【摘要】 本发明公开了一种应用于炼油厂的非线性生产计划优化方法，包括：(1)建立炼油生产逻辑网络；(2)建立常减压蒸馏装置CDU和催化裂化装置FCC的过程模型；(3)输入所有约束条件数据，确定两阶段的目标函数；(4)利用混合方法，优化确定生产计划决策变量。本发明在仿真建模技术的基础上结合遗传算法和直接算法，能在不破坏约束条件的情况下有效提升炼油生产计划的全局利润，避免复杂生产计划问题求解过程产生的庞大计算量，并能迅速得到优化解。原理简单，实施方便，可移植性强，适用于不同的生产计划环境。 【专利类型】发明授权 【申请人】浙江大学 【申请人类型】学校 【申请人地址】310027 浙江省杭州市西湖区浙大路38号 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】西湖区 【申请号】CN201210084962.0 【申请日】2012-03-28 【申请年份】2012 【公开公告号】CN102622655B 【公开公告日】2014-12-17 【公开公告年份】2014 【授权公告号】CN102622655B 【授权公告日】2014-12-17 【授权公告年份】2014.0 【IPC分类号】G06Q10/04 【发明人】冯毅萍; 荣冈; 张国泽 【主权项内容】1.一种应用于炼油厂的非线性生产计划优化方法，其特征在于，包括以下步骤： (1)建立所述炼油厂中炼油生产装置和物料侧线的逻辑网络，输入对应的原油采购量、物料流动方向、全局生产模型和油品输出数据； (2)所述的炼油生产装置中至少包括常减压蒸馏装置和催化裂化装置，并建立常减压蒸馏装置和催化裂化装置的非线性过程模型； 所述的常减压蒸馏装置的非线性过程模型如下： Yu, n, t＝Hu, n, t-Hu, n, t-1 (2) 其中Hu, n, t表示常减压蒸馏装置u的n出料侧线在t生产批次的产率； u为常减压蒸馏装置序号； n为常减压蒸馏装置的出料侧线序号； t为常减压蒸馏装置的生产批次序号； Yu, n, t表示与Hu, n, t相对应的质量产率； Tu, n, t为表示常减压蒸馏装置u的n出料侧线在t生产批次的切割温度； K为预定义的整数，表示公式中的阶次； au, 0, au, 1, …au, K是预先根据所述的常减压蒸馏装置的非线性过程模型拟合后的实沸点产率和切割温度相关性参数； 所述的催化裂化装置的非线性过程模型如下： Yu, n, t＝βn, 0+βn, 1(CONVu, t-Z)+βn, 2(CONVu, t-Z)2 (3) Yu, n, t表示催化裂化装置u的n出料侧线在t生产批次的质量产率； CONVu, t表示催化裂化装置u在t生产批次的转换因子； Z为基准的转换因子； u为催化裂化装置序号； n为催化裂化装置的出料侧线序号； t为催化裂化装置的生产批次序号； βn, 0, βn, 1, βn，2是一系列拟合后的侧线质量产率和转换因子相关性参数； (3)利用中间物料储罐、油品物性、其他生产装置和市场供需关系的约束条件数据，以炼油过程的约束破坏值和计划周期的利润期望值建立两阶段目标函数的约束方程； 以炼油过程的约束破坏值建立的阶段Ⅰ目标函数的方程表达式为： CONB为整个炼油厂生产过程中的约束破坏值，Gi表示单一约束超出或者不足的绝对值，ri表示预先设定的惩罚因子； i为约束条件的索引号，n为约束条件的数量； 所述的约束破坏值包括如下约束的破坏值：储罐约束、物性约束、其他生产装置约束和市场供需约束； 以炼油过程的计划周期的利润期望值建立的阶段Ⅱ目标函数的方程表达式为： OBJ＝ΣPi·Di, t-ΣPj·Cj, t-σ·ΣSu, t Pi和Pj分别表示油品和原油的价格，Su, t表示t批次下u储罐的罐存量，σ表示单位罐存成本，Di, t表示t批次下i油品的生产量，Cj.t表示t批次对j原油的采购量； (4)确定计划周期内炼油生产的决策变量，根据步骤(3)中的约束方程，利用混合方法获得计划周期内炼油生产的最优决策变量； 决策变量包括： 常减压蒸馏装置的切割温度； 催化裂化装置的转换因子； 与预定产率相对应的其他生产装置方案； 原油采购量； 储罐付料量； 利用混合方法确定计划周期内炼油生产逻辑网络的最优决策变量，其具体过程分为阶段Ⅰ和阶段Ⅱ； 阶段Ⅰ执行一套标准浮点数编码方案的遗传算法，步骤如下： a、初始化：定义每个决策变量的取值范围，使用浮点数编码方案随机生成种群，其中离散变量取近似整数值； b、评价：将生成的种群中的决策变量输入生产计划仿真模型，计算种群中所有个体的约束破坏值CONB(x)，并根据约束破坏值的大小对所有个体进行排序，即将个体的约束破坏值CONB(x)转换为排序因子； 所述的生产计划仿真模型为通过所述的逻辑网络相关联的全局生产模型以及常减压蒸馏装置和催化裂化装置的非线性过程模型； c、选择：采用轮盘赌方式在种群中随机取出同等数量的个体作为父代； d、交叉和变异：根据预先设置的交叉概率和变异概率，应用交叉算子和变异算子生成新的子代； e、将步骤d中所述的新的子代作为步骤a的样本循环执行步骤a～d，直至达到预定的遗传代数； f、将完成预定的遗传代数后得到的种群个体和与该种群个体对应的排序因子传递给阶段Ⅱ算法； 阶段Ⅱ算法，具体步骤如下： g、以阶段Ⅰ算法获得的种群个体作为初始迭代解x0，设定初始迭代步长矩阵a0＞0，进行迭代运算； h、第i次迭代解可表示为：xi＝xi-1+ai·d； 其中i是迭代的次数，d是随机方向的单位向量，该单位向量为矩阵形式，该单位向量的规模为(1, n)，其中n为所有决策变量的个数，单位向量中每一个元素的取值仅限-1、0或1； i、将每次迭代得到的xi输入生产计划仿真模型进行查询操作，所述的生产计划仿真模型为阶段Ⅰ所述的通过所述的逻辑网络相关联的全局生产模型以及常减压蒸馏装置和催化裂化装置的非线性过程模型； 如果满足条件：OBJ(xi)＞OBJ(xi-1)且CONB(xi)≤CONB(xi-1)； 代表第i次迭代查询成功，同时设置：ai+1＝ai，xi＝xi-1+ai·d, 再进入下一次运算； 否则，如果不满足条件：OBJ(xi)＞OBJ(xi-1)且CONB(xi)≤CONB(xi-1)，代表第i次迭代查询失败，设置xi＝xi-1，减小步长ai+1＝ai/2重新计算并查询xi；若连续五次减小步长后仍未查询成功，则重新生成随机方向向量d并执行步骤i； j、当迭代次数i达到阈值时跳出迭代，得到对应的结果即所述的最优决策变量和对应目标函数值输出。 ： 【当前权利人】浙江大学 【当前专利权人地址】浙江省杭州市西湖区浙大路38号 【专利权人类型】公立 【统一社会信用代码】12100000470095016Q 【引证次数】4.0 【被引证次数】1 【自引次数】1.0 【他引次数】3.0 【被他引次数】1.0 【家族引证次数】4.0 【家族被引证次数】23

未经允许不得转载：http://www.zhongzhencnc.com/1791551479.html