CN108073784A

CN108073784A - 一种基于过程图的乙烯原料优化调度方案的求解方法

Info

Publication number: CN108073784A
Application number: CN201711304458.6A
Authority: CN
Inventors: 不公告发明人
Original assignee: Beijing Spectrum Hao Sheng Century Engineering Technology Co Ltd
Current assignee: Beijing Spectrum Hao Sheng Century Engineering Technology Co Ltd
Priority date: 2017-12-11
Filing date: 2017-12-11
Publication date: 2018-05-25

Abstract

本发明公开了一种基于过程图的乙烯原料优化调度方案的求解方法，包括：根据过程图算法和开关矩阵对乙烯实际生产场景进行模拟，获得超结构模型的最大结构与可行子结构；根据遗传算法和所述最大结构获得每种原料对应的产品收率；根据原料供给、消耗支出以及所述产品收率获得效益函数，其中所述原料供给为自变量，所述消耗支出和所述产品收率为因变量；根据序贯二次规划算法、所述可行子结构以及所述效益函数获得原料供给量的优化调度方案，此时所述效益函数的效益值最大。本发明提供的技术方案为乙烯生产的原料配给进行优化调度，通过对原料供给进行建模和优化，提高了原料资源的利用率以及乙烯企业的经济效益，同时降低了能源消耗。

Description

一种基于过程图的乙烯原料优化调度方案的求解方法

技术领域

本发明涉及乙烯生产技术领域，尤其涉及一种基于过程图的乙烯原料优化调度方案的求解方法。

背景技术

乙烯是石化工业的重要产品，是衡量一个国家的石油化工发展水平的重要标志之一，其产量占所有石化产品产量之和的70％以上。到2020年国内乙烯、丙烯的需求量将分别达到4800万吨、 3800万吨。随着社会各界对环境保护和节约能源越来越重视，企业对能效研究的要求也逐步提高，尤其对于能耗密集型企业，生产能力快速发展带来能耗的大幅上升，节能降耗的需求更加迫切。

因此，在裂解条件、裂解反应器的型式和结构以及原料特性等因素确定的情况之下，对乙烯原料裂解过程之中涉及的设备、工艺以及原料等要素进行建模和优化，是石化企业今后要考虑的方向。

发明内容

为解决上述问题，本发明提供一种基于过程图的乙烯原料优化调度方案的求解方法，至少部分解决上述技术问题。

为此，本发明提供一种基于过程图的乙烯原料优化调度方案的求解方法，包括：

根据过程图算法和开关矩阵对乙烯实际生产场景进行模拟，获得超结构模型的最大结构与可行子结构；

根据遗传算法和所述最大结构获得每种原料对应的产品收率；

根据原料供给、消耗支出以及所述产品收率获得效益函数，其中所述原料供给为自变量，所述消耗支出和所述产品收率为因变量；

根据序贯二次规划算法、所述可行子结构以及所述效益函数获得原料供给量的优化调度方案，此时所述效益函数的效益值最大。

可选的，所述消耗支出为水、电、蒸汽以及燃料的消耗支出。

可选的，所述根据遗传算法和所述最大结构获得每种原料对应的产品收率的步骤包括：

根据遗传算法和所述最大结构获得每种原料对应的收率误差函数；

根据所述收率误差函数获得每种原料对应的产品收率；

所述收率误差函数为

min error(X_i,j,t)

(1)

其中，error(X_i,j,t)为收率误差函数，所述收率误差函数表示产品收率X_i,j,t的准确性，r_i,j,t为原料的实际供应量；Y_i,t为每个工厂每个月的实际产量，i表示工厂编号，取值范围从1到I；t表示获取数据的月份，取值范围从1到T；j表示原料的编号，取值范围从1到J。

可选的，所述产品收率为

0％≤X_i,j,t≤50％ (3-1)

其中，X_i,j,t为每种重烃原料对应的产品收率。

可选的，所述产品收率为

0％≤X_i,j,t≤90％ (3-2)

其中，X_i,j,t为每种轻烃原料对应的产品收率。

可选的，所述序贯二次规划算法的数学表达式为

minf(X) (4)

s.t：A*X≤B，Aeq*X＝Beq (5)

C(X)≤0，Cep(X)＝0 (6)

LB≤X≤UB (7)

其中，X、B、Beq、LB和UB为向量，A和Aeq为矩阵，f(X)， C(X)和Ceq(X)为函数。

本发明具有下述有益效果：

本发明提供的基于过程图的乙烯原料优化调度方案的求解方法包括：根据过程图算法和开关矩阵对乙烯实际生产场景进行模拟，获得超结构模型的最大结构与可行子结构；根据遗传算法和所述最大结构获得每种原料对应的产品收率；根据原料供给、消耗支出以及所述产品收率获得效益函数，其中所述原料供给为自变量，所述消耗支出和所述产品收率为因变量；根据序贯二次规划算法、所述可行子结构以及所述效益函数获得原料供给量的优化调度方案，此时所述效益函数的效益值最大。本发明提供的技术方案为乙烯生产的原料配给进行优化调度，通过对原料供给进行建模和优化，提高了原料资源的利用率以及乙烯企业的经济效益，同时降低了能源消耗，保护了生活环境。

附图说明

图1为本发明实施例一提供的过程图算法的流程图；

图2为本发明实施例一提供的遗传算法的流程图；

图3为本发明实施例一提供的序贯二次规划算法的流程图；

图4为本发明实施例一提供的基于过程图的乙烯原料优化调度方案的求解方法的流程图；

图5为本发明实施例一提供的两个乙烯企业的实际生产情况的超结构模型。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的基于过程图的乙烯原料优化调度方案的求解方法进行详细描述。

实施例一

本实施例提供的基于过程图的乙烯原料优化调度方案的求解方法在经济净利润最大化的目标和实际生产约束之下，求解各种原料的最优调度方案，针对乙烯裂解企业的原料优化调度要求以及生产内在约束的复杂性，将遗传算法与过程图获得的实际生产最大约束结构相结合，确保优化算法在求解收率过程之中的鲁棒性，求得每个企业、每种物料对应的乙烯、丙烯的预期最优收率。本实施例运用过程图理论对企业实际的生产情况进行建模，从而建立符合乙烯实际生产状况的超结构模型，得到调度优化求解空间，进而将获得的完备的可行方案集通过开关矩阵转化为优化的目标函数与约束，利用序贯二次规划算法求得乙烯原料的最优或者次优调度方案集，克服了优化调度单一解在实施过程之中适应性差的缺点。

在裂解条件、裂解反应器的型式和结构以及原料特性等因素确定的情况之下，乙烯裂解原料供给的优化调度对裂解效益具有很大作用。目前，国内外石化企业对裂解原料的选择与优化采取的主要措施如下：一方面是裂解原料轻质化，例如，选用乙烷、丙烷、丁烷等轻烃作为裂解原料，用石脑油取代轻柴油，从而达到提高乙烯收率，降低生产乙烯的成本和能耗；另一方面是裂解原料的多样化，石化企业正朝着炼油、化工一体化方向发展，逐步实现油气资源的优化利用与共享，为裂解原料的多样化创造了条件。

图1为本发明实施例一提供的过程图算法的流程图。如图1 所示，过程图理论(Process graph，P-graph)是基于图论过程网络综合理论，尽可能降低冗余结构对模型复杂度的影响，并且缩短模型开发周期，主要特点包括：(1)图形化建模；(2)自动生成最大超结构；(3)支持逻辑约束；(4)求解算法较为完善； (5)可以同时实现网络结构优化与目标优化。过程图理论的工作流程如下：首先，针对确定过程网络综合问题，使用过程图对该问题进行描述；其次，采用最大结构生成算法(maximal structure generation，MSG)生成问题的过程网络最大结构，也就是通常所说的超结构(superstructure)；然后，根据问题的需要，可以采用子结构生成算法(solution structure generation，SSG)生成所有的可行子结构，可以作为进一步优化求解的完备子空间，最终配合目标函数，生成问题的最优结构、最优解与次优解。

图2为本发明实施例一提供的遗传算法的流程图。如图2所示，遗传算法(geneticalgorithm，GA)是模拟自然界生物进化过程与机制求解问题的自组织与自适应的人工智能技术，是解决复杂问题的有力工具。由于遗传算法能够有效地求解组合优化问题以及非线性多模型、多目标的函数优化问题，因此得到了多学科的广泛重视，已被广泛应用于计算机科学、人工智能、信息技术和工程实践。因此，本实施例将遗传算法与通过过程图算法获得的最大结构相结合，可以确保优化算法的鲁棒性，从而获得符合实际的最优结构。

图3为本发明实施例一提供的序贯二次规划算法的流程图。如图3所示，序贯二次规划算法(sequential quadratic programming， SQP)是一般平滑曲线优化问题的规范算法。该算法成为求解中小规模最优化问题一类重要算法。序贯二次规划算法的基本思想是通过一系列二次规划问题对原问题进行逼近，以二次规划问题的解作为原问题的近似解。在衍生信息的实际应用中，序贯二次规划算法的收敛速度快，鲁棒性好。因此，本实施例将序贯二次规划算法与通过过程图算法获得的完备的可行子结构的解空间相结合，从而优化求解问题的最优与次优解集。

本实施例为乙烯裂解多企业提供一种在经济效益最大化的情况之下得到各种原料的最优配给量的求解方法，针对石化领域乙烯裂解企业的原料供给以及生产的复杂性，运用过程图算法 (Process graph，P-graph)与开关矩阵相结合模拟企业实际的生产情况，构建与实际生产情况相匹配的超结构框架，从而模拟实际生产情况。本实施例将遗传算法(genetic algorithm，GA)与超结构模型确定的实际生产的内在约束相结合，求得每个企业、每种物料以及乙烯、丙烯分别对应的产品收率，从而克服了一般求解算法求得的收率可能出现突变的问题。本实施例将石化产品乙烯、丙烯的价值减去水、电、蒸汽等消耗支出形成效益函数，进一步利用具有全局收敛性和超线性收敛速率的序贯二次规划算法(sequential quadratic programming，SQP)，结合可行子结构可以获得净收益最大情况之下的各种原料优化调度的配给量。当然，本实施例也可以用于单个企业的原料配给优化。

图4为本发明实施例一提供的基于过程图的乙烯原料优化调度方案的求解方法的流程图。如图4所示，本实施例提供一种基于过程图的乙烯原料优化调度方案的求解方法，包括：根据过程图算法(Process graph，P-graph)和开关矩阵对乙烯实际生产场景进行模拟，获得超结构模型的最大结构与可行子结构；根据遗传算法(genetic algorithm，GA)和所述最大结构获得每种原料对应的产品收率；根据原料供给、消耗支出以及所述产品收率获得效益函数，其中所述原料供给为自变量，所述消耗支出和所述产品收率为因变量；根据序贯二次规划算法(sequential quadratic programming，SQP)、所述可行子结构以及所述效益函数获得原料供给量的优化调度方案，此时所述效益函数的效益值最大。本实施例提供的技术方案为乙烯生产的原料配给进行优化调度，通过对原料供给进行建模和优化，提高了原料资源的利用率以及乙烯企业的经济效益，同时降低了能源消耗，保护了生活环境。

本实施例基于遗传算法(genetic algorithm，GA)获取各个原料的裂解收率。遗传算法(genetic algorithm，GA)是一种高效、并行、全局搜索的算法，能够在搜索过程之中自动获取和积累有关搜索空间的知识，而且能够自适应地控制搜索过程以求得最佳解。在该方法之中，乙烯、丙烯对于每种重烃原料的收率应在0％到50％之间，每种轻烃原料的收率应在0％到90％之间，本实施例将上述收率与最大结构有效地集成在一起形成完备高效的约束。优化的目标函数是最小收率误差，也就是说，求得在约束范围之内最接近真实生产情况，每种原料在每个工厂当前技术与生产内在约束条件之下的收率。用数学表达式表示如下：

min error(X_i,j,t) (8)

0％≤X_i,j,t≤50％(重烃原料) (10-1)

0％≤X_i,j,t≤90％(轻烃原料) (10-2)

本实施例利用过程图算法(Process graph，P-graph)对调度问题进行超结构建模。令M为所有物质的有限集合，或者简称为参与过程系统综合的物质的有限集合，它可能是一组名称或者材料的特征向量。该集合M的精确描述，即内容可以变化取决于所需的精度或细节水平。涉及由集合M表示的材料的综合问题可以由三元组(P，R，O)表示。P表示产品集合，R表示原料集合， O表示操作单元，三者都不为空集。M，P，R，O之间的数学关系为：

其中，是幂集，x是笛卡尔乘积，表示形成两组元素对的集合。也就是说，O是M两个子集对的集合，如果(α，β)是O的一个元素，那么α表示进入操作单元(α，β)的输入材料集合，β是来自操作单元(α，β)的输出材料集合，α的每一个元素代表进入操作单元的输入流的一个材料，它独立于α中的其他材料。同样的， β的每一个元素代表流出操作单元的输出流的一个材料，它独立于 β中的其他材料。α和β可以有共同的元素，这种情况代表操作单元的简单回收。

对于综合问题，假定产品不能是原料，即

过程图算法(Process graph，P-graph)的数学定义和作为过程图算法(Processgraph，P-graph)的过程结构的数学定义将在下面进行阐述。设定两个有限集m和o满足：

通过过程图算法(Process graph，P-graph)定义一个有限集对(m，o)。过程图的顶点是以下元素：

V＝m∪o (15)

其中，属于集合m的顶点是M型的顶点，属于集合o的那些是O型的顶点，图形的弧是以下元素：

A＝A₁∪A₂ (16)

A₁＝{(x,y)|y＝(α,β)∈oandx∈α} (17)

A₂＝{(y,x)|y＝(α,β)∈oandx∈β} (18)

A1或A2是给出弧的作为初始点和终点的顶点对。根据A1 的方程式，如果y是α和β组成的顶点对(α,β)中o的元素，则(x， y)是图形的弧，x是a的元素。顶点x是初始点，顶点y是该弧的终点。在表达式A1和A2之中，x表示M型的顶点，y为O型的顶点，α和β为M型的顶点集合。A1中的每个弧都是从M型的顶点到O型的顶点，A2中的的每个弧是从O型的顶点到M型的顶点。

如果满足以下规则，则将P-graph(m，o)定义为组合可行或作为合成问题(P，R，0)的解的结构：

(S1)产品集合P中的每个元素必须在超结构中出现，即

(S2)一个物质为原料的充分必要条件是该物质不是任何一个单元操作的输出，即当且仅当x∈R；

(S3)每一个单元操作都需要在过程网络中定义，即o∈O；

(S4)过程网络中的任何一个单元操作都有至少一条路径到达产品，即使得y₁∈P；

(S5)每一个物质都与至少一个单元操作相连，即而且x∈(α∪β)。

本实施例中，对于综合问题(P，R，O)，假设那么，所有解决方案的组合μ(P，R，O)被定义为最大结构，即

μ(P，R，O)＝∪_{σ∈S(P，R，O)}σ (19)

在最大结构图中，每个弧或顶点属于至少一个解决方案结构，每个解决方案结构是一个子图。因此，综合问题的数学模型应该基于最大结构，这种模型的复杂度很小。自然地，最大结构不能从其定义的算法上直接确定，过程结构及其数学分析特征提供了开发用于生成最大结构的有效算法的必要框架。

定理1：

一组解决方案结构在联合下关闭，即两个解决方案的结合仍然是一个解决方案。换一种说法，如果

σ₁∈S(P，R，O)&σ₂∈S(P，R，O) (20)

那么，σ₁∪σ₂∈S(P，R，O) (21)

由于解集合结构S(P，R，0)在根据上述定理1的联合运算下闭合，而且该集合的基数是有限的，那么最大结构是解决方案之一。这可以通过以下定理进行表达。

定理2：

μ(P，R，O)∈S(P，R，O) (22)

本实施例通过组合算法对过程图的操纵可以通过所谓的结构映射更加简单地表达，而不是通过集合理论形式来表达。给出一个定义以下结构映射。

定理3：

对于假设

Ψ^-(o′)＝∪_{(α，β)∈o′}α (23)

Ψ⁺(o′)＝∪_{(α，β)∈o′}α (24)

那么，Ψ(o′)＝Ψ^-(o′)∪Ψ⁺(o′) (25)

在这些映射中，Ψ^-产生过程结构的物料集合，每个都是在操作单元集合O中发现作为至少一个操作单元的入口，Ψ⁺产生过程结构的物料集合，每一种物料都可以在操作单元集合单元o’的出口处找到。Ψ是物料集合，每一种物料都可以在操作单元集合单元o’的出口或者入口处找。

本实施例中，上述定理3暗含着两个集合，和如果(m’，o’)是过程图，则

定理4：

对于假设

那么，

其中，产生了一组过程结构的操作单元，每个操作单元生产一些在集合m′中出现的物料作为其出口物质，产生一组操作单元，每个操作单元消耗在集合m′中出现的一些物料作为其入口，表示一组操作单元，每个操作单元生产或消耗在集合m′中找到的一些材料。

本实施例提供的Pidgin Algol算法有两个主要部分：剔除部分和组合部分，在剔除部分(步骤stl，st2，st3和循环1p4)，不属于最大结构的物料和操作单元被直接和部分排除。在组合部分(步骤st6，st8和循环1p7)，利用剔除后的物料集和操作单元集来合成最大结构。在(P，R，O)的最大结构合成过程中，利用步骤stl和st2排除生成原材料的操作单元。由步骤st3定义的集合中仅包含被操作单元消耗的物料，而不包含由操作单元生成的物料。但是这并不能确保这些物料都是过程合成问题的原料。通过循环1p4的操作，利用公理(S2)对物料集M和操作单元集进行检验，使得物料集仅包含原料。再利用步骤coy检验是否满足公理(S1)，即每个产物是否都能在过程结构中被生成。如果不能满足这个条件，则过程合成问题的最大结构将不存在。另外，在循环1p7中，利用公理(S4)由操作单元集逐步构建最大结构。由于在算法中仅仅考虑过程合成系统确定的操作单元，所以公理(S3)会自动满足。通过第八步的映射操作后，本实施例就可以确定最大结构包含的物料集，因此第八步保证最大结构能满足公理(S5)。

本实施例提供的决策映射(decision-mapping)是可以直接用于发展和描述过程合成的算法，该技术可以表达任意类型与规模的过程网络与结构。本实施例设定P-graph(m，o)是P-graph(M， O)的一个特殊的子映射，那么并且假设m＝mat(o)，m指操作单元o的所有输入和输出物质。该算法准确的生成过程合成问题的各个可行结构，而且仅生成可行结构。借助决策映射的一系列理论可以严格证明该算法。子结构生成算法(solution structure generation，SSG) 循环的生成可行结构的决策映射，在生成可行结构过程中，如果子结构生成算法(solutionstructure generation，SSG)的第一个参数集合P是空的，那么子结构生成算法(solutionstructure generation，SSG)的第三个参数，即决策映射表示一个可行结构。因此，根据子结构生成算法(solution structure generation，SSG) 生成的单个可行的过程结构，还能直接表达过程合成问题的数学表达的标准分离形式DNF(disjunctive normal form，DNF)，该形式可以作为根据逻辑公式的合成方法的输入状态。另外，生成最大结构的最大结构生成算法(maximal structure generation，MSG) 和生成可行结构集合的子结构生成算法(solution structure generation，SSG)作为基础算法，可为优化算法建立完备的约束与解空间。

本实施例提供的子结构生成算法(solution structure generation，SSG)的计算结果是若干集合，能够转化为过程图，但并不能直接应用优化算法进行求解。本实施例通过开关矩阵可以把子结构生成算法(solution structure generation，SSG)的计算结果转化为优化问题的目标函数和约束。转化过程需要先编号操作单元，按照子结构生成算法(solution structure generation，SSG) 的计算结果对每一条子路径进行操作单元记录，激活的操作单元使用1表示，其他操作单元使用0表示，从而形成一个开关矩阵 SW。

一般的过程系统优化问题，目标函数表示为一定的效益指标，约束方程为过程的模型方程，同时变量约束为设备上下界的约束。对于不等式约束方程，可以通过添加松弛变量将其转化为等式约束方程。因此，过程系统优化模型可以表示为以下非线性规划形式：

其中，f:Rⁿ→R，c:Rⁿ→R^m，f和c均连续可微。序贯二次规划算法(sequentialquadratic programming，SQP)通过求解一系列的QP子问题来逐步逼近表达式(22)的最优解。在迭代点x_k之处， QP子问题表示为以下形式：

其中，d_k为搜索方向矢量，g(x_k)和A(x_k)^T简写为g_k和A_k ^T，分别表示目标函数f的导数和约束c的雅克比矩阵，W为拉格朗日函数的 Hessian阵，为n×n维矩阵。其中，拉格朗日函数为：

L(x,λ,ν,π)＝f(x)+λ^Tc(x)+v^T(x-x^U)-π^T(x-x^L) (31)

通过对优化问题的最优K-T条件应用合适的分解策略进行分解，分解后得到的Hessian阵为低维空间的投影Hessian阵，从而大大减小内存的使用量。具体来说，就是在迭代过程中将搜索空间分解为两个子空间Y和Z，其中Z∈R^n×(n-m)由雅克比矩阵的零空间向量组成，Y∈R^n×m由Y在雅克比矩阵的值空间向量组成。其中， Z满足：

A_k ^TZ_k＝0 (32)

搜索方向可以表示为零值空间方向的移动量，表达式如下：

d_k＝Y_kp_y+Z_kp_z (33)

其中，p_y和p_z表示零值空间移动的矢量矩阵p_y∈R^m和p_z∈R^(n-m)。将式(25)和式(26)带入到式(23)的等式约束，得到：

c_k+A_k ^TY_kp_y＝0 (34)

如果约束的雅克比矩阵是行线性独立的，则矩阵A_k ^TY_k为非奇异。因此，根据式(27)可以将p_y唯一确定：

p_y＝-(A_k ^TY_k)^-1c_k (35)

因此，搜索方向可以表示为：

d_k＝-Y_k(A_k ^TY_k)^-1c_k+Z_kp_z (36)

将式(29)中的搜索方向d_k代入到以上QP子问题之中，去掉与变量p_z无关的常数项，则QP子问题(20)可以表示为以p_z∈R^(n-m)为变量的以下QP问题形式：

其中，w_k为(n-m)×1矩阵Z_k ^TW_kY_kp_y，B_k为(n-m)×(n-m)矩阵 Z_k ^TW_kZ_k ^TW_k，p_z为(n-m)维变量。对于自由度相对较低的优化命题， n＞＞(n-m)，那么QP子问题中Hessian阵的存储量和更新过程中的计算量会大大降低，在每次迭代过程中QP子问题只需在低维空间求解p_z就可以了，从而使得算法求解效率大大提高。

对于QP子问题，由于W_k不直接得到，二次项(也称为交叉项)w_k，即Z_k ^TW_kY_kp_y的计算相对复杂，一般可以通过Broyden修正机制求取，也可以直接忽略。在一定的情况下，如果采用标准正交基构造零值空间时，忽略二次项后序贯二次规划算法 (sequentialquadratic programming，SQP)具有收敛性。

本实施例提供的符号命名如下：

A：P-graph中弧的集合；

d^-：一个顶点的入度；

(m，o)：P-graph；

m，M：物料集合；

o，O：操作单元集合；

P：产品集合；

(P，R，O)：综合问题中定义的产品集合P，原料集合R，操作单元集合O；

R：(P，R，O)原料集合；

S(P，R，O)：综合问题(P，R，O)解决方案的集合；

V：P-graph中的顶点集合；

[y_i,y_j]：P-graph路线；

α，β：物料集合；

(α，β)操作单元；

μ(P，R，O)：综合问题(P，R，O)的最大的结构；

σ：解决方案结构；

Ψ，Ψ^-，Ψ⁺：操作单元集合到物料集合的结构映射；

物料集合到操作单元集合的结构映射；

空集；

幂集；

任意；

存在。

本实施例针对乙烯生产和原料调度的内在约束的复杂性，提出了一种基于过程图的乙烯原料调度的求解方法，实现了乙烯裂解的原料供给在完备的最大结构约束之下的收益最大化。本实施例首先运用过程图算法结合开关矩阵模拟实际生产调度场景的最大结构与可行子结构；其次，由过程图算法建立乙烯生产调度模型，抽象出基于产品价值和物料消耗的效益函数；第三，将遗传算法与最大结构的约束相结合，提高遗传算法的鲁棒性，以效益函数最大化为目标优化获得每个企业、每种物料符合实际合理的乙烯、丙烯的收率；第四，利用序贯二次规划算法的全局收敛性和超线性收敛速率的优势，将其与基于可行子结构的完备解空间相结合，以效益函数的倒数最小为目标，优化获得最大收益情况之下的原料供给量的最优解以及次优解的排序。本实施例对两个乙烯裂解企业的实际生产数据进行分析验证，可以提高经济效益 7.05％。本实施例提供的基于过程图的乙烯原料优化调度方案的求解方法用于乙烯裂解单企业与多企业的原料优化调度配给，可以提高能效物效，获得明显的经济收益与环境收益。

图5为本发明实施例一提供的两个乙烯企业的实际生产情况的超结构模型。如图5所示，为了验证基于过程图的乙烯原料优化调度方案的求解方法的有效性，选取了乙烯企业1、乙烯企业2 两个乙烯企业的实际生产数据作为基础数据进行分析验证。根据两个企业的生产情况，运用过程图算法(Process graph，P-graph) 进行模拟规划。

本实施例提供的技术方案为乙烯生产的原料配给进行优化调度，通过对原料供给进行建模和优化，提高了原料资源的利用率以及乙烯企业的经济效益，同时降低了能源消耗，保护了生活环境。

表1.乙烯企业1的生产数据

表2.乙烯企业2生产数据

本实施例将遗传算法(genetic algorithm，GA)与图4所示的约束相结合，优化计算每种物料生产出乙烯、丙烯的收率。以乙烯企业1的数据为例，表1中共有7种物料和11个月，a_i，j为第i月第j种物料，ω_j,1为第j种物料所对应的乙烯收率系数，ω_j,2为第j种物料所对应的丙烯收率系数，b_i，1为第i月乙烯的产量，b_i，2为第i月丙烯的产量，i＝1,2，…，11；j＝ 1,2，…，7。

构建函数function：

将以上函数通过遗传算法(genetic algorithm，GA)进行求解：

ω＝ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB) (39)

其中，fitnessfcn为所调用的函数；nvars表示自变量个数(例如，自变量为向量X，nvars代表X中的元素个数)；A，b就是表达式A*X<＝b； Aeq:表示线性等式约束矩阵，若是没有等式约束就定为空集合；Beq: 表示线性等式约束的个数Beq＝length(nvars)；LB：表示自变量的下限； UB：表示自变量的上限。ω为(7×1)的未知向量；nvars自变量个数为7；A为进料矩阵，是一个(11×7)的矩阵；b为(7×1)的向量；Aeq,beq设定为空集合；LB对应ω的下限为0，UB对应ω的上限为0.5。本实施例定义自变量为原料供给矩阵，是一个(1×154)的向量，将每种物料对应的乙烯、丙烯收率系数ω分别乘以乙烯、丙烯所对应的价值，共同构建效益函数(乙烯单价8480元/t，丙烯单价8210元/t)。效益函数的表达式如下：

本实施例将序贯二次规划算法(sequential quadratic programming， SQP)与图5所示的超结构解空间相结合，以效益函数为目标函数，优化求解最优的调度解决方案，同时可以得到次优调度方案的排序。序贯二次规划算法(sequential quadraticprogramming，SQP)用于求多变量有约束非线性函数的最小值。数学模型如下：

minf(X) (41)

s.t∶A*X≤B,Aeq*X＝Beq(线性约束) (42)

C(X)≤0,Ceq(X)＝0(非线性约束) (43)

LB≤X≤UB (44)

其中，X、B、Beq、LB和UB为向量，A和Aeq为矩阵，f(X)，C(X) 和Ceq(X)为函数。

序贯二次规划算法(sequential quadratic programming，SQP)的调用格式为：

ω′＝fmincon(fun,x0,A,b,Aeq,beq,lb,ub) (45)

其中，fmincon是求解目标函数最小值的内部函数；x0是初值；Ax≤b 线性不等式约束；Aeq＝beq线性等式约束；lb为变量下边界约束；ub为变量上边界约束；ω′为优化后的新的原料供给量向量。本实施例中，ω′ 为(1×154)的向量；fun为效益函数；x0为原料供给矩阵，是一个(1× 154)的向量；A代表原物料，乙烯产量的上下限，丙烯产量的上下限，是一个(165×154)的矩阵；b代表原企业对应的乙烯、丙烯产量，是一个(165×1)的向量；Aeq，beq，为等式约束，在此设定为空集合；lb为自变量原料供给量的下限约束，定义0为下限；ub为自变量原料供给量的上限约束，在此处设定为空集合。然后进行求解，可以获得优化数据。

表3.开关矩阵

表4.优化后的乙烯企业1的生产数据

表5.优化后的乙烯企业2的生产数据

将上述表格进行对比可以看出，优化前净收益为 16409660830.2175元，优化后净收益为17567006675.7976元，相比于优化之前收益提高了7.05％。

表6.优化后的净收益次优解的生产数据

从表6可以看出，两个乙烯工厂经过优化后的净收益大于9.98×10⁹元。本实施例利用两个乙烯企业的实际数据，构建原料供给矩阵，原料供给矩阵包括每个乙烯企业每月、每种原料的供给量，利用过程图算法(Process graph，P-graph)构建负荷实际生产情况的超结构模型，获得最大结构与完备的可行子结构，再将遗传算法(geneticalgorithm， GA)与超结构模型获得的最大结构相结合，获得在完备的最大结构约束下，优化求解得到矩阵中每种原料所对应产品的收率。本实施例构建效益函数，以原料供给矩阵为自变量，以乙烯、丙烯的产品收益和水、电、蒸汽、燃料的消耗支出为因变量，得到净收益函数，再将序贯二次规划算法(sequential quadratic programming，SQP)与完备的可行子结构相结合，在可行子结构的约束下，优化求解得到净收益最大值时原料供给矩阵。

本实施例构建优化算法以及求解最优供给矩阵，引入过程图理论，实现实际生产情况与超结构的对接，使得后续计算得以有序集成。本实施例将遗传算法(geneticalgorithm，GA)与超结构模型相结合，避免出现算法求得的供给原料对应的收率系数异常，使得收率系数更加合理并符合实际。本实施例运用序贯二次规划算法(sequentialquadratic programming，SQP)全局收敛性和超线性收敛速率的优势，结合基于经济价值构建的效益函数进行优化求解，从而得到多企业的总收益最大的情况下的企业各种原料的优化调度配给量。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims

1.一种基于过程图的乙烯原料优化调度方案的求解方法，其特征在于，包括：

2.根据权利要求1所述的基于过程图的乙烯原料优化调度方案的求解方法，其特征在于，所述消耗支出为水、电、蒸汽以及燃料的消耗支出。

3.根据权利要求1所述的基于过程图的乙烯原料优化调度方案的求解方法，其特征在于，所述根据遗传算法和所述最大结构获得每种原料对应的产品收率的步骤包括：

根据所述收率误差函数获得每种原料对应的产品收率；

所述收率误差函数为

min error(X_i,j,t) (1)

<mrow> <mi>e</mi> <mi>r</mi> <mi>r</mi> <mi>o</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>I</mi> </msubsup> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>J</mi> </msubsup> <mo>(</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>&times;</mo> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

4.根据权利要求3所述的基于过程图的乙烯原料优化调度方案的求解方法，其特征在于，所述产品收率为

0％≤X_i,j,t≤50％ (3-1)

其中，X_i,j,t为每种重烃原料对应的产品收率。

5.根据权利要求3所述的基于过程图的乙烯原料优化调度方案的求解方法，其特征在于，所述产品收率为

0％≤X_i,j,t≤90％ (3-2)

其中，X_i,j,t为每种轻烃原料对应的产品收率。

6.根据权利要求1所述的基于过程图的乙烯原料优化调度方案的求解方法，其特征在于，所述序贯二次规划算法的数学表达式为

minf(X) (4)

s.t：A*X≤B，Aeq*X＝Beq (5)

C(X)≤0，Ceq(X)＝0 (6)

LB≤X≤UB (7)

其中，X、B、Beq、LB和UB为向量，A和Aeq为矩阵，f(X)，C(X)和Ceq(X)为函数。