CN111044482B - 原油调配方法 - Google Patents

Abstract

提供一种基于原油近红外光谱、原油性质、减压渣油性质筛选适合生产道路沥青的原油的调配方法，包括取特征谱区的近红外光谱进行主成分分析，将得分矩阵与原油样品对应的关键性质组成得分‑性质矩阵，再通过在配方组分原油库中取n种原油进行组合，用组合原油光谱和性质得分矩阵对目标原油的得分‑性质向量进行拟合，由拟合相似度判断组合原油与目标原油的接近程度，再由相似度大于预定值的组合原油的拟合系数得到原油调合比例(或称调合配方)，从而得到适合生产道路沥青的配方原油。该方法可快速、准确地基于原油近红外光谱、原油性质、减压渣油性质生成适合生产道路沥青的原油调合配方，配方组分原油库为开放式，维护简单。

Description

原油调配方法

技术领域

本发明涉及原油加工领域，具体涉及原油调配方法。

背景技术

随着国民经济的发展，我国汽车保有量飞速增长，使得对道路沥青的需求越来越大，特别是高等级的重交通道路沥青。重交通道路沥青的牌号主要有AH-50、AH-70、AH-90等。大量的研究和工业生产表明道路沥青的产品质量和路用性能与生产沥青的原油性质密切相关，选择合适的原油生产道路沥青能获得最佳的产品质量。低蜡环烷基和低蜡中间基原油是生产沥青的理想原料，如绥中36-1原油、巴士拉原油、玛瑞16原油。然而，适合生产重交通道路沥青的原油十分有限，且大多为高硫或高酸的劣质原油，炼厂加工这类原油时不仅其他产品的质量受到影响，而且由腐蚀引起的安全压力巨大。若能通过几种不同原油的调配得到与适合生产道路沥青的目标原油性质及组成接近的混合原油，将会增加炼厂的原油选择余地，不仅能从原油采购层面提高企业效益，还能从原料稳定层面提高安全生产周期，减少企业非计划停工。

通过几种不同原油的调合得到与目标原油性质类似的混合原油，已有一些文献发表。马巍等人构建了一个多目标原油选择与混合优化模型，可以将寻找替代原油转化为原油选择与混合优化问题。在原始多目标布谷鸟搜索 (MOCS)算法基础上，对编码以及Lévy飞行进行了改进，结合非支配排序方法提出了一种改进的多目标布谷鸟搜索(IMOCS)算法。利用IMOCS算法求解模型，可同时确定原油的选择和混合比例。CN102663221A公开了一种多原油多性质调合优化方法，通过计算多种组分原油调合质量配比，使目标原油的多种性质达到最优值。具体步骤依次如下：建立原油性质调合规则库，进行优化预处理，根据原油调合设备实际工作能力设定设备约束大小，建立多原油多性质优化模型，基于有约束自适应粒子群优化进行优化计算获得多种组分原油的最优配比。该发明在调合规则库和设备约束基础上建立了多原油多性质优化模型，基于有约束自适应粒子群优化算法，对经过优化预处理后的性质进行快速、准确的优化计算，获得多种组分原油的最优配比，避免原油调合中多种原油的配比靠人工计算，计算一致性差，计算效率低而且获得配比不是最优比例的情况发生。CN102643662A公开了一种原油调合优化方法，该方法面向原油加工企业，支持调合后原油性质含量与目标偏差最小，即在满足一定约束条件下，通过最小化求解各掺炼原油的相关性质含量与设定目标的偏差函数，得到各种掺炼原油的占比。出于安全性和经济性考虑，该方法还支持原油性质含量在范围内定值、向下限优化和向上限优化三种优化方式。该方法还支持经济最优优化目标，即在考虑调合后的原油性质含量与目标偏差最小的同时，实现生产成本最小化。

这些方法的有的计算过程复杂，计算量大，耗费较长。有的基于调合规则库和设备约束建立多原油多性质优化模型，可选原油范围小。且未有关于调合适合生产道路沥青的原油的相关报道。本发明基于原油近红外光谱、原油性质及减压渣油性质可快速、准确地生成目标原油调合配方，配方组分原油库为开放式，维护更加简单。

发明内容

本发明提供一种基于原油近红外光谱、原油性质、减压渣油性质选择适合生产道路沥青的原油调配方法。

本发明提供的原油调配方法，包括如下步骤：

S1，收集已知性质的原油样品构成配方组分原油库，测定每个所述原油样品的近红外光谱，用标准方法测定其原油性质，及将原油进行实沸点蒸馏后得到减压渣油，用标准方法测定所述减压渣油性质；

S2，对所述原油样品的近红外光谱进行一阶微分和矢量归一化后，取 4000cm^-1～4700cm^-1和5300cm^-1～6000cm^-1特征谱区的吸光度构成所述配方组分原油库的近红外光谱矩阵X；

S3，将所述配方组分原油库的近红外光谱矩阵X进行主成分分析，得到所述原油样品的得分矩阵和载荷矩阵，将所述得分矩阵与相应的原油性质及减压渣油性质建立所述配方组分原油库的得分-物性矩阵X’；

S4，按照与所述S2步骤相同的方法测定目标原油的近红外光谱，并分别进行一阶微分和矢量归一化后，取4000cm^-1～4700cm^-1和5300cm^-1～ 6000cm^-1特征谱区的吸光度构成所述目标原油的近红外光谱数据，再由所述原油样品的载荷矩阵计算出所述目标原油的得分，与所述目标原油的原油性质及减压渣油性质构成所述目标原油的得分-性质向量T；

S5，按照排列组合的方式从所述配方组分原油库中列出n种原油组配的所有可能的组合C_m ⁿ，其中m为所述配方组分原油库的样品数，用每一个组合中n个原油的得分-物性矩阵XX′和目标原油的得分-性质向量T，按照式①以所述目标原油的得分-性质向量T为对象进行拟合：

所述式①中，T为所述目标原油的得分-性质向量，XX’_i为所述配方组分原油库的得分-物性矩阵X’第i个原油的得分-性质向量，k为所述配方组分原油库光谱的数目，a_i为所述配方组分原油库中第i个原油对应的拟合系数；

其中，所述拟合系数a_i采用非负约束最小二乘法求出，即满足如下目标函数：

将通过所述式②求得的拟合系数a_i中所有的非零拟合系数提取出来，按式③进行归一化处理，得到归一化的拟合系数b_i：

所述式③中，g为非零拟合系数的个数，b_i为所述配方组分原油库中参与调合所述目标原油的各组分原油的相应比例；

S6，按式④计算所述配方原油的性质，

所述式④中，b_i为拟合系数，q_i为所述配方组分原油库中原油样品对应的性质值；

按式⑤计算调合原油各性质的隶属度，

所述式⑤中，μ_j为调合原油的第j个性质对应于目标原油的第j个性质的隶属度，y_j为调合原油第j个性质，α_j为目标原油第j个性质，σ_j为第j个性质的隶属度标准方差；

S7，计算各组合调合原油与目标原油的相似度S，

式中，c_j为第j个性质的影响因子，μ_j为调和原油的第j个性质的隶属度，q 为计算相似度S所用的原油性质个数；

S8，取相似度大于预定值的组合，按所述n种原油的混合比例作为最终的原油调合配方。

根据本发明的一实施方式，所述S1步骤中所述原油样品数量为100个以上。

根据本发明的另一实施方式，所述S1步骤中测定所述原油样品近红外光谱的分辨率为4cm^-1或8cm^-1，扫描次数为16次或32次。

根据本发明的另一实施方式，所述S1步骤中所述原油性质选自原油密度、酸值、硫含量、残炭、蜡含量、胶质含量、沥青质含量中的一种或多种；所述减压渣油性质选自减压渣油收率、密度、硫含量、酸值、延度、针入度、软化点中一种或多种。

根据本发明的另一实施方式，所述S3步骤中按式⑥计算所述原油样品的得分矩阵和载荷矩阵，

X＝T_x×P ⑥

所述式⑥中，X为所述配方组分原油库的近红外光谱矩阵，X为m×n矩阵；T_x为所述原油样品的得分矩阵，T_x为m×c矩阵；P为c×n矩阵，P为所述原油样品的载荷矩阵；其中，m为所述配方组分原油库库样品数，n为所述原油样品近红外光谱的波数采样点数，c为主成分数。

根据本发明的另一实施方式，所述S3步骤中所述主成分的数量为10～ 30。

根据本发明的另一实施方式，所述S4步骤中按式⑦计算所述目标原油的得分，

t_u＝x_u×P′ ⑦

所述式⑦中，t_u为所述目标原油的得分，x_u为所述目标原油的近红外光谱数据，P′为所述原油样品的载荷矩阵的转置矩阵，P′为n×c的矩阵；其中， n为所述原油样品近红外光谱的波数采样点数，c为主成分数。

根据本发明的另一实施方式，所述S5步骤中n为2～4的整数。

根据本发明的另一实施方式，所述S7中所述相似度S按下式计算，

S＝(0.8μ_原油密度+0.6μ_{原油硫含量}+0.4μ_原油酸值+0.4μ_{原油金属含量}+0.4μ_减渣收率+0.4μ_减渣密度+0.4μ_减渣延度+0.4μ_{减渣针入度}+0.4μ_{减渣软化点})/4.2。

根据本发明的另一实施方式，所述S8步骤中所述预定值大于0.9。

该方法可快速、准确地基于原油近红外光谱、原油性质、减压渣油性质生成适合生产道路沥青的原油调合配方，配方组分原油库为开放式，维护简单。

具体实施方式

下面结合具体实施方式对本发明作详细说明。

本发明原油调配方法基于原油近红外光谱、原油性质、减压渣油性质筛选适合生产道路沥青的原油及调配方法，包括测定各种不同类型原油样品的近红外光谱和物性数据、减压渣油的性质数据。对原油的近红外光谱进行一阶微分和矢量归一化处理，选取特征波段的吸光度建立配方组分原油库的近红外光谱矩阵，对该矩阵进行主成分分析，得到得分矩阵和载荷矩阵，将配方组分原油库的得分矩阵和选取的原油性质及减压渣油性质构成配方组分原油库的得分-物性矩阵。测定目标原油的近红外光谱，进行一阶微分和矢量归一化处理，选取特征波段后，再由配方组分原油库的载荷矩阵计算出目标原油的得分矩阵，与相应的关键物性构成目标原油的得分-性质向量。以目标原油的得分-性质向量的为因变量，配方组分原油库的得分-物性矩阵为自变量，通过非负最小二乘法计算出拟合系数，将所有非零拟合系数进行归一化处理，即为参与调合目标原油的各组分原油的调合比例。各组分原油的名称和各自调合比例即为目标原油的调合配方。

具体而言，在S1步骤中，收集已知性质的原油样品构成配方组分原油库，测定每个原油样品的近红外光谱，用标准方法测定其原油性质，及将原油进行实沸点蒸馏后得到减压渣油，用标准方法测定减压渣油性质。配方组分原油库中原油样品的数量优选为200个以上。测定原油样品近红外光谱的分辨率为4cm^-1或8cm^-1，扫描次数为16次或32次。原油性质可以选自原油密度、酸值、硫含量、残炭、蜡含量、胶质含量、沥青质含量中的一种或多种。减压渣油性质可以选自减压渣油收率、密度、硫含量、酸值、延度、针入度、软化点中一种或多种。原油性质和减压渣油性质不限定为以上列举的各种，还可以是其他任何适合的性质，本领域技术人员可以根据实际的需要确定。

然后，在S2步骤中，对原油样品的近红外光谱进行一阶微分和矢量归一化后，取4000cm^-1～4700cm^-1和5300cm^-1～6000cm^-1特征谱区的吸光度构成配方组分原油库的近红外光谱矩阵X。矢量归一化方法如下：

首先，计算待处理光谱的吸光度的平均值，其次，用该光谱的吸光度减去这个平均值得到吸光度差值，然后，计算吸光度差值的平方和，最后，用吸光度差值除以这个平方和的开方。如式⑧所示：

式⑧中，A_i为待处理的任一个样品某个采样点处的光谱数据(吸光度)， A′_i为矢量归一化处理后的该采样点处的光谱数据，n为原油样品近红外光谱特征谱区的波数采样点数。

之后，在S3步骤中，将配方组分原油库的近红外光谱矩阵X进行主成分分析，得到原油样品的得分矩阵和载荷矩阵，将得分矩阵与相应的原油性质及减压渣油性质建立配方组分原油库的得分-物性矩阵X’。

S3步骤中可以按式⑥计算原油样品的得分矩阵和载荷矩阵，

X＝T_x×P ⑥

式⑥中，X为配方组分原油库的近红外光谱矩阵，X为m×n矩阵；T_x为原油样品的得分矩阵，T_x为m×c矩阵；P为c×n矩阵，P为原油样品的载荷矩阵；其中，m为配方组分原油库库样品数，n为原油样品近红外光谱的波数采样点数，c为主成分数。其中主成分的数量可以根据合理选自适当的数量，例如10～30。

之后，在S4步骤中，按照与S2步骤相同的方法测定目标原油的近红外光谱，并分别进行一阶微分和矢量归一化后，取4000cm^-1～4700cm^-1和 5300cm^-1～6000cm^-1特征谱区的吸光度构成目标原油的近红外光谱数据，再由原油样品的载荷矩阵计算出目标原油的得分，与目标原油的原油性质及减压渣油性质构成目标原油的得分-性质向量T。

S4步骤中可以按式⑦计算目标原油的得分，

t_u＝x_u×P′ ⑦

式⑦中，t_u为目标原油的得分，x_u为目标原油的近红外光谱数据，P′为原油样品的载荷矩阵的转置矩阵，P′为n×c的矩阵；其中，n为原油样品近红外光谱的波数采样点数，c为主成分数。

之后，在S5步骤中，按照排列组合的方式从配方组分原油库中列出n 种原油组配的所有可能的组合C_m ⁿ，其中m为配方组分原油库的样品数，用每一个组合中n个原油的得分-物性矩阵XX′和目标原油的得分-性质向量 T，按照式①以目标原油的得分-性质向量T为对象进行拟合：

式①中，T为目标原油的得分-性质向量，XX’_i为配方组分原油库的得分- 物性矩阵X’第i个原油的得分-性质向量，k为配方组分原油库光谱的数目， a_i为配方组分原油库中第i个原油对应的拟合系数。

n个原油的得分-性质矩阵XX′的建立方法为：将组成该组合的原油编号对应的数据从配方组分原油库的得分-性质矩阵X′中提取出来，如组合选取的是编号为第i，j和k三种原油，XX′矩阵的第一列为X′的第i列，XX ′矩阵的第二列为X′的第j列，XX′矩阵的第三列为X′的第k列。

式①中，拟合系数a_i采用非负约束最小二乘法求出，即满足如下目标函数：

非负约束最小二乘法的具体算法参见文献：C.L.Lawson and R.J. Hanson,Solving Least Squares Problems,Prentice-Hall,Englewood Cliffs,NJ (1974)；160～165。

将通过式②求得的拟合系数a_i中所有的非零拟合系数提取出来，按式③进行归一化处理，得到归一化的拟合系数b_i：

式③中，g为非零拟合系数的个数，b_i为配方组分原油库中参与调合目标原油的各组分原油的相应比例。

n的取值可以为，但不限于，2、3或4。以3为例，按照排列组合的方式从配方组分原油库列出三种原油所有可能的组合，然后依次用每一个组合中三个原油的得分-物性矩阵和目标原油的得分-性质向量T按照S5步骤中的方法进行拟合，参与拟合的原油为2种和4种的情形，所采取方法一样。

之后，在S6步骤中按式④计算配方原油的性质，

式④中，b_i为拟合系数，q_i为配方组分原油库中原油样品对应的性质值；按式⑤计算调合原油各性质的隶属度，

式⑤中，μ_j为调合原油的第j个性质对应于目标原油的第j个性质的隶属度，y_j为调合原油第j个性质，α_j为目标原油第j个性质，σ_j为第j个性质的隶属度标准方差，为一可调参数。对于固定的y_j和a_j，σ_j决定了隶属度函数值的大小，定义它为隶属度方差，数值大小依据经验给出，可以是表1所示数据。

表1隶属度计算时各性质方差统计

配方原油和目标原油的相似度是将二者各个性质的隶属度函数乘上各自的影响因子加和，该结果可以从总体上综合描述配方原油和目标原油的相似程度。即S7步骤中，计算各组合调合原油与目标原油的相似度S，

式中，c_j为第j个性质的影响因子，μ_j为调和原油的第j 个性质的隶属度，q为计算相似度S所用的原油性质个数。以原油性质取原油密度、原油硫含量、原油酸值、原油金属含量、减压油渣(简称“减渣”) 收率、减渣密度、减渣延度、减渣针入度和减渣软化点为例，相似度S可以由下式计算，S＝(0.8μ_原油密度+0.6μ_{原油硫含量}+0.4μ_原油酸值+0.4μ_{原油金属含量}+0.4μ_减渣收率+0.4μ_减渣密度+0.4μ_减渣延度+0.4μ_{减渣针入度}+0.4μ_{减渣软化点})/4.2。本领域技术人员可以理解，上式仅是示例，可以根据具体情况选择适当的原油性质及其相应的隶属度。

最后，在S8步骤中，取相似度大于预定值的组合，按n种原油的混合比例作为最终的原油调合配方。优选，预定值大于0.9。

实施例1

1构建原油样品的光谱库

收集有代表性的原油样品500种，原油品种基本覆盖了世界主要原油产区。测定原油样品的近红外光谱，对其进行一阶微分和矢量归一化。用现行常规方法测定原油密度、酸值、硫含量、残炭、蜡含量、胶质含量、沥青质含量等性质；将原油进行实沸点蒸馏后得到减压渣油馏分，测定减压渣油收率、密度、硫含量、酸值、延度、针入度、软化点等性质。将原油的光谱及其对应的14个性质数据阵(Y_14×500)构成原油光谱数据库。

2建立原油样品的得分-物性矩阵

将配方组分原油库的近红外光谱矩阵进行主成分分析，取前10个主成分，得到库样品的得分矩阵和载荷矩阵，将库样品的得分矩阵与相应的关键物性建立配方组分原油库的得分-物性矩阵X_24×500’。

3得到目标原油的得分-性质向量

按照同样的方法测定目标原油的近红外光谱，一阶微分和矢量归一化后，取4000cm^-1～4700cm^-1和5300cm^-1～6000cm^-1特征谱区的吸光度构成目标原油的近红外光谱数据。再由库样品的载荷矩阵计算出目标原油的得分，与相应关键物性构成目标原油的得分-性质向量T_24×1。

4对目标原油的得分-性质向量进行拟合

用目标原油的得分-性质向量T_24×1，基于拟合库矩阵P_24×500，对这个待测原油进行拟合。基于拟合系数和参与拟合的库光谱样品的对应性质，计算配方原油的性质，可由公式

直接计算得到，b表示归一化的拟合系数， q表示库光谱样品对应的性质值。配方原油和目标原油的性质对比见表2。

表2配方原油和目标原油的性质对比

5配方原油混合比例

表3给出了参与拟合的原油数目设定为3个，得到的配方原油混合比例，表4给出了参与拟合的原油数目设定为4个，得到的配方原油混合比例。

表3参与拟合的原油数目为3个得到的配方原油混合比例

序号	参与混合原油编号	混合比例
			1	074	0.208
2	146	0.312
			3	289	0.480

表4参与拟合的原油数目为4个得到的配方原油混合比例

序号	参与混合原油编号	混合比例
			1	045	0.247
2	189	0.186
			3	275	0.229
4	358	0.338

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种原油调配方法，包括如下步骤：

S1，收集已知性质的原油样品构成配方组分原油库，测定每个所述原油样品的近红外光谱，用标准方法测定其原油性质，及将每个所述原油样品进行实沸点蒸馏后得到减压渣油，用标准方法测定减压渣油性质；

S2，对所述原油样品的近红外光谱进行一阶微分和矢量归一化后，取4000cm^-1～4700cm^-1和5300cm^-1～6000cm^-1特征谱区的吸光度构成所述配方组分原油库的近红外光谱矩阵X；

S3，将所述配方组分原油库的近红外光谱矩阵X进行主成分分析，得到所述原油样品的得分矩阵和载荷矩阵，将所述得分矩阵与相应的原油性质及减压渣油性质建立所述配方组分原油库的得分-物性矩阵X’；

S4，按照与所述S2步骤相同的方法测定目标原油的近红外光谱，并分别进行一阶微分和矢量归一化后，取4000cm^-1～4700cm^-1和5300cm^-1～6000cm^-1特征谱区的吸光度构成所述目标原油的近红外光谱数据，再由所述原油样品的载荷矩阵计算出所述目标原油的得分，与所述目标原油的原油性质及减压渣油性质构成所述目标原油的得分-性质向量T；

S5，按照排列组合的方式从所述配方组分原油库中列出n种原油组配的所有可能的组合C_m ⁿ，其中m为所述配方组分原油库的样品数，用每一个组合中n个原油的得分-物性矩阵XX′和目标原油的得分-性质向量T，按照式①以所述目标原油的得分-性质向量T为对象进行拟合：

所述式①中，T为所述目标原油的得分-性质向量，XX’_i为所述配方组分原油库的得分-物性矩阵X’第i个原油的得分-性质向量，k为所述配方组分原油库光谱的数目，a_i为所述配方组分原油库中第i个原油对应的拟合系数；

其中，所述拟合系数a_i采用非负约束最小二乘法求出，即满足如下目标函数：

将通过所述式②求得的拟合系数a_i中所有的非零拟合系数提取出来，按式③进行归一化处理，得到归一化的拟合系数b_i：

所述式③中，g为非零拟合系数的个数，b_i为所述配方组分原油库中参与调合所述目标原油的各组分原油的相应比例；

S6，按式④计算所述配方原油的性质，

所述式④中，b_i为拟合系数，q_i为所述配方组分原油库中原油样品对应的性质值；

按式⑤计算调合原油各性质的隶属度，

所述式⑤中，μ_j为调合原油的第j个性质对应于目标原油的第j个性质的隶属度，y_j为调合原油第j个性质，α_j为目标原油第j个性质，σ_j为第j个性质的隶属度标准方差；

算相似度S所用的原油性质个数；

S8，取相似度大于预定值的组合，按所述n种原油的混合比例作为最终的原油调合配方，所述预定值大于0.9。

2.按照权利要求1所述的方法，其特征在于，所述S1步骤中所述原油样品数量为100个以上。

3.按照权利要求1所述的方法，其特征在于，所述S1步骤中测定所述原油样品近红外光谱的分辨率为4cm^-1或8cm^-1，扫描次数为16次或32次。

4.按照权利要求1所述的方法，其特征在于，所述S1步骤中所述原油性质选自原油密度、酸值、硫含量、残炭、蜡含量、胶质含量、沥青质含量中的一种或多种；所述减压渣油性质选自减压渣油收率、密度、硫含量、酸值、延度、针入度、软化点中一种或多种。

5.按照权利要求1所述的方法，其特征在于，所述S3步骤中按式⑥计算所述原油样品的得分矩阵和载荷矩阵，

X＝T_x×P ⑥

所述式⑥中，X为所述配方组分原油库的近红外光谱矩阵，X为m×n矩阵；T_x为所述原油样品的得分矩阵，T_x为m×c矩阵；P为c×n矩阵，P为所述原油样品的载荷矩阵；其中，m为所述配方组分原油库库样品数，n为所述原油样品近红外光谱的波数采样点数，c为主成分数。

6.按照权利要求1所述的方法，其特征在于，所述S3步骤中所述主成分的数量为10～30。

7.按照权利要求1所述的方法，其特征在于，所述S4步骤中按式⑦计算所述目标原油的得分，

t_u＝x_u×P′ ⑦

所述式⑦中，t_u为所述目标原油的得分，x_u为所述目标原油的近红外光谱数据，P′为所述原油样品的载荷矩阵的转置矩阵，P′为n×c的矩阵；其中，n为所述原油样品近红外光谱的波数采样点数，c为主成分数。

8.按照权利要求1所述的方法，其特征在于，所述S5步骤中n为2～4的整数。

9.按照权利要求1所述的方法，其特征在于，所述S7中所述相似度S按下式计算，

S＝(0.8μ_原油密度+0.6μ_{原油硫含量}+0.4μ_原油酸值+0.4μ_{原油金属含量}+0.4μ_减渣收率+0.4μ_减渣密度+0.4μ_减渣延度+0.4μ_{减渣针入度}+0.4μ_{减渣软化点})/4.2。