基于PSO-BP神經(jīng)網(wǎng)絡的加氫脫硫柴油硫含量的預測研究

田景芝，杜曉昕，鄭永杰，李 郁，荊 濤

（1.齊齊哈爾大學 化學與化學工程學院，黑龍江 齊齊哈爾 161006；2.齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

基于PSO-BP神經(jīng)網(wǎng)絡的加氫脫硫柴油硫含量的預測研究

田景芝1，杜曉昕2，鄭永杰1，李 郁1，荊 濤1

（1.齊齊哈爾大學 化學與化學工程學院，黑龍江 齊齊哈爾 161006；2.齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

針對柴油加氫脫硫生產(chǎn)過程中出現(xiàn)的工藝參數(shù)和產(chǎn)品質量難以精準控制的問題，提出粒子群優(yōu)化（POS-BP）神經(jīng)網(wǎng)絡?；谥袊痛髴c石化公司1 300 kt/a柴油加氫脫硫裝置生產(chǎn)工藝操作臺賬數(shù)據(jù)，選取生產(chǎn)過程中的易波動工藝參數(shù)構建訓練樣本集合和測試樣本集合，采用PSO-BP神經(jīng)網(wǎng)絡預測生產(chǎn)操作參數(shù)變化時精制柴油產(chǎn)品中硫含量的變化，將POS-BP神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡（BP）和遺傳算法優(yōu)化(GA-BP)神經(jīng)網(wǎng)絡進行橫向預測效果比較。實驗結果表明，BP神經(jīng)網(wǎng)絡預測的均方誤差為2.66×10-3，GA-BP神經(jīng)網(wǎng)絡預測的均方誤差為2.94×10-5，PSO-BP神經(jīng)網(wǎng)絡預測的均方誤差為2.41×10-5；PSO-BP神經(jīng)網(wǎng)絡預測值與實際值最為接近，且預測結果較佳，具有較好的穩(wěn)定性和泛化能力，能夠精確預測生產(chǎn)操作參數(shù)變化時精制柴油產(chǎn)品中硫含量的變化。

人工神經(jīng)網(wǎng)絡；硫含量；柴油；加氫脫硫

根據(jù)柴油國Ⅳ標準，車用柴油中硫含量應小于50 μg/g［1-2］；我國柴油原料主要是催化裂化柴油和焦化柴油，其硫含量過高，若直接使用，需通過加氫脫硫裝置脫除氧、氮和金屬雜質等［3-6］。在低硫柴油的實際生產(chǎn)中，裝置操作方案的制定多憑操作者的生產(chǎn)經(jīng)驗，操作參數(shù)調整也因個人經(jīng)驗存在較大的差異，使柴油產(chǎn)品質量產(chǎn)生波動。為了優(yōu)化裝置操作、節(jié)能降耗，實現(xiàn)經(jīng)濟效益的最大化，對生產(chǎn)運行數(shù)據(jù)進行統(tǒng)計分析，利用神經(jīng)網(wǎng)絡（BP）模型進行預測，并在實際生產(chǎn)中應用，可及時優(yōu)化工藝條件，在生產(chǎn)波動時能夠有效地指導生產(chǎn)。陳玉龍等［7］對芳烴油加氫工藝條件進行考察，利用循環(huán)函數(shù)進行訓練，采取誤差最小的隱層神經(jīng)元數(shù)進行單因素訓練構建模型，結果和預測值偏差為1.13%，低于理論預測誤差5%。

本工作采用BP神經(jīng)網(wǎng)絡、遺傳算法優(yōu)化（GA-BP）神經(jīng)網(wǎng)絡和粒子群優(yōu)化（PSO-BP）神經(jīng)網(wǎng)絡3種方法分別構建柴油硫含量質量預測模型，預測生產(chǎn)操作參數(shù)變化時精制柴油產(chǎn)品中硫含量的變化。

1 模型變量的篩選

對中國石油大慶石化公司新建1 300 kt/a柴油加氫脫硫裝置產(chǎn)品進行跟蹤采樣，其原料油為一套常減壓的常二線柴油和延遲焦化裝置焦化柴油經(jīng)成品罐區(qū)調和的混合柴油（其中，常二線柴油產(chǎn)量為795 kt/a，焦化柴油產(chǎn)量為505.4 kt/a），密度 維持在810～830 kg/m3。用紫外-熒光法測定試樣中的硫含量，以晨8點試樣的分析數(shù)據(jù)構建模型。采集該柴油加氫脫硫裝置2014年11月至2015年4月共180組生產(chǎn)操作的臺賬數(shù)據(jù)，篩選生產(chǎn)過程中的易波動工藝參數(shù)，隨機選取90組數(shù)據(jù)為訓練樣本，剩余90組數(shù)據(jù)為測試樣本。

由于催化劑裝填在密閉的反應器中，硫化后的催化劑遇空氣會被氧化，所以無法對其進行表征并測定活性，不納入自變量；系統(tǒng)壓力恒定在6.4 MPa，雖然儀表控制的波動會在小范圍內(nèi)改變，但不符合正態(tài)分布，故也不納入自變量；H2S汽提塔塔吹器所使用1.0 MPa的蒸汽主要是為了除去反應中的無機硫，但由于全廠蒸汽余量充足，不易波動（平穩(wěn)維持在2.0 t/h），故不納入選取自變量的范圍內(nèi)。按上述模型構建的假設條件，確定自變量的選取，見表1。

為防止在BP神經(jīng)網(wǎng)絡訓練過程中出現(xiàn)過擬合現(xiàn)象，使用spss軟件檢驗自變量和因變量之間的相關性。表2為自變量的篩選。

表1 自變量的選取Table 1 Selecting arguments

表2 自變量的篩選Table 2 Screening of the arguments

由表2可知，對于柴油硫含量模型，X1，X2，X3，X5，X6，X7，X8，X10，X12，X13相關性較大，分別為-0.242**，-0.645**，-0.247**，-0.425**，-0.262**，-0.148**，-0.205**，-0.225**，-0.193**，-0.016（*，**分別表示在1%，5%水平下顯著）。原料油密度受上游裝置控制，加氫過程密度改變不大，故將X13舍去；X12為氫油體積比，故將X1和X5舍去；同時柴油產(chǎn)品硫含量在實際生產(chǎn)時與低凝柴油塔底溫度無關故將X10舍去。從而得到柴油產(chǎn)品硫含量預測模型的因變量為：X2，X3，X6，X7，X8，X13。

2 模型的構建與分析預測

2.1 基于PSO-BP神經(jīng)網(wǎng)絡建立模型和分析預測

PSO-BP神經(jīng)網(wǎng)絡是通過優(yōu)化BP網(wǎng)絡中的閾值和權值來訓練網(wǎng)絡，建立BP網(wǎng)絡的權值和PSO粒子的維度間的映射，將PSO算法得出的最優(yōu)權值和閾值帶入到BP中作為初始權值和閾值，通過BP正向傳播迭代得出優(yōu)化的結果［8-16］。圖1為PSO-BP算法的步驟：

Step1：初始化BP神經(jīng)網(wǎng)絡，確定輸入層、隱含層及輸出層個數(shù)；

Step2：初始化粒子群，包括群體規(guī)模（N），每個粒子的位置（Xi）和速度（Vi），慣性權重（ω），計算每個粒子的適應度值（Fit［i］）；

Step3：對每個粒子，用Fit［i］與個體極值（Pbest（i））比較，如果Fit［i］＞Pbest（i），則用Fit［i］替換Pbest（i）；

Step4：對每個粒子，用Fit［i］與全局極值（Gbest（i））比較，如果Fit［i］＞Gbest（i），則用Fit［i］替換Gbest（i）；

Step5：更新粒子的Xi和Vi后，如果結果滿足結束條件(誤差足夠好或到達最大循環(huán)次數(shù))退出，否則返回Step2進行循環(huán)計算；

Step6：將優(yōu)化得出的閾值和權值代入到BP神經(jīng)網(wǎng)絡中開始訓練，滿足條件后停止迭代輸出結果，否則繼續(xù)迭代直到算法收斂。

本樣本共有180組數(shù)據(jù)，前90組用來訓練神經(jīng)網(wǎng)絡，后90組用來檢驗神經(jīng)網(wǎng)絡。訓練組數(shù)據(jù)采集總體數(shù)據(jù)模型的奇數(shù)組，驗證組采集總體數(shù)據(jù)模型的偶數(shù)組，對數(shù)據(jù)進行歸一化處理將其轉化到一個可比較的范圍內(nèi)（［0，1］的純數(shù)值）。隱層神經(jīng)元個數(shù)選取為8個，輸入層節(jié)點為6個，輸出層節(jié)點為1個，N選擇粒子群個數(shù)為40；本模型中將粒子速度最大值（Vmax）初始化為0.5；慣性權重最大值（ωmax）取值為0.9，慣性權重最小值（ωmin）取值為0.3；學習因子（C1和C2）取值為2。

圖2為PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量的預測直方誤差圖。圖3為PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量的預測誤差百分比。由圖2和圖3可知，預測結果與實際結果的誤差高度集中在水平的區(qū)域中，預測效果較好。

圖1 PSO-BP算法的步驟Fig.1 Procedure of the PSO-BP algorithm.BP：back propagation neural network；PSO：particle swarm optimization neural network；PSO-BP：particle swarm optimization-BP neural network.

圖2 PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量的預測直方誤差圖Fig.2 Histogram deviation diagram of sulfur content in the diesel oil predicted by PSO-BP.

圖3 PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量的預測誤差百分比Fig.3 Percentage error of sulfur content in the diesel oil predicted by PSO-BP.

圖4 為PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量預測的進化代數(shù)。由圖4可知，進化次數(shù)在27次時，滿足了要求的最小適應度從而進化停止。圖5為 PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量預測值與實際值的對比。由圖5可知，預測結 果和實際結果十分吻合，讀取均方誤差為2.41×10-5。

圖4 PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量預測的進化代數(shù)Fig.4 Evolution algebra of sulfur content in the diesel oil predicted by PSO-BP.

圖5 PSO-BP神經(jīng)網(wǎng)絡對柴油硫含量預測值與實際值的對比Fig.5 Comparison between the sulfur contents in the diesel oil predicted by PSO-BP and the actual data .● Actual values；■ Predicted values

2.2 基于不同算法的預測模型的比較

圖6為BP神經(jīng)網(wǎng)絡對柴油硫含量預測運行結果與實際數(shù)據(jù) 的對比。由圖6可知，均方誤差為2.66×10-3，相對誤差為15.8%。

圖6 BP神經(jīng)網(wǎng)絡對柴油硫含量預測運行結果與實際數(shù)據(jù)的對比Fig.6 Comparison between the values predicted by the BP neural network and the actual data of sulfur content in the diesel oil.● Predicted values；▲ Actual values

圖7 為GA-BP神經(jīng)網(wǎng)絡對柴油硫含量預測值與實際值的對比。由圖7可知，均方誤差為2.94×10-5，相對誤差為31.98%。

圖7 GA-BP神經(jīng)網(wǎng)絡對柴油硫含量預測值與實際值的對比Fig.7 Comparison between the values predicted by the GA-BP neural network and the actual data of sulfur content in the diesel oil.● Predicted values；▲ Actual values

圖8 為3種預測模型對柴油硫含量預測值與實際值的對比。由圖8可知，當工藝操作參數(shù)改變時，對精制柴油硫含量的預測模型，PSO-B P的預測值與實際值最為接近。圖9為3種預測模型對柴油硫含量預測值與實際值相對誤差的對比。由圖9可知，PSO-B P神經(jīng)網(wǎng)絡的相對誤差最?。?.001%），接近0，趨于直線，且GA-BP神經(jīng)網(wǎng)絡預測的相對誤差（31.98%）最大，BP神經(jīng)網(wǎng)絡預測的相對誤差（15.80%）介于GA-BP神經(jīng)網(wǎng)絡與PSO-BP神經(jīng)網(wǎng)絡之間。讀取3種模型的均方誤差進行比較可得：BP神經(jīng)網(wǎng)絡預測的均方誤差（2.66×10-3）最大，PSO-BP神經(jīng)網(wǎng)絡預測的均方誤差（2.41×10-5）最小，GA-BP神經(jīng)網(wǎng)絡預測的均方誤差（2.94×10-5）介于二者之間。

圖8 3種預測模型對柴油硫含量預測值與實際值的對比Fig.8 Comparison of the values predicted by the three models and the actual data of sulfur content in the diesel oil.● Actual values；▲ Values predicted by BP；■ Values predicted by GA-BP；◆ Values predicted by PSO-BP

圖9 3種預測模型對柴油硫含量預測值與實際值相對誤差的對比Fig.9 Comparison of the relative errors between the values predicted by the three models and the actual data of sulfur content in the diesel oil.● Values predicted by BP；▲ Values predicted by GA-BP；□ Values predicted by PSO-BP

3 結論

1）對于精制柴油硫含量模型，采用BP神經(jīng)網(wǎng)絡預測的均方誤差為2.66×10-3，相對誤差為15.8%；采用GA-BP神經(jīng)網(wǎng)絡預測的均方誤差為2.94×10-5，相對誤差為31.98%；采取PSO-BP神經(jīng)網(wǎng)絡預測的均方誤差為2.41×10-5，相對誤差為0.001%。

2） PSO-BP預測精度明顯要優(yōu)于BP神經(jīng)網(wǎng)絡和GA-BP神經(jīng)網(wǎng)絡構建的預測模型，具有較好的穩(wěn)定性，能夠精確預測操作條件改變的情況下精制柴油硫含量的變化。

［1］ 吳心冰. 安慶石化車用汽油柴油質量分析和改進實施研究［D］.合肥：合肥工業(yè)大學，2014.

［2］ 龔慧明. 中國汽柴油標準現(xiàn)狀及改善油品質量面臨的挑戰(zhàn)［J］.國際石油經(jīng)濟. 2013，（5）：53-57.

［3］ 林志貴，姚芳琴，馮林強. 結合自適應遺傳算法與彈性BP神經(jīng)網(wǎng)絡的亞硝酸鹽預測模型［J］.天津工業(yè)大學學報，2015，34（3）：67-72.

［4］ 歐陽福生，方偉剛，唐嘉瑞，等. 以BP神經(jīng)網(wǎng)絡為基礎的MIP工藝過程產(chǎn)品分布優(yōu)化［J］.石油煉制與化工，2016，47（5）：95-100.

［5］ 譚均權，涂永善，劉子媛. 人工神經(jīng)網(wǎng)絡法預測輕質油品的閃點［J］.石化技術與應用，2016，34（1）：24-28.

［6］ 王天宇，劉忠保，黃明富，等. 采用人工神經(jīng)網(wǎng)絡方法建立加氫裂化反應體系模型［J］.石油煉制與化工，2015，46（8）：90-95.

［7］ 陳玉龍，楊基和，劉英杰. BP神經(jīng)網(wǎng)絡模型用于芳烴油加氫工藝條件考察［J］.控制與優(yōu)化，2013，44（3）：88-92.

［8］ 張孔遠，肖強，劉賓，等. 人工神經(jīng)網(wǎng)絡在汽柴油混合加氫脫硫中的應用［J］.石油化工，2013，42（8）：870-874.

［9］ Jorjani E，Chehreh C S，Mesrogjli S H. Application of artif i cial neural networks to predict chemical desulfurization of tabas coal［J］.Fuel，2008，87（12）：2727-2734.

［10］ Azadeh A，Ghaderi S F，Tarverdian S，et al. Integration of artif i cial neural networks and genetic algorithm to predict electrical energy consumption［J］.Appl Math Comput，2007，186（2）：1731-1741.

［11］ Chen Xiaoqi，Zhou Lin，Su Ying，et al. Neural network and its applications in pharmacokinetics and pharmacodynamics［J］.J Southwest Univ Nats，2001，27（1）：84-87.

［12］ Gharagheizi F，Eslamimanesh A，Moammadi A H，et al. Use of artif i cial neural network-group contribution method to determine surface tension of pure compounds［J］.J Chem Eng Data，2011，56（5）：2587-2601.

［13］ Kumer S. Neural Network［M］.北京：清華大學出版社，2006：26-50.

［14］ 韓力群. 人工神經(jīng)網(wǎng)絡教程［M］.北京：北京郵電大學出版社，2006：16.

［15］ 陳明. MATLAB神經(jīng)網(wǎng)絡原理與實例精解［M］.北京：清華大學出版社，2013：37-52.

［16］ 鄺利丹，鄧清勇，李哲濤. 一種估算鋰電池SOC的新型方法［J］.計算機工程與應用，2013，49（6）：249-252.

（編輯 楊天予）

Prediction of sulfur content in hydrodesulfurization diesel oil based on the PSO-BP neural network

Tian Jingzhi1，Du Xiaoxin2，Zheng Yongjie1，Li Yu1，Jing Tao1
（1. College of Chemistry and Chemical Engineering，Qiqihar University，Qiqihar Heilongjiang 161006，China；2. College of Computer and Cont rol Engineering，Qiqihar University，Qiqihar Heilongjiang 161006，China）

Aimed at that the process parameters and product quality in the hydrodesulfurization of diesel oil were diff i cult to control accurately，the particle swarm optimization(PSO-BP) neural network was proposed. Based on the operation ledger of 1 300 kt/a diesel oil hydrodesulfurization unit of Daqing Petrochemical Co.，training sample set and the test sample set were constructed by selecting the fl uctuating process parameters. The PSO-BP neural network was used to predict the change of sulfur content in the refined diesel oil products with the change of the operating parameters. The back propagation(BP) neural network and genetic algorithm optimization(GABP) neural network were also used to predicted the change of sulfur content to compare the performances of the three networks. The results showed that，the mean square errors of the of the BP，GA-BP and PSO-BP predictions were 2.66×10-3，2.94×10-5and 2.41×10-5，respectively. So the values predicted by the PSO-BP neural network was the closest to the actual values and it had good stability and generalization ability.

artif i cial neural networks；sulfur content；diesel oil；hydrodesulfurization

1000-8144（2017）01-0062-06

TE 624

A

10.3969/j.issn.1000-8144.2017.01.009

2016-07-14；［修改稿日期］2016-10-03。

田景芝（1964—），女，黑龍江省齊齊哈爾市人，碩士，教授，電話 13803629976，電郵 tjz6666@163.com。聯(lián)系人：鄭永杰，電話 13836268166，電郵 zyj1964@163.com。

黑龍江省自然基金項目（B201422）。