CN109994160B - 一种原油调合的调合效应参数的计算方法 - Google Patents
一种原油调合的调合效应参数的计算方法 Download PDFInfo
- Publication number
- CN109994160B CN109994160B CN201910250851.4A CN201910250851A CN109994160B CN 109994160 B CN109994160 B CN 109994160B CN 201910250851 A CN201910250851 A CN 201910250851A CN 109994160 B CN109994160 B CN 109994160B
- Authority
- CN
- China
- Prior art keywords
- blending
- crude oil
- component
- representing
- population
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 71
- 239000010779 crude oil Substances 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 49
- 239000003921 oil Substances 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 239000004973 liquid crystal related substance Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 229910052717 sulfur Inorganic materials 0.000 claims description 15
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 12
- 239000011593 sulfur Substances 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000009472 formulation Methods 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 239000002253 acid Substances 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种原油调合的调合效应参数的计算方法。所述方法包括步骤：首先，进行运行参数初始化；其次，设置运行周期以及目标函数权重；再次，根据运行周期获取组分油属性、调合配方以及调合头处调合所得原油属性；和最后，利用自适应差分进化智能优化算法对本发明提供的调合效应参数模型进行求解。
Description
技术领域
本发明涉及炼油企业原油加工领域，尤其涉及原油调合的调合效应参数智能计算方法。
背景技术
在原油调合过程中，各组分油对最终调合所得原油的属性的贡献度，除去线性部分以外，往往表现出额外的正效应或者负效应。因此在现场调合的过程中，技术人员经常会根据调合经验定性的估计各组分油的正负效应，用以指导配方的计算。调合效应模型的提出正是将这种定性的经验化的调合效应定量化，如采用最小二乘法进行计算求解调合效应参数，这种方法添加调合效应参数等于0的等式约束，虽然便于求解，但与实际意义不符。
因此，本领域迫切需要提供一种智能优化算法，以便找到问题的全局最优解。
发明内容
本发明旨在建立调合效应数学模型。
本发明的另一个目的是通过建立调合效应数学模型，再以调合参数预测的目标函数将对调合效应参数的求解转化为一个优化问题。
在本发明的第一方面，提供一种关于原油调合的调合效应参数数学模型的建立，包括步骤：
(a)采用式(1)对各组分油的属性进行补偿：
Qx(Oj,i)＝Oj,i+pbj,i (1)
其中，
i(i＝1,2,…,n)为各组分油编号；
j(j＝1,2,…,n)为油品的需要进行非线性补偿的属性；
pbj,i表示组分油各属性的调合效应参数；
Oj,i为第i种组分油的近红外分析仪在线测量的属性；
Qx(Oj,i)表示调合效应补偿函数；
(b)采用式(2)得到调合头处调合所得原油属性的预测值：
其中，
ri表示第i种组分油的配方；
Pj表示调合头处调合所得原油属性预测值；
(c)求解式(6)的目标函数得到调合效应参数：
其中，
wp表示求解精度权值；
ws表示求解稳定性权值；
Y＝Rm,n·PB，
PB＝[pbj,1 pbj,2 … pbj,n]T (4)
且
表示第i组历史调合数据中调合头处调合所得原油的属性值；
[rm,1 rm,2 ... rm,n]表示有n个组分油参与调合的一个历史调合配方；
m表示m组调合配方。
在本发明的第二方面，提供一种原油调合的调合效应参数计算方法，所述方法包括以下步骤：
首先，进行运行参数初始化；
其次，设置运行周期以及目标函数权重；
再次，根据运行周期获取组分油属性、调合配方以及调合头处调合所得原油属性；和
最后，利用自适应差分进化智能优化算法对如上所述的本发明提供的调合效应参数模型进行求解。
在另一优选例中，所述运行参数包括参与调合的组分油品及相应调合头编号。
在另一优选例中，所述目标函数包括求解精度、求解稳定性。
在另一优选例中，该方法适用于所有原油属性，包括密度、硫含量、酸值、石脑油收率以及氮含量等。
在另一优选例中，所述自适应差分进化(Adaptive Differential Evolution，简称JADE，)智能优化算法包括步骤：
(1)初始化种群P，种群大小为NP；
(2)初始化μCR＝0.5,μF＝0.5，A＝Ф；
(3)循环开始，当算法终止条件尚未满足时，进行：
(i)设置SF＝Ф，SCR＝Ф；
(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xi优于ui，则xi进入下一代种群；若ui优于xi，则ui替换xi进入下一代种群，并将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)；
(4)算法停止，得到最终种群NP，种群中适应度值最优的个体即为优化问题的解；
其中，
randni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；
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。
在另一优选例中，采用式(7)得到普通的Lehmer平均：
采用式(8)得到试验向量：
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表示保证变异信息的引入而随机选定的一个j。
在本发明的第三方面，提供一种原油调合方法，所述方法包括步骤：将通过如上所述的本发明提供的方法得到的调合效应参数送入调合控制系统执行；可用于对某一配方下的调合属性进行预测，指导生产配方的制定。
在本发明的第四方面，提供一种计算机可读存储介质，其上存有计算机程序，该程序被处理器执行时能用于实施如上所述的本发明提供的方法中的任意一种或多种计算方法。
在本发明的第五方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序执行如上所述的本发明提供的方法中所述的计算。
据此，本发明提供了一种智能优化算法，以便找到问题的全局最优解。
附图说明
图1是调合效应参数智能计算系统(利用智能计算方法计算调合效应参数的系统)结构图。
图2是调合效应参数智能计算方法流程图。
图3是自适应差分进化智能优化算法流程图。
具体实施方式
发明人经过广泛而深入的研究，针对原油调合过程中各组分油对最终调合所得原油的属性的贡献度除去线性部分以外表现出的额外的正效应或者负效应，且效应参数需要动态更新和修正的特点，提供一种原油调合的调合效应参数智能计算方法。
本发明提供的计算方法的目标是将调合过程中的依靠经验的定性的调合正负效应以定量方式表现出来，建立调合效应数学模型，在线读取组分油属性、调合配方以及调合头处调合所得原油属性，利用自适应差分进化智能优化算法动态地计算调合效应参数，再将所得调合效应参数送往系统，指导调合过程的控制、预测与优化。在此基础上，完成了本发明。
具体地，本发明通过建立调合效应数学模型，再以调合参数预测的调合头处原油与实际值误差最小与求得的调和效应参数结果稳定作为目标把对调合效应参数的求解转化为一个优化问题。
本发明根据调合过程的特点建立调合效应数学模型如下：
假设有n个组分油参与调合，其调合后的属性可以按照以下方式预测。首先，对各组分油的属性进行补偿：
Qx(Oj,i)＝Oj,i+pbj,i (1)
其中，i(i＝1,2,…,n)为各组分油编号；j(j＝1,2,…,n,对应收率、酸值、硫含量、密度、氮含量等)为油品的需要进行非线性补偿的属性；pbj,i表示组分油各属性的调合效应参数；Oj,i为第i种组分油的近红外分析仪在线测量的属性；Qx(Oj,i)表示调合效应补偿函数。
其次，对补偿后的各组分油的属性进行线性叠加，以得到调合头处调合所得原油属性的预测值，如：
其中，ri表示第i种组分油的配方；Pj表示调合头处调合所得原油属性预测值。
在上述的模型中，仅有调合效应pbj,i为待定参数，参数数量由参与调合的组分油个数及属性数量决定(其数量为组分数与属性数量的乘积)。根据调合的历史数据可以通过线性回归的方法求得调合效应参数。假设共有m组历史调合数据，包括m组调合配方，m组组分油与调合头处调合所得原油的各属性测量值，则根据公式(1)，(2)可得：
表示第i组历史调合数据中调合头处调合所得原油的属性值；[rm,1 rm,2 ...rm,n]表示有n个组分油参与调合的一个历史调合配方。
若将公式(3)中的配方矩阵记为Rm,n，公式(3)可转换为线性回归形式Rm,n·PB＝Y，其中PB＝[pbj,1 pbj,2 … pbj,n]T (4)
且
因此调合效应参数的求解即为求解以下目标函数的最优解，并考虑到解的稳定性，有如下目标函数：
其中，wp表示求解精度权值；ws表示求解稳定性权值。
最后，利用自适应差分进化智能优化算法对调合效应模型进行求解，得出调合效应参数。
本发明提供的原油调合的调合效应参数计算方法包括以下步骤：
第一步，进行运行参数初始化；
第二步，设置运行周期以及目标函数权值；
第三步，根据运行周期，获取组分油属性、调合配方以及调合头处调合所得原油属性；
第四步，利用自适应差分进化智能优化算法对调合效应模型进行求解，得出调合效应参数；
第五步，将调合效应参数送入调合控制系统，用于控制或优化。
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以及相应调合头编号。
在本发明的一个实施例中，选择至少两个组分油。
在本发明的一种实施方式中，上述第二步可设置的运行周期不少于组分数×数据采样时间，其实际运行周期根据生产配方制定的需要而定，优选3-6分钟。
本发明上述第二步中的目标函数可以是求解精度、求解稳定性等；优选求解精度和求解稳定性。
本发明上述方法适用于所有原油属性，包括但不限于，密度、硫含量、酸值、石脑油收率、氮含量等。
本发明上述第四步将上述各步获得的数据按照本发明提供的公式(1)、(2)、(3)、(4)、(5)和(6)建立调合效应模型后，采用自适应差分进化智能优化算法对调合效应模型进行求解，得出调合效应参数。包括以下步骤：
(1)初始化种群P，种群大小为NP；
(2)初始化μCR＝0.5,μF＝0.5，A＝Ф；
(3)循环开始，当算法终止条件尚未满足时，进行：
(i)设置SF＝Ф，SCR＝Ф；
(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xi优于ui，则xi进入下一代种群；若ui优于xi，则ui替换xi进入下一代种群，并将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)
(4)算法停止，得到最终种群NP，种群中适应度值最优的个体即为优化问题的解。
其中，randni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(7)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(8)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表示保证变异信息的引入而随机选定的一个j。
在本发明的一种实施方式中，上述第五步的控制或优化包括判断运行是否完成，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、本发明提出了一种原油调合的调合效应参数智能计算方法，在调合过程中按一定运行周期计算调合效应参数，将调合过程中的依靠经验的定性的调合正负效应以定量方式表现出来，并实现了效应参数的动态更新和修正，从而更好指导调合过程的控制、预测与优化。
2、本发明采用智能算法将效应参数求解目标分解(例如但不限于精度和稳定性两大目标)，并根据实际应用对象或不同工况需求设定权值进行目标权重的调节，考虑其非线性因素，采用自适应差分进化智能优化算法对其进行求解，确保了在线应用时有解，满足在线更新的需要。
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。本实施例在以本发明技术方案为前提下进行实施，但本发明的保护范围不限于下述的实施例。实施例所涉及的软件结构如图1所示，首先从DCS系统中取出数据，进而建立调合效应模型，通过调用自适应差分进化智能优化算法进行计算，将结果送回系统用于控制、预测与优化。本实施例以硫含量为例，但保护范围不限于硫含量。
根据图2所示，一种原油调合的调合效应参数智能计算方法步骤如下：
步骤一：运行参数初始化。
选定参与调合的组分油品为1#、2#、3#及4#，并选择相应调合头编号。
步骤二：设置运行周期以及目标函数权值。
设置运行周期为5min,设定求解精度权值0.7，求解稳定性权值0.3。
步骤三：按运行周期获取组分油属性、调合配方以及调合头处调合所得原油属性。
取出四种油分的硫含量测量数据，1#组分油硫含量1.68％，2#组分油硫含量2.36％，3#组分油硫含量1.79％，4#组分油硫含量2.22％。取出的7次调合的配方与调合头混合所得原油的硫含量如下表1：
表1
步骤四：建立调合效应数学模型。
通过以上数据按照本发明所涉及公式(1)-(6)，建立调合效应模型。
步骤五：计算调合效应参数。
调用自适应差分进化智能优化算法程序进行求解，算法流程图如图3所示。求得1#组分油调合效应参数0.0260％，2#组分油调合效应参数0.0348％，3#组分油调合效应参数0.0032％，4#组分油调合效应参数0.0495％。
步骤六：将调合效应参数送入系统。
步骤七：查看运行是否结束，若未结束，则等待一个运行周期再返回步骤三。
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 (10)
1.一种建立关于原油调合的调合效应参数数学模型的方法，其特征在于，包括步骤：
(a)采用式(1)对各组分油的属性进行补偿：
Qx(Oj,i)＝Oj,i+pbj,i (1)
其中，
i为各组分油编号，其中，i＝1,2,…,n；
j为油品的需要进行非线性补偿的属性，其中，j＝1,2,…,n；
pbj,i表示组分油各属性的调合效应参数；
Oj,i为第i种组分油的近红外分析仪在线测量的属性；
Qx(Oj,i)表示调合效应补偿函数；
(b)采用式(2)得到调合头处调合所得原油属性的预测值：
其中，
ri表示第i种组分油的配方；
Pj表示调合头处调合所得原油属性预测值；
(c)求解式(6)的目标函数得到调合效应参数：
其中，
wp表示求解精度权值；
ws表示求解稳定性权值；
Y＝Rm,n·PB，
PB＝[pbj,1 pbj,2 … pbj,n]T (4)
且
表示第i组历史调合数据中调合头处调合所得原油的属性值；
[rm,1rm,2...rm,n]表示有n个组分油参与调合的一个历史调合配方；
m表示m组调合配方。
2.一种计算原油调合的调合效应参数的方法，其特征在于，所述方法包括以下步骤：
首先，进行运行参数初始化；
其次，设置运行周期以及目标函数权重；
再次，根据运行周期获取组分油属性、调合配方以及调合头处调合所得原油属性；
最后，利用自适应差分进化智能优化算法对权利要求1所述的调合效应参数模型进行求解。
3.如权利要求2所述的方法，其特征在于，所述运行参数包括参与调合的组分油品及相应调合头编号。
4.如权利要求2所述的方法，其特征在于，所述目标函数包括求解精度、求解稳定性。
5.如权利要求2所述的方法，其特征在于，该方法适用于所有原油属性，包括密度、硫含量、酸值、石脑油收率以及氮含量。
6.如权利要求2所述的方法，其特征在于，所述自适应差分进化智能优化算法包括步骤：
(1)初始化种群P，种群大小为NP；
(2)初始化μCR＝0.5,μF＝0.5，A＝Ф；
(3)循环开始，当算法终止条件尚未满足时，进行：
(i)设置SF＝Ф，SCR＝Ф；
(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xi优于ui，则xi进入下一代种群；若ui优于xi，则ui替换xi进入下一代种群，并将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)；
(4)算法停止，得到最终种群NP，种群中适应度值最优的个体即为优化问题的解；
其中，
randni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；
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。
7.如权利要求6所述的方法，其特征在于，采用式(7)得到普通的Lehmer平均：
采用式(8)得到试验向量：
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表示保证变异信息的引入而随机选定的一个j。
8.一种原油调合方法，其特征在于，所述方法包括步骤：将通过如权利要求2-7任一项所述的方法得到的调合效应参数送入调合控制系统执行；可用于对某一配方下的调合属性进行预测，指导生产配方的制定。
9.一种计算机可读存储介质，其上存有计算机程序，该程序被处理器执行时能用于实施如权利要求1-7中任一项所述的方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序执行如权利要求1-7中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910250851.4A CN109994160B (zh) | 2019-03-29 | 2019-03-29 | 一种原油调合的调合效应参数的计算方法 |
| KR1020217035292A KR102614179B1 (ko) | 2019-03-29 | 2019-12-20 | 원유 블렌딩의 블렌딩 효과 파라미터의 계산 방법 |
| PCT/CN2019/126971 WO2020199666A1 (zh) | 2019-03-29 | 2019-12-20 | 一种原油调合的调合效应参数的计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910250851.4A CN109994160B (zh) | 2019-03-29 | 2019-03-29 | 一种原油调合的调合效应参数的计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109994160A CN109994160A (zh) | 2019-07-09 |
| CN109994160B true CN109994160B (zh) | 2023-08-15 |
Family
ID=67132063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910250851.4A Active CN109994160B (zh) | 2019-03-29 | 2019-03-29 | 一种原油调合的调合效应参数的计算方法 |
Country Status (3)
| Country | Link |
|---|---|
| KR (1) | KR102614179B1 (zh) |
| CN (1) | CN109994160B (zh) |
| WO (1) | WO2020199666A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111359523B (zh) * | 2020-02-17 | 2024-01-26 | 上海华理自动化系统工程有限公司 | 一种油品调合的先进控制系统 |
| CN113139155B (zh) * | 2021-04-23 | 2024-02-06 | 南京富岛信息工程有限公司 | 一种大范围原油调合选择优化方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002329187A (ja) * | 2001-04-27 | 2002-11-15 | Petroleum Energy Center | 石油コンビナートの運転条件の推定方法 |
| CN101271336A (zh) * | 2008-05-05 | 2008-09-24 | 浙江大学 | 润滑油优化调合的方法 |
| 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 |
| BRPI0620899A2 (pt) * | 2005-12-23 | 2011-11-29 | Innospec Ltd | processo |
| 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 |
| CN102663221A (zh) * | 2012-03-02 | 2012-09-12 | 河海大学 | 一种多原油多性质调合优化方法 |
| CN103065204A (zh) * | 2012-12-25 | 2013-04-24 | 浙江大学 | 一种verna-ga的汽油调合优化调度方法 |
| 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 |
| CN103745115A (zh) * | 2014-01-17 | 2014-04-23 | 华东理工大学 | 汽油调合离线优化方法 |
| CN106202964A (zh) * | 2016-07-25 | 2016-12-07 | 南京富岛信息工程有限公司 | 一种基于分区初始化的原油非线性优化调合方法 |
| 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 |
| CN108415246A (zh) * | 2018-02-06 | 2018-08-17 | 南京富岛信息工程有限公司 | 一种基于拓展初始化范围的原油非线性优化调合方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10040041B2 (en) * | 2015-07-09 | 2018-08-07 | Cameron International Corporation | Crude oil blending using total boiling point analysis |
| CN108733009B (zh) * | 2018-02-26 | 2021-04-09 | 华东理工大学 | 一种多层架构的油品调合在线优化控制方法 |
| 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 |
-
2019
- 2019-03-29 CN CN201910250851.4A patent/CN109994160B/zh active Active
- 2019-12-20 WO PCT/CN2019/126971 patent/WO2020199666A1/zh active Application Filing
- 2019-12-20 KR KR1020217035292A patent/KR102614179B1/ko active IP Right Grant
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002329187A (ja) * | 2001-04-27 | 2002-11-15 | Petroleum Energy Center | 石油コンビナートの運転条件の推定方法 |
| BRPI0620899A2 (pt) * | 2005-12-23 | 2011-11-29 | Innospec Ltd | processo |
| CN101271336A (zh) * | 2008-05-05 | 2008-09-24 | 浙江大学 | 润滑油优化调合的方法 |
| 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 |
| CN102663221A (zh) * | 2012-03-02 | 2012-09-12 | 河海大学 | 一种多原油多性质调合优化方法 |
| 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 |
| CN103065204A (zh) * | 2012-12-25 | 2013-04-24 | 浙江大学 | 一种verna-ga的汽油调合优化调度方法 |
| 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 |
| CN103745115A (zh) * | 2014-01-17 | 2014-04-23 | 华东理工大学 | 汽油调合离线优化方法 |
| CN106202964A (zh) * | 2016-07-25 | 2016-12-07 | 南京富岛信息工程有限公司 | 一种基于分区初始化的原油非线性优化调合方法 |
| CN108415246A (zh) * | 2018-02-06 | 2018-08-17 | 南京富岛信息工程有限公司 | 一种基于拓展初始化范围的原油非线性优化调合方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102614179B1 (ko) | 2023-12-14 |
| KR20210144862A (ko) | 2021-11-30 |
| CN109994160A (zh) | 2019-07-09 |
| WO2020199666A1 (zh) | 2020-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109994160B (zh) | 一种原油调合的调合效应参数的计算方法 | |
| Wang | Fixed-effect panel threshold model using Stata | |
| US20180356803A1 (en) | Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm | |
| Andrews et al. | Approximately median-unbiased estimation of autoregressive models | |
| Chang et al. | Failure mode and effects analysis using grey theory | |
| CN109765788B (zh) | 一种多目标原油调合在线优化方法 | |
| CN111178487B (zh) | 电力优化调度方法、装置、计算机设备和存储介质 | |
| Reinikainen et al. | Multivariate statistical analysis of a multi-step industrial processes | |
| Cox et al. | Croon’s bias-corrected estimation of latent interactions | |
| JP2003058582A (ja) | 設計・配合のシミュレーションシステム | |
| CN116911962B (zh) | 一种基于数据模型的选品装置及方法 | |
| Zhu et al. | An adaptive forecasting algorithm and inventory policy for products with short life cycles | |
| CN109993374B (zh) | 货物量预测方法及装置 | |
| JP2003058579A (ja) | 設計・配合の最適化方法 | |
| CN108415246A (zh) | 一种基于拓展初始化范围的原油非线性优化调合方法 | |
| KR101386038B1 (ko) | 소프트웨어 개조 견적 방법 및 소프트웨어 개조 견적 시스템 | |
| CN111581823B (zh) | 一种施工质量-工期-成本优化方法、装置和电子设备 | |
| JPH0772907A (ja) | 評価基準変更装置またはその方法、生産計画作成装置またはその方法 | |
| TWI385589B (zh) | 面板業之多目標產能規劃系統與方法 | |
| Casler | Applied production theory: explicit, flexible, and general functional forms | |
| CN114493057B (zh) | 基于异常工况的生产工艺参数推荐方法及相关设备 | |
| CN115730694A (zh) | 一种软件工作量的预测方法和设备，及存储介质 | |
| JP2003058859A (ja) | ニューラルネットワークにおける最適化方法 | |
| CN117344079A (zh) | 转炉冶炼的控制方法、装置、介质以及电子设备 | |
| CN116276951A (zh) | 机器人使用度评估方法、设备及计算机可读存储介质 |
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 |