炼油厂氢气网络动态多输出预测模型

目前，氢气网络的优化方法主要包括夹点分析 法和超结构法。夹点分析法是一种基于热力学原理 的过程集成技术提出。1996 年，北京中惠普 首次将这种方法用于氢气网络。夹点分析法通常采 用图形化方法，物理意义明确，易于理解，操作简单， 但它无法直接获得精确的操作点，对于复杂的系统 不能表现出很好的效果，虽然夹点分析法对公用工 程量的优化很有用，但对于多目标的优化问题，却无 法单独使用；另外，夹点分析法无法有效处理所有的 实际约束。因此，研究者对应用于氢气网络优化问 题的数学规划法 (超结构法) 进行了大量研究工作。

超结构法是一种建立与实际工程相符合的数学 规划模型的方法，它是系统工程中的一种重要研究 方法，在换热网络、水网络和反应器网络等的建模和 优化方面得到了广泛的应用。2001 年，Hallale 等[6] 首先提出将超结构法应用于氢气网络的优化问题 上。超结构法可以用于包含复杂约束的氢气网络系 统，也可以用于多目标的氢气网络优化问题，具有一 定的灵活性。但是，超结构法不像夹点分析法那样 直观和物理意义明确，且存在不合理不贴合实际的 地方。因此，中惠普氢气发生器以一种氢夹点原理为基础，针对现有的炼油厂氢气网络的超结构模型 ，建立夹点法约束，并融入超结构法模型进行 混合建模，同时考虑最小新氢（即高纯度氢气）消耗 量以及最小氢气剩余量两种因素下的模型。但是该 模型的目标是静态的目标，在氢气网络的优化问题 中，往往将氢气的流量和纯度采用一个固定不变的 设计值，但在产氢或耗氢的实际生产过程中，这些量 往往随着温度等参数的变化而变化，因此，模型的目 标也应该是动态变化的目标，存在着不确定性。

本文以某炼油厂实际连续重整装置氢气纯度和 氢气产量的动态变化数据为基础，发生器工艺计算得到以最小新氢消耗量和最小氢气剩余量为目标的 动态数据，首次提出采用 XGBoost 模型对氢气网络 的两种动态目标建立动态多输出预测模型并进行预 测分析。由于神经网络是非线性系统控制与建模的 重要手段 ，因此，本文与 BP 神经网络模型的预测 结果进行了比较，以验证模型的有效性。

基于 XGBoost 模型的炼油厂氢气网 络动态多输出预测
炼油厂的新氢一般较难制取，成本较高，氢气网 络的优化要求新氢用量最小化。炼油厂通常不对氢 气设立储罐进行余量储存，生产过程中，多余的氢气 将排入燃料系统或者放空燃烧。因此，考虑到炼油 厂的经济效益问题，对氢气网络因不同工况、不同氢 气纯度和不同氢气产量的动态变化导致不同配置的 氢源（产氢装置）和氢阱（耗氢装置）下的实时动态的 最小新氢消耗量和最小氢气剩余量进行准确的预 测，能够对氢气网络的合理配置与优化提供指导决 策支持，减少新氢的消耗量和燃气的排放量，以提高 炼油厂的技术水平和经济效益。

基于 XGBoost 模型的氢气网络动态多输出预测
XGBoost 是一种大规模并行的 Boosted Tree 的 模型[，如果只依据一棵树进行预测，无法准确得到 预测结果。因此，XGBoost 采用多棵 CART 树进行 预测，将每棵树的预测值加和作为最终的预测值。 XGBoost 模型中一共有 3 种类型的参数：通用 参数 (General Parameters)，Booster 参数 (Booster Parame ters) 和学习目标参数 (Task Parameters)。通用参数决 定了上升过程中哪种上升模型被选择，通常是线性 和树型模型；Booster 参数取决于选择的上升模型类 型；学习目标参数决定学习策略，定义学习任务和相 应的学习目标。

模型的特征重要度分析
两种目标的特征权重数据分别为 [0.166  83、 0.347  11、 0.126  49、 0.359  56、 0] 和 [0.358  26、 0.065 63、0.062 94、0.396 45、0.116 73]，不难发现，特征权 重数据与特征重要度得分的结果是一致的，在这些 特征中对于模型来说影响最大的是反应器 4 温度，对 于最小新氢消耗量来说，循环氢量没有影响，对于最 小氢气剩余量来说，反应器 2 温度和反应器 3 温度影响最小。

以 Aspen HYSYS 模拟实际 反应过程对实际数据进行补充得到的随实际生产动 态环境变化的动态数据为数据源，采用“一种夹点法 与超结构法混合的炼油厂氢气网络优化调度方法” [7] 对源数据进行处理，最后使用得到的最小新氢消耗 量和最小氢气剩余量两种目标的动态数据进行氢气 网络动态多输出预测，并对模型性能进行了评估，为 了验证模型的有效性，与 BP 神经网络模型进行了对 比，得到了很好的预测效果。最后，本文对模型的特 征重要度进行了分析，得出对于模型来说影响最大 的特征是反应器 4 的温度的结论。

基于 XGBoost 模型的炼油厂氢气网络动态多输 出预测模型可以对不同工况下的实时动态的最小新 氢消耗量以及最小氢气剩余量进行准确的预测，能 够基于预测结果对氢气网络的合理配置与优化提供 指导决策支持，以提高炼油企业的经济效益。