基于装置级优化控制与厂级调度优化集成的过程模型方法

高小永，江永亨，黄德先



基于装置级优化控制与厂级调度优化集成的过程模型方法

高小永，江永亨，黄德先

（清华大学自动化系，清华大学信息科学与技术国家实验室，北京 100084）

随着全球化市场竞争日趋激烈，炼油生产过程的系统工程方法引起学术界和工业界的普遍关注。由于炼油生产过程的复杂性，现有方法远未有效解决过程模型准确描述问题，直接导致系统工程应用效果欠佳；过程模型的准确描述成为阻碍过程系统工程成功应用的关键。从困扰过程模型准确描述的症结出发，提出了一种基于装置级优化控制与厂级调度优化集成策略的模型描述方法，意在打破当前装置级底层控制系统和上层过程系统工程应用相互孤立情况下带来的系统间互为排斥、相互抑制的困局。在炼油生产过程装置分类的基础上，基于装置级优化控制的操作运行大数据所蕴含的多个最优操作模态信息，提出分装置类别和分操作模式的多模型描述方法，解决变化原料及操作工况的影响；基于该模型描述机制，将能够为智能炼油提供基础。

集成；系统工程；过程控制；大数据；炼油生产过程；过程模型描述

引 言

近些年，炼油生产过程系统工程引起工业界和学术界的普遍关注[1-4]，而且炼油工业信息化硬件条件的快速发展也为系统工程的应用提供了契机和基础[3-5]。围绕炼油生产过程的计划优化、调度优化等过程系统工程方面的研究和讨论，尽管学术界报道较多[6-7]，却鲜见成功的应用案例。在工业界，虽然有诸多计划优化的软件在使用，如Honeywell公司的RPMS，Aspen公司的PIMS，Haverly Systems的GRTMPS等[8-9]，但简单线性回归过程模型描述方法造成了不可忽视的模型失配，导致计划优化结果往往不具有实际可指导性；调度优化方面，目前应用最多的当属Aspen公司的Aspen Orion[10]，作为交互式调度排产作业的验证平台，并没有解决过程模型描述以及全厂调度优化大规模问题的优化求解问题，Honeywell公司的Business Flex试图解决全流程调度优化的问题，终因复杂变化原油进料和操作工况条件下难以实现过程模型准确描述的问题而未获广泛推广应用。因此，过程模型描述问题是阻碍当前炼油生产过程诸如计划优化、调度优化等系统工程应用的关键所在。

随着MES、DCS等系统的大量投入运行，炼油生产过程积累了海量的操作工况数据、质量数据以及经营数据。然而，数据并没有真正转化为信息而产生价值。如何解析数据、形成有效模型并最终服务于炼油过程系统工程应用，是目前亟需解决的难题和重要挑战。基于此认识，本文提出了装置级优化控制与厂级调度优化系统集成的框架，并基于该集成框架，提出了过程模型描述方法，以应对变化原油和操作条件带来的模型描述困难。

1 问题描述

目前在计划优化和调度优化领域广泛采用的单一线性描述模型罔顾变化原油以及操作工况带来的影响，模型失配较大，直接后果是优化决策信息不具有实际可指导性，实际控制系统并不能完全实现计划及调度目标。更严重地，不合理的调度给正常的生产经营带来干扰，给生产装置的正常操作尤其是先进控制的有效运行造成困难，导致增大操作成本和安全隐患。而且，基于不平稳过程的运行数据统计得到的模型进一步增大了模型失配程度，进一步劣化后续优化的结果。如此而来就形成了相互抑制、相互干涉、矛盾不可调和的应用局面。如图1所示。

目前系统之间相互孤立的研究方法造成了系统之间相互拆台、互为障碍的现状和研究及应用的死结。因此，要从根本上扭转这一根本性难题，打破研究和应用的困局，必须采用系统集成的思路。

本文即在此基础上提出了一种优化控制系统与调度优化集成考虑的框架，并以此为突破口，提出了基于集成框架和优化控制的过程模型描述方法。

与此同时，炼油生产过程区别于其他生产过程，体现在[11-12]：

（1）过程特性（即收率特性、能耗特性、公用工程消耗特性等）随进料原油的变化而不同，且对不同类型装置的影响各不相同；

（2）即使进料相同情况下，过程特性也会随着操作条件的不同而不同。

这些特殊性都必须在过程模型描述中予以考虑才能适应现场实际情况。很显然，如今的过程系统工程中所用的单一数据统计模型或基于操作状态的多模型描述都不能很好地适应这种特殊性和复杂性[13-16]。

2 优化控制与过程系统工程的集成框架

为彻底打破当前研究及应用中系统间相互孤立带来的死结，提出了一种装置级优化控制与厂级过程系统工程系统的集成框架。如图2所示。

基于装置级优化控制系统采集的大量生产运营数据，利用数据解析技术可以对不同装置进行分模式与进料原油不同的多模型描述，组织形成多维度模型信息库，提供给调度优化、计划优化及供应链管理等应用，优化的结果反馈给装置级优化控制系统执行。随着集成系统协同的不断运行，优化控制系统效果越来越明显，过程模型的描述将更逼近真实过程，系统间良性作用效果越凸显。

在这里，集成的基础在模型描述，模型描述的关键在装置级优化控制与厂级调度优化系统的集成。值得强调的是，这种集成策略并不以模型预测控制和实时优化为代表的装置级优化控制为必须实现的条件，也适应于在当前工业现场以常规控制为主的情况。区别在于，装置级优化控制实现更平稳控制和卡边优化，基于此的模型统计更准确，而且调度方案执行效果更佳。在整体集成策略运行以后，实现并获得了更合理的调度方案，即更稳定的原油供应以及装置操作调度安排等，为装置级优化控制的全面实施也创造了条件。因此，此种集成策略形成了控制、调度、计划乃至供应链之间良性互动协同的局面，有望解决目前所面临的困局。

3 基于优化控制的过程维度模型方法

炼油生产过程由众多不同装置组成，这些装置不仅有着迥异的内在机理，而且操作特点差异很大，统一的过程模型描述方法很难满足要求。在深入分析炼油生产过程机理的基础上，对炼油生产过程所涉及的装置进行了划分，并针对不同类型装置设计了不同的描述模型[17-20]。

3.1 炼油生产过程装置类型划分

根据装置运行机理及操作特点，将炼油生产过程所涉及的主要装置划分为如下3类。

（1）一次加工过程（PPU）

一次加工过程指的是包括预分馏在内的常减压蒸馏过程，不涉及任何反应环节，该类过程的运行是基于纯物理的沸点蒸馏原理。

（2）二次深加工过程（SPU）

二次深加工过程指的是大分子重组分反应生成小分子轻组分的过程，如催化裂化、延迟焦化、加氢裂化、加氢催化裂化等。该类过程既包含催化反应环节，又包含反应生成料浆的分馏环节。

（3）加氢改质过程（HUPU）

改质过程指的是通过加氢脱除反应提高组分油品质的过程，如柴油加氢精制、汽油加氢脱硫等。加氢改质过程的出料往往是作为调和组分油。

3.2 基于优化控制的多维度模型描述方法

基于3.1节所描述的装置类型划分，对每一类别的装置分别设计了不同的模型方法以区分应对不同装置类型所蕴含的内在机理和操作特点而带来的差异性，整体框图如图3所示。

在装置级优化控制的作用下，装置往往操作在有限种最优操作模式。以常压蒸馏塔为例，可能是汽油最大化生产方案，航煤最大化生产方案或轻柴油最大化生产方案等集中最优操作模式。而每一种操作模式对应一组侧线抽出的切割温度点。

如前所述，对于一次加工过程而言，纯物理的沸点蒸馏原理决定了进料的TBP曲线将可以直接反映进料性质变化对过程特性带来的影响。因此，对于一次加工过程而言，提出了基于原油TBP和最优操作模式的多模型描述方法，可以综合反映进料原油性质和操作条件而带来的影响。

对于二次深加工过程而言，并不能轻易获得进料的性质评价数据。然而，二次深加工的进料往往来自一次深加工过程的重组分或重组分的混合。一次深加工过程的操作模式调整对重组分出料影响较小，工程上可忽略不计。受此启发，可以对原油进行分类可间接反映二次深加工过程进料组分的变化。基于此，提出了一种以原油分类和操作模式为基础的多维度模型描述方法[17]。

对于改质过程而言，出料往往直接作为调和组分油，该类过程的细微调整即可对调和过程经济效益带来很大影响。因此，有必要建立该类过程随着操作工况的连续模型以深入挖掘操作微调带来的经济效益潜力[18-19]。

4 案例分析

以一次加工过程（此案例即常压蒸馏塔）的侧线收率为例结合来自现场的工业案例及仿真案例，来验证所提建模方法的有效性。

4.1 工业案例分析

对于来自某炼厂常压塔近一年的侧线（分别为直馏汽油、一线航煤、二线轻柴及三线重柴）收率数据，如图4所示，建立收率预测的多模型，用以验证所提方法的有效性。

应用本文所提方法建立收率多模型，得到的预测结果，如图5所示。

考察收率预测误差，误差曲线如图6所示。很显然，误差较小，完全符合现场应用的精度要求。

4.2 仿真案例分析

为进一步考察变化原油进料下所提模型描述方法是否有效，基于Honeywell公司的UniSim Design仿真了某炼厂实际工业流程，并在仿真中设计了3种不同原油的混合进料，用变化的混合比例来模拟进料原油性质变化。采集得到的原始收率数据样本如图7所示。

同样地，得到的收率预测结果及预测误差曲线分别如图8、图9所示。从预测误差曲线上来看，预测精度达到现场应用的精度要求。

5 展 望

基于所提的过程模型描述方法，利用生产运行数据，可以得到对应不同原油与操作工况下，各装置的过程特性模型，包括收率、操作成本、公用工程消耗等，利用这些信息，可以实现：

（1）厂级计划优化及调度优化中生产环节与公用工程环节的集成优化；

（2）厂级计划优化、调度优化以及计划优化和调度优化的一体化；

（3）集团公司级计划优化层面，能够为PIMS模型的更为准确的描述和更新提供帮助，为集团公司原油在各炼厂之间最优分配及各炼厂生产计划指标优化提供更为准确的模型基础和自动更新机制，也能进一步为原油采购优选提供条件。

在系统长期运行的基础上，在线自积累大量有效的生产运行数据，在满足一定的更新条件下即可对过程模型进行在线自更新，逐步过程模型的逼近精度，为智能炼油提供模型基础。整体策略如图10所示。

这里面，进一步待研究的问题有：

（1）数据自动处理、校验及大数据条件下的数据解析技术；

（2）对于模型更新的运行数据有效性检验；

（3）厂级计划优化和调度优化的集成优化及快速优化求解方法；

（4）装置级优化控制的自动最优实现，即如何自动最优实现调度方案，而不再依赖于操作工经验水平；

（5）集团公司级计划优化与厂级计划及调度优化的集成优化方法。

6 结 论

从当前炼油生产过程系统工程应用和装置级优化控制相互孤立的研究现状而造成的两者之间相互抑制的局面出发，提出了一种过程系统工程与装置级优化控制集成解决的框架，并提出了基于装置级优化控制和厂级调度优化集成的过程模型描述方法。在对炼油生产过程所涉及的主要装置分类的基础上，对每类装置分别设计了对应的过程特性模型描述方法以应对复杂变化原油和操作条件的实际困难。以产品收率为例，来自现场的工业案例和UniSim Design的仿真案例均验证了所提方法的有效性。所提模型描述方法有望解决目前炼油生产过程系统工程应用因模型描述不准确而导致的应用效果欠佳或无法实施的困境。有望在解决过程模型描述的基础上，实现厂级计划优化和调度优化的集成，进一步实现集团公司级计划优化，为指导科学决策原油采购优选、原油在厂间最优分配以及最优计划指标提供准确模型依据。

[1] 王弘轼. 化工过程系统工程[M]. 北京: 清华大学出版社, 2006. WANG H S. Chemical Process System Engineering [M]. Beijing: Tsinghua University Press, 2006.

[2] 杨友麒, 成思危. 过程系统工程面临的挑战和发展趋势[J]. 化工进展, 2002, 21(8): 527-534. YANG Y L, CHENG S W. Challenges facing and development trends of process systems engineering [J]. Chemical Industry and Engineering Progress, 2002, 21(8): 527-534.

[3] 李德芳, 索寒生. 加快智能工厂进程, 促进生态文明建设[J]. 化工学报, 2014, 65(2): 374-380. LI D F, SUO H S. Accelerate the process of smart plant, promote ecological civilization construction [J]. CIESC Journal, 2014, 65(2): 374-380.

[4] 王基铭. 过程系统工程技术与中国石化可持续发展[J]. 化工学报, 2007, 58(10): 2421-2426. WANG J M. Process system engineering technology and sustainable development of Sinopec [J]. Journal of Chemical Industry and Engineering (China), 2007, 58(10): 2421-2426.

[5] 王灿芝. 信息化技术在石化企业的应用[J]. 炼油与化工, 2009, 20(3): 67-68. WANG C Z. Application of information technologies in petrochemical company [J]. Refining and Chemical Industry, 2009, 20(3): 67-68.

[6] HARJUNKOSKI I, MARAVELIAS C T., BONGERS P,. Scope for industrial applications of production scheduling models and solution methods [J]. Computers & Chemical Engineering, 2014, 62: 161-193.

[7] GROSSMANN I. Enterprise-wide optimization: a new frontier in process systems engineering [J]. AIChE Journal, 2005, 51(7): 1846-1857.

[8] 咸廷伟, 张敏, 曹永德, 等. 炼化企业生产计划优化软件RPMS的应用研究[J]. 自动化与仪表, 2006, (6): 12-15. XIAN T W, ZHANG M, CAO Y D,. Application research of the plan and optimized system (RPMS) in the refinery and chemical company [J]. Automation and Instrumentation, 2006, (6): 12-15.

[9] 张红荣. 计划优化模型在化工企业的典型应用[J]. 当代石油化工, 2011, (11): 33-36. ZHANG H R. Typical application of planning optimizing model in chemical company [J]. Petroleum & Petrochemical Today, 2011, (11): 33-36.

[10] 李海涛, 樊庆远. Aspen Orion系统在炼油厂生产调度优化中的应用[J]. 数字石油和化工, 2008, (4): 28-30.LI H T, FAN Q Y. Application of Aspen Orion in production scheduling optimization of oil refinery [J]. Digital Petroleum & Chemical, 2008, (4): 28-30.

[11] PINTO J M, JOLY M, MORO L F L. Planning and scheduling models for refinery operations [J]. Computers & Chemical Engineering, 2000, 24(9/10): 2259-2276.

[12] ALHAJRI I, ELKAMEL A, ALBAHRI T,. A nonlinear programming model for refinery planning and optimisation with rigorous process models and product quality specifications [J]. International Journal of Oil, Gas and Coal Technology, 2008, 1(3): 283-307.

[13] LUO C, RONG G. Hierarchical approach for short-term scheduling in refineries [J]. Industrial & Engineering Chemistry Research, 2007, 46(11): 3656-3668.

[14] JIA Z, IERAPETRITOU M. Efficient short-term scheduling of refinery operations based on a continuous time formulation [J]. Computers & Chemical Engineering, 2004, 28(5): 1001-1019.

[15] GAO Z, TANG LX, JIN H,. An optimization model for the production planning of overall refinery [J]. Chinese Journal of Chemical Engineering, 2008, 16(1): 67-70.

[16] SHAH N K, IERAPETRITOU M G. Short-term scheduling of a large-scale oil-refinery operations: Incorporating logistics details [J]. AIChE Journal, 2011, 57(6): 1570-1584.

[17] GAO X Y, SHANG C, JIANG Y H,. Refinery scheduling with varying crude: a deep belief network classification and multimodel approach [J]. AIChE Journal, 2014, 60(7): 2525-2532.

[18] GAO X Y, JIANG Y H, CHEN T,. Optimizing scheduling of refinery operations based on piecewise linear models [J]. Computers & Chemical Engineering, 2015, 75: 105-119.

[19] GAO X Y, JIANG Y H, HUANG D X,. A novel high level canonical piecewise linear model based on the simplicial partition and its application [J]. ISA transactions, 2014, 53(5): 1420-1426.

[20] 黄德先, 江永亨, 高小永, 等. 基于集成控制优化的炼油生产过程调度优化建模方法: 201210228138.8 [P]. 2012.HUANG D X, JIANG Y H, GAO X Y,. Modeling method for refinery production scheduling optimization based on integrated optimal process control: 201210228138.8 [P]. 2012.

Process modelling based on integration of unitwide optimal process control and plantwide scheduling

GAO Xiaoyong, JIANG Yongheng, HUANG Dexian

(Department of Automation, Tsinghua National Laboratory for Information Science and Technology, Tsinghua University, Beijing 100084, China)

The process system engineering methods for refinery production process have drawn increasing concerns in both academic and industrial communities due to the fierce global competition. Due to the complexity of refinery production process, the effective process model is still an open problem, which hampers process system engineering application. In some senses, the process model is the fundamental basis for successful application. To break this bottleneck, an integration between unit-wide optimal process control system and plant-wide scheduling system based modelling framework is proposed. The whole refinery production processes are divided into several different classes, and each class unit has a unique and well-designed model structure. Based on the big operational data collected from the unit-wide optimal control system, the multi-mode models are obtained to take varying crudes and operating conditions into account. This modelling mechanism can provide the concrete model for smart or intelligent refinery.

integration; system engineering; process control; big data; refinery production process; process model description

date: 2016-08-30.

Prof. HUANG Dexian, huangdx@tsinghua. edu.cn

10.11949/j.issn.0438-1157.20161200

TP 11

A

0438—1157（2016）12—5105—07

国家高技术研究发展计划项目（2013AA040702）；国家自然科学基金项目（21276137，61273039）。

supported by the National High Technology Research and Development Program of China (2013AA040702) and the National Natural Science Foundation of China (21276137, 61273039).

2016-08-30收到初稿，2016-09-02收到修改稿。

联系人：黄德先。第一作者：高小永（1985—），男，博士，助理研究员。