APP下载

基于数据驱动的蜡油加氢装置产品预测与多目标操作优化

2021-01-27田水苗曹萃文

石油学报(石油加工) 2021年1期
关键词:蜡油精制分离器

田水苗, 曹萃文

(华东理工大学 化工过程先进控制和优化技术教育部重点实验室,上海 200237)

近年来,随着环保法规日益严格及原油的重质化和劣质化,提高产品品质,降低油品杂质成为了炼油工艺发展的首要目标,加氢处理成为最主要的原油加工工艺之一[1]。因此,以流程模拟为基础,深入研究蜡油加氢处理过程及其产品的硫、氮含量,对提高油品品质、生产清洁燃油具有重要意义。

蜡油加氢处理装置主要以常减压蒸馏装置的减压蜡油(VGO)、焦化蜡油(CGO)为原料,通过加氢处理,进行脱硫、脱氮及烯烃饱和,为催化裂化提供优质的原料[2]。起初,学者们针对加氢装置操作运行优化的研究主要是工程方面的,比如按照不同的工艺条件对装置进行改造[3]、对装置中影响氢耗的因素进行分析等[4]。随着研究的深入,工业数据缺失不足逐渐显现,利用流程模拟技术对炼油厂加氢装置进行机理建模和优化[5-6]已逐渐成为重要的研究方法。流程模拟软件,如Aspen HYSYS和Aspen Plus,在蜡油加氢装置氢耗[7]、能耗[8]、故障诊断[9]等方面的应用也越来越广泛。

由于化工过程机理十分复杂,具有强耦合性、高非线性和大时滞等特点,建立与实际生产过程相一致的精确机理模型难度较大。因此,近年来以神经网络为代表的数据驱动建模方法在加氢装置的产品预测和操作优化研究中得到了重视[10]。Lukec等[11]和Arce-Medina等[12]采用人工神经网络方法分别预测了蜡油加氢处理过程和石脑油加氢脱硫过程中主产品的硫含量,预测精度很高。Zamaniyan等[13]采用反馈神经网络预测了制氢装置中H2和CO的温度、压力以及摩尔分数,通过最小化模型的均方误差(MSE),确定其最佳隐藏层节点数为5。王天宇等[14]利用BP神经网络以进料量、反应器进口温度和冷氢导入量来预测蜡油高压加氢裂化装置中反应系统的产品分布和反应器出口温度,模型预测精度较高,温度预测误差小于0.1 ℃。胡碧霞[15]基于炼油厂实际生产数据,利用LSTM(Long-Short Term Memery)神经网络建立了蜡油加氢装置的新氢流量预测模型,模型的平均绝对百分比误差(MAPE)仅为1.281%。Lu等[16]采用集成随机权重神经网络对原油的物理性质(残炭值和沥青质含量)进行预测,与最小二乘支持向量机模型(LS-SVM)相比具有较高的预测精度。Hua等[17]使用卷积神经网络来预测石脑油的主要产品收率,降低了计算成本,并且平均误差小于3%。

由于实际生产过程的复杂性,炼油厂往往需要兼顾多个目标优化,而这些目标之间多是互相影响的,因而多目标运算模型非常复杂。焦云强[18]和张卜升等[19]利用权重系数将多目标问题简化为单目标问题或建立多目标优化数学模型,简化了运算。焦云强[18]针对炼油厂氢气网络,以操作成本和投资成本的最小化为目标函数,利用变权系数法,将多目标问题简化为单目标,获得了Pareto前沿,为炼油厂氢气网络的优化管理提供理论基础。张卜升等[19]以炼油厂年度改造总费用和CO2年度排放总量为目标,建立了多目标优化的数学模型,获得了Pareto前沿,并且针对降低CO2排放量提出了最优改造策略。

笔者以某炼油厂蜡油加氢装置的生产工艺及有限过程数据为基础,利用流程模拟软件Aspen HYSYS对该过程运行机理建模与流程模拟仿真,并用分层随机抽样法验证了机理模型有效性。模型选取加氢反应器入口温度、热高压分离器温度和冷高压分离器温度为操作变量,在28种进料工况下,以精制蜡油流量,精制蜡油中硫、氮的质量分数,石脑油、液化气和燃料气流量为输出变量,拓展了蜡油加氢装置产品预测数据集。在此基础上,建立了单隐层(输入层节点数为5、隐藏层节点数为8、输出层节点数为6)BP神经网络数据驱动在线产品预测模型,并以精制蜡油中硫、氮的质量分数同时最小为目标进行装置在线操作优化。

1 蜡油加氢装置流程模拟与数据采集

1.1 基于Aspen HYSYS的蜡油加氢装置流程模拟

蜡油加氢处理装置主要以常减压蒸馏装置的减压蜡油(VGO)、焦化蜡油(CGO)为原料,通过加氢处理,使原料中的烯烃加氢生成饱和烃,并使含硫、氮和氧等杂原子的化合物分解,分别生成H2S、NH3和H2O。

利用软件Aspen HYSYS,对蜡油加氢生产过程构建的流程模拟机理模型如图1所示。其中主要的反应及分离过程为:

图1 Aspen HYSYS中蜡油加氢装置流程模拟图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)经过预处理的原料进入加氢反应器(HR),处理后进入热高压分离罐(HHS)进行气、液分离;

(2)从HHS顶部出来的气相经冷却器(E-3)冷却后进入冷高压分离罐(CHS)进行油、水、气的分离;从HHS底部出来的热高压分离油经减压后进入热低压分离罐(HLS),在HLS中再次进行气、液分离;

(3)从HLS顶部出来的气体经冷却后,与CHS出来的Light 1流股混合后进入冷低压分离罐(CLS),在CLS中进行3相分离;

(4)从HLS底部出来的热低压分离油与CLS出来的Light 2流股混合,经加热后进入V-1分离罐,V-1顶部产出液化气,底部出来的Sep流股经加热后进入V-2分离罐分离,得到石脑油和精制蜡油;

(5)污水处理部分:冷高压分离罐(CHS)底部以及冷低压分离罐(CLS)底部出来的含硫污水经减压后,进入污水汽提装置进行无害化处理。

根据蜡油加氢装置的工艺和操作要求,加氢反应器入口温度选择在315~360 ℃,入口压力在6~7 MPa;热高压分离器温度选择在210~230 ℃,压力为6~7.2 MPa;冷低压分离器操作温度控制在不高于45 ℃,压力为1.3~1.5 MPa。原料油、产品的主要性质和馏程如表1所示。

表1 原料和产品的主要性质Table 1 Main properties of feeds and products

1.2 基于分层随机抽样的蜡油加氢装置机理模型验证

为验证蜡油加氢装置机理模型的有效性,并保证抽取样本的多样性,采用了分层随机抽样法对加氢反应器某月(共31 d)进料量变化情况分析。将当月采集的生产数据分为3层,共随机抽取了90个样本:1~10号抽取29个样本(第1层),11~20号抽取29个样本(第2层),21~31号抽取32个样本(第3层)。分别以样本中对应的实际减压蜡油进料量、焦化蜡油进料量、氢气进料量、加氢处理反应器入口温度和压力、热高压分离器和冷高压分离器入口温度作为样本的输入参数,以主产品精制蜡油的流量为输出参数,运行Aspen HYSYS机理模型,得到90个样本的机理模型实验仿真结果如图2所示。从图2可以看出:由于模拟计算未考虑实际损耗,Aspen HYSYS仿真模拟的精制蜡油流量均大于实际值。二者的平均绝对误差(MAE)为3.601 t/h,平均绝对百分误差(MAPE)为2.585%,均方根误差(RMSE)为0.452。结合图2可知,精制蜡油流量的仿真值与实际值变化趋势一致,且仿真平均绝对百分误差小于3%,说明建立的机理模型具有有效性。

图2 精制蜡油流量实际数据和仿真数据对比Fig.2 Comparison of actual data and simulationaldata of wax oil product mass flowrate

1.3 基于蜡油加氢装置机理模型的产品预测数据集扩充

由于从炼油厂实际采集的完整数据有限,对应操作参数的分布范围较窄;并且蜡油中硫、氮质量分数数据需要经过人工分析得到,耗时长、采集点少;而采用数据驱动方法建立模型需要大量的数据。因此,根据生产工艺的要求,在Aspen HYSYS建立的蜡油加氢装置机理模型上,扩充了装置的产品预测数据集。

数据扩充方法:固定氢气进料量为5450 kg/h,将正常生产时的28种减压蜡油(VGO)和焦化蜡油(CGO)进料量数据分区;当VGO进料量分别取60970、65660和70350 kg/h时,对应CGO进料量取74620和79290 kg/h;当VGO进料量分别取73160、75980、78790和81610 kg/h时,对应CGO进料量取63430、66220、69030和71820 kg/h;当VGO进料量分别取84420和89110 kg/h时,对应CGO进料量取51300、55970和60630 kg/h。以VGO进料量、CGO进料量、加氢反应器入口温度、热高压分离器和冷高压分离器的入口温度为自变量,以精制蜡油流量,精制蜡油中硫、氮的质量分数,石脑油流量,液化气和燃料气流量为输出变量,运行机理模型得到装置33600组产品预测数据。

2 蜡油加氢装置产品预测数据驱动建模

2.1 BP神经网络模型的建立

化工过程机理十分复杂,具有强耦合性、高非线性等特点[15]。针对这类复杂的非线性系统,神经网络模型具有良好的拟合性能。本研究在扩展数据集的基础上,采用BP神经网络,以减压蜡油进料量、焦化蜡油进料量、加氢反应器入口温度、热高压分离器和冷高压分离器入口温度为输入变量,以精制蜡油流量,精制蜡油中硫、氮的质量分数,石脑油、液化气和燃料气的流量为目标变量,建立了蜡油加氢装置多目标预测模型。

2.2 蜡油加氢装置产品预测模型的训练

以机理模型扩展的33600数据作为神经网络的样本数据,采用十倍交叉验证方式来测试神经网络模型的准确性。将数据集划分为10等份,分别轮流用其中的9份作为训练集(30240个数据),另外 1份作为测试集(3360个数据),得到10组不同的数据集,记为Dataset1~Dataset10。在训练模型之前,对训练集和测试集分别进行归一化处理,将数据映射到[0,1]区间内。

设置BP神经网络模型的输入层节点数为5,输出层节点数为6。而其隐藏层节点个数在5~10依次变化时,模型模拟的平均绝对误差(MAE)分别为: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,隐藏层节点数为8时模型模拟的误差最小,预测效果最好。隐藏层的激活函数选取Sigmoid函数;输出层的激活函数选用简单线性函数[14]。最大训练次数设置为5000次,学习率为0.05,目标误差为6.5×10-4。以平均绝对误差(MAE)和均方误差(MSE)为模型预测性能的评价指标,MAE和MSE越小,说明模型的预测性能越好。其计算式如式(1)和(2)所示。其中,n为输出层节点个数,m为样本数。

(1)

(2)

利用BP神经网络在10组不同数据集上进行训练,每组数据集分别训练10次,计算得到的MAE和MSE平均值如表2所示。由表2数据计算可知,10组数据集得到的MAE均值为6.286×10-3,MSE均值为5.631×10-5,说明该BP神经网络模型误差较小,具有较高的预测精度和良好的准确性。

表2 BP神经网络模型训练误差Table 2 MAE and MSE of BP model

蜡油加氢装置BP神经网络模型的目标变量(精制蜡油流量,精制蜡油中硫、氮的质量分数以及石脑油,燃料气,液化气的流量)的预测值和实际值如图3所示。由图3可知,BP神经网络目标变量的预测值与实际值的整体吻合度很高;由图3(b)、(c)和(f)可知,对于个别数据点波动性较强的数据,BP神经网络预测的跳变趋势虽然一致,但拟合精度较低。

图3 输出变量的预测值与实际值比较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 以精制蜡油中S、N质量分数为双目标的在线操作优化

由于在该炼油厂实际生产中,蜡油加氢装置主产品精制蜡油中硫、氮的质量分数需采用人工分析才能得到数据,耗时长采集点少,不能用于在线优化操作。因此,以这2个指标为目标,将Aspen HYSYS仿真的33600组数据,按正常生产时减压蜡油(VGO)和焦化蜡油(CGO)的进料量分为28个区,每个区有1200组精制蜡油中硫、氮的质量分数数据,利用软件平台Python 3.7筛选出每个区Pareto前沿中的目标值向量。以2个目标(硫的质量分数和氮的质量分数)的非支配排序方式来获得Pareto前沿。先从第一组数据中的目标值向量来分析,循环判断是否存在其他数据中的目标值向量,其2个目标(硫的质量分数和氮的质量分数)中至少有1个目标被改善。若存在,则该组数据的目标值向量不在Pareto前沿中,故舍弃;若不存在,即表明该组数据的目标值向量在Pareto前沿中,则保留。然后,继续判断第二组数据中的目标值向量,直到最后一组数据,至此筛选出Pareto前沿中的所有目标值向量。

以任意某分区A(VGO进料量为89110 kg/h,CGO进料量为60630 kg/h)为例,在加氢反应器入口温度、热高压分离器入口温度、冷高压分离器入口温度变化时,该区域未归一化和归一化后的Pareto前沿分别如图4 (a) 和图4 (b)所示。在归一化后的Pareto前沿里(图4 (b)),理论上离原点距离最近的点,其硫、氮的质量分数之和最小,即为该区的最优操作点(记为点P1);P1点对应的3个温度操作参数为该区的最优温度操作条件;优化的加氢反应器入口温度(T1)、热高压分离器入口温度(T2)、冷高压分离器入口温度(T3)分别为324 ℃、211 ℃和33 ℃。然而,考虑到精制蜡油中硫的质量分数远大于氮的质量分数,故笔者还优化得到硫的质量分数相对更低、氮的质量分数相对稍高的另外2个操作点(归一化后S的质量分数分别为0.2、0.1,记作点P2、P3)供给操作人员参考,更大程度降低精制蜡油中的硫含量,见图4(b)中的红色方框。

图4 分区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.

图4(a)中的红色方框为归一化后最优操作点对应的实际参数。在最优操作点P1处,精制蜡油中硫的质量分数为4215 μg/g,氮的质量分数为189.78 μg/g。对比该炼油厂实际生产过程中馏出口分析数据,相同进料流量下,精制蜡油中硫的质量分数为4390 μg/g,氮的质量分数为715.22 μg/g。由此可以看到,如果实际生产中的操作点参考本研究优化操作条件,即便去除Aspen HYSYS仿真模拟条件理想化的影响(仿真条件未考虑装置损耗、且模拟加氢反应的转化率比实际生产过程高),精制蜡油中硫、氮的质量分数目标仍能得到改善。

为验证基于Pareto前沿的多目标优化方法的有效性和预测结果的精确性与重复性,任意选择另外2个分区B(VGO进料量为60970 kg/h,CGO进料量为74620 kg/h)和C(VGO进料量为78790 kg/h,CGO进料量为63640 kg/h),其对应的精制蜡油中硫、氮的质量分数及其Pareto前沿和3个操作温度优化点分别如图5和图6所示。由图5和图6可以看出,利用软件平台Python 3.7,基于Pareto前沿的多目标优化方法能够快速优化出任意分区的最优操作点,得到优化的操作温度参数,说明基于Pareto前沿的多目标优化方法是一种快速、可靠的操作参数优化方法。

在上述3个分区中,每个分区的3个操作点的硫、氮质量分数,以及对应的3组操作温度(加氢反应器入口温度(T1)、热高压分离器入口温度(T2)、冷高压分离器入口温度(T3))如表3所示。由表3可知:在图5(a)中最优操作点P1处,精制蜡油中硫的质量分数为4197 μg/g,氮的质量分数为184.914 μg/g,其对应的最优操作温度参数分别为324、211和33 ℃;在图6(a)中最优操作点P1处,精制蜡油中硫的质量分数为4168 μg/g,氮的质量分数为187.393 μg/g,其对应的最优操作温度参数分别为324、211和34 ℃。若实际生产中的操作点参考本研究优化操作条件,可实现改善精制蜡油中硫、氮的质量分数的目标。”。

图5 分区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.

图6 分区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 不同进料量分别对应的操作点Table 3 Three operation points corresponding to different feed quantities

在线操作优化过程中,首先根据实时数据中的VGO和CGO进料量来确定操作参数的分区,然后利用BP神经网络实时预测出精制蜡油中硫、氮的质量分数,对应于该区域的Pareto前沿的3个操作优化点,调节实际操作参数向最近的优化操作点移动,从而降低精制蜡油中硫、氮的质量分数。

4 结 论

基于扩充了蜡油加氢装置的产品预测数据集,以减压蜡油进料量、焦化蜡油进料量、加氢反应器入口温度、热高压分离器入口温度和冷高压分离器的入口温度作为输入变量,精制蜡油流量,精制蜡油中硫、氮的质量分数,石脑油,液化气和燃料气流量作为输出变量,建立了单隐层(输入层节点数为5、隐藏层节点数为8、输出层节点数为6)BP神经网络数据驱动在线产品预测模型。该模型仿真的平均绝对误差为6.286×10-3,均方误差为5.631×10-5,具有较高的预测精度和良好的准确性。

以28种减压蜡油和焦化蜡油进料量组合分区,在装置进料量变化工况条件下,以归一化精制蜡油中硫、氮的质量分数之和最小为目标,对蜡油加氢装置进行了多目标在线操作优化。仿真结果表明,利用软件平台Python 3.7,基于Pareto前沿通过多目标在线操作优化,可以得到目标最优的操作参数结果。调节操作参数到优化操作点,可降低精制蜡油中硫、氮的质量分数。

猜你喜欢

蜡油精制分离器
基于多重光散射的蜡油掺渣体系稳定性评价方法
花生替代精制谷物或有益心血管健康
差异旋风分离器并联的气相流场研究
双轴向粗粉分离器流动特征研究
焦化蜡油加氢前后的组成对催化裂化产品分布的影响
旋风分离器切向进料接管焊缝修理与改进建议
九思膜过滤技术在一次盐水精制中的应用
九思膜过滤技术在一次盐水精制中的应用
水下分离器设计的影响因素