專利名稱：：工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法
技術領域：
：本發(fā)明涉及一種工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法。技術背景分離精餾裝置作為化學工業(yè)生產過程中最重要的一種分離設備應用非常廣泛。實施基于分餾塔嚴格機理模型的在線操作優(yōu)化對提高產品質量、降低能耗有著重要意義，再次實施過程中涉及工業(yè)裝置數(shù)據(jù)協(xié)調技術、工業(yè)裝置工藝機理模型及其模型校正技術以及高效的在線優(yōu)化技術等問題。例如，二甲苯分餾塔可以用來實現(xiàn)碳八芳烴與碳九以上芳烴的分離，艮P:塔頂收集以對二甲苯(P-Xylene,下文簡稱為PX)為主的碳八芳烴作為吸附分離操作的原料，塔底收集富含鄰二甲苯(0-Xylene，下文簡稱為0X)的碳九以上芳烴，塔底產品進入重芳烴分離塔裝置實現(xiàn)碳九芳烴與重芳烴的分離，或進入鄰二甲苯成品塔聯(lián)產鄰二甲苯。為擴大對二甲苯(PX)的生產規(guī)模，很多企業(yè)都在原有生產裝置基礎上進行改擴建，使運行狀況不同的多套裝置并行生產。為了使各裝置運行在最佳操作點并且降低裝置的能耗、提高企業(yè)的經濟效益，合理分配裝置的生產負荷和發(fā)揮各裝置的潛能顯得尤為重要。如圖l所示的分餾系統(tǒng)F101流股的一部分與F103流股的一部分分別流入分餾塔DAIOI，經DA101塔處理后，低組分流股F104從塔頂產出，塔底產出為F105;同理，F(xiàn)102流股的一部分與F108分別進入另一不同結構的分餾塔，塔頂產出F109，塔底為F110;F101與F103流股的剩余部分分別進入第三套分餾裝置，塔頂產出F114，塔底為F115。在此系統(tǒng)中，各分餾裝置的結構與操作條件不同，導致其對原料的分離效果不同，因此，如何合理分配FIOI、F102及F103等進入各塔的流股資源，對優(yōu)化裝置的生產以及節(jié)能降耗起關鍵作用。
發(fā)明內容本發(fā)明提供了一種工業(yè)分餾系統(tǒng)負荷分配在線優(yōu)化方法，此方法根據(jù)實際工業(yè)數(shù)據(jù)，應用自適應動量因子PS0(ParticleSwarmOptimization,粒子群優(yōu)化，以下簡稱PSO)算法，首先對來自分餾系統(tǒng)的過程數(shù)據(jù)進行協(xié)調；以此為基礎，建立分餾系統(tǒng)的機理模型，并用人工免疫優(yōu)化校正技術對分餾系統(tǒng)工業(yè)模型進行校正，得到能反映工業(yè)裝置實際運行工況的分餾系統(tǒng)模型；最后，根據(jù)實際生產情況和目標，應用序列二次規(guī)劃(SequentialQuadraticProgramming,以下簡稱SQP)算法和專家經驗相融合的優(yōu)化算法對操作負荷進行最佳分配，使分餾裝置在保證產品產量和質量前提下，達到節(jié)能降耗的目的。本工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，包括以下步驟工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征在于所述方法包括以下步驟①采集工業(yè)分餾系統(tǒng)的實時和歷史數(shù)據(jù)；②根據(jù)所采集數(shù)據(jù)，確定需要進行數(shù)據(jù)協(xié)調的已測變量和需要進行估計的未測變量，并由測量變量樣本估計測量誤差的方差，預置過失誤差在誤差中出現(xiàn)的比例和過失誤差標準差與隨機誤差標準差的比率；③利用基于自適應動量因子的PS0智能優(yōu)化算法，每個粒子的維數(shù)對應需要校正的模型參數(shù)的個數(shù)，各維的位置值對應各參數(shù)值，計算粒子群中每個粒子的適應度，對采集的裝置數(shù)據(jù)進行協(xié)調，直至達到協(xié)調的目標；在以上裝置數(shù)據(jù)的協(xié)調基礎上，根據(jù)組分物料平衡方程、相平衡方程、摩爾分率加和方程、總包物料平衡方程及焓平衡方程建立分餾裝置的機理模型，并確定分餾系統(tǒng)校正的目標函數(shù)；⑤根據(jù)分餾裝置的實際情況，確定需要校正的塔板效率數(shù)，利用基于人工免疫智能優(yōu)化算法，根據(jù)需要校正的參數(shù)個數(shù)，確定每個免疫抗體的個數(shù)，抗體的規(guī)模，根據(jù)分餾系統(tǒng)校正后的目標函數(shù)計算各抗體的適應度，對分餾系統(tǒng)的塔板效率進行校正，直至達到優(yōu)化目標；⑥確定分餾系統(tǒng)的優(yōu)化操作變量及約束條件，建立回流比與塔釜產出量之間的專家經驗庫，運行分餾系統(tǒng)的校正模型，得到各分餾裝置塔頂與塔釜的產品產量與質量及塔釜的熱負荷，以塔釜總熱負荷最低為目標，利用SQP結合專家判斷對負荷資源進行重新配置，并調整裝置的回流比，直到達到優(yōu)化目標。所述步驟①中的數(shù)據(jù)包括裝置數(shù)據(jù)和分析數(shù)據(jù)，裝置數(shù)據(jù)包括分餾裝置的各股進料流量和溫度、塔頂與塔釜的產出流量、塔頂回流量、塔頂溫度和壓力、塔釜溫度；分析數(shù)據(jù)包括分餾裝置各股進料和出料的成分數(shù)據(jù)。所述步驟③中的適應度，為數(shù)據(jù)協(xié)調的目標函數(shù)，即<formula>formulaseeoriginaldocumentpage7</formula>為測量誤差，q為服從儀表測量誤差的正態(tài)分布方差，7為過失誤差在誤差中出現(xiàn)的比例，y為過失誤差標準差與隨機誤差標準差的比率。所述步驟③中的協(xié)調目標，為數(shù)據(jù)協(xié)調循環(huán)次數(shù)或適應度門檻值。所述步驟④中的目標函數(shù)，為校正后分餾系統(tǒng)的塔頂、塔釜及關鍵點的塔板溫度與實測值偏差最小，即使:<formula>formulaseeoriginaldocumentpage7</formula>w、n及k分別對應每個塔的產出數(shù)、塔板數(shù)及每個塔塔頂、塔釜產出的成分百分比數(shù)，分別表示塔頂、塔釜產出；各塔板溫度值；塔頂、塔釜產出的流量百分比模型計算值，W《、表示分餾裝置運行時它們的實際值。所述步驟⑤中的優(yōu)化目標，為數(shù)據(jù)優(yōu)化循環(huán)次數(shù)或適應度門檻值。所述步驟⑥中的優(yōu)化目標，為SQP迭代條件及各塔的塔頂塔釜的關鍵產出滿足產品的產量、質量要求的門檻值。本發(fā)明提供一種工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化運行的方法，利用自適應動量因子PS0算法對分餾系統(tǒng)的裝置數(shù)據(jù)進行協(xié)調，在此基礎上，對分餾系統(tǒng)機理模型進行校正，提高模型對工業(yè)過程描述的精度，建立工業(yè)運行模型，并在模型的基礎上，再次，對裝置負荷進行最佳分配、發(fā)揮了現(xiàn)有裝置的潛能、降低能耗，為生產工藝的改造等提供基礎和依據(jù)，且此方法適用于各類分餾系統(tǒng)的負荷在線優(yōu)化，易于移植，有著廣泛的適應性。圖l是分餾系統(tǒng)的工藝流程圖；圖2是自適應動量因子PS0算法；圖3是分餾系統(tǒng)模型校正框圖；圖4是分餾塔任一塔板物料進出情況圖；圖5是利用SQP結合專家經驗的分餾系統(tǒng)資源優(yōu)化配置框圖。附圖符號說明圖圖1中，DA101、DA102和DA103分別為不同結構的分餾裝置;FlOl、F102、F103和F108為總進料;F107與F113為資源分配后的部分進料;F104、F109和F114分別為各分餾塔的塔頂產出；F105、F110和F115分別為它們的塔釜產出，F(xiàn)106、Fill和F116分別為它們的回流量，EAIOI、FA101和BA101為DA101塔的冷凝罐、緩沖罐和再沸器，同樣，EA102、FA102、BA102及EA103、FA103、BA103也分別為DA102塔與DA103塔的冷凝罐、緩沖罐和再沸器。圖2中，f為校正循環(huán)次數(shù)，(么t7)中i為估計的已測變量，^為估計的未測變量。圖4中，《為進入"層塔板的進料量，a為進入"層塔板的熱量；4為離開"層板的液體量，其中至下層板的液體量為Z"，從"層板抽出的液體量為rz";Z_,為自上層板來的液體量；R+1為自下層板來的汽體量；K"為離開n層板的汽體量，其中至上層板的汽體量為《，從"層板抽出的汽體量為PfT";2;為來自相關塔底的液體量；g為來自相關塔頂?shù)钠w量；『A為來自相關塔側線的液體量；wr;為來自相關塔側線的汽體量；下標J'、6、/、m為模擬塔中的板號。具體實施方式下面結合附圖和實施例對本發(fā)明進一步說明。本具體實施例進行在線資源配置的工業(yè)裝置二甲苯分餾系統(tǒng)如圖2所示，DA101、DA102和DA103分別為不同結構的分餾裝置;FlOl、F102、F103和F108為總進料；F107、F112與F113為資源分配后的部分進料；F104、F109和F114分別為各分餾塔的塔頂產出；F105、F110和F115分別為它們的塔釜產出，F(xiàn)106、Fill和F116分別為它們的回流量，EAIOI、FA101和BA101為DA101塔的冷凝罐、緩沖罐和再沸器，同樣，EA102、FA102、BA102及EA103、FA103、BA103也分別為DA102塔與DA103塔的冷凝罐、緩沖罐和再沸器。本實施例通過以下方法對FlOl、F102及F103等進入各塔的流股資源進行分配，具體包括以下步驟1.采集工業(yè)分餾系統(tǒng)的實時和歷史數(shù)據(jù)。數(shù)據(jù)包括裝置數(shù)據(jù)和分析數(shù)據(jù)裝置數(shù)據(jù)包括分餾裝置的各股進料流量、溫度和壓力、塔頂與塔釜的產出流量、塔頂回流量、塔頂溫度和壓力、塔釜溫度；分析數(shù)據(jù)包括分餾裝置各股進料和出料的成分數(shù)據(jù)。在本實施例中所采集到的裝置數(shù)據(jù)為流股FlOl、F102、F103、F107、F108、F112及F113的入塔溫度、流量及壓力；DAIOI、DA102、DA103塔的塔頂產出流量F104、F109及F114及溫度；塔的回流量F106、F111及F116;塔釜產出流量F105、F110及F115及各塔的塔頂、塔釜溫度和塔頂壓力。采集到的分析數(shù)據(jù)為對FIOI、F102、F103、F108、F104、F109、F114、F105、F110及F115的分析數(shù)據(jù)。2.根據(jù)所采集數(shù)據(jù)，確定需要進行數(shù)據(jù)協(xié)調的己測變量和需要進行估計的未測變量，并由測量變量樣本估計測量誤差的方差，預置過失誤差在誤差中出現(xiàn)的比例和過失誤差標準差與隨機誤差標準差的比率在進行實際裝置運行工況在線優(yōu)化時，其大量數(shù)據(jù)主要是來自現(xiàn)場儀表的測量。由于儀表精度及測量環(huán)境等的影響，現(xiàn)場采集的過程操作數(shù)據(jù)不可避免地存在著隨機誤差，有時還會由于受到諸如測量儀表的不準或失靈以及容器或管道泄漏等多種因素的影響，使得直接測量的數(shù)據(jù)不僅不能反映過程運行的真實情況，而且還常常違背基本的物料平衡和能量平衡關系，如果利用這樣的數(shù)據(jù)來進行在線優(yōu)化，必然會對優(yōu)化的效果造成影響。因而，需對現(xiàn)場采集到的數(shù)據(jù)進行協(xié)調。基于過程數(shù)據(jù)協(xié)調與測量誤差判斷的優(yōu)化問題可描述為脂'"=l;inK卜;7)邵[-4fc^]+2邵[-4^4^]〉(1)s丄￡(^,。=0(2)Ji^hxu;C/^^W(3)這里，A為m維被測變量測量值；A為變量測量值X,的估計值；"表示過失誤差在測量誤差中所占的比例(;/〈0.5);為服從儀表測量誤差的正態(tài)分布方差；y為過失誤差標準差與隨機誤差標準差的比率(y〈0.2);^未測變量的估計值；i為滿足過程變量的平衡方程；X、X"和W、f/"分別為測量變量和未測變量的上下限。3.利用基于自適應動量因子的PSO智能優(yōu)化算法，每個粒子的維數(shù)對應需要校正的模型參數(shù)的個數(shù)，各維的位置值對應各參數(shù)值，計算粒子群中每個粒子的適應度，對采集的裝置數(shù)據(jù)進行協(xié)調，直至達到協(xié)調的目標問題(1)可以通過自適應動量因子PSO算法進行優(yōu)化，可以得出》和^,然后通過誤差^-x「^來判斷是否存在過失誤差。判斷的準則是如果A屬于過失誤差的概率大于其屬于隨機誤差的概率，艮P:則相應的測量中含有過失誤差；反之則沒有過失誤差。具體數(shù)據(jù)協(xié)調的算法步驟為1)確定需要進行協(xié)調的已測變量X和需要進行估計的未測變量"，并由測量變量樣本估計測量誤差的方差。2)預置過失誤差在誤差中出現(xiàn)的比例7和過失誤差標準差與隨機誤差標準差的比率p3)采用自適應動量因子PSO優(yōu)化算法求解式(1)，得到(t。。4)計算各個測量變量的誤差~=^-&，通過式(2)判斷是否存在過失誤差，如果無過失誤差存在，返回&,。，算法結束；否則繼續(xù)。5)對判斷存在過失誤差的^，計算將最大的《所反應的過程測量變量作為未測變量，得到新的X和f/，返回3)。對基于自適應動量因子PSO優(yōu)化算法進行簡單介紹，內容如下自適應動量因子PSO優(yōu)化算法，首先初始化一群隨機粒子，然后通過迭代找到最優(yōu)解，在每次迭代中，粒子通過跟蹤當前自身的找到個體最優(yōu)值和整個種群找到的全局最優(yōu)值，區(qū)別于傳統(tǒng)的PSO算法，自適應動量因子PSO是在迭代過程中，根據(jù)迭代效果自動確定PSO中的慣性動量因子，控制粒子的分散性，避免陷入局部最優(yōu)。自適應動量因子PSO算法的迭代過程由下式描述<formula>formulaseeoriginaldocumentpage12</formula>(11)則慣性動量因子為<0=-+0其中，r是粒子的速度，/7是粒子當前的位置；AT粒子維數(shù)；A,Q:加速系數(shù)；必")動量因子；《Wf/(0，l);巧W:/時刻粒子,'的位置；Vf(7j:/時刻粒子f的速度；:Z時刻粒子Z的位置的歷史最優(yōu)值；/時刻全局最優(yōu)粒子的位置；《W:,時刻粒子,'的適應度值；應用基于自適應動量因子PS0算法對分餾系統(tǒng)的過程數(shù)據(jù)進行協(xié)調及過失誤差的判斷。適應度函數(shù)選為<formula>formulaseeoriginaldocumentpage12</formula>具體實施步驟如下1)根據(jù)約束條件(2)，(3)，按實數(shù)編碼初始一含有W個^維粒子的種群，這里取A^100，即對應IOO個樣本，每個粒子的維數(shù)s對應需要校正的模型參數(shù)的個數(shù)，即粒子位置^丫0入這里取s-8，對應需進行數(shù)據(jù)協(xié)調的分流股F102F105、F107F110;同時初始化v"O入2)r=l，利用公式(6)計算v"l」，然后代入(7)計算A，即1時刻的(之。，代入適應度函數(shù)F，并根據(jù)實際工況的操作數(shù)據(jù)，計算每個粒子的適應度值F,YU，hl,L,s，求出g，和A(i)、柳和順，并計算慣性動量因子《(%);f="l;3)對于所有粒子，g卩"l，L,s，做以下操作利用公式(6)更新v/W,公式(6)中，&=&=1.6;4)對于所有粒子，即bl，Lj，做以下操作利用公式(7)更新A'"」，即得到更新后的(義,力；5)對于所有粒子，gP/=l,L,s，計算適應度函數(shù)，并根據(jù)實際工況的操作數(shù)據(jù)，計算每個粒子的適應度值巧W,/=l，L，h求出^W和/y,"AW和<0，并計算慣性動量因子w^);6)令/=/+1，回到第3)步，直到滿足迭代終止條件，即是否超過最大校正循環(huán)次數(shù)(設為200)或小于適應度校正門檻值(設為3.6)，此時全局最優(yōu)粒子^"卩的每一維即代表需要優(yōu)化的參數(shù)值。根據(jù)實際工況數(shù)據(jù)，對一分餾裝置部分數(shù)據(jù)取某一工況，考慮長度為60分鐘的過程測量值進行了協(xié)調，結果為表l:表1分餾系統(tǒng)各流股數(shù)據(jù)協(xié)調結果<table>tableseeoriginaldocumentpage14</column></row><table>4.在以上裝置數(shù)據(jù)的協(xié)調基礎上，根據(jù)組分物料平衡方程、相平衡方程、摩爾分率加和方程、總包物料平衡方程及焓平衡方程建立分餾裝置的機理模型，并確定分餾系統(tǒng)校正的目標函數(shù)建立工業(yè)分餾裝置模型的關鍵是確定各分餾塔的塔板效率，塔板效率反映了實際塔板上汽、液兩相間傳質的完善程度。采用默弗里效率計算，定義如式<formula>formulaseeoriginaldocumentpage14</formula>(12)式中，L平衡常數(shù)K的值；；c:液相摩爾分率；_y:汽相摩爾分率；敬默弗里效率；！第z'組分；y:第y'塊塔板。建立分餾裝置的機理模型時，將主塔冷凝器定為第一塊理論板，自上往下計數(shù)，主塔底最下一塊理論板為再沸器，乂為塔系中的理論板總數(shù)。圖4表示塔內任一板的物流進出情況。對一個穩(wěn)態(tài)操作的塔，按嚴格法建立的數(shù)學模型包括如下5個方程組分物料平衡方程一f/,w-l+A>+K>——/=1,A,A^cw=l,A馬—^U-肌/,y-^^-力,"(13)相平衡方禾、王:l=/=1,A,iVc,."=1,A,iVs(14)摩爾分率加和方禾呈:IX=1IX"=i(15)總包物料平衡方禾:呈:■Am+丄—K+i—丄/—^一『丄,一^^=K"=1,八，^s焓平衡方程(16)w"，A，A^(17)以上方程中，/為組分標記，"為塔板標記，i^為總組分數(shù)，iV,為總塔板數(shù)，尺為相平衡常數(shù)，X為液相組成摩爾分率，y為汽相組成摩爾分率，為液相焓，i/,為汽相焓。分餾系統(tǒng)用于工業(yè)建模的裝置數(shù)據(jù)包括各分餾塔的所有進料流量、壓力和溫度，塔頂?shù)臏囟?、壓力及塔釜溫度；分析?shù)據(jù)包括各分餾塔所有的進出料成分組成。根據(jù)理論分析，運行過程中塔板效率的確定是一個多維的、復雜的、高度非線性的尋優(yōu)過程，這種系統(tǒng)一般存在較多的局部解，應用人工免疫優(yōu)化算法可以克服系統(tǒng)陷入局部最優(yōu)的問題。以下式總偏差￡最小為目標函數(shù)，通過采集現(xiàn)場的樣本數(shù)據(jù)，可對整個工業(yè)分餾系統(tǒng)模型進行優(yōu)化校正，求得相應的分餾塔塔板效率。五==i:(f:(々—A)2+—^/)2+l:(q/-c;.)2)(is)'.=i>iy=i這里，m=2、"=100、it=10，分別對應每個塔的產出數(shù)、塔板數(shù)及塔塔頂、塔釜產出的成分數(shù)，々、、q分別表示各裝置塔頂、塔釜產出、各塔板溫度值、塔頂、塔釜產出組分百分比的模型計算值，^v、、C》表示分餾裝置運行的實際值。5.根據(jù)分餾裝置的實際情況，確定需要校正的塔板效率數(shù)，利用基于人工免疫智能優(yōu)化算法，根據(jù)需要校正的參數(shù)個數(shù)，確定每個免疫抗體的個數(shù)，抗體的規(guī)模，計算各抗體的適應度，對分餾系統(tǒng)的塔板效率進行校正，直至達到優(yōu)化目標采用從實際生產過程采集來的經過協(xié)調后的裝置數(shù)據(jù)，通過智能的優(yōu)化算法對分餾系統(tǒng)模型的塔板效率進行優(yōu)化確定，從而建立能良好描述工業(yè)分餾裝置特性的模型，分餾系統(tǒng)模型校正框圖如圖3所示。具體步驟為1)初始化各塔塔板效率*=0，選擇每個塔關鍵的塔板對應的塔板效率作為優(yōu)化對象，按實數(shù)編碼，按先驗知識隨機設置塔板效率(在0.40.95范圍)作為初始抗體群A0)-h(0)，^(0),L(0)h,，初始抗體規(guī)模W為100。隨著種群的進化，種群規(guī)模W按式將自動逐漸減小琴+1)=薩{)/，U(19)其中/.7表示上取整，；e(O，l)為前后兩次的平均適應度之比，JN^,為最小種群規(guī)模，設為40。2)結合生產過程操作數(shù)據(jù)，通過分流裝置機理模型，計算結果輸入經過協(xié)調后的過程操作數(shù)據(jù)，運行分餾裝置的機理模型，機理模型的輸出為各裝置塔頂、塔釜產出；裝置各塔板溫度值及塔頂、塔釜產出的流量組分百分比，計算抗體-抗原的親和力/WW);3)結合步驟2)所得結果和獲取的生產過程分析數(shù)據(jù)進行判斷采用最大演化代數(shù)(IOO代)結合式子1/C4(")l^s作為算法的終止準則，如符合以上兩個條件之一，則本步驟5結束，抗體群中最佳個體即作為本算法的解；式中，e是給定的閾值(設為1%)。4)智能優(yōu)化算法調整塔板效率a)動態(tài)分配抗體群。將抗體群^^依據(jù)與抗原親和力降序排列后，按2:3:1比例分成3個子種群^V("、42(*)和430:)，iV1+iV2+iV3=W。其中，A^W為最高親和力的子種群，用于尋找局部最優(yōu)解；^2("為中等親和力的子種群，用于找到全局最優(yōu)解；43(*)為最低親和力的子種群，用于死亡。b)克隆操作。對于各抗體^層2"wWU^W按下式進行克隆，自動調整克隆規(guī)模)=脂-7，《孤)(20)其中，AT(it)為上";代的克隆規(guī)模，A^^為算法設置的最大克隆規(guī)模，設為IO。C)變異操作。對^(W中的所有抗體，按下式進行變異=雄、+"^T).(25-1)，=1，2，L/(21)這里/為尺度變異因子，,為〉1的常數(shù)(本實施例y值為1.2)，/OTg(々、分別為當代抗體群中最大的親和力函數(shù)值及平均親和力函數(shù)值，3為區(qū)間的隨機數(shù)。d)克隆選擇。評估變異后的克隆群，若/(4^)=—(4《)>/0^))，(H，2,LCy=l,2,LiV)，貝IJ:^^)=^(《；否貝U，A"不變，從而更新抗體群，實現(xiàn)信息交換。e)免疫選擇。為保證抗體的多樣性，提高算法的全局搜索能力，隨機產生d個抗體代替親合力最低的^30t)子種群，抗體AW被選擇進入下一代的幾率計算公式如下=/(4)邵(^41).(f1(22)乂_/=1式中，s(4)-M^(4).f、M/w(4)為與抗體4的歐氏距離小于0.l的抗體個數(shù)，/^1為調節(jié)因子(本實施例義為1.5)。轉至步驟2),直到滿足結束條件，抗體群中最佳抗體即為所求的解即校正后的塔板效率?？刹杉逐s系統(tǒng)10天的裝置數(shù)據(jù)和分析數(shù)據(jù)，校正后各分餾塔的塔板效率分布在一般在O.6-0.8范圍。6.確定資源優(yōu)化的優(yōu)化的目標、優(yōu)化操作變量及約束條件；建立回流比與塔釜產出量之間的專家經驗庫，利用SQP結合專家判斷對負荷資源進行重新配置，并調整裝置的回流比，直到達到優(yōu)化目標為了發(fā)揮生產裝置的內在潛力，降低生產成本，降低能耗，提高產出，在對分餾系統(tǒng)建模的基礎上，優(yōu)化裝置的資源分配和操作條件。分餾系統(tǒng)資源優(yōu)化流程如圖5所示。*資源優(yōu)化的基準保持當前的總的進料流量不變，在各塔實行資源配置優(yōu)化。*優(yōu)化的目標保持分餾系統(tǒng)塔釜的總產出在原來水平前提下，降低分餾系統(tǒng)的總的能耗。*優(yōu)化操作變量操作變量為進料中的資源分配系數(shù)B1、B2及各塔的回流比R1、R2及R3。定義<formula>formulaseeoriginaldocumentpage19</formula>*約束條件包括(1)各塔的進料流量滿足設計要求下的上下限，設置DA101、DA102及DA103塔的進料流量范圍分別為(500cum/h1800cum/h)、(500cum/h1200cum/h)和(500cum/h1500cum/h);(2)各塔的廠控操作性能要求，DA101塔頂壓力控制在0.180.22Mpa、DA103塔頂壓力控制在0.651.3Mpa、DA103塔頂壓力控制在0.420.72Mpa;(3)各塔的塔頂與塔釜產品質量要求，各裝置塔頂間二甲苯(M-Xylene，MX)產出質量流量組分控制在小于10.5%,塔釜MX產出質量流量組分控制在小于0.5%;(4)各塔的塔釜產品產量要求，設置分餾系統(tǒng)塔釜產品總量大于24t/h。*優(yōu)化方法采用SQP結合專家經驗。SQP是目前化工計算中使用最廣泛最成熟的一種算法，它具有運算效率高、容易收斂等特點。為了避免陷入局部最優(yōu)，在優(yōu)化算法中作了處理，將一部分優(yōu)化操作變量如分餾裝置中的各塔的回流比分離出來，用SQP優(yōu)化資源分配系數(shù)的基礎上結合回流比優(yōu)化的專家經驗來共同優(yōu)化，這樣能夠保證在算法收斂的基礎上，提高了優(yōu)化速度，又不易陷入局部最優(yōu)。SQP優(yōu)化算法描述對于一般非線性優(yōu)化問題<formula>formulaseeoriginaldocumentpage19</formula>式中<formula>formulaseeoriginaldocumentpage19</formula>(1)構造QP的子問題QP子問題可描述為脂'"=會^『(+V/(xw)rd".Vg"g0(24)式中，fK"是海森矩陣，『W-町/乂/勺-v^y/，/勺，可用對稱正定矩陣W^近似代替，這里，wl附丄("a義9=7Y"—2]々g/"」一S"，/=1/'=附1+1K-K-T條件為VxZ(jc*，;1*)=0;~W*=0，_/e￡;，求解(24)，可得解(^"，/"1。.義；20，g,.(;c*)20,4(x*)=(Ue/.(2)構造效益函數(shù)和下降方向定義效益函數(shù)<M(:c，//)=/(:r)+/4ninfe(x)，0|1+1^04]=/(x)+A(2>infe.,()}+Z|~("|.式中，//為罰因子。(3)步長的確定根據(jù)，01(xw+a)^)+~，1(;c("，/t/())(25)確定步長"P其中""O，u.具體的優(yōu)化步驟為1)產生滿足約束條件的初始化優(yōu)化矢量，F(xiàn)103進DA101塔與DA103塔的分配系數(shù)B1(預設為0.5)及F102進DA101與DA102塔的分配系數(shù)B2(預設為0.5)作為SQP調整參數(shù)，設為x，ceJ(2);DA101塔的回流比R1(預設為1.0)、DA102塔的回流比R2(預設為1.5)及DA103的回流比R3(預設為1.5)作為專家經驗調整參數(shù)；并選取SQP參數(shù)/z,&《〉0(取〃=0.05H《=0.1)，初始單位陣5。，令*=0;2)運行上述分餾系統(tǒng)的校正后的工業(yè)模型，得到DA101塔、DA102塔及DA103塔的塔頂與塔釜的產品產量與質量及塔釜的熱負荷；3)計算分餾系統(tǒng)的總熱負荷，解SQP子問題(24)，得到解#人/"勺，判斷SQP迭代條件^^是否滿足"同時需要判斷各塔的塔頂塔釜的關鍵產出是否滿足產品的產量、質量要求；4)如果/^及產品的產量、質量都未滿足要求，則通過SQP算法和回流比的專家經驗重新調整資源分配系數(shù)B1、B2和各塔的回流比R1、R2及R3;"ifc+l返回2)運行；具體調整法方法如下*SQP調整通過SQP調整式(25)確定步長q，并有^^0,^/;用擬牛頓法修正得*回流比的專家經驗調整設在工況/下當前的DA101塔、DA102塔及DA103塔的塔釜產出為o&、W2及o;c。，它們的最低值限制為ox^(定為8t/h)、(定為6t/h)及ww(定為10t/h)，分餾系統(tǒng)塔釜的總產出要求為o&，每個分餾塔的回流比減少量控制分別限制為Ma(定為0.2)、M,2(定0.15)及M,3(定0.1)。則每次迭代對回流比的調整操作-IF>o;c^andoxfl+o;^+ox,3>ox,.,then及a=^/l-碼iELSE=&IFox/2〉ox/附2and+0x,'2+ax,'3>ox^then及,2=及/2—else;^2=及/2IFox,.3>oa:/7m3and++ox/3>0x7,theni,'3=i,'3—Ai,'3ELSEi,.3=及,-35)如^W及產品的產量、質量都滿足要求，則輸出資源分配系數(shù)B1、B2和各裝置的回流比，作為最佳的優(yōu)化操作變量。在穩(wěn)定工況下，通過采集裝置的實際數(shù)據(jù)，經數(shù)據(jù)協(xié)調處理及模型校正后，對一分餾系統(tǒng)的資源進行了在線優(yōu)化，將F103資源進DA101塔的分配系數(shù)Bl從調優(yōu)前的0.5調整為調優(yōu)后的0.55;F102資源進DA101塔的分配系數(shù)B2從調優(yōu)前的0.62調整為調優(yōu)后的0.43;可以降低DAIOI、DA102及DA103的分餾裝置的回流比分別為O.12、0.2及0.22，相當于降低能耗為6%。綜上所述僅為發(fā)明的較佳實施例而已，并非用來限定本發(fā)明的實施范圍。即凡依本發(fā)明申請專利范圍的內容所作的等效變化與修飾，都應為本發(fā)明的技術范疇。權利要求1.工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征在于所述方法包括以下步驟①采集工業(yè)分餾系統(tǒng)的實時和歷史數(shù)據(jù)；②根據(jù)所采集數(shù)據(jù)，確定需要進行數(shù)據(jù)協(xié)調的已測變量和需要進行估計的未測變量，并由測量變量樣本估計測量誤差的方差，預置過失誤差在誤差中出現(xiàn)的比例和過失誤差標準差與隨機誤差標準差的比率；③利用基于自適應動量因子的PSO智能優(yōu)化算法，每個粒子的維數(shù)對應需要校正的模型參數(shù)的個數(shù)，各維的位置值對應各參數(shù)值，計算粒子群中每個粒子的適應度，對采集的裝置數(shù)據(jù)進行協(xié)調，直至達到協(xié)調的目標；④在以上裝置數(shù)據(jù)的協(xié)調基礎上，根據(jù)組分物料平衡方程、相平衡方程、摩爾分率加和方程、總包物料平衡方程及焓平衡方程建立分餾裝置的機理模型，并確定分餾系統(tǒng)校正的目標函數(shù)；⑤根據(jù)分餾裝置的實際情況，確定需要校正的塔板效率數(shù)，利用基于人工免疫智能優(yōu)化算法，根據(jù)需要校正的參數(shù)個數(shù)，確定每個免疫抗體的個數(shù)，抗體的規(guī)模，根據(jù)分餾系統(tǒng)校正后的目標函數(shù)計算各抗體的適應度，對分餾系統(tǒng)的塔板效率進行校正，直至達到優(yōu)化目標；⑥確定分餾系統(tǒng)的優(yōu)化操作變量及約束條件，建立回流比與塔釜產出量之間的專家經驗庫，運行分餾系統(tǒng)的校正模型，得到各分餾裝置塔頂與塔釜的產品產量與質量及塔釜的熱負荷，以塔釜總熱負荷最低為目標，利用SQP結合專家判斷對負荷資源進行重新配置，并調整裝置的回流比，直到達到優(yōu)化目標。2.根據(jù)權利要求1所述的工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征是所述步驟①中的數(shù)據(jù)包括裝置數(shù)據(jù)和分析數(shù)據(jù)，裝置數(shù)據(jù)包括分餾裝置的各股進料流量和溫度、塔頂與塔釜的產出流量、塔頂回流量、塔頂溫度和壓力、塔釜溫度；分析數(shù)據(jù)包括分餾裝置各股進料和出料的成分數(shù)據(jù)。3.根據(jù)權利要求1所述的工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征是所述步驟③中的適應度，為數(shù)據(jù)協(xié)調的目標函數(shù)，即^f/""i-"Mw4^l^/J邵,4^f^^，x廣^為測量誤差，矸;=12ofy2"、—為服從儀表測量誤差的正態(tài)分布方差，；為過失誤差在誤差中出現(xiàn)的比例，7為過失誤差標準差與隨機誤差標準差的比率。4.根據(jù)權利要求1所述的工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征是所述步驟③中的協(xié)調目標，為數(shù)據(jù)協(xié)調循環(huán)次數(shù)或適應度門檻值。5.根據(jù)權利要求1所述的工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征是所述步驟④中的目標函數(shù)，為校正后分餾系統(tǒng)的塔頂、塔釜及關鍵點的塔板溫度與實測值偏差最小，艮P:<formula>formulaseeoriginaldocumentpage3</formula>，附、"及"分別對<formula>formulaseeoriginaldocumentpage3</formula>應每個塔的產出數(shù)、塔板數(shù)及每個塔塔頂、塔釜產出的成分個數(shù)，^、、q分別表示各裝置塔頂、塔釜產出；各塔板溫度值；塔頂、塔釜產出組分百分比的模型計算值，^V、5'《、CV表示分餾裝置運行時它們的實際值。6.根據(jù)權利要求1所述的工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征是所述步驟⑤中的優(yōu)化目標，為數(shù)據(jù)優(yōu)化循環(huán)次數(shù)或適應度門檻值。7.根據(jù)權利要求1所述的工業(yè)分餾系統(tǒng)負荷配置在線優(yōu)化方法，其特征是所述步驟⑥中的優(yōu)化目標，為SQP迭代條件及各塔的塔頂塔釜的關鍵產出滿足產品的產量、質量要求的門檻值。全文摘要本發(fā)明涉及工業(yè)分餾系統(tǒng)生產過程中資源配置優(yōu)化方法，首先，利用自適應動量因子PSO算法對分餾系統(tǒng)的裝置數(shù)據(jù)進行協(xié)調，并在此基礎上，對分餾系統(tǒng)機理模型進行校正，提高模型對工業(yè)過程描述的精度，建立工業(yè)運行模型，并在模型的基礎上，再次對裝置負荷進行最佳分配、發(fā)揮了現(xiàn)有裝置的潛能、降低能耗，為生產工藝的改造等提供基礎和依據(jù)，且此方法適用于各類分餾系統(tǒng)的負荷在線優(yōu)化，易于移植，有著廣泛的適應性。文檔編號B01D3/14GK101396617SQ200810201898公開日2009年4月1日申請日期2008年10月29日優(yōu)先權日2008年10月29日發(fā)明者史旭華,葉貞成,杜文莉,鋒錢申請人:華東理工大學