；(f)用群体最优位置G_best不断更新网络的权值和阈值；(g)若满足终止条件，则停止算法；若不满足终止条件，则转向步骤(d)；

当迭代结果的误差小于允许误差0.001～0.00001，***结束迭代计算，模型构建完成。

(3)在步骤(1)所得1万组数据中随机选择1组基础数据作为预测样本，代入步骤(2)获得的汽油产率模型中，获得汽油产率预测值，所述基础数据和所得预测值见表1。

表1：影响汽油产率的参数的数值以及汽油产率数值

由表1可知，输出值即预测值为43.96％，现场测得汽油的实际产率为41.85％；与实际值相比，预测误差绝对值为5％。

在实施例1步骤(1)所得1万组数据中继续随机选择100组基础数据作为预测样本，代入实施例1步骤(2)获得的汽油产率模型中，获得100组汽油产率预测值；预测值与真实值的比较见图4，预测的绝对误差见图5。

由上述结果可知，本发明提供的方法的预测绝对误差小于10％，准确率较高，可应用于实际工业生产中。

虽然，上文中已经用一般性说明、具体实施方式及试验，对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种预测催化裂化汽油产率的方法，其特征在于，所述方法包括以下步骤：

(1)获得与催化裂化的原料性质、催化剂性质和操作有关的基础数据，以及汽油产率的实际值，对上述数据进行预处理，再进行归一化处理；

(2)利用PSO优化BP神经网络进行模型训练，以步骤(1)所得归一化处理后的基础数据为输入值，以实际值为期望输出，获得预测汽油产率的模型；

(3)对现场采集的与催化裂化的原料性质、催化剂性质和操作有关的基础数据进行预处理作为预测数据，将预测数据代入步骤(2)获得的汽油产率模型中，获得汽油产率预测值。

2.根据权利要求1所述的方法，其特征在于，步骤(1)所述与原料性质有关的基础数据包括以下参数：原料油饱和烃含量、原料油芳烃含量、原料油沥青质+胶质含量、原料油10％馏出温度、原料油50％馏出温度、原料油90％馏出温度和原料油钠含量。

3.根据权利要求1所述的方法，其特征在于，步骤(1)所述与催化剂性质有关的基础包括以下参数：催化剂活性、再生剂微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含量、再生剂镍和钒含量。

4.根据权利要求1所述的方法，其特征在于，步骤(1)所述与操作有关的基础包括以下参数：催化剂温度、原料温度、反应温度、反应压力、原料油量、预提升蒸汽流量、原料油雾化蒸汽流量、预提升干气流量、回炼比、剂油比、二反料位和粗汽油至提升管反应器流控。

5.根据权利要求1～4任意一项所述的方法，其特征在于，步骤(1)或(3)所述预处理具体为：取各个参数的共同时间段内的数据，对各个参数进行异常值的剔除，所述异常值包括零、负值、空数据以及与平均值之差大于3倍标准差的数据。

6.根据权利要求1～4任意一项所述的方法，其特征在于，步骤(1)所述归一化处理为：将样本序列定为{X(n)}，按照最大最小法对数据进行归一化处理，所述最大最小法公式为X_k＝(X_i-X_min)/(X_max-X_min)，其中，X_k为归一化值，X_i为现场采集的数据，X_max和X_min分别是{X(n)}的最大值和最小值。

7.根据权利要求1所述的方法，其特征在于，步骤(2)所述BP神经网络包括输入层、输出层和隐含层各一层；其中，步骤(1)所得归一化处理后的基础数据作为输入层，汽油产率作为输出层，汽油产率实际值作为期望输出；隐含层节点数选择参考公式：式中，m为输入节点数，n为输出节点数，分别比较不同节点下训练和验证模型获得的均方误差，找出最佳隐层节点数；输入层与隐含层之间用正切S型函数tansig作为传递函数，用选择性作用函数Lin作为输出层和隐含层之间的传递函数；

所述PSO优化BP神经网络训练具体为：(a)设置初始化参数，所述初始化参数包括种群大小、加速系数、学习率、迭代次数，所述迭代次数根据经验值和计算速度以及适应度的计算结果确定；(b)设置终止条件为：如果迭代次数超过步骤(a)设置的值，算法结束；(c)每个粒子在网络中正向传播，计算各粒子其在输出层的输出，比较得到误差；(d)在每一次迭代过程中，每个粒子通过个体极值和全局极值更新自身的速度和位置，找到其最优位置P_best的适应值；(e)将每个粒子的最优位置P_best的适应值与群体历史最优位置G_best的适应值进行比较，如果P_best的适应值优于G_best的适应值，则将该值作为群体最优位置G_best，否则G_best保持不变；(f)用群体最优位置G_best不断更新网络的权值和阈值；(g)若满足终止条件，则停止算法；若不满足终止条件，则转向步骤(d)；

当迭代结果的误差小于允许误差0.001～0.00001，***结束迭代计算，模型构建完成。

8.根据权利要求7所述的方法，其特征在于，所述初始化参数包括：初始种群n＝50，规模为m＝300，迭代次数K＝500，个体和速度最大最小值pop_max＝1；pop_min＝-1，V_max＝1；V_min＝-1，速度更新参数c2＝1.494；c1＝1.494，分配BP网络的权值和阈值。