一種預(yù)測(cè)催化裂化汽油產(chǎn)率的方法
【專利摘要】本發(fā)明涉及了一種預(yù)測(cè)催化裂化汽油產(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)，以及汽油產(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PSO優(yōu)化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)汽油產(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，獲得汽油產(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)催化裂化汽油產(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)催化裂化汽油產(chǎn)率的方法。

【背景技術(shù)】
[0002] 催化裂化作為石油的二次加工單元，承擔(dān)著摻煉渣油、重質(zhì)油輕質(zhì)化的任務(wù)，其產(chǎn) 物汽油是車用汽油的主要來(lái)源。但隨著原油的重質(zhì)化、劣質(zhì)化，同時(shí)對(duì)輕質(zhì)油品尤其是汽油 需求的增加，催化裂化加工能力也在不斷增長(zhǎng)。因此預(yù)測(cè)汽油產(chǎn)率對(duì)煉廠進(jìn)一步調(diào)整產(chǎn)品 結(jié)構(gòu)提升效率具有一定的指導(dǎo)意義。催化裂化反應(yīng)機(jī)理相當(dāng)復(fù)雜，其反應(yīng)過(guò)程和產(chǎn)品分布 受到原料性質(zhì)、操作條件等影響，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。
[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。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。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(yàn) 與PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010, 32:25-29.)等利用PSO優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(yīng)用PSO優(yōu)化 BP神經(jīng)網(wǎng)絡(luò)的二次反應(yīng)清潔汽油辛烷值預(yù)測(cè)[J].西安交通大學(xué)學(xué)報(bào)，2010, 12:82-86.)、 袁?。ㄔ?，周小偉，楊伯倫.基于LM/SVM方法的二次反應(yīng)清潔汽油辛烷值預(yù)測(cè)[J].高 ?；瘜W(xué)工程學(xué)報(bào)，2010, 02:258-262.)等分別利用PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和LM/SVM方法對(duì) 二次反應(yīng)清潔汽油辛烷值進(jìn)行預(yù)測(cè)。張忠洋（張忠洋，李澤欽，李宇龍.GA輔助BP神經(jīng) 網(wǎng)絡(luò)預(yù)測(cè)催化裂化裝置汽油產(chǎn)率[J].石油煉制與化工，2014, 45 (7) : 91-96.)等利用GA輔 助BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)某煉油廠催化裂化裝置汽油產(chǎn)率，得到經(jīng)GA優(yōu)化后預(yù)測(cè)汽油產(chǎn)率均方 誤差為4. 92,但該研究?jī)H對(duì)采集的360組現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行分析，且只考察溫度、壓力等7個(gè)變 量作為影響汽油產(chǎn)率的因素。
[0004] 雖然BP神經(jīng)網(wǎng)絡(luò)在諸多領(lǐng)域取得很好的效果。由于其具有局部極小化，收斂速 度慢，網(wǎng)絡(luò)結(jié)構(gòu)選擇不一，應(yīng)用實(shí)例與網(wǎng)絡(luò)規(guī)模之間的矛盾，預(yù)測(cè)能力和訓(xùn)練能力之間的矛 盾，樣本依賴性等問(wèn)題。


【發(fā)明內(nèi)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(jīng)網(wǎng)絡(luò)分析催化裂化裝置得到的影響汽油產(chǎn)率數(shù)據(jù)，從而 快速預(yù)測(cè)催化裂化裝置的汽油產(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。
[0006] 本發(fā)明提供了一種預(yù)測(cè)催化裂化汽油產(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)，以及汽油產(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] ⑵利用PSO優(yōu)化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)汽油產(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)獲得的汽油產(chǎn)率模型中，獲得汽油產(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)以及汽油產(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Xk= (Xi-Xmin) AXmax-Xmin),其中，Xk為歸一化 值，Xi為步驟（1)獲得的基礎(chǔ)數(shù)據(jù)值，Xmaj^PXmin分別是{X(n)}的最大值和最小值。
[0016] 本發(fā)明涉及的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。
[0017] 本發(fā)明步驟（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，汽油產(chǎn)率作為輸出層；隱含層節(jié)點(diǎn)數(shù)選

【權(quán)利要求】
1. 一種預(yù)測(cè)催化裂化汽油產(chǎn)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(zhì)、催化劑性質(zhì)和操作有關(guān)的基礎(chǔ)數(shù)據(jù)，以及汽油產(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PSO優(yōu)化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)汽油產(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)獲得的汽油產(chǎn)率模型中，獲得汽油產(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)，X max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 汽油產(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)；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(jīng)網(wǎng)絡(luò)訓(xùn)練具體為：（a)設(shè)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(xué)習(xí)率、迭代次數(shù)，所述迭代次數(shù)根據(jù)經(jīng)驗(yàn)值和計(jì)算速度以及適應(yīng)度的 計(jì)算結(jié)果確定；(b)設(shè)置終止條件為：如果迭代次數(shù)超過(guò)步驟（a)設(shè)置的值，算法結(jié)束；（c) 每個(gè)粒子在網(wǎng)絡(luò)中正向傳播，計(jì)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(guò)程中，每個(gè)粒子通過(guò)個(gè)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(yīng)值；（e)將每個(gè)粒子的最優(yōu)位置Pbest的適應(yīng)值與群體歷史最優(yōu)位置G best的適應(yīng) 值進(jìn)行比較，如果Pbest的適應(yīng)值優(yōu)于Gbest的適應(yīng)值，則將該值作為群體最優(yōu)位置G best,否則 Gbest保持不變；（f)用群體最優(yōu)位置Gbest不斷更新網(wǎng)絡(luò)的權(quán)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(zhuǎn)向步驟（d); 當(dāng)?shù)Y(jié)果的誤差小于允許誤差0. OOl?0. 00001，系統(tǒng)結(jié)束迭代計(jì)算，模型構(gòu)建完 成。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述初始化參數(shù)包括：初始種群η = 50， 規(guī)模為m = 300,迭代次數(shù)K = 500,個(gè)體和速度最大最小值popmax = I ;popmin = -l，Vmax = 1^11 = -1，速度更新參數(shù)〇2 = 1.494;(：1 = 1.494，分配8?網(wǎng)絡(luò)的權(quán)值和閾值。
【文檔編號(hào)】G06N3/02GK104392098SQ201410585086
【公開日】2015年3月4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】吳迎亞, 藍(lán)興英, 彭麗, 高金森, 呂林英 申請(qǐng)人:中國(guó)石油大學(xué)(北京)