[发明专利]一种优化催化裂化装置轻油收率的方法、装置及存储介质

权利要求书

1.一种优化催化裂化装置轻油收率的方法，其特征在于，包括：

获得参与催化裂化收率优化的参数的历史数据，以及与所述参数对应的收率实际值，并对获得的所述参数的历史数据和所述收率实际值进行异常值剔除和归一化操作，形成样本数据；

利用所述样本数据训练GRNN模型，获得根据所述参数预测收率的模型；

采用遗传算法优化所述参数预测收率的模型预测的结果，以优化所述催化裂化装置的轻油收率；

所述参与催化裂化收率优化的参数包括：一反出口温度、二反出口温度、反应压力、回炼比、剂油比、掺渣比、入口线速、提升蒸汽量、原料油量、原料油预热温度、主风量以及再生温度；

所述异常值包括0、负值、空数据以及与平均值之差大于3倍标准差的数据；

所述参数预测收率的模型包括：输入层、模式层、求和层和输出层，对应网络输入为X＝[x₁,x₂,...,x_n]，输出为Y＝[y₁,y₂,...,y_k]；

其中，输入层神经元的数目等于学习样本中输入向量的维数，即X＝[x₁,x₂,...,x_n]，所述神经元是简单的分布单元，直接将输入变量传递给所述模式层；

模式层神经元数目等于所述学习样本的数目n，每个所述神经元对应不同的学习样本，所述模式层神经元传递函数为：

神经元i的输出为输入变量与其对应的样本X之间欧式距离平方的指数平方；

所述求和层使用两种类型神经元算法进行求和；

其中一种求和公式为：

所述求和公式对所有模式层神经元的输出进行算术求和，所述模式层与每个所述神经元的连接权值为1，传递函数为：

另外一种求和公式为：

所述求和公式对所有所述模式层神经元进行加权求和，所述模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素，传递函数为：

所述输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果Y(X)的第j个元素，即：

所述的遗传算法，包括步骤：

S1、以某种时刻的参与所述催化裂化收率优化的参数值作为初始种群，种群中的个体数为M，并设置进化代数计数器t＝0，设置最大进化代数T；

S2、将训练后的所述参数预测收率的模型的预测结果作为个体适应度值，计算群体中每个个体的适应度；

S3、采用轮盘赌法选择适应度所占比例较大的个体；

S4、对这些个体利用交叉操作和变异操作生成下一代群体；

S5、判断是否满足t＝T，若是，则以进化过程中所得到的具有最大适应度个体作为最优解输出，输出对应的参与所述催化裂化收率优化的参数优化值，并终止计算；若否，则返回重复循环执行S2-S5；

其中，所述初始种群的数量为50个，迭代次数为100；

所述将训练后的所述参数预测收率的模型的预测结果作为个体适应度值，计算公式为：F_i＝S_Nj/S_D，Fi为个体i的适应度值。

2.根据权利要求1所述的优化催化裂化装置轻油收率的方法，其特征在于，所述参数的历史数据，以及计算实际收率的历史数据，是从所述催化裂化装置的实时数据采集系统及Lims系统采集获得。

3.根据权利要求1所述的优化催化裂化装置轻油收率的方法，其特征在于，所述将训练后的所述参数预测收率的模型的预测结果作为个体适应度值，具体为：

采用轮盘赌法，选择适应度所占比例较大的个体进入下一代，计算公式为：

f_i＝k/F_i，p_i＝f_i/∑f_i；

其中F_i为个体i的适应度值，k为系数，p_i是个体适应度所占的比例。