CN106055803A - 考虑条件风险值的炼油装置气体检测报警仪选址优化方法 - Google Patents

Abstract

本发明公开了一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法，基于风险三元组理论和泄漏场景集实现炼油装置实时风险定量表征，并以此为布置决策风险量化指标。然后以布置决策风险最小化为优化目标，以最优条件风险值以及检测报警仪数量为约束条件，以报警仪布置备选点的选择与否作为二元决策变量，定义优化模型目标函数以及约束函数，建立了考虑可靠性、表决逻辑及条件风险值的决策风险最小化的P‑中值模型。本发明有益效果如下：在进行方案优化时，充分考虑到检测报警仪的不可用以及失效情况，将检测报警仪成功检测概率纳入考虑范围之内，使得优化结果更加准确。

Description

考虑条件风险值的炼油装置气体检测报警仪选址优化方法

技术领域

本发明涉及一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法。

背景技术

目前在石油炼化领域，相关技术标准(如SH3063-1999《石油化工企业可燃气体和有毒气体检测报警设计规范》、GB50493-2009《石油化工可燃气体和有毒气体检测报警设计规范》、SY6503-2000《可燃气体检测报警使用规范》及SY-6503-2008《石油天然气工程可燃气体检测报警系统安全技术规范》等)作为传统气体检测报警仪布置的主要依据，仅从可燃气体和有毒气体检测器设定原则、检测器设置位置、检测器与释放源距离、检测器覆盖范围、检测器安装高度、报警器报警值设定、检测报警响应时间等方面做了规定。

然而，现有传统的危险气体泄漏检测报警仪布置方法检测效果欠佳。据英国HSE(Health and Safety Executive)碳氢化合物泄漏事故的统计数据表明，气体检测报警仪准确检测泄漏工况的成功率并不理想，如1992～2014年发生的气体泄漏事故中由气体探测器成功检测出的仅占46％，若考虑未知泄漏事件，气体探测报警系统的探测效率甚至更低。

究其原因，第一，炼油装置可能发生的危险气体泄漏具有泄漏源、泄漏概率、泄漏流速、气象环境等诸多不确定因素。目前气体检测报警仪布置的相关技术标准未能有效的解决危险气体泄漏的不确定性因素。因此，为提高气体检测报警仪探测效率，应在在上述不确定条件下实现气体检测报警仪选址方案优选。

第二，在实际生产过程中气体泄漏检测报警仪并不是理想的，存在误报警和不报警的状况。据相关数据统计，由于维护和维修不利，气体检测报警仪容易出现一系列失效模式，如输出不稳定或输出失败、功能失效、信号杂乱、假报警等。气体检测报警仪处于上述失效状况，就会产生安全失效或危险失效。因此，在危险气体检测报警仪布置定量优化过程中，须严格考虑气体泄漏检测报警仪的不可用性，并设置报警安全冗余及逻辑表决。

第三，以检测时间代表场景后果，未建立场景实时后果表征模型。泄漏场景的风险受泄漏源位置、泄漏流速、风向、风速、发生概率及检测时间等多种条件的影响，因此，一方面不同泄漏场景的中毒或爆炸风险不同，另外，同一泄漏场景在不同检测时间下风险也不相同。相同的检测时间，对于不同风险的泄漏场景影响不同。从这个角度出发，气体泄漏检测报警仪布置的最优方案应该是最大限度地降低装置的泄漏风险。考虑泄漏场景风险大小，重点检测泄漏风险大的泄漏场景，兼顾泄漏风险较小的泄漏场景，实现总体风险削减最大化。

第四，以决策风险最小化为优化目标，可以实现最优布置方案在众多场景下综合表现最优的方案。但是会出现场景后果的长尾分布，即某些场景由于发生概率较小，在优化时对其风险削减不足，但场景一旦发生其后果极其严重，其风险同样不容忽视。因而，需在炼油装置气体检测报警仪选址优化中引入条件风险值(Conditional Value At Risk，缩写CVaR)模型。

发明内容

本发明为了解决上述问题，提出了一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法，实现在考虑不确定性因素、报警仪可靠性和表决逻辑的情况下，从众多备选点中评判出最优的检测报警仪布置方案。

为实现上述目的，本发明采用下述技术方案：

一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法，包括以下步骤：

(1)以泄漏源工况、风场条件为随机性因素，定量构建炼油装置危险气体泄漏可能发生的场景，采用历史气象数据获得风场的风速风向联合分布概率，获取设备泄漏发生概率，从而获得泄漏场景发生的近似概率；

(2)采用Pasquill-Gifford模型估算各泄漏场景下稳态时不同位置上的危险气体浓度，根据危险气体浓度确定每一个泄漏场景的后果严重程度；基于场景后果严重程度及发生概率定义无量纲的场景风险指数，将场景按照场景风险指数降序排列，取前I个场景组成泄漏场景集，使得该I个场景的风险指数之和达到设定值；

(3)建立该炼油装置的最优精细三维CFD模型，依据相关气体检测报警仪高度和间距设置规定，在预设高度平铺设置监测点，作为泄漏检测报警仪的布置的备选点；

(4)利用所述三维CFD模型，对泄漏场景集各场景进行数值模拟，记录监测点气体扩散浓度，根据危险气体报警浓度阈值，计算各监测点在各场景下的检测报警时间；

(5)根据不同泄漏场景的泄漏气体化学性质的不同，分别确定泄漏气体在泄漏场景i下的实时后果严重程度；

(6)针对每个泄漏场景，根据报警仪达到报警阈值的时间先后顺序，最多在R个梯级上各分派一个报警仪检测泄漏气体；确定在koo(R+1)表决逻辑下的报警仪在r级成功检测的概率；其中，r为报警仪所处的级，r∈[0,R]；

(7)对于某场景下始终未达到报警阈值或者各级报警仪均发生失效的情况，赋予一个惩罚值；

确定考虑报警仪表决逻辑以及惩罚值的单个泄漏场景实时后果严重程度；

(8)建立炼油装置气体泄漏报警仪布置定量优化的CVaR模型，以报警仪布置数量为约束条件，以报警仪布置备选点的选择与否作为二元决策变量，在置信水平α下，求解最优的CVaR_α值；

(9)以布置决策风险最小为优化目标，以最优的CVaR_α值以及报警仪布置数量为约束条件，以报警仪布置备选点的选择与否作为二元决策变量，建立考虑条件风险值的炼油装置气体检测报警仪选址优化模型；

对优化模型进行求解，在备选检测点中选出最优布置方案。

进一步地，所述步骤(1)中，每个泄漏场景包括泄漏源位置、泄漏源孔径、泄漏流速、风速、风向和该场景的发生频率。

进一步地，所述步骤(5)中，

针对可燃气体泄漏，依据可燃浓度范围划定可燃气云范围，以可燃气云体积表征可燃气体泄漏场景i的实时后果严重程度；

针对有毒气体泄漏，结合毒物剂量-反应模型关系式定义有毒气体泄漏场景i的实时后果严重程度。

进一步地，所述有毒气体泄漏场景i的实时后果严重程度具体为：

$D_i\left(t\right)=\underset{j=1}{\overset{J}{\Σ}}(P_{d,j}^t\·\mathrm{\Δ}S);$

其中，D_i(t)为第i个场景在泄漏t时刻的后果严重程度；J为备选点总数；ΔS为网格点代表单位面积；为备选点j在泄漏t时刻的死亡概率。

进一步地，所述步骤(6)中，设定在R个报警仪梯级中只有k个报警仪均报警才能对一个泄漏场景进行确认。

进一步地，假设报警仪不可用的概率均为q，且各报警仪相对独立，则在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率为：

$P_r^k=C_r^{r-k+1}\·q^{r-k+1}\·{(1-q)}^k,r\∈\[k-1,R\];$

其中，P_r ^k表示在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率；q表示报警仪不可用的概率；表示r中选r-k+1的组合数。

进一步地，所述步骤(7)中，确定考虑报警仪表决逻辑以及惩罚值的单个泄漏场景实时后果严重程度具体为：

$D_i^{\′}\left(t\right)=\underset{r=k-1}{\overset{R}{\Σ}}\left(D_i\right(t_{i,r}\left)P_r^k\right)+D_{\max ,i}(1-\underset{r=k-1}{\overset{R}{\Σ}}{P}_r^k);$

其中，t_i,r为在场景i下第r级备选点达到报警阈值的时间；D_i(t_i,r)为t_i,r时刻场景i的后果；P_r ^k表示在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率；D_max,i为惩罚值。

进一步地，建立的气体检测报警仪选址布置优化模型具体为：

$\begin{array}{cc}\min & \underset{i=1}{\overset{I}{\Σ}}{P}_i\[\underset{j\∈L_i}{\Σ}\underset{r=k-1}{\overset{R}{\Σ}}\left(D_i\right(t_{i,j}\left)P_r^k{Y}_{i,j,r}\right)+D_{\max ,i}(1-\underset{r=k-1}{\overset{R}{\Σ}}{P}_r^k)\]\end{array};$

其中，i为泄漏场景编号；I为泄漏场景总数；P_i为第i个场景的发生概率；j为报警仪布置备选点编号；L_i为在场景i下达到报警阈值的布置备选点集合；t_i,j为在场景i下第j个备选点达到报警阈值的时间；D_i(t_i,j)为t_i,j时刻场景i的各级后果。

进一步地，建立的气体检测报警仪选址布置优化模型约束条件具体为：

$\underset{r=0}{\overset{R}{\Σ}}{Y}_{i,j,r}\≤x_j,\∀1\≤i\≤I,j\∈L_i;$

$\underset{j=1}{\overset{J}{\Σ}}{x}_j\≤p;$

$\underset{j\∈L_i}{\Σ}{Y}_{i,j,r}=1,\∀1\≤i\≤I,0\≤r\≤R;$

$d+\frac{1}{1-\mathrm{\α}}\underset{i=1}{\overset{I}{\Σ}}{P}_i{\[D_i^{\′}\left(x\right)-d\]}^{+}\≤{\mathrm{CVaR}}_{\mathrm{\α}};$

$x_j\∈\{0,1\},\∀1\≤j\≤J;$

$Y_{i,j,r}\∈\{0,1\},\∀1\≤i\≤I,1\≤j\≤J,0\≤r\≤R;$

其中，Y_i,j,r表示备选点j在r级检测场景i时为1，否则为0；p为报警仪布置数量约束；x_j为布置方案的二元决策向量，取1表示该备选点布置报警仪，取0则表示该备选点不布置报警仪；i为泄漏场景编号；I为泄漏场景总数；j为报警仪布置备选点编号；L_i为在场景i下达到报警阈值的布置备选点集合。

进一步地，炼油装置气体泄漏报警仪布置定量优化的CVaR模型具体为：

$\begin{array}{cc}\min & {\mathrm{CVaR}}_{\mathrm{\α}}=d+\frac{1}{1-\mathrm{\α}}\underset{i=1}{\overset{I}{\Σ}}{P}_i{\[D_i^{\′}\left(x\right)-d\]}^{+}\end{array};$

[D′_i(x)-d]⁺＝max{0，D_i(x)-d}；

$\underset{r=0}{\overset{R}{\Σ}}{Y}_{i,j,r}\≤x_j,\∀1\≤i\≤I,j\∈L_i;$

$\underset{j=1}{\overset{J}{\Σ}}{x}_j\≤p;$

$\begin{array}{cc}\underset{j\∈L_i}{\Σ}{Y}_{i,j,r}=1& \∀1\≤i\≤I,0\≤r\≤R\end{array};$

$x_j\∈\{0,1\},\∀1\≤j\≤J;$

$Y_{i,j,r}\∈\{0,1\},\∀1\≤i\≤I,1\≤j\≤J,0\≤r\≤R;$

其中，i为泄漏场景编号；I为泄漏场景总数；P_i为第i个场景的发生概率；α为置信水平；D_i'(x)为考虑报警仪表决逻辑以及惩罚值的单个泄漏场景实时后果严重程度；d为在置信水平α下，D_i'(x)的分为点。

进一步地，在置信水平α下，d的计算方法：

$d=\min \left\{D_i^{\′}\left(x\right)\right|\stackrel{\→}{\mathrm{\ψ}(x,d)}\≥\mathrm{\α}\}$

式中，的累积分布函数；表示在布置方案下，泄漏后果D_i'(x)小于d的场景集合。

本发明的有益效果是：

(1)通过本方法，可实现在炼油装置泄漏检测报警仪的布置设计时，科学准确地从众多备选点中给出哪些点放置检测报警仪，哪些点不放置检测报警仪，解决了布置方案选择时的盲目性，极大地提高检测报警仪检测效率；

(2)综合考虑炼油装置可能发生的危险气体泄漏的诸多不确定因素，科学预测并模拟未来可能发生的所有重要泄漏场景，使得气体检测报警仪的布置方案更贴近炼油装置的实际情况；

(3)本发明在进行方案优化时，充分考虑到检测报警仪的不可用以及失效情况，将检测报警仪成功检测概率纳入考虑范围之内，使得优化结果更加准确。

(4)相比简单地采用检测时间代表场景后果进行气体检测报警仪选址布置，本发明基于风险三元组理论和泄漏场景集实现炼油装置实时风险定量表征，以布置决策风险最小为优化目标进行气体检测报警仪选址布置，可综合考虑泄漏场景风险大小，重点检测泄漏风险大的泄漏场景，兼顾泄漏风险较小的泄漏场景，实现总体风险削减最大化。

(5)引入投资风险管理中的CVaR模型，建立炼油装置气体泄漏报警仪布置定量优化的CVaR模型。避免以炼油装置气体检测报警仪选址布置决策风险最小化为优化目标时，可能会出现场景后果的长尾分布问题。

具体实施方式

下面结合实施方式对本发明作进一步说明。

具体步骤如下：

(1)以泄漏源工况、风场条件为随机性因素，定量构建炼油装置危险气体泄漏场景集，场景集每个场景用i表示，i∈[1,I]。采用历史气象数据获得风场的风速风向联合分布概率，获取设备泄漏发生概率，从而获得泄漏场景发生的近似概率；

(2)本专利采用CFD三维数值模拟的方法来获取符合现场装置布局的气体扩散实时浓度数据。然而精细模拟全部泄漏场景将耗费大量计算成本。以研究装置为例，采用高性能计算机(CPU：Core i7-4790@3.6GHz，八核；RAM：32GB)进行单泄漏场景300秒的FLUENT模拟所需CPU Time约合23小时。在精细模拟前，有必要通过场景优选降低计算成本。

场景优选方法：采用Pasquill-Gifford模型估算各泄漏场景下稳态时不同位置上的危险气体浓度。

$C(x,y,z)=\frac{Q}{2{\mathrm{\π\δ}}_y{\mathrm{\δ}}_{z}u}\exp \[-\frac{1}{2}{\left(\frac{y}{{\mathrm{\δ}}_y}\right)}^2\]\×\{\exp \[-\frac{1}{2}{\left(\frac{z-H}{{\mathrm{\δ}}_z}\right)}^2\]+\exp \[-\frac{1}{2}{\left(\frac{z+H}{{\mathrm{\δ}}_z}\right)}^2\]\}$

式中，C x,y,z为坐标x,y,z上的气体浓度，mg/m³；Q为连续稳态源质量流速，mg/s；δ_y、δ_z分别为横向和垂直扩散系数。H为泄漏源相对于地面的高度，m；u为风速，m/s。

针对有毒气体，利用毒物剂量-反应模型划定暴露30min内死亡概率P∈(0,1]的急性中毒危险区域。可燃气体则依据可燃浓度范围划定可燃气云范围。

毒物剂量-反应模型公式如下：

$Y=A+Bln\left({\∫}_0^t{C}^{n}dt\right)$

$P_d=\frac{1}{\sqrt{2\mathrm{\π}}}{\∫}_{-\mathrm{\∞}}^{Y-5}\exp (-\frac{w^2}{2})dw$

式中，Y为概率变量；A,B为毒物的性质常数；n为浓度指数；t为暴露时间，min；P_d为概率或百分数；w是一个积分变量。

针对有毒气体，以急性中毒危险区域面积表征该场景的后果严重程度。针对可燃气体，以可燃气云体积表征该场景的后果严重程度。基于场景后果严重程度及发生概率定义无量纲的场景风险指数，作为泄漏场景风险相对大小的判断依据。

$R_i=\frac{P_i\×C_i}{\underset{i=1}{\overset{N}{\Σ}}{P}_i\×C_i}$

式中，R_i为场景i的风险指数，R_i∈(0,1)；P_i为第i个场景的发生概率；C_i为场景i的后果严重程度；N为泄漏场景总数。

将场景按照场景风险指数降序排列，取前I个场景组成泄漏场景集，使得该I个场景的风险指数之和达到0.95。

(3)建立该炼油装置的最优精细三维CFD模型，依据相关气体检测报警仪高度和间距设置规定，在预设高度平铺设置监测点，作为泄漏检测报警仪的布置的备选点；

(4)采用该三维CFD模型，对泄漏场景集各场景进行数值模拟，记录监测点气体扩散浓度。然后根据危险气体报警浓度阈值，计算各监测点在给场景下的检测报警时间；

(5)针对可燃气体，依据可燃浓度范围划定可燃气云范围，以可燃气云体积表征可燃气体泄漏场景i的实时后果严重程度D_i(t)。针对有毒气体泄漏，结合毒物剂量-反应模型采用式定义有毒气体泄漏场景i的实时后果严重程度D_i(t)。由于CFD三维模拟获得各泄漏场景的实时浓度场在空间与时间上均为离散化的。因此需将毒物剂量-反应模型公式近似表示为：

$Y_j^t=A+Bln(\underset{\mathrm{\τ}\∈(0,\frac{t}{\mathrm{\Δ}T})}{\Σ}{C}_{j,\mathrm{\τ}}^n\·\mathrm{\Δ}T)---(0-1)$

式中，为备选点j在泄漏t时刻的概率变量；t为暴露时间，min；ΔT为时间间隔，min；A,B为毒物的性质常数；n为浓度指数；C为备选点j在泄漏τ时刻的浓度。

$P_{d,j}^t=\frac{1}{\sqrt{2\mathrm{\π}}}{\∫}_{-\mathrm{\∞}}^{Y-5}\exp (-\frac{w^2}{2})dw---(0-2)$

式中，为备选点j在泄漏t时刻的死亡概率；w是一个积分变量。

$D_i\left(t\right)=\underset{j=1}{\overset{J}{\Σ}}(P_{d,j}^t\·\mathrm{\Δ}S)---(0-3)$

式中，D_i(t)为第i个场景在泄漏t时刻的后果严重程度；J为备选点总数；ΔS为网格点代表单位面积。

(6)针对每个泄漏场景，根据报警仪达到报警阈值的时间先后顺序，最多在R个梯级上各分派一个报警仪检测泄漏气体。分派报警仪所处的级用r∈[0,R]表示，r＝0表示第一个达到报警阈值的位置，r＝1表示第二个达到报警阈值的位置，以此类推。只有在最先达到报警阈值的r个报警仪均发生危险失效的情况下，才取第r级报警仪达到报警阈值的时间为场景泄漏时间t。为降低报警仪的安全失效概率，设定在R个报警仪梯级中只有k个报警仪均报警才能对一个泄漏场景进行确认。假设报警仪不可用的概率均为q，且各报警仪相对独立，则在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率为：

$P_r^k=C_r^{r-k+1}\·q^{r-k+1}\·{(1-q)}^k,r\∈\[k-1,R\]---(0-4)$

其中，P_r ^k表示在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率；q表示报警仪不可用的概率；表示r中选r-k+1的组合数。

说明：

①报警仪所处的级r的说明：第一个达到报警阈值的报警仪所处的级r＝0，第二个达到报警阈值的报警仪所处的级r＝1。以此类推，第R+1个达到报警阈值的报警仪所处的级r＝R。因此，R个报警仪梯级需要R+1个报警仪才能实现。

②表决逻辑koo(R+1)(设定在R个报警仪梯级中只有k个报警仪均报警才能对一个泄漏场景进行确认。)实际上是在R+1个报警仪中有k个报警仪报警。

③P_r ^k表示在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率。其计算说明为：

在表决逻辑下，报警仪在r级成功检测，即在r+1个报警仪中有k个报警仪报警。这就意味着，在r+1个报警仪中有r+1-k个报警仪不可用。并且必须的，第r+1个报警仪是成功报警的。因此，实际上，在r个报警仪中有r+1-k个报警仪不可用。表示r中选r-k+1的组合数，即在r个报警仪中有r+1-k个报警仪不可用的组合数。

④q^r-k+1表示r+1-k个报警仪不可用的概率；(1-q)^k表示k个报警仪可用的概率。

(7)此外，实际存在某些备选点在某场景下始终未达到报警阈值或者各级报警仪均发生失效的情况，从而导致优化方案出现场景检测失败的情况。为此，对该情况下的泄漏后果赋予一个较大的惩罚值D_max,i。

(8)综上所述，考虑可靠性和表决逻辑的单个泄漏场景实时后果可表示为：

$D_i^{\′}\left(t\right)=\underset{r=k-1}{\overset{R}{\Σ}}\left(D_i\right(t_{i,r}\left)P_r^k\right)+D_{\max ,i}(1-\underset{r=k-1}{\overset{R}{\Σ}}{P}_r^k)---(0-5)$

式中，t_i,r为在场景i下第r级备选点达到报警阈值的时间；D_i(t_i,r)为t_i,r时刻场景i的后果。

(9)以炼油装置气体检测报警仪选址布置决策风险最小化为优化目标，可以实现最优布置方案在众多场景下综合表现最优的方案。但是会出现场景后果的长尾分布，即某些场景由于发生概率较小，在优化时对其风险削减不足，但场景一旦发生其后果极其严重，其风险同样不容忽视。引入投资风险管理中的CVaR模型，建立炼油装置气体泄漏报警仪布置定量优化的CVaR模型。

在任意确定的检测报警仪布置方案下，表征泄漏场景后果严重程度的为的函数。在离散场景描述下，

$d=min\left\{D_i^{\′}\left(x\right)\right|\stackrel{\→}{\mathrm{\ψ}(x,d)}\≥\mathrm{\α}\}$

式中，为D_i'(x)的累积分布函数；表示在布置方案下，泄漏后果D_i'(x)小于d的场景集合。

在置信水平α下，CvaR模型目标函数可表示为：

$\begin{array}{cc}\min & {\mathrm{CVaR}}_{\mathrm{\α}}=d+\frac{1}{1-\mathrm{\α}}\underset{i=1}{\overset{I}{\Σ}}{P}_i{\[D_i^{\′}\left(x\right)-d\]}^{+}\end{array}$

[D′_i(x)-d]⁺＝max{0，D′_i(x)-d} (0-6)

s.t.

$P_r^k=C_r^{r-k+1}\·q^{r-k+1}\·{(1-q)}^k,r\∈\[k-1,R\]---(0-7)$

$\underset{r=0}{\overset{R}{\Σ}}{Y}_{i,j,r}\≤x_j,\∀1\≤i\≤I,j\∈L_i---(0-8)$

$\underset{j=1}{\overset{J}{\Σ}}{x}_j\≤p---(0-9)$

$\underset{j\∈L_i}{\Σ}{Y}_{i,j,r}=1,\∀1\≤i\≤I,0\≤r\≤R---(0-10)$

$x_j\∈\{0,1\},\∀1\≤j\≤J---(0-11)$

$Y_{i,j,r}\∈\{0,1\},\∀1\≤i\≤I,1\≤j\≤J,0\≤r\≤R---(0-12)$

式中，i为泄漏场景编号；I为泄漏场景总数；P_i为第i个场景的发生概率；j为报警仪布置备选点编号；L_i为在场景i下达到报警阈值的布置备选点集合；t_i,j为在场景i下第j个备选点达到报警阈值的时间；D_i(t_i,j)为t_i,j时刻场景i的各级后果；x_j为布置方案的二元决策向量，取1表示该备选点布置报警仪，取0则表示该备选点不布置报警仪；Y_i,j,r表示备选点j在r级检测场景i时为1，否则为0；p为报警仪布置数量约束。

(10)通过求解CVaR模型，获得最优的CVaR_α值；以布置决策风险最小为优化目标，以最优的CVaR_α值以及报警仪布置数量为约束条件，以报警仪布置备选点的选择与否作为二元决策变量，建立考虑条件风险值的炼油装置气体检测报警仪选址优化模型。

优化模型：

$\begin{array}{cc}\min & \underset{i=1}{\overset{I}{\Σ}}{P}_i\[\underset{j\∈L_i}{\Σ}\underset{r=k-1}{\overset{R}{\Σ}}\left(D\right(t_{i,j}\left)P_r^k{Y}_{i,j,r}\right)+d_{\max ,i}(1-\underset{r=k-1}{\overset{R}{\Σ}}{P}_r^k)\]\end{array}$

s.t.

$P_r^k=C_r^{r-k+1}\·q^{r-k+1}\·{(1-q)}^k,r\∈\[k-1,R\]---(0-13)$

$\underset{r=0}{\overset{R}{\Σ}}{Y}_{i,j,r}\≤x_j,\∀1\≤i\≤I,j\∈L_i---(0-14)$

$\underset{j=1}{\overset{J}{\Σ}}{x}_j\≤p---(0-15)$

$\underset{j\∈L_i}{\Σ}{Y}_{i,j,r}=1,\∀1\≤i\≤I,0\≤r\≤R---(0-16)$

$d+\frac{1}{1-\mathrm{\α}}\underset{i=1}{\overset{1}{\Σ}}{P}_i{\[D_i\left(x\right)-d\]}^{+}\≤{\mathrm{CVaR}}_{\mathrm{\α}}---(0-17)$

$x_j\∈\{0,1\},\∀1\≤j\≤J---(0-18)$

$Y_{i,j,r}\∈\{0,1\},\∀1\≤i\≤I,1\≤j\≤J,0\≤r\≤R---(0-19)$

(11)采用启发式算法中的粒子群算法对上述优化模型进行求解，在备选检测点中选出最优布置方案。

上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法，其特征是，包括以下步骤：

(1)以泄漏源工况、风场条件为随机性因素，定量构建炼油装置危险气体泄漏可能发生的场景，采用历史气象数据获得风场的风速风向联合分布概率，获取设备泄漏发生概率，从而获得泄漏场景发生的近似概率；

(2)采用Pasquill-Gifford模型估算各泄漏场景下稳态时不同位置上的危险气体浓度，根据危险气体浓度确定每一个泄漏场景的后果严重程度；基于场景后果严重程度及发生概率定义无量纲的场景风险指数；

将场景按照场景风险指数降序排列，取前I个场景组成泄漏场景集，使得该I个场景的风险指数之和达到设定值；

(3)建立该炼油装置的最优精细三维CFD模型，依据相关气体检测报警仪高度和间距设置规定，在预设高度平铺设置监测点，作为泄漏检测报警仪的布置的备选点；

(4)利用所述三维CFD模型，对泄漏场景集各场景进行数值模拟，记录监测点气体扩散浓度，根据危险气体报警浓度阈值，计算各监测点在各场景下的检测报警时间；

(5)根据不同泄漏场景的泄漏气体化学性质的不同，分别确定泄漏气体在泄漏场景i下的实时后果严重程度；

(6)针对每个泄漏场景，根据报警仪达到报警阈值的时间先后顺序，最多在R个梯级上各分派一个报警仪检测泄漏气体；确定在koo(R+1)表决逻辑下的报警仪在r级成功检测的概率；其中，r为报警仪所处的级，r∈[0,R]；

(7)对于某场景下始终未达到报警阈值或者各级报警仪均发生失效的情况，赋予一个惩罚值；

确定考虑报警仪表决逻辑以及惩罚值的单个泄漏场景实时后果严重程度；

(8)建立炼油装置气体泄漏报警仪布置定量优化的CVaR模型，以报警仪布置数量为约束条件，以报警仪布置备选点的选择与否作为二元决策变量，在置信水平α下，求解最优的CVaR_α值；

(9)以布置决策风险最小为优化目标，以最优的CVaR_α值以及报警仪布置数量为约束条件，以报警仪布置备选点的选择与否作为二元决策变量，建立考虑条件风险值的炼油装置气体检测报警仪选址优化模型；

对优化模型进行求解，在备选检测点中选出最优布置方案。

2.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法,其特征是，所述步骤(1)中，每个泄漏场景包括泄漏源位置、泄漏源孔径、泄漏流速、风速、风向和该场景的发生频率。

3.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法,其特征是，所述步骤(4)中，

针对可燃气体泄漏，依据可燃浓度范围划定可燃气云范围，以可燃气云体积表征可燃气体泄漏场景i的实时后果严重程度；

针对有毒气体泄漏，结合毒物剂量-反应模型关系式定义有毒气体泄漏场景i的实时后果严重程度。

4.如权利要求3所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法,其特征是，所述有毒气体泄漏场景i的实时后果严重程度具体为：

$D_i\left(t\right)=\underset{j=1}{\overset{J}{\Σ}}(P_{d,j}^t\·\mathrm{\Δ}S);$

其中，D_i(t)为第i个场景在泄漏t时刻的后果严重程度；J为备选点总数；ΔS为网格点代表单位面积；为备选点j在泄漏t时刻的死亡概率。

5.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法,其特征是，所述步骤(5)中，设定在R个报警仪梯级中只有k个报警仪均报警才能对一个泄漏场景进行确认。

6.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法,其特征是，假设报警仪不可用的概率均为q，且各报警仪相对独立，则在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率为：

${P_r}^k=C_r^{r-k+1}\·q^{r-k+1}\·{\left(1-q\right)}^r,r\∈\[k-1,R\];$

其中，P_r ^k表示在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率；q表示报警仪不可用的概率；表示r中选r-k+1的组合数。

7.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法,其特征是，所述步骤(6)中，确定考虑报警仪表决逻辑以及惩罚值的单个泄漏场景实时后果严重程度具体为：

$D_i^{\′}\left(t\right)=\underset{r=k-1}{\overset{R}{\mathrm{\Σ}}}\left(D_i\right(t_{i,r}\left){P_r}^k\right)+D_{max,i}(1-\underset{r=k-1}{\overset{R}{\mathrm{\Σ}}}{P_r}^k);$

其中，t_i,r为在场景i下第r级备选点达到报警阈值的时间；D_i(t_i,r)为t_i,r时刻场景i的后果；P_r ^k表示在koo(R+1)表决逻辑下，报警仪在r级成功检测的概率；D_max,i为惩罚值。

8.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法,其特征是，建立的气体检测报警仪选址布置优化模型具体为：

其中，i为泄漏场景编号；I为泄漏场景总数；P_i为第i个场景的发生概率；j为报警仪布置备选点编号；L_i为在场景i下达到报警阈值的布置备选点集合；t_i,j为在场景i下第j个备选点达到报警阈值的时间；D_i(t_i,j)为t_i,j时刻场景i的各级后果。

9.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法，其特征是，建立的气体检测报警仪选址布置优化模型约束条件具体为：

$\underset{r=0}{\overset{R}{\mathrm{\Σ}}}{Y}_{i,j,r}\≤x_j,\∀1\≤i\≤I,j\∈L_i;$

$\underset{j=1}{\overset{J}{\Σ}}{x}_j\≤p;$

$\begin{array}{cc}\underset{j\∈L_i}{\Σ}{Y}_{i,j,r}=1& \∀1\≤i\≤I,0\≤r\≤R\end{array};$

$d+\frac{1}{1-\mathrm{\α}}\underset{i=1}{\overset{I}{\Σ}}{P}_i{\[D_i^{\′}\left(x\right)-d\]}^{+}\≤{\mathrm{CVaR}}_{\mathrm{\α}};$

$x_j\∈\{0,1\},\∀1\≤j\≤J;$

$Y_{i,j,r}\∈\{0,1\},\∀1\≤i\≤I,1\≤j\≤J,0\≤r\≤R;$

其中，Y_i,j,r表示备选点j在r级检测场景i时为1，否则为0；p为报警仪布置数量约束；x_j为布置方案的二元决策向量，取1表示该备选点布置报警仪，取0则表示该备选点不布置报警仪；i为泄漏场景编号；I为泄漏场景总数；j为报警仪布置备选点编号；L_i为在场景i下达到报警阈值的布置备选点集合。

10.如权利要求1所述的一种考虑条件风险值的炼油装置气体检测报警仪选址优化方法，其特征是，炼油装置气体泄漏报警仪布置定量优化的CVaR模型具体为：

$\begin{array}{cc}\min & {\mathrm{CVaR}}_{\mathrm{\α}}=d+\frac{1}{1-\mathrm{\α}}\underset{i=1}{\overset{I}{\Σ}}{P}_i{\[D_i^{\′}\left(x\right)-d\]}^{+}\end{array};$

[D′_i(x)-d]⁺＝max{0,D′_i(x)-d}；

$d=min\left\{D_i^{\′}\left(x\right)\right|\stackrel{\→}{\mathrm{\ψ}(x,d)}\≥\mathrm{\α}\}$

$\stackrel{\→}{\mathrm{\ψ}(x,d)}=\underset{i\∈\mathrm{\ζ}(x,d)}{\Σ}{P}_i$

$\stackrel{\→}{\mathrm{\ζ}(x,d)}=\left\{i\right|D_i^{\′}\left(x\right)\≤d,1\≤i\≤I\}$

$\underset{r=0}{\overset{R}{\mathrm{\Σ}}}{Y}_{i,j,r}\≤x_j,\∀1\≤i\≤I,j\∈L_i;$

$\underset{j=1}{\overset{J}{\Σ}}{x}_j\≤p;$

$\begin{array}{cc}\underset{j\∈L_i}{\Σ}{Y}_{i,j,r}=1& \∀1\≤i\≤I,0\≤r\≤R\end{array};$

$x_j\∈\{0,1\},\∀1\≤j\≤J;$

$Y_{i,j,r}\∈\{0,1\},\∀1\≤i\≤I,1\≤j\≤J,0\≤r\≤R;$

其中，i为泄漏场景编号；I为泄漏场景总数；P_i为第i个场景的发生概率；α为置信水平；D′_i(x)为考虑报警仪表决逻辑以及惩罚值的单个泄漏场景实时后果严重程度；d为在置信水平α下，D′_i(x)的分为点；为D′_i(x)的累积分布函数；表示在布置方案下，泄漏后果D′_i(x)小于d的场景集合。