WO2015106372A1 - 汽油调合离线优化方法 - Google Patents

汽油调合离线优化方法 Download PDF

Info

Publication number
WO2015106372A1
WO2015106372A1 PCT/CN2014/000966 CN2014000966W WO2015106372A1 WO 2015106372 A1 WO2015106372 A1 WO 2015106372A1 CN 2014000966 W CN2014000966 W CN 2014000966W WO 2015106372 A1 WO2015106372 A1 WO 2015106372A1
Authority
WO
WIPO (PCT)
Prior art keywords
blending
component
gasoline
formula
oil
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.)
Ceased
Application number
PCT/CN2014/000966
Other languages
English (en)
French (fr)
Inventor
钱锋
程辉
杜文莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Publication of WO2015106372A1 publication Critical patent/WO2015106372A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • G01N33/2829—Mixtures of fuels

Definitions

  • the invention belongs to the field of gasoline blending and relates to an off-line optimization method for gasoline blending.
  • the main monitoring items of gasoline internal quality include: antiknock (research octane number, motor octane number), vapor pressure, sulfur content, olefin content, aromatic content, benzene content, distillation range, induction period, copper corrosion, etc. .
  • antiknock search octane number, motor octane number
  • vapor pressure sulfur content, olefin content, aromatic content, benzene content, distillation range, induction period, copper corrosion, etc.
  • the octane number indicates the level of the gasoline grade.
  • the research method commonly uses the octane number and the motor method. The average value of the octane number is expressed.
  • the composition of gasoline is relatively complex, mainly alkane, from C4 to C12, with C5 to C9 as the main.
  • the composition of various gasolines is different, so their physical and chemical constants are also different.
  • the octane numbers of pure isooctane (2,2,4-trimethylpentane) and n-heptane are specified to be 100 and 0, respectively.
  • Different hydrocarbons with similar molecular weight have the lowest octane number of normal paraffins, the highest octane number of highly branched isoparaffins, isoolefins and aromatic hydrocarbons, isoparaffins with less paraffins and less branches, and normal olefins. In the middle. For the same family of hydrocarbons, the smaller the molecular weight, the lower the boiling point, and the better the explosion resistance.
  • the complexity of the gasoline composition makes the gasoline blending model actually belong to a nonlinear model.
  • PSO Particle Swarm Optimization
  • the basic idea of the particle swarm optimization algorithm is to find the optimal solution through the cooperation and information sharing among individuals in the group.
  • a group of particles is randomly generated in the solution space as the initial solution of the optimization problem.
  • Each particle has different initial position and velocity, and the fitness function of the particle is determined by the fitness function defined by the optimization problem. .
  • the population is continuously iteratively updated, during each iteration, the grain
  • the child updates its position and speed based on two extreme values. One is the optimal solution that the particle has searched so far, and the other is the optimal solution that the entire particle population has searched so far. After the set number of iterations or the acceptable accuracy range, the global optimal position searched by the entire population is the solution to the optimization problem.
  • the goal of gasoline blending optimization is to temper the minimum or excess quality of the finished gasoline, and at the same time, combined with the actual production conditions, comprehensive consideration of various gasoline quality indicators (including RON, MON, DON, RVP, sulfur content, benzene content, Oxygen content, olefin content, aromatics content, density, etc.), inventory and production limits of each component oil, and formulation limitations of each component oil, in addition to the amount of additives.
  • various gasoline quality indicators including RON, MON, DON, RVP, sulfur content, benzene content, Oxygen content, olefin content, aromatics content, density, etc.
  • the present invention is designed by the following technical solutions, including the following steps:
  • S-oil property set including research octane number (RON), motor octane number (MON), antiknock index (DON, the average value of RON and MON), Reid vapor pressure (RVP), Sulfur content (SULF), density (SPGR), olefin content (OLEFINS), aromatics content (AROM), benzene content (BENZ) and other national standards for gasoline.
  • r i is the formulation of the i-th component oil
  • Qx(O j,i ) is calculated according to the following formula
  • RVP i is the property of the i-th component oil.
  • the blended predicted value P j of the component oil is calculated according to the following linear blending formula:
  • TP(P j , r m ) - a function of the blending property predicted value P j of the component oil and the manganese additive addition amount r m (unit: mg/L), which indicates the predicted value of the gasoline property in the final product can.
  • TP (P j , r m ) P j ; and manganese is an octane booster, increasing the RON and MON values of gasoline, calculated according to the following formula:
  • TP(P j ,r m ) BH j +a 1 ⁇ r m 1/2 ⁇ (a 2 +a 3 ⁇ BH j +a 4 BH AROM ),j ⁇ RON ⁇
  • the MON calculation formula after adding manganese is as follows:
  • the gasoline blending model described above has three inequality constraints and one equality constraint.
  • the following processing methods are adopted for the above constraints:
  • the premise of gasoline blending is that the final product is qualified. On the basis that all the attributes of the product meet the national quality standards, the optimization of the lowest cost, the smallest excess and the minimum amount of manganese can be implemented. For this reason, the formula of the blending objective function is added.
  • the last unqualified attribute penalty term converts the constraint of the product attribute index into the objective function, and adopts the following formula as the objective function of the particle swarm optimization algorithm:
  • the example of the remaining components updates the velocity and position of the particle according to the basic particle swarm algorithm. If the upper and lower limits are exceeded, the particle position is forced to be fixed at the upper and lower limits. The base component is still replaced by the remaining formula space after the remaining components are updated. If the base component particles do not satisfy the upper and lower limit constraints, the basic particle swarm algorithm is updated again, and the cyclic update is not more than the specified time. If the number of times has not been updated successfully, the particle keeps the current position not updated.
  • the beneficial effect of the invention is that the established objective function of the gasoline blending model not only includes the cost of the component oil, but also includes the amount of the manganese agent, thereby ensuring the minimum amount of the blending and reducing the amount of the manganese agent.
  • the equation constraint processing method can ensure that the results of each update of the particle group satisfy the equality constraints, which not only ensures the size of the population, but also speeds up the operation.
  • the invention can quickly calculate a set of optimal formulas under the premise of satisfying the constraint conditions.
  • Figure 1 shows the flow of a particle swarm optimization algorithm with equality constraints.
  • oils participating in the blending are catalytic gasoline, heavy duty gasoline, non-aromatic gasoline, MTBE, reforming production oil, and a total of 5 component oils; the additive is manganese;
  • the maximum dosage of manganese agent is 5mg/L, the minimum dosage is 0, and the mass unit cost of manganese is 200,000 yuan/ton.
  • composition of the minimum weight is set to 10, the minimum weight of the attribute excess is set to 1000, and the minimum weight of the manganese dosage is 10.
  • the initial population of the particle swarm optimization algorithm is generated, except that the base component of the non-aromatic gasoline is removed, and the remaining components are randomly generated in the upper and lower limits, and the base component is replaced by the remaining formula space after the remaining components are generated, if If the upper and lower limits are not satisfied, the particles are regenerated, and the formula represented by one particle produced is shown in the following table. It can be seen that the particles produced by the method can satisfy the constraint range.
  • the examples of the remaining components update the velocity and position of the particles according to the basic particle swarm algorithm. If the upper and lower limits are exceeded, the particle position is forced to be fixed at the upper and lower limits. The base component is still replaced by the remaining formula space after the remaining components are updated. If the base component particles do not satisfy the upper and lower limits, the basic particle swarm algorithm is updated again, and the cyclic update does not exceed the specified number of times. If the update is still not successful, the particle keeps the current position not updated.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Liquid Carbonaceous Fuels (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

本发明公开了一种汽油调合离线优化方法，该方法首先建立了汽油调合模型，该模型在满足产品指标约束，组分库存约束，锰剂用量限制、物料平衡约束的前提下，综合考虑了调合成本最低、产品质量过剩最小以及锰剂用量最小。然后采用粒子群优化算法对所建立的模型进行优化计算，粒子群优化算法对调合模型中的等式约束，采用了新的处理方式，能保证粒子群每次更新后的结果都满足等式约束条件，既保证了种群的规模，又加快了运算速度。

Description

汽油调合离线优化方法 技术领域
本发明属于汽油调合领域，涉及汽油调合离线优化方法。
背景技术
车用汽油牌号越高性能越好。汽油内在质量主要监测项目包括：抗爆性(研究法辛烷值、马达法辛烷值)、蒸汽压、硫含量、烯烃含量、芳烃含量、苯含量、馏程、诱导期、铜片腐蚀等。在这些指标当中，尤以汽油抗爆性最为重要，而辛烷值可以直接反应汽油的抗爆性能，所以以辛烷值表示汽油牌号的高低，行业当中普遍采用研究法辛烷值和马达法辛烷值的平均值表示。
汽油的成分比较复杂，主要是烷烃，从C4到C12，其中以C5到C9为主。各种汽油的组分不同，所以它们的理化常数也是不一样的，规定纯异辛烷(2，2，4-三甲基戊烷)和正庚烷的辛烷值分别为100和0。分子量相近的不同烃类，其辛烷值以正构烷烃最低，高度分支的异构烷烃、异构烯烃和芳香烃的辛烷值最高，环烷烃和分支少的异构烷烃、正构烯烃介于中间。对于同一族烃类，分子量越小，沸点越低，其抗爆性越好。汽油成分的复杂性，致使汽油调合模型实际上属于一个非线性模型。
由于汽油调合模型具有非线性性质，所以采用传统的数学规划方法往往需要大量的数学变换等步骤，而最终却难以解决此类实际工程问题。粒子群优化算法(PSO)，属于人工智能优化算法范畴，可以有效的解决此类问题。粒子群优化算法其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。在粒子群优化算法中，在解空间范围内随机产生一群粒子作为最优化问题的初始解，每个粒子具有不同的初始位置和速度，并由最优化问题定义的适应度函数确定粒子的适应值。然后种群不断进行迭代更新，在每一次迭代过程中，粒 子根据两个极值来更新自己的位置和速度。一个是粒子迄今为止搜索到的最优解，另一个是整个粒子种群迄今为止搜索到的最优解。经过设定的迭代次数或者达到可以接受的精度范围之后，整个种群搜索到的全局最优位置即为最优化问题的解。
发明内容
汽油调合优化的目标是调合成本最低或成品汽油质量过剩最小，同时要结合实际生产状况，综合考虑满足各种汽油质量指标约束(包括RON、MON、DON、RVP、硫含量、苯含量、氧含量、烯烃含量、芳烃含量、密度等)、各组分油的库存和产量限制以及各组分油的配方限制，另外还有添加剂的用量等。
为达到以上目标，本发明设计以下技术方案来实现，包括如下步骤：
一、根据市场产品需求，组分油产量及库存约束，选定参与调合的组分油品，进行调合的产品牌号。
二、设置参与调合的组分的配方上下限制，添加剂上下限等约束范围，输入各个参与调合的组分油属性。建立汽油调合的数学模型，其中综合考虑了三个指标：调合成本最低、质量过剩最小以及锰剂用量最小(虽然锰剂可以提升汽油的辛烷值，但过量使用可能对汽车发动机的一些关键部件产生损伤和造成环境污染)，一个n参调组分的汽油调合模型目标函数如下：
Figure PCTCN2014000966-appb-000001
式中：
i，j-调合组分油品标号，汽油属性指标(辛烷值、蒸汽压、烯烃等等)；
ri，rm-待优化的各组分油配比，锰剂用量(单位mg/L)；
ci，cm-各组分油的单位体积成本，锰剂单位质量的价格；
scj-各属性单位质量过剩成本；
wc，wg，wm-调合成本最低权值，属性质量过剩最小权值，锰剂用量最小权值；
S-油品属性集合，包括研究法辛烷值(RON)，马达法辛烷值(MON)，抗爆指数(DON，数值为RON和MON的平均值)，雷德蒸汽压(RVP)，硫含量(SULF)，密度(SPGR)，烯烃含量(OLEFINS)，芳烃含量(AROM)，苯含量(BENZ)等国标规定的汽油指标。
gj(Pj，sj)-根据属性j的调合后成品罐内预测值TP(Pj，MMT)和质量指标sj计算该属性质量过剩的函数：
hj(Pj，sj)＝sgn(sj)·(TP(Pj，rm)-sj)
gj(Pj，sj)＝max(hj(Pj，sj)，0)
式中：
sgn(sj)-符号函数，如成品油第j种属性要求大于等于相应指标，函数输出为+1，反之函数输出为-1；
Pj-组分油的调合预测值，对于RON和MON属性，按照以下公式计算：
Figure PCTCN2014000966-appb-000002
其中：ri为第i种组分油的配方，Qx(Oj，i)按照以下公式计算
Qx(Oj，i)＝Oj，i+pbj，i，j∈{RON，MON}
其中：i＝1，2，…n为各组分油编号；j∈{RON，MON}为油品的研究法与马达法辛烷值属性；pbji为组分油RON和MON属性的调合效应参数；Oji为第i种组分油的RON或MON属性；
对于RVP则按照以下公式计算：
Figure PCTCN2014000966-appb-000003
其中，RVPi为第i个组分油的属性。
对于硫含量、密度、烯烃含量、芳烃含量、苯含量，组分油的调合预测值Pj，按照以下线性调合公式计算：
Figure PCTCN2014000966-appb-000004
TP(Pj，rm)-组分油的调合属性预测值Pj和锰剂添加量rm(单位mg/L)的函数，表示最终成品罐中的汽油属性预测值。对于硫含量、密度、烯烃、芳烃、苯无须变换，TP(Pj，rm)＝Pj；而锰剂是辛烷值提升剂，增加汽油的RON和MON值，按以下公式计算：
加锰剂后RON计算公式如下：
TP(Pj，rm)＝BHj+a1·rm 1/2·(a2+a3·BHj+a4BHAROM)，j∈{RON}
加锰剂后MON计算公式如下：
TP(Pj，rm)＝BHj+b1·rm 3/4·(b2+b3·BHj+b4rm·(b5·BHAROM+b6·(BHRON-BHj)))，j∈{MON}
式中：
BHj-加锰剂前的RON或MON属性，数值等于Pj；
BHAROM-芳烃的调合属性，即Pj，{j∈AROM}
a1，a2，a3，a4，b1，b2，b3，b4，b5，b6-常系数。
约束条件为：
(1)汽油产品属性指标：0≤hj(Pj，sj)；
(2)组分油库存约束：ri_min≤ri≤ri_max；
(3)锰剂用量限制：rm_min≤rm≤rm_max；
(4)物料平衡约束：
Figure PCTCN2014000966-appb-000005
三、如上所述汽油调合模型，具有三个不等式约束和一个等式约束，粒子群优化算法中对以上约束条件，采用了以下的处理方式：
(1)汽油调合的前提是最终产品合格，在产品各属性都达到国家质量标准的基础上，才能实施成本最低、过剩最小和锰用量最小的优化，为此，将调合目标函数公式加上一个不合格属性惩罚项，将产品属性指标这个约束条件转化到目标函数中，采用如下公式作为粒子群优化算法的目标函数：
Figure PCTCN2014000966-appb-000006
uj(Pj，sj)＝abs(min(hj(Pj，sj)，0))
(2)粒子群优化算法大多针对无约束优化问题或只有不等式约束优化问题，在 有等式约束条件的时候，通常采用内罚函数法或外罚函数法，将等式约束转化到目标函数中，但这种方法在进化过程中粒子的位置很难满足等式约束条件的可行解，影响了算法的收敛速度和解的精度。为此，本发明具体问题具体对待，针对汽油调合这个应用实例，假设粒子的每一维对应于一种组分油，对组分油库存这个等式约束采用了一种新的处理方法，保证种群中每个解在初始化后以及每代更新后都能满足约束条件，包括以下步骤：
①计算所有组分油的配方下限之和；
②更新组分油配方上限；
③选择出所有组分油中配方上下限差值最大的组分，称作基础组分；
④生成例子群算法的初始种群，其中除去基础组分外，其余组分在上下限范围内随机生成，基础组分则为其余组分生成完之后的剩余配方空间来代替，如果不满足上下限范围，则重新生成粒子；
⑤除去基础组分外，其余组分的例子按照基本粒子群算法更新粒子的速度和位置，如果超出上下限约束，则强制将粒子位置固定在上下限约束处。基础组分仍为其余组分更新完毕后的剩余配方空间来代替，如果基础组分粒子不满足上下限约束，则重新按照基本粒子群算法更新，循环更新最大不超过规定此时，如果超过规定次数仍没更新成功的话，则该粒子保持当前位置不更新。
本发明的有益效果在于所建立的汽油调合模型目标函数中不仅包含了了组分油的成本，而且包括了锰剂的用量，这样保证了调合成本最低的同时，降低了锰剂的用量，减少车辆部件损耗和环境污染；另一方面采用的等式约束处理方法，能保证粒子群每次更新后的结果都满足等式约束条件，既保证了种群的规模，又加快了运算速度。本发明在满足约束条件的前提下，可以快速计算得出一组最优的配方。
附图说明
图1是有等式约束的粒子群优化算法流程。
具体实施方式
下面以某炼厂93号汽油的一个优化批次为例，详细说明本发明的实施方式：
(1)参加调合的油品为催化汽油、重催汽油、非芳汽油、MTBE、重整生产油共计5中组分油；添加剂为锰剂；
(2)设置组分油单位体积成本、组分配方百分比限制(即库存约束)如下表所示：
  催化汽油 重催汽油 非芳汽油 MTBE 重整生成油 合计
组分价格 4200 4300 3900 6000 5000 23400
最小配方 25.34 31.4 0 0 18 74.74
最大配方 34.52 40.58 45.91 1.84 19.1 141.95
(3)设置锰剂的最大用量为5mg/L，最小用量为0，锰剂单位质量成本20万元/吨。
(4)组分油的属性数据如下表所示：
  RON MON DON RVP SPGR SULF AROM BENZ OLEFINS
催化汽油 93 81.5 87.25 69 735 250 19 0.5 33
重催汽油 92 79.93 85.965 72 740 60 23 0.6 40
非芳汽油 68.5 67.1 67.8 82.5 668 0 0.4 0 2
MTBE 108 95.5 101.75 44 740 54 0 0 0
重整生成油 102 95 98.5 44 800 0 63 1 0.9
(5)各属性单位质量过剩成本及优化的产品指标如下表所示：
  RON DON RVP SPGR SULF AROM BENZ OLEFINS
过剩成本 0.15 0.1 0 0 0 0 0 0
产品指标 93.2 88.1 72 770 145 40 1 28
(6)调合成本最低权值设为10，属性质量过剩最小权值设为1000，锰剂用量最小权值10。
(7)组分油RON和MON属性的调合效应参数如下表所示：
  催化汽油 重催汽油 非芳汽油 MTBE 重整生成油
研究辛烷值 -0.1987 0.754 10.4333 0 -0.1326
马达辛烷值 0.7679 0.9526 2.0878 0 -4.1979
(8)加锰剂后的RON和MON计算公式中的各系数值为：
a1＝0.0615，a＝42.752，a3＝-0.3868,a4＝-0.02168
b1＝0.01527,b2＝43.04，b3＝-0.3868,b4＝-0.003788,b5＝0.06075,b6＝0.6409
(9)采用附图1所示流程为对等式约束进行处理和粒子群优化计算：
①计算所有组分油的配方下限之和为74.74；
②更新组分油配方上限，如下表所示：
组分油 催化汽油 重催汽油 非芳汽油 MTBE 重整生成油 合计
最小配方 25.34 31.4 0 0 18 74.74
最大配方 34.52 40.58 25.26 1.84 19.1 120.2
从上表可看出非芳汽油的上限更新为25.26。
③选择出所有组分油中配方上下限差值最大的组分非芳汽油作基础组分。
④生成粒子群算法的初始种群，其中除去非芳汽油这个基础组分外，其余组分在上下限范围内随机生成，基础组分则为其余组分生成完之后的剩余配方空间来代替，如果不满足上下限范围，则重新生成粒子，其中生产的一个粒子代表的配方如下表所示，可看出通过该方法产生的粒子能满足约束范围。
  催化汽油 重催汽油 非芳汽油 MTBE 重整生成油 合计
粒子配方 30.2 36.9 12.6 1.2 19.1 100
⑤除去非芳汽油这个基础组分外，其余组分的例子按照基本粒子群算法更新粒子的速度和位置，如果超出上下限约束，则强制将粒子位置固定在上下限约束处。基础组分仍为其余组分更新完毕后的剩余配方空间来代替，如果基础组分粒子不满足上下限约束，则重新按照基本粒子群算法更新，循环更新最大不超过规定次数，如果超过规定次数仍没更新成功的话，则该粒子保持当前位置不更新。
(10)采用有等式约束的粒子群优化算法，对建立的汽油调合模型进行优化计算，得到最终的优化配方结果如下：
  催化汽油 重催汽油 非芳汽油 MTBE 重整生成油 合计
粒子配方 33.33 39.18 9.05 0 18.44 100
综上所述仅为发明的较佳实施例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应为本发明的技术范畴。

Claims (8)

  1. 一种汽油调合离线优化方法，其特征在于，包括以下步骤：
    步骤一：选定参与调合的组分油品种类、进行调合的产品牌号；
    步骤二：设置参与调合组分的配方百分比上下限制，添加剂用量上下限约束范围，输入各个参与调合的组分油属性；建立汽油调合模型的目标函数为：调合成本最低、质量过剩最小、锰剂用量最小及汽油调合后的产品达到国家质量标准；
    步骤三：采用粒子群优化算法优化汽油调合配方，约束条件为：汽油产品属性指标约束、组分油库存约束、锰剂用量约束和物料平衡约束。
  2. 根据权利要求1所述的方法，其特征在于：步骤二中所述汽油调合模型目标
    函数如下：
    Figure PCTCN2014000966-appb-100001
    uj(Pj，sj)＝abs(min(hj(Pj，sj)，0))；
    式中：
    i-调合组分油品标号；
    j-汽油属性指标；
    ri-待优化的各组分油百分配比；
    rm-锰剂用量(单位mg/L)
    ci-各组分油的单位体积成本；
    cm-锰剂单位质量的价格；
    scj-各属性单位质量过剩成本；
    wc-调合成本最低权值；
    wg-属性质量过剩最小权值；
    wm-锰剂用量最小权值；
    S-油品属性集合，包括国标规定的汽油指标；
    gj(Pj，sj)-根据属性j的调合后成品罐内预测值和质量指标计算该属性质量过剩的函数；
    hj(Pj，sj)-属性j的质量过剩函数
    uj(Pj，sj)-属性j的不达标函数
    Pj-组分油的调合预测值；
    sj-产品质量指标；
    abs-取绝对值函数；。
  3. 根据权利要求1所述的方法，其特征在于，步骤二所述国标质量标准为包括以下的汽油指标：研究法辛烷值(RON)，马达法辛烷值(MON)，抗爆指数(DON，数值为RON和MON的平均值)，雷德蒸汽压(RVP)，硫含量(SULF)，密度(SPGR)， 烯烃含量(OLEFINS)，芳烃含量(AROM)，和苯含量(BENZ)。
  4. 根据权利要求2所述的方法，其特征在于，所述属性j的质量过剩函数计算公式为：
    gj(Pj，sj)＝max(hj(Pj，sj)，0)；
    hj(Pj，sj)＝sgn(sj)·(TP(Pj，rm)-sj)；
    式中：
    sgn(sj)-符号函数，如成品油第j种属性要求大于等于相应指标，函数输出为+1，反之函数输出为-1；
    TP(Pj，rm)为属性j的调合后成品罐内预测值，rm为锰剂添加量；
    sj-产品质量指标；
    Pj-组分油的调合预测值。
  5. 根据权利要求4所述的公式，其特征在于，所述组分油的调合预测值Pj，对于RON和MON属性，按照以下公式计算：
    Figure PCTCN2014000966-appb-100002
    其中：ri为第i种组分油的配方，Qx(Oj，i)按照以下公式计算；
    Qx(Oj，i)＝Oj，i+pbj，i，j∈{RON，MON}；
    其中：i＝1，2，…n为各组分油编号；RON为研究法辛烷值，MON为马达法辛烷值；pbji为组分油RON和MON属性的调合效应参数；Oji为第i种组分油的RON或MON属性；。
    所述组分油的调合预测值Pj，对于RVP则按照以下公式计算：
    Figure PCTCN2014000966-appb-100003
    其中，RVPi为第i个组分油的RVP属性。
    所述组分油的调合预测值Pj，对于硫含量、密度、烯烃含量、芳烃含量、苯含量，按照以下线性调合公式计算：
    Figure PCTCN2014000966-appb-100004
    j∈{SULF，SPGR，OLEFINS，AROM，BENZ}；
    Oji为第i种组分油的SULF，SPGR，OLEFINS，AROM或BENZ属性。
  6. 根据权利要求4所述的公式，其特征在于，所述TP(Pj，rm)对于硫含量、密度、烯烃、芳烃、苯无须变换，TP(Pj，rm)＝Pj；而锰剂是辛烷值提升剂，增加汽油的RON和MON值，按以下公式计算：
    加锰剂后RON计算公式如下：
    TP(Pj，rm)＝BHj+a1·rm 1/2·(a2+a3·BHj+a4BHAROM)，j∈{RON}
    加锰剂后MON计算公式如下：
    TP(Pj，rm)＝BHj+b1·rm 3/4·(b2+b3·BHj+b4rm·(b5·BHAROM+b6·(BHRON-BHj)))，j∈{MON}
    式中：
    BHj-加锰剂前的RON或MON属性，数值等于Pj；
    BHAROM-芳烃的调合属性，即Pj，{j∈AROM}
    a1，a2，a3，a4，b1，b2，b3，b4，b5，b6-常系数。
  7. 根据权利要求1所述的方法，其特征在于，步骤三所述粒子群优化算法的约束条件为：
    汽油产品属性指标约束：0≤hj(Pj，sj)；
    组分油库存约束：ri_min≤ri≤ri_max；
    锰剂用量约束：rm_min≤rm≤rm_max；
    物料平衡约束：
    Figure PCTCN2014000966-appb-100005
  8. 根据权利要求1所述的方法，其特征在于，步骤三所述粒子群优化算法针对有等式约束采用了一种处理方法，以保证种群中每个解在初始化后以及每代更新后都能满足约束条件，包括以下步骤：
    步骤三.1计算所有组分油的配方百分比下限之和；
    步骤三.2更新组分油配方百分比上限；
    步骤三.3选择出所有组分油中配方上下限差值最大的组分，作为基础组分。
    步骤三.4生成例子群优化算法的初始种群，除去基础组分外，其余组分在 上下限范围内随机生成，基础组分则为其余组分生成完之后的剩余配方空间来代替，如果不满足上下限范围，则重新生成粒子；
    步骤三.5除去基础组分外，其余组分的例子按照基本粒子群算法更新粒子的速度和位置，如果超出上下限约束，则强制将粒子位置固定在上下限约束处；基础组分仍为其余组分更新完毕后的剩余配方空间来代替，如果基础组分粒子不满足上下限约束，则重新按照基本粒子群算法更新，循环更新不超过规定次数，如果超过规定次数仍没更新成功的话，则该粒子保持当前位置不更新。
PCT/CN2014/000966 2014-01-17 2014-11-03 汽油调合离线优化方法 Ceased WO2015106372A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410021079.6A CN103745115A (zh) 2014-01-17 2014-01-17 汽油调合离线优化方法
CN201410021079.6 2014-01-17

Publications (1)

Publication Number Publication Date
WO2015106372A1 true WO2015106372A1 (zh) 2015-07-23

Family

ID=50502132

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/000966 Ceased WO2015106372A1 (zh) 2014-01-17 2014-11-03 汽油调合离线优化方法

Country Status (2)

Country Link
CN (1) CN103745115A (zh)
WO (1) WO2015106372A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955778A (zh) * 2014-05-15 2014-07-30 南京富岛信息工程有限公司 一种高性能汽油调合非线性优化方法
CN110867219A (zh) * 2019-10-23 2020-03-06 同济大学 基于isaa算法的烧结配料优化控制方法及控制装置
CN111191844A (zh) * 2019-12-31 2020-05-22 汉谷云智(武汉)科技有限公司 一种原油混合优选方法及装置
WO2020199666A1 (zh) * 2019-03-29 2020-10-08 华东理工大学 一种原油调合的调合效应参数的计算方法
CN111899808A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 一种在线调合方法、系统、装置及存储介质
US10838412B2 (en) 2017-06-14 2020-11-17 Sabic Global Technologies B.V. Hybrid machine learning approach towards olefins plant optimization
CN114399077A (zh) * 2021-12-01 2022-04-26 石化盈科信息技术有限责任公司 重整生成油关键组份分布预测方法、装置、设备和介质
CN114757100A (zh) * 2022-04-12 2022-07-15 兰州理工大学 基于罐底批次的成品汽油调和混合配方模型建模方法
CN114822705A (zh) * 2022-06-30 2022-07-29 卡松科技股份有限公司 基于大数据的润滑油智能生产调和方法
CN116407971A (zh) * 2021-12-31 2023-07-11 中国石油天然气股份有限公司 一种确定目标原油混配比例的优化方法及其装置
CN116430014A (zh) * 2021-12-31 2023-07-14 中国石油天然气股份有限公司 一种目标油品详评数据的获取方法和系统
CN120783900A (zh) * 2025-09-04 2025-10-14 大连蒙连石油化工有限公司 一种多组分汽油调和配方优化方法及系统

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745115A (zh) * 2014-01-17 2014-04-23 华东理工大学 汽油调合离线优化方法
CN110070921B (zh) * 2017-10-23 2021-03-12 中国石油化工股份有限公司 一种用于预测汽油辛烷值的方法
CN110021374B (zh) * 2017-10-23 2021-06-11 中国石油化工股份有限公司 一种用于预测汽油辛烷值的方法
CN109859805B (zh) * 2019-03-22 2021-01-15 广东辛孚科技有限公司 一种基于分子组成的汽油调和优化方法
CN109765789B (zh) * 2019-03-29 2022-04-19 华东理工大学 考虑罐底油属性的原油调合双调合头协调优化方法
CN110580545B (zh) * 2019-08-21 2022-06-10 汉谷云智(武汉)科技有限公司 一种多组分汽油调和配方优化方法及装置
CN111120873B (zh) * 2019-12-06 2021-11-30 浙江中控技术股份有限公司 用于油品在线调合的管道补偿方法
CN111899809B (zh) * 2020-06-12 2023-12-29 中国石油天然气股份有限公司 一种汽油调合配方的优化方法、系统、装置及存储介质
CN116224776A (zh) * 2022-11-03 2023-06-06 上海流程智造科技创新研究院有限公司 一种基于约束多目标的汽油调合在线优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271336A (zh) * 2008-05-05 2008-09-24 浙江大学 润滑油优化调合的方法
CN101320440A (zh) * 2008-07-11 2008-12-10 浙江大学 一种基于拟高尔基体膜计算的汽油调合优化调度方法
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
CN103745115A (zh) * 2014-01-17 2014-04-23 华东理工大学 汽油调合离线优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010079493A (ja) * 2008-09-25 2010-04-08 Fuji Xerox Co Ltd 粒子挙動解析装置、プログラム
CN101819651A (zh) * 2010-04-16 2010-09-01 浙江大学 粒子群算法在多机上并行执行的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271336A (zh) * 2008-05-05 2008-09-24 浙江大学 润滑油优化调合的方法
CN101320440A (zh) * 2008-07-11 2008-12-10 浙江大学 一种基于拟高尔基体膜计算的汽油调合优化调度方法
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
CN103745115A (zh) * 2014-01-17 2014-04-23 华东理工大学 汽油调合离线优化方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955778B (zh) * 2014-05-15 2017-07-07 南京富岛信息工程有限公司 一种高性能汽油调合非线性优化方法
CN103955778A (zh) * 2014-05-15 2014-07-30 南京富岛信息工程有限公司 一种高性能汽油调合非线性优化方法
US10838412B2 (en) 2017-06-14 2020-11-17 Sabic Global Technologies B.V. Hybrid machine learning approach towards olefins plant optimization
KR102614179B1 (ko) 2019-03-29 2023-12-14 이스트 차이나 유니버시티 오브 사이언스 앤드 테크놀로지 원유 블렌딩의 블렌딩 효과 파라미터의 계산 방법
WO2020199666A1 (zh) * 2019-03-29 2020-10-08 华东理工大学 一种原油调合的调合效应参数的计算方法
KR20210144862A (ko) * 2019-03-29 2021-11-30 이스트 차이나 유니버시티 오브 사이언스 앤드 테크놀로지 원유 블렌딩의 블렌딩 효과 파라미터의 계산 방법
CN110867219B (zh) * 2019-10-23 2023-05-23 同济大学 基于isaa算法的烧结配料优化控制方法及控制装置
CN110867219A (zh) * 2019-10-23 2020-03-06 同济大学 基于isaa算法的烧结配料优化控制方法及控制装置
CN111191844A (zh) * 2019-12-31 2020-05-22 汉谷云智(武汉)科技有限公司 一种原油混合优选方法及装置
CN111191844B (zh) * 2019-12-31 2023-09-08 汉谷云智(武汉)科技有限公司 一种原油混合优选方法及装置
CN111899808A (zh) * 2020-06-12 2020-11-06 中国石油天然气股份有限公司 一种在线调合方法、系统、装置及存储介质
CN111899808B (zh) * 2020-06-12 2024-04-30 中国石油天然气股份有限公司 一种在线调合方法、系统、装置及存储介质
CN114399077A (zh) * 2021-12-01 2022-04-26 石化盈科信息技术有限责任公司 重整生成油关键组份分布预测方法、装置、设备和介质
CN116407971A (zh) * 2021-12-31 2023-07-11 中国石油天然气股份有限公司 一种确定目标原油混配比例的优化方法及其装置
CN116430014A (zh) * 2021-12-31 2023-07-14 中国石油天然气股份有限公司 一种目标油品详评数据的获取方法和系统
CN114757100A (zh) * 2022-04-12 2022-07-15 兰州理工大学 基于罐底批次的成品汽油调和混合配方模型建模方法
CN114822705A (zh) * 2022-06-30 2022-07-29 卡松科技股份有限公司 基于大数据的润滑油智能生产调和方法
CN114822705B (zh) * 2022-06-30 2022-09-09 卡松科技股份有限公司 基于大数据的润滑油智能生产调和方法
CN120783900A (zh) * 2025-09-04 2025-10-14 大连蒙连石油化工有限公司 一种多组分汽油调和配方优化方法及系统

Also Published As

Publication number Publication date
CN103745115A (zh) 2014-04-23

Similar Documents

Publication Publication Date Title
WO2015106372A1 (zh) 汽油调合离线优化方法
EP4089681B1 (en) Method, apparatus and system for whole-process optimization of molecular-level oil refinery processing, and storage medium
WO2021249329A1 (zh) 一种分子级装置的实时优化方法、装置、系统及存储介质
CN101694571A (zh) 汽油在线调合方法
CN109765788B (zh) 一种多目标原油调合在线优化方法
CN110580545B (zh) 一种多组分汽油调和配方优化方法及装置
CN109949870B (zh) 一种分子级基础油调和优化方法
CN103955778A (zh) 一种高性能汽油调合非线性优化方法
CN105740960B (zh) 一种工业加氢裂化反应条件的优化方法
CN103497789B (zh) 基于Pareto优化准则的多目标非线性连续罐式柴油调合法
CN110763649A (zh) 一种由近红外光谱及性质选择目标原油调合配方的方法
CN118888027A (zh) 一种成品汽油配方在线优化方法、装置及介质
CN105139084A (zh) 一种油品在线全流程优化方法
CN114688460B (zh) 航煤与柴油顺序输送的切割方法、装置及系统
CN115325459A (zh) 航煤与汽油顺序输送的切割方法、装置及电子设备
CN110763651B (zh) 一种适合生产润滑油基础油的原油调配方法
CN111595811B (zh) 一种原油调配方法
Hegazy et al. Optimum blending of crude oils using linear programming
CN116434850A (zh) 分子级汽油调合配方确定方法、设备及存储介质和应用
CN111429973B (zh) 用于汽油产品中分子信息的实时计算方法
CN109765789A (zh) 考虑罐底油属性的原油调合双调合头协调优化方法
Meng et al. Several generalized interval-valued 2-tuple linguistic interval distance measures and their application
Wang et al. On-line optimization model design of gasoline blending system under parametric uncertainty
CN115841851A (zh) 一种加氢裂化分子级反应规则的构建方法和装置
CN116410771B (zh) 一种原油调合优化方法、装置、设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14879208

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14879208

Country of ref document: EP

Kind code of ref document: A1