一种数据驱动的用于乙烷裂解过程的生产操作方法

本发明涉及乙烷裂解过程生产操作条件优化的，尤其是涉及一种数据驱动的用于乙烷裂解过程的生产操作方法。

背景技术：

1、乙烯作为烃类裂解过程的关键产物，同时也是石油化工领域不可或缺的基础原料，其生产装置在整个石化产业中占据重要地位；乙烯的衍生物种类繁多，在生活中随处可见以其为原材料制作的物品，它的市场规模占全球石化产品总量的75％以上，业界常以乙烯产能作为衡量国家石化产业水平发展的指标；随着生产乙烯的原料将日趋多元化和轻质化，生产装置规模将进一步扩大，生产工艺技术也将更加多元化和低碳化。

2、现有技术中，由于缺少对乙烷裂解过程的预测模型研究，因此，造成在实际生产过程中无法采用最优的操作参数进行操作，影响了乙烷的生产率，增加了乙烷的制造成本。

技术实现思路

1、本发明实施例的目的是提供一种数据驱动的用于乙烷裂解过程的生产操作方法，以缓解现有技术中存在的在乙烷的实际生产过程中无法采用最优的操作参数进行操作，影响了乙烷的生产率的技术问题。

2、为解决上述技术问题，本发明实施例提供如下技术方案：

3、本发明第一方面提供一种数据驱动的用于乙烷裂解过程的生产操作方法，包括如下步骤：

4、s10.建立带有不确定性的乙烷裂解过程的预测模型；

5、s20.根据预测模型，建立初始优化模型，并求解初始优化模型的模拟最优操作参数，模拟最优操作参数包括原料乙烷的进料流量汽烃比c、炉管出口温度cot；

6、s30.求解基于优化模型的模拟最优操作参数与实际数据的0阶以及1阶误差修正项；

7、s40.根据步骤s30,建立带修正项的自适应优化模型，修正初始优化模型的过程最优操作参数；

8、s50.重复步骤s30和s40，更新优化模型的解，使跟踪误差不断趋于0，直至达到实际最优值。

9、在本发明第一方面的一些变更实施方式中，步骤s10中，包括如下步骤：

10、s11.划分训练样本，其表达式为

11、w0＝(w0,1,w0,2,…,w0,n),

12、其中，w0,i代表第i个样本权重，n代表的是样本数量。

13、s12.根据步骤s11中计算出的训练样本，计算初始权值和偏置；其表达式为：

14、

15、其中，t为当前迭代次数，tmax为最大迭代次数，xi,j代表第i只麻雀第j维的位置，q是服从正态分布的随机数，l是1×d维元素全为1的矩阵，α是(0,1]内的随机数，r2∈[0,1]表示预警值，st∈[0.5,1]表示安全值；

16、

17、其中，为当前全局最差位置，为当前发现者最好的位置，q与l同式，a是1×d维随机为1或-1元素的矩阵，a+＝at(aat)-1；

18、

19、全局当前最佳位置，为最差觅食位置，fi是当前麻雀所在位置的适应度值，fw是当前全局最差适为应度，fg为全局最优适应度，β为步长控制系数；ε是极小的值，为防止分母出现0的情况；

20、s13.根据步骤12中得到的初始权值和偏置，进行训练；其表达式为：

21、

22、

23、其中，m为神经元个数，vki和分别为输入层和隐含层间的权值和偏置，fz(·)为sigmod激活函数，和zk分别为隐含层的净输入和输出；

24、

25、

26、其中，wjk和分别为隐藏层和输出层间的权值和偏置，fy(·)为purelin激活函数，和yj分别为输出层的净输入和输出；

27、s14.对步骤s13中的训练结果进行修正，其误差计算式为：

28、

29、根据梯度下降法原理，对每个权值和阈值进行修正，修正方向为误差函数梯度的反方向，两层权值的表达式如下：

30、

31、

32、隐含层-输出层的权值更新量可表示为：

33、

34、输入层-隐含层的权值更新量可表示为：

35、

36、s15.计算预测误差率，其表达式为：

37、

38、

39、

40、s16.构建m(m＝1,2,…,m)个基预测器，并形成强预测器，其中，基预测器的权值与其鱼叉误差率成反比，表达式为：

41、

42、在本发明第一方面的一些变更实施方式中，步骤s20中，包括如下步骤：

43、s21.求解模拟最优操作参数，表达式为：

44、

45、

46、0.2≤c≤0.5

47、750℃≤co t≤850℃；

48、s22.将步骤s21中的表述为标准形式，其表达式为：

49、

50、s.t.xmin≤x≤xmax；

51、在本发明第一方面的一些变更实施方式中，步骤s30中，模拟最优操作参数与实际数据的0阶以及1阶误差修正项的表达式为：

52、

53、

54、其中，为实际过程的乙烯产率，为目标函数j(x,θ)的一节修正项，为目标函数的0阶修正项。

55、在本发明第一方面的一些变更实施方式中，步骤s40中，带修正项的自适应优化模型的表达式为：

56、

57、s.t.xmin≤x≤xmax；

58、在本发明第一方面的一些变更实施方式中，步骤s40中，在模拟最优操作参数处加入一阶指数滤波器，通过滤波器滤波后部分地应用到实际过程，得到实际最优操作参数，表达式为：

59、

60、其中，ku为滤波系数对角增益矩阵，对角线各元素取值为区间[0,1]的值；

61、利用当前和过去的实际过程测量信息估计所需的梯度，求解估计值在每次迭代中更新数值，其表达式为：

62、

63、其中，和分别为第k次和第k-1次迭代时实际过程的乙烯产率，x(k)与x(k-1)分别为第k次和第k-1次迭代时的最优操作条件。

64、相较于现有技术，通过对乙烷裂解过程动力学分析并生产数据，构建具有不确定性的数据预测模型，预测模型的预测过程可视为一个“黑箱”，只使用运行过程中所产生的输入输出数据，将具有高度复杂性的乙烷裂解过程中乙烯产率与生产操作条件之间的关系描述为ssa-bp-adaboost神经网络训练问题；以得到模拟最优操作参数，同时，对优化模型的模拟最优参数与实际数据的0阶以及1阶误差修正项，建立带修正项的自适应优化模型，通过不断重复上述过程，得到所需求的实际模拟最优操作参数，缓解了现有技术中在乙烷的实际生产过程中无法采用最优的操作参数进行操作，影响了乙烷的生产率的技术问题，达到了降低乙烷的生产成本的技术效果。

65、本发明所提供的一种数据驱动的用于乙烷裂解过程的生产方法具有以下的有益效果：

66、(1)本发明所采用的ssa-bp-adaboost神经网络数据模型的训练的历史数据可以轻松获得，以便于后续梯度的计算；

67、(2)本发明所采用的修正项自适应实时优化策略，在可行性及最优性方面存在充分的理论保证，并且在构建模型的复杂度、收敛速度方面存在较大优势。

68、(3)本发明解决了理论与实际的不匹配性，降低了企业离线操作寻优的成本，大大提高了企业的收益。