煉化生產計劃優化中的分子建模方法

董豐蓮，孫鑫，余海鵬，楊磊，魏志偉

(1.中國石油天然氣股份有限公司規劃總院，北京 100083；2.油氣業務鏈優化重點實驗室，北京 100083)

0 引言

近年來，石油供應的劣質化、原料來源的多元化和日益嚴格的環保要求，導致石油加工工業的利潤大幅降低?；诜肿庸芾淼睦砟铋_展石油加工原料和產品性質預測，在分子水平上模擬石油加工過程，并將其與計劃優化系統、調度優化系統、實時優化系統等系統集成，為石油加工過程準確選擇原料、優化加工過程和產品調合、最大化生產高附加值產品提供支持，對提高日趨攤薄的石油加工過程邊際利潤和實現可持續發展具有重要的意義[1-2]。

目前，分子管理技術在國外大型煉化企業已經建立和應用。例如，美國ExxonMobil 公司已實現將油品分子表征技術、集總反應動力學模型與計劃優化系統、生產調度和實時優化系統相結合，構建煉廠整體優化模型[3]。我國分子管理技術還處于基礎研究和單裝置應用階段，在和生產計劃優化系統結合方面的研究還很少，有必要開展生產計劃優化中的分子建模技術研究，支持全廠范圍的精細化優化[4-5]。

當前在煉化生產計劃優化中，煉化企業的普遍做法是：將采購的原油經過原油評價系統得到原油及餾分的宏觀性質數據和集總數據，然后結合煉廠生產數據，通過集總級反應器模型生成反應機理模型計算式(在模型中以Delta-base 結構[6]表達)，用以支撐計劃優化系統二次裝置子模型的更新[7-8]。以石腦油連續重整裝置為例，在傳統的生產計劃優化模型中，建立起產品收率和原料中芳潛含量的Delta-base 關系，石腦油加工路線簡單按照石腦油質量進行流向分配優化，輕質石腦油走乙烯化工路線，輕中質石腦油去芳烴和汽油調和路線。但是，隨著煉化加工技術的發展，石腦油的加工路線劃分更加精細化，新型煉化企業在石腦油加工路線中應按照“宜油則油、宜烯則烯、宜芳則芳”的指導方針，當石腦油原料中的芳潛含量高且餾程適中，則對重整加工有利；當石腦油中直鏈烷烴含量高，環烷烴及芳烴含量低則適合用于裂解乙烯[9]。目前國內外很多乙烯裝置已經開始從吃“粗糧”到吃“細糧”轉變，新建的乙烯裝置裂解爐已有針對乙烷、丙烷的專用氣體裂解爐，很多乙烯裝置的乙烯收率已經高達50% 以上。這些轉變都要求在計劃優化模型中按照石腦油分子組成不同進行更細粒度的建模[10]。石腦油分子組成建模，就是從分子水平來認識石腦油的加工過程，通過準確預測石腦油產品性質來優化石腦油工藝和加工流程，提升每個分子的內在價值，充分、有效利用寶貴的石腦油資源。但當前分子煉油技術大多集中應用在流程模擬等機理模型中，實現單裝置的反應模擬，在生產計劃優化層面，石腦油分子組成建模的優化應用較少。

因此，考慮將分子建模技術引入生產計劃優化，在煉化計劃優化模型中，開展常壓裝置的原油分子級調和與切割，以及二次裝置的分子建模，從而準確反映裝置產品收率和產品性質與原料分子組成的關聯關系，提升計劃優化模型的精細度。本文以某煉化一體化企業(A 企業)的石腦油加工流程計劃優化過程為研究案例。在全廠計劃優化模型中，將連續重整和芳烴聯合裝置構建為分子模型，其余裝置保持原來的傳統建模方式，然后從全廠角度對石腦油的生產加工過程進行優化分析。

1 石腦油加工路線分子模型構建

1.1 物性傳遞描述

1.1.1 Delta-base 結構

煉廠裝置在實際加工過程中，產品收率隨著進料物性不同而動態變化，在計劃優化過程中，通過Delta-base 結構描述。在Delta-base 結構中，首先確定當進料的某一性質為基準值(base)時對應的產品收率；然后以此為基礎，通過給定當該性質偏離一單位量時目標產物的收率變化情況(delta)，來預測產品收率的實際變化。

Delta-base 對收率的影響可描述為如下公式：

式中：u為裝置；min為裝置進料；mout為裝置出料；p為可供選擇的加工方案；q為物性；d為裝置的Delta-base 結構；Yu,mout為裝置u產出的物料mout的量；Yu,p為裝置u的方案p的加工量；ηu,p,mout為煉廠裝置u方案p產出的物料mout的基準收率；Xmin,q為進料min的物性q的值；δu,p,d,min,q為裝置u方案p中進料min的物性q的基準值；γu,p,d,min為產品收率隨進料物性的變化速率；Yu,mout、Yu,p和Xmin,q分別為變量；其余為輸入的參數。

對涉及化學反應的二次裝置(如重整、催化、加氫、焦化、乙烯裂解等裝置)，需要應用Delta-base 結構描述二次裝置收率隨進料性質和操作條件變化的對應關系。

1.1.2 分方案物性傳遞

在煉化生產過程中，裝置出料性質通常隨加工原料不同和操作條件不同發生變化，因此在優化模型構建中，需要實現物性傳遞的描述。在單方案生產中，物性傳遞結構如式(2)所示：

式中：Xmin,q、Xmout,q分別為進料min和出料mout的物性q的值；A、B分別為裝置進料min和出料mout之間關于物性q的傳遞系數。

為了支持裝置分子建模等業務需求，需要在模型構建中考慮不同方案、不同原料和不同物性的物性傳遞描述，即式(3)和式(4)：

式(3) 和式(4) 中：Xmout,u,p,q為裝置u方案p產出的物料mout的物性q的值；Au,p,min,mout,q、Bu,p,min,mout,q分別為裝置u方案p中裝置進料min和出料mout之間關于物性q的傳遞系數；Ymout,u,p為裝置u方案p產出的物料mout的量；Xmin,q、Xmout,q分別為進料min和mout的物性q的值；Xmout,q、Xmout,u,p,q和Ymout,u,p都是變量。

式(4)的含義為某產品的某物性×該產品的總產量=Σ(通過傳遞結構得到的某方案中該產品的該物性×對應方案產量)。

1.1.3 模型求解和優化計算方法

在Aspen PIMS、Honeywell RPMS 等傳統計劃優化軟件中，物性結構的傳遞不分方案，即只能實現式(2)形式的物性傳遞。在這些軟件中，為了實現分子建模需要搭建極為復雜的結構，對業務人員而言難度很大且不易理解，同時參數修改、模型更新非常困難。

中國石油天然氣股份有限公司規劃總院響應國家提升自主創新能力、加快油氣行業“卡脖子”技術攻關的號召，結合煉化企業生產計劃優化業務需求，自主研發了新一代計劃優化軟件—凌睿煉化計劃優化平臺(ref inery intelligent planning optimization,RIPO)，并已在四川石化、華北石化、廣東石化、克拉瑪依石化、吉林石化等多家煉化企業推廣應用[11]。在RIPO 中，對物性傳遞功能進行了升級，實現了分方案、分原料、分物性三個不同維度下原料向產品物性傳遞的建模，從而使分子建模優化更加方便。此外，Delta-base 功能和分方案物性傳遞功能都會增加模型中非線性方程數量，為求解帶來難度。針對復雜非線性問題的計算，在RIPO 中，共開發了變步長的改進分布遞歸算法、基于信賴域搜索的SLP 算法、兩階段獲取初始值的改進內點算法3 種算法。應用多家煉化企業的實際數據進行了驗證，結果表明幾種算法在收斂性和求解質量方面均表現較好，幾種算法的結合應用，為搜尋全局最優解提供了保障。

本文依靠RIPO 平臺對A 企業的石腦油加工流程計劃優化過程進行了分子建模計算，以此探究將分子管理理念引入我國煉化企業生產計劃優化過程的模型開發方法。

1.2 石腦油加工過程建模

A 企業的石腦油加工路線包括連續重整和芳烴聯合裝置，如圖1 所示。連續重整裝置的主要原料為直餾石腦油，產品包括重整氫氣、重整干氣、重整液化氣、重整C5 餾分和重整生成油等。芳烴聯合裝置包括二甲苯分離、芳烴抽提、吸附分離、歧化、苯甲苯分離、C8 異構化等6 個單元，主要原料為重整生成油，主要產品包括對二甲苯、苯和高辛烷值汽油組分等。

1.2.1 常減壓蒸餾裝置建模

常壓裝置側線中，初頂石腦油和常頂石腦油是后續連續重整裝置的原料，因此在原油切割表中，除了需要定義各原油中各側線的收率及密度、硫含量等一些宏觀性質外，還需要根據原油中石腦油餾分段的分子評價數據，定義每一種原油初頂石腦油和常頂石腦油的分子構成。

為了實現分子建模，原油切割表中的初頂石腦油和常頂石腦油中，除了收率、密度、硫含量、芳潛含量等性質外，還定義了C5～C9 各類分子的含量，包括：C5-正構、C5-異構、C5-環烷；C6-正構、C6-異構、C6-環烷、甲基環戊烷、苯；甲苯、C7-正構、C7-異構、C7-環烷；C8-正構、C8-異構、C8-環烷、乙苯、間二甲苯、混二甲苯、鄰二甲苯、對二甲苯；C9-正構、C9-異構、C9-環烷、C9-芳烴，共計24 類分子。作為示意，在表1中，列出了C5～C6 的各類分子含量。

表1 原油切割表中的部分石腦油性質數據

1.2.2 連續重整裝置建模

連續重整裝置的進料為初頂石腦油和常頂石腦油，產品有：重整氫氣、重整干氣、重整液化氣、重整C5 餾分和重整生成油。重整產物中各分子的收率隨進料中分子組成的關系，以及經分離后，各分子在最終5 股產物中的占比通過流程模擬軟件得到。

為實現分子建模，在計劃優化模型中，將實際的二次加工裝置(圖2(a)) 設置為一系列邏輯裝置的組合(圖 2(b))。在RIPO 平臺中，建立了一個調和池和兩個二次加工裝置，具體包括三個步驟。

圖2 連續重整裝置建模示意圖

步驟一：建立一個調和池，將初頂石腦油和常頂石腦油匯流為重整裝置進料。模型計算時，混流后的重整進料中，各分子含量為兩股原料中各分子含量的加權平均值。

步驟二：建立一個邏輯上的二次加工裝置，進料為石腦油，出料為重整氫氣、干氣、C3、C4、正構C5、異構C5、苯、甲苯、鄰二甲苯、間二甲苯、乙苯、C9 芳烴、C10 芳烴等15 類分子。該邏輯裝置為一個Deltabase 模型，其生產方案由1 個基準條件和24 個delta條件共同構成。Delta-base 結構定義如圖3 所示，該頁面定義了石腦油中各種分子的基準含量，如第一行定義了C5-正構的基準含量為0.000 983。

圖3 重整反應的基準條件定義

圖4 重整裝置將分子產物合成為實際產品的收率定義

在Delta-base 結構定義基礎上，進一步定義加工方案1 中該裝置在基準條件下的收率及各delta 收率，如表2 中“NC5”這一行定義了原料中C5-正構含量每變化一個單位，對應的各分子產物的收率的變化情況。此處“產物”并非指重整裝置的實際產出，而是裝置內部虛擬的分子流股，需要在下一步中將該邏輯裝置的產物合并成為實際的重整出料流股。

表2 重整反應的分子收率定義

表4 重整生成油分子組成

步驟三：建立一個邏輯上的二次加工裝置，進料為步驟二中的分子產物，出料為重整裝置實際產出的流股，包括重整氫氣、重整干氣、重整液化氣、重整C5餾分和重整生成油。該裝置為一個多方案物性傳遞模型，共建立了15 個生產方案，每一個方案描述一種分子產物在最后實際產物中的分布情況截圖如圖 4 所示。以“正構C5 餾分”這一列舉例，其含義為：重整反應后的分子產物中，正構C5 進入重整氫氣、重整干氣、重整液化氣、重整C5 餾分和重整生成油中的比例分別為0.015 5、0.001 6、0.033 8、0.887 9 和0.061 2。

最后，為得到該裝置的產物分子構成，建立分方案物性傳遞結構。以重整生成油為例，在方案“正構C5 餾分”中，生成的產品“重整生成油”的物性“C5-正構含量”為1。按照式(4)，該裝置產生的物料“重整生成油”的物性“C5-正構含量”=方案“正構C5 餾分”產生的重整生成油的量×該方案產生的重整生成油的“C5-正構含量”/該裝置產生的重整生成油的總量=方案“正構C5 餾分”產生的重整生成油的量×1/該裝置產生的重整生成油的總量。

因此，通過上述方式，可實現對產物“重整生成油”的“C5-正構含量”的準確計算。

1.2.3 芳烴聯合裝置建模

芳烴聯合裝置包括二甲苯分離、芳烴抽提、吸附分離、歧化、苯甲苯分離、C8 異構化等6 個單元。其中歧化、C8 異構化為化學過程，建模方法和重整裝置類似，不再詳述。二甲苯分離、芳烴抽提、吸附分離、苯甲苯分離為物理過程，下面以二甲苯分離單元為例，對這種物理過程進行分子建模。

二甲苯分離單元的進料為重整生成油、歧化C8+芳烴和脫庚烷塔底液，產品為二甲苯分離C6/C7、混合二甲苯、C9 芳烴和重芳烴。在RIPO 中，建立一個調和池和兩個邏輯裝置描述二甲苯分離單元，具體步驟如下。

步驟一：建立一個調和池，將重整生成油、歧化C8+芳烴和脫庚烷塔底液三股物料匯流為二甲苯分離進料。

步驟二：建立一個邏輯裝置，將二甲苯分離進料拆分為正構C4、異構C4、正構C5、異構C5、苯、甲苯、混二甲苯、鄰二甲苯、間二甲苯、對二甲苯、乙苯、C9芳烴、C10+ 芳烴等12 類分子。該裝置的生產方案由1 個基準條件和12 個delta 條件共同構成。

步驟三：建立一個邏輯裝置，進料為步驟二中的分子產物，出料為二甲苯分離實際產出的流股：二甲苯分離C6/C7、混合二甲苯、C9 芳烴和重芳烴，上述邏輯裝置的建模方法和連續重整裝置中將重整分子產物合成為實際產物的方法類似，不再詳述。

最終，建立的芳烴聯合裝置分子模型共包括6 套調和池和14 套二次加工裝置，包含66 個Delta-base結構和101 個物性傳遞結構。

2 結果與討論

2.1 常減壓計算結果

將石腦油加工路線分子模型納入A 企業的全廠生產計劃優化模型中進行計算，該全廠模型共包含80 套加工裝置、32 套調和池、488 種物料、70 種物性、110 個Delta-base 結構和290 個物性傳遞結構。全廠模型共包含2 450 個變量、5 426 個方程、8 919 條參數，通過RIPO 平臺計算，可在1 min 以內得到全廠優化結果。

模型優化表明，為獲得較高的經濟效益，常壓裝置應加工40.66×104t 上扎庫姆原油和13.98×104t阿曼原油，得到的直餾石腦油分子組成。

2.2 連續重整和芳烴聯合裝置計算結果

直餾石腦油經連續重整裝置后得到的分子產物，及將分子產物合成后的實際產物產量如圖5 所示。

圖5 重整裝置計算結果

圖6 二甲苯分離單元計算結果

反應后得到的重整生成油的分子組成如表 4 所示。

經二甲苯分離單元得到的分子產物，及將分子產物合成后的實際產物產量如圖 6 所示。此外，模型計算結果中還包含了二甲苯分離C6/C7、混合二甲苯(去吸附分離)和C9 芳烴(去歧化)的具體分子組成。

3 結論

本文提出了一種在煉化生產計劃優化中開展裝置分子建模的方法，并采用自主研發的RIPO 軟件平臺完成了包含分子模型的全廠計劃優化模型計算。在分子建模具體實現上，本文提出將實際的二次生產裝置分解為多個邏輯設備的計算方法，包括兩個主要步驟：

(1)將物料分解為分子組分。采用“多Delta-base”技術，將產品按照分子產物進行細分，并建立產物收率隨進料中C1～C10 組分含量變化的Delta-base 結構，實現分子層面的投入產出轉化關系描述。

(2)將分子產物合成為實際產物。建立純分子產物與實際產物的多方案對應結構，實現分子層面的對應組合；采用分方案物性傳遞技術，建立裝置實際產品在不同進料和不同加工方案下分子組成的物性傳遞結構，實現實際產物中分子含量的動態傳遞計算。

該方法基于國產化的RIPO 計劃優化平臺實現，該平臺具有建模便捷、過程顯性化、結果直觀等特點，具有較廣闊的推廣前景。經過對A 企業實際生產模型的測算，該建模方法有效實現了分子水平的計劃優化，給出了考慮具體分子組成的優化生產方案，并且提供了該方案下特定裝置、流股中的分子組分信息。

通過精細化分子建模技術，可使模型在原油采購優化、外購原料優化、產品產量和結構優化、產品調和優化等方面的應用更加準確，從而優化資源配置，助力企業挖潛增效。