CN103324084A - 一种面向沥青质控制的原油在线调合方法 - Google Patents

Abstract

本发明公开了一种面向沥青质控制的原油在线调合优化方法，该方法应用于原油加工企业，在满足包括沥青针入度指数非线性的约束条件下，选取优化目标进行优化调合，计算获取最优调合配方，在保证沥青感温性指标符合质量要求的同时，避免原油性质含量变化给常减压及后续加工装置带来的损害，并提高生产效率和经济效益。

Description

一种面向沥青质控制的原油在线调合方法

技术领域

本发明涉及原油加工领域，尤其是沥青生产的原油调合的优化方法，具体是一种面向沥青质控制的原油在线调合方法。

背景技术

在石油、石化行业中，原油在线调合优化技术已开始应用，该技术目前主要以控制原油的硫含量、酸含量以及石脑油收率为主，防止CDU即常减压装置的设备腐蚀，同时保证原油二次加工的要求。

然而，在生产沥青时，除需要考虑原油硫含量、酸含量以及石脑油收率外，对沥青感温性指标（沥青针入度指数）也有严格的要求。由于沥青针入度指数呈非线性，采用线性的原调合优化技术难以计算各掺炼原油占比，极易造成生产波动大且效益不佳等问题。

发明内容

本发明目的是针对炼化企业沥青生产中存在的生产波动大、效益不佳等问题，提出了一种面向沥青质控制的原油在线调合优化方法。在满足设备工艺约束条件下，以成本最小为目标进行优化调合，采用遗传算法获取最优调合配方，在保证沥青感温性指标符合质量要求的同时，避免原油性质含量变化给CDU及后续加工装置带来的损害，并提高生产效率和经济效益。

本发明的技术方案是：

一种面向沥青质控制的原油在线调合优化方法，该方法包括以下步骤：

步骤a：调和参数初始化，设定原油各掺炼线即各组分油占比的下限和上限；

步骤b：选择优化目标；

步骤c：建立目标函数和约束条件，约束条件包括了沥青生产中特有的沥青针入度指数的非线性约束条件；

步骤d：求最优解；

步骤e：控制系统执行最优解。

本发明的步骤b中所述的优化目标为成本最小，即调和后的原油中各组分油占比分别与其采购价格的乘积和最低。

本发明的步骤c中所述目标函数和约束条件为下式：

$\mathrm{\Φ}\left(X\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i{x}_i$

$s.t.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=1$

$P_{1\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{1i}{x}_i\≤P_{1\max }$

$P_{2\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{2i}{x}_i\≤P_{2\max }$

$P_{3\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{3i}{x}_i\≤P_{3\max }$

${\mathrm{PI}}_{\min }\≤\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i{\mathrm{PI}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i}\≤{\mathrm{PI}}_{\max }$

wX≤V

X_min≤X≤X_max

式中，Φ(X)为目标函数；n表示原油掺炼线即组分油的个数；x_i为第i种组分油的占比，x_i≥0，c_i为第i种组分油的采购价格，c_i≥0；a_1i为第i种组分油的硫含量，a_1i≥0，P_1min为调合后原油的硫含量下限，P_1min≥0，P_1max为调合后原油的硫含量上限，P_1max≥0；a_2i为第i种组分油的酸含量，a_2i≥0，P_2min为调合后原油的酸含量下限，P_2min≥0，P_2max为调合后原油的酸含量上限，P_2max≥0；a_3i为第i种组分油的石脑油收率，a_3i≥0，P_3min为调合后原油的石脑油收率下限，P_3min≥0，P_3max为调合后原油的石脑油收率上限，P_3max≥0；WT_i为第i种组分油的减压渣油收率，WT_i≥0；PI_i为第i种组分油的沥青针入度指数，PI_min为调合后原油的沥青针入度指数下限，PI_max为调合后原油的沥青针入度指数上限；w为本批次调合总量，w≥0；V为与各组分油连接的调合罐可供调合总量，V＝[v₁,v₂…v_n]^T，V≥0；X为组分油的占比，X＝[x₁,x₂…x_n]^T，X≥0；X_min和X_max分别为步骤a中设定的掺炼原油占比下限和上限，X_min＝[x_1min,x_2min…x_nmin]^T，X_min≥0，X_max＝[x_1max,x_2max…x_nmax]^T，X_max≥0。

本发明的步骤d中所述的求最优解的方法是采用遗传算法对目标函数进行求解，具体包括以下步骤：

步骤1：对组分油的占比x₁,x₂…x_n采用二进制编码，编码长度分别为10，x₁＝[y₁ y₂ … y₁₀],x₂＝[y₁₁ y₁₂ … y₂₀]…x_n＝[y_10n-9 y_10n-8 … y_10n],随机产生群体大小为50、编码长度为10n的初始种群A：

$A=\left[\begin{array}{cccccccccc}{y}_1^1& \·\·\·& y_{10}^1& y_{11}^1& \·\·\·& y_{20}^1& \·\·\·& y_{10n-9}^1& \·\·\·& y_{10n}^1\\ y_1^2& \·\·\·& y_{10}^2& y_{11}^2& \·\·\·& y_{20}^2& \·\·\·& y_{10n-9}^2& \·\·\·& y_{10n}^2\\ \·& & \·& \·& & \·& & \·& & \·\\ \·& & \·& \·& & \·& & \·& & \·\\ \·& & \·& \·& & \·& & \·& & \·\\ y_1^{50}& \·\·\·& y_{10}^{50}& y_{11}^{50}& \·\·\·& y_{20}^{50}& \·\·\·& y_{10n-9}^{50}& \·\·\·& y_{10n}^{50}\end{array}\right]$

设置最大进化数T。

步骤2：设计适应度函数F(X)，将约束条件用罚函数法化归到适应度函数F(X)中；

首先，将原油性质约束条件转化为下式的形式：

g_j(x_i)≥0

式中，x_i表示第i种组分油的占比，x_i≥0；g_j为第j个性质约束条件，j＝1,2,…m；

然后，采用下式设计适应度函数F(X)：

$F\left(X\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i{x}_i+M{(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i-1)}^2+M\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left[\min (0,g_j\left(x_i\right))\right]}^2}$

式中，x_i表示第i种组分油的占比，x_i≥0；c_i为第i种组分油采购价格，c_i≥0；M为罚函数参数；g_j(x_i)为i种组分油调后的第j个性质约束条件，j＝1,2,…m，i＝1,2,3,…n；

步骤3：计算种群中个体适应度；

步骤4：判断种群数量是否达到最大种群数T，若达到，则选择适应度最高的个体作为最优解输出并结束计算；否则进行步骤5；

步骤5：对种群进行选择、交叉和变异后获得新种群，返回步骤3。

本发明的有益效果：

本发明实现了一种面向沥青质控制的原油在线调合优化方法，为CDU提供满足性质加工要求的原油占比，保证沥青产品质量合格，同时可避免原油性质变化给CDU及后续加工装置带来的损害，保证了生产的安全性，并提高了生产效率和经济效益。

附图说明：

图1原油调合方法流程图

图2遗传算法流程图

具体实施方式：

下面结合附图和实施例对本发明作进一步的说明。

下面以本发明在某炼化企业实际实施情况并结合一具体算例，给出详细的计算过程和具体的操作流程。该企业有3个原油组分罐，3条掺炼线，每条掺炼线使用一个调合组分罐。调合按批次进行，每批次调合一定的总量，本批次调合完成后再进行下一批次调合。本实施例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施例。

假设本批次调合总量w=10000t，1#组分油储罐可调量v₁=4000t；2#组分油储罐可调量v₂=8000t；3#组分油储罐可调量v₃=5000t，

则V＝[4000 8000 5000]^T。

步骤a：设定各组分油比例下限和上限。1#组分油占比x_1min=0%，x_1max=30%；2#组分油占比x_2min=12.5%，x_2max=70%；3#组分油占比x_3min=0%，x_3max=35%。从而，X_min＝[0% 12.5% 0%]^T，X_max＝[30% 70% 35%]^T。

步骤b：选取价格最低为优化目标。

步骤c：建立目标函数和约束条件。

$\mathrm{\Φ}\left(X\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i{x}_i$

$s.t.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=1$

$P_{1\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{1i}{x}_i\≤P_{1\max }$

$P_{2\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{2i}{x}_i\≤P_{2\max }$

$P_{3\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{3i}{x}_i\≤P_{3\max }$

${\mathrm{PI}}_{\min }\≤\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i{\mathrm{PI}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i}\≤{\mathrm{PI}}_{\max }$

wX≤V

X_min≤X≤X_max

其中：

组分油性质及价格数据如表1。

表1

调合后原油要求硫含量下限P_1min=0%，上限P_1max=2.5%；酸含量下限P_2min=0mgKOH/g,上限P_2max=0.2mgKOH/g；石脑油收率下限P_3min=16%,上限P_3max=18%；沥青针入度指数下限PI_min=4.43，上限PI_max=4.53。沥青针入度指数PI是用以描述沥青的温度敏感性的指标，沥青针入度指数PI越大，沥青的温度敏感性越小。

将上述数据代入目标函数和约束条件。

步骤d：求最优解。

如图2所示，遗传算法求解目标函数主要包括以下步骤：

步骤1：产生初始种群。

各组分油的占比分别为x₁、x₂、x₃。对x₁、x₂、x₃这三个变量采用二进制编码，编码长度分别为10，x₁＝[y₁ y₂ … y₁₀],x₂＝[y₁₁ y₁₂ … y₂₀],x₃＝[y₂₁ y₂₂ … y₃₀],随机产生群体大小为50，编码长度为30的初始种群A：

$A=\left[\begin{array}{ccccccccc}{y}_1^1& \·\·\·& y_{10}^1& y_{11}^1& \·\·\·& y_{20}^1& y_{21}^1& \·\·\·& y_{30}^1\\ y_1^2& \·\·\·& y_{10}^2& y_{11}^2& \·\·\·& y_{20}^2& y_{21}^2& \·\·\·& y_{30}^2\\ \·& & \·& \·& & \·& \·& & \·\\ \·& & \·& \·& & \·& \·& & \·\\ \·& & \·& \·& & \·& \·& & \·\\ y_1^{50}& \·\·\·& y_{10}^{50}& y_{11}^{50}& \·\·\·& y_{20}^{50}& y_{21}^{50}& \·\·\·& y_{30}^{50}\end{array}\right]$

最大进化数T为500。

步骤2：计算种群A中各个个体的适应度。

将原油性质约束条件化为如下形式：

$g_1\left(x_i\right)=-\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{a}_{1i}{x}_i+P_{1\max }\≥0$

$g_2\left(x_i\right)=-\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{a}_{2i}{x}_i+P_{2\max }\≥0$

$g_3\left(x_i\right)=-\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{a}_{3i}{x}_i+P_{3\max }\≥0$

$g_4\left(x_i\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{a}_{3i}{x}_i-P_{3\max }\≥0$

$g_5\left(x_i\right)=-\frac{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i{\mathrm{PI}}_i}{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i}+{\mathrm{PI}}_{\max }\≥0$

$g_5\left(x_i\right)=\frac{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i{\mathrm{PI}}_i}{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i}-{\mathrm{PI}}_{\min }\≥0$

设计适应度函数F(X)为下式：

$F\left(X\right)=\frac{1}{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{c}_i{x}_i+M{(\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{x}_i-1)}^2+M\underset{j=1}{\overset{6}{\mathrm{\Σ}}}{\left[\min (0,g_j\left(x_i\right))\right]}^2}$

其中罚函数参数M＝10000。

步骤3：选择运算。

使用轮盘赌选择法进行遗传优化选择。若某个个体s_i，其适应度为F(s_i)，种群大小为M，则其被选取的概率为：

个体s_i的积累概率q_i的计算公式为：

根据轮盘赌选择法，为每个个体选取一个[0,1]的随机数r_i，若r_i≤q₁，则个体s₁被选中，若q_k-1＜r_i≤q_k(2≤k≤M)，则个体s_k被选中。当选择结束后，用新的一代个体代替旧个体。

步骤4：交叉运算。

对新种群进行交叉遗传。任意挑选经过选择操作后种群中两个个体作为交叉对象，设交叉率为0.8，产生一个[0,1]的随机数r_i，若r_i≤0.8，随机产生一个交叉点位置，对这两个个体在交叉点后的部分进行互换，产生两个新的个体。当交叉结束后，用新的一代个体代替旧个体。

步骤5:变异运算。

对新种群进行变异遗传。设变异率为0.05，对种群中的每一个个体，产生一个[0,1]的随机数r_i，若r_i≤0.05，随机产生一个变异点位置，对该位取反，即“0”变“1”，或者“1”变“0”，产生新的一代个体代替旧个体，产生下一代种群。

重复步骤2到步骤5的操作，直到产生的种群达到终止进化代数500，选取进化过程中具有最大适应度的个体作为最优解输出。

最后求得最优调合占比为：x₁=29.17%；x₂=37.06%；x₃=33.77%，

即X＝[29.17% 37.06% 33.77%]^T。

步骤e：将计算得出的最优解下发至控制系统，控制系统调节各原油掺炼线即以最低的价格制的满足性能指标要求的调合原油。

Claims (4)

1.一种面向沥青质控制的原油在线调合优化方法，其特征在于该方法包括以下步骤：

步骤a：调和参数初始化，设定原油各掺炼线即各组分油占比的下限和上限；

步骤b：选择优化目标；

步骤c：建立目标函数和约束条件，约束条件包括了沥青生产中特有的沥青针入度指数的非线性约束条件；

步骤d：求最优解；

步骤e：控制系统执行最优解。

2.根据权利要求1所述的一种面向沥青质控制的原油在线调合优化方法，其特征在于步骤b中所述优化目标为成本最小。

3.根据权利要求1或2所述的一种面向沥青质控制的原油在线调合优化方法，其特征在于步骤c中所述目标函数和约束条件为下式：

$\mathrm{\Φ}\left(X\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i{x}_i$

$s.t.\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i=1$

$P_{1\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{1i}{x}_i\≤P_{1\max }$

$P_{2\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{2i}{x}_i\≤P_{2\max }$

$P_{3\min }\≤\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{3i}{x}_i\≤P_{3\max }$

${\mathrm{PI}}_{\min }\≤\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i{\mathrm{PI}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i{\mathrm{WT}}_i}\≤{\mathrm{PI}}_{\max }$

wX≤V

X_min≤X≤X_max

式中，Φ(X)为目标函数；n表示原油掺炼线即组分油的个数；x_i为第i种组分油的占比，x_i≥0，c_i为第i种组分油的采购价格，c_i≥0；a_1i为第i种组分油的硫含量，a_1i≥0，P_1min为调合后原油的硫含量下限，P_1min≥0，P_1max为调合后原油的硫含量上限，P_1max≥0；a_2i为第i种组分油的酸含量，a_2i≥0，P_2min为调合后原油的酸含量下限，P_2min≥0，P_2max为调合后原油的酸含量上限，P_2max≥0；a_3i为第i种组分油的石脑油收率，a_3i≥0，P_3min为调合后原油的石脑油收率下限，P_3min≥0，P_3max为调合后原油的石脑油收率上限，P_3max≥0；WT_i为第i种组分油的减压渣油收率，WT_i≥0；PI_i为第i种组分油的沥青针入度指数，PI_min为调合后原油的沥青针入度指数下限，PI_max为调合后原油的沥青针入度指数上限；w为本批次调合总量，w≥0；V为与各组分油连接的调合罐可供调合总量，V＝[v₁,v₂…v_n]^T，V≥0；X为组分油的占比，X＝[x₁,x₂…x_n]^T，X≥0；X_min和X_max分别为步骤a中设定的掺炼原油占比下限和上限，

X_min＝[x_1min,x_2min…x_nmin]^T,X_min≥0，

X_max＝[x_1max,x_2max…x_nmax]^T，X_max≥0。

4.根据权利要求3所述的一种面向沥青质控制的原油在线调合优化方法，其特征在于步骤d中所述的求最优解的方法是采用遗传算法对目标函数进行求解，具体包括以下步骤：

步骤1：对组分油的占比x₁,x₂…x_n采用二进制编码，编码长度分别为10，x₁＝[y₁ y₂ … y₁₀],x₂＝[y₁₁ y₁₂ … y₂₀]…x_n＝[y_10n-9 y_10n-8 … y_10n],随机产生群体大小为50、编码长度为10n的初始种群A：

$A=\left[\begin{array}{cccccccccc}{y}_1^1& \·\·\·& y_{10}^1& y_{11}^1& \·\·\·& y_{20}^1& \·\·\·& y_{10n-9}^1& \·\·\·& y_{10n}^1\\ y_1^2& \·\·\·& y_{10}^2& y_{11}^2& \·\·\·& y_{20}^2& \·\·\·& y_{10n-9}^2& \·\·\·& y_{10n}^2\\ \·& & \·& \·& & \·& & \·& & \·\\ \·& & \·& \·& & \·& & \·& & \·\\ \·& & \·& \·& & \·& & \·& & \·\\ y_1^{50}& \·\·\·& y_{10}^{50}& y_{11}^{50}& \·\·\·& y_{20}^{50}& \·\·\·& y_{10n-9}^{50}& \·\·\·& y_{10n}^{50}\end{array}\right]$

设置最大进化数T。

步骤2：设计适应度函数F(X)，将约束条件用罚函数法化归到适应度函数F(X)中；

首先，将原油性质约束条件转化为下式的形式：

g_j(x_i)≥0

式中，x_i表示第i种组分油的占比，x_i≥0；g_j为第j个性质约束条件，j＝1,2,…m；

然后，采用下式设计适应度函数F(X)：

$F\left(X\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i{x}_i+M{(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i-1)}^2+M\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left[\min (0,g_j\left(x_i\right))\right]}^2}$

式中，x_i表示第i种组分油的占比，x_i≥0；c_i为第i种组分油采购价格，c_i≥0；M为罚函数参数；g_j(x_i)为i种组分油调后的第j个性质约束条件，j＝1,2,…m，i＝1,2,3,…n；

步骤3：计算种群中个体适应度；

步骤4：判断种群数量是否达到最大种群数T，若达到，则选择适应度最高的个体作为最优解输出并结束计算；否则进行步骤5；

步骤5：对种群进行选择、交叉和变异后获得新种群，返回步骤3。

Images