CN102269988A - 一种流程工业生产调度的管道分流点系数的优化确定方法 - Google Patents
一种流程工业生产调度的管道分流点系数的优化确定方法 Download PDFInfo
- Publication number
- CN102269988A CN102269988A CN2011100661388A CN201110066138A CN102269988A CN 102269988 A CN102269988 A CN 102269988A CN 2011100661388 A CN2011100661388 A CN 2011100661388A CN 201110066138 A CN201110066138 A CN 201110066138A CN 102269988 A CN102269988 A CN 102269988A
- Authority
- CN
- China
- Prior art keywords
- population
- individuality
- fitness
- value
- split point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 60
- 238000000926 separation method Methods 0.000 title abstract 4
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 239000002994 raw material Substances 0.000 claims description 20
- 210000000349 chromosome Anatomy 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000013508 migration Methods 0.000 claims description 11
- 230000005012 migration Effects 0.000 claims description 11
- 102100038353 Gremlin-2 Human genes 0.000 claims description 9
- 101001032861 Homo sapiens Gremlin-2 Proteins 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 3
- 238000005094 computer simulation Methods 0.000 abstract 1
- 238000007599 discharging Methods 0.000 description 9
- 239000003208 petroleum Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 101100007769 Arabidopsis thaliana CRB gene Proteins 0.000 description 2
- 101100275730 Arabidopsis thaliana CRC gene Proteins 0.000 description 2
- 238000001833 catalytic reforming Methods 0.000 description 2
- 238000004939 coking Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101100385324 Arabidopsis thaliana CRA1 gene Proteins 0.000 description 1
- 101100007773 Arabidopsis thaliana CRD gene Proteins 0.000 description 1
- 101100007772 Brassica napus CRU1 gene Proteins 0.000 description 1
- 101710171920 Fumarate reductase flavoprotein subunit Proteins 0.000 description 1
- 238000004523 catalytic cracking Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 101150059123 cdu1 gene Proteins 0.000 description 1
- 101150113771 cdu2 gene Proteins 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005292 vacuum distillation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种流程工业生产调度的管道分流点系数的优化确定方法,包括:(1)建立流程工业生产调度逻辑网络;(2)定义关于利润期望值的函数方程表达式;(3)利用遗传算法,优化确定管道分流点系数。本发明通过仿真建模技术结合启发式算法前沿的多种群遗传算法,能确定优化大规模的管道分流点系数,有效提升了流程工业生产调度的效率,降低了生产调度的成本,能够减少计算难度,提升生产调度的表现指标,原理简单,实施方便,可移植性强,适用于不同的生产调度环境。
Description
技术领域
本发明属于计算机程序辅助测试技术领域,具体涉及一种流程工业生产调度的管道分流点系数的优化确定方法。
背景技术
生产调度作为流程工业企业生产经营的核心,它决定了生产过程是否能够顺利进行,影响到企业的生产成本和资源的合理利用。对流程工业生产调度优化问题的研究,目标在于合理调配原料和能源,寻求最优的操作条件,保持稳定和均衡生产。
流程工业生产调度逻辑网络是指对流程工业企业复杂生产流程的简化归纳,方便对流程工业生产调度决策进行分析改进,而管道分流点系数则作为调度决策的一个重要参数。目前确定管道分流点系数,主要依赖传统的线性规划方法,其通过建立并解析数学模型,从而获取一些关键参数的理想值。但由于模型具有复杂性、非线性、多目标和多约束等特点,传统的线性规划方法难以计算出大规模的参数,因此该方法面对大规模或者机理不清晰的模型就相对显得无能为力了。
发明内容
本发明提供了一种流程工业生产调度的管道分流点系数的优化确定方法,其通过仿真建模技术结合启发式算法前沿的多种群遗传算法,能够减少计算难度,提升生产调度的表现指标,能确定优化大规模的管道分流点系数。
一种流程工业生产调度的管道分流点系数的优化确定方法,包括以下步骤:
(1)建立包括生产装置、物料侧线和管道分流点的流程工业生产调度逻辑网络,并定义所述的逻辑网络中的生产信息符号、生产装置模型和管道分流点系数。
定义逻辑网络中的生产信息符号含义如下:
i为进料侧线,j为出料侧线,l为产品,s为原料,m为加工方案,n为管道分流点,v为分流点的流出侧线,k为调度周期。
定义逻辑网络中的任一生产装置为一个多输入多输出模型:
任一生产装置的进料总量的约束关系为:
任一出料侧线的物流量的表达式为:
其中:生产装置的进料侧线物流量定义为x1x2x3......xi;生产装置的出料侧线物流量定义为x′1x′2x′3......x′j;生产装置的出料侧线产率定义为生产装置的加工量下限定义为DDlow;生产装置的加工量上限定义为DDup。
定义逻辑网络中的管道分流点系数为β1β2β3......βv;当物料流经任意分流点时,物料按比例关系流向不同的生产装置,管道分流点系数的表达式为:
式4中:u′v表示分流点流出侧线的物料量;un表示流入分流点的物料总量。
(2)获取包括产品需求量、产品销售价格、原料采购量、原料采购价格、生产调度成本、调度周期的信息,定义出以计划周期的利润期望值为目标函数的方程表达式。
在给定调度方案η下,定义出以计划周期的利润期望值Profit(η)为目标函数的方程表达式:
Profit(η)=R(η)-C(η) (5)
式5中:R(η)和C(η)分别为调度方案η下的收益值和成本值。
收益值的函数表达式为:
式6中:Dl,k为调度周期k内产品l的市场需求量,pricel为计划周期内产品l的单位销售价格。
成本值的函数表达式为:
C(η)=PrdC(η)+SchC(η) (7)
式7中:PrdC(η)和SchC(η)分别为原料采购成本和生产调度成本,且均为固定成本。
原料采购成本的函数表达式为:
PrdC(η)=Ps,k·costs (8)
式8中:Ps,k为调度周期k内原料s的采购量,costs为计划周期内原料s的单位采购价格。
生产调度成本的函数表达式为:
式9中:Pen为惩罚系数,Vcapk和Vmodek分别为调度周期k内的加工量波动惩罚值和生产装置加工方案切换惩罚值。
引入生产调度成本的目的在于保持流程工业企业生产流程中的稳定。
(3)根据步骤(2)中定义的方程表达式,利用多种群遗传算法优化确定一个计划周期内的管道分流点系数集合,其具体过程如下:
a.将逻辑网络中管道分流点系数的集合作为单个染色体,定义多种群遗传算法参数:W为种群规模值,S为迁移隔代值,E为迁移概率,Z为最大遗传代数,B为变异概率,J为交叉概率;根据经验,一般取W=10,S=10,E=0.2,Z=100,B=0.1,J=0.8。
b.根据染色体编码方案随机生成初始种群,所述的初始种群包含K个子种群,一个子种群对应一个调度周期,每个子种群中包含W个个体,一个个体拥有一个染色体,一个染色体对应逻辑网络中管道分流点系数的一种集合,K为一个计划周期所对应调度周期的个数;
c.选取子种群内的某一个体位置,从每个子种群中提取该位置的个体,共K个,并依次输入至流程工业生产调度逻辑网络中,形成一次完整的流程工业计划周期生产仿真,并计算出计划周期的利润期望值,将该利润期望值作为该位置个体的共有适应度;遍历所有位置的个体,并确定所有个体的适应度;
d.对所有个体进行适应度排序,选择适应度最高的K个个体,作为精英个体并保存,该K个个体处于不同子种群内的相同位置;
e.根据个体适应度、变异概率以及交叉概率,以轮盘赌方式对每个子种群进行变异、交叉操作,生成下一代种群,并替换初始种群;
f.对下一代种群执行步骤c;如果这一代种群中适应度最高的K个个体的适应度值低于预先保存的精英个体的适应度值,那么将这一代种群中适应度最高的K个个体替换这一代种群中适应度最低的K个个体;反之,则替换预先保存的K个精英个体;
g.循环执行步骤e和f;每隔S代实行种群迁移,即在任一子种群中选取适应度排前(E×W)的个体与其他任一子种群中适应度排前(E×W)的个体进行交换;
h.当初始种群完成Z代遗传后,输出种群中的K个精英个体,提取精英个体中的染色体,即一个计划周期内K个最优的管道分流点系数集合。
本发明的管道分流点系数的优化确定方法通过仿真建模技术结合启发式算法前沿的多种群遗传算法,能确定优化大规模的管道分流点系数,有效提升了流程工业生产调度的效率,降低了生产调度的成本,避免复杂生产调度问题求解过程产生的庞大计算量,提升生产调度的表现指标,原理简单,实施方便,可移植性强,适用于不同的生产调度环境。
附图说明
图1为本发明的管道分流点系数的优化确定方法的步骤流程图。
图2为某一石化企业的流程工业生产调度逻辑网络的示意图。
图3为本发明中多种群遗传算法每一代精英个体的适应度曲线示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的管道分流点系数的优化确定方法进行详细说明。
如图1所示,一种流程工业生产调度的管道分流点系数的优化确定方法,包括以下步骤:
(1)建立流程工业生产调度逻辑网络。
如图2所示,以某一石化企业的流程工业生产调度逻辑网络为例,我们把该石化企业的生产流程假设为一个快速仿真器,输入变量为优化后的调度方案,状态变量为流经每条侧线的物料总和,输出变量为90#汽油、93#汽油和0#柴油的产量。生产装置包括常减压装置CDU(crude distillation unit)、催化裂化装置FCC(fluid catalytic cracker)、催化重整装置CRU(catalytic reforming unit)、延迟焦化装置DCU(delayed coking unit)、加氢精制装置HT(hydro treating)、汽油调和装置GB(gasoline blending)以及柴油调和装置DB(diesel blending)。
将逻辑网络中的管道分流点系数定义为β1β2β3......β9;
定义任一生产装置为一个多输入多输出模型:
任一出料侧线的物流量的表达式为:
表1:不同出料侧线的产率
侧线名称 | 产率 | 侧线名称 | 产率 |
CDU1 | 0.0898 | CRU1 | 0.1047 |
CDU2 | 0.0694 | CRU2 | 0.3801 |
CDU3 | 0.0935 | CRU3 | 0.028 |
CDU4 | 0.1087 | FCC1 | 0.47 |
CDU5 | 0.1347 | FCC2 | 0.21 |
CDU6 | 0.1865 | FCC3 | 0.07 |
CDU7 | 0.122 | FCC4 | 0.06 |
CDU8 | 0.0133 | HN1 | 0.9 |
CDU9 | 0.1817 | HN2 | 0.09 |
任一生产装置的进料总量的约束关系为:
式(2)中:生产装置的加工量下限定义为DDlow;生产装置的加工量上限定义为DDup。
不同生产装置的加工量上下限如表2所示:
表2:不同生产装置的加工量上下限
生产装置 | 加工量下限(吨/周) | 加工量上限(吨/周) |
CDU | 2500 | 14500 |
CRU | 200 | 1000 |
FCC | 1500 | 6500 |
HN | 700 | 3500 |
(2)定义关于利润期望值的函数方程表达式。
在给定调度方案η下,定义出以计划周期的利润期望值Profit(η)为目标函数的方程表达式:
Profit(η)=R(η)-C(η) (5)
式5中:R(η)和C(η)分别为调度方案η下的收益值和成本值。
收益值的函数表达式为:
式6中:Dl,k为调度周期k内产品l的市场需求量,pricel为计划周期内产品l的单位销售价格,一个计划周期对应4个调度周期,表3为三类产品在计划周期内的销售价格和库存量以及在4个调度周期内的市场需求量。
表3:产品需求量、价格和库存量的数据表
成本值的函数表达式为:
C(η)=PrdC(η)+SchC(η) (7)
式7中:PrdC(η)和SchC(η)分别为原料采购成本和生产调度成本,且均为固定成本。
原料采购成本的函数表达式为:
PrdC(η)=Ps,k·costs (8)
式8中:ps,k为调度周期k内原料s的采购量,costs为计划周期内原料s的单位采购价格,表4为两类原料在4个调度周期内的采购量。
表4:各调度周期内原料的采购量表
生产调度成本的函数表达式为:
式10中:惩罚系数Pen=10000,Vcapk和Vmodek分别为调度周期k内的加工量波动惩罚值和生产装置加工方案切换惩罚值。
(3)利用遗传算法,优化确定管道分流点系数。
a.将逻辑网络中管道分流点系数的集合{β1β2β3......β9}作为单个染色体,定义多种群遗传算法参数:W为种群规模值,S为迁移隔代值,E为迁移概率,Z为最大遗传代数,B为变异概率,J为交叉概率;表5为遗传算法的具体参数值。
表5:遗传算法参数表
参数名 | 值 | 参数名 | 值 |
决策变量数量 | 9 | 最大代数 | 100 |
种群规模 | 10 | 交叉概率 | 0.8 |
子种群数量 | 4 | 变异概率 | 0.1 |
迁移隔代 | 10 | 迁移概率 | 0.2 |
b.根据染色体编码方案随机生成初始种群,初始种群包含4个子种群,一个子种群对应一个调度周期,每个子种群中包含10个个体,一个个体拥有一个染色体,一个染色体对应逻辑网络中管道分流点系数的一种集合。
c.选取子种群内的某一个体位置,从每个子种群中提取该位置的个体,共4个,并依次输入至流程工业生产调度逻辑网络中,形成一次完整的流程工业计划周期生产仿真,并计算出计划周期的利润期望值,将该利润期望值作为该位置个体的共有适应度;遍历所有位置的个体,并确定所有个体的适应度。
d.对所有个体进行适应度排序,选择适应度最高的4个个体,作为精英个体并保存,该4个个体处于不同子种群内的相同位置。
e.根据个体适应度、变异概率以及交叉概率,以轮盘赌方式对每个子种群进行变异、交叉操作,生成下一代种群,并替换初始种群。
f.对下一代种群执行步骤c;如果这一代种群中适应度最高的4个个体的适应度值低于预先保存的精英个体的适应度值,那么将这一代种群中适应度最高的4个个体替换这一代种群中适应度最低的4个个体;反之,则替换预先保存的4个精英个体。
g.循环执行步骤e和f;每隔10代实行种群迁移,即在任一子种群中选取适应度排前(0.2×10)的个体与其他任一子种群中适应度排前(0.2×10)的个体进行交换。
h.当初始种群完成100代遗传后,输出种群中的4个精英个体,提取精英个体中的染色体,即一个计划周期内4个最优的管道分流点系数集合。
遗传算法在完成100代遗传后自动终止,输出4个精英个体,并提取精英个体中的染色体,即一个计划周期内4个最优的管道分流点系数集合,如表6所示。4个精英个体所对应的适应度值为1867100,图3为每一代种群中4个精英个体对应的适应度函数曲线,可见曲线最终趋向平稳。
表6:4个周期对应的最优的管道分流点系数集合
本发明实施方便,能够有效提高炼油厂生产调度的效率,降低生产调度的成本,并适用于状态不同的调度环境,具有很强的开放性。
Claims (4)
1.一种流程工业生产调度的管道分流点系数的优化确定方法,包括以下步骤:
(1)建立包括生产装置、物料侧线和管道分流点的流程工业生产调度逻辑网络,并定义所述的逻辑网络中的生产信息符号、生产装置模型和管道分流点系数;
(2)获取包括产品需求量、产品销售价格、原料采购量、原料采购价格、生产调度成本、调度周期的信息,定义出以计划周期的利润期望值为目标函数的方程表达式;
(3)根据步骤(2)中定义的方程表达式,利用多种群遗传算法优化确定一个计划周期内的管道分流点系数集合,其具体过程如下:
a.将逻辑网络中管道分流点系数的集合作为单个染色体,定义多种群遗传算法参数:W为种群规模值,S为迁移隔代值,E为迁移概率,Z为最大遗传代数,B为变异概率,J为交叉概率;
b.根据染色体编码方案随机生成初始种群,所述的初始种群包含K个子种群,一个子种群对应一个调度周期,每个子种群中包含W个个体,一个个体拥有一个染色体,一个染色体对应逻辑网络中管道分流点系数的一种集合,K为一个计划周期所对应调度周期的个数;
c.选取子种群内的某一个体位置,从每个子种群中提取该位置的个体,共K个,并依次输入至流程工业生产调度逻辑网络中,形成一次完整的流程工业计划周期生产仿真,并计算出计划周期的利润期望值,将该利润期望值作为该位置个体的共有适应度;遍历所有位置的个体,并确定所有个体的适应度;
d.对所有个体进行适应度排序,选择适应度最高的K个个体,作为精英个体并保存,该K个个体处于不同子种群内的相同位置;
e.根据个体适应度、变异概率以及交叉概率,以轮盘赌方式对每个子种群进行变异、交叉操作,生成下一代种群,并替换初始种群;
f.对下一代种群执行步骤c;如果这一代种群中适应度最高的K个个体的适应度值低于预先保存的精英个体的适应度值,那么将这一代种群中适应度最高的K个个体替换这一代种群中适应度最低的K个个体;反之,则替换预先保存的K个精英个体;
g.循环执行步骤e和f;每隔S代实行种群迁移,即在任一子种群中选取适应度排前(E×W)的个体与其他任一子种群中适应度排前(E×W)的个体进行交换;
h.当初始种群完成Z代遗传后,输出种群中的K个精英个体,提取精英个体中的染色体,即一个计划周期内K个最优的管道分流点系数集合。
2.根据权利要求1所述的流程工业生产调度的管道分流点系数的优化确定方法,其特征在于:所述的以计划周期的利润期望值为目标函数的方程表达式为:
Profit(η)=R(η)-C(η) (5)
式5中:R(η)和C(η)分别为调度方案η下的收益值和成本值;
所述的收益值的函数表达式为:
式6中:Dl,k为调度周期k内产品l的市场需求量,pricel为计划周期内产品l的单位销售价格;
所述的成本值的函数表达式为:
C(η)=PrdC(η)+SchC(η) (7)
式7中:PrdC(η)和SchC(η)分别为调度方案η下原料采购成本和生产调度成本。
3.根据权利要求2所述的流程工业生产调度的管道分流点系数的优化确定方法,其特征在于:所述的原料采购成本的函数表达式为:
PrdC(η)=Ps,k·costs (8)
式8中:Ps,k为调度周期k内原料s的采购量,costs为计划周期内原料s的单位采购价格。
4.根据权利要求2所述的流程工业生产调度的管道分流点系数的优化确定方法,其特征在于:所述的生产调度成本的函数表达式为:
式9中:Pen为惩罚系数,Vcapk和Vmodek分别为调度周期k内的加工量波动惩罚值和生产装置加工方案切换惩罚值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100661388A CN102269988A (zh) | 2011-03-18 | 2011-03-18 | 一种流程工业生产调度的管道分流点系数的优化确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100661388A CN102269988A (zh) | 2011-03-18 | 2011-03-18 | 一种流程工业生产调度的管道分流点系数的优化确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102269988A true CN102269988A (zh) | 2011-12-07 |
Family
ID=45052319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100661388A Pending CN102269988A (zh) | 2011-03-18 | 2011-03-18 | 一种流程工业生产调度的管道分流点系数的优化确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102269988A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622655A (zh) * | 2012-03-28 | 2012-08-01 | 浙江大学 | 一种应用于炼油厂的非线性生产计划优化方法 |
CN106462145A (zh) * | 2014-05-26 | 2017-02-22 | 株式会社日立制作所 | 地域间供给调整装置及程序 |
CN109960816A (zh) * | 2017-12-14 | 2019-07-02 | 中国核动力研究设计院 | 一种基于遗传算法的核级管道自动优化布置方法 |
CN110443407A (zh) * | 2019-06-30 | 2019-11-12 | 浙江大学 | 一种提高供水串联管道瞬态水力模拟精度的节点流量优化分配方法 |
CN117391424A (zh) * | 2023-12-11 | 2024-01-12 | 延安随缘科技发展有限公司 | 基于润滑油的制备节点组合方法及系统 |
-
2011
- 2011-03-18 CN CN2011100661388A patent/CN102269988A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622655A (zh) * | 2012-03-28 | 2012-08-01 | 浙江大学 | 一种应用于炼油厂的非线性生产计划优化方法 |
CN102622655B (zh) * | 2012-03-28 | 2014-12-17 | 浙江大学 | 一种应用于炼油厂的非线性生产计划优化方法 |
CN106462145A (zh) * | 2014-05-26 | 2017-02-22 | 株式会社日立制作所 | 地域间供给调整装置及程序 |
CN109960816A (zh) * | 2017-12-14 | 2019-07-02 | 中国核动力研究设计院 | 一种基于遗传算法的核级管道自动优化布置方法 |
CN110443407A (zh) * | 2019-06-30 | 2019-11-12 | 浙江大学 | 一种提高供水串联管道瞬态水力模拟精度的节点流量优化分配方法 |
CN110443407B (zh) * | 2019-06-30 | 2022-06-07 | 浙江大学 | 一种提高供水串联管道瞬态水力模拟精度的节点流量优化分配方法 |
CN117391424A (zh) * | 2023-12-11 | 2024-01-12 | 延安随缘科技发展有限公司 | 基于润滑油的制备节点组合方法及系统 |
CN117391424B (zh) * | 2023-12-11 | 2024-03-08 | 延安随缘科技发展有限公司 | 基于润滑油的制备节点组合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Richardson et al. | Economic comparison of open pond raceways to photo bio-reactors for profitable production of algae for transportation fuels in the Southwest | |
Park et al. | The direct and indirect household energy requirements in the Republic of Korea from 1980 to 2000—An input–output analysis | |
CN102622655B (zh) | 一种应用于炼油厂的非线性生产计划优化方法 | |
CN102269988A (zh) | 一种流程工业生产调度的管道分流点系数的优化确定方法 | |
CN102982229B (zh) | 一种基于神经网络的多品种商品价格预测的数据预处理方法 | |
CN104268697A (zh) | 计及节能风险概率的省级电网购电决策系统及方法 | |
Kempa et al. | Investigation of bagging ensembles of genetic neural networks and fuzzy systems for real estate appraisal | |
Qin et al. | Simulating the cost-effectiveness of China's green transition based on emission reduction targets during the 12th five-year plan period | |
Pan et al. | A dynamic input–output method for energy system modeling and analysis | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
Lutz et al. | Economic impacts of higher oil and gas prices: The role of international trade for Germany | |
Vincent et al. | Sustainable microgrid design with peer-to-peer energy trading involving government subsidies and uncertainties | |
Gladysz et al. | A framework for strategic assessment of far-reaching technologies: A case study of Combined Heat and Power technology | |
CN114742422A (zh) | 一种考虑低碳排放约束的原油调度优化方法及装置 | |
Petri et al. | The economics of the ASEAN Economic Community | |
Richardson et al. | Economic viability of a reverse engineered algae farm (REAF) | |
Li et al. | Dynamic evaluation of urban sustainability based on ELECTRE: A case study from China | |
Ksenofontov et al. | Retrospective structural shifts in the Russian economy | |
Abad et al. | Green closed-loop supply chain network design: A novel bi-objective chance-constraint approach | |
Culaba et al. | Optimal synthesis of algal biorefineries for Biofuel production based on techno-economic and environmental efficiency | |
CN103955776A (zh) | 一种基于物理路径优化的跨省跨区交易优化方法 | |
CN104200336A (zh) | 一种基于综合能耗判断的企业原料平衡方法 | |
CN107909477A (zh) | 一种输电网规划项目投资组合优化方法 | |
Chen et al. | Efficiency evaluation of green supply chains based on fuzzy chance constrained three-stage DEA model | |
Uzyakov | Toolkit for the input–output analysis of the performance of Russian economy in 1991–2013 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20111207 |