科研動(dòng)態(tài)
大規(guī)模原油調(diào)度與生產(chǎn)計(jì)劃集成的知識(shí)輔助混合優(yōu)化策略
中文題目：大規(guī)模原油調(diào)度與生產(chǎn)計(jì)劃集成的知識(shí)輔助混合優(yōu)化策略
論文題目：Knowledge-Assisted Hybrid Optimization Strategy of Large-Scale Crude Oil Scheduling Integrated Production Planning
錄用期刊：Computers & Chemical Engineering (中科院大類(lèi)2區(qū)，CAA A類(lèi))
原文DOI：https://doi.org/10.1016/j.compchemeng.2024.108904
原文鏈接：https://www.sciencedirect.com/science/article/pii/S0098135424003223
錄用/見(jiàn)刊時(shí)間：2024/10/22
作者列表：
1） 何仁初 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系教師
2） 謝云昊 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 控制科學(xué)與工程專(zhuān)業(yè) 碩23
3） 張師偉 華東理工大學(xué)信息科學(xué)與工程學(xué)院 控制工程專(zhuān)業(yè) 碩21
4） 許 鋒 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系教師
5） 隆 建 華東理工大學(xué)能源化工過(guò)程智能制造教育部重點(diǎn)實(shí)驗(yàn)室 教師
摘要：
本研究提出了一種基于知識(shí)輔助的大規(guī)模原油調(diào)度與計(jì)劃集成優(yōu)化模型，該模型采用了一種結(jié)合數(shù)學(xué)規(guī)劃（MP）和粒子群優(yōu)化（PSO）的混合優(yōu)化算法（MP/PSO）進(jìn)行求解。長(zhǎng)期計(jì)劃旨在最小化運(yùn)營(yíng)和運(yùn)輸成本，同時(shí)最大化煉油廠(chǎng)利潤(rùn)；而短期調(diào)度則基于初步的長(zhǎng)期計(jì)劃，旨在最小化裝置切換次數(shù)。在短期調(diào)度階段，基于經(jīng)驗(yàn)操作知識(shí)的啟發(fā)式規(guī)則生成一個(gè)高性能的初始種群，以加速收斂。這一策略對(duì)于提升煉油廠(chǎng)的應(yīng)急響應(yīng)能力、確保穩(wěn)定運(yùn)行以及提高經(jīng)濟(jì)效益至關(guān)重要。實(shí)驗(yàn)結(jié)果表明，MP/PSO在本文大規(guī)模原油調(diào)度場(chǎng)景中的表現(xiàn)優(yōu)于PSO和人工調(diào)度。
背景與動(dòng)機(jī):
在現(xiàn)代煉油工業(yè)中，原油調(diào)度作為生產(chǎn)流程的核心前端，至關(guān)重要。它涉及原油的接卸、輸轉(zhuǎn)、庫(kù)存管理、調(diào)合及加工，對(duì)維持生產(chǎn)連續(xù)穩(wěn)定、優(yōu)化資源配置及最大化利潤(rùn)具有重大意義。然而，隨著煉油規(guī)模擴(kuò)大，傳統(tǒng)依賴(lài)人工經(jīng)驗(yàn)的調(diào)度方式已難以應(yīng)對(duì)復(fù)雜性與動(dòng)態(tài)性挑戰(zhàn)，常致決策缺乏全局前瞻，難以平衡長(zhǎng)期計(jì)劃與短期調(diào)度靈活性。
為解決此問(wèn)題，提升原油調(diào)度的智能化水平，引入了知識(shí)輔助的優(yōu)化算法。該算法融合數(shù)學(xué)規(guī)劃與粒子群優(yōu)化方法，結(jié)合專(zhuān)家知識(shí)與經(jīng)驗(yàn)，生成優(yōu)質(zhì)初始種群，加速求解并提升解的質(zhì)量，高效應(yīng)對(duì)大規(guī)模原油調(diào)度問(wèn)題，實(shí)現(xiàn)調(diào)度與生產(chǎn)計(jì)劃的集成優(yōu)化，推動(dòng)煉油工業(yè)智能化發(fā)展。
設(shè)計(jì)與實(shí)現(xiàn):
針對(duì)大規(guī)模原油調(diào)度問(wèn)題，本研究提出了一種知識(shí)輔助的計(jì)劃與調(diào)度集成優(yōu)化模型。該模型采用了數(shù)學(xué)規(guī)劃與粒子群優(yōu)化（MP/PSO）相結(jié)合的混合優(yōu)化算法進(jìn)行求解。長(zhǎng)期計(jì)劃的目標(biāo)是最小化運(yùn)營(yíng)和運(yùn)輸成本，同時(shí)最大化煉油廠(chǎng)的利潤(rùn)；短期調(diào)度則基于初步的長(zhǎng)期規(guī)劃，旨在最小化切換次數(shù)。在短期調(diào)度階段，基于經(jīng)驗(yàn)操作知識(shí)的啟發(fā)式規(guī)則用于生成高性能的初始種群，以加速收斂。總體技術(shù)路線(xiàn)如圖1所示。
圖2 總體技術(shù)路線(xiàn)圖
將原油調(diào)度問(wèn)題分為兩個(gè)層次：長(zhǎng)周期計(jì)劃和短周期調(diào)度。長(zhǎng)周期計(jì)劃通?？紤]的是數(shù)周到數(shù)月的時(shí)間尺度，目標(biāo)是確定各個(gè)加工單元的投入產(chǎn)出量和產(chǎn)品配比，以滿(mǎn)足市場(chǎng)需求和生產(chǎn)成本要求；而短周期調(diào)度則通?？紤]的是數(shù)天到數(shù)周的時(shí)間尺度，目標(biāo)是在長(zhǎng)周期計(jì)劃的基礎(chǔ)上進(jìn)一步優(yōu)化各個(gè)罐的收付油情況，以確保生產(chǎn)運(yùn)營(yíng)的穩(wěn)定性和效率。因此，在長(zhǎng)周期計(jì)劃優(yōu)化完成后，可以將優(yōu)化結(jié)果作為短周期調(diào)度的初始條件。這樣可以提高短周期調(diào)度的效率和穩(wěn)定性，也能夠更好地滿(mǎn)足生產(chǎn)需求。具體而言，長(zhǎng)周期計(jì)劃模型可以表示為：
式（1）L表示長(zhǎng)周期計(jì)劃的優(yōu)化目標(biāo)函數(shù)，T表示批次啟止方案，F(xiàn)表示原油配方方案，P表示各常減壓裝置的收付油方案。這個(gè)優(yōu)化問(wèn)題可以通過(guò)數(shù)學(xué)規(guī)劃或者優(yōu)化算法進(jìn)行求解。然后，將長(zhǎng)周期計(jì)劃模型的優(yōu)化結(jié)果作為短周期調(diào)度模型的初始條件輸入，短周期調(diào)度模型可以表示為：
式（2）中f表示短周期調(diào)度的求解函數(shù)，長(zhǎng)周期的優(yōu)化結(jié)果作為輸入，輸出短調(diào)度方案Q，包括各個(gè)儲(chǔ)罐的收付油情況、郵輪卸油方案和儲(chǔ)罐庫(kù)存情況。算法流程如圖2所示.
圖2 算法流程圖
實(shí)驗(yàn)結(jié)果及分析:
為了驗(yàn)證本方法的有效性以及穩(wěn)定性，本文針對(duì)長(zhǎng)周期計(jì)劃結(jié)果設(shè)計(jì)了多組對(duì)比實(shí)驗(yàn)。分別用PSO（長(zhǎng)周期結(jié)果為隨機(jī)生成）和Manual/PSO（長(zhǎng)周期結(jié)果為人工排產(chǎn)）與本文所提方法MP/PSO進(jìn)行對(duì)比。圖3和圖4為求解的長(zhǎng)周期計(jì)劃結(jié)果。
圖3 長(zhǎng)周期計(jì)劃甘特圖（MP/PSO）
圖4 長(zhǎng)周期計(jì)劃油種配方（MP/PSO）
表1顯示，在20次實(shí)驗(yàn)中，Manual/PSO方案切換次數(shù)最少，其次為MP/PSO，而PSO方案表現(xiàn)最差，這是由于長(zhǎng)期計(jì)劃目標(biāo)的差異所致。Manual/PSO方案優(yōu)先最大化經(jīng)濟(jì)效益，因此表現(xiàn)較優(yōu)；MP/PSO兼顧經(jīng)濟(jì)效益和解的可行性，導(dǎo)致效益稍低；PSO因缺乏合理的長(zhǎng)期規(guī)劃，容易陷入局部最優(yōu)。在約束違反率方面，MP/PSO最低，其次為Manual/PSO，PSO最高。這是由于Manual/PSO方案雖初期符合約束，但因缺乏全周期優(yōu)化，約束違約率隨時(shí)間增高；PSO初始條件隨機(jī)，違約率相對(duì)高；MP/PSO則通過(guò)全周期約束優(yōu)化，使原油資源配置更合理。
表1 各方法重復(fù)實(shí)驗(yàn)20次的指標(biāo)
通過(guò)對(duì)比圖 5、圖 6和圖 7，在切換頻率和調(diào)度連續(xù)性方面，MP/PSO 和 Manual/PSO 表現(xiàn)較好，顯示出更強(qiáng)的連續(xù)性和較少的切換次數(shù)。相比之下，單獨(dú) PSO 方案則表現(xiàn)出較高的離散性，切換頻繁且連續(xù)性較低。
圖5 短周期調(diào)度甘特圖（MP/PSO）
圖6 短周期調(diào)度甘特圖（Manual/PSO）
圖7 短周期調(diào)度甘特圖（PSO）
結(jié)論:
針對(duì)大規(guī)模原油調(diào)度與生產(chǎn)計(jì)劃集成問(wèn)題，本研究提出了一種知識(shí)輔助的混合優(yōu)化策略。通過(guò)結(jié)合數(shù)學(xué)規(guī)劃和粒子群優(yōu)化算法，該策略不僅能夠有效處理原油調(diào)度的復(fù)雜性和動(dòng)態(tài)性，還能在合理的時(shí)間范圍內(nèi)實(shí)現(xiàn)更優(yōu)的調(diào)度方案。實(shí)驗(yàn)結(jié)果表明，與單獨(dú)使用粒子群優(yōu)化算法和人工調(diào)度相比，所提出的混合優(yōu)化策略在大型原油調(diào)度場(chǎng)景中表現(xiàn)更佳。此外，該策略還充分考慮了長(zhǎng)期經(jīng)濟(jì)目標(biāo)和短期生產(chǎn)靈活性，實(shí)現(xiàn)了更全面的優(yōu)化。為解決原油調(diào)度與生產(chǎn)計(jì)劃的集成問(wèn)題提供了一種新的思路和方法。
作者簡(jiǎn)介:
何仁初，男，中國(guó)石油大學(xué)（北京）人工智能學(xué)院自動(dòng)化系教授、博士生導(dǎo)師。上海自動(dòng)化學(xué)會(huì)理事，主要研究領(lǐng)域?yàn)槊嫦蚰茉椿み^(guò)程的智能感知、智能建模、智能決策、機(jī)器學(xué)習(xí)和優(yōu)化控制方面的理論、方法與應(yīng)用。近年來(lái)主持/參與國(guó)家自然科學(xué)基金面上項(xiàng)目2項(xiàng)；企業(yè)委托重大合作項(xiàng)目10余項(xiàng)；發(fā)表SCI/EI學(xué)術(shù)論文30多篇；申請(qǐng)國(guó)家/國(guó)際PCT專(zhuān)利20余項(xiàng)，已授權(quán)國(guó)家發(fā)明專(zhuān)利11項(xiàng)，授權(quán)國(guó)際發(fā)明專(zhuān)利1項(xiàng)；登記計(jì)算機(jī)軟件著作權(quán)20多件；獲得省部級(jí)一等獎(jiǎng)2項(xiàng)，省部級(jí)三等獎(jiǎng)1項(xiàng)。