公开/公告号CN112365071A
专利类型发明专利
公开/公告日2021-02-12
原文格式PDF
申请/专利权人 华东理工大学;
申请/专利号CN202011298545.7
申请日2020-11-18
分类号G06Q10/04(20120101);G06Q50/04(20120101);G16C20/10(20190101);G16C20/20(20190101);G16C20/70(20190101);G06N3/12(20060101);
代理机构31100 上海专利商标事务所有限公司;
代理人陶玉龙;陆嘉
地址 200237 上海市徐汇区梅陇路130号
入库时间 2023-06-19 09:54:18
技术领域
本发明涉及汽油吸附脱硫技术领域,更具体的说,涉及一种基于改进型差分进化算法的S Zorb装置实时优化方法。
背景技术
随着我国的工业化水平不断提高,汽油作为基础燃料,其质量提升成为一件亟待解决的技术难题。汽油基本通过催化裂化生产而成,在此过程中会产生许多含硫物质,这就会导致汽油在燃烧中产生大量污染物。
因此,在当下汽油生产加工过程中对脱硫工艺技术极为重视,不断研究和更新脱硫工艺技术,尽可能降低汽油中的含硫量,使汽油在燃烧过程中所产生的污染降至最低。
汽油吸附脱硫技术采用物理吸附的方式,使汽油与具有特殊结构的吸附剂充分接触,将汽油中的硫醇、二硫化物、硫醚和噻吩类硫化物吸附至吸附剂上,来降低汽油中硫含量。
S Zorb工艺(S Zorb technology)是2017年全国科学技术名词审定委员会公布的化工名词,是美国康菲公司开发的一种反应吸附脱硫工艺,它将流化床反应器和连续再生技术相结合,并成功应用于催化裂化汽油和柴油脱硫,是目前工业化应用较广的吸附脱硫技术。
截至2018年底,我国建成S Zorb催化汽油吸附脱硫装置共35套,超过50%的催化裂化汽油采用此工艺脱硫,在油品质量升级过程中发挥了至关重要的作用。
随着车用汽油质量不断升级,S Zorb装置的反应深度逐渐增加,提高脱硫率的同时也带来了辛烷值损失的增加,而通过S Zorb装置处理后的精制汽油辛烷值过低将直接影响经济效益及全厂汽油调和。
目前,国内对于S Zorb装置加氢反应脱硫过程的操作参数的设定还处于比较粗糙的阶段,传统的优化调节主要是现场工程师的经验调节,费时费力并且很难全面的掌握和决策较多的变量,安全性以及经济性都难以保证,兼顾脱硫指标与辛烷值损失最小也就更为困难。
发明内容
本发明的目的是提供一种基于改进型差分进化算法的S Zorb装置实时优化方法,解决现有技术中对于S Zorb装置的操作参数设定需要人工进行、费事费力难以准确调节的问题。
为了实现上述目的,本发明提供了一种基于改进型差分进化算法的S Zorb装置实时优化方法,包括以下步骤:
S1、配置通信协议,采集当前实时工况数据;
S2、将处理后的实时数据输入S Zorb装置数学模型中,计算出当前工况下产品的硫含量及辛烷值损失值;
S3、根据计算获得的硫含量与生产实际要求的硫含量指标值进行比较,计算出当前产品硫含量的约束违反度;
S4、建立最小化辛烷值损失的目标函数,硫含量为约束函数,对应的表达式如下,
其中,f(x)为目标函数,g(x)为约束函数,x为优化决策变量;
S5、以当前实时工况数据为初始状态点,作为优化的初始种子,输入S Zorb装置数学模型中,计算出当前目标函数值及约束违反度;
在决策变量约束范围内初始化种群,对种群进行变异、交叉和选择操作,得到进化后的解空间;
将种群中的种子依次输入S Zorb装置数学模型中进行计算,每一个种子对应一个目标函数值,在种群中得出最优的一组解作为新的种群进行迭代,直至满足迭代终止条件,确定最优种群;
S6、将最优种群中的种子依次输入S Zorb装置数学模型中进行计算,选出最优的种子及其所对应的目标函数值,此时最优的种子即对应优化决策变量的优化值。
在一实施例中,所述步骤S1进一步包括:对当前实时工况数据进行初始化分析及稳态判断。
在一实施例中,所述步骤S1中:
所述工况数据包括催化汽油进料流量、新鲜氢气进料流量和装置反应温度;
所述通信协议包括OPC通信协议;
所述稳态判断方法包括三参数F-检验法。
在一实施例中,所述步骤S2中的辛烷值通过汽油所含饱和烃、烯烃及芳烃的组成计算得到。
在一实施例中,所述步骤S5中种群的初始化算法,对应的表达式如下:
其中,X
在一实施例中,所述步骤S5中变异操作,进一步包括以下步骤:
随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成,形式变异后的种子V
其中,r
在一实施例中,所述步骤S5中变异操作中,缩放因子F可变,变异随机数r
在一实施例中,所述步骤S5中交叉操作,进一步包括以下步骤:
使用给定的交叉概率,对变异后的数据与初始的种群数据进行随机交叉,产生新的种群,交叉后的种子U
其中,CR为交叉概率,V
在一实施例中,所述步骤S5中选择操作,进一步包括以下步骤:
用贪婪选择策略,使用交叉后的种群种子数据进行目标函数计算,根据优化目标及约束违反度的值,选择较优的个体作为新的个体进行迭代,
其中,f(U
在一实施例中,输出的优化决策变量的优化值包括催化汽油进料量优化值、新氢流量优化值和反应温度优化值,在此基础上计算出相应的辛烷值及硫含量。
在一实施例中,所述步骤S3中的约束违反度为当前输入工况下,产品的实际硫含量与规定硫含量指标值的偏离情况。
所述步骤S4中的约束函数为当前工况下,由各实时输入变量作为输入计算得到的硫含量与产品硫含量指标规定值的差值。
本发明提供的一种基于改进型差分进化算法的S Zorb装置实时优化方法,方法合理可靠,简单易行,适应性及移植性较好,适合推广使用。
本发明提供的一种基于改进型差分进化算法的S Zorb装置实时优化方法,具体具有以下有益效果:
1)通过OPC通信采集实时数据作为模型的输入,达到实时的功能;
2)使用改进型差分进化算法对决策变量进行优化,最终达到实时优化的目的,对SZorb装置的优化十分有效。
附图说明
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显,在附图中相同的附图标记始终表示相同的特征,其中:
图1揭示了现有技术的S Zorb装置工业流程图;
图2揭示了根据本发明一实施例的基于改进型差分进化算法的S Zorb装置实时优化方法流程图;
图3揭示了根据本发明一实施例的基于改进型差分进化算法的S Zorb装置实时优化方法总体方案流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释发明,并不用于限定发明。
S Zorb装置的实时优化技术尤为重要,在S Zorb装置上实施优化技术,可实现其长期平稳、高效运作,提高企业经济效益。
本发明针对上述现有问题,提出了一种基于改进型差分进化算法的S Zorb装置实时优化方法,以S Zorb装置的实时催化汽油进料流量、新鲜氢气进料流量和反应温度作为优化决策变量,以产品硫含量值不超过产品规定值满足指标要求为约束函数,以产品辛烷值损失最小为目标函数,以催化汽油进料量上下限、新鲜氢气进料流量上下限、反应温度上下限等为限制参数,上述决策变量在各自的上下限范围改变时,结合S Zorb装置数学模型,进行优化计算,建立S Zorb装置的优化模型。
图1揭示了现有技术的S Zorb装置工业流程图,S Zorb装置工业流程如图1所示,SZorb装置数学模型根据现有的S Zorb装置建立,高硫汽油和氢气混合后,自下而上通过反应器,在反应器中,硫化物与吸附剂产生化学反应,从而去除硫原子。同时为了保障吸附剂的活性,吸附剂经过再生器、还原器发生氧化还原反应,得到再生吸附剂后再次进入反应器中参与反应。
图2揭示了根据本发明一实施例的基于改进型差分进化算法的S Zorb装置实时优化方法流程图,如图2所示,本发明针提出了一种基于改进型差分进化算法的S Zorb装置实时优化方法,包括以下步骤:
S1、配置通信协议,采集当前实时工况数据。
通过OPC通信协议,从生产现场实时数据库中采集催化汽油进料量、新鲜氢气进料量和反应温度的现场运行数据,作为优化决策变量的实时值。
OPC全称是OLE for Process Control,即用于过程控制的OLE,是针对现场控制系统的一个工业标准接口,是工业控制和生产自动化领域中使用的硬件和软件的接口标准。
对采集的现场运行数据进行预处理和稳态判断。
S2、将处理后的实时数据输入S Zorb装置数学模型中,计算出当前工况下产品的硫含量及辛烷值损失值。
将处理后的实时数据作为S Zorb装置数学模型的输入变量数据,计算出当前工况下初始状态的产品硫含量及辛烷值损失值。
S3、根据计算获得的硫含量与生产实际要求的硫含量指标值进行比较,计算出当前产品硫含量的约束违反度;
S4、建立最小化辛烷值损失的目标函数,硫含量为约束函数,对应的表达式如下,
其中,f(x)为目标函数,g(x)为约束函数,x为优化决策变量。
以当前输入变量为基础,以产品硫含量不超过产品指标要求为约束函数,以辛烷值损失最小为目标函数进行实时优化。
S5、以当前实时工况数据为初始状态点,作为优化的初始种子,输入S Zorb装置数学模型中,计算出当前目标函数值及约束违反度;
在决策变量约束范围内初始化种群,对种群进行变异、交叉和选择操作,得到进化后的解空间;
将种群中的种子依次输入S Zorb装置数学模型中进行计算,每一个种子对应一个目标函数值,在种群中得出最优的一组解作为新的种群进行迭代,直至满足迭代终止条件,确定最优种群。
采用改进型差分进化算法,对当前优化决策变量进行种群初始化操作,在各参数约束范围内对种子进行扩充,并按照变异、交叉、选择等操作选出首批最优结果,并以此结果进行多次迭代计算,最终得到优化决策变量的最优值,在满足硫含量要求时将辛烷值损失降至最低。
S6、将最优种群中的种子依次输入S Zorb装置数学模型中进行计算,选出最优的种子及其所对应的目标函数值,此时最优的种子即对应优化决策变量的优化值。
图3揭示了根据本发明一实施例的基于改进型差分进化算法的S Zorb装置实时优化方法总体方案流程图,在图3所示的实施例,针对以催化汽油为原料的S Zorb装置的生产全流程进行优化,将装置数学模型计算出的辛烷值及硫含量作为初始状态点,根据各输入数据的约束范围扩充种群规模,对种子进行变异、交叉、选择等操作,并将种子数据传递至SZorb装置数学模型中,计算出种子所对应的辛烷值及硫含量及其目标函数值,与初始状态下的目标函数值进行比较,将目标函数值更优的种子作为新的初始状态点,开启新一轮种子操作,直至满足迭代终止条件,将种群中的最优结果输出,得到当前生产状况下最优的决策变量,从而指导生产实践。
核心步骤详细介绍如下。
S1、配置通信协议,采集当前实时工况数据。
配置通信协议主要使用OPC通信协议。
采集现场S Zorb装置各优化决策变量的实时工况数据。
其中,优化决策变量的实时工况数据主要包括:
(1)S Zorb装置催化汽油进料量;
(2)新鲜氢气进料流量;
(3)反应温度。
上述工况数据每隔5s更新一次。
本实施例中,稳态判断使用三参数F-检验法。
F检验法是英国统计学家Fisher提出的,主要通过比较两组数据的方差S2,以确定他们的精密度是否有显著性差异。至于两组数据之间是否存在系统误差,则在进行F检验并确定它们的精密度没有显著性差异之后,再进行t检验。
对采集到的实时数据进行数据预处理与稳态判断,从而将稳态数据传递至S Zorb装置数学模型中。
S2、将处理后的实时数据输入S Zorb装置数学模型中,计算出当前工况下产品的硫含量及辛烷值损失值。
辛烷值主要由汽油所含饱和烃、烯烃及芳烃的组成计算得到。
S3、根据计算获得的硫含量与生产实际要求的硫含量指标值进行比较,计算出当前产品硫含量的约束违反度。
约束违反度为当前输入工况下,产品的实际硫含量与规定硫含量指标值的偏离情况。
对改进型差分进化算法的介绍如下:
S4、建立最小化辛烷值损失的目标函数,硫含量为约束函数,对应的表达式如下,
其中,f(x)为目标函数,g(x)为约束函数,x为优化决策变量;
以硫含量损失最小构建目标函数,以生产过程中优化决策变量的工艺安全允许范围建立解空间函数,以装置硫含量作为约束函数,将种群中相应种子下计算出的硫含量与初始状态的硫含量的差值作为约束违反度,对应的表达式如下:
其中:X=(x
式(1)中,目标函数f(x)为负效益函数,对应的表达式如下:
f(x)=-f(v
其中,v
式中,g(x)表示约束函数,由下式给出:
g(x)=S
其中,S
由于S Zorb装置提高脱硫率,脱硫率公式如下:
其中,S
S5、以当前实时工况数据为初始状态点,作为优化的初始种子,输入S Zorb装置数学模型中,计算出当前目标函数值及约束违反度;
在决策变量约束范围内初始化种群,对种群进行变异、交叉和选择操作,得到进化后的解空间;
将种群中的种子依次输入S Zorb装置数学模型中进行计算,每一个种子对应一个目标函数值,在种群中得出最优的一组解作为新的种群进行迭代,直至满足迭代终止条件,确定最优种群。
更进一步的,种群的初始化算法,进一步包括以下步骤:
确定优化决策变量维度,获取各节点资源,初始化种子:
其中,X
其中,NP表示种群规模,D表示变量维度,
更进一步的,种群的变异操作,包括以下步骤:
对初始种群进行变异操作,随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量合成,形式变异后的种子V
其中,r
上述变异操作中,采用传统DE算法,缩放因子F,为一个确定的常数,传统DE算法存在提早收敛、收敛精度低、搜索停滞等问题。
为了提高变异操作的优化性能,本发明对此进行了改进。
F=[F
缩放因子F可变,增加不同的缩放因子,从而对变异效果产生影响,对变异随机数r
r
r
r
通过上式对变异随机数的改进选择,改变变异策略从而避免传统差分算法存在提早收敛、收敛停滞的问题。
更进一步的,交叉操作,通过概率的方式随机生产新的个体,包括以下步骤:
对上述经过变异的数据,使用给定的交叉概率,对变异后的数据与初始的种群数据进行随机交叉,产生新的种群,交叉后的种子U
其中,CR为交叉概率,V
选择操作,进一步包括以下步骤:
用贪婪选择策略,使用交叉后的种群种子数据进行目标函数计算,根据优化目标及约束违反度的值,选择较优的个体X
其中,f(U
迭代过程为每一次将一组种群进行变异、交叉、选择操作后成为新的种群个体,在此基础上反复迭代进化,直至满足最大进化次数或者其他停止条件,选出最优的结果。
下面举例说明步骤S5的详细算法。
对输入的决策变量进行初始化操作,以各决策变量的上下限为边界,按照随机概率组合成决策变量的矩阵,其中种群的首列参数为当前输入变量数值:
其中,
根据生产现场的生产条件,输入上述三个优化决策变量的上下限,并据此扩充初始化种群:
上式中,NP表示种群规模,X
这里取100,X
其中,
经过初始化操作后,初始种群矩阵如下式矩阵:
对种群进行变异操作,变异的过程为根据不同的变异策略,随机对其他种子进行向量差缩放后与待变异个体进行向量合成,本实施例中采用的第一变异操作,即传统DE算法策略,得到新的种子:
U
其中,u
随机数由下式确定:
r
其中,NP为种群规模,rand(0,NP)表示取值为0至NP的整数。
从而,得到变异后的各优化决策变量的取值,取值矩阵如下:
对变异后的种群进行交叉操作,按照交叉概率将变异后的种群种子与初始种子进行交叉:
V
其中,CR为交叉概率,取值为[0,1],u
从而,得到经过交叉之后的变量矩阵如下:
采取贪婪选择策略,根据目标函数值选取最优解集合构成新的解,从而经过第一次进化后得到此时对应的催化汽油进料流量、新鲜氢气进料流量和装置反应温度的最优解空间如下所示:
其中,
交叉后的种群V
f(V)=[f(v
初始种子X
经过选择后确定新一轮的种群:
将该种群作为新的初始种群,再经过变异、交叉、选择操作确定新一轮的种群,在满足一定迭代次数后以及硫含量低于某一设定值时完成优化,输出优化结果。
为解决该算法过早收敛、提早收敛、收敛精度低、搜索停滞等问题,对上述步骤中的变异及交叉操作进行改进。
对变异操作的改进主要涉及缩放因子F及变异随机数r,这里对随机数的个数以及缩放因子F进行变化。
取F=[1,1,0.8],对应的变异随机数r也有三个对应的设置:
R=[r
其中,
针对不同的变异策略可以得到不同的种群矩阵,针对第二变异操作策略,得到新的种子如下:
其中,F
随机选取5个互不相同的种子进行变异,从而确定新的变异策略对应下的种群:
针对第三种变异操作策略,得到新的种子如下:
其中,F
随机选取3个互不相同的种子以及1个原种子进行变异,从而确定新的变异策略对应下的种群:
按照同样的交叉操作方法将变异后的数据交叉后获得新的种群,并计算出不同变异后的解矩阵后,将数值带入S Zorb数学模型中进行计算,从而得到各种子所对应的辛烷值也即是目标函数及硫含量,并计算出产品硫含量所对应的约束违反度,选择其中的最优种子整合成新的种群,开启下一轮迭代计算,直至达到一定的计算次数并满足约束违反度的要求。
S6、将最优种群中的种子依次输入S Zorb装置数学模型中进行计算,选出最优的种子及其所对应的目标函数值,此时最优的种子即对应优化决策变量的优化值。
优化结果主要为当前工况下的催化汽油进料量优化值、新氢流量优化值、反应温度优化值的种群:
上式所示是经过数次迭代之后,确定的最优种群,通过计算该种群内部每个种子所对应的目标函数,并寻找出其中的最小值及其所对应的种子,即为最终的优化结果,目标函数对应表达式如下:
其中,
本发明提供的一种基于改进型差分进化算法的S Zorb装置实时优化方法,方法合理可靠,简单易行,适应性及移植性较好,适合推广使用。
本发明提供的一种基于改进型差分进化算法的S Zorb装置实时优化方法,具体具有以下有益效果:
1)通过OPC通信采集实时数据作为模型的输入从而达到实时的功能;
2)使用改进型差分进化算法对决策变量进行优化,最终达到实时优化的目的,对SZorb装置的优化十分有效。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的,熟悉本领域的人员可在不脱离本发明的发明思想的情况下,对上述实施例做出种种修改或变化,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书提到的创新性特征的最大范围。
机译: 基于代理辅助进化算法的翼型优化方法和装置
机译: 基于模拟退火算法的频率优化方法和装置
机译: 基于实时血乳酸监测的体育锻炼优化方法,媒体和装置