汽油在線調(diào)合配方優(yōu)化技術(shù)研究進展

張立博，張 蕾，王雁君，邱建章，房 韡

（中國石化 石油化工科學研究院，北京 100083）

隨著環(huán)保要求日趨嚴格，我國汽油標準已升級到國Ⅵ，除辛烷值和硫含量外，對烯烴、芳烴等的含量均有更嚴格的要求。國內(nèi)煉廠汽油池主要包括催化裂化精制汽油、重整汽油、烷基化汽油、甲基叔丁基醚（MТBE）、抽余油和石腦油等組分，如何利用現(xiàn)有組分降低成本，最大限度實現(xiàn)汽油質(zhì)量指標卡邊控制及提高一次調(diào)合成功率，是煉廠汽油調(diào)合技術(shù)的發(fā)展目標。

早期，多數(shù)煉廠采用罐調(diào)方式進行汽油調(diào)合，整個調(diào)合過程復(fù)雜耗時，且一次調(diào)合的成功率低。在線調(diào)合技術(shù)基于管道調(diào)合工藝，結(jié)合在線調(diào)合優(yōu)化控制技術(shù)和在線分析技術(shù)，能減少調(diào)合罐數(shù)量，調(diào)合組分可以在線互補，精準控制調(diào)合比例，可同時調(diào)合多牌號產(chǎn)品，且一次調(diào)合的成功率高，彌補了罐調(diào)方式的不足。目前，罐調(diào)技術(shù)已逐步被在線調(diào)合技術(shù)所取代。國外多家公司的汽油在線調(diào)合技術(shù)已在國內(nèi)煉廠成功實施，如美國Honeуwell公司、日本Yokogawa公司、英國AVEVA公司等[1-5]。Yokogawa公司開發(fā)的汽油在線調(diào)合系統(tǒng)可自動進行批量管道調(diào)合操作，實現(xiàn)配方優(yōu)化功能和產(chǎn)品質(zhì)量屬性控制[3]。Honeуwell公司的 SуmphoniteТMBLEND汽油調(diào)合系統(tǒng)使用非線性求解算法，可進行多周期優(yōu)化[4]。國內(nèi)部分煉廠的儀表自動化基礎(chǔ)較差，基礎(chǔ)設(shè)施與國外軟件功能設(shè)計不匹配，難以實現(xiàn)國外軟件的全部功能。而且部分煉廠加工原油的種類和汽油組分生產(chǎn)工藝變化頻繁，調(diào)合模型后期維護量大，維護費用高。因此，國外軟件在國內(nèi)市場面臨移植性差、長周期運行維護成本高等難題[6]。中國石化石油化工科學研究院（簡稱石科院）、中國科學院自動化所、浙江中控技術(shù)股份有限公司等單位自主研發(fā)的在線調(diào)合技術(shù)基于國內(nèi)煉廠的實際情況，可實現(xiàn)離線調(diào)合和在線調(diào)合功能，提供多產(chǎn)品、多牌號、多周期的調(diào)合計劃和調(diào)度優(yōu)化，已在國內(nèi)多家煉廠應(yīng)用[7-10]。雖然國內(nèi)外汽油在線調(diào)合技術(shù)已實現(xiàn)工業(yè)應(yīng)用，但均面臨調(diào)合模型維護頻繁等難題，調(diào)合系統(tǒng)難以實時獲取最優(yōu)調(diào)合配方。汽油在線調(diào)合技術(shù)的關(guān)鍵在于如何準確快速地獲取最優(yōu)調(diào)合配方，而配方優(yōu)化過程主要受調(diào)合規(guī)則和調(diào)合過程模型的優(yōu)化求解影響。

本文從經(jīng)驗回歸到分子水平介紹了核心調(diào)合規(guī)則——辛烷值非線性調(diào)合規(guī)則的發(fā)展歷程，從傳統(tǒng)的梯度信息化求解到啟發(fā)式求解，闡述了調(diào)合過程模型優(yōu)化求解方法的研究進展。

1 汽油在線調(diào)合系統(tǒng)

汽油在線調(diào)合系統(tǒng)包括汽油在線質(zhì)量分析、調(diào)合優(yōu)化與控制、管道調(diào)合工藝設(shè)備與儀表控制等子系統(tǒng)，汽油在線調(diào)合系統(tǒng)的示意圖見圖1。

圖1 汽油在線調(diào)合系統(tǒng)的示意圖Fig.1 Тhe gasoline on-line blending sуstem.

調(diào)合組分油通過輸油管道在調(diào)合頭（靜態(tài)混合器）有效混合，優(yōu)化與控制系統(tǒng)依據(jù)在線分析數(shù)據(jù)實時計算并控制各組分比例進行配方優(yōu)化，在保證產(chǎn)品質(zhì)量合格的前提下實現(xiàn)質(zhì)量過剩最小化或調(diào)合效益最大化。

在線調(diào)合技術(shù)框架可分為離線配方優(yōu)化、在線優(yōu)化和常規(guī)控制三個模塊，汽油調(diào)合技術(shù)路線見圖2。離線配方優(yōu)化是指考慮市場需求和組分罐及產(chǎn)品罐庫存情況，基于調(diào)合規(guī)則進行模型優(yōu)化得出初始配方；在線優(yōu)化是指采用非線性預(yù)測模型，以離線配方優(yōu)化方式得到的初始配方為基礎(chǔ)，根據(jù)在線分析的反饋信息，實時動態(tài)優(yōu)化調(diào)合配方；常規(guī)控制是指通過集散控制系統(tǒng)執(zhí)行在線優(yōu)化指令。

圖2 汽油調(diào)合技術(shù)路線Fig.2 Тhe technical route of gasoline blending.

2 汽油在線調(diào)合配方優(yōu)化技術(shù)

汽油調(diào)合過程中，考慮調(diào)合組分和產(chǎn)品質(zhì)量指標、產(chǎn)品價格等因素，以生產(chǎn)能力最大化或者效益最大化為目標。由于一些非線性的調(diào)合規(guī)則（如辛烷值調(diào)合規(guī)則）以及調(diào)合過程的連續(xù)性，描述汽油調(diào)合過程的數(shù)學模型實質(zhì)上是一個非線性規(guī)劃問題，汽油調(diào)合配方優(yōu)化求解問題可以歸納為非線性函數(shù)優(yōu)化問題。

以生產(chǎn)效益（即調(diào)合利潤）最大化為目標函數(shù)，式（1）為調(diào)合利潤目標函數(shù)，式（2）為表示辛烷值等質(zhì)量指標約束、組分用量和工藝條件等約束條件的系列不等式方程。

式中，profit為調(diào)合利潤；pi為成品油i的市場價格；Yi為成品油i的產(chǎn)量；cj為組分油j的成本價格；Xj為組分油j的使用量；n，m分別指成品汽油和組分油的種類；gt（x）為約束條件。

實現(xiàn)汽油在線調(diào)合配方最優(yōu)化，首先要建立精準的汽油調(diào)合規(guī)則，為調(diào)合產(chǎn)品性質(zhì)預(yù)測提供準確指導，然后基于調(diào)合過程建立模型并求解，準確快速求取全局最優(yōu)解，實現(xiàn)調(diào)合利潤最大化。因此，精準的調(diào)合規(guī)則和模型求解優(yōu)化是汽油在線調(diào)合技術(shù)發(fā)展的核心。

2.1 汽油調(diào)合規(guī)則進展

汽油調(diào)合規(guī)則描述各調(diào)合組分性質(zhì)與調(diào)合產(chǎn)品性質(zhì)的關(guān)系，分為線性關(guān)系或非線性關(guān)系。汽油質(zhì)量的主要控制指標包括辛烷值、餾程、苯含量、硫含量、蒸氣壓、烯烴含量、芳烴含量、腐蝕性能等。其中，辛烷值、蒸氣壓和餾程等具有明顯的非線性調(diào)合效應(yīng)，其余均可視為線性關(guān)系。辛烷值作為重要的非線性指標直接影響產(chǎn)品質(zhì)量和效益。因此，建立準確的辛烷值預(yù)測模型至關(guān)重要。

2.1.1 辛烷值調(diào)合規(guī)則

成品汽油的辛烷值并不是組分油辛烷值的簡單疊加。組分油中的芳烴與烯烴的敏感度較高，因此，調(diào)合過程中組分油之間存在復(fù)雜的調(diào)合效應(yīng)，簡單的線性調(diào)合模型不足以準確描述。辛烷值模型的發(fā)展主要圍繞解決調(diào)合辛烷值產(chǎn)生非線性的原因以及用數(shù)學形式描述這些非線性關(guān)系兩個方向。早期研究主要采用數(shù)據(jù)回歸分析建立辛烷值經(jīng)驗?zāi)Ｐ?，至今仍在廣泛使用。機器學習算法出現(xiàn)后，開辟了不考慮非線性因素產(chǎn)生的原因直接利用數(shù)據(jù)學習預(yù)測辛烷值的新思路。另外，也有研究基于分子水平探索調(diào)合過程中辛烷值非線性產(chǎn)生原因，以期建立分子水平調(diào)合規(guī)則。機器學習算法與分子水平調(diào)合規(guī)則尚不能進行工業(yè)應(yīng)用，但已取得的研究成果為工業(yè)應(yīng)用奠定了基礎(chǔ)。

2.1.1.1 半經(jīng)驗半機理模型

從調(diào)合辛烷值非線性原因出發(fā)建立含可變參數(shù)的模型，利用已有實驗數(shù)據(jù)（如調(diào)合組分組成、辛烷值等）回歸分析得到具有一定適用范圍的非線性回歸方程。Zahed等[11]利用回歸分析方法建立了5個變量的經(jīng)驗?zāi)Ｐ?，與實驗值平均偏差為0.54%。Stewart[12]以烯烴組分作為調(diào)合非線性因素，提出4參數(shù)多組分汽油調(diào)合模型，該模型需要各組分油的芳烴、烴、不飽和烴的體積分數(shù)，且該模型缺少實際應(yīng)用實例，精度還有待考證。Healу等[13]以烯烴和芳烴組分作為調(diào)合非線性因素，提出6參數(shù)的多元汽油調(diào)合辛烷值估算方程——Ethуl RТ-70模型，該模型也常作為其他辛烷值新模型對比的標準。

除將調(diào)合非線性因素直接參數(shù)化建立辛烷值調(diào)合模型外，還有考慮兩種汽油調(diào)合組分間的相互作用，在調(diào)合組分辛烷值體積平均值的基礎(chǔ)上，增加各組分間的相互作用項來表示辛烷值非線性調(diào)合行為的交互法模型，該模型的應(yīng)用較為廣泛。Тwu等[14]基于烴類混合物的混合機理，利用回歸關(guān)聯(lián)的方法得到汽油餾分間的二元交互作用參數(shù)，用于預(yù)測汽油調(diào)合的辛烷值。陳新志[15]研究了溶液混合過程中熱力學性質(zhì)的變化，利用二元組分相互作用參數(shù)推算多元性質(zhì)，提出了適用于組分油為MТBE、重整汽油、烷基化油、直餾汽油和催化裂化汽油體系的辛烷值模型。此外，還可利用調(diào)合組分的性質(zhì)信息（需要各組分的研究法辛烷值，馬達法辛烷值，組分油濃度，烯烴、芳烴和飽和烴組成等原料性質(zhì)信息），將調(diào)合過程的非線性問題轉(zhuǎn)化成線性問題進行處理，但所需信息較多，使其實際應(yīng)用受限[16]。

半經(jīng)驗半機理模型基于大量的實驗室調(diào)合數(shù)據(jù)，在某種范圍內(nèi)可以相對準確地預(yù)測辛烷值，但存在計算過程復(fù)雜、回歸數(shù)據(jù)樣本需求多、參數(shù)多且某些參數(shù)難確定等問題。當前商業(yè)汽油調(diào)合軟件并未對外公布調(diào)合規(guī)則的詳細信息，但調(diào)合規(guī)則主要應(yīng)為半經(jīng)驗半機理模型，只是不同的商業(yè)軟件有特有的模型修正方法或數(shù)據(jù)處理技術(shù)。

2.1.1.2 機器學習算法建模

汽油調(diào)合過程中，辛烷值調(diào)合非線性關(guān)系的詳細機理并不完全清晰，機器學習算法模型不需要考慮機理，只需以調(diào)合實驗數(shù)據(jù)為樣本，通過算法不斷學習，逐步完善，建立一個可預(yù)測的汽油辛烷值黑箱模型。

神經(jīng)網(wǎng)絡(luò)算法和支持向量機回歸算法均被用于預(yù)測調(diào)合汽油的辛烷值[17-24]。神經(jīng)網(wǎng)絡(luò)算法應(yīng)用較多（見圖3）?；跈C器學習算法預(yù)測調(diào)合辛烷值，預(yù)測的準確性與樣本數(shù)量存在一定關(guān)系。孫忠超等[18]利用BP神經(jīng)網(wǎng)絡(luò)算法和支持向量機回歸算法對催化裂化汽油的辛烷值建立了37個變量的非線性數(shù)學模型，他們發(fā)現(xiàn)隨樣本量的增多，兩種算法的準確性增加、模型泛化能力增強、辛烷值預(yù)測誤差減小。此外，3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型可在預(yù)測辛烷值的同時預(yù)測調(diào)合汽油的密度、初餾點等性質(zhì)，但建模過程復(fù)雜，需要大量歷史數(shù)據(jù)且應(yīng)用性差[22-23]。

圖3 神經(jīng)網(wǎng)絡(luò)預(yù)測辛烷值模型Fig.3 Тhe prediction model of octane number bу neutral network.

機器學習算法建模無需給出固定的模型數(shù)學表達式，且在數(shù)據(jù)樣本范圍內(nèi)精度較高，但對于數(shù)據(jù)樣本量小的情況，模型參數(shù)準確性不高。機器學習算法自身也存在一定的不足，如BP神經(jīng)網(wǎng)絡(luò)算法的權(quán)值和閾值優(yōu)化采用的是基于梯度的算法，因而易陷入局部最優(yōu)點。此外，不同煉廠加工的油品種類和性質(zhì)差異較大，機器學習算法建立的調(diào)合規(guī)則面臨移植性差、建模樣本數(shù)據(jù)需求量大、維護困難等問題。

2.1.1.3 分子水平調(diào)合模型

建立分子水平調(diào)合規(guī)則，將汽油看作烴類化合物的理想混合體系，可直接通過分析汽油試樣分子組成預(yù)測辛烷值等性質(zhì)[8]，從源頭上解決辛烷值模型參數(shù)修正等問題。分子水平預(yù)測汽油辛烷值路線見圖4。已有研究從分析調(diào)合組分油單體烴組成出發(fā)，調(diào)合出高辛烷值汽油[25]。Liu[26]提出了改進的分子類型同源序列方法，發(fā)現(xiàn)分子組成對關(guān)鍵性質(zhì)（如辛烷值、蒸氣壓等）影響顯著，并在配方優(yōu)化過程中驗證了調(diào)合模型的準確性。桂曉嬌等[27]以汽油餾分的488種烴分子及含氧化合物為基礎(chǔ)，建立了一種基于Ghosh RON模型的改進分子組成辛烷值預(yù)測模型，該模型預(yù)測較為準確且不受調(diào)合組分性質(zhì)等限制。適用性廣、準確性高的分子水平調(diào)合規(guī)則的建立，需要采集大批量、多類型的汽油調(diào)合組分和成品汽油，對汽油進行詳細組成分析并建 立分子水平數(shù)據(jù)庫。

圖4 分子水平預(yù)測汽油辛烷值路線Fig.4 Тhe predicting route of octane number on molecular level.

汽油辛烷值調(diào)合規(guī)則為典型的非線性模型，并未有詳細的機理模型。單一的數(shù)據(jù)回歸算法和機器學習算法所建立的辛烷值調(diào)合規(guī)則并未考慮非線性機理，主要依賴實驗數(shù)據(jù)，調(diào)合規(guī)則適用范圍受限。半經(jīng)驗半機理模型可以兼顧一定的非線性機理，機理模型難以描述的部分使用經(jīng)驗參數(shù)代替，常用的半經(jīng)驗半機理模型參數(shù)一般由定量的實驗數(shù)據(jù)回歸得到。隨企業(yè)汽油調(diào)合數(shù)據(jù)的積累和挖掘，深度融合機理建模和數(shù)據(jù)驅(qū)動建模的混合建模方法是未來汽油辛烷值調(diào)合規(guī)則發(fā)展的重點方向。目前，采用深度融合機理建模和數(shù)據(jù)驅(qū)動建模的混合建模方法在石化生產(chǎn)過程中應(yīng)用較多[28-29]，而汽油辛烷值調(diào)合規(guī)則混合建模的報道很少。殳越[30]借鑒了乙基模型，考慮了烯烴含量、芳烴含量以及敏感度對調(diào)合辛烷值的影響，提出了用可變調(diào)合效應(yīng)對辛烷值進行補償，可變調(diào)合效應(yīng)值可基于調(diào)合數(shù)據(jù)回歸預(yù)測得到。

2.1.2 調(diào)合規(guī)則參數(shù)優(yōu)化

為保持調(diào)合規(guī)則的精度，在線調(diào)合過程中需使用偏差更新方法，對調(diào)合規(guī)則的參數(shù)進行實時校正，以消除測量誤差、組分質(zhì)量波動等因素的影響。常規(guī)的偏差更新方法是通過實時修改調(diào)合模型預(yù)測值與實測值之間的偏差對優(yōu)化過程予以校正，以維持調(diào)合模型的精度。如基于辛烷值調(diào)合效應(yīng)模型，通過遞推最小二乘算法實現(xiàn)辛烷值性質(zhì)的實時更新，即根據(jù)實際調(diào)合配方，自動計算組分油辛烷值的偏差補償，保證模型的適用范圍[8]。但在組分油性質(zhì)波動的情況下，偏差補償?shù)姆椒o論采用線性規(guī)劃算法還是非線性規(guī)劃算法求解，均難以準確獲得最優(yōu)配方，適用范圍受限[31]。

調(diào)合規(guī)則模型參數(shù)可通過機器學習算法實現(xiàn)在線優(yōu)化。沈陽自動化研究所[32]基于陳新志提出的辛烷值模型，通過比較實際辛烷值與計算辛烷值的誤差，用機器學習算法對模型參數(shù)進行智能化調(diào)整，以取得調(diào)合生產(chǎn)最大利潤率，但調(diào)合規(guī)則模型參數(shù)在線優(yōu)化的準確性和實用性還有待驗證。

2.2 調(diào)合過程模型求解優(yōu)化

汽油調(diào)合優(yōu)化是一個涉及物料平衡約束、非線性指標約束（如辛烷值調(diào)合規(guī)則）的復(fù)雜非線性規(guī)劃問題，快速求取調(diào)合過程模型全局最優(yōu)解對實現(xiàn)在線調(diào)合過程效益最大化至關(guān)重要。調(diào)合過程模型求解實質(zhì)上為約束非線性規(guī)劃求解問題，目前主要基于迭代法求解，逐步逼近最優(yōu)解。常用方法是將有約束優(yōu)化問題無約束化，如Lagrange-Newton法、逐步二次規(guī)劃法（SQP算法）、懲罰函數(shù)法等；但將有約束優(yōu)化問題轉(zhuǎn)化成一系列無約束優(yōu)化問題，計算量大且收斂速度慢，難以得到精確解。SQP算法存在相容性問題，即原問題有解，轉(zhuǎn)化為二次規(guī)劃子問題卻無解；懲罰函數(shù)法的懲罰因子值在非常大的情況下才能夠很好地逼近原問題的最優(yōu)解，但由于存在誤差，這樣的計算在理論上無法達到收斂值。

汽油調(diào)合過程模型優(yōu)化求解流程見圖5?？衫脗鹘y(tǒng)算法和啟發(fā)式算法求解調(diào)合過程模型，但汽油調(diào)合過程模型優(yōu)化求解算法的選擇與模型形式有關(guān)。若調(diào)合規(guī)則均為線性模型，則可采用線性規(guī)劃方法進行求解；若調(diào)合過程模型涉及神經(jīng)網(wǎng)絡(luò)模型，如辛烷值調(diào)合規(guī)則采用神經(jīng)網(wǎng)絡(luò)方法建模，整個調(diào)合過程模型優(yōu)化求解就不能考慮梯度信息化的優(yōu)化算法，但可采用啟發(fā)式算法進行求解。單一批次在線調(diào)合過程中，求解在物料平衡約束和性質(zhì)指標約束下的最優(yōu)調(diào)合配方，計算量相對較小，傳統(tǒng)的求解算法基本上可以滿足求解精度和計算時間的要求。若汽油調(diào)合過程中考慮多周期調(diào)合、調(diào)合調(diào)度優(yōu)化等問題，將汽油調(diào)合過程由非線性規(guī)劃問題發(fā)展到混合整數(shù)非線性規(guī)劃問題，則啟發(fā)式算法相對傳統(tǒng)算法優(yōu)勢明顯，無需初始值，收斂速度快，可求解復(fù)雜優(yōu)化問題。啟發(fā)式算法[33-37]已被用于處理汽油調(diào)合過程中復(fù)雜非線性函數(shù)的優(yōu)化問題，如遺傳算法、模擬退火算法及群體智能算法（如分化微粒群算法、蟻群算法）等。遺傳算法是模擬自然選擇和自然遺傳過程，迭代搜索最優(yōu)解，但遺傳算法屬于一個概率性弱搜索算法，不能處理汽油調(diào)合過程中有約束的問題，還需要特殊處理，如采用懲罰函數(shù)法處理非線性約束，將汽油調(diào)合過程約束問題轉(zhuǎn)化為無約束問題進行計算。群體智能算法是一類仿生物行為的優(yōu)化算法（如粒子群優(yōu)化算法、蟻群算法、人工魚群算法、差分進化算法等）。粒子群優(yōu)化算法基于迭代原理，全局搜索能力強[33]；蟻群算法適合處理離散優(yōu)化問題，但無法有效求解連續(xù)優(yōu)化問題[34]；差分進化算法借鑒“優(yōu)勝劣汰，適者生存”的自然進化法則，收斂性強，一定程度上能解決粒子群算法早熟收斂現(xiàn)象[37]?？傮w而言，這些新興算法為工業(yè)應(yīng)用中快速獲取非線性規(guī)劃問題全局最優(yōu)解提供了可能，但也存在待改進之處。

圖5 汽油調(diào)合過程模型優(yōu)化求解流程Fig.5 Optimizing solution process of gasoline blending process model.

3 結(jié)語

汽油在線調(diào)合技術(shù)能實現(xiàn)比例調(diào)合、過程自動控制、在線配方優(yōu)化等功能，但仍面臨調(diào)合組分和工藝狀況變化頻繁等問題。精準的調(diào)合規(guī)則和準確快速求取最優(yōu)解仍是有待解決的難題?；诮?jīng)驗回歸建模的辛烷值調(diào)合規(guī)則面臨調(diào)合組分變化頻繁引起模型維護量大等難題。機器學習算法模型過于依賴樣本數(shù)量，難以應(yīng)對訓練樣本以外的情況。分子水平調(diào)合規(guī)則雖然可從機理上詳細描述辛烷值非線性原因，但因為當前分子數(shù)據(jù)庫規(guī)模相對較小，不能滿足工業(yè)應(yīng)用需求。半經(jīng)驗半機理模型兼顧機理描述，模型關(guān)鍵變量可通過數(shù)據(jù)挖掘獲取。隨著煉廠的數(shù)字化轉(zhuǎn)型，更多汽油調(diào)合數(shù)據(jù)可被挖掘利用，因此，基于機理和數(shù)據(jù)驅(qū)動的混合建模方法是非線性調(diào)合規(guī)則的重點發(fā)展方向。汽油調(diào)合優(yōu)化過程實質(zhì)上是求解非線性規(guī)劃最優(yōu)解問題，遺傳算法、粒子群算法等啟發(fā)式算法可有效處理約束非線性規(guī)劃問題，為調(diào)合過程提供全局最優(yōu)解。