一種預測催化裂化輕質油產率的方法
【專利摘要】本發(fā)明涉及了一種預測催化裂化輕質油產率的方法，所述方法包括以下步驟：(1)獲得與催化裂化的原料性質、催化劑性質和操作有關的基礎數(shù)據，以及輕質油產率的實際值，對上述數(shù)據進行預處理，再進行歸一化處理；(2)利用PSO優(yōu)化BP神經網絡進行模型訓練，以步驟(1)所得歸一化處理后的基礎數(shù)據為輸入值，以實際值為期望輸出，獲得預測輕質油產率的模型；(3)對現(xiàn)場采集的與催化裂化的原料性質、催化劑性質和操作有關的基礎數(shù)據進行預處理作為預測數(shù)據，將預測數(shù)據代入步驟(2)獲得的模型中，獲得輕質油產率預測值。本發(fā)明提供的方法計算速度快，準確性好，可以廣泛應用于工業(yè)生產。
【專利說明】一種預測催化裂化輕質油產率的方法

【技術領域】
[0001] 本發(fā)明涉及石油化工領域，具體涉及一種預測催化裂化輕質油產率的方法。

【背景技術】
[0002] 催化裂化作為石油的二次加工單元，承擔著摻煉渣油、重質油輕質化的任務，其產 物輕質油是車用輕質油的主要來源。但隨著原油的重質化、劣質化，同時對輕質油品尤其是 輕質油需求的增加，催化裂化加工能力也在不斷增長。因此預測輕質油產率對煉廠進一步 調整產品結構提升效率具有一定的指導意義。催化裂化反應機理相當復雜，其反應過程和 產品分布受到原料性質、操作條件等影響，難以建立精確的數(shù)學表達式來描述其動態(tài)的生 產過程。
[0003] 目前計算催化裂化過程產品收率的關聯(lián)式一般根據實際操作數(shù)據和中型實驗數(shù) 據得出，適用于工藝方案估算或技術經濟評價，難以用于具體指導工程設計或現(xiàn)場優(yōu)化操 作。神經網絡作為一種非線性統(tǒng)計性數(shù)據建模工具，具有獨特的分布并行處理、自適應能 力和非線性預測能力。陳鴻偉（陳鴻偉，劉煥志，李曉偉，等雙循環(huán)流化床顆粒循環(huán) 流率試驗與PSO優(yōu)化BP神經網絡預測[J].中國電機工程學報，2010, 32:25-29.)等利 用PSO優(yōu)化BP神經網絡預測雙循環(huán)流化床顆粒循環(huán)流率。周小偉（周小偉，袁俊，楊 伯倫.應用PSO優(yōu)化BP神經網絡的二次反應清潔輕質油辛烷值預測[J].西安交通大學 學報，2010, 12:82-86.)、袁俊（袁俊，周小偉，楊伯倫.基于LM/SVM方法的二次反應清 潔輕質油辛烷值預測[J].高?；瘜W工程學報，2010, 02:258-262.)等分別利用PSO優(yōu)化 BP神經網絡和LM/SVM方法對二次反應清潔輕質油辛烷值進行預測。張忠洋（張忠洋， 李澤欽，李宇龍.GA輔助BP神經網絡預測催化裂化裝置輕質油產率[J].石油煉制與化 工，2014, 45 (7) : 91-96.)等利用GA輔助BP神經網絡預測某煉油廠催化裂化裝置輕質油產 率，得到經GA優(yōu)化后預測輕質油產率均方誤差為4. 92,但該研宄僅對采集的360組現(xiàn)場數(shù) 據進行分析，且只考察溫度、壓力等7個變量作為影響輕質油產率的因素。
[0004] 雖然BP神經網絡在諸多領域取得很好的效果。由于其具有局部極小化，收斂速 度慢，網絡結構選擇不一，應用實例與網絡規(guī)模之間的矛盾，預測能力和訓練能力之間的矛 盾，樣本依賴性等問題。


【發(fā)明內容】

[0005] 本發(fā)明的目的在于，利用粒子群（Particle Swarm Optimization, PS0)優(yōu)化反相 傳播（Back Propagation, BP)神經網絡分析催化裂化裝置得到的影響輕質油產率數(shù)據，從 而快速預測催化裂化裝置的輕質油產率，為進一步合理優(yōu)化原料性質、催化劑性質以及操 作條件等，最大限度生產液體燃料等提供一定的指導意見。
[0006] 本發(fā)明提供了一種預測催化裂化輕質油產率的方法，所述方法包括以下步驟：
[0007] (1)獲得與催化裂化的原料性質、催化劑性質和操作有關的基礎數(shù)據，以及輕質油 產率的實際值，對上述數(shù)據進行預處理，再進行歸一化處理；
[0008] (2)利用PSO優(yōu)化BP神經網絡進行模型訓練，以步驟⑴所得歸一化處理后的基 礎數(shù)據為輸入值，以實際值為期望輸出，獲得預測輕質油產率的模型；
[0009] (3)對現(xiàn)場采集的與催化裂化的原料性質、催化劑性質和操作有關的基礎數(shù)據進 行預處理作為預測數(shù)據，將預測數(shù)據代入步驟（2)獲得的模型中，獲得輕質油產率預測值。 [0010] 本發(fā)明步驟（1)所述與原料性質、催化劑性質和操作有關的基礎數(shù)據以及輕質油 產率的實際值均從生產現(xiàn)場通過常規(guī)實驗采集獲得。
[0011] 其中，步驟（1)所述與原料性質有關的基礎數(shù)據包括以下參數(shù)：原料油飽和烴含 量、原料油芳烴含量、原料油瀝青質+膠質含量、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)所述與催化劑性質有關的基礎數(shù)據包括以下參數(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)所述與操作有關的基礎數(shù)據包括以下參數(shù)：催化劑溫度、原料溫度、反應 溫度、反應壓力、原料油量、預提升蒸汽流量、原料油霧化蒸汽流量、預提升干氣流量、回煉 比、劑油比、二反料位和粗汽油至提升管反應器流控。
[0014] 本發(fā)明步驟（1)或（3)所述預處理具體為：取各個參數(shù)的共同時間段內的數(shù)據，對 各個參數(shù)進行異常值的剔除，所述異常值包括零、負值、空數(shù)據以及與平均值之差大于3倍 標準差的數(shù)據。
[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 數(shù)據進行歸一化處理，所述最大最小法公式為X k= (Xi-Xmin) AXmax-Xmin),其中，Xk為歸一化 值，X i為步驟（1)獲得的數(shù)據值，Xmax和Xmin分別是{X(η)}的最大值和最小值。
[0016] 本發(fā)明涉及的BP神經網絡的結構如圖1所示。
[0017] 本發(fā)明步驟（2)所述BP神經網絡，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數(shù)據作為輸入層，輕質油產率作為輸出層；隱含層節(jié)點數(shù) 選擇參考公式：H = \ ?ι2￡? ?Ο;，式中，m為輸入節(jié)點數(shù)，優(yōu)選為25，η為輸出節(jié)點 數(shù)，優(yōu)選為1，分別比較不同節(jié)點下訓練和驗證模型獲得的均方誤差，找出最佳隱層節(jié)點數(shù)； 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)。
[0018] 所述PSO優(yōu)化BP神經網絡訓練具體為：（a)設置初始化參數(shù)，所述初始化參數(shù)包 括種群大小、加速系數(shù)、學習率、迭代次數(shù)，所述迭代次數(shù)根據經驗值和計算速度以及適應 度的計算結果確定；(b)設置終止條件為：如果迭代次數(shù)超過步驟（a)設置的值，算法結束； (c)每個粒子在網絡中正向傳播，計算各粒子其在輸出層的輸出，比較得到誤差；（d)在每 一次迭代過程中，每個粒子通過個體極值和全局極值更新自身的速度和位置，找到其最優(yōu) 位置P best的適應值；（e)將每個粒子的最優(yōu)位置Pbest的適應值與群體歷史最優(yōu)位置Gbest的 適應值進行比較，如果P best的適應值優(yōu)于G best的適應值，則將該值作為群體最優(yōu)位置G best， 否則U呆持不變；（f)用群體最優(yōu)位置Gbest不斷更新網絡的權值和閾值；（g)若滿足終止 條件，則停止算法；若不滿足終止條件，則轉向步驟（d);當?shù)Y果的誤差小于允許誤差 0. OOl?0. 00001，系統(tǒng)結束迭代計算，模型構建完成。
[0019] 優(yōu)選所述初始化參數(shù)具體包括：初始種群η = 50,規(guī)模為m = 20,迭代次數(shù)K = 100,個體和速度最大最小值Popmax= I ;p〇pmin= -1，Vmax= 5 ;Vmin= -5,速度更新參數(shù)c2 =I. 494 ;cl = I. 494,分配BP網絡的權值和閾值。
[0020] 本發(fā)明涉及的PSO優(yōu)化BP神經網絡的算法流程如圖2所示。
[0021] 本發(fā)明通過PSO優(yōu)化BP神經網絡對煉廠催化裂化裝置的輕質油產率進行分析，建 立了輕質油產率模型，可以在線預測催化裂化裝置輕質油產率。本發(fā)明提供的方法計算速 度快，準確性好，可以廣泛應用于工業(yè)生產。

【專利附圖】

【附圖說明】
[0022] 圖1為BP神經網絡結構圖；
[0023] 圖2為PSO優(yōu)化BP神經網絡算法流程示意圖；
[0024] 圖3為PSO優(yōu)化BP算法最優(yōu)個體適應度結果圖；
[0025] 圖4為PSO優(yōu)化BP神經網絡預測催化裂化輕質油產率與真實值對比圖；
[0026] 圖5為PSO優(yōu)化BP神經網絡預測催化裂化輕質油產率預測絕對誤差曲線圖。

【具體實施方式】
[0027] 以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0028] 實施例1
[0029] 以某A煉廠的120萬噸/年MIP催化裂化裝置為研宄對象，收集約13萬組現(xiàn)場數(shù) 據，利用PSO優(yōu)化BP神經網絡對采集的13萬組數(shù)據進行預處理、歸一化、模型訓練，從而在 線實現(xiàn)輕質油產率預測，具體實施步驟如下：
[0030] (1)從生產現(xiàn)場通過常規(guī)實驗采集與原料性質、催化劑性質和操作有關的基礎數(shù) 據以及輕質油產率實際值；其中，與原料性質有關的基礎數(shù)據包括以下參數(shù)：原料油飽和 烴含量、原料油芳烴含量、原料油瀝青質+膠質含量、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；與催化劑性質有關的基礎包括以下參數(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；與操作有關的基礎包括以下參數(shù)：催化劑溫度、原料溫度、反應溫度、反應壓力、 原料油量、預提升蒸汽流量、原料油霧化蒸汽流量、預提升干氣流量、回煉比、劑油比、二反 料位和粗汽油至提升管反應器流控；
[0031] 對數(shù)據進行預處理，所述預處理步驟為：取各個參數(shù)的共同時間段內的數(shù)據，對各 個參數(shù)進行異常值的剔除，所述異常值包括零、負值、空數(shù)據以及與平均值之差大于3倍標 準差的數(shù)據，得到6000組數(shù)據；
[0032] 再進行歸一化處理，所述歸一化處理方法為：將樣本序列定為{X(n)}，按照最大 最小法對數(shù)據進行歸一化處理，所述最大最小法公式為X k= (X ^Xmin) AXmax-Xmin)，其中，Xk 為歸一化值，Xi為步驟（1)獲得的數(shù)據值，Xmax和Xmin分別是{X(η)}的最大值和最小值；
[0033] (2)利用PSO優(yōu)化BP神經網絡對步驟（1)所得歸一化處理后的數(shù)據進行模型訓 練，獲得輕質油產率模型；
[0034] 所述PSO優(yōu)化BP神經網絡，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數(shù)據作為輸入層，輕質油產率作為輸出層，輕質油產率實際值作 為期望輸出；隱含層節(jié)點數(shù)選擇參考公式：H = 'WTI+"1.玄HiC;，式中，m = 25, η = 1，分別比較不同節(jié)點下訓練和驗證模型獲得的均方誤差，找出最佳隱層節(jié)點數(shù)N = 10 ;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)；
[0035] 具體步驟為：(a)設置初始化參數(shù)，所述初始化參數(shù)包括：初始種群η = 50,規(guī)模 為m = 20,迭代次數(shù)K = 100,個體和速度最大最小值Popmax= I ;pop min= -l，Vmax= 5 ;Vmin =-5,速度更新參數(shù)c2 = I. 494 ;cl = I. 494,分配BP網絡的權值和閾值；(b)設置終止條 件為：如果迭代次數(shù)超過步驟（a)設置的值，算法結束；（c)每個粒子在網絡中正向傳播，計 算各粒子其在輸出層的輸出，比較得到誤差；（d)在每一次迭代過程中，每個粒子通過個體 極值和全局極值更新自身的速度和位置，找到其最優(yōu)位置P best的適應值；（e)將每個粒子的 最優(yōu)位置Pbest的適應值與群體歷史最優(yōu)位置G best的適應值進行比較，如果P best的適應值優(yōu) 于Gbest的適應值，則將該值作為群體最優(yōu)位置G best，否則Gbest保持不變；所述最優(yōu)個體適應 度結果見圖3 ; (f)用群體最優(yōu)位置Gbest不斷更新網絡的權值和閾值；（g)若滿足終止條件， 則停止算法；若不滿足終止條件，則轉向步驟（d);
[0036] 當?shù)Y果的誤差小于允許誤差0. 001?0. 00001，系統(tǒng)結束迭代計算，模型構建 完成。
[0037] (3)在步驟（1)所得6000組數(shù)據中隨機選擇1組基礎數(shù)據作為預測樣本，代入步 驟（2)獲得的輕質油產率模型中，獲得輕質油產率預測值，所述基礎數(shù)據和所得預測值見 表1。
[0038] 表1 :影響輕質油產率的參數(shù)數(shù)值以及輕質油產率數(shù)據
[0039]

【權利要求】
1. 一種預測催化裂化輕質油產率的方法，其特征在于，所述方法包括以下步驟： (1) 獲得與催化裂化的原料性質、催化劑性質和操作有關的基礎數(shù)據，以及輕質油產率 的實際值，對上述數(shù)據進行預處理，再進行歸一化處理； (2) 利用PSO優(yōu)化BP神經網絡進行模型訓練，以步驟（1)所得歸一化處理后的基礎數(shù) 據為輸入值，以實際值為期望輸出，獲得預測輕質油產率的模型； (3) 對現(xiàn)場采集的與催化裂化的原料性質、催化劑性質和操作有關的基礎數(shù)據進行預 處理作為預測數(shù)據，將預測數(shù)據代入步驟（2)獲得的模型中，獲得輕質油產率預測值。
2. 根據權利要求1所述的方法，其特征在于，步驟（1)所述與原料性質有關的基礎數(shù) 據包括以下參數(shù)：原料油飽和烴含量、原料油芳烴含量、原料油瀝青質+膠質含量、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. 根據權利要求1所述的方法，其特征在于，步驟（1)所述與催化劑性質有關的基礎包 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、再生劑鎳和軌含量。
4. 根據權利要求1所述的方法，其特征在于，步驟（1)所述與操作有關的基礎包括以下 參數(shù)：催化劑溫度、原料溫度、反應溫度、反應壓力、原料油量、預提升蒸汽流量、原料油霧化 蒸汽流量、預提升干氣流量、回煉比、劑油比、二反料位和粗汽油至提升管反應器流控。
5. 根據權利要求1?4任意一項所述的方法，其特征在于，步驟（1)或（3)所述預處理 具體為：取各個參數(shù)的共同時間段內的數(shù)據，對各個參數(shù)進行異常值的剔除，所述異常值包 括零、負值、空數(shù)據以及與平均值之差大于3倍標準差的數(shù)據。
6. 根據權利要求1?4任意一項所述的方法，其特征在于，步驟（1)所述歸一化處理 為：將樣本序列定為{X(η) }，按照最大最小法對數(shù)據進行歸一化處理，所述最大最小法公 式為Xk= (Xi-Xmin)AXmax-Xmin),其中，Xk為歸一化值，Xi為步驟（1)獲得的數(shù)據值，Xmax和 Xmin分別是{X(η)}的最大值和最小值。
7. 根據權利要求1所述的方法，其特征在于，步驟（2)所述BP神經網絡包括輸入 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數(shù)據作為輸入層， 輕質油產率作為輸出層，輕質油產率實際值作為期望輸出；隱含層節(jié)點數(shù)選擇參考公式： H=、WTW+?β：￡i：￡i0::，式中，m為輸入節(jié)點數(shù)，η為輸出節(jié)點數(shù)，分別比較不同節(jié)點下 訓練和驗證模型獲得的均方誤差，找出最佳隱層節(jié)點數(shù)；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)； 所述PSO優(yōu)化BP神經網絡訓練具體為：（a)設置初始化參數(shù)，所述初始化參數(shù)包括種 群大小、加速系數(shù)、學習率、迭代次數(shù)，所述迭代次數(shù)根據經驗值和計算速度以及適應度的 計算結果確定；(b)設置終止條件為：如果迭代次數(shù)超過步驟（a)設置的值，算法結束；（c) 每個粒子在網絡中正向傳播，計算各粒子其在輸出層的輸出，比較得到誤差；（d)在每一次 迭代過程中，每個粒子通過個體極值和全局極值更新自身的速度和位置，找到其最優(yōu)位置 Pbest的適應值；（e)將每個粒子的最優(yōu)位置Pbest的適應值與群體歷史最優(yōu)位置Gbest的適應 值進行比較，如果Pbest的適應值優(yōu)于Gbest的適應值，則將該值作為群體最優(yōu)位置Gbest，否則 Gbest保持不變；(f)用群體最優(yōu)位置Gbest不斷更新網絡的權值和閾值；（g)若滿足終止條件， 則停止算法；若不滿足終止條件，則轉向步驟（d); 當?shù)Y果的誤差小于允許誤差0.OOl?0. 00001，系統(tǒng)結束迭代計算，模型構建完 成。
8.根據權利要求7所述的方法，其特征在于，所述初始化參數(shù)，所述參數(shù)包括：初始種 群η= 50,規(guī)模為m= 20,迭代次數(shù)K= 100,個體和速度最大最小值Popmax=I;popmin= -1， Vmax= 5 ;Vmin= -5,速度更新參數(shù)c2 = 1. 494;cl= 1. 494,分配BP網絡的權值和閾值。
【文檔編號】G06N3/02GK104463343SQ201410585074
【公開日】2015年3月25日 申請日期:2014年10月27日 優(yōu)先權日:2014年10月27日
【發(fā)明者】彭麗, 藍興英, 吳迎亞, 高金森, 蘇鑫 申請人:中國石油大學(北京)