采用支持向量机实现烯烃裂解料优化选择Word格式文档下载.docx

采用支持向量机实现烯烃裂解料优化选择Word格式文档下载.docx

《采用支持向量机实现烯烃裂解料优化选择Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《采用支持向量机实现烯烃裂解料优化选择Word格式文档下载.docx（10页珍藏版）》请在冰点文库上搜索。

采用智能算法（支持向量机、Kriging、人工神经网络、粒子群算法、退火算法等）建立仿真模型是系统仿真领域新兴的一个热点，适用快速仿真与跨层次仿真建模[2-6]，可以大大降低仿真的计算复杂度，在满足应用要求精度的条件下，大幅度降低计算开销，提高仿真或优化计算的效率。

尤其是基于统计学习理论的支持向量机理论及算法，该方法以其对高维数据回归建模数据量小、回归精度高的优势，被逐步用于电力生产、交通运输、化工生产中的经营计划建模。

本文针对烯烃裂解机理过于复杂、裂解机理模型仿真计算复杂度高、模型功能必须适用生产运营管理工作特点等问题，采用支持向量机回归方法在生产经营数据基础上建立仿真模型，当物料市场价格因子发生变动时，在仿真模型上搜索针对裂解炉型的原料组成的最优方案，在允许误差范围内提高优化计算速率和精度。

本文提出的方法避免了以往仿真模型计算复杂度大、不考虑市场经济因素、反复迭代、重复计算、难于收敛等问题。

另外，本文提出的方法虽然是针对烯烃裂解原料优化选择，但是，提出的方法同样可扩展到其它石化生产过程，实现生产计划、调度的优化，提高生产经营计划的准确性。

2支持向量机的多维数据回归

本文主要采用支持向量机对烯烃裂解原料投入产出、裂解工艺参数进行回归建模。

支持向量机（SVM,SupportVectorMachine）是基于Vapnik提出的统计学习理论的一种机器学习算法。

支持向量回归（SVR,SupportVectorRegression）是支持向量机理论在函数拟合上的应用，它可以适应小样本学习，将问题转化成为一个二次型寻优问题，理论上能够得到全局最优解。

该方法对N维空间向量采用SVM方法，将实际问题通过非线性变换转换到高维的特征空间，在高维特征空间中构造线性判别函数来实现原始空间中的非线性判别函数，用一超平面对向量进行回归拟合，从而有较好的推广能力，同时很好地解决了高维数问题。

SVR具有严格的理论基础，具有很强的泛化能力，不过分依赖样本的数量和质量，其基本原理可参考前人研究[3,5]。

直观上，支持向量机对N维空间向量采用一超平面进行回归拟合，并将该超平面作为对未知数据预测分析的依据，如图所示（图1）。

图1N维空间向量的超平面回归拟合

3裂解投入产出优化模型

烯烃裂解生产单元的投入产出示意如图（图2）。

数据分为如下几部分：

裂解原料（石脑油、乙烷、尾油等）、裂解炉、裂解工艺参数、裂解产出（乙烯、丙烯、甲烷等）。

我们对裂解投入产出优化模型建立的步骤如下：

图2烯烃裂解投入产出示意图

1）用户确立SVR的输入与输出，如：

产物收率VS工艺参数、原料ID、炉型ID；

产出利润VS工艺参数、原料ID、炉型ID等。

2）对SVR所需样本数据选择合适的数学方法进行去噪处理，本文采用MATLAB[7]软件中提供的Wnoise函数提供的小波方法先对样本去噪，另外SVR的直接输入并不一定是用户初始建模时的定义，可以采用核主成分分析方法提取样本数据特征作为SVR的输入。

3）通过测试样本对SVR进行核函数及其它参数的选择，提高对样本数据的回归精度。

裂解投入产出优化问题用以下方程描述：

s.t.

:

原料g在炉型标识f中的加工利润；

装置生产周期；

：

装置除焦周期；

产物价格因子向量；

产物组成向量；

原料价格因子；

公用工程消耗价格因子向量；

公用工程消耗指标向量；

原料g在炉型标识f中生产过程仿真计算模型，在本文中采用支持向量机对装置投入产出数据回归建立仿真模型，

为装置工艺参数。

在自编MATLAB程序中调用台湾大学开发的支持向量机程序LIBSVM[8]实现裂解炉生产数据的回归，以下图例为在某裂解炉对某原料加工数据回归得到的以裂解炉出口温度、压力为工艺变量的产物价值分布（图3）、不同产物收率分布（图4，5）。

图3某原料在某炉型加工生产的产物价值分布示意图

图4某炉型石脑油为原料的乙烯收率分布图

图5某炉型石脑油为原料的丙烯收率分布图

我们对支持向量机回归建模基础上对投入产出效益最优求解问题采用如下方法进行：

将所有产物收率图乘以该产物价格因子然后进行叠加，叠加后生成吨产物价值图中的最高点即为对应裂解原料、裂解炉型的最佳工艺操作点和最大吨产物价值。

数学实践上，我们在MATLAB中采用粒子群搜索的方法在吨产物价值图上搜索最高点，经反复迭代收敛得到产物价值最大值。

最优搜索步骤简要描述如下：

1）获得以工艺参数向量（出口压力、温度、流量、汽液比等）为自变量、吨产物价值为因变量的支持向量回归模型；

2）在回归模型工艺参数向量空间中随机选取设定数量N的搜索粒子，并在回归模型中计算它们对应空间位置的吨产物价值，找到N个粒子中吨产物价值最高的粒子v。

3）除粒子v之外的其它N-1个粒子向粒子v移动，移动距离为设定步长L。

对所有粒子当前位置对应空间位置的吨产物价值进行计算，重新找到N个粒子中吨产物价值最高的粒子u。

4）计算粒子u与v的吨产物价值差，若在设定迭代误差范围内则结束迭代计算，取u对应的吨产物价值为最优值，否则转步骤2）；

另外如果当前迭代次数达到设定最大跌代次数，取u对应的吨产物价值为最优值，并结束迭代。

4结果与分析

在T公司的裂解炉裂解料评价数据集基础上，我们采用MATLAB开发支持向量机数据回归拟合程序（SVR），其中调用LIBSVM，并由LIBSVM优化选择核函数。

为了体现SVM回归在精度上的优越，我们同时采用MATLAB中simulink工具箱中提供的neff函数建立BP神经网络，隐含层和输出层的神经元个数均设置为5，训练算法采用贝叶斯正则算法,对裂解料评价数据进行回归建模，测试集数据与SVM回归相同。

对某裂解炉中某裂解料在不同工艺条件下的乙烯收率预测比较分析结果如图（图6、7）。

图6支持向量机回归预测乙烯收率

图7人工神经网络回归预测

比较实验结果表明：

支持向量机的回归预测精度显著高于人工神经网络。

在T石化公司2011年度某裂解炉生产数据基础上，我们通过二种测算模型对原料选择进行计划优化，比较分析运行结果。

A.采用现有生产EXCEL电子报表自编经验公式测算原料的选择。

B.采用本文提出的支持向量机回归分析方法建立装置的投入产出效益测算模型。

结果如下（表1，2）：

.表1原料情况

原料

价格

（元/吨）

A（/万吨）

B（/万吨）

石脑油

6040

2.524

3.113

戊烷油

5830

0.09

0.08

拔头油

0.383

0.637

加氢裂化尾油

5900

2.254

1.181

丙丁烷

6470

0.220

0.141

丙烷

6110

0.139

0.125

投料量（万吨）

5.610

5.277

投料成本（元/吨）

5984.64

5993.28

表2裂解产物价值分析

产物

A

B

收率（%）

价值（元/吨）

甲烷

1270.00

17.020

216.154

18.000

228.600

氢气

8036.70

0.270

21.697

0.310

24.912

乙烯

7215.53

33.15

2391.948

33.350

2406.379

丙烯

9214.00

15.750

1451.205

15.780

1453.969

混合碳四

6836.04

10.800

738.292

10.410

711.632

轻混合油

6509.00

18.930

1232.154

18.290

1190.496

裂解渣油

3970.00

3.620

143.714

3.450

136.965

合计

6195.164

6152.953

从比较情况来看，通过支持向量机回归分析建立裂解优化经济测算模型，相比当前生产计划人员采用经验测算的工作方式，在原料结构方面：

前者比后者提高了裂化尾油等重质裂解料的比例，同时降低了石脑油等轻质原料的比例，导致投料单位成本降低，并提高了裂解炉的加工量；

在产品结构方面：

前者提高了单位产品价值，同时由于加工量的提升，导致该裂解炉的产出效益显著提升。

5结语

采用支持向量机回归和在其上实现的粒子群优化搜索可以实现生产经营和调度中烯烃裂解料的优化选择。

实验结果表明：

支持向量机对烯烃裂解数据的回归精度优于人工神经网络等方法，建模数据来源于生产日常经营统计数据，建模与维护便捷，满足生产经营、调度对裂解生产预测分析的需求；

同时对原料优选的结果表明，本文方法对烯烃裂解料的优化结果显著，对烯烃生产效益的提升和减负运行促进作用明显。

本文进一步工作：

1）实现支持向量机回归仿真模型与生产线性优化软件AspenPIMS[9]的集成应用，从而直接支持生产优化计划编制工作。

2）本文在支持向量机基础上的回归预测分析应用可以用于生产管理的其它过程，如：

通过混合进料统计数据预测单品种裂解原料的投入产出情况；

通过上下游物料的关联关系，实现物料市场价格的预测等。

参考文献

[1]尹云华,张红梅等.热裂解制乙烯反应动力学模型的研究进展[C].中国石油学会第六届青年学术年会（2009）.

[2]朱道飞,郑忠,高小强.炼钢连铸作业计划的混合遗传优化与仿真分析[J].计算机工程与应用[J],2010,46

（1）:

241-245.

[3]朱红求,阳春华，王觉，桂卫华.基于混合QPSO的LS-SVM参数优化及其应用.中南大学学报（自然科学版）[J]，2011,42（4）:

1000-1004.

[4]王亦乐,王万良.一种求解生产计划问题的改进量子粒子群算法[J].计算机仿真,2011,28

（1）:

234-237.

[5]吴文元，熊智华.支持向量回归在乙烯裂解产物收率软测量中的应用[J].化工学报，2010,61（8）:

2046-2050.

[6]Mouret,Sylvain,etal.AnewLagrangiandecompositionapproachappliedtotheintegrationofrefineryplanningandcrude-oilscheduling[J].ComputersandChemicalEngineering,2011,35（12）:

2750-2766.

[7]Matlab.

[8]LIBSVM.http:

//www.csie.ntu.edu.tw/~cjlin/libsvm/.

[9]AspenPIMS.

UsingSupportVectorMachinetoOptimizeSelectionofOlefinCrackingFeedstock

WangQingjiang1,LingZeji2,LeiXiangxin3

（1.TianjinPetrochemicalCo.,Ltd,Sinopec,Tianjin300163）

（2.ResearchInstituteofYangziPetrochemicalCo.,Ltd.,Sinopec,Nanjing210048）

（3.InformationTechnologyCollege,EastChinaUniversityofSci.&

Tech,Shanghai200137）

ABSTRACT

Supportvectormachineandparticleswarmsearchoptimalalgorithmisusedtoachievetheoptimalselectionofolefincrackingfeedstock.Incontrastwiththepreviousmethodofoptimizingthecompositionoffeedstock,themethodpresentedinthispaperprovidesaeasywaytoofmodelingandmaintenancewithhighaccuracy,andobtainsthegoaltoadjustthecompositionoffeedstockaccordingtomarketpricechangesinatimelymannerduringtheproductionprocess.Accordingly,themethodpresentedinthispaperenhancestheoutputefficiencyoftheolefincrackingprocessintheincreasinglycompetitivemarketenvironment.

Keywords:

ethylene,cracker,supportvectormachine,plan,optimize