CN110009142A - 一种数据驱动的石化企业计划优化方法 - Google Patents
一种数据驱动的石化企业计划优化方法 Download PDFInfo
- Publication number
- CN110009142A CN110009142A CN201910225511.6A CN201910225511A CN110009142A CN 110009142 A CN110009142 A CN 110009142A CN 201910225511 A CN201910225511 A CN 201910225511A CN 110009142 A CN110009142 A CN 110009142A
- Authority
- CN
- China
- Prior art keywords
- data
- property
- optimization
- atmospheric vacuum
- matrix
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000000126 substance Substances 0.000 title claims abstract description 33
- 239000003208 petroleum Substances 0.000 title claims abstract description 22
- 238000005520 cutting process Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 239000010779 crude oil Substances 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 239000003921 oil Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 241000196324 Embryophyta Species 0.000 claims description 10
- 238000002156 mixing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003556 assay Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000009411 base construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 241000209140 Triticum Species 0.000 claims description 2
- 235000021307 Triticum Nutrition 0.000 claims description 2
- 230000009194 climbing Effects 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 238000004821 distillation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000012067 mathematical method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000009394 selective breeding Methods 0.000 claims description 2
- 238000002922 simulated annealing Methods 0.000 claims description 2
- 230000021615 conjugation Effects 0.000 claims 1
- 239000002245 particle Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000005292 vacuum distillation Methods 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- WURBVZBTWMNKQT-UHFFFAOYSA-N 1-(4-chlorophenoxy)-3,3-dimethyl-1-(1,2,4-triazol-1-yl)butan-2-one Chemical compound C1=NC=NN1C(C(=O)C(C)(C)C)OC1=CC=C(Cl)C=C1 WURBVZBTWMNKQT-UHFFFAOYSA-N 0.000 description 1
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004989 laser desorption mass spectroscopy Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种数据驱动的石化企业计划优化方法,本发明通过限定特殊顺序集的MILP约束构建可以自动优化切割温度点,解决现有技术无法准确优化常减压装置切割温度点的问题;并且结合化工和统计知识,构建了一套基于数据驱动建模方式的辅助建模技术,本发明技术可以利用历史数据和实验室数据的,自动得到最佳的数据组合方式并计算出计划优化加工装置的模型参数,解决了现有技术中数据建模对人工的依赖;本发明基于油品调和组分库和油品调和模型自动更新计划优化调和模块所需要的调和组分交互系数,解决了现有技术中采用线性调和模式的不足。
Description
技术领域
本发明涉及石油炼油及化工生产技术领域,尤其涉及一种数据驱动的石化企业计划优化方法。
背景技术
近年来,随着石油化工市场的竞争越来越激烈,面对加工资源重质化和劣质化以及产品质量不断升级和环保的要求不断提高的新形势,石化企业依靠炼油带来的利润越来越少。日益稀薄的利润空间驱使石化企业需要提高自身的计划操作能力。在过去的十几年中,各种优化技术已经在石化企业日常生产计划排产中得到了充分的应用。现有技术通过对工厂中各个加工装置建立精准的数学模型并求取全厂模型的全局最优解,可以帮助企业优选出适合自身加工的原油,并为多个装置在多个加工方案中进行优化操作,从而达到提高能效减少操作开支、优选原料寻找利润空间、优化排产满足不同产品的质量要求的目的。
完整的石化企业计划优化模型可以分割成三大模块:常减压模块、加工装置模块、产品调和模块。为了保证计划优化模型的精准度,需要在一定周期内对炼厂模型进行维护更新(周期通常为一个季度、半年或者一年)。就目前的商业软件的实际应用情况来看,在计划优化的三大模块均有不足之处。
首先,对于常减压模块而言,通常把常减压设置成多模式操作、或设置多个悬摆来模拟,使用者在做不同方案时因为加工不同原油的品质差别而经常调整常减压馏分的切割点。不足之处在于这些方法也只能是近似处理,无法真正的优化常减压切割点,无论是设置多个操作模式或多个悬摆,他们所使用的原油assay表都是预先按照固定切割温度切割好了的,实际上并没有真正地对切割温度进行优化,而且当引入悬摆的温度跨度较大时,实际上已经不符合悬摆理论的基本假设了,一定程度上已经违背切割温度不能交叉的基本化工原理。前人为了解决这一问题提出了应用黏附递归(Adherent Recursion)技术对切割点进行优化,但这一技术需要由外部算法不断改动计划优化模型方能实现,黏附递归技术本身的难度和实际应用过程中实施的难度都很大。
其次,对于加工装置模块,计划优化加工装置模型的建模方法主要有两类,两种建模方式流程示意图见图1。一类是模型驱动的建模方法:将装置最新数据录入化工流程模拟模型中,运行流程模拟模型得到全面覆盖操作工况/苛刻度以及进料变化情况的产物分布结果数据,根据结果数据构建Linear Programming模型(以下简称LP模型,包括固定收率模型和Delta-base模型),或者利用流程模拟模型的LP模块自动生成所需LP模型参数。模型驱动的建模方法的缺陷在于:1、模型驱动的建模方法高度依赖于装置机理模型的构建,但是建立准确的装置机理模型难度较大,需要建模人员具有较高水平的化工专业知识;2、从误差累积的角度来说,模型驱动的建模方式比数据驱动的建模方式天然地更多了一步的误差积累;3、模型驱动建模方式注重于化工机理的体现而忽视了数学统计手段上面的一些建模技巧。
另一类建模方法是数据驱动的建模方法:通常是由有较强数据分析能力和化工专业知识的技术人员完成。需要先收集所有目标装置相关联的装置历史数据和实验室数据,结合数据分析手段和化工相关经验,将所收集数据总结归纳为计划优化软件的模型参数。数据驱动的建模方法相较于模型驱动的建模方法对历史数据中未囊括工况的预测能力相对较差。
现阶段,基于模型驱动的建模方式在国内的应用较为广泛,已经能够自动化地在设定周期对计划优化加工模型进行更新,但是数据驱动的建模方式只有专业的统计建模人员能够胜任而且目前没有系统化的基于数据驱动的建模系统。
最后,对于计划优化的油品调和模块,常规的油品调和模块通常是以性质的线性约束模式进行调和优化的,但由于调和过程通常为强非线性。因此线性计划优化解得的调和配方往往与实际情况偏离较大,不能具备指导意义。为了弥补偏离的误差,解决的技术手段有:通过及时更新性质补偿或者引入调和交互系数的方式来减少调和误差,但补偿系数和交互系数的更新都需要调试样品进行多次实验,然后利用实际实验获得的实验数据计算而得到,整个过程耗时耗力,且难度系数较大。
发明内容
本发明为克服上述的不足之处,目的在于提供一种数据驱动的石化企业计划优化方法,本发明可以自动优化切割温度点,解决现有技术无法准确优化常减压装置切割温度点的问题,并且结合化工和统计知识,构建基于数据驱动建模方式的辅助建模技术,本发明技术可以利用历史数据和实验室数据的,自动得到最佳的数据组合方式并计算出计划优化加工装置的模型参数,解决了现有技术中数据建模对人工的依赖;同时解决了现有技术中采用线性调和模式的不足问题。
本发明是通过以下技术方案达到上述目的:一种数据驱动的石化企业计划优化方法,包括如下步骤:
(1)综合统计市面上常见原油数据库中的性质、计划优化所需的性质、中国原油评价标准试验方法和成品油评价标准试验方法所涉及性质,建立计划优化模型所需的性质库;
(2)将上述性质库构建方法程式化,构建装置模型数据预处理模块;
(3)对所要进行计划优化的石化企业装置搜集其装置DCS仪表数据、装置原料及产品的实验室分析数据、在线分析仪数据、能耗数据、价格数据中的一种或多种,并用装置模型数据预处理模块对数据进行预处理,形成可供计划优化建模所需的数据;
(4)利用处理后的性质数据对装置收率分布数据进行计算建模,得到计划优化加工装置模型所需的参数;
(5)记录上述建模过程中数据预处理方法的选择、性质组合方式、建模算法的选择作为后续模型更新的默认选择;并程式化,做到后续模型更新的自动化;
(6)调和模块利用前述调和组分交互系数的方式构建非线性调和方式,其中交互系数矩阵通过组分数据库和调和软件自动更新生成;
(7)判断原油选购方案或者原油混炼方案是否确定,若未确定,则先利用原油数据库和原油切割软件构建包含悬摆切割的原油assay表,将原油assay表输入前述计划优化模型,确认原油选购方案或者原油混炼方案;若确定,利用切割点优化算法对油选购方案或者原油混炼方案进行优化。
作为优选,所述建立得到的性质库,具体如下:
可选地,性质库中的部分性质可由性质库中的一个或多个其他性质进行关联计算建模;
可选地,性质库中的部分性质可采用数学方法进行组合或转化建模;
可选的,性质库中部分性质如在特定使用场景中无法获得或不具备作用,则可标识为不适用,在后续应用步骤中不使用;
可选地,性质库中的部分性质可以根据需求进行数值转换,转换成线性关联度较高的性质数值进行建模,在后续单元要使用该性质或约束条件涉及该性质时再进行逆转换将其复原。
作为优选,所述的装置模型数据处理模块可将装置DCS仪表数据、装置原料及产品的实验室分析数据、在线分析仪数据、能耗数据、价格数据中的一种或多种进行数据处理,形成可供计划优化建模所需的数据。
作为优选,所述在步骤(3)中,可选的,将录入该模块的收率相关数据标识并进行处理,若录入的装置收率相关数据单位与全厂计划优化模型单位基准不一致,则需要结合密度参数进行转换;
可选的,如果录入该模块的数据同时包括了进料性质数据和出料性质数据,需分别对其标识;
可选的,录入该模块其余数据自动标识为性质数据;人工选择数据预处理方式或使用该装置对应的参考预处理方式对录入数据进行处理;可选的,对无法被标识的数据进行删除。
作为优选,所述在步骤(4)中,选用的性质数据可以是一个或者多个,选用的性质数据存在多个排列组合;当性质数目较少时可以遍历所有的可能组合并对其进行评价,按照准确度排序给出推荐组合方式列表;若性质数目较多时,参考预处理后数据和收率数据的线性相关系数,优先选择线性相关系数接近于1的性质进行建模,其中对于二次方程的计算,则相应地考察预处理后数据的平方和收率数据的线性相关系数;其中,规定计算时统一性质的不同预处理结果不可重复勾选作为建模计算的数据;优选地,建模计算过程中用到的算法可以为麦夸特法、准牛顿法、简面爬山法、差分进化法、遗传算法、模拟退火算法、粒子群法、自组织融合法、共轭梯度法、包维尔算法、禁忌搜索法中的任意一种。
作为优选,所述的切割点优化算法具体如下:
(i)原油经蒸馏操作处理以后被切割成多股窄馏分,其中可按照实沸点切割最高精细度分成5℃窄馏分,按步骤(1)中性质库对窄馏分的各项性质进行评价测定,得到含有收率数据和各项性质的窄馏分数据就是切割点优化算法各个虚拟流股的数据,可选的,上述窄馏分数据还可以来自于原油评价数据库和原油切割软件;
(ii)得到的N个虚拟窄馏分要遵循基本化工原理进行排列组合生成M个常减压侧线流股,在切割点优化算法中利用半正定的排序矩阵和流股流量为非负数的约束条件来实现;
(iii)设置0-1决策变量矩阵;
(iv)实际常减压侧线物流决策变量为:常减压侧线流量矩阵=半正定矩阵*决策变量矩阵*常减压处理量;其中,常减压处理流量的取值规则是:在常减压系统可操作的实际范围内,设置合适步长,均匀取值;其中,对每条常减压系统的侧线约束条件为:其流量必须大于等于最小虚拟组分收率乘以常减压处理量的值;
(v)对于每次不同的常减压处理量的取值,计划优化模型自循环运行的结果都对应着不同的切割方案和不同的目标函数值,取目标函数值最佳的切割方案为最终切割方案;可选地,引入切割点优化算法同时增加了大量的0-1决策变量和约束条件,增大了全厂计划优化模型的规模,为了快速稳定地求解计划优化模型,使用分支界定法和截平面法进行求解。
作为优选,所述步骤(ii)中,需要遵循的基本化工原理如下:
(a)虚拟流股为最小操作单元,不得重复利用,一个虚拟流股必须进入且只能进入一条常减压侧线;
(b)每条虚拟流股均有相应的切割温度,虚拟流股进行排列组合生成常减压侧线流股时,不能存在温度段交叉的情况;
(c)进入同一常减压侧线的虚拟流股其对应的温度必须能够合并成一个连续的温度区间,不允许有温度段中断的情况出现。
作为优选,所述步骤(ii)中的半正定的排序矩阵构建方式如下:
(A)排序矩阵表示的是对于某一条常减压侧线,虚拟流股所有可能组合方式的和,对于N个虚拟窄馏分,排序矩阵规模为N×N,包含了常减压各条侧线所有可能的排列方式;
(B)只含有0,1两种元素,0表示物流未进入所排序的流股,1表示物流进入了所排序的流股;
(C)排序矩阵的每一列为虚拟物流的一种组合可能性,对于每条侧线最多有N个排列方式;
(D)常见的排序矩阵的格式为上/下三角矩阵,排序情况不受实际操作限制约束,对于所有侧线均可以切割到指定温度。
作为优选,所述设置的0-1决策变量矩阵具体为:决策变量的规模为M×N,M代表M条常减压侧线,N代表侧线所选取的一种虚拟组分组合,决策变量矩阵每行满足SOS1(Special order set)约束;与常规计划优化常减压模块的构建方式不同,这里的决策变量不仅仅是各个侧线的流量同时还是各个侧线中虚拟组分的组合情况;由于各个虚拟组分均有对应的切割温度,所以能够通过优化求解后的结果得到优化后的切割温度;可选地,若常减压操作需要考虑一定的操作限制时,可以针对不同侧线的不同切割限制条件,固定决策变量中的部分元素为0,构建该决策变量的稀疏矩阵。
本发明的有益效果在于:(1)本发明通过限定特殊顺序集的MILP约束构建可以自动优化切割温度点,解决现有技术无法准确优化常减压装置切割温度点的问题;(2)本发明结合化工和统计知识,构建了一套基于数据驱动建模方式的辅助建模技术,本发明技术可以利用历史数据和实验室数据的,自动得到最佳的数据组合方式并计算出计划优化加工装置的模型参数,解决了现有技术中数据建模对人工的依赖;(3)本发明基于油品调和组分库和油品调和模型自动更新计划优化调和模块所需要的调和组分交互系数,解决了现有技术中采用线性调和模式的不足。
附图说明
图1是本发明背景技术中两种建模方式的流程示意图;
图2是本发明的方法流程示意图;
图3是本发明实施例的装置模型示意图;
图4是本发明实施例的建模性质详细数据示意图;
图5是本发明实施例的建模结果Δ-base模型示意图;
图6是本发明实施例的模型精度展示图1;
图7是本发明实施例的模型精度展示图2;
图8是本发明实施例的模型精度展示图3;
图9是本发明实施例的汽油调和模型交互因子示例图;
图10是本发明实施例的窄馏分温度收率表示意图;
图11是本发明实施例的常减压处理量迭代结果示意图。
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:以山东某炼厂计划优化模型构建过程为例,如图2所示,一种数据驱动的石化企业计划优化方法包括如下步骤:
(1)综合统计该炼厂所采购原油数据库中的性质、计划优化所需的性质、中国原油评价标准试验方法和成品油评价标准试验方法所涉及性质,建立计划优化模型所需的性质库。特别地,由于该炼厂本身分析检测技术的限制,部分性质未出现在炼厂实际生产数据中,剔除这一部分未涉及的性质,最终敲定性质数据库列表和最终采用的数据处理方式如下表1所示。
常规性质 | 燃烧性质 | 低温性质 | 安定性质 | 金属含量 | 分子组成 |
残碳 | RON | 凝点 | RVP | 镍 | P-烷族烃 |
硫含量 | MON | 倾点 | 闪点 | 钒 | I-异构烷烃 |
原油酸值 | 十六烷值 | 烟点 | 钠 | O-烯族烃 | |
原油比重 | 钼 | N-环烷族烃 | |||
氮含量 | 砷 | A-芳香族烃 | |||
铁 |
表1
(2)将上述性质库构建方法程式化,构建装置模型数据预处理模块;装置模型数据预处理模块可以将装置DCS仪表数据、装置原料及产品的实验室分析数据、在线分析仪数据、能耗数据、价格数据中的一种或多种进行数据处理,形成可供计划优化建模所需的数据。经处理后的性质数据列表如下表2所示。
表2
(3)针对该炼厂某一装置的数据进行处理时,共收集了该装置的操作周期100天内的DCS数据和LIMS数据,人工对每一列数据进行标识,分为收率数据、该装置能使用的性质数据、余赘的数据。装置模型如下图3所示。所示装置模型性质列表罗列在下表3所示。
进料流量 | 流量1 | 流量2 | 流量3 | 含硫 | 比重 | 闪点 | P | O | N | A |
F | Y1 | Y2 | Y3 | SUL | SPG | FLP | P | O | N | A |
Kg/h | Kg/h | Kg/h | Kg/h | % | 无 | ℃ | % | % | % | % |
收率 | 收率 | 收率 | 收率 | 常规 | 常规 | 安定 | 分子 | 分子 | 分子 | 分子 |
表3
(4)在步骤(3)中分好类的处理后的性质,存在多个不同同类间或异类间的排列组合情况用于建立装置模型。排列组合情况在性质预处理模块已经统计完毕:
排列数目为=3!×2!×1!×5=60
式子中各数字意义分别为:性质种类的排列数、常规性质排列数、安定性质排列数、PONA分子组成默认可行排列数;现遍历所有的可能组合并通过线性相关系数对其进行评价。选取最优的排列组合情况对装置收率分布数据进行计算建模,拟合得到计划优化加工装置模型所需的参数。选取建模使用处理后的性质参数的原始数据见下表4。
收率1 | 收率2 | 收率3 | PONA系数 | 闪点指数 |
y1 | y2 | y3 | PONA index | Flashpoint index |
表4
其中,建模性质详细数据如图4所示;建模情况如下:
Δ-base通用表达公式
其中,yi为第i条侧线的预测收率;Basei为第i条侧线的基准收率;propi,j为第i条侧线第j个性质的值;propi,j0为第i条侧线第j个性质的基准值;Si,j为第i条侧线第j个性质的性质灵敏度;Δi,j为第i条侧线第j个性质的性质变化率。整个式子的意义为:当侧线的某一性质偏离该性质基准值性质灵敏度个单位时,该侧线的收率将会偏离基准收率性质变化率个单位。建模结果Δ-base模型如图5所示;模型精度展示图分别如图6、图7、图8所示;模型精度数据表如下表5所示。
表5
(5)记录上述建模过程中数据预处理方法的选择、性质组合方式、建模算法的选择作为后续模型更新的默认选择。并程式化,做到后续模型更新的自动化。
(6)调和模块利用组分交互系数的方式构建非线性调和,组分交互系数由下式计算而得到,其中计算交互系数所需要的数据,由油品调和软件模拟得到。汽油调和交互系数如图9所示。
(7)判断原油选购方案或者原油混炼方案是否确定,若未确定,则先利用原油数据库和原油切割软件构建包含悬摆切割的原油assay表,将原油assay表输入前述计划优化模型,确认原油选购方案或者原油混炼方案;若确定,利用切割点优化算法对油选购方案或者原油混炼方案进行优化。在本实施例中,该企业已确定了详细的原油混合加工方案,其中,切割点优化算法构建情况如下:
1)利用该炼厂使用的原油评价数据库和原油切割软件获得该炼厂加工混合原油方案中混合后原油的窄馏分数据,共145个虚拟窄馏分,大部分窄馏分温度范围为5℃,贴合该炼厂常减压系统实际能操作调控的切割温度精度5℃。特别地,如果某炼厂实际能操作调控的切割温度精度更低,如1℃,可以在猜测最优切割温度点附件设置1℃的虚拟窄馏分,其余部分使用较大温度范围的窄馏分。因为窄馏分的数量直接决定了切割温度点优化模块所要设置决策变量的个数,会影响到整个计划优化模型的规模和求解效率,建议所设置的窄馏分个数不要大于200个。该炼厂所用窄馏分温度收率表格如图10所示。
2)设置排序矩阵,在该炼厂未指定特定切割温度范围约束的情况下,排序矩阵简单地设置为下面145×145的上三角矩阵,用于探索不考虑常减压操作约束下,为整个计划优化模型带来最大收益的切割方案。
特别地,但常减压操作需要考虑一定的操作限制时,可以针对不同侧线的不同切割限制条件,删除上述矩阵中的某一列,构建该侧线的排序矩阵。
3)该炼厂常减压系统共有8条侧线,设置0-1决策变量矩阵为(该实例中没有加入常减压操作限制):
CutMat=binvar(8×145);
每条侧线只能有一个切割方案,SOS1约束条件为:
4)构建常减压流量矩阵为
对于第一条侧线
X1=CutMat1*sortmat(i=1)
对于中间侧线
Xi=CutMati*sortmat-CutMati-1*sortmat(i≠1&i≠n)
对于最后一条侧线
Xg=sortmat-CutMat7*sortmat(i=8)
每条侧线的收率必须大于等于最小窄馏分收率,构建约束条件为:
Constraint(X≥min(yield))
该案例终最小窄馏分收率min(yield)=0.02%
5)常减压处理量迭代设置如下表6所示:
可行最大处理量 | 最小处理量 | 调整精度/迭代步长 | 迭代次数 |
65万吨/月 | 20万吨/月 | 5万吨/月 | 10 |
表6
常减压处理量迭代结果如图11所示,在常减压处理量60万吨时达到最佳收益。在本实施例中,求解采用截平面法。
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 (9)
1.一种数据驱动的石化企业计划优化方法,其特征在于,包括如下步骤:
(1)综合统计市面上常见原油数据库中的性质、计划优化所需的性质、中国原油评价标准试验方法和成品油评价标准试验方法所涉及性质,建立计划优化模型所需的性质库;
(2)将上述性质库构建方法程式化,构建装置模型数据预处理模块;
(3)对所要进行计划优化的石化企业装置搜集其装置DCS仪表数据、装置原料及产品的实验室分析数据、在线分析仪数据、能耗数据、价格数据中的一种或多种,并用装置模型数据预处理模块对数据进行预处理,形成可供计划优化建模所需的数据;
(4)利用处理后的性质数据对装置收率分布数据进行计算建模,得到计划优化加工装置模型所需的参数;
(5)记录上述建模过程中数据预处理方法的选择、性质组合方式、建模算法的选择作为后续模型更新的默认选择;并程式化,做到后续模型更新的自动化;
(6)调和模块利用前述调和组分交互系数的方式构建非线性调和方式,其中交互系数矩阵通过组分数据库和调和软件自动更新生成;
(7)判断原油选购方案或者原油混炼方案是否确定,若未确定,则先利用原油数据库和原油切割软件构建包含悬摆切割的原油assay表,将原油assay表输入前述计划优化模型,确认原油选购方案或者原油混炼方案;若确定,利用切割点优化算法对油选购方案或者原油混炼方案进行优化。
2.根据权利要求1所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述建立得到的性质库,具体如下:
可选地,性质库中的部分性质可由性质库中的一个或多个其他性质进行关联计算建模;
可选地,性质库中的部分性质可采用数学方法进行组合或转化建模;
可选的,性质库中部分性质如在特定使用场景中无法获得或不具备作用,则可标识为不适用,在后续应用步骤中不使用;
可选地,性质库中的部分性质可以根据需求进行数值转换,转换成线性关联度较高的性质数值进行建模,在后续单元要使用该性质或约束条件涉及该性质时再进行逆转换将其复原。
3.根据权利要求1所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述的装置模型数据处理模块可将装置DCS仪表数据、装置原料及产品的实验室分析数据、在线分析仪数据、能耗数据、价格数据中的一种或多种进行数据处理,形成可供计划优化建模所需的数据。
4.根据权利要求1所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述在步骤(3)中,可选的,将录入该模块的收率相关数据标识并进行处理,若录入的装置收率相关数据单位与全厂计划优化模型单位基准不一致,则需要结合密度参数进行转换;
可选的,如果录入该模块的数据同时包括了进料性质数据和出料性质数据,需分别对其标识;
可选的,录入该模块其余数据自动标识为性质数据;人工选择数据预处理方式或使用该装置对应的参考预处理方式对录入数据进行处理;可选的,对无法被标识的数据进行删除。
5.根据权利要求1所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述在步骤(4)中,选用的性质数据可以是一个或者多个,选用的性质数据存在多个排列组合;当性质数目较少时可以遍历所有的可能组合并对其进行评价,按照准确度排序给出推荐组合方式列表;若性质数目较多时,参考预处理后数据和收率数据的线性相关系数,优先选择线性相关系数接近于1的性质进行建模,其中对于二次方程的计算,则相应地考察预处理后数据的平方和收率数据的线性相关系数;其中,规定计算时统一性质的不同预处理结果不可重复勾选作为建模计算的数据;优选地,建模计算过程中用到的算法可以为麦夸特法、准牛顿法、简面爬山法、差分进化法、遗传算法、模拟退火算法、粒子群法、自组织融合法、共轭梯度法、包维尔算法、禁忌搜索法中的任意一种。
6.根据权利要求1所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述的切割点优化算法具体如下:
(i)原油经蒸馏操作处理以后被切割成多股窄馏分,其中可按照实沸点切割最高精细度分成5℃窄馏分,按步骤(1)中性质库对窄馏分的各项性质进行评价测定,得到含有收率数据和各项性质的窄馏分数据就是切割点优化算法各个虚拟流股的数据,可选的,上述窄馏分数据还可以来自于原油评价数据库和原油切割软件;
(ii)得到的N个虚拟窄馏分要遵循基本化工原理进行排列组合生成M个常减压侧线流股,在切割点优化算法中利用半正定的排序矩阵和流股流量为非负数的约束条件来实现;
(iii)设置0-1决策变量矩阵;
(iv)实际常减压侧线物流决策变量为:常减压侧线流量矩阵=半正定矩阵*决策变量矩阵*常减压处理量;其中,常减压处理流量的取值规则是:在常减压系统可操作的实际范围内,设置合适步长,均匀取值;其中,对每条常减压系统的侧线约束条件为:其流量必须大于等于最小虚拟组分收率乘以常减压处理量的值;
(v)对于每次不同的常减压处理量的取值,计划优化模型自循环运行的结果都对应着不同的切割方案和不同的目标函数值,取目标函数值最佳的切割方案为最终切割方案;可选地,引入切割点优化算法同时增加了大量的0-1决策变量和约束条件,增大了全厂计划优化模型的规模,为了快速稳定地求解计划优化模型,使用分支界定法和截平面法进行求解。
7.根据权利要求6所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述步骤(ii)中,需要遵循的基本化工原理如下:
(a)虚拟流股为最小操作单元,不得重复利用,一个虚拟流股必须进入且只能进入一条常减压侧线;
(b)每条虚拟流股均有相应的切割温度,虚拟流股进行排列组合生成常减压侧线流股时,不能存在温度段交叉的情况;
(c)进入同一常减压侧线的虚拟流股其对应的温度必须能够合并成一个连续的温度区间,不允许有温度段中断的情况出现。
8.根据权利要求6所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述步骤(ii)中的半正定的排序矩阵构建方式如下:
(A)排序矩阵表示的是对于某一条常减压侧线,虚拟流股所有可能组合方式的和,对于N个虚拟窄馏分,排序矩阵规模为N×N,包含了常减压各条侧线所有可能的排列方式;
(B)只含有0,1两种元素,0表示物流未进入所排序的流股,1表示物流进入了所排序的流股;
(C)排序矩阵的每一列为虚拟物流的一种组合可能性,对于每条侧线最多有N个排列方式;
(D)常见的排序矩阵的格式为上/下三角矩阵,排序情况不受实际操作限制约束,对于所有侧线均可以切割到指定温度。
9.根据权利要求6所述的一种数据驱动的石化企业计划优化方法,其特征在于:所述设置的0-1决策变量矩阵具体为:决策变量的规模为M×N,M代表M条常减压侧线,N代表侧线所选取的一种虚拟组分组合,决策变量矩阵每行满足SOS1(Special order set)约束;与常规计划优化常减压模块的构建方式不同,这里的决策变量不仅仅是各个侧线的流量同时还是各个侧线中虚拟组分的组合情况;由于各个虚拟组分均有对应的切割温度,所以能够通过优化求解后的结果得到优化后的切割温度;可选地,若常减压操作需要考虑一定的操作限制时,可以针对不同侧线的不同切割限制条件,固定决策变量中的部分元素为0,构建该决策变量的稀疏矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225511.6A CN110009142B (zh) | 2019-03-25 | 2019-03-25 | 一种数据驱动的石化企业计划优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910225511.6A CN110009142B (zh) | 2019-03-25 | 2019-03-25 | 一种数据驱动的石化企业计划优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009142A true CN110009142A (zh) | 2019-07-12 |
CN110009142B CN110009142B (zh) | 2021-03-02 |
Family
ID=67167923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910225511.6A Active CN110009142B (zh) | 2019-03-25 | 2019-03-25 | 一种数据驱动的石化企业计划优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009142B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860938A (zh) * | 2020-06-01 | 2020-10-30 | 浙江中控技术股份有限公司 | 用于原油储运系统的全局调合调度优化方法 |
CN113420500A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 智能常减压系统 |
CN113722935A (zh) * | 2021-09-16 | 2021-11-30 | 广东辛孚科技有限公司 | 一种石化装置代理模型的自动更新方法 |
CN114021365A (zh) * | 2021-11-12 | 2022-02-08 | 华东理工大学 | 一种混合原油切割模拟方法 |
WO2023123071A1 (zh) * | 2021-12-29 | 2023-07-06 | 华东理工大学 | 一种数据驱动的混合原油切割计算分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236618A (zh) * | 2007-01-30 | 2008-08-06 | 华为技术有限公司 | 一种选择工作流路由的方法和装置 |
CN102393636A (zh) * | 2011-09-22 | 2012-03-28 | 任季明 | 一种对石油炼制过程的控制系统及方法 |
CN102622655A (zh) * | 2012-03-28 | 2012-08-01 | 浙江大学 | 一种应用于炼油厂的非线性生产计划优化方法 |
US20130206642A1 (en) * | 2011-05-31 | 2013-08-15 | China University Of Petroleum-Beijing | Integrated process for upgrading heavy oil |
CN105700517A (zh) * | 2016-03-09 | 2016-06-22 | 中国石油大学(北京) | 一种炼化过程自适应数据驱动的早期故障监测方法及装置 |
CN108536108A (zh) * | 2018-05-17 | 2018-09-14 | 杭州辛孚能源科技有限公司 | 一种常减压装置的实时优化方法 |
CN108760789A (zh) * | 2018-05-04 | 2018-11-06 | 杭州辛孚能源科技有限公司 | 一种原油快评方法 |
-
2019
- 2019-03-25 CN CN201910225511.6A patent/CN110009142B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236618A (zh) * | 2007-01-30 | 2008-08-06 | 华为技术有限公司 | 一种选择工作流路由的方法和装置 |
US20130206642A1 (en) * | 2011-05-31 | 2013-08-15 | China University Of Petroleum-Beijing | Integrated process for upgrading heavy oil |
CN102393636A (zh) * | 2011-09-22 | 2012-03-28 | 任季明 | 一种对石油炼制过程的控制系统及方法 |
CN102622655A (zh) * | 2012-03-28 | 2012-08-01 | 浙江大学 | 一种应用于炼油厂的非线性生产计划优化方法 |
CN105700517A (zh) * | 2016-03-09 | 2016-06-22 | 中国石油大学(北京) | 一种炼化过程自适应数据驱动的早期故障监测方法及装置 |
CN108760789A (zh) * | 2018-05-04 | 2018-11-06 | 杭州辛孚能源科技有限公司 | 一种原油快评方法 |
CN108536108A (zh) * | 2018-05-17 | 2018-09-14 | 杭州辛孚能源科技有限公司 | 一种常减压装置的实时优化方法 |
Non-Patent Citations (1)
Title |
---|
李初福等: "炼油企业供应链管理中实沸点切割点的优化", 《化工学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860938A (zh) * | 2020-06-01 | 2020-10-30 | 浙江中控技术股份有限公司 | 用于原油储运系统的全局调合调度优化方法 |
CN111860938B (zh) * | 2020-06-01 | 2023-05-30 | 浙江中控技术股份有限公司 | 用于原油储运系统的全局调合调度优化方法 |
CN113420500A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 智能常减压系统 |
CN113420500B (zh) * | 2021-06-10 | 2022-12-02 | 北京宜能高科科技有限公司 | 智能常减压系统 |
CN113722935A (zh) * | 2021-09-16 | 2021-11-30 | 广东辛孚科技有限公司 | 一种石化装置代理模型的自动更新方法 |
CN114021365A (zh) * | 2021-11-12 | 2022-02-08 | 华东理工大学 | 一种混合原油切割模拟方法 |
CN114021365B (zh) * | 2021-11-12 | 2024-01-30 | 华东理工大学 | 一种混合原油切割模拟方法 |
WO2023123071A1 (zh) * | 2021-12-29 | 2023-07-06 | 华东理工大学 | 一种数据驱动的混合原油切割计算分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110009142B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009142A (zh) | 一种数据驱动的石化企业计划优化方法 | |
Dyrda et al. | Optimal fiscal policy in a model with uninsurable idiosyncratic income risk | |
Lenzen et al. | The path exchange method for hybrid LCA | |
US20030097243A1 (en) | Method and system for operating a hydrocarbon production facility | |
US20070100475A1 (en) | Method and apparatus for applying reduced nonlinear models to optimization of an operation | |
Baidakov et al. | Methodical bases for developing predictive scenarios of agribusiness | |
CN111461406B (zh) | 一种基于混合建模的乙烯生产原料优化方法 | |
CN113420500B (zh) | 智能常减压系统 | |
EP2751627A2 (en) | Rundown blending optimization apparatus and method | |
CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
Li et al. | Product tri‐section based crude distillation unit model for refinery production planning and refinery optimization | |
Asprion et al. | Decision support for the development, simulation and optimization of dynamic process models | |
WO2022120360A1 (en) | Method and system for process schedule reconciliation using machine learning and algebraic model optimization | |
McNulty et al. | Technoeconomic modeling and simulation for plant-based manufacturing of recombinant proteins | |
Zhang et al. | Transition from brown to green: Analyst optimism, investor discount, and Paris Agreement | |
Boukouvala et al. | Data-driven modeling and global optimization of industrial-scale petrochemical planning operations | |
JP7380021B2 (ja) | システム、方法、および、プログラム | |
He et al. | Improved integrated optimization method of gasoline blend planning and real-time blend recipes | |
CN114187975A (zh) | 一种柴油加氢装置数据模型的优化和自动更新方法及系统 | |
Kutz et al. | Optimizing Chevron’s refineries | |
CN113988370A (zh) | 基于解析四维集合变分的求解条件非线性最优扰动方法 | |
Franzoi et al. | Surrogate modeling approach for nonlinear blending processes | |
Yang | Operational Optimization of Crude Oil Distillation Systems with Limited Information | |
US20220179372A1 (en) | Method and System for Process Schedule Reconciliation Using Algebraic Model Optimization | |
Eirinakis et al. | Optimizing LPG production under quality specifications by preprocessing MILP with Pareto dominance and DEA |
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 | ||
CB02 | Change of applicant information |
Address after: Room 402, building F, No.98, Xiangxue No.8, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Guangdong Xinfu Technology Co., Ltd Address before: 310053 room 412, 4 building, 66 Dongxin Avenue, Binjiang District, Hangzhou, Zhejiang. Applicant before: HANGZHOU SYSPETRO ENERGY TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |