神经网络技术在炼油厂节能方面的应用

宋 扬，阿福东

（中国石油大庆炼化公司信息中心，黑龙江 大庆 163400）

在智慧炼化的建设规划中，热效率利用情况成为衡量企业经济效益和环保评估的重要影响因素。某公司汽油加氢装置F101加热炉是汽油加氢装置分馏塔底再沸炉，燃气，负荷大，采用经典PID控制，没有经过优化整定，炉热效率较低，回路不稳定，经常切换到手动控制，不利于企业生产自控率控制。通过采集F101加热炉实时数据，利用神经网络深度学习建立加热炉工艺模型，根据模型采用梯度下降全局搜索方式对加热炉PID控制参数进行优化整定，优化排烟温度和烟气氧含量控制，达到提升加热炉热效率0.1%~1%，从而降低了废气排放。

1 项目简介

该项目依托神经网络建模及深度学习训练，建立加热炉热效率控制模型并进行学习训练，实现对大型炼化企业加热炉控制系统回路的PID优化整定。通过大型炼化企业生产系统控制回路的PID优化整定，对基于神经网络学习建模的优化方法、技术特点进行研究，从而实现智慧炼化建设中对热效率和节能工作的提升。

2 PID整定模型建立和深度学习训练

2.1 神经网络的建立

在现代的控制过程中，由于系统越来越复杂，被控对象的实际数学模型已经无法进行精确的给定与描述，故需要1门控制理论，在掌握被控对象的变化规律下，由另1种方法确定1个近似的、易于描述与控制的数学模型来近似代替该不可知的复杂模型［1］。

神经网络对非线性函数的逼近能力非常好，当神经网络满足一定条件时，可以以任意精度逼近任意非线性连续的函数或者分段连续的函数。因此，利用MATLAB专业软件神经网络软件来完成非线性系统模型建立是很好的选择。

2.2 非线性PID整定控制

PID控制是发展最早的经典控制算法之一，而且PID控制器一直是控制领域的基本控制方式，其算法简单，可靠性高，利用系统的偏差，基于比例（P）、积分（I）、微分（D）来进行控制。神经网络所具有的任意非线性表达能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。因此基于神经网络的PID整定不仅能适应环境变化，且有较强的鲁棒性［2］。

2.3 BP神经网络模型

建立1个3层神经网络模型，以Ur作为输入信号，给定3个输入节点（U1，U2，U3它们分别代表神经元的输入数据。），3个隐含层节点，3个输出节点，分别对应 的是Kp，Ki，Kd。激发函数为非负Sigmiod函数，其网络结构见图1。

图1 3层神经网络结构

图1中Vji—隐含层加权系数，Wji—输出层加权系数。

根据输入层、隐含层、输出层的传递关系可以得到系统的性能指标函数见式（1）。

式中e（k）—系统的时刻误差；r（k）—系统k时刻控制给定值；y（k）—k时刻系统输出。

经典增量式数字PID控制算式见式（2）。

式中u（k）—k时刻PID输出；u（k-1）—k-1时刻PID输出；Δe（k）—k时刻误差的增量；Δe2（k）—k-1时刻误差的增量。

2.4 基于深度学习的神经网络PID控制器

2.4.1 基于深度学习的神经网络算法分析深度学习的神经网络是指通过深度学习算法来优化神经网络的初始权值和阈值。从而得到更好的网络预测输出。在优化神经网络的权值和阈值时，通过适应度函数来计算个体适应度值。用优化后得到的最优个体对初始权值和阈值进行赋值，训练网络预测输出。

2.4.2 深度学习优化神经网络模型过程神经网络PID控制器框图见图2。

图2 基于遗传算法的神经网络PID控制框图

深度学习优化的神经网路PID控制算法归纳为2点［4~6］。

（1）生成实数编码；

（2）确定及计算适应度函数，见式（3）。

式中Jk（N）—适应度函数。

网络训练目标函数值见式（4）。

在MATLAB工具中经过算法的多次进行可得到最终的系统阶跃响应曲线［7］，见图3。

图3 无PID整定与经深度学习优化神经网络控制

3 仿真结果对比分析

分析图3可知，经过深度学习优化的神经网络PID控制器能快速达到稳定，控制精度相对较高，对PID的整定更加精确，能够在更短时间内达到稳定，鲁棒性更好，且几乎无超调量。将该种改进后的方法应用到PID整定，能使加热炉控制系统系统更快达到稳态效果，提高加热炉热效率［4，5］。

根据模型，采用梯度下降全局搜索方式对加热炉PID控制参数进行优化整定，优化目标为直接影响热效率的排烟温度（TI3602）和烟气氧含量（AIC3611）。

模型输入共7个PID控制回路，经过模型优化计算，其中“加热炉介质温度控制TIC2101”和“加热炉燃料气流量控制FIC2402”2个控制回路的4个PID控制参数对加热炉热效率影响显著，根据计算出的2组优化参数，模型输出“排烟温度（TI3602）”呈 现 平 稳 下 降，“烟 气 氧 含 量（AIC3611）”降低；经过热效率计算［8］，结果见表1。

表1 优化后的热效率提升效果

表1中TIC2101_Ti为加热炉介质出口温度控制回路积分，FIC2401_P为加热炉燃料气流量控制回路比例，FIC2402_Ti为加热炉燃料气流量控制回路积分，FIC2402_Td为加热炉燃料气流量控制回路微分。优化前热效率计算采用的是2019年11月20日8：30分现场实时数据，优化1为只对排烟温度进行优化的输出结果，优化2为对排烟温度和氧含量共同优化的输出结果。

根据柴油加氢装置F101加热炉的热效率提升效果，在该装置投入PID位号进行整定，见表2。

表2 目前正在测试中的PID位号

4 结束语

采用优化后的PID参数经过热效率计算，能在不改变介质出口温度及流量的情况下提升加热炉热效率0.24%~0.34%。

（1）经实际投用，回路稳定性得到提高，能够稳定的投入串级自动控制。

（2）提高加热炉热效率0.25%~0.46%，预计加热炉每年可节约燃料成本3~5万元。

减少排放CO2达50 t，SO2为300 kg。同时稳定了加热炉出口介质温度，为装置后续生产单元稳定生产创造了条件。

通过神经网络深度学习（AI人工智能）对加热炉PID控制参数进行优化整定，优化排烟温度和烟气氧含量控制，进而提高加热炉热效率，减少污染物排放，降低装置能耗，降本增效，具有较大的经济和社会效益，为智慧炼厂建设提供助力。