CN111598306B - 一种炼油厂生产计划优化方法及装置 - Google Patents

一种炼油厂生产计划优化方法及装置 Download PDF

Info

Publication number
CN111598306B
CN111598306B CN202010322701.2A CN202010322701A CN111598306B CN 111598306 B CN111598306 B CN 111598306B CN 202010322701 A CN202010322701 A CN 202010322701A CN 111598306 B CN111598306 B CN 111598306B
Authority
CN
China
Prior art keywords
production
refinery
liquid crystal
crystal display
display device
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.)
Active
Application number
CN202010322701.2A
Other languages
English (en)
Other versions
CN111598306A (zh
Inventor
鄢烈祥
陈国辉
周力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangu Yunzhi Wuhan Technology Co ltd
Original Assignee
Hangu Yunzhi Wuhan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangu Yunzhi Wuhan Technology Co ltd filed Critical Hangu Yunzhi Wuhan Technology Co ltd
Priority to CN202010322701.2A priority Critical patent/CN111598306B/zh
Publication of CN111598306A publication Critical patent/CN111598306A/zh
Application granted granted Critical
Publication of CN111598306B publication Critical patent/CN111598306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及炼油厂生产过程优化技术领域，公开了一种炼油厂生产计划优化方法、装置以及计算机存储介质，方法包括以下步骤：构建炼油厂生产流程的网络拓扑结构模型；收集炼油厂中二次加工装置的生产数据，以生产数据作为样本对神经网络进行训练，得到二次加工装置的过程模型；建立炼油厂中除二次加工装置以外其它装置的过程模型；根据网络拓扑结构模型以及各过程模型，以经济效益最大为目标，以加工能力、物料性质、市场供需以及物料平衡作为约束，建立生产计划优化模型；采用列队竞争算法对生产计划优化模型进行求解，得到最优生产方案。本发明在操作条件和进料性质发生较大改变时，生产计划的优化精度仍能保持较高水平。

Description

一种炼油厂生产计划优化方法及装置
技术领域
本发明涉及炼油厂生产过程优化技术领域，具体涉及一种炼油厂生产计划优化方法、装置以及计算机存储介质。
背景技术
生产计划是炼油企业组织生产活动的预先安排，它确定了将来一段时间，企业要实现怎样的生产目标，以及如何实现这个目标。生产计划既是炼油企业经营和发展战略在生产端的反应和细化，连接上游的原油采购计划与下游的配送计划和需求计划，又是原油调度、装置与管道调度、油品调合的抽象归纳。生产计划优化是炼油企业解决生产效率问题的核心与关键。
炼油企业生产计划优化模型是对炼油企业复杂生产流程的简单归纳，模型的精度决定了优化结果的应用价值和指导意义。
建立炼油企业生产计划优化模型，关键在于建立关键加工装置(常减压蒸馏装置、催化裂化装置、加氢裂化装置、延迟焦化装置等)的过程模型。目前通用的技术是采用Delta-base技术来描述进料性质和操作条件对装置收率的影响。由于该技术本身为线性的，这样的模型系数只在一定的进料性质和操作条件变化范围内有效，而当进料性质和操作条件发生较大改变时，上述Delta-base数据将不再准确，需要修正。相对于操作条件，进料性质对Delta的影响的修正非常困难。
申请号为201210084962.0中国发明专利申请中公开了一种应用于炼油厂的非线性生产计划优化方法，其具体过程包括：
(1)建立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)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；
(3)利用中间物料储罐、油品物性、其他生产装置和市场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；
(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，利用混合搜索方法获得计划周期内炼油生产的最优决策变量。
该方法使用包含工艺参数的经验模型来建立关键装置的过程模型。在一定范围内，这种经验模型可能是准确的，但当操作条件和进料性质发生较大改变时，经验模型的准确度就会降低。
发明内容
本发明的目的在于克服上述技术不足，提供一种炼油厂生产计划优化方法、装置以及计算机存储介质，解决现有技术中建立的装置过程模型在操作条件和进料性质发生较大改变时，准确度降低，导致生产计划的优化精度降低的技术问题。
为达到上述技术目的，本发明的技术方案提供一种炼油厂生产计划优化方法，包括以下步骤：
构建炼油厂生产流程的网络拓扑结构模型；
收集炼油厂中二次加工装置的生产数据，以所述生产数据作为样本对神经网络进行训练，得到二次加工装置的过程模型；
建立炼油厂中除所述二次加工装置以外其它装置的过程模型；
根据所述网络拓扑结构模型以及各所述过程模型，以经济效益最大为目标，以加工能力、物料性质、市场供需以及物料平衡作为约束，建立生产计划优化模型；
采用列队竞争算法对所述生产计划优化模型进行求解，得到最优生产方案。
本发明还提供了炼油厂生产计划优化装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述炼油厂生产计划优化方法。
本发明还提供计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述炼油厂生产计划优化方法。
与现有技术相比，本发明的有益效果包括：本发明采用神经网络建立二次加工装置的过程模型，所建立的过程模型是非线性规划模型，因此在对生产收率进行预测时，即使操作条件和进料性质发生较大改变，预测结果也能保持较高准确率。同时，由于过程模型是非线性规划模型，因此基于该过程模型建立的生产计划优化模型，无法采用混合搜索方程等方法求解，本发明采用列队竞争算法对其进行求解，得到最后的最优生产方案。
附图说明
图1是本发明提供的炼油厂生产计划优化方法一实施方式的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明的实施例1提供了炼油厂生产计划优化方法，包括以下步骤：
S1、构建炼油厂生产流程的网络拓扑结构模型；
S2、收集炼油厂中二次加工装置的生产数据，以所述生产数据作为样本对神经网络进行训练，得到二次加工装置的过程模型；
S3、建立炼油厂中除所述二次加工装置以外其它装置的过程模型；
S4、根据所述网络拓扑结构模型以及各所述过程模型，以经济效益最大为目标，以加工能力、物料性质、市场供需以及物料平衡作为约束，建立生产计划优化模型；
S5、采用列队竞争算法对所述生产计划优化模型进行求解，得到最优生产方案。
本实施例首先构建了炼油厂生产流程的网络拓扑结构模型，网络拓扑结构模型包括炼油厂中加工装置的种类及数量，物料的名称及在各加工装置中的流动方向。炼油厂中加工装置主要分为一次加工装置和二次加工装置两大类。其中一次加工装置通常为常减压蒸馏装置，二次加工装置主要包括催化裂化装置、催化重整装置、加氢裂化装置和延迟焦化装置等。物料主要分为三大类，分别是原料、中间产物和产品。其中原料除了原油外，可能根据生产需要购买MTBE(甲基叔丁基醚，一种高辛烷值汽油添加剂)，产品即需要生产的最终目标产品。物料的流动方向，既包括原油的流动方向，也包括中间产物和产品的流动方向。网络拓扑结构描述了整个生产流程中的物料流向，用于将各不同装置的过程模型连接起来，为后续建立生产计划优化模型做铺垫。
然后收集炼油厂中二次加工装置的生产数据，运用人工神经网络技术，建立二次加工装置中输入流股与输出流股关系的过程模型。更优选的，可选取关键的二次加工装置进行神经网络的训练建模，关键二次加工装置包括：催化裂化装置、加氢裂化装置和延迟焦化装置。炼油厂中，除关键二次装置外，其余装置按照简化的线性模型进行建模。
然后根据炼油厂生产流程的网络拓扑结构模型，将建立的各加工装置的过程模型串联起来，以经济效益最大为目标，以装置加工能力、物料性质、市场供需和物料平衡等为约束，建立炼油厂生产计划数学优化模型；
最后，对生产计划优化模型进行求解即可得到最优生产方案，由于建立的生产计划优化模型为非线性规划(NLP)模型。因此本实施例采用列队竞争算法对该数学模型进行求解，求解结果即为最优生产方案。
本发明实施例以二次加工装置实际生产数据为基础，采用人工神经网络技术建立的关键二次加工装置的过程模型，进而建立整个炼油厂生产计划优化模型，使得生产计划优化模型的精度更高，更贴合炼油厂实际生产过程；同时，采用列队竞争算法对生产计划优化模型求解，能在短时间内得到最优解，根据求解结果指导炼油厂编制生产计划，进而提高企业经济效益；通用性强，适用于大多数炼油厂的生产计划的编制。
具体的，以国内某炼油厂作为研究对象，其生产数据获取自车间现场。该生产流程包括：
350万吨常减压蒸馏装置(减渣)；
300万吨常减压蒸馏装置(沥青)；
80万吨蜡油加氢装置；
50万吨延迟焦化装置；
100万吨延迟焦化装置；
140万吨催化裂化装置；
55万吨催化裂化装置；
85万吨汽油加氢装置；
120万吨汽柴油加氢装置；
25万吨汽柴油加氢装置；
70万吨催柴裂解装置；
40万吨半再生重整装置；
70万吨连续重整装置；
碳四精制装置；
轻烃回收装置；
10万吨高沸点芳烃溶剂装置；
40万吨气体分离装置；
30万吨气体分离装置；
汽油调合设备；
柴油调合设备；
原油输入Bachaquero和Aquila，原料输入MTBE(甲基叔丁基醚)；
产品输出包括：石脑油、加氢汽油、重整汽油、轻质调油用油、SA1000、SA1500、重质调油用油、常压柴油、裂解柴油、加氢柴油、抽余油、C5、苯、甲苯、二甲苯、醚后C4、MTBE、丙烷、丙烯、石油焦、沥青、92#汽油、混合丁烷；
关键二次加工装置包括：催化裂化装置、加氢裂化装置和延迟焦化装置。该炼油厂2套催化裂化装置、4套加氢裂化装置和2套延迟焦化装置。根据收集的实际生产数据，采用BP神经网络技术，分别建立这8套装置的过程模型，即收率与主要因素的数学模型。
优选的，收集炼油厂中二次加工装置的生产数据，以所述生产数据作为样本对神经网络进行训练，得到二次加工装置的过程模型，具体为：
收集所述二次加工装置的输入流股数据以及输出流股数据；
以所述输入流股数据作为输入样本，以相应的所述输出流股数据作为输出样本，对神经网络进行训练，得到二次加工装置的过程模型；
计算当前过程模型的RMS值，判断所述RMS值是否小于设定阈值，如果小于，则输出所述过程模型，否则继续进行训练。
具体的，设定阈值可根据需求进行设定，本实施例中设定阈值的取值范围设为0.001-0.1。
关键二次加工装置包括：催化裂化装置、加氢裂化装置和延迟焦化装置。这些加工装置生产工艺复杂、操作变量多，关键操作参数的变化对装置产品分布有较大的影响。建立催化裂化装置的过程模型，需要考虑的主要因素包括：提升管反应温度、原料预热温度、反应-再生系统取热负荷、催化剂活性，原料的馏程、密度、碱性氮含量、残碳值；建立加氢裂化装置的过程模型，需要考虑的主要因素包括：反应温度、反应压力、空速、氢油比，原料的密度、残碳值；建立延迟焦化装置的过程模型，需要考虑的主要因素包括：加热炉出口温度、焦化塔顶温度、循环比，原料的密度、残碳值。
通常情况下，催化裂化装置的输入流股包括：减压蜡油、加氢蜡油等，输出流股包括：催化汽油、催化柴油、液化气、干气、油浆等；加氢裂化装置的输入流股包括：氢气、减压蜡油、焦化蜡油等，输出流股包括：加氢柴油、加氢蜡油、硫化氢、燃料气等；延迟焦化装置的输入流股包括：减压渣油等，输出流股包括：焦化柴油、焦化蜡油、液化气、焦化汽油、干气、硫化氢、石油焦等。
因此，现有的线性建模难以准确描述二次加工装置的输入流股与输出流股之间的非线性关系。
本发明中所采用的人工神经网络，主要通过大量高度互联的神经元组成复杂的网络计算系统，通过神经元之间的相互作用来实现网络信息的处理。常用的网络类型包括：BP神经网络、RBF神经网络和GRNN神经网络。本实施例采用BP神经网络技术对炼油厂关键二次装置输入流股和输出流股进行建模。
本实施例中BP神经网络主要由输入层、隐藏层和输出层构成。BP网络的学习过程由信号的正向传播与误差的反向传播构成，当训练得到的过程模型到达最低RMS值时，网络训练完毕。
优选的，所述RMS值为：
其中，RMS为RMS值，i＝1,2,…,m，m为训练次数，j＝1,2,…,n，n为所述过程模型的输出参数的数量，为过程模型输出参数的估计值，Oij为过程模型输出参数的实际值。
优选的，所述二次加工装置的过程模型，具体为：
Y＝F(Factor)
其中，Y为所述二次加工装置的产品收率向量，F为所述二次加工装置通过神经网络训练得到的网络函数，Factor为影响二次加工装置产品收率的因素向量。
二次加工装置的过程模型，描述的是产品收率向量(输出流股)与因素向量(操作条件以及输入流股)之间的非线性函数关系。
具体的，所述二次加工装置包括催化裂化装置、加氢裂化装置以及延迟焦化装置；
所述催化裂化装置的过程模型为：
YFCC＝FFCC(FactorFCC)
其中，YFCC为催化裂化装置的产品收率向量，FFCC为催化裂化装置通过神经网络训练得到的网络函数，FactorFCC为影响催化裂化装置产品收率的因素向量；
所述加氢裂化装置的过程模型为：
YMHC＝FMHC(FactorMHC)
其中，YMHC为加氢裂化装置的产品收率向量，FMHC为加氢裂化装置通过神经网络训练得到的网络函数，FactorMHC为影响加氢裂化装置产品收率的因素向量；
所述延迟焦化装置的过程模型为：
YDCU＝FDCU(FactorDCU)
其中，YDCU为延迟焦化装置的产品收率向量，FDCU为延迟焦化装置通过神经网络训练得到的网络函数，FactorDCU为影响延迟焦化装置产品收率的因素向量。
优选的，以经济效益最大为目标，具体为：
MAX OBJ＝XSSR-YLCB-JGCB
其中，OBJ为计划周期内炼油厂的利润，即目标函数，XSSR为计划周期内炼油厂所有产品的销售收入，YLCB为计划周期内炼油厂所有原料的采购成本，JGCB为计划周期内炼油厂加工成本总和。
优选的，计划周期内炼油厂所有产品的销售收入，具体为：
其中，pp为产品p的销售单价，productp为产品p的销售量，P为产品总数量；
计划周期内炼油厂所有原料的采购成本，具体为：
其中，cpc为原料c的价格，crudec为原料c购买的数量，C为原料总数量；
计划周期内炼油厂加工成本总和，具体为：
其中，ccu为加工装置u单位时间内的加工费用，amountu为加工装置u的加工量，tu为加工装置u的加工时间，U为加工装置的数量。
优选的，以加工能力、物料性质、市场供需以及物料平衡作为约束，具体为：
物料平衡约束条件包括每个加工装置的物料平衡，加工装置的物料平衡具体为：
其中INu,i为加工装置u的第i个输入流股的流量，INu为加工装置u的输入流股的总数量，OUTu,j为加工装置u的第j个输出流股的流量，OUTu为加工装置u的输出流股的总数量；
根据各加工装置的收率计算各加工装置的物料平衡约束条件：
其中，Fu,j为加工装置u的第j个输出流股的收率；
产品调合性质约束条件包括每一调和设备内各性质值约束条件，具体包括：
辛烷值约束：
其中，OCTb,k为调合设备b第k个输入流股的辛烷值，BINb,k为调合设备b第k个输入流股的流量，BINb为调和设备的总数量，OCTb为调合产品b的辛烷值指标，BPb为调合产品b的产量；
硫含量约束：
SOXb,k为调合设备b第k个输入流股的硫含量，SOXb为调合设备b的硫含量指标；
加工装置的加工能力约束条件具体为：
UClowu≤UCu≤UCupu
其中，UClowu为加工装置u的加工能力下限，UCupu为装置u的加工能力上限，
UCu为加工装置u的加工量；
市场供需约束条件包括原料供应约束以及产品需求约束；
所述原料供应约束为：
crudec≤CDc
其中，CDc为原料c的供应上限，crudec为原料c的实际供应量；
所述产品需求约束为：
productp≥PDp
其中，PDp为产品p的需求下限，productp为产品p的实际生产量。
优选的，采用列队竞争算法对所述生产计划优化模型进行求解，得到最优生产方案，具体为：
将有约束的生产计划优化模型转换为无约束的生产计划优化模型；
根据所述生产计划优化模型的约束条件确定初始搜索空间，在初始搜索空间内随机生成多个家族，每个家族包括多个生产方案对应的个体；
计算每一家族中各个体的目标函数值，根据目标函数值的大小对各所述家族进行降序排序；根据各家族在列队中排序位置分配搜索空间；各家族在各自搜索空间内进行无性繁殖变异，并计算变异后每一家族中各个体的目标函数值，保留每一家族中目标函数值最大的最优个体作为相应家族的代表个体；
检验是否满足终止条件，如果满足，则排在第一位的家族中的代表个体即为最优解，最优解对应的生产方案为最优生产方案；如果不满足，则对每个家族的搜索空间进行收缩，并转上一步。
采用神经网络所建立的过程模型为非线性规划模型，其“非线性”体现在二次加工装置的过程模型，即输出流股的收率与操作条件及输入流股的性质呈非线性关系。本发明采用列队竞争算法对非线性的炼油厂生产计划优化模型进行求解。
本实施例中生产计划方案的决策变量包括：两套常减压蒸馏装置的切割温度；每套二次加工装置输入流股与输出流股流量；调合设备的输入流股流量；产品的产量。
列队竞争算法的参数设置如下：
收缩比：0.9；
家族数：5；
家族包含的个体数：10；
子代家族数：10；
最大演化代数：1000；
列队竞争算法的步骤具体如下：
使用罚函数法将将有约束的生产计划优化模型转换为无约束的生产计划优化模型；
根据约束条件确定初始搜索空间，在初始搜索空间内随机生成5个家族，每个家族包括10个个体，10个个体对应10个初始生产方案；
按每个家族中所包含的10个个体的目标函数平均值的大小，对5个家族降序排序；
根据各个家族在列队中的位置，分配搜索空间，所分配搜索空间的大小与家族在列队中的排序号呈正比，即在列队中处于第一位的家族搜索空间最小，处于最末位的搜索空间最大；
5个家族在各自的搜索空间内进行无性繁殖变异，具体为每一家族的10个个体在相应搜索空间内随机衍生值，产生10个彼此差异性尽可能大的子代家族群体；
计算变异后每一家族中多个个体的目标函数值，保留每个家族中的最优个体作为代表，最优个体对应每个家族中目标函数值最大的个体；
检验是否满足终止条件，本实施例中终止条件为变异次数达到最大演化代数，(终止条件还可设置为搜索空间收缩至某一点等)，如果满足，则排在第一位的家族中的代表个体即为最优解，最优解对应的生产方案为最优生产方案；如果不满足，则对每个家族的搜索空间按收缩比0.9进行收缩，并转进行下一次无性繁殖变异，直至达到终止条件得到最优解。
实施例2
本发明的实施例2提供了炼油厂生产计划优化装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1提供的炼油厂生产计划优化方法。
本发明实施例提供的炼油厂生产计划优化装置，用于实现炼油厂生产计划优化方法，因此，炼油厂生产计划优化方法所具备的技术效果，炼油厂生产计划优化装置同样具备，在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的炼油厂生产计划优化方法。
本发明实施例提供的计算机存储介质，用于实现炼油厂生产计划优化方法，因此，炼油厂生产计划优化方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (8)

1.一种炼油厂生产计划优化方法，其特征在于，包括以下步骤：
构建炼油厂生产流程的网络拓扑结构模型；
收集炼油厂中二次加工装置的生产数据，以所述生产数据作为样本对神经网络进行训练，得到二次加工装置的过程模型；
建立炼油厂中除所述二次加工装置以外其它装置的过程模型；
根据所述网络拓扑结构模型以及各所述过程模型，以经济效益最大为目标，以加工能力、物料性质、市场供需以及物料平衡作为约束，建立生产计划优化模型；
采用列队竞争算法对所述生产计划优化模型进行求解，得到最优生产方案，收集炼油厂中二次加工装置的生产数据，以所述生产数据作为样本对神经网络进行训练，得到二次加工装置的过程模型，具体为：
收集所述二次加工装置的输入流股数据以及输出流股数据；
以所述输入流股数据作为输入样本，以相应的所述输出流股数据作为输出样本，对神经网络进行训练，得到二次加工装置的过程模型；
计算当前过程模型的RMS值，判断所述RMS值是否小于设定阈值，如果小于，则输出所述过程模型，否则继续进行训练，所述RMS值为：
其中，为RMS值，/>，/>为训练次数，/>，/>为所述过程模型的输出参数的数量，/>为过程模型输出参数的估计值，/>为过程模型输出参数的实际值。
2.根据权利要求1所述的炼油厂生产计划优化方法，其特征在于，所述二次加工装置的过程模型，具体为：
其中，为所述二次加工装置的产品收率向量，/>为所述二次加工装置通过神经网络训练得到的网络函数，/>为影响二次加工装置产品收率的因素向量。
3.根据权利要求1所述的炼油厂生产计划优化方法，其特征在于，以经济效益最大为目标，具体为：
其中，为计划周期内炼油厂的利润，/>为计划周期内炼油厂所有产品的销售收入，/>为计划周期内炼油厂所有原料的采购成本，/>为计划周期内炼油厂加工成本总和。
4.根据权利要求3所述的炼油厂生产计划优化方法，其特征在于，计划周期内炼油厂所有产品的销售收入，具体为：
其中，为产品/>的销售单价，/>为产品/>的销售量，/>为产品总数量；
计划周期内炼油厂所有原料的采购成本，具体为：
其中，为原料/>的价格，/>为原料/>购买的数量，/>为原料总数量；
计划周期内炼油厂加工成本总和，具体为：
其中，为加工装置/>单位时间内的加工费用，/>为加工装置/>的加工量，为加工装置/>的加工时间，/>为加工装置的数量。
5.根据权利要求1所述的炼油厂生产计划优化方法，其特征在于，以加工能力、物料性质、市场供需以及物料平衡作为约束，具体为：
物料平衡约束条件包括每个加工装置的物料平衡，加工装置的物料平衡具体为：
其中为加工装置/>的第/>个输入流股的流量，/>为加工装置/>的输入流股的总数量，/>为加工装置/>的第/>个输出流股的流量，/>为加工装置/>的输出流股的总数量；
根据各加工装置的收率计算各加工装置的物料平衡约束条件：
其中，为加工装置/>的第/>个输出流股的收率；
产品调合性质约束条件包括每一调和设备内各性质值约束条件，具体包括：
辛烷值约束：
其中，为调合设备/>第/>个输入流股的辛烷值，/>为调合设备/>第/>个输入流股的流量，/>为调和设备的总数量，/>为调合产品b的辛烷值指标，/>为调合产品/>的产量；
硫含量约束：
为调合设备/>第/>个输入流股的硫含量，/>为调合设备/>的硫含量指标；
加工装置的加工能力约束条件具体为：
其中，为加工装置/>的加工能力下限，/>为装置/>的加工能力上限，
为加工装置/>的加工量；
市场供需约束条件包括原料供应约束以及产品需求约束；
所述原料供应约束为：
其中，为原料/>的供应上限，/>为原料/>的实际供应量；
所述产品需求约束为：
其中，为产品/>的需求下限，/>为产品/>的实际生产量。
6.根据权利要求1所述的炼油厂生产计划优化方法，其特征在于，采用列队竞争算法对所述生产计划优化模型进行求解，得到最优生产方案，具体为：
将有约束的生产计划优化模型转换为无约束的生产计划优化模型；
根据所述生产计划优化模型的约束条件确定初始搜索空间，在初始搜索空间内随机生成多个家族，每个家族包括多个生产方案对应的个体；
计算每一家族中各个体的目标函数值，根据目标函数值的大小对各所述家族进行降序排序；根据各家族在列队中排序位置分配搜索空间；各家族在各自搜索空间内进行无性繁殖变异，并计算变异后每一家族中各个体的目标函数值，保留每一家族中目标函数值最大的最优个体作为相应家族的代表个体；
检验是否满足终止条件，如果满足，则排在第一位的家族中的代表个体即为最优解，最优解对应的生产方案为最优生产方案；如果不满足，则对每个家族的搜索空间进行收缩，并转上一步。
7.一种炼油厂生产计划优化装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-6任一所述的炼油厂生产计划优化方法。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-6任一所述的炼油厂生产计划优化方法。
CN202010322701.2A 2020-04-22 2020-04-22 一种炼油厂生产计划优化方法及装置 Active CN111598306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010322701.2A CN111598306B (zh) 2020-04-22 2020-04-22 一种炼油厂生产计划优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010322701.2A CN111598306B (zh) 2020-04-22 2020-04-22 一种炼油厂生产计划优化方法及装置

Publications (2)

Publication Number Publication Date
CN111598306A CN111598306A (zh) 2020-08-28
CN111598306B true CN111598306B (zh) 2023-07-18

Family

ID=72183454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010322701.2A Active CN111598306B (zh) 2020-04-22 2020-04-22 一种炼油厂生产计划优化方法及装置

Country Status (1)

Country Link
CN (1) CN111598306B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947343B (zh) * 2021-03-03 2022-12-20 中国石油化工股份有限公司 炼油化工全厂生产目标跟踪控制方法和装置
CN113011797B (zh) * 2021-05-24 2021-07-27 汉谷云智(武汉)科技有限公司 基于小生境列队竞争算法的罐装成品油调度方法及设备
CN116982062A (zh) * 2022-02-28 2023-10-31 京东方科技集团股份有限公司 产品生产规划方法、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006048474A (ja) * 2004-08-06 2006-02-16 Fuji Electric Systems Co Ltd プラント最適運用計画装置
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
CN105321000A (zh) * 2015-11-06 2016-02-10 重庆科技学院 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法
CN105415191A (zh) * 2015-11-26 2016-03-23 西北工业大学 一种基于声发射的磨削状态测控方法及装置
CN108446358A (zh) * 2018-03-12 2018-08-24 武汉理工大学 基于miv与关联规则的优化方法及石化设备的数据建模方法
CN111027733A (zh) * 2018-10-10 2020-04-17 中国石油化工股份有限公司 一种基于大数据技术的石油化工装置产品收率优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090095657A1 (en) * 2006-11-07 2009-04-16 Saudi Arabian Oil Company Automation and Control of Energy Efficient Fluid Catalytic Cracking Processes for Maximizing Value Added Products
US20160260041A1 (en) * 2015-03-03 2016-09-08 Uop Llc System and method for managing web-based refinery performance optimization using secure cloud computing
US10180680B2 (en) * 2015-03-30 2019-01-15 Uop Llc Tuning system and method for improving operation of a chemical plant with a furnace

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006048474A (ja) * 2004-08-06 2006-02-16 Fuji Electric Systems Co Ltd プラント最適運用計画装置
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
CN105321000A (zh) * 2015-11-06 2016-02-10 重庆科技学院 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法
CN105415191A (zh) * 2015-11-26 2016-03-23 西北工业大学 一种基于声发射的磨削状态测控方法及装置
CN108446358A (zh) * 2018-03-12 2018-08-24 武汉理工大学 基于miv与关联规则的优化方法及石化设备的数据建模方法
CN111027733A (zh) * 2018-10-10 2020-04-17 中国石油化工股份有限公司 一种基于大数据技术的石油化工装置产品收率优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
G. A. Schneider.A Mathematical Programming Approach to Optimize the Scheduling of Tanks in Oil Refineries .IEEE LATIN AMERICA TRANSACTIONS.全文. *
龚真直.GIOPIMS在炼油厂重质油加工流程选择中的应用.计算机与应用化学.全文. *

Also Published As

Publication number Publication date
CN111598306A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111598306B (zh) 一种炼油厂生产计划优化方法及装置
Gary et al. Petroleum refining: technology and economics
Alhajri et al. A nonlinear programming model for refinery planning and optimisation with rigorous process models and product quality specifications
US20210348066A1 (en) Predictive control systems and methods with hydrocracker conversion optimization
CN104484714B (zh) 一种催化重整装置收率的实时预测方法
US20220299952A1 (en) Control system with optimization of neural network predictor
CN103524284A (zh) 一种乙烯裂解原料配置的预测和优化方法
CN111475957A (zh) 一种基于装置机理的炼油过程生产计划优化方法
Li et al. Refinery production planning optimization under crude oil quality uncertainty
Gueddar et al. Disaggregation–aggregation based model reduction for refinery-wide optimization
CN113764046A (zh) 一种提高催化柴油加氢转化高附加值产品收率的方法
CN104765347A (zh) 一种渣油延迟焦化过程中收率实时预测方法
Zhang et al. Adjustable robust optimization for the multi-period planning operations of an integrated refinery-petrochemical site under uncertainty
Albahri et al. A mixed integer nonlinear programming approach for petroleum refinery topology optimisation
Zapf et al. Case-study of a flowsheet simulation using deep-learning process models for multi-objective optimization of petrochemical production plants
CN116843052A (zh) 一种炼厂生产计划的多目标优化方法
Noh et al. An optimization based strategy for crude selection in a refinery with lube hydro-processing
Charry-Sanchez et al. Environmental and economics trade-offs for the optimal design of a bitumen upgrading plant
CN115938502A (zh) 一种基于分子级反应机理的化工产物特性预测方法及系统
Sadighi et al. Modeling and optimizing a vacuum gas oil hydrocracking plant using an artificial neural network
Alhajri Integration of hydrogen and CO2 management within refinery planning
Li et al. An integrated data-driven modeling and gas emission constraints for large-scale refinery production planning framework
Ohmes Characterizing and Tracking Contaminants in Opportunity Crudes
Li Refinery-wide optimization
WO2023235137A1 (en) Control system with optimization of neural network predictor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant