基于數(shù)據(jù)驅(qū)動(dòng)的蠟油加氫裝置產(chǎn)品預(yù)測(cè)與多目標(biāo)操作優(yōu)化

田水苗， 曹萃文

(華東理工大學(xué) 化工過(guò)程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200237)

近年來(lái)，隨著環(huán)保法規(guī)日益嚴(yán)格及原油的重質(zhì)化和劣質(zhì)化，提高產(chǎn)品品質(zhì)，降低油品雜質(zhì)成為了煉油工藝發(fā)展的首要目標(biāo)，加氫處理成為最主要的原油加工工藝之一[1]。因此，以流程模擬為基礎(chǔ)，深入研究蠟油加氫處理過(guò)程及其產(chǎn)品的硫、氮含量，對(duì)提高油品品質(zhì)、生產(chǎn)清潔燃油具有重要意義。

蠟油加氫處理裝置主要以常減壓蒸餾裝置的減壓蠟油(VGO)、焦化蠟油(CGO)為原料，通過(guò)加氫處理，進(jìn)行脫硫、脫氮及烯烴飽和，為催化裂化提供優(yōu)質(zhì)的原料[2]。起初，學(xué)者們針對(duì)加氫裝置操作運(yùn)行優(yōu)化的研究主要是工程方面的，比如按照不同的工藝條件對(duì)裝置進(jìn)行改造[3]、對(duì)裝置中影響氫耗的因素進(jìn)行分析等[4]。隨著研究的深入，工業(yè)數(shù)據(jù)缺失不足逐漸顯現(xiàn)，利用流程模擬技術(shù)對(duì)煉油廠加氫裝置進(jìn)行機(jī)理建模和優(yōu)化[5-6]已逐漸成為重要的研究方法。流程模擬軟件，如Aspen HYSYS和Aspen Plus，在蠟油加氫裝置氫耗[7]、能耗[8]、故障診斷[9]等方面的應(yīng)用也越來(lái)越廣泛。

由于化工過(guò)程機(jī)理十分復(fù)雜，具有強(qiáng)耦合性、高非線性和大時(shí)滯等特點(diǎn)，建立與實(shí)際生產(chǎn)過(guò)程相一致的精確機(jī)理模型難度較大。因此，近年來(lái)以神經(jīng)網(wǎng)絡(luò)為代表的數(shù)據(jù)驅(qū)動(dòng)建模方法在加氫裝置的產(chǎn)品預(yù)測(cè)和操作優(yōu)化研究中得到了重視[10]。Lukec等[11]和Arce-Medina等[12]采用人工神經(jīng)網(wǎng)絡(luò)方法分別預(yù)測(cè)了蠟油加氫處理過(guò)程和石腦油加氫脫硫過(guò)程中主產(chǎn)品的硫含量，預(yù)測(cè)精度很高。Zamaniyan等[13]采用反饋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了制氫裝置中H2和CO的溫度、壓力以及摩爾分?jǐn)?shù)，通過(guò)最小化模型的均方誤差(MSE)，確定其最佳隱藏層節(jié)點(diǎn)數(shù)為5。王天宇等[14]利用BP神經(jīng)網(wǎng)絡(luò)以進(jìn)料量、反應(yīng)器進(jìn)口溫度和冷氫導(dǎo)入量來(lái)預(yù)測(cè)蠟油高壓加氫裂化裝置中反應(yīng)系統(tǒng)的產(chǎn)品分布和反應(yīng)器出口溫度，模型預(yù)測(cè)精度較高，溫度預(yù)測(cè)誤差小于0.1 ℃。胡碧霞[15]基于煉油廠實(shí)際生產(chǎn)數(shù)據(jù)，利用LSTM(Long-Short Term Memery)神經(jīng)網(wǎng)絡(luò)建立了蠟油加氫裝置的新氫流量預(yù)測(cè)模型，模型的平均絕對(duì)百分比誤差(MAPE)僅為1.281%。Lu等[16]采用集成隨機(jī)權(quán)重神經(jīng)網(wǎng)絡(luò)對(duì)原油的物理性質(zhì)(殘?zhí)恐岛蜑r青質(zhì)含量)進(jìn)行預(yù)測(cè)，與最小二乘支持向量機(jī)模型(LS-SVM)相比具有較高的預(yù)測(cè)精度。Hua等[17]使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)石腦油的主要產(chǎn)品收率，降低了計(jì)算成本，并且平均誤差小于3%。

由于實(shí)際生產(chǎn)過(guò)程的復(fù)雜性，煉油廠往往需要兼顧多個(gè)目標(biāo)優(yōu)化，而這些目標(biāo)之間多是互相影響的，因而多目標(biāo)運(yùn)算模型非常復(fù)雜。焦云強(qiáng)[18]和張卜升等[19]利用權(quán)重系數(shù)將多目標(biāo)問(wèn)題簡(jiǎn)化為單目標(biāo)問(wèn)題或建立多目標(biāo)優(yōu)化數(shù)學(xué)模型，簡(jiǎn)化了運(yùn)算。焦云強(qiáng)[18]針對(duì)煉油廠氫氣網(wǎng)絡(luò)，以操作成本和投資成本的最小化為目標(biāo)函數(shù)，利用變權(quán)系數(shù)法，將多目標(biāo)問(wèn)題簡(jiǎn)化為單目標(biāo)，獲得了Pareto前沿，為煉油廠氫氣網(wǎng)絡(luò)的優(yōu)化管理提供理論基礎(chǔ)。張卜升等[19]以煉油廠年度改造總費(fèi)用和CO2年度排放總量為目標(biāo)，建立了多目標(biāo)優(yōu)化的數(shù)學(xué)模型，獲得了Pareto前沿，并且針對(duì)降低CO2排放量提出了最優(yōu)改造策略。

筆者以某煉油廠蠟油加氫裝置的生產(chǎn)工藝及有限過(guò)程數(shù)據(jù)為基礎(chǔ)，利用流程模擬軟件Aspen HYSYS對(duì)該過(guò)程運(yùn)行機(jī)理建模與流程模擬仿真，并用分層隨機(jī)抽樣法驗(yàn)證了機(jī)理模型有效性。模型選取加氫反應(yīng)器入口溫度、熱高壓分離器溫度和冷高壓分離器溫度為操作變量，在28種進(jìn)料工況下，以精制蠟油流量，精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)，石腦油、液化氣和燃料氣流量為輸出變量，拓展了蠟油加氫裝置產(chǎn)品預(yù)測(cè)數(shù)據(jù)集。在此基礎(chǔ)上，建立了單隱層(輸入層節(jié)點(diǎn)數(shù)為5、隱藏層節(jié)點(diǎn)數(shù)為8、輸出層節(jié)點(diǎn)數(shù)為6)BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動(dòng)在線產(chǎn)品預(yù)測(cè)模型，并以精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)同時(shí)最小為目標(biāo)進(jìn)行裝置在線操作優(yōu)化。

1 蠟油加氫裝置流程模擬與數(shù)據(jù)采集

1.1 基于Aspen HYSYS的蠟油加氫裝置流程模擬

蠟油加氫處理裝置主要以常減壓蒸餾裝置的減壓蠟油(VGO)、焦化蠟油(CGO)為原料，通過(guò)加氫處理，使原料中的烯烴加氫生成飽和烴，并使含硫、氮和氧等雜原子的化合物分解，分別生成H2S、NH3和H2O。

利用軟件Aspen HYSYS，對(duì)蠟油加氫生產(chǎn)過(guò)程構(gòu)建的流程模擬機(jī)理模型如圖1所示。其中主要的反應(yīng)及分離過(guò)程為：

圖1 Aspen HYSYS中蠟油加氫裝置流程模擬圖Fig.1 Process simulation of wax oil hydrogenation unit in Aspen HYSYSHR—Hydrogenation reactor; HHS—Hot high-pressure separator; CHS—Cool high-pressure separator;HLS—Hot low-pressure separator; CLS—Cool low-pressure separator; E-1 and E-7—Heaters;E-2, E-3, E-4, E-5 and E-6—Coolers; VLV-1 and VLV-2—Valves; V-1, V-2 and V-3—Separators

(1)經(jīng)過(guò)預(yù)處理的原料進(jìn)入加氫反應(yīng)器(HR)，處理后進(jìn)入熱高壓分離罐(HHS)進(jìn)行氣、液分離；

(2)從HHS頂部出來(lái)的氣相經(jīng)冷卻器(E-3)冷卻后進(jìn)入冷高壓分離罐(CHS)進(jìn)行油、水、氣的分離；從HHS底部出來(lái)的熱高壓分離油經(jīng)減壓后進(jìn)入熱低壓分離罐(HLS)，在HLS中再次進(jìn)行氣、液分離；

(3)從HLS頂部出來(lái)的氣體經(jīng)冷卻后，與CHS出來(lái)的Light 1流股混合后進(jìn)入冷低壓分離罐(CLS)，在CLS中進(jìn)行3相分離；

(4)從HLS底部出來(lái)的熱低壓分離油與CLS出來(lái)的Light 2流股混合，經(jīng)加熱后進(jìn)入V-1分離罐，V-1頂部產(chǎn)出液化氣，底部出來(lái)的Sep流股經(jīng)加熱后進(jìn)入V-2分離罐分離，得到石腦油和精制蠟油；

(5)污水處理部分：冷高壓分離罐(CHS)底部以及冷低壓分離罐(CLS)底部出來(lái)的含硫污水經(jīng)減壓后，進(jìn)入污水汽提裝置進(jìn)行無(wú)害化處理。

根據(jù)蠟油加氫裝置的工藝和操作要求，加氫反應(yīng)器入口溫度選擇在315～360 ℃，入口壓力在6～7 MPa；熱高壓分離器溫度選擇在210～230 ℃，壓力為6～7.2 MPa；冷低壓分離器操作溫度控制在不高于45 ℃，壓力為1.3～1.5 MPa。原料油、產(chǎn)品的主要性質(zhì)和餾程如表1所示。

表1 原料和產(chǎn)品的主要性質(zhì)Table 1 Main properties of feeds and products

1.2 基于分層隨機(jī)抽樣的蠟油加氫裝置機(jī)理模型驗(yàn)證

為驗(yàn)證蠟油加氫裝置機(jī)理模型的有效性，并保證抽取樣本的多樣性，采用了分層隨機(jī)抽樣法對(duì)加氫反應(yīng)器某月(共31 d)進(jìn)料量變化情況分析。將當(dāng)月采集的生產(chǎn)數(shù)據(jù)分為3層，共隨機(jī)抽取了90個(gè)樣本：1～10號(hào)抽取29個(gè)樣本(第1層)，11～20號(hào)抽取29個(gè)樣本(第2層)，21～31號(hào)抽取32個(gè)樣本(第3層)。分別以樣本中對(duì)應(yīng)的實(shí)際減壓蠟油進(jìn)料量、焦化蠟油進(jìn)料量、氫氣進(jìn)料量、加氫處理反應(yīng)器入口溫度和壓力、熱高壓分離器和冷高壓分離器入口溫度作為樣本的輸入?yún)?shù)，以主產(chǎn)品精制蠟油的流量為輸出參數(shù)，運(yùn)行Aspen HYSYS機(jī)理模型，得到90個(gè)樣本的機(jī)理模型實(shí)驗(yàn)仿真結(jié)果如圖2所示。從圖2可以看出：由于模擬計(jì)算未考慮實(shí)際損耗，Aspen HYSYS仿真模擬的精制蠟油流量均大于實(shí)際值。二者的平均絕對(duì)誤差(MAE)為3.601 t/h，平均絕對(duì)百分誤差(MAPE)為2.585%，均方根誤差(RMSE)為0.452。結(jié)合圖2可知，精制蠟油流量的仿真值與實(shí)際值變化趨勢(shì)一致，且仿真平均絕對(duì)百分誤差小于3%，說(shuō)明建立的機(jī)理模型具有有效性。

圖2 精制蠟油流量實(shí)際數(shù)據(jù)和仿真數(shù)據(jù)對(duì)比Fig.2 Comparison of actual data and simulationaldata of wax oil product mass flowrate

1.3 基于蠟油加氫裝置機(jī)理模型的產(chǎn)品預(yù)測(cè)數(shù)據(jù)集擴(kuò)充

由于從煉油廠實(shí)際采集的完整數(shù)據(jù)有限，對(duì)應(yīng)操作參數(shù)的分布范圍較窄；并且蠟油中硫、氮質(zhì)量分?jǐn)?shù)數(shù)據(jù)需要經(jīng)過(guò)人工分析得到，耗時(shí)長(zhǎng)、采集點(diǎn)少；而采用數(shù)據(jù)驅(qū)動(dòng)方法建立模型需要大量的數(shù)據(jù)。因此，根據(jù)生產(chǎn)工藝的要求，在Aspen HYSYS建立的蠟油加氫裝置機(jī)理模型上，擴(kuò)充了裝置的產(chǎn)品預(yù)測(cè)數(shù)據(jù)集。

數(shù)據(jù)擴(kuò)充方法：固定氫氣進(jìn)料量為5450 kg/h，將正常生產(chǎn)時(shí)的28種減壓蠟油(VGO)和焦化蠟油(CGO)進(jìn)料量數(shù)據(jù)分區(qū)；當(dāng)VGO進(jìn)料量分別取60970、65660和70350 kg/h時(shí)，對(duì)應(yīng)CGO進(jìn)料量取74620和79290 kg/h；當(dāng)VGO進(jìn)料量分別取73160、75980、78790和81610 kg/h時(shí)，對(duì)應(yīng)CGO進(jìn)料量取63430、66220、69030和71820 kg/h；當(dāng)VGO進(jìn)料量分別取84420和89110 kg/h時(shí)，對(duì)應(yīng)CGO進(jìn)料量取51300、55970和60630 kg/h。以VGO進(jìn)料量、CGO進(jìn)料量、加氫反應(yīng)器入口溫度、熱高壓分離器和冷高壓分離器的入口溫度為自變量，以精制蠟油流量，精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)，石腦油流量，液化氣和燃料氣流量為輸出變量，運(yùn)行機(jī)理模型得到裝置33600組產(chǎn)品預(yù)測(cè)數(shù)據(jù)。

2 蠟油加氫裝置產(chǎn)品預(yù)測(cè)數(shù)據(jù)驅(qū)動(dòng)建模

2.1 BP神經(jīng)網(wǎng)絡(luò)模型的建立

化工過(guò)程機(jī)理十分復(fù)雜，具有強(qiáng)耦合性、高非線性等特點(diǎn)[15]。針對(duì)這類復(fù)雜的非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)模型具有良好的擬合性能。本研究在擴(kuò)展數(shù)據(jù)集的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)，以減壓蠟油進(jìn)料量、焦化蠟油進(jìn)料量、加氫反應(yīng)器入口溫度、熱高壓分離器和冷高壓分離器入口溫度為輸入變量，以精制蠟油流量，精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)，石腦油、液化氣和燃料氣的流量為目標(biāo)變量，建立了蠟油加氫裝置多目標(biāo)預(yù)測(cè)模型。

2.2 蠟油加氫裝置產(chǎn)品預(yù)測(cè)模型的訓(xùn)練

以機(jī)理模型擴(kuò)展的33600數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)，采用十倍交叉驗(yàn)證方式來(lái)測(cè)試神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。將數(shù)據(jù)集劃分為10等份，分別輪流用其中的9份作為訓(xùn)練集(30240個(gè)數(shù)據(jù))，另外 1份作為測(cè)試集(3360個(gè)數(shù)據(jù))，得到10組不同的數(shù)據(jù)集，記為Dataset1～Dataset10。在訓(xùn)練模型之前，對(duì)訓(xùn)練集和測(cè)試集分別進(jìn)行歸一化處理，將數(shù)據(jù)映射到[0,1]區(qū)間內(nèi)。

設(shè)置BP神經(jīng)網(wǎng)絡(luò)模型的輸入層節(jié)點(diǎn)數(shù)為5，輸出層節(jié)點(diǎn)數(shù)為6。而其隱藏層節(jié)點(diǎn)個(gè)數(shù)在5～10依次變化時(shí)，模型模擬的平均絕對(duì)誤差(MAE)分別為：5.68×10-3、5.81×10-3、5.73×10-3、3.95×10-3、4.22×10-3、4.13×10-3。因此，隱藏層節(jié)點(diǎn)數(shù)為8時(shí)模型模擬的誤差最小，預(yù)測(cè)效果最好。隱藏層的激活函數(shù)選取Sigmoid函數(shù)；輸出層的激活函數(shù)選用簡(jiǎn)單線性函數(shù)[14]。最大訓(xùn)練次數(shù)設(shè)置為5000次，學(xué)習(xí)率為0.05，目標(biāo)誤差為6.5×10-4。以平均絕對(duì)誤差(MAE)和均方誤差(MSE)為模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)，MAE和MSE越小，說(shuō)明模型的預(yù)測(cè)性能越好。其計(jì)算式如式(1)和(2)所示。其中，n為輸出層節(jié)點(diǎn)個(gè)數(shù)，m為樣本數(shù)。

(1)

(2)

利用BP神經(jīng)網(wǎng)絡(luò)在10組不同數(shù)據(jù)集上進(jìn)行訓(xùn)練，每組數(shù)據(jù)集分別訓(xùn)練10次，計(jì)算得到的MAE和MSE平均值如表2所示。由表2數(shù)據(jù)計(jì)算可知，10組數(shù)據(jù)集得到的MAE均值為6.286×10-3，MSE均值為5.631×10-5，說(shuō)明該BP神經(jīng)網(wǎng)絡(luò)模型誤差較小，具有較高的預(yù)測(cè)精度和良好的準(zhǔn)確性。

表2 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練誤差Table 2 MAE and MSE of BP model

蠟油加氫裝置BP神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)變量(精制蠟油流量，精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)以及石腦油，燃料氣，液化氣的流量)的預(yù)測(cè)值和實(shí)際值如圖3所示。由圖3可知，BP神經(jīng)網(wǎng)絡(luò)目標(biāo)變量的預(yù)測(cè)值與實(shí)際值的整體吻合度很高；由圖3(b)、(c)和(f)可知，對(duì)于個(gè)別數(shù)據(jù)點(diǎn)波動(dòng)性較強(qiáng)的數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的跳變趨勢(shì)雖然一致，但擬合精度較低。

圖3 輸出變量的預(yù)測(cè)值與實(shí)際值比較Fig.3 Comparison of predicted and actual output variables(a) Mass flow of refined wax oil; (b) Mass fraction of sulfur of the refined wax oil; (c) Mass fraction of nitrogen of the refined wax oil;(d) Mass flow of naphtha; (e) Mass flow of liquefied gas; (f) Mass flow of fuel gas

3 以精制蠟油中S、N質(zhì)量分?jǐn)?shù)為雙目標(biāo)的在線操作優(yōu)化

由于在該煉油廠實(shí)際生產(chǎn)中，蠟油加氫裝置主產(chǎn)品精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)需采用人工分析才能得到數(shù)據(jù)，耗時(shí)長(zhǎng)采集點(diǎn)少，不能用于在線優(yōu)化操作。因此，以這2個(gè)指標(biāo)為目標(biāo)，將Aspen HYSYS仿真的33600組數(shù)據(jù)，按正常生產(chǎn)時(shí)減壓蠟油(VGO)和焦化蠟油(CGO)的進(jìn)料量分為28個(gè)區(qū)，每個(gè)區(qū)有1200組精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)數(shù)據(jù)，利用軟件平臺(tái)Python 3.7篩選出每個(gè)區(qū)Pareto前沿中的目標(biāo)值向量。以2個(gè)目標(biāo)(硫的質(zhì)量分?jǐn)?shù)和氮的質(zhì)量分?jǐn)?shù))的非支配排序方式來(lái)獲得Pareto前沿。先從第一組數(shù)據(jù)中的目標(biāo)值向量來(lái)分析，循環(huán)判斷是否存在其他數(shù)據(jù)中的目標(biāo)值向量，其2個(gè)目標(biāo)(硫的質(zhì)量分?jǐn)?shù)和氮的質(zhì)量分?jǐn)?shù))中至少有1個(gè)目標(biāo)被改善。若存在，則該組數(shù)據(jù)的目標(biāo)值向量不在Pareto前沿中，故舍棄；若不存在，即表明該組數(shù)據(jù)的目標(biāo)值向量在Pareto前沿中，則保留。然后，繼續(xù)判斷第二組數(shù)據(jù)中的目標(biāo)值向量，直到最后一組數(shù)據(jù)，至此篩選出Pareto前沿中的所有目標(biāo)值向量。

以任意某分區(qū)A(VGO進(jìn)料量為89110 kg/h，CGO進(jìn)料量為60630 kg/h)為例，在加氫反應(yīng)器入口溫度、熱高壓分離器入口溫度、冷高壓分離器入口溫度變化時(shí)，該區(qū)域未歸一化和歸一化后的Pareto前沿分別如圖4 (a) 和圖4 (b)所示。在歸一化后的Pareto前沿里(圖4 (b))，理論上離原點(diǎn)距離最近的點(diǎn)，其硫、氮的質(zhì)量分?jǐn)?shù)之和最小，即為該區(qū)的最優(yōu)操作點(diǎn)(記為點(diǎn)P1)；P1點(diǎn)對(duì)應(yīng)的3個(gè)溫度操作參數(shù)為該區(qū)的最優(yōu)溫度操作條件；優(yōu)化的加氫反應(yīng)器入口溫度(T1)、熱高壓分離器入口溫度(T2)、冷高壓分離器入口溫度(T3)分別為324 ℃、211 ℃和33 ℃。然而，考慮到精制蠟油中硫的質(zhì)量分?jǐn)?shù)遠(yuǎn)大于氮的質(zhì)量分?jǐn)?shù)，故筆者還優(yōu)化得到硫的質(zhì)量分?jǐn)?shù)相對(duì)更低、氮的質(zhì)量分?jǐn)?shù)相對(duì)稍高的另外2個(gè)操作點(diǎn)(歸一化后S的質(zhì)量分?jǐn)?shù)分別為0.2、0.1，記作點(diǎn)P2、P3)供給操作人員參考，更大程度降低精制蠟油中的硫含量，見(jiàn)圖4(b)中的紅色方框。

圖4 分區(qū)A的Pareto前沿Fig.4 Pareto frontier of zone A(a) Anti-normalized data; (b) Normalized dataP1， P2， P3—Optimal operation pointsZone A: Mass flow of VGO is 89110 kg/h and mass flow of CGO is 60630 kg/h.

圖4(a)中的紅色方框?yàn)闅w一化后最優(yōu)操作點(diǎn)對(duì)應(yīng)的實(shí)際參數(shù)。在最優(yōu)操作點(diǎn)P1處，精制蠟油中硫的質(zhì)量分?jǐn)?shù)為4215 μg/g，氮的質(zhì)量分?jǐn)?shù)為189.78 μg/g。對(duì)比該煉油廠實(shí)際生產(chǎn)過(guò)程中餾出口分析數(shù)據(jù)，相同進(jìn)料流量下，精制蠟油中硫的質(zhì)量分?jǐn)?shù)為4390 μg/g，氮的質(zhì)量分?jǐn)?shù)為715.22 μg/g。由此可以看到，如果實(shí)際生產(chǎn)中的操作點(diǎn)參考本研究?jī)?yōu)化操作條件，即便去除Aspen HYSYS仿真模擬條件理想化的影響(仿真條件未考慮裝置損耗、且模擬加氫反應(yīng)的轉(zhuǎn)化率比實(shí)際生產(chǎn)過(guò)程高)，精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)目標(biāo)仍能得到改善。

為驗(yàn)證基于Pareto前沿的多目標(biāo)優(yōu)化方法的有效性和預(yù)測(cè)結(jié)果的精確性與重復(fù)性,任意選擇另外2個(gè)分區(qū)B(VGO進(jìn)料量為60970 kg/h，CGO進(jìn)料量為74620 kg/h)和C(VGO進(jìn)料量為78790 kg/h，CGO進(jìn)料量為63640 kg/h)，其對(duì)應(yīng)的精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)及其Pareto前沿和3個(gè)操作溫度優(yōu)化點(diǎn)分別如圖5和圖6所示。由圖5和圖6可以看出，利用軟件平臺(tái)Python 3.7，基于Pareto前沿的多目標(biāo)優(yōu)化方法能夠快速優(yōu)化出任意分區(qū)的最優(yōu)操作點(diǎn)，得到優(yōu)化的操作溫度參數(shù)，說(shuō)明基于Pareto前沿的多目標(biāo)優(yōu)化方法是一種快速、可靠的操作參數(shù)優(yōu)化方法。

在上述3個(gè)分區(qū)中，每個(gè)分區(qū)的3個(gè)操作點(diǎn)的硫、氮質(zhì)量分?jǐn)?shù)，以及對(duì)應(yīng)的3組操作溫度(加氫反應(yīng)器入口溫度(T1)、熱高壓分離器入口溫度(T2)、冷高壓分離器入口溫度(T3))如表3所示。由表3可知：在圖5(a)中最優(yōu)操作點(diǎn)P1處，精制蠟油中硫的質(zhì)量分?jǐn)?shù)為4197 μg/g，氮的質(zhì)量分?jǐn)?shù)為184.914 μg/g，其對(duì)應(yīng)的最優(yōu)操作溫度參數(shù)分別為324、211和33 ℃；在圖6(a)中最優(yōu)操作點(diǎn)P1處，精制蠟油中硫的質(zhì)量分?jǐn)?shù)為4168 μg/g，氮的質(zhì)量分?jǐn)?shù)為187.393 μg/g，其對(duì)應(yīng)的最優(yōu)操作溫度參數(shù)分別為324、211和34 ℃。若實(shí)際生產(chǎn)中的操作點(diǎn)參考本研究?jī)?yōu)化操作條件，可實(shí)現(xiàn)改善精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)的目標(biāo)。”。

圖5 分區(qū)B的Pareto前沿Fig.5 Pareto frontier of zone B(a) Anti-normalized data; (b) Normalized dataP1， P2， P3—Optimal operation pointsZone B: Mass flow of VGO is 60970 kg/h and mass flow of CGO is 74620 kg/h.

圖6 分區(qū)C的Pareto前沿Fig.6 Pareto frontier of zone C(a) Anti-normalized data; (b) Normalized dataP1， P2， P3—Optimal operation pointsZone C: Mass flow of VGO is 78790 kg/h and mass flow of CGO is 63640 kg/h.

表3 不同進(jìn)料量分別對(duì)應(yīng)的操作點(diǎn)Table 3 Three operation points corresponding to different feed quantities

在線操作優(yōu)化過(guò)程中，首先根據(jù)實(shí)時(shí)數(shù)據(jù)中的VGO和CGO進(jìn)料量來(lái)確定操作參數(shù)的分區(qū)，然后利用BP神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)預(yù)測(cè)出精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)，對(duì)應(yīng)于該區(qū)域的Pareto前沿的3個(gè)操作優(yōu)化點(diǎn)，調(diào)節(jié)實(shí)際操作參數(shù)向最近的優(yōu)化操作點(diǎn)移動(dòng)，從而降低精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)。

4 結(jié) 論

基于擴(kuò)充了蠟油加氫裝置的產(chǎn)品預(yù)測(cè)數(shù)據(jù)集，以減壓蠟油進(jìn)料量、焦化蠟油進(jìn)料量、加氫反應(yīng)器入口溫度、熱高壓分離器入口溫度和冷高壓分離器的入口溫度作為輸入變量，精制蠟油流量，精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)，石腦油，液化氣和燃料氣流量作為輸出變量，建立了單隱層(輸入層節(jié)點(diǎn)數(shù)為5、隱藏層節(jié)點(diǎn)數(shù)為8、輸出層節(jié)點(diǎn)數(shù)為6)BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動(dòng)在線產(chǎn)品預(yù)測(cè)模型。該模型仿真的平均絕對(duì)誤差為6.286×10-3，均方誤差為5.631×10-5，具有較高的預(yù)測(cè)精度和良好的準(zhǔn)確性。

以28種減壓蠟油和焦化蠟油進(jìn)料量組合分區(qū)，在裝置進(jìn)料量變化工況條件下，以歸一化精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)之和最小為目標(biāo)，對(duì)蠟油加氫裝置進(jìn)行了多目標(biāo)在線操作優(yōu)化。仿真結(jié)果表明，利用軟件平臺(tái)Python 3.7，基于Pareto前沿通過(guò)多目標(biāo)在線操作優(yōu)化，可以得到目標(biāo)最優(yōu)的操作參數(shù)結(jié)果。調(diào)節(jié)操作參數(shù)到優(yōu)化操作點(diǎn)，可降低精制蠟油中硫、氮的質(zhì)量分?jǐn)?shù)。