多维随机不确定性下的超重油加绿氢解构技术经济分析与系统优化

doi:10.3969/j.issn.2096-1693.2025.01.019

石油科学通报 ›› 2025, Vol. 10 ›› Issue (4): 829-846. doi: 10.3969/j.issn.2096-1693.2025.01.019

• • 上一篇

多维随机不确定性下的超重油加绿氢解构技术经济分析与系统优化

王泽军¹^,²^,³(), 张洛源⁴, 阎立军⁴, 张奇¹^,³^,⁵^,^*()

1 中国石油大学(北京)经济管理学院，北京 102249
2 中国石油大学(北京)克拉玛依校区文理学院，克拉玛依 834000
3 碳中和与能源经济自治区咨询研究平台，克拉玛依 834000
4 克拉玛依市先进科技联合研究院，克拉玛依 834000
5 中国石油大学(北京)克拉玛依校区工商管理学院，克拉玛依 834000

收稿日期:2025-04-24 修回日期:2025-07-03 出版日期:2025-08-15 发布日期:2025-08-05
通讯作者: *张奇(1979年—)，博士，中国石油大学(北京)教授，博士生导师，从事能源技术经济与管理等方面研究，ZhangQi56@tsinghua.org.cn。
作者简介:王泽军(1992年—)，博士研究生，中国石油大学(北京)克拉玛依校区讲师，从事技术经济及运筹优化研究，wangzj@cupk.edu.cn。
基金资助:
国家社科基金项目(24VRC022);中央引导地方科技发展资金项目(ZYYD2025ZY13);天山研究院开放基金重点项目(TSKF20240001)

Techno-economic analysis and system optimization of extra heavy oil green hydrogen cracking under multidimensional stochastic uncertainty

WANG Zejun¹^,²^,³(), ZHANG Luoyuan⁴, YAN Lijun⁴, ZHANG Qi¹^,³^,⁵^,^*()

1 School of Economics and Management, China University of Petroleum, Beijing 102249, China
2 College of Arts and Sciences, Karamay Campus, China University of Petroleum, Karamay 834000, China
3 Carbon Neutrality and Energy Economics Research and Advisory Platform of Xinjiang Autonomous Region, Karamay 834000, China
4 Karamay Institute of Advanced Science and Technology, Karamay 834000, China
5 School of Business Administration, Karamay Campus, China University of Petroleum, Karamay 834000, China

Received:2025-04-24 Revised:2025-07-03 Online:2025-08-15 Published:2025-08-05

摘要/Abstract

摘要：

在国际油价波动和供应链风险加剧的背景下，提升原油供应的稳定性和自主保障能力已成为保障国家能源安全的战略重点。超重油储量丰富、价格低廉，并且具备通过加氢解构转化为高品质轻质合成原油的技术潜力。然而，该路径的经济性受超重油采购价格、绿氢及绿电成本波动等关键因素影响显著，需构建多维不确定性下的定量评估与优化模型，为投资决策提供依据。本研究在传统技术经济分析模型的基础上，引入多维随机变量波动的影响，采用参数扰动与蒙特卡洛模拟技术，构建了一个多维随机不确定性下的盈亏平衡价格模型。在此基础上，结合超重油价格的波动特征，构建原料采购与储备优化模型，形成了一套系统化的评估与优化框架。研究结果表明，原料采购成本和绿氢成本是影响盈亏平衡价格分布的主要因素。在基准情景下，盈亏平衡价格呈右偏分布，偏度系数0.76，其10%~90% 分位数区间为 [5537, 7601] 元/t。盈亏平衡价格存在长尾分布特征，有5% 的概率盈亏平衡价格超过 8000元/t。在作用机制上，价格上升推高了边际成本，使盈亏平衡点整体右移。同时，价格波动幅度的扩大加剧成本不确定性，拉长分布尾部、拓宽区间，显著增加尾部风险。在实施采购储备优化策略的情景下，每年可节约成本 2.66 亿元，并使盈亏平衡价格由右偏分布转变为近似正态分布。相较于未进行采购储备优化的基准情景，优化后极端高位盈亏平衡价格的出现概率降低，其10%~90% 分位数区间宽度减少 1519 元/t。按照轻质合成原油市场价格7000元/t计算，盈利概率由 74% 提升至 99%。储备优化有效降低了高盈亏平衡价格的发生概率，提高了盈利稳定性。同时，绿氢制取成本下降将进一步改善经济性。此外，不同风险偏好显著影响投资者对收益不确定性的接受程度，政策设计应考虑其差异性以提升方案适配性。本研究可为超重油加绿氢解构生产轻质合成原油技术投资提供科学决策支持，有望为我国在碳中和目标下的能源安全与低碳转型提供新型可行路径。

关键词: 超重油, 绿氢, 随机不确定性, 蒙特卡洛模拟, 盈亏平衡价格

Abstract:

In the context of increasing global oil price volatility and escalating supply chain risks, enhancing the stability and self-sufficiency of crude oil supply has become a strategic priority for ensuring national energy security. Extra heavy oil, characterized by abundant reserves and low cost, holds significant potential to be converted into high-quality synthetic light crude through hydrogen-based deconstruction using green hydrogen. However, the economic viability of this pathway is highly sensitive to fluctuations in key factors such as extra heavy oil procurement prices, green hydrogen production costs, and renewable electricity prices. Therefore, it is essential to develop a quantitative evaluation and optimization model under multi-dimensional uncertainty to support investment decision-making. Building on conventional techno-economic analysis frameworks, this study incorporates the effects of multi-dimensional stochastic variables by employing parameter perturbation and Monte Carlo simulation methods to construct a breakeven price model under uncertainty. Based on the volatility characteristics of extra heavy oil prices, a feedstock procurement and storage optimization model is further developed, forming a systematic evaluation and optimization framework. The results show that feedstock procurement costs and green hydrogen production costs are the primary factors influencing the distribution of breakeven prices. Under the baseline scenario, the breakeven price exhibits a right-skewed distribution with a skewness coefficient of 0.76, and the 10%~90% quantile range spans from 5537 to 7601 CNY/ton. The distribution has a long-tail characteristic, with a 5% probability of exceeding 8000 CNY/ton. Mechanistically, price increases raise marginal costs and shift the breakeven point to the right. Meanwhile, greater price volatility amplifies cost uncertainty, thickens the distribution tail, and increases the risk of extreme outcomes. Under a procurement and storage optimization strategy, annual cost savings of approximately 266 million CNY can be achieved, and the breakeven price distribution transitions from right-skewed to approximately normal. Compared to the baseline scenario without optimization, the probability of extreme high breakeven prices is significantly reduced, and the 10%~90% quantile range narrows by 1519 CNY/ton. Assuming a synthetic light crude market price of 7000 CNY/ton, the probability of profitability increases from 74% to 99%. Storage optimization effectively lowers the probability of high breakeven prices and enhances profit stability. In addition, reductions in green hydrogen production costs will further improve economic performance. The study also finds that investors’ varying risk preferences significantly affect their tolerance for return uncertainty, suggesting that policy design should account for such heterogeneity to enhance plan adaptability. This research provides scientific decision-making support for investment in extra heavy oil deconstruction via green hydrogen and offers a novel and practical pathway for enhancing energy security and achieving low-carbon transition under China’s carbon neutrality goals.

Key words: extra heavy oil, green hydrogen, stochastic uncertainty, Monte Carlo simulation, breakeven price

中图分类号:

王泽军, 张洛源, 阎立军, 张奇. 多维随机不确定性下的超重油加绿氢解构技术经济分析与系统优化[J]. 石油科学通报, 2025, 10(4): 829-846.

WANG Zejun, ZHANG Luoyuan, YAN Lijun, ZHANG Qi. Techno-economic analysis and system optimization of extra heavy oil green hydrogen cracking under multidimensional stochastic uncertainty[J]. Petroleum Science Bulletin, 2025, 10(4): 829-846.

https://sykxtb.cup.edu.cn/CN/Y2025/V10/I4/829

图/表 16

表1 不同类型石油的储量、API 值及黏度表

Table 1 Reserves, api gravity, and viscosity of different types of crude oil

类型	储量占比/%	API值/^。	黏度/cp
常规石油	30	18~40	<100
重油	15	10~22	10~100
超重油	25	<10	100~10 000
油砂及沥青	30	<10	>10 000

图1 超重油加绿氢解构工艺流程图

Fig. 1 Process flow diagram of extra heavy oil deconstruction with green hydrogen

表2 同类研究的技术路线对比表

Table 2 Comparison of technical pathways in similar studies

序号	文献	研究对象	模型及方法
1	Bittner et al.^[28] (2015)	纤维素炼制的供应链资源需求与成本构成	多环节供应链的随机技术经济模型
2	Bauer et al.^[29] (2014)	甘油制异丁醇工艺经济性	Aspen Plus建模、技术经济分析、蒙特卡洛模拟
3	Yao et al. ^[30] (2017)	多种生物质ATJ航空燃料路径的可行性	统计建模、时间序列分析、NPV/盈亏平衡分布
4	Abubakar et al.^[33] (2015)	生物柴油生产系统的不确定性财务评估	结构可靠性方法、蒙特卡洛模拟的随机财务模型
5	Zhao et al.^[31] (2015)	8种纤维素燃料路径的财务可行性比较	@Risk工具模拟、财务评估、投资回报随机排序
6	Zhao et al. ^[32] (2016)	快速热解加氢工艺制备纤维素生物燃料	基于TEA的蒙特卡洛模拟、盈亏平衡价格分布建模
7	Diniz et al.^[34] (2018)	油籽加氢脱氧制航空燃料的经济性评估	传统技术经济分析、NPV概率分布
8	Amanful et al. ^[36] (2024)	糖蜜联产替代甜味剂的经济可行性	Aspen Plus建模、随机技术经济分析
9	Nguyen et al.^[35] (2024)	可替代航空燃料生产可行性评估	蒙特卡洛模拟、 NPV/盈亏平衡价格分布

图2 研究方法及技术路线图

Fig. 2 Research methodology and technical roadmap

表3 模型符号定义

Table 3 Definition of model symbols

符号	符号的定义	符号	符号的定义
$n$	项目运行年限／年	$μ$	超重油长期增长率
C	项目产能／（万 t／年）	$σ$	超重油市场价格波动方差
$r$	折现率	$μ 1$	PEM 电解槽学习率均值
$R tax$	所得税税率	$σ 1$	PEM 电解槽学习率方差
$P t syn ＿ oil$	$t$ 年合成原油价格／（元／ t ）	$μ 2$	光伏发电成本均值／（元／kWh）
$Q t syn ＿ oil$	$t$ 年合成原油产量／t	$σ 2$	光伏发电成本的标准差／（元／kWh）
$B t syn ＿ oil$	$t$ 年合成原油售出收人／元	$λ$	光伏发电成本下降指数
$I t$	建设期投资／元	$S τ$	第 $τ$ 月的超重油储备量／t
$L S t$	回收固定资产余值／元	$D τ$	第 $τ$ 月的加工量／t
$P t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油价格／（元／ t ）	$i$	银行贷款利率
$P ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的国内超重油价格／（元／t）	$H τ$	库存成本／（元／t）
$Q t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油量／t	$Q max$	运力上限／万 t
$Q ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的超重油国内采购量／t	$S max$	储备场容量上限／万 t
$Q t h y d$	$t$ 年绿氢消耗量／t	$S safe$	安全库存下限／万 t
$Q t ele$	$t$ 年绿电消耗量／kWh	$P max heavy ＿ oil$	历史超重油价格最大值／（元／t）
PMT $t$	贷款偿还额／元	$P min heavy ＿ oil$	历史超重油价格最小值／（元／t）
$O C t$	第 $t$ 年运营成本／元	$β$	库存周转约束系数
$D E P t$	折旧费／元	$C max$	每月采购资金使用上限／元
$I N T t$	借款利息／元	$U τ - d$	$τ - d$ 月下单量 $/ t$

表3 模型符号定义

Table 3 Definition of model symbols

符号	符号的定义	符号	符号的定义
$n$	项目运行年限／年	$μ$	超重油长期增长率
C	项目产能／（万 t／年）	$σ$	超重油市场价格波动方差
$r$	折现率	$μ 1$	PEM 电解槽学习率均值
$R tax$	所得税税率	$σ 1$	PEM 电解槽学习率方差
$P t syn ＿ oil$	$t$ 年合成原油价格／（元／ t ）	$μ 2$	光伏发电成本均值／（元／kWh）
$Q t syn ＿ oil$	$t$ 年合成原油产量／t	$σ 2$	光伏发电成本的标准差／（元／kWh）
$B t syn ＿ oil$	$t$ 年合成原油售出收人／元	$λ$	光伏发电成本下降指数
$I t$	建设期投资／元	$S τ$	第 $τ$ 月的超重油储备量／t
$L S t$	回收固定资产余值／元	$D τ$	第 $τ$ 月的加工量／t
$P t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油价格／（元／ t ）	$i$	银行贷款利率
$P ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的国内超重油价格／（元／t）	$H τ$	库存成本／（元／t）
$Q t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油量／t	$Q max$	运力上限／万 t
$Q ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的超重油国内采购量／t	$S max$	储备场容量上限／万 t
$Q t h y d$	$t$ 年绿氢消耗量／t	$S safe$	安全库存下限／万 t
$Q t ele$	$t$ 年绿电消耗量／kWh	$P max heavy ＿ oil$	历史超重油价格最大值／（元／t）
PMT $t$	贷款偿还额／元	$P min heavy ＿ oil$	历史超重油价格最小值／（元／t）
$O C t$	第 $t$ 年运营成本／元	$β$	库存周转约束系数
$D E P t$	折旧费／元	$C max$	每月采购资金使用上限／元
$I N T t$	借款利息／元	$U τ - d$	$τ - d$ 月下单量 $/ t$

图3 不考虑采购储备的轻质合成原油盈亏平衡价格概率及累积概率分布

Fig. 3 Probability and cumulative probability distribution of breakeven price for light synthetic crude oil without considering procurement and reserves

图4 每月超重油最优采购量与储备量图

Fig. 4 Monthly optimal procurement and reserve volume of extra heavy oil

图5 考虑储备的生产轻质合成原油盈亏平衡价格概率分布

Fig. 5 Probability distribution of breakeven price for light synthetic crude oil considering reserves

图6 不同绿电价格下生产轻质合成原油的盈亏平衡价格概率分布

Fig. 6 Probability distribution of break even prices under different green electricity prices

图7 不同绿氢价格下生产轻质合成原油的盈亏平衡价格概率分布

Fig. 7 Probability distribution of break even prices under different green hydrogen prices

图8 不同超重油价格下生产轻质合成原油盈亏平衡价格概率分布

Fig. 8 Probability distribution of breakeven price under different extra heavy oil prices

图9 主要不确定性因素对项目净现值的敏感性分析

Fig. 9 Sensitivity analysis of key uncertainty factors on project net present value (NPV)

图10 不同风险偏好下单位利润与主观效用的映射关系及确定性等价值(CEV)对比图

Fig. 10 Mapping between unit profit and subjective utility under different risk preferences, with comparison of Certainty Equivalent Values (CEV)

图A1 绿氢制取成本概率分布

Fig A1 Probability distribution of green hydrogen production costs

表A1 随机盈亏平衡价格模型符号及取值

Table A1 ReservesSymbols and values in the stochastic breakeven price model

符号	符号的定义	取值及单位
$n$	项目运行年限	10年
C	项目产能	160万t/年
$n$	折现率	10%
$R t a x$	所得税税率	15%
$P t syn ＿ oil$	$t$ 年合成原油价格	元/t
$Q t syn ＿ oil$	$t$ 年合成原油产量	t
$B t syn ＿ oil$	$t$ 年合成原油售出收入	元
$I t$	建设期投资	$4.72 × 109$ 元
$L S t$	回收固定资产余值	$1.73 × 108$ 元
$P t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油价格	元／t
$P ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的国内超重油价格	元／t
$Q t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油量	t
$Q ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的超重油国内采购量	t
$Q t h y d$	$t$ 年绿氢消耗量	$3.20 × 104 t$
$Q t ele$	$t$ 年绿电消耗量	$4.21 × 108 k W h$
$P M T t$	贷款偿还额	$3.51 × 108$ 元
$O C t$	第 $t$ 年运营成本	$5.04 × 108$ 元
$D E P t$	折旧费	$2.03 × 108$ 元
INT $t$	借款利息	万元
$μ$	超重油长期增长率	3.19%^[40]
$σ$	超重油市场价格波动方差	0.309^[40]
$μ 1$	PEM 电解槽学习率均值	18%^[41]
$σ 1$	PEM 电解槽学习率方差	2\％
$μ 2$	光伏发电成本均值	0.26 元／kWh
$σ 2$	光伏发电成本的标准差	8.64×10^-3 元/kwh^[41]
$λ$	光伏发电成本下降指数	0.35%^[41]
$β$	库存周转约束系数	2
$C max$	每月采购资金使用上限	元
$U τ - d$	$τ - d$ 月下单量	$d = 2$

表A1 随机盈亏平衡价格模型符号及取值

Table A1 ReservesSymbols and values in the stochastic breakeven price model

符号	符号的定义	取值及单位
$n$	项目运行年限	10年
C	项目产能	160万t/年
$n$	折现率	10%
$R t a x$	所得税税率	15%
$P t syn ＿ oil$	$t$ 年合成原油价格	元/t
$Q t syn ＿ oil$	$t$ 年合成原油产量	t
$B t syn ＿ oil$	$t$ 年合成原油售出收入	元
$I t$	建设期投资	$4.72 × 109$ 元
$L S t$	回收固定资产余值	$1.73 × 108$ 元
$P t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油价格	元／t
$P ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的国内超重油价格	元／t
$Q t, τ heavy ＿ oil$	$t$ 年 $τ$ 月进口超重油量	t
$Q ˜ t, τ heavy ＿ oil$	$t$ 年第 $τ$ 月的超重油国内采购量	t
$Q t h y d$	$t$ 年绿氢消耗量	$3.20 × 104 t$
$Q t ele$	$t$ 年绿电消耗量	$4.21 × 108 k W h$
$P M T t$	贷款偿还额	$3.51 × 108$ 元
$O C t$	第 $t$ 年运营成本	$5.04 × 108$ 元
$D E P t$	折旧费	$2.03 × 108$ 元
INT $t$	借款利息	万元
$μ$	超重油长期增长率	3.19%^[40]
$σ$	超重油市场价格波动方差	0.309^[40]
$μ 1$	PEM 电解槽学习率均值	18%^[41]
$σ 1$	PEM 电解槽学习率方差	2\％
$μ 2$	光伏发电成本均值	0.26 元／kWh
$σ 2$	光伏发电成本的标准差	8.64×10^-3 元/kwh^[41]
$λ$	光伏发电成本下降指数	0.35%^[41]
$β$	库存周转约束系数	2
$C max$	每月采购资金使用上限	元
$U τ - d$	$τ - d$ 月下单量	$d = 2$

表A2 采购储备优化模型符号及取值

Table A2 Symbols and values in the procurement and reserve optimization model

符号	符号的定义	取值及单位
$S τ$	第 $τ$ 月的超重油储备量	t
$D τ$	第 $τ$ 月的加工量	t
$i$	银行贷款利率	5\％
$H τ$	库存成本（含集装箱租赁）	元／（t／月）
$Q max$	运力上限	59 万t／月
$S max$	储备场容量上限	80 万 t
$S safe$	安全库存下限	13 万 t
$P max heavy ＿ oil$	历史超重油价格最大值	元／t
$P min heavy ＿ oil$	历史超重油价格最小值	元／t

表A2 采购储备优化模型符号及取值

Table A2 Symbols and values in the procurement and reserve optimization model

符号	符号的定义	取值及单位
$S τ$	第 $τ$ 月的超重油储备量	t
$D τ$	第 $τ$ 月的加工量	t
$i$	银行贷款利率	5\％
$H τ$	库存成本（含集装箱租赁）	元／（t／月）
$Q max$	运力上限	59 万t／月
$S max$	储备场容量上限	80 万 t
$S safe$	安全库存下限	13 万 t
$P max heavy ＿ oil$	历史超重油价格最大值	元／t
$P min heavy ＿ oil$	历史超重油价格最小值	元／t

参考文献 41

[1]	梁萌, 张奇, 任重远, 等. 基于油权理论的全球能源地缘格局及对中国影响研究[J]. 石油科学通报, 2021, 6(3): 524-538.
	[LIANG M, ZHANG Q, REN Z Y, et al. A study on the global geopolitical pattern of energy based on oil rights theory and its impact on China[J]. Petroleum Science Bulletin, 2021, 6(3): 524-538.]
[2]	PRAJAPATI R, KOHLI K, MAITY S K. Slurry phase hydrocracking of heavy oil and residue to produce lighter fuels: An experimental review[J]. Fuel, 2021, 288: 119686.
[3]	CAINENG Z, ZHANG G, ZHI Y, et al. Concepts, characteristics, potential and technology of unconventional hydrocarbons: On unconventional petroleum geology[J]. Petroleum Exploration and Development, 2013, 40(4): 413-428.
[4]	SAHU R, SONG B J, IM J S, et al. A review of recent advances in catalytic hydrocracking of heavy residues[J]. Journal of Industrial and Engineering Chemistry, 2015, 27: 12-24.
[5]	NGUYEN T H, NGUYEN Q A, CAO A N T, et al. Hydrodemetallization of heavy oil: Recent progress, challenge, and future prospects[J]. Journal of Petroleum Science and Engineering, 2022, 216: 110762.
[6]	徐大海, 陈琳, 梁忻睿, 等. 浆态床渣油加氢裂化石脑油加氢生产重整原料工艺研究[J]. 现代化工, 2024, 44(1): 227-229. doi: 10.16606/j.cnki.issn0253-4320.2024.01.041
	[XU D H, CHEN L, LIANG X R, et al. Study on the process of producing reforming feedstock by hydrotreating naphtha from slurry-bed residue hydrocracking[J]. Modern Chemical Industry, 2024, 44(1): 227-229.]
[7]	VAN PHAM D, NGUYEN N T, KANG K H, et al. Study into the effects of the feedstock properties and stability on the catalytic hydrocracking of heavy oil[J]. Fuel, 2023, 339: 127427.
[8]	ANCHEYTA J. Deactivation of heavy oil hydroprocessing catalysts: Fundamentals and modeling[M]. Hoboken, New Jersey: John Wiley & Sons, 2016.
[9]	吕东晖, 李伟, 王鹏, 等. 催化裂化装置反应器及其能量系统的优化[J]. 石油化工, 2018, 47(04): 350-355.
	[LU D H, LI W, WANG P, et al. Optimization of the reactor and energy system in fluid catalytic cracking units[J]. Petrochemical Technology, 2018, 47(04): 350-355.]
[10]	RAMÍREZ J, RANA M S, ANCHEYTA J. Characteristics of heavy oil hydroprocessing[J]. Hydroprocessing of heavy oils and residua, 2007: 121.
[11]	孔令健. 劣质减压渣油直接催化裂化的工业应用[J]. 石油与天然气化工, 2024, 53(3): 31-36.
	[KONG L J. Industrial application of direct catalytic cracking of inferior vacuum residue[J]. Petrochemical Industry, 2024, 53(3): 31-36.]
[12]	许友好, 何鸣元. 重油在加工过程中的碳氢优化分布及有效利用的探索[J]. 石油学报(石油加工), 2017, 33(1): 1-7.
	[XU Y H, HE M Y. Exploration on hydrocarbon distribution optimization and efficient utilization during heavy oil processing[J]. Acta Petrolei Sinica (Petroleum Processing Section), 2017, 33(1): 1-7.]
[13]	RANA M S, ANCHEYTA J, MAITY S K, et al. Hydrotreating of Maya crude oil: II. Generalized relationship between hydrogenolysis and HDAs[J]. Petroleum Science and Technology, 2007, 25(1-2): 201-213.
[14]	ANCHEYTA J, RANA M S, FURIMSKY E. Hydroprocessing of heavy petroleum feeds: Tutorial[J]. Catalysis Today, 2005, 109(1-4): 3-15.
[15]	ZHOU X, ZHAI Q, CHEN C, et al. Technoeconomic analysis and life cycle assessment of five VGO processing pathways in China[J]. Energy & Fuels, 2019, 33(11): 12106-12120.
[16]	MEYER P A, SNOWDEN-SWAN L J, JONES S B, et al. The effect of feedstock composition on fast pyrolysis and upgrading to transportation fuels: Techno-economic analysis and greenhouse gas life cycle analysis[J]. Fuel, 2020, 259: 116218.
[17]	MISHRA R K, KUMAR P, MOHANTY K. Hydrothermal liquefaction of biomass for bio-crude production: A review on feedstocks, chemical compositions, operating parameters, reaction kinetics, techno-economic study, and life cycle assessment[J]. Fuel, 2022, 316: 123377.
[18]	WANG H, MEYER P A, SANTOSA D M, et al. Performance and techno-economic evaluations of co-processing residual heavy fraction in bio-oil hydrotreating[J]. Catalysis Today, 2021, 365: 357-364.
[19]	INAYAT A, AHMED A, TARIQ R, et al. Techno-economical evaluation of bio-oil production via biomass fast pyrolysis process: A review[J]. Frontiers in Energy Research, 2022, 9: 770355.
[20]	TALMADGE M, KINCHIN C, CHUM H L, et al. Techno-economic analysis for co-processing fast pyrolysis liquid with vacuum gasoil in FCC units for second-generation biofuel production[J]. Fuel, 2021, 293: 119960.
[21]	ALI A A M, MUSTAFA M A, YASSIN K E. A techno-economic evaluation of bio-oil co-processing within a petroleum refinery[J]. Biofuels, 2018, 12(6): 1-9.
[22]	YAASHIKAA P R, DEVI M K, KUMAR P S, et al. A review on biodiesel production by algal biomass: Outlook on lifecycle assessment and techno-economic analysis[J]. Fuel, 2022, 324: 124774.
[23]	VARGA Z, ELLER Z, HANCSÓK J. Techno-economic evaluation of quality improvement of heavy gas oil with different processes[J]. Journal of Cleaner Production, 2016, 111: 108-116.
[24]	GARCÍA-MAZA S, GONZÁLEZ-DELGADO Á D. Technical-economic assessment and FP²O technical-economic resilience analysis of the gas oil hydrocracking process at large scale[J]. Sci, 2025, 7, 17.
[25]	QIANG S S, WANG W C. Experimental and techno-economic studies of upgrading heavy pyrolytic oils from wood chips into valuable fuels[J]. Journal of Cleaner Production, 2020, 277: 124136.
[26]	ZHOU X, ZHAO M, SHENG N, et al. Enhancing light olefins and aromatics production from naphthenic-based vacuum gas oil: Process integration, techno-economic analysis and life cycle environmental assessment[J]. Computers & Chemical Engineering, 2021, 146: 107207.
[27]	MUÑOZ J A D, ANCHEYTA J, CASTAÑEDA L C. Selection of heavy oil upgrading technologies by proper estimation of petroleum prices[J]. Petroleum Science and Technology, 2022, 40(2): 217-236.
[28]	BITTNER A, TYNER W E, ZHAO X. Field to flight: A techno‐economic analysis of the corn stover to aviation biofuels supply chain[J]. Biofuels, Bioproducts and Biorefining, 2015, 9(2): 201-210.
[29]	BAUER F, HULTEBERG C. Isobutanol from glycerine-a techno-economic evaluation of a new biofuel production process[J]. Applied Energy, 2014, 122: 261-268.
[30]	YAO G, STAPLES M D, MALINA R, et al. Stochastic techno-economic analysis of alcohol-to-jet fuel production[J]. Biotechnology for Biofuels, 2017, 10: 1-13.
[31]	ZHAO X, BROWN T R, TYNER W E. Stochastic techno-economic evaluation of cellulosic biofuel pathways[J]. Bioresource technology, 2015, 198: 755-763. doi: 10.1016/j.biortech.2015.09.056 pmid: 26454041
[32]	ZHAO X, YAO G, TYNER W E. Quantifying breakeven price distributions in stochastic techno-economic analysis[J]. Applied energy, 2016, 183: 318-326.
[33]	ABUBAKAR U, SRIRAMULA S, RENTON N C. Stochastic techno-economic considerations in biodiesel production[J]. Sustainable Energy Technologies and Assessments, 2015, 9: 1-11.
[34]	DINIZ A P M M, SARGEANT R, MILLAR G J. Stochastic techno-economic analysis of the production of aviation biofuel from oilseeds[J]. Biotechnology for biofuels, 2018, 11: 1-15.
[35]	NGUYEN N, TYNER W E. Assessment of the feasibility of the production of alternative jet fuel and diesel using catalytic hydrothermolysis technology: A stochastic techno-economic analysis[J]. Biofuels, Bioproducts and Biorefining, 2022, 16(1): 91-104.
[36]	AMANFUL B, DOGBE E S, BOSMAN C E, et al. Stochastic techno-economic analysis for the co-production of alternative sweeteners in sugarcane biorefineries[J]. Food and Bioproducts Processing, 2024, 143: 9-20.
[37]	NWAFOR C N, OYEDELE A A. Simulation and hedging oil price with geometric Brownian motion and single-step binomial price model[J]. European Journal of Business and Management, 2017, 9(9): 68-81.
[38]	周莹, 饶家豪, 唐春, 等. 光伏电催化硫化氢分解制氢脱硫经济性分析[J]. 天然气工业, 2024, 44(11): 178-191.
	[ZHOU Y, RAO J, TANG C, et al. Economic analysis of hydrogen production and desulfurization via photovoltaic-electrocatalytic decomposition of hydrogen sulfide[J]. Natural Gas Industry, 2024, 44(11): 178-191.]
[39]	王彦哲, 欧训民, 周胜. 基于学习曲线的中国未来制氢成本趋势研究[J]. 气候变化研究进展, 2022, 18(3): 283-293.
	[WANG Y Z, OU X M, ZHOU S. Study on the future hydrogen production cost trend in China based on learning curve[J]. Advances in Climate Change Research, 2022, 18(3): 283-293.]
[40]	LIU M, WANG Z, ZHAO L, et al. Production sharing contract: An analysis based on an oil price stochastic process[J]. Petroleum Science, 2012, 9: 408-415.
[41]	LANE B, REED J, SHAFFER B, et al. Forecasting renewable hydrogen production technology shares under cost uncertainty[J]. International Journal of Hydrogen Energy, 2021, 46(54): 27293-27306.

选择文件类型/文献管理软件名称

选择包含的内容

多维随机不确定性下的超重油加绿氢解构技术经济分析与系统优化

Techno-economic analysis and system optimization of extra heavy oil green hydrogen cracking under multidimensional stochastic uncertainty

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 41

相关文章 2

编辑推荐

Metrics

本文评价

[1]	蒲田；胡建清；周红军；徐春明. 炼化工业碳减排路径与电化工/电供能技术发展综述[J]. , 2023, 8(4): 445-460.
[2]	孟祥翠；王尚旭；唐跟阳；刘志远. 二维随机介质中的声波辐射传输蒙特卡洛数值模拟及应用[J]. , 2017, 2(2): 199-209.

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

多维随机不确定性下的超重油加绿氢解构技术经济分析与系统优化

Techno-economic analysis and system optimization of extra heavy oil green hydrogen cracking under multidimensional stochastic uncertainty

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 41

相关文章 2

编辑推荐

Metrics

本文评价