基于特征選擇的常減壓裝置模型及在計劃優(yōu)化中的應(yīng)用

李勇，錢鋒，宋育梅

（1 華東理工大學化工過程先進控制和優(yōu)化技術(shù)教育部重點實驗室，上海200237； 2 中國石化上海石油化工股份有限公司，上海200540）

引 言

原油是由多種不同沸點的烴類及其他物質(zhì)組成的極其復雜的混合物。常減壓裝置將原油分離成各種中間產(chǎn)品，用于下游裝置進一步加工或直接作為最終產(chǎn)品，因此對常減壓裝置進行建模并將其用于生產(chǎn)計劃來提升煉廠的利潤效益極為必要[1-2]。常減壓工藝流程包括初餾、常壓蒸餾和減壓蒸餾三部分組成，基本結(jié)構(gòu)如圖1所示，初餾塔主要去除原油中的輕質(zhì)烴類和水，常壓蒸餾在常壓環(huán)境下將大部分原油分解成幾種產(chǎn)品，減壓蒸餾再利用低壓降低餾分閃蒸點將原油的重端分離成幾種產(chǎn)品[3-4]。

由于原油通常由大量的化合物組成，其化學成分復雜，故采用原油分析的形式對原油進行定性[5-6]。原油分析通過提高沸點溫度，使原油的某些部分蒸發(fā)，此溫度為實沸點（TBP）。若原油能夠?qū)崿F(xiàn)完全切割，則產(chǎn)品組分的TBP 曲線與原油TBP 曲線重疊[7]，但實際上存在很大差異，如圖2 所示。這是由于原油是由多種不同沸點的烴類及其他物質(zhì)組成的混合物，常減壓蒸餾為不完全精餾過程，在原油切割計算時存在誤差，導致產(chǎn)品TBP 曲線與原油TBP 曲線有很大差異。在重切割組分中相鄰輕組分的濃度較高，導致TBP 曲線與原油TBP 曲線距離較大，由于相鄰重組分在輕切割組分中的濃度較低，輕產(chǎn)品的末端與原油TBP 曲線之間的距離較小[8-9]。因此，輕組分的末端和相鄰重組分的前端與原油TBP 曲線的距離并不相等，TBP 蒸餾曲線的中點不在原油TBP 蒸餾曲線上[7]。然而，大部分研究均基于兩個等距假設(shè)：(1)相鄰產(chǎn)品的末端與前端點與原油蒸餾曲線等距；(2)產(chǎn)品蒸餾油曲線的中點位于原油蒸餾曲線上。由于實際過程不滿足此等距假設(shè)，建立不基于此假設(shè)條件的產(chǎn)品TBP 預測曲線具有現(xiàn)實意義[10]。

圖1 常減壓裝置Fig.1 Example crude distillation unit

圖2 常減壓裝置原油切割曲線Fig.2 Crude distillation cutting curve for crude distillation unit

常減壓裝置機理模型能夠準確預測常減壓裝置(CDU)產(chǎn)品收率和性能，Boston 等[11]對精餾塔進行嚴格的塔板間的模擬，是當今預測寬沸點混合物蒸餾過程的基礎(chǔ)，Svrcek 等[12]利用硫含量等特性曲線以及偽組分的混合預測除實沸點曲線外的產(chǎn)品性質(zhì)。除大規(guī)模方程組模型(10000 個方程或更多)來模擬常減壓蒸餾過程，也提出了簡化常減壓裝置模型。Brooks 等[13]介紹了固定收率模型，通過預先設(shè)定蒸餾物切點，得到固定產(chǎn)量的各蒸餾組分，但是存在切點設(shè)置是否最優(yōu)的問題。根據(jù)原油性質(zhì)、工藝約束和營銷策略等條件定義幾種操作模式，每一種模式都有一組預定的切點，切點設(shè)置來自先前生產(chǎn)設(shè)置的經(jīng)驗。Zhang 等[14]介紹了傳統(tǒng)的懸擺切模型，并應(yīng)用在對于相鄰切點之間具有相同實沸點組分的擺動上，Li 等[15]針對傳統(tǒng)的懸擺切模型存在的問題，改進懸擺切的尺寸以及切割組分的性質(zhì)，以原油平均累積產(chǎn)量變化為基礎(chǔ)，考慮了每種切割產(chǎn)品的重量轉(zhuǎn)移比，來改進懸擺切的尺寸，同時基于原油性質(zhì)的回歸模型來計算常減壓蒸餾過程各餾分的辛烷值、API 比重等。Guerra 等[16-17]應(yīng)用此改進的懸擺切模型改進了具有多個工藝單元和產(chǎn)品混合物的中型整體煉油規(guī)劃模型。Menezes 等[18]為了提高傳統(tǒng)懸擺切模型的精度，把每個懸擺切組分切割成輕組分和重組分來更好的預測蒸餾產(chǎn)品的體積和質(zhì)量。除上述固定收率模型和懸擺切模型等線性模型外，近幾年提出了簡單的非線性模型應(yīng)用于常減壓建模的計劃優(yōu)化中，Alattas 等[19]應(yīng)用非線性規(guī)劃方法預測單期煉廠運行計劃問題，利用分餾指數(shù)改進精餾過程的準確性，推導出了一種近似非線性原油蒸餾模型，該模型采用指數(shù)逼近的方法，并提出了在不同操作條件下對原油蒸餾指標進行調(diào)整的建議。Fu 等[20]利用偏最小二乘（PLS）的方法，搭建了一種應(yīng)用到計劃、調(diào)度和實時優(yōu)化的原油蒸餾單元(預閃蒸、常壓和減壓塔)的混合模型，從而消除了在決策過程中模型之間的差異，同時該模型不再基于等距假設(shè)，改進了之前的模型對產(chǎn)品TBP的預測不夠準確的特點。同時Fu等[21]認為不準確的CDU 模型可能導致煉油作業(yè)的成本有很大差異。并通過實驗驗證表明在煉廠的優(yōu)化模型中使用精確CDU 模型可以獲得可觀的經(jīng)濟效益，體現(xiàn)了搭建高精度模型的必要性。

本文提出了一種預測常減壓裝置主要分餾產(chǎn)品實沸點（TBP）曲線的建模方法，針對常減壓裝置機理模型方程多，非線性程度高、不易收斂等問題，同時考慮到現(xiàn)有的常減壓蒸餾過程懸擺切割模型精度不夠，且產(chǎn)品實沸點曲線預測不準確，本文在數(shù)據(jù)建模的基礎(chǔ)上提出常減壓裝置TBP 關(guān)系模型，(1)考慮到輸出產(chǎn)品TBP不僅與原油的TBP、流量、溫度以及塔爐、冷凝器溫度等條件相關(guān)，同時考慮可以利用輸出各百分比TBP 的相關(guān)性，通過構(gòu)建二次項來表征輸入輸出間的非線性關(guān)系，(2)本模型的結(jié)構(gòu)形式通過對非線性方程組求解，得到結(jié)構(gòu)簡單且滿足精度要求的TBP 預測模型，將該模型成為多輸出相互關(guān)系模型，并將該模型應(yīng)用到煉廠計劃優(yōu)化中，并與傳統(tǒng)懸擺切割模型對比。

1 基于隨機森林的回歸模型結(jié)構(gòu)確定方法

1.1 TBP回歸模型結(jié)構(gòu)確定

為預測常減壓裝置各產(chǎn)品TBP 曲線，在建立回歸模型中，預測包括初餾塔Light、Naphtha 組分，常壓塔HNaphtha、Kerosene、Diesel、AGO 組分，減壓塔LVGO、HVGO 組分在內(nèi)的TBP 曲線，除了與原油TBP、原油混合比、常減壓塔的爐溫、蒸汽流量等特征相關(guān)，產(chǎn)品組分TBP 還與相鄰百分比TBP 存在相關(guān)性，與傳統(tǒng)的回歸模型不同的特點在于預測產(chǎn)品某一百分比TBP 時，將產(chǎn)品相鄰百分比的TBP 也作為特征，同時加入二次項、交叉項，模型結(jié)構(gòu)如圖3所示，模型如式(1)所示：

TBPij是常減壓裝置i產(chǎn)品j百分比實沸點，其中常減壓裝置產(chǎn)品i 包括初餾塔Light、Naphtha 組分，常壓塔HNaphtha、Kerosene、Diesel、AGO 組分，減壓塔LVGO、HVGO 組 分。fij函 數(shù) 用TBPa、Tb、Fc和Rmix-ratio各特征表征實沸點TBPij,QAP為常壓裝置中段回流熱負荷。gij函數(shù)用TBPPFfeed和TBPie來表征TBPa，TBPPFfeed是原油實沸點曲線，TBPie為常減壓裝置i產(chǎn)品e百分比實沸點曲線，為TBPij的相鄰百分比TBP。hij函數(shù)用TPFfurn（初餾塔再沸器溫度）、TPFcond（初餾塔冷凝器溫度）、TPFfeed（原油進料溫度）和TPFstr（初餾塔蒸汽溫度）來表征Tb，yij函數(shù)用FPFfeed（原油進料流量）、FAPstr（初餾塔蒸汽流量）和Fss1（側(cè)線蒸汽流量）來表征Fc，Rmix-ratio是原油混合比，TBP2a為TBPa二次項，但在構(gòu)建二次項、交叉項以及特征選擇方面具有一定的隨機性，并非所有的項均是有效特征，因此需要篩選有效特征，簡化模型復雜度。

圖3 TBP模型結(jié)構(gòu)Fig.3 Model structure of TBP

1.2 基于隨機森林的模型結(jié)構(gòu)特征選擇

本文利用隨機森林[22-23]進行特征選擇，特征選擇主要通過一系列規(guī)則，判斷特征重要程度，特征子集相比于原特征集合要小，通過篩選出無關(guān)特征減小模型復雜度，提高數(shù)據(jù)分析效率。隨機森林特征選擇的主要特點：(1)決策樹的生成通過選擇部分樣本及特征，部分程度避免過擬合情況；(2)決策樹的生成隨機選擇樣本和特征，抗噪能力強，性能穩(wěn)定。

針對上述模型特征結(jié)構(gòu)的篩選步驟如下：

(1)采用Bootstrap抽樣從數(shù)據(jù)集中抽取N個訓練集，每個訓練集的大小約為原始數(shù)據(jù)集的2/3，由此訓練集建立分類回歸樹，產(chǎn)生由N 棵決策樹組成的隨機森林；

(2)從式(1)的TBPPFfeed、TBPlight,j、TPFfurn、TPFcode、TPFfeed、TPFstr、FPFfeed、FPFstr及其二次項交叉項等M 個特征中隨機選擇m 個特征，以內(nèi)部節(jié)點Gini 系數(shù)最小原則來進行每棵樹的訓練；

(3)對N 棵決策樹組成的隨機森林對數(shù)據(jù)集中未參與訓練的數(shù)據(jù)回歸，針對變量重要性的評估問題，采用袋外數(shù)據(jù)誤差計算式(1)中M 個特征的重要性，根據(jù)袋外數(shù)據(jù)誤差計算隨機森林中每個決策樹的袋外誤差，然后隨機改變袋外數(shù)據(jù)式(1)中M 個特征中的某一特征，并計算新的袋外誤差，最后特征的重要性由式（2）表示：

特征的變化引起的袋外誤差增加越大，精度減少得越多，說明該變量越重要。因此本文根據(jù)隨機森林算法的特點，對式(1)的所有特征排序，可得到各個特征對結(jié)果預測的貢獻，刪除掉得分較小的特征，以此來簡化模型。

2 基于鯨魚優(yōu)化算法的多輸出相互關(guān)系模型參數(shù)優(yōu)化

2.1 TBP預測回歸模型

通過特征選擇，得到簡化回歸模型，以light 組分TBP95為例，見式(3)：

式中，aij、bij、cij和dij為公式參數(shù)，在實際建模過程中，當預測TBPlight,95時，式(3)回歸模型中的特征TBPlight,s、TBPlight,e均未知，因此，在預測TBPlight,95時，將特征TBPlight,s、TBPlight,e作為未知變量，將TBPa、Tb和Fc公式代入TBPij公式中，將未知變量的參數(shù)設(shè)為bij，特征變量參數(shù)設(shè)為aij，以示區(qū)分，得到式(4)：

依據(jù)上述TBPlight,95推導過程，同理可完成TBPlight,j,j = 0,5,10,30,50,70,90,100 的 推 導 ，將[TBPlight,0,TBPlight,5,…,TBPlight,100]構(gòu)建方程組，等式左邊為包含未知變量的公式，右邊為包含TPFfurn（爐溫）、TBPPFfeed（原油TBP）、TPFcode（冷凝器溫度）等已知變量的公式，把所有的模型聯(lián)立起來，得到如下的方程組：

式 (5) 為 關(guān) 于 TBPlight,j、TBPlight,i、(TBPlight,i)2、TBPlight,s× TBPlight,e等一次項和二次項的非線性方程組，通過方程組求解器求解得到向量的值。與混合模型[7]的模型結(jié)構(gòu)對比，如式(6)所示，該模型結(jié)構(gòu)通過產(chǎn)品TBP 間的相互關(guān)系構(gòu)建方程組模型，求解聯(lián)立的方程組可得到預測組分所有TBP 的值，混合模型則是通過分析各百分比TBP 的不同非線性程度分別搭建模型，對TBP 曲線中段搭建線性模型TBPij，前段和后段添加非線性項TBPdij。從表達形式上，本方法綜合考慮切割產(chǎn)品的實沸點（TBP）與原油TBP、流量、溫度等變量影響，構(gòu)建非線性方程組模型來表征輸入輸出間的關(guān)系,并利用特征選擇方法遴選相關(guān)變量（包括進料性質(zhì)、相鄰TBP 及其二次項等），表達形式更加簡潔。

2.2 模型參數(shù)優(yōu)化

利用式(5)所示構(gòu)建方程組的形式描述輸入輸出間的關(guān)系，用機理模型數(shù)據(jù)對模型進行訓練，得到方程組模型存在偏差，若直接對方程組求解，由于等式兩端存在偏差且需把部分變量當作未知變量，導致求解結(jié)果不夠精確，因此利用鯨魚優(yōu)化算法對式(5)的矩陣B與常數(shù)項b進行參數(shù)優(yōu)化。

2.2.1 鯨魚優(yōu)化算法 鯨魚優(yōu)化算法(whale optimization algorithm, WOA)是Mirjdlili 等[24]提 出 的一種新的群體智能優(yōu)化算法，其優(yōu)點在于操作簡單，調(diào)整的參數(shù)少以及跳出局部最優(yōu)的能力強[25]。主要步驟如下：

(1)包圍獵物 座頭鯨在狩獵時要包圍獵物，個體與獵物間距離的數(shù)學模型如下：

式中，D 為當前個體與獵物間距離，X*(t)表示當前最優(yōu)的鯨魚位置向量，X(t)表示當前鯨魚的位置向量，A和C為向量系數(shù)，由式(9)、式(10)得出

式中，a 在[0,2]范圍內(nèi)迭代線性下降，r為[0,1]隨機變量。

(2)狩獵行為 根據(jù)鯨魚和獵物的位置建立螺旋運動方程，將狩獵行為的描述成如下數(shù)學模型:

式中，Dp= |X*(t) - X(t)|表示最優(yōu)的鯨魚位置和獵物(當前最優(yōu)解)距離，X*(t)表示當前最優(yōu)的鯨魚位置向量。

鯨魚以螺旋形狀游向獵物的同時還要收縮包圍圈，根據(jù)此兩種行為，其數(shù)學模型如下

式中，pi是(0,1)中的任意值，取0.5。除此以外，鯨魚還會隨機搜索獵物。

(3) 搜索獵物 在搜索獵物時，其數(shù)學模型如下：

式中，Xrand是隨機位置向量，算法設(shè)定當|A|≥1時，使WOA算法能夠進行全局隨機搜索。

2.2.2 目標函數(shù) 本優(yōu)化算法以目標函數(shù)適應(yīng)度值最小為原則，目標函數(shù)為該產(chǎn)品TBP 的預測值與真實值的均方根誤差，通過判斷是否達到最大循環(huán)迭代次數(shù)為循環(huán)終止條件，在模型矩陣參數(shù)優(yōu)化中，目標函數(shù)定義為：

3 常減壓裝置模型仿真分析

為了對初餾塔、常壓塔和減壓塔的產(chǎn)品組分TBP進行預測，由于工業(yè)現(xiàn)場采集數(shù)據(jù)較困難，存在測量不準，物料不平衡，有大量異常值缺失值的問題，本文利用Aspen plus[26]來采集樣本數(shù)據(jù)，流程圖如圖4所示。樣本采集采用拉丁超立方抽樣的方法選取樣本點，得到1200組數(shù)據(jù)，建模過程用其中900組數(shù)據(jù)作為訓練樣本，300組作為測試樣本。

以TBPlight,95(light 組分TBP95)組分為例，通過隨機森林的式(2)得到各個特征權(quán)重如表1所示，從表1中可以看出，對light 組分變量TBPlight,95影響權(quán)重最大的為該組分相鄰百分比TBPlight,s, s = 70,90,TBPlight,e, e = 100及其二次項和交叉項，TBPPFfeed,s對產(chǎn)品性質(zhì)影響次之，同時TPFcond、TPFfurn等裝置的操作變量、FPFfeed和Rmix-ratio對產(chǎn)品預測也有較大影響，并根據(jù)此來預測篩選掉(TBPlight,e)2, e = 0,5,10,30,50 等不相鄰組分的二次項，等原油重端實沸點，TPFfeed、TPFstr等進料溫度影響不大的特征。

表1 隨機森林算法選出的權(quán)重排序特征變量Table 1 Weights sort features by Randomforest

圖4 常減壓裝置流程圖Fig.4 Crude distillation cutting curve flowsheet

圖5 PF-Light組分參數(shù)優(yōu)化Fig.5 The parameter optimization of PF-Light

經(jīng)過特征選擇篩選輸入輸出變量及其二次項和交叉項，然后將模型構(gòu)建成方程組模型的形式并利用優(yōu)化算法對模型參數(shù)進行優(yōu)化，以PF-Light(初餾塔輕組分)TBP 模型為例，式(5)中A 矩陣的常數(shù)項參數(shù)變化曲線如圖5 所示，參數(shù)的變化趨勢大體一致，在200次迭代以后參數(shù)的變化趨勢與之前相反，可見優(yōu)化算法跳出局部最優(yōu)，尋找到更優(yōu)的參數(shù)。將優(yōu)化過的參數(shù)應(yīng)用到方程組模型公式(5)中，以此得到預測產(chǎn)品PF-Light(初餾塔輕組分)TBP 曲線的最終的模型。

常減壓裝置的建模過程包括以機理模型的采樣產(chǎn)生數(shù)據(jù)集，利用采樣數(shù)據(jù)集構(gòu)建回歸模型，針對模型中的一次、二次項特征進行特征選擇，簡化后的模型構(gòu)建方程組，并通過鯨魚優(yōu)化算法優(yōu)化參數(shù)。接下來，將以機理模型的采樣產(chǎn)生的數(shù)據(jù)作為標準，由于目前常減壓裝置的模型大部分為線性模型，同時式(6)的混合模型[7]為目前常減壓裝置兼顧計算效率與預測精度的最優(yōu)模型，將該模型的精度與線性模型、混合模型結(jié)果對比，以平均絕對百分比誤差(mean absolute percentage error,MAPE)作為評價指標，其中MAPE表示為式(16):

從圖6 可以看出，多輸出相互關(guān)系模型預測結(jié)果在TBP 曲線中段更接近機理模型的TBP 曲線，在前段和末端與混合模型差距較小，經(jīng)分析，本模型采用方程組的形式，統(tǒng)一對所有預測變量求解，并通過相鄰TBP 間相互表征，使得預測精度更高。而混合模型對TBP 曲線中段采用線性模型，對前段和末端添加非線性項，模型預測精度不夠。從表2 的平均絕對百分比誤差此衡量指標明顯發(fā)現(xiàn)，本模型誤差要明顯小于線性模型和混合模型，以PFNaphtha各百分比TBP對比為例，本模型建模結(jié)果的平均絕對百分比誤差比混合模型平均絕對百分比誤差降低了3.4 個百分點，比線性模型降低了4.8 個百分點，可見，該模型在預測產(chǎn)品TBP 曲線時更加精確。

圖6 組分TBP預測對比Fig.6 Compared with hybrid model result and true result

經(jīng)分析，在建模特征選擇上，混合模型[7]在建模過程中加入切點溫度、每種組分的累計切割寬度，進料密度、汽化熱，組分比熱容等特征來進行建模，本文所述方法則在預測產(chǎn)品的某一TBP 曲線時，不僅關(guān)聯(lián)原油的TBP、流量、溫度以及塔爐、冷凝器溫度等條件，同時考慮利用輸出各百分比TBP 的相關(guān)性，通過構(gòu)建二次項來表征輸入輸出間的非線性關(guān)系，提高模型精度。此外，混合模型需要先對產(chǎn)品的TBP 進行線性預測，再對前后端的非線性部分進行補全，不能有效保證模型精度；多輸出相互關(guān)系模型的結(jié)構(gòu)形式通過對聯(lián)立方程組求解，可同時得到方程組內(nèi)所有未知變量值，并利用鯨魚優(yōu)化算法進一步優(yōu)化參數(shù)，求解方便，收斂性好且精度更高。

4 常減壓模型在煉廠計劃優(yōu)化中的應(yīng)用

煉廠生產(chǎn)計劃的目標為生產(chǎn)利潤最大化，傳統(tǒng)的煉廠生產(chǎn)計劃為線性模型，存在無法修正反饋煉廠生產(chǎn)過程，預測精度不夠等問題[27-28]，故本文將搭建的非線性常減壓模型應(yīng)用到煉廠計劃優(yōu)化中，并與傳統(tǒng)懸擺切割模型對比，在保證模型收斂性和求解效率的基礎(chǔ)上，提升計劃優(yōu)化的準確度,同時提高系統(tǒng)對擾動的快速估計,以及對目標的無差別調(diào)節(jié)[29-30]。

本計劃優(yōu)化模型涉及裝置為常減壓裝置和催化重整裝置，常減壓裝置生產(chǎn)得到的石腦油，作為催化重整裝置二次加工原料，經(jīng)催化重整加工得到高辛烷值汽油和芳烴。本計劃優(yōu)化模型的目標函數(shù)為

本目標函數(shù)為驗證多輸出相互關(guān)系模型在計劃優(yōu)化中的應(yīng)用，故簡化計劃優(yōu)化過程的復雜度，約束混合原油在進入常壓裝置的流量以及常壓裝置用于側(cè)線產(chǎn)品的比例是固定的，此約束可使得混合原油進料量和TBP 與側(cè)線產(chǎn)品直接相關(guān)，α 為固定比例，取值0.8。FRG為普通汽油產(chǎn)品流量，F(xiàn)PG為優(yōu)質(zhì)汽油產(chǎn)品流量，此兩類產(chǎn)品由催化重整裝置生產(chǎn)。FKer、FDie分別為煤油和柴油常壓裝置側(cè)線產(chǎn)品流量。CRG、CPG、CKer、CDie為各側(cè)線產(chǎn)品價格,Coil1、Coil2為兩種原油價格，原油和產(chǎn)品價格見表3，F(xiàn)PFfeed為混合原油進料量，Rmix-ratio為兩原油混合比例。QAPfur為常壓裝置中段回流熱負荷，MMBtu·h-1(百萬英熱每小時)；單位功耗費用為5.395× 103USD，CCR為催化重整過程的操作費用，為2.6 USD·bbl-1[1 bbl 代表1桶，1 bbl=137 kg（全球平均）]，與FHnaphtha（石腦油組分流量）相關(guān)。

表3 產(chǎn)品和原油定價［15］Table 3 Product and crude oil price

表4 決策變量約束Table 4 Decision variables constraints

針對式（17）目標函數(shù)的計劃優(yōu)化問題，采用IPOPT 求解器求解，將求解得到的計劃排產(chǎn)結(jié)果中各產(chǎn)品收率和石腦油的實沸點曲線與懸擺切割模型尋優(yōu)結(jié)果對比，產(chǎn)品產(chǎn)率和產(chǎn)品TBP 曲線對比分別如表5 和表6 所示。本文將同操作條件下的Aspen 模擬結(jié)果看作為實際值，用來驗證基于本文常減壓模型的計劃模型的準確性。

從表5 產(chǎn)品產(chǎn)率和表6 的實沸點曲線對比看出，針對多種側(cè)線組分，本文計劃模型一方面可以平衡各產(chǎn)品產(chǎn)率，生產(chǎn)出價格更高的產(chǎn)品普通汽油（RG）和優(yōu)質(zhì)汽油（PG），證明了非線性模型的優(yōu)勢。另一方面，與Aspen模型結(jié)果對比，本文計劃模型獲得的產(chǎn)品收率和實沸點曲線更接近相同操作條件下的實際結(jié)果。因此，當其作為二次原料進入催化重整裝置時，對優(yōu)質(zhì)汽油和普通汽油的產(chǎn)量預測更準確。由表4 的決策變量約束以及表7 決策變量前后變化的結(jié)果看出，原油1 定價更低，在混合比0.2∶0.8 情況下，可生產(chǎn)更多普通汽油，故原油配比優(yōu)化為0.2∶0.8，同時常壓裝置中段回流熱負荷能優(yōu)化到最低。基于上述原因，本模型與傳統(tǒng)懸擺切割模型在計劃優(yōu)化中的對比，利潤平均提高5×104USD。

表5 產(chǎn)品產(chǎn)率對比Table 5 Product yield comparison

表6 AP-HNaphtha實沸點對比Table 6 AP-HNaphtha TBP comparison

表7 決策變量前后變化Table 7 Before and after changes in decision variables

5 結(jié) 論

本文提出了一種考慮相鄰TBP 性質(zhì)的常減壓模型，利用輸出變量相鄰百分比TBP 的相關(guān)性，通過構(gòu)建二次項來表征輸入輸出間的非線性關(guān)系，以此搭建常減壓模型，通過隨機森林算法進行特征選擇，篩選相關(guān)性高的特征，利用鯨魚優(yōu)化算法優(yōu)化模型參數(shù)，提高模型精度。此常減壓模型不僅表示相鄰TBP 的相互關(guān)系，而且利用相鄰TBP 來相互表征，可降低模型復雜性，在后期通過求解方程組即可求得其值。

多輸出相互關(guān)系模型一方面可解決常減壓裝置機理模型方程多，非線性程度高，不易收斂等問題，另一方面解決現(xiàn)有的常減壓蒸餾過程的建模過程中懸擺切割模型精度不夠、產(chǎn)品實沸點曲線預測不準確的問題，并將煉廠生產(chǎn)計劃中的多輸出相互關(guān)系模型與傳統(tǒng)的懸擺切割模型對比，得到模型生產(chǎn)利潤結(jié)果。