CN103497789A - 基于Pareto优化准则的多目标非线性连续罐式柴油调合法 - Google Patents

Abstract

本发明涉及一种柴油调合法，特别涉及一种基于Pareto优化准则的多目标非线性连续罐式柴油调合法，其包括：（1）建立基于构成成品柴油的各组分实时流量及各流量之间的相关线性和非线性关系、各组分及成品柴油的实时质量属性中的线性和非线性关系的多目标非线性数学模型；（2）分别将原油炼油速率、各侧线实时流量数据及各组分实时质量数据输入步骤（1）所建立的多目标非线性数学模型中，采用Pareto优化准则进行基于进化算法的求解，得到构成成品柴油各组分实时流量数据；和（3）按由步骤（2）获得的构成成品柴油各组分实时流量数据进行成品柴油的调合等步骤。

Description

基于Pareto优化准则的多目标非线性连续罐式柴油调合法

技术领域

本发明涉及一种柴油调合法，特别涉及一种基于Pareto优化准则的多目标非线性连续罐式柴油调合法。

背景技术

柴油调合是炼油企业生产柴油过程中最重要的生产工序之一，本发明针对现有技术（CaoC,Gu X,Xin Z.(曹萃文，顾幸生，辛忠)A Data-driven Rolling-horizon Online Scheduling Modelfor Diesel Production of a Real-world Refinery.AIChE J.2013,59(4):1160-1174；中国发明专利：“非线性连续罐式柴油调合法”，CN1912072A）中的柴油连续罐式调合生产过程，在实际调合生产前同时考虑多个不同的调合目标，确定多组优化的调合方案（或配方）供调合生产选择和使用，以适应企业的各种不同需求。

目前炼油企业在柴油的实际生产中，调合配方的制订主要采用人工经验和各类单目标优化的线性或非线性数学规划模型计算得出。这些单目标主要有最大化柴油最终产品产量（CaoC,Gu X,Xin Z.(曹萃文，顾幸生，辛忠)A Data-driven Rolling-horizon Online Scheduling Modelfor Diesel Production of a Real-world Refinery.AIChE J.2013,59(4):1160-1174；CN1912072A）、最小化调合生产过程中总成本、最大化柴油产品销售收入、最大化收益（Pinto JM,Joly M,Moro LFL.Planning and scheduling models for refinery operations.Comput Chem Eng.2000;24:2259-2276；Moro LFL,Zanin AC,Pinto JM.A Planning Model for Refinery DieselProduction.Comput Chem Eng.1998;22(Suppl):S1039-S1042）等。虽然单目标优化方法比按人工经验得到的配方有了很大的进步，但已不能满足越来越复杂的柴油调合生产的要求。

近年来，我国各大城市的空气污染日益严重，国家对柴油产品的环保品质要求大幅升级，使炼油企业在原油来源多样化、劣质化，炼油设备和技术未进行重大提升的前提下，为生产出合格产品付出了高昂的代价。炼油企业在柴油的实际调合生产过程中，不仅需要考虑柴油产品的产量、销售收入、调合成本等目标，还要大幅提高柴油产品的质量等级，大幅降低产品中的含硫量等污染环境的指标，因此实际柴油生产中的调合模型本质上是一个多目标非线性规划数学模型，应该采用多目标技术进行建模并求解。然而，传统的多目标优化方法采用将多个目标按各种方式转化为一系列单目标优化问题，如按主观评价哪个目标重要从而单独优化哪个目标；或按主观线性权重给每个目标赋值从而转化为一个经验单目标等的方法已不能满足现有生产装置和生产技术的要求。

鉴于此，研究基于Pareto优化准则下的多目标柴油非线性调合技术，同时考虑相容的或不相容的多个调合目标，提出多目标柴油非线性调合模型，并在一次计算中同时优化多个目标，找到多组Pareto前沿（即优化目标）对应的多组Pareto非劣解（即优化解）提供给炼油厂进行柴油调合生产前的配方选取或测试，已成为在新形势下提高柴油产品合格率及提高炼油厂效益的关键技术。

发明内容

本发明在现有技术（AIChE J.2013,59(4):1160-1174；CN1912072A）的基础上，提出基于Pareto优化准则的二种双目标、一种三目标的非线性连续罐式柴油调合方法，从而实现在现有炼油生产装置和技术条件下，充分利用现有组分，提高柴油产品合格率、减少质量过剩、减少重调、降低中间产品库存、减少最终产品硫含量等多个目标，提高炼油企业的技术水平和经济效益。

本发明的目的在于，提供一种基于Pareto优化准则的多目标非线性连续罐式柴油调合法，其包括如下步骤：

（1）建立基于构成成品柴油的各组分实时流量及各流量之间的相关线性和非线性关系、各组分及成品柴油的实时质量属性中的线性和非线性关系的多目标非线性数学模型；

（2）分别将原油炼油速率、各侧线实时流量数据及各组分实时质量数据输入步骤（1）所建立的多目标非线性数学模型中，采用Pareto优化准则进行基于进化算法（EvolutionaryAlgorithm，缩写为EA）的求解，得到构成成品柴油各组分实时流量数据；

（3）按由步骤（2）获得的构成成品柴油各组分实时流量数据进行成品柴油的调合；

其中：所述多目标非线性数学模型的目标选自：下列目标中二种或二种以上：

最大化柴油最终产品的总产量（简记为“目标A”，），最大化柴油的总销售收益（简记为“目标B”），最大化柴油最终产品中在调合生产时售价最高的产品的产量（简记为“目标C”），最小化能生产柴油组分的生产装置生产的中间产品未用完而进入储罐的剩余产品总量（简记为“目标D”）或最小化所有柴油最终产品的总硫含量（简记为“目标E”）；

所说的实时质量数据是指：密度（20℃）、十六烷值、馏程、粘度（20℃）、硫含量、闪点、酸度和凝点。

本发明在综合考虑生产柴油调合组分各装置的实时流量数据，实时质量数据的基础上，能够同时优化多个目标（如“目标A、B、C、D和E”），快速计算出满足质量检验指标和质量平衡要求的多目标柴油实时调合优化配方（一次计算即可给出多组多目标柴油实时调合优化配方），从而为炼油企业减少重调、减少质量过剩、提高柴油产品质量等级、改善柴油生产过程中的各级库存管理提供强有利的技术支持。采用常用软件Visual C++用EA算法进行求解，运算速度快，使计算能够实时在线进行。将对石油炼制企业提高企业整体生产技术和生产管理水平、增加企业经济效益，改善空气污染产生显著影响。

附图说明

图1基于Pareto优化准则的多目标EA算法的算法流程图。

具体实施方式

前文所述方法中步骤（2）将步骤（1）中的多目标非线性柴油调合模型采取Pareto优化准则进行基于进化算法（EA）的求解方法，包括如下步骤：

①将步骤（1）中的三个多目标非线性柴油调合模型分别转成模型（2-1）的通用表达：在通用表达式（2-1）中，需要求解的n维决策向量为

（

为n维实数空间），它满足下列目标向量及约束：

$F\left(X\right)=(\min f_1\left(x\right),\min f_2\left(X\right),...,\min f_{i_o}\left(X\right),...\min f_r\left(X\right))$

$s.t.\left\{\begin{array}{c}{g}_{i_s}\left(X\right)\≥0(i_s=\mathrm{1,2},...,k_s)\\ h_{j_s}\left(X\right)=0(j_s=\mathrm{1,2},...,l_s)\end{array}\right.---(2-1)$

在式（2-1）中，r是待优化目标的个数，各目标之间的关系可能是相容的（如同时增加或减少）和不相容的（如相互制约和相互冲突）。多目标优化的目的就是寻求最优解向量X^*={x₁ ^*,x₂ ^*...,x_n ^*}，使目标向量F(X^*)在满足约束的同时达到最优。

在本发明所建立的多目标非线性柴油调合优化模型中，多个目标函数中有的是要求最大值，而有的是要求最小值。对于求最大值的情况，我们采取式（2-2）所示的方法进行处理，转换为其最小值的形式，与式（2-1）中的目标函数相一致：

$\max f_{i_o}\left(X\right)=-\min (-f_{i_o}\left(X\right))---(2-2)$

同理，对式（2-3）表示的不等式约束

$g_{i_s}\left(X\right)\≤0(i_s=\mathrm{1,2},...,k_s)---(2-3)$

统一转换为式（2-4）的形式：

$-g_{i_s}\left(X\right)\≥0(i_s=\mathrm{1,2},...,k_s)---(2-4)$

通过这种转换方法，把多目标优化问题的不同表达形式转换成统一的表达形式（2-1）。

②本发明所用到的有关Pareto优化准则的相关概念如下：

设Rⁿ为n维决策向量空间，它是由所有n维决策向量X={x₁,x₂,..,x_n}构成的，（

为n维实数空间）。

设Ω为可行解集，则Ω∈Rⁿ且应满足模型（2-1）中所有约束，可表示为式（2-5）。

$\mathrm{\Ω}=\{X\∈R^n{|g}_{i_s}\left(X\right)\≥0,h_{j_s}\left(X\right)=0;(i_s=\mathrm{1,2},...k_s;j_s=\mathrm{1,2},...,l_s)\}---(2-5)$

设Ψ为r维目标向量空间，则

（

为r维实数空间），它是将可行解集Ω中所有可行解代入模型（2-1）中的目标向量函数F(X)而得到，即是将Ω∈Rⁿ映射到集合Ψ中。

支配关系（用符号“＞”表示）：

针对模型（2-1），设p和q是可行解集Ω中的两个不同的可行解向量，若要使p支配q，则必须满足以下两个条件：

1）对于所有的子目标，p不比q差，即

2）至少存在一个子目标，使p比q好，即

使

此时，称p为非支配的，q为被支配的，表示为p＞q。

Pareto最优解或非支配解/Pareto最优解集或非支配解集：

若一个候选解X^*(∈Ω)为Pareto最优解或非支配解，是指不存在其它解X'∈Ω使得F(X′)＞F(X^*).由于Pareto最优解只是选择各目标不坏于其它解对应目标的解，因此，与单目标优化问题不同，Pareto最优解一般都有多个，因而多目标优化问题的最优解通常是一集合。所有的Pareto最优解就构成了一个Pareto最优解集或非支配解集，在本发明中，Pareto最优解集或非支配解集用{X^*}表示。

Pareto前沿（PF,Pareto Front）：

设多目标优化问题（2-1）的最优解集为{X^*}，其Pareto前沿（又称Pareto最优边界）如式（2-6）所示。换言之，Pareto前沿就是决策者满意的目标向量。

PF^*={F(X)=(minf₁(X),minf₂(X),...,minf_r(X))丨X∈{X^*}}    (2-6)

③基于进化算法的Pareto优化准则：

多目标优化问题（Multi-objective Optimization Problem，MOP）一直是国际最优化领域中的热点和难点问题。由于MOP通常是高度复杂且非线性的，采用现有的全局优化算法极其困难，而且不能在一次运算中找到所有目标的全局最优解。近年来，用进化算法（EA）求解近似多目标最优解的方法，取得了较快的发展。本发明所采用的基于Pareto优化准则的多目标优化求解方法，即是以EA算法来求解的。

在进化算法中，由于种群中的每个个体代表不同的解向量，因此若设p和q为进化群体中的两个不同的个体，若要使p＞q，则必须满足以下两个条件：

1）对于所有的子目标，p不比q差，即

2）至少存在一个子目标，使p比q好。即

使

在多目标进化算法的优化过程中，非支配解的概念是由每一代的进化群体搜索而得到的当前最优解。非支配集的概念是所有非支配解的集合。多目标优化的目的就是使非支配集越来越靠近Pareto最优解集，从而最终达到优化的目的。

④基于EA算法的求解：

本发明所采用的基于Pareto优化准则的多目标EA算法的算法框架如图1所示。其中，保留上一代的非支配集，并将其加入到新一代的多目标进化操作中是非常必要的，类似于EA中保留上一代的最优个体，这样可使新一代的非支配集不比上一代差，这也是算法收敛的必要条件。随着进化的进行，这些非支配集将不断地趋近于真正的Pareto最优解集，算法终止时将得到满意的解集（不一定是真正的Pareto最优解集）。

在本发明一个优选的技术方案中，所建立的多目标非线性数学模型为两个双目标非线性数学模型和一个三目标非线性数学模型；

在更进一步的优选技术方案中：所述两个双目标非线性数学模型分别为以“目标A”和“目标B”并列；和“目标C”和“目标D”并列，建立双目标非线性数学模型，其目标函数的公式表达分别如式（1-1）和（1-2）所示：

$\left\{\begin{array}{cc}\mathrm{Max}& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{QP}}_j\\ \mathrm{Max}& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{\mathrm{QP}}_j\end{array}\right.---(1-1)$

$\left\{\begin{array}{cc}\mathrm{Max}& {\mathrm{QP}}_1\\ \mathrm{Min}& \underset{\mathrm{left}\∈U_{s,u}}{\mathrm{\Σ}}{\mathrm{QP}}_{u,s,\mathrm{left}}\end{array}\right.---(1-2)$

所述“目标C”，“目标D”和“目标E”并列建立三目标非线性数学模型，其目标函数的公式表达分别如式（1-3）所示：

$\left\{\begin{array}{cc}\mathrm{Max}& {\mathrm{QP}}_1\\ \mathrm{Min}& \underset{\mathrm{left}\∈U_{s,u}}{\mathrm{\Σ}}{\mathrm{QP}}_{u,s,\mathrm{left}}\\ \mathrm{Min}& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{q}_{j,5}\end{array}\right.---(1-3)$

其中，

j——柴油最终产品的种类，j=1,2,…,n。在发明中，将j=1设定给调合生产时所有柴油最终产品中具有当时最高市场售价的柴油最终产品为编号；

Q_u,s,left——在发明中将其表达式列出。其含量义为装置u生产的某产品s未用完而进入其对应的中间储罐的剩余流量；

q_j,k——最终产品j(j=1,2,…,n)的一种性能指标k(k=1,2,…,l)；在发明中，将k=5设定为硫含量性能指标的编号；

三种多目标非线性数学模型的其它参数和变量选择及约束方程均与CN1912072A中所述相同（详见CN1912072A说明书第2-3页）。

综上，本发明提供的基于Pareto优化准则的多目标非线性连续罐式柴油调合方法，其包括如下步骤：

（1）分别建立基于CN1912072A中所述约束方程（详见CN1912072A说明书第2页）和前文所述式（1-1）～（1-3）目标函数的三个多目标非线性柴油调合数学模型；

a)多目标非线性柴油调合模型中变量的选择与CN1912072A中所述相同，共10项，分别为：密度(20℃)、十六烷值、馏程(℃，50%、90%、95%)、粘度(20℃)、硫含量、闪点、酸度、冷凝点。

b)确定柴油调合配方的三个多目标非线性数学模型

分别以最大化柴油最终产品的总产量和最大化柴油的总销售收益为双目标；最大化柴油最终产品中在调合生产时售价最高的产品的产量和最小化所有能生产柴油组分的生产装置生产的中间产品未用完而进入储罐的剩余总量为双目标；最大化柴油最终产品中在调合生产时售价最高的产品的产量、最小化所有能生产柴油组分的生产装置生产的中间产品未用完而进入储罐的剩余总量与最小化所有柴油终产品的总硫含量为三目标，建立基于前文所述式（1-1）～式（1-3）多目标目标函数分别组合CN1912072A中所述式（2）～式（10）的约束方程（详见CN1912072A说明书第2页）的三个多目标非线性柴油调合数学模型。

（2）将原油炼油速率、各侧线实时流量数据及各组分实时质量数据分别输入由步骤（1）所建的三种多目标非线性数学模型中，采用基于前文所述的Pareto优化准则的运算（利用一种EA算法，如文化和声搜索算法（参见曹萃文等.“基于文化和声搜索算法的约束优化问题研究”[OL],中国科技论文在线^#.2012,02-13）在VC++6.0软件中进行优化求解）得到多组构成成品柴油各组分的实时流量数据；

（3）按由步骤（2）获得的构成成品柴油各组分实时流量数据进行成品柴油的调合。

^# http://www.paper.edu.cn/index.php/default/releasepaper/content/201202-306

下面通过实施例对本发明作进一步阐述，其目的仅在于更好理解本发明的内容，而非限制本发明的保护范围。

实施例

此例为某炼油厂某日0#车用柴油和0#轻柴的柴油调合实际生产过程。

其中的两套常减压蒸馏装置（CDU1、CDU2）的常一、常二、常三线产品直接参与最终调合，装置CDU2的减一线部分产品参与最终调合；装置CDU1和CDU2的常四、减顶、减一线产品与其它油品配比进入两套加氢装置，加氢处理后的柴油组分进入最终调合；一套润滑油加氢装置生产的柴油组分进入最终产品调合（详见CN1912072A及AIChE J.2013,59(4):1160-1174）。

关于现实炼油厂柴油的生产过程，其工艺流程模型请见CN1912072A的说明书附图中图1。

分别以柴油两种产品油（0#车柴和0#轻柴）的总产量和总销售收益最大；0#车柴产量最大和调合时生产线上各装置生产的柴油调合组分产品未用完而进入储罐的剩余总量最小；以及0#车柴产量最大、调合时生产线上各装置生产的柴油调合组分产品未用完而进入储罐的剩余总量最小和两种柴油终产品的总硫含量最小为目标，以柴油最终产品质量属性方程，混合器与分离器处的质量平衡方程为必须满足的约束，在Visual C++6.0软件中采用文化和声搜索算法（参见曹萃文等.“基于文化和声搜索算法的约束优化问题研究”[OL],中国科技论文在线^#.2012,02-13）进行优化求解计算。

对测量仪表无额外要求，只需现行生产配置即可。

进行调合前2小时，将流量的输入数据和各组分质量数据在厂内计算机网络中获得，以此数据为配方计算的输入数据，实时计算出当日调合所需配方。

1、在线取的数据有：

1）流量数据与CN1912072A中所述相同；

2）质量数据与CN1912072A中所述相同；

3）两种最终产品单价c_j,j=1,2：c₁=8150元/吨；c₂=6500元/吨。

2、将上述数据代入数学模型后得到的计算结果

对应最终产品的质量属性指标变量q_j,k(j=1,2;k=1,2,…,10)，将其展开后在计算结果中的表示为：

q11、q21是50%馏程(℃)；

q12、q22是90%馏程(℃)；

q13、q23是95%馏程(℃)；

q14、q24是密度属性(20℃，g/cm³)；

q15、q25是硫含量(%weight)；

q16、q26是酸度属性(mg KOH/(100ml))；

q17、q27是十六烷值；

q18、q28是闪点属性(℃)；

q19、q29是运动粘度属性(20℃，mm²/s)；

q110、q210是凝点属性(SP)(℃)。

1）柴油非线性调合双目标（1-1）模型仿真实例及计算结果

此应用实例是双目优化问题：目标一是柴油最终产品的总产量最大化。据某时期柴油终产品市场售价查询，柴油轻柴产品价格是8150元/吨，车柴产品的价格是6500元/吨。由此我们得到销售收入目标的表达是(8.15*QP₁+6.5*QP₂)千元。将销售收入目标最大化作为第二个目标。QP₁，QP₂分别代表0#车柴和0#轻柴的流量（吨/天）。其目标函数如下：

$\left\{\begin{array}{c}\mathrm{Objective}1:\mathrm{Maxmize}({\mathrm{QP}}_1+{\mathrm{QP}}_2)\\ \mathrm{Objective}2:\mathrm{Maxmize}(8.15{\mathrm{QP}}_1+6.5{\mathrm{QP}}_2)\end{array}\right.$

文化和声搜索算法中的相关参数设置如下：和声记忆库为50，和声记忆库取值率为0.95，音调微调率为0.75，音调微调带宽为0.01，最大运行代数为10000；文化算法相关参数取值与文献（曹萃文等.“基于文化和声搜索算法的约束优化问题研究”[OL],中国科技论文在线^#.2012,02-13）中一致。函数循环200次后得到的5组最优解取出成为最终结果，提交给炼油厂作为调合配方选择的依据。

我们将求解出的此模型的Pareto非支配解集和Pareto前沿中的调合组分及最终产品流量与质量数据分别各列出5组在表1和表2中。

2）柴油非线性调合双目标（1-2）模型的仿真实例及计算结果

双目标模型（1-2）中，第一个目标是柴油调合的终产品中价格较高的0#车柴产量最大化；而第二个目标则是柴油调合过程中已生产出来了但未用的剩余总组分最小化（减少连续生产过程中中间存储装置的负担）。其双目标模型的目标函数如下式：

$\left\{\begin{array}{c}\mathrm{Objective}1:\mathrm{Maxmize}{\mathrm{QP}}_1\\ \mathrm{Objective}2:\mathrm{Minimize}(Q_{\mathrm{MDP}1,S,\mathrm{left}}+Q_{\mathrm{CDU}1,S1,\mathrm{left}}+Q_{\mathrm{CDU}1,S2,\mathrm{left}}+Q_{\mathrm{CDU}1,S3,\mathrm{left}}+Q_{\mathrm{CDU}1,S4,\mathrm{left}})\\ +Q_{\mathrm{CDU}1,S5,\mathrm{left}}+Q_{\mathrm{CDU}1,S6,\mathrm{left}}+Q_{\mathrm{CDU}2,S1,\mathrm{left}}+Q_{\mathrm{CDU}2,S2,\mathrm{left}}+Q_{\mathrm{CDU}2,S3,\mathrm{left}}\\ +Q_{\mathrm{CDU}2,S4,\mathrm{left}}+Q_{\mathrm{CDU}2,S5,\mathrm{left}}+Q_{\mathrm{CDU}2,S6,\mathrm{left}}\end{array}\right.$

其他所有输入参数、约束条件如双目标模型（1-2），文化和声搜索算法的参数设置也相同。我们将求解出的此模型的Pareto非支配解集和Pareto前沿中的流量与质量数据分别各列出5组如表3和表4。

3）柴油非线性调合三目标（1-3）模型的仿真实例及计算结果

此三目标模型在双目标模型（1-2）的基础上，增加了第三个目标为最小化柴油终产品中的车柴和轻柴的总硫含量。这样不仅是为了节约成本，减少连续生产过程中中间存储装置的负担，还可以应对日趋严格的环境保护及燃油排放标准，从而促进经济社会的可持续发展。此三目标柴油非线性调合模型的目标函数如下

$\left\{\begin{array}{c}\mathrm{Objective}1:\mathrm{Maxmize}\left(Q{P}_1\right)\\ \mathrm{Objective}2:\mathrm{Minimize}(Q_{\mathrm{MDP}1,S,\mathrm{left}}+Q_{\mathrm{CDU}1,S1,\mathrm{left}}+Q_{\mathrm{CDU}1,S2,\mathrm{left}}+Q_{\mathrm{CDU}1,S3,\mathrm{left}}+Q_{\mathrm{CDU}1,S4,\mathrm{left}})\\ +Q_{\mathrm{CDU}1,S5,\mathrm{left}}+Q_{\mathrm{CDU}1,S6,\mathrm{left},}{Q}_{\mathrm{CDU}2,S1,\mathrm{left}}+Q_{\mathrm{CDU}2,S2,\mathrm{left}}+Q_{\mathrm{CDU}2,S3,\mathrm{left}}\\ +Q_{\mathrm{CDU}2,S4,\mathrm{left}}+Q_{\mathrm{CDU}2,S5,\mathrm{left}}+Q_{\mathrm{CDU}2,S6,\mathrm{left}}\\ \mathrm{Objective}3:\mathrm{Minimize}(q15+q25)\end{array}\right.$

其他所有输入参数、约束条件如双目标模型（1-2），文化和声搜索算法的参数设置也相同。我们将求解出的此模型的Pareto非支配解集和Pareto前沿中的流量与质量数据分别各列出5组如表5和表6。

4）对比三种多目标柴油非线性调合方案

三种多目标柴油非线性调合方案的5组Pareto前沿和相关未取为优化目标的对应变量的优化计算值从表1～表6中分别被取出，并列在表7中。

表1模型（1-1）Pareto非支配解集中的5组优化的流量数据及对应的Pareto前沿

表2模型（1-1）Pareto非支配解集中的5组优化的对应于表1的质量属性数据

表3模型（1-2）Pareto非支配解集中的5组优化流量数据及对应的Pareto前沿

表4模型（1-2）Pareto非支配解集中的5组优化的对应于表3的质量属性数据

表5模型（1-3）Pareto非支配解集中的5组优化流量数据及对应的Pareto前沿

表6模型（1-3）Pareto非支配解集中的5组优化的对应于表5的质量属性数据

表7三种多目标非线性调合方案的对比

从表7中我们可以看出：方案一虽然对自己的两个优化目标达到了比较好的效果，但其生产的优质产品0#车柴的产量是所有方案中最少的，同时产品的总硫含量均在很高的水平（0.1725）上；方案二大幅提升了优质产品0#车柴的产量，产品的总硫含量在前四组解中也有所降低，但剩余中间产品的库存加大；方案三比方案二适当降低了0#车柴的产量，但剩余中间产品的总库存比方案二降低较大，同时终产品的总硫含量有三组结果达到全部方案中的最低值附近。

最终选取哪个调合配方，炼油厂可以根据调合生产实际的需要进行。

每次计算所需时间小于120秒，完全可以满足在线计算的需要。

上述柴油调合的所需流量数据及人工检测和分析得到的各组分的质量数据（在调合进行前2个小时获得），在大多数“燃料-润滑油”型炼油厂中均能满足，为现行主要生产过程。因此该发明具有普适性。

Claims (2)

1.一种基于Pareto优化准则的非线性连续罐式柴油调合法，其包括如下步骤：

（1）建立基于构成成品柴油的各组分实时流量及各流量之间的相关线性和非线性关系、各组分及成品柴油的实时质量属性中的线性和非线性关系的多目标非线性数学模型；

（2）分别将原油炼油速率、各侧线实时流量数据及各组分实时质量数据输入步骤（1）所建立的多目标非线性数学模型中，采用Pareto优化准则进行基于进化算法的求解，得到构成成品柴油各组分实时流量数据；和

（3）按由步骤（2）获得的构成成品柴油各组分实时流量数据进行成品柴油的调合；

其中：所述多目标非线性数学模型的目标选自：下列目标中二种或二种以上：

最大化柴油最终产品的总产量（简记为“目标A”，），最大化柴油的总销售收益（简记为“目标B”），最大化柴油最终产品中在调合生产时售价最高的产品的产量（简记为“目标C”），最小化能生产柴油组分的生产装置生产的中间产品未用完而进入储罐的剩余产品总量（简记为“目标D”）或最小化所有柴油最终产品的总硫含量（简记为“目标E”）。

2.如权利要求1所述的非线性连续罐式柴油调合法，其特征在于，其中所建立的多目标非线性数学模型为两个双目标非线性数学模型和一个三目标非线性数学模型；

所述两个双目标非线性数学模型分别为以“目标A”和“目标B”并列；和“目标C”和“目标D”并列，建立双目标非线性数学模型，其目标函数的公式表达分别如式（1-1）和（1-2）所示：

$\left\{\begin{array}{cc}\mathrm{Max}& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{QP}}_j\\ \mathrm{Max}& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j{\mathrm{QP}}_j\end{array}\right.---(1-1)$

$\left\{\begin{array}{cc}\mathrm{Max}& {\mathrm{QP}}_1\\ \mathrm{Min}& \underset{\mathrm{left}\∈U_{s,u}}{\mathrm{\Σ}}{\mathrm{QP}}_{u,s,\mathrm{left}}\end{array}\right.---(1-2)$

所述三目标非线性数学模型，以“目标C”，“目标D”和“目标E”并列建立三目标非线性数学模型，其目标函数的公式表达分别如式（1-3）所示：

$\left\{\begin{array}{cc}\mathrm{Max}& {\mathrm{QP}}_1\\ \mathrm{Min}& \underset{\mathrm{left}\∈U_{s,u}}{\mathrm{\Σ}}{\mathrm{QP}}_{u,s,\mathrm{left}}\\ \mathrm{Min}& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{q}_{j,5}\end{array}\right.---(1-3)$

其中，

j——柴油最终产品的种类，j=1,2,…,n，在发明中，将j=1设定给调合生产时所有柴油最终产品中具有当时最高市场售价的柴油最终产品为编号；

Q_u,s,left——在发明中将其表达式列出，其含量义为装置u生产的某产品s未用完而进入其对应的中间储罐的剩余流量；

q_j,k——最终产品j(j=1,2,…,n)的一种性能指标k(k=1,2,…,l)；在发明中，将k=5设定为硫含量性能指标的编号；

构成三种多目标非线性数学模型的约束方程、所选变量及其它参数如下：

$s.t.:{\mathrm{QF}}_u=\underset{u^{\′}\∈U_u}{\mathrm{\Σ}}\underset{s\∈S_{u^{\′},u}}{\mathrm{\Σ}}{Q}_{u^{\′},s,u}---\left(2\right)$

QF_u<QF_u-max    (3)

Q_u,s=d_u,s·QF_u,s∈S_u    (4)

$Q_{u,s}=\underset{u^{\&prime;}\&Element;U_{s,u}}{\mathrm{\&Sigma;}}{Q}_{u,s,u^{\&prime;}}---\left(5\right)$

$\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{a}_{i,k}{Q}_{i,j}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{Q}_{i,j}}=q_{j,k}j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n;k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,l_1---\left(6\right)$

$\begin{array}{c}{q}_{j,l_1+1}=[\ln \left(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}({0.929}^{a_{i,l_1+1}}\&CenterDot;Q_{i,j})\right)-\ln {\mathrm{QP}}_j]/\ln 0.929\\ j=\mathrm{1,2},...,n\end{array}----\left(7\right)$

$q_{j{,l}_1+2}=\exp \left[\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(\frac{Q_{i,j}}{{\mathrm{QP}}_j}\&CenterDot;\ln a_{i,l_1+2})\right]j=\mathrm{1,2},...,n---\left(8\right)$

$q_{j,l_1+3}={9.4656T}^3-{57.08217T}^2+129.075T-99.2741$

$T=f\left[\right(\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{Q}_{i,j}\&CenterDot;a_{i,l_1+3})/\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{Q}_{i,j}]j=\mathrm{1,2},...,n---\left(9\right)$

b_min,j,k≤q_j,k≤b_max,j,kj=1,2,…,n;k=1,2,…,l    (10)

其中：

u——能生产柴油组分油的装置的名称；

n——柴油最终产品的种类数，

m——参与柴油终产品调合的调合组分的数量；

l——在柴油成品油调合中需要考虑的主要性能指标数；

S_u',u——离开装置u'进入装置u的油流的集合；

S_u——装置u生产的所有产品的集合；

U_s,u——接收油流s的所有装置u的集合；

U_u——有产品油直接流入装置u的所有前续装置的集合；

QF_u——装置u的进给总流量；

QF_u-max——装置u的最大处理能力，即最大进口总流量(吨/天)；

Q_u,s——装置u生产的某产品s的流量；

d_u,s——装置u生产的某产品s的产出率(%)；

Q_u,s,u'——装置u生产的某产品s进入装置u'的流量；

Q_i,j——终产品j(j=1,2,…,n)中调合组分i(i=1,2,…,m)的流量；

QP_j——终产品j(j=1,2,…,n)的流量；

c_j——柴油成品油j(j=1,2,…,n)的出厂单价；

c_i——调合组分i(i=1,2,…,m)的进厂单价；

a_i,k——调合组分i(i=1,2,…,m)的一种性能指标k(k=1,2,…,l₁,l₁+1,…,l)，其中前l₁个为线性约束，从第l₁+1个到第l(=l₁+3)个为非线性约束；

q_j,k——终产品j(j=1,2,…,n)的一种性能指标k(k=1,2,…,l)；

b_max,j,k、b_min,j,k——终产品j(j=1,2,…,n)的质量指标k(k=1,2,…,l)的约束值的上、下限。

Images