[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

说明书

本发明公开了一种优化催化裂化装置轻油收率的方法，包括步骤：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GRNN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。如此，本发明的优化催化裂化装置轻油收率的方法，能够大大提高轻油收率，且能够从机理上准确描述反应过程，提高数据精准度。

技术领域

本发明涉及石油化工领域，尤其涉及一种优化催化裂化装置轻油收率的方法、装置及存储介质。

背景技术

催化裂化(FCC)是在热和催化剂的作用下使重质油发生裂化反应，转变为裂化气、汽油和柴油等的过程。催化裂化在我国炼油工业占有重要地位，与热裂化相比，其轻质油产率高，汽油辛烷值高，柴油安定性较好，并副产富含烯烃的液化气，是炼厂提高经济效益的重要手段，而对催化裂化装置本身而言，轻油收率是其最重要的经济指标。精确收率模型的核心在于准确的反应机理动力学，但催化裂化过程涉及分解、异构化、氢转移、芳构化、缩合、生焦等等多种反应，很难从机理上准确描述反应过程。

目前，对于类似的复杂反应体系，若从反应机理出发，一般采用集总的方法进行动力学分析，以期实现既保留反应核心机理，同时还能简化反应网络，降低动力学参数估计难度。但集中动力学方法对数据精度要求较高，目前企业的数据精度往往不能满足该方法的精度要求。

发明内容

本发明目的在于，提供一种优化催化裂化装置轻油收率的方法，能够大大提高轻油收率，且能够从机理上准确描述反应过程，提高数据精准度。

为实现上述目的，本发明实施例提供的一种优化催化裂化装置轻油收率的方法，包括步骤：

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。

在一些实施例中，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。

在一些实施例中，所述参数的历史数据，以及所述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。

在一些实施例中，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。

在一些实施例中，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，所述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；

所述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:

所述神经元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；