一種加氫精制中氫解程度的實時預測方法及其系統技術方案

本發明專利技術提供一種加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測方法及其系統，所述方法包括：基于所述過程的當前操作條件，利用極限學習機ELM模型實時預測所述過程中含硫和/或氮的化合物的氫解程度。本發明專利技術根據加氫裂化流程在線可檢測的過程變量利用ELM實時預測加氫精制過程含硫和/或氮的化合物的氫解程度，可為加氫裂化流程精制反應器的運行優化提供重要的狀態信息。

Real time prediction method and system for hydrogenolysis degree in hydrofining

The present invention provides a compound in the hydrotreating process of sulfur and / or nitrogen hydrogen solution degree of real time prediction method and system thereof, the method includes: the current operating conditions of the process based on the use of compound extreme learning machine ELM model real-time prediction of the process of sulfur and / or nitrogen hydrogen solution degree. According to the invention can detect the hydrocracking process online process variables using ELM real-time prediction of hydrogenation process of sulfur compounds and / or nitrogen hydrogen solution, can provide important information for optimizing the operation state of the hydrocracking process of refining reactor.

【技術實現步驟摘要】
一種加氫精制中氫解程度的實時預測方法及其系統
本專利技術涉及加工過程預測
，更具體地，涉及一種加氫精制中氫解程度的實時預測方法及其系統。
技術介紹
石油工業是我國國民經濟的一大支柱，隨著經濟的發展，煉廠規模不斷擴大，裝置大型化、自動化的程度不斷提高，使得對原油這類不可再生資源的開發力度逐漸增大，最終造成了生產原料的匱乏。因此，能加工含硫或高硫的劣質油、重質油，生產高品質運輸燃料，并且在保證產品收率的前提下可靈活調整產品分布的二次加工技術成為各煉化企業關注的重點，其中最有效、最環保的技術是加氫裂化。加氫精制是加氫裂化流程的基本過程之一，其主要作用是脫除原料油中的有機硫化物、有機氮化物等非純烴類化合物，為加氫裂化反應器提供合格的原料。加氫精制反應器的進料主要是1#、2#VGO與罐區輕蠟油，此外，根據流程是否采用循環工況，還會有部分硫、氮含量極低的循環尾油加入。精制反應器主要發生的化學反應包括：加氫脫硫、加氫脫氮、加氫脫氧等除雜置換反應；烯烴飽和、芳烴飽和等附帶反應。其中，加氫脫硫反應和加氫脫氮反應的基本原理是有機硫化物的C-S鍵和有機氮化物的C-N鍵在催化劑的活性表面發生斷裂，與氫氣作用分別生成烴類、硫化氫和氨氣。現有技術主要以加氫精制反應器的脫硫(氮)率，即進料油與反應生成油中硫(氮)含量的差與進料油硫(氮)含量的比值，作為精制過程的評價指標，衡量加氫精制反應器運行狀況的好壞。然而，反應生成油中以有機態存在的硫化物和氮化物結構復雜，難以進行在線檢測，而離線化驗的結果往往又存在較大的滯后，這將導致加氫精制反應器的運行狀況，即脫硫(氮)效果存在不足或過度，進而導致加氫裂化終端產品中S含量超標，或裂化過程催化劑有機氮中毒、或精制過程因溫度過高而導致催化劑快速老化，最終影響催化劑的使用壽命，降低煉化企業的整體經濟效益。
技術實現思路
本專利技術提供一種克服上述問題或者至少部分地解決上述問題的加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測方法及其系統。本專利技術的一個方面，提供了一種加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測方法，所述方法包括：基于所述過程的當前操作條件，利用極限學習機ELM模型實時預測所述過程中含硫和/或氮的化合物的氫解程度。本專利技術的另一個方面，提供了一種加氫精制過程中含硫和/或氮化合物的氫解程度的實時預測系統，所述系統包括：數據采集模塊，用于采集所述過程的當前操作條件；極限學習機ELM模型訓練單元，用于構建ELM模型；實時預測模塊，用于實時預測所述過程中含硫和/或氮的化合物的氫解程度。本專利技術提供的加氫精制過程含硫和/或氮的化合物的氫解程度實時預測方法及其系統，采用ELM對當前催化劑活性、當前進料屬性、當前操作條件下的含S/N化合物氫解程度進行實時預測。通過選出當前催化劑活性下與當前進料屬性最接近的多個進料屬性下所有含S/N化合物氫解程度數據，選取它們的操作條件作為輸入，含S/N化合物氫解程度為輸出訓練ELM。該預測模型的優點在于：(1)數據去噪之后進行穩態判別，剔除了一部分冗余數據；(2)ELM與其他神經網絡算法相比運行速度快、學習能力強、泛化性能好，可以實現實時預測；(3)在模型搭建方法上，選擇與當前進料屬性相似度高于閾值的歷史數據集合的操作條件為輸入，除去了無關數據的干擾，也大大加快了ELM模型的訓練速度，降低了模型計算不收斂的概率。本專利技術實時預測加氫精制過程含硫和/或氮的化合物的氫解程度可以保障催化劑活性，是延長裝置開工周期、保證加氫裂化終端產品S含量合格的重要措施，同時也可為加氫精制反應器的運行優化提供必要的實時狀態信息。附圖說明圖1為根據本專利技術一個優選實施例中加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測方法的流程示意圖；圖2為根據本專利技術一個優選實施例中使用的ELM模型結構圖；圖3為根據本專利技術中加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測系統的結構圖；圖4為根據本專利技術一個優選實施例中加氫精制過程中含硫化合物氫解程度的預測結果圖；圖5為根據本專利技術一個優選實施例中加氫精制過程中含氮化合物氫解程度的預測結果圖；圖6為根據本專利技術一個優選實施例中加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測系統結構圖。具體實施方式下面結合附圖和實施例，對本專利技術的具體實施方式作進一步詳細描述。以下實施例用于說明本專利技術，但不用來限制本專利技術的范圍。本專利技術的加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測方法，包括：基于所述過程的當前操作條件，利用極限學習機ELM模型實時預測所述過程中含硫和/或氮的化合物的氫解程度。本申請根據加氫裂化流程在線可檢測的過程變量利用ELM實時預測加氫精制過程含硫和/或氮的化合物的氫解程度，可為加氫裂化流程精制反應器的運行優化提供重要的狀態信息。其中，當前操作條件是指加氫精制反應器各反應床層的溫度分布及精制反應器中催化劑空速的當前值。其中，若無特別說明，所述“含硫和/或氮的化合物”和所述“S/N化合物”均指含硫的化合物和/或含氮的化合物。本專利技術的極限學習機ELM模型可以為常見的ELM模型，較為優選的是，所述極限學習機ELM模型的構建步驟包括：基于所述過程中當前催化劑活性和當前進料屬性，從所述過程的穩態歷史數據中選取在不同操作條件下所有含硫和/或氮的化合物氫解程度數據，所述含硫和/或氮的化合物氫解程度數據對應的操作條件為輸入，所述含硫和/或氮的化合物氫解程度數據為輸出，訓練ELM。在上述步驟中，所述所有含有硫和/或氮的化合物氫解程度數據的催化劑活性與所述當前催化劑活性盡可能相同。所述所有含硫和/或氮的化合物氫解程度數據的進料屬性與所述當前進料屬性相似度高于閾值。為了更加簡化構建步驟，ELM模型的構建步驟可以包括：1)基于催化劑活性，將所述穩態歷史數據分成若干個歷史運行區域，得到互不相關的Z組包含催化劑活性、進料屬性、操作條件、硫化氫含量信息的穩態歷史數據集合和Z組包含催化劑活性、進料屬性、操作條件、氨氣含量信息的穩態歷史數據集合，其中，Z為正整數；2)基于所述過程所屬的加氫裂化過程中的硫化氫含量和氨氣含量，對所述過程在催化劑活性、進料屬性和操作條件下各自對應的穩態歷史數據進行含硫和/或氮的化合物氫解程度的計算，遍歷Z組中穩態歷史數據，得到Z組包含催化劑活性、進料屬性、操作條件、含硫和/或氮的化合物氫解程度的穩態歷史數據集合；3)基于所述過程中當前催化劑活性和當前進料屬性，從2)中穩態歷史數據中選取在不同操作條件下所有含硫和/或氮的化合物氫解程度數據，將所述數據對應的操作條件為輸入，所述數據為輸出，訓練ELM。在上述步驟2)中，為了更加簡化步驟，還包括：根據當前催化劑活性從Z個包含催化劑活性、進料屬性、操作條件、含硫和/或氮的化合物氫解程度信息的數據集合中篩選出P個包含催化劑活性、進料屬性、操作條件、含S/N化合物氫解程度信息的數據集合。其中，P，Z均為整數且P＜Z。其中，P的個數根據當前催化劑活性所取得的數據來確定，通常假設當前催化劑活性為α，則取Z組數據中催化劑活性為(α-δ，α+δ)所對應的數據作為篩選出來的數據，δ為任意一個正數。從上述Z組數據中選出所需的P組數據。在上述步驟2)中，具體為：根據公式(1)和公式(2)分別計算加氫精本文檔來自技高網...

【技術保護點】
一種加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測方法，其特征在于，包括：基于所述過程的當前操作條件，利用極限學習機ELM模型實時預測所述過程中含硫和/或氮的化合物的氫解程度。

【技術特征摘要】
1.一種加氫精制過程中含硫和/或氮的化合物的氫解程度的實時預測方法，其特征在于，包括：基于所述過程的當前操作條件，利用極限學習機ELM模型實時預測所述過程中含硫和/或氮的化合物的氫解程度。2.根據權利要求1所述的方法，其特征在于，所述極限學習機ELM模型的構建步驟包括：基于所述過程中當前催化劑活性和當前進料屬性，從所述過程的穩態歷史數據中選取在所述不同操作條件下所有含硫和/或氮的化合物氫解程度數據，所述含硫和/或氮的化合物氫解程度數據對應的操作條件為輸入，所述含硫和/或氮的化合物氫解程度數據為輸出，訓練ELM。3.根據權利要求2所述的方法，其特征在于，所述所有含硫和/或氮的化合物氫解程度數據的進料屬性與所述當前進料屬性相似度高于閾值。4.根據權利要求2所述的方法，其特征在于，所述極限學習機ELM模型的構建步驟包括：1)基于催化劑活性，將所述穩態歷史數據分成若干個歷史運行區域，得到互不相關的Z組包含催化劑活性、進料屬性、操作條件、硫化氫含量信息的穩態歷史數據集合和Z組包含催化劑活性、進料屬性、操作條件、氨氣含量信息的穩態歷史數據集合，其中，Z為正整數；2)基于所述過程所屬的加氫裂化過程中的硫化氫含量和氨氣含量，對所述過程在催化劑活性、進料屬性和操作條件下各自對應的穩態歷史數據進行含硫和/或氮的化合物氫解程度的計算，遍歷Z組中穩態歷史數據，得到Z組包含催化劑活性、進料屬性、操作條件、含硫和/或氮的化合物氫解程度的穩態歷史數據集合；3)基于所述過程中當前催化劑活性和當前進料屬性，從2)中穩態歷史數據中選取在不同操作條件下所有含硫和/或氮的化合物氫解程度數據，將所述數據對應的操作條件為輸入，所述數據為輸出，訓練ELM。5.根據權利要求2-4中任一項所述的方法，其特征在于，在所述訓練ELM之前，還包括：...

【專利技術屬性】
技術研發人員：王雅琳，陳冠余，薛永飛，孫備，袁小鋒，陽春華，
申請(專利權)人：中南大學，
類型：發明
國別省市：湖南,43