一種預(yù)測(cè)催化裂化焦炭產(chǎn)率的方法
【專利摘要】本發(fā)明涉及了一種預(yù)測(cè)催化裂化焦炭產(chǎn)率的方法，所述方法包括以下步驟：(1)獲得與催化裂化的原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)，以及焦炭產(chǎn)率的實(shí)際值，對(duì)上述數(shù)據(jù)進(jìn)行預(yù)處理，再進(jìn)行歸一化處理；(2)利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，以步驟(1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)為輸入值，以實(shí)際值為期望輸出，獲得預(yù)測(cè)焦炭產(chǎn)率的模型；(3)對(duì)現(xiàn)場(chǎng)采集的與催化裂化的原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理作為預(yù)測(cè)數(shù)據(jù)，將預(yù)測(cè)數(shù)據(jù)代入步驟(2)獲得的模型中，獲得焦炭產(chǎn)率預(yù)測(cè)值。本發(fā)明提供的方法計(jì)算速度快，準(zhǔn)確性好，可以廣泛應(yīng)用于工業(yè)生產(chǎn)。
【專利說(shuō)明】一種預(yù)測(cè)催化裂化焦炭產(chǎn)率的方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及石油化工領(lǐng)域，具體涉及一種預(yù)測(cè)催化裂化焦炭產(chǎn)率的方法。

【背景技術(shù)】
[0002] 重油催化裂化（RFCC)在我國(guó)煉油工業(yè)占有重要地位，是煉廠提高經(jīng)濟(jì)效益的重 要手段。但隨著原油的重質(zhì)化、劣質(zhì)化，我國(guó)RFCC原料的摻渣率不斷提高，原料性質(zhì)越來(lái)越 差，使RFCC產(chǎn)物分布及產(chǎn)品質(zhì)量變差，輕質(zhì)油收率低，焦炭干氣產(chǎn)率高。由于催化裂化是極 其復(fù)雜的平行順序反應(yīng)，是反應(yīng)與流動(dòng)、傳質(zhì)傳熱的高度耦合。其反應(yīng)過(guò)程和產(chǎn)品分布受到 原料性質(zhì)、催化劑性質(zhì)以及操作條件影響，難以建立精確的數(shù)學(xué)表達(dá)式來(lái)描述其動(dòng)態(tài)的生 產(chǎn)過(guò)程，難以預(yù)測(cè)產(chǎn)品分布。
[0003] 目前計(jì)算催化裂化過(guò)程產(chǎn)品收率的關(guān)聯(lián)式一般根據(jù)實(shí)際操作數(shù)據(jù)和中型實(shí)驗(yàn)數(shù) 據(jù)得出，適用于工藝方案估算或技術(shù)經(jīng)濟(jì)評(píng)價(jià)，難以用于具體指導(dǎo)工程設(shè)計(jì)或現(xiàn)場(chǎng)優(yōu)化操 作。BP神經(jīng)網(wǎng)絡(luò)作為一種非線性統(tǒng)計(jì)性數(shù)據(jù)建模工具，具有獨(dú)特的分布并行處理、自適應(yīng)能 力和非線性預(yù)測(cè)能力。中國(guó)專利CN 102737288 A提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)參數(shù)自優(yōu) 化水質(zhì)多步預(yù)測(cè)方法，通過(guò)在線水質(zhì)監(jiān)測(cè)儀器的遠(yuǎn)程傳輸，將各個(gè)監(jiān)測(cè)站的數(shù)據(jù)存到本地 服務(wù)器的數(shù)據(jù)庫(kù)中，然后對(duì)水質(zhì)樣本序列進(jìn)行歸一化處理，經(jīng)過(guò)RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練、預(yù) 測(cè)，最終試驗(yàn)對(duì)水質(zhì)進(jìn)行預(yù)測(cè)。中國(guó)專利CN 103559556 A提出了一種在線預(yù)測(cè)電力系統(tǒng)負(fù) 荷能力極限的方法，改方法由基于電網(wǎng)狀態(tài)相似度指標(biāo)的樣本篩選方法、Lasso方法和誤差 反向傳播型神經(jīng)網(wǎng)絡(luò)三部分組成。
[0004] 雖然利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)工業(yè)裝置的某些性質(zhì)等已廣泛應(yīng)用，但在石油化工行業(yè) 中，尤其在催化裂化中對(duì)于焦炭產(chǎn)率的預(yù)測(cè)依然是空白。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于，利用BP神經(jīng)網(wǎng)絡(luò)分析催化裂化裝置得到的影響焦炭產(chǎn)率數(shù) 據(jù)，從而快速預(yù)測(cè)催化裂化裝置的焦炭產(chǎn)率，為進(jìn)一步合理優(yōu)化原料性質(zhì)、催化劑性質(zhì)以及 操作條件等，最大限度生產(chǎn)液體燃料等提供一定的指導(dǎo)意見(jiàn)。
[0006] 本發(fā)明提供了一種預(yù)測(cè)催化裂化焦炭產(chǎn)率的方法，所述方法包括以下步驟：
[0007] (1)獲得與催化裂化的原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)，以及焦炭產(chǎn) 率的實(shí)際值，對(duì)上述數(shù)據(jù)進(jìn)行預(yù)處理，再進(jìn)行歸一化處理；
[0008] (2)利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，以步驟（1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)為 輸入值，以實(shí)際值為期望輸出，獲得預(yù)測(cè)焦炭產(chǎn)率的模型；
[0009] (3)對(duì)現(xiàn)場(chǎng)采集的與催化裂化的原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)進(jìn) 行預(yù)處理作為預(yù)測(cè)數(shù)據(jù)，將預(yù)測(cè)數(shù)據(jù)代入步驟（2)獲得的模型中，獲得焦炭產(chǎn)率預(yù)測(cè)值。 [0010] 本發(fā)明步驟（1)所述與原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)以及焦炭產(chǎn) 率的實(shí)際值均從生產(chǎn)現(xiàn)場(chǎng)通過(guò)常規(guī)實(shí)驗(yàn)采集獲得。
[0011] 其中，步驟（1)所述與原料性質(zhì)有關(guān)的基礎(chǔ)數(shù)據(jù)包括以下參數(shù)：原料油飽和烴含 量、原料油芳烴含量、原料油浙青質(zhì)+膠質(zhì)含量、原料油10%餾出溫度、原料油50%餾出溫 度、原料油90%餾出溫度和原料油鈉含量。
[0012] 步驟（1)所述與催化劑性質(zhì)有關(guān)的基礎(chǔ)數(shù)據(jù)包括以下參數(shù)：催化劑活性、再生劑 微反活性指數(shù)、再生劑定碳含量、平衡劑活性、再生劑鈉含量、再生劑鎳和釩含量。
[0013] 步驟（1)所述與操作有關(guān)的基礎(chǔ)數(shù)據(jù)包括以下參數(shù)：催化劑溫度、原料溫度、反應(yīng) 溫度、反應(yīng)壓力、原料油量、預(yù)提升蒸汽流量、原料油霧化蒸汽流量、預(yù)提升干氣流量、回?zé)?t匕、劑油比、二反料位和粗汽油至提升管反應(yīng)器流控。
[0014] 本發(fā)明步驟（1)或（3)所述預(yù)處理具體為：取各個(gè)參數(shù)的共同時(shí)間段內(nèi)的數(shù)據(jù)，對(duì) 各個(gè)參數(shù)進(jìn)行異常值的剔除，所述異常值包括零、負(fù)值、空數(shù)據(jù)以及與平均值之差大于3倍 標(biāo)準(zhǔn)差的數(shù)據(jù)。
[0015] 本發(fā)明步驟（1)所述歸一化處理為：將樣本序列定為{X(n)}，按照最大最小法對(duì) 數(shù)據(jù)進(jìn)行歸一化處理，所述最大最小法公式為X k = (Xi-Xmin) AXmax-Xmin)，其中，Xmax和Xmin分 別是{X(η)}的最大值和最小值。
[0016] 本發(fā)明步驟（2)所述的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示；作為一種非線性建模和預(yù)測(cè) 方法具有良好的非線性品質(zhì)、極高的擬合精度和泛化功能，是一種單向傳播的多層前饋神 經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳播，誤差反向傳播。X 1, X2，…，乂"是8?神經(jīng)網(wǎng)絡(luò) 的輸入值，Y1, Y2，…，Yn^ BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，Coij和Cojk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值。輸入信 號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀 態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從 而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。
[0017] 所述BP神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層和隱含層各一層；其中，步驟（1)所得歸 一化處理后的基礎(chǔ)數(shù)據(jù)作為輸入層，焦炭產(chǎn)率作為輸出層，隱含層節(jié)點(diǎn)數(shù)選擇參考公式 HK-n-U isUZiOj+.式中，m為輸入節(jié)點(diǎn)數(shù)，優(yōu)選為25, η為輸出節(jié)點(diǎn)數(shù)，優(yōu)選為1，分別 比較不同節(jié)點(diǎn)下訓(xùn)練模型獲得的均方誤差，找出最佳隱層節(jié)點(diǎn)數(shù)H ;輸入層與隱含層之間 用正切S型函數(shù)tansig作為傳遞函數(shù)，用選擇性作用函數(shù)Lin作為輸出層和隱含層之間 的傳遞函數(shù)，用函數(shù)輸入輸出數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。
[0018] 本發(fā)明步驟（2)還包括BP神經(jīng)網(wǎng)絡(luò)初始化步驟，優(yōu)選該步驟的參數(shù)為：在步驟 (1)所得的數(shù)據(jù)中隨機(jī)選擇99%組數(shù)據(jù)作為訓(xùn)練樣本，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行模 型訓(xùn)練，設(shè)置的迭代次數(shù)為100次，學(xué)習(xí)率為〇. 2,目標(biāo)值為0. 00004 ;當(dāng)?shù)Y(jié)果的誤差小 于允許誤差0. 001?0. 00001，系統(tǒng)結(jié)束迭代計(jì)算，模型構(gòu)建完成。
[0019] 本發(fā)明所述BP神經(jīng)網(wǎng)絡(luò)的算法流程如圖2所示。
[0020] 本發(fā)明通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)煉廠催化裂化裝置的焦炭產(chǎn)率進(jìn)行分析，建立了焦炭 產(chǎn)率模型，可以在線預(yù)測(cè)催化裂化裝置焦炭產(chǎn)率。本發(fā)明提供的方法計(jì)算速度快，準(zhǔn)確性 好，可以廣泛應(yīng)用于工業(yè)生產(chǎn)。

【專利附圖】

【附圖說(shuō)明】
[0021] 圖1為BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。
[0022] 圖2為BP神經(jīng)網(wǎng)絡(luò)的算法流程示意圖。
[0023] 圖3為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)催化裂化焦炭產(chǎn)率與真實(shí)產(chǎn)率比較圖。
[0024] 圖4為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)催化裂化焦炭產(chǎn)率預(yù)測(cè)絕對(duì)誤差曲線圖。

【具體實(shí)施方式】
[0025] 以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍。
[0026] 實(shí)施例1
[0027] 以A煉廠催化裂化裝置的一年數(shù)據(jù)為研究對(duì)象，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)采集的13萬(wàn) 組數(shù)據(jù)進(jìn)行預(yù)處理、歸一化、模型訓(xùn)練、模型驗(yàn)證，從而在線實(shí)現(xiàn)焦炭產(chǎn)率預(yù)測(cè)，具體實(shí)施步 驟如下：
[0028] (1)從生產(chǎn)現(xiàn)場(chǎng)通過(guò)常規(guī)實(shí)驗(yàn)采集與原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù) 據(jù)以及焦炭產(chǎn)率實(shí)際值；其中，與原料性質(zhì)有關(guān)的基礎(chǔ)數(shù)據(jù)包括以下參數(shù)：原料油飽和烴 含量、原料油芳烴含量、原料油浙青質(zhì)+膠質(zhì)含量、原料油10%餾出溫度、原料油50%餾出 溫度、原料油90%餾出溫度和原料油鈉含量；與催化劑性質(zhì)有關(guān)的基礎(chǔ)包括以下參數(shù)：催 化劑活性、再生劑微反活性指數(shù)、再生劑定碳含量、平衡劑活性、再生劑鈉含量、再生劑鎳和 釩含量；與操作有關(guān)的基礎(chǔ)包括以下參數(shù)：催化劑溫度、原料溫度、反應(yīng)溫度、反應(yīng)壓力、原 料油量、預(yù)提升蒸汽流量、原料油霧化蒸汽流量、預(yù)提升干氣流量、回?zé)挶?、劑油比、二反?位和粗汽油至提升管反應(yīng)器流控；
[0029] 對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理步驟為：取各個(gè)參數(shù)的共同時(shí)間段內(nèi)的數(shù)據(jù)，對(duì)各 個(gè)參數(shù)進(jìn)行異常值的剔除，所述異常值包括零、負(fù)值、空數(shù)據(jù)以及與平均值之差大于3倍標(biāo) 準(zhǔn)差的數(shù)據(jù)，得到1萬(wàn)組數(shù)據(jù)；
[0030] 再進(jìn)行歸一化處理，所述歸一化處理方法為：將樣本序列定為{X(n)}，按照最大 最小法對(duì)數(shù)據(jù)進(jìn)行歸一化處理，所述最大最小法公式為X k = (Xi-Xmin) AXmax-Xmin),其中，Xk 為歸一化值，Xi為現(xiàn)場(chǎng)采集的數(shù)據(jù)，Xmax和Xmin分別是{x(n)}的最大值和最小值；
[0031] (2)利用BP神經(jīng)網(wǎng)絡(luò)對(duì)步驟⑴所得歸一化處理后的數(shù)據(jù)進(jìn)行模型訓(xùn)練，獲得焦 炭產(chǎn)率模型；
[0032] 其中，步驟（1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)作為輸入層，焦炭產(chǎn)率作為輸出層， 焦炭產(chǎn)率實(shí)際值作為期望輸出；隱含層節(jié)點(diǎn)數(shù)選擇參考公式： 式 中：m = 25為輸入節(jié)點(diǎn)數(shù)，η = 1為輸出節(jié)點(diǎn)數(shù)，分別比較不同節(jié)點(diǎn)下訓(xùn)練和驗(yàn)證模型獲得 的均方誤差，找出最佳隱層節(jié)點(diǎn)數(shù)H = 7 ;輸入層與隱含層之間用正切S型函數(shù)tansig作 為傳遞函數(shù)，用選擇性作用函數(shù)Lin作為輸出層和隱含層之間的傳遞函數(shù)；
[0033] 在步驟（1)所得1萬(wàn)組數(shù)據(jù)中隨機(jī)選擇9900組數(shù)據(jù)作為訓(xùn)練樣本，利用BP神經(jīng)網(wǎng) 絡(luò)對(duì)訓(xùn)練樣本進(jìn)行模型訓(xùn)練，設(shè)置的迭代次數(shù)為100次，學(xué)習(xí)率為〇. 2,目標(biāo)值為0. 00004 ; 當(dāng)?shù)Y(jié)果的誤差小于允許誤差〇. 001?〇. 00001，系統(tǒng)結(jié)束迭代計(jì)算，模型構(gòu)建完成。
[0034] (3)在步驟（1)所得1萬(wàn)組數(shù)據(jù)中隨機(jī)選擇1組基礎(chǔ)數(shù)據(jù)作為預(yù)測(cè)樣本，代入步驟 (2)獲得的焦炭產(chǎn)率模型中，獲得焦炭產(chǎn)率預(yù)測(cè)值，所述數(shù)據(jù)和所得預(yù)測(cè)值見(jiàn)表1。
[0035] 表1 :影響焦炭產(chǎn)率的參數(shù)的數(shù)值以及焦炭產(chǎn)率數(shù)值
[0036]

【權(quán)利要求】
1. 一種預(yù)測(cè)催化裂化焦炭產(chǎn)率的方法，所述方法包括以下步驟： (1) 獲得與催化裂化的原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)，以及焦炭產(chǎn)率的 實(shí)際值，對(duì)上述數(shù)據(jù)進(jìn)行預(yù)處理，再進(jìn)行歸一化處理； (2) 利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，以步驟⑴所得歸一化處理后的基礎(chǔ)數(shù)據(jù)為輸入 值，以實(shí)際值為期望輸出，獲得預(yù)測(cè)焦炭產(chǎn)率的模型； (3) 對(duì)現(xiàn)場(chǎng)采集的與催化裂化的原料性質(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù) 處理作為預(yù)測(cè)數(shù)據(jù)，將預(yù)測(cè)數(shù)據(jù)代入步驟（2)獲得的模型中，獲得焦炭產(chǎn)率預(yù)測(cè)值。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（1)所述與原料性質(zhì)有關(guān)的基礎(chǔ)數(shù) 據(jù)包括以下參數(shù)：原料油飽和烴含量、原料油芳烴含量、原料油浙青質(zhì)+膠質(zhì)含量、原料油 10%餾出溫度、原料油50%餾出溫度、原料油90%餾出溫度和原料油鈉含量。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（1)所述與催化劑性質(zhì)有關(guān)的基礎(chǔ)包 括以下參數(shù)：催化劑活性、再生劑微反活性指數(shù)、再生劑定碳含量、平衡劑活性、再生劑鈉含 量、再生劑鎳和鑰;含量。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（1)所述與操作有關(guān)的基礎(chǔ)包括以下 參數(shù)：催化劑溫度、原料溫度、反應(yīng)溫度、反應(yīng)壓力、原料油量、預(yù)提升蒸汽流量、原料油霧化 蒸汽流量、預(yù)提升干氣流量、回?zé)挶?、劑油比、二反料位和粗汽油至提升管反?yīng)器流控。
5. 根據(jù)權(quán)利要求1?4任意一項(xiàng)所述的方法，其特征在于，步驟（1)或（3)所述預(yù)處理 具體為：取各個(gè)參數(shù)的共同時(shí)間段內(nèi)的數(shù)據(jù)，對(duì)各個(gè)參數(shù)進(jìn)行異常值的剔除，所述異常值包 括零、負(fù)值、空數(shù)據(jù)以及與平均值之差大于3倍標(biāo)準(zhǔn)差的數(shù)據(jù)。
6. 根據(jù)權(quán)利要求1?4任意一項(xiàng)所述的方法，其特征在于，步驟（1)所述歸一化處理 為：將樣本序列定為{X(n)}，按照最大最小法對(duì)數(shù)據(jù)進(jìn)行歸一化處理，所述最大最小法公 式為Xk = (Xi-Xmin)AXmax-Xmin)，其中，Xk為歸一化值，Xi為現(xiàn)場(chǎng)采集的數(shù)據(jù)，Xmax和Xmin分別 是{X(η)}的最大值和最小值。
7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟（2)所述BP神經(jīng)網(wǎng)絡(luò)包括輸 入層、輸出層和隱含層各一層；其中，步驟（1)所得歸一化處理后的基礎(chǔ)數(shù)據(jù)作為輸入 層，焦炭產(chǎn)率作為輸出層，焦炭產(chǎn)率實(shí)際值作為期望輸出；隱含層節(jié)點(diǎn)數(shù)選擇參考公式 IiSLSW:!,式中，m為輸入節(jié)點(diǎn)數(shù)，η為輸出節(jié)點(diǎn)數(shù)，分別比較不同節(jié)點(diǎn)下訓(xùn)練 模型獲得的均方誤差，找出最佳隱層節(jié)點(diǎn)數(shù)H;輸入層與隱含層之間用正切S型函數(shù)tansig作為傳遞函數(shù)，隱含層和輸出層之間用選擇性作用函數(shù)Lin作為傳遞函數(shù)，利用上述函數(shù) 輸入輸出數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。
8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，所述步驟（2)包括BP神經(jīng)網(wǎng)絡(luò)初始化步 驟，該步驟的具體參數(shù)為：在步驟（1)所得數(shù)據(jù)中隨機(jī)選擇99%組數(shù)據(jù)作為訓(xùn)練樣本，利用 BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行模型訓(xùn)練，設(shè)置的迭代次數(shù)為100次，學(xué)習(xí)率為0. 2,目標(biāo)值為 0. 00004 ;當(dāng)?shù)Y(jié)果的誤差小于允許誤差0. 001?0. 00001，系統(tǒng)結(jié)束迭代計(jì)算，模型構(gòu)建 完成。
【文檔編號(hào)】G06N3/12GK104463327SQ201410585073
【公開(kāi)日】2015年3月25日 申請(qǐng)日期:2014年10月27日 優(yōu)先權(quán)日:2014年10月27日
【發(fā)明者】藍(lán)興英, 彭麗, 吳迎亞, 呂林英, 高金森 申請(qǐng)人:中國(guó)石油大學(xué)(北京)