一种产品分布预测方法及装置与流程

1.本发明涉及石油加工技术领域，尤其涉及一种产品分布预测方法及装置。


背景技术：

2.石油加工过程主要是原油碳、氢等元素的再平衡过程，可以分为脱碳和加氢两种情况，相应的技术路线则为脱碳技术路线和加氢技术路线。
3.催化裂化技术是重要的原油脱碳加工技术之一，原料油经过裂化、氢转移、异构化等过程，得到干气、液化气、汽油、轻循环油、油浆、焦炭等产物。现有的产品分布的优化通常是通过调整操作参数后，对得到的产物进行采样，得到目标产品收率最优。
4.因此，上述方法侧重于操作参数调整后的收率最优，而不是本质意义上的产品氢分布最优。


技术实现要素：

5.针对现有技术存在的问题，本发明实施例提供一种产品分布预测方法及装置。
6.本发明提供一种产品分布预测方法，包括：
7.将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；
8.将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
9.根据本发明提供的一种产品分布预测方法，所述目标优化模型包括目标函数和预设约束条件；所述确定产品分布信息，包括：
10.基于所述目标函数和所述预设约束条件，利用所述产品预测结果对所述关键参数进行调节，获取新的关键参数；
11.将所述新的关键参数输入至所述分布预测模型，获取所述新的关键参数对应的新的产品预测结果；
12.若所述新的关键参数和所述新的产品预测结果满足所述预设约束条件，则确定所述新的产品预测结果为所述产品分布信息。
13.根据本发明提供的一种产品分布预测方法，在所述利用所述产品预测结果对所述关键参数进行调节，获取新的关键参数之后，所述方法还包括：
14.若所述新的关键参数和所述新的产品预测结果不满足所述预设约束条件，则根据所述目标函数和所述预设约束条件，对所述关键参数进行调节，直至得到新的关键参数和新的产品预测结果满足所述预设约束条件，则确定所述新的产品预测结果为所述产品分布信息。
15.根据本发明提供的一种产品分布预测方法，所述分布预测模型包括低碳烃预测模型和液相油预测模型；所述产品预测结果包括低碳烃产品预测结果和液相油产品预测结果；
16.所述将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果，包括：
17.将所述关键参数输入至低碳烃预测模型，获取低碳烃预测模型输出的所述低碳烃产品预测结果；
18.并将所述关键参数输入至液相油预测模型，获取液相油预测模型输出的所述液相油产品预测结果。
19.根据本发明提供的一种产品分布预测方法，所述分布预测模型是基于以下步骤构建的：
20.基于数据驱动模型构建低碳烃初始预测模型和液相油初始预测模型，并获取多个样本关键参数；
21.将样本关键参数和所述样本关键参数对应的样本低碳烃产品分布信息的组合，作为一个低碳烃训练样本，获取多个低碳烃训练样本；
22.将样本关键参数和所述样本关键参数对应的样本液相油产品分布信息的组合，作为一个液相油训练样本，获取多个液相油训练样本；
23.利用所述低碳烃训练样本对所述低碳烃初始预测模型进行训练，获取所述低碳烃预测模型；
24.利用所述液相油训练样本对所述液相油初始预测模型进行训练，获取所述液相油预测模型。
25.根据本发明提供的一种产品分布预测方法，在所述获取所述低碳烃预测模型之后，还包括：
26.在所述低碳烃预测模型的精度小于精度阈值时，从数据仓库中确定补充参数，所述补充参数与低碳烃氢含量的相关度大于相关度阈值；
27.获取所述补充参数对应的液化气气相色谱数据，并基于所述补充参数对应的液化气气相色谱数据确定所述补充参数对应的液化气氢含量；
28.基于所述补充参数，以及所述补充参数对应的液化气氢含量，更新所述低碳烃预测模型。
29.根据本发明提供的一种产品分布预测方法，所述数据仓库是基于如下步骤建立的：
30.获取历史原料性质参数和历史操作参数；
31.对所述历史原料性质参数和所述历史操作参数进行数据清洗，并将数据清洗后的历史原料性质参数和历史操作参数添加至所述数据仓库。
32.本发明还提供一种产品分布预测装置，包括：获取模块，用于将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；
33.确定模块，用于将所述关键参数和所述产品预测结果输入至目标优化模型，确定
产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
34.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述产品分布预测方法的步骤。
35.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述产品分布预测方法的步骤。
36.本发明提供的产品分布预测方法及装置，利用分布预测模型和目标优化模型对关键参数和产品预测结果进行目标优化和判断，快速测算催化裂化反应中产品氢分布优化后的产品分布信息，实现了自动计算产品氢含量分布最优解。
附图说明
37.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1是本发明提供的产品分布预测方法的流程示意图；
39.图2是本发明提供的低碳烃产品流量、氢含量预测系统的结构示意图；
40.图3是本发明提供的液相油产品流量、氢含量预测系统的结构示意图；
41.图4是本发明提供的产品分布预测装置的结构示意图；
42.图5是本发明提供的电子设备的结构示意图。
具体实施方式
43.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
45.常用的催化裂化反应装置产品氢含量现有计算方法，通过采样一定量的样品，再利用元素分析仪器化验测试其氢含量。
46.装置氢平衡计算分析可以评价催化裂化反应装置产物分布合理性、氢利用效率等。在实际生产的过程中，干气、液化气的组成分析已被广泛应用，它们的氢含量可以由组成计算得到；焦炭的氢含量可以通过烟气组成计算；液相油品中氢含量的测算主要有元素分析仪测定、经验公式计算、模拟软件测算等。
47.关于催化裂化反应装置产品氢含量，现有的计算方法主要存在以下特点：
48.(1)依赖样品取样，不能在装置产品不取样情况下预测氢含量，以汽油氢含量计算为例，采样一定量汽油样品后，可以通过元素分析仪器化验测试其氢含量，也可以先分析测试汽油样品的关键理化性质，再通过经验公式计算其氢含量，因而现有分析方法不能在不取样的情况下预测汽油的氢含量；
49.(2)对仪器分析依赖程度高，干气、液化气、烟气等均需要通过实验仪器的分析获得组分分布，才能计算其氢含量，液相油品也需要通过专业元素分析设备才能计算其氢含量；(3)氢含量测算过程仅与样品基本性质关联，未与装置主要操作参数关联，通过现有方法获得的氢含量或装置氢平衡仅能间接反映装置操作运行好坏。
50.本发明提供一种适用于催化裂化产品分布预测和优化的产品分布获取方法及装置，用于分析评价装置产物分布、操作运行合理性，还可以指导装置操作的优化。
51.下面结合图1至图5描述本发明实施例所提供的产品分布预测方法及装置。
52.图1是本发明提供的产品分布预测方法的流程示意图，如图1所示，包括但不限于以下步骤：
53.首先，在步骤s1中，将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的。
54.分布预测模型是基于数据驱动模型构建的，分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的。
55.关键参数包括催化裂化反应装置的装置基础数据和运行数据，其中，运行数据可以包括：原料数据、产品数据和所述催化裂化反应装置的装置操作参数。
56.产品预测结果可以包括，催化裂化反应装置的产品中的氢含量分布数据，以及产品流量数据。其中，产品流量数据需满足物料平衡。
57.具体地，将催化裂化反应的关键参数输入至分布预测模型，由分布预测模型根据装置基础数据和运行数据进行预测，得到关键参数对应的产品预测结果。其中，产品预测结果包括低碳烃产品流量、氢含量预测，液相油产品流量、氢含量预测，以及焦炭的产品流量、氢含量预测。低碳烃包括液化气和干气，液相油包括汽油、轻循环油和油浆。在分布预测模型对低碳烃和液相油的产品流量、氢含量进行预测后，通过氢平衡和物料平衡，通过减法可以得到焦炭产品流量、氢含量预测。
58.进一步地，在步骤s2中，将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
59.目标优化模型包括：目标函数和预设约束条件；目标函数可以包括：液化气、汽油产量最大函数，以及干气、焦炭中氢含量最小函数；预设约束条件可以包括：平衡约束和其他约束，其他约束可以包括：含量约束、温度约束、流量约束和产品氢含量约束。
60.具体地，利用预设约束条件对关键参数和产品预测结果进行判断，在关键参数和产品预测结果满足预设约束条件的情况下，利用目标函数计算关键参数对应的目标值，目标值包括：液化气、汽油产量最大值，以及干气、焦炭中氢含量最小值。
61.可以在预设约束条件内对关键参数进行调整，并获取多个目标值，再根据多个目标值，确定液化气、汽油产量最大值最大，且干气、焦炭中氢含量最小值的目标值所对应的产品预测结果为最终的产品分布信息。
62.本发明提供的产品分布预测方法，利用分布预测模型和目标优化模型对关键参数和产品预测结果进行目标优化和判断，快速测算催化裂化反应中氢分布优化后的产品分布信息，实现了自动计算产品氢含量分布最优解。
63.可选地，关键参数是从工厂数据中心调取的，工厂数据中心是基于如下步骤建立的：获取所述装置基础数据，以及所述催化裂化反应装置在不同工况下的运行数据，构建工厂数据中心；
64.所述装置基础数据包括催化裂化反应装置的技术设计数据；
65.所述运行数据包括：原料数据、产品数据和所述催化裂化反应装置的装置操作参数。
66.收集催化裂化反应装置的装置基础数据，以及不同工况下催化裂化反应装置对应的运行数据，建立工厂数据中心。可以根据加工原料不同、反应器温度不同、反应器出口压力不同划分为不同工况。
67.其中，装置基础数据可以包括装置基础设计数据，如装置加工规模、反应器结构参数、催化剂基本性质、塔设备数据、换热器设备数据等。
68.运行数据可以包括催化裂化反应装置的装置操作参数，如温度、压力、停留时间等；还可以包括原料数据和产品数据，原料数据包括原料的化验分析数据，产品数据包括产品的化验分析数据，如密度、馏程、硫含量、氮含量、氢含量等。
69.以炼厂2.0mt/a催化裂化反应装置为例，该装置反应再生型式为高低并列式；其中，反应部分采用内提升管的增产丙烯、多产异构化烷烃的清洁汽油生产技术(mip-cgp)工艺技术，再生部分采用并列式两器再生技术；第一再生器采用不完全再生技术，设有两组外取热器；第二再生器采用完全再生技术，设有再生催化剂脱气罐。
70.在装置运行的过程中，第一再生器和第二再生器烟气在烟道中混合，并补充空气，使co发生燃烧反应，高温烟气经高取热器取热，降温后烟气送入第三级旋风分离器。
71.进一步地，对历史数据进行整理，根据装置原料加工量、掺渣量、回炼油量、反应器出口温度、反应器出口压力区别，分为若干工况。以其中一种工况进行相关关键参数介绍，分离部分主要操作参数略。表1为原料油的主要性质，属于运行数据中的原料数据。
72.表1原料油主要性质
73.项目数值项目数值密度(20℃)，kg/m3903.7馏程，℃ 残碳值，％4.08初馏点180.9粘度(80℃)，mm2/s34.325％271.5相对分子质量50910％357.5元素质量分数，％ 20％412.9c86.7830％446.6h12.9140％494.9s0.2850％540.4
n0.1860％577.8
74.表2为催化剂基本性质，如表2所示，属于装置基础数据的一部分。表3为装置操作参数。
75.表2催化剂基本性质
76.项目新鲜催化剂再生催化剂化学组成，％
ꢀꢀ
(la2o3/ceo2)re2o30.75/1.52.7al2o356.152.7na2o0.190.33sio237.038.9p2o50.4180.462so32.010.127k2o0.3120.269tio20.1330.174物理性质
ꢀꢀ
总比表面积，m2/g25891基质比表面积，m2/g8145微孔比表面积，m2/g17747总孔体积，ml/g0.1790.158微孔体积，ml/g0.0820.022堆密度，g/cm30.740.8碳含量，％-0.03
77.表3装置操作参数
78.[0079][0080]
可选地，所述数据仓库是基于如下步骤建立的：
[0081]
获取历史原料性质参数和历史操作参数；
[0082]
对所述历史原料性质参数和所述历史操作参数进行数据清洗，并将数据清洗后的历史原料性质参数和历史操作参数添加至所述数据仓库。
[0083]
可选地，所述分布预测模型包括低碳烃预测模型和液相油预测模型；所述产品预测结果包括低碳烃产品预测结果和液相油产品预测结果；
[0084]
所述将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果，包括：
[0085]
将所述关键参数输入至低碳烃预测模型，获取低碳烃预测模型输出的所述低碳烃产品预测结果；
[0086]
并将所述关键参数输入至液相油预测模型，获取液相油预测模型输出的所述液相油产品预测结果。
[0087]
可选地，所述分布预测模型是基于以下步骤构建的；
[0088]
基于数据驱动模型构建低碳烃初始预测模型和液相油初始预测模型，并获取多个样本关键参数；
[0089]
将样本关键参数和所述样本关键参数对应的样本低碳烃产品分布信息的组合，作为一个低碳烃训练样本，获取多个低碳烃训练样本；
[0090]
将样本关键参数和所述样本关键参数对应的样本液相油产品分布信息的组合，作为一个液相油训练样本，获取多个液相油训练样本；
[0091]
利用所述低碳烃训练样本对所述低碳烃初始预测模型进行训练，获取所述低碳烃预测模型；
[0092]
利用所述液相油训练样本对所述液相油初始预测模型进行训练，获取所述液相油预测模型。
[0093]
可选地，在所述获取所述低碳烃预测模型之后，还包括：
[0094]
在所述低碳烃预测模型的精度小于精度阈值时，从数据仓库中确定补充参数，所述补充参数与低碳烃氢含量的相关度大于相关度阈值；
[0095]
获取所述补充参数对应的液化气气相色谱数据，并基于所述补充参数对应的液化气气相色谱数据确定所述补充参数对应的液化气氢含量；
[0096]
基于所述补充参数，以及所述补充参数对应的液化气氢含量，更新所述低碳烃预测模型。
[0097]
图2是本发明提供的低碳烃产品流量、氢含量预测系统的结构示意图，如图2所示，低碳烃产品流量、氢含量预测系统是基于低碳烃产品流量及氢含量预测数学模型构建的。低碳烃预测模型是以催化干气、液化气为对象的低碳烃产品流量及氢含量预测数学模型，该系统包括：数据仓库模块、低碳烃数据提取模块、低碳烃特征选择模块、低碳烃模型训练模块以及低碳烃预测模块。
[0098]
首先，数据仓库模块用于构建数据仓库，即在大型石油炼化企业的历史工况、装置操作参数、原油及主要产品理化性质分析报告和技术月报中，从工厂原理化验物性和工厂分布式控制系统(distributed control system，dcs)监控数据中提取历史原料数据和历史装置操作参数，并对其进行数据清洗后，按各生产单元建立对应的mysql数据库和数据表，并实现csv缓存机制，实现大规模数据的统一存储、管理和调用。
[0099]
然后，低碳烃特征选择模块对数据仓库中的参数进行特征选择，选取影响产品流量和氢含量的关键参数，并通过低碳烃数据提取模块基于低碳烃气相色谱数据计算得到关键参数对应的低碳烃产品流量数据、氢含量分布数据，从而低碳烃模型训练模块可以基于关键参数以及关键参数对应的。
[0100]
低碳烃产品流量数据、氢含量分布数据训练得到低碳烃预测模型。在得到低碳烃预测模型后，低碳烃预测模块可以基于低碳烃预测模型进行低碳烃产品流量数据、氢含量数据预测。其中，低碳烃特征选择模块可以是数据驱动模型，基于石油炼化过程相关的化工反应机理、现场人员操作经验和装置主要控制回路，低碳烃特征选择模块能够提取主要特征变量用于构建低碳烃预测模型，还可以依照工艺筛选位号，还可以算法推荐特征位号。
[0101]
其中，最开始的主要特征变量可以是人工按照经验在模型数据库中选取的，在低碳烃预测模型的建模精度不足的情况下，低碳烃特征选择模块可以从数据仓库中选取与产品分布信息相关度较高的补充特征变量。
[0102]
低碳烃模型训练模块将催化裂化干气、液化气常规监测报告得到的氢含量样本作为模型训练的因变量，构建出干气、液化气氢含量的低碳烃预测模型。
[0103]
低碳烃产品流量、氢含量预测系统还可以包括低碳烃模型评价模块，低碳烃模型评价模块能够根据交叉验证结果进行极致梯度提升(extreme gradient boosting，
xgboost)模型的超参数选择，能够根据模型在验证集上的表现评价模型的预测能力，实现模型参数寻优和模型评价。
[0104]
采用xgboost构建低碳烃初始预测模型，利用网格搜索法对模型的原始参数进行调整。其中，xgboost的原理及模型结构如下：
[0105]
xgboost是一种boosting方法，是由k个基模型组成的加法模型，假设第t次迭代要训练的树模型是f
t
(x)，则有：
[0106][0107]
其中，表示第t次迭代后样本i的预测结果，是前t-1颗树的结果，f
t
(xi)是第t颗树的模型。
[0108]
xgboost模型的目标函数如下：
[0109][0110]
其中，l
′
为损失函数，ω(f
t
)为正则项，constant为常数项。经过泰勒展开近似并省去每次迭代过程中的常数损失函数后，目标函数可化简为：
[0111][0112]
其中分别代表上一轮迭代中损失函数的一阶偏导数和二阶偏导数。
[0113]
此外，本发明实施例能够根据交叉验证结果进行xgboost模型的超参数选择；并能够根据模型在验证集上的表现评价模型的预测能力。
[0114]
基于python设计的交叉验证脚本能将原始数据直接隔离20％作为测试集直接分离，模型选择和参数调整由训练集中再采用k折交叉验证的方式划分训练集和验证集。
[0115]
在xgboost训练过程中，采用网格搜索法，以目标函数obj最小化为原则,给每个待调整参数在一定范围内进行调整，采用先粗略调整再精细调整的原则确定最优模型参数。
[0116]
基于python设计的模型评价脚本能根据模型在验证集上的效果评价模型的优劣，主要采用的模型评价指标包括但不限于：
[0117]
均方根误差：
[0118]
平均绝对误差：
[0119]
决定系数：
[0120]
在模型评价指标达到要求时，才能输出最终的低碳烃预测模型，否则将重新对xgboost模型的超参数进行更新迭代，直到评价指标达到要求。
[0121]
图3是本发明提供的液相油产品流量、氢含量预测系统的结构示意图，如图3所示，液相油产品流量、氢含量预测系统是基于液相油产品流量及氢含量预测数学模型构建的。
液相油预测模型是以汽油、轻循环油和油浆为对象的液相油产品流量及氢含量预测数学模型，该系统包括：工厂数据中心、低碳烃数据提取模块、液相油特征选择模块、液相油模型训练模块以及液相油预测模块。
[0122]
在工厂数据中心中，从工厂原理化验物性和工厂dcs监控数据中提取历史原料数据和历史装置操作参数，进行数据搜集，利用建库脚本或kettle工具，常规化验分析数据筛选，进行数据提取，快速建立催化汽油、轻循环油、油浆等氢含量计算公式。
[0123]
然后，液相油特征选择模块对数据仓库中的参数进行特征选择，选取影响产品流量和氢含量的关键参数，并通过液相油数据提取模块基于液相油常规化验数据计算得到关键参数对应的液相油产品流量数据、氢含量分布数据，从而液相油模型训练模块可以基于关键参数以及关键参数对应的液相油产品流量数据、氢含量分布数据训练得到液相油预测模型。在得到液相油预测模型后，液相油预测模块可以基于液相油预测模型进行液相油产品流量数据、氢含量数据预测。其中，液相油特征选择模块可以是数据驱动模型，基于石油炼化过程相关的化工反应机理、现场人员操作经验和装置主要控制回路，液相油特征选择模块能够提取主要特征变量用于构建液相油预测模型。
[0124]
其中，构建基于催化裂化反应的液相油品氢含量快速计算形成样本点的液相油特征选择模块，能够挑选与催化裂化液相油品氢含量预测相关的特征变量和关键参数，包括原料性质、催化裂化液相油品性质以及装置操作参数等，还能够依照工艺筛选位号，还可以算法推荐特征位号。
[0125]
液相油产品流量、氢含量预测系统还可以包括参数寻优及模型评价模块，该模块能够根据交叉验证结果进行梯度提升决策树(gradient boosting decision tree，gbdt)模型的超参数选择，并能够根据模型在验证集上的表现评价模型的预测能力。
[0126]
gbdt是一种基于分类与回归树(classification and regression trees,cart)模型的boosting算法，gbdt在每次迭代过程中都要求使本轮的损失函数达到最小。
[0127]
对于回归问题，即是对二叉回归树的加法模型：
[0128]fm
(x)＝∑mt(x；θm)；
[0129]
式中，t(x；θm)表示决策树；θm为决策树的参数；m为树的个数。
[0130]
提升树间不设置权值，彼此相互独立。提升树的前向分布传播过程如下：
[0131]
首先确定初始提升树f0(x)＝0；
[0132]
第m步的模型是：fm(x)＝f
m-1
(x)+t(x；θm)；
[0133]
其中，f
m-1
(x)为当前模型，通过经验风险最小化确定下一决策树的参数θm：
[0134][0135]
梯度提升树的训练方式参照如下步骤进行：
[0136]
输入训练数据集设为t＝{(x1,y1),(x2,y2),
…
,(xn,yn)}；
[0137]
其中最大迭代次数m；损失函数l(y,f(x))。
[0138]
关于输出，回归树按以下方式得到。
[0139]
首先，对模型进行初始化：
[0140]
[0141]
进一步地，对于m＝1,2,
…
,m，计算如下：
[0142]
(1)对i＝1,2,
…
,n计算：
[0143][0144]
(2)对r
mi
拟合回归树，得到第m棵树的叶节点区域r
mj
j＝1,2,
…
,j；
[0145]
(3)对j＝1,2,
…
,j；计算：
[0146][0147]
(4)更新
[0148]
进一步地，可以得到回归树：
[0149][0150]
至此，gbdt模型构建完成。
[0151]
基于python设计的交叉验证脚本能将原始数据直接隔离20％作为测试集直接分离，模型选择和参数调整由训练集中再采用k折交叉验证的方式划分训练集和验证集。
[0152]
在gbdt训练过程中，采用网格搜索法，以目标函数obj最小化为原则,给每个待调整参数在一定范围内进行调整，采用先粗略调整再精细调整的原则确定最优模型参数。
[0153]
基于python设计的模型评价脚本能根据模型在验证集上的效果评价模型的优劣，主要采用的模型评价指标包括但不限于：
[0154]
均方根误差：
[0155]
平均绝对误差：
[0156]
决定系数：
[0157]
只有当模型评价指标达到要求，才能输出最终的液相油预测模型，否则将重新对gbdt模型的超参数进行更新迭代，直到评价指标达到要求。
[0158]
训练完成的低碳烃预测模型可以对低碳烃中的产品流量、氢含量分布进行预测，训练完成的液相油预测模型可以对液相油中的产品流量、氢含量分布进行预测，从而可以避免传统方法中需要采集低碳烃样品或液相油样品进行检测造成效率较低的问题，而且本发明实施例在没有高精度的仪器的情况下，也能准确得到产品预测结果，即本发明实施例不需要依赖于分析仪器进行预测。同时，在得到产品预测结果后，若产品预测结果存在异常，还可以直接查询对应的原料性质参数以及操作参数，便于根据原料性质参数以及操作参数确定异常原因。
[0159]
可选地，所述目标优化模型包括目标函数和预设约束条件；
[0160]
所述确定产品氢分布优化后的产品分布信息，包括：
[0161]
基于所述目标函数和所述预设约束条件，利用所述产品预测结果对所述关键参数进行调节，获取新的关键参数；
[0162]
将所述新的关键参数输入至所述分布预测模型，获取所述新的关键参数对应的新
的产品预测结果；
[0163]
若所述新的关键参数和所述新的产品预测结果满足所述预设约束条件，则确定所述新的产品预测结果为所述产品分布信息。
[0164]
可选地，在所述利用所述产品预测结果对所述关键参数进行调节，获取新的关键参数之后，所述方法还包括：
[0165]
若所述新的关键参数和所述新的产品预测结果不满足所述预设约束条件，则根据所述目标函数和所述预设约束条件，对所述关键参数进行调节，直至得到新的关键参数和新的产品预测结果满足所述预设约束条件，则确定所述新的产品预测结果为所述产品分布信息。
[0166]
首先，利用matlab软件建立基于氢分布最优、目标产品收率最大化的催化裂化反应装置的产物分布的多目标优化数学模型，作为目标优化模型，优化目标包括：以液化气、汽油产量最大，干气、焦炭中氢含量最小。并调用多目标优化算法，并将目标优化模型与催化裂化反应-分离耦合数学模型关联。目标优化模型包括目标函数和预设约束条件。
[0167]
其中，优化算法可以是模糊优化算法、多目标列队竞争算法、遗传算法、神经网络算法等。
[0168]
目标优化模型的优化目标是催化裂化反应装置的产品氢分布最优，以及目标产品收率最大。氢分布最优是指干气及焦炭中氢含量最小化，目标产品收率最大是指液化气及汽油的收率最大化。
[0169]
目标函数包括：液化气、汽油产量最大函数，以及干气、焦炭中氢含量最小函数。
[0170]
其中，干气、焦炭中氢含量最小函数为：
[0171]
miny1＝(f
干气
x
干气,h
+f
焦炭
x
焦炭,h
)/(f
原料
x
原料,h
)；
[0172]
液化气、汽油产量最大函数为：
[0173]
maxy2＝(f
液化气
+f
汽油
)/f
原料
；
[0174]
预设约束条件包括平衡约束和其他约束。
[0175]
其中，平衡约束包括：
[0176]f原料
＝f
干气
+f
液化气
+f
汽油
+f
轻循环油
+f
焦炭
；
[0177]f原料
x
原料,h
＝f
干气
x
干气,h
+f
液化气
x
液化气,h
+f
汽油
x
汽油,h
+
[0178]f轻循环油
x
轻循环油,h
+f
油浆
x
油浆,h
+f
焦炭
x
焦炭,h
；
[0179]
其他约束包括：
[0180]
干气中c3+含量约束，约束条件为c3+轻烃体积分数≤3％；
[0181]
液化气中c2含量约束，约束条件为c2体积分数≤0.4％；
[0182]
液化气中c5含量约束，约束条件为c5体积分数≤1％；
[0183]
汽油astm d86干点约束，约束条件为200～204℃；
[0184]
反应器出口温度约束，480℃≤t
反应器出口
≤520℃；
[0185]
反应压力约束，0.25mpa≤p
反应
≤0.40mpa；
[0186]
稳定汽油循环量，25-45t/h；
[0187]
再吸收塔再吸收剂流量，30-60t/h；
[0188]
再吸收塔再吸收剂温度，30-40℃；
[0189]
产品氢含量约束：
[0190]
(a)干气与焦炭中的氢含量小于液相油品中的氢含量：
[0191]f干气
x
干气,h
+f
焦炭
x
焦炭,h
《f
液化气
x
液化气,h
+f
汽油
x
汽油,h
+
[0192]f轻循环油
x
轻循环油,h
+f
油浆
x
油浆,h
；
[0193]
(b)液化气中氢含量大于油浆中氢含量：
[0194]f液化气
x
液化气,h
＞f
油浆
x
油浆,h
；
[0195]
其中，y1为优化目标1；y2为优化目标2；f
干气
为干气流量，单位为t/h；x
干气,h
为干气中氢元素质量分率，单位为％；f
液化气
为液化气流量，单位为t/h；x
液化气,h
为液化气中氢元素质量分率，单位为％；f
汽油
为汽油流量，单位为t/h；x
汽油,h
为汽油中氢元素质量分率，单位为％；f
轻循环油
为轻循环油流量，单位为t/h；x
轻循环油,h
为轻循环油中氢元素质量分率，单位为％；f
油浆
为油浆流量，单位为t/h；x
油浆,h
为油浆中氢元素质量分率，单位为％；f
焦炭
为焦炭流量，单位为t/h；x
焦炭
，h为焦炭中氢元素质量分率，单位为％；ct为原料残碳，单位为％；t
反应器出口
为(第一反应器、第二反应器)反应器出口温度，单位为℃；p
反应
为反应压力，单位为mpa。
[0196]
对于关键参数，在一定的原料数据和装置操作参数下，通过分布预测模型可以模拟计算出催化裂化反应装置的产品流量数据、氢含量分布数据等计算结果，作为产品预测结果输出，但是不能得出该计算结果就是最优的结论，还需将这些数据传输至目标优化模型，通过目标优化模型，能够利用目标函数、预设约束条件的公式进行计算：
[0197]
假如发现该关键参数下，存在任一不满足预设约束条件的计算结果，则在预设约束条件内，调整改变反应器出口温度、压力等装置操作参数，得到新的关键参数，将新的关键参数返回分布预测模型进行模拟计算，得到新的产品流量数据、氢含量分布数据等，以此逻辑会最终得到在约束条件范围内，获得最佳分布的操作参数方案。
[0198]
假若计算结果也都满足约束条件，则仍进行反应器温度、压力等操作参数调整，再重复模拟计算、优化模型计算等步骤，通过调用matlab自身的多目标优化算法模型，能搜寻到满足目标函数要求的最佳操作条件配置方案，如温度多少、压力多少等。
[0199]
根据本发明提供的氢含量分布获取方法，通过将分布预测模型与目标优化模型进行关联，目标优化模型中的氢平衡计算分析能够评估装置操作运行的合理性，还可以将分布预测模型与在线监测系统关联，实现实时在线测算催化裂化产品分布。
[0200]
可选地，在所述确定产品分布信息之后，氢含量分布获取方法还包括：
[0201]
根据所述工况数据和所述产品分布信息，确定所述催化裂化反应装置的产品优化方案。
[0202]
应用开发的催化裂化反应装置的产品分布优化模型，测算不同工况下的主要操作条件，获得对应工况数据下产品分布的最优解，将该工况数据和该工况数据对应的产品分布信息的组合作为催化裂化反应装置的产品优化方案。
[0203]
产品优化方案，包括：满足物料平衡的产品流量数据，比如流量；氢含量分布数据，比如各产品的氢含量，且满足装置进出氢含量平衡。表4是产品优化方案测算结果，如表4所示，当原料确定的情况下，通过催化裂化产品分布的目标优化模型求解，得到产品优化方案如下，即在装置优化操作情况下，改善了装置产品分布，将更多的氢资源转移到目标产品中。
[0204]
表4产品优化方案测算结果
[0205][0206]
根据本发明提供的氢含量分布获取方法，能够不依赖产品采样分析，仅通过装置原料性质、主要操作参数就能计算催化裂化反应装置产品的分布变化，进而得到相应的产品优化方案。
[0207]
图4是本发明提供的产品分布预测装置的结构示意图，如图4所示，包括：
[0208]
获取模块401，用于将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；
[0209]
确定模块402，用于将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
[0210]
首先，获取模块401将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的。
[0211]
分布预测模型是基于数据驱动模型构建的，分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的。
[0212]
关键参数包括催化裂化反应装置的装置基础数据和运行数据，其中，运行数据可以包括：原料数据、产品数据和所述催化裂化反应装置的装置操作参数。
[0213]
产品预测结果可以包括催化裂化反应装置的产品中的氢含量分布数据，以及产品流量数据。其中，产品流量数据需满足物料平衡。
[0214]
具体地，将催化裂化反应的关键参数输入至分布预测模型，由分布预测模型根据装置基础数据和运行数据进行预测，得到关键参数对应的产品预测结果。其中，产品预测结
果包括低碳烃产品流量、氢含量预测，液相油产品流量、氢含量预测，以及焦炭的产品流量、氢含量预测。低碳烃包括液化气和干气，液相油包括汽油、轻循环油和油浆。在分布预测模型对低碳烃和液相油的产品流量、氢含量进行预测后，通过氢平衡和物料平衡，通过减法可以得到焦炭产品流量、氢含量预测。
[0215]
进一步地，确定模块402将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
[0216]
目标优化模型包括：目标函数和预设约束条件；目标函数可以包括：液化气、汽油产量最大函数，以及干气、焦炭中氢含量最小函数；预设约束条件可以包括：平衡约束和其他约束，其他约束可以包括：含量约束、温度约束、流量约束和产品氢含量约束。
[0217]
具体地，利用预设约束条件对关键参数和产品预测结果进行判断，在关键参数和产品预测结果满足预设约束条件的情况下，利用目标函数计算关键参数对应的目标值，目标值包括：液化气、汽油产量最大值，以及干气、焦炭中氢含量最小值。
[0218]
可以在预设约束条件内对关键参数进行调整，并获取多个目标值，再根据多个目标值，确定液化气、汽油产量最大值最大，且干气、焦炭中氢含量最小值的目标值所对应的产品预测结果为最终的产品分布信息。
[0219]
本发明提供的产品分布预测装置，利用分布预测模型和目标优化模型对关键参数和产品预测结果进行目标优化和判断，快速测算催化裂化反应中氢分布优化后的产品分布信息，实现了自动计算产品氢含量分布最优解。
[0220]
需要说明的是，本发明实施例提供的产品分布预测装置，在具体执行时，可以基于上述任一实施例所述的产品分布预测方法来实现，对此本实施例不作赘述。
[0221]
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行产品分布预测方法，该方法包括：将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
[0222]
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0223]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的产品分布预测方法，该方法包括：将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
[0224]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的产品分布预测方法，该方法包括：将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。
[0225]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0226]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0227]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种产品分布预测方法，其特征在于，包括：将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。2.根据权利要求1所述的产品分布预测方法，其特征在于，所述目标优化模型包括目标函数和预设约束条件；所述确定产品氢分布优化后的产品分布信息，包括：基于所述目标函数和所述预设约束条件，利用所述产品预测结果对所述关键参数进行调节，获取新的关键参数；将所述新的关键参数输入至所述分布预测模型，获取所述新的关键参数对应的新的产品预测结果；若所述新的关键参数和所述新的产品预测结果满足所述预设约束条件，则确定所述新的产品预测结果为所述产品分布信息。3.根据权利要求2所述的产品分布预测方法，其特征在于，在所述利用所述产品预测结果对所述关键参数进行调节，获取新的关键参数之后，所述方法还包括：若所述新的关键参数和所述新的产品预测结果不满足所述预设约束条件，则根据所述目标函数和所述预设约束条件，对所述关键参数进行调节，直至得到新的关键参数和新的产品预测结果满足所述预设约束条件，则确定所述新的产品预测结果为所述产品分布信息。4.根据权利要求1所述的产品分布预测方法，其特征在于，所述分布预测模型包括低碳烃预测模型和液相油预测模型；所述产品预测结果包括低碳烃产品预测结果和液相油产品预测结果；所述将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果，包括：将所述关键参数输入至低碳烃预测模型，获取低碳烃预测模型输出的所述低碳烃产品预测结果；并将所述关键参数输入至液相油预测模型，获取液相油预测模型输出的所述液相油产品预测结果。5.根据权利要求4所述的产品分布预测方法，其特征在于，所述分布预测模型是基于以下步骤构建的：基于数据驱动模型构建低碳烃初始预测模型和液相油初始预测模型，并获取多个样本关键参数；将样本关键参数和所述样本关键参数对应的样本低碳烃产品分布信息的组合，作为一个低碳烃训练样本，获取多个低碳烃训练样本；将样本关键参数和所述样本关键参数对应的样本液相油产品分布信息的组合，作为一个液相油训练样本，获取多个液相油训练样本；利用所述低碳烃训练样本对所述低碳烃初始预测模型进行训练，获取所述低碳烃预测
模型；利用所述液相油训练样本对所述液相油初始预测模型进行训练，获取所述液相油预测模型。6.根据权利要求5所述的产品分布预测方法，其特征在于，在所述获取所述低碳烃预测模型之后，还包括：在所述低碳烃预测模型的精度小于精度阈值时，从数据仓库中确定补充参数，所述补充参数与低碳烃氢含量的相关度大于相关度阈值；获取所述补充参数对应的液化气气相色谱数据，并基于所述补充参数对应的液化气气相色谱数据确定所述补充参数对应的液化气氢含量；基于所述补充参数，以及所述补充参数对应的液化气氢含量，更新所述低碳烃预测模型。7.根据权利要求6所述的产品分布预测方法，其特征在于，所述数据仓库是基于如下步骤建立的：获取历史原料性质参数和历史操作参数；对所述历史原料性质参数和所述历史操作参数进行数据清洗，并将数据清洗后的历史原料性质参数和历史操作参数添加至所述数据仓库。8.一种产品分布预测装置，其特征在于，包括：获取模块，用于将裂化催化反应的关键参数输入至分布预测模型，获取由所述分布预测模型输出的产品预测结果；所述关键参数包括催化裂化反应装置的装置基础数据和运行数据；所述分布预测模型是以样本关键参数和所述样本关键参数对应的样本产品分布信息训练得到的；确定模块，用于将所述关键参数和所述产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息；所述目标优化模型是以液化气、汽油产量最大，干气、焦炭中氢含量最小作为优化目标构建得到的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述产品分布预测方法步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述产品分布预测方法步骤。

技术总结
本发明提供一种产品分布预测方法及装置，包括：将裂化催化反应的关键参数输入至分布预测模型，获取由分布预测模型输出的产品预测结果；分布预测模型是以样本关键参数和样本关键参数对应的样本产品分布信息训练得到的；将关键参数和产品预测结果输入至目标优化模型，确定产品氢分布优化后的产品分布信息。本发明提供的产品分布预测方法及装置，利用分布预测模型和目标优化模型对关键参数和产品预测结果进行目标优化和判断，快速测算催化裂化反应中氢分布优化后的产品分布信息，实现了自动计算产品氢含量分布最优解。产品氢含量分布最优解。产品氢含量分布最优解。


技术研发人员：王阳峰 张伟 邢兵 谭明松 王红涛
受保护的技术使用者：中国石油化工股份有限公司大连石油化工研究院
技术研发日：2022.01.10
技术公布日：2023/7/25