专利名称：汽油辛烷值的智能调合方法
技术领域：
本发明涉及石油化工领域，具体地说是一种汽油辛烷值的智能调合方法。
背景技术：
汽油是石油经过炼制后得到的一种多烃类混合物，衡量汽油属性的指标很多，如密度、沸点、敏感度、抗爆性和饱和蒸汽压等。其中，使用汽油的最大影响因素是汽油的抗爆性。汽油的抗爆性与汽油的燃烧过程有关，一般用辛烷值来表示。
因为不同烃类的预热反应情况不同，抗爆性不一样，故各种不同组成的汽油辛烷值不同。影响汽油辛烷值的因素很多，最重要的两方面是(1)石油的产地石油是由沉积在地下的古代生物遗骸经过漫长的地质历史年代所形成的，由于生物体的不同、所处的地理位置的不同以及地质历史年代的不同，造成了不同地区甚至同一地区不同油井开采出的石油属性的之间都存在很大的差异。因此，这些石油经过同样炼制工艺得到的汽油的性质也就存在很大的差异。
(2)炼制时的工艺参数在炼制石油过程中，不同的工艺参数对炼制后的汽油的属性也会产生一定的影响。从炼制设备中直接得到的汽油，由于性质差别很大，所以通常是无法直接应用于生产、生活当中的，这些汽油可称之为半成品汽油(又称组分汽油)。人们平时所使用的都是属性差异不大的成品汽油。成品汽油是由不同的半成品汽油按一定的标准进行充分混合后得到的。这个过程就是油品调合过程。对于汽油来讲，除辛烷值外的其它属性一般可通过炼制工艺来保证，所以，调合过程的控制指标主要是汽油的辛烷值。
汽油调合是将辛烷值分别高于目标辛烷值(又称汽油的标号)和低于目标辛烷值的两种或两种以上组分汽油进行充分混合，混合后的汽油的辛烷值不得低于目标辛烷值的要求。由于目标辛烷值仅是调合时质量控制的最低标准，所以调合后的汽油辛烷值如果远高于目标辛烷值，从质量角度来讲是合格的。但是，由于辛烷值越高的汽油也其价格越高，所以，从经济效益的角度来讲，以上的情况是不合格的。所以实际进行调合时通常需要根据不同的要求将质量指标控制在不高于目标辛烷值加1～2的范围内。例如在调合93#汽油(辛烷值为93)时，则实际调合出的汽油辛烷值应大于93，小于94～95。否则，也算质量不合格。
汽、柴油是多数炼厂的主要生产品种，在实际生产中具有重要的地位，对于企业经济效益的增长具有很大的影响，所以无论是国内还是国外对油品调合都相当重视，经过几十年的研究已取得了很多科研成果。这些研究成果可概括为以下两个方面(1)油品调合质量指标的数学计算主要是依据调合机理研究油品特性、调合配比及油品调合质量指标的数学关系，目的是在满足调合质量的条件下为获取最大的经济效益提供一个基础参考模型。例如，在多组分汽油辛烷值计算方面有Nelson(1955年)提出线性组合模型，Scott(1958年)等人的非线性模型，Ethyl公司healy等(1959)提出的多组分汽油辛烷值估算方程等，20世纪80年代以来国内也有许多人提出了各种计算模型及计算方法。如彭朴等(1981)研究了汽油辛烷值与组成之间的关系，佟德顺(1983)对调合汽油辛烷值计算公式的研究，沈衫松等(1984)对MTB改进汽油辛烷值的研究，陈新志(1997)对调合汽油研究法辛烷值模型的研究等。
(2)调合生产调度方案的计算在调合质量指标数学计算的基础上，以获取最佳经济效益为目标进行调合生产调度方案的计算。主要方法有线性规划、目标规划等，如刘先涛(1997)把STM(Step Method)方法引入到汽油调合计算等。
目前存在的主要问题现有汽油辛烷值模型对组分油要求有精确的辛烷值及作用关系。有的用线性模型代替非线性模型，精度不够、范围过窄。一个模型对这批数据准确，换一批就不准确了，使得油品调合模型无法实际应用，难以获得好的油品调合调度方案。
发明内容
为了克服单模型适用范围过窄、不便于应用的问题，本发明的目的在于根据机器学习原理，提供一种适用范围宽、便于应用的汽油辛烷值的智能调合方法，它采用多模型，在满足各种汽油质量指标的基础上对调合配方进行优化计算，以便获取调合生产的最大利润率。
为了实现上述目的，本发明的技术方案是包括调合信息输入、辛烷值计算、调合配方优化计算、方案可视化输出、参数在线学习，其中调合信息输入接受来自用户的信息，组分油的指标、成品油的指标以及对各种调合方案的评价和选择，并将信息存入相应的数据库；所述辛烷值计算是根据组分油的辛烷值、建造参数化辛烷值模型及相关信息计算出基础调合配方和质量指标，并将数据存入预测的辛烷值数据库，作为下一步进行配方优化的基础；所述调合配方优化计算是根据组分油、成品油的各项经济指标、参数化汽油辛烷值模型、厂内资源约束条件及市场需求量，以最大经济效益为目标给出参加调合的各组分油的数量(调合配方)，并将相关数据存入调合调度方案数据库；所述方案可视化输出是把调合调度方案用图表、工艺流程图、装置管道布置图等以可视化表达方式输出到计算机屏幕上，供调度人员参考；所述参数在线学习是通过比较实际辛烷值和计算辛烷值的误差、实际方案和理论方案的误差，用机器学习方法对模型参数进行智能化调整，并将调整结果存入模型参数数据库；所述参数化汽油辛烷值模型是汽油辛烷值智能调合的基础，它源于如下辛烷值模型，并以组分油比例为变量Rm=Σi=1nXiΣj=1nXjRijQijΣj=1nXjQij---(1)]]>其中Rm调合汽油辛烷值；Xj组分j的质量分数；Rij组分i对组分j的辛烷值(通常为(Ri+Rj)/2)；Q不仅是组分油类型的函数，同时也是组分油之间相对比例的离散函数，即Qij＝Q(Xij，Xji)，使所述以组分油比例为变量的可调参数模型；所述智能化的在线学习方法用于精确地描述调合汽油辛烷值与组分油比例变化关系以及组分油类型对辛烷值的影响，参数化汽油辛烷值模型计算方法为当计算辛烷值Rc与实际辛烷值Rf的差距ΔR＝Rf-Rc，不在允许范围内时，根据误差对参数Q进行学习和调整；调整的具体方法是Qi(k+1)＝Qij(k)+β*ΔQij(k)(2)这里，ΔQij=ΔR∂R∂Qij]]>公式2是一个反复迭代式；其中k表示学习次数；0≤β≤1，为学习步长；ΔR＝Rf-Rc为实验辛烷值Rf与理论辛烷值Rc之差；ΔQij为Qij的增量， 是R对Qij的偏微分，当ΔQij接近零，Qij(k+1)趋于稳定时学习结束；所述允许范围为0＜ΔR＜用户设定的许可误差限度；所述参数化汽油辛烷值模型计算参数使用的具体流程为计算各组分油之间的相对比例，判断检验两两组分油之间是否存在经过学习的模型参数Q，不存在经过学习的模型参数Q则按公式2学习，再进行调合辛烷值计算；如存在模型参数Q，则直接按初始值设置计算参数Q；所述参数化汽油辛烷值模型计算参数调整的具体流程为将新配方作为当前配方，按当前配方的各组分油类型及比例设置相互影响系数，对相互影响系数按学习的次数从少到多进行排序，计算当前配方的辛烷值，让配方辛烷值差等于配方实际辛烷值减去配方计算辛烷值，判断配方辛烷值差是否满足要求，不满足要求，选择一组相互影响系数作为调整对象，并根据配方辛烷值差对其进行调整，回转至计算当前配方的辛烷值；满足要求，再判断所有的配方是否均满足要求，如所有的配方均不满足要求，选择下一组配方作为当前配方后再回转至计算当前配方的辛烷值；如所有的配方均满足要求，则参数学习、调整算法结束；所述汽油调合配方优化方法是按“松耦合”油品调合配方优化思想进行的先按经验给出一组调合配方，对配方进行优化处理，再根据辛烷值计算参数化汽油辛烷值模型来验证该配方是否符合指标要求，如符合要求则结束计算，否则将计算结果返回给所述汽油调合配方优化过程，作为优化计算模型(参数化汽油辛烷值)进行下一步优化的参考或基础；具体可采用成本优化方法、数量优化方法和利润优化方法；所述成本优化方法具体流程为先将组分油按辛烷值从小到大排序，找到高辛烷值组分油和低辛烷值组分油的分界点；再将用户选取的组分油根据辛烷值高低分为两组，两两分别进行组合，并按目标辛烷值的要求，计算出每种组合的成本及其中各种组分油的比例，并以成本最低的一组作为基础优化组合，从未在优化基础组合中的组分油中取出一种作为新加入组分油，从优化基础组合中选择高低各一种组分油作为置换组分油，将新加入组分油同置换组分油按等成本等比例方式进行置换，然后判断置换后的结果是否可以进行成本优化，如不可以进行成本优化，则增加新加入组分油的比例，判断三种组分油中是否已有组分油达到比例限制，达到比例限制则将当前组分油记作优化基础组合中的组分油，再判断是否还存在未加入优化基础组合的组分油，是则回至从未在优化基础组合中的组分油中取出一种作为新加入组分油，从优化基础组合中选择高低各一种组分油作为置换组分油处，否则成本优化算法结束；没达到比例限制，返回至将新加入组分油同置换组分油按等成本等比例方式进行置换；如可以进行成本优化，则调整置换组分油的比例，使得基础组合的质量指标刚好达到目标要求，计算此次的成本，然后作此次的成本是否小于上次的优化成本的判断，当不小于上次的优化成本时至增加新加入组分油的比例，当小于上次的优化成本时记录当前各组分油的比例作为优化比例，再至增加新加入组分油的比例；所述数量优化方法具体流程为将组分油按辛烷值从小到大排序，找到高辛烷值组分油和低辛烷值组分油的分界点，记根据各组分油的库存量，计算所有组分油一起调合时的调合辛烷值，调合结果高于要求则转向对高组的组分进行处理，直到计算出的辛烷值满足要求至数量最大化，退出优化计算程序；调合结果低于要求则转向对低组的组分进行处理，直到计算出的辛烷值满足要求，至数量最大化，退出优化计算程序；调合结果满足要求则直接进行数量最大化，退出优化计算程序；所述利润优化方法以目标辛烷值为分界，将用户选取得组分油根据辛烷值高低分为两组，再将高低两组中的组分油进行两两配对组合，按目标辛烷值计算各自比例，并以各自库存量作为可使用量(剩余量)，然后以各自可使用量(剩余量)，计算每种组合可获得的利润，选取利润最大的一种组合后判断最大利润是否小于或等于0，最大利润不小于0时计算选取的这组组分油按此比例调合后的使用量和剩余量，将新组合的使用量加入配方的总使用量中，调整配方的组分油量至质量指标达到要求的范围，然后回转至以各自库存量作为可使用量(剩余量)，然后以各自可使用量(剩余量)，如最大利润小于0时结束利润优化算法。
与现有技术相比，本发明更具有如下优点1.本发明克服了用线性模型代替非线性模型时精度不够、范围过窄的弊病。通过在线学习方法避免了现有非线性模型只对某类数据准确，适用面过窄的问题。
2.由于采用参数化调合模型，使计算更加方便、实用。用户可选择不同的配方优化过程，使优化结果更加符合实际需求。
图1为本发明系统结构。
图2为优化计算过程和辛烷值模型(质量计算模型)之间的关系。
图3为参数化辛烷值计算模型的创建及修改过程。
图4为参数化汽油辛烷值模型计算参数使用流程(模型计算的主要过程)图。
图5为参数化汽油辛烷值模型计算参数调整的流程(模型参数学习、调整的主要过程)图。
图6为成本优化方法流程(成本优化算法)图。
图7为数量优化方法具体流程(数量优化算法)图。
图8为利润优化方法具体流程(利润优化算法)图。
具体实施例方式
下面结合附图和实施例对本发明作进一步详细说明。
本发明整体系统结构如图1所示，包括调合信息输入、辛烷值计算、调合配方优化计算、方案可视化输出、参数在线学习，其中调合信息输入接受来自用户的信息，组分油的指标、成品油的指标以及对各种调合方案的评价和选择，并将信息存入相应的数据库；所述辛烷值计算是根据组分油指标中的辛烷值、建造参数化辛烷值模型及相关信息计算出基础调合配方和质量指标，并将数据存入预测的辛烷值数据库，作为下一步进行配方优化的基础；所述调合配方优化计算是根据组分油、成品油的各项经济指标、参数化汽油辛烷值模型、厂内资源约束条件及市场需求量，以最大经济效益为目标给出参加调合的各组分油的数量(调合配方)，并将相关数据存入调合调度方案数据库；所述方案可视化输出是把调合调度方案用图表、工艺流程图、装置管道布置图等可视化表达方式输出到计算机屏幕上，供调度人员参考；所述参数在线学习是通过比较实际辛烷值和计算辛烷值的误差、实际方案和理论方案的误差，用机器学习的方法对模型参数进行智能化调整，并调整结果存入模型参数数据库。
在本发明方案里，调合信息输入和方案可视化输出是系统的输入输出，辛烷值计算、配方优化计算、参数在线学习是技术的关键；一个好的汽油调合配方要满足两个条件汽油辛烷值和最佳经济效益。为了计算辛烷值，要用到汽油辛烷值模型，而模型又要随着具体汽油生产工艺、原油产地等进行的智能化调整。因此，参数化汽油辛烷值模型，汽油辛烷值模型参数的智能化调整方法，配方优化方法内容是本发明的关键，下面予以特别的说明。
1)参数化汽油辛烷值模型参数化汽油辛烷值模型是汽油辛烷值智能调合的基础，它源于下面陈新志的辛烷值模型Rm=Σi=1nXiΣj=1nXjRijQijΣj=1nXjQij---(1)]]>其中Rm调合汽油辛烷值；Xj组分j的质量分数；Rij组分i对组分j的辛烷值(通常为(Ri+Rj)/2)；Qij组分i对组分j的作用参数(它是根据Xi和Xj进行设定的)。
陈的模型对Q仅考虑了组分油类型(组分油i和组分油j)的差异对调合辛烷值的影响，而未考虑由于组分油比例的变化对调合辛烷值的影响，因此适用性存在一定的限制。本发明对Q作了重新的定义Q不仅是组分油类型的函数，同时也是组分油之间相对比例的离散函数，即Qij＝Q(Xij，Xji)，这样模型成为一种以组分油比例为变量的可调参数模型。
2)汽油辛烷值模型参数的智能化调整方法，为精确地描述调合汽油辛烷值与组分油比例变化关系以及组分油类型对辛烷值的影响，采用了一种智能化的在线学习方法来调整模型参数。
当计算辛烷值Rc与实际辛烷值Rf的差距ΔR＝Rf-Rc，不在允许范围(0＜ΔR＜用户设定的许可误差限度)内时，根据误差对参数Q进行学习和调整。
调整的具体方法是Qij(k+1)＝Qij(k)+β*ΔQij(k)(2)这里，ΔQij=ΔR∂R∂Qij]]>公式2是一个反复迭代式。其中，k表示学习次数；0≤β≤1，为学习步长；ΔR＝Rf-Rc为实验辛烷值Rf与理论辛烷值Rc之差；ΔQij为Qij的增量， 是R对Qij的偏微分(根据上面提供的公式1可计算出来)，当ΔQij接近零，Qij(k+1)趋于稳定时学习结束。
模型参数Qij的初始值设置存在两种不同的情况，对于已有的组分油类型，Qij的初始值可按经验数据进行设置；对后来加入的新组分油类型，初始值按1设置，即按线性模型作为初始计算模型。计算的主要过程见图4、图5。
所述参数化汽油辛烷值模型计算参数使用的具体流程参见图4，计算各组分油之间的相对比例，判断检验两两组分油之间是否存在经过学习的模型参数Q，不存在经过学习的模型参数Q则按公式2学习，再进行调合辛烷值计算；如存在模型参数Q，则直接按初始值设置计算参数Q。
所述参数化汽油辛烷值模型计算参数调整的具体流程如图5所示，将新配方作为当前配方，按当前配方的各组分油类型及比例设置相互影响系数，对相互影响系数按学习的次数从少到多进行排序，计算当前配方的辛烷值，让配方辛烷值差等于配方实际辛烷值减去配方计算辛烷值，判断配方辛烷值差是否满足要求，不满足要求，选择一组相互影响系数作为调整对象，并根据配方辛烷值差对其进行调整，回转至计算当前配方的辛烷值；满足要求，再判断所有的配方是否均满足要求，如所有的配方均不满足要求，选择下一组配方作为当前配方后再回转至计算当前配方的辛烷值；如所有的配方均满足要求，则参数学习、调整算法结束。
3)汽油调合配方优化方法参数化汽油辛烷值模型及其调整方法保证了配方能满足汽油辛烷值指标要求，而配方优化则要保证油品调合过程满足经济指标的要求。由于石油成本因素、炼制工艺因素及其他相关因素的影响，造成不同时期、通过不同炼制工艺得到不同类型的组分油的成本都有着很大的差异，这使得同一配方在不同的时期为企业所带来的经济效益也是不同的；既使在同一时期，在同一质量指标要求下，两种以上的组分油进行调合时，通常有着多种调合方案，而每种调合方案所带来的经济效益也有着很大的差别。因此需要通过优化配方，使得在任何条件下，不同质量、不同成本的组分油得以充分的利用，创造出更多的价值。
在以往的配方优化过程中，主要采用的方法是将辛烷值模型同各种约束条件联立后形成计算经济效益的方程组，然后运用运筹学中有关方法进行优化计算。由于在整个过程中，辛烷值模型同经济效益条件一起参与配方优化计算，这使得辛烷值模型同经济效益条件关系非常密切，可称其为一种“紧耦合”关系。利用“紧耦合”关系的方法进行配方优化存在如下问题参数化辛烷值模型其实是由组分油类型和它们的比例关系形成的一种系列模型，而非传统的单一模型。组分油相互影响系数Qij是组分油类型和组分油之间相对比例的离散函数。按“紧耦合”方式进行配方优化时，需要预先设定Qij，再进行优化计算。而经过优化计算后配方的各组分油的相对比例，极可能与设定的Qij不匹配，这时辛烷值会偏离预先设定值，优化结果无法满足实际生产需要。
为解决这个问题，本发明提出了按“松耦合”进行油品调合配方优化的思想方法先按经验给出一组调合配方，对配方进行优化处理，再根据辛烷值计算模型来验证该配方是否符合指标要求，如符合要求则结束计算，否则将计算结果返回给配方优化过程，作为优化计算模型进行下一步优化的参考或基础。优化计算模型和质量计算模型之间的关系如图2、3所示。
整个系统有学习和计算两种状态学习状态主要是学习和调整计算参数；工作状态则根据学得的参数进行辛烷值计算、优化计算、设计调合方案等。
为便于计算，本发明把组分油分为高辛烷值和低辛烷值两种，高辛烷值组分油是指辛烷值高于目标辛烷值(成品油标号)的组分油，同理，低辛烷值组分油是指辛烷值低于目标辛烷值(成品油标号)的组分油。
根据炼油生产的实际需求，本发明提出了成本优化方法、数量优化方法和利润优化方法三种配方优化方法(见附图6，7，8)。其中，成本优化方法以最低成本为目标，数量优化方法以最大生产量为目标，利润优化方法以最大利润为目标。这三种配方优化方法的目标是不同的，调度决策者可根据实际需要自行选择一个最佳调合方案。
所述成本优化方法的流程如图6所示，所述成本优化方法具体流程为先将组分油按辛烷值从小到大排序，找到高辛烷值组分油和低辛烷值组分油的分界点；再将用户选取的组分油根据辛烷值高低分为两组，两两分别进行组合，并按目标辛烷值的要求，计算出每种组合的成本及其中各种组分油的比例，并以成本最低的一组作为基础优化组合，从未在优化基础组合中的组分油中取出一种作为新加入组分油，从优化基础组合中选择高低各一种组分油作为置换组分油，将新加入组分油同置换组分油按等成本等比例方式进行置换，然后判断置换后的结果是否可以进行成本优化，如不可以进行成本优化，则增加新加入组分油的比例，判断三种组分油中是否已有组分油达到比例限制，达到比例限制则将当前组分油记作优化基础组合中的组分油，再判断是否还存在未加入优化基础组合的组分油，是则回至从未在优化基础组合中的组分油中取出一种作为新加入组分油，从优化基础组合中选择高低各一种组分油作为置换组分油处，否则成本优化算法结束；没达到比例限制，返回至将新加入组分油同置换组分油按等成本等比例方式进行置换；如可以进行成本优化，则调整置换组分油的比例，使得基础组合的质量指标刚好达到目标要求，计算此次的成本，然后作此次的成本是否小于上次的优化成本的判断，当不小于上次的优化成本时至增加新加入组分油的比例，当小于上次的优化成本时记录当前各组分油的比例作为优化比例，再至增加新加入组分油的比例。
如图7所述，所述数量优化方法具体流程为将组分油按辛烷值从小到大排序，找到高辛烷值组分油和低辛烷值组分油的分界点，记根据各组分油的库存量，计算所有组分油一起调合时的调合辛烷值，调合结果高于要求则转向对高组的组分进行处理，直到计算出的辛烷值满足要求至数量最大化，退出优化计算程序；调合结果低于要求则转向对低组的组分进行处理，直到计算出的辛烷值满足要求，至数量最大化，退出优化计算程序；调合结果满足要求则直接进行数量最大化，退出优化计算程序。
如图8所述，所述利润优化方法具体流程为以目标辛烷值为分界，将用户选取得组分油根据辛烷值高低分为两组，再将高低两组中的组分油进行两两配对组合，按目标辛烷值计算各自比例，并以各自库存量作为可使用量(剩余量)，然后以各自可使用量(剩余量)，计算每种组合可获得的利润，选取利润最大的一种组合后判断最大利润是否小于或等于0，最大利润不小于0时计算选取的这组组分油按此比例调合后的使用量和剩余量，将新组合的使用量加入配方的总使用量中，调整配方的组分油量至质量指标达到要求的范围，然后回转至以各自库存量作为可使用量(剩余量)，然后以各自可使用量(剩余量)，如最大利润小于0时结束利润优化算法。
权利要求
1.一种汽油辛烷值的智能调合方法，其特征在于包括调合信息输入、辛烷值计算、调合配方优化计算、方案可视化输出、参数在线学习，其中调合信息输入接受来自用户的信息，并将信息存入相应的数据库；所述辛烷值计算是根据组分油的辛烷值、建造参数化辛烷值模型及相关信息计算出基础调合配方和质量指标，并将数据存入预测的辛烷值数据库，作为下一步进行配方优化的基础；所述调合配方优化计算是根据组分油、成品油的各项经济指标、参数化汽油辛烷值模型、厂内资源约束条件及市场需求量，以最大经济效益为目标给出参加调合的各组分油的数量，并将相关数据存入调合调度方案数据库；所述方案可视化输出以可视化表达方式输出；所述参数在线学习是通过比较实际辛烷值和计算辛烷值的误差、实际方案和理论方案的误差，用机器学习方法对模型参数进行智能化调整，并将调整结果存入模型参数数据库。
2.按照权利要求1所述汽油辛烷值的智能调合方法，其特征在于所述参数化汽油辛烷值模型是汽油辛烷值智能调合的基础，它源于如下辛烷值模型，并以组分油比例为变量Rm=Σi=1nXiΣj=1nXjRijQijΣj=1nXjQij----(1)]]>其中Rm调合汽油辛烷值；Xj组分j的质量分数；Rij组分i对组分j的辛烷值；Q不仅是组分油类型的函数，同时也是组分油之间相对比例的离散函数，即Qij＝Q(Xij，Xji)，使所述以组分油比例为变量的可调参数模型。
3.按照权利要求2所述汽油辛烷值的智能调合方法，其特征在于所述智能化的在线学习方法用于精确地描述调合汽油辛烷值与组分油比例变化关系以及组分油类型对辛烷值的影响，参数化汽油辛烷值模型计算方法为当计算辛烷值Rc与实际辛烷值Rf的差距ΔR＝Rf-Rc，不在允许范围内时，根据误差对参数Q进行学习和调整；调整的具体方法是Qij(k+1)＝Qij(k)+β*ΔQij(k)(2)这里，ΔQij=ΔR∂R∂Qij]]>公式2是一个反复迭代式；其中k表示学习次数；0≤β≤1，为学习步长；ΔR＝Rf-Rc为实验辛烷值Rf与理论辛烷值Rc之差；ΔQij为Qij的增量， 是R对Qij的偏微分，当ΔQij接近零，Qij(k+1)趋于稳定时学习结束。
4.按照权利要求3所述汽油辛烷值的智能调合方法，其特征在于所述允许范围为0＜ΔR＜用户设定的许可误差限度。
5.按照权利要求2所述汽油辛烷值的智能调合方法，其特征在于所述参数化汽油辛烷值模型计算参数使用的具体流程为计算各组分油之间的相对比例，判断检验两两组分油之间是否存在经过学习的模型参数Q，不存在经过学习的模型参数Q则按公式2学习，再进行调合辛烷值计算；如存在模型参数Q，则直接按初始值设置计算参数Q。
6.按照权利要求2所述汽油辛烷值的智能调合方法，其特征在于所述参数化汽油辛烷值模型计算参数调整的具体流程为将新配方作为当前配方，按当前配方的各组分油类型及比例设置相互影响系数，对相互影响系数按学习的次数从少到多进行排序，计算当前配方的辛烷值，让配方辛烷值差等于配方实际辛烷值减去配方计算辛烷值，判断配方辛烷值差是否满足要求，不满足要求，选择一组相互影响系数作为调整对象，并根据配方辛烷值差对其进行调整，回转至计算当前配方的辛烷值；满足要求，再判断所有的配方是否均满足要求，如所有的配方均不满足要求，选择下一组配方作为当前配方后再回转至计算当前配方的辛烷值；如所有的配方均满足要求，则参数学习、调整算法结束。
7.按照权利要求1所述汽油辛烷值的智能调合方法，其特征在于所述汽油调合配方优化方法是按“松耦合”油品调合配方优化思想进行的先按经验给出一组调合配方，对配方进行优化处理，再根据辛烷值计算参数化汽油辛烷值模型来验证该配方是否符合指标要求，如符合要求则结束计算，否则将计算结果返回给所述汽油调合配方优化过程，作为优化计算模型进一步优化的参考或基础；具体可采用成本优化方法、数量优化方法和利润优化方法。
8.按照权利要求7所述汽油辛烷值的智能调合方法，其特征在于所述成本优化方法具体流程为先将组分油按辛烷值从小到大排序，找到高辛烷值组分油和低辛烷值组分油的分界点；再将用户选取的组分油根据辛烷值高低分为两组，两两分别进行组合，并按目标辛烷值的要求，计算出每种组合的成本及其中各种组分油的比例，并以成本最低的一组作为基础优化组合，从未在优化基础组合中的组分油中取出一种作为新加入组分油，从优化基础组合中选择高低各一种组分油作为置换组分油，将新加入组分油同置换组分油按等成本等比例方式进行置换，然后判断置换后的结果是否可以进行成本优化，如不可以进行成本优化，则增加新加入组分油的比例，判断三种组分油中是否已有组分油达到比例限制，达到比例限制则将当前组分油记作优化基础组合中的组分油，再判断是否还存在未加入优化基础组合的组分油，是则回至从未在优化基础组合中的组分油中取出一种作为新加入组分油，从优化基础组合中选择高低各一种组分油作为置换组分油处，否则成本优化算法结束；没达到比例限制，返回至将新加入组分油同置换组分油按等成本等比例方式进行置换；如可以进行成本优化，则调整置换组分油的比例，使得基础组合的质量指标刚好达到目标要求，计算此次的成本，然后作此次的成本是否小于上次的优化成本的判断，当不小于上次的优化成本时至增加新加入组分油的比例，当小于上次的优化成本时记录当前各组分油的比例作为优化比例，再至增加新加入组分油的比例。
9.按照权利要求7所述汽油辛烷值的智能调合方法，其特征在于所述数量优化方法具体流程为将组分油按辛烷值从小到大排序，找到高辛烷值组分油和低辛烷值组分油的分界点，记根据各组分油的库存量，计算所有组分油一起调合时的调合辛烷值，调合结果高于要求则转向对高组的组分进行处理，直到计算出的辛烷值满足要求至数量最大化，退出优化计算程序；调合结果低于要求则转向对低组的组分进行处理，直到计算出的辛烷值满足要求，至数量最大化，退出优化计算程序；调合结果满足要求则直接进行数量最大化，退出优化计算程序。
10.按照权利要求7所述汽油辛烷值的智能调合方法，其特征在于所述利润优化方法以目标辛烷值为分界，将用户选取得组分油根据辛烷值高低分为两组，再将高低两组中的组分油进行两两配对组合，按目标辛烷值计算各自比例，并以各自库存量作为可使用量，然后以各自可使用量，计算每种组合可获得的利润，选取利润最大的一种组合后判断最大利润是否小于或等于0，最大利润不小于0时计算选取的这组组分油按此比例调合后的使用量和剩余量，将新组合的使用量加入配方的总使用量中，调整配方的组分油量至质量指标达到要求的范围，然后回转至以各自库存量作为可使用量，然后以各自可使用量，如最大利润小于0时结束利润优化算法。
全文摘要
本发明公开一种汽油辛烷值的智能调合方法，它采用调合信息输入接受来自用户的信息；根据组分油指标中的辛烷值、建造参数化辛烷值模型及相关信息计算出基础调合配方和质量指标，作为下一步进行配方优化的基础；根据组分油、成品油的各项经济指标、参数化汽油辛烷值模型、厂内资源约束条件及市场需求量，以最大经济效益为目标给出参加调合的各组分油的数量，以可视化表达方式输出；并通过比较实际辛烷值和计算辛烷值的误差、实际方案和理论方案的误差，用机器学习方法对模型参数进行智能化调整。本发明采用参数化系列模型，在满足各种汽油质量指标的基础上对调合配方进行优化计算，以获取调合生产的最大利润率，它适用范围宽、便于应用。
文档编号C10G35/00GK1632069SQ20031011918
公开日2005年6月29日 申请日期2003年12月22日 优先权日2003年12月22日
发明者王晓峰, 王霆, 罗焕佐, 宋国宁 申请人:王晓峰, 中国科学院沈阳自动化研究所