一种催化裂化装置的收率实时预测方法

摘要

本发明公开了一种催化裂化装置收率实时预测方法，采用数据调和技术对现场实时数据进行处理，结合改进后的差分进化算法，对催化裂化反应动力学参数和装置参数进行实时校正，使催化裂化装置机理模型能够精确描述装置实际运行情况。在校正后的模型基础上，分析关键操作/工艺条件，如操作温度、进料负荷、原料预热温度、反应压力、掺渣比、再生器温度和剂油比等，对催化裂化产品收率的影响。根据影响趋势进行分段线性化，求解线性方程，获得相应的Delta-Base收率数据，结合神经网络建模技术，将操作条件与Delta-Base数据之间进行关联，建立收率代理模型，提高收率数据计算速度，实现连续催化裂化装置收率实时预测，为建立精确的计划优化PIMS模型提供理论支撑。

权利要求

1.一种催化裂化装置的收率实时预测方法，其特征在于，包括以下步骤：

(1)利用.net接口技术建立现场实时数据库与催化裂化模型之间的数据通信，实现实时采集催化裂化过程的装置运行数据；

(2)根据采集的催化裂化装置实时数据，以反应器出口的模型预测值和实际值的平方差最小作为优化目标，利用改进后的差分进化算法进行求解，拟合模型参数，实现机理模型实时校正；

(3)基于校正后的模型，针对不同生产方案，分析在不同原料品质、进料负荷和操作条件下的关键产品收率，建立产品收率分析数据库；

(4)利用产品收率分析数据库训练能够准确反映实际工况的神经网络代理模型，并将操作条件与Delta-Base数据进行关联，实现催化裂化装置收率的实时预测。

2.根据权利要求1所述的收率实时预测方法，其特征在于，步骤(2)中所述实时数据选自催化裂化原料组分信息、预提升干气流量、进料负荷、原料进料量、原料预热温度、提升管出口温度、反应温度、沉降器温度、反应器-再生器压差、沉降器压力、再生器密相床层温度、烧焦罐温度、催化剂循环量、剂油比以及产品组分信息。

3.根据权利要求1所述的收率实时预测方法，其特征在于，步骤(2)中所述改进后的差分进化算法为带有三角变异的差分进化算法，并定义优化目标为：其中，决策变量X包括各个反应的指向因子和活化能， 产品i收率实际值； 产品i收率预测值。

4.根据权利要求1所述的收率实时预测方法，其特征在于，步骤(3)中所述生产方案包括液化气方案、汽油方案和柴油方案。

5.根据权利要求1所述的收率实时预测方法，其特征在于，步骤(3)中所述原料品质包括原料的密度、硫含量、氮含量和残炭信息；所述进料负荷包括装置加工量；所述操作条件包括反应温度、反应压力和氢油比。

6.根据权利要求1所述的收率实时预测方法，其特征在于，步骤(4)中所述神经网络代理模型采用反向传播神经网络，选取7个输入变量：原料密度、原料残炭、原料氮含量、原料硫含量、进料负荷、反应温度、剂油比；6个输出变量：催化干气、催化液化气、催化汽油、催化柴油、催化油浆；隐含层设置为7层。

说明书

一种催化裂化装置的收率实时预测方法

技术领域

[0001] 本发明涉及一种基于机理和运行特性的催化裂化装置收率实时预测方法，该方法可以用于催化裂化过程建模仿真、模型实时校正以及和PIMS生产计划优化模型实时构建。

背景技术

[0002] 催化裂化是重质石油烃类在催化剂的作用下反应生成液化气、汽油和柴油等轻质油品的主要过程，在汽油和柴油等轻质油品的生产中占有很重要的地位。特别是在我国，催化裂化工艺是重油轻质化的最重要工艺，并提供了我国约75％的汽油和30％的柴油以及30～40％的低碳烯烃，并在我国21世纪炼油工业中仍将扮演重要角色。

[0003] 催化裂化原料可以是重质馏分油，如直馏减压馏分油、焦化重馏分油，也可以是减压渣油、溶剂脱沥青油、加氢处理重油等。一般都是在减压馏分油中掺入更重质原料，其掺入比例主要受制于原料的金属含量和残炭值。对于一些金属含量很低的石蜡基原油也可以直接用常压重油作为原料。催化裂化原料性质，如金属含量、残炭值、氮含量、硫含量等性质对催化裂化产品的产率分布及质量有较大的影响。

[0004] 在催化裂化装置中，目前应用较多的是Y型分子筛催化剂，裂化催化剂的研究也主要围绕着如何适应重质原料油裂化，如何提高汽油辛烷值、如何降低催化裂化汽油的烯烃含量等方向。此外，还有朝石油化工方向发展的催化剂，如以多产低碳烯烃为目标的DCC工艺的CRP和MMC-2催化剂，以最大限度生产高辛烷值汽油和气体烯烃为目标的MGG工艺的RMG催化剂。可以看到，裂化催化剂能促进化学反应，并且能有选择性地促进某些反应，如提高烃类分解、芳构化、异构化、氢转移等反应速率。因此催化剂可以提高反应器的处理能力，还能对产品的产率分布及质量起重要作用。

[0005] 在一般工业条件下，催化裂化通常表现为化学反应控制。因此，过程操作条件，如催化剂活性、反应温度、剂油比、反应压力等，对催化裂化过程的影响也十分显著。例如，提高催化剂活性可以提高反应速率，也利于促进氢转移和异构化反应，因此提高装置处理能力，得到的裂化产品的饱和度较高，含异构烃类较多。提高反应温度，则反应速率增大。反应温度对各类反应的反应速率的影响可改变产品分布和产品质量。在选择反应温度时会遇到反应器处理能力同产品产率分布之间的矛盾，此时应根据实际需要和经济合理性来选择。提高反应压力意味着反应物浓度的提高，进而反应速率加快，也意味着生焦速率增加。工业装置的处理能力常常受到再生系统烧焦能力的制约，因此，在工业上一般不采用太高的反应压力。

[0006] 原料油在480～550℃左右、0.1～0.4MPa及与裂化催化剂接触条件下，经裂化反应生成气体、汽油、柴油、油浆(可循环作原料)及焦炭。反应产物的产率与原料性质、反应条件及催化剂性能密切相关。在一般工业条件下，气体产率约10～20％(质量分数)，其中主要是C3、C4，且其中的烯烃含量可达50％(体积分数)左右；汽油产率约30～60％(质量分数)，其研究法辛烷值约85～95，安定性较好；柴油产率约为20～40％(质量分数)；焦炭产率约为5～7％(质量分数)，原料中掺入渣油时焦炭产率更高些，可达8～10％(质量分数)。

[0007] 简化的催化裂化工艺流程如图1所示。新鲜原料油被送至提升管反应器下部的喷嘴，经蒸汽雾化后，喷入提升管反应器底部区域，与其中来自再生器的高温催化剂(600～750℃)接触，随即气化并进行裂化反应。反应产物经旋风分离器分离出夹带的催化剂后离开反应器去分馏塔，分离出液化气、汽油、柴油、油浆等产品。积有焦炭的待生催化剂由沉降器落入下面的汽提段，经蒸汽汽提后进入再生器，通过烧焦恢复活性，并循环使用。

[0008] 实际生产过程中，干气、液化气、汽油、柴油、油浆和焦炭的收率受原料和操作条件的影响，关键产品的实际产量与生产计划预期值往往存在一定的偏差。究其原因，关键在于目前生产计划PIMS模型均采用固定收率，难以准确描述装置实际运行过程。因此，如何建立一个能精确、定量描述催化裂化装置的收率模型是提高当前炼油装置生产计划模型准确性的关键。

[0009] 精确收率模型的核心在于准确的反应机理动力学。众所周知，催化裂化工艺过程反应化学主要涉及的反应类型有裂化反应(α和β断裂)、异构化反应、氢转移反应、烷基化反应、环化反应、脱氢反应和各种缩合及其生焦反应，机理较为复杂。这些反应类型发生的程度影响着催化裂化的产物分布和产品性质。目前，对于类似的复杂反应体系，一般采用集总的方法进行动力学分析。如此，既能保留反应核心机理，同时还能简化反应网络，降低动力学参数估计难度。近年来，国外许多工程公司以及科研机构，通过将各类单一化合物按照动力学特性相似的原则，归并为一个虚拟组分，进而将整个原料分为若干个虚拟组分，依据各虚拟组分间的反应构建反应网络，提出了各自的集总动力学模型。在集总数目变化上先后开发出了3集总、6集总、10集总、11集总、13集总、14集总、21集总、32集总等以及结构导向集总模型；在集总划分上，经历了馏程划分，馏程-烃族-结构族划分、按馏程-结构族划分等三个阶段；在原料油上，先后开发出了适应馏分油、重油、渣油、轻馏分油的集总动力学模型等。本专利综合考虑模型准确性和计算效率，在27集总模型的基础上建立催化裂化反应器机理模型，用于实时预测催化裂化装置关键产品收率。

发明内容

[0010] 本发明提供了一种基于机理和运行特性的催化裂化装置收率实时预测方法，基于21集总的催化裂化反应动力学模型和绝热径向反应器模型，根据实际工业数据，应用改进差分算法对机理模型进行实时校正，并以此为基础，针对关键操作/工艺条件开展操作特性分析，结合神经网络技术，建立代理模型，将操作条件与Delta-Base数据进行关联，实现催化裂化装置收率的实时预测，为建立精确的计划优化PIMS模型提供理论支撑。

[0011] 具体技术方案如下：

[0012] 一种催化裂化装置的收率实时预测方法，包括以下步骤：

[0013] (1)利用.net接口技术建立现场实时数据库与催化裂化模型之间的数据通信，实现实时采集催化裂化过程的装置运行数据；

[0014] 结合现场情况和生产经验建立数据调和标准，剔除无用和错误的实时数据。根据原料数据计算当前油品的特性，如虚拟组分含量、集总组分含量、物性参数K值等；

[0015] (2)根据采集的催化裂化装置实时数据，以反应器出口的模型预测值和实际值的平方差最小作为优化目标，利用改进后的差分进化算法进行求解，拟合模型参数，实现机理模型实时校正；

[0016] (3)基于校正后的模型，针对不同生产方案，分析在不同原料品质、进料负荷和操作条件下的关键产品收率，建立产品收率分析数据库；

[0017] (4)利用产品收率分析数据库训练能够准确反映实际工况的神经网络代理模型，并将操作条件与Delta-Base数据进行关联，实现催化裂化装置收率的实时预测。

[0018] 该实时预测可为建立精确的计划优化PIMS模型提供理论支撑。

[0019] 步骤(2)中所述实时数据选自催化裂化原料组分信息、预提升干气流量、进料负荷、原料进料量、原料预热温度、提升管出口温度、反应温度、沉降器温度、反应器-再生器压差、沉降器压力、再生器密相床层温度、烧焦罐温度、催化剂循环量、剂油比以及产品组分信息。

[0020] 步骤(2)中所述改进后的差分进化算法为带有三角变异的差分进化算法，并定义优化目标为：

[0021]

[0022] 其中，决策变量X包括各个反应的指向因子和活化能， 产品i收率实际值；产品i收率预测值。

[0023] 步骤(3)中所述生产方案包括液化气方案、汽油方案和柴油方案。

[0024] 步骤(3)中所述原料品质包括原料的密度、硫含量、氮含量和残炭信息；所述进料负荷包括装置加工量；所述操作条件包括反应温度、反应压力和氢油比。

[0025] 步骤(4)中使用了神经网络装置代理模型来替代机理模型进行预测计算，从而满足实时计算对于模型计算效率的要求。所述神经网络模型采用反向传播(Back propagation，BP)神经网络，选取7个输入变量：原料密度、原料残炭、原料氮含量、原料硫含量、进料负荷、反应温度、剂油比；6个输出变量：催化干气、催化液化气、催化汽油、催化柴油、催化油浆；隐含层设置为7层。

[0026] 本发明的有益效果如下：根据影响趋势进行分段线性化，求解线性方程，获得相应的Delta-Base收率数据，结合神经网络建模技术，将操作条件与Delta-Base数据之间进行关联，建立收率代理模型，提高收率数据计算速度，实现连续催化裂化装置收率实时预测，为建立精确的计划优化PIMS模型提供理论支撑。

附图说明

[0027] 图1是催化裂化过程的简化流程图；

[0028] 图2是21集总反应动力学模型反应网络；

[0029] 图3是模型实时校正简化流程图；

[0030] 图4是多层前向神经网络结构示意图；

[0031] 图5是神经网络装置代理模型结构图。

具体实施方式

[0032] 下面通过实施例对本发明进行具体描述。有必要在此指出的是，以下实施例只用于对本发明作进一步说明，不能理解为对本发明保护范围的限制，该领域的专业技术人员根据本发明的内容作出的一些非本质的改进和调整，仍属于本发明的保护范围。

[0033] 实施例1

[0034] 1、催化裂化机理建模

[0035] 催化裂化工艺原料为重质油，催化裂化反应涉及组分多、反应体系复杂。催化裂化原料中主要含有烷烃、环烷烃、芳烃和少量烯烃。大量的研究表明，在催化裂化条件下，催化裂化发生的反应主要有：烷烃发生分解反应，烯烃发生分解反应、异构化反应、氢转移反应、芳构化反应，环烷烃发生分解反应、氢转移反应、异构化反应，芳烃发生开环裂化反应、缩合反应等。对于这样的复杂反应体系反应动力学建模，需要使用集总动力学模型。所谓集总(Lumping)就是将复杂反应体系中的各类分子按其动力学特性相似的原则进行归并、划分成若干个虚拟的组分——集总组分,然后建立集总组分的反应动力学模型。

[0036] 本发明结合实际工业情况，选择了21集总反应动力学理论建立催化裂化反应模型，详细集总分类见表1：

[0037] 表1 21集总反应动力学模型中催化裂化反应体系组分划分

[0038]

[0039] 建立如下的反应网络(如图2)：

[0040] 假定反应为等温、气相、活塞流反应器，质点内扩散可忽略不计，并假定所有反应均为一级不可逆反应，考虑到碱氮中毒、重芳烃吸附及催化剂时变失活因素，模型反应动力学方程表达如下：

[0041] 反应动力学微分方程：

[0042]

[0043] 式中ri为集总i的反应速率；Ci为集总i的浓度t为反应时间；k为反应速率常数，其表达式为：

[0044]

[0045] k0和E分别为指前因子和活化能；f(A)为芳烃吸附函数，其表达式为：

[0046]

[0047] KA为芳烃吸附因子，ωA、ωR、ωASP分别为原料中芳烃、胶质、沥青质质量分数；f(N)为碱氮吸附失活函数，其表达式为

[0048]

[0049] kN为碱氮失活系数；ωN为碱氮质量分数； 为催化剂时变失活函数其表达式为：

[0050]

[0051] tc为催化剂停留时间，β、γ为失活系数。

[0052] 在以上的动力学基础上，结合进料和催化剂指纹库技术，收集装置信息以及原料结构性质(密度、残炭、馏程、粘度等)、原料预热温度、反应温度、反应压力、剂油比、停留时间、吸收剂温度、补充吸收剂流量、吸收塔顶温度、解吸塔进料温度、催化剂循环量、吸收稳定系统操作压力、稳定塔回流比等关键操作条件，建立起能反映原料性质、装置工艺参数与产品收率、性质的之间关系的催化裂化过程模拟模型。利用大量的装置生产数据，对基于机理模型的催化裂化装置模型的动力学参数进行调整，获得能够反映进料性质、操作条件变化时，产物分布和产品性质的变化的催化裂化工艺装置模型。

[0053] 2、数据采集与调和

[0054] 由于工业现场情况复杂，生产过程受到多种因素的影响，完全依据实验报道的机理建立的催化裂化装置模型无法准确模拟实际装置，因此需要结合现场装置实际运行特性来校正模型。首先是实现现场数据的采集和调和处理过程。

[0055] 1)现场数据采集：在实际生产过程中，大多数工厂都会使用实时数据库来记录装置的运行状况，并提供相应数据点的位号以便采集数据。本发明利用VB.net接口技术开发催化裂化装置现场数据实时采集系统，可以实现将现场实时数据的读入，并储存到本地数据库中。需要采集的数据主要包括催化裂化原料性质数据，进料负荷、装置各段反应温度、压力、催化剂循环量，催化剂评价数据和反应产物(干气、液化气、汽油、柴油、油浆)的流量和性质分析成数据。

[0056] 2)数据调和处理：受现场检测仪表可靠性的局限，直接从DCS上获取到的数据往往存在物料不平衡、热量不平衡等问题，因此不能直接用于建立装置模型。为了确保模型样本数据的准确性，有必要对实时采集的数据建立调和标准，具体使用以下几种方法：(1)采用天平均值来校正模型；(2)根据统计数据和生产经验确定数据的值域，依此判断数据的准确性，将错误数据从本地数据库中删除；(3)对于在特定期间内无法采集的数据，建立冗余的计算公式，通过采集其他数据来推导出这个点。

[0057] 3、催化裂化机理模型实时校正

[0058] 这一步骤结合实际案例介绍催化裂化机理模型的实时校正实现过程。

[0059] 模型实时校正可以归为参数估计问题，本发明首先将参数估计问题转化为最优化问题，即：

[0060]

[0061] 其中，决策变量X包括各个反应的指向因子和活化能， 和 分别表示产品油各组分的质量百分比。针对这种类型的优化目标，本发明使用改进的差分算法对问题进行求解。

[0062] 差分算法(differential evolution，DE)是一种基于种群的的随机搜索算法，它具有结构简单、收敛速度快、鲁棒性高等特点。算法的变异机制，即生成子代的方法为：

[0063] r′＝r1+F*(r2-r3)    (7)

[0064] 其中，r′是新生成的子代个体，r1,r2,r3是种群中随机选取的三个不同的父代个体，F为差分进化算子，一般为一个常数。

[0065] 由于该目标决策变量数目众多，导致算法求解时计算量很大，因此需要对算法进行改进，加快其收敛速度。本发明选择了带有三角变异的改进差分算法，该方法被证明在提高算法收敛速度方面具有显著成效，其改进的变异策略可以表示为：

[0066] r′＝(r1+r2+r3)/3+(p2-p1)(r1-r2)+(p3-p2)(r2-r3)+(p1-p3)(r3-r1)  (8)[0067] 其中

[0068] p1＝|f(r1)|/p′

[0069] p2＝|f(r2)|/p′    (9)

[0070] p3＝|f(r3)|/p′

[0071] p′＝|f(r1)|+|f(r2)|+|f(r3)|    (10)

[0072] 模型实时校正的简化流程图如图3所示。

[0073] 本例选取某工厂催化裂化装置某天的实际数据作为说明，当天装置的操作工况主要为：预提升干气流量为2288.3Nm3/h，沉降器-再生器两器差压为-21kPa，沉降器上部压力为270kPa，再生器集气室内压力为291kPa，沉降器顶温度为530℃再生器集气室内温度为724℃，再生器密相下部温724℃，烧焦罐上部温度718℃，反应温度控制532℃，原料负荷为
158吨/小时，原料预热温度200℃，压力为290KPa，催化剂/原料比为7.5。根据上述条件，由算法求解得到校正后的模型输出数据如表2所示，同时得到校正催化裂化装置机理模型部分参数见表3。

[0074] 表2校正的催化裂化装置机理模型预测输出与实际数据的对比

[0075]

[0076]

[0077] 表3校正后的装置模型部分参数

[0078]性能 1.0000
结焦路径的碱性氮失活 0.2700
汽油路径的碱性氮失活 1.8300
其他路径的碱性氮失活 1.2000
以液体体积为基准的H2～C2气体收率转化[MJ/m3] 41807.0000
残炭生成焦炭比例 0.5000
生成焦炭的非气化原料 0.0400
H2和金属焦炭质量比 0.1000

[0079]汽油裂解指前因子 64.5000
汽油裂解的Ea/R值 60000.0000
再生器稀相通量参数 0.6000
二再生器稀相通量参数 0.6000
反应器稀相催化剂分离因子 0.0001
馏分链烷烃裂解成气体集总 0.2430
馏分环烷烃裂解成气体集总 0.1500
馏分芳烃侧链裂解成气体集总 3.1135
馏分环烷烃裂解成汽油集总 0.5000
馏分芳烃侧链裂解成汽油集总 3.5000
馏分芳环裂解成汽油集总 2.5000
原料中轻链烷烃产生的甲烷 0.0294
原料中轻环烷烃产生的甲烷 0.0817
原料中轻芳烃侧链产生的甲烷 0.0737
原料中重链烷烃产生的甲烷 0.0659
原料中重环烷烃产生的甲烷 0.1522
原料中重芳烃侧链产生的甲烷 0.2005
原料中重链烷烃产生的甲烷 0.0659
原料中渣油环烷烃产生的甲烷 0.1522
原料中渣油芳香侧链产生的甲烷 0.2005
原料中轻链烷烃产生的乙烷 0.0294
原料中轻环烷烃产生的乙烷 0.0817

[0080]原料中轻芳香侧链产生的乙烷 0.0737
原料中重链烷烃产生的乙烷 0.0659
原料中重环烷烃产生的乙烷 0.1522
原料中重芳香侧链产生的乙烷 0.2005
原料中渣油链烷烃产生的乙烷 0.0659
原料中渣油环烷烃产生的乙烷 0.1522
原料中渣油芳香侧链产生的乙烷 0.2005
原料中轻链烷烃产生的乙烯 0.0415
原料中轻环烷烃产生的乙烯 0.2828
原料中芳香侧链产生的乙烯 0.4451
原料中轻单环芳核产生的乙烯 0.0772
原料中轻双环芳核产生的乙烯 0.0772
原料中重链烷烃产生的乙烯 0.1622
原料中重环烷烃产生的乙烯 0.2911
原料中重芳烃侧链产生的乙烯 0.2683
原料中重单环芳核产生的乙烯 0.0785
原料中重双环芳核产生的乙烯 0.0785
原料中重三环芳核产生的乙烯 0.0785
原料中渣油链烷烃产生的乙烯 0.1622
原料中渣油环烷烃产生的乙烯 0.2911
原料中渣油芳香侧链产生的乙烯 0.2683
原料中渣油单环芳核产生的乙烯 0.0785

[0081]原料中渣油双环芳核产生的乙烯 0.0785
原料中渣油三环芳核产生的乙烯 0.0785
高于反应温度(1000F)整个反应体系的EA 25.5133
高于反应温度(1000F)提升管的EA 25.5133
轻气体分拆为H2 519.9893
轻气体分拆为乙烷 0.0551
轻气体分拆为乙烯 0.0817
轻气体分拆为丙烷 0.0018
轻气体分拆为丙烯 0.0036
轻气体分拆为异丁烷 0.0013
轻气体分拆为正丁烷 0.0024
轻气体分拆为丁烯 0.0039
残炭响应值 2.0000
残炭响应度 3.8000
全局催化失活因子 0.0034
催化剂活性vs.裂解因子 2.7000
催化剂活性vs.结焦因子 0.0450

[0082] 4、催化裂化产品收率分析

[0083] 通过以上步骤的实现，催化裂化装置机理模型通过实时运行特性数据的校正已经可以准确反映催化裂化装置的实际情况。在这一步，针对实际生产方案的需求分三类，分别为生产液化气、汽油和柴油。

[0084] 利用校正的催化裂化装置机理模型在特定的生产方案下针对不同原料特性(主要为比重、残炭值、氮含量、硫含量)、进料负荷、反应温度、掺渣比、反应压力、烧焦温度和剂油比等条件所得到的装置关键产品收率进行分析，其中关键产品主要包括：催化干气、丙烯、催化液化气、催化汽油、催化柴油、催化油浆和焦炭等。建立本地数据库存储收率数据，并能够实现数据的读写。

[0085] 表4和表5分别为某工况下，原料密度、反应温度变化对关键产品收率影响的分析实例。

[0086] 表4原料密度变化对关键产品收率的影响

[0087]

[0088] 表5反应温度变化对关键产品的收率影响

[0089]

[0090]

[0091] 如表4所示，原料的密度变化对催化裂化产品分布影响非常显著。密度的增加，意味着原料中重组分增加，如多环芳烃等。这也就势必带来催化产品中重馏分产品的收率上升。模拟结果很好地验证了这点。原料密度的增加，催化干气、催化液化气、催化汽油等收率下降，而催化柴油、催化油浆和焦炭等收率则明显增大。在反应温度对催化裂化关键产品影响上，表5给出了催化裂化装置机理模型的模拟结果。随着反应温度的升高，催化干气、催化液化气和催化汽油产率增加，而催化柴油、催化油浆和焦炭等收率下降。这也比较符合工业生产实际情况。

[0092] 5、催化裂化产品收率实时预测

[0093] 催化裂化装置收率实时预测技术要求机理模型有较高准确性的同时还对模型的计算效率提出了很高的要求。上文介绍的校正模型机理十分复杂，求解速度很慢，而且容易不收敛，显然无法满足实时预测的需要，因此亟需利用神经网络技术建立代理模型来实现装置收率的实时预测。

[0094] 本发明采用反向传播(Back propagation，BP)神经网络，这是一种在过程控制中应用最广泛的神经网络结构。BP神经网络结构如图4所示。整个结构由L层神经元组成，第一层为输入层，最后一层为输出层，其它层为隐层，可以得到每个神经元的模型为：

[0095]

[0096]

[0097] 式中：

[0098] ypjk：j层中第k各神经元在第p组样本状态下的和输出；

[0099] xpjk：j层中第k个神经元在第p组样本状态下的和函数输出；

[0100] wpjk：j-1层中第i个神经元到j层中第p个神经元的链接权值。其中wpjo定义为j层第k个神经元的阀值。

[0101] f(y)：神经元的非线性激活函数。

[0102] 神经网络学习的目的是找出一系列权值，使样本的每组输入向量作用于网络后，其网络的实际输出向量与样本的期望输出向量一致，整个学习过程是调整网络中各神经元之间的连接权值，使下述网络的误差能量函数达到最小：

[0103]

[0104] 其中：

[0105] opk：第p组样本输入向量作用于网络后，网络输出层中第k个神经元的函数输出的期望值。

[0106] BP算法用来解决上述多层前向网络的学习问题，该学习算法由信号正向传播和误差反向传播组成。传统的BP算法可以概括地总结如下。

[0107]

[0108] 其中：

[0109]

[0110] 式中：

[0111] δpjk：第p组样本输入向量作用于网络后，j层中第k个神经元函数输出的误差信息；

[0112] t：学习时间；

[0113] f′(y)：神经元激活函数的一阶导函数。

[0114] 式(11)-(15)是BP网络中权值的学习规则，式中学习速率和势态项系数一般是由经验确定，在传统BP算法中它们不能与网络结构、网络状态以及外部学习环境自动匹配，网络训练时需要人为进行调整。

[0115] 根据上述神经网络结构，选取神经网络输入7个：原料密度、原料残炭、原料氮含量、原料硫含量、进料负荷、反应温度、剂油比；输出6个：催化干气、催化液化气、催化汽油、催化柴油、催化油浆；隐含层设置为7层。以此训练神经网络代理模型，见图5。

[0116] 根据上文分析数据表明，操作变量影响下的催化裂化装置关键产品收率呈现非线性的趋势。本发明利用神经网络代理预测模型计算，将非线性对象进行分段线性化处理，产生相应的Delta-Base数据，实现收率实时预测。计算结果可用于建立PIMS模型，提高模型的精度。

[0117] 在某基准工况下，利用神经网络代理模型计算部分性质变化时，装置关键产品收率的Delta-Base数据如表6所示：

[0118] 表6装置实时收率预测Delta-base值

[0119]

[0120]

[0121] 其计算过程分为两步：

[0122] 第一步：根据给定的性质计算出催化裂化装置各项关键产品的预测收率作为Base数据；

[0123] 第二步：根据设定的自由变量，自动计算该变量在给定值邻域内变化下的产品收率预测数据，并计算出单位变量改变下收率的变化量，该变化量即作为装置收率预测的Delta数据，计算公式如下：

[0124]

[0125] 其中，Val表示指定的自由变量(如硫含量，残炭、氮含量、密度等，但不限于此)，Ykeyproduct表示关键产品预测收率。

[0126] 表六是分别以残炭、硫含量、氮含量为自由变量，分别针对汽油和柴油两种方案获得的Delta_Base数据，其中BA表示相应产品收率的Base数据，自由变量值表示变化量，NA表示变量变化下相应的关键产品收率的变化情况，即为产品收率的Delta数据。关键产品收率的计算公式如下：

[0127] Yproduct＝Cproduct/CInlet    (17)

[0128] 其中，Yproduct表示产品收率，Cproduct表示产品的质量流量，CInlet表示原料进料的质量流量。

[0129] 通过以上步骤的进行，本发明可以实现基于机理和运行特性的催化裂化装置收率的实时预测。该方法以21集总反应动力学模型为理论基础，利用实际工业数据对催化裂化装置机理模型进行实时校正，并通过计算校正模型获得的分析数据来训练神经网络代理模型，克服了催化裂化机理模型计算速度慢的局限。利用神经网络代理模型计算催化裂化装置关键产品的收率，实现操作条件与Delta-Base数据的关联，达到催化裂化装置收率的实时预测的效果，为建立精确地计划优化PIMS模型提供理论支撑。