一种预测石化生产中任意流股分子组成的方法与流程

本发明涉及石油炼制及石油化工生产技术领域，尤其涉及一种预测石化生产中任意流股分子组成的方法。

背景技术：

随着炼油与化工行业对精细化生产的要求越来越高，对炼化生产过程中各个流股的分子组成精确掌握的需求也越来越高。掌握了各个流股的分子组成，能够对炼化生产中各个装置进行生产工艺优化、甄别高价值的分子、并合理安排分子的去向，最终最大化每个分子的价值。因此，对各个流股分子组成的掌握是实现“分子炼油”的基础。

目前，一些企业和科研单位对炼化生产过程中各个流股的分子组成预测进行了一些研究和尝试，取得了一些成果，但都存在明显的不足。一种已有的方法是采用信息熵最大化法，预先设定流股含有哪些分子，并给予这些分子均一的初始质量百分数。在初始质量百分数基础上对其进行调整，使得调整后的分子质量百分数能够满足流股已测定的宏观性质，同时，保持所有分子浓度信息熵的最大化。该方法存在的不足在于其分子质量百分数初始值的设定为均一数值，这大幅偏离了实际炼化流股的分子质量百分数。同时，在预测过程中，信息熵最大化的原则本质上是尽可能保持分子浓度的均一化，而这与实际情况不符，所产生结果的应用价值不高。另一种已有方法采用蒙特卡洛法随机生成分子，并用概率密度函数约束同系物的分布。但该方法采用蒙特卡洛法随机生成的分子并非来自于真实检测到的炼化流股分子，与实际分子组成往往存在偏差。同时，因为蒙特卡洛方法的随机性，每次应用所产生的分子不一样，这导致该方法应用到多个企业、场景时存在一致性的不足。另一种已有方法采用mths矩阵法生成分子，并根据实际分析数据来约束分子的碳数分布，再通过优化求解的算法使得分子质量百分数满足已测定的流股宏观物性。该方法所产生的分子同样未能完全代表真实的分子，所预测的结果往往与实际情况有所偏离。

因此，已有方法的不足总结后包括如下三方面：

(1)所预测的炼化流股分子种类与质量百分数与真实情况存在偏差；

(2)未能形成适用于所有流股，包括原油、轻质馏分、重质馏分、中间流股、产品流股的统一方法；

(3)采用非线性优化算法进行预测时，当分子数量庞大时，运算速度较慢，收敛性也无法保障，影响了实际应用。

技术实现要素：

本发明为克服上述的不足之处，目的在于提供一种预测石化生产中任意流股分子组成的方法，本发明基于炼化企业生产过程中各个流股的性质数据，运用一种统一的计算方法，预测各个流股的分子组成。本发明提出一种能够准确预测炼化流股分子种类与质量百分数的方法，并使预测结果与流股的真实分子组成吻合度高；本发明能够适用于炼化生产中所有流股，是能够预测原油、轻质馏分、重质馏分、中间流股、产品流股分子组成的通用方法；且运算速度快，收敛性高，从而具备在炼化企业实际应用的基础。

本发明是通过以下技术方案达到上述目的：一种预测石化生产中任意流股分子组成的方法，包括如下步骤：

(1)汇总炼化企业生产过程中各个流股，建立涵盖不同产地与类型的加工原油、原料、中间产物、产品的分子种类组成的总分子库；其中该分子库由上述流股各自常见分子组成合并而成；

(2)针对不同产地与类型的加工原油、原料、中间产物、产品流股各自建立若干套真实的分子组成数据；

(3)针对总分子库中的每个分子，建立单分子性质数据库；

(4)建立分子混合物性质计算方法，该方法可根据任意的分子组合、分子质量百分数，计算混合物的性质；

(5)建立流股分子种类与质量百分数的预测方法，具体如下：

(5.1)根据流股的种类，从总分子库中摘取与该流股相对应的分子，并从步骤(2)所建立的流股真实分子组成数据库中获得该分子的质量百分数作为后续预测的初值；

(5.2)采用自适应步幅的迭代调整方法，分若干步对流股分子的质量百分数进行迭代调整；

(6)当步骤(5)的预测方法达到预先设定的迭代步数，或所有性质达到预先设定的精度要求时，则完成迭代；其中所形成的分子质量百分数即为最终预测结果。

作为优选，所述真实的分子组成数据可通过实验室分析获得，或从已公开的分子分析数据中获得。

作为优选，所述的单分子性质数据库中的性质种类至少包含炼化企业生产过程中常规检测的流股性质中的一项；单分子性质数据可从模型计算得到，或根据手册、文献数据查阅得到，或从上述两种方法的结合得到。

作为优选，所述步骤(4)中计算所得的性质种类至少包含炼化企业生产过程中常规检测的流股性质中的一项；混合物性质计算方法可采用结合分子质量百分数、步骤(3)所建立的单分子性质数据库、混合规则算法从单分子性质数据直接计算获得，也可根据混合物其他性质推算获得。

作为优选，所述的流股的种类包括原油、原料、石脑油、柴油、蜡油、渣油、重整汽油、重整芳烃、催化裂化汽油、催化裂化柴油、加氢裂化石脑油、加氢裂化柴油、焦化汽油、焦化柴油、成品汽油、成品柴油中的一种或多种混合物。

作为优选，所述步骤(5.2)中的步幅大小根据当前流股分子组成计算得出的性质数值与实际测得的性质数值差异而定；根据当前流股分子组成计算性质数值采用步骤(4)所述的分子混合物性质计算方法。

作为优选，所述步幅大小的计算公式如下：

s＝1+[k_1*[p_l]i/[p]i-1]^k_2

其中，s为每次迭代调整的步幅；k_1，k_2分别为算法参数；[p_l]i为第i项性质的实测值；[p]i为第i项性质的计算值。

作为优选，所述在步骤(5.2)的迭代调整过程中，通过敏感度分析自动识别对整体误差造成增大的性质，并在迭代调整过程中逐步降低这些性质的调整幅度，提升预测方法的整体精度；其中敏感度分析的公式如下所示：

d＝(e–e’)/([p]i–[p’]i)/δw

其中，d为整体误差对第i项性质的敏感度；e为整体误差；e’为对分子质量百分数进行幅度为δw的扰动后的新整体误差；[p]i为第i项性质的计算值；[p’]i为对分子质量百分数进行幅度为δw的扰动后第i项性质的新计算值；δw为对分子质量百分数进行的扰动幅度。

作为优选，所述在步骤(5.2)的迭代调整过程中，通过梯度分析自动识别在迭代中对分子质量百分数的扰动幅度增大或持续超出设定范围的性质，并在迭代调整过程中逐步降低这些性质的调整幅度，提升预测方法的整体精度；其中梯度分析的公式如下所示：

g＝[s/([p_0]i–[p]i)]n-[s/([p_0]i–[p]i)]n-1

其中，g为第i项性质对分子质量百分数的扰动梯度；s为每次迭代调整的步幅；[p_0]i为第i项性质在本次迭代调整分子质量百分数之前的计算值；[p]i为第i项性质在本次迭代调整分子质量百分数之后的计算值；n为当前迭代数，n-1为前一次迭代。

本发明的有益效果在于：(1)本发明显著降低了获取炼化企业中各流股详细分子组成的成本与所需时间；现有方法如通过实验检测的方法获得各流股的详细分子组成，需要耗费大量人力物力，并且周期长，获得结果的速度慢；本发明大幅提升获得炼化企业中任意流股的方法，获得预测结果的时间在5-120秒范围内；(2)本发明的准确性更高；本发明可根据用户针对不同性质设置的精度要求，同时实现多项性质的准确匹配；所预测的分子数据也与真实分子组成更为接近；(3)本发明的通用性更好，本发明实现了一种预测炼化企业任意流股分子组成的通用方法，针对炼化企业中的任意流股均可准确预测其分子组成；(4)本发明的收敛性更好，通过自适应步幅的迭代调整方法，可以确保本方法在所有情况下均能收敛，为炼化企业生产实际中的应用提供了基础。

附图说明

图1是本发明预测石化生产中任意流股分子组成的方法流程图；

图2是本发明所涉及的石化生产常见流股的代表性分子组成示意图；

图3是本发明实施例的总分子库的构成示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：如图1所示，一种预测石化生产中任意流股分子组成的方法，包括如下步骤：

(1)汇总炼化企业生产过程中各个流股，至少包括不同产地与类型的原油、原料、中间产物、产品的分子种类，形成一个超过10万个分子的总分子库。分子采用结构导向集总方法描述，该分子库可以由上述流股各自常见分子组成合并而成，其中流股各自常见分子组成如图2所示。总分子库中原油/原料、中间产物、产品分子个数如图3所示。

(2)针对不同产地与类型的原油蒸馏所得的直馏柴油，获得30套直馏柴油的真实分子组成数据。这30套直馏柴油所对应的原油，根据密度、硫含量、酸值、类型四个维度选择包含从低密度到高密度、从低硫到高硫、从低酸到高酸、从石蜡基到环烷基各种不同组合的30种原油。直馏柴油的真实分子组成数据采用高分辨率质谱、gc-ms气质联用方法中的一种或两种获得。

(3)针对总分子库中的分子，建立单分子性质数据库，包括64项性质。单分子性质列表如表1所示。上述性质采用模型计算与查阅文献、手册两种方法结合所获得。

表1

(4)建立74项分子混合物性质计算方法，混合物性质列表如表2所示。混合物性质计算方法采用根据步骤3所建立的单分子性质数据库中的单分子性质混合规则直接计算、物料其他性质关联计算两种方法结合。

表2(5)进行直馏柴油分子种类与质量百分数的预测方法。该方法包括如下步骤：

(5.1)从步骤(2)所建立的30套直馏柴油真实分子组成数据中选取一套数据，将其所含分子的质量百分数作为后续预测的初值。

(5.2)采用本发明的自适应步幅的迭代调整方法，分100次迭代对流股分子的质量百分数进行迭代调整。针对该直馏柴油，炼化企业实际测得的直馏柴油性质为表2的74项性质中的12项。每次迭代调整的步幅大小根据当前分子组成计算得出的直馏柴油性质与实际测得的直馏柴油性质数值差异而定，其计算方法如式1所示。根据当前流股分子组成计算性质数值采用步骤(4)所述方法。

s＝1+[k_1*[p_l]i/[p]i-1]^k_2(1)

其中，s：每次迭代调整的步幅；k_1，k_2：算法参数；[p_l]i：第i项性质的实测值；[p]i：第i项性质的计算值；

在上述迭代调整过程中，通过敏感度分析自动识别对整体误差造成增大的性质，在迭代调整过程中逐步降低这些性质的调整幅度，提升预测方法的整体精度。其中敏感度分析所用公式如式2所示。

d＝(e–e’)/([p]i–[p’]i)/δw(2)

其中，d：整体误差对第i项性质的敏感度；e：整体误差；e’：对分子质量百分数进行幅度为δw的扰动后的新整体误差；[p]i：第i项性质的计算值；[p’]i：对分子质量百分数进行幅度为δw的扰动后第i项性质的新计算值；δw：对分子质量百分数进行的扰动幅度。

另外，在上述迭代调整过程中，通过梯度分析自动识别在迭代中对分子质量百分数的扰动幅度增大或持续超出设定范围的性质，在迭代调整过程中逐步降低这些性质的调整幅度，提升预测方法的整体精度。其中梯度分析所用公式如式3所示。

g＝[s/([p_0]i–[p]i)]n-[s/([p_0]i–[p]i)]n-1(3)

其中，g：第i项性质对分子质量百分数的扰动梯度；s：每次迭代调整的步幅；[p_0]i：第i项性质在本次迭代调整分子质量百分数之前的计算值；[p]i：第i项性质在本次迭代调整分子质量百分数之后的计算值；n：当前迭代数，n-1为前一次迭代。

(6)当步骤(5)的预测方法运行到预先设定的迭代次数100次时，所有12项性质都达到预先设定的精度要求，完成迭代。所形成的分子质量百分数即为最终预测结果。整个预测方法运算时间为6.8秒，最终12项性质的平均预测误差为0.6％。运算的速度和精度均达到炼化企业实际应用的要求。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。