张欣，周利，王诗慧，吉旭，毕可鑫

（四川大学化学工程学院，四川成都 610065）

引 言

世界原油重质化加剧、环保要求日趋严格以及石油产品结构的调整致使炼油企业对氢气资源的需求量不断上升，氢气资源消耗已成为仅次于原油的第二大生产成本。因此，优化氢气网络、提升氢气资源利用率对炼油工业实现节能减耗、降低生产成本具有重要的理论价值和实际应用意义[1]。

目前，对于氢气系统的主要研究方法可归为两类，分别是基于夹点理论的图形分析法和基于超结构的数学规划法。夹点分析法具有简洁、直观的特点，在氢气网络的设计和优化中得到了广泛应用[2−4]。但该方法难以综合考虑到实际生产中的各类约束条件，并且在求解大规模问题上有一定的限制，由此推动了数学规划法的发展。Hallale 等[5]采用了超结构描述氢网络，并建立了混合整数非线性规划模型（MINLP）进行优化设计。随着氢气网络集成技术的深入研究，部分过程单元也逐步被纳入全局优化模型。例如，为了能更有效地提升氢气资源利用率，许多研究者在网络上层结构中引入提纯单元，并对此展开了大量研究[6−9]。此外，加氢处理单元也是炼厂氢网络的重要组成部分，通过加氢反应除去油品中的有害杂质或实现重油轻质化，再利用闪蒸操作分离气液组分以确保氢气的循环使用。而在加氢反应过程中会伴有杂质气体（如C1～C5、H2S、NH3等）的生成，为了更加贴近实际生产，研究者们认为应当考虑氢气系统的多杂质特性，建立多组分氢网络优化模型[10−12]。Jia 等[13]提出了一种考虑轻烃生成和闪蒸过程的全局优化算法，通过固定轻烃产量和闪蒸常数（K值），将反应器和闪蒸单元纳入了氢气网络优化模型，结果表明该方法应用于实际生产的可行性更高。随后，Umana 等[14−15]通过引入经验模型来预测加氢反应器内氢气的消耗量、轻烃及H2S 的生成量，使得该模型进一步逼近于实际的生产过程。而对于多杂质氢气分配网络，氢气流股中过高的H2S 浓度会使催化剂失活，甚至带来设备腐蚀的问题。因此，H2S 浓度对整个氢网络的影响也备受关注[16]。为了更大限度地回收利用废氢流股，Zhou 等[17]将脱硫过程作为一个简化的质量交换问题集成到氢气网络优化中，旨在研究氢气网络和脱硫单元之间的权衡关系。Yang 等[18]利用Aspen HYSYS 建立了一个严格的H2S 脱除模型，并将其嵌入氢网络模型中实现二者间的耦合优化。

在这些氢气网络与过程单元集成优化的研究中，大多数采用简化模型或仿真模拟来替代实际的过程系统，却难以保证模型的精度或求解效率。因此，如何建立高精度且高计算效率的过程模型一直是其中的重点难点。为此，Wang 等[19]提出了一种基于数据驱动的高维模型表示方法（HDMR）对加氢精制和闪蒸分离过程做近似拟合，研究结果表明该方法能够有效地提升建模精度和优化效率。随后，Li等[20]建立了基于Kriging 的变压吸附装置（PSA）的代理模型，实现了PSA 与氢气分配网络的优化设计。Xia 等[21]在此基础上通过建立H2S 脱除过程的高精度数学模型，完成了氢气网络和脱硫单元的同步优化。由此说明，构建基于数据驱动的代理模型来替代实际的过程系统能够以较低的计算成本获取更加可行的优化结果。

然而，前述研究中所建立的数学模型都是针对某一特定的场景，假定了系统的氢气供需量和其他过程参数始终保持不变。但在实际生产中，原油配置结构会随着石化企业加工规模的扩增而调整，并且产自同一地区的原油也会因开采时间不同而出现明显的性质差异，如图1 所示。原油性质波动可能会导致氢气网络供需不平衡，引发严重后果[22]。为了增强氢气网络的鲁棒性，应对不确定性因素对网络运行的影响，随机规划理论被提出用于求解不确定条件下的氢气网络优化问题[23−25]。尽管目前该方法已经在氢网络研究领域中得到了广泛应用，但多是从宏观上定义问题，例如市场环境变化[22,26]、氢气供需量波动[27−28]，并未从微观层面解析原油性质改变对网络拓扑结构的影响。由于原油中的S、N杂质组分含量关系到后续加氢精制过程，它们的随机波动会引起加氢反应过程中实际耗氢量和杂质气体生成量发生改变，从而使得氢气网络的操作运行存在不确定性。

图1 南疆原油性质分析数据Fig.1 Analysis data of crude oil properties in Southern Xinjiang

针对于此，本文提出了一种基于质量传递机理的随机规划建模框架，以综合应对原油性质变化对氢气网络运行的扰动。该框架耦合了常减压蒸馏、加氢精制及闪蒸分离等过程模型，以此计算网络运行所涉及的过程变量；再利用代理模型技术嵌入脱硫模块，考虑关键杂质H2S的脱除；最后在满足产品规格的前提下，采用二阶段随机规划建模，对炼厂氢气网络进行优化设计，使其在整个不确定的运行参数范围内保持可行和最优。模型的目标是年度总费用（TAC）最低，通过量化随机解的值来评估随机规划的实际效益，为确定性解和随机解之间的比较提供可靠的依据。

1 问题描述

原油中的S、N杂质组分含量的随机波动会影响炼厂氢气网络的最优运行，并且通过加氢精制过程产生的H2S 气体会制约氢气流股的循环回用[17]。为了提升氢气网络的鲁棒性，同时降低H2S 杂质对流股的限制，考虑在现有氢气网络中增设脱硫模块并改造管网。因此，本研究的目的是建立一个基于多场景、多尺度下的数学规划模型对已有的氢网结构进行优化设计。

氢气资源系统包含了大量涉及氢气生成和消耗的加工单元，这些设备单元之间所有可能的连接方式构成了氢气网络超结构。它可以捕获丰富的网络特征，从而促进资源网络的建模和优化[21]。本文中所构建的超结构包括五个过程单元和氢气分配网络，如图2所示。在实际加工过程中，原油及内部杂质通过常减压蒸馏操作输送至原油精炼系统，在氢气和催化剂的作用下进行二次加工处理。H2S脱除单元和轻烃脱除单元用于去除加氢精制过程中所产生的C1～C5、H2S、NH3等杂质气体，实现氢气资源的回用；压缩机系统能够提升低压流股的压力水平，完成气体的输送；氢气分配网络决定了各单元之间的氢气分配。为了降低模型的复杂度、提升求解效率，采用以下规则对氢气网络超结构进行简化：

图2 氢气网络超结构Fig.2 State−space superstructure of the hydrogen network

（1）每股氢源都可被分流以满足不同氢阱的工艺要求，每个氢阱都可接受来自不同氢源的混合氢流股；

（2）压差较大的流股不能共混，而压力等级相近的流股可以混合并送入同一脱硫装置中进行处理。

2 炼厂氢气分配网络建模框架

严格来说，设计炼厂氢气网络拓扑结构的最终目的是为了生产符合环境要求和经济目标的石油产品。为此，本文提出了一个基于质量传递机理的随机规划建模框架，如图3 所示。整体优化建模包括三个部分：第一，针对原氢气网络集成各过程单元模型建模优化，相关集成方法在第3 节详述；第二，选取合适的拟合空间，构建高精度的脱硫代理模型，并嵌入氢网络；第三，采用二阶段随机规划法（SP）处理多场景下的氢网络优化设计问题，下面将详细介绍第二、三部分。

图3 炼厂氢气分配网络建模框架Fig.3 Modeling frameworks for refinery hydrogen distribution network

2.1 脱硫单元代理模型构建

目前，常用的代理模型方法有多项式回归法（PR）[29]、Kriging 模型[30]、支持向量机[31]、人工神经网络[32]等。由于多项式回归法构造简单、建模迅速且计算效率高，本文选择该方法建模，其通用表达形式如式（1）[33]所示：

代理模型的构建主要有四步。首先，确定模型输入、输出变量及拟合边界；其次，在拟合范围内进行空间采样，这里选用Sobol 采样法，其具有良好的空间填充能力和易于使用的特点[34]；然后，调用第三方模拟软件Aspen plus 模拟严格的MDEA 脱硫过程[35]，生成采样数据集并预处理；最后，采用多项式回归及交叉验证法进行模型的训练和验证，以决定系数（R2）和均方根误差（RMSE）评估模型精度，对比验证结果，选择其中最合适的代理模型嵌入氢网络。

2.2 二阶段随机规划建模

二阶段随机规划方法可以处理集成策略中的不确定性，其核心思想是优化氢气网络经济性能的同时确保运行的鲁棒性[22]。在SP 模型中，第一阶段确定网络拓扑结构，涉及脱硫装置的配置、处理能力的设计及管网的连接；第二阶段根据不确定性参数优化网络运行，计算各场景下氢气供应量、管道输送量、气体纯度等过程参数。从成本的角度来看，第一阶段的决策代表了资本成本（CAPEX），第二阶段的决策代表了多种操作场景下的运营成本（OPEX）。

3 氢气网络优化的数学模型

3.1 常减压单元

在石油加工过程中，常减压单元会按原油的蒸发能力将其分为沸点范围不同的油品（即馏分），而其中的S、N杂质组分也会随此过程有规律地分布在各馏分中，并呈现出一定的线性关系[36]。因此，为了降低模型复杂度，本文对常减压蒸馏的过程模型合理简化，根据炼厂实际操作数据，采用式（2）、式（3）来表示常减压单元进出口物料的杂质含量关系。

3.2 加氢反应器

加氢反应器是氢网络中主要的耗氢装置，可以利用氢气和催化剂将油品中的有害杂质转变为相应的氢化物去除，并使烯烃、二烯烃等部分烃类物质加氢饱和，以改善油品的质量，减少环境污染。式（4）～式（7）是反应过程中所涉及的动力学模型[14,37]，能够依据原料油中的S、N 含量，更为精准地计算产品油中的杂质组成和杂质气体生产量。

反应器的入口物料包括循环氢、补充氢和液体原料，其总的质量及组分平衡计算见式（8）～式（11）。为确保流股组分纯度满足加氢反应的工艺要求，式（12）对每个氢阱入口流股中H2、H2S、NH3组分浓度进行了约束。

3.3 闪蒸分离单元

从反应器出口的混合物料会被送至闪蒸单元进行气液分离操作，为了更加贴近实际生产过程，本文采用了Jia 等[13]所提出的固定K值闪蒸计算方法，集成闪蒸分离过程见式（13）、式（14）。

闪蒸单元的入口流股质量平衡约束及纯度约束如式（15）、式（16）所示，其中Zj,n,s表示反应器内的C1～C5、H2S 和NH3的生成量，可基于前面所述的反应动力学模型计算得到[14]。式（17）表示反应过程中总的耗氢量，包括反应消耗氢和溶解氢，前者的计算是通过化学计量比的方法，后者的计算可采用Hasenberg 等[38]所提出的机理方程。闪蒸单元分离出的气相组分可能被直接循环使用，也可能被送往脱硫单元、提纯单元做进一步回收处理，或进入燃气系统燃烧，式（18）～式（23）为该单元出口的质量及组分平衡计算式。

3.4 脱硫单元

为了提升氢气资源利用率，避免设备的腐蚀，本文在氢网络中增设脱硫单元，利用代理模型技术将其嵌入至网络上层结构并集成优化，去除部分流股中过量的H2S 气体，具体构建过程如第2 节所述。为减少压力损失，气体流股按压力等级的不同分别进入高、低压脱硫塔（HP−DS、LP−DS），其入口的质量平衡及组分平衡约束列于式（24）、式（25）。经脱硫过程，HP−DS 出口的气体将被送回氢阱循环使用，LP−DS 出口的气体通常需要被送往提纯单元做进一步净化提纯，见式（26）、式（27）。

3.5 提纯单元

提纯单元能够去除流股中大部分轻烃组分，实现氢气的富集和回用。常用的提纯装置有PSA 和膜分离，能将汇入的低纯度氢流股净化提纯，并产出富氢流股和残余氢流股，前者将循环回氢阱使用，后者则被送往燃气系统燃烧。式（28）、式（29）给出了多场景下提纯单元入口的质量及组分衡算式，式（30）为入口气体的H2S 杂质浓度约束。为了简化模型，提纯单元进出口压力、氢气回收率和产品流纯度可以被假定为常数[5]，如式（31）、式（32）所示。提纯装置出口的质量平衡约束见式（33）～式（36）。

3.6 压缩机系统

压缩机系统是通过消耗大量电能来提升气体流股压力，以满足各单元的工艺要求，式（37）～式（39）为其对应的进出口质量及组分衡算式。对于压缩机来说，流股的流量、纯度以及进出口压力都是需要确定的变量，为了简化计算，可将压缩机进出口压力设为定值，且气体流量和组分纯度保持不变[39]，见式（40）、式（41）。压缩机的耗电量取决于流股流量、进出口压力比值以及装置效率，见式（42）。

3.7 压力约束和逻辑约束

在氢气网络中，气体流股必须从高压单位输送至低压单位。为此，本文引入二元变量Xp,q构建压力约束，代表节点p和节点q之间的管道连接情况，其中p是输出节点，q是输入节点。式（43）、式（44）说明只有当节点p的压力高于或等于节点q时，二者之间才会有管道连接。

为了保证模型的正确性，同时满足产品油质量和使用性能的要求，还需要在模型中增加一些逻辑约束。式（45）表示在所有场景下，每股气流中全部组分的纯度之和为1。式（46）～式（48）给出了产品油杂质含量和氢气供应量的上下限约束。此外，为了避免代理模型过拟合，代理模型中的所有变量都要求被限制在拟合范围内，见式（49）、式（50）。

3.8 目标函数

本文采用了总年度费用（TAC）作为模型的目标函数，以平衡氢气网络中的资本成本（CAPEX）和运营成本（OPEX），见式（51）。资本成本需乘以折旧率，其具体计算公式见式（52）。OPEX 综合考虑了多场景下氢公用工程的年操作费用（CH2）、压缩机的电年度消耗费用（Celec）、脱硫单元的年除杂费用（Cdsoc）以及废气作为燃料的年度收益（Cfuel），涉及受不确定性参数影响的第二阶段操纵变量，如式（53）～式（56）所示。CAPEX 包括脱硫单元的年度投资费用（Cdsic）和管道改造的年度投资费用（Cpipe），与操作场景无关，属于第一阶段的决策变量，见式（57）、式（58）。综上所述，本研究中模型的目标是使得第一阶段的设计投资成本和第二阶段的操作期望成本之和最小。

其中，脱硫单元的投资费用是该单元内所有设备投资费用的总和，Ceq,base、CEPCIbase、Eqceq,base分别表示参照条件下的设备投资费用、化工经济设备成本指数以及设备处理能力；Eqcds,eq为当前所需的设备处理能力，其值近似等于脱硫塔出口的富胺溶液流量[18]。

4 案例研究

4.1 案例描述

本节以某一炼厂现有氢气网络的改造设计和操作优化为例，说明所提方法的有效性和适用性。如图4 所示，该炼厂氢气系统具有2 个氢源、5 个氢阱和1 个提纯单元。氢源包括连续催化重整装置（CCR）和制氢装置（H2plant）；氢阱包括2 个柴油加氢 装 置（DHT−1 和DHT−2）、1 个 汽 油 加 氢 装 置（GHT）以及2 个航煤加氢装置（KHT−1 和KHT−2）。根据炼厂所使用原油的历史评价数据，在一定的离散概率分布下，S、N杂质组分含量可从低到高分为3种情形，则随机规划模型中共存在9 个离散场景，见表1。

表1 各场景下原油中的硫、氮含量数据Table 1 Sulfur and nitrogen content data of crude oil in each scenario

图4 炼厂现有氢气网络结构图Fig.4 The existing hydrogen network structure in refinery

表2 展示了氢阱进料流量及操作条件，包括温度、压力和空速。表3为高、低压脱硫塔与各氢阱之间的管道距离，为了简化模型、降低投资成本，将低压脱硫塔安放在PSA 装置附近，则二者之间的距离可忽略不计。由于本文采用固定K值闪蒸计算方法集成闪蒸单元，需要通过Aspen plus 软件模拟闪蒸过程，获取油品各虚拟组分的K值。模拟所需的加氢处理装置进料组成及虚拟组分性质数据见表4、表5。

表2 加氢处理装置进料流量及操作条件Table 2 Feed flowrate and operating conditions of hydrotreaters

表3 预留脱硫塔和氢阱之间的管道距离Table 3 Piping distances among the reserved location for the desulfurization units and the hydrogen sinks

表4 加氢处理装置进料组成Table 4 Feed composition of hydrotreaters

表5 虚拟组分性质Table 5 Properties of pseudo-components

4.2 脱硫单元代理模型构建

为实现氢气网络与H2S 脱除单元的集成优化，本文应用了第2节所述代理模型技术，分别对高、低压脱硫塔进行建模。表6展示了模型的输入变量及拟合空间，输入变量包括待处理流股中的各组分流量和脱硫剂（MDEA）的输送量，拟合空间是依据实际工程的优化任务而设定的。由于净化后的流股中C4、C5和NH3的含量极低，可忽略不计，则模型的输出变量为出口流股中H2、C1～C3、H2S 的流量以及富胺（fra）溶液的流量。

表6 脱硫装置的输入变量范围Table 6 Domain of the input variables for the desulfurization unit

基于所规定的拟合空间，通过Sobol 采样和Aspen plus 仿真模拟共获取3000 个数据样本，剔除由于模拟不收敛产生的错误样本后，得到HP−DS 数据2789 个，LP−DS 数据2568 个，并采用多项式回归及10 折交叉验证法进行模型的训练和验证。图5为各阶代理模型的精度与复杂度对比情况，综合考虑选取二阶多项式建模。

图5 代理模型精度与复杂度对比Fig.5 Surrogate model comparisons in terms of accuracy and complexity

模型验证结果如表7 所示，大部分R2值高于0.99，RMSE值处于0.005以下，表明所建代理模型很好地逼近了严格的H2S 脱除过程。图6、图7 为HP−DS、LP−DS 单元对应代理模型的残差图，由图可知，各模型的残差点在零附近随机分布，证明其具备足够的可靠性，能够捕捉到数据中所有的可预测信息。

图7 LP−DS单元代理模型的残差图Fig.7 Residual plots of the surrogate model obtained for the LP−DS unit

表7 脱硫单元代理模型验证结果Table 7 Results from the data correlation of the desulfurization unit

图6 HP−DS单元代理模型的残差图Fig.6 Residual plots of the surrogate model obtained for the HP−DS unit

4.3 氢气分配网络集成优化

从炼厂现有的氢气网络结构图（图4）中可以看出，由于H2S含量过高，超过40%的废氢流股被送进燃气系统，造成严重的资源浪费。为此，本节以发生概率最大的场景为基准（场景5），将已训练好的脱硫代理模型与氢气网络优化模型相结合，通过GAMS 软件对所提出的MINLP 问题建模，并采用DICOPT求解器的外逼近算法进行模型求解[40]。

优化结果如图8 所示，考虑在氢网上层结构中增设HP−DS、LP−DS 装置，分别脱除高分气和低分气中过量的H2S 杂质。DHT−1、DHT−2 和KHT−1 装置出口的部分高压气汇入HP−DS 单元，经处理后的流股全部循环回用，大大降低了新氢消耗。LP−DS装置对部分低压气脱硫，减少了H2S 对PSA 提纯和加氢反应的不利影响。相较于原网络，优化后的氢网结构新氢用量从6.538 t/h 减少至3.875 t/h，超过90%的氢流股回收利用，有效地提升了氢气资源利用率。在成本方面，优化后的模型虽新增了管道和脱硫装置的投资费用，但制氢成本大幅降低，使得年度总成本下降了约1.958×108元/a，对比原网络节省了30.59%，见表8。

表8 各模型的年度成本对比Table 8 Comparison of annual costs for different models

图8 基于确定性场景的氢气网络优化设计Fig.8 Optimal design of hydrogen network from deterministic model

从表9可以看出，相较于原氢气网络模型，采用代理模型技术嵌入脱硫单元的确定性模型计算量明显增多，但求解时间只是略微增加，仍具有较高的计算效率。同时，脱硫单元代理模型的R2在0.99左右，具备了较高的模型精度。而基于Aspen HYSYS 反复调用的集成方法虽可以直接引入脱硫机理模型，但存在模拟时间过长或模拟不收敛的情况，使得所需的计算成本较高[18]。由此说明，基于代理技术引入脱硫单元相比于仿真模拟软件的直接调用更具有实际应用价值。

表9 各模型的计算量及优化时间Table 9 Computational effort of the solver and optimization time for different models

虽然采用上述方法可以针对固定的场景实现最优化设计，但原油性质波动所带来的影响不可忽视。以DHT−1装置为例，对比确定性模型所应用的场景（场景5），计算得到了各场景下的耗氢量、H2S生成量以及相对变化率，如图9 所示。原油性质的不确定性会使得加氢反应中的耗氢量和杂质气体生成量发生小幅波动。由于大型炼油厂内氢阱的耗氢量和杂质气体生成量巨大，这些小幅波动对氢气网络运行所产生的影响仍值得重视。而面对不同的操作情形，确定性模型下的管网结构和设备处理能力会限制最佳运行策略的实施。为了达到更经济的目标，本文采用二阶段随机规划法建模优化，在设计阶段就综合考虑所有场景。

图9 各场景下DHT−1中H2的消耗量及H2S的生成量Fig.9 Consumption of H2 and production of H2S on each scenario

图10 为基于随机规划的氢气网络拓扑结构，通过增加氢源、脱硫装置以及PSA 与氢阱之间的管道连接，使得氢气管网具备更高的操作灵活性。同时，管道的增设也使得脱硫单元有处理更多含硫流股的可能，脱硫设备处理能力的适当提升能够让更多的氢气资源得以回收利用，如图11 所示。此外，由二者脱硫率数据可知，SP 模型相对于确定性模型平均脱硫率较低。这是因为SP 模型可以实现更优的流股混合输送方案，使得混合流股中H2S浓度较低，降低了脱硫单元的负担。结合表8、表9可以看出，与确定性模型相比，SP 模型对资本成本的要求略高，但操作成本大幅下降，每年节约费用1.661×106元。由于SP 模型考虑了原油性质的不确定性，使得优化时间有所增加，但能以此为代价进一步提升氢气网络经济性能，并确保操作的稳健性。

图10 基于随机规划的氢气网络优化设计Fig.10 Optimal design of hydrogen network from stochastic programming model

图11 确定性模型与随机规划模型的脱硫单元处理量及脱硫率对比Fig.11 Comparison of desulfurization unit inlet flowrate and desulfurization rate between deterministic model and stochastic programming model

随机规划不仅决定了网络拓扑结构的最优设计，还能提供在不同操作场景下的最优运行决策。下面以两个典型的场景为例，说明随机规划中的多场景操作策略。

如图12 所示，在原油中S、N 含量较低的场景下（场景1），回收氢气是降低操作成本的重要措施。除去内部循环的高分气，其余所有流股都被送往脱硫装置，从而减少氢公用工程费用，避免直接排放到燃气系统造成资源浪费。而在原油中S、N含量较高的场景下（场景9），气体流股中H2S 杂质含量过高，若全部进行回收利用会使得脱硫单元负担过重，造成运行成本增加。如图13 所示，将部分低压气直接排放到燃气系统燃烧，并从外部购买适度的新氢作为补充，可获得更好的经济效益。因此，基于随机规划得到的氢网结构可以通过新建管道和增加脱硫设备处理能力，来灵活应对不同的原油性质场景。

图12 低硫、低氮场景下的运行策略Fig.12 Operation strategy of the scenario with low sulfur and low nitrogen

图13 高硫、高氮场景下的运行策略Fig.13 Operation strategy of the scenario with high sulfur and high nitrogen

5 结 论

炼厂中原油性质的不确定性会引起操作场景的改变，可能导致氢气网络供需不平衡，引发严重后果。为此，本文提出了一种基于质量传递机理的随机规划建模框架。为了从微观层面解析原油性质改变对氢网结构的影响，集成了常减压蒸馏、加氢精制及闪蒸分离等过程模型。同时，考虑了关键杂质H2S 的脱除，利用代理模型技术在氢网上层结构中嵌入HP−DS、LP−DS 装置，提升氢气资源利用率。最后，采用了二阶段随机规划建模优化，综合考虑所有场景的可能性，给出最佳设计决策和操作决策，使得设计出的氢气网络拓扑结构能够满足不同场景需求。所提出的建模框架在国内某炼厂氢气网络的改造设计中得到了验证，并与确定性模型及原网络结构进行了对比。

研究结果表明，本文所建立的代理模型能够较全面地描述复杂的脱硫过程，并且能以较低的计算成本获取更加可行的氢气网络优化方案，使得脱硫单元和氢气网络之间达到良好平衡。而在此基础上，基于多场景的SP模型通过设置新的管道并增加脱硫设备处理能力，能够在复杂的上层结构之间灵活地循环利用氢气资源，进一步提升网络的经济性能。同时，多场景运行策略还能增强氢气网络运行的鲁棒性，使其可以综合应对因原油性质波动引起的操作场景的改变。在未来的工作中，还有一些问题值得进一步探讨。例如，针对简化的过程单元模型，采用更高精度和求解效率的方法建模，使其更加满足实际生产需要。此外，可以考虑将过程单元中的部分操作参数（如温度、压力）作为决策变量嵌入氢网络模型中协同优化，以给出更优的运行决策。

符 号 说 明

Af——年化因子

a——杂质分布系数

aconv——加氢反应器中硫的转化率，%

C——费用，元

Cp——比定压热容，J/(kg·K)

C1——甲烷

C2——乙烷

C3——丙烷

C4——丁烷

C5——戊烷

CEPCI——化工经济设备成本指数

CP——压缩机集合

DH——溶解氢量，kmol/h

DS——脱硫装置集合

Ea——反应活化能，kJ/kmol

Eqc——设备处理能力，kg/h

e——单价，元

F——流量，kmol/h

HC——总耗氢量，kmol/h

I——氢源集合

ir——利率，%

J——氢阱集合

K——汽液平衡常数

KI——抑制常数

k——速率常数

L——管道长度，m

LC——加氢反应器中轻烃生成量，t/h

LHSV——空速，h−1

m，n——管道资本成本系数

N——组分集合

NC——氮含量，mg/kg

ny——年数

O——氢气网络中所有节点集合

P——压力，bar

PC——虚拟组分

PF——提纯装置集合

POWER——压缩机功耗，kW·h

Prob——各场景出现的概率

R——通用气体常数，J/(mol·K)

RH——加氢反应耗氢量，kmol/h

RP——氢气回收率，%

S——不同场景集合

SC——硫含量，mg/kg

sf——比例因子

T——温度，K

TAC——总年度费用，元

t——工作时长，h

u——气体流速，m/s

X——二元变量

x——代理模型输入变量

Y——摩尔分数，%

y——代理模型输出变量

Z——加氢反应产物生成量，kmol/h

α——压力参数

β——加氢反应器中轻烃产率，t/h

γ——绝热指数

η——压缩机效率，%

ρ——气体密度，kg/m3

ρo——标准状态下气体密度，kg/m3

上角标

C——轻烃

co——原油

feed——加氢反应器入口原料油

fi——闪蒸罐入口物料

hliq——高压闪蒸装置出口液体

hp——高压

hvap——高压气

in——装置入口气体流股

L——下限

llip——低压闪蒸装置出口液体

lp——低压

lvap——低压气

N——氮

out——装置出口气体流股

P——提纯装置产品气

prod——加氢反应器出口产品油

R——提纯装置残余气

ri——反应器入口物料

S——硫

U——上限

下角标

cp——压缩机

ds——脱硫装置（ds=1 为高压脱硫装置；ds=2 为低压脱硫装置）

eq——脱硫单元设备

fuel——燃气系统i——氢源

j,j1——氢阱n——组分

pf——提纯装置

p,q——氢气网络中不同节点

s——场景