一種應用於煉油廠的非線性生產計劃優化方法
2023-05-23 08:49:01 1
專利名稱：一種應用於煉油廠的非線性生產計劃優化方法
技術領域：
本發明涉及生產過程計算機優化領域，尤其涉及一種應用於煉油廠的非線性生產計劃優化方法。
背景技術：
生產計劃，是煉油企業組織生產活動的預先安排，它確定了企業要實現怎樣的生產經營目標，以及如何實現這樣的目標。生產計劃既是石化企業經營和發展戰略在生產端的反映和細化，連結上遊的採購計劃與下遊的配送計劃、需求計劃，又是原油調度 、裝置與管道調度、油品調合的抽象歸納。生產計劃的優化是煉油企業解決生產效率問題的核心。煉油生產計劃模型是指對煉油企業複雜生產流程的簡化歸納，其精度決定了優化結果的應用價值和指導意義。煉油生產過程利用數學建模已經逐漸顯示出越來越重要的作用，人們可能理解工藝的內部工作原理，但在確定最佳參數時卻需要大量的工作，例如反應器及其單元的尺寸，各種物料的正確用量和配比，或者最佳流速。過去常常通過反覆試驗，或依靠經驗來解決這類問題，然而，如果要建立和測試大量原型裝置，這種方法會花費大量的時間和精力。利用數學建模工具可以建立虛擬的原型來揭示工藝過程中的內部機制。可以方便地修改任意參數，並立即看到效果。例如申請號為200610029415. 7中國發明專利申請中公開了一種非線性連續罐式柴油調合法，其具體過程包括(I)建立基於構成成品柴油各組分實時流量及各流量之間的線性和非線性關係、各組分及成品柴油的實時質量屬性中的線性和非線性關係的非線性數學模型；(2)將原油煉油速率、各側線實時流量數據及各組分實時質量數據輸入步驟(I)所建立的非線性數學模型中，運算得到構成成品柴油各組分實時流量數據；(3)按由步驟(2)獲得的構成成品柴油各組分實時流量數據進行成品柴油的調合等步驟。包含工藝參數的非線性經驗模型也逐漸被集成到生產計劃模型中，當前對煉油生產計劃的優化主要依賴數值優化方法，但是非線性關係的集成使傳統的線性規劃方法無能為力，同時煉油生產計劃固有的大規模、多約束等特點也困擾著進化算法、粒子群算法、蟻群算法等元啟發式方法的使用。
發明內容
本發明提供了一種應用於煉油廠的非線性生產計劃優化的混合搜索方法，以仿真建模技術為基礎，並創新地結合遺傳算法和直接搜索算法，能夠應對優化對象的非線性，顯著減少計算困難和約束破壞，提升生產計劃的總體利潤。一種應用於煉油廠的非線性生產計劃優化方法，包括以下步驟(I)建立所述煉油廠中煉油生產裝置和物料側線的邏輯網絡，輸入對應的原油採購量、物料流動方向、全局生產模型和油品輸出數據；(2)所述的煉油生產裝置中至少包括常減壓蒸餾裝置和催化裂化裝置，並建立常減壓蒸餾裝置和催化裂化裝置的非線性過程模型；(3)利用中間物料儲罐、油品物性、其他生產裝置和市場供需關係的約束條件數據，以煉油過程的約束破壞值和計劃周期的利潤期望值建立兩階段目標函數的約束方程；
(4)確定計劃周期內煉油生產的決策變量，根據步驟(3)中的約束方程，利用混合搜索方法獲得計劃周期內煉油生產的最優決策變量。步驟(I)中所述的物料流動方向為所有物料在煉油生產裝置間的流向，即包括原油的流向，也包括各中間產物以及最終產品的流向。所述的原油採購量是指煉油廠中各生產原料的用量。所述的全局生產模型可以利用現有技術，結合具體的煉油生產裝置進行構建，此處的全局生產模型優選採用簡化的線性模型。所述的油品輸出數據為最終產品的產量以及指標，例如最終產品包括汽油和柴油時，至少包括較常用的指標汽油辛烷值和柴油凝點。在步驟(2)中，根據常減壓蒸餾裝置和催化裂化裝置的工藝特點和重要性建立非線性過程模型進行分析，一般的煉油廠中參見的設備還有催化重整裝置、延遲焦化裝置、力口氫精製裝置以及儲罐等，常減壓蒸餾裝置和催化裂化裝置作為煉油廠的重要設備優選建立非線性過程模型進行分析，產率與工藝參數呈非線性相關關係而其餘設備則在全局生產模型中按照簡化的線性模型分析。步驟(2)中所述的常減壓蒸餾裝置的非線性過程模型如下Hunt = αηβ + aulTunt + au，2T^t +... + auKT^nt⑴Yujnjt = Hujnjt-Hujnjt^1 (2)其中Hu,n,t表示常減壓蒸餾裝置u的η出料側線在t生產批次的產率；u為常減壓蒸餾裝置序號；η為常減壓蒸餾裝置的出料側線序號；t為常減壓蒸餾裝置的生產批次序號；Yu,n,t表示與Hu, n,t相對應的質量產率；Tujnjt為表示常減壓蒸餾裝置u的η出料側線在t生產批次的切割溫度；K為預定義的整數，表示公式中的階次，例如一般取3，取值越大精度越高，但運算也相應會增加；au,0, aua, ... au, κ是預先根據所述的常減壓蒸餾裝置的非線性過程模型擬合後的實沸點產率和切割溫度相關性參數，受不同原油的特性影響。例如設定兩套常減壓蒸餾裝置分別加工大慶原油(DAQ)和遼河原油(LIH)，它們的實沸點參數也互不相同。aUj0, aUjl,...aUjK的取值可以根據預先實際生產中的Hu,n,t和Tu,n,t得到。步驟⑵中所述的催化裂化裝置的非線性過程模型如下Yu, n,t= βη,ο+βη,! (CONVu, t-z) + β n,2 (CONVu, t_Z)2 (3)Yu,n,t表示催化裂化裝置u的η出料側線在t生產批次的質量產率；CONVu, t表示催化裂化裝置u在t生產批次的轉換因子；Z為基準的轉換因子；
針對催化裂化裝置，使用文獻(GARYJ I. I-Iandwork, GE, Petroleum Refining,TechnologyandEconomics[Μ]. MarcelDekkerInc. 1984.)提出的簡化經驗模型。實際操作中，影響FCC質量產率的主要變量是裂化溫度、催化劑/原油比例、空速等。Gary等提出一個抽象變量以綜合上述因素，稱之為轉換因子。u為催化裂化裝置序號；η為催化裂化裝置的出料側線序號；t為催化裂化裝置的生產批次序號；βη,0, βη,1； βη,2是一系列擬合後的側線質量產率和轉換因子相關性參數，β^，β ^ β ,2的取值可以根據預先實際生產中的Yu,n,t和CONVu,t得到。步驟(3)中，以煉油過程的約束破壞值建立的階段I目標函數的方程表達式為
權利要求
1.一種應用於煉油廠的非線性生產計劃優化方法，其特徵在於，包括以下步驟 (1)建立所述煉油廠中煉油生產裝置和物料側線的邏輯網絡，輸入對應的原油採購量、物料流動方向、全局生產模型和油品輸出數據； (2)所述的煉油生產裝置中至少包括常減壓蒸餾裝置和催化裂化裝置，並建立常減壓蒸餾裝置和催化裂化裝置的非線性過程模型； (3)利用中間物料儲罐、油品物性、其他生產裝置和市場供需關係的約束條件數據，以煉油過程的約束破壞值和計劃周期的利潤期望值建立兩階段目標函數的約束方程； (4)確定計劃周期內煉油生產的決策變量，根據步驟(3)中的約束方程，利用混合搜索方法獲得計劃周期內煉油生產的最優決策變量。
2.如權利要求I所述的應用於煉油廠的非線性生產計劃優化方法，其特徵在於，步驟(3)中，以煉油過程的約束破壞值建立的階段I目標函數的方程表達式為
3.如權利要求2所述的應用於煉油廠的非線性生產計劃優化方法，其特徵在於，所述的約束破壞值包括如下約束的破壞值儲罐約束、物性約束、其他生產裝置約束和市場供需約束。
4.如權利要求3所述的應用於煉油廠的非線性生產計劃優化方法，其特徵在於，步驟(3)中，以煉油過程的計劃周期的利潤期望值建立的階段II目標函數的方程表達式為
5.如權利要求4所述的應用於煉油廠的非線性生產計劃優化方法，其特徵在於，步驟(4)中決策變量包括 常減壓蒸餾裝置的切割溫度； 催化裂化裝置的轉換因子； 與預定產率相對應的其他生產裝置方案； 原油採購量； 儲罐付料量。
6.如權利要求5所述的應用於煉油廠的非線性生產計劃優化方法，其特徵在於，所述的常減壓蒸餾裝置的非線性過程模型如下 η, ~ au,0 ^ au,\^u,n,t au,2^u,n,t ^au,K^u,n,t^ ^Yu，n, t Hu，n，I Hu，n，t—I (2) 其中Hu,n,t表示常減壓蒸餾裝置u的n出料側線在t生產批次的產率； u為常減壓蒸餾裝置序號； η為常減壓蒸餾裝置的出料側線序號；t為常減壓蒸餾裝置的生產批次序號； Yu,n,t表示與Hu,n,t相對應的質量產率； Tu,n,t為表示常減壓蒸餾裝置U的η出料側線在t生產批次的切割溫度； K為預定義的整數，表示公式中的階次； au,0, aua, ...au,K是預先根據所述的常減壓蒸餾裝置的非線性過程模型擬合後的實沸點產率和切割溫度相關性參數。
7.如權利要求6所述的應用於煉油廠的非線性生產計劃優化方法，其特徵在於，所述的催化裂化裝置的非線性過程模型如下 Yu, n, t = β ,0+ β na (CONVu, t-z) + β n,2 (CONVu, t-Z)2 (3) Yu,n,t表示催化裂化裝置u的n出料側線在t生產批次的質量產率； CONVu, t表示催化裂化裝置u在t生產批次的轉換因子； Z為基準的轉換因子； u為催化裂化裝置序號； η為催化裂化裝置的出料側線序號； t為催化裂化裝置的生產批次序號； βη,。，βη,Π @ ,2是一系列擬合後的側線質量產率和轉換因子相關性參數。
8.如權利要求7所述的應用於煉油廠的非線性生產計劃優化方法，其特徵在於，利用混合搜索方法確定計劃周期內煉油生產邏輯網絡的最優決策變量，其具體過程分為階段I和階段II ; 階段I執行一套標準浮點數編碼方案的遺傳算法，步驟如下 a、初始化定義每個決策變量的取值範圍，使用浮點數編碼方案隨機生成種群，其中離散變量取近似整數值； b、評價將生成的種群中的決策變量輸入生產計劃仿真模型，計算種群中所有個體的約束破壞值CONB(x)，並根據約束破壞值的大小對所有個體進行排序，即將個體的約束破壞值CONB(X)轉換為排序因子； 所述的生產計劃仿真模型為通過所述的邏輯網絡相關聯的全局生產模型以及常減壓蒸餾裝置和催化裂化裝置的非線性過程模型； C、選擇採用輪盤賭方式在種群中隨機取出同等數量的個體作為父代； d、交叉和變異根據預先設置的交叉概率和變異概率，應用交叉算子和變異算子生成新的子代； e、將步驟d中所述的新的子代作為步驟a的樣本循環執行步驟a d，直至達到預定的遺傳代數； f、將完成預定的遺傳代數後得到的種群個體和與該種群個體對應的排序因子傳遞給階段II算法； 階段II算法，具體步驟如下 g、以階段I算法獲得的種群個體作為初始迭代解Χο，設定初始迭代步長矩陣％> 0，進行迭代運算； h、第i次迭代解可表示為=Xi= Xi-Jai · d ； 其中i是迭代的次數，d是隨機方向的單位向量，該單位向量為矩陣形式，該單位向量的規模為(l，n),其中η為所有決策變量的個數,單位向量中每一個元素的取值僅限-1、0或I ; i、將每次迭代得到的Xi輸入生產計劃仿真模型進行查詢操作，所述的生產計劃仿真模型為階段I所述的通過所述的邏輯網絡相關聯的全局生產模型以及常減壓蒸餾裝置和催化裂化裝置的非線性過程模型； 如果滿足條件=OBJ(Xi) > OBJ(Xh)且 CONB (Xi) ( CONB(Xh)；代表第i次迭代查詢成功，同時設置ai+1 = ai； Xi = Xi-Jai · d,再進入下一次運算；否則，如果不滿足條件=OBJ(Xi) > OBJ(Xh)且CONB(Xi) ( CONB O^1)，代表第i次迭代查詢失敗,設置Xi = Xp1，減小搜索步長ai+1 = 重新計算並查詢Xi ;若連續五次減小搜索步長後仍未查詢成功，則重新生成隨機方向向量d並執行步驟i ; j、當迭代次數i達到閾值時跳出迭代，得到對應的搜索結果即所述的最優決策變量和對應目標函數值輸出。
全文摘要
本發明公開了一種應用於煉油廠的非線性生產計劃優化方法，包括(1)建立煉油生產邏輯網絡；(2)建立常減壓蒸餾裝置CDU和催化裂化裝置FCC的過程模型；(3)輸入所有約束條件數據，確定兩階段搜索的目標函數；(4)利用混合搜索方法，優化確定生產計劃決策變量。本發明在仿真建模技術的基礎上結合遺傳算法和直接搜索算法，能在不破壞約束條件的情況下有效提升煉油生產計劃的全局利潤，避免複雜生產計劃問題求解過程產生的龐大計算量，並能迅速得到優化解。原理簡單，實施方便，可移植性強，適用於不同的生產計劃環境。
文檔編號G06Q10/04GK102622655SQ20121008496
公開日2012年8月1日 申請日期2012年3月28日 優先權日2012年3月28日
發明者馮毅萍, 張國澤, 榮岡 申請人:浙江大學