2. 中国石油燃料油有限责任公司, 北京 100102;
3. 辽宁石油化工大学化学化工与环境学部, 辽宁抚顺 113001
2. PetroChina Fuel Oil Company Limited, Beijing 100102, China;
3. College of Chemistry, Chemical Engineering and Environmental Engineering, Liaoning Shihua University, Fushun 113001, China
蒸馏过程的能耗约占炼油装置能耗的35%~45%[1], 换热网络是化工过程中最主要的能量回收场所, 其设计、运行的优劣直接影响全厂能耗。原油蒸馏装置与其耦合的换热网络是两个联系最为紧密的系统, 因此原油蒸馏装置与其耦合换热网络之间的协同优化显得非常必要。常减压系统和换热网络设计和改造几乎是独立进行的, 在设计问题或评级问题中[2], 操作优化引起了关注。化工过程优化问题是一个多目标优化问题[3-4]。Liu等[5]提出了一种数学规划方法(即混合遗传算法)以获得原油蒸馏装置的最佳换热网络改造方案, 然而优化策略没有涉及蒸馏系统和换热网络之间的相互作用。Luo等[6]采用aspen plus软件中的简捷模型模拟原油蒸馏装置, 并以最小能量消耗和最大产品产量为目标函数采用随机算法优化该蒸馏系统, 尽管采用简捷模块[6], 但优化结果合理且准确。Miranda等[7]提出了一个模型来优化多期运行的换热网络, 换热网络设计采用了Yee和Grossmann[8]提出的多步计算方法, 目标函数是最小年度总成本(TAC)。在Miranda[7]等的工作中, 换热网络设计方法采用分时程序, 不引入等温混合假设, 提高了模型的准确性。人工神经网络(ANN)算法[9]和遗传算法(GA)[10-11]等在处理非线性优化问题(优化目标和约束通常构成混合整数的非线性规划问题)时起到了重要作用。Lazzaretto等[12-15]提出的概率性方法也得到了很好的发展和应用, 为了降低高度非线性严格模型和相变计算的复杂性, 计算过程中采用了相应的简单替代模型。Hohmann[16]提出的夹点分析方法广泛应用于能量回收系统。Linnhoff等[17-18]对夹点理论的发展做了大量工作。Quirante等[19]利用夹点定位方法提出了一种同时进行优化和热集成的新型分离模型。Hafizan等[20]提出了一种基于夹点分析的方法以研究最佳换热网络设计的固有安全性和可操作性。夹点分析可以用于探究换热网络的节能潜力。与单独的换热网络优化相比, 蒸馏系统及其换热网络系统的协同优化会得到更好的结果[21]。笔者对原油蒸馏装置及其换热网络进行协同优化研究, 基于前人的设计优化研究[22-25], 建立常减压装置和耦合换热网络的稳态模型; 以经济利润和系统热负荷为优化目标, 提出原油蒸馏装置及其换热网络的多目标协同优化模型; 通过优化原油蒸馏装置及其耦合换热网络, 确定最佳工艺操作参数; 采用夹点分析方法对优化前后的常减压装置换热网络进行对比分析。
1 常减压系统模型建立以某炼油厂436×104 t/a的常减压系统为研究对象, 原油蒸馏装置由初馏塔、常压塔和减压塔组成, 其中的初馏塔有14块理论板, 塔底采用蒸汽汽提, 塔顶采用分凝器, 无侧线采出; 常压塔有48块理论板, 塔底采用蒸汽汽提, 塔顶采用分凝器, 3个侧线采出; 减压塔有17块理论板, 塔顶采用冷凝器, 4个侧线采出。换热网络包含换热器和加热冷却器共34个以及混合和分流器共11个。原油蒸馏装置稳态模型图与简并后的换热网络稳态模型见图 1和图 2。利用aspen plus流程模拟软件模拟原油蒸馏装置与耦合的换热网络的实际工况。原油蒸馏装置稳态模型中塔模型均选用PetroFrac模型, 换热网络稳态模型中的换热器模型采用Heater或HeatX模型。物性方法选用BK10[26]。
常减压系统进料为沙特阿拉伯轻质原油, API重度为31.11。原油的实沸点数据见表 1。
采用多目标优化方法对常减压系统的原油蒸馏装置与耦合的换热网络进行协同优化, 模型见图 3。利用aspen plus建立常减压系统模型, 利用Matlab编写NSGA-Ⅱ算法程序。通过COM以及ActiveX技术开发的接口工具实现软件信息交互功能, 采用Matlab调用遗传算法NSGA-Ⅱ运行aspen plus完成常减压系统的多目标协同优化。
采用多目标遗传算法(NSGA-Ⅱ)对常减压系统进行协同优化研究。该算法不仅能处理带有约束的多目标优化问题, 并且能基于任何模拟初值进行全局优化, 排除模拟不能收敛的工况, 得到相应的Pareto最优解集。选择热负荷最小和经济利润最大作为优化目标。为保证产品规格, 选择石脑油与柴油产品的ASTM D86(质量分数为95%, 温度为138和214.5 ℃)、常压塔的侧线采出流量作为约束条件。通过分析常减压系统确定原油换热终温(T1, b)、初馏塔底油换热后温度(T2,b)、常压炉出口温度(TAtm-furnace)、减压炉出口温度(TVac-furnace)和初馏塔塔底、常压塔塔底以及常压塔侧线3汽提塔的汽提蒸汽流量(分别为Fsteam1、Fsteam2和Fsteam3)为决策变量。决策变量的取值见表 2。
常减压系统的热负荷和经济利润模型如下:
$ Q = C{P_{{\rm{oil}}}}\left( {{T_{1, {\rm{b}}}} - {T_{\rm{a}}}} \right) + C{P_{{\rm{bottom}}}}\left( {{T_{2, {\rm{b}}}} - {T_{{\rm{bottom}}}}} \right) + {Q_{{\rm{Furnace}}}}, $ | (1) |
$ B = \sum\nolimits_i {{P_i}{F_i} - {C_{\rm{c}}}{R_{\rm{c}}} - {M_{\rm{Q}}}{Q_{\rm{Q}}} - {M_{\rm{C}}}{Q_{\rm{C}}}} - \sum\nolimits_g {{Z_{\rm{g}}}{S_{\rm{g}}}.} $ | (2) |
式中, Q为热负荷, kJ·h-1; CPoil和CPbottom分别为原油和初馏塔底油的热容流率, kJ·℃-1·h-1; T1, b和Ta分别为原油换热终温和原油进装置温度, ℃; Tbottom和T2, b分别为初馏塔底油换热前后温度, ℃; QFurnace为加热炉热负荷, kJ·h-1; B为经济利润, 元·h-1; Pi为i产品的价格, 元·m-3; Fi为i产品的流量, m3·h-1; Cc为原油价格, 元·m-3; Rc为原油流量, m3·h-1; MQ和MC分别为燃料和冷却水价格, 元·kJ-1; QQ和QC分别为燃料和冷却水负荷, kJ·h-1; Zg为汽提蒸汽g的价格, 元·kg-1; Sg为汽提蒸汽g的流量, kg·h-1; g表示初馏塔塔底、常压塔塔底以及常压塔侧线3汽提塔的汽提蒸汽。
原料与产品馏分价格参考Mittal等[27]的数据。计算经济利润参考的沙轻原油、石脑油、煤油、柴油、重柴油、减压蜡油和减压渣油价格分别为3 402.56、3 894.19、3 933.77、3 896.97、3 797.67、3 485.88和2 013.76元·m-3。
2.3 优化过程遗传算法优化程序见图 4。其中算法采用的选择、交叉和变异算子分别为二元锦标赛选择、中间交叉和高斯变异:设置遗传算法参数, 种群大小设为100个, 最大遗传代数设为100, 交叉概率和变异概率分别为0.8和0.5;利用aspen plus建立常减压系统模型; 利用NSGA-Ⅱ随机产生初始种群, 根据aspen plus模拟结果对初始种群的个体进行目标函数与约束条件评价, 利用约束条件和Pareto最优策略对种群个体进行排序并将种群分为数个子种群; 利用遗传算法操作算子对种群进行选择、交叉以及变异操作以产生新一代种群; 根据aspen plus模拟结果对新一代种群个体进行目标函数与约束条件评价; 重复上述过程, 直到遗传优化代数达到设定的最大遗传代数。
不同遗传代数优化得到的解集见图 5。由图 5看出, 运行5代后只得到了随意分布的解集。随着遗传代数的增加, 解集逐渐趋于集中且接近近似的Pareto最优解集。当遗传代数达到100代时, 优化算法终止。第100代的优化结果得到了较好的Pareto最优解集。
图 5(d)为最终的优化解集, 优化工况的经济效益比原始工况的经济效益高, 且热负荷小。这表明多目标协同优化方法可实现降低能耗与提高效益的目的。图中初始工况的热负荷为3.92×108 kJ·h-1, 经济利润为5.56×104元·h-1。图 5中绿色菱形代表在权衡经济利润与热负荷目标后所选择的最优工况, 最优工况与初始工况对比见表 3。可以看出, 在不改变原油换热终温的前提下, 优化后的常减压系统的经济利润提高了6.12%, 热负荷下降了3.57%。优化前后的馏分产量对比见表 4。可以看出, 石脑油和减压蜡油产品流率与初始工况相比分别增加了2.97%和5.06%, 其余产品流率没有改变, 总产品流率则增加了2.82%, 减压渣油流率减少了7.25%。图中的三角形代表经济利润最小所对应的工况, 此工况对应的热负荷最小。与初始工况相比, 其经济利润减少了2.52%, 热负荷减少了7.65%。图 5中, 经济利润最大时所对应工况的热负荷最大, 与初始工况相比, 其经济利润增长了12.4%, 热负荷却增大了5.36%。经济效益最小和最大时所对应的工况对比见表 5。图 5中圆形代表与初始工况热负荷相同的对比工况, 此工况对应的经济利润为6.09×104元·h-1, 比初始工况提高了9.53%。
从图 5(d)中也可以看出, 随着热负荷增大, 经济利润也增加。这是因为产品增产带来的收益高于热负荷增加带来的成本。
3.2 夹点分析夹点分析可以用来评价换热网络的热量回收能力[28-29]。针对优化前后的工况, 利用AEA对常减压系统的换热网络进行夹点分析。将夹点温度设定为19.5℃, 然后对常减压系统优化前后的换热网络进行夹点分析, 相应的分析结果见表 6。在优化后的换热网络中, 热/冷公用工程分别在夹点的上方/下方引入, 而且不存在跨夹点的传热。因此优化的换热网络符合夹点设计原则。相比优化前换热网络所需的热公用工程用量和冷公用工程用量, 优化后换热网络所需的热公用工程用量和冷公用工程用量(分别为3.06×108和3.60×108 kJ·h-1)分别降低了21.13%与20.35%。相比优化前换热网络的冷热夹点温度(分别为86.1和105.6℃), 优化后换热网络的冷热夹点温度均降低。这是由优化后的产品流率发生变化而导致的。综上所述, 常减压系统原始工况的冷热夹点温度得到了优化以降低公用工程量, 因此提出的协同优化方法是可行的。
基于aspen plus、Matlab和NSGA-Ⅱ的集成优势, 提出一种原油蒸馏装置与耦合换热网络协同优化方法, 完成了原油蒸馏装置与换热网络的多变量多目标协同优化。常减压系统的热负荷和经济效益正相关, 随着热负荷增加, 经济效益增大。在保持原油换热终温不变的前提下, 与初始工况相比, 优化后的常减压系统的经济利润提高6.12%, 热负荷降低3.57%, 产品产量增加2.82%, 冷热公用工程消耗量分别下降20.35%和21.13%。该方法优化了常减压蒸馏装置, 提高了产品产量, 增加了经济效益, 也优化了耦合的换热网络, 减少了换热网络的冷热公用工程用量, 因此是一种可行的常减压系统优化方法。
[1] |
SZKLO A, SCHAEFFER R. Fuel specification, energy consumption and CO2 emission in oil refineries[J]. Energy, 2007, 32(7): 1075-1092. DOI:10.1016/j.energy.2006.08.008 |
[2] |
LUYBEN W L. Distillation design and control using aspen simulation[M]. New Jersey: John Wiley & Sons, 2013.
|
[3] |
ZHANG J, ZHU X X. Simultaneous optimization approach for heat exchanger network retrofit with process changes[J]. Industrial & Engineering Chemistry Research, 2000, 39(12): 4963-4973. |
[4] |
黄小侨, 李娜, 李军, 等. 基于遗传算法的常减压装置多目标优化[J]. 中国石油大学学报(自然科学版), 2016, 40(2): 163-168. HUANG Xiaoqiao, LI Na, LI Jun, et al. Multi-objective optimization of crude and vacuum distillation system based on genetic algorithm[J]. Journal of China University of Petroleum (Edition of Natural Science), 2016, 40(2): 163-168. DOI:10.3969/j.issn.1673-5005.2016.02.021 |
[5] |
LIU X W, LUO X, KABELAC S. Optimal retrofit strategy of heat exchanger networks applied in crude oil distillation units[J]. Industrial & Engineering Chemistry Research, 2016, 55(43): 11283-11290. |
[6] |
LUO Y, WANG L, WANG H, et al. Simultaneous optimization of heat-integrated crude oil distillation systems[J]. Chinese Journal of Chemical Engineering, 2015, 23(9): 1518-1522. DOI:10.1016/j.cjche.2015.03.008 |
[7] |
MIRANDA C B, COSTA C B B, CABALLERO J A, et al. Heat exchanger network optimization for multiple period operations[J]. Industrial & Engineering Chemistry Research, 2016, 55(39): 10301-10315. |
[8] |
YEE T F, GROSSMANN I E. Simultaneous optimization models for heat integration(Ⅱ):heat exchanger network synthesis[J]. Computers & Chemical Engineering, 1990, 14(10): 1165-1184. |
[9] |
PAKDAMAN M, AHMADIAN A, EFFATI S, et al. Solving differential equations of fractional order using an optimization technique based on training artificial neural network[J]. Applied Mathematics and Computation, 2017, 293(2): 81-95. |
[10] |
RAHIMI M, BEIGZADEH R, PARVIZI M, et al. GMDH-type neural network modeling and genetic algorithm-based multi-objective optimization of thermal and friction characteristics in heat exchanger tubes with wire-rod bundles[J]. Heat and Mass Transfer, 2016, 52(8): 1585-1593. DOI:10.1007/s00231-015-1681-5 |
[11] |
王克峰, 尹洪超, 袁一. 遗传算法最优同步综合换热网络[J]. 大连理工大学学报, 1997, 37(1): 54-58. WANG Kefeng, YIN Hongchao, YUAN Yi. Genetic-algorithm-based optimization for simultaneous synthesis of heat exchanger network[J]. Journal of Dalian University of Technology, 1997, 37(1): 54-58. |
[12] |
LAZZARETTO A, TOFFOLO A. Energy, economy and environment as objectives in multi-criterion optimization of thermal systems design[J]. Energy, 2004, 29(8): 1139-1157. DOI:10.1016/j.energy.2004.02.022 |
[13] |
GASSNER M, MARÉCHAL F. Methodology for the optimal thermo-economic, multi-objective design of thermochemical fuel production from biomass[J]. Computers & Chemical Engineering, 2009, 33(3): 769-781. |
[14] |
FAZLOLLAHI S, MARÉCHAL F. Multi-objective, multi-period optimization of biomass conversion technologies using evolutionary algorithms and mixed integer linear programming (MILP)[J]. Applied Thermal Engineering, 2013, 50(2): 1504-1513. DOI:10.1016/j.applthermaleng.2011.11.035 |
[15] |
PSALTIS A, SINOQUET D, PAGOT A. Systematic optimization methodology for heat exchanger network and simultaneous process design[J]. Computers & Chemical Engineering, 2016, 95(12): 146-160. |
[16] |
HOHMANN E C. Optimum networks for heat exchanger[D]. Los Angeles: University of Southern California, 1971.
|
[17] |
LINNHOFF B. Thermodynamic analysis in the design of process networks[D]. Leeds: University of Leeds, 1979.
|
[18] |
LINNHOFF B, HINDMARSH E. The pinch design method for heat exchanger networks[J]. Chemical Engineering Science, 1983, 38(5): 745-763. DOI:10.1016/0009-2509(83)80185-7 |
[19] |
QUIRANTE N, CABALLERO J A, GROSSMANN I E. A novel disjunctive model for the simultaneous optimization and heat integration[J]. Computers & Chemical Engineering, 2017, 96(1): 149-168. |
[20] |
HAFIZAN A M, ALWI S R W, MANAN Z A, et al. Optimal heat exchanger network synthesis with operability and safety considerations[J]. Clean Technologies and Environmental Policy, 2016, 18(8): 2381-2400. DOI:10.1007/s10098-016-1222-z |
[21] |
OCHOA-ESTOPIER L M, JOBSON M, SMITH R. The use of reduced models for design and optimisation of heat-integrated crude oil distillation systems[J]. Energy, 2014, 75: 5-13. DOI:10.1016/j.energy.2014.06.043 |
[22] |
INAMDAR S V, GUPTA S K, SARAF D N. Multi-objective optimization of an industrial crude distillation unit using the elitist non-dominated sorting genetic algorithm[J]. Chemical Engineering Research and Design, 2004, 82(5): 611-623. DOI:10.1205/026387604323142667 |
[23] |
YAO H, CHU J. Operational optimization of a simulated atmospheric distillation column using support vector regression models and information analysis[J]. Chemical Engineering Research and Design, 2012, 90(12): 2247-2261. DOI:10.1016/j.cherd.2012.06.001 |
[24] |
OCHOA-ESTOPIER L M, JOBSON M, SMITH R. Retrofit of heat exchanger networks for optimising crude oil distillation operation[J]. Chemical Engineering Transactions, 2013, 35(1): 133-138. |
[25] |
LÓPEZ C D C, HOYOS L J, MAHECHA C A, et al. Optimization model of crude oil distillation units for optimal crude oil blending and operating conditions[J]. Industrial & Engineering Chemistry Research, 2013, 52(36): 12993-13005. |
[26] |
KHALILIPOUR M M, SADEGHI J, SHAHRAKI F, et al. Nonsquare multivariable non-minimal state space-proportional integral plus (NMSS-PIP) control for atmospheric crude oil distillation column[J]. Chemical Engineering Research and Design, 2016, 113(9): 140-150. |
[27] |
MITTAL V, ZHANG J, YANG X, et al. E3 analysis for crude and vacuum distillation system[J]. Chemical Engineering & Technology, 2011, 34(11): 1854-1863. |
[28] |
GADALLA M A, ABDELAZIZ O Y, ASHOUR F H. Conceptual insights to debottleneck the Network Pinch in heat-integrated crude oil distillation systems without topology modifications[J]. Energy Conversion and Management, 2016, 126(20): 329-341. |
[29] |
LI B H, CHANG C T. Retrofitting heat exchanger networks based on simple pinch analysis[J]. Industrial & Engineering Chemistry Research, 2010, 49(8): 3967-3971. |