WO2023128826A1 - Система прогнозирования содержания серы в гидроочищенном дизельном топливе - Google Patents

Система прогнозирования содержания серы в гидроочищенном дизельном топливе Download PDF

Info

Publication number
WO2023128826A1
WO2023128826A1 PCT/RU2022/050374 RU2022050374W WO2023128826A1 WO 2023128826 A1 WO2023128826 A1 WO 2023128826A1 RU 2022050374 W RU2022050374 W RU 2022050374W WO 2023128826 A1 WO2023128826 A1 WO 2023128826A1
Authority
WO
WIPO (PCT)
Prior art keywords
flow rate
hydrotreater
inlet
model
diesel fuel
Prior art date
Application number
PCT/RU2022/050374
Other languages
English (en)
French (fr)
Inventor
Олег Сергеевич ВЕДЕРНИКОВ
Александр Васильевич ПАНОВ
Дмитрий Юрьевич КЛИМИН
Алексей Евгеньевич ПУЗЫРЕВ
Виталий Михайлович ПАМПУРА
Дамир МУХАЕВ
Андрей Андреевич КУСАКОВ
Руслан Фаридович МЕРКУЛОВ
Original Assignee
Публичное акционерное общество "Газпром нефть"
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from RU2021139603A external-priority patent/RU2786373C1/ru
Application filed by Публичное акционерное общество "Газпром нефть" filed Critical Публичное акционерное общество "Газпром нефть"
Publication of WO2023128826A1 publication Critical patent/WO2023128826A1/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Definitions

  • the present invention generally relates to a system and method for controlling a process plant such as, for example, a middle distillate refinery, and more particularly to a system and method for predicting the sulfur content of hydrotreated diesel fuel.
  • the proposed invention relates to a computer-readable medium containing a software product that, when executed by a processor, provides the ability to predict the sulfur content of hydrotreated diesel fuel.
  • hydrotreating is a process of upgrading raw materials on the active surface of a catalyst in a hydrogen-containing gas (HCG) environment.
  • the kinetics of the hydrotreating process is significantly affected by a number of factors, including, for example, temperature, pressure, feed space velocity, HCG cycle times, cycle gas purity, hydrogen partial pressure, contact time of the feed with the catalyst in the reaction zone, activity catalyst. It is extremely difficult for the plant operator to control some of these parameters, but these parameters must be taken into account in order to effectively control the plant. In this case, the process is controlled primarily by changing the temperature in the reaction zone.
  • the proposed method, system and computer-readable medium provide the ability to accurately predict the sulfur content in hydrotreated diesel fuel between laboratory analyzes, which in turn allows you to optimize the diesel hydrotreatment process and reduce the frequency of laboratory analyzes.
  • Real-time product characterization without lab analysis avoids refining during diesel hydrotreating and reduces the risk of off-spec products.
  • a system for predicting the sulfur content of hydrotreated diesel fuel.
  • the proposed system includes a block for receiving parameter values, configured to receive the first set of parameter values of the hydrotreating process, while the parameter values of the hydrotreating process include data from laboratory analyzes of raw materials at the inlet of the diesel fuel hydrotreater (HD DF) and hydrotreated diesel fuel at the outlet of the said unit and data from the sensors of the installation of GO DT; a parameter value storage unit configured to store the received hydrotreating process parameter values as one or more time series; a filtering unit configured to filter the stored time series values using Shewhart's control charts; a model generation and training unit configured to: generate a training set based on the filtered values of the time series, determine the optimal size of the moving learning window based on the standard deviation of the sulfur content in hydrotreated diesel fuel and the maximum of the correlation coefficient, generate a model for predicting the sulfur content in hydrotreated diesel fuel , while the model is a polynomial regression model
  • the parameter receiving unit can be configured to receive new values of the parameters of the hydrotreating process
  • the model generation and training unit can be configured to automatically retrain the models based on the mentioned received new values of the parameters of the hydrotreating process.
  • the prediction block can be configured to transmit data on the predicted value of the temperature at the inlet to the reactor to the terminal of the operator and / or process engineer or to the control unit of the GO DF unit.
  • the adjacent members of the model generated by the formation and training unit can be in different combinations:
  • the model generated by the model generation and training unit may be of the following form: 4D Yu D a 4 D and 1 4 gg DD 4 Doi To D1
  • a system for predicting the sulfur content in hydrotreated diesel fuel including: a parameter value receiving unit configured to receive parameter values of the hydrotreating process, while the parameter values of the hydrotreating process include data from laboratory analyzes of raw materials on the inlet of the diesel fuel hydrotreater (GO DF) and the hydrotreated diesel fuel at the outlet of the mentioned installation and data from the sensors of the GO DF installation; a parameter value storage unit configured to store the received parameter values of the hydrotreating process; a prediction unit configured to predict the sulfur content of the hydrotreated diesel fuel GO DF at the outlet of the hydrotreater using a trained polynomial regression model with adjacent terms based on the mentioned values; at the same time, the regressors of the mentioned regression model are the mentioned parameters of the hydrotreatment process, including: the flow rate R1 of raw materials per thread, the point R2 of boiling point of 50% of the raw hydrotreating unit, feedstock consumption R5 for hydrotreatment unit, feedstock hydrogen
  • a method for predicting sulfur content in hydrotreated diesel fuel including: receiving and storing a first set of hydrotreating process parameter values in the form of one or more time series, wherein the hydrotreating process parameter values include data from laboratory analyzes of raw materials at the plant inlet hydrotreatment of diesel fuel (HD DF) and hydrotreated diesel fuel at the outlet of the mentioned installation and data from the sensors of the installation of GO DT; filtering stored time series values using Shewhart control charts; formation of a training set based on filtered time series; determining the optimal size of the moving learning window based on the standard deviation of the sulfur content in the GO of diesel fuel and the maximum of the correlation coefficient; formation of a model for predicting the sulfur content in the GO of diesel fuel, while the model is a polynomial regression model of an arbitrary order with adjacent terms, the regressors of which are the mentioned process parameters, including: consumption R1 of raw materials per string, point R2 of boiling 50% of raw materials at the in
  • the method may further include the step of obtaining new hydrotreating process parameter values and automatically retraining the model based on said new hydrotreating process parameter values.
  • the method may further include the step of transmitting the predicted reactor inlet temperature to an operator and/or process engineer's terminal or plant control unit.
  • the adjacent members of the model formed according to the method may be: the flow rate R1 of the raw material per thread and the boiling point R2 of 50% of the raw material at the inlet to the hydrotreater;
  • the model generated according to the proposed method may have the following form:
  • a method for predicting the sulfur content in hydrotreated diesel fuel including: receiving and storing the values of the parameters of the hydrotreating process in a memory device, while the values of the parameters of the hydrotreating process include data from laboratory analyzes of raw materials at the inlet of the diesel fuel hydrotreater (HD DF ) and hydrotreated diesel fuel at the outlet of the mentioned installation and data from sensors of the installation of GO DT; forecasting the sulfur content in hydrotreated diesel fuel at the outlet of the GO DF unit using a trained polynomial regression model with adjacent terms based on the mentioned set of values, while the regressors of the mentioned regression model are the mentioned parameters of the hydrotreating process, including: raw material consumption R1 per string, boiling point R2 50% Feedstock Inlet to Hydrotreater, Boil-Off Point R3 95% Feedstock Inlet to Hydrotreater, Density R4 Feedstock Inlet to Hydrotreater, Feedrate R5 Feed to Hydrotrea
  • a computer readable medium comprising a computer program product with program instructions that, when executed by a processor, perform the above methods.
  • Figure 1 is a schematic representation of a typical diesel hydrotreater in accordance with the prior art.
  • Figure 2 is a schematic diagram of a diesel hydrotreater with a hydrotreated diesel sulfur prediction system in accordance with the present invention
  • FIG. 3 shows a graph of the sulfur content in the DH HE built on the basis of real historical (retrospective) data, and a graph of the sulfur content in the DH HE built on the basis of the values calculated by the trained model.
  • FIG. 1 shows an example of a typical diesel fuel hydrotreater (HDF) unit 11 comprising, without limitation, two reactors 12 that can be used simultaneously.
  • HDF diesel fuel hydrotreater
  • This configuration of unit 11 provides for hydrotreatment in two independent parallel feed streams, which makes it possible to carry out repair work without a complete shutdown of production.
  • the installation 11 GO DF may contain a different number of reactors, for example, one or more than two.
  • the raw material from the buffer tanks 13 of the tank farm is fed by means of the pump 14 to the mixing tee 15, in which the raw material is mixed with circulating hydrogen-containing gas (CVG).
  • CVG hydrogen-containing gas
  • the raw materials can be, for example, light gas oil and straight-run diesel fractions.
  • the gas-feed mixture is heated in the GSS heating means 16, which may include furnaces and/or heat exchangers, and is fed to the inlet of the reactor 12.
  • the CVSG pressure in the hydrogen-containing gas circulation system is provided by the CVSG compressor 17, while in order to maintain the required hydrogen concentration, hydrogen can be supplied to the hydrogen-containing gas circulation system through the make-up WASH compressor 18, obtained, for example, at hydrogen production and / or catalytic reforming plants naphtha.
  • the hydrotreating reactor 12 is the main equipment of the hydrotreating process and is a vertical cylindrical vessel with a convex bottom of a spherical or close to elliptical shape, the height of which is greater than its diameter.
  • reactor 12 can be one-, two-, and multi-sectional: reactors with one or two catalyst beds are typical for distillate hydrodesulfurization plants, and for hydrocracking plants with four to five, cold recirculating HSG (quench) can be supplied to reactor 12, as an additional lever to control the temperature in the reactor 12.
  • Top and bottom layers catalyst may be limited to layers of porcelain beads and/or protective layers larger than the catalyst particles.
  • the catalyst layer becomes less permeable. This is especially true for the upper part. Therefore, the pressure drop in the reactor 12 at the end of the operating run is greater than at the beginning. This effect is explained by a number of factors, for example, the accumulation of corrosion products and coke in the layer, a decrease in the strength of catalyst particles, sintering, etc. With an increase in pressure drop, the costs of circulating hydrogen-containing gas increase.
  • Deactivation of the catalyst leads to a decrease in the activity of the catalyst and, as a consequence, to a decrease in the degree of desulfurization.
  • the consumption of make-up HSG or the pressure of the gas-feed mixture at the inlet to the reactor 12 is increased, or the partial pressure of hydrogen in the mixture is increased.
  • One of the main methods for leveling the deactivation of the catalyst is to increase the temperature of the feed stream at the inlet to the reactor 12. An increase in the temperature of the feed mixture at the inlet to the reactor due to the deactivation of the catalyst leads to an increase in the yield of by-products - gas and gasoline, and therefore reduces the efficiency of the unit 11 GO DF .
  • Catalyst sintering leads to a decrease in the surface of the support, as well as to "coalescence” or loss of fineness of the metal crystallites.
  • the loss of dispersity leads to a sharp decrease in activity. Poisoning by impurities proceeds under the influence of adsorption on the active centers of small amounts of a substance called poison and specific for this catalyst.
  • the feedstock is fed through a nozzle, which may be located in the upper part of the reactor 12, and is evenly distributed over the entire cross section of the reactor 12.
  • the reactor 12 can be provided with a radial input of feedstock.
  • mesh baskets immersed in the top layer of the catalyst can be used. Mesh baskets are not only a filtering device, but also serve to uniformly distribute raw materials with gases over the horizontal section of the reactor 12.
  • ACM aluminum-cobalt-molybdenum
  • AHM aluminum-nickel- molybdenum
  • ANKM mixed aluminum-nickel-cobalt-molybdenum
  • ANV aluminum-cobalt-tungsten catalysts
  • the choice of a particular catalyst depends on the physical and chemical characteristics required in the production, the shape and physical strength of the particles, selectivity, hydrogenation activity, desulfurization activity, operating pressure ranges, etc.
  • the main factors in the hydrotreatment process in the reactor 12 are, for example, temperature, pressure, feed space velocity, HCG cycle times, cycle gas purity, catalyst physicochemical characteristics.
  • the reaction temperature is one of the most important process parameters.
  • the depth and selectivity of hydrotreatment and hydrocracking reactions are very sensitive to it, since their rate constants increase exponentially with increasing temperature. Therefore, to achieve the required selectivity, the temperature must be selected in accordance with the chemistry of the process.
  • the temperature distribution in the reactor 12 is also affected by the loss of catalyst activity. During the cycle, it is compensated by a periodic increase in temperature, as a result of which the amplitude of the temperature profile gradually shifts upward. When the upper temperature limit reaches the maximum allowable for the reactor construction material, the cycle is terminated. At the end of the operating run, the average temperature in the reactor 12 may exceed the initial temperature, for example by 20-60°C. If the temperature along the axis of the reactor 12 is not correctly distributed, premature forced shutdown is possible - especially with a rapid loss of activity, as in the hydrotreatment of residues. In such cases, it is desirable to choose the lowest possible temperature rise in the layer in order to delay the moment of reaching the maximum allowable temperature. This means an increase in the number of layers and, accordingly, the dimensions of the reactor, which is necessary to accommodate additional equipment for intermediate cooling.
  • volumetric feed rate of raw materials Reducing the duration of contact as a result of increasing the space velocity of the feedstock (the ratio of the volume of liquid feedstock entering in 1 hour to the volume of the catalyst, counting by bulk density) reduces the depth of desulfurization. As a result, the consumption of hydrogen and the degree of coking of the catalyst are reduced.
  • the reaction products coming from the outlet of the reactor 12 are separated in the form of a gas-vapor mixture into hydrogen sulfide-enriched CVSG, hydrotreated gasoline and / or GO diesel fuel, as well as purification of hydrogen sulfide-enriched CVSG from reaction products with raw materials.
  • the corresponding devices known in the prior art refrigerators, heat exchangers, condensers, separators, stabilization columns, washing sections, etc. that are part of the purification unit 19 are not shown in the drawings and are not disclosed in this description. .
  • a system 20 for predicting sulfur content in hydrotreated diesel fuel using predictive models that are mathematical regression models is provided.
  • the regressors included in the model are the key parameters of the technological process and the quality indicators of raw materials and product flows.
  • the prediction system 20 includes a hydrotreating parameter value receiving unit 21, a parameter value storage unit 22, a filtering unit 23, a model generation and training unit 24, and a prediction unit 25.
  • the parameter value receiving unit 21 is configured to receive the values of the physical and/or chemical parameters of the hydrotreating process from sensors located on the unit 11.
  • the parameter receiving unit 21 together with the sensors can be, for example, an industrial data acquisition system (DSS), that is, a set of hardware or firmware that collects, selects, converts, stores, and initially processes various input analog and/or digital signals.
  • DSS industrial data acquisition system
  • the sensors can also be structurally and functionally separate devices containing one or more primary measuring transducers that generate a signal with information about the measurement in a form that is compatible with the block 21 receiving parameters.
  • the signal from each of the sensors can be transmitted to the parameter receiving unit 21 via, for example, a wired, fiber optic, wireless connection, or a combination thereof.
  • the sensors may include one or more of the following: a raw material flow sensor R1 per thread, which can be installed on the production line before the mixing tee 15, a raw material flow sensor R5 on installation 11, which can be installed on the production line between the buffer tank 13 and mixing tee 15; be installed at the inlet of the CVSG to the mixing tee 15, sensors R8 for the consumption of diesel fuel and R9 gasoline at the outlet of the unit 11, which can be installed at the outlets of the purification unit 19, sensor R10 for the flow of light gas oil (LG) at the unit 11, sensor R11 for the temperature at the inlet to the reactor 12, which can be installed in the feed line before entering the reactor 12, the pressure sensor R12 at the outlet of the heating means 16, which can be installed at the outlet of the HSS heating furnace.
  • a raw material flow sensor R1 per thread which can be installed on the production line before the mixing tee 15
  • a raw material flow sensor R5 on installation 11 which can be installed on the production line between the buffer tank 13 and mixing tee 15
  • the parameter receiving unit 21 can be configured to receive data from laboratory analyzes, for example, data on the sulfur content R13 in the final product, data on the boiling point R2 of 50% of the feedstock at the inlet of the installation 11 , data on the point R3 of the boiling point 95% of the raw material at the entrance to the installation 11, data on the density R4 of the raw material at the entrance to the installation 11.
  • the sequences of values received by the parameter receiving unit 21 are transferred to the parameter storage unit 22 for indexing these values by the time of measurement or by the time of acquisition and storage in the form of time series.
  • the parameter storage unit 22 can be configured to store the values of various parameters in the form of a plurality of one-dimensional time series, each of which reflects the development of only one process over time, or in the form of one or a plurality of multidimensional time series, each of which contains observations of the change more than one parameter.
  • the values of the time series are obtained by registering the corresponding parameter of the process under study at certain time intervals. In this case, depending on the nature of the data and the nature of the tasks being solved, either the current value or the sum of the values accumulated over a certain time interval can be recorded.
  • the parameter storage unit 22 can also be configured to aggregate data.
  • the parameter storage unit 22 may be configured to record, store, process data, and provide access to data.
  • the parameter storage unit 22 may be implemented using any kind of volatile or non-volatile storage devices or a combination thereof, such as Static Random Access Memory (SRAM), Electrically Erasable Programmable Read Only Memory (EEPROM), Erasable Programmable Read Only Memory (EPROM), Programmable Read Only Memory (PROM), Read Only Memory (ROM), Magnetic Memory, Flash Memory , magnetic or optical disk, disk array or other storage device, or any other medium capable of storing the required data and which can be accessed by a computing device.
  • SRAM Static Random Access Memory
  • EEPROM Electrically Erasable Programmable Read Only Memory
  • EPROM Erasable Programmable Read Only Memory
  • PROM Programmable Read Only Memory
  • ROM Read Only Memory
  • Magnetic Memory Flash Memory
  • magnetic or optical disk magnetic or optical disk array or other storage device, or any other medium capable of storing the required data and which can be accessed by a computing device.
  • the parameter storage unit 22 may
  • the filter unit 23 may be implemented with one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, microcontrollers. , microprocessors or other electronic components.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers microcontrollers.
  • microcontrollers microcontrollers or other electronic components.
  • the filtering unit 23 can also be implemented on the basis of a personal or industrial computer with sufficient computing power or a distributed network of such computing facilities.
  • the filter unit 23 may also be equipped with an input/output interface providing an interface between the filter unit 23 and peripheral devices such as a keyboard, display, and the like.
  • Peripheral devices can be used, for example, to make changes to the program code under which the filter unit 23 performs its functions.
  • the algorithms for filtering the source data are based on the principle of Shewhart's control charts.
  • the input of the filtering unit 23 receives data in a “raw” form for a period that is determined by the number of laboratory analysis points (or the retraining window).
  • the incoming data are sets of vectors of different lengths, from which the retraining matrix will be compiled.
  • Filtration of the initial data allows you to increase the accuracy of the model due to the fact that the model is trained only on the correct set of initial data, from which outliers, “broken” and erroneous values are excluded.
  • the filtering unit 23 can also be configured to additionally filter and transform the original data (time series) by methods known in the art to obtain a training set.
  • the prediction system 20 also includes a model generation and training unit 24 .
  • the model generation and training unit 24 may be implemented using one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), field programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, microcontrollers, microprocessors or other electronic components.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs field programmable logic devices
  • FPGAs field programmable gate arrays
  • Block 24 of the formation and training of the model can also be implemented on the basis of a personal or industrial computer with sufficient computing power or a distributed network of such computing facilities.
  • the model building and learning unit 24 may also be equipped with an input/output interface providing an interface between the model building and learning unit 24 and peripheral devices such as a keyboard, display, and the like.
  • Peripheral devices can be used, for example, to make changes to the program code under the control of which the block 24 for generating and training the model performs its functions.
  • regression analysis is used, which, as it was found by the authors of the invention, is optimal for solving the problem and allows finding correlations between input and output variables.
  • each input parameter affects the resulting value with its own specific weight - the regression coefficient, which makes it possible to assess the physical reliability of the model.
  • the model generation and training unit 24 can be configured to determine the optimal size of the moving training window.
  • the calculation is made on the basis of the root-mean-square deviation of the sulfur content in the DF HE and the maximum correlation coefficient between the historical (retrospective) and predicted values of the sulfur content in the DF HE. For each of a predetermined set of moving learning window sizes, correlation coefficients are calculated and the size that provides the highest correlation coefficient is selected. Defining a learning window allows you to highlight the most significant data in the process history. From the entire time sample, a certain number of the latest points are selected, which are used for training to exclude old and weakly influencing data.
  • block 24 of the formation and training of the model can be made in the form of a software and hardware complex that allows the operator to manually set the size of the moving learning window.
  • the model building and training unit 24 can also be configured to evaluate the relative importance of regressors, search for multicollinear regressors, calculate regression coefficients, evaluate the model against historical data, add and remove regression coefficients, and perform other functionality that allows you to improve performance model quality.
  • the block 24 generation and training of the model allows you to generate polynomial models of arbitrary order with adjacent terms to build models that are more closely approximated to real non-linear systems. Polynomials of more than the first order include the products of regressors and their degrees of more than the first. Block 24 of the formation and training of the model can additionally be configured to build predictive models to reflect the impact of current readings of process parameters on possible subsequent changes in the final product. [0116] In one of the embodiments, the block 24 of the formation and training of the model can be made with the possibility of correcting the effects of individual technological parameters for the most accurate processing of possible disturbances. This functionality can be implemented, for example, by adding to the final result the product of the change in the parameter by the modifying coefficient when a significant perturbation in the modifying parameter is accumulated.
  • the following regressors can be included in the sulfur prediction model in GO DF: consumption R1 of raw materials per string, point R2 of boiling point of 50% of raw materials at the inlet to unit 11, point R3 of boiling out of 95% of raw materials at the inlet of hydrotreating unit 11, the density R4 of the feedstock at the inlet to the hydrotreatment unit 11, the flow rate R5 of the raw material to the hydrotreatment unit 11, the flow rate R6 of make-up hydrogen-containing gas (VSG) to the hydrotreatment unit 11, the flow rate R7 of the circulating hydrogen-containing gas (CVG) to the mixing tee 15, the flow rate R8 of diesel fuel (DF ) at the outlet of unit 11, consumption R9 of gasoline at the outlet of unit 11, consumption R10 of light gas oil (LG) at unit 11, temperature Rl 1 at the inlet to reactor 12, sulfur content R14 in the feedstock, pressure drop R15 between the inlet and outlet of the reactor, differential R16 temperature between the inlet and outlet of the reactor.
  • consumption R1 of raw materials per string point R2
  • the regression equation of the mathematical model may be of the following form: where S is the sulfur content in the product, Su is the coefficient, Ri is the regressor.
  • the block 24 for generating and training the model can also be configured to retrain the model with further accumulation of the historical sample, for example, with the arrival of new data from laboratory analyzes, with a change in the regression coefficients (automatically, if necessary). This allows you to correct the approximate functions of the models in the vicinity of the current equilibrium point of the real nonlinear process, thereby increasing their accuracy.
  • all data on technological parameters entering the model are taken on an hourly average.
  • FIG. 3 shows a graph of the sulfur content in diesel fuel HE based on real historical data, and a graph of the sulfur content in DH HE predicted by the proposed prediction system 20 using a trained model based on the obtained values.
  • a graph based on real historical data is plotted with a continuous line, and a graph predicted by the prediction system 20 is plotted with a dotted line.
  • the proposed the forecasting system 20 in most cases accurately predicts the trend in the change in the sulfur content in the GO of diesel fuel, but, at the same time, there are cases when the model does not reproduce all bursts in amplitude corresponding to real data.
  • the common practice for developing predictive regression models allows for partial non-capturing of sharp bursts.
  • the proposed system 20 for predicting the sulfur content can be used in the conduct of the technological process for predicting the sulfur content in GO DF.
  • the parameter receiving unit 21 may also be configured to receive a second set of values, which may be hydrotreating process parameter values that are not included in the training set, i.e., are not retrospective.
  • the parameter receiving unit 21 can also be configured to receive values of individual parameters from the operator, for example, to predict the effect on the sulfur content of a change in one of the parameters included in the model.
  • the new data received from the parameter receiving unit 21 is fed to the prediction unit 25, which calculates the predicted sulfur content based on the generated and trained model and the new parameters received.
  • the predictor 25 may be implemented with one or more application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), field programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, microcontrollers. , microprocessors or other electronic components.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs field programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers microcontrollers.
  • microcontrollers microcontrollers or other electronic components.
  • the prediction block 25 can also be implemented on the basis of a personal or industrial computer with sufficient computing power or a distributed network of such computing facilities.
  • the prediction unit 25 may also be equipped with an input/output interface providing an interface between the prediction unit 25 and peripheral devices such as a keyboard, display, and the like. Peripheral devices can be used, for example, to make changes to the program code under which the predictor 25 performs its functions.
  • the results of the prediction can be used to display key process parameters on the screen of the terminal 26 of the operator and/or process engineer, for example, through the construction of appropriate graphs. Wherein visualization of the process on the screen of the terminal 26 of the operator and/or process engineer can be carried out in real time. In this way, it is possible to follow real-time trends in sulfur content between laboratory analyzes.
  • the terminal 26 of the operator and/or process engineer may also provide the ability to select objects and parameters for analysis and monitoring using appropriate user interface elements.
  • the ability to set arbitrary values of controlled parameters using the terminal allows you to provide support in making decisions in real time.
  • the forecasting system provides the ability to build real-time forecasts of changes in the process when one or more parameters change.
  • the operator has the opportunity to assess the impact of the proposed changes on the process before they are directly implemented.
  • the corresponding commands can be transmitted from the terminal 26 of the operator and / or process engineer to the controller that controls the pump 14, the compressor 18, the valves installed on the production lines and / or the means 16 for heating the gas-feed mixture at the inlet to the reactor 2.
  • the temperature in the furnace of the heating means 16 is, for example, changed by increasing the supply of fuel gas to the furnace nozzles. Other temperatures can be changed by adjusting other parameters.
  • Commands from the terminal 26 of the operator and/or process engineer can also be sent to the appropriate controller and without the participation of the operator.
  • predefined commands may be sent to the controller when the model predicts that the predicted process variable will exceed a predetermined value after a predetermined time.
  • Operator and/or process engineer terminal 26 may be a computing device (such as a personal computer, industrial computer, server, laptop, or mobile computing device) or an appliance (such as a workstation (AWS)) .
  • Terminal 26 of the operator and/or process engineer may be equipped with a user interface and configured to receive, process and transmit data.
  • the invention also provides a method for predicting the sulfur content of hydrotreated diesel fuel based on prediction models, which are mathematical regression models, generated and trained, for example, by the prediction system 20 as described above.
  • a first set of hydrotreating process parameter values in the form of one or more time series is received in the parameter receiving block 21 and stored in the parameter storage block 22.
  • the values of the parameters of the hydrotreatment process include data from laboratory analyzes of raw materials at the inlet of the unit and hydrotreated diesel fuel at the outlet of the unit and data from the sensors of the GO DT unit.
  • the formation of a training set is performed and the size of the moving training window is determined based on the standard deviation of the sulfur content in the DH GO and the maximum of the correlation coefficient between historical and predicted values of the sulfur content in the DH GO.
  • a model for predicting the sulfur content in the GO of diesel fuel is performed based on a polynomial regression model of an arbitrary order with adjacent terms, the regressors of which are the mentioned process parameters, including: consumption R1 of raw materials per thread, point R2 of boiling 50% of raw materials at the inlet to the installation hydrotreater, point R3 of 95% boil-off of the feedstock at the inlet to the hydrotreater, density R4 of the feedstock at the inlet of the hydrotreater, flow rate R5 of feedstock to the hydrotreater, flow rate R6 of make-up hydrogen-containing gas (WGH) to the hydrotreater, flow rate R7 of circulating hydrogen-containing gas (CVG) into the mixing tee, consumption R8 of diesel fuel (DF) at the outlet of the installation, consumption R9 of gasoline at the outlet of the installation, consumption R10 of light gas oil (LG) at the installation, temperature R11 of the GSS at the inlet to the reactor.
  • the model After the model is formed, it is trained on the training set to obtain regression coefficients that provide indicators of the compliance of the modeled sulfur with historical values above a predetermined level. [0136] After the model has been trained, it can be used to predict the sulfur content in the GO of diesel fuel. To do this, using the parameter receiving unit 21, a second set of values of the physical parameters of the process is obtained and the specified second set is fed to the prediction unit 25, which predicts the sulfur content in the GO of diesel fuel at the outlet of the hydrotreater using a trained model based on the second set of values.
  • the present invention makes it possible to facilitate and implement support in the decision-making process by the operator when changing the parameters of technological processes, with the functions of online analysis of data arrays, calculation of the optimal temperature in the reactor, prediction of the residual catalyst life, allows to increase the flexibility of planning and control of technological processes, increase the loading of technological plants through better utilization of the catalytic system resource and better process controllability, increase the yield of more valuable products due to better process controllability and mitigation of regimes, reduce the time to involve the operating personnel of process plant to perform manual calculations to analyze the state of catalytic systems, increase target product yield due to milder processing conditions, increase the amount of processed feedstock on one catalyst, reduce catalyst operating costs, improve planning accuracy, increase the amount of processed feedstock on the catalyst.
  • the division into blocks used in the present description is only a division according to logical functions.
  • one or more functional blocks can be implemented, for example, in a single set of software and hardware (for example, a processor for processing signals of a general destination, microcontroller, RAM, hard disk, etc.).
  • several blocks or components can be combined or integrated into another system. Alternatively, some functions may be omitted or not performed.
  • an interconnection or direct connection or communication connection shown or discussed may be an indirect connection or communication connection via interfaces, devices or blocks, or may also be an electrical, mechanical or other type of connection.
  • the functionality of one or more units may be implemented, for example, by means of a computer-readable medium on which program code is recorded, when executed by the processor of the computing device, the computing device performs the corresponding functions.
  • the blocks are implemented in the form of separate software and hardware systems, communication between them, as well as with sensors at the 11 GO DT unit, can be carried out using wireless communication tools, for example, through the Industrial Internet of Things (IoT), technologies Wireless Local Area Network (WiFi), Long-Term Evolution (LTE), Broadcast Channels, Near Field Communication (NFC), Bluetooth (BT), and other wired and/or wireless technologies.
  • IoT Industrial Internet of Things
  • WiFi Wireless Local Area Network
  • LTE Long-Term Evolution
  • NFC Near Field Communication
  • BT Bluetooth
  • the blocks shown in figure 2 system 20 prediction can be implemented on the basis of an industrial computer or distributed network.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

Предложен способ, система и машиночитаемый носитель с программным продуктом для прогнозирования содержания серы в гидроочищенном дизельном топливе с помощью модели прогнозирования содержания серы в ГО ДТ на основе полиномиальной регрессионной модели произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура R11 на входе в реактор.

Description

СИСТЕМА ПРОГНОЗИРОВАНИЯ СОДЕРЖАНИЯ СЕРЫ В ГИДРООЧИЩЕННОМ ДИЗЕЛЬНОМ ТОПЛИВЕ
ОБЛАСТЬ ТЕХНИКИ
[0001] Предложенное изобретение, в целом, относится к системе и способу управления технологической установкой такой как, например, нефтеперерабатывающая установка облагораживания средних дистиллятов и, в частности, к системе и способу для прогнозирования содержания серы в гидроочищенном дизельном топливе.
[0002] Кроме того, предложенное изобретение относится к машиночитаемому носителю, содержащему программный продукт, который при выполнении процессором обеспечивает возможность прогнозирования содержания серы в гидроочищенном дизельном топливе.
УРОВЕНЬ ТЕХНИКИ
[0003] В настоящее время промышленность нефтепереработки имеет множество нерешенных проблем, связанных с введением более жестких требований к бензину, керосину и дизельному топливу для получения экологически чистых моторных топлив высокого класса. Сравнительно быстро меняющиеся требования вынуждают инвестировать средства в создание новых и модернизацию действующих установок.
[0004] Одним из основных методов облагораживания бензинов, дизельных топлив, газойлей и прочих нефтяных фракций являются гидропроцессы. Под облагораживанием в данной области техники понимается в том числе удаление из сырья соединений, содержащих в своем составе атомы серы. Сернистые соединения ухудшают качество топлив, вызывают повышенное коксо- и нагарообразование в двигателе, увеличивают выбросы в атмосферу оксидов серы. Гидроочистка (или гидрообессеривание) - это процесс облагораживания сырья на активной поверхности катализатора в среде водородсодержащего газа (ВСГ).
[0005] На кинетику процесса гидроочистки оказывает значительное влияние ряд факторов, в число которых входят, например, температура, давление, объемная скорость подачи сырья, кратность циркуляции ВСГ, чистота циркулирующего газа, парциальное давление водорода, время контакта сырья с катализатором в реакционной зоне, активность катализатора. Реализация возможности контроля некоторых из этих параметров оператором технологической установки чрезвычайно сложна, однако эти параметры должны учитываться для осуществления эффективного управления установкой. При этом управление процессом осуществляется, в первую очередь, с помощью изменения температуры в реакционной зоне.
[0006] Таким образом, разработка моделей процессов гидроочистки нефтяных фракций и прогнозирование параметров этих процессов является важной задачей для обеспечения возможности прогнозирования выхода конечного продукта, его качества и параметров работы технологической установки, а также для планирования дальнейшего экономического эффекта. В настоящее время известно несколько подходов к моделированию и прогнозированию различных показателей для компонентов и этапов производственного процесса. Так, например, в статье «In-line estimation of sulfur and nitrogen contents during hydrotreating of middle distillates» Pacheco M. E., Salim V. M., Pinto J. C. Brazilian Journal of Chemical Engineering, 2009. 26(4), (p.733-744) описан способ прогнозирования содержания серы в конечном продукте на основании анализа разницы между удельной плотностью исходного сырья и удельной плотностью конечных продуктов. В статье «Цифровой двойник. Моделирование процесса гидрооблагораживания нефтяных фракций с применением методов машинного обучения» [Электронный ресурс] // URL: https://magazine.neftegaz.ru/articles/tsifrovizatsiya/504792-tsifrovoy-dvoynik-modelirovanie- protsessa-gidrooblagorazhivaniya-neftyanykh-fraktsiy-s-primeneniem-m/ (дата обращения: 22.04.2020)) для анализа остаточного содержания серы предлагается использовать модель процесса, использующую нейронную сеть с архитектурой «долгая краткосрочная память» (Long short-term memory, LSTM).
[0007] Несмотря на то, что известные в настоящее время подходы позволяют проектировать модели нефтехимических и нефтеперерабатывающих процессов, большинство из них либо являются чрезвычайно трудоемкими (прим, физико-химическое моделирование), либо сложными с точки зрения понимания конечной структуры разработанной модели (прим, машинное обучение), либо не обеспечивают достаточной точности прогнозирования.
[0008] В связи с этим, в настоящее время существует потребность в создании способа, системы и машиночитаемого носителя с программным продуктом, позволяющих просто и с высокой точностью прогнозировать параметры технологического процесса в режиме реального времени, в частности прогнозировать содержание серы в гидроочищенном дизельном топливе в период между проведением лабораторных анализов . СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[0009] Предложенные способ, система и машиночитаемый носитель обеспечивают возможность с требуемой точностью прогнозировать содержание серы в гидроочищенном дизельном топливе в период между проведением лабораторных анализов, что в свою очередь позволяет оптимизировать процесс гидроочистки дизельного топлива и снизить частоту проведения лабораторных анализов. Определение свойств продукта в режиме реального времени без лабораторного анализа позволяет избежать переочистки в процессе гидроочистки дизельного топлива и снизить риск появления некондиционной продукции.
[0010] Согласно первому аспекту изобретения предложена система для прогнозирования содержания серы в гидроочищенном дизельном топливе. Предложенная система включает блок приема значений параметров, выполненный с возможностью приема первого набора значений параметров процесса гидроочистки, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки в виде одного или более временных рядов; блок фильтрации, выполненный с возможностью фильтрации сохраненных значений временных рядов с применением контрольных карт Шухарта; блок формирования и обучения модели, выполненный с возможностью: формирования обучающего множества на основании фильтрованных значений временных рядов, определения оптимального размера движущегося окна обучения на основании среднеквадратичного отклонения содержания серы в гидроочищенном дизельном топливе и максимума коэффициента корреляции, формирования модели прогнозирования содержания серы в гидроочищенном дизельном топливе , при этом модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура Rl 1 газо-сырьевой смеси на входе в реактор; и обучения модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатель соответствия моделируемого содержания серы в гидроочищенном дизельном топливе ретроспективным значениям выше заранее заданного уровня; при этом, блок приема значений параметров выполнен также с возможностью приема второго набора значений, представляющих собой значения параметров процесса гидроочистки, которые не входят в обучающее множество; блок прогнозирования, выполненный с возможностью прогнозирования содержания серы в гидроочищенном дизельном топливе на основе сформированной и обученной модели и поступивших новых значений параметров
[0011] Согласно одному из вариантов выполнения изобретения блок приема параметров может быть выполнен с возможностью получения новых значений параметров процесса гидроочистки, и блок формирования и обучения модели может быть выполнен с возможность автоматического переобучение моделей на основании упомянутых полученных новых значений параметров процесса гидроочистки.
[0012] Согласно другому варианту выполнения блок прогнозирования может быть выполнен с возможностью передачи данных о спрогнозированном значении температуры на входе в реактор на терминал оператора и/или инженера -технолога или на блок управления установкой ГО ДТ.
[0013] Согласно вариантам выполнения настоящего изобретения смежными членами формируемой блоком формирования и обучения модели могут быть в разных комбинациях:
[0014] расход R1 сырья на нитку и точка R2 выкипания 50% сырья на входе в установку гидроочистки;
[0015] расход R1 сырья на нитку и точка R3 выкипания 95% сырья на входе в установку гидроочистки;
[0016] расход R1 сырья на нитку и расход R5 сырья на установку гидроочистки;
[0017] расход R1 сырья на нитку и расход R6 подпиточного ВСГ на установку гидроочистки;
[0018] расход R1 сырья на нитку и расход R10 ЛГ на установку;
[0019] расход R1 сырья на нитку и температура Rl 1 газо-сырьевой смеси на входе в реактор;
[0020] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки;
[0021] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки; [0022] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения;
[0023] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R10 ЛГ на установку;
[0024] точка R2 выкипания 50% сырья на входе в установку гидроочистки и температура Rl 1 газо-сырьевой смеси на входе в реактор;
[0025] точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки;
[0026] точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения;
[0027] точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R10 ЛГ на установку
[0028] точка R3 выкипания 95% сырья на входе в установку гидроочистки и температура Rl 1 газо-сырьевой смеси на входе в реактор;
[0029] плотность R4 сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки
[0030] плотность R4 сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения;
[0031 ] расход R5 сырья на установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки;
[0032] расход R5 сырья на установку гидроочистки и температура R11 газосырьевой смеси на входе в реактор;
[0033] расход R6 подпиточного ВСГ на установку гидроочистки и температура Rl 1 газо-сырьевой смеси на входе в реактор;
[0034] расход R7 ЦВСГ в тройник смешения и температура R11 газо-сырьевой смеси на входе в реактор;
[0035] расход R8 ДТ на выходе установки и расход R9 бензина на выходе установки;
[0036] расход R10 ЛГ на установку и температура R11 газо-сырьевой смеси на входе в реактор.
[0037] Предпочтительно модель, формируемая блоком формирования и обучения модели, может иметь следующий вид:
Figure imgf000008_0001
4Д Ю Д а 4 Д и 1 4 gg ДД 4 Дои До Д1
[0038] Согласно второму аспекту изобретения предложена система для прогнозирования содержания серы в гидроочищенном дизельном топливе (ГО ДТ), включающая: блок приема значений параметров, выполненный с возможностью приема значений параметров процесса гидроочистки, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе указанной упомянутой установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки; блок прогнозирования, выполненный с возможностью прогнозирования содержания серы в гидроочищенном дизельном топливе ГО ДТ на выходе установки гидроочистки с помощью обученной полиномиальной регрессионной модели со смежными членами на основании упомянутых значений; при этом регрессорами упомянутой регрессионной модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура R11 газо-сырьевой смеси на входе в реактор; и уравнение регрессии упомянутой модели имеет следующий вид:
Figure imgf000009_0001
[0039] Согласно третьему аспекту изобретения предложен способ прогнозирования содержания серы в гидроочищенном дизельном топливе, включающий: прием и сохранение первого набора значений параметров процесса гидроочистки в виде одного или более временных рядов, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; фильтрацию сохраненных значений временных рядов с применением контрольных карт Шухарта; формирование обучающего множества на основании фильтрованных временных рядов; определение оптимального размера движущегося окна обучения на основании среднеквадратичного отклонения содержания серы в ГО ДТ и максимума коэффициента корреляции; формирование модели прогнозирования содержания серы в ГО ДТ, при этом модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура R11 газо- сырьевой смеси на входе в реактор; обучение модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия моделируемой серы в гидроочищенном дизельном топливе ретроспективным значениям выше заранее заданного уровня; получение второго набора значений параметров процесса; прогнозирование содержания серы в ГО ДТ на выходе установки гидроочистки с помощью обученной модели на основании второго набора значений.
[0040] Согласно одному из вариантов выполнения способ может дополнительно включать шаг получения новых значений параметров процесса гидроочистки и автоматическое переобучение модели на основании упомянутых новых значений параметров процесса гидроочистки.
[0041 ] Согласно другому варианту выполнения способ может дополнительно включать шаг передачи спрогнозированного значения температуры на входе в реактор на терминал оператора и/или инженера -технолога или блок управления установкой.
[0042] В различных комбинациях, смежными членами формируемой согласно способу модели могут являться: расход R1 сырья на нитку и точка R2 выкипания 50% сырья на входе в установку гидроочистки;
[0043] расход R1 сырья на нитку и точка R3 выкипания 95% сырья на входе в установку гидроочистки;
[0044] расход R1 сырья на нитку и расход R5 сырья на установку гидроочистки;
[0045] расход R1 сырья на нитку и расход R6 подпиточного ВСГ на установку гидроочистки;
[0046] расход R1 сырья на нитку и расход R10 ЛГ на установку;
[0047] расход R1 сырья на нитку и температура Rl 1 на входе в реактор;
[0048] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки;
[0049] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки;
[0050] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения;
[0051 ] точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R10 ЛГ на установку;
[0052] точка R2 выкипания 50% сырья на входе в установку гидроочистки и температура Rl 1 на входе в реактор;
[0053] точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки;
[0054] точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения; [0055] точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R10 ЛГ на установку
[0056] точка R3 выкипания 95% сырья на входе в установку гидроочистки и температура Rl 1 на входе в реактор;
[0057] плотность R4 сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки;
[0058] плотность R4 сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения;
[0059] расход R5 сырья на установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки;
[0060] расход R5 сырья на установку гидроочистки и температура R11 на входе в реактор;
[0061] расход R6 подпиточного ВСГ на установку гидроочистки и температура Rl 1 на входе в реактор;
[0062] расход R7 ЦВСГ в тройник смешения и температура Rl 1 на входе в реактор;
[0063] расход R8 ДТ на выходе установки и расход R9 бензина на выходе установки;
[0064] расход R10 ЛГ на установку и температура Rl 1 на входе в реактор.
[0065] Предпочтительно, формируемая согласно предлагаемому способу модель может иметь следующий вид:
Figure imgf000011_0001
[0066] Согласно четвертому аспекту изобретения предложен способ прогнозирования содержания серы в гидроочищенном дизельном топливе, включающий: прием и сохранение значений параметров процесса гидроочистки в запоминающем устройстве, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; прогнозирование содержания серы в гидроочищенном дизельном топливе на выходе установки ГО ДТ с помощью обученной полиномиальной регрессионной модели со смежными членами на основании упомянутого набора значений, при этом регрессорами упомянутой регрессионной модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура R11 газо-сырьевой смеси на входе в реактор; и уравнение регрессии упомянутой регрессионной модели имеет следующий вид:
Figure imgf000012_0001
[0067] Согласно пятому аспекту изобретения предложен машиночитаемый носитель, содержащий компьютерный программный продукт с программными инструкциями, при исполнении которых процессором обеспечивается выполнение указанных выше способов.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
[0068] Далее описаны неограничивающие примеры предпочтительных вариантов выполнения предложенного изобретения со ссылкой на чертежи, которые иллюстрируют раскрытые примеры предпочтительных вариантов выполнения и не ограничивают объем изобретения. На чертежах:
[0069] на фиг.1 схематически изображена типовая установка гидроочистки дизельного топлива в соответствии с уровнем техники; И
[0070] на фиг.2 схематически изображена установка гидроочистки дизельного топлива с системой прогнозирования содержания серы в гидроочищенном дизельном топливе, выполненной в соответствии с предложенным изобретением;
[0071] на фиг.З представлены график содержания серы в ГО ДТ, построенный на основании реальных исторических (ретроспективных) данных, и график содержания серы в ГО ДТ, построенный на основании значений, рассчитанных обученной моделью.
ОПИСАНИЕ ПРЕДПОЧТИТЕЛЬНЫХ ВАРИАНТОВ ВЫПОЛНЕНИЯ
[0072] На фиг.1 показан пример типовой установки 11 гидроочистки дизельного топлива (ГО ДТ), содержащей, без ограничения указанным, два реактора 12, которые могут быть использованы одновременно. Такая конфигурация установки 11 обеспечивает ведение гидроочистки по двум независимым параллельным потокам сырья, что позволяет проводить ремонтные работы без полной остановки производства. Для специалиста в данной области техники очевидно, что установка 11 ГО ДТ может содержать другое количество реакторов, например, один или более двух.
[0073] Сырье из буферных емкостей 13 резервуарного парка посредством насоса 14 подается в тройник 15 смешения, в котором происходит смешение сырья с циркулирующим водородосодержащим газом (ЦВСГ). В качестве сырья могут выступать, например, легкий газойль и прямогонные дизельные фракции. После смешения газо-сырьевая смесь нагревается в средствах 16 нагревания ГСС, которые могут включать печи и/или теплообменники, и подается на вход реактора 12.
[0074] Давление ЦВСГ в системе циркуляции водородсодержащего газа обеспечивается компрессором 17 ЦВСГ, при этом для поддержания требуемой концентрации водорода в систему циркуляции водородсодержащего газа посредством компрессора 18 подпиточного ВСГ может подаваться водород, получаемый, например, на установках по производству водорода и/или каталитического риформирования нафты.
[0075] Реактор 12 гидроочистки является основным оборудованием процесса гидроочистки и представляет собой вертикальный цилиндрический сосуд с выпуклым днищем сферической или близкой к эллиптической формы, высота которого больше его диаметра. По числу слоев катализатора реактор 12 может быть одно-, двух- и многосекционным: для установок гидрообессеривания дистиллятов типичны реакторы с одним или двумя слоями катализатора, а для установок гидрокрекинга с четырьмя - пятью, в реактор 12 может подводиться холодный рециркулирующий ВСГ (квенч), в качестве дополнительного рычага по контролю за температурой в реакторе 12. Сверху и снизу слои катализатора могут быть ограничены слоями фарфоровых шариков и/или защитными слоями, более крупными, чем частицы катализатора.
[0076] В ходе эксплуатации слой катализатора становится менее проницаемым. Особенно это относится к верхней его части. Поэтому перепад давления в реакторе 12 в конце рабочего пробега больше, чем в начале. Данный эффект объясняется рядом факторов, например, накоплением в слое продуктов коррозии и кокса, уменьшением прочности частиц катализатора, спеканием и др. С увеличением перепада давления растут затраты на циркуляцию водородсодержащего газа.
[0077] Дезактивация катализатора приводит к снижению активности катализатора и, как следствие, к уменьшению степени обессеривания. Для уменьшения воздействия на процесс гидроочистки фактора дезактивации катализатора повышают расход подпиточного ВСГ или давление газо-сырьевой смеси на входе в реактор 12, или увеличивают парциальное давление водорода в смеси. Одним из основных методов нивелирования дезактивации катализатора является повышение температуры сырьевого потока на входе в реактор 12. Повышение температуры сырьевой смеси на входе в реактор вследствие дезактивации катализатора, ведет к увеличению выхода побочных продуктов - газа и бензина, и поэтому снижает эффективность работы установки 11 ГО ДТ.
[0078] Выделяют три основные причины дезактивации катализатора: спекание или термическая дезактивация, отравление и блокировка активных центров коксом.
[0079] К уменьшению поверхности носителя, а также к "коалесценции" или потере дисперсности кристаллитов металла приводит спекание катализатора. Потеря дисперсности приводит к резкому снижению активности. Отравление примесями протекает под воздействием адсорбции на активных центрах малых количеств вещества, называемого ядом и специфического для данного катализатора.
[0080] В реактор 12 сырье подается через штуцер, который может располагаться в верхней части реактора 12, и равномерно распределяется по всему сечению реактора 12. Кроме того, в реакторе 12 может быть обеспечен радиальный ввод сырья. В целях очистки сырья от механических примесей могут быть использованы сетчатые корзины, погруженные в верхний слой катализатора. Сетчатые корзины являются не только фильтрующим устройством, но и служат для равномерного распределения по горизонтальному сечению реактора 12 сырья с газами.
[0081] В уровне техники известно множество видов катализаторов, применяемых для гидроочистки. В большинстве мировых и российских предприятий наибольшее распространение получили алюмокобальтмолибденовые (АКМ), алюмоникель- молибденовые (AHM) и смешанные алюмоникелькобальтмолибденовые (АНКМ) катализаторы. В процессах глубокого гидрирования соединений с содержанием азота, а также ароматических соединений, парафинов и масляных фракций, применяют алюмоникель- или алюмокобальтвольфрамовые катализаторы (АНВ или АКВ). Выбор конкретного катализатора зависит от требуемых на производстве физических и химических характеристик, формы и физической прочности частиц, селективности, гидрирующей активности, активности обессеривания, диапазонов рабочего давления и др.
[0082] Детальное описание реакций не приводятся в описании настоящей заявки, так как реакции гидроочистки зависят от состава промышленного сырья. Нефтяные фракции, в зависимости от интервала их кипения, могут содержать от нескольких сотен до нескольких тысяч различных соединений. Это подразумевает огромное множество последовательно и параллельно протекающих реакций. Ввиду высокой степени полидисперсности углеводородных смесей химическая активность реагентов, участвующих в таких реакциях, меняется в широких пределах.
[0083] Основными факторами процесса гидроочистки в реакторе 12 являются, например, температура, давление, объемная скорость подачи сырья, кратность циркуляции ВСГ, чистота циркулирующего газа, физико-химические характеристики катализатора.
[0084] Температура. Температура реакций один из важнейших параметров процесса. К ней очень чувствительны глубина и избирательность реакций гидроочистки и гидрокрекинга, так как с увеличением температуры константы их скоростей возрастают экспоненциально. Поэтому для достижения требуемой избирательности температуру необходимо подбирать в соответствии с химией процесса.
[0085] Гидроочистку средних дистиллятов проводят в интервале температур достаточно высоких для почти полного завершения реакций гидрообессеривания (330-390' С). При более высоких температурах возможно расщепление легких углеводородов вследствие термического крекинга и, в случае гидроочистки, неблагоприятного смещения равновесия реакции гидрирования ароматических соединений. Повышение температуры дает несколько побочных эффектов, которые нуждаются в тщательной оценке. Даже небольшое превышение температуры выше приемлемых значений ведет к потере избирательности и чрезмерной активации катализатора. Поэтому для каждого отдельного случая существует определенная предельно допустимая температура. Увеличение температуры реакции неизбежно ускоряет коксообразование вследствие роста скорости конденсации нестабильных продуктов крекинга. Высокие температуры увеличивают степень обессеривания, но в тоже время ускоряют необратимую потерю активности из-за осаждения металлов. Температуры выше 410 °C способствуют термическому крекингу ценных углеводородных компонентов с образованием значительных количеств низкомолекулярных жидкостей и газов. Кроме того, крекинг остатков в жестких условиях может вызвать образование осадков, склонных загрязнять оборудование всех видов.
[0086] В промышленных реакторах с неподвижным слоем температура по мере продвижения вниз по слою возрастает. По этой причине основную проблему в операциях гидроочистки составляет контроль температуры. Обычно для ограничения тепловыделения меньшими и безопасными порциями общий объем катализатора распределяют по нескольким слоям с промежуточным охлаждением между ними. Для гидроочистки бензиновой фракции и керосина обычно достаточно одного слоя, так как тепловыделение сравнительно невелико, но в случае более тяжелого сырья однослойный реактор может оказаться нецелесообразным ввиду чрезмерного роста температуры. В подобных случаях каталитические слои располагают так, чтобы добиться более благоприятного распределения температур.
[0087] На распределение температур в реакторе 12 влияет также потеря активности катализатора. В течение цикла её компенсируют периодическим увеличением температуры, вследствие чего амплитуда профиля температур постепенно смещается вверх. Когда верхняя граница температуры достигает предельно допустимой для материала конструкции реактора, цикл прекращают. В конце рабочего пробега средняя температура в реакторе 12 может превышать первоначальную, например, на 20-60 °C. Если температура по оси реактора 12 распределена неправильно, возможна преждевременная вынужденная остановка - особенно при быстрой потере активности, как при гидро облагораживании остатков. В таких случаях желательно выбрать минимально возможную величину прироста температуры в слое, чтобы задержать момент достижения предельно допустимой температуры. Это означает увеличение числа слоев и соответственно габаритов реактора, что необходимо для размещения дополнительного оборудования промежуточного охлаждения.
[0088] Таким образом, гидрогенизационное обессеривание нефтяных фракций - процесс экзотермический. Поэтому температура газо-сырьевой смеси по мере прохождения ею слоя катализатора повышается. В общем, чем выше расход водорода на реакции, тем больше, выделяется тепла. Для обеспечения возможности регулирования температуры по высоте ректора 12 обеспечивают возможность введения холодного водородсодержащего газа (квенча) в зоны между слоями катализатора. [0089] Давление. На процесс гидроочистки влияет как общее давление в реакторе 12, так и парциальное давление водорода. Степень обессеривания увеличивается с возрастанием общего давления в реакторе 12 или, точнее, парциального давления водорода. При этом замедляются реакции дегидрирования нафтеновых углеводородов, уменьшается закоксовывание катализатора, ускоряются реакции насыщения водородом непредельных углеводородов и гидрогенизации ароматических углеводородов. Общий расход водорода с ростом давления увеличивается.
[0090] Хотя повышение парциального давления водорода играет положительную роль, для него есть определенные практические ограничения. Допустимое давление ограничено техническими характеристиками оборудования. Поэтому, чтобы максимально приблизить парциальное давление водорода к проектному, важно поддерживать чистоту циркулирующего водорода на максимально высоком уровне. Другой фактор, ограничивающий давление - сильное удорожание реактора: для поддержания высокого рабочего давления необходимо увеличивать толщину его стенки.
[0091] При существенном повышении общего давления часть сырья, даже сравнительно легкого, например, дистиллята дизельного топлива, поступает в реактор 12 в жидком состоянии, что негативным образом влияет на эффективность процесса, так как скорость диффузии водорода через жидкие углеводороды мала, а активные центры катализатора в заполненных жидкостью порах практически не участвуют в реакциях.
[0092] Объемная скорость подачи сырья. Уменьшение длительности контакта в результате повышения объемной скорости подачи сырья (отношения объема жидкого сырья, поступающего за 1 час к объему катализатора, считая по насыпной плотности) снижает глубину обессеривания. В результате уменьшаются расход водорода и степень закоксовывания катализатора.
[0093] Кратность циркуляции ВСГ. В промышленной практике процессы гидроочистки осуществляют с избыточным количеством водорода, учитывая, что с ростом его парциального давления скорости реакций повышаются. Скорость циркуляции выбирается исходя из целей процесса и экономических соображений. Если ее величина ниже расчетной, усиливается коксообразование и уменьшается степень превращения. Скорость циркуляции особенно важна для продления цикла службы катализатора, который по этой причине обычно проводят при очень высоких значениях кратности водорода к сырью (1000-2000 и. мЗ/мЗ). Вместе тем поддержание высокой скорости циркуляции требует увеличения расхода теплоносителей и более мощного компрессора. [0094] Циркуляция газа влияет на равновесие жидкой и газовой фаз в реакторе. Большинство установок гидроочистки работает с частично испаренным углеводородным сырьем. Это обстоятельство влияет на состав газа и скорости реакций. Повышением кратности водорода к сырью можно добиться концентрирования наиболее тяжелых и стойких соединений в жидкой фазе и увеличения времени их контакта с катализатором. Но, с другой стороны, увеличение скорости циркуляции газа может привести к тому, что некоторые вещества в испаренной фракции не будут иметь доступа к активным центрам частиц катализатора.
[0095] При прохождении каждого слоя в реакторе кратность водорода к сырью снижается из-за его химического расхода. Промежуточное охлаждение играет роль источника пополнения водородом на входе в следующий слой. Распределение кратности водорода к сырью вдоль оси реактора обратно пропорционально распределению температуры.
[0096] Существует оптимальная кратность циркуляции ВСГ. Низкая степень обессеривания сырья при малой кратности циркуляции объясняется недостаточной подачей в реактор 12 молекулярного водорода. Снижение степени обессеривания при расходе газа выше оптимального, но с прежней пропускной способностью реактора 12 по сырью, связано с уменьшением длительности контакта его с катализатором. Кратность циркуляции газа для различных условий может составлять 220-700 нм3/м3 жидкого сырья. Энергетические затраты на сжатие ЦВСГ компрессором 17 растут с увеличением кратности водорода к сырью, а также гидравлического сопротивления системы циркуляции ВСГ, оцениваемого по разности давлений ЦВСГ на выходе из компрессора 17 и на входе в него.
[0097] При прочих равных условиях с увеличением кратности водородсодержащего газа к сырью-дистилляту количество неиспарившегося сырья уменьшается и при достижении достаточно высокой кратности в реактор 12 поступает однофазная газопаровая смесь.
[0098] Чистота циркулирующего газа. Для гидроочистки часто используют водородсодержащий газ с установок каталитического риформинга, кроме того могут быть использованы специализированные установки по производству водорода. Очевидно, что концентрация водорода в подпиточном газе может варьироваться в зависимости от предъявляемых требований. В ЦВСГ содержание водорода обычно несколько ниже, так как к поступающим извне балластным газам (в составе свежего газа) присоединяются газообразные углеводороды, образующиеся в реакторе 12. Однако на некоторых установках концентрация водорода в ЦВСГ может быть выше чем в подпиточном ВСГ вследствие использования многоступенчатой очистки в блоке 19 очистки.
[0099] В блоке 19 очистки происходит сепарация поступающих с выхода реактора 12 продуктов реакции в виде парогазовой смеси на обогащенный сероводородом ЦВСГ, гидроочищенный бензин и/или ГО ДТ, а также очистка обогащенного сероводородом ЦВСГ от продуктов реакции с сырьем. Для упрощения понимания настоящего изобретения, соответствующие известные в уровне техники устройства (холодильники, теплообменники, конденсаторы, сепараторы, стабилизационные колонны, секции промывки и т.п.), входящие в состав блока 19 очистки, не показаны на чертежах и не раскрываются в настоящем описании.
[0100] В соответствии с изобретением предложена система 20 прогнозирования содержания серы в гидроочищенном дизельном топливе, использующая модели прогнозирования, представляющие из себя модели математической регрессии. В качестве регрессоров, входящих в состав модели, выступают ключевые параметры технологического процесса и показатели качества сырьевых и продуктовых потоков.
[0101] В одном варианте выполнения, показанном на фиг.2, система 20 прогнозирования включает блок 21 приема значений параметров процесса гидроочистки, блок 22 хранения значений параметров, блок 23 фильтрации, блок 24 формирования и обучения модели и блок 25 прогнозирования.
[0102] Блок 21 приема значений параметров выполнен с возможностью приема значений физических и/или химических параметров процесса гидроочистки от датчиков, размещенных на установке 11. Блок 21 приема параметров совместно с датчиками может представлять собой, например, промышленную систему сбора данных (ССД), то есть набор аппаратных или программно-аппаратных средств, осуществляющий сбор, выборку, преобразование, хранение и первоначальную обработку различных входных аналоговых и/или цифровых сигналов. Датчики также могут быть конструктивно и функционально обособленными устройствами, содержащими один или более первичных измерительных преобразователей, формирующих сигнал с информацией об измерении в форме, которая совместима с блоком 21 приема параметров. Сигнал от каждого из датчиков может быть передан в блок 21 приема параметров посредством, например, проводного, оптоволоконного, беспроводного соединения или их комбинации.
[0103] В одном варианте выполнения датчики могут включать один или более из следующего: датчик R1 расхода сырья на нитку, который может быть установлен на технологической линии перед тройником 15 смешения, датчик R5 расхода сырья на установку 11, который может быть установлен на технологической линии между буферной емкостью 13 и тройником 15 смешения, датчик R6 расхода подпиточного ВСГ на установку 11, который может быть установлен на входе в систему циркуляции ВСГ, датчик R7 расхода ЦВСГ в тройник 15 смешения, который может быть установлен на входе ЦВСГ в тройник 15 смешения, датчики R8 расхода ДТ и R9 бензина на выходе установки 11 , которые могут быть установлены на выходах блока 19 очистки, датчик R10 расхода легкого газойля (ЛГ) на установку 11, датчик R11 температуры на входе в реактор 12, который может быть установлен на линии подачи сырья перед входом в реактор 12, датчик R12 давления на выходе из средств 16 нагревания, который может быть установлен на выходе печи нагревания ГСС.
[0104] Кроме того, блок 21 приема параметров может быть выполнен с возможностью приема данных лабораторных анализов, например, данных о содержании R13 серы в конечном продукте, данных о точке R2 выкипания 50% сырья на входе в установку 11 , данных о точке R3 выкипания 95% сырья на входе в установку 11 , данных о плотности R4 сырья на входе в установку 11.
[0105] Принятые блоком 21 приема параметров последовательности значений передаются в блок 22 хранения параметров для индексирования этих значений по времени измерения или по времени получения и сохранения в виде временных рядов. При этом блок 22 хранения параметров может быть выполнен с возможностью сохранения значений различных параметров в виде множества одномерных временных рядов, каждый из которых отражает развитие во времени только одного процесса, или в виде одного или множества многомерных временных рядов, каждый из которых содержит наблюдения за изменением более одного параметра. Значения временного ряда получаются путем регистрации соответствующего параметра исследуемого процесса через определённые промежутки времени. При этом в зависимости от природы данных и характера решаемых задач может регистрироваться либо текущее значение, либо сумма значений, накопленная на определенном интервале времени.
[0106] Ввиду того, что данные от датчиков и данные лабораторных анализов могут фиксироваться через неравные интервалы времени, блок 22 хранения параметров может быть также выполнен с возможностью агрегирования данных.
[0107] В целом блок 22 хранения параметров может быть выполнен с возможностью записи, хранения, обработки данных и обеспечения доступа к данным. Блок 22 хранения параметров может быть выполнен с использованием любого вида энергозависимых или энергонезависимых запоминающих устройств или их комбинации, таких как статическое оперативное запоминающее устройство (SRAM), электрически стираемое программируемое постоянное запоминающее устройство (EEPROM), стираемое программируемое постоянное запоминающее устройство (EPROM), программируемое постоянное запоминающее устройство (PROM), постоянное запоминающее устройство (ROM), магнитная память, флэш-память, магнитный или оптический диск, дисковый массив или другое запоминающее устройство или любой другой носитель, выполненный с возможностью хранения требуемых данных, и к которому можно обращаться с помощью вычислительного устройства. Кроме того, для реализации блока 22 хранения параметров могут применяться комбинации и совокупности любых вышеуказанных устройств. Для выполнения обработки данных и их индексирования блок 22 хранения параметров может также включать специализированное вычислительное устройство и/или вычислительное устройство общего назначения, выполненное с возможностью осуществления требуемых операций.
[0108] Для повышения точности работы модели прогнозирования исходные данные, сохраненные в виде временных рядов, могут быть подвергнуты фильтрации в блоке 23 фильтрации. Блок 23 фильтрации может быть реализован с помощью одной или более специализированных интегральных схем (ASIC), цифровых сигнальных процессоров (DSP), устройств цифровой обработки сигналов (DSPD), программируемых логических устройств (PLD), программируемых вентильных матриц (FPGA), контроллеров, микроконтроллеров, микропроцессоров или других электронных элементов. Блок 23 фильтрации может быть также реализован на базе персонального или промышленного компьютера достаточной вычислительной мощности или распределенной сети таких вычислительных средств. Блок 23 фильтрации может быть также оборудован интерфейсом ввода/вывода, обеспечивающим интерфейс между блоком 23 фильтрации и периферийными устройствами, например, клавиатурой, дисплеем и т.п. Периферийные устройства могут быть использованы, например, для внесения изменений в программный код, под управлением которого блок 23 фильтрации выполняет свои функции. В настоящем изобретении алгоритмы фильтрации исходных данных базируются на принципе контрольных карт Шухарта. Перед формированием матрицы переобучения модели, на вход блока 23 фильтрации поступают данные в “сыром” виде за период, который определяется числом точек лабораторного анализа (или окном переобучения). При этом поступающие данные являются наборами векторов разной длины, из которых будет составляться матрица переобучения. Далее идет работа с каждым вектором в цикле. В одной итерации обрабатывается один вектор для матрицы переобучения. Для каждого вектора происходит разбиение на N подгрупп (например, N=5), и формируется матрица подгрупп и вектор размахов каждой подгруппы. После этого определяется средняя размахов для всех подгрупп, а также верхняя и нижняя контрольные границы, коэффициенты границ выбираются в соответствии с таблицей заранее заданных коэффициентов для вычислений линий контрольных карт. Далее в текущем векторе определяются и удаляются группы, выходящие за контрольные границы. Эти группы не учувствуют в переобучении.
Выполнение фильтрации исходных данных позволяет повысить точности работы модели вследствие того, что обучение модели осуществляется только на корректном наборе исходных данных, из состава которых исключены выбросы, «битые» и ошибочные значения.
[0109] Блок 23 фильтрации может быть также выполнен с возможностью дополнительной фильтрации и преобразования исходных данных (временных рядов) известными в уровне техники способами для получения обучающего множества.
[ОНО] в одном варианте выполнения система 20 прогнозирования включает также блок 24 формирования и обучения модели. Блок 24 формирования и обучения модели может быть реализован с помощью одной или более специализированных интегральных схем (ASIC), цифровых сигнальных процессоров (DSP), устройств цифровой обработки сигналов (DSPD), программируемых логических устройств (PLD), программируемых вентильных матриц (FPGA), контроллеров, микроконтроллеров, микропроцессоров или других электронных элементов. Блок 24 формирования и обучения модели может быть также реализован на базе персонального или промышленного компьютера достаточной вычислительной мощности или распределенной сети таких вычислительных средств. Блок 24 формирования и обучения модели может быть также оборудован интерфейсом ввода/вывода, обеспечивающим интерфейс между блоком 24 формирования и обучения модели и периферийными устройствами, например, клавиатурой, дисплеем и т.п. Периферийные устройства могут быть использованы, например, для внесения изменений в программный код, под управлением которого блок 24 формирования и обучения модели выполняет свои функции. В настоящем изобретении для построения модели прогнозирования содержания серы в ГО ДТ используется регрессионный анализ, который, как было выявлено авторами изобретения, является оптимальным для решения поставленной задачи и позволяет найти корреляции между входными и выходными переменными. При этом каждый входной параметр влияет на результирующее значение со своим определенным весом - коэффициентом регрессии, что позволяет оценить физическую достоверность модели. [0111] Блок 24 формирования и обучения модели может быть выполнен с возможностью определения оптимального размера движущегося окна обучения. При этом расчет производится на основании среднеквадратичного отклонения содержания серы в ГО ДТ и максимума коэффициента корреляции между историческими (ретроспективными) и предсказываемыми значениями содержания серы в ГО ДТ. Для каждого из заранее заданной выборки размеров движущегося окна обучения производится расчет коэффициентов корреляции и выбирается тот размер, который обеспечивает наибольший коэффициент корреляции. Определение обучающего окна позволяет выделить наиболее значащие данные в истории процесса. Из всей временной выборки выделяется некоторое количество последних точек, используемых для обучения для исключения старых и слабо- влияющих данных.
[0112] Кроме того, блок 24 формирования и обучения модели может быть выполнен в виде программно-аппаратного комплекса, обеспечивающего возможность задания размера движущегося окна обучения оператором вручную.
[0113] Блок 24 формирования и обучения модели может быть также выполнен с возможностью оценки относительной значимости регрессоров, поиска мультиколлинеарных регрессоров, расчета коэффициентов регрессии, оценки соответствия модели ретроспективным данным, добавления и устранения коэффициентов регрессии, а также для выполнения другой функциональности, позволяющей повышать показатели качества модели.
[0114] Совмещение переобучающихся полиномиальных регрессионных моделей с оптимальной величиной движущегося окна обучения моделей позволяет значительно увеличить точность сформированной модели. При этом большее количество степеней свободы позволяет строить более точные модели за счет усложнения вычислительного процесса.
[0115] В одном из вариантов выполнения блок 24 формирования и обучения модели позволяет формировать полиномиальные модели произвольного порядка со смежными членами для построения моделей, более точно приближенных к реальным нелинейным системам. Полиномы более первого порядка включают в себя произведения регрессоров и их степеней более первой. Блок 24 формирования и обучения модели дополнительно может быть выполнен с возможностью построения прогнозных моделей для отражения влияния текущих показаний технологических параметров на возможные последующие изменения в конечном продукте. [0116] В одном из вариантов выполнения блок 24 формирования и обучения модели может быть выполнен с возможностью коррекции влияний отдельных технологических параметров для наиболее точной отработки возможных возмущений. Данная функциональность может быть реализована, например, с помощью прибавления к итоговому результату произведения изменения по параметру на модифицирующий коэффициент при накоплении существенного возмущения по модифицирующему параметру.
[0117] В модель прогнозирования серы в ГО ДТ могут быть включены, например, следующие регрессоры: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11 , точка R3 выкипания 95% сырья на входе в установку 11 гидроочистки, плотность R4 сырья на входе в установку 11 гидроочистки, расход R5 сырья на установку 11 гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку 11 гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник 15 смешения, расход R8 дизельного топлива (ДТ) на выходе установки 11, расход R9 бензина на выходе установки 11 , расход R10 легкого газойля (ЛГ) на установку 11 , температура Rl 1 на входе в реактор 12, содержание R14 серы в сырье, перепад R15 давления между входом и выходом реактора, перепад R16 температуры между входом и выходом реактора.
[0118] Авторами настоящего изобретения было установлено, что для получения приемлемых показателей качества модели (КК = 0,84; СКО = 0,92), в модель прогнозирования серы в ГО ДТ, предпочтительно, должны быть включены следующие регрессоры: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку 11, точка R3 выкипания 95% сырья на входе в установку 11 гидроочистки, плотность R4 сырья на входе в установку 11 гидроочистки, расход R5 сырья на установку 11 гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку 11 гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник 15 смешения, расход R8 дизельного топлива (ДТ) на выходе установки 11, расход R9 бензина на выходе установки 11 , расход R10 легкого газойля (ЛГ) на установку 11 , температура Rl 1 на входе в реактор 12.
[0119] В одном из вариантов выполнения уравнение регрессии математической модели может иметь следующий вид:
Figure imgf000025_0001
где S - содержание серы в продукте, Су - коэффициент, Ri- регрессор.
[0120] Для удобства перечень регрессоров, включенных в указанную выше модель содержания серы в ГО ДТ, представлен в следующей таблице:
Figure imgf000025_0002
[0121] Блок 24 формирования и обучения модели может быть также выполнен с возможностью переобучения модели при дальнейшем накоплении исторической выборки, например, с поступлением новых данных лабораторных анализов, с изменением коэффициентов регрессии (автоматически, при необходимости). Это позволяет корректировать приближенные функции моделей в окрестности текущей точки равновесия реального нелинейного процесса, тем самым повышая их точность.
[0122] Предпочтительно все данные по технологическим параметрам поступающие в модель берутся с усреднением в час.
[0123] На фиг.З представлены график содержания серы в ГО ДТ, построенный на основании реальных исторических данных, и график содержания серы в ГО ДТ, спрогнозированный предложенной системой 20 прогнозирования с помощью обученной модели на основе полученных значений. График, основанный на реальных исторических данных, построен с помощью непрерывной линии, а график, спрогнозированный системой 20 прогнозирования построен с помощью пунктирной линии. Как видно, предложенная система 20 прогнозирования в большинстве случаев достаточно точно предсказывает тенденцию по изменению содержанию серы в ГО ДТ, но, вместе с тем, присутствуют случаи, когда модель не воспроизводит все всплески по амплитуде, соответствующие реальным данным. Общепринятая практика по разработке прогнозных регрессионных моделей допускает частичное не улавливание резких всплесков. Таким образом, с учетом приемлемых показателей качества предложенная система 20 прогнозирования содержания серы может быть использована при ведении технологического процесса для прогнозирования содержания серы в ГО ДТ.
[0124] Блок 21 приема параметров также может быть выполнен с возможностью приема второго набора значений, которые могут представлять собой значения параметров процесса гидроочистки, которые не входят в обучающее множество, то есть не являются ретроспективными. Блок 21 приема параметров также может быть выполнен с возможностью приема значений отдельных параметров от оператора, например, для прогнозирования влияния на содержание серы изменения одного из параметров, входящих в модель.
[0125] Новые данные, полученные от блока 21 приема параметров поступают в блок 25 прогнозирования который выполняет вычисление прогнозируемого содержания серы на основании сформированной и обученной модели и поступивших новых параметров. Блок 25 прогнозирования может быть реализован с помощью одной или более специализированных интегральных схем (ASIC), цифровых сигнальных процессоров (DSP), устройств цифровой обработки сигналов (DSPD), программируемых логических устройств (PLD), программируемых вентильных матриц (FPGA), контроллеров, микроконтроллеров, микропроцессоров или других электронных элементов. Блок 25 прогнозирования может быть также реализован на базе персонального или промышленного компьютера достаточной вычислительной мощности или распределенной сети таких вычислительных средств. Блок 25 прогнозирования может быть также оборудован интерфейсом ввода/вывода, обеспечивающим интерфейс между блоком 25 прогнозирования и периферийными устройствами, например, клавиатурой, дисплеем и т.п. Периферийные устройства могут быть использованы, например, для внесения изменений в программный код, под управлением которого блок 25 прогнозирования выполняет свои функции.
[0126] Результаты прогнозирования могут быть использованы для отображения ключевых параметров процесса на экране терминала 26 оператора и/или инженера- технолога, например, посредством построения соответствующих графиков. При этом визуализация технологического процесса на экране терминала 26 оператора и/или инженера-технолога может осуществляться в режиме реального времени. Таким образом, обеспечивается возможность слежения за трендами изменения содержания серы в реальном времени между осуществлениями лабораторных анализов. Терминал 26 оператора и/или инженера-технолога может также обеспечивать возможность выбора объектов и параметров для анализа и мониторинга с помощью соответствующих элементов интерфейса пользователя.
[0127] При этом возможность задания с помощью терминала произвольных значений контролируемых параметров, например, расхода R5 сырья на установку, расхода R6 подпиточного ВСГ на установку, температуры Rl 1 на входе в реактор, расход квенча и др. позволяет обеспечить поддержку в принятии решений в реальном времени. Например, система прогнозирования обеспечивает возможностью построения в режиме реального времени прогнозов по изменению технологического процесса при изменении одного или более параметров. Таким образом, у оператора возникает возможность оценки влияния предполагаемых изменений на технологический процесс до их непосредственного осуществления. После оценки и выбора требуемого изменения параметров соответствующие команды могут быть переданы с терминала 26 оператора и/или инженера- технолога на контроллер, управляющий насосом 14, компрессором 18 установленными на технологических линиях клапанами и/или средствами 16 нагревания газо-сырьевой смеси на входе в реактор 2. Температуру в печи средств 16 нагревания, например, изменяют за счет увеличения подачи топливного газа на форсунки печи. Другие температуры могут быть изменены за счет регулирования других параметров.
[0128] Команды с терминала 26 оператора и/или инженера-технолога могут быть также отправлены на соответствующий контроллер и без участия оператора. Например, заранее заданные команды могут отправляться на контроллер при предсказании моделью превышения прогнозируемым технологическим параметром заранее заданного значения через заранее заданное время.
[0129] Терминал 26 оператора и/или инженера -технолога может представлять собой вычислительное устройство (такое как персональный компьютер, промышленный компьютер, сервер, портативный компьютер или мобильное вычислительное устройство) или программно-аппаратный комплекс (например, автоматизированное рабочее место (АРМ)). Терминал 26 оператора и/или инженера-технолога может быть оборудован интерфейсом пользователя и выполнен с возможностью приема, обработки и передачи данных. [0130] В соответствии с изобретением предложен также способ прогнозирования содержания серы в гидроочищенном дизельном топливе на основании моделей прогнозирования, представляющих из себя модели математической регрессии, сформированных и обученных, например, с помощью системы 20 прогнозирования, которая описана выше.
[0131] В соответствии с предложенным способом прогнозирования содержания серы в гидроочищенном дизельном топливе (ГО ДТ) в блоке 21 приема параметров принимают и сохраняют в блоке 22 хранения параметров первый набор значений параметров процесса гидроочистки в виде одного или более временных рядов. Значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки и гидроочищенного дизельного топлива на выходе установки и данные от датчиков установки ГО ДТ.
[0132] Далее, выполняют фильтрацию значений в упомянутых временных рядах с применением контрольных карт Шухарта.
[0133] После этого, на основании фильтрованных временных рядов выполняют формирование обучающего множества и определяют размер движущегося окна обучения на основании среднеквадратичного отклонения содержания серы в ГО ДТ и максимума коэффициента корреляции между историческими и предсказываемыми значениями содержания серы в ГО ДТ.
[0134] Далее, выполняют формирование модели прогнозирования содержания серы в ГО ДТ на основе полиномиальной регрессионной модели произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура R11 ГСС на входе в реактор.
[0135] После формирования модели ее обучают на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия моделируемой серы ретроспективным значениям выше заранее заданного уровня. [0136] После обучения модели она может быть использована для прогнозирования содержания серы в ГО ДТ. Для этого с помощью блока 21 приема параметров получают второй набор значений физических параметров процесса и подают указанный второй набор в блок 25 прогнозирования, который прогнозирует содержание серы в ГО ДТ на выходе установки гидроочистки с помощью обученной модели на основании второго набора значений.
[0137] Настоящее изобретение позволяет облегчить и осуществить поддержку при принятии решения оператором при изменении параметров технологических процессов, с функциями оперативного анализа массивов данных, расчета оптимальной температуры в реакторе, прогнозирования остаточного ресурса катализатора, позволяет повысить гибкость планирования и управления технологическими процессами, увеличить загрузку технологических установок за счет более полного использования ресурса каталитической системы и лучшей управляемости технологическими процессами, увеличить выход более ценных продуктов за счет лучшей управляемости технологическими процессами и смягчения режимов, сократить время на привлечение оперативного персонала технологических установок для выполнения ручных расчетов с целью анализа состояния каталитических систем, увеличить выход целевой продукции за счет более мягких условий переработки, увеличить количество переработанного сырья на одном катализаторе, снизить эксплуатационные затраты на катализатор, повысить точность планирования, увеличить количество переработанного сырья на катализаторе.
[0138] Приведенное выше описание предназначено исключительно для иллюстрации предложенного изобретения, а не для его ограничения. Описанные варианты выполнения и их аспекты могут использоваться, например, в комбинации друг с другом. Кроме того, предложенное изобретение может быть модифицировано для приспособления к конкретным ситуациям и условиям, при этом подобные модификации также входят в объем охраны. Множество других вариантов выполнения будут очевидны для специалистов в данной области техники после ознакомления с настоящим описанием. Поэтому объем охраны предложенного изобретения определяется прилагаемой формулой изобретения, наряду со всем объемом эквивалентов, на которые такая формула изобретения дает право.
[0139] Например, деление на блоки, использованное в настоящем описании является лишь делением согласно логическим функциям. Таким образом, один или более функциональных блоков могут быть реализованы, например, в едином комплексе программно-аппаратных средств (например, процессоре для обработки сигналов общего назначения, микроконтроллере, оперативном запоминающем устройстве, жестком диске и т.п.). Кроме того, несколько блоков или компонентов могут быть объединены или интегрированы в другую систему. В качестве варианта, некоторые функции могут опускаться или не выполняться. Кроме того, показанное или обсуждаемое взаимное соединение или прямое соединение, или коммуникационное соединение может быть косвенным соединением или коммуникационным соединением через интерфейсы, устройства или блоки, или также может быть электрическим, механическим или другим видом соединения. Функциональность одного или более блоков может быть реализована, например, с помощью машиночитаемого носителя, на котором записан программный код, при выполнении которого процессором вычислительное устройство обеспечивает выполнение соответствующих функций. В случае реализации блоков в виде отдельных программно-аппаратных комплексов связь между ними, а также с датчиками на установке 11 ГО ДТ, может осуществляться с помощью средств беспроводной связи, например, посредством системы Промышленного Интернета Вещей (Industrial Internet of Things, ПоТ), технологий беспроводной локальной сети (WiFi), технологий стандарта долговременного развития (Long-Term Evolution, LTE), широковещательных каналов, модулей коммуникации ближнего поля (Near field communication, NFC), технологии Bluetooth (ВТ) и других проводных и/или беспроводных технологий.
[0140] Блоки показанной на фиг.2 системы 20 прогнозирования могут быть реализованы на базе промышленного компьютера или их распределенной сети.
[0141] Используемый в настоящем описании элемент, изложенный в единственном числе, не должен пониматься как исключающий множественное число упомянутых элементов, если только такое исключение не указано явно. Кроме того, ссылки на "один вариант выполнения" предложенного изобретения не должны быть интерпретированы как исключающие существование дополнительных вариантов выполнения, которые также включают указанные отличительные признаки. Более того, если явно не указано обратное, варианты выполнения изобретения "включающие" или "содержащие" элемент или множество элементов, имеющих конкретное свойство, могут дополнительно включать такие элементы, которые не имеют этого свойства.

Claims

29 ФОРМУЛА ИЗОБРЕТЕНИЯ
1. Система для прогнозирования содержания серы в гидроочищенном дизельном топливе, включающая: блок приема значений параметров, выполненный с возможностью приема первого набора значений параметров процесса гидроочистки, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки в виде одного или более временных рядов; блок фильтрации, выполненный с возможностью фильтрации сохраненных значений временных рядов с применением контрольных карт Шухарта; блок формирования и обучения модели, выполненный с возможностью: формирования обучающего множества на основании фильтрованных значений временных рядов, определения оптимального размера движущегося окна обучения на основании среднеквадратичного отклонения содержания серы в гидроочищенном дизельном топливе и максимума коэффициента корреляции, формирования модели прогнозирования содержания серы в гидроочищенном дизельном топливе , при этом модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура R11 газо-сырьевой смеси на входе в реактор; и обучения модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатель соответствия моделируемого содержания серы в
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 30 гидроочищенном дизельном топливе ретроспективным значениям выше заранее заданного уровня; при этом блок приема значений параметров выполнен также с возможностью приема второго набора значений, представляющих собой значения параметров процесса гидроочистки, которые не входят в обучающее множество; блок прогнозирования, выполненный с возможностью прогнозирования содержания серы в гидроочищенном дизельном топливе на основе сформированной и обученной модели и поступивших новых значений параметров.
2. Система по п.1, в которой блок приема параметров выполнен с возможностью получения новых значений параметров процесса гидроочистки, и блок формирования и обучения модели выполнен с возможность автоматического переобучения модели на основании упомянутых полученных новых значений параметров процесса гидроочистки.
3. Система по любому из предшествующих пунктов, в которой блок прогнозирования выполнен с возможностью передачи данных о спрогнозированном значении содержания серы в гидроочищенном дизельном топливе на терминал оператора и/или инженера-технолога.
4. Система по любому из предшествующих пунктов, в которой блок прогнозирования выполнен с возможностью передачи данных о спрогнозированном значении содержания серы в гидроочищенном дизельном топливе на блок управления установкой ГО ДТ.
5. Система по любому из предшествующих пунктов, в которой смежными членами модели являются: расход R1 сырья на нитку и точка R2 выкипания 50% сырья на входе в установку гидроочистки; расход R1 сырья на нитку и точка R3 выкипания 95% сырья на входе в установку гидроочистки; расход R1 сырья на нитку и расход R5 сырья на установку гидроочистки; расход R1 сырья на нитку и расход R6 подпиточного ВСГ на установку гидроочистки; расход R1 сырья на нитку и расход R10 ЛГ на установку;
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) расход R1 сырья на нитку и температура R11 газо-сырьевой смеси на входе в реактор.
6. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки; точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки; точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения; точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R10 ЛГ на установку; точка R2 выкипания 50% сырья на входе в установку гидроочистки и температура Rl 1 газо-сырьевой смеси на входе в реактор.
7. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки; точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения; точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R10 ЛГ на установку точка R3 выкипания 95% сырья на входе в установку гидроочистки и температура Rl 1 газо-сырьевой смеси на входе в реактор.
8. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: плотность R4 сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки плотность R4 сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26)
9. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: расход R5 сырья на установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки; расход R5 сырья на установку гидроочистки и температура R11 газо-сырьевой смеси на входе в реактор.
10. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: расход R6 подпиточного ВСГ на установку гидроочистки и температура R11 газосырьевой смеси на входе в реактор.
11. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: расход R7 ЦВСГ в тройник смешения и температура Rl 1 газо-сырьевой смеси на входе в реактор.
12. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: расход R8 ДТ на выходе установки и расход R9 бензина на выходе установки.
13. Система по любому из предшествующих пунктов, в которой смежными членами модели также являются: расход R10 ЛГ на установку и температура R11 газо-сырьевой смеси на входе в реактор.
14. Система по любому из предшествующих пунктов, в которой уравнение регрессии имеет следующий вид:
Figure imgf000034_0001
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 33
15. Система для прогнозирования содержания серы в гидроочищенном дизельном топливе, включающая: блок приема значений параметров, выполненный с возможностью приема значений параметров процесса гидроочистки, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; блок хранения значений параметров, выполненный с возможностью сохранения принятых значений параметров процесса гидроочистки; блок прогнозирования, выполненный с возможностью прогнозирования содержания серы в гидроочищенном дизельном топливе на выходе установки гидроочистки с помощью обученной полиномиальной регрессионной модели со смежными членами на основании упомянутых значений; при этом регрессорами упомянутой регрессионной модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура Rl 1 газо-сырьевой смеси на входе в реактор; и уравнение регрессии упомянутой модели имеет следующий вид:
Figure imgf000035_0001
16. Способ прогнозирования содержания серы в гидроочищенном дизельном топливе, включающий:
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 34 прием и сохранение первого набора значений параметров процесса гидроочистки в виде одного или более временных рядов, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; фильтрацию сохраненных значений временных рядов с применением контрольных карт Шухарта; формирование обучающего множества на основании фильтрованных временных рядов; определение оптимального размера движущегося окна обучения на основании среднеквадратичного отклонения содержания серы в ГО ДТ и максимума коэффициента корреляции; формирование модели прогнозирования содержания серы в ГО ДТ, при этом модель является полиномиальной регрессионной моделью произвольного порядка со смежными членами, регрессорами которой являются упомянутые параметры процесса, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного водород содержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура Rl 1 газо-сырьевой смеси на входе в реактор; обучение модели на обучающем множестве с получением коэффициентов регрессии, обеспечивающих показатели соответствия моделируемой серы в гидроочищенном дизельном топливе ретроспективным значениям выше заранее заданного уровня; получение второго набора значений параметров процесса; прогнозирование содержания серы в ГО ДТ на выходе установки гидроочистки с помощью обученной модели на основании второго набора значений.
17. Способ по п.16, который дополнительно включает шаг получения новых значений параметров процесса гидроочистки и автоматическое переобучение модели на основании упомянутых полученных новых значений параметров процесса гидроочистки.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 35
18. Способ по любому из п.п. 16-17, который дополнительно включает шаг передачи данных о спрогнозированных значениях содержания серы в ГО ДТ на терминал оператора и/или инженера-технолога.
19. Способ по любому из п.п. 16-18, который дополнительно включает шаг передачи данных о спрогнозированных значениях содержания серы в ГО ДТ на блок управления установкой ГО ДТ.
20. Способ по любому из п.п. 16-19, в котором смежными членами модели являются: расход R1 сырья на нитку и точка R2 выкипания 50% сырья на входе в установку гидроочистки; расход R1 сырья на нитку и точка R3 выкипания 95% сырья на входе в установку гидроочистки; расход R1 сырья на нитку и расход R5 сырья на установку гидроочистки; расход R1 сырья на нитку и расход R6 подпиточного ВСГ на установку гидроочистки; расход R1 сырья на нитку и расход R10 ЛГ на установку; расход R1 сырья на нитку и температура R11 газо-сырьевой смеси на входе в реактор;
21. Способ по любому из п.п. 16-20, в котором смежными членами модели также являются: точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки; точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки; точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения; точка R2 выкипания 50% сырья на входе в установку гидроочистки и расход R10
ЛГ на установку; точка R2 выкипания 50% сырья на входе в установку гидроочистки и температура Rl 1 газо-сырьевой смеси на входе в реактор.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 36
22. Способ по любому из п.п. 16-21, в котором смежными членами модели также являются: точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки; точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения; точка R3 выкипания 95% сырья на входе в установку гидроочистки и расход R10 ЛГ на установку точка R3 выкипания 95% сырья на входе в установку гидроочистки и температура Rl 1 газо-сырьевой смеси на входе в реактор.
23. Способ по любому из п.п. 16-22, в котором смежными членами модели также являются: плотность R4 сырья на входе в установку гидроочистки и расход R5 сырья на установку гидроочистки плотность R4 сырья на входе в установку гидроочистки и расход R7 ЦВСГ в тройник смешения.
24. Способ по любому из п.п. 16-23, в котором смежными членами модели также являются: расход R5 сырья на установку гидроочистки и расход R6 подпиточного ВСГ на установку гидроочистки; расход R5 сырья на установку гидроочистки и температура R11 газо-сырьевой смеси на входе в реактор.
25. Способ по любому из п.п. 16-24, в котором смежными членами модели также являются: расход R6 подпиточного ВСГ на установку гидроочистки и температура Rl 1 газосырьевой смеси на входе в реактор.
26. Способ по любому из п.п. 16-25, в котором смежными членами модели также являются: расход R7 ЦВСГ в тройник смешения и температура Rl 1 газо-сырьевой смеси на входе в реактор.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) 37
27. Способ по любому из и. и. 16-26, в котором смежными членами модели также являются: расход R8 ДТ на выходе установки и расход R9 бензина на выходе установки.
28. Способ по любому из и. и. 16-27, в котором смежными членами модели также являются: расход R10 ЛГ на установку и температура R11 газо-сырьевой смеси на входе в реактор.
29. Способ по любому из и. и. 16-28, в котором уравнение регрессии имеет следующий вид:
Figure imgf000039_0001
30. Способ прогнозирования содержания серы в гидроочищенном дизельном топливе, включающий: прием и сохранение значений параметров процесса гидроочистки в запоминающем устройстве, при этом значения параметров процесса гидроочистки включают данные лабораторных анализов сырья на входе установки гидроочистки дизельного топлива (ГО ДТ) и гидроочищенного дизельного топлива на выходе упомянутой установки и данные от датчиков установки ГО ДТ; прогнозирование содержания серы в гидроочищенном дизельном топливе на выходе установки ГО ДТ с помощью обученной полиномиальной регрессионной модели со смежными членами на основании упомянутого набора значений, при этом регрессорами упомянутой регрессионной модели являются упомянутые параметры процесса гидроочистки, включающие: расход R1 сырья на нитку, точка R2 выкипания 50% сырья на входе в установку гидроочистки, точка R3 выкипания 95% сырья на входе в установку гидроочистки, плотность R4 сырья на входе в установку гидроочистки, расход R5 сырья на установку гидроочистки, расход R6 подпиточного
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26) водородсодержащего газа (ВСГ) на установку гидроочистки, расход R7 циркулирующего водородсодержащего газа (ЦВСГ) в тройник смешения, расход R8 дизельного топлива (ДТ) на выходе установки, расход R9 бензина на выходе установки, расход R10 легкого газойля (ЛГ) на установку, температура Rl 1 газо-сырьевой смеси на входе в реактор; и уравнение регрессии упомянутой регрессионной модели имеет следующий вид:
Figure imgf000040_0001
31. Машиночитаемый носитель, хранящий программный продукт с программными инструкциями, при исполнении которых процессором обеспечивается выполнение способа по любому из п.пЛ6-30.
ЗАМЕНЯЮЩИЕ ЛИСТЫ (ПРАВИЛО 26)
PCT/RU2022/050374 2021-12-29 2022-11-30 Система прогнозирования содержания серы в гидроочищенном дизельном топливе WO2023128826A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2021139603A RU2786373C1 (ru) 2021-12-29 Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования содержания серы в гидроочищенном дизельном топливе
RU2021139603 2021-12-29

Publications (1)

Publication Number Publication Date
WO2023128826A1 true WO2023128826A1 (ru) 2023-07-06

Family

ID=87000019

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2022/050374 WO2023128826A1 (ru) 2021-12-29 2022-11-30 Система прогнозирования содержания серы в гидроочищенном дизельном топливе

Country Status (1)

Country Link
WO (1) WO2023128826A1 (ru)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060266018A1 (en) * 2005-05-31 2006-11-30 Caterpillar Inc. Exhaust control system implementing sulfur detection
RU2443472C2 (ru) * 2006-08-03 2012-02-27 Шелл Интернэшнл Рисерч Маатсхаппий Б.В. Высокостабильный катализатор гидрообессеривания тяжелых углеводородов и способы его получения и применения
RU2671868C1 (ru) * 2017-06-02 2018-11-07 Вячеслав Валентинович Пащенко Способ определения оптимальных параметров при облагораживании светлых нефтепродуктов и устройство для его осуществления
US20200191073A1 (en) * 2018-12-18 2020-06-18 Caterpillar Inc. Fuel content detection based on a measurement from a sensor and a model estimation of the measurement
CN111899813A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 柴油加氢装置的产物预测模型优化方法、***、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060266018A1 (en) * 2005-05-31 2006-11-30 Caterpillar Inc. Exhaust control system implementing sulfur detection
RU2443472C2 (ru) * 2006-08-03 2012-02-27 Шелл Интернэшнл Рисерч Маатсхаппий Б.В. Высокостабильный катализатор гидрообессеривания тяжелых углеводородов и способы его получения и применения
RU2671868C1 (ru) * 2017-06-02 2018-11-07 Вячеслав Валентинович Пащенко Способ определения оптимальных параметров при облагораживании светлых нефтепродуктов и устройство для его осуществления
US20200191073A1 (en) * 2018-12-18 2020-06-18 Caterpillar Inc. Fuel content detection based on a measurement from a sensor and a model estimation of the measurement
CN111899813A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 柴油加氢装置的产物预测模型优化方法、***、设备及存储介质

Similar Documents

Publication Publication Date Title
Elfghi A hybrid statistical approach for modeling and optimization of RON: A comparative study and combined application of response surface methodology (RSM) and artificial neural network (ANN) based on design of experiment (DOE)
Jarullah et al. Kinetic model development and simulation of simultaneous hydrodenitrogenation and hydrodemetallization of crude oil in trickle bed reactor
AU2002331207B2 (en) Process to prepare a hydrocarbon product having a sulphur content of below 0.05 wt %
AU2007337863B2 (en) System and method for prediction of deterioration
Mederos et al. Steady‐state and dynamic reactor models for hydrotreatment of oil fractions: a review
US20210348066A1 (en) Predictive control systems and methods with hydrocracker conversion optimization
Iranshahi et al. Modeling and simulation of a novel membrane reactor in a continuous catalytic regenerative naphtha reformer accompanied with a detailed description of kinetics
CN108287474B (zh) 基于原料不确定性的催化重整反应器鲁棒操作优化方法
CN118098403A (zh) 一种提高催化柴油加氢转化产品收率的方法
Ivanchina et al. Mathematical modeling and optimization of semi-regenerative catalytic reforming of naphtha
Mik et al. Optimization of grading guard systems for trapping of particulates to prevent pressure drop buildup in gas oil hydrotreater
RU2786373C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования содержания серы в гидроочищенном дизельном топливе
RU2796210C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования оптимальной температуры газо-сырьевой смеси на входе в реактор установки гидроочистки дизельного топлива
RU2797753C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования изменения послойной активности катализатора в установке гидроочистки дизельного топлива
WO2023128826A1 (ru) Система прогнозирования содержания серы в гидроочищенном дизельном топливе
RU2786783C1 (ru) Способ, система и машиночитаемый носитель с программным продуктом для прогнозирования изменения активности катализатора в установке гидроочистки дизельного топлива
Jarullah Kinetic Modelling Simulation and Optimal Operation of Trickle Bed Reactor for Hydrotreating of Crude Oil. Kinetic Parameters Estimation of Hydrotreating Reactions in Trickle Bed Reactor (TBR) via Pilot Plant Experiments; Optimal Design and Operation of an Industrial TBR with Heat Integration and Economic Evaluation.
WO2023128827A1 (ru) Прогнозирование температуры газо-сырьевой смеси при гидроочистке дизельного топлива
WO2023128829A1 (ru) Способ прогнозирования изменения послойной активности катализатора топлива
Shakoor Catalytic reforming of heavy naphtha, analysis and simulation
WO2023128828A1 (ru) Прогнозирование изменения активности катализатора в установке гидроочистки дизельного топлива
CN102750454A (zh) 一种氢气消耗预测值获取方法、装置及***
Sadighi et al. Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network
Pinos et al. Modelling of H2 consumption and process optimization for hydrotreating of light gas oils
Gökçe Model predictive controller design of hydrocracker reactors

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22916896

Country of ref document: EP

Kind code of ref document: A1