考虑原油采购选择的混炼加工优化

doi:10.16085/j.issn.1000-6613.2024-1518

化工进展 ›› 2025, Vol. 44 ›› Issue (8): 4648-4656.DOI: 10.16085/j.issn.1000-6613.2024-1518

• 过程系统工程的模拟与仿真 • 上一篇

考虑原油采购选择的混炼加工优化

董丰莲¹^,²(), 李鹏³, 魏志伟¹^,², 孙鑫¹^,², 徐赫锴⁴, 何畅⁵^,⁶()

^1.中国石油天然气股份有限公司规划总院，北京 100086
^2.中国石油天然气集团有限公司油气业务链优化重点实验室，北京 100086
^3.中国石油天然气集团有限公司生产经营管理部，北京 100007
^4.杉数科技(北京)有限公司，北京 100102
^5.中山大学化学工程与技术学院，广东珠海 519082
^6.广东省石化过程节能工程技术研究中心，广东广州 510006

收稿日期:2024-09-18 修回日期:2024-11-20 出版日期:2025-08-25 发布日期:2025-09-08
通讯作者: 何畅
作者简介:董丰莲（1982—），女，硕士，高级工程师，研究方向为石油和天然气行业的运筹学优化、智能计算和大数据分析。E-mail：dongfenglian@petrochina.com.cn。
基金资助:
中国石油天然气股份有限公司科学研究与技术开发项目(2021DJ7703)

Optimization of mixing processing considering crude oil procurement selection

DONG Fenglian¹^,²(), LI Peng³, WEI Zhiwei¹^,², SUN Xin¹^,², XU Hekai⁴, HE Chang⁵^,⁶()

^1.PetroChina Planning and Engineering Institute, Beijing 100086, China
^2.CNPC Laboratory of Oil &Gas Business Chain Optimization, Beijing 100086, China
^3.CNPC Production and Operation Management Department, Beijing 100007, China
^4.Shanshu Technology (Beijing) Co. , Ltd. , Beijing 100102, China
^5.School of Chemical Engineering and Technology, Sun Yat-sen University, Zhuhai 519082, Guangdong, China
^6.Guangdong Engineering Center for Petrochemical Energy Conservation, Guangzhou 510006, Guangdong, China

Received:2024-09-18 Revised:2024-11-20 Online:2025-08-25 Published:2025-09-08
Contact: HE Chang

摘要/Abstract

摘要：

目前，原油采购和混炼加工方案多采用人工经验或数学规划方法进行决策，存在求解时间过长以及无法统筹考虑全局性等问题。针对炼化场景下的典型混炼工艺和原油采购要求，结合“P模型”的概念建立了混合整数非线性模型，并根据整数变量的特性设计了基于p范数和内点法的迭代求解算法。结果表明，在10种原油、54种物性、58套加工装置的优化背景下，与商用求解器优化结果相比，采用以上方法可以在短时间内找到一个经济效益更好的原油采购加工方案并且在多个算例下均展现出了更好的鲁棒性。

关键词: 优化, 算法, 石油, 混炼, 双线性, 内点法, 范数平滑

Abstract:

At present, the decision-making process for crude oil procurement and mixing processing plans relies heavily on manual experience or mathematical planning programming methods, which suffer from issues such as long solution times and inability to consider the overall context. To address these issues, we proposed a mixed-integer nonlinear programming model incorporated the “P model” concept, specifically tailoring for typical mixing processes and crude oil procurement needs in refining scenarios. Additionally, an iterative solution algorithm based on p-norm and interior point method was designed based on the unique characteristics of integer variables. The results showed that, under the optimization background of 10 crude oils, 54 physical properties, and 58 processing units, our method outperformed commercial solvers in terms of both speed and economic efficiency. Furthermore, our approach exhibited superior robustness across multiple scenarios.

Key words: optimization, algorithm, petroleum, mixing processing, bilinear, interior point method, norm smoothing

中图分类号:

TQ013.2

董丰莲, 李鹏, 魏志伟, 孙鑫, 徐赫锴, 何畅. 考虑原油采购选择的混炼加工优化[J]. 化工进展, 2025, 44(8): 4648-4656.

DONG Fenglian, LI Peng, WEI Zhiwei, SUN Xin, XU Hekai, HE Chang. Optimization of mixing processing considering crude oil procurement selection[J]. Chemical Industry and Engineering Progress, 2025, 44(8): 4648-4656.

图/表 9

图1 混炼过程中常见的4种场景复杂度和求解时间对比

图2 炼厂生产过程

表1 基于p范数的内点加速算法流程

步骤	具体流程
初始化	令 $k = 1$ ，给定 $λ 、 M 0 、 p 0$ ，给定起始解、最大迭代次数K和误差容忍度 $δ$
第1步	若 $k ≤ K$ ，对于给定起始解，使用内点法求解器求解问题，获取最优解
第2步	计算惩罚项 $σ k = λ (B p k - N)$ ，若 $σ k ≤ 0$ ，进入第3步；否则，设定第2步中的最优解为起始解，返回第1步
第3步	计算0~1变量松弛带来的误差 $ε k = m a x i m i n B i k, 1 - B i k$ ，当 $ε k < δ$ ，求解完成，输出最优解；否则进入第4步
第4步	更新步长 $M k = M k - 1 ε - δ ε$ ，进入第5步
第5步	进行如下更新， $p k = p k - 1 - M k 、 k = k + 1$ ，进入第6步
第6步	设定最优解为起始解，返回第1步
输出	最优解 $X $ 、 $Y $

表1 基于p范数的内点加速算法流程

步骤	具体流程
初始化	令 $k = 1$ ，给定 $λ 、 M 0 、 p 0$ ，给定起始解、最大迭代次数K和误差容忍度 $δ$
第1步	若 $k ≤ K$ ，对于给定起始解，使用内点法求解器求解问题，获取最优解
第2步	计算惩罚项 $σ k = λ (B p k - N)$ ，若 $σ k ≤ 0$ ，进入第3步；否则，设定第2步中的最优解为起始解，返回第1步
第3步	计算0~1变量松弛带来的误差 $ε k = m a x i m i n B i k, 1 - B i k$ ，当 $ε k < δ$ ，求解完成，输出最优解；否则进入第4步
第4步	更新步长 $M k = M k - 1 ε - δ ε$ ，进入第5步
第5步	进行如下更新， $p k = p k - 1 - M k 、 k = k + 1$ ，进入第6步
第6步	设定最优解为起始解，返回第1步
输出	最优解 $X $ 、 $Y $

表2 算法求解得到的原油选购方案

原油品种	算例1选购量/t	算例2选购量/t	算例3选购量/t
纳波	33.0×10⁴	33×10⁴	33×10⁴
沙重	36.3×10⁴	15.0×10⁴	15.0×10⁴
巴士拉重	—	9.5×10⁴	9.5×10⁴
阿曼	—	50.1×10⁴	50.1×10⁴
卡斯蒂纳	—	12.0×10⁴	12.0×10⁴
卢拉	49.3×10⁴	—	—
科威特	—	—	—
巴士拉中	—	—	—
玛氏	—	—	—
沙轻	—	—	—
可选购的原油种类上限	≤3	≤5	≤7

表3 所提出优化算法和Gurobi求解器结果对比（算例1）

原油种类上限	p范数	求解策略	目标函数/CNY	计算时间/s
3	—	Gurobi	26871.24×10⁴	1000
3	0.2	本文提出的算法	—	—
3	0.4		24954.75×10⁴	82.04
3	0.5		26871.73×10⁴	210.86
3	0.6		26871.73×10⁴	39.09
3	0.7		26871.73×10⁴	33.54
3	0.8		26871.73×10⁴	66.72

表4 所提出优化算法和Gurobi求解器结果对比（算例2）

原油种类上限	p范数	求解策略	目标函数/CNY	计算时间/s
5	—	Gurobi	36094.12×10⁴	1000
5	0.2	本文提出的算法	33529.74×10⁴	18.70
5	0.4		36123.50×10⁴	22.87
5	0.5		36123.50×10⁴	21.21
5	0.6		36123.50×10⁴	24.69
5	0.7		36123.50×10⁴	21.39
5	0.8		36123.50×10⁴	21.74

表5 所提出优化算法和Gurobi求解器结果对比（算例3）

原油种类上限	p范数	求解策略	目标函数/CNY	计算时间/s
7	—	Gurobi	36051.03×10⁴	1000
7	0.2	本文提出的算法	36123.50×10⁴	31.07
7	0.4		36123.50×10⁴	25.81
7	0.5		36123.50×10⁴	25.03
7	0.6		36123.50×10⁴	27.79
7	0.7		36123.50×10⁴	30.93
7	0.8		36123.23×10⁴	29.57

图3 不同p范数初始值对目标函数的影响

图4 不同p范数初始值对求解时间的影响

参考文献 27

[1]	ALFAKI Mohammed, HAUGLAND Dag. Strong formulations for the pooling problem[J]. Journal of Global Optimization, 2013, 56(3): 897-916.
[2]	HAVERLY C A. Studies of the behavior of recursion for the pooling problem[J]. ACM SIGMAP Bulletin, 1978(25): 19-28.
[3]	Aharon BEN-TAL, EIGER Gideon, GERSHOVITZ Vladimir. Global minimization by reducing the duality gap[J]. Mathematical Programming, 1994, 63(1): 193-212.
[4]	QUESADA I, GROSSMANN I E. Global optimization of bilinear process networks with multicomponent flows[J]. Computers & Chemical Engineering, 1995, 19(12): 1219-1242.
[5]	TAWARMALANI M, SAHINIDIS N V. Convexification and global optimization in continuous and mixed-integer nonlinear programming[M]. Boston, MA: Springer, 2002.
[6]	KANNAN Ravindran, MONMA Clyde L. On the computational complexity of integer programming problems[M]//Lecture Notes in Economics and Mathematical Systems. Berlin, Heidelberg: Springer,1978.
[7]	SHERALI H D, ALAMEDDINE Amine. A new reformulation-linearization technique for bilinear programming problems[J]. Journal of Global Optimization, 1992, 2(4): 379-410.
[8]	SMITH E M B, PANTELIDES C C. A symbolic reformulation/spatial branch-and-bound algorithm for the global optimisation of nonconvex MINLPs[J]. Computers & Chemical Engineering, 1999, 23(4/5): 457-478.
[9]	SASS Susanne, MITSOS Alexander, BONGARTZ Dominik, et al. A branch-and-bound algorithm with growing datasets for large-scale parameter estimation[J]. European Journal of Operational Research, 2024, 316(1): 36-45.
[10]	MORRISON David R, JACOBSON Sheldon H, SAUPPE Jason J, et al. Branch-and-bound algorithms: A survey of recent advances in searching, branching, and pruning[J]. Discrete Optimization, 2016, 19: 79-102.
[11]	KARUPPIAH Ramkumar, GROSSMANN Ignacio E. Global optimization for the synthesis of integrated water systems in chemical processes[J]. Computers & Chemical Engineering, 2006, 30(4): 650-673.
[12]	CASTRO Pedro M. Tightening piecewise McCormick relaxations for bilinear problems[J]. Computers & Chemical Engineering, 2015, 72: 300-311.
[13]	SOARES Inês, ALVES Maria João, HENGGELER ANTUNES Carlos. A deterministic bounding procedure for the global optimization of a bi-level mixed-integer problem[J]. European Journal of Operational Research, 2021, 291(1): 52-66.
[14]	NASCIMENTO Mariá C V, DE CARVALHO André C P L F. Spectral methods for graph clustering—A survey[J]. European Journal of Operational Research, 2011, 211(2): 221-231.
[15]	Bochuan LYU, HICKS Illya V, HUCHETTE Joey. Building formulations for piecewise linear relaxations of nonlinear functions[EB/OL]. (2023-04-27)[2024-09-18]..
[16]	SUNDAR Kaarthik, HARSHA Nagarajan, JEFF Linderoth, et al. Piecewise polyhedral formulations for a multilinear term[J]. Operations Research Letters, 2021, 49(1):144-149.
[17]	DURAN Marco A, GROSSMANN Ignacio E. An outer-approximation algorithm for a class of mixed-integer nonlinear programs[J]. Mathematical Programming, 1986, 36(3): 307-339.
[18]	GEOFFRION A M. Generalized benders decomposition[J]. Journal of Optimization Theory and Applications, 1972, 10(4): 237-260.
[19]	KRONQVIST J, MISENER R. A disjunctive cut strengthening technique for convex MINLP[J]. Optimization and Engineering, 2021, 22: 1315-1345.
[20]	SHAMI Tareq M, EL-SALEH Ayman A, ALSWAITTI Mohammed, et al. Particle swarm optimization: A comprehensive survey[J]. IEEE Access, 2022, 10: 10031-10061.
[21]	LIU Xinggao, HU Yunqing, FENG Jianghua, et al. A novel penalty approach for nonlinear dynamic optimization problems with inequality path constraints[J]. IEEE Transactions on Automatic Control, 2014, 59(10): 2863-2867.
[22]	ZHOU Wenhao, CHEN Fayuan, JI Xiaoyuan, et al. A Pareto-based discrete particle swarm optimization for parallel casting workshop scheduling problem with fuzzy processing time[J]. Knowledge-Based Systems, 2022, 256: 109872.
[23]	FU Jun, TIAN Fangyin. Dynamic optimization of nonlinear systems with guaranteed feasibility of inequality-path-constraints[J]. Automatica, 2021, 127: 109516.
[24]	MURRAY Walter, Kien-Ming NG. An algorithm for nonlinear optimization problems withbinary variables[J]. Computational Optimization and Applications, 2010, 47(2): 257-288.
[25]	GE Dongdong, JIANG Xiaoye, YE Yinyu. A note on the complexity of lpminimization[J]. Mathematical Programming, 2011, 129(2): 285-299.
[26]	CHEN Xiaojun, GE Dongdong, WANG Zizhuo, et al. Complexity of unconstrained L₂—L _P minimization[J]. Mathematical Programming, 2014, 143: 371-383.
[27]	何银仁, 解增忠. 炼油生产经营优化应用案例[M]. 北京: 中国石化出版社, 2018.
	HE Yinren, XIE Zengzhong. Optimization application cases in oil refining production and management[M]. Beijing: China Petrochemical Press, 2018.

考虑原油采购选择的混炼加工优化

Optimization of mixing processing considering crude oil procurement selection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 27

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨证禄, 杨立峰, 路晓飞, 锁显, 张安运, 崔希利, 邢华斌. 机器学习加速多孔吸附剂筛选发现的研究进展[J]. 化工进展, 2025, 44(8): 4288-4301.
[2]	吴博, 马琳萱, 张明峰, 曹丽娟, 周蕾, 王学重. 基于机器学习的超声衰减预测水滑石粒度分布[J]. 化工进展, 2025, 44(8): 4365-4374.
[3]	朱孝忠, 房韡, 赵毅. 基于深度VGG模型在乙烯裂解炉装置的预测应用[J]. 化工进展, 2025, 44(8): 4419-4429.
[4]	赵用明, 卜亿峰, 王涛, 杜冰, 门卓武. 费托合成催化剂动态置换与稳态工艺的集成优化[J]. 化工进展, 2025, 44(8): 4536-4544.
[5]	杨傲, 邓苇, 黎勇, 罗婧, 王梓霖, 张俊, 申威峰. 基于热力学拓扑理论的三塔变压精馏分离四氢呋喃/甲醇/乙醇多目标优化设计[J]. 化工进展, 2025, 44(8): 4582-4593.
[6]	王阳峰, 蔡海乐, 张舒冬, 朱紫宸, 所聪, 杨雁, 侯栓弟. 钠离子电池石油焦基负极/电解液的相容性[J]. 化工进展, 2025, 44(7): 3850-3859.
[7]	于宁, 王秋月, 王志才, 高子怡, 柴永明, 董斌. 双位点协同调控增强钙钛矿氧化物的水氧化活性[J]. 化工进展, 2025, 44(7): 3976-3984.
[8]	叶晓生, 袁婷, 贾鑫, 任庆霞. 多元复合纳米材料去除微囊藻毒素-LR研究进展[J]. 化工进展, 2025, 44(7): 4144-4157.
[9]	单灵海, 段欢欢, 郑旭铭, 黄晓璜, 崔国民. 一种新的换热单元竞争强化策略优化换热网络[J]. 化工进展, 2025, 44(6): 3393-3404.
[10]	姚如伟, 宋乐音, 牛琴琴, 李聪明. Na-S双助剂修饰铁基催化剂催化CO₂加氢制C₂₊醇[J]. 化工进展, 2025, 44(6): 3154-3162.
[11]	李明, 周依, 南兰, 叶晓生. 自动优化连续合成研究进展[J]. 化工进展, 2025, 44(6): 3190-3198.
[12]	周鹏辉, 曾琳, 代黎, 冯小波, 倪笛. 响应面法和熵权法对离心风机的多目标性能优化[J]. 化工进展, 2025, 44(6): 3271-3279.
[13]	乔金樑. 原料替代助力我国石化产业高质量发展[J]. 化工进展, 2025, 44(5): 2803-2805.
[14]	任世鹏, 安元, 娄春, 梅晟东, 刘凯, 陈新建. 融合深度学习算法的炉内燃烧温度场分布在线重建[J]. 化工进展, 2025, 44(4): 1923-1933.
[15]	李梓良, 张玮, 胡恒, 王盈锦, 徐娜. 基于生成对抗网络的化工过程低成本mGAN-NN建模[J]. 化工进展, 2025, 44(4): 1978-1986.