基于改進(jìn)CAPSO的原油管道調(diào)合多性質(zhì)優(yōu)化方法

， ，，，，

(1.河海大學(xué) 能源與電氣學(xué)院，南京 211100； 2.南京富島信息工程有限公司，南京 210032)

基于改進(jìn)CAPSO的原油管道調(diào)合多性質(zhì)優(yōu)化方法

葉彥斐1，陳蓉1，董正凱1，唐偉偉1，張勇氣2，黃朝杰2

(1.河海大學(xué)能源與電氣學(xué)院，南京211100； 2.南京富島信息工程有限公司，南京210032)

在仔細(xì)研究原油管道調(diào)合工藝基礎(chǔ)上，提出一種基于改進(jìn)有約束自適應(yīng)粒子群優(yōu)化(CAPSO)算法的原油管道調(diào)合多性質(zhì)優(yōu)化方法;首先，基于原油調(diào)合規(guī)則庫(kù)、優(yōu)化預(yù)處理及設(shè)備實(shí)際工作能力約束，建立了多原油多性質(zhì)優(yōu)化模型；然后，根據(jù)原油調(diào)合目標(biāo)，通過(guò)CAPSO算法對(duì)優(yōu)化模型進(jìn)行快速、準(zhǔn)確的優(yōu)化計(jì)算，獲得多種組分原油的最優(yōu)配比;投運(yùn)效果表明，系統(tǒng)能夠自動(dòng)、高效計(jì)算出原油調(diào)合的最優(yōu)配比，避免人工計(jì)算所造成的一致性差，計(jì)算效率低并且不易獲得最佳配比的問(wèn)題，有效提高了加工設(shè)備的生產(chǎn)效率。

原油管道調(diào)合；多原油多性質(zhì)優(yōu)化模型；有約束自適應(yīng)粒子群優(yōu)化算法

0 引言

原油調(diào)合是指按一定配比，將兩種或多種原油混合獲得具有期望理化性質(zhì)原油的過(guò)程。隨著國(guó)內(nèi)原油用量的劇增及對(duì)國(guó)外原油依存度的提高，煉油企業(yè)所面臨的加工原油種類(lèi)繁多、性質(zhì)多變等問(wèn)題日益突出[1]。原油調(diào)合主體設(shè)備包括調(diào)合組分罐、摻煉泵、調(diào)節(jié)閥、摻煉線及調(diào)合頭等，總體投資大，耗能多，使用和維護(hù)成本高。而減壓裝置(Crude Distillation Unit，CDU)作為原油加工的主體設(shè)備，對(duì)調(diào)合后原油的性質(zhì)也有嚴(yán)格的要求。

由于原油自動(dòng)優(yōu)化調(diào)合可以準(zhǔn)確計(jì)算多種組分原油質(zhì)量配比，將不同組分原油按一定比例混合獲得期望性質(zhì)的原油，提高原油調(diào)合的一次性成功率，避免性質(zhì)波動(dòng)給CDU及后續(xù)加工裝置帶來(lái)?yè)p害，充分發(fā)揮現(xiàn)有設(shè)備潛力，使不同組分取長(zhǎng)補(bǔ)短，減少產(chǎn)品質(zhì)量過(guò)剩，節(jié)能環(huán)保，已成為直接影響煉油企業(yè)的生產(chǎn)成本及關(guān)系其生產(chǎn)效益的首要環(huán)節(jié)[2]。當(dāng)前參與調(diào)合的多種原油的配比多靠人工計(jì)算，受知識(shí)、經(jīng)驗(yàn)及責(zé)任心影響，計(jì)算效率低、一致性差，進(jìn)一步優(yōu)化空間大；人工原油調(diào)合配比控制不精確、安全性差、操作強(qiáng)度大；最重要的是在優(yōu)化目標(biāo)性質(zhì)較多、調(diào)合規(guī)則含有非線性時(shí)，很難獲得配比的最優(yōu)比例?？梢?jiàn)人工原油調(diào)合很難滿足生產(chǎn)需求。原油管道自動(dòng)優(yōu)化調(diào)合因具有污染小、損耗低、操作方便、安全可靠等優(yōu)點(diǎn)而日益受到重視[3]。

對(duì)于油品調(diào)合優(yōu)化問(wèn)題，廖良才提出了成品油調(diào)合的三類(lèi)優(yōu)化問(wèn)題[4], 薛美盛提出了成品油調(diào)合調(diào)度的混合整數(shù)非線性規(guī)劃模型[5]，黃德先提出一種基于分片線性代理模型的成品油調(diào)合優(yōu)化方法[6]。José等人使用神經(jīng)網(wǎng)絡(luò)對(duì)原油混合系統(tǒng)建模,預(yù)測(cè)混合原油的性質(zhì),取得了較好的實(shí)驗(yàn)結(jié)果[7]。蘭鴻森等人根據(jù)對(duì)原油混煉的研究給出了混合原油的屬性約束，沒(méi)有考慮設(shè)備約束及儲(chǔ)運(yùn)約束[8]；杜祜康建立了原油混合優(yōu)化模型并基于遺傳算法對(duì)其進(jìn)行了研究[9]。這些文獻(xiàn)均采用單目標(biāo)方法對(duì)其進(jìn)行優(yōu)化求解，忽略了油品調(diào)合的多目標(biāo)優(yōu)化本質(zhì)，少有把原油調(diào)合問(wèn)題當(dāng)作多目標(biāo)優(yōu)化問(wèn)題研究。

文章針對(duì)以上背景技術(shù)的缺陷和不足，提出一種原油管道調(diào)合多目標(biāo)優(yōu)化方法。首先，基于3種類(lèi)型的原油調(diào)合規(guī)則庫(kù)、優(yōu)化預(yù)處理及設(shè)備實(shí)際工作能力確定的約束，建立了多原油多性質(zhì)優(yōu)化模型；然后，根據(jù)原油調(diào)合目標(biāo)，基于CAPSO算法過(guò)對(duì)優(yōu)化模型進(jìn)行快速、準(zhǔn)確的優(yōu)化計(jì)算，獲得多種組分原油的最優(yōu)配比。最后，系統(tǒng)實(shí)現(xiàn)了組分原油的高精度配比，調(diào)合出了滿足性質(zhì)要求的原油，有效提高了煉油企業(yè)的生產(chǎn)效率。

1 原油調(diào)合配比優(yōu)化框架

原油調(diào)合配比優(yōu)化框架適用于多種原油調(diào)合最優(yōu)配比運(yùn)算，可以獲得各組分原油質(zhì)量配比，進(jìn)而使目標(biāo)原油多個(gè)性質(zhì)達(dá)到最優(yōu)。

如圖1所示，多原油多性質(zhì)調(diào)合優(yōu)化方法核心內(nèi)容包括調(diào)合規(guī)則庫(kù)、優(yōu)化預(yù)處理、設(shè)備約束、多原油多性質(zhì)優(yōu)化模型及有約束自適應(yīng)粒子群優(yōu)化(CAPSO)。在調(diào)合規(guī)則庫(kù)和設(shè)備約束基礎(chǔ)上建立原油調(diào)合多原油多性質(zhì)優(yōu)化模型，基于有約束自適應(yīng)粒子群優(yōu)化算法，對(duì)優(yōu)化預(yù)處理后的性質(zhì)(或因子)進(jìn)行快速、準(zhǔn)確的優(yōu)化計(jì)算，最終獲得多種組分原油的最優(yōu)配比。

圖1 多原油多性質(zhì)調(diào)合優(yōu)化方法框架圖

2 原油調(diào)合多目標(biāo)優(yōu)化模型

原油管道調(diào)合過(guò)程(Crude Oil Pipeline Blending Process，簡(jiǎn)稱(chēng)COPBP)工藝如圖2所示，n種組分原油經(jīng)摻煉線按比例輸送給靜態(tài)混合器進(jìn)行充分混合，獲得期望性質(zhì)的目標(biāo)原油后進(jìn)入CDU加工處理[10]。

圖2 原油管道調(diào)合工藝過(guò)程

2.1 原油調(diào)合規(guī)則庫(kù)

基于原油調(diào)合后性質(zhì)變化規(guī)律，原油不同性質(zhì)的調(diào)合規(guī)律分為線性、可轉(zhuǎn)換線性及本質(zhì)非線性3種類(lèi)型。

滿足線性調(diào)合規(guī)則的性質(zhì)包括：硫含量、質(zhì)量收率、API密度、酸值、氮含量、鐵含量等，調(diào)合規(guī)則一般表達(dá)式為：

pi=∑pijxj

(1)

式(1)中，pi是原油調(diào)合后第i(i=1,2,…m)個(gè)性質(zhì)大小，pij是第j(j=1,2,…n)種組分原油的第i個(gè)性質(zhì)大小，xj是第j種組分原油質(zhì)量占比。

部分非線性調(diào)合性質(zhì)可進(jìn)行線性轉(zhuǎn)換，如相對(duì)密度、傾點(diǎn)、凝點(diǎn)、軟化度。可先將組分原油性質(zhì)轉(zhuǎn)換為性質(zhì)因子，對(duì)性質(zhì)因子進(jìn)行線性運(yùn)算，然后再由性質(zhì)因子獲得調(diào)合后原油的對(duì)應(yīng)性質(zhì)。如原油相對(duì)密度SG，以其倒數(shù)作為性質(zhì)因子，則調(diào)合規(guī)則為：

(2)

式(2)中，SG表示原油調(diào)合后相對(duì)密度，SGj表示第j種組分原油的相對(duì)密度。

部分性質(zhì)如十六烷、辛烷值等調(diào)合具有非線性，由于調(diào)合效應(yīng)的存在線性運(yùn)算誤差較大，而又無(wú)法轉(zhuǎn)換為性質(zhì)因子進(jìn)行線性運(yùn)算，需采用專(zhuān)用的非線性調(diào)合規(guī)則。若第i個(gè)性質(zhì)是十六烷值，則采用二次非線性回歸模型運(yùn)算，可表示為：

(3)

式(3)中，pij是組分原油j的第i性質(zhì)大小，xj是組分原油j質(zhì)量占比，xt是組分原油t質(zhì)量占比，αjt(t≠j)為調(diào)合組分j與t的調(diào)合效應(yīng)系數(shù)，其大小與正負(fù)反映了不同原油之間的二次項(xiàng)意義下的非線性作用。

2.2 原油靜態(tài)調(diào)合模型

n種組分原油按配方X=[x1,x2,…,xn]∈Rn(xj是組分原油j的質(zhì)量占比)進(jìn)行調(diào)合，可以計(jì)算出目標(biāo)原油的m種性質(zhì)組成的向量Fp(X)=[p1,p2,…,pm]T∈Rm，COPBP靜態(tài)調(diào)合模型表示為:

(4)

式(4)中，AX為線性函數(shù)部分：

(5)

式(5)中，aij代表參與調(diào)合的第j種原油可進(jìn)行線性運(yùn)算的l個(gè)性質(zhì)中的第i個(gè)性質(zhì)大小。G(X)為非線性函數(shù)部分，表示后m-l個(gè)性質(zhì)的非線性調(diào)合運(yùn)算：

(6)

式(6)中，gi(X)(l+1≤i≤m)表示不同非線性調(diào)合規(guī)則。

2.3 優(yōu)化預(yù)處理

首先，先完成原油各調(diào)合性質(zhì)歸一化工作，具體歸一化過(guò)程如下：

設(shè)定優(yōu)化后原油第i個(gè)性質(zhì)pi的范圍上、下限分別為Ugi、Dgi，則歸一化后性質(zhì)：

(7)

(8)

若優(yōu)化性質(zhì)pi滿足非線性調(diào)合規(guī)則，但可轉(zhuǎn)化為線性規(guī)則，則對(duì)該性質(zhì)數(shù)據(jù)按照相應(yīng)轉(zhuǎn)換規(guī)則獲得性質(zhì)因子ai；

(9)

g代表非線性-線性轉(zhuǎn)換函數(shù)。

2.4 設(shè)備約束分析

受組分罐、摻煉線及摻煉泵等原油調(diào)合設(shè)備實(shí)際工作能力限制，優(yōu)化配比必須被限制在調(diào)合設(shè)備的約束范圍內(nèi)。根據(jù)各調(diào)合設(shè)備實(shí)際工作能力，設(shè)定設(shè)備約束大?。?/p>

受原油調(diào)合設(shè)備約束，目標(biāo)原油中第j種原油占比xj上、下限分別記為Uxj和Dxj，則：

(10)

(11)

其中:Ulj、Dlj分別表示與第j種組分原油相對(duì)應(yīng)的摻煉線的流量上、下限；Ufj、Dfj分別表示與第j種組分原油相對(duì)應(yīng)的摻煉線上流量計(jì)的流量上、下限；Ubl、Dbl分別表示與第j種組分原油相對(duì)應(yīng)的摻煉線上k個(gè)摻煉泵中第l個(gè)泵的流量上、下限；GMj為與第j種組分原油相對(duì)應(yīng)的摻煉線連接的原油罐存量，LM為調(diào)合訂單主流量；M為調(diào)合訂單調(diào)合量。

2.5 原油調(diào)合多目標(biāo)優(yōu)化模型

多原油多性質(zhì)調(diào)合問(wèn)題是一個(gè)典型的多目標(biāo)優(yōu)化問(wèn)題。多種原油調(diào)合獲得目標(biāo)原油并優(yōu)化多個(gè)性質(zhì)過(guò)程中，調(diào)合后原油的各性質(zhì)要求之間往往是矛盾的，改善調(diào)合原油一個(gè)目標(biāo)性質(zhì)可能會(huì)引起其他目標(biāo)性質(zhì)性能變差，很難使多個(gè)目標(biāo)性質(zhì)同時(shí)達(dá)到最優(yōu)值、而只能進(jìn)行協(xié)調(diào)和折中處理,在眾多Pareto最優(yōu)解中尋找一個(gè)最終解使得各目標(biāo)都盡可能達(dá)到最優(yōu)。

文章根據(jù)調(diào)合后原油的各目標(biāo)性質(zhì)的重要程度分配相應(yīng)的權(quán)系數(shù)(目標(biāo)性質(zhì)越重要，權(quán)系數(shù)越大)，基于平方和加權(quán)法建立了多原油多性質(zhì)優(yōu)化模型，從而將一個(gè)復(fù)雜的多目標(biāo)問(wèn)題轉(zhuǎn)換為一個(gè)單目標(biāo)優(yōu)化問(wèn)題，避免必須求多個(gè)Pareto最優(yōu)解并在其中尋找最終解的復(fù)雜過(guò)程。采用n種組分原油優(yōu)化調(diào)合m種目標(biāo)性質(zhì)原油的模型記為：

(12)

X=[x1,x2,…,xn]T為n種原油質(zhì)量占比所構(gòu)成的一維向量；其約束條件為：

DX≤X≤UX

(13)

(14)

x1+x2+…+xn=1

(15)

其中:UX=[Ux1,Ux2,…,Uxn]T，DX=[Dx1,Dx2,…,Dxn]T為式(10)和式(11)所確定的設(shè)備約束上、下限；Goal=[g1,g2,…,gm]T，這里gi代表調(diào)合后原油第i個(gè)性質(zhì)因子的優(yōu)化目標(biāo)值，該優(yōu)化目標(biāo)值設(shè)定的范圍上限是Ugi、范圍下限是Dgi、范圍內(nèi)定值是Gi，選擇不同優(yōu)化方式時(shí)，gi分別取對(duì)應(yīng)數(shù)值：Ugi、Dgi及Gi。

3 基于改進(jìn)CAPSO算法的優(yōu)化求解

對(duì)于式(12)所示的原油調(diào)合優(yōu)化模型，其最優(yōu)解求取常用方法有：罰函數(shù)法、可行解法及復(fù)合形法等。但是，罰函數(shù)很難確定，且罰因子趨于無(wú)窮才能得到最優(yōu)解，計(jì)算量大；而采用可行解法不能充分利用不可行解進(jìn)行搜索；若采用復(fù)合形法，則要求給出初始的復(fù)合形，而初始復(fù)合形要求必須在可行域內(nèi)，當(dāng)維數(shù)較高時(shí)，很難獲得初始復(fù)合形。

文章采用基于改進(jìn)有約束自適應(yīng)粒子群(Constrained Adaptive Particle Swarm Optimization,簡(jiǎn)稱(chēng)CAPSO)算法，對(duì)原油調(diào)合優(yōu)化模型(12)進(jìn)行優(yōu)化計(jì)算，獲得多種組分原油的最優(yōu)質(zhì)量配比，該方法無(wú)需給出初始可行解，也不受目標(biāo)函數(shù)和約束方程必須可導(dǎo)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個(gè)粒子中第q個(gè)粒子；t=1,2,…,N，表示N次優(yōu)化中的第t次優(yōu)化；j=1,2,…,n，表示每個(gè)粒子有n個(gè)維度，代表n種原油中的第j種原油。

Xq(t)=[xq1(t),xq2(t),…,xqn(t)]T表示粒子群中第q個(gè)粒子經(jīng)t次優(yōu)化的位置，X=[x1,x2,…,xn]T為n種原油質(zhì)量占比的向量；其中的xqj(t)代表第j種組分原油經(jīng)t次優(yōu)化的質(zhì)量占比。

Vq(t)=[vq1(t),vq2(t),…,vqn(t)]T表示第q個(gè)粒子經(jīng)t次優(yōu)化的速度，代表向量X的變化，其中的vqj(t)代表第j種組分原油經(jīng)t次優(yōu)化的占比變化。

c1、c2為學(xué)習(xí)因子這里均取經(jīng)驗(yàn)值2.0；rand()為區(qū)間在[0,1]上均勻分布的隨機(jī)函數(shù)。

Sq(t)=[sq1(t),sq2(t),…,sqn(t)T表示第q個(gè)粒子經(jīng)t次優(yōu)化先前記憶的最好位置，其中的sqj(t)代表第q個(gè)粒子經(jīng)t次優(yōu)化后先前記憶中的第j種組分原油最好占比。

Sg(t)=[sg1(t),sg2(t),…,sgn(t)]T表示所有粒子經(jīng)t次優(yōu)化先前記憶的最好位置，其中的sgj(t)代表所有粒子經(jīng)t次優(yōu)化后先前記憶的第j種組分原油最好占比。

適應(yīng)函數(shù)取式(12)中的f(X)，則式(16)中慣性系數(shù)e按下式計(jì)算：

e=

(18)

式(18)中，emax、emin分別表示e的最大值和最小值，f(Xq(t))是第q個(gè)粒子的適應(yīng)值；favg(t)、fmin(t)分別表示當(dāng)前所有粒子經(jīng)t次優(yōu)化后當(dāng)前位置的平均適應(yīng)值和最小適應(yīng)值。

定義約束違反度函數(shù)：

(19)

式(19)中，voi(Xq(t))表示第q個(gè)粒子經(jīng)t次優(yōu)化后原油質(zhì)量配比向量違反約束的程度。

3.2 具體步驟

1)初始化粒子群中各粒子速度Vq(0)、位置Xq(0)、個(gè)體極值Sq(0)，全局極值Sg(0)及參數(shù)c1、c2、N；

2)對(duì)粒子群體中P個(gè)粒子任一粒子r，1≤r≤P，執(zhí)行以下操作：

(1)根據(jù)式(16)和式(17)作更新運(yùn)算，獲得該粒子的速度Vr(t+1)和位置Xr(t+1)；

(2)按式(12)計(jì)算粒子r經(jīng)t+1次優(yōu)化后的適應(yīng)值f(Xr(t+1))；

(3)按式(14)計(jì)算粒子r經(jīng)t+1次優(yōu)化后的約束違反度voi(Xr(t+1))；

(4)比較粒子r經(jīng)t+1次優(yōu)化后的位置Xr(t+1)與粒子r經(jīng)t次優(yōu)化后先前記憶的最好位置Sr(t)的優(yōu)劣，獲得該粒子的最優(yōu)位置，方法如下：

當(dāng)voi(Xr(t+1))=0、voi(Sr(t))=0，且f(Xr(t+1))≤f(Sr(t))時(shí)，或者，

當(dāng)voi(Xr(t+1))=0、voi(Sr(t))≠0，且voi(Xr(t+1))≤voi(Sr)時(shí)，或者，

當(dāng)voi(Xr(t+1))≠0，voi(Sr(t))≠0，且voi(Xr(t+1))≤voi(Sr)時(shí)，

將Sr(t+1)=Xr(t+1)；否則，置Sr(t+1)=Sr(t)；

(5)按步驟(4)判斷方法，比較粒子r的最優(yōu)位置Sr(t+1)與原全局極值Sg(t)，若Sr(t+1)優(yōu)于Sg(t)，則Sg(t)=Sr(t+1)；否則Sg(t)不變；

3)將粒子群體中P個(gè)粒子均按步驟(5)與原全局極值Sg(t)比較處理后，得到Sg(t+1)=Sg(t)；

4)計(jì)算經(jīng)t+1次優(yōu)化后粒子群體中P個(gè)粒子當(dāng)前位置的平均適應(yīng)值和最小適應(yīng)值favg(t+1)、fmin(t+1)；

5)比較f(Xr(t+1))和favg(t+1)，根據(jù)式(18)采取相應(yīng)的自適應(yīng)策略，調(diào)整不同粒子的慣性系數(shù)e；

6)若t=N，停止搜索，輸出Sg(N)的位置即為所求n種原油最佳質(zhì)量配比向量，算法結(jié)束；若t

4 投運(yùn)效果

以3種原油調(diào)合優(yōu)化3個(gè)性質(zhì)為例，3種原油(蘇北油、索魯士、錫里)參與調(diào)合，控制3個(gè)線性性質(zhì)(硫含量、石腦油收率、酸值)，其中蘇北油硫含量0.256 3%、石腦油收率6.578 4%、酸值0.254 mgKOH/g，索魯士硫含量3.28%、石腦油收率10.168 6%、酸值0.57 mgKOH/g，錫里油硫含量1.844 2%、石腦油收率20.668 7%、酸值0.093 2 mgKOH/g。3種組分權(quán)重取值0.7：0.2：0.1,即：優(yōu)先考慮硫含量，然后依次考慮石腦油含量、酸值。分別基于本文所提出的優(yōu)化方法與業(yè)界公認(rèn)最完整的原油評(píng)價(jià)數(shù)據(jù)管理系統(tǒng)實(shí)驗(yàn)室H/CAMS方法進(jìn)行調(diào)合優(yōu)化求解情況對(duì)比。

在不同優(yōu)化目標(biāo)下獲得的優(yōu)化配比與調(diào)合后目標(biāo)原油的性質(zhì)如表1所示(部分測(cè)試數(shù)據(jù))。

在上述工藝條件下，增加3個(gè)調(diào)合管道設(shè)計(jì)流量上、下限約束1000～2000 t/h、1500～3000 t/h、1800～3500 t/h；調(diào)合訂單主流速為4400 t/h，則調(diào)合設(shè)備上、下限約束分別為0.2273～0.4545,0.3409～0.6818，0.4091～0.7955。無(wú)設(shè)備約束計(jì)算的優(yōu)化結(jié)果與有設(shè)備約束優(yōu)化結(jié)果對(duì)比如表2所示。

表1 3種原油調(diào)合優(yōu)化3個(gè)線性性質(zhì)情況

可見(jiàn)，在無(wú)設(shè)備約束時(shí)，四組實(shí)驗(yàn)因?yàn)閮?yōu)化范圍不同，優(yōu)化結(jié)果也不同，但加入設(shè)備約束后，由于約束限制，1、2組優(yōu)化結(jié)果相同，3、4組優(yōu)化結(jié)果也相同，部分占比處于約束邊界。

表1給出在有目標(biāo)屬性約束的最優(yōu)解，表2給出在包含設(shè)備約束和目標(biāo)約束條件下的最優(yōu)解。從調(diào)合后的目標(biāo)原油性質(zhì)可見(jiàn)，采用本文提出的多原油多性質(zhì)調(diào)合優(yōu)化方法，可以獲得多種原油調(diào)合的最優(yōu)配比，該配比其與實(shí)驗(yàn)室H/CAMS配比偏差極小(絕對(duì)值小于0.001)，按此比例對(duì)組分原油調(diào)合可達(dá)到最優(yōu)性質(zhì)目標(biāo)。與H/CAMS相比，本文提出的優(yōu)化方法具有更全面的優(yōu)化功能(H/CAMS無(wú)法計(jì)算有設(shè)備約束時(shí)的最優(yōu)配比)，同時(shí)基于本方法開(kāi)發(fā)的優(yōu)化軟件具有獨(dú)立知識(shí)產(chǎn)權(quán)、界面友好、性?xún)r(jià)比高等優(yōu)勢(shì)。

表2 有、無(wú)設(shè)備約束優(yōu)化結(jié)果對(duì)比

5 結(jié)語(yǔ)

將CAPSO用于求解原油管道調(diào)合多目標(biāo)優(yōu)化問(wèn)題，提出了一種多原油多性質(zhì)調(diào)合優(yōu)化方法。該方法在調(diào)合規(guī)則庫(kù)和設(shè)備約束基礎(chǔ)上建立了原油調(diào)合多目標(biāo)優(yōu)化模型，然后基于CAPSO算法，對(duì)優(yōu)化模型進(jìn)行快速、準(zhǔn)確地優(yōu)化計(jì)算，獲得多種組分原油的最優(yōu)配比。該方法成功應(yīng)用于COPBP多種原油多種性質(zhì)調(diào)合優(yōu)化過(guò)程，實(shí)際測(cè)試數(shù)據(jù)表明，應(yīng)用該方法獲得的優(yōu)化配方比采用實(shí)驗(yàn)室H/CAMS軟件的更具優(yōu)勢(shì)，按該配方對(duì)組分原油調(diào)合可達(dá)到最優(yōu)的多目標(biāo)性質(zhì)，從而可以為CDU低成本、高效率提供滿足性質(zhì)要求的原油，避免原油性質(zhì)波動(dòng)給加工裝置帶來(lái)的損害，保證生產(chǎn)安全，提高生產(chǎn)效率。

[1] 許 萍.淺談?dòng)推氛{(diào)合系統(tǒng)的應(yīng)用[J].信息系統(tǒng)工程,2013,(11)：92-93.

[2] 唐衍偉,黃運(yùn)成,楊 婕. 中國(guó)石油進(jìn)口參與國(guó)際定價(jià)的現(xiàn)狀、趨勢(shì)及策略分析[J].資源科學(xué),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] 繆良才,譚躍進(jìn),鄧宏鐘.成品油調(diào)合優(yōu)化模型及其應(yīng)用研究[J].模糊系統(tǒng)與數(shù)學(xué),2003,17(4)：104-110.

[5] 薛美盛,李祖奎,吳 剛,等.成品油調(diào)合調(diào)度優(yōu)化模型及其應(yīng)用[J].石油煉制與化工,2005,36(3)：64-68.

[6] 黃德先,余 冰,高小永,等.基于分片線性代理模型的成品油調(diào)合優(yōu)化[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)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] 蘭鴻森,丁 鋒．基于煉油過(guò)程仿真的原油混煉比優(yōu)化[J]．石油煉制與化工,1997,28(11)：50-54．

[9] 杜祜康,趙英凱.基于遺傳算法的原油混合優(yōu)化研究[J].化工自動(dòng)化及儀表, 2010,37(1):8-10.

[10] 葉彥斐,鄭 源,張勇氣,等.原油管道調(diào)合高精度配比控制系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].江南大學(xué)學(xué)報(bào)(自然科學(xué)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。

南京市自主知識(shí)產(chǎn)權(quán)開(kāi)發(fā)計(jì)劃項(xiàng)目(201604024)；江蘇省博士后基金(1402043C)。

葉彥斐(1974-)，男，江蘇南京人，博士，副教授，主要從事油品調(diào)合技術(shù)、綜合自動(dòng)化系統(tǒng)等方向的研究。

1671-4598(2017)10-0154-04

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

TP273

A