摘 要： 針對柴油生產過程中的加氫精制與調合優化問題，建立加工和庫存成本優化模型，采用改進粒子群算法進行計算。通過對某煉油廠一個月的柴油生產數據進行測試，結果表明該算法有較好的應用效果，對柴油排產有一定的指導作用。
關鍵詞： 粒子群；混沌；混沌粒子群優化算法
加氫精制是煉油廠廣泛采用的加工過程，主要用于柴油的精制等。油品調合則是將各種柴油組分油以一定的比例混合，使油品質量符合國家標準。參與調合的柴油組分以及各組分的比例，需要根據各組分的性質、產品質量要求以及具體生產實際而定。在追求最低生產成本方面，產品性質與生產成本相互制約，通過加氫精制與調合優化可以解決這一問題。但油品調合存在著組分油種類多、目標多樣化以及過程不可終止等限制條件，采用傳統的計算方法如一些常規線性算法會出現計算量巨大、結果失真等問題[1-2]。近年來已有了一些新的方法和手段用于柴油的精制與調合。其中，使用計算智能優化算法和技術，可以在求解時間和求解精度上取得平衡，較好地解決這些問題。
粒子群優化算法PSO（Particle Swarm Optimization）是由Kennedy和Eberhart等人于1995年提出的一種全局搜索算法，同時也是一種模擬自然界的生物活動以及群體智能的隨機搜索算法，具有容易實現、應用領域廣泛等優點。利用混沌獨特的性質，將其引入到粒子群中，可有效提高現有粒子群算法的優化性能，解決粒子群算法易陷入局部極值的不足問題。目前已有不少混沌粒子群優化算法的成功應用[2-4]。本文根據某煉油廠柴油生產需求，建立了加工成本和庫存成本優化模型，并使用設計的混沌粒子群算法進行實例計算，得到了較優的結果。
1 模型建立
柴油生產過程中降低成本的主要手段是在出廠柴油滿足含硫量等質量指標要求的前提下降低高成本組分（包括調合和加氫柴油）的比例。同時，還要考慮原油的庫存成本，降低高庫存成本率組分油的庫存。
約束條件中，式（2）限制出廠柴油含硫率不得超過0.2%，式（3）將調合柴油第i組分流量限制在該組分流量的上下限Qui和Qli之間，式（4）將加氫精制柴油總流量限制在加氫精制能力的上下限Qhu和Qhl之間。式（1）~式（6）表明，加工和庫存成本優化即為在約束條件下，通過求解調合柴油各組分比例ri和組分中加氫精制的比例λi，使J取最小值。
2 粒子群優化算法簡述
粒子群優化算法是一種群體智能SI（Swarm Intelligence）算法，它結合了動物的群體行為特性以及人類社會的認知特性[5]。在該算法中，每個個體被視為在n維搜索空間中的一個不同的粒子，都具有速度和位置；速度決定了其運動的方向和速率，位置則體現了粒子所代表的解在解空間的位置，為評估該解質量的基礎。算法要求粒子在進化過程中維護這兩個向量。位置的維護，體現在每個粒子各自維護一個自身的歷史最優位置向量，群體維護一個全局最優位置向量。假設在一個D維的搜索空間中，有m個粒子組成一個群體。其中第i個粒子在D維的搜索空間中的位置xi=（xi1，xi2，…，xiD），i=1，2，…，m。將xi代入目標函數可計算出其適應值，根據此值的大小衡量xi的優劣；對于最小化問題，目標函數值越小，對應的適應值越好。第i個粒子的歷史最優位置記為pi=（pi1，pi2，…，piD），群體最優位置向量記為pg=（pg1，pg2，…，pgD）。速度則是由個體的飛行經驗和群體的飛行經驗進行動態調整；第i個粒子的速度vi=（vi1，vi2，…，viD），其第d維的速度和位置按如下方程進行迭代更新：
3 改進的粒子群優化算法
粒子群優化算法雖然容易實現、應用廣泛，但也存在著早熟收斂、收斂精度不高的缺點，在求解多極值優化問題時難以獲得真實的全局最優解。自該算法提出以來，研究者就不斷地通過將其與其他搜索算法或者思想技術相結合來進行算法的改進。混沌優化算法作為一種較新的搜索算法，其基本思想是把變量從混沌空間變換到解空間，利用混沌變量在一定范圍內具有隨機性、遍歷性和規律性的特點進行優化搜索，能使算法跳出局部最優，保持群體的多樣性，具有全局漸進收斂和收斂速度快的搜索性能。本文嘗試將這兩種算法相結合，即使用一種新的混沌粒子群優化算法，將混沌融入到粒子的運動過程中，為粒子提供遍歷參考點，增強其主動搜索性，以達到更好的效果。
算法步驟如下：
4 改進的粒子群算法在柴油排產中的應用
算法采用Java語言編程實現，開發工具為Eclipse IDE for Java Developers（Version：Juno Service Release 2），運行環境為Java（TM）SE Runtime Environment（build 1.7.0_11-b21）。測試以某煉油廠一個月的柴油生產數據為例[6]，25種不同源地（種類）的原油經過蒸餾、焦化、催化等裝置處理所生成的8種柴油將參與加氫精制與調合。將這些原油按其所生成的柴油的硫含量從高到低加以排序并用編號表示。粒子維數設為組分油的個數25，各粒子的初始位置和速度通過隨機函數生成（定義隨機函數時以使粒子的初始位置為各組分油的量附近的隨機值、速度參數生成值稍小為宜），設定粒子群規模為80，最大迭代次數為10 000。算法運行20次，所得最優解可使編號前12種組分油進行加氫，所有組分油經調合后平均硫含量為0.194%，相比參考文獻[6]的預測排產方案（編號前11種組分油進行加氫，所有組分油經調合后平均硫含量為0.191%）要稍優，并使庫存成本處于較低的水平。具體數據見表1。
本文針對柴油生產過程中的加氫精制與調合優化問題，建立了加工和庫存成本優化模型，并采用改進粒子群算法進行實驗。測試所得最佳結果可使產品質量更加逼近臨界合格標準從而降低柴油生產成本，同時也降低庫存成本，對柴油排產具有一定的指導作用。此算法對于更多的組分油以及更多的質量指標的排產也具有一定的參考價值。
參考文獻
[1] 蔡智，黃維秋，李偉民，等.油品調合技術[M].北京：中國石化出版社，2005.
[2] 寧建華，趙英凱，李麗娟.基于改進粒子群算法的柴油調合配方優化[J].化工自動化及儀表，2010，37（10）：22-25.
[3] 黃平.粒子群算法改進及其在電力系統的應用[D].廣州：華南理工大學，2012.
[4] 徐文星．混沌粒子群優化算法及應用研究[D]．北京：北京化工大學，2012.
[5] 張軍，詹志輝.計算智能[M].北京：清華大學出版社，2009.
[6] 陳曉龍，吳世逵，梁朝林.柴油加氫精制工藝的線性規劃優化[J].茂名學院學報，2003，13（4）：18-22.