CN109765788A - 一种多目标原油调合在线优化方法 - Google Patents
一种多目标原油调合在线优化方法 Download PDFInfo
- Publication number
- CN109765788A CN109765788A CN201910250894.2A CN201910250894A CN109765788A CN 109765788 A CN109765788 A CN 109765788A CN 201910250894 A CN201910250894 A CN 201910250894A CN 109765788 A CN109765788 A CN 109765788A
- Authority
- CN
- China
- Prior art keywords
- blending
- individual
- oil
- component
- indicate
- 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.)
- Granted
Links
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (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
本发明公开了一种多目标原油调合在线优化方法。所述方法包括步骤:首先,进行调合任务参数初始化;其次,设置优化周期、目标函数权重,设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量以及各组分油的单位质量成本;再次,根据预定优化周期获取各调合组分及罐底油属性数据,更新罐底油尺、组分油储量、本批次的调合剩余时间;和最后,求取当前优化周期各调合组分的最优配方,并送至调合控制系统执行。
Description
技术领域
本发明涉及炼油企业原油加工领域,尤其是原油调合的优化方法。
背景技术
为实现综合效益最大化,在原油调合过程中往往需要对多种优化目标进行权衡。而在原油调合实际工业中,由于传统算法计算能力的限制,炼油企业大多仅能进行单目标优化,而忽略了其他目标,从而无法做到充分的权衡。如在要求调合成本最低时,就无法将密度等属性控制到某个目标值,只要求在一定范围内,牺牲了生产过程的可控性,限制了生产水平以及产品质量的进一步提高。而在对密度等属性提出要求时,由于缺少成本最小的目标,失去了对方案的比较环节,造成了不必要的浪费。
因此,本领域迫切需要提供一种智能优化算法,以便更容易找到问题的全局最优解,从而更好地指导生产过程。
发明内容
本发明旨在提供一种多目标原油调合在线优化方法。
本发明提供一种多目标原油调合在线优化方法,所述方法包括以下步骤:
首先,进行调合任务参数初始化;
其次,设置优化周期、目标函数权重,设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量以及各组分油的单位质量成本;
再次,根据预定优化周期获取各调合组分及罐底油属性数据,更新罐底油尺、组分油储量、本批次的调合剩余时间;和
最后,求取当前优化周期各调合组分的最优配方,并送至调合控制系统执行。
在另一优选例中,所述调合任务参数包括参与调合的组分油品、相应储罐罐号以及调合罐罐号、各调合组分油配方的上限与下限、调合头流量、目标调合油尺、目标调合密度值以及本批次调合时间;更佳地,所述调合任务参数还包括罐底油油尺。
在另一优选例中,所述原油属性包括密度、硫含量、酸值和石脑油收率。
在另一优选例中,建立了如公式(1)所示的原油调合在线优化多目标数学模型:
其中,
i(i=1,2,…,n)调合组分油品标号;
l(l=1,2,…,n)表示原油属性指标(硫含量、酸值、石脑油收率等);
ri待优化的各组分油配方值;ci表示各组分油的单位质量成本;
wc,wg分别表示调合成本最低权值,和调合后原油密度与目标密度偏差最小权值;
ρm表示调合头的目标密度;
Pρ表示调合头处组分油密度的调合预测值;
TP(Pρ)表示调合罐中的原油属性预测值,是调合头处组分油的调合密度预测值Pρ的函数;
t表示本批次的调合剩余时间;
Bci表示第i个组分参炼线最大流量;
B表示调合头本批次的流量;
Vi表示组分油i的储量;ri_min和ri_max分别表示组分油i的配方的上下限;
sl_min和sl_max分别表示属性值l的上下限;
Pl表示调合头处组分油属性的调合预测值;
TP(Pl)表示调合罐中的原油属性预测值,是调合头处组分油的调合属性预测值Pl的函数。
在另一优选例中,采用式(2)和式(3)得到全罐原油属性指标要求调合罐中的原油密度与属性的预测值TP(Pρ)与TP(Pl):
其中,
TVOL表示调合目标质量;
HVOL表示调合罐底油质量;
Tρ表示罐底油密度;
Tl表示罐底油l属性的值。
在另一优选例中,采用基于非支配排序的自适应差分进化(NondominatedSorting Adaptive Differential Evolution,简称NSJADE,)优化算法求取最优配方:
(1)初始化种群P,种群大小为NP;
(2)初始化μCR=0.5,μF=0.5,
(3)对种群P进行非支配排序;
(4)循环开始,当算法终止条件尚未满足时,进行:
(i)设置
(ii)针对种群P中的每一个个体xi,生成对应的比例因子Fi=randci(μF,0.1)和交叉概率CRi=randni(μCR,0.1);
(iii)从适应度值前100p%的个体中随机挑选一个个体,记为xp,best,从种群P中选择个体xr1,xr1≠xi,从种群P∪A中选择个体xr2,xr2≠xr1≠xi;
(iv)生成变异向量vi=xi+Fi·(xp,best-xi)+Fi·(xr1-xr2);
(v)生成试验向量ui;
(vi)比较xi和ui的适应度函数值,若ui优于xi,则将xi放入A中,Fi放入SF中,CRi放入SCR中;
(vii)在每一代更新结束后,随机移除A中的个体,使得|A|≤NP;
(viii)更新μF和μCR:μF=(1-c)·μF+c·meanL(SF),μCR=(1-c)·μCR+c·meanA(SCR)
(ix)合并父代种群x和子代种群u,进行非支配排序操作,筛选前NP个个体为下一代的种群;
(5)算法停止,得到最终种群NP;
其中,randci表示正态分布;randci表示柯西分布;meanA表示普通的算术平均;meanL表示普通的Lehmer平均,如下式(4)所示:
SF与SCR分别用于储存成功产生相比于父代xi更优秀试验向量ui的Fi与CRi;产生试验向量的方法如以下式(5)所示:
其中,
uj,i,g表示第g代第i个个体的试验向量ui的第j个分量;
vj,i,g表示第g代第i个个体的变异向量vi的第j个分量;
xj,i,g表示第g代第i个个体xi的第j个分量;
jrank为保证变异信息的引入而随机选定的一个j。
在另一优选例中,所述基于非支配排序的自适应差分进化优化算法,采用非支配排序对个体进行评价与排序,其中,Pareto支配关系作为个体评价的第一个指标,拥挤距离作为评价的第二个指标,步骤为:
①对于各个体p,创建支配该个体的个体集Sp,并设置Sp中个体数为np,设置i=1;
②对于np为0的个体将其归于第1级,该个体其所在级数prank=1,i=i+1;
③将属于第1级的个体从含该个体的Sp中删去,相应np减1;
④对于np为0的个体将其归于第i级,该个体其所在级数prank=i,i=i+1;
⑤若不存在未归入某一级中的个体则转到第(6)步,否则返回第(3)步;
⑥对于同级的个体,对于各目标函数分别进行一次排序;
⑦对于个体q,定义I.m.q为其在同级个体中在关于第m个目标的排序中相邻的两个个体在第m个目标的差值,其为正值,对于在边界上的个体,其I.m.q为正无穷,并设在该级上关于第m个目标,其最大值与最小值为fm_max与fm_min,采用式(6)分别计算各个体q的拥挤距离:
⑧按以下准则进行排序,对于个体i与j,规定(a)irank<jrank时或(b)irank=jrank且idistance>jdistance时,个体i优秀于j,将所有个体从优到劣进行排序。
据此,本发明提供了一种智能优化算法,以便更容易找到问题的全局最优解,从而更好地指导生产过程。
附图说明
图1是原油调合在线优化系统结构图。
图2是原油调合在线优化方法流程图。
图3是基于非支配排序的自适应差分进化优化算法流程图。
具体实施方式
发明人经过广泛而深入的研究,针对炼油企业原油调合生产中由于传统算法的能力限制仅能进行单目标优化,无法进行各优化目标的充分权衡的问题,提出了一种原油调合的多目标在线优化方法,并采用基于非支配排序的自适应差分进化优化方法进行优化求解。
例如,发明人考虑了调合成本最低、调合后原油密度与目标密度偏差最小、同时考虑了各种原油质量指标约束(硫含量、酸值、石脑油收率、氮含量等)、各组分油的库存限制、各组分油的配方限制和流量限制等。在满足各约束的条件下,实现对优化目标的充分权衡,并将所得最优配方送入控制系统,实现实际生产的综合效益的最大化。在此基础上,完成了本发明。
具体地,本发明提供的原油调合的多目标在线优化方法包括以下步骤:
第一步,进行调合认为参数初始化;
第二步,设置优化周期、目标函数权重、设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量、和/或各组分油的单位质量成本;
第三步,根据优化周期获取各调合组分油以及罐底油的属性数据,更新罐底油尺、组分油储量、本批次的调合剩余时间;
第四步,计算最优配方;
第五步,将当前最优配方送至调合控制系统执行。
在本发明的一种实施方式中,上述第一步中选定参与调合的组分油品、相应储罐罐号以及调合罐罐号、各调合组分油配方的上限与下限、调合头流量、罐底油油尺、目标调合油尺、目标调合密度值、和/或本批次调合时间。
在本发明的一个实施例中,系统中可包含至少两个原油组分罐,调合过程按批次进行,每批次调合量是已知的,由调度部门根据生产情况确定。
在本发明的一种实施方式中,上述第四步在满足一定约束条件下,采用基于非支配排序的自适应差分进化优化算法求取当前优化周期各调合组分的最优配方。
例如但不限于,在满足一定约束条件下实现成本最低以及调合后原油密度与目标密度偏差最小作为目标。对于单个优化周期内,通过对公式(1)、(2)、(3)求解得到最优调合配方:
其中,i(i=1,2,…,n)调合组分油品标号;l(l=1,2,…,n)表示原油属性指标(硫含量、酸值、石脑油收率等);ri待优化的各组分油配方值;ci表示各组分油的单位质量成本;wc,wg表示调合成本最低权值,调合后原油密度与目标密度偏差最小权值;ρm表示调合的目标密度;Pρ表示调合头处组分油密度的调合预测值;TP(Pρ)表示表示调合罐中的原油属性预测值,是调合头处组分油的调合密度预测值Pρ的函数;t表示本批次的剩余调合时间;Bci表示第i个组分参炼线最大流量;B表示调合头本批次的流量;Vi表示组分油i的储量;ri_min和ri_max分别表示组分油i的配方的上下限;sl_min和sl_max分别表示属性值l的上下限;Pl表示调合头处组分油属性的调合预测值;TP(Pl)表示调合罐中的原油属性预测值,是调合头处组分油的调合属性预测值Pl的函数。
调合头处组分油的调合密度与属性的预测值Pρ与Pl以线性叠加原理进行计算,再利用优化调合所得的密度以及属性补偿已调合的罐底油的密度与属性偏差,使整个调合罐密度达到目标值且属性合格。
根据全罐原油属性指标要求调合罐中的原油密度与属性的预测值TP(Pρ)与TP(Pl)可以按照下式(2)(3)进行计算:
其中,TVOL表示调合目标质量;HVOL表示调合罐底油质量;Tρ表示罐底油密度;Tl表示罐底油l属性的值;
然后采用基于非支配排序的自适应差分进化优化算法进行配方优化,求解以上多目标优化问题,得出优化调合配方。步骤如下:
1)初始化种群P,种群大小为NP;
2)初始化μCR=0.5,μF=0.5,
3)对种群P进行非支配排序;
4)循环开始,当算法终止条件尚未满足时,进行:
i)设置
ii)针对种群P中的每一个个体xi,生成对应的比例因子Fi=randci(μF,0.1)和交叉概率CRi=randni(μCR,0.1);
iii)从适应度值前100p%的个体中随机挑选一个个体,记为xp,best,从种群P中选择个体xr1,xr1≠xi,从种群P∪A中选择个体xr2,xr2≠xr1≠xi;
iv)生成变异向量vi=xi+Fi·(xp,best-xi)+Fi·(xr1-xr2);
v)生成试验向量ui;
vi)比较xi和ui的适应度函数值,若ui优于xi,则将xi放入A中,Fi放入SF中,CRi放入SCR中;
vii)在每一代更新结束后,随机移除A中的个体,使得|A|≤NP;
viii)更新μF和μCR:μF=(1-c)·μF+c·meanL(SF),μCR=(1-c)·μCR+c·meanA(SCR)
ix)合并父代种群x和子代种群u,进行非支配排序操作,筛选前NP个个体为下一代的种群;
5)算法停止,得到最终种群NP。
其中,randci表示正态分布;randci表示柯西分布;meanA表示普通的算术平均;meanL表示普通的Lehmer平均,如下式(4)所示:
SF与SCR分别用于储存成功产生相比于父代xi更优秀试验向量ui的Fi与CRi;产生试验向量的方法如以下式(5)所示:
其中,uj,i,g表示第g代第i个个体的试验向量ui的第j个分量;vj,i,g表示第g代第i个个体的变异向量vi的第j个分量;xj,i,g表示第g代第i个个体xi的第j个分量;jrank为保证变异信息的引入而随机选定的一个j。
其中采用的非支配排序对个体进行评价与排序的方法,是以Pareto支配关系作为个体评价的第一个指标,以拥挤距离作为评价的第二个指标进行排序的,步骤为:
①对于各个体p,创建支配该个体的个体集Sp,并设置Sp中个体数为np,设置i=1。
②对于np为0的个体将其归于第1级,该个体其所在级数prank=1,i=i+1。
③将属于第1级的个体从含该个体的Sp中删去,相应np减1。
④对于np为0的个体将其归于第i级,该个体其所在级数prank=i,i=i+1。
⑤若不存在未归入某一级中的个体则转到第(6)步,否则返回第(3)步。
⑥对于同级的个体,对于各目标函数分别进行一次排序
⑦对于个体q,定义I.m.q为其在同级个体中在关于第m个目标的排序中相邻的两个个体在第m个目标的差值,其为正值,对于在边界上的个体,其I.m.q为正无穷,并设在该级上关于第m个目标,其最大值与最小值为fm_max与fm_min,按以下式(6)分别计算各个体q的拥挤距离:
⑧按以下准则进行排序,对于个体i与j,规定(i)irank<jrank时或(ii)irank=jrank且idistance>jdistance时,个体i优秀于j,将所有个体从优到劣进行排序。
在本发明的一种实施方式中,还包括第六步,判断调合是否完成,若完成,则止于此;若未完成,则等待一个优化周期,返回第三步。
本发明提到的上述特征,或实施例提到的特征可以任意组合。本案说明书所揭示的所有特征可与任何组合物形式并用,说明书中所揭示的各个特征,可以任何可提供相同、均等或相似目的的替代性特征取代。因此除有特别说明,所揭示的特征仅为均等或相似特征的一般性例子。
本发明的主要优点在于:
1、本发明提出的原油调合的多目标在线优化方法,采用基于非支配排序的自适应差分进化优化方法进行优化求解。
2、本发明提供的优化方法在考虑经济成本最低的同时考虑了调合后原油密度与目标密度偏差最小,利用基于非支配排序的自适应差分算法对两个优化目标进行充分权衡,从而实现了总体效益最优。
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法,通常按照常规条件或按照制造厂商所建议的条件。除非另外说明,否则所有的百分数、比率、比例、或份数按重量计。除非另行定义,文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。此外,任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。文中所述的较佳实施方法与材料仅作示范之用。
下面以本发明在某原油调合过程的实际实施情况并结合一具体算例,给出详细的计算过程与操作流程。实施例所涉及的系统结构如图1所示,该系统包含三个原油组分罐,调合过程按照批次进行,每批次的调合量是已知的,由调度部门根据生产情况确定,一般在8000t-50000t,下面给出详细的计算过程和具体操作流程。本算例在以本发明技术方案为前提进行实施。
如图2所示,原油调合优化系统的工作流程主要包括以下步骤:
步骤一:调合任务参数初始化。
结合具体算例,选定调合的组分油品为1#、2#以及3#组分油,并选择相应储罐罐号以及调合罐罐号。
设定1#组分油品配方下限为0,配方上限0.35;2#组分油品配方下限为0.2,配方上限0.6;3#组分油品配方下限为0,配方上限0.4。设定调合头的调合流量为1000t/h,本批次调合时间为10h,本批次的调合目标为11000t,目标调合密度值为830kg/m3。
步骤二:设置优化周期、目标函数权重、优化上下限、各组分油储量以及各组分油的单位质量成本。
设置优化假设为5min,并设置调合成本最低权值为0.4,调合后原油密度与目标密度偏差最小权值0.6。
选定调合后调合罐内硫含量下限为0%,上限2.5%;酸值下限为0mg KOH,上限为0.5mg KOH;石脑油收率下限为0.19%,上限为0.21%。输入三种组分的库存分别为4000t、7200t以及4500t。各参炼线组分油最大流量及各组分油的单位质量成本如下表1所示。
步骤三:根据优化周期获取各调合组分油以及罐底油的属性数据,更新罐底油尺、组分油储量、本批次的调合剩余时间。
获取的各调合组分油以及罐底油的属性数据如下表1所示:
表1
更新罐底油尺、组分油储量,所得罐底油质量1000t,组分油储量分别为4000t、7200t以及4500t。本批次的调合剩余时间为10h。
步骤四:计算最优配方。
通过以上数据按公式(1)、(2)、(3)建立完模型后,调用基于非支配排序的自适应差分进化优化算法求解程序求解,求解过程如图3所示。
所得结果最优配方如下,调合头1对应的1#组分油配方为0.23399,2#组分油配方0.36726,3#组分油配方0.39876,成本为85.8308美元/桶,预测所得的调合罐中油品最终密度为830.1294kg/m3,其调合罐中油品最终属性为硫含量2.0501%,酸度为0.36851mg KOH,石脑油收率为0.19945%。
步骤五:将当前最优配方送至调合控制系统执行。
步骤六:判断本次调合是否完成,若本次调合未完成,则进行等待一个优化周期,再返回步骤三。
以上所述仅为本发明的较佳实施例而已,并非用以限定本发明的实质技术内容范围,本发明的实质技术内容是广义地定义于申请的权利要求范围中,任何他人完成的技术实体或方法,若是与申请的权利要求范围所定义的完全相同,也或是一种等效的变更,均将被视为涵盖于该权利要求范围之中。
Claims (8)
1.一种多目标原油调合在线优化方法,其特征在于,所述方法包括以下步骤:
首先,进行调合任务参数初始化;
其次,设置优化周期、目标函数权重,设置调合原油各属性指标上下限、各组分油储量、各参炼线组分油最大流量以及各组分油的单位质量成本;
再次,根据预定优化周期获取各调合组分及罐底油属性数据,更新罐底油尺、组分油储量、本批次的调合剩余时间;和
最后,求取当前优化周期各调合组分的最优配方,并送至调合控制系统执行。
2.如权利要求1所述的方法,其特征在于,所述调合任务参数包括参与调合的组分油品、相应储罐罐号以及调合罐罐号、各调合组分油配方的上限与下限、调合头流量、目标调合油尺、目标调合密度值以及本批次调合时间。
3.如权利要求2所述的方法,其特征在于,所述调合任务参数还包括罐底油油尺。
4.如权利要求1所述的方法,其特征在于,所述原油属性包括密度、硫含量、酸值和石脑油收率。
5.如权利要求1所述的方法,其特征在于,建立了如公式(1)所示的原油调合在线优化多目标数学模型:
其中,
i(i=1,2,…,n)调合组分油品标号;
l(l=1,2,…,n)表示原油属性指标(硫含量、酸值、石脑油收率等);
ri待优化的各组分油配方值;
ci表示各组分油的单位质量成本;
wc,wg分别表示调合成本最低权值,和调合后原油密度与目标密度偏差最小权值;
ρm表示调合头的目标密度;
Pρ表示调合头处组分油密度的调合预测值;
TP(Pρ)表示调合罐中的原油属性预测值,是调合头处组分油的调合密度预测值Pρ的函数;
t表示本批次的调合剩余时间;
Bci表示第i个组分参炼线最大流量;
B表示调合头本批次的流量;
Vi表示组分油i的储量;
ri_min和ri_max分别表示组分油i的配方的上下限;sl_min和sl_max分别表示属性值l的上下限;
Pl表示调合头处组分油属性的调合预测值;
TP(Pl)表示调合罐中的原油属性预测值,是调合头处组分油的调合属性预测值Pl的函数。
6.如权利要求5所述的方法,其特征在于,采用式(2)和式(3)得到全罐原油属性指标要求调合罐中的原油密度与属性的预测值TP(Pρ)与TP(Pl):
其中,
TVOL表示调合目标质量;
HVOL表示调合罐底油质量;
Tρ表示罐底油密度;
Tl表示罐底油l属性的值。
7.如权利要求1所述的方法,其特征在于,采用基于非支配排序的自适应差分进化(Nondominated Sorting Adaptive Differential Evolution,简称NSJADE,)优化算法求取最优配方:
(1)初始化种群P,种群大小为NP;
(2)初始化μCR=0.5,μF=0.5,
(3)对种群P进行非支配排序;
(4)循环开始,当算法终止条件尚未满足时,进行:
(i)设置
(ii)针对种群P中的每一个个体xi,生成对应的比例因子Fi=randci(μF,0.1)和交叉概率CRi=randni(μCR,0.1);
(iii)从适应度值前100p%的个体中随机挑选一个个体,记为xp,best,从种群P中选择个体xr1,xr1≠xi,从种群P∪A中选择个体xr2,xr2≠xr1≠xi;
(iv)生成变异向量vi=xi+Fi·(xp,best-xi)+Fi·(xr1-xr2);
(v)生成试验向量ui;
(vi)比较xi和ui的适应度函数值,若ui优于xi,则将xi放入A中,Fi放入SF中,CRi放入SCR中;
(vii)在每一代更新结束后,随机移除A中的个体,使得|A|≤NP;
(viii)更新μF和μCR:μF=(1-c)·μF+c·meanL(SF),μCR=(1-c)·μCR+c·meanA(SCR)
(ix)合并父代种群x和子代种群u,进行非支配排序操作,筛选前NP个个体为下一代的种群;
(5)算法停止,得到最终种群NP;
其中,randci表示正态分布;randci表示柯西分布;meanA表示普通的算术平均;meanL表示普通的Lehmer平均,如下式(4)所示:
SF与SCR分别用于储存成功产生相比于父代xi更优秀试验向量ui的Fi与CRi;产生试验向量的方法如以下式(5)所示:
其中,
uj,i,g表示第g代第i个个体的试验向量ui的第j个分量;
vj,i,g表示第g代第i个个体的变异向量vi的第j个分量;
xj,i,g表示第g代第i个个体xi的第j个分量;
jrank为保证变异信息的引入而随机选定的一个j。
8.如权利要求7所述的方法,其特征在于,所述基于非支配排序的自适应差分进化优化算法,采用非支配排序对个体进行评价与排序,其中,Pareto支配关系作为个体评价的第一个指标,拥挤距离作为评价的第二个指标,步骤为:
①对于各个体p,创建支配该个体的个体集Sp,并设置Sp中个体数为np,设置i=1;
②对于np为0的个体将其归于第1级,该个体其所在级数prank=1,i=i+1;
③将属于第1级的个体从含该个体的Sp中删去,相应np减1;
④对于np为0的个体将其归于第i级,该个体其所在级数prank=i,i=i+1;
⑤若不存在未归入某一级中的个体则转到第(6)步,否则返回第(3)步;
⑥对于同级的个体,对于各目标函数分别进行一次排序;
⑦对于个体q,定义I.m.q为其在同级个体中在关于第m个目标的排序中相邻的两个个体在第m个目标的差值,其为正值,对于在边界上的个体,其I.m.q为正无穷,并设在该级上关于第m个目标,其最大值与最小值为fm_max与fm_min,采用式(6)分别计算各个体q的拥挤距离:
⑧按以下准则进行排序,对于个体i与j,规定(a)irank<jrank时或(b)irank=jrank且idistance>jdistance时,个体i优秀于j,将所有个体从优到劣进行排序。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250894.2A CN109765788B (zh) | 2019-03-29 | 2019-03-29 | 一种多目标原油调合在线优化方法 |
PCT/CN2019/126926 WO2020199665A1 (zh) | 2019-03-29 | 2019-12-20 | 一种多目标原油调合在线优化方法 |
JP2021557699A JP2022528657A (ja) | 2019-03-29 | 2019-12-20 | 多目的原油混合用オンライン最適化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250894.2A CN109765788B (zh) | 2019-03-29 | 2019-03-29 | 一种多目标原油调合在线优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765788A true CN109765788A (zh) | 2019-05-17 |
CN109765788B CN109765788B (zh) | 2022-03-04 |
Family
ID=66460206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910250894.2A Active CN109765788B (zh) | 2019-03-29 | 2019-03-29 | 一种多目标原油调合在线优化方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2022528657A (zh) |
CN (1) | CN109765788B (zh) |
WO (1) | WO2020199665A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111120873A (zh) * | 2019-12-06 | 2020-05-08 | 浙江中控技术股份有限公司 | 用于油品在线调合的管道补偿方法 |
WO2020199665A1 (zh) * | 2019-03-29 | 2020-10-08 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN113110336A (zh) * | 2021-04-20 | 2021-07-13 | 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 |
WO2024092889A1 (zh) * | 2022-11-03 | 2024-05-10 | 上海流程智造科技创新研究院有限公司 | 一种基于约束多目标的汽油调合在线优化方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947343B (zh) * | 2021-03-03 | 2022-12-20 | 中国石油化工股份有限公司 | 炼油化工全厂生产目标跟踪控制方法和装置 |
CN112966805B (zh) * | 2021-03-15 | 2022-10-18 | 河海大学 | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 |
CN113406274A (zh) * | 2021-05-28 | 2021-09-17 | 中国人民解放军空军研究院航空兵研究所 | 基于粘度在线检测的混合均匀度分析方法及混合装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816822B1 (en) * | 2000-08-16 | 2004-11-09 | Abb Automation Inc. | System and method for dynamic modeling, parameter estimation and optimization for processes having operating targets |
CN101286065A (zh) * | 2008-05-23 | 2008-10-15 | 清华大学 | 一种原油掺炼多周期优化的原油调合调度方法 |
CN102643662A (zh) * | 2012-04-25 | 2012-08-22 | 南京富岛信息工程有限公司 | 一种原油调合优化方法 |
CN103365208A (zh) * | 2013-07-12 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种具有底油性质偏差修正的原油调合优化方法 |
CN103365205A (zh) * | 2013-07-25 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种原油调合双调合头在线协调控制方法 |
CN105279581A (zh) * | 2015-11-16 | 2016-01-27 | 电子科技大学 | 基于差分进化的geo-uav双基sar路径规划方法 |
CN105809297A (zh) * | 2016-05-18 | 2016-07-27 | 西南石油大学 | 一种基于多目标差分进化算法的火电厂环境经济调度方法 |
CN107480885A (zh) * | 2017-08-14 | 2017-12-15 | 国家电网公司 | 基于非支配排序差分进化算法的分布式电源布点规划方法 |
CN108333943A (zh) * | 2018-02-26 | 2018-07-27 | 华东理工大学 | 基于增量模式的原油调合在线优化方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003015728A (ja) * | 2001-04-03 | 2003-01-17 | Nippon Steel Corp | 原料の最適混合演算方法、装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 |
JP3683189B2 (ja) * | 2001-06-22 | 2005-08-17 | 住友軽金属工業株式会社 | 原料配合計画システム及び原料配合計画方法 |
US20110098862A1 (en) * | 2009-10-27 | 2011-04-28 | ExxonMobil Research Engineering Company Law Department | Multi-stage processes and control thereof |
CN103955778B (zh) * | 2014-05-15 | 2017-07-07 | 南京富岛信息工程有限公司 | 一种高性能汽油调合非线性优化方法 |
US10040041B2 (en) * | 2015-07-09 | 2018-08-07 | Cameron International Corporation | Crude oil blending using total boiling point analysis |
CN106647262B (zh) * | 2016-11-28 | 2020-01-21 | 中国人民解放军国防科学技术大学 | 一种面向敏捷卫星多目标任务规划的差分进化方法 |
CN109765788B (zh) * | 2019-03-29 | 2022-03-04 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
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 |
-
2019
- 2019-03-29 CN CN201910250894.2A patent/CN109765788B/zh active Active
- 2019-12-20 JP JP2021557699A patent/JP2022528657A/ja active Pending
- 2019-12-20 WO PCT/CN2019/126926 patent/WO2020199665A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6816822B1 (en) * | 2000-08-16 | 2004-11-09 | Abb Automation Inc. | System and method for dynamic modeling, parameter estimation and optimization for processes having operating targets |
CN101286065A (zh) * | 2008-05-23 | 2008-10-15 | 清华大学 | 一种原油掺炼多周期优化的原油调合调度方法 |
CN102643662A (zh) * | 2012-04-25 | 2012-08-22 | 南京富岛信息工程有限公司 | 一种原油调合优化方法 |
CN103365208A (zh) * | 2013-07-12 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种具有底油性质偏差修正的原油调合优化方法 |
CN103365205A (zh) * | 2013-07-25 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种原油调合双调合头在线协调控制方法 |
CN105279581A (zh) * | 2015-11-16 | 2016-01-27 | 电子科技大学 | 基于差分进化的geo-uav双基sar路径规划方法 |
CN105809297A (zh) * | 2016-05-18 | 2016-07-27 | 西南石油大学 | 一种基于多目标差分进化算法的火电厂环境经济调度方法 |
CN107480885A (zh) * | 2017-08-14 | 2017-12-15 | 国家电网公司 | 基于非支配排序差分进化算法的分布式电源布点规划方法 |
CN108333943A (zh) * | 2018-02-26 | 2018-07-27 | 华东理工大学 | 基于增量模式的原油调合在线优化方法 |
Non-Patent Citations (3)
Title |
---|
HUI CHENG,等: "Real Time Optimization of the Gasoline Blending Process with Unscented Kalman Filter", 《2011 INTERNATIONAL CONFERENCE ON INTERNET COMPUTING AND INFORMATION SERVICES》 * |
叶彦斐,等: "基于改进CAPSO的原油管道调合多性质优化方法", 《计算机测量与控制》 * |
蚁仲杰,等: "约束差分免疫克隆算法及其在汽油调合优化中的应用", 《华东理工大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199665A1 (zh) * | 2019-03-29 | 2020-10-08 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN111120873A (zh) * | 2019-12-06 | 2020-05-08 | 浙江中控技术股份有限公司 | 用于油品在线调合的管道补偿方法 |
CN111120873B (zh) * | 2019-12-06 | 2021-11-30 | 浙江中控技术股份有限公司 | 用于油品在线调合的管道补偿方法 |
CN113110336A (zh) * | 2021-04-20 | 2021-07-13 | 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 |
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 |
WO2024092889A1 (zh) * | 2022-11-03 | 2024-05-10 | 上海流程智造科技创新研究院有限公司 | 一种基于约束多目标的汽油调合在线优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109765788B (zh) | 2022-03-04 |
JP2022528657A (ja) | 2022-06-15 |
WO2020199665A1 (zh) | 2020-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765788A (zh) | 一种多目标原油调合在线优化方法 | |
Wang et al. | Research on project post-evaluation of wind power based on improved ANP and fuzzy comprehensive evaluation model of trapezoid subordinate function improved by interval number | |
Karande et al. | Application of multi-objective optimization on the basis of ratio analysis (MOORA) method for materials selection | |
Liu et al. | A novel hybrid multiple criteria decision making model for material selection with target-based criteria | |
CN109636205A (zh) | 一种研发项目组合中多技能人员调度方法 | |
CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
Singh et al. | A fuzzy-AHP and M− TOPSIS based approach for selection of composite materials used in structural applications | |
CN110008553B (zh) | 基于生命周期成本和环境影响的产品设计方案优选方法 | |
CN106055836B (zh) | 连铸机组浇炉次选择、排序与开浇时间决策的多目标优化方法 | |
Fan et al. | China's regional inequality in innovation capability, 1995–2006 | |
US20220100932A1 (en) | Design support method for metal material, prediction model generation method, metal material production method, and design support apparatus | |
CN107194609A (zh) | 一种产品设计系统及方法 | |
CN105205251A (zh) | 一种变压器电磁设计方案的评估方法 | |
CN107832983B (zh) | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 | |
CN111784109A (zh) | 一种基于毕达哥拉斯模糊集和vikor的供应商选择方法 | |
Dabbagh et al. | An approach for prioritizing NFRs according to their relationship with FRs | |
Gold | Alternate strategies for advancing a company's technology | |
Jayakrishna et al. | Application of GRA for sustainable material selection and evaluation using LCA | |
CN111475957A (zh) | 一种基于装置机理的炼油过程生产计划优化方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
Mahdavi et al. | A general fuzzy TOPSIS model in multiple criteria decision making | |
CN109994160A (zh) | 一种原油调合的调合效应参数的计算方法 | |
CN117391307A (zh) | 一种基于铸坯质量解析的炼钢生产组批方法 | |
CN110648037A (zh) | 一种整车生产评价方法及装置 | |
Saleh et al. | Implementation of equal width interval discretization on smarter method for selecting computer laboratory assistant |
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 |