CN102663221A - 一种多原油多性质调合优化方法 - Google Patents

Abstract

本发明公开了一种多原油多性质调合优化方法，通过计算多种组分原油调合质量配比，使目标原油的多种性质达到最优值。本发明的具体步骤依次如下：建立原油性质调合规则库，进行优化预处理，根据原油调合设备实际工作能力设定设备约束大小，建立多原油多性质优化模型，基于有约束自适应粒子群优化进行优化计算获得多种组分原油的最优配比。本发明在调合规则库和设备约束基础上建立了多原油多性质优化模型，基于有约束自适应粒子群优化算法，对经过优化预处理后的性质进行快速、准确的优化计算，获得多种组分原油的最优配比，避免原油调和中多种原油的配比靠人工计算，计算一致性差，计算效率低而且获得配比不是最优比例的情况发生。

Description

一种多原油多性质调合优化方法

技术领域

本发明涉及一种用于原油调合优化运算的方法，尤其是用于计算多种组分原油调合质量配比，使目标原油多个性质达到最优值的多原油多性质优化运算方法。

背景技术

原油调合是指按一定配比，调合两种或多种原油获得具有期望物理化学性质的混合原油的过程。在原油品种越来越多，品质参差不齐的情况下，如何通过原油调合，将各种不同原油混合成性质变化平稳、符合相关炼油装置弹性加工范围约束的原油，逐渐成为炼化企业从计划、调度、操作执行到事后评价各层面工作的重中之重。

原油调合主体设备有调合组分罐、掺炼泵、调节阀、掺炼线、调合头等。设备投资大，耗能多，使用和维护成本高。准确计算多种组分原油质量配比、提高原油调合的一次性成功率，直接影响着整个生产成本和经济环节。

当前参与调合的多种原油的配比多靠人工计算，受知识、经验及责任心影响，计算一致性差，进一步优化空间大，计算效率低。最重要的是在优化目标性质较多、调合规则含有非线性时，很难获得配比的最优比例。

发明内容

本发明所要解决的技术问题是针对背景技术的缺陷和不足，提供一种用于多原油多性质调合优化运算方法，支持最多10种原油、最多10种性质的优化，对任一性质优化方式又分为三类：范围下限、范围上限和范围内定值。

本发明为解决上述技术问题采用以下技术方案：

一种多原油多性质调合优化方法，通过计算多种组分原油调合质量配比，使目标原油的各种性质达到最优值，具体包括以下步骤：

步骤A、构建原油性质调合规则库：

根据原油调合中的常用性质参数，建立与常用性质参数相对应的调合规则，构建原油性质调合规则库，通过调合规则库中具体调合规则确定对应原油性质的调合配比计算方法；所述调合规则根据常用性质参数的不同，包括线性调合规则以及非线性调合规则，其中：

根据组分原油性质参数及其配比直接采用线性加和方法就可求得调合后原油性质，称线性调合规则；满足线性调合规则的性质包括：质量收率、API密度、硫含量、酸值、氮含量、铁含量；具体调合规则为：

p_i＝∑p_ij*x_j

p_i：调合后原油性质i；p_ij：组分原油j的性质i；x_j：组分原油j质量占比；

根据组分原油性质参数及其配比与调合后原油性质存在非线性关系，不能直接采用线性加和方法求得调合后原油性质，称非线性调合规则；满足非线性调合规则的性质包括：SG密度、倾点、凝点、软化度；对于非线性调合规则是先将组分原油性质转换为性质因子，对性质因子进行运算，然后由性质因子获得对应调合后原油的性质；其中，

①SG密度调合规则为：1/SG＝∑[(1/SG_j)*x_j]；

其中，SG代表调合后原油SG密度，SG_j代表组分原油j的SG密度，x_j代表组分原油j的质量占比；

②倾点调合规则为：PU＝(ln(PI)-1.85)/0.042；

其中，PI＝∑(PI_j*x_j)；

PU代表调合后原油倾点，PI代表调合后原油倾点指数，PI_j代表组分原油j的倾点指数，PU_j代表组分原油j的倾点；

③凝点调合规则为：FP＝(ln(FI)-2.35)/0.03638；

其中，FI＝∑(FI_j*x_j)，

FP代表调合后原油凝点，FI代表调合后原油凝点指数，FI_j代表组分原油j的凝点指数，FP_j代表组分原油j的凝点；

④软化点调合规则为：SOFT＝e^SOFTI；

其中，SOFTI＝∑(SOFTI_j*x_j)，SOFTI_j＝ln(SOFT_j)；SOFT代表调合后原油软化点，SOFTI代表调合后原油软化点指数，SOFTI_j代表组分原油j的软化点指数，SOFT_j代表组分原油j的软化点；

步骤B、优化预处理步骤：

首先完成原油各调合性质归一化工作，然后将各调和性质中的非线性调合规则按步骤A转换为线性调合规则，获得各调合性质的性质因子；

其中，归一化过程如下：

设定优化后原油第i个性质p_i的范围上、下限分别为Ug_i、Dg_i，则归一化后性质

p′_i＝p_i/(Ug_i-Dg_i)                            (1)

依据调合规则库，若优化性质p_i满足线性调合规则，则直接将归一化后性质p′_i作为性质因子a_i；

a_i＝p′_i                                (2)

若优化性质p_i满足非线性调合规则，需按式(1)归一化基础上，对该性质数据依据步骤A所述对应的非线性调合规则进行转换获得性质因子a_i；

a_i＝g(p′_i)，                           (3)

g代表步骤A中的确定的四种非线性调合规则；

步骤C、根据原油调合设备实际工作能力，设定设备约束大小：

设x_j为目标原油中第j种原油的质量占比，其受原油调合设备约束具有的上、下限分别记为Ux_j和Dx_j，其中：

${\mathrm{Ux}}_j=\min \{{\mathrm{Ul}}_j/L_M,{\mathrm{Uf}}_j/L_M,\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{Ub}}_l/L_M,G_{\mathrm{Mj}}/M\}---\left(4\right)$

${\mathrm{Dx}}_j=\max \{{\mathrm{Dl}}_j/L_M,{\mathrm{Df}}_j/L_M,\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{Db}}_l/L_M\}---\left(5\right)$

其中，Ul_j、Dl_j分别表示与第j种组分原油相对应的掺炼线的流量上、下限；Uf_j、Df_j分别表示与第j种组分原油相对应的掺炼线上流量计的流量上、下限；Ub_l、Db_l分别表示与第j种组分原油相对应的掺炼线上k个掺炼泵中第l个泵的流量上、下限；G_Mj为与第j种组分原油相对应的掺炼线连接的原油罐存量，L_M为调合订单主流量；M为调合订单调合量；

步骤D、建立原油调合的多原油多性质优化模型：

根据步骤A构建的原油性质调合规则、步骤B得到的各原油调合性质的性质因子，以及步骤C设定的设备约束条件，建立n种组分原油参与调合，使得优化后目标原油的m种优化性质达到最优值的多原油多性质优化模型；

步骤E，根据步骤D建立的多原油多性质优化模型，对经过优化预处理后的组分原油及目标原油因子进行优化计算，获得多种组分原油的最佳质量配比。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

能根据原油调和后目标原油对多种性质的要求，在调合规则库和设备约束基础上建立了原油调合多原油多性质优化模型，基于有约束自适应粒子群优化算法，对经过优化预处理后的性质(或因子)进行快速、准确的优化计算，获得多种组分原油的最优配比，供原油调合自动控制系统或人工操作使用。避免原油调和中多种原油的配比靠人工计算，计算一致性差，计算效率低而且获得配比不是最优比例的情况发生。

附图说明

图1是本发明适用的原油调合工艺示意图。

图2是本发明的多原油多性质调和优化方法框架原理图。

图3是本发明的使用框架图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图2所示，本发明的多原油多性质调和优化方法核心内容包括调合规则库、优化预处理、设备约束、多原油多性质优化模型及有约束自适应粒子群优化。在调合规则库和设备约束基础上建立了原油调合多原油多性质优化模型，基于有约束自适应粒子群优化算法，对经过优化预处理后的性质(或因子)进行快速、准确的优化计算，获得多种组分原油的最优配比。

1.调合规则库：

调合后目标原油的不同特性与组分原油间存在着线性或非线性关系，利用组分原油物理性质参数及其配比预测调合产品物理性质参数的公式称为调合规则。调合规则在原油优化调合过程中起着重要的作用，不但确定调合配方需要以其为指导，调合生产过程优化、产品质量实时控制等先进技术的实施更需要以它为基础。

根据原油调合中的常用性质参数，建立与这些常用性质参数相对应的调合规则，构建原油性质调合规则库，通过调合规则库中具体调合规则确定对应原油性质的调合配比计算方法；所述调合规则根据常用性质参数的不同，包括线性调合规则以及非线性调合规则，其中：

根据组分原油性质参数及其配比直接采用线性加和方法就可求得调合后原油性质，称线性调合规则；满足线性调合规则的性质包括：质量收率、API密度、硫含量、酸值、氮含量、铁含量；具体调合规则为：

p_i＝∑p_ij*x_j

p_i：调合后原油性质i；p_ij：组分原油j的性质i；x_j：组分原油j质量占比。

根据组分原油性质参数及其配比与调合后原油性质存在非线性关系，不能直接采用线性加和方法求得调合后原油性质，称非线性调合规则；满足非线性调合规则的性质包括：SG密度、倾点、凝点、软化度；对于非线性调合规则是先将组分原油性质转换为性质因子，对性质因子进行运算，然后由性质因子获得对应调合后原油的性质。

其中，SG密度调合规则：1/SG＝∑[(1/SG_j)*x_j]

SG：调合后原油SG密度；SG_j：组分原油j的SG密度；x_j：组分原油i质量占比。

倾点调合规则：

组分原油倾点指数：

调合后原油倾点指数：PI＝∑(PI_j*x_j)；

调合后原油倾点：PU＝(ln(PI)-1.85)/0.042。

凝点调合规则：

组分原油凝点指数：

调合后原油凝点指数：FI＝∑(FI_j*x_j)；

调合后原油凝点：FP＝(ln(FI)-2.35)/0.03638。

软化点调合规则：

组分原油软化点指数：SOFTI_j＝ln(SOFT_j)；

调合后原油软化点指数：SOFTI＝∑(SOFTI_j*x_j)；

调合后原油软化点：SOFT＝e^SOFTI。

2.优化预处理

完成原油各调合性质归一化工作，将各性质中的非线性调合规则按步骤A转换为线性调合规则，获得各调合性质的性质因子；其中，归一化过程如下：

设定优化后原油第i个性质p_i的范围上、下限分别为Ug_i、Dg_i，则归一化后性质

p′_i＝p_i/(Ug_i-Dg_i)                        (1)

依据调合规则库，若优化性质p_i满足线性调合规则，则直接将归一化后性质p′_i作为性质因子a_i；

a_i＝p′_i                                  (2)

若优化性质p_i满足非线性调合规则，需按式(1)归一化基础上，对该性质数据依据步骤A所述对应的非线性调合规则进行转换获得性质因子a_i；

a_i＝g(p′_i)，                             (3)

g代表步骤A中的确定的四种非线性调合规则。

3.设备约束

受原油调合设备实际工作能力限制，优化配比必须被限制在调合设备的约束范围内。涉及的调合设备有：组分罐、掺炼线、掺炼泵、流量计、输出线等。

根据原油调合设备实际工作能力，设定设备约束大小：

设x_j为目标原油中第j种原油占比，其受原油调合设备约束具有的上、下限分别记为Ux_j和Dx_j，其中：

${\mathrm{Ux}}_j=\min \{{\mathrm{Ul}}_j/L_M,{\mathrm{Uf}}_j/L_M,\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{Ub}}_l/L_M,G_{\mathrm{Mj}}/M\}---\left(4\right)$

${\mathrm{Dx}}_j=\max \{{\mathrm{Dl}}_j/L_M,{\mathrm{Df}}_j/L_M,\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{Db}}_l/L_M\}---\left(5\right)$

其中，Ul_j、Dl_j分别表示与第j种组分原油相对应的掺炼线的流量上、下限；Uf_j、Df_j分别表示与第j种组分原油相对应的掺炼线上流量计的流量上、下限；Ub_l、Db_l分别表示与第j种组分原油相对应的掺炼线上k个掺炼泵中第l个泵的流量上、下限；G_Mj为与第j种组分原油相对应的掺炼线连接的原油罐存量，L_M为调合订单主流量；M为调合订单调合量。

4.多原油多性质优化模型

已有针对成品油调合的优化模型，如谢磊提出的清洁汽油调合优化模型，薛美盛提出的成品油调合调度的混合整数非线性规划模型，李岩提出的基于多目标进化算法油品调合优化模型，这些方法都仅以经济类指标(成本最小和产量最大)为目标函数，且都针对成品油。

具体文献出处如下：

谢磊，张泉灵，王树青等.清洁汽油优化调合系统[J].化工自动化及仪表，2001，28(4)：40-43。

薛美盛，李祖奎，吴刚，孙德敏.成品油调合调度优化模型及其应用[J].石油炼制与化工，2005，36(3)：64-68。

李岩.多目标进化算法在油品调和中的应用[J].决策管理，2008，23：54-55。

本发明多原油多性质优化模型如下：

采用n种组分原油调合具有m种优化性质的目标原油的优化模型为：

$\min f\left(X\right)={[\sqrt{W}*(\mathrm{AX}-\mathrm{Goal})]}^T*[\sqrt{W}*(\mathrm{AX}-\mathrm{Goal})]---\left(6\right)$

以上公式中， $W=\left[\begin{array}{cccc}{w}_1& 0& 0& 0\\ 0& w_2& 0& 0\\ 0& 0& \mathrm{\Λ}& 0\\ 0& 0& 0& w_m\end{array}\right],$ 其中w₁，w₂，Λw_m代表m种优化性质的权重； $A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \mathrm{\Λ}& a_{1n}\\ a_{21}& a_{22}& \mathrm{\Λ}& a_{2n}\\ \mathrm{\Λ}& \mathrm{\Λ}& a_{\mathrm{ij}}& \mathrm{\Λ}\\ a_{m1}& a_{m2}& \mathrm{\Λ}& a_{\mathrm{mn}}\end{array}\right],$ 其中a_ij代表参与调合的第j种原油的第i个性质因子；

X＝[x₁，x₂，Λ，x_n]^T为n种原油质量占比的一维向量；其约束条件为：

D_X≤X≤U_X                            (7)

${\mathrm{Dg}}_i\≤\underset{1\≤j\≤n}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{x}_j\≤{\mathrm{Ug}}_i,i=\mathrm{1,2},\mathrm{Lm},j=\mathrm{1,2},\mathrm{Ln}---\left(8\right)$

x₁+x₂+Λ+x_n＝1                       (9)

其中，U_X＝[Ux₁，Ux₂，Λ，Ux_n]^T，D_X＝[Dx₁，Dx₂，Λ，Dx_n]^T为步骤C中式(4)和式(5)所确定的设备约束的上、下限；

Goal＝[g₁，g₂，Λ，g_m]^T，这里g_i代表调合后原油第i个性质因子的优化目标值，该优化目标值设定的范围上限是Ug_i、范围下限是Dg_i、范围内定值是G_i，则g_i的取值取决于优化方式：

5.采用数学计算方法，根据多原油多性质优化模型进行优化计算：

对于上述步骤涉及的原油调合的多原油多性质优化模型，求其最优解常用方法有：罚函数法、可行解优于不可行解法、复合形法。其中，罚函数很难确定，且罚因子趋于无穷才能得到最优解，计算量大；可行解优于不可行解法不能充分利用不可行解进行搜索；复合形法要求给出初始的复合形，而初始复合形要求必须在可行域内，当维数较高时，很难获得初始复合形。

所以，本发明采用基于自适应有约束粒子群算法，对经过优化预处理后的组分原油及目标原油因子进行优化计算，获得多种组分原油的最佳质量配比，该方法具有不必给出初始可行解，也不受目标函数和约束方程必须可导限制的优点。

具体如下：

I、算法公式如下：

v_qj(t+1)＝e·v_qj(t)+c₁·rand()·(s_qj(t)-x_qj(t))+c₂·rand()·(s_gj(t)-x_qj(t))    (11)

x_qj(t+1)＝x_qj(t)+v_qj(t)                                                        (12)

X_q(t)＝[x_q1(t)，x_q2(t)，Λ，x_qn(t)]^T；

V_q(t)＝[v_q1(t)，v_q2(t)，Λ，v_qn(t)]^T；

其中，q＝1，2，…，P，表示P个粒子中第q个粒子；t＝1，2，…，N，表示N次优化中的第t次优化；j＝1，2，…，n，表示每个粒子有n个维度，代表n种原油中的第j种原油；

X_q(t)表示粒子群中第q个粒子经t次优化的位置，X＝[x₁，x₂，L，x_n]^T为n种原油质量占比的一维向量；其中的x_qj(t)代表第j种组分原油经t次优化的质量占比；

V_q(t)表示第q个粒子经t次优化的速度，代表一维向量X的变化，其中的v_qj(t)代表第j种组分原油经t次优化的占比变化；

c₁、c₂为学习因子这里均取经验值2.0；rand()为区间在[0，1]上均匀分布的随机函数；

S_q(t)＝[s_q1(t)，s_q2(t)，Λ，s_qn(t)]^T表示第q个粒子经t次优化先前记忆的最好位置，其中的s_qj(t)代表第q个粒子经t次优化先前记忆的最好第j种组分原油占比；

S_g(t)＝[s_g1(t)，s_g2(t)，Λ，s_gn(t)]^T表示所有粒子经t次优化先前记忆的最好位置，其中的s_gj(t)代表所有粒子经t次优化先前记忆的最好第j种组分原油占比；

适应函数取式(6)中的f(X)，式(11)中惯性系数e按下式计算：

$w=\left\{\begin{array}{c}{e}_{\min }+\frac{f\left(X_q\left(t\right)\right)-f_{\min }\left(t\right)}{f_{\mathrm{avg}}\left(t\right)-f_{\min }\left(t\right)}*(e_{\max }-e_{\min }),f\left(X_q\left(t\right)\right)\≤f_{\mathrm{avg}}\left(t\right)\\ e_{\max },f\left(X_q\left(t\right)\right)>f_{\mathrm{avg}}\left(t\right)\end{array}\right.---\left(13\right)$

其中，e_max、e_min分别表示e的最大值和最小值，f(X_q(t))为是第q个粒子的适应值；f_avg(t)、f_min(t)分别表示当前所有粒子经t次优化后当前位置的平均适应值和最小适应值；

定义约束违反度函数：

$\mathrm{voi}\left(X_q\left(t\right)\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\max (0,\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j-U_{\mathrm{gi}})+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\max (0,D_{\mathrm{gi}}-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\max (0,x_j-{\mathrm{Ux}}_j)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\max (0,{\mathrm{Dx}}_j-x_j)+\max (0,|\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_j-1\left|\right)---\left(14\right)$

其中，voi(X_q(t))表示第q个粒子经t次优化位置代表的原油质量配比一维向量违反约束的程度；

II、具体运算步骤如下：

(a)初始化粒子群各粒子的速度V_q(0)、位置X_q(0)、个体极值S_q(0)，全局极值S_g(0)及参数c₁、c₂、N；

(b)对粒子群体中P个粒子任一粒子r，1≤r≤P，执行以下操作：

①根据式(11)和式(12)作更新运算，获得该粒子的的速度V_r(t+1)和位置X_r(t+1)；

②按式(6)计算粒子r经t+1次优化后的适应值f(X_r(t+1))；

③按式(14)计算粒子r经t+1次优化后的约束违反度voi(X_r(t+1))；

④比较粒子r经t+1次优化后的位置X_r(t+1)与粒子r经t次优化先前记忆的最好位置S_r(t)的优劣，获得该粒子的最优位置，方法如下：

当voi(X_r(t+1))＝0、voi(S_r(t))＝0，且f(X_r(t+1))≤f(S_r(t))时，或者：

当voi(X_r(t+1))＝0、voi(S_r(t))≠0，且voi(X_r(t+1))≤voi(S_r)时，或者：

当voi(X_r(t+1))≠0，voi(S_r(t))≠0，且voi(X_r(t+1))≤voi(S_r)时，

将S_r(t+1)＝X_r(t+1)；否则，置S_r(t+1)＝S_r(t)；

⑤按步骤④判断方法，比较粒子r的最优位置S_r(t+1)与原全局极值S_g(t)，若S_r(t+1)优于S_g(t)，则S_g(t)＝S_r(t+1)；否则S_g(t)不变；

(c)将粒子群体中P个粒子均按步骤⑤与原全局极值S_g(t)比较处理后，得到S_g(t+1)＝S_g(t)；

(d)计算经t+1次优化后粒子群体中P个粒子当前位置的平均适应值和最小适应值f_avg(t+1)、f_min(t+1)；

(e)比较f(X_r(t+1))和f_avg(t+1)，根据式(13)采取相应的自适应策略，调整不同粒子的惯性系数e；

(f)若t＝N，停止搜索，输出S_g(N)的位置即为所求n种原油最佳质量配比一维向量，算法结束；若t＜N，转向(b)继续搜索。

举例说明：

设本例有n种原油参调，优化m个性质，设定调合后原油第i(i＝1，2，Λm)个性质值为g_i，其优化方式有该性质的范围下限Dg_i、范围上限Ug_i或范围内定值G_i。

如图1所示原油调合工艺示意图，本调合工艺包括组分罐1，掺炼线2、掺炼泵3、流量计4、调节阀5，混合器6，输出线7。

根据工艺中n种原油涉及的组分罐、掺炼线、掺炼泵、流量计、输出线调合设备上下限信息，依据式(4)、式(5)计算出式(6)中设备约束上下限Ux_i和Dx_i。

选定目标原油m个性质优化方式及对应性质的范围下限Dg_i、范围上限Ug_i或范围内定值G_i，根据式(10)确定式(6)中的m个性质的优化目标值Goal。

基于调合规则库对采集到的性质数据按式(1)、式(2)、式(3)进行优化预处理，得到式(6)中的性质因子矩阵A。

根据式(6)、式(7)式(8)、式(9)，在设备约束基础上建立这n种原油调合m种性质优化模型。

根据式(11)、式(12)式(13)，按照多原油多性质粒子群优化算法步骤，获得n种组分原油的最优质量配比X＝[x₁，x₂，Λ，x_n]^T。

如图3所示，对于如图1所示原油调合工艺，n种组分原油的性质数据可通过测量仪表或快评获得，通过基于本发明多原油多性质调和优化方法的处理装置运算处理获得的n种组分原油最优质量配比，供原油调合自动控制系统或人工操作使用。

Claims (3)

1.一种多原油多性质调合优化方法，通过计算多种组分原油调合质量配比，使目标原油的各种性质达到最优值，其特征在于，具体包括以下步骤：

步骤A、构建原油性质调合规则库：

根据原油调合中的常用性质参数，建立与常用性质参数相对应的调合规则，构建原油性质调合规则库，通过调合规则库中具体调合规则确定对应原油性质的调合配比计算方法；所述调合规则根据常用性质参数的不同，包括线性调合规则以及非线性调合规则，其中：

根据组分原油性质参数及其配比直接采用线性加和方法就可求得调合后原油性质，称线性调合规则；满足线性调合规则的性质包括：质量收率、API密度、硫含量、酸值、氮含量、铁含量；具体调合规则为：

p_i＝∑p_ij*x_j

p_i：调合后原油性质i；p_ij：组分原油j的性质i；x_j：组分原油j质量占比；

根据组分原油性质参数及其配比与调合后原油性质存在非线性关系，不能直接采用线性加和方法求得调合后原油性质，称非线性调合规则；满足非线性调合规则的性质包括：SG密度、倾点、凝点、软化度；对于非线性调合规则是先将组分原油性质转换为性质因子，对性质因子进行运算，然后由性质因子获得对应调合后原油的性质；其中，

①SG密度调合规则为：1/SG＝∑[(1/SG_j)*x_j]；

其中，SG代表调合后原油SG密度，SG_j代表组分原油j的SG密度，x_j代表组分原油j的质量占比；

②倾点调合规则为：PU＝(ln(PI)-1.85)/0.042；

其中，PI＝∑(PI_j*x_j)；

PU代表调合后原油倾点，PI代表调合后原油倾点指数，PI_j代表组分原油j的倾点指数，PU_j代表组分原油j的倾点；

③凝点调合规则为：FP＝(ln(FI)-2.35)/0.03638；

其中，FI＝∑(FI_j*x_j)，FP代表调合后原油凝点，FI代表调合后原油凝点指数，FI_j代表组分原油j的凝点指数，FP_j代表组分原油j的凝点；

④软化点调合规则为：SOFT＝e^SOFTI；

其中，SOFTI＝∑(SOFTI_j*x_j)，SOFTI_j＝ln(SOFT_j)；SOFT代表调合后原油软化点，SOFTI代表调合后原油软化点指数，SOFTI_j代表组分原油j的软化点指数，SOFT_j代表组分原油j的软化点；

步骤B、优化预处理步骤：

首先完成原油各调合性质归一化工作，然后将各调和性质中的非线性调合规则按步骤A转换为线性调合规则，获得各调合性质的性质因子；

其中，归一化过程如下：

设定优化后原油第i个性质p_i的范围上、下限分别为Ug_i、Dg_i，则归一化后性质

p′_i＝p_i/(Ug_i-Dg_i)                                (1)

依据调合规则库，若优化性质p_i满足线性调合规则，则直接将归一化后性质p′_i作为性质因子a_i；

a_i＝p′_i                                        (2)

若优化性质p_i满足非线性调合规则，需按式(1)归一化基础上，对该性质数据依据步骤A所述对应的非线性调合规则进行转换获得性质因子a_i；

a_i＝g(p′_i)，                                   (3)

g代表步骤A中的确定的四种非线性调合规则；

步骤C、根据原油调合设备实际工作能力，设定设备约束大小：

设x_j为目标原油中第j种原油的质量占比，其受原油调合设备约束具有的上、下限分别记为Ux_j和Dx_j，其中：

${\mathrm{Ux}}_j=\min \{{\mathrm{Ul}}_j/L_M,{\mathrm{Uf}}_j/L_M,\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{Ub}}_l/L_M,G_{\mathrm{Mj}}/M\}---\left(4\right)$

${\mathrm{Dx}}_j=\max \{{\mathrm{Dl}}_j/L_M,{\mathrm{Df}}_j/L_M,\underset{l=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{Db}}_l/L_M\}---\left(5\right)$

其中，Ul_j、Dl_j分别表示与第j种组分原油相对应的掺炼线的流量上、下限；Uf_j、Df_j分别表示与第j种组分原油相对应的掺炼线上流量计的流量上、下限；Ub_l、Db_l分别表示与第j种组分原油相对应的掺炼线上k个掺炼泵中第l个泵的流量上、下限；G_Mj为与第j种组分原油相对应的掺炼线连接的原油罐存量，L_M为调合订单主流量；M为调合订单调合量；

步骤D、建立原油调合的多原油多性质优化模型：

根据步骤A构建的原油性质调合规则、步骤B得到的各原油调合性质的性质因子，以及步骤C设定的设备约束条件，建立n种组分原油参与调合，使得优化后目标原油的m种优化性质达到最优值的多原油多性质优化模型；

步骤E，根据步骤D建立的多原油多性质优化模型，对经过优化预处理后的组分原油及目标原油因子进行优化计算，获得多种组分原油的最佳质量配比。

2.根据权利要求1所述的一种多原油多性质调合优化方法，其特征在于：步骤D所述多原油多性质优化模型如下：

采用n种组分原油调合具有m种优化性质的目标原油的优化模型为：

$\min f\left(X\right)={[\sqrt{W}*(\mathrm{AX}-\mathrm{Goal})]}^T*[\sqrt{W}*(\mathrm{AX}-\mathrm{Goal})]---\left(6\right)$

以上公式中， $W=\left[\begin{array}{cccc}{w}_1& 0& 0& 0\\ 0& w_2& 0& 0\\ 0& 0& \mathrm{\Λ}& 0\\ 0& 0& 0& w_m\end{array}\right],$ 其中w₁，w₂，Λw_m代表m种优化性质的权重； $A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \mathrm{\Λ}& a_{1n}\\ a_{21}& a_{22}& \mathrm{\Λ}& a_{2n}\\ \mathrm{\Λ}& \mathrm{\Λ}& a_{\mathrm{ij}}& \mathrm{\Λ}\\ a_{m1}& a_{m2}& \mathrm{\Λ}& a_{\mathrm{mn}}\end{array}\right],$ 其中a_ij代表参与调合的第j种原油的第i个性质因子；

X＝[x₁，x₂，Λ，x_n]^T为n种原油质量占比的一维向量；其约束条件为：

D_X≤X≤U_X                                    (7)

${\mathrm{Dg}}_i\≤\underset{1\≤j\≤n}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{x}_j\≤{\mathrm{Ug}}_i,i=\mathrm{1,2},\mathrm{Lm},j=\mathrm{1,2},\mathrm{Ln}---\left(8\right)$

x₁+x₂+Λ+x_n＝1                               (9)

其中，U_X＝[Ux₁，Ux₂，Λ，Ux_n]^T，D_X＝[Dx₁，Dx₂，Λ，Dx_n]^T为步骤C中式(4)和式(5)所确定的设备约束的上、下限；

Goal＝[g₁，g₂，Λ，g_m]^T，这里g_i代表调合后原油第i个性质因子的优化目标值，该优化目标值设定的范围上限是Ug_i、范围下限是Dg_i、范围内定值是G_i，则g_i的取值取决于优化方式：

3.根据权利要求2所述的一种多原油多性质调合优化方法，其特征在于：步骤E所述优化计算采用多原油多性质有约束自适应粒子群优化算法，具体如下：

I、算法公式如下：

v_qj(t+1)＝e·v_qj(t)+c₁·rand()·(s_qj(t)-x_qj(t))+c₂·rand()·(s_gj(t)-x_qj(t))  (11)

x_qj(t+1)＝x_qj(t)+v_qj(t)                                                      (12)

X_q(t)＝[x_q1(t)，x_q2(t)，Λ，x_qn(t)]^T；

V_q(t)＝[v_q1(t)，v_q2(t)，Λ，v_qn(t)]^T；

其中，q＝1，2，…，P，表示P个粒子中第q个粒子；t＝1，2，…，N，表示N次优化中的第t次优化；j＝1，2，…，n，表示每个粒子有n个维度，代表n种原油中的第j种原油；

X_q(t)表示粒子群中第q个粒子经t次优化的位置，X＝[x₁，x₂，L，x_n]^T为n种原油质量占比的一维向量；其中的x_qj(t)代表第j种组分原油经t次优化的质量占比；

V_q(t)表示第q个粒子经t次优化的速度，代表一维向量X的变化，其中的v_qj(t)代表第j种组分原油经t次优化的占比变化；

c₁、c₂为学习因子这里均取经验值2.0；rand()为区间在[0，1]上均匀分布的随机函数；

S_q(t)＝[s_q1(t)，s_q2(t)，Λ，s_qn(t)]^T表示第q个粒子经t次优化先前记忆的最好位置，其中的s_qj(t)代表第q个粒子经t次优化先前记忆的最好第j种组分原油占比；

S_g(t)＝[s_g1(t)，s_g2(t)，Λ，s_gn(t)]^T表示所有粒子经t次优化先前记忆的最好位置，其中的s_gj(t)代表所有粒子经t次优化先前记忆的最好第j种组分原油占比；

适应函数取式(6)中的f(X)，式(11)中惯性系数e按下式计算：

$w=\left\{\begin{array}{c}{e}_{\min }+\frac{f\left(X_q\left(t\right)\right)-f_{\min }\left(t\right)}{f_{\mathrm{avg}}\left(t\right)-f_{\min }\left(t\right)}*(e_{\max }-e_{\min }),f\left(X_q\left(t\right)\right)\≤f_{\mathrm{avg}}\left(t\right)\\ e_{\max },f\left(X_q\left(t\right)\right)>f_{\mathrm{avg}}\left(t\right)\end{array}\right.---\left(13\right)$

其中，e_max、e_min分别表示e的最大值和最小值，f(X_q(t))为是第q个粒子的适应值；f_avg(t)、f_min(t)分别表示当前所有粒子经t次优化后当前位置的平均适应值和最小适应值；

定义约束违反度函数：

$\mathrm{voi}\left(X_q\left(t\right)\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\max (0,\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j-U_{\mathrm{gi}})+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\max (0,D_{\mathrm{gi}}-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\max (0,x_j-{\mathrm{Ux}}_j)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\max (0,{\mathrm{Dx}}_j-x_j)+\max (0,|\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_j-1\left|\right)---\left(14\right)$

其中，voi(X_q(t))表示第q个粒子经t次优化位置代表的原油质量配比一维向量违反约束的程度；

II、具体运算步骤如下：

(a)初始化粒子群各粒子的速度V_q(0)、位置X_q(0)、个体极值S_q(0)，全局极值S_g(0)及参数c₁、c₂、N；

(b)对粒子群体中P个粒子任一粒子r，1≤r≤P，执行以下操作：

①根据式(11)和式(12)作更新运算，获得该粒子的的速度V_r(t+1)和位置X_r(t+1)；

②按式(6)计算粒子r经t+1次优化后的适应值f(X_r(t+1))；

③按式(14)计算粒子r经t+1次优化后的约束违反度voi(X_r(t+1))；

④比较粒子r经t+1次优化后的位置X_r(t+1)与粒子r经t次优化先前记忆的最好位置S_r(t)的优劣，获得该粒子的最优位置，方法如下：

当voi(X_r(t+1))＝0、voi(S_r(t))＝0，且f(X_r(t+1))≤f(S_r(t))时，或者：

当voi(X_r(t+1))＝0、voi(S_r(t))≠0，且voi(X_r(t+1))≤voi(S_r)时，或者：

当voi(X_r(t+1))≠0，voi(S_r(t))≠0，且voi(X_r(t+1))≤voi(S_r)时，

将S_r(t+1)＝X_r(t+1)；否则，置S_r(t+1)＝S_r(t)；

⑤按步骤④判断方法，比较粒子r的最优位置S_r(t+1)与原全局极值S_g(t)，若S_r(t+1)优于S_g(t)，则S_g(t)＝S_r(t+1)；否则S_g(t)不变；

(c)将粒子群体中P个粒子均按步骤⑤与原全局极值S_g(t)比较处理后，得到S_g(t+1)＝S_g(t)；

(d)计算经t+1次优化后粒子群体中P个粒子当前位置的平均适应值和最小适应值f_avg(t+1)、f_min(t+1)；

(e)比较f(X_r(t+1))和f_avg(t+1)，根据式(13)采取相应的自适应策略，调整不同粒子的惯性系数e；

(f)若t＝N，停止搜索，输出S_g(N)的位置即为所求n种原油最佳质量配比一维向量，算法结束；若t＜N，转向(b)继续搜索。

Images