[发明专利]一种预测重油催化裂化沉降器结焦量的方法

说明书

技术领域

本发明涉及石油化工领域，具体涉及一种预测重油催化裂化沉降器结焦量的方法。

背景技术

重油催化裂化(RFCC)在我国炼油工业占有重要地位，是炼厂提高经济效益的重要手段。但随着原油的重质化、劣质化，我国RFCC原料的掺渣率不断提高，原料性质越来越差，不仅使RFCC产物分布及产品质量变差，而且加剧了RFCC装置结焦。其中沉降器结焦危害最大，同时发生最普遍，轻则导致催化剂循环不畅和催化剂大量跑剂，重则导致催化剂循环中断，装置被迫非计划停工，由结焦造成的非计划停工严重影响RFCC装置的经济效益。

目前，大量研究对减缓沉降器结焦问题进行了研究，主要包括：控制好原料油的质量、提高原料雾化效果、根据反应深度选择适宜的操作条件、控制防焦蒸汽量和温度、加强沉降器保温、适当采用高效汽提技术、降低油气停留时间、搞好平稳操作及公用工程保障等。虽然这些研究对延缓沉降结焦问题起到一定效果，但是结焦问题依然存在，且每年都由此造成炼厂装置非计划停工。因此，在线预测催化裂化沉降器的结焦量，在线判断装置结焦情况对掌握装置运行状态十分重要，一旦结焦量过高，可以通过调节原料进料性质、催化剂性质、操作参数或是计划停工等方式，减缓非计划停工给炼厂带来的经济损失。

发明内容

为了解决现有技术中存在的问题，实现在线判断沉降器装置结焦情况，本发明提供了一种预测重油催化裂化沉降器结焦量的方法，所述方法包括以下步骤：

(1)获得与沉降器的冷凝率、捕获率、生焦率相关的基础数据，以及冷凝率、捕获率和生焦率的实际值，对上述各组数据进行预处理，再进行归一化处理；

(2)利用神经网络进行模型训练，以步骤(1)所得归一化处理后的基础数据作为输入值，以实际值作为期望输出，获得预测沉降器冷凝率、捕获率和生焦率的模型；

(3)对现场采集的与沉降器的冷凝率、捕获率、生焦率相关的基础数据进行预处理，分别代入步骤(2)获得的模型中，得到沉降器冷凝率、捕获率和生焦率的预测值，现场采集沉降器内油浆质量流量，计算得到沉降器结焦量预测值。

本发明步骤(1)所述与冷凝率相关的基础数据以及冷凝率实际值均从催化裂化生产现场通过常规实验采集获得，其中，与冷凝率相关的基础数据包括以下具体参数：油浆初馏点、油浆575℃馏出量、油浆10％馏出温度、油浆50％馏出温度、油浆90％馏出温度、沉降器出口温度和沉降器内油浆分压。

本发明步骤(1)所述与捕获率相关的基础数据以及捕获率实际值均从催化裂化生产现场通过计算流体动力学(Computational Fluid Dynamics,CFD)模拟获得，其中，与捕获率相关的基础数据包括以下具体参数：油气在沉降器内线速、沉降器出口温度、沉降器内部压力、油浆密度和油浆残炭。

本发明步骤(1)所述与生焦率相关的基础数据以及生焦率实际值均从催化裂化生产现场通过常规实验采集获得，其中，与生焦率相关的基础数据包括以下具体参数：油浆残炭、油浆密度、油浆平均分子量、油浆饱和烃含量、油浆芳香烃含量、油浆氢含量、油浆碳含量、油浆沥青质胶质含量和沉降器出口温度。

本发明步骤(1)或(3)所述预处理具体为：取各个参数的共同时间段内的数据，对各个参数进行异常值的剔除，所述异常值包括零、负值、空数据以及与平均值之差大于3倍标准差的数据。

本发明步骤(1)所述归一化处理为：将样本序列定为{X(n)}，按照最大最小法对数据进行归一化处理，所述最大最小法公式为X_k＝(X_i-X_min)/(X_max-X_min)，其中，X_k为归一化值，X_i为步骤(1)获得的实测数据值，X_max和X_min分别是{X(n)}的最大值和最小值。

本发明步骤(2)所述神经网络选自反相传播(Back Propagation,BP)神经网络、广义回归神经网络(Generalized Regression Neural Network,GRNN)、径向基函数(Radial Basis Function,RBF)神经网络、粒子群(Particle Swarm Optimization,PSO)优化BP神经网络或遗传算法(Genetic Algorithm,GA)优化BP神经网络；优选为GRNN神经网络。