遗传算法在非线性原油调合中的应用研究

遗传算法在非线性原油调合中的应用研究

张 锐1，周家庆2，陈夕松1，亚宏宇3

（1.东南大学自动化学院 江苏 南京210096；2.南京富岛信息工程有限公司 江苏 南京210061；3.中国石 油化工股份有限公司金陵分公司生产计划处，江苏 南京210033）

摘要：原油在线调合优化技术近年来已开始在炼化企业得到成功应用，目前主要以线性 优化技术解决原油关键指标（如硫含量、酸含量等）的调合问题。原油调合还存在非线 性指标的调合，文中提出了面向原油非线性指标控制的原油在线调合优化方法，建立了 非线性原油调合模型，采用遗传算法进行求解，实例验证了该方法的实用性和有效性。 关键词：原油调合；非线性；遗传算法

原油在线调合优化技术目前主要以控制原油的硫含量、酸值、石脑油收率等指标为主，为常减压装置提供满足性质要求的原油。上述指标均具有线性加和特性，采用一般的线性优化技术即可求得调合配方。但是，在原油调合中，还存在一些不具有线性加和特性的原油性质，如在以沥青生产为主的原油调合中，除需要考虑原油硫含量、酸值及石脑油收率等指标外，对沥青感温性指标（沥青针入度指数）也有较为严格的要求[1]。由于沥青针入度指数呈非线性，采用线性优化技术难以计算各掺炼原油占比，造成生产波动大、效益不佳等问题。因此，针对原油调合中存在的非线性优化问题，以沥青生产中的针入度指数为例，提出基于遗传算法进行原油调合非线性求解的方法[2]。 1 非线性原油调合模型的建立 1.1 目标函数

考虑以成本最小为目标，建立原油调合目标函数：min(X)cixi （1）

i1n式中，n为原油掺炼线即组分油的个数；xi为第i种组分油的占比，xi0，ci为第i种组分油的采购价格，ci0。 1.2 约束条件

在进行优化计算时，必须满足4个约束条件[3]。 （1） 配方约束

xi1ni1 （2）

（2）性质约束

P1mina1ixiP1maxi1nn P2mina2ixiP2maxi1n P3mina3ixiP3max （3）

i1n PIminxWTPIiii1ixWTii1nPImaxi式中，a1i为第i种组分油的硫含量，a1i0，P1min为调合后原油的硫含量下限，P1min0，

a2i为第i种组分油的酸含量，a2i0，P1max为调合后原油的硫含量上限，P1max0；P2min为调合后原油的酸含量下限，P2min0，P2max为调合后原油的酸含量上限，P2max0；

a3i为第i种组分油的石脑油收率，a3i0，P3min为调合后原油的石脑油收率下限，

P3min0，P3max为调合后原油的石脑油收率上限，P3max0；WTi为第i种组分油的减

压渣油收率，WTi0；PIi为第i种组分油的沥青针入度指数，PImin为调合后原油的沥青针入度指数下限，PImax为调合后原油的沥青针入度指数上限。

由式（3）可见，沥青针入度指数约束呈现非线性关系，从而给优化求解带来困难。 （3）组分流量约束

wXtB （4）

式中，w为本批次调合总量，w0；X为组分油的占比，Xx1,x2xn，X0；

bn，

TTt为本批次调合预计执行时间，t0；B为原油掺炼管线最大流速，Bb1,b2B0。

（4）人工设定约束

XminXXmax （5）

式中，Xmin和Xmax分别为人为设定的掺炼原油占比下限和上限，

Xminx1min,x2minxnmin，Xmin0，Xmaxx1max,x2maxTxnmax，Xmax0。

T2 非线性原油调合的遗传算法求解

遗传算法是1种概率性搜索算法[4]，能够通过对有限个点的适应性比较，实现更大范围甚至是无穷空间的搜索，因而能快速逼近最优解。遗传算法在求解不可微、非线性、非凸和

多峰等复杂问题中优越性明显，它对搜索空间和目标函数没有特殊的要求，且具有获得（接近）全局最优解的能力。

2.1 非线性原油调合遗传算法求解步骤

遗传算法求解流程见图1。

开始产生初始种群计算种群中各个个体的适应度种群个数是否达到最大进化数N选择Y选择适应度最高的个体为最优解交叉变异结束

图1 遗传算法求解流程

针对非线性原油调合问题，采用遗传算法进行求解包括4个步骤。 （1）对组分油的占比x1,x2xn采用二进制编码，编码长度取为10，

x1[y1 y2y10],x2[y11 y12y20]…xn[y10n9 y10n8y10n]，随机产生群体大小为

50、编码长度为10n的初始种群A：

11111y1 y10 y11 y1y10y1020 n9n222222y y y y yy110112010n910nA  （6） 505050505050y10 y11y20 y10n9y10ny1（2）计算种群中个体适应度；

（3）设置最大进化数T，并判断种群数量是否达到最大种群数T。若达到，则选择适应度最高的个体作为最优解输出并结束计算；否则进行步骤（4）；

（4）对种群进行选择、交叉和变异后获得新种群，返回步骤（2）。 2.2 非线性约束条件的处理

在遗传算法的应用中，必须对约束条件进行处理以避免产生不可行解[5]。将约束条件采

用罚函数法化归到适应度函数中求解。

首先，将原油性质约束条件转化为式（7）形式：

gj(xi)0 （7）

式中，xi表示第i种组分油的占比，xi0；gj为第j个性质约束条件，j1,2,m。

然后，采用式（8）设计适应度函数F(X)： F(X)=1nnm （8）

cx+M(x1)iiii1i12M[min(0,gj(xi))]2j1式中，xi表示第i种组分油的占比，xi0；ci为第i种组分油采购价格，ci0；M为罚函数参数；gj(xi)为i种组分油调后的第j个性质约束条件，j1,2,m，i1,2,3,n。 3 实例研究

将上述算法应用于某一炼化企业原油调合任务中，原油调合生产示意见图2。

原油掺炼线组分罐1组分罐2调合头CDU组分罐3

图2 原油调合生产示意

假设调合总量w=10 000 t，预计执行时间t=16 h。 各组分油性质及价格数据见表1。

表1 组分油性质及价格

项 目 1#组分油 2#组分油 3#组分油

硫含量/% 2.84 1.81 2.20

酸含量/( mgKOH·g -1)

0.25 0.15 0.12

石脑油收率

/% 14.83 19.28 16.84

4.42 4.55 4.43

沥青针入度指数

减压渣油收率/% 34.36 20.9 27.12

原油价格/（美元·桶-1）

85.7 92.3 80.8

人工设定组分油占比下限与上限值见表2。

表2 组分油占比下限与上限值/%

项 目

下限

上限

1#组

0

分油 2#组分油

3#组

0

分油

20

40 60 40

组分油掺炼线流速见表3。

表3 组分油掺炼线流速/(t·h-1)

项 目 1#组分油 2#组分油 3#组分油

最大流速 300 900 300

调合后原油产品性质要求见表4。

表4 调合后原油产品性质要求 下

项 目

限

硫含量/%

酸含量/( mgKOH·g -1)

0 0 1

石脑油收率/%

6 4.

沥青针入度指数

43

4.53 18 2.5 0.2 上限

采用遗传算法对上述问题进行求解，最终可得最优调合占比为：x1=29.17%；

x2=37.06%；x3=33.77%，即X[29.17% 37.06% 33.77%]T。将该最优解下发至自动

控制系统，即可完成自动在线调合。

4 结论

针对炼化企业的非线性原油调合性质，以沥青生产中的针入度指数为例，实现了非线性原油的在线调合优化计算。该计算方法在满足设备工艺线性及非线性约束条件下，避免原油性质变化给后续加工装置带来的损害，从而提高生产效率和经济效益；以成本最小为目标进行优化调合，采用遗传算法获取最优调合配方。对解决原油调合中非线性优化问题具有一定的参考价值。

参考文献：

[1] 周家庆，陈夕松，胡隼，等.原油调合优化控制系统设计与实现[J]. 炼油与化工，2013（3）：22-24. [2] Hadiwardoyo SP，Sinaga ES，Fikri H. The influence of Buton asphalt additive on skid resistance based on penetration index and temperature [J]. Construction and Building Materials，2013，42：5-10. [3] 徐传杰，张小英.沥青密度与针入度之间的关系[J].石油沥青，2012，26（4）：40-45. [4] 张文修，梁怡.遗传算法的数学基础[M].西安：西安交通大学出版社，2003：42-46. [5] 周明，孙树栋.遗传算法原理及应用[M].北京：国防工业出版社，1996：36-39.

作者简介：张锐，男，现就读于东南大学自动化学院，攻读硕士学位，研究方向为控制理论与控制工程。

Application of Genetic Algorithm for non-linear Crude Oil Blending

Zhang Rui1, Zhou Jiaqing2, Chen Xisong1, Ya Hongyu3

1. School of Automation, Southeast University, Nanjing 210096, China; 2. Nanjing Richisland Information Technology Co., Ltd. Nanjing 210061, China

3. SINOPEC Jinling Branch Production & Planning Department

Abstract: On line crude oil blending has been successfully applied in refineries in recent years, and linear optimization technologies have usually been employed for the key crude oil properties blending, such as sulfur, acid, etc. However, non-linear properties widely exist in crude oil blending. This paper proposes a non-linear crude oil on-line blending method in which a non-linear crude oil blending model is constructed first, and genetic algorithm is put forward to access the final solution. The real industrial practice has proved its practicality and effectiveness. Keywords：Crude oil blending; non-linear; Genetic algorithm