基于DEA的复杂化工过程能效分析与预测方法研究

The complex chemical process is one of the productive processes that consume high energies. The large-scale production, the long process and the complex structure have an impact on the energy consumption, conversion and high coupling factor. Problems of how to improve the energy efficiency, reduce the energy consumption, and improve the production efficiency are urgent to be solved. Firstly, based on the extensive statistical data, the panel data and the chemical plant operating data, combining with the domain knowledge and mechanism models of the complex chemical process, we present an integrated data processing and feature extraction method to obtain expressed overall system energy flow characteristics and energy efficiency data information and knowledge for the energy efficiency of complex chemical processes. Secondly, from the view of the multi-level structure of the process system, this paper proposes an energy analysis method based on data envelopment analysis (DEA) integrated multi-conditions divided, which is used to divide the operation conditions of complex chemical process plants and analyze the energy efficiency and the full production factors. Finally, based on optimizing the non-effective amount of the input and output conditions by using the slack variables of DEA, this paper proposes an extreme learning machine (ELM) modeling method integrated the DEA to build an adaptive predictive model for complex chemical processes with multi-conditions, and then realize the optimal operation of the production systems. The ethylene production plant is selected to verify the effectiveness and universality of the proposed method. The simulation results showed that the proposed method could provide a theoretical basis and methodological guidance for the operation optimization and energy saving of complex chemical processes.

复杂化工过程是我国的高能耗生产过程，其生产规模大、流程长、结构复杂，影响其能源消耗、转化和利用的因素多，如何提高能源效率、降低能耗、提高生产效率是迫切需要解决的问题。本课题基于大量统计数据、面板数据及化工装置运行数据，结合复杂化工过程机理模型和领域知识，提出一种复杂化工过程能效数据综合处理与特征提取方法，获取表述系统整体能流特征和信息的能效数据与知识；从过程系统的多层次结构出发，提出一种基于工况划分数据包络分析（DEA）的能效分析方法，实现复杂化工过程装置运行的工况划分、能效和全要素生产分析；基于DEA中松弛变量优化非有效工况投入产出量，提出一种基于DEA的极限学习机神经网络（ELM）预测建模方法，建立复杂化工过程多工况能效预测自适应模型，实现生产系统最优运行。最后以乙烯生产装置为实例，验证所提理论和方法的有效性与普适性，为复杂化工过程节能降耗与优化运行提供理论依据和方法指导。

本项目选取复杂化工行业中乙烯生产和PTA生产全流程系统为研究对象，结合乙烯生产装置和PTA生产装置运行特点和相关能效数据特征，在复杂化工过程能效数据分析与特征提取方面，基于主元分析方法（PCA）、数据融合、数值滤波等数据处理方法，结合结构分解法（SDA），指标分解法（IDA），解释结构模型（ISM）等能效指标分解方法，提出一种多源能效数据综合分析与特征提取方法；在复杂石化过程能效分析与评价方面，基于复杂化工过程能效数据与知识，结合复杂化工过程机理模型，研究了数据包络分析方法、数据包络交叉模型以及马奎斯特全要素多指标协同评价等能效分析与评价关键技术，建立了复杂乙烯生产过程综合能效分析与评价模型，通过DEA模型得到复杂化工过程运行中高效和低效的生产配置，并以高效生产配置为标杆，在复杂化工过程运行中基于松弛变量找到低效配置下投入冗余量和产出不足量，同时得到技术改变、技术效率、规模等生产全要素指标，基于基准时间优化高效和低效生产配置，从而得到复杂化工过程运行中最优生产标杆，找到复杂化工节能降耗生产的改进方向；在复杂化工过程能效预测方面，通过DEA中松弛变量和马奎斯特全要素生产指标改进低效配置为高效配置，结合原有的高效生产配置，得到复杂化工过程中大量高效生产数据，通过ELM等神经网络方法建立了以复杂化工过程不同工况高效配置下投入量预测产出量的自适应模型。研究成果在解决复杂化工过程能效数据关系分析、能效分析与评价、预测建模等方面具有创新性，为分析复杂化工过程节能降耗与运行优化的整体解决方案，在流程工业数据分析方面具有广阔的应用前景。相关研究成果和技术在中石化南阳能源化工有限公司的常减压等装置上进行了应用，取得了较好的应用效果。经过课题的系统研究，发表术论文31篇，其中SCI/EI收录30篇，授权发明专利1项，申请发明专利6项。联合培养毕业博士生1名和硕士生4名。