CN108733009B - 一种多层架构的油品调合在线优化控制方法 - Google Patents
一种多层架构的油品调合在线优化控制方法 Download PDFInfo
- Publication number
- CN108733009B CN108733009B CN201810162677.3A CN201810162677A CN108733009B CN 108733009 B CN108733009 B CN 108733009B CN 201810162677 A CN201810162677 A CN 201810162677A CN 108733009 B CN108733009 B CN 108733009B
- Authority
- CN
- China
- Prior art keywords
- blending
- optimization
- oil
- attribute
- jth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002156 mixing Methods 0.000 title claims abstract description 162
- 238000005457 optimization Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000000203 mixture Substances 0.000 claims description 41
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 claims description 27
- 239000000047 product Substances 0.000 claims description 27
- 238000009472 formulation Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 10
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 239000012467 final product Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 229910052717 sulfur Inorganic materials 0.000 claims description 5
- 239000011593 sulfur Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 100
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种多层架构的油品调合在线优化控制方法，整个控制系统包括底层比例控制层、多变量协调控制层和优化层三层结构，底层比例控制直接执行配方指令并下达给现场控制系统；多变量协调控制层具有局部动态优化和协调功能，根据调合属性目标及其它过程信息获取局部较优的配方，并作为比例控制器的设定值；优化层根据调合成本或利润、属性卡边等目标，在满足过程约束的条件下计算出适应最优配方的瞬时属性设定值(上下限)，并下达给多变量协调控制器执行。三层架构的优化控制系统抗干扰能力增强，各层既可独立运行也可逐级控制，有效解决了调合优化过程中无可行解及组分油属性波动大导致控制不平稳等问题。
Description
技术领域
本发明涉及炼油企业油品调合领域，尤其是油品调合在线优化控制方法，具体是涉及一种多层架构的油品调合在线优化控制方法。
背景技术
油品调合是把两种或两种以上的组分油按适当的比例均匀混合，使混合后油品的质量指标符合相关的国家标准或生产要求。在满足质量指标或生产要求的前提下，尽可能地将各组分油品充分合理利用，调合出质量合格、质量过剩最小、成本最低的混合油品(成品油)，是炼油企业进一步提高经济效益的有效手段。随着质量指标的提升和油品种类的增多，调合过程由于要同时满足多个质量指标而变得更加复杂。生产高清洁油品需要精确控制成品油的质量指标，同时还要优化和降低组分油成本，传统的人工调合操作方式已经不能满足调合生产的要求。目前炼油企业已逐步实施在线调合优化控制方式，可以改变和消除人工调合的缺陷和弊端，实现油品性能指标精确控制，提高生产效率的同时提高油品一次调成率。同时在质量过剩最小、储罐充分利用以及降低能耗物耗的同时最终实现调合配方的优化。
发明内容
针对现有油品调合在线优化控制技术存在的缺陷，本发明提供一种多层架构的油品调合在线优化控制方法和设备/系统，整个控制系统包括底层比例控制层、多变量协调控制层和优化层三层结构，底层比例控制直接执行配方指令并下达给现场控制系统；多变量协调控制层具有局部动态优化和协调功能，根据调合属性目标及其它过程信息获取局部较优的配方，并作为比例控制器的设定值；优化层根据调合成本或利润、属性卡边等目标，在满足过程约束的条件下计算出适应最优配方的瞬时属性设定值(上下限)，并下达给多变量协调控制器执行。三层架构的优化控制系统抗干扰能力增强，各层既可独立运行也可逐级控制，有效解决了调合优化过程中无可行解及组分油属性波动大导致控制不平稳等问题。
因此，本发明提供一种多层架构的油品调合在线优化控制设备或控制系统，包括：
比例控制模块；
多变量协调控制模块；和
优化模块；
其中，所述比例控制模块执行所述多变量协调控制模块的配方指令；多变量协调控制模块具有局部优化和协调功能，确保比例控制模块平稳运行；优化模块在计划调度指令约束的范围内进行优化，以获得调合头质量属性瞬时上下限的设定值，作为多变量协调控制模块的被控变量设定值区间。
在一个或多个实施方案中，所述优化模块以成本最低及质量属性卡边为优化目标，结合各组分油流量上下限、泵负荷和质量属性上下限，进行优化求解，获得满足当前批次调合要求的调合头瞬时质量属性上下限的设定值，并将其作为多变量协调控制器的被控变量设定值。
在一个或多个实施方案中，所述多变量协调控制模块接受所述优化模块的调合头瞬时质量属性上下限的设定值，计算各组分油的调合配方，并下达给比例控制模块。
在一个或多个实施方案中，所述多变量协调控制模块为具有滚动优化控制策略的多变量预测控制模块。
在一个或多个实施方案中，所述多变量协调控制模块的控制算法采用动态矩阵控制，其轨迹优化表达式如下：
s.t. xj,min≤xj,k≤xj,max(j＝1,...,n)
yi,min≤yi,k≤yi,max(j＝1,...,m)
其中，m为受控变量数，n为操作变量数，p为预测时域，N为控制时域；yi,r为第i个受控变量的设定值，即调合头处油品质量参数设定值，yi,k为第i个受控变量在第k个时间间隔末的值，yi,min和yi,max为第i个受控变量的最小可能值和最大可能值；xi,r为第j个操纵变量的目标值，可以从实时优化层获得；xi,k为第j个操纵变量在第k个时间间隔末的值，xi,min和xi,max为第j个操纵变量的最小可能值和最大可能值，Δxj,k第j个操纵变量在第k个时间间隔末的变化量；γi代表第i个受控变量与其设定点方差权系数；wj代表第j个操纵变量与其目标值方差权系数；λj代表第j个操纵变量的活动抑制因子。
在一个或多个实施方案中，当油品调合优化控制系统达到稳态，即Δx＝0，所述多变量预测控制模块的行为表达为：
s.t.xj,min≤xj,t-1+Δxj,t≤xj,max(j＝1,...,n)
式中，t代表任何变量的当前值，ki,j代表第i个受控变量与第j个操纵变量的稳态增益。
在一个或多个实施方案中，所述多变量协调控制模块的操作变量(MVs)为各组分油配方，被控变量(CVs)为调合头质量属性瞬时设定值(上下限)。
在一个或多个实施方案中，所述设备还包括顺序逻辑控制模块、实时数据采集设备和调合头中的一个或多个。
在一个或多个实施方案中，所述实时数据采集设备包括在线测量调合后油品的质量属性参数的设备。
在一个或多个实施方案中，所述质量属性参数选自：RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率中的任意一个或多个。
在一个或多个实施方案中，所述实时数据采集设备包括近红外分析仪和硫含量分析仪。
在一个或多个实施方案中，所述比例控制模块设在DCS系统中，所述多变量协调控制模块及优化模块设在上位机中。
在一个或多个实施方案中，所述调合头瞬时质量属性上下限如下：
其中，
和
分别表示调合头第j种瞬时质量属性的上下限；
和
表示最终产品第j种质量属性的上下限，VProTol表示累积调合质量属性积；VProHeel表示罐底油质量属性积；VolH表示罐底质量；VolS表示调合总质量；VolT表示已调合质量。
在一个或多个实施方案中，多变量预测控制模块和优化模块联系紧密，优化命题用如下形式表达：
目标函数：
物料平衡约束：
配方约束：
属性约束：
其中：wp为加权系数，ri为第i个组分油的配方，Pricei为第i个组分油的价格，
和
为第i个组分油配方上下限，
和
为优化补偿后调合头第j个属性的上下限，Prozi,j′为第i个组分油的调合头第j个测量属性，n为总的调合组分数，m为总的调合头属性。
本发明还提供一种多层架构的油品调合在线优化控制方法，该方法包括以下步骤：
I、在线测量调合后油品的质量属性参数；
II、以成本最低及质量属性卡边为优化目标，结合各组分油流量上下限、泵负荷和质量属性上下限，进行优化求解，获得满足当前批次调合要求的调合头瞬时质量属性上下限的设定值；和
III、根据步骤II获得的调合头瞬时质量属性设定值(上下限)计算各组分油的调合配方，从而实现油品调合在线优化控制。
在一个或多个实施方案中，所述方法还包括步骤IV：通过调合规则计算调合头质量属性，并通过近红外分析数据或化验数据进行动态校正。
在一个或多个实施方案中，所述质量属性参数选自：RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率中的任意一个或多个。
在一个或多个实施方案中，所述调合头瞬时质量属性上下限如下：
其中，
和
分别表示调合头第j种瞬时质量属性的上下限；
和
表示最终产品第j种质量属性的上下限，VProTol表示累积调合质量属性积；VProHeel表示罐底油质量属性积；VolH表示罐底质量；VolS表示调合总质量；VolT表示已调合质量。
在一个或多个实施方案中，所述调合规则根据属性性质分为线性及非线性调合属性2类，分别建立软测量模型，包括RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率的软测量模型。
在一个或多个实施方案中，所述方法采用本文所述的多层架构的油品调合在线优化控制设备实施；其中，优化模块实施所述步骤II，获得调合头瞬时质量属性上下限的设定值；多变量协调控制模块实施所述步骤III，通过接受优化模块的调合头瞬时质量属性上下限的设定值计算各组分油的调合配方，并下达给比例控制模块；和比例控制模块执行多变量协调控制模块下达的配方指令。
在一个或多个实施方案中，多变量协调控制模块的操作变量(MVs)为各组分油配方，被控变量(CVs)为调合头质量属性瞬时设定值(上下限)；优化模块的优化目标是获得调合头质量属性瞬时设定值(上下限)。
在一个或多个实施方案中，步骤I中通过在线测量调合后油品的质量属性参数的设备在线测量调合后油品的质量属性参数。
在一个或多个实施方案中，步骤I中通过近红外分析仪和硫含量分析仪在线测量调合后油品的质量属性参数。
在一个或多个实施方案中，步骤II中，优化模块每5－10分钟进行一次优化计算。
在一个或多个实施方案中，所述多变量协调控制模块为具有滚动优化控制策略的多变量预测控制模块，其控制算法采用动态矩阵控制，其轨迹优化表达式如下：
其中，m为受控变量数，n为操作变量数，p为预测时域，N为控制时域；yi,r为第i个受控变量的设定值，即调合头处油品质量参数设定值，yi,k为第i个受控变量在第k个时间间隔末的值，yi,min和yi,max为第i个受控变量的最小可能值和最大可能值；xi,r为第j个操纵变量的目标值，可以从实时优化层获得；xi,k为第j个操纵变量在第k个时间间隔末的值，xi,min和xi,max为第j个操纵变量的最小可能值和最大可能值，Δxj,k第j个操纵变量在第k个时间间隔末的变化量；γi代表第i个受控变量与其设定点方差权系数；wj代表第j个操纵变量与其目标值方差权系数；λj代表第j个操纵变量的活动抑制因子。
在一个或多个实施方案中，当油品调合优化控制系统达到稳态，即Δx＝0，多变量预测控制模块的行为表达为：
s.t.xj,min≤xj,t-1+Δxj,t≤xj,max(j＝1,...,n)
式中，t代表任何变量的当前值，ki,j代表第i个受控变量与第j个操纵变量的稳态增益。
在一个或多个实施方案中，多变量预测控制模块和优化模块联系紧密，优化命题用如下形式表达：
目标函数：
物料平衡约束：
配方约束：
属性约束：
其中：wp为加权系数，ri为第i个组分油的配方，Pricei为第i个组分油的价格，
和
为第i个组分油配方上下限，
和
为优化补偿后调合头第j个属性的上下限，Prozi,j′为第i个组分油的调合头第j个测量属性，n为总的调合组分数，m为总的调合头属性。
附图说明
图1为本发明的多层架构油品调合在线优化控制系统结构图。
图2为本发明的多层架构油品调合在线优化控制系统原理图。
具体实施方式
针对现有油品调合在线优化控制技术存在的缺陷，本发明在底层比例控制层和优化层之间设置多变量协调控制层。多变量协调控制是基于模型的多入多出控制系统，具有滚动优化的功能，能很好的解决现有技术所存在的问题，即使优化求解无法适应实际工况变化，多变量控制器也能较好的输出次优解，确保调合优化控制系统的平稳运行，在此基础上实现调合批次结束前的最优控制目标。
因此，本发明提供一种多层架构的油品调合在线优化控制设备，包括：比例控制模块；多变量协调控制模块；和优化模块。
优化模块设置用于在计划调度指令约束的范围内进行优化。优化模块的优化目标可根据实际生产情况确定。在某些实施方案中，优化目标可设为成本最低和/或质量属性卡边。优化模块进行求解时，可结合各组分油流量上下限、泵负荷和质量属性上下限等进行，以获得满足当前批次调合要求的调合头瞬时质量属性上下限的设定值。
本文中，合适的质量属性参数包括但不限于RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率中的任意一个或多个。各质量属性参数可采用本领域熟知的设备进行采集。合适的实时数据采集设备包括在线测量调合后油品的质量属性参数的设备，包括近红外分析仪和硫含量分析仪。
在某些实施方案中，调合头瞬时质量属性上下限如下：
其中，
和
分别表示调合头第j种瞬时质量属性的上下限；
和
表示最终产品第j种质量属性的上下限，VProTol表示累积调合质量属性积；VProHeel表示罐底油质量属性积；VolH表示罐底质量；VolS表示调合总质量；VolT表示已调合质量。
多变量协调控制模块设置用于接受由优化模块获得的调合头瞬时质量属性设定值(指上下限)，计算出各组分油的调合配方，并下达给比例控制模块。其中，调合头质量属性瞬时设定值(指上下限)可被用作多变量协调控制模块的被控变量(CVs)，而各组分油配方则被用作多变量协调控制模块的操作变量(MVs)。多变量协调控制模块具有局部优化和协调功能，可确保比例控制模块平稳运行。
在某些实施方案中，多变量协调控制模块为具有滚动优化控制策略的多变量预测控制模块。在某些实施方案中，变量预测控制模块的控制算法采用动态矩阵控制，其轨迹优化表达式如下：
s.t.xj,min≤xj,k≤xj,max(j＝1,...,n)
yi,min≤yi,k≤yi,max(j＝1,...,m)
其中，m为受控变量数，n为操作变量数，p为预测时域，N为控制时域；yi,r为第i个受控变量的设定值，即调合头处油品质量参数设定值，yi,k为第i个受控变量在第k个时间间隔末的值，yi,min和yi,max为第i个受控变量的最小可能值和最大可能值；xi,r为第j个操纵变量的目标值，可以从实时优化层获得；xi,k为第j个操纵变量在第k个时间间隔末的值，xi,min和xi,max为第j个操纵变量的最小可能值和最大可能值，Δxj,k第j个操纵变量在第k个时间间隔末的变化量；γi代表第i个受控变量与其设定点方差权系数；wj代表第j个操纵变量与其目标值方差权系数；λj代表第j个操纵变量的活动抑制因子。
当油品调合优化控制系统达到稳态，即Δx＝0，所述多变量预测控制模块的行为表达为：
s.t.xj,min≤xj,t-1+Δxj,t≤xj,max(j＝1,...,n)
式中，t代表任何变量的当前值，ki,j代表第i个受控变量与第j个操纵变量的稳态增益。
通常情况下，多变量预测控制模块和优化模块联系紧密，优化命题用如下形式表达：
目标函数：
物料平衡约束：
配方约束：
属性约束：
其中：wp为加权系数，ri为第i个组分油的配方，Pricei为第i个组分油的价格，
和
为第i个组分油配方上下限，
和
为优化补偿后调合头第j个属性的上下限，Prozi,j′为第i个组分油的调合头第j个测量属性，n为总的调合组分数，m为总的调合头属性。
比例控制模块设置用于执行所述多变量协调控制模块的配方指令，属于最底层控制器，需具备快速性、可靠性及一定的精度。
在某些实施方案中，本发明的设备还包括顺序逻辑控制模块、实时数据采集设备和调合头中的一个或多个。在某些实施方案中，比例控制模块设在DCS系统中，多变量协调控制模块及优化模块设在上位机中。
本发明还提供一种油品调合在线优化方法，该方法包括以下步骤：
I、在线测量调合后油品的质量属性参数；
II、以成本最低及质量属性卡边为优化目标，结合各组分油流量上下限、泵负荷和质量属性上下限，进行优化求解，获得满足当前批次调合要求的调合头瞬时质量属性上下限的设定值，并将其作为被控变量；和
III、根据步骤II获得的调合头瞬时质量属性上下限的设定值计算各组分油的调合配方，从而实现油品调合在线优化，即比例控制。
可在线测量的质量属性参数可选自RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率中的任意一个或多个。可采用本领域常规的在线测量调合后油品的质量属性参数的设备在线测量调合后油品的质量属性参数，这类设备包括但不限于近红外分析仪和硫含量分析仪。
该方法中，调合头瞬时质量属性上下限如下：
其中，
和
分别表示调合头第j种瞬时质量属性的上下限；
和
表示最终产品第j种质量属性的上下限，VProTol表示累积调合质量属性积；VProHeel表示罐底油质量属性积；VolH表示罐底质量；VolS表示调合总质量；VolT表示已调合质量。
在某些实施方案中，步骤II中，每5-10分钟进行一次优化计算。
可将所获得的调合头瞬时质量属性作为被控变量(CVs)，以各组分油配方为操作变量(MVs)，计算各组分油的调合配方。计算时，可采用具有滚动优化控制策略的多变量预测控制模块，其控制算法采用动态矩阵控制，其轨迹优化表达式如下：
其中，m为受控变量数，n为操作变量数，p为预测时域，N为控制时域；yi,r为第i个受控变量的设定值，即调合头处油品质量参数设定值，yi,k为第i个受控变量在第k个时间间隔末的值，yi,min和yi,max为第i个受控变量的最小可能值和最大可能值；xi,r为第j个操纵变量的目标值，可以从实时优化层获得；xi,k为第j个操纵变量在第k个时间间隔末的值，xi,min和xi,max为第j个操纵变量的最小可能值和最大可能值，Δxj,k第j个操纵变量在第k个时间间隔末的变化量；γi代表第i个受控变量与其设定点方差权系数；wj代表第j个操纵变量与其目标值方差权系数；λj代表第j个操纵变量的活动抑制因子。
轨迹优化表达式第一项为对象动态模型输出跟踪设定值约束，即为了使输出预测值尽可能接近期望值；第二项为操纵变量与其目标值间的约束，主要是反映调合的优化要求，期望操纵变量接近优化结果的输出，使得误差值最小；第三项为对操纵变量的软约束，目的是防止控制量的变化过于激烈。
当油品调合优化控制系统达到稳态，即Δx＝0，多变量预测控制模块的行为表达为：
s.t.xj,min≤xj,t-1+Δxj,t≤xj,max(j＝1,...,n)
式中，t代表任何变量的当前值，ki,j代表第i个受控变量与第j个操纵变量的稳态增益。
在某些实施方案中，多变量预测控制和优化联系紧密，优化命题用如下形式表达：
目标函数：
物料平衡约束：
配方约束：
属性约束：
其中：wp为加权系数，ri为第i个组分油的配方，Pricei为第i个组分油的价格，
和
为第i个组分油配方上下限，
和
为优化补偿后调合头第j个属性的上下限，Prozi,j′为第i个组分油的调合头第j个测量属性，n为总的调合组分数，m为总的调合头属性。
在某些实施方案中，所述方法采用本文所述的多层架构的油品调合在线优化控制设备实施；其中，优化模块实施所述步骤II，获得调合头瞬时质量属性上下限的设定值；多变量协调控制模块实施所述步骤III，通过接受优化模块的调合头瞬时质量属性上下限的设定值计算各组分油的调合配方，并下达给比例控制模块；和比例控制模块执行多变量协调控制模块下达的配方指令。
在某些实施方案中，所述方法还包括步骤IV：通过调合规则计算调合头质量属性，并通过近红外分析数据或化验数据进行动态校正。
合适的调合规则可根据属性性质分为线性及非线性调合属性2类，分别建立软测量模型，包括RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率的软测量模型。可采用本领域周知的技术实施所述步骤IV，获得调合规则，并计算调合头质量属性。
在某些实施方案中，比例控制在现场控制系统中组态实现，多变量协调控制及优化以软件形式在上位机中运行。
适用于本发明的调合油品包括汽油、柴油、航煤、石脑油及轻质原油等。
传统的油品调合在线优化控制一般由底层比例控制层加优化控制层两层控制结构构成，如果组分油属性稳定，比例调节幅度不大时，这种控制结构能较好的满足实际需求。但是由于油品调合具有快时变、非线性、多扰动、多输入和多输出等特点，这种控制结构在组分油属性波动大时优化控制效果不太理想，容易导致底层比例控制与上层优化控制脱节，优化求解过程无法适应实际工况变化，甚至会导致控制失稳。
因此，采用底层比例控制、多变量协调控制及上层优化的三层优化控制结构能很好的发挥各自的优势，并确保调合控制系统平稳、快速的执行，最终实现全局优化的目的。
下面结合附图对本发明做进一步说明：
如图1和图2所示，整个系统包括比例控制层、多变量协调控制层和优化层三层结构，多变量协调控制层具有局部动态优化和协调功能，其目的是确保质量属性合格的前提下配方变化平稳。优化层进行全局优化，以调合利润最大化及质量属性卡边为优化目标，在满足实际工况约束的前提下计算调合头瞬时质量属性并下达给多变量协调控制层，由多变量协调控制层进一步在当前配方的基础上求解新的配方。
对于多层架构的控制系统中的多变量协调控制器，本实施例采用具有滚动优化控制策略的多变量预测控制器。基本控制算法采用动态矩阵控制，其轨迹优化表达式如下：
s.t.xj,min≤xj,k≤xj,max(j＝1,...,n)
yi,min≤yi,k≤yi,max(j＝1,...,m)
其中，m为受控变量数，n为操作变量数，p为预测时域，N为控制时域；yi,r为第i个受控变量的设定值，即调合头处油品质量参数设定值，yi,k为第i个受控变量在第k个时间间隔末的值，yi,min和yi,max为第i个受控变量的最小可能值和最大可能值；xi,r为第j个操纵变量的目标值，可以从实时优化层获得；xi,k为第j个操纵变量在第k个时间间隔末的值，xi,min和xi,max为第j个操纵变量的最小可能值和最大可能值，Δxj,k第j个操纵变量在第k个时间间隔末的变化量；γi代表第i个受控变量与其设定点方差权系数；wj代表第j个操纵变量与其目标值方差权系数；λj代表第j个操纵变量的活动抑制因子。
轨迹优化表达式第一项为对象动态模型输出跟踪设定值约束，即为了使输出预测值尽可能接近期望值；第二项为操纵变量与其目标值间的约束，主要是反映调合的优化要求，期望操纵变量接近优化结果的输出，使得误差值最小；第三项为对操纵变量的软约束，目的是防止控制量的变化过于激烈。
当油品调合优化控制系统达到稳态，即Δx＝0，多变量预测控制器的行为可表达为：
s.t.xj,min≤xj,t-1+Δxj,t≤xj,max(j＝1,...,n)
式中，t代表任何变量的当前值，ki,j代表第i个受控变量与第j个操纵变量的稳态增益。
对于一种多层架构的油品调合在线优化控制方法，多变量预测控制层和优化层联系紧密，优化命题用如下形式表达：
目标函数：
物料平衡约束：
配方约束：
属性约束：
其中：wp为加权系数，ri为第i个组分油的配方，Pricei为第i个组分油的价格，
和
为第i个组分油配方上下限，
和
为优化补偿后调合头第j个属性的上下限，Prozi,j′为第i个组分油的调合头第j个测量属性，n为总的调合组分数，m为总的调合头属性。
具体实施上述一种多层架构的油品调合在线优化控制方法后，在存在干扰的情况下，调合头均能快速实现在质量属性合格的前提下获得最优配方，即使在优化层停止运行的情况下，多变量控制器也能独立求解配方的局部优化值，各层之间既相互协作也能独立运行，从而确保油品调合控制系统的可控性和鲁棒性。
Claims (17)
1.一种油品调合在线优化控制设备，包括：
比例控制模块；
多变量协调控制模块；和
优化模块；
其中，所述比例控制模块执行所述多变量协调控制模块的配方指令；所述多变量协调控制模块具有局部优化和协调功能，确保比例控制模块平稳运行；所述优化模块在计划调度指令约束的范围内进行优化，以获得调合头质量属性瞬时上下限的设定值，作为多变量协调控制模块的被控变量设定值区间；
其中，所述调合头瞬时质量属性上下限如下：
其中，
和
分别表示调合头第j种瞬时质量属性的上下限；
和
表示最终产品第j种质量属性的上下限，VProTol表示累积调合质量属性积；VProHeel表示罐底油质量属性积；VolH表示罐底质量；VolS表示调合总质量；VolT表示已调合质量；
所述多变量协调控制模块为具有滚动优化控制策略的多变量预测控制模块，所述多变量预测控制模块和优化模块联系紧密，优化命题用如下形式表达：
目标函数：
物料平衡约束：
配方约束：
属性约束：
其中：wp为加权系数，ri为第i个组分油的配方，Pricei为第i个组分油的价格，
和
为第i个组分油配方上下限，
和
为优化补偿后调合头第j个属性的上下限，Prozi,j′为第i个组分油的调合头第j个测量属性，n为总的调合组分数，m为总的调合头属性。
2.如权利要求1所述的设备，其特征在于，所述比例控制模块设在DCS系统中，所述多变量协调控制模块和优化模块设在上位机中。
3.如权利要求1所述的设备，其特征在于，
所述优化模块以成本最低及质量属性卡边为优化目标，结合各组分油流量上下限、泵负荷和质量属性上下限，进行优化求解，获得满足当前批次调合要求的调合头瞬时质量属性上下限的设定值，并将其作为多变量协调控制器的被控变量设定值区间；和/或
所述多变量协调控制模块接受所述优化模块的调合头瞬时质量属性上下限的设定值作为被控变量设定值，计算各组分油的调合配方，并下达给比例控制模块。
4.如权利要求3所述的设备，其特征在于，所述多变量协调控制模块的操作变量为各组分油配方。
5.如权利要求1-4中任一项所述的设备，其特征在于，所述质量属性参数选自：RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率中的任意一个或多个。
6.如权利要求1-4中任一项所述的设备，其特征在于，所述多变量协调控制模块的控制算法采用动态矩阵控制，其轨迹优化表达式如下：
s.t.xj,min≤xj,k≤xj,max(j＝1,...,n)
yi,min≤yi,k≤yi,max(j＝1,...,m)
其中，m为受控变量数，n为操作变量数，p为预测时域，N为控制时域；yi,r为第i个受控变量的设定值，即调合头处油品质量参数设定值，yi,k为第i个受控变量在第k个时间间隔末的值，yi,min和yi,max为第i个受控变量的最小可能值和最大可能值；xi,r为第j个操纵变量的目标值，从实时优化层获得；xi,k为第j个操纵变量在第k个时间间隔末的值，xi,min和xi,max为第j个操纵变量的最小可能值和最大可能值，Δxj,k第j个操纵变量在第k个时间间隔末的变化量；γi代表第i个受控变量与其设定点方差权系数；wj代表第j个操纵变量与其目标值方差权系数；λj代表第j个操纵变量的活动抑制因子。
7.如权利要求6所述的设备，其特征在于，当油品调合优化控制系统达到稳态，即Δx＝0，所述多变量预测控制模块的行为表达为：
s.t.xj,min≤xj,t-1+Δxj,t≤xj,max(j＝1,...,n)
式中，t代表任何变量的当前值，ki,j代表第i个受控变量与第j个操纵变量的稳态增益。
8.如权利要求1所述的设备，其特征在于，所述设备还包括顺序逻辑控制模块、实时数据采集设备和调合头中的一个或多个。
9.如权利要求8所述的设备，其特征在于，所述实时数据采集设备包括在线测量调合后油品的质量属性参数的设备。
10.如权利要求9所述的设备，其特征在于，所述实时数据采集设备包括近红外分析仪和硫含量分析仪。
11.一种油品调合在线优化控制方法，其特征在于，所述方法包括以下步骤：
I、在线测量调合后油品的质量属性参数；
II、以成本最低及质量属性卡边为优化目标，结合各组分油流量上下限、泵负荷和质量属性上下限，进行优化求解，获得满足当前批次调合要求的调合头瞬时质量属性上下限的设定值，并将其作为被控变量设定值；和
III、根据步骤II获得的调合头瞬时质量属性设定值计算各组分油的调合配方，从而实现油品调合在线优化，即比例控制；和任选的
IV：通过调合规则计算调合头质量属性，并通过近红外分析数据或化验数据进行动态校正；
其中，所述调合头瞬时质量属性上下限如下：
其中，
和
分别表示调合头第j种瞬时质量属性的上下限；
和
表示最终产品第j种质量属性的上下限，VProTol表示累积调合质量属性积；VProHeel表示罐底油质量属性积；VolH表示罐底质量；VolS表示调合总质量；VolT表示已调合质量；和
将所获得的调合头瞬时质量属性作为被控变量，以各组分油配方为操作变量，计算各组分油的调合配方；计算时，采用具有滚动优化控制策略的多变量预测控制模块，其控制算法采用动态矩阵控制，其中，多变量预测控制和优化联系紧密，优化命题用如下形式表达：
目标函数：
物料平衡约束：
配方约束：
属性约束：
其中：wp为加权系数，ri为第i个组分油的配方，Pricei为第i个组分油的价格，
和
为第i个组分油配方上下限，
和
为优化补偿后调合头第j个属性的上下限，Prozi,j′为第i个组分油的调合头第j个测量属性，n为总的调合组分数，m为总的调合头属性。
12.如权利要求11所述的方法，其特征在于，所述质量属性参数选自：RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率中的任意一个或多个。
13.如权利要求11所述的方法，其特征在于，所述多变量预测控制模块的控制算法采用动态矩阵控制，其轨迹优化表达式如下：
s.t.xj,min≤xj,k≤xj,max(j＝1,...,n)
yi,min≤yi,k≤yi,max(j＝1,…,m)
其中，m为受控变量数，n为操作变量数，p为预测时域，N为控制时域；yi,r为第i个受控变量的设定值，即调合头处油品质量参数设定值，yi,k为第i个受控变量在第k个时间间隔末的值，yi,min和yi,max为第i个受控变量的最小可能值和最大可能值；xi,r为第j个操纵变量的目标值，从实时优化层获得；xi,k为第j个操纵变量在第k个时间间隔末的值，xi,min和xi,max为第j个操纵变量的最小可能值和最大可能值，Δxj,k第j个操纵变量在第k个时间间隔末的变化量；γi代表第i个受控变量与其设定点方差权系数；wj代表第j个操纵变量与其目标值方差权系数；λj代表第j个操纵变量的活动抑制因子。
14.如权利要求11所述的方法，其特征在于，当油品调合优化控制系统达到稳态，即Δx＝0，多变量预测控制模块的行为表达为：
s.t.xj,min≤xj,t-1+Δxj,t≤xj,max(j＝1,...,n)
式中，t代表任何变量的当前值，ki,j代表第i个受控变量与第j个操纵变量的稳态增益。
15.如权利要求11-14中任一项所述的方法，其特征在于，所述调合规则根据属性性质分为线性及非线性调合属性2类，分别建立软测量模型，包括RON、芳烃含量、氧含量、苯含量、密度、十六烷值、闪点、干点、石脑油收率和渣油收率的软测量模型。
16.如权利要求11-14中任一项所述的方法，其特征在于，所述方法采用权利要求1-10中任一项所述的油品调合在线优化控制设备实施；
其中，优化模块实施所述步骤II，获得调合头瞬时质量属性上下限的设定值；
多变量协调控制模块实施所述步骤III，通过接受优化模块的调合头瞬时质量属性上下限的设定值计算各组分油的调合配方，并下达给比例控制模块；和
比例控制模块执行多变量协调控制模块下达的配方指令。
17.如权利要求16所述的方法，其特征在于，优化模块每5-10分钟进行一次优化计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810162677.3A CN108733009B (zh) | 2018-02-26 | 2018-02-26 | 一种多层架构的油品调合在线优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810162677.3A CN108733009B (zh) | 2018-02-26 | 2018-02-26 | 一种多层架构的油品调合在线优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108733009A CN108733009A (zh) | 2018-11-02 |
| CN108733009B true CN108733009B (zh) | 2021-04-09 |
Family
ID=63940901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810162677.3A Active CN108733009B (zh) | 2018-02-26 | 2018-02-26 | 一种多层架构的油品调合在线优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108733009B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726493B (zh) * | 2019-01-04 | 2021-03-23 | 厦门大学 | 一种渣油气化炉炉膛内气体组分浓度在线软测量方法 |
| CN109765789B (zh) * | 2019-03-29 | 2022-04-19 | 华东理工大学 | 考虑罐底油属性的原油调合双调合头协调优化方法 |
| CN109994160B (zh) * | 2019-03-29 | 2023-08-15 | 华东理工大学 | 一种原油调合的调合效应参数的计算方法 |
| CN113110336B (zh) * | 2021-04-20 | 2022-07-15 | 南京富岛信息工程有限公司 | 一种考虑调度约束的原油动态调合方法 |
| CN117930639A (zh) * | 2022-10-17 | 2024-04-26 | 中国石油化工股份有限公司 | 反应器的自动控制方法、机器可读存储介质及处理器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694571A (zh) * | 2009-10-21 | 2010-04-14 | 华东理工大学 | 汽油在线调合方法 |
| CN102375411A (zh) * | 2010-08-21 | 2012-03-14 | 中国石油化工股份有限公司 | 一种油品在线调合方法及装置 |
| CN103324084A (zh) * | 2013-07-11 | 2013-09-25 | 南京富岛信息工程有限公司 | 一种面向沥青质控制的原油在线调合方法 |
| CN103605384A (zh) * | 2013-09-30 | 2014-02-26 | 洛阳先控科技有限公司 | 一种多目标多组分汽油生产的实时优化调合方法 |
| CN104007658A (zh) * | 2014-06-13 | 2014-08-27 | 南京富岛信息工程有限公司 | 一种具有双重循环优化的汽油在线调合方法 |
-
2018
- 2018-02-26 CN CN201810162677.3A patent/CN108733009B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694571A (zh) * | 2009-10-21 | 2010-04-14 | 华东理工大学 | 汽油在线调合方法 |
| CN102375411A (zh) * | 2010-08-21 | 2012-03-14 | 中国石油化工股份有限公司 | 一种油品在线调合方法及装置 |
| CN103324084A (zh) * | 2013-07-11 | 2013-09-25 | 南京富岛信息工程有限公司 | 一种面向沥青质控制的原油在线调合方法 |
| CN103605384A (zh) * | 2013-09-30 | 2014-02-26 | 洛阳先控科技有限公司 | 一种多目标多组分汽油生产的实时优化调合方法 |
| CN104007658A (zh) * | 2014-06-13 | 2014-08-27 | 南京富岛信息工程有限公司 | 一种具有双重循环优化的汽油在线调合方法 |
Non-Patent Citations (3)
| Title |
|---|
| On-line gasoline blending optimization with in-flow blend quality analysis;Anosov, A. A.等;《Automation and Remote Control》;20171231;第78卷(第3期);全文 * |
| 汽油在线调和优化技术;孙久和;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20160415(第4期);正文第13、17、19-22和28-30页 * |
| 汽油调合系统的设计及应用;刘朝;《万方学位论文数据库》;20101231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108733009A (zh) | 2018-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108733009B (zh) | 一种多层架构的油品调合在线优化控制方法 | |
| CN101349893B (zh) | 自适应模型预测控制装置 | |
| CN104765346B (zh) | 一种炼油过程全流程建模方法 | |
| Song et al. | Efficiency of tradable green certificate markets in China | |
| CN102768702B (zh) | 基于集成控制优化的炼油生产过程调度优化建模方法 | |
| WO2020199665A1 (zh) | 一种多目标原油调合在线优化方法 | |
| CN109033505A (zh) | 一种基于深度学习的超快冷温度控制方法 | |
| CN117270483B (zh) | 化工生产装置全流程动态优化控制方法、装置、电子设备 | |
| CN108333943A (zh) | 基于增量模式的原油调合在线优化方法 | |
| CN112085156B (zh) | 一种分压线损率预测及降损潜力评估方法及系统 | |
| CN103605384B (zh) | 一种多目标多组分汽油生产的实时优化调合方法 | |
| Zhan | Allocation of carbon emission quotas among provinces in China: efficiency, fairness and balanced allocation | |
| Zhang et al. | Intelligent demand response resource trading using deep reinforcement learning | |
| KR20210144862A (ko) | 원유 블렌딩의 블렌딩 효과 파라미터의 계산 방법 | |
| Vimmerstedt et al. | Dynamic modeling of learning in emerging energy industries: The example of advanced biofuels in the United States | |
| CN112347629A (zh) | 基于流程模拟软件的常减压装置模拟计算优化平台 | |
| Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
| CN112821383A (zh) | 一种基于深度学习的电力系统自然频率特性系数区间预测方法 | |
| CN117273786A (zh) | 民用客机市场直接运营成本的估计方法 | |
| CN106919979A (zh) | 一种利用改进遗传算法实现棉花加工过程智能控制的方法 | |
| CN115983664A (zh) | 一种基于模糊分析的储能参与电力市场交易效果的综合评价方法 | |
| CN115186914A (zh) | 一种基于bp神经网络的焦炭质量预测方法及系统 | |
| CN109842160B (zh) | 基于两个时点协调优化发电控制的决策方法、装置及系统 | |
| CN112766726A (zh) | 一种电网作业标准成本调整系数的制定方法 | |
| CN109765789B (zh) | 考虑罐底油属性的原油调合双调合头协调优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |