基于改进CAPSO的原油管道调合多性质优化方法

， ，，，，

(1.河海大学 能源与电气学院，南京 211100； 2.南京富岛信息工程有限公司，南京 210032)

基于改进CAPSO的原油管道调合多性质优化方法

叶彦斐1，陈蓉1，董正凯1，唐伟伟1，张勇气2，黄朝杰2

(1.河海大学能源与电气学院，南京211100； 2.南京富岛信息工程有限公司，南京210032)

在仔细研究原油管道调合工艺基础上，提出一种基于改进有约束自适应粒子群优化(CAPSO)算法的原油管道调合多性质优化方法;首先，基于原油调合规则库、优化预处理及设备实际工作能力约束，建立了多原油多性质优化模型；然后，根据原油调合目标，通过CAPSO算法对优化模型进行快速、准确的优化计算，获得多种组分原油的最优配比;投运效果表明，系统能够自动、高效计算出原油调合的最优配比，避免人工计算所造成的一致性差，计算效率低并且不易获得最佳配比的问题，有效提高了加工设备的生产效率。

原油管道调合；多原油多性质优化模型；有约束自适应粒子群优化算法

0 引言

原油调合是指按一定配比，将两种或多种原油混合获得具有期望理化性质原油的过程。随着国内原油用量的剧增及对国外原油依存度的提高，炼油企业所面临的加工原油种类繁多、性质多变等问题日益突出[1]。原油调合主体设备包括调合组分罐、掺炼泵、调节阀、掺炼线及调合头等，总体投资大，耗能多，使用和维护成本高。而减压装置(Crude Distillation Unit，CDU)作为原油加工的主体设备，对调合后原油的性质也有严格的要求。

由于原油自动优化调合可以准确计算多种组分原油质量配比，将不同组分原油按一定比例混合获得期望性质的原油，提高原油调合的一次性成功率，避免性质波动给CDU及后续加工装置带来损害，充分发挥现有设备潜力，使不同组分取长补短，减少产品质量过剩，节能环保，已成为直接影响炼油企业的生产成本及关系其生产效益的首要环节[2]。当前参与调合的多种原油的配比多靠人工计算，受知识、经验及责任心影响，计算效率低、一致性差，进一步优化空间大；人工原油调合配比控制不精确、安全性差、操作强度大；最重要的是在优化目标性质较多、调合规则含有非线性时，很难获得配比的最优比例。可见人工原油调合很难满足生产需求。原油管道自动优化调合因具有污染小、损耗低、操作方便、安全可靠等优点而日益受到重视[3]。

对于油品调合优化问题，廖良才提出了成品油调合的三类优化问题[4], 薛美盛提出了成品油调合调度的混合整数非线性规划模型[5]，黄德先提出一种基于分片线性代理模型的成品油调合优化方法[6]。José等人使用神经网络对原油混合系统建模,预测混合原油的性质,取得了较好的实验结果[7]。兰鸿森等人根据对原油混炼的研究给出了混合原油的属性约束，没有考虑设备约束及储运约束[8]；杜祜康建立了原油混合优化模型并基于遗传算法对其进行了研究[9]。这些文献均采用单目标方法对其进行优化求解，忽略了油品调合的多目标优化本质，少有把原油调合问题当作多目标优化问题研究。

文章针对以上背景技术的缺陷和不足，提出一种原油管道调合多目标优化方法。首先，基于3种类型的原油调合规则库、优化预处理及设备实际工作能力确定的约束，建立了多原油多性质优化模型；然后，根据原油调合目标，基于CAPSO算法过对优化模型进行快速、准确的优化计算，获得多种组分原油的最优配比。最后，系统实现了组分原油的高精度配比，调合出了满足性质要求的原油，有效提高了炼油企业的生产效率。

1 原油调合配比优化框架

原油调合配比优化框架适用于多种原油调合最优配比运算，可以获得各组分原油质量配比，进而使目标原油多个性质达到最优。

如图1所示，多原油多性质调合优化方法核心内容包括调合规则库、优化预处理、设备约束、多原油多性质优化模型及有约束自适应粒子群优化(CAPSO)。在调合规则库和设备约束基础上建立原油调合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，对优化预处理后的性质(或因子)进行快速、准确的优化计算，最终获得多种组分原油的最优配比。

图1 多原油多性质调合优化方法框架图

2 原油调合多目标优化模型

原油管道调合过程(Crude Oil Pipeline Blending Process，简称COPBP)工艺如图2所示，n种组分原油经掺炼线按比例输送给静态混合器进行充分混合，获得期望性质的目标原油后进入CDU加工处理[10]。

图2 原油管道调合工艺过程

2.1 原油调合规则库

基于原油调合后性质变化规律，原油不同性质的调合规律分为线性、可转换线性及本质非线性3种类型。

满足线性调合规则的性质包括：硫含量、质量收率、API密度、酸值、氮含量、铁含量等，调合规则一般表达式为：

pi=∑pijxj

(1)

式(1)中，pi是原油调合后第i(i=1,2,…m)个性质大小，pij是第j(j=1,2,…n)种组分原油的第i个性质大小，xj是第j种组分原油质量占比。

部分非线性调合性质可进行线性转换，如相对密度、倾点、凝点、软化度。可先将组分原油性质转换为性质因子，对性质因子进行线性运算，然后再由性质因子获得调合后原油的对应性质。如原油相对密度SG，以其倒数作为性质因子，则调合规则为：

(2)

式(2)中，SG表示原油调合后相对密度，SGj表示第j种组分原油的相对密度。

部分性质如十六烷、辛烷值等调合具有非线性，由于调合效应的存在线性运算误差较大，而又无法转换为性质因子进行线性运算，需采用专用的非线性调合规则。若第i个性质是十六烷值，则采用二次非线性回归模型运算，可表示为：

(3)

式(3)中，pij是组分原油j的第i性质大小，xj是组分原油j质量占比，xt是组分原油t质量占比，αjt(t≠j)为调合组分j与t的调合效应系数，其大小与正负反映了不同原油之间的二次项意义下的非线性作用。

2.2 原油静态调合模型

n种组分原油按配方X=[x1,x2,…,xn]∈Rn(xj是组分原油j的质量占比)进行调合，可以计算出目标原油的m种性质组成的向量Fp(X)=[p1,p2,…,pm]T∈Rm，COPBP静态调合模型表示为:

(4)

式(4)中，AX为线性函数部分：

(5)

式(5)中，aij代表参与调合的第j种原油可进行线性运算的l个性质中的第i个性质大小。G(X)为非线性函数部分，表示后m-l个性质的非线性调合运算：

(6)

式(6)中，gi(X)(l+1≤i≤m)表示不同非线性调合规则。

2.3 优化预处理

首先，先完成原油各调合性质归一化工作，具体归一化过程如下：

设定优化后原油第i个性质pi的范围上、下限分别为Ugi、Dgi，则归一化后性质：

(7)

(8)

若优化性质pi满足非线性调合规则，但可转化为线性规则，则对该性质数据按照相应转换规则获得性质因子ai；

(9)

g代表非线性-线性转换函数。

2.4 设备约束分析

受组分罐、掺炼线及掺炼泵等原油调合设备实际工作能力限制，优化配比必须被限制在调合设备的约束范围内。根据各调合设备实际工作能力，设定设备约束大小：

受原油调合设备约束，目标原油中第j种原油占比xj上、下限分别记为Uxj和Dxj，则：

(10)

(11)

其中:Ulj、Dlj分别表示与第j种组分原油相对应的掺炼线的流量上、下限；Ufj、Dfj分别表示与第j种组分原油相对应的掺炼线上流量计的流量上、下限；Ubl、Dbl分别表示与第j种组分原油相对应的掺炼线上k个掺炼泵中第l个泵的流量上、下限；GMj为与第j种组分原油相对应的掺炼线连接的原油罐存量，LM为调合订单主流量；M为调合订单调合量。

2.5 原油调合多目标优化模型

多原油多性质调合问题是一个典型的多目标优化问题。多种原油调合获得目标原油并优化多个性质过程中，调合后原油的各性质要求之间往往是矛盾的，改善调合原油一个目标性质可能会引起其他目标性质性能变差，很难使多个目标性质同时达到最优值、而只能进行协调和折中处理,在众多Pareto最优解中寻找一个最终解使得各目标都尽可能达到最优。

文章根据调合后原油的各目标性质的重要程度分配相应的权系数(目标性质越重要，权系数越大)，基于平方和加权法建立了多原油多性质优化模型，从而将一个复杂的多目标问题转换为一个单目标优化问题，避免必须求多个Pareto最优解并在其中寻找最终解的复杂过程。采用n种组分原油优化调合m种目标性质原油的模型记为：

(12)

X=[x1,x2,…,xn]T为n种原油质量占比所构成的一维向量；其约束条件为：

DX≤X≤UX

(13)

(14)

x1+x2+…+xn=1

(15)

其中:UX=[Ux1,Ux2,…,Uxn]T，DX=[Dx1,Dx2,…,Dxn]T为式(10)和式(11)所确定的设备约束上、下限；Goal=[g1,g2,…,gm]T，这里gi代表调合后原油第i个性质因子的优化目标值，该优化目标值设定的范围上限是Ugi、范围下限是Dgi、范围内定值是Gi，选择不同优化方式时，gi分别取对应数值：Ugi、Dgi及Gi。

3 基于改进CAPSO算法的优化求解

对于式(12)所示的原油调合优化模型，其最优解求取常用方法有：罚函数法、可行解法及复合形法等。但是，罚函数很难确定，且罚因子趋于无穷才能得到最优解，计算量大；而采用可行解法不能充分利用不可行解进行搜索；若采用复合形法，则要求给出初始的复合形，而初始复合形要求必须在可行域内，当维数较高时，很难获得初始复合形。

文章采用基于改进有约束自适应粒子群(Constrained Adaptive Particle Swarm Optimization,简称CAPSO)算法，对原油调合优化模型(12)进行优化计算，获得多种组分原油的最优质量配比，该方法无需给出初始可行解，也不受目标函数和约束方程必须可导限制。

3.1 算法公式

vqj(t+1)=e·vqj(t)+c1·rand()·(sqj(t)-

xqj(t))+c2·rand()·(sgj(t)-xqj(t))

(16)

xqj(t+1)=xqj(t)+vqj(t)

(17)

其中:q=1,2,…,P，表示P个粒子中第q个粒子；t=1,2,…,N，表示N次优化中的第t次优化；j=1,2,…,n，表示每个粒子有n个维度，代表n种原油中的第j种原油。

Xq(t)=[xq1(t),xq2(t),…,xqn(t)]T表示粒子群中第q个粒子经t次优化的位置，X=[x1,x2,…,xn]T为n种原油质量占比的向量；其中的xqj(t)代表第j种组分原油经t次优化的质量占比。

Vq(t)=[vq1(t),vq2(t),…,vqn(t)]T表示第q个粒子经t次优化的速度，代表向量X的变化，其中的vqj(t)代表第j种组分原油经t次优化的占比变化。

c1、c2为学习因子这里均取经验值2.0；rand()为区间在[0,1]上均匀分布的随机函数。

Sq(t)=[sq1(t),sq2(t),…,sqn(t)T表示第q个粒子经t次优化先前记忆的最好位置，其中的sqj(t)代表第q个粒子经t次优化后先前记忆中的第j种组分原油最好占比。

Sg(t)=[sg1(t),sg2(t),…,sgn(t)]T表示所有粒子经t次优化先前记忆的最好位置，其中的sgj(t)代表所有粒子经t次优化后先前记忆的第j种组分原油最好占比。

适应函数取式(12)中的f(X)，则式(16)中惯性系数e按下式计算：

e=

(18)

式(18)中，emax、emin分别表示e的最大值和最小值，f(Xq(t))是第q个粒子的适应值；favg(t)、fmin(t)分别表示当前所有粒子经t次优化后当前位置的平均适应值和最小适应值。

定义约束违反度函数：

(19)

式(19)中，voi(Xq(t))表示第q个粒子经t次优化后原油质量配比向量违反约束的程度。

3.2 具体步骤

1)初始化粒子群中各粒子速度Vq(0)、位置Xq(0)、个体极值Sq(0)，全局极值Sg(0)及参数c1、c2、N；

2)对粒子群体中P个粒子任一粒子r，1≤r≤P，执行以下操作：

(1)根据式(16)和式(17)作更新运算，获得该粒子的速度Vr(t+1)和位置Xr(t+1)；

(2)按式(12)计算粒子r经t+1次优化后的适应值f(Xr(t+1))；

(3)按式(14)计算粒子r经t+1次优化后的约束违反度voi(Xr(t+1))；

(4)比较粒子r经t+1次优化后的位置Xr(t+1)与粒子r经t次优化后先前记忆的最好位置Sr(t)的优劣，获得该粒子的最优位置，方法如下：

当voi(Xr(t+1))=0、voi(Sr(t))=0，且f(Xr(t+1))≤f(Sr(t))时，或者，

当voi(Xr(t+1))=0、voi(Sr(t))≠0，且voi(Xr(t+1))≤voi(Sr)时，或者，

当voi(Xr(t+1))≠0，voi(Sr(t))≠0，且voi(Xr(t+1))≤voi(Sr)时，

将Sr(t+1)=Xr(t+1)；否则，置Sr(t+1)=Sr(t)；

(5)按步骤(4)判断方法，比较粒子r的最优位置Sr(t+1)与原全局极值Sg(t)，若Sr(t+1)优于Sg(t)，则Sg(t)=Sr(t+1)；否则Sg(t)不变；

3)将粒子群体中P个粒子均按步骤(5)与原全局极值Sg(t)比较处理后，得到Sg(t+1)=Sg(t)；

4)计算经t+1次优化后粒子群体中P个粒子当前位置的平均适应值和最小适应值favg(t+1)、fmin(t+1)；

5)比较f(Xr(t+1))和favg(t+1)，根据式(18)采取相应的自适应策略，调整不同粒子的惯性系数e；

6)若t=N，停止搜索，输出Sg(N)的位置即为所求n种原油最佳质量配比向量，算法结束；若t

4 投运效果

以3种原油调合优化3个性质为例，3种原油(苏北油、索鲁士、锡里)参与调合，控制3个线性性质(硫含量、石脑油收率、酸值)，其中苏北油硫含量0.256 3%、石脑油收率6.578 4%、酸值0.254 mgKOH/g，索鲁士硫含量3.28%、石脑油收率10.168 6%、酸值0.57 mgKOH/g，锡里油硫含量1.844 2%、石脑油收率20.668 7%、酸值0.093 2 mgKOH/g。3种组分权重取值0.7：0.2：0.1,即：优先考虑硫含量，然后依次考虑石脑油含量、酸值。分别基于本文所提出的优化方法与业界公认最完整的原油评价数据管理系统实验室H/CAMS方法进行调合优化求解情况对比。

在不同优化目标下获得的优化配比与调合后目标原油的性质如表1所示(部分测试数据)。

在上述工艺条件下，增加3个调合管道设计流量上、下限约束1000～2000 t/h、1500～3000 t/h、1800～3500 t/h；调合订单主流速为4400 t/h，则调合设备上、下限约束分别为0.2273～0.4545,0.3409～0.6818，0.4091～0.7955。无设备约束计算的优化结果与有设备约束优化结果对比如表2所示。

表1 3种原油调合优化3个线性性质情况

可见，在无设备约束时，四组实验因为优化范围不同，优化结果也不同，但加入设备约束后，由于约束限制，1、2组优化结果相同，3、4组优化结果也相同，部分占比处于约束边界。

表1给出在有目标属性约束的最优解，表2给出在包含设备约束和目标约束条件下的最优解。从调合后的目标原油性质可见，采用本文提出的多原油多性质调合优化方法，可以获得多种原油调合的最优配比，该配比其与实验室H/CAMS配比偏差极小(绝对值小于0.001)，按此比例对组分原油调合可达到最优性质目标。与H/CAMS相比，本文提出的优化方法具有更全面的优化功能(H/CAMS无法计算有设备约束时的最优配比)，同时基于本方法开发的优化软件具有独立知识产权、界面友好、性价比高等优势。

表2 有、无设备约束优化结果对比

5 结语

将CAPSO用于求解原油管道调合多目标优化问题，提出了一种多原油多性质调合优化方法。该方法在调合规则库和设备约束基础上建立了原油调合多目标优化模型，然后基于CAPSO算法，对优化模型进行快速、准确地优化计算，获得多种组分原油的最优配比。该方法成功应用于COPBP多种原油多种性质调合优化过程，实际测试数据表明，应用该方法获得的优化配方比采用实验室H/CAMS软件的更具优势，按该配方对组分原油调合可达到最优的多目标性质，从而可以为CDU低成本、高效率提供满足性质要求的原油，避免原油性质波动给加工装置带来的损害，保证生产安全，提高生产效率。

[1] 许 萍.浅谈油品调合系统的应用[J].信息系统工程,2013,(11)：92-93.

[2] 唐衍伟,黄运成,杨 婕. 中国石油进口参与国际定价的现状、趋势及策略分析[J].资源科学,2007,29(1):184-188.

[3] Bai L, Jiang Y H, Huang D X, et al. A novel scheduling strategy for crude oil blending [J]. Chinese Journal of Chemical Engineering, 2010, 18(5): 777-786.

[4] 缪良才,谭跃进,邓宏钟.成品油调合优化模型及其应用研究[J].模糊系统与数学,2003,17(4)：104-110.

[5] 薛美盛,李祖奎,吴 刚,等.成品油调合调度优化模型及其应用[J].石油炼制与化工,2005,36(3)：64-68.

[6] 黄德先,余 冰,高小永,等.基于分片线性代理模型的成品油调合优化[J].清华大学学报(自然科学版),2012,52(9)：1230-1235,1243.

[7] Jose de Jesus Rubio, Yu W. Modeling of Crude Oil Blending Via Discrete-time Neural Networks[A]. 3rd International Conference on Electrical and Electronics Engineering (ICEEE)[C]. Acapulco, Guerrero, Mexico, 2006.

[8] 兰鸿森,丁 锋．基于炼油过程仿真的原油混炼比优化[J]．石油炼制与化工,1997,28(11)：50-54．

[9] 杜祜康,赵英凯.基于遗传算法的原油混合优化研究[J].化工自动化及仪表, 2010,37(1):8-10.

[10] 叶彦斐,郑 源,张勇气,等.原油管道调合高精度配比控制系统设计与实现[J].江南大学学报(自然科学版),2014,76(6): 681-685.

AnOptimizationMethodofCrudeOilPipelineBlendingBasedonModifiedCAPSO

Ye Yanfei1, Chen Rong1, Dong Zhengkai1, Tang Weiwei1, Zhang Yongqi2, Huang Chaojie2

(1.College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, China;2.Richisland Information Technology Co.,Ltd., Nanjing 210032, China)

An optimization method based on modified constraint adaptive particle swarm optimization (CAPSO) algorithm is proposed on the basis of careful analysis of the crude oil pipeline blending process. First of all, a model of properties optimization through many types of crude oil blending is established based on crude oil blending rules, optimization pretreating and the constraints of equipment working ability; then, according to the given crude oil blending target, fast and accurate optimization calculation by using CAPSO algorithm is done to obtain the optimal combination of crude oil components. The actual effect shows that the system can efficiently, automatically calculate the optimal proportion of crude oil blending, avoid the problems such as the poor consistency, low computation efficiency and being not easy to get the best blending ratio caused by manual calculation, effectively improve the production efficiency of the processing equipment.

crude oil pipeline blending; model of properties optimization through many types of crude oil blending; CAPSO

2017-03-16；

2017-04-11。

南京市自主知识产权开发计划项目(201604024)；江苏省博士后基金(1402043C)。

叶彦斐(1974-)，男，江苏南京人，博士，副教授，主要从事油品调合技术、综合自动化系统等方向的研究。

1671-4598(2017)10-0154-04

10.16526/j.cnki.11-4762/tp.2017.10.040

TP273

A