催化重整过程全流程动态建模、控制与优化集成研究

Catalytic reforming is an important process in refinery industry. The process uses naphtha as feedstock for the production of aromatics and high octane gasoline components, with high purity hydrogen as a by-product. This project focuses on the safety and efficiency demands of the catalytic reforming process and the main research points are as follows. Firstly, kinetic model and data driven model are integrated to build a more adaptive hybrid model for the dual production mode catalytic reforming process. Secondly, develop a plant-wide dynamic model based on the mechanism and operation information. Then, study the performance degradation dynamics in the long-term operation and design a plant-wide control system to provide an economic operation and control solution. After that, establish the simulation of integrated model predictive control and real time optimization. Finally, verify the plant-wide modeling, integrated control and optimization method proposed in this project by in-depth study of the real industrial process.

催化重整过程是炼油工业中的重要环节，该过程以石脑油为原料生产芳烃和高辛烷值汽油组分，副产高纯度氢气。本项目围绕催化重整过程安全高效运行需求，首先融合反应机理与过程数据，采用机理建模和数据驱动建模方法针对芳烃/高辛烷值汽油两种生产模式建立具有更强适应性的混合模型；在此基础上，开展结合工艺特性和运行信息的动态集成建模研究，建立面向系统整体行为的全流程动态模型；然后考察长周期运行中催化剂失活等效能退化情况的过程动态特性，开发针对效能退化情况的控制系统并给出更优的生产调控方案；综合考虑过程工艺指标、操作柔性和经济效益，采用模型预测控制与实时优化集成的方法，实现催化重整过程先进控制与实时优化的一体化。最后通过对实际生产过程的应用，验证本项目提出的全流程动态建模、控制与优化集成方法。

催化重整装置是炼化工业的重要环节之一，该过程及其上下游装置主要以生产、加工石脑油并生产汽油或芳烃产品为主要目的，是炼化企业的重要效益装置。对上述过程的建模、优化等共性问题研究对提高装置安全、高效运行具有很重要意义。本项目首先融合过程机理和过程数据，研究了代理模型构建方法提出了一种新的基于稀疏度和最邻近期望的自适应采样算法，相比其他自适应采样算法，该算法能有效提升代理模型精度和建模效率。随后，提出了一种三阶段自适应采样的方案，进一步提高了传统的自适应采样算法的收敛速度和精度。在此基础上，研究了催化重整过程的多模态运行可视化评估和优化方法。提出了一种对多模态过程建立可视化监测模型的方法。在模型的基础上，提出了针对工业过程在线运行状态评估及非优因素识别方法，为生产过程的优化提供指导。与此同时，研究了工艺过程操作优化方法。针对重整装置下游芳烃生产流程，进行工艺改进模拟与分析，利用流程模拟软件建立装置机理模型，并以此为基础进行精确的模拟计算，为工艺改进提供准确的数据基础，与此同时，提出一种α约束混合多目标教学优化算法，并应用于吸附分离装置的操作优化中，取得了良好的效果。最后，研究了生产调度鲁棒优化算法。提出了一种产品收率不确定下的数据驱动的调度鲁棒优化方法。该模型考虑了实际现场调度过程中重整原料、蜡油、渣油的合理区间，以保证方案可靠性。实验结果表明，相比传统的确定性模型，提出的数据驱动的鲁棒模型实现了对生产信息的更充分利用，同时在保证解的最优性的基础上拥有更好的鲁棒性。