CN111475957B - 一种基于装置机理的炼油过程生产计划优化方法 - Google Patents
一种基于装置机理的炼油过程生产计划优化方法 Download PDFInfo
- Publication number
- CN111475957B CN111475957B CN202010286812.2A CN202010286812A CN111475957B CN 111475957 B CN111475957 B CN 111475957B CN 202010286812 A CN202010286812 A CN 202010286812A CN 111475957 B CN111475957 B CN 111475957B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- value
- reaction
- slope
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 127
- 230000007246 mechanism Effects 0.000 title claims abstract description 99
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 73
- 230000008569 process Effects 0.000 title claims abstract description 61
- 238000007670 refining Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims description 42
- 238000013439 planning Methods 0.000 claims abstract description 50
- 239000002994 raw material Substances 0.000 claims abstract description 33
- 238000006243 chemical reaction Methods 0.000 claims description 133
- 239000003921 oil Substances 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000004517 catalytic hydrocracking Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 19
- 230000003111 delayed effect Effects 0.000 claims description 18
- 230000003197 catalytic effect Effects 0.000 claims description 15
- 238000005984 hydrogenation reaction Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 12
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 12
- 229910052717 sulfur Inorganic materials 0.000 claims description 12
- 239000011593 sulfur Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004523 catalytic cracking Methods 0.000 claims description 11
- 238000001833 catalytic reforming Methods 0.000 claims description 11
- 238000004939 coking Methods 0.000 claims description 10
- 239000002283 diesel fuel Substances 0.000 claims description 10
- 239000003502 gasoline Substances 0.000 claims description 9
- 125000003118 aryl group Chemical group 0.000 claims description 8
- 239000000571 coke Substances 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 239000001257 hydrogen Substances 0.000 claims description 6
- 150000002431 hydrogen Chemical class 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 5
- 239000003350 kerosene Substances 0.000 claims description 5
- 239000000295 fuel oil Substances 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 3
- 239000001993 wax Substances 0.000 claims description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 12
- 150000001924 cycloalkanes Chemical class 0.000 description 12
- 238000005336 cracking Methods 0.000 description 11
- 238000006317 isomerization reaction Methods 0.000 description 9
- 239000010779 crude oil Substances 0.000 description 7
- 150000001336 alkenes Chemical class 0.000 description 6
- 238000005899 aromatization reaction Methods 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 6
- 238000007363 ring formation reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005194 fractionation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000006057 reforming reaction Methods 0.000 description 4
- 238000005804 alkylation reaction Methods 0.000 description 3
- 238000006482 condensation reaction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000006356 dehydrogenation reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 3
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000006276 transfer reaction Methods 0.000 description 3
- 239000003054 catalyst Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- -1 diesel Substances 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004227 thermal cracking Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Mining & Mineral Resources (AREA)
- Genetics & Genomics (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Marine Sciences & Fisheries (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种炼油过程生产计划优化方法,该方法基于炼油过程生产装置的工艺机理,结合装置的实时/统计数据,校正机理模型参数,获得能够准确描述实际工况的严格机理模型。在此基础上,利用经过校正的机理模型,建立各装置的原料性质和操作/工艺条件对产品收率的关系曲线。将此关系曲线按不同斜率区间进行分段线性化,获得原料性质、操作条件和产品收率之间的线性关系,并将线性关系中的斜率作为炼油过程线性规划计划模型的参数,提高炼油过程计划模型的精确性。
Description
技术领域
本发明属于炼油过程控制领域,具体涉及一种基于装置机理的炼油过程生产计划优化方法。
背景技术
石油化工是我国国民经济的支柱产业。其中,炼油工业将原油转化为汽油、煤油、柴油等其它能源难以取代的液体车用燃料,并为其它重要有机原料的生产提供化工原料,已成为我国国民经济命脉和安全保障的重要支柱产业。随着炼油企业生产过程日趋大型化、集中化和连续化,对炼油企业生产过程的优质、高产、低消耗、环境保护及技术经济等方面有了更高的要求,特别是当今全球原油资源紧缺的情况下,炼油企业如何实现过程生产的最优化,最大限度提高生产率,节能降耗是未来急需解决的问题。
炼油生产过程受市场影响非常大,炼油企业如何能以最低成本、最小的能源和原材料消耗与企业在竞争中立于不败之地至关重要。近年来,国内炼油企业在装置的机理建模、生产计划优化、调度优化等方面进行了全面的建设,取得了良好的效果。其中,生产计划是企业生产管理的核心任务和企业决策的重要部分,是炼油和化工生产活动中的第一步。利用计划优化软件建立计划优化模型已成为炼油企业进行生产经营优化决策不可缺少的工具。根据计划优化模型,炼油企业可开展从原油采购到成品油销售的优化,按全厂综合效益进行原油资源选择和优化配置,成品油流向优化和供需平衡,为炼油企业的生产计划制定和经营决策提供了强有力的支持。在企业层面上,利用企业级计划优化模型进行了生产计划优化排产、优化原油采购、优化生产方案和产品结构、优化资源配置、优化船期、库存和检修安排等多方面应用,提高了企业精细化管理水平,为原油劣质化降本增效起到了直接指导和推动作用,为指导企业充分发挥装置生产潜力、优化资源配置提供了很好的参考。
目前,国内炼油企业多数使用基于线性规划方法的计划优化软件制定和优化生产计划。计划模型的精确性严重依赖于模型中二次加工装置的产品收率分布。目前的模型中多采用固定收率或Delta-Base技术,在一定程度上满足了生产计划编排的基本要求。但由于实际装置过程非线性非常强,采用线性模型难以达到预期的计划模型精度,导致预期计划与实际生产过程存在偏差,增加炼油过程的生产成本。随着过程工业日益走向大型化、集约化,对生产计划的制定提出了更高的要求,迫切需要更为精准的生产计划优化技术。该技术要求生产装置原料、操作工况、生产方案发生变化的情况下,基于机理模型和实际运行数据,预测装置收率数据,实时构建生产计划模型,以最大限度地提高生产计划精度,同时优化生产计划,确保装置整体效益最大化。
发明内容
本发明提供了一种基于装置机理的炼油过程生产计划优化技术,能够大大提高计划模型精度,解决计划模型误差大、参数无法根据装置实际运行情况进行更新等问题。
具体而言,本发明提供一种炼油过程装置机理模型构建方法,包括以下步骤:
(1)基于炼油过程二次加工装置的工艺机理,采用集总动力学方法建立装置机理模型;
(2)根据装置的历史统计数据或采集的实时运行数据,以产品收率的模型预测值和实际工况值的平方差最小作为优化目标,利用改进后的差分进化算法进行求解,校正模型参数;通过程序设置偏差阈值,当模型预测值与实际工况值的偏差超过设置阈值时,触发模型校正功能,实现机理模型自动校正。
在一个或多个实施方案中,步骤(1)中,所述二次加工装置包括催化重整装置、催化裂化装置、加氢裂化装置、延迟焦化装置和渣油加氢装置。
在一个或多个实施方案中,步骤(2)中,所述改进后的差分进化算法是带有三角变异的差分进化算法,变量边界为初始动力学参数±30%,并定义优化目标为:
其中,f(X)表示最优化问题的目标函数,决策变量X包括各个反应的指向因子和活化能,和/>分别表示各产品组分的实际质量收率和模型预测质量收率。
在一个或多个实施方案中,所述带有三角变异的差分进化算法的变异策略为:
r′=(r1+r2+r3)/3+(p2-p1)(r1-r2)+(p3-p2)(r2-r3)+(p1-p3)(r3-r1)其中,
p1=|f(r1)|/p′
p2=|f(r2)|/p′
p3=|f(r3)|/p′
p′=|f(r1)|+|f(r2)|+|f(r3)|
其中,r′是新生成的子代个体,r1,r2,r3是种群中随机选取的三个不同的父代个体。
在一个或多个实施方案中,步骤(2)中,使用以下方法对采集的实时运行数据进行调和后,再用于校正模型参数:
(1)采用天平均值来校正模型;
(2)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;
(3)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
本发明还提供一种基于装置机理的炼油过程生产计划优化方法,包括以下步骤:
(1)基于炼油过程二次加工装置的工艺机理,采用集总动力学方法建立装置机理模型;
(2)根据装置的历史统计数据或采集的实时运行数据,以产品收率的模型预测值和实际工况值的平方差最小作为优化目标,利用改进后的差分进化算法进行求解,校正模型参数;通过程序设置偏差阈值,当模型预测值与实际工况值的偏差超过设置阈值时,触发模型校正功能,实现机理模型自动校正;
(3)基于校正后的机理模型,针对不同的操作条件,对各二次加工装置的原料性质和操作条件对关键产品收率的影响进行灵敏度分析,获得原料性质、操作条件和产品收率之间的操作特性曲线;
(4)根据操作特性曲线,按照不同斜率区间,采用分段线性化方法获得原料性质、操作条件和产品收率之间的线性关系;
(5)将线性关系的斜率值作为炼油过程生产计划模型的输入参数,提高炼油过程生产计划模型的精确性。
在一个或多个实施方案中,步骤(1)中,所述二次加工装置包括催化重整装置、催化裂化装置、加氢裂化装置、延迟焦化装置和渣油加氢装置。
在一个或多个实施方案中,步骤(2)中,所述改进后的差分进化算法是带有三角变异的差分进化算法,变量边界为初始动力学参数±30%,并定义优化目标为:
其中,f(X)表示最优化问题的目标函数,决策变量X包括各个反应的指向因子和活化能,和/>分别表示各产品组分的实际质量收率和模型预测质量收率。
在一个或多个实施方案中,所述带有三角变异的差分进化算法的变异策略为:
r′=(r1+r2+r3)/3+(p2-p1)(r1-r2)+(p3-p2)(r2-r3)+(p1-p3)(r3-r1)
其中,
p1=|f(r1)|/p′
p2=|f(r2)|/p′
p3=|f(r3)|/p′
p′=|f(r1)|+|f(r2)|+|f(r3)|
其中,r′是新生成的子代个体,r1,r2,r3是种群中随机选取的三个不同的父代个体。
在一个或多个实施方案中,步骤(2)中,使用以下方法对采集的实时运行数据进行调和后,再用于校正模型参数:
(1)采用天平均值来校正模型;
(2)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;
(3)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
在一个或多个实施方案中,步骤(3)中,所述原料性质是指催化重整原料的芳潜,催化裂化原料的密度、硫含量、氮含量和残炭,加氢裂化原料的密度、硫含量和氮含量,延迟焦化原料的密度和残炭,渣油加氢原料的密度、硫含量和残炭;所述操作条件是指原料的进料负荷、操作温度和操作压力;所述关键产品是指催化重整装置的氢气、非芳和芳烃,催化裂化的液化气、汽油、柴油、油浆和焦炭,加氢裂化的石脑油、航煤、柴油和尾油,延迟焦化的汽油、柴油、蜡油和焦炭,渣油加氢的石脑油、柴油和加氢重油。
在一个或多个实施方案中,步骤(4)中,采用的分段线性化方法的分段依据为步骤(3)中操作特性曲线斜率的变化值,当斜率变化值大于某一设定值时,产生新的分段区间。
在一个或多个实施方案中,步骤(4)中,采用如下的分段线性化方法:
(1)在操作特性曲线上找到原料性质及操作条件的对应操作点,以该操作点为中心,在±5%范围内求取该操作点附近特性曲线的斜率;
(2)在操作特性曲线上以10%为分段区间,求取每个分段的曲线斜率,判断分段曲线斜率与操作点附近曲线斜率的偏差,当偏差值不超过设定值时,维持线性关系的斜率值不变;当偏差值超过设定值时,采用新的斜率作为线性关系的斜率值。
在一个或多个实施方案中,步骤(5)中,所述计划模型的输入参数是指线性规划软件中装置子模型的Delta-Base结构中的Delta值。
在一个或多个实施方案中,所述步骤(5)还包括:将产品的收率数据作为计划模型Delta-Base参数中的Base值。
在一个或多个实施方案中,采集实际装置稳定运行时间段内时的原料性质及操作条件和产品收率的对应数据,使用以下方法对采集到的装置数据进行调和后,再将产品的收率数据作为计划模型Delta-Base参数中的Base值:
(1)采用天平均值来校正模型;
(2)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;
(3)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
附图说明
图1为本发明的模型参数校正简化流程图;
图2为实施例1中催化裂化装置的催化汽油的收率与反应温度之间的装置操作特性曲线关系图。
具体实施方式
本文中,装置机理模型(本文又称机理模型、装置模型)的含义为本领域所周知,指根据装置生产过程的反应机制和物质流传递机理,基于质量平衡方程、能量平衡方程、动量平衡方程、相平衡方程和化学反应动力学原理建立起来的精确数学模型,其能准确描述装置内物质、能量转化过程,定量描述操作工况对反应过程各个产品收率的影响。装置机理模型中的参数具有明确的物理意义,为本领域所周知。本文中,各方程中未具体说明的各个参数具有本领域所周知的物理意义。相对于传统经验、线性模型,机理模型在描述非线性强的化工过程具有更大的优势。
本发明在机理模型推理的基础上,结合计算机技术,如智能优化算法,将原料性质、操作工况和产品收率进行有机关联,使线性规划计划模型在优化过程中能根据原料性质和操作工况的变化更新产品收率,准确反映装置实际运行情况,提升计划模型精确度。应用本发明的方法跟踪运行工况的变化,能够在满足工艺、设备约束的前提下,以产品、公用工程价格为导向,按需对装置进行模拟计算,同时将参数计算结果与计划模型结合实现闭环校正,在满足生产计划的同时,优化原油选择、装置加工量、产品方案、资源配置,最终实现炼油过程综合效益的提升。
为了获得能够精确描述装置实际运行情况的机理模型,本发明提供一种炼油过程装置机理模型构建方法,包括:
(1)基于炼油过程二次加工装置的工艺机理,采用集总动力学方法建立装置机理模型;
(2)根据装置的历史统计数据或采集的实时运行数据,以产品收率的模型预测值和实际工况值的平方差最小作为优化目标,利用改进后的差分进化算法进行求解,校正模型参数;通过程序设置偏差阈值,当模型预测值与实际工况值的偏差超过设置阈值时,触发模型校正功能,实现机理模型自动校正。
步骤(1)中,炼油过程二次加工装置的工艺机理是本领域已知的。采用集总动力学方法建立装置机理模型的方法是本领域已知的,所谓集总(Lumping)就是将复杂反应体系中的各类分子按其动力学特性相似的原则进行归并、划分成若干个虚拟的组分——集总组分,然后建立集总组分的反应动力学模型。本文中,采用集总动力学方法建立的装置机理模型称为集总动力学模型。在一些实施方案中,某一装置的集总动力学模型由该装置所包括的各个反应的反应速率方程、以及物料衡算方程和热量衡算方程组成,例如,催化重整装置的集总动力学模型可以由烷烃环化反应的反应速率方程、环烷烃芳构化反应的反应速率方程、环烷烃异构化反应的反应速率方程、裂化反应的反应速率方程、物料衡算方程和热量衡算方程组成。反应速率方程、物料衡算方程和热量衡算方程是本领域已知的。
在一些实施方案中,本发明基于集总动力学反应机理(本文又称集总反应机理、集总动力学机理),建立反应动力学模型,结合装置实际运行情况,校正动力学参数,提高反应过程模型精度。集总反应机理和集总动力学是建立炼油过程机理模型的常用方法。在一些实施方案中,本发明基于集总动力学机理,结合装置历史运行数据,和/或根据实际反应装置的工艺流程,建立机理模型。机理模型优选能反映原料性质、装置工艺参数与产品收率和/或性质之间的关系。在一些实施方案中,本发明以集总反应机理为基础,选取合适的反应器模型进行过程描述,结合装置实际运行数据,获得反应单元模型。在某些实施方案中,机理模型包括反应***和分馏***。
本发明中,炼油过程二次加工装置(本文又称生产装置)包括选自催化重整装置、催化裂化装置、加氢裂化装置、延迟焦化装置和渣油加氢装置中的一种或多种。在某些实施方案中,步骤(1)包括:基于催化重整装置、催化裂化装置、加氢裂化装置、延迟焦化装置和渣油加氢装置的工艺机理,采用集总动力学方法,分别建立催化重整机理模型、催化裂化机理模型、加氢裂化机理模型、延迟焦化机理模型和渣油加氢机理模型。各装置所包含的多个反应组成相应装置的反应网络。通常,催化重整装置的反应网络中包括的反应有:1)烷烃环化反应;2)环烷烃芳构化反应;3)环烷烃异构化反应;4)裂化反应。催化裂化装置的反应网络中包括的反应有:1)烷烃和烯烃裂化反应;2)异构化反应;3)氢转移反应;3)烷基化反应;4)环化反应;5)脱氢反应;6)缩合反应。加氢裂化装置的反应网络中包括的反应有:1)加氢脱硫反应;2)加氢脱氮反应;3)烯烃饱和反应;4)芳烃饱和反应;5)加氢裂化反应;6)加氢异构化反应。延迟焦化装置的反应网络中包括的反应有:1)烷烃热转化反应;2)环烷烃热转化反应;3)芳烃热转化反应;4)含硫、含氮非烃类化合物热转化反应。渣油加氢装置的反应网络中包括的反应有:1)加氢脱硫反应;2)加氢脱氮反应;3)加氢脱金属反应;4)加氢脱残炭反应。
在一些实施方案中,步骤(1)包括以下步骤(a)-(e)中的一个或多个:
(a)基于催化重整33集总(33集总表示反应网络中包含的集总组分的数量为33)反应机理,建立准确的重整反应动力学模型;结合重整装置实际运行情况,校正动力学参数,提高重整反应过程模型精度;反应网络中包括的反应有:1)烷烃环化反应;2)环烷烃芳构化反应;3)环烷烃异构化反应;4)裂化反应;
优选地,步骤(a)中,使用集总动力学模型,将反应网络中包含的反应速率方程表示如下:
1)烷烃环化反应(可逆反应)
2)环烷烃芳构化反应(可逆反应)
3)环烷烃异构化反应(可逆反应)
4)裂化反应(不可逆反应)
对于反应器的建模,假设每一个反应器的环轴截面催化剂、温度、以及各组分浓度分布均匀,且无返混现象,按理想的活塞流处理,则得到物料衡算和热量衡算方程如下:
(b)基于14集总催化裂化动力学机理,结合装置历史运行数据,建立能反映原料性质、装置工艺参数与产品收率、性质之间关系的催化裂化过程机理模型;反应网络中包括的反应有:1)烷烃和烯烃裂化反应;2)异构化反应;3)氢转移反应;3)烷基化反应;4)环化反应;5)脱氢反应;6)缩合反应;
(c)基于24集总蜡油加氢裂化动力学反应机理,根据实际反应装置的工艺流程,建立蜡油加氢裂化机理模型,包括反应***和分馏***,结合装置实际运行数据,获得准确可靠的蜡油加氢裂化机理模型;反应网络中包括的反应有:1)加氢脱硫反应;2)加氢脱氮反应;3)烯烃饱和反应;4)芳烃饱和反应;5)加氢裂化反应;6)加氢异构化反应;
(d)以10集总热裂解反应机理为基础,选取合适的反应器模型进行过程描述,结合延迟焦化装置实际运行数据,获得精确的延迟焦化反应单元模型;反应网络中包括的反应有:1)烷烃热转化反应;2)环烷烃热转化反应;3)芳烃热转化反应;4)含硫、含氮非烃类化合物热转化反应;和
(e)基于7集总渣油加氢动力学反应机理,根据实际反应装置的工艺流程,建立渣油加氢裂化机理模型,包括反应***和分馏***,结合装置实际运行数据,获得准确可靠的渣油加氢机理模型;反应网络中包括的反应有:1)加氢脱硫反应;2)加氢脱氮反应;3)加氢脱金属反应;4)加氢脱残炭反应。
可以理解的是,上述步骤(a)中的方程(1)-(6)中的各个参数的含义为本领域所周知。
由于工业现场情况复杂,生产过程受到多种因素的影响,完全依据装置机理建立的炼油过程生产装置模型往往无法准确模拟实际装置,因此需要结合现场装置实际运行特性来对模型参数进行校正。本发明中,可以常用本领域常规的方法实现现场数据的采集和处理。
在实际生产过程中,大多数工厂都会使用实时数据库来记录装置的运行状况,并提供相应数据点的位号以便采集数据。在优选的实施方案中,本发明的数据采集包括:将现场实时数据作为本发明的建模基础数据的一部分,将实时数据库中存储的装置历史数据作为建模数据的另一部分;优选地,采集的现场数据包括选自各生产装置的原料性质、负荷、工艺操作条件和产品的收率信息中的一种或多种,优选全部。
受现场检测仪表可靠性的局限,直接从现场仪表(例如DCS)上获取到的数据往往存在物料不平衡、热量不平衡等问题,因此不能直接用于建立装置模型。DSC全称(Distributed Control System),即集散控制***,是石化行业应用广泛的控制***。为了确保模型样本数据的准确性,有必要对实时采集的数据建立调和标准。
在一些实施方案中,步骤(2)中,对采集的实时运行数据进行调和后,再用于校正模型参数。
在优选的实施方案中,本发明使用以下一种或多种方法进行数据处理(即数据调和):
(a)采用天平均值来校正模型;
(b)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;
(c)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
本发明通过步骤(2)实现机理模型的实时校正。模型实时校正可以归为参数估计问题,本发明首先将参数估计问题转化为最优化问题,即:
其中,f(X)表示最优化问题的目标函数,即组分油实际质量收率和模型预测质量收率的偏差的平方和;决策变量X包括各个反应(例如催化重整、催化裂化、加氢裂化、延迟焦化、渣油加氢等)的指向因子和活化能,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。针对这种类型的优化目标,本发明使用改进的差分算法对问题进行求解。
差分算法(differential evolution,DE)是一种基于种群的随机搜索算法,它具有结构简单、收敛速度快、鲁棒性高等特点。差分算法的变异机制,即生成子代的方法为:
r′=r1+F*(r2-r3) (2)
其中,r′是新生成的子代个体;r1,r2,r3是种群中随机选取的三个不同的父代个体,F为差分进化算子,一般为一个常数。
由于该目标决策变量数目众多,导致算法求解时计算量很大,因此需要对算法进行改进,加快其收敛速度。本发明选择了带有三角变异的改进差分算法,该方法被证明在提高算法收敛速度方面具有显著成效,其改进的变异策略可以表示为:
r′=(r1+r2+r3)/3+(p2-p1)(r1-r2)+(p3-p2)(r2-r3)+(p1-p3)(r3-r1) (3)
其中,
p′=|f(r1)|+|f(r2)|+|f(r3)| (5)
本发明的机理模型实时校正的简化流程图如图1所示。
当前炼厂所采用的计划排产模型(本文又称生产计划模型、计划模型)大多为线性收率模型,装置进料性质(即原料性质)或操作条件发生改变时,产品收率随之发生线性变化。这类模型中,产品收率如何随进料信息(原料性质和/或操作条件)发生改变是由计划模型中的Delta-Base数据库所决定的。但是所需的Delta-Base值往往是根据生产历史数据取平均值来获得的,且常常半年或一年之久才更新一次,无法满足现代炼油企业原料灵活多变的特点,也无法反映实时操作条件的改变对产品收率的影响,限制了收率模型应用的精确度。
因此,为了获得准确可靠的计划模型参数,本发明基于上述校正后的机理模型,进一步提供一种炼油过程生产计划优化方法,该方法包括本文任一实施方案所述的炼油过程装置机理模型构建方法和以下步骤:
(3)基于校正后的机理模型,针对不同的操作条件,对各二次加工装置的原料性质和操作条件对关键产品收率的影响进行灵敏度分析,获得原料性质、操作条件和产品收率之间的操作特性曲线;
(4)根据操作特性曲线,按照不同斜率区间,采用分段线性化方法获得原料性质、操作条件和产品收率之间的线性关系;
(5)将线性关系的斜率值作为炼油过程生产计划模型的输入参数,提高炼油过程生产计划模型的精确性。
步骤(3)中,原料性质包括选自催化重整原料的芳潜,催化裂化原料的密度、硫含量、氮含量和残炭,加氢裂化原料的密度、硫含量和氮含量,延迟焦化原料的密度和残炭,渣油加氢原料的密度、硫含量和残炭中的一种或多种,优选全部;操作条件包括选自原料的进料负荷、操作温度和操作压力中的一种或多种,优选全部;关键产品包括选自催化重整装置的氢气、非芳和芳烃,催化裂化的液化气、汽油、柴油、油浆和焦炭,加氢裂化的石脑油、航煤、柴油和尾油,延迟焦化的汽油、柴油、蜡油和焦炭,渣油加氢的石脑油、柴油和加氢重油中的一种或多种,优选全部。本领域技术人员可以理解的是,步骤(3)中的二次加工装置的原料性质、操作条件和关键产品收率与步骤(1)中的二次加工装置相对应。
在一些实施方案中,步骤(3)包括:基于校正后的装置机理模型,结合现场实时数据或历史数据,在原料性质及操作条件范围内,采用灵敏度分析,获得单一原料性质或操作条件对产品收率的操作特性曲线。本发明中,操作特性曲线(本文又称装置操作特性曲线、特性曲线)具有本领域周知的含义,是指反映产品收率随某一原料性质或操作条件的变化而发生改变的曲线。
步骤(4)中,采用的分段线性化方法的分段依据可以为步骤(3)中获得的操作特性曲线斜率的变化值,当斜率变化值大于某一设定值时,产生新的分段区间。
在某些实施方案中,本发明采用如下的分段线性化方法:
(a)在操作特性曲线上找到进料性质及操作条件的对应操作点,以该操作点为中心,在±5%范围内求取该操作点附近特性曲线的斜率;
(b)在操作特性曲线上以10%为分段区间,求取每个分段的曲线斜率,判断分段曲线斜率与操作点附近曲线斜率的偏差,当偏差值不超过设定值时,维持线性关系的斜率值不变;当偏差值超过设定值时,采用新的斜率作为线性关系的斜率值。
本发明中,计划模型具有本领域周知的含义;计划模型优选为基于线性规划方法的计划模型(又称线性规划计划模型),其使用线性规划软件制定和优化生产计划。本发明中,计划模型的输入参数优选为计划模型Delta-Base参数中的Delta值,即线性规划软件中装置子模型的Delta-Base结构中的Delta值。在某些实施方案中,步骤(5)中,将线性关系的斜率值作为计划模型Delta-Base参数中的Delta值
在某些实施方案中,步骤(5)还包括:将产品的收率数据作为计划模型Delta-Base参数中的Base值;优选地,采集实际装置稳定运行时间段内时的进料性质及操作条件和产品收率的对应数据,使用以下方法对采集到的装置数据(包括进料性质数据、操作条件数据和产品收率数据)进行调和后,再将产品的收率数据作为计划模型Delta-Base参数中的Base值:
(a)采用天平均值来校正模型;
(b)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;
(c)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
在某些实施方案中,步骤(4)和(5)合并为步骤(4’)进行,即:
(4’)获得操作特性曲线后,依据特性曲线不同的斜率区间,采用分段线性化方法,对特性曲线进行分段线性化,获得不同斜率区间的曲线斜率,作为计划模型的输入参数,提高计划模型的准确性。
在优选的实施方案中,步骤(4’)包括:
(a)采集实际装置稳定运行时间段内时的进料性质及操作条件和产品收率的对应数据,优选地,采用本文所述的数据调和方法对采集到的装置数据进行调和,得到准确可靠的装置运行数据;其中,产品的收率数据作为计划模型Delta-Base参数中的Base值;
(b)依据步骤(3)获得的操作特性曲线,在曲线上找到进料性质及操作条件的对应操作点,以该操作点为中心,在±5%范围内求取特性曲线的斜率,此斜率作为计划模型Delta-Base参数中的Delta值;
(c)在操作特性曲线上以10%为分段区间,求取每个分段的曲线斜率,判断分段曲线斜率与操作点附近曲线斜率的偏差,当偏差值不超过设定值时,维持原Delta-Base参数不变;当偏差值超过设定值时,采用新的斜率作为Delta值,对应的装置收率作为Base值。
本发明的有益效果如下:本发明基于装置的工艺机理,结合实际工况数据,采用改进后的差分进化算法,对机理模型参数进行校正,获得能够精确描述装置实际运行情况的机理模型,通过对原料性质及工艺操作条件对产品收率进行灵敏度分析,获得操作特性曲线,并结合分段线性化方法,获得计划模型的输入参数,提高炼油过程计划排产的准确性。
下面通过实施例对本发明进行具体描述。有必要指出的是,以下实施例只用于对本发明作进一步说明,不能理解为对本发明保护范围的限制,本领域技术人员根据本发明的内容作出的一些非本质的改进和调整,仍属于本发明的保护范围。
实施例1
下面结合图表具体介绍本发明的实现方法:
1、炼油过程工艺机理建模
(1)基于催化重整33集总(33集总表示反应网络中包含的集总组分的数量为33)反应机理,建立准确的重整反应动力学模型。反应网络中包括的反应有:1)烷烃环化反应;2)环烷烃芳构化反应;3)环烷烃异构化反应;4)裂化反应。结合重整装置实际运行情况,校正动力学参数,提高重整反应过程模型精度。对于这样的复杂反应体系反应动力学建模,需要使用集总动力学模型。所谓集总(Lumping)就是将复杂反应体系中的各类分子按其动力学特性相似的原则进行归并、划分成若干个虚拟的组分——集总组分,然后建立集总组分的反应动力学模型。下面,以催化重整装置为例,将反应网络中包含的反应速率方程表示如下:
1)烷烃环化反应(可逆反应)
2)环烷烃芳构化反应(可逆反应)
3)环烷烃异构化反应(可逆反应)
4)裂化反应(不可逆反应)
对于反应器的建模,假设每一个反应器的环轴截面催化剂、温度、以及各组分浓度分布均匀,且无返混现象,按理想的活塞流处理,则得到物料衡算和热量衡算方程如下:
(2)基于14集总催化裂化动力学机理,结合装置历史运行数据,建立能反映原料性质、装置工艺参数与产品收率、性质之间关系的催化裂化过程机理模型。反应网络中包括的反应有:1)烷烃和烯烃裂化反应;2)异构化反应;3)氢转移反应;3)烷基化反应;4)环化反应;5)脱氢反应;6)缩合反应。
(3)基于24集总蜡油加氢裂化动力学反应机理,根据实际反应装置的工艺流程,建立蜡油加氢裂化机理模型,包括反应***和分馏***,结合装置实际运行数据,获得准确可靠的蜡油加氢裂化机理模型。反应网络中包括的反应有:1)加氢脱硫反应;2)加氢脱氮反应;3)烯烃饱和反应;4)芳烃饱和反应;5)加氢裂化反应;6)加氢异构化反应。
(4)以10集总热裂解反应机理为基础,选取合适的反应器模型进行过程描述,结合延迟焦化装置实际运行数据,获得精确的延迟焦化反应单元模型。反应网络中包括的反应有:1)烷烃热转化反应;2)环烷烃热转化反应;3)芳烃热转化反应;4)含硫、含氮非烃类化合物热转化反应。
(5)基于7集总渣油加氢动力学反应机理,根据实际反应装置的工艺流程,建立渣油加氢裂化机理模型,包括反应***和分馏***,结合装置实际运行数据,获得准确可靠的渣油加氢机理模型。反应网络中包括的反应有:1)加氢脱硫反应;2)加氢脱氮反应;3)加氢脱金属反应;4)加氢脱残炭反应。
2、数据收集和数据处理
由于工业现场情况复杂,生产过程受到多种因素的影响,完全依据装置机理建立的炼油过程生产装置模型往往无法准确模拟实际装置,因此需要结合现场装置实际运行特性来对模型参数进行校正。首先是实现现场数据的采集和处理过程:
1)数据采集:在实际生产过程中,大多数工厂都会使用实时数据库来记录装置的运行状况,并提供相应数据点的位号以便采集数据。现场实时数据将作为本发明的建模基础数据的一部分,此外实时数据库中存储的装置历史数据将作为建模数据的另一部分。需要采集的现场数据主要包括各生产装置的原料性质、负荷、工艺操作条件以及产品的收率信息。
2)数据处理:受现场检测仪表可靠性的局限,直接从现场仪表(例如DCS)上获取到的数据往往存在物料不平衡、热量不平衡等问题,因此不能直接用于建立装置模型。为了确保模型样本数据的准确性,有必要对实时采集的数据建立调和标准,具体使用以下几种方法:(1)采用天平均值来校正模型;(2)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;(3)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
3、机理模型校正
这一步骤结合实际案例介绍机理模型的实时校正实现过程。
模型实时校正可以归为参数估计问题,本发明首先将参数估计问题转化为最优化问题,即:
其中,f(X)表示最优化问题的目标函数,即组分油实际质量收率和模型预测质量收率的偏差的平方和;决策变量X包括各个反应的指向因子和活化能;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。
针对这种类型的优化目标,本发明使用改进的差分算法对问题进行求解。
差分算法(differential evolution,DE)是一种基于种群的随机搜索算法,它具有结构简单、收敛速度快、鲁棒性高等特点。算法的变异机制,即生成子代的方法为:
r′=r1+F*(r2-r3) (2)
其中,r′是新生成的子代个体,r1,r2,r3是种群中随机选取的三个不同的父代个体,F为差分进化算子,一般为一个常数。
由于该目标决策变量数目众多,导致算法求解时计算量很大,因此需要对算法进行改进,加快其收敛速度。本发明选择了带有三角变异的改进差分算法,该方法被证明在提高算法收敛速度方面具有显著成效,其改进的变异策略可以表示为:
r′=(r1+r2+r3)/3+(p2-p1)(r1-r2)+(p3-p2)(r2-r3)+(p1-p3)(r3-r1) (3)
其中,
p′=|f(r1)|+|f(r2)|+|f(r3)| (5)
模型实时校正的简化流程图如图1所示。
以加氢裂化装置为例,经校正后,航煤、柴油和尾油收率的模型预测值和实际值之间的对比情况如表1所示。
表1:加氢裂化关键产品收率对比
4、获得装置操作特性曲线
当前炼厂所采用的计划排产模型大多为线性收率模型,装置进料性质或操作条件发生改变时,产品收率随之发生线性变化。收率如何随进料信息发生改变则是由计划模型中的Delta-Base数据库所决定的。但是所需的Delta-Base值往往是根据生产历史数据取平均值来获得的,且常常半年或一年之久才更新一次,无法满足现代炼油企业原料灵活多变的特点,也无法反映实时操作条件的改变对产品收率的影响,这就限制了收率模型应用的精确度。为了获得准确可靠的计划模型参数,本发明将基于装置机理模型,结合现场实时数据或历史数据,在原料性质及操作条件范围内,采用灵敏度分析,获得单一原料性质或操作条件对产品收率的操作特性曲线。以催化裂化装置为例,催化汽油的收率随反应温度的变化趋势如图2所示。
5、特性曲线分段线性化
获得装置操作特性曲线后,即可依据特性曲线不同的斜率区间,采用分段线性化方法,对特性曲线进行分段线性化,获得不同斜率区间的曲线斜率,作为计划模型的输入参数,提高计划模型的准确性。具体的分段线性化方法如下:
1)采集实际装置稳定运行时间段内时的进料性质及操作条件和产品收率的对应数据,利用前文提及的数据调和技术对采集到的装置数据进行调和,得到准确可靠的装置运行数据。其中,产品的收率数据作为计划模型Delta-Base参数中的Base值。
2)依据前文获得的装置操作特性曲线,在曲线上找到进料性质及操作条件的对应操作点,以该操作点为中心,在±5%范围内求取特性曲线的斜率,此斜率作为计划模型Delta-Base参数中的Delta值。
3)在操作特性曲线上以10%为分段区间,求取每个分段的曲线斜率,判断分段曲线斜率与操作点附近曲线斜率的偏差,当偏差值不超过设定值时,维持原Delta-Base参数不变;当偏差值超过设定值时,采用新的斜率作为Delta值,对应的装置收率作为Base值。
通过以上步骤的进行,本发明可以实现基于机理的炼油过程的炼油过程生产计划模型参数的校正和更新,获得准确的计划模型,为炼厂的计划优化提供理论基础。该方法以各生产装置的工艺机理模型为基础,利用实际工业数据对机理模型进行校正,并基于校正后模型获得装置进料性质及操作条件对产品收率的操作特性曲线关系,应用分段线性化方法,按照不同的斜率区间对操作特性曲线进行分段线性化,获得的斜率数据用来校正计划模型的输入参数,提高计划模型的精确性,为炼厂计划优化提供理论基础。
表2中显示了利用本发明的方法采用分段线性化获得的斜率数据校正后的计划模型得到的计划排产结果(本方法结果)与采用未经校正的计划模型获得的计划排产结果(未校正结果)之间的对比。可以看出,与采用未经校正的计划模型获得的计划排产结果相比,采用本发明的方法获得的计划排产结果更加准确。
表2:计划排产结果对比(单位:万吨)
/>
Claims (7)
1.一种基于装置机理的炼油过程生产计划优化方法,其特征在于,包括以下步骤:
(1)基于炼油过程二次加工装置的工艺机理,采用集总动力学方法建立装置机理模型;
(2)根据装置的历史统计数据或采集的实时运行数据,以产品收率的模型预测值和实际工况值的平方差最小作为优化目标,利用改进后的差分进化算法进行求解,校正模型参数;通过程序设置偏差阈值,当模型预测值与实际工况值的偏差超过设置的阈值时,触发模型校正功能,实现机理模型自动校正;
(3)基于校正后的机理模型,针对不同的操作条件,对各二次加工装置的原料性质和操作条件对关键产品收率的影响进行灵敏度分析,获得原料性质和操作条件与产品收率之间的操作特性曲线;
(4)根据操作特性曲线,按照不同斜率区间,采用分段线性化方法获得原料性质和操作条件与产品收率之间的线性关系;
(5)将线性关系的斜率值作为计划模型的输入参数,提高计划模型的精确性;
其中,步骤(4)中,采用的分段线性化方法的分段依据为步骤(3)中操作特性曲线斜率的变化值,当斜率变化值大于某一设定值时,产生新的分段区间;采用如下的分段线性化方法:
(1)在操作特性曲线上找到原料性质及操作条件的对应操作点,以该操作点为中心,在±5%范围内求取该操作点附近特性曲线的斜率;
(2)在操作特性曲线上以10%为分段区间,求取每个分段的曲线斜率,判断分段曲线斜率与操作点附近曲线斜率的偏差,当偏差值不超过设定值时,维持线性关系的斜率值不变;当偏差值超过设定值时,采用新的斜率作为线性关系的斜率值。
2.如权利要求1所述的生产计划优化方法,其特征在于,步骤(1)中,所述二次加工装置包括催化重整装置、催化裂化装置、加氢裂化装置、延迟焦化装置和渣油加氢装置。
3.如权利要求1所述的生产计划优化方法,其特征在于,
步骤(2)中,所述改进后的差分进化算法是带有三角变异的差分进化算法,变量边界为初始动力学参数±30%,并定义优化目标为:
其中,f(X)表示最优化问题的目标函数,决策变量X包括各个反应的指向因子和活化能,和/>分别表示各产品组分的实际质量收率和模型预测质量收率;
所述带有三角变异的差分进化算法的变异策略为:
r′=(r1+r2+r3)/3+(p2-p1)(r1-r2)+(p3-p2)(r2-r3)+(p1-p3)(r3-r1)
其中,
p1=|f(r1)|/p′
p2=|f(r2)|/p′
p3=|f(r3)|/p′
p′=|f(r1)|+|f(r2)|+|f(r3)|
其中,r′是新生成的子代个体,r1、r2、r3是种群中随机选取的三个不同的父代个体;和/或
步骤(2)中,使用以下方法对采集的实时运行数据进行调和后,再用于校正模型参数:
(1)采用天平均值来校正模型;
(2)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;
(3)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
4.如权利要求1所述的生产计划优化方法,其特征在于,步骤(3)中,所述原料性质是指催化重整原料的芳潜,催化裂化原料的密度、硫含量、氮含量和残炭,加氢裂化原料的密度、硫含量和氮含量,延迟焦化原料的密度和残炭,渣油加氢原料的密度、硫含量和残炭;所述操作条件是指原料的进料负荷、操作温度和操作压力;所述关键产品是指催化重整装置的氢气、非芳和芳烃,催化裂化的液化气、汽油、柴油、油浆和焦炭,加氢裂化的石脑油、航煤、柴油和尾油,延迟焦化的汽油、柴油、蜡油和焦炭,渣油加氢的石脑油、柴油和加氢重油。
5.如权利要求1所述的生产计划优化方法,其特征在于,步骤(5)中,所述计划模型的输入参数是指线性规划软件中装置子模型的Delta-Base结构中的Delta值。
6.如权利要求5所述的生产计划优化方法,其特征在于,所述步骤(5)还包括:将产品的收率数据作为计划模型Delta-Base参数中的Base值。
7.如权利要求6所述的生产计划优化方法,其特征在于,采集实际装置稳定运行时间段内时的原料性质及操作条件与产品收率的对应数据,使用以下方法对采集到的数据进行调和后,再将产品的收率数据作为计划模型Delta-Base参数中的Base值:
(1)采用天平均值来校正模型;
(2)根据统计数据和生产经验确定数据的值域,依此判断数据的准确性,将错误数据从本地数据库中删除;
(3)对于在特定期间内无法采集的数据,建立冗余的计算公式,通过采集其他数据来推导出这个点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286812.2A CN111475957B (zh) | 2020-04-13 | 2020-04-13 | 一种基于装置机理的炼油过程生产计划优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010286812.2A CN111475957B (zh) | 2020-04-13 | 2020-04-13 | 一种基于装置机理的炼油过程生产计划优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475957A CN111475957A (zh) | 2020-07-31 |
CN111475957B true CN111475957B (zh) | 2024-02-02 |
Family
ID=71751542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010286812.2A Active CN111475957B (zh) | 2020-04-13 | 2020-04-13 | 一种基于装置机理的炼油过程生产计划优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475957B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270074B (zh) * | 2020-10-14 | 2023-12-26 | 苏州数设科技有限公司 | 产品样机模型构建方法及装置 |
CN113724800A (zh) * | 2021-09-16 | 2021-11-30 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
WO2023119544A1 (ja) * | 2021-12-23 | 2023-06-29 | 千代田化工建設株式会社 | プログラム、情報処理装置、及び方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484714A (zh) * | 2014-11-26 | 2015-04-01 | 华东理工大学 | 一种催化重整装置收率的实时预测方法 |
CN104765346A (zh) * | 2015-03-26 | 2015-07-08 | 华东理工大学 | 一种炼油过程全流程建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030097243A1 (en) * | 2001-10-23 | 2003-05-22 | Mays Thomas Gilmore | Method and system for operating a hydrocarbon production facility |
-
2020
- 2020-04-13 CN CN202010286812.2A patent/CN111475957B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484714A (zh) * | 2014-11-26 | 2015-04-01 | 华东理工大学 | 一种催化重整装置收率的实时预测方法 |
CN104765346A (zh) * | 2015-03-26 | 2015-07-08 | 华东理工大学 | 一种炼油过程全流程建模方法 |
Non-Patent Citations (1)
Title |
---|
赵建炜 ; 郭宏新 ; .PIMS软件在炼油厂总加工流程优化中的应用.炼油技术与工程.2009,(04),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111475957A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111475957B (zh) | 一种基于装置机理的炼油过程生产计划优化方法 | |
CN104804761B (zh) | 一种加氢裂化装置的收率实时预测方法 | |
Chen et al. | Molecular-level kinetic modelling of fluid catalytic cracking slurry oil hydrotreating | |
CN104484714B (zh) | 一种催化重整装置收率的实时预测方法 | |
CN104789256A (zh) | 一种催化裂化装置的收率实时预测方法 | |
US20220299952A1 (en) | Control system with optimization of neural network predictor | |
CN111598306B (zh) | 一种炼油厂生产计划优化方法及装置 | |
US11993751B2 (en) | Predictive control systems and methods with fluid catalytic cracking volume gain optimization | |
CN113764046B (zh) | 一种提高催化柴油加氢转化高附加值产品收率的方法 | |
Zhang et al. | A novel modelling and decomposition strategy for overall refinery optimisation | |
Basak et al. | Industrial hydrocracker model based on novel continuum lumping approach for optimization in petroleum refinery | |
CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
Liu | Molecular characterisation and modelling for refining processes | |
CN101727609A (zh) | 基于支持向量机的热裂解产物收率的预测方法 | |
Charry-Sanchez et al. | Environmental and economics trade-offs for the optimal design of a bitumen upgrading plant | |
Chen et al. | A molecular kinetic model incorporating catalyst acidity for hydrocarbon catalytic cracking | |
Sadighi et al. | Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network | |
Chen et al. | A molecular kinetic model for heavy gas oil catalytic pyrolysis to light olefins | |
Gong | Molecular Characterisation and Modelling of Hydroprocesses | |
JP7380022B2 (ja) | システム、方法、および、プログラム | |
US12049592B2 (en) | Predictive control systems and methods with hydrocracker conversion optimization | |
Li et al. | An integrated data-driven modeling and gas emission constraints for large-scale refinery production planning framework | |
Orazbayev et al. | Development of system of model columns K-1, K-2 and K-3 for fluid catalytic cracking unit based on varying information | |
Fan et al. | Effect of Feed Properties on Product Distribution from the Modeling of an Industrial Hydrocracking Process | |
Amhammed | Applications of lumping kinetics methodology to complex reactive mixtures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |