CN109859805A - 一种基于分子组成的汽油调和优化方法 - Google Patents

Abstract

本发明涉及一种基于分子组成的汽油调和优化方法，本方法简便、高效，大大减少分析检测时间和成本：本方法直接从各组分详细分子计算宏观性质，无需事先获取调和组分的宏观性质，可节约分析检测时间75％以上，人力50％以上，使用更加简便，效率更高；本发明调和物性计算模型通用性好，准确度高；物性模型可以计算常规汽油组分、含醚类汽油、甲醇汽油、乙醇汽油；本方法适用性好；本发明可从任意组分池中自动选择调和组分进行优化，无需固定组分；本发明通用性强，不仅可以优化常规国标汽油、也可以优化甲醇汽油、乙醇汽油，更可以优化含有馏程指标约束的调和汽油；本发明优化结果可信度高，大大提高汽油调和一次调和成功率。

Description

一种基于分子组成的汽油调和优化方法

技术领域

本发明涉及石油炼油及化工生产技术领域，尤其涉及一种基于分子组成的汽油调和优化方法。

背景技术

汽油调和作为石化、炼油企业生产汽油的最终环节，其调和效益直接决定了生产企业的经济效益。实际调和过程中，参与调和的组分油众多，包括催化裂化加氢汽油、异构汽油、重整汽油、直馏石脑油、烷基化汽油等。

现有汽油调和优化方法均是基于组分的宏观性质进行调和，准确度低且效率低。随着仪器分析技术的发展，采用气相色谱技术已经能分析出汽油组分单体烃浓度信息。另一方面，也涌现了大量构建汽油分子的模拟方法。在此基础上，结合调和物性计算模型和优化算法，即可获得调和优化配方。这为基于汽油详细分子组成进行调和优化提供了技术基础。

调和过程中重要的且难以预测准确的性质有：辛烷值、雷德蒸汽压以及恩氏馏程温度。目前已有学者在构建这些调和物性计算模型领域进行了一些研究，并取得了不错的成果。在辛烷值预测模型方面，常用方法是建立辛烷值与汽油详细分子组成的回归模型。在雷德蒸汽压预测模型方面，常用方法是按照蒸汽压测试规程，建立平衡闪蒸模型。在馏程预测模型方面，一种方法是在获得实沸点蒸馏数据的基础上，再转换为恩氏馏程数据，转换方法多采用多元线性回归的办法建立关联式。另一种方法是，基于汽油详细分子组成，建立平衡蒸馏模型。目前存在的问题如下：1.现有构建汽油分子的模拟方法准确度低，通用性不强。2.现有调和物性计算方法准确度低，且不兼容含氧汽油的物性计算。3.现有调和优化需要先固定调和组分。4.现有调和优化方法需要先得到各调和组分的宏观性质。5.现有调和优化方法不包含馏程温度这一约束条件。6.现有调和优化方法得到的求解结果可信度低。导致一次调和成功率低。7.现有调和优化方法不适用甲醇汽油和乙醇汽油。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于分子组成的汽油调和优化方法，本发明方法直接从各组分详细分子计算宏观性质，无需事先获取调和组分的宏观性质，简便、高效，大大减少分析检测时间和成本；另外，本方法调和物性计算模型通用性好，准确度高，适用性好；且优化结果可信度高，大大提高汽油调和一次调和成功率。

本发明是通过以下技术方案达到上述目的：一种基于分子组成的汽油调和优化方法，包括如下步骤：

(1)建立涵盖所有汽油调和组分的总分子数据库；

(2)基于总分子数据库建立分子性质数据库；

(3)基于总分子数据库建立分子级混合性质规则，以计算多个分子的混合物的性质；

(4)针对炼化企业参与调和的汽油组分，建立组分类别数据库；

(5)建立双层嵌套汽油调和优化模型，其中第一层采用特征匹配法自动筛选调和组分种类，得到最佳调和组分组合；第二层在组分组合优化的基础上进行以质量过剩最低和成本最低的多目标优化，以确定最优调和比例；也可在确定调和组分的基础上直接进入第二层优化调和比例；

(6)基于筛选出的调和组分或者人为选定的组分，建立以质量过剩最低和成本最低的多目标优化模型；其中约束指标包括：研究法辛烷值、马达法辛烷值、雷德蒸汽压、恩氏馏程(初馏点、10％馏出温度、50％馏出温度、90％馏出温度、终馏点)、密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数中至少一项；

(7)采用约束空间逐步缩小法求解多目标优化模型，得到最优调和比例。

作为优选，所述步骤(1)的总分子数据库至少包括加氢汽油、重整汽油、芳构化汽油、烷基化汽油、异构化汽油、混合碳五汽油、混合芳烃汽油、抽余油、石脑油、醚类(MTBE、TAME)、乙醇、甲醇；该分子数据库由上述不同汽油调和组分所含分子种类合并而成；分析不同汽油调和组分所含分子种类，可采用毛细管气相色谱法或者GC-MS气质联用方法；所含含硫分子可采用气相色谱-硫化学发光检测器联用方法。

作为优选，所述的分子性质数据库包括研究法辛烷值、马达法辛烷值、饱和蒸汽压(37.8℃/100℉)、密度、摩尔质量、蒸发热、PVT状态方程参数、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数。

作为优选，所述的分子级混合性质规则包括研究法辛烷值、马达法辛烷值、雷德蒸汽压、恩氏馏程(初馏点T0、10％馏出温度T10、50％馏出温度T50、90％馏出温度T90、终馏点TF)、密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫含量的混合性质规则。

作为优选，所述研究法辛烷值和马达法辛烷值采用如下混合规则：

ON_ij＝(ON_i+ON_j)/2

其中，v_i为分子i的体积比；为组分油中第i个分子辛烷值贡献值；ON_i为第i个分子辛烷值，可以从模型计算得到，或根据手册、文献数据查阅得到，或两种方法的结合；q_ij为分子i和j调和效应系数；所述的蒸汽压采用如下混合规则：

其中，v_i为分子i的体积分数；γ_i为分子i在测量温度下的活度系数；为分子i在测量温度下的饱和蒸汽压，kPa；PR为雷德蒸汽压,kPa；k为模型参数；b为模型参数；

所述的密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数采用如下线性混合规则：

其中，fp为混合后密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数；v_i为分子i的体积分数；f_i为分子i密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数。

作为优选，所述的恩氏馏程采用如下混合规则：

采用韦伯分布描述不同分子在其沸点T_b，i附近区间[T_L，T_U]内随着温度的分配比例，具体如下：

归一化后实际分配比向量：w＝ω/∑ω

若该分子实际含量为z_i，则其在温度区间[T_L，T_U]内的分配量为z_i·w；

其中，

κ，λ为分布参数，调节这两个参数就可以满足不同种类分子随着温度的分配比例；

根据分配量和温度区间的累积，构建出实沸点曲线方程，并用插值法求解实沸点曲线馏出体积分别为0，10％，30％，50％，70％，90％，98％处的温度值记为T0，T10，T30，T50，T70，T90，Tf；

将实沸点曲线方程按下式转换为恩氏馏程：

其中，T^E表示不同馏出体积对应的蒸馏温度。

作为优选，所述的组分类别数据库包括各汽油组分至少一套真实的分子组成数据，宏观性质以及单价；该分子组成数据可通过步骤(1)分析获得；宏观性质采用步骤(3)中混合规则计算。

作为优选，所述双层嵌套汽油调和优化模型的第一层优化具体为：根据调和指标范围要求，采用特征匹配法自动筛选调和组分种类，特别的从组分类别数据库中筛选最佳调和组分组合，具体方法如下：

(i)遍历组分类别数据库中的各组分油与指标范围要求，得到特征匹配度矩阵和特征方向矩阵；

(ii)根据特征匹配矩阵，统计特征匹配指数，选择指数最大的组分为基础油；

(iii)以步骤(ii)选择的基础油，构建0-1整数规划模型，求解合适的调和组分组合。

作为优选，所述步骤(6)的多目标优化模型的表达式如下：

s.th(x)＝∑x-1＝0

g_i(x)＝Ψ_l-Φ_i(x)≤0 i＝1,2,…,M

χ_i(x)＝Φ_i(x)-Ψ_u≤0 i＝1,2,…,M

其中，f(x)为目标函数；n为参与优化的性质种类数；x为参与调和组分比例向量；Φ_i(x)为参与调和第i个性质函数；Ψ_i为参与调和的第i个性质目标值；w_i为参与调和的第i个性质偏差权重；P_i为参与调和的第i个性质过剩当量成本；K为参与调和组分单价向量；下标l为指标约束下限；下标u为指标约束上限；M指标约束总数。

作为优选，所述步骤(7)具体如下：

(7.1)将约束条件按照重要程度或者指标严格程度排序；

(7.2)按照步骤(7.1)的约束条件顺序，依次采用拉格朗日法求解最优解；

(7.3)将步骤(7.2)所得最优可行解代入约束条件式，并根据约束条件满足个数，确定强约束指标和弱约束指标；

(7.4)在步骤(7.2)增加步骤(7.3)确定的强约束指标，再进行优化求解，得到新的最优可行解；

(7.5)重复步骤(7.3)与(7.4)，直到目标函数变化不大，或者约束指标全部包含；

(7.6)若无解，找到强约束指标，放宽约束条件，进行优化；获得次优解。

本发明的有益效果在于：(1)本方法简便、高效，大大减少分析检测时间和成本：本方法直接从各组分详细分子计算宏观性质，无需事先获取调和组分的宏观性质，可节约分析检测时间75％以上，人力50％以上，使用更加简便，效率更高；(2)本方法调和物性计算模型通用性好，准确度高；物性模型可以计算常规汽油组分、含醚类汽油、甲醇汽油、乙醇汽油；(3)本方法适用性好；本方法可从任意组分池中自动选择调和组分进行优化，无需固定组分；(4)本方法通用性强，不仅可以优化常规国标汽油、也可以优化甲醇汽油、乙醇汽油，更可以优化含有馏程指标约束的调和汽油；(5)本方法优化结果可信度高，大大提高汽油调和一次调和成功率。

附图说明

图1是本发明的流程示意图；

图2是本发明实施例的特征匹配法自动筛选调和组分流程示意图；

图3是本发明实施例的约束空间逐步缩小优化算法流程示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：下面通过一个调和包含13项性质约束的95号汽油为例，对本发明作进一步详细的描述，如图1所示，一种基于分子组成的汽油调和优化方法，包括如下步骤：

(1)建立一个涵盖所有汽油调和组分的总分子数据库，包括加氢汽油、重整汽油、芳构化汽油、烷基化汽油、异构化汽油、混合碳五汽油、混合芳烃汽油、抽余油、石脑油、醚类(MTBE、TAME)、乙醇、甲醇。该分子数据库由上述不同汽油调和组分常见分子合并而成。分析不同汽油调和组分所含烃类分子种类采用高分辨毛细管气相色谱法或者GC-MS气质联用方法，色谱分析条件：Agilent 7890B气相色谱仪；色谱柱可采用PONA分析柱(50m×0.2mmi.d，0.5μm)。气化室温度：250℃；检测器温度：300℃。所含含硫分子可采用气相色谱-硫化学发光检测器联用方法。共计建立包含至少580个分子的总分子数据库。下表1为汽油分子(部分)种类及性质汇总表，表中，PVT方程参数a单位：MPa·K^0.5·cm⁶·mol^-2；PVT方程参数b单位：cm³·mol^-1

表1

(2)针对步骤(1)所建总分子数据库，建立分子性质数据库，包括研究法辛烷值、马达法辛烷值、饱和蒸汽压(37.8℃/100℉)、密度、摩尔质量、蒸发热、PVT状态方程参数、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数。部分分子性质见表1。

(3)针对步骤(1)所建总分子数据库，建立混合性质规则，包括研究法辛烷值、马达法辛烷值、雷德蒸汽压、恩氏馏程(初馏点T0、10％馏出温度T10、50％馏出温度T50、90％馏出温度T90、终馏点TF)、密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫含量。

1)研究法辛烷值和马达法辛烷值采用如下混合规则：

ON_ij＝(ON_i+ON_j)/2

v_i为分子i的体积比。组分油中第i个分子辛烷值贡献值。ON_i为第i个分子辛烷值，可以从模型计算得到，或根据手册、文献数据查阅得到，或两种方法的结合。q_ij为分子i和j调和效应系数。

2)蒸汽压采用如下混合规则：

v_i为分子i的体积分数；γ_i为分子i在测量温度下的活度系数；为分子i在测量温度下的饱和蒸汽压，kPa；PR为雷德蒸汽压,kPa；k为模型参数；b为模型参数。

3)恩氏馏程采用如下混合规则：

采用韦伯分布描述不同分子在其沸点T_b，i附近区间[T_L，T_U]内随着温度的分配比例

归一化后实际分配比向量：w＝ω/∑ω

若该分子实际含量为z_i，则其在温度区间[T_L，T_U]内的分配量为z_i·w其中，

κ，λ为分布参数，调节这两个参数就可以满足不同种类分子随着温度的分配比例。

根据分配量和温度区间的累积，构建出实沸点曲线方程，并用插值法求解实沸点曲线馏出体积分别为0，10％，30％，50％，70％，90％，98％处的温度值记为T0，T10，T30，T50，T70，T90，Tf。

将实沸点曲线方程按下式转换为恩氏馏程

T^E表示不同馏出体积对应的蒸馏温度。

4)密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数采用如下线性混合规则

fp为混合后密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数；v_i为分子i的体积分数；f_i为分子i密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数；

(4)针对炼化企业参与调和的汽油组分，建立组分类别数据库。该数据库包括各汽油组分至少一套真实的分子组成数据，宏观性质以及单价。该分子组成数据可通过步骤(1)分析获得。宏观性质采用步骤(3)中混合规则计算。本实施例所建组分类别数据库见表2。

表2

(5)建立双层嵌套优化模型。第一层采用特征匹配法自动筛选调和组分种类，第二层在组分组合优化的基础上进行以质量过剩最低和成本最低的多目标优化，以确定最优调和比例。也可以在确定调和组分的基础上直接进入第二层优化调和比例。本实施例调和95号汽油，具体指标要求见表3。

表3

其中，模型的第一层优化指，根据调和指标范围要求，采用特征匹配法自动筛选调和组分种类。根据步骤(4)中获得宏观性质与调和指标范围进行特征匹配，从步骤4中所建组分类别数据库中筛选最佳调和组分组合。

1)遍历组分类别数据库中的组分油与指标范围的特征匹配度

计算单个组分与目标油品的特征匹配度，所述特征为有特定范围要求的约束性质。

构建特征匹配度向量Φ，该向量中的元素指示第i个指标匹配度为：

其中：

其中f_i为所考查组分的第i项性质。f_L为指标下限。f_U为指标上限。φ_i＝-1为该指标不在目标值范围，不匹配；φ_i＝0为该指标等于其中一个目标值，匹配；φ_i＝1为该指标介于目标值范围，匹配统计特征匹配度向量Φ中-1和非-1的个数，进行排序。选择非负数量最多的为基础油。

构建特征方向向量K，该向量中的元素指示第i个指标匹配度为：

κ_i＝-1,为该指标小于指标范围下限；κ_i＝1,为该指标大于指标范围上限；确定组分后，返回步骤(5)，优化求解。

通过构造特征匹配矩阵和特征方向矩阵，计算单个组分特征匹配指数和特征方向向量。

通过特征匹配指数和方向向量，构建0-1整数规划模型，目标函数最小种类：

s.t.-N≤K×C≤M

C＝0或1

其中特征匹配指数最大的组分C＝1。

1)读取指标要求范围，根据下式计算特征匹配矩阵Φ和特征方向矩阵K

2)根据特征匹配矩阵Φ，统计特征匹配指数，选择指数最大的组分为基础油

3)以步骤3)选择的基础油，构建0-1整数规划模型，求解合适的调和组分组合。

4)利用步骤4)筛选得到的调和组分，返回后续步骤，得到最优调和比例。经过此步骤，确定调和组分见表4。

组分	质量比例	价格元/吨
			混合芳烃类汽油	14.23％	5800
碳五汽油	12.46％	6600
			催化裂化汽油	62.79％	6400
烷基化汽油	10.52％	7000

表4

(6)基于步骤(5)筛选出的调和组分，建立如下优化模型：

其中目标函数为质量过剩最低和成本最低多目标组合。

s.th(x)＝∑x-1＝0

g_i(x)＝Ψ_l-Φ_i(x)≤0 i＝1,2,…,M

χ_i(x)＝Φ_i(x)-Ψ_u≤0 i＝1,2,…,M

约束指标包括：研究法辛烷值、马达法辛烷值、雷德蒸汽压、恩氏馏程(初馏点、10％馏出温度、50％馏出温度、90％馏出温度、终馏点)、密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数至少一项。

其中，f(x)为目标函数；n为参与优化的性质种类数；x为参与调和组分比例向量；Φ_i(x)为参与调和第i个性质函数；Ψ_i为参与调和的第i个性质目标值；w_i为参与调和的第i个性质偏差权重；P_i为参与调和的第i个性质过剩当量成本；K为参与调和组分单价向量；下标l为指标约束下限；下标u为指标约束上限；M为指标约束总数。

(7)采用约束空间逐步缩小法求解步骤(6)中的优化模型，得到最优比例，具体如下：

1)将约束条件按照辛烷值、雷德蒸汽压、芳烃、苯、烯烃、密度、氧质量分数、硫质量分数、恩氏馏程排序；

2)按照步骤1)的约束条件顺序，依次采用拉格朗日法求解最优解。将所列优化模型转换为如下拉格朗日函数L(x，α，β，γ)，并求极值共可获得M个可行最优解。标记其中最优可行解。

3)将步骤2)所得最优可行解代入步骤7中约束条件式，并根据约束条件满足个数，确定强约束指标和弱约束指标。

4)在步骤2)增加步骤3)确定的强约束指标，再进行优化求解，得到新的最优可行解。

5)重复步骤3)、步骤4)，直到目标函数变化不大，或者约束指标全部包含。

6)若无解，找到强约束指标，放宽约束条件，进行优化。获得次优解。

本实施例优化后的调和配方见表4，调和后成品汽油性质见表5。

分析项目	指标要求	预测值	实测值	绝对误差
					研究法辛烷值(RON)	>95.5	95.8	95.6	0.2
马达法辛烷值(MON)	>85	85.6	85.2	0.4
					初馏点,℃	≤40	34.2	32.7	1.5
10％蒸发温度,℃	45-55	52.9	50.6	2.3
					50％蒸发温度,℃	80-95	91.4	92.8	-1.4
90％蒸发温度,℃	145-160	158.9	156.7	2.2
					终馏点,℃	185～195	188.6	190.3	-1.7
蒸气压,kPa	65-80	65.9	65.5	0.4
					苯(体积分数),％	≤0.8	0.33	0.47	-0.14
芳烃(体积分数),％	30-35	32.06	31.25	0.81
					烯烃(体积分数),％	5～12	9.1	9.2	-0.1
氧含量(质量分数),％	≤2.7	0.067	0.064	0.003
					密度(20℃),kg/m<sup>3</sup>	735～750	739	736.9	2.1

表5

最终调和结果RON质量过剩0.1，MON过剩0.2，蒸汽压过剩0.5kPa。按照给定的调和组分价格，最终调和成本为6402.66元/吨。以表2中92号成品汽油的调和成本为基准，调和成本可降低至少47.34元/吨。本方法无论从降低质量过剩或者降低调和成本，均能提升炼化企业汽油调和的经济效益。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (12)

1.一种基于分子组成的汽油调和优化方法，其特征在于，包括如下步骤：

(1)建立涵盖所有汽油调和组分的总分子数据库；

(2)基于总分子数据库建立分子性质数据库；

(3)基于总分子数据库建立分子级混合性质规则，以计算多个分子的混合物的性质；

(4)针对炼化企业参与调和的汽油组分，建立组分类别数据库；

(5)建立双层嵌套汽油调和优化模型，其中第一层采用特征匹配法自动筛选调和组分种类，得到最佳调和组分组合；第二层在组分组合优化的基础上进行以质量过剩最低和成本最低的多目标优化，以确定最优调和比例；也可在确定调和组分的基础上直接进入第二层优化调和比例；

(6)基于筛选出的调和组分或者人为选定的组分，建立以质量过剩最低和成本最低的多目标优化模型；其中约束指标包括：研究法辛烷值、马达法辛烷值、雷德蒸汽压、恩氏馏程(初馏点、10％馏出温度、50％馏出温度、90％馏出温度、终馏点)、密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数中至少一项；

(7)采用约束空间逐步缩小法求解多目标优化模型，得到最优调和比例。

2.根据权利要求1所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述步骤(1)的总分子数据库至少包括加氢汽油、重整汽油、芳构化汽油、烷基化汽油、异构化汽油、混合碳五汽油、混合芳烃汽油、抽余油、石脑油、醚类(MTBE、TAME)、乙醇、甲醇；该分子数据库由上述不同汽油调和组分所含分子种类合并而成；分析不同汽油调和组分所含分子种类，可采用毛细管气相色谱法或者GC-MS气质联用方法；所含含硫分子可采用气相色谱-硫化学发光检测器联用方法。

3.根据权利要求1所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述的分子性质数据库包括研究法辛烷值、马达法辛烷值、饱和蒸汽压(37.8℃/100℉)、密度、摩尔质量、蒸发热、PVT状态方程参数、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数。

4.根据权利要求1所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述的分子级混合性质规则包括研究法辛烷值、马达法辛烷值、雷德蒸汽压、恩氏馏程(初馏点T0、10％馏出温度T10、50％馏出温度T50、90％馏出温度T90、终馏点TF)、密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫含量的混合性质规则。

5.根据权利要求4所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述研究法辛烷值和马达法辛烷值采用如下混合规则：

ON_ij＝(ON_i+ON_j)/2

其中，v_i为分子i的体积比；为组分油中第i个分子辛烷值贡献值；ON_i为第i个分子辛烷值，可以从模型计算得到，或根据手册、文献数据查阅得到，或两种方法的结合；q_ij为分子i和j调和效应系数。

6.根据权利要求4所述的一种基于分子组成的汽油调和优化方法，其特征在于，所述的蒸汽压采用如下混合规则：

其中，v_i为分子i的体积分数；γ_i为分子i在测量温度下的活度系数；为分子i在测量温度下的饱和蒸汽压，kPa；PR为雷德蒸汽压,kPa；k为模型参数；b为模型参数。

7.根据权利要求4所述的一种基于分子组成的汽油调和优化方法，其特征在于，所述的密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数采用如下线性混合规则：

其中，fp为混合后密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数；v_i为分子i的体积分数；f_i为分子i密度、苯体积分数、芳烃体积分数、烯烃体积分数、氧质量分数、硫质量分数。

8.根据权利要求4所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述的恩氏馏程采用如下混合规则：

采用韦伯分布描述不同分子在其沸点T_b，i附近区间[T_L，T_U]内随着温度的分配比例，具体如下：

归一化后实际分配比向量：w＝ω/∑ω

若该分子实际含量为z_i，则其在温度区间[T_L，T_U]内的分配量为z_i·w；

其中，

κ，λ为分布参数，调节这两个参数就可以满足不同种类分子随着温度的分配比例；

根据分配量和温度区间的累积，构建出实沸点曲线方程，并用插值法求解实沸点曲线馏出体积分别为0，10％，30％，50％，70％，90％，98％处的温度值记为T0，T10，T30，T50，T70，T90，Tf；

将实沸点曲线方程按下式转换为恩氏馏程：

其中，T^E表示不同馏出体积对应的蒸馏温度。

9.根据权利要求1所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述的组分类别数据库包括各汽油组分至少一套真实的分子组成数据，宏观性质以及单价；该分子组成数据可通过步骤(1)分析获得；宏观性质采用步骤(3)中混合规则计算。

10.根据权利要求1所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述双层嵌套汽油调和优化模型的第一层优化具体为：根据调和指标范围要求，采用特征匹配法自动筛选调和组分种类，特别的从组分类别数据库中筛选最佳调和组分组合，具体方法如下：

(i)遍历组分类别数据库中的各组分油与指标范围要求，得到特征匹配度矩阵和特征方向矩阵；

(ii)根据特征匹配矩阵，统计特征匹配指数，选择指数最大的组分为基础油；

(iii)以步骤(ii)选择的基础油，构建0-1整数规划模型，求解合适的调和组分组合。

11.根据权利要求1所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述步骤(6)的多目标优化模型的表达式如下：

s.t h(x)＝∑x-1＝0

g_i(x)＝Ψ_l-Φ_i(x)≤0 i＝1,2,…,M

χ_i(x)＝Φ_i(x)-Ψ_u≤0 i＝1,2,…,M

其中，f(x)为目标函数；n为参与优化的性质种类数；x为参与调和组分比例向量；Φ_i(x)为参与调和第i个性质函数；Ψ_i为参与调和的第i个性质目标值；w_i为参与调和的第i个性质偏差权重；P_i为参与调和的第i个性质过剩当量成本；K为参与调和组分单价向量；下标l为指标约束下限；下标u为指标约束上限；M指标约束总数。

12.根据权利要求1所述的一种基于分子组成的汽油调和优化方法，其特征在于：所述步骤(7)具体如下：

(7.1)将约束条件按照重要程度或者指标严格程度排序；

(7.2)按照步骤(7.1)的约束条件顺序，依次采用拉格朗日法求解最优解；

(7.3)将步骤(7.2)所得最优可行解代入约束条件式，并根据约束条件满足个数，确定强约束指标和弱约束指标；

(7.4)在步骤(7.2)增加步骤(7.3)确定的强约束指标，再进行优化求解，得到新的最优可行解；

(7.5)重复步骤(7.3)与(7.4)，直到目标函数变化不大，或者约束指标全部包含；

(7.6)若无解，找到强约束指标，放宽约束条件，进行优化；获得次优解。