CN102768513A - 基于智能决策的炼油生产过程调度优化方法 - Google Patents
基于智能决策的炼油生产过程调度优化方法 Download PDFInfo
- Publication number
- CN102768513A CN102768513A CN201210228649XA CN201210228649A CN102768513A CN 102768513 A CN102768513 A CN 102768513A CN 201210228649X A CN201210228649X A CN 201210228649XA CN 201210228649 A CN201210228649 A CN 201210228649A CN 102768513 A CN102768513 A CN 102768513A
- Authority
- CN
- China
- Prior art keywords
- oil
- prime
- scheduling
- optimization
- satisfy
- 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.)
- Granted
Links
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
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于智能决策的炼油生产过程调度优化方法,包括:步骤A:上位机初始化;步骤B:根据当前汽油柴油需求、历史汽油柴油需求、当前装置优化操作模式进行优化操作模式决策,在保障经济效益的前提下以最小范围的装置操作变动和最小操作代价来满足成品油需求;步骤C:通过读取数据库相应表项,得到各装置收率、操作费用与性质指标模型,配置生成数学优化模型。本发明的解决方案,有效避开了大规模混合整数线性或非线性规划求解困难的问题,同时基于当前流程操作状态,综合考虑了调度模型中难以准确描述的切换代价,优化的同时考虑到了综合切换与操作代价最小化原则,能够有效解决炼油企业在生产调度优化实施中的应用难题。
Description
技术领域
本发明属于流程工业调度优化智能控制技术领域,特别涉及一种炼油生产过程调度优化与实现方法。
背景技术
随着炼油企业自动化程度的逐步提高,先进控制及集成优化技术的实施,炼油企业调度优化的时机日益成熟并提到日程上来,世界各大技术服务公司也有调度软件推出,但因为炼油企业调度问题具有过程复杂、操作模式控制和建模困难、模式切换代价大、不确定性等诸多不同于一般企业调度的特殊困难,到目前为止还没有能够为炼油企业调度提供较为可行的调度描述和求解、执行方案,导致炼油企业的生产调度还是凭人工经验来进行调度,还存在着非常大的挖潜潜力。我国目前原油加工能力已经达到5亿吨,每年炼油企业内部就要消耗掉的原油资源3000多万吨,高于我国第二大油田胜利油田一年的产量。我国炼油工业能耗、物耗明显高于国际先进水平(目前国内炼制每吨原油能耗达70-95千克标油,而国外炼油综合能耗的先进水平仅为53.2千克标油/吨),因此成品油率还明显低于国际先进水平,挖潜潜力大,即能够通过炼油生产调度优化提高产品收率,按目前全国每年5亿吨原油处理量,直接经济效益非常显著,同时在减少CO2和其他有害物体的排放、增加高价值产品收率和品质、提高安全生产水平等方面同样具有巨大的经济效益和社会效益。因此提出炼油生产过调度优化求解与实现的新途径,能够有效实现调度优化的整体解决方案就显得很有必要,且前景广阔。
炼油企业的调度问题与一般企业的调度不同,不同的作业调度方案所需要的执行时间和代价是不同的,如通过调整下游装置的调度方案要比调整上游装置(最上游是调整原油进料的配比、处理量)的调度方案要执行的快得多,且受影响的生产装置少。传统的数学规划方法在求解方面难以适应这种问题,现有的调度优化方法难以发挥作用。另外,目前的调度研究大多将全厂调度优化转化为一个大规模混合整数线性规划或混合整数非线性规划问题,对于实际炼油厂规模的问题而言,调度求解耗时较大,很难在合理时间内获得调度最优解,而且难于反映不同作业调度方案的执行时间和代价这个重要因素。当前应用比较好的Aspen Orion调度软件实际上是给人工排产和仿真验证提供了一个平台,并没有涉及调度优化功能;一些声言具有优化调度功能的炼油企业调度软件由于模型问题(由于多种进料原油和不完全受控的操作工况,用单一调度模型不能准确反映生产过程特性)实际上无法实现调度优化;这样一个大规模混合整数线性规划或混合整数非线性规划问题也很难在有限时间进行求解;没有生产装置级先进控制与卡边优化保障生产装置按照调度实现所需要的优化操作方案,从而使生产装置能够用有限个对应优化操作模式的调度模型来描述,对于炼油生产过程调度优化也是无法得到落实。
关于炼油生产过程调度与优化,已经有一些研究和应用结果。目前工业上应用较多的有AspenTech的ORION和Honeywell的BusinessFLEX,Aspen Orion仅是为人工排产提供仿真验证工具,并没有涉及调度优化,而Honeywell的Business FLEX试图解决调度优化求解问题,但因采用单一统计模型,精度低,不能反映工况变化实际,调度优化解难以保证其实际可操作性。文献报道中的有关调度优化方法因实际工业应用问题规模太大,调度优化描述为大规模混合整数线性或非线性规划问题,求解效率低,不能满足时效性要求高的调度优化问题,另外现有方法也没有考虑原油性质变化和优化操作模式切换对生产装置的影响,频繁的生产装置切换带来的长时间过渡过程致使基于稳态的优化结果不可达到,这种根本不考虑实际应用中可操作性问题的调度优化思路在现实中显然是行不通的。目前在调度优化方面理论研究远未解决问题。
发明内容
(一)要解决的技术问题
本发明的目的是基于装置级先进控制与优化能够保障生产装置实现调度指定的优化操作方案,给出一种基于智能决策的实用可操作的炼油生产过程调度优化方法。
(二)技术方案
为了解决上述问题,本发明提供了一种基于智能决策的炼油生产过程调度优化方法,包括:步骤A:上位机初始化,其中,在所述上位机中设立以下模块:专家决策推理模块、优化求解模块、优化模型生成模块及数据库支持模块,其中,专家决策推理模块,通过所述数据库支持模块,读取当前操作的各种状态变量写入数据库供专家决策推理模块使用,并初始化专家决策推理模块的相关参数;步骤B:所述专家决策推理模块,在获得先进控制实施下的生产加工装置各优化操作模式下的收率模型、操作费用及性质指标模型的基础上,根据当前汽油柴油需求、历史汽油柴油需求、当前装置优化操作模式进行优化操作模式决策,在保障经济效益的前提下以最小范围的装置操作变动和最小操作代价来满足成品油需求;步骤C:所述数学模型生成模块,在专家决策与推理模块已获得装置优化操作模式后,通过读取数据库相应表项,得到各装置收率、操作费用与性质指标模型,配置生成数学优化模型。
优选地,步骤B包括:步骤B1:通过所述数据库支持模块,读取原油评价数据、原油供应数据成品油需求信息 历史成品油需求 当前装置优化操作模式PMu、当前混炼原油实沸点曲线值TBP0;步骤B2:专家决策与推理。
优选地,步骤B2包括:步骤B2.1:计算未来调度周期内的汽柴比当前汽柴比GDR0、未来调度周期内的常规柴油与高标号柴油之比常规汽油与高标号汽油之比当前常规柴油与高标号柴油需求之比RPRD0和常规汽油与高标号汽油之比RPRG0;步骤B2.2:包括:步骤B2.2.1:成品油调和调度:对于成品油总需求和各牌号变化不大及生产装置未发生变动的情况下,按照步骤C2所述形成数学优化模型,调用优化求解模块,如果满足需求,则优化结束,转步骤B2.2.5,如果不能满足,则继续以下步骤;步骤B2.2.2:改质装置连续操作优化与成品油调和调度,包括:步骤B2.2.2.1:待优化操作装置决策,如果高标号柴油与普通标号柴油相对变化超出一定范围,则柴油改质装置纳入待优化操作装置集,如果高标号汽油与普通标号汽油相对变化超出一定范围,则汽油改质装置纳入待优化操作装置集;步骤B2.2.2.2:优化求解并决策,按照步骤C3所述形成相应数学优化模型,调用优化求解模块,如果获得优化解即求解结束,否则,返回步骤B2.2.2.1,增加待优化操作装置集,直至获得最优解则停止,如所有改质装置均优化求解后仍未获得最优解,则继续以下步骤;步骤B2.2.3:加工与反应装置决策与推理,以操作代价最小和最少化装置操作调整为原则对原油一次分馏装置和二次反应加工装置按照分步决策策略依次进行决策,并进行相应地优化求解计算,在装置操作允许负荷变化下获得满足成品油需求的求解结果则优化结束,包括:步骤B2.2.3.1:二次反应装置优化操作模式决策:步骤B2.2.3.1.1:待优化装置顺序决策,如果高标号汽油或柴油需求量相对变化超过一定范围,则按照二次反应装置生成调和组分性能指标排序依次进行二次反应装置优化操作模式的调整,否则,按照二次反应装置分馏操作的难易程度和调节的余量排序依次调整其优化操作模式;步骤B2.2.3.1.2:装置优化操作模式决策,如果汽油需求总量相对增加,则调整二次反应装置操作为汽油操作模式,如果柴油需求总量相对增加,则调整二次反应装置操作为柴油操作方案,如果汽油、柴油需求总量的相对变化在规定范围内,无需调整装置优化操作模式,维持装置现有操作方案;步骤B2.2.3.1.3:调度优化求解并决策,计算已决策出优化操作方案下的装置收率、操作费用及性质指标模型,计算结果写数据库,按照步骤C4所描述的方法形成相应调度优化模型,调用调度优化求解模块,如果求解结果满足成品油需求,则结束优化,转步骤B2.2.5,否则重新遍历二次反应加工装置直至遍历结束;步骤B2.2.3.2:一次加工装置优化操作模式推理;步骤B2.2.3.2.1:待优化操作装置顺序决策,按照一次加工装置操作难易程度和调节的余量排序确定流程内所有一次加工装置调整优化操作模式的顺序;步骤B2.2.3.2.2:装置优化操作模式决策,如果汽油需求总量相对增加,则调整一次加工装置为汽油操作模式,如果柴油需求总量相对增加,则调整一次加工装置为柴油操作方案;步骤B2.2.3.2.3:调度优化求解并决策,计算已决策出优化操作方案下的装置收率、操作费用及性质指标模型,计算结果写数据库,按照步骤C5所描述的方法形成相应调度优化模型,调用调度优化求解模块,如果求解结果满足成品油需求,则优化结束,转步骤B2.2.5;否则继续增加调整一次加工装置直至遍历结束;步骤B2.2.4:在改质装置、二次反应装置和一次加工装置均调整操作方案后未达到成品油调度要求的情况下,则考虑调整原油调和调度,步骤如下:按照满足成品油需求和调和原油实沸点蒸馏尽量稳定的原则,给出期望原油实沸点蒸馏,得到与期望原油实沸点蒸馏尽可能接近的调和配方和配比,计算各装置在新的原油调和配方和配比和已得优化操作模式下的装置收率、能耗及性质指标模型,按照步骤C6所描述的方法形成相应调度优化模型,调用调度优化求解模块进行优化求解计算;步骤B2.2.5:原油供给判断:判断按照最优化解时的原油调和配方及其原油调和配比,原油供应能否满足调度要求,如果原油供应不能满足调度要求,则以当前原油实沸点蒸馏和原油性质分析数据为目标,做原油调和调度优化,得到原油性质尽可能稳定的调和配方和配比。
优选地,步骤C包括:步骤C1:通过所述数据库支持模块,读取各装置收率、能耗与性能指标模型,读取装置流程获得物流之间传递关系,读取成品油价格及惩罚因子、原油价格和罐存成本;步骤C2:成品油调和调度优化模型,在加工装置操作不变的情况下进行,通过调整成品油调和配比以满足成品油需求;步骤C3:改质装置与成品油调和调度优化模型,在一次加工装置和二次反应装置操作不变的前提下进行,调整目标是在满足成品油调和对组分油要求的前提下调整的操作费用最小;步骤C4:二次反应装置与改质装置操作优化及成品油调度优化模型,在一次加工装置优化操作模式和处理量不变的情况下进行,在满足成品油需求及各类约束的前提下经济效益最大;步骤C5:一次加工装置优化操作模式切换下的调度优化模型,一次加工装置优化操作模式切换却处理量不变,优化后续装置操作满足成品油需求;步骤C6:原油调和调度参与下的全生产过程调度优化模型。
(三)有益效果
本发明的解决方案,有效避开了大规模混合整数线性或非线性规划求解困难的问题,同时基于当前流程操作状态,综合考虑了调度模型中难以准确描述的切换代价,优化的同时考虑到了综合切换与操作代价最小化原则,能够有效解决炼油企业在生产调度优化实施中的应用难题。
附图说明
下面参照附图并结合实例来进一步描述本发明。其中:
图1为根据本发明实施例的调度优化整体解决方案示意图。
图2为根据本发明实施例的模块之间数据流示意图。
图3为根据本发明实施例的专家决策与推理系统流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
根据本发明的基于智能决策的实用可操作的炼油生产过程调度优化方法包括专家智能决策推理、数学模型生成和优化求解两部分。专家智能决策推理部分,基于专家先验知识,以优化操作模式切换代价最小化为原则,对成品油需求变化和原油变动,针对炼油厂具体流程结构给出满足成品油具体需求下的各装置科学合理的决策信息,指导全厂调度优化,协调原油调度、成品油调度与装置调度优化;优化求解计算部分,获得专家决策推理给出的优化操作模式下的装置收率模型、操作费用模型及性质指标模型,生成数学模型并调用求解器进行最优化求解,计算结果反馈专家决策推理部分,对决策与推理的调整提供反馈信息。
根据本发明的基于智能决策的炼油生产过程调度优化方法包括以下步骤:
步骤A:上位机初始化:
在所述上位机中设立以下模块:离线建模模块、在线模型修正模块、专家决策推理模块、优化求解模块、优化模型生成模块及数据库支持模块,其中:
离线建模模块,通过所述数据库支持模块,获得需要进行模型统计的流程内装置信息,并初始化装置模型数据。
在线模型修正模块,通过所述数据库支持模块,获得离线建模模块所得装置调度优化模型,并初始化为在线修正基础模型。
专家决策推理模块,通过所述数据库支持模块,读取当前操作的各种状态变量写入数据库供专家决策推理模块使用,并初始化专家决策推理模块的相关参数。
步骤B:所述专家推理模块与优化求解模块,是在获得先进控制实施下的生产加工装置各优化操作模式下的收率模型、操作费用及性质指标模型的基础上,根据当前汽油柴油需求、历史汽油柴油需求、当前装置优化操作模式进行优化操作模式决策,在保障经济效益的前提下以最小范围的装置操作变动和最小操作代价来满足成品油需求,依次按以下步骤进行决策推理与优化求解:
其中,c为原油种类;
o为成品油种类;
tk1,tk2分别为k调度周期的起始时刻与结束时刻;
为tk1到tk2时间段内原油c的供应量,标量;
PMu是装置u的当前优化操作模式,0-1取值的向量;
TBP0是原油调和的当前实沸点数据,数据格式为{[TIc,comp TEc,comp),Dc,comp}
步骤B2:专家决策与推理,其步骤如下:
步骤B2.1:计算未来调度周期内的汽柴比当前汽柴比GDR0、未来调度周期内的常规柴油与高标号柴油之比常规汽油与高标号汽油之比当前常规柴油与高标号柴油需求之比RPRD0和常规汽油与高标号汽油之比RPRG0
即
步骤B2.2:推理决策,逻辑如下:
步骤B2.2.1:改质装置推理,步骤如下
步骤B2.2.1.1:推理逻辑:
步骤B2.2.1.2:柴油改质装置操作优化:
遍历u∈DHTU,按照步骤C3所述方法形成数学模型并调用优化求解模块进行求解;
步骤B2.2.1.3:汽油改质装置操作优化:
遍历u∈GHTU,按照步骤C3所述方法形成数学模型并调用优化求解模块进行求解;
步骤B2.2.2:加工与反应装置推理,步骤如下
步骤B2.3:汽油、柴油需求总量的相对变化在规定范围内,依次执行以下步骤,
步骤B2.3.1:装置操作不变,仅对成品油调和部分做微调,按照步骤C2描述的优化模型构造方式形成相应调度优化模型,优化求解并返回优化求解结果;
步骤B2.3.2:根据求解结果,推理逻辑如下,
遍历o∈PROD,tk1,tk2∈TP,如果 置状态位S=1,直至遍历结束;否则置S=0,结束。
如果S=1,则转步骤2.3.3;否则转步骤B2.3.4。
步骤B2.3.3:原油供给判断,依次执行以下步骤:
对所有c∈RP,如果 则置S=0,结束;否则,置S=1,直至遍历结束。
如果S=1,则优化结束;否则evTBP=TBP0,转步骤B2.3.3.2。
步骤B2.3.3.2.1.1:对于一次加工装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.3.3.2.1.2:对于二次反应装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.3.3.2.1.3:对于改质装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.3.3.2.2:按照步骤C6描述的优化模型构造方式形成相应调度优化模型,求解结束并返回优化求解结果;
步骤B2.4:对应柴油需求量相对增加的情况,依次执行以下步骤:
步骤B2.4.1:改质装置操作优化,其步骤如下:
步骤B2.4.1.1:优化操作顺序决策:
如果 或 则以改质装置所产组分性质指标排序进行优化操作调度;否则则以改质装置调整难易程度排序进行优化操作调度。
步骤B2.4.1.2:操作优化:
遍历改质调整装置,按照步骤C3所述方式形成调度优化模型,调用优化求解模块,并返回优化求解结果;
步骤B2.4.1.3:判断逻辑:
对于o∈PROD,tk1,tk2∈TP,如果 则置标志位S=1,直至遍历结束;否则置S=0,结束。
如果S=1,则转步骤B2.4.5;否则,如果改质装置未遍历完,转步骤B2.4.1.2;否则转步骤B2.4.2。
步骤B2.4.2:二次反应装置操作模式决策,步骤如下:
步骤B2.4.2.1:优化操作模式决策:
如果 或 则以组分性质指标排序进行二次加工装置的调整;否则则以二次加工装置操作难易程度排序进行调度优化调整。如果待调整装置非柴油优化操作模式,则置其为柴油操作模式;否则继续增加其他装置调整直到二次反应装置全部被调整。
步骤B2.4.2.2:优化求解:
按照步骤C4描述的优化模型构造方式形成相应调度优化模型,并返回优化求解结果;
步骤B2.4.2.3:根据步骤B2.4.1.2的优化求解结果,推理逻辑如下:
对于o∈PROD和tk1,tk2∈TP,如果 则置标志位S=1,遍历成品油及调度时域至结束;否则置S=0并结束。如果S=1,则转步骤B2.4.5;如果S=0且二次加工装置未全部被调整,则转步骤B2.4.2.1,否则转步骤B2.4.3。
步骤B2.4.3:一次加工装置的优化操作模式决策,步骤如下:
步骤B2.4.3.1:优化操作模式决策:
如果 或 则以一次加工装置所产组分性质指标排序进行调整;否则以操作难易程度排序进行调整。如果待调整装置非柴油模式则置其为柴油模式,否则继续调整其他装置至所有装置均被调整。
步骤B2.4.3.2:计算在新优化操作模式下的装置收率:
步骤B2.4.3.2.1:对于一次加工装置,计算装置调度优化模型,以收率为例计算如下
式中,
步骤B2.4.3.2.2:对于二次反应装置,计算装置调度优化模型,以收率为例计算如下
式中,为混炼前原油c在m优化操作模式下物流s'的收率值.
步骤B2.4.3.3:优化求解:
按照步骤C5描述的方法形成相应调度优化模型,调用优化求解模块作优化计算,并返回优化求解结果;
步骤B2.4.3.4:根据步骤B2.4.3.3优化求解结果,推理逻辑如下:
对于o∈PROD和tk1,tk2∈TP,如果 则置标志位S=1,遍历成品油及调度时域至结束;否则置S=0并结束。如果S=1,则转步骤B2.4.5;如果S=0且一次加工装置未全部被调整,则转步骤B2.4.3.1,否则转步骤B2.4.4。
步骤B2.4.4:原油调和调度,依次执行以下步骤:
步骤B2.4.4.1:执行如下优化问题,获得能满足需求的混炼原油目标实沸点曲线值,
Rm,o=fo(evTBPm)
式中,为当前混炼原油的实沸点曲线馏分段m收率值;evTBPm是期望实沸点曲线馏分段m收率值;Rm,o是馏分段m经过一系列加工装置和成品油调和并最终在成品油o中所占比例,与炼油厂生产流程及成品油调和相关;Ro是成品油o占成品油总量的百分比。
步骤B2.4.4.2:将步骤B2.4.4.1优化得到的原油混炼期望实沸点曲线值写数据库,并调用原油调和调度模块做原油调和调度优化计算,并将优化结果写数据库;
步骤B2.4.4.3.1.1:对于一次加工装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.4.4.3.1.2:对于二次反应装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.4.4.3.2:一次加工装置进料量也为待优化量,按照步骤C6所述步骤形成调度优化模型,在获得最优解的情况下给出加工装置所需的原油调和流量;
步骤B2.4.5:原油供给判断,依次执行以下步骤:
步骤B2.4.5.2:推理逻辑:
如果S=1,则结束优化;否则evTBP=TBP0,写数据库后转步骤B2.4.5.3
步骤B2.4.5.3.1.1:对于一次加工装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.4.5.3.1.2:对于二次反应装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.4.5.3.2:按照步骤C6描述的方法形成相应调度优化模型,调用优化求解模块作优化计算,结束优化求解并返回优化求解结果;
步骤B2.5:对应汽油增多的情况,依次执行以下步骤:
步骤B2.5.1:改质装置操作优化,其步骤如下:
步骤B2.5.1.1:优化操作顺序决策:
步骤B2.5.1.2:操作优化:
按照步骤C3所述方式形成调度优化模型,调用优化求解模块,并返回优化求解结果;
步骤B2.5.1.3:判断逻辑:
对于o∈PROD和tk1,tk2∈TP,如果 则置状态标志位S=1,继续遍历成品油及调度时域至结束;否则置S=0并结束。如果S=1,则转步骤B2.5.5;如果S=0且装置未全部优化则转步骤B2.5.1.2,否则转步骤B2.5.2。
步骤B2.5.2:二次反应装置优化操作模式决策,步骤如下:
步骤B2.5.2.1:优化操作模式决策:
如果 或 则以二次反应装置中间组分油性质指标排序调整装置;否则以二次反应装置操作难易程度排序调整装置。如果待调整装置不是汽油操作方案,则置为汽油方案;否则继续增加其他装置调整直至所有装置均被优化。
步骤B2.5.2.2:优化求解:
按照步骤C4描述的优化模型构造方式形成相应调度优化模型,并返回优化求解结果;
步骤B2.5.2.3:根据步骤B2.5.2.2的优化求解结果,推理逻辑如下:
对所有的o∈PROD和tk1,tk2∈TP,如果则置标志位S=1,遍历成品油及调度时域至结束;否则置S=0并结束。若S=1则转步骤B2.5.5;如果S=1且二次反应装置未完全被优化,则转步骤B2.5.2.1;否则转步骤2.5.3。
步骤B2.5.3:一次加工装置优化操作模式决策,步骤如下:
步骤B2.5.3.1:优化操作模式决策:
如果 或 则以一次加工装置中间组分油性质指标排序进行一次加工装置调整;否则以一次加工装置操作难易程度排序进行一次加工装置调整。如果待调整装置非汽油方案,则置其为汽油方案;否则以顺序增加其他装置进行优化直至遍历结束。
步骤B2.5.3.2:计算在新优化操作模式下的装置收率:
步骤B2.5.3.2.1:对于一次加工装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.5.3.2.2:对于二次反应装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.5.3.3:优化求解:
按照步骤C5描述的方法形成相应调度优化模型,调用优化求解模块作优化计算,并返回优化求解结果;
步骤B2.5.3.4:根据步骤B2.5.3.3优化求解结果,推理逻辑如下:对o∈PROD,tk1,tk2∈TP,如果 则置标志位S=1,遍历成品油及调度时域至结束;否则置S=0并结束。如果S=1则转步骤B2.5.5;如果S=0且一次加工装置未全部被优化,则转步骤2.5.3.1;否则转步骤B2.5.4。
步骤B2.5.4:原油调和调度,依次执行以下步骤:
步骤B2.5.4.1:执行如下优化问题,获得能满足需求的混炼原油目标实沸点曲线值,
Rm,o=fo(evTBPm)
式中,为当前混炼原油的实沸点曲线馏分段m收率值;evTBPm是期望实沸点曲线馏分段m收率值;Rm,o是馏分段m经过一系列加工装置和成品油调和并最终在成品油o中所占比例,与炼油厂生产流程及成品油调和相关;Ro是成品油o占成品油总量的百分比。
步骤B2.5.4.2:将步骤B2.5.4.1优化得到的原油混炼期望实沸点曲线值写数据库,并调用原油调和调度模块做原油调和调度优化计算,并将优化结果写数据库;
步骤B2.5.4.3.1.1:对于一次加工装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.5.4.3.1.2:对于二次反应装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.5.4.3.2:一次加工装置进料量也为待优化量,按照步骤C6所述步骤形成调度优化模型,在获得最优解的情况下给出加工装置所需的原油调和流量;
步骤B2.5.5:原油供给判断,依次执行以下步骤:
步骤B2.5.5.1:基于当前原油调和配方及其CRRP,0和优化求解得到的常减压进料量,判断当前原油供应能否满足调度对原油的要求,规则如下:
步骤B2.5.5.2:推理逻辑:
如果S=1,则优化结束;否则evTBP=TBP0写数据库,转步骤B2.5.5.3。
步骤B2.5.5.3:调用原油调度优化求解,新混炼原油调度方案写数据库,执行以下步骤:
步骤B2.5.5.3.1.1:对于一次加工装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.5.5.3.1.2:对于二次反应装置,计算装置调度优化模型,以收率为例计算如下
步骤B2.5.5.3.2:按照步骤C6描述的方法形成相应调度优化模型,调用优化求解模块作优化计算,结束优化求解并返回优化求解结果。
步骤C:所述数学模型生成模块,在专家决策与推理模块已获得装置优化操作模式后,通过读取数据库相应表项,得到各装置收率、操作费用与性质指标模型,配置生成数学优化模型,其步骤如下:
步骤C1:通过所述数据库支持模块,读取各装置收率、能耗与性能指标模型,读取装置流程获得物流之间传递关系,读取成品油价格及惩罚因子、原油价格和罐存成本;
步骤C2:成品油调和调度优化模型
该步是在加工装置操作不变的情况下进行的,通过调整成品油调和配比以满足成品油需求,按照如下方式配置形成优化模型:
步骤C2.1:该步优化模型目标函数为:
步骤C2.2:该步应满足的约束条件为:
性质指标约束方程为:
需求约束方程为:
组分油约束方程为:
步骤C3:改质装置与成品油调和调度优化模型
在一次加工装置和二次反应装置操作不变的前提下进行的,调整目标是在满足成品油调和对组分油要求的前提下调整的操作费用最小,按照如下方式配置形成数学优化模型:
步骤C3.1:该步调度优化目标函数为
步骤C3.2:该步调度优化模型该满足的数学表达式为
1)改质装置应满足的约束方程为:
2)对于罐,满足的数学关系为:
特别地,对于一次加工装置到二次反应装置的中间缓冲罐而言,在一次加工装置优化操作模式未变的情况下,其应满足的关系即
式中,TKHT是进改质装置物流中间缓冲罐的集合;QIu是中间缓冲罐u的进料流量,在该情况下当为固定值。
3)成品油调和调度应满足的约束方程为:
步骤C4:二次反应装置与改质装置操作优化及成品油调度优化模型
该步在一次加工装置优化操作模式和处理量不变的情况下进行的,在满足成品油需求及各类约束的前提下经济效益最大,按照如下方式配置形成数学优化模型:
步骤C4.1:该步优化模型目标函数为
步骤C4.2:该步调度优化模型该满足的约束条件为
1)二次加工装置应满足的约束方程为:
2)改质装置应满足的约束方程为:
3)对于混合器与分离器,满足的数学关系为:
4)对于罐,满足的数学关系为:
特别地,对于一次加工装置到二次反应装置的中间缓冲罐而言,在一次加工装置优化操作模式未变的情况下,其应满足的关系即
式中,TKI-II是一次加工装置与二次反应装置之间中间缓冲罐的集合;QIu是中间缓冲罐u的进料流量,在该情况下当为固定值。
5)对于成品油调和,满足的数学关系为:
步骤C5:一次加工装置优化操作模式切换下的调度优化模型
在该步,一次加工装置优化操作模式切换却处理量不变,优化后续装置操作满足成品油需求。按照如下方式形成调度优化模型,
步骤C5.1:该步调度优化模型目标函数为
步骤C5.2:该步调度优化模型该满足的约束条件为
1)一次加工装置应满足的约束条件
式中,QIu为固定值;
对于含量类指标,PROs,u,m,p=PROs',u,p×ProModels,u,m,p
对于诸如辛烷值等属性类指标,
2)二次反应装置应满足的约束条件
对于含量类指标,PROs,u,m,p=PROs',u,p×ProModels,u,m,p
对于诸如辛烷值等属性类指标,
3)改质装置应满足的约束条件
4)混合器与分离器,满足的数学关系为:
5)对于罐,满足的数学关系为:
6)成品油调和,满足的数学关系为:
步骤C6:原油调和调度参与下的全生产过程调度优化模型
步骤C6.1:该步调度优化模型目标函数为
步骤C6.2:该步调度优化模型应满足约束条件为:
1)一次加工装置应满足的约束条件
对于含量类指标,PROs,u,m,p=PROs',u,p×ProModels,u,m,p
对于诸如辛烷值等属性类指标,
2)二次反应装置应满足的约束条件
对于含量类指标,PROs,u,m,p=PROs',u,p×ProModels,u,m,p
对于诸如辛烷值等属性类指标,
3)改质装置应满足的约束条件
4)混合器与分离器,满足的数学关系为:
5)对于罐,满足的数学关系为:
6)成品油调和,满足的数学关系为:
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (9)
1.一种基于智能决策的炼油生产过程调度优化方法,其特征在于,包括:
步骤A:上位机初始化,
其中,在所述上位机中设立以下模块:专家决策推理模块、优化求解模块、优化模型生成模块及数据库支持模块,其中,专家决策推理模块,通过所述数据库支持模块,读取当前操作的各种状态变量写入数据库供专家决策推理模块使用,并初始化专家决策推理模块的相关参数;
步骤B:所述专家决策推理模块,在获得先进控制实施下的生产加工装置各优化操作模式下的收率模型、操作费用及性质指标模型的基础上,根据当前汽油柴油需求、历史汽油柴油需求、当前装置优化操作模式进行优化操作模式决策,在保证成品油需求的前提下,最大化经济效益的同时以最小范围的装置操作变动和最小操作代价来满足成品油需求;
步骤C:所述数学模型生成模块,在专家决策与推理模块已获得装置优化操作模式后,通过读取数据库相应表项,得到各装置收率、操作费用与性质指标模型,配置生成数学优化模型。
3.如权利要求2所述的方法,其特征在于,步骤B2包括:
步骤B2.1:计算未来调度周期内的汽柴比 当前汽柴比GDR0、未来调度周期内的常规柴油与高标号柴油之比 常规 汽油与高标号汽油之比 当前常规柴油与高标号柴油需求之比RPRD0和常规汽油与高标号汽油之比RPRG0;
步骤B2.2:包括:
步骤B2.2.1:成品油调和调度:对于成品油总需求和各牌号变化不大及生产装置未发生变动的情况下,按照步骤C2所述形成数学优化模型,调用优化求解模块,如果满足需求,则优化结束,转步骤B2.2.5,如果不能满足,则继续以下步骤;
步骤B2.2.2:改质装置连续操作优化与成品油调和调度,包括:
步骤B2.2.2.1:待优化操作装置决策,如果高标号柴油与普通标号柴油相对变化超出一定范围,则柴油改质装置纳入待优化操作装置集,如果高标号汽油与普通标号汽油相对变化超出一定范围,则汽油改质装置纳入待优化操作装置集;
步骤B2.2.2.2:优化求解并决策,按照步骤C3所述形成相应数学优化模型,调用优化求解模块,如果获得优化解即求解结束,否则,返回步骤B2.2.2.1,增加待优化操作装置集,直至获得最优解则停止,如所有改质装置均优化求解后仍未获得最优解,则继续以下步骤;
步骤B2.2.3:加工与反应装置决策与推理,以操作代价最小和最少化装置操作调整为原则对原油一次分馏装置和二次反应加工装置按照分步决策策略依次进行决策,并进行相应地优化求解计算,在装置操作允许负荷变化下获得满足成品油需求的求解结果则优化结束,包括:
步骤B2.2.3.1:二次反应装置优化操作模式决策:
步骤B2.2.3.1.1:待优化装置顺序决策,如果高标号汽油或柴油需求量相对变化超过一定范围,则按照二次反应装置生成调和组分性能指标排序依次进行二次反应装置优化操作模式的调整,否则,按照二次反应装置分馏操作的难易程度和调节的余量排序依次调整其优化操作模式;
步骤B2.2.3.1.2:装置优化操作模式决策,如果汽油需求总量相对增加,则调整二次反应装置操作为汽油操作模式,如果柴油需求总量相对增加,则调整二次反应装置操作为柴油操作方案,如果汽油、柴油需求总量的相对变化在规定范围内,无需调整装置优化操作模式,维持装置现有操作方案;
步骤B2.2.3.1.3:调度优化求解并决策,计算已决策出优化操作方案下的装置收率、操作费用及性质指标模型,计算结果写数据库,按照步骤C4所描述的方法形成相应调度优化模型,调用调度优化求解模块,如果求解结果满足成品油需求,则结束优化,转步骤B2.2.5,否则重新遍历二次反应加工装置直至遍历结束;
步骤B2.2.3.2:一次加工装置优化操作模式推理
步骤B2.2.3.2.1:待优化操作装置顺序决策,按照一次加工装置操作难易程度和调节的余量排序确定流程内所有一次加工装置调整优化操作模式的顺序;
步骤B2.2.3.2.2:装置优化操作模式决策,如果汽油需求总量相对增加,则调整一次加工装置为汽油操作模式,如果柴油需求总量相对增加,则调整一次加工装置为柴油操作方案;
步骤B2.2.3.2.3:调度优化求解并决策,计算已决策出优化操作方案下的装置收率、操作费用及性质指标模型,计算结果写数据库,按照步骤C5所描述的方法形成相应调度优化模型,调用调度优化求解模块,如果求解结果满足成品油需求,则优化结束,转步骤B2.2.5;否则继续增加调整一次加工装置直至遍历结束;
步骤B2.2.4:在改质装置、二次反应装置和一次加工装置均调整操作方案后未达到成品油调度要求的情况下,则考虑调整原油调和调度,步骤如下:按照满足成品油需求和调和原油实沸点蒸馏尽量稳定的原则,给出期望原油实沸点蒸馏,得到与期望原油实沸点蒸馏尽可能接近的调和配方和配比,计算各装置在新的原油调和配方和配比和 已得优化操作模式下的装置收率、能耗及性质指标模型,按照步骤C6所描述的方法形成相应调度优化模型,调用调度优化求解模块进行优化求解计算;
步骤B2.2.5:原油供给判断:判断按照最优化解时的原油调和配方及其原油调和配比,原油供应能否满足调度要求,如果原油供应不能满足调度要求,则以当前原油实沸点蒸馏和原油性质分析数据为目标,做原油调和调度优化,得到原油性质尽可能稳定的调和配方和配比。
4.如权利要求1所述的方法,其特征在于,步骤C包括:
步骤C1:通过所述数据库支持模块,读取各装置收率、能耗与性能指标模型,读取装置流程获得物流之间传递关系,读取成品油价格及惩罚因子、原油价格和罐存成本;
步骤C2:成品油调和调度优化模型,在加工装置操作不变的情况下进行,通过调整成品油调和配比以满足成品油需求;
步骤C3:改质装置与成品油调和调度优化模型,在一次加工装置和二次反应装置操作不变的前提下进行,调整目标是在满足成品油调和对组分油要求的前提下调整的操作费用最小;
步骤C4:二次反应装置与改质装置操作优化及成品油调度优化模型,在一次加工装置优化操作模式和处理量不变的情况下进行,在满足成品油需求及各类约束的前提下经济效益最大;
步骤C5:一次加工装置优化操作模式切换下的调度优化模型,一次加工装置优化操作模式切换却处理量不变,优化后续装置操作满足成品油需求;
步骤C6:原油调和调度参与下的全生产过程调度优化模型。
6.如权利要求4所述的方法,其特征在于,步骤C3包括:
步骤C3.1:该步调度优化目标函数为
步骤C3.2:该步调度优化模型该满足的数学表达式为
1)改质装置应满足的约束方程为:
2)对于罐,满足的数学关系为:
式中,
TKs为在调度优化计算范围内罐的集合,
对于一次加工装置到二次反应装置的中间缓冲罐而言,在一次加工装置优化操作模式未变的情况下,其应满足的关系即
式中,TKHT是进改质装置物流中间缓冲罐的集合;QIu是中间缓冲罐u的进料流量,在该情况下当为固定值;
3)成品油调和调度应满足的约束方程为:
8.如权利要求4所述的方法,其特征在于,步骤C5包括:
步骤C5.1:该步调度优化模型目标函数为
步骤C5.2:该步调度优化模型该满足的约束条件为
1)一次加工装置应满足的约束条件
式中,QIu为固定值,
对于含量类指标,PROs,u,m,p=PROs',u,p×ProModels,u,m,p
对于诸如辛烷值等属性类指标,
2)二次反应装置应满足的约束条件
对于含量类指标,PROs,u,m,p=PROs'u,p×ProModels,u,m,p
3)改质装置应满足的约束条件
4)混合器与分离器,满足的数学关系为:
或Splitter
5)对于罐,满足的数学关系为:
6)成品油调和,满足的数学关系为:
9.如权利要求4所述的方法,其特征在于,步骤C6包括:
步骤C6.1:该步调度优化模型目标函数为
步骤C6.2:该步调度优化模型应满足约束条件为:
1)一次加工装置应满足的约束条件
对于含量类指标,PROs,u,m,p=PROs',u,p×ProModels,u,m,p
2)二次反应装置应满足的约束条件
对于含量类指标,PROs,u,m,p=PROs',u,p×ProModels,u,m,p
3)改质装置应满足的约束条件
4)混合器与分离器,满足的数学关系为:
5)对于罐,满足的数学关系为:
6)成品油调和,满足的数学关系为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210228649.XA CN102768513B (zh) | 2012-07-02 | 2012-07-02 | 基于智能决策的炼油生产过程调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210228649.XA CN102768513B (zh) | 2012-07-02 | 2012-07-02 | 基于智能决策的炼油生产过程调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102768513A true CN102768513A (zh) | 2012-11-07 |
CN102768513B CN102768513B (zh) | 2015-01-14 |
Family
ID=47095945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210228649.XA Active CN102768513B (zh) | 2012-07-02 | 2012-07-02 | 基于智能决策的炼油生产过程调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102768513B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103365205A (zh) * | 2013-07-25 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种原油调合双调合头在线协调控制方法 |
CN103472722A (zh) * | 2013-09-03 | 2013-12-25 | 邵光震 | 用于石化行业的控制方法及系统 |
CN103984990A (zh) * | 2014-05-09 | 2014-08-13 | 清华大学 | 基于炼油厂全厂调度离散时间建模方法 |
CN104200293A (zh) * | 2014-09-28 | 2014-12-10 | 清华大学 | 基于连续时间的炼油厂全厂调度优化的方法及系统 |
CN104375477A (zh) * | 2014-09-03 | 2015-02-25 | 浙江大学 | 一种基于生产系统与能量系统的集成优化的生产方法 |
CN105096008A (zh) * | 2015-08-28 | 2015-11-25 | 浙江大学 | 一种流程工业生产系统的控制方法 |
CN109064053A (zh) * | 2018-08-22 | 2018-12-21 | 深圳埃克斯工业自动化有限公司 | 炼油厂具体炼油计划的制定方法及装置 |
CN109634105A (zh) * | 2018-12-11 | 2019-04-16 | 南京富岛信息工程有限公司 | 一种面向加工方案切换的原油动态调合方法 |
US11591936B2 (en) | 2019-09-04 | 2023-02-28 | Saudi Arabian Oil Company | Systems and methods for proactive operation of process facilities based on historical operations data |
CN116520784A (zh) * | 2023-05-10 | 2023-08-01 | 江苏辰威生物科技有限公司 | 成品油自动化生产系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1061938A (ja) * | 1996-08-20 | 1998-03-06 | Mitsubishi Heavy Ind Ltd | 重質油エマルジョン燃料の燃焼方法 |
US20050234273A1 (en) * | 2004-04-14 | 2005-10-20 | Hong-Lin Chen | Liquid fuel reforming and blending method |
CN1869168A (zh) * | 2006-06-27 | 2006-11-29 | 姜建华 | 一种调和柴油及其制备方法 |
CN101286065A (zh) * | 2008-05-23 | 2008-10-15 | 清华大学 | 一种原油掺炼多周期优化的原油调合调度方法 |
CN101364104A (zh) * | 2008-09-23 | 2009-02-11 | 西部矿业股份有限公司 | 一种井下环境多认知实体监控决策支持系统及方法 |
-
2012
- 2012-07-02 CN CN201210228649.XA patent/CN102768513B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1061938A (ja) * | 1996-08-20 | 1998-03-06 | Mitsubishi Heavy Ind Ltd | 重質油エマルジョン燃料の燃焼方法 |
US20050234273A1 (en) * | 2004-04-14 | 2005-10-20 | Hong-Lin Chen | Liquid fuel reforming and blending method |
CN1869168A (zh) * | 2006-06-27 | 2006-11-29 | 姜建华 | 一种调和柴油及其制备方法 |
CN101286065A (zh) * | 2008-05-23 | 2008-10-15 | 清华大学 | 一种原油掺炼多周期优化的原油调合调度方法 |
CN101364104A (zh) * | 2008-09-23 | 2009-02-11 | 西部矿业股份有限公司 | 一种井下环境多认知实体监控决策支持系统及方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103365205B (zh) * | 2013-07-25 | 2016-01-27 | 南京富岛信息工程有限公司 | 一种原油调合双调合头在线协调控制方法 |
CN103365205A (zh) * | 2013-07-25 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种原油调合双调合头在线协调控制方法 |
CN103472722A (zh) * | 2013-09-03 | 2013-12-25 | 邵光震 | 用于石化行业的控制方法及系统 |
CN103472722B (zh) * | 2013-09-03 | 2016-05-11 | 邵光震 | 用于石化行业的控制方法及系统 |
CN103984990A (zh) * | 2014-05-09 | 2014-08-13 | 清华大学 | 基于炼油厂全厂调度离散时间建模方法 |
CN104375477A (zh) * | 2014-09-03 | 2015-02-25 | 浙江大学 | 一种基于生产系统与能量系统的集成优化的生产方法 |
CN104200293A (zh) * | 2014-09-28 | 2014-12-10 | 清华大学 | 基于连续时间的炼油厂全厂调度优化的方法及系统 |
CN104200293B (zh) * | 2014-09-28 | 2017-10-17 | 清华大学 | 基于连续时间的炼油厂全厂调度优化的方法及系统 |
CN105096008A (zh) * | 2015-08-28 | 2015-11-25 | 浙江大学 | 一种流程工业生产系统的控制方法 |
CN109064053A (zh) * | 2018-08-22 | 2018-12-21 | 深圳埃克斯工业自动化有限公司 | 炼油厂具体炼油计划的制定方法及装置 |
CN109634105A (zh) * | 2018-12-11 | 2019-04-16 | 南京富岛信息工程有限公司 | 一种面向加工方案切换的原油动态调合方法 |
CN109634105B (zh) * | 2018-12-11 | 2022-04-08 | 南京富岛信息工程有限公司 | 一种面向加工方案切换的原油动态调合方法 |
US11591936B2 (en) | 2019-09-04 | 2023-02-28 | Saudi Arabian Oil Company | Systems and methods for proactive operation of process facilities based on historical operations data |
CN116520784A (zh) * | 2023-05-10 | 2023-08-01 | 江苏辰威生物科技有限公司 | 成品油自动化生产系统 |
CN116520784B (zh) * | 2023-05-10 | 2024-05-10 | 江苏辰威生物科技有限公司 | 成品油自动化生产系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102768513B (zh) | 2015-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102768513B (zh) | 基于智能决策的炼油生产过程调度优化方法 | |
CN102768702B (zh) | 基于集成控制优化的炼油生产过程调度优化建模方法 | |
CN101286065B (zh) | 一种原油掺炼多周期优化的原油调合调度方法 | |
Gong et al. | Global optimization for sustainable design and synthesis of algae processing network for CO2 mitigation and biofuel production using life cycle optimization | |
CN101305329B (zh) | 化学制造的动态约束优化 | |
CN101349893B (zh) | 自适应模型预测控制装置 | |
CN104765346B (zh) | 一种炼油过程全流程建模方法 | |
CN103984990B (zh) | 基于炼油厂全厂调度离散时间建模方法 | |
Jiao et al. | A multiperiod optimization model for hydrogen system scheduling in refinery | |
CN104200293B (zh) | 基于连续时间的炼油厂全厂调度优化的方法及系统 | |
US20210348066A1 (en) | Predictive control systems and methods with hydrocracker conversion optimization | |
Zhao et al. | Multiperiod planning model for integrated optimization of a refinery production and utility system | |
CN104375477A (zh) | 一种基于生产系统与能量系统的集成优化的生产方法 | |
US20220299952A1 (en) | Control system with optimization of neural network predictor | |
CN114237183B (zh) | 考虑成品油随机需求的多周期生产计划方案的制定方法 | |
Gao et al. | A decision tree based decomposition method for oil refinery scheduling | |
Li et al. | Development and challenges of planning and scheduling for petroleum and petrochemical production | |
CN114742422A (zh) | 一种考虑低碳排放约束的原油调度优化方法及装置 | |
Wang et al. | Soft-sensing modeling and intelligent optimal control strategy for distillation yield rate of atmospheric distillation oil refining process | |
Van Wijk et al. | Advanced process control and on-line optimisation in shell refineries | |
CN112947343B (zh) | 炼油化工全厂生产目标跟踪控制方法和装置 | |
Yela | Framework for operability Assessment of production facilities: An Application to A primary Unit of A crude oil refinery | |
Wang et al. | Recent progress and challenges in process optimization: Review of recent work at ECUST | |
Lu | Bridging the Gap Between Planning and Control: A Multiscale MPC Cascade Approach | |
Zhang et al. | Refinery planning and scheduling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |