CN111829978A - 一种利用近红外光谱由已有原油调和目标原油的方法 - Google Patents
一种利用近红外光谱由已有原油调和目标原油的方法 Download PDFInfo
- Publication number
- CN111829978A CN111829978A CN201910311826.2A CN201910311826A CN111829978A CN 111829978 A CN111829978 A CN 111829978A CN 201910311826 A CN201910311826 A CN 201910311826A CN 111829978 A CN111829978 A CN 111829978A
- Authority
- CN
- China
- Prior art keywords
- crude oil
- blending
- vector
- target
- 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
- 239000010779 crude oil Substances 0.000 title claims abstract description 190
- 238000002156 mixing Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000002329 infrared spectrum Methods 0.000 title claims description 28
- 239000013598 vector Substances 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 41
- 238000002835 absorbance Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000010561 standard procedure Methods 0.000 claims abstract description 8
- 238000004497 NIR spectroscopy Methods 0.000 claims abstract 2
- 230000003595 spectral effect Effects 0.000 claims description 23
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 20
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 10
- 239000002253 acid Substances 0.000 claims description 10
- 239000000084 colloidal system Substances 0.000 claims description 10
- 229910052757 nitrogen Inorganic materials 0.000 claims description 10
- 229910052717 sulfur Inorganic materials 0.000 claims description 10
- 239000011593 sulfur Substances 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000010521 absorption reaction Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 230000004069 differentiation Effects 0.000 description 4
- 239000003209 petroleum derivative Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010949 in-process test method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003918 potentiometric titration Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000004846 x-ray emission 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
- G01N21/359—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
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种利用近红外光谱由已有原油调和目标原油的方法，包括收集一组原油样本，用标准方法测定每个原油样本的关键性质数据，将原油样本在3800～4800cm‑1和5400～6100cm‑1特征谱区经吸归一化处理一阶微分和二阶微分吸光度按首尾顺序连接构成特征光谱向量，所有原油样本的特征光谱向量构成矩阵X，矩阵X的前n个主成分得分与每个样本对应的关键性质数据原油样本库的性质‑得分矩阵Z，按测定原油样本同样的方法获得目标原油的性质‑得分向量zun，利用线性规划由库样本对目标原油进行拟合，得到调和方案。该法可由已有的库样品原油调出符合目标原油性质的最经济且性质相近的调和方案，数据库维护简单、方便。
Description
技术领域
一种利用近红外光谱由已有原油调和目标原油的方法，具体地说，是一种通过测定已有原油的近红外光谱，由已有原油调合得到目标原油的方法。
背景技术
原油是重要的战略资源，在国民经济中占有举足轻重的地位。近年来，随着我国原油需求量的不断增加，进口原油在加工原油中所占的比例越来越大，油种多、性质变化大，而原油调和是解决这一问题的有效方法，是降低成本、优化加工、提高效益的有效手段。
原油调合是指按一定比例，混合多种原油获得具有期望原油性质的混兑原油的过程。在原油品种多，性质差异大的情况下，通过原油调合，将各种不同原油混合成某种特定原油，逐渐成为石油化工企业从计划、调度等各层面工作的重点。
现代光谱技术(核磁共振、红外、拉曼和核磁等)具有快速、可多性质同时测量以及适合在线无损分析等特点，目前已被越来越多地应用到石化、农业和制药等领域，尤其是在过程分析方面发挥着积极的不可替代的作用。
CN102643662B公开了一种原油调合优化方法，该法面向原油加工企业，支持调合后原油宏观物性与目标偏差最小，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。
CN102663221B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。
发明内容
本发明的目的是提供一种利用近红外光谱由已有原油调和目标原油的方法，该法可给出由已有原油调出符合目标原油性质的最经济且性质相近的调和方案，数据库维护简单、方便。
本发明提供的一种利用近红外光谱由已有原油调和目标原油的方法，包括如下步骤：
(1)收集一组原油样本，用标准方法测定每个原油样本的关键性质数据，所述的关键性质数据为密度、酸值、残碳含量、硫含量、氮含量、蜡含量、胶质含量、沥青质含量，
(2)测定每个原油样本的近红外光谱，取3800～4800cm-1和5400～6100cm-1的光谱区间为特征谱区，将每个原油样本在特征谱区的经归一化处理后的一阶微分和二阶微分的吸光度按首尾顺序连接构成一条特征光谱向量，将所有原油样本的特征光谱向量构成配方原油样本库的近红外光谱矩阵X，
(3)将配方原油样本库的近红外光谱矩阵X进行主成分分析，取前n个主成分，计算得到配方原油样本库的得分矩阵T和载荷矩阵P，将得分矩阵T中每个样本对应的关键性质数据与其得分构成配方原油样本库的性质-得分矩阵Z，
(4)按测定原油样本同样的方法测定目标原油的近红外光谱和关键性质数据，取其在特征谱区的经归一化处理后的一阶微分和二阶微分的吸光度按首尾顺序连接构成目标原油的特征光谱向量，由配方原油样本库的载荷矩阵P计算出目标原油的得分tun，与目标原油关键性质数据构成目标原油的性质-得分向量zun，
(5)利用线性规划对目标原油按下述方法进行拟合，线性规划数学模型如下所示：
规划目标函数：
y＝f×x，
其中，y为调和后原油的价格，x为原油样本库中参与调和的每种原油的调和比例向量，f为参与调和的每种原油的价格向量，
规划目标：使y低于目标原油价格且为所有调合方案中的最低值，
约束条件：
A·x≤|b|，
Aeq·x＝1，
lb≤x≤ub
其中，A为原油样本库中参与调和的每种原油的关键性质数据和得分组成的参与调和的原油的性质-得分矩阵，
b为目标原油的性质-得分向量允许波动的范围向量，
Aeq为单位向量，其中每个元素取值均为1，
lb为参与调和的每种原油的调和比例下限向量，ub参与调和的每种原油的调和比例上限向量。
本发明方法基于光谱相似和性质相似的原理，通过对已有的原油样本库的样本和待调和的目标原油在特征谱区的光谱进行处理，利用线性规划算法，以调和后原油的价格最低为目标，可由已有的库样本调和得到价格最低且性质符合要求的目标原油调和方案，调和简单易得，不需要对库样本进行建模，因而数据库维护简单、方便。
具体实施方式
由于原油是复杂的混合体系，不同原油样本间存在着严重的重叠组分，一个原油样品的近红外光谱容易由其它一个或多个原油样本的光谱拟合表示，因此，易造成拟合不准，调合原油性质与目标原油性质存在较大差异的情况。本发明方法以控制调和原油价格低于目标原油，且调和原油价格最低为目标，通过对原油光谱数据库中的样本在特征谱区的光谱进行微分处理后再组合，经过主成分分析(PCA)，将主成分得分和样本对应的关键性质数据构成原油样本库的性质-得分矩阵Z，再用同样的方法获得目标原油的性质-得分向量zun，在符合一定的约束条件下，由已有的原油库样本对目标原油进行线性规划拟合，得到参与调和的库样本的混合比例，即调和方案。本发明方法由于将原油的关键性质数据的影响因素引入原油样本信息中，使调合后的原油性质较接近目标原油。本发明方法由于不用建模，在扩充数据库覆盖范围时，不需要进行模型更新，只需向数据库添加扩充原油样本的光谱及对应的关键性质数据，及时更新价格即可方便完成目标原油的调和方案。
本发明方法(1)步是收集原油样本及用标准方法测定原油样本的关键性质数据。收集的原油样本数量以用户所有的原油样本库数量为准，数量一般不低于10，可为10～100，也可根据需要随时增减。测定原油样本近红外光谱选取的光谱范围优选为10000～3500cm-1。
收集好原油样本后，需按标准方法测其关键性质数据，测定的关键性质数据为密度、酸值、残碳含量、硫含量、氮含量、蜡含量、胶质含量、沥青质含量。
所述方法(2)步是对(1)步收集的原油样本的近红外光谱进行衔接组合，获得原油样本库的近红外光谱矩阵。先取每个原油样本在特征谱区3800～4800cm-1和5400～6100cm-1的吸光度，即特征谱区的光谱，将其进行一阶微分，再进行归一化处理，然后进行二阶微分，再将二阶微分进行归一化处理，将经归一化处理的一阶微分和二阶微分光谱按首尾顺序连接，构成一条原油样本特征光谱向量。首尾顺序连接方法可为将经归一化处理的一阶微分和二阶微分的光谱按从首到尾的顺序相连构成一条新的光谱向量，称为特征光谱向量。所述光谱的首尾可按波数从小到大确定，如以波数小的为首，波数大的为尾，也可相反，由波数从大到小确定首尾，以波数大的为首，波数小的为尾。
(2)步所述的归一化处理方法如式①所示，
式①中，xnormalized为归一化光谱的吸光度向量，x为原始光谱的吸光度向量，
为光谱吸光度的平均向量，
m为采集光谱吸光度的波长点数，k为采集光谱吸光度的采样点序号，k＝1,2,…,m。
本发明方法(3)步是对配方原油样本库的近红外光谱矩阵X进行主成分分析，取前n个主成分得分与原油样本对应的关键性质数据构建成原油样本的性质-得分矩阵Z，所述前n个主成分的n值优选为5～15。在矩阵Z中，优选每个原油样本的关键性质数据和光谱得分按行排列，矩阵的列数为收集的原油样本数。
本发明方法(4)步是测定目标原油的近红外光谱，并将其在特征谱区的经归一化处理的一阶微分和二阶微分的吸光度按首尾顺序连接构成目标原油的特征光谱向量，由该向量与原油样本库的载荷矩阵P可计算得到目标原油的得分向量，将目标原油的关键性质与其得分向量构成其性质-得分向量。目标原油的近红外光谱与关键性质数据测定方法均与原油样本的测定方法相同。
本发明方法(5)步是用线性规划法由已有原油对目标原油进行线性规划拟合，获得目标原油的调合方案。
线性规划目标为使y低于目标原油价格且为所有调合方案中的最低值，即如果有多个低于目标原油价格的调和方案，则取调和后价格最低的调和方案。
约束条件中，A·x≤|b|为拟合约束条件，使拟合后的原油的性质-得分向量小于等于b向量设定的值，优选地，b向量中的关键性质数据允许的波动范围为以目标原油为基准计不超过±20％。
Aeq·x＝1是所有参与调和的原油的混合比例加和归一，lb≤x≤ub是限制每种参与调和的原油的比例上、下限。
原则上，每种参与调和的原油的比例为0～1之间的小数，优选地，ub向量中最高值不大于50％。
下面对PCA算法选取主因子的方法简要介绍如下：
PCA算法
1)取X中某列矢量x为t的起始值：t＝x；
2)计算pT＝tTX/tT t；
3)将pT归一化，pT＝pT/||p||；
4)计算t，t＝X p/pT p；
5)比较新的t与旧的t，看是否满足收敛条件。若满足收敛条件，继续步骤6，否则跳回步骤2；
6)若已完成计算所需要的主成分，则停止计算；否则用新的t计算残差阵E：
E＝X–t pT
7)用E代替X，返回步骤1，求下一个主成分。
计算目标原油的得分：
对于目标原油的特征光谱xun，通过以上求得的载荷阵P＝[p1,p2,……pn](n为主成分数)，便可计算出目标原油样本光谱的得分向量tun，即tun＝xunP。
下面通过实例详细说明本发明，但本发明并不限于此。
实例中使用如下的标准方法测定原油的关键性质数据：
密度：SH/T0604-2000原油和石油产品密度测定法(U形振动管法)，
酸值：GB/T 7304-2000石油产品和润滑剂酸值测定法(电位滴定法)，
残炭含量：GB/T 17144石油产品残炭测定法微量法
硫含量：GB/T17606-2009原油中硫含量的测定能量色散X-射线荧光光谱法，
氮含量：SH/T 0704-2001石油及石油产品中氮含量测定法舟进样化学发光法，
蜡含量：SY/T 7550-2004原油中蜡、胶质、沥青质含量测定法，
胶质含量：SY/T 7550-2004原油中蜡、胶质、沥青质含量测定法，
沥青质含量：S6Y/T 7550-2004原油中蜡、胶质、沥青质含量测定法。
原油近红外光谱采用Thermo Antais II傅里叶变换近红外光谱仪测定，测定条件为：测量光程为0.5mm，光谱分辨率：8cm-1、累计扫描次数：128次、光谱采集范围：10000～3500cm-1。
实例1
(1)建立原油样品的近红外光谱矩阵
收集23个来自世界主要原油产区的原油样本，测定原油样本的近红外光谱，取3800～4800cm-1和5400～6100cm-1特征光谱区间的吸光度，对其进行一阶和二阶微分处理，再分别归一化。所述光谱的首为3800cm-1，尾为6100cm-1，将归一化后的一阶和二阶微分光谱按首尾顺序连接，即将归一化后的二阶微分光谱的首部(3800cm-1处)与归一化后的一阶微分光谱的尾部(6100cm-1)相连构成原油样本的特征光谱向量。23个原油样本的特征光谱向量构成原油样本的近红外光谱矩阵X。
(2)建立原油库样本的性质-得分矩阵
将原油样本库的近红外光谱矩阵X进行PCA分析，取前10个主成分，计算近红外光谱矩阵X的载荷矩阵P和得分矩阵T10×23，将得分矩阵T10×23与其对应的原油样本的用标准方法测定的密度、酸值、残炭含量、硫含量、氮含量、蜡含量、胶质含量、沥青质含量8个关键性质构成配方原油样本库的性质-得分矩阵Z18×23。
(3)测定目标原油的性质-得分向量和关键性质数据
按标准方法测定目标原油的密度、酸值、残炭含量、硫含量、氮含量、蜡含量、胶质含量、沥青质含量，按(1)步方法测定目标原油的近红外光谱，取4000cm-1～4700cm-1和5300cm-1～6000cm-1特征谱区的吸光度进行一阶和二阶微分处理，再分别归一化，将归一化后的一阶和二阶微分光谱按首尾顺序连接构成目标原油的特征光谱向量，再由近红外光谱矩阵X的载荷矩阵P计算得到目标原油的得分t10×1，与其密度、酸值、残炭含量、硫含量、氮含量、蜡含量、胶质含量、沥青质含量构成目标原油的性质-得分向量z18×1。
(4)对目标原油进行线性规划拟合，得到调和方案
设定目标原油的价格为737元/桶，用目标原油的性质-得分向量z18×1为约束条件b的基准，令b为(1±10％)×z18×1，在A·x≤|b|、参与调和的每种原油含量大于0且小于1的约束条件下，由原油样本库的性质-得分矩阵Z18×23，通过线性规划得到的参与调合的原油价格和比例见表1，调合原油和目标原油的性质见表2。
表1
表2
| 项目 | 目标原油 | 调合原油 | 差值 |
| 价格，元/桶 | 737 | 693.65 | -43.35 |
| 密度，g·cm<sup>-3</sup> | 0.8696 | 0.8722 | 0.0026 |
| 酸值，mg KOH/g | 0.14 | 0.15 | 0.01 |
| 残炭含量，质量％ | 6.6 | 6.1 | -0.5 |
| 硫含量，质量％ | 2.9 | 2.7 | -0.2 |
| 氮含量，质量％ | 0.17 | 0.16 | -0.01 |
| 蜡含量，质量％ | 3.9 | 4.2 | 0.3 |
| 胶质含量，质量％ | 6.5 | 6.9 | 0.4 |
| 沥青质含量，质量％ | 2.8 | 2.6 | -0.2 |
实例2
按实例1的方法对目标原油进行线性规划拟合，获得调和方案，不同的是在A·x≤|b|、参与调和的每种原油最高含量不大于40质量％的约束条件下，由原油样本库的性质-得分矩阵Z18×23，通过线性规划得到的参与调合的原油价格和比例见表3，调合原油和目标原油的性质见表4。
表3
表4
| 项目 | 目标原油 | 调合原油 | 差值 |
| 价格，元/桶 | 737 | 727.62 | -9.38 |
| 密度，g·cm<sup>-3</sup> | 0.8696 | 0.8731 | 0.0035 |
| 酸值，mg KOH/g | 0.14 | 0.20 | 0.06 |
| 残炭含量，质量％ | 6.6 | 7.1 | 0.5 |
| 硫含量，质量％ | 2.9 | 2.7 | -0.2 |
| 氮含量，质量％ | 0.17 | 0.21 | 0.04 |
| 蜡含量，质量％ | 3.9 | 4.7 | 0.8 |
| 胶质含量，质量％ | 6.5 | 8.9 | 2.4 |
| 沥青质含量，质量％ | 2.8 | 3.5 | 0.7 |
Claims (7)
1.一种利用近红外光谱由已有原油调和目标原油的方法，包括如下步骤：
(1)收集一组原油样本，用标准方法测定每个原油样本的关键性质数据，所述的关键性质数据为密度、酸值、残碳含量、硫含量、氮含量、蜡含量、胶质含量、沥青质含量，
(2)测定每个原油样本的近红外光谱，取3800～4800cm-1和5400～6100cm-1的光谱区间为特征谱区，将每个原油样本在特征谱区的经归一化处理后的一阶微分和二阶微分的吸光度按首尾顺序连接构成一条特征光谱向量，将所有原油样本的特征光谱向量构成配方原油样本库的近红外光谱矩阵X，
(3)将配方原油样本库的近红外光谱矩阵X进行主成分分析，取前n个主成分，计算得到配方原油样本库的得分矩阵T和载荷矩阵P，将得分矩阵T中每个样本对应的关键性质数据与其得分构成配方原油样本库的性质-得分矩阵Z，
(4)按测定原油样本同样的方法测定目标原油的近红外光谱和关键性质数据，取其在特征谱区的经归一化处理后的一阶微分和二阶微分的吸光度按首尾顺序连接构成目标原油的特征光谱向量，由配方原油样本库的载荷矩阵P计算出目标原油的得分tun，与目标原油关键性质数据构成目标原油的性质-得分向量zun，
(5)利用线性规划对目标原油按下述方法进行拟合，线性规划数学模型如下所示：
规划目标函数：
y＝f×x，
其中，y为调和后原油的价格，x为原油样本库中参与调和的每种原油的调和比例向量，f为参与调和的每种原油的价格向量，
规划目标：使y低于目标原油价格且为所有调合方案中的最低值，
约束条件：
A·x≤|b|，
Aeq·x＝1，
lb≤x≤ub
其中，A为原油样本库中参与调和的每种原油的关键性质数据和得分组成的参与调和的原油的性质-得分矩阵，
b为目标原油的性质-得分向量允许波动的范围向量，
Aeq为单位向量，其中每个元素取值均为1，
lb为参与调和的每种原油的调和比例下限向量，ub参与调和的每种原油的调和比例上限向量。
2.按照权利要求1所述的方法，其特征在于(1)步中收集的原油样本数为20～100。
3.按照权利要求1所述的方法，其特征在于(2)步按式①对特征谱区的的吸光度进行归一化处理
式①中，xnormalized为归一化光谱的吸光度向量，x为原始光谱的吸光度向量，
为平均光谱向量，
m为采集光谱吸光度的波长点数，k为采集光谱吸光度的采样点序号，k＝1,2,…,m。
4.按照权利要求1所述的方法，其特征在于(3)步所述前n个主成分的n值为5～15。
5.按照权利要求1所述的方法，其特征在于(5)步中ub向量中最高值不大于50％。
6.按照权利要求1所述的方法，其特征在于(5)步中，b向量中的关键性质数据允许的波动范围以目标原油为基准计不超过±20％。
7.按照权利要求1所述的方法，其特征在于测定原油近红外光谱选取的光谱范围为10000～3500cm-1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910311826.2A CN111829978B (zh) | 2019-04-18 | 2019-04-18 | 一种利用近红外光谱由已有原油调和目标原油的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910311826.2A CN111829978B (zh) | 2019-04-18 | 2019-04-18 | 一种利用近红外光谱由已有原油调和目标原油的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111829978A true CN111829978A (zh) | 2020-10-27 |
| CN111829978B CN111829978B (zh) | 2023-08-11 |
Family
ID=72915259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910311826.2A Active CN111829978B (zh) | 2019-04-18 | 2019-04-18 | 一种利用近红外光谱由已有原油调和目标原油的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111829978B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113433088A (zh) * | 2021-06-25 | 2021-09-24 | 南京富岛信息工程有限公司 | 一种原油长输管线混油段精细化监测方法 |
| CN114925335A (zh) * | 2022-07-21 | 2022-08-19 | 济宁昆仑石油化工有限公司 | 一种工业用油生产配比调控方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324084A (zh) * | 2013-07-11 | 2013-09-25 | 南京富岛信息工程有限公司 | 一种面向沥青质控制的原油在线调合方法 |
| CN104082430A (zh) * | 2014-03-23 | 2014-10-08 | 浙江大学 | 脂肪酸平衡调和油的调配方法 |
| CN105388123A (zh) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | 一种由近红外光谱预测原油性质的方法 |
| CN105424641A (zh) * | 2014-09-04 | 2016-03-23 | 中国石油化工股份有限公司 | 一种原油种类的近红外光谱识别方法 |
| US20170131728A1 (en) * | 2014-06-13 | 2017-05-11 | Topnir Systems Sas | Method of preparing a certified target product from a mixture of components by spectral analysis |
| CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
| CN107958267A (zh) * | 2017-11-21 | 2018-04-24 | 东南大学 | 一种基于光谱线性表示的油品性质预测方法 |
-
2019
- 2019-04-18 CN CN201910311826.2A patent/CN111829978B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324084A (zh) * | 2013-07-11 | 2013-09-25 | 南京富岛信息工程有限公司 | 一种面向沥青质控制的原油在线调合方法 |
| CN104082430A (zh) * | 2014-03-23 | 2014-10-08 | 浙江大学 | 脂肪酸平衡调和油的调配方法 |
| US20170131728A1 (en) * | 2014-06-13 | 2017-05-11 | Topnir Systems Sas | Method of preparing a certified target product from a mixture of components by spectral analysis |
| CN105388123A (zh) * | 2014-09-04 | 2016-03-09 | 中国石油化工股份有限公司 | 一种由近红外光谱预测原油性质的方法 |
| CN105424641A (zh) * | 2014-09-04 | 2016-03-23 | 中国石油化工股份有限公司 | 一种原油种类的近红外光谱识别方法 |
| CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
| CN107958267A (zh) * | 2017-11-21 | 2018-04-24 | 东南大学 | 一种基于光谱线性表示的油品性质预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘翠玲: "《近红外光谱技术在食品品质检测方法中的研究》", 31 January 2016, 机械工业出版社 * |
| 汪俊杰: ""利用线性规划方法优化燃料油调和方案"", 《中国科技信息》 * |
| 郑志勇: "《金融数量分析：基于MATLAB编程（第4版）》", 31 March 2018, 北京航空航天大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113433088A (zh) * | 2021-06-25 | 2021-09-24 | 南京富岛信息工程有限公司 | 一种原油长输管线混油段精细化监测方法 |
| CN114925335A (zh) * | 2022-07-21 | 2022-08-19 | 济宁昆仑石油化工有限公司 | 一种工业用油生产配比调控方法 |
| CN114925335B (zh) * | 2022-07-21 | 2022-09-20 | 济宁昆仑石油化工有限公司 | 一种工业用油生产配比调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111829978B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103534578B (zh) | 确定样本中存在的成分的光谱装置以及方法 | |
| Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
| CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
| CN107748146A (zh) | 一种基于近红外光谱检测的原油属性快速预测方法 | |
| CN106770015B (zh) | 一种基于主成分分析相似判别的油品性质检测方法 | |
| CN105466884B (zh) | 一种通过近红外光谱识别原油种类及其性质的方法 | |
| CN111829978B (zh) | 一种利用近红外光谱由已有原油调和目标原油的方法 | |
| US20210247367A1 (en) | Workflow-based model optimization method for vibrational spectral analysis | |
| CN102841069B (zh) | 一种由中红外光谱识别原油种类的方法 | |
| CN108760789A (zh) | 一种原油快评方法 | |
| CN107966420B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| CN113158575A (zh) | 一种假定标样的在线近红外光谱模型的转移方法 | |
| Bhushan et al. | Chemometrics applications in biotech processes: assessing process comparability | |
| CN102303377A (zh) | 一种橡胶门尼粘度的在线自动测量方法 | |
| Kumar et al. | A Data Science View on Effects of Agriculture & Industry Sector on the GDP of India | |
| Monteiro et al. | 1H NMR and multivariate calibration for the prediction of biodiesel concentration in diesel blends | |
| CN111931425A (zh) | 一种基于rf算法的热轧q355b钢种的性能预测系统 | |
| CN111044482B (zh) | 原油调配方法 | |
| CN108920428B (zh) | 一种基于联合模糊扩张原理的模糊距离判别方法 | |
| Schott | Moving up and moving out: Us product-level exports and competition from low wage countries | |
| CN105092509A (zh) | 一种基于pcr-elm算法的样品成份测定方法 | |
| CN109724939B (zh) | 由近红外光谱预测加氢尾油性质的方法 | |
| CN114357886A (zh) | 一种基于多模型加权平均的酒醅近红外光谱建模方法 | |
| Sarokolaei et al. | Studying the obstacles of applying a target costing system in firms accepted in Tehran Stock Exchange | |
| Thornhill et al. | An exploratory study to identify rogue seasonality in a steel company’s supply network using spectral principal component analysis |
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 |