CN114237183B - 考虑成品油随机需求的多周期生产计划方案的制定方法 - Google Patents
考虑成品油随机需求的多周期生产计划方案的制定方法 Download PDFInfo
- Publication number
- CN114237183B CN114237183B CN202111559421.4A CN202111559421A CN114237183B CN 114237183 B CN114237183 B CN 114237183B CN 202111559421 A CN202111559421 A CN 202111559421A CN 114237183 B CN114237183 B CN 114237183B
- Authority
- CN
- China
- Prior art keywords
- production
- oil
- refinery
- product
- period
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 307
- 238000000034 method Methods 0.000 title claims abstract description 96
- 239000000463 material Substances 0.000 claims abstract description 85
- 238000007670 refining Methods 0.000 claims abstract description 65
- 230000000704 physical effect Effects 0.000 claims abstract description 61
- 238000005292 vacuum distillation Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 238000002156 mixing Methods 0.000 claims abstract description 49
- 238000005265 energy consumption Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000003921 oil Substances 0.000 claims description 221
- 239000000047 product Substances 0.000 claims description 190
- 239000010779 crude oil Substances 0.000 claims description 158
- 238000012545 processing Methods 0.000 claims description 82
- 239000006227 byproduct Substances 0.000 claims description 32
- 239000000654 additive Substances 0.000 claims description 31
- 230000000996 additive effect Effects 0.000 claims description 30
- 239000012467 final product Substances 0.000 claims description 27
- 239000000725 suspension Substances 0.000 claims description 18
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 12
- 229910052717 sulfur Inorganic materials 0.000 claims description 12
- 239000011593 sulfur Substances 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 9
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000010924 continuous production Methods 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000005111 flow chemistry technique Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000013067 intermediate product Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000012946 outsourcing Methods 0.000 claims description 3
- 238000011112 process operation Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000010206 sensitivity analysis Methods 0.000 claims description 3
- 238000005496 tempering Methods 0.000 claims description 3
- 239000003502 gasoline Substances 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004523 catalytic cracking Methods 0.000 description 3
- 238000004517 catalytic hydrocracking Methods 0.000 description 3
- 238000001833 catalytic reforming Methods 0.000 description 3
- 125000003118 aryl group Chemical group 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 239000003350 kerosene Substances 0.000 description 2
- 208000011380 COVID-19–associated multisystem inflammatory syndrome in children Diseases 0.000 description 1
- 241000183024 Populus tremula Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002319 photoionisation mass spectrometry Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种考虑成品油随机需求的多周期生产计划方案的制定方法，涉及炼油生产技术领域。该方法首先获取炼厂全流程生产、物料与能耗数据以及成品油市场需求的历史数据；然后根据成品油市场需求的历史数据构建成品油产品需求的场景树；然后建立常减压蒸馏装置、二次炼油装置和调和装置的物料和物性平衡方程；建立考虑需求随机的炼厂全流程多周期生产计划优化模型，最大化炼厂全流程生产期望净利润；再采用改进的外部近似算法求解建立的炼厂全流程多周期生产计划优化模型，获得炼厂全流程多周期的生产计划方案；该方法考虑不同需求场景下，针对炼厂全流程生产与能耗过程进行数学建模，综合考虑各部分的利润空间，为整体期望目标提供优化方案。
Description
技术领域
本发明涉及炼油生产技术领域，尤其涉及一种考虑成品油随机需求的多周期生产计划方案的制定方法。
背景技术
炼油企业是高能耗、高污染、高排放企业。随着国际原油市场的不稳定，国内炼厂产能过剩，成品油市场的需求不确定，以及国家环境保护法律法规的不断升级，炼油企业面临着新的发展机遇和挑战。引入先进的数学建模和优化方法，协调统一炼厂全流程生产各个环节，保障产品质量，同时考虑成品油市场的需求不确定性，高效决策炼厂全生产流程多周期生产计划方案是炼油企业保障企业生产利润、满足市场需求、节能降耗、降低成本的关键。
炼厂生产是将多种不同品质的原油，经过常减压蒸馏，催化重整，催化裂化，加氢裂化等加工装置进行不同馏分的连续分离，得到各种最终产品或组分油；各种组分油经调和过程得到满足国家成品油排放标准的各种牌号成品油产品。成品油市场各种成品油的需求量和价格一般受季节性影响而波动，同时还会受其他工业产品市场的不确定性影响。考虑成品油市场随机需求的炼厂多周期生产计划需要制定随机环境下各个周期加工的原油种类、加工量，炼厂加工装置的工况，侧线产品的流向分配，调和方案和成品油的生产量和质量指标，目标是炼厂生产计划期的期望净利润最大化。炼油生产过程与能耗过程耦合，装置的生产负荷决定了综合能耗，能量系统影响着装置的工况。炼油生产工艺过程与炼油装置运行密切相关，炼油装置同时连续生产出多种侧线产品，装置的运行工况设置决定各侧线产品的收率和物性指标；组分油调和工序具有非线性的物性混合特征，导致炼油生产过程装置的物料平衡和物性平衡方程的数学模型描述困难。考虑成品油需求随机和产品质量的多周期生产计划的制定是在原料和炼油装置工艺约束下，既要考虑生产过程中加工任务量、能耗量，又要保证其产品的质量指标，满足成品油市场的不确定需求，因此是一个炼油生产技术问题。
Aspen PIMS软件是为炼厂制定生产计划开发的优化模块，PIMS的炼厂生产计划解决方案是运用序列线性规划的方法求解确定性的炼厂生产计划模型。文献的炼厂生产计划模型通常是针对确定性的计划模型(如Gyuonnet P,Grant FH,Bagajewicz MJ.Integratedmodel for refinery planning,oil procuring and product distribution.Ind.Eng.Chem.Res.2009,48(1):463-482)。相对于确定性的炼厂生产计划方法，考虑不确定性的方法获得的炼厂生产计划方案更具有鲁棒性，更能满足市场需求，获得更高的经济效益。专利“一种应用于炼油厂的非线性生产计划优化方法，专利号：201210084962.0”，将炼厂生产过程模型仿真集成到生产计划方案的优化，采用智能优化算法获得生产计划方案。该专利中没有考虑炼油过程中的能耗因素，同时简化了非线性工艺模型。专利“一种炼油厂生产计划优化方法及装置，专利号：CN 111598306A”，利用神经网络建立二次加工装置模型，建立整体的非线性规划模型，设计列队竞争算法求解炼厂计划模型。智能优化方法虽然能够较快速近似求解大规模非线性问题，但不能保证获得的生产计划方案质量，无法理论分析炼厂生产的边际效益。专利“一种用于炼厂的多周期计划调度协同排产优化方法及系统，专利号：CN 112183811 A”主要是提出考虑原油配比的炼厂生产调度方案，再滚动成多周期生产调度方案。该专利中考虑是线性工艺模型。专利“炼油厂具体炼油计划的制定方法及装置，专利号：CN201810957351.X”，主要是针对制定好的炼厂生产计划提供一个具体实施方法，基于装置模型生成计划实施的决策序列并被执行。该专利主要是实施计划方案，而不是制定炼厂的生产计划方案。以上专利中均未考虑成品油产品需求的不确定性，也未给出一个考虑加工原油种类选择的炼厂全流程生产计划优化模型和最优化方法。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种考虑成品油随机需求的多周期生产计划方案的制定方法，同过决策不同需求场景下的各生产周期加工原油种类和数量，炼油装置的工况设置和加工量，加工装置的综合能耗，成品油调和方案来柔性优化控制炼厂生产成本和能耗，最大化炼厂计划期上的期望生产净利润。
为解决上述技术问题，本发明所采取的技术方案是：考虑成品油随机需求的多周期生产计划方案的制定方法，
获取炼厂全流程生产、物料与能耗数据以及成品油市场需求的历史数据；
构建成品油产品需求的场景树；
建立常减压蒸馏装置、二次炼油装置和调和装置的物料平衡方程；
建立考虑需求随机的炼厂全流程多周期生产计划优化模型，最大化炼厂全流程生产期望净利润；
求解建立的炼厂全流程多周期生产计划优化模型，获得炼厂全流程多周期的生产计划方案；
具体包括以下步骤：
步骤1：获取炼厂生产流程，构建炼厂生产的超结构网络，获取炼厂全流程生产、物料与能耗数据，获取炼厂成品油市场需求的历史数据；
将炼厂的生产流程，包括生产任务、装置及连接关系，用超结构网络来表示，即用圆圈表示侧线产品、组分油产品以及成品油产品，用矩形表示生产装置，用有向弧表示物料流加工流程；
所述炼厂全流程生产、物料与能耗数据包括：
1)物料数据；各原油供应时间段和供应能力，原油的收率、含硫率和辛烷值，计划期开始时的库存量；中间产品的初始库存量、含硫率和辛烷值；产品的初始库存量、需求量、含硫率和辛烷值要求限制；
2)生产设备数据；炼厂生产流程网络，各生产设备的加工能力、工况信息和操作条件，物料平衡方程，装置的综合能耗数据；各种存储罐能力限制；
3)公用工程数据；电、蒸汽和燃料各项的能力限制，综合能耗限制；
4)经济数据；原油、成品油、添加剂价格，公用工程外购价格；
5)计划周期数据：计划展望期，每个计划周期的长度，计划周期个数；
步骤2：基于炼厂成品油市场需求的历史数据，构建成品油产品需求的场景树，即利用场景树的场景节点值和发生概率来表示成品油的需求不确定性；
整理炼厂成品油的需求数据集合D，利用K均值聚类算法，预先设定聚类个数K，从数据集合D中随机选取K个数据为聚类中心，计算其他点到当前K个聚类中心的距离，选取距离最近的聚类中心进行聚类，直至所有数据都聚合到K个聚类中心，重新计算新的聚类中心，即一个类中所有点的均值作为新的聚类中心，重复迭代，直至聚类集合无变化；各聚类中心和该聚类中包含的数据个数占数据总数的百分比作为表示成品油需求数据的场景树节点值，即需求量和对应的需求概率；
步骤3：基于最终成品油产品需求的场景树和炼厂实际生产数据，回归拟合出炼油生产和调和装置的产品收率参数，建立常减压蒸馏装置、二次炼油装置和调和装置的物料平衡方程，用于表示炼油生产和调和装置的输入与输出物料数量和物性组分关系；
步骤3.1、通过对炼厂的实际生产数据的回归拟合，建立炼油生产和调和装置的物料与物性平衡方程；基于原油的侧线产品收率，常减压蒸馏装置不同工况下侧线产品的收率，装置当前的状态对侧线产品收率的影响，通过线性回归模型获得不同种类原油在不同工况下的侧线产品收率参数；
步骤3.2：建立常减压蒸馏装置的物料与物性平衡方程；
常减压蒸馏装置生产的侧线产品包括固定的侧线产品和可调控的悬摆侧线产品，固定侧线产品的生产物料平衡方程为固定侧线产品产量等于加工原油量与该侧线产品的收率乘积再对加工原油种类求和，即
其中，p表示加工的原油，p’表示侧线产品，l表示常减压蒸馏装置生产的侧线产品，m表示常减压蒸馏装置工况，s表示需求场景，t表示生产周期，LO表示固定侧线产品集合，αl,m,p表示原油p在常减压蒸馏装置工况m时侧线产品l的平均收率，Vm,p’,s,t表示生产周期t需求场景s工况m下侧线产品p’的生产量，Wm,p,s,t表示周期t场景s工况m下原油p加工量；
可调控的悬摆侧线产品是指侧线产品按照调控比例分别向相邻上或下侧线悬摆，因此悬摆侧线产品的相邻侧线产品量等于自身侧线产量加上悬摆过来的侧线产品量，如下公式所示：
其中，Rl,m,p,s表示场景s下原油p在常减压蒸馏装置工况m时悬摆侧线产品l的向上悬摆比例，LS表示可调控的悬摆侧线集合，ULl+1表示悬摆侧线产品l的上邻侧线产品；ULl-1表示悬摆侧线产品l的下邻侧线产品，悬摆比例Rl,m,p,s在生产工艺限制范围内进行调控决策；Rm,l和分别表示工况m下侧线产品l∈LS悬摆比例的上界和下界；
常减压蒸馏生产装置混流方程，即不同工况生产出的同种类产品进行混合，作为下游生产装置的输入流，如下公式所示：
其中，表示侧线产品p’周期t内需求场景s下的总生产量；
常减压蒸馏装置的物性平衡方程为加工量乘以物性比例再乘以侧线收率等于侧线产品的产量乘以该物性的比例，如下公式所示：
其中，CR表示原油种类集合，表示原油p物性c的参数比例，表示侧线产品p’的物性参数比例；
常减压蒸馏装置生产出的侧线产品通过分流，分别供应给下游工序进行加工，或者作为组分油进行调和，物料平衡关系如下公式所示：
其中，Fj,m,p’,s,t表示二次炼油装置j工况m周期t需求场景s下侧线产品p’的加工量，表示生产方案m周期t需求场景s下侧线产品p’直接作为组分产品的量；
步骤3.3：建立二次炼油装置的物料与物性平衡方程；
二次炼油装置输入与输出物料间的平衡方程如下公式所示：
其中，j表示二次炼油装置，βj,m,p',p”表示二次炼油装置j在工况m时加工侧线产品p’产出p”的收率，p”表示组分油产品，CP表示组分油产品集合，Qj,m,p”,s,t表示二次炼油装置j工况m周期t需求场景s下产出组分油产品p”的量；
二次炼油装置的物性平衡方程如下公式所示：
其中，c表示产品的物性，表示周期t需求场景s下组分油产品p”中物性c的比例；
步骤3.4：建立调和装置的物料平衡方程；
调和装置物料平衡方程表示侧线产品，二级炼油装置产品和添加剂调和出最终成品油产品，如下公式所示：
其中，p*表示最终产品，FP表示最终产品集合，a表示油品调和添加剂，AV表示油品调和的添加剂集合，表示工况m周期t需求场景s下最终成品油产品p*的产量，表示组分油p”用于调和的量，表示添加剂a在工况m周期t需求场景s下的加入量；
步骤3.5：建立成品油调和的组分平衡方程；
成品油调和的组分平衡方程如下公式所示：
其中，表示最终成品油产品p*物性c周期t需求场景s下所占比例；
步骤4：建立考虑需求随机的炼厂全流程多周期生产计划优化模型，目标是最大化炼厂全流程生产期望净利润，即产品期望总收入减去原料费用、生产和库存费用和加工能耗费用；满足生产与库存物料平衡和物性平衡，工艺操作约束，能耗限制，安全生产、炼厂最终产品需求和物性限制条件；
建立的考虑需求随机的炼厂全流程多周期生产计划优化模型如下：
考虑需求随机的炼厂生产计划控制目标为整个计划期上期望净利润最大化，如下公式所示：
其中，NPV表示多周期生产计划的期望净利润值，即产品期望总收益减去物料费用和装置操作费用，PBs表示场景s的发生概率，表示最终成品油产品p*的价值，Cotp和Cota分别表示原油p和添加剂a的单位费用，Bp,s,t表示在周期t场景s下原油p的采购量，表示常减压蒸馏装置工况m的单位加工费用，CoIp,t,表示原油和成品油产品的单位库存费用，Cotj,m表示装置j在工况m时单位生产费用系数，Ip,s,t和分别表示原油和最终成品油产品周期t需求场景s的库存量；
(2)考虑需求随机的炼厂生产计划方案需考虑的约束条件包括原油供应约束、库存约束、装置加工能力、公用工程能力约束；
原油采购量需要考虑原油供应量的上、下界约束，则场景s下原油p的采购量需要满足如下上、下界约束：
其中，表示原油p周期t供应量下界和上界；
炼厂需要考虑原油的安全库存储备，避免原油供应不足影响炼厂的连续性生产，每个生产周期场景s下总的原油采购量不低于设定的最低原油购买总量，如下公式所示：
其中，Btotal表示原油购买的最低下界量；
原油物料平衡方程为周期t场景s下原油p的库存量等于前一个周期的库存量加上原油购买量减去各工况加工原油p量之和，添加剂的物料平衡方程与原油的物料平衡方程类似，分别如下公式所示：
其中，Ip,s,t表示周期t场景s下原油p的库存量，IAa,s,t表示添加剂a生产周期t场景s下的库存量，BAa,s,t表示添加剂的购买量，表示生产周期t场景s下工况m的添加剂a使用量；
炼厂组分油产品的库存平衡方程，即周期t场景s下组分产品p"库存量等于初始库存量加上各工况生产量减去用于调和的组分油量，如下公式所示：
其中，表示周期t场景s下组分油产品p"的库存量；
炼厂成品油产品库存平衡方程中库存量等于周期t需求场景s下各方案的生产量之和减去成品油产品的需求量，如下公式所示：
其中，表示最终成品油产品p*的库存量，Dp*，s，t表示最终成品油产品p*周期t场景s下的需求量；
炼厂原油库存量需满足周期需求场景下原油的安全库存和库存能力约束，同样，炼厂的成品油库存量需满足同样的约束，如下公式所示：
其中，分别表示原油p的安全库存量和库存能力量，表示成品油产品p*的安全库存量和库存能力量；
原油的加工量需要满足如下约束条件：
其中，Xm,p,s,t表示生产控制变量，用于决策在加工周期t需求场景s下是否采用工况m加工原油p，如果采用，则变量Xm,p,s,t取值1，否则取值0；只有Xm,p,s,t变量取1时，Wm,p,s,t才有实际有意义的取值，否则Wm,p,s,t等于零；
常减压蒸馏装置加工物料能力约束，通过增加最低加工能力来保证装置的生产负荷不低于一定的阀值，常减压蒸馏装置和二次炼油装置的加工物料能力和最低加工量的限制条件如下公式所示：
其中，和分别表示常减压蒸馏装置加工物料能力的上下限，分别表示二次炼油装置j加工物料能力的上下限；
炼厂最终成品油产品需要满足物性参数标准，如下公式所示：
其中，表示成品油产品p*的物性参数c的上界；
炼厂生产全流程需要公用工程的保障，需要考虑公用工程的能力限制以及炼厂生产能耗的控制，如下公式所示：
其中，u表示公用工程，UDm,s,t,u表示周期t需求场景s下常减压蒸馏装置工况m时公用工程u的单位消耗，URj,s,t,u表示二次炼油装置j工况m时公用工程u的单位消耗，表示公用工程u在周期t的能力上界；
考虑随机需求的炼厂生产计划决策需要满足的范围约束如下公式所示：
步骤5：采用改进的外部近似算法求解步骤4建立的炼厂全流程多周期生产计划优化模型，获得炼厂全流程多周期的生产计划方案；所述炼厂全流程多周期的生产计划方案包括各需求场景下各生产周期原油的购买、加工量，全流程网络中的流量，设备的生产负荷，综合能耗，各组分油的产量和物性，成品油的调和方案和调和量，成品油的产量和物性；
具体步骤如下：
步骤5.1：将炼厂全流程多周期生产计划优化模型分解成两个问题模型：1个主问题模型和1个子问题模型；主问题模型的目标函数同原优化模型的目标函数方程(12)，即最大化生产期望净利润，针对非线性约束(2),(3),(9),(11)进行线性近似：即在给定 这些决策变量值上进行一阶近似展开，如下公式所示：
其中，k表示迭代次数；
为了去除前k-1次迭代中已求解获得的生产控制方案，减少总求解迭代次数，增加如下约束条件：
其中，表示已获得的原料p在周期t场景s的加工方案；
进而，主问题模型包括约束方程(1)，(4)-(8)，(10)，(12)-(32)；
子问题模型为给定情况下的优化模型，即为确定参数的整体问题模型，包含约束方程(1)-(26)；
步骤5.2：设定外部近似算法求解的最大迭代次数为NT，按照上一个生产周期的计划，初始化原油p的加工模式，即确定初始生产控制变量
步骤5.3：给定下得到子问题的数学模型，其只包含连续决策变量，为非线性规划问题(Nonlinear Programming，NLP)；利用NLP求解器求解子问题模型，得到一个炼厂的期望生产计划方案，确定炼油装置各生产方案下的加工量，各成品油产品和质量，公用工程消耗总量，并将当前的生产计划方案和期望净利润值存储到最优计划方案；
步骤5.4：根据给定的生成整数解去除约束(32)，并将其添加到主问题模型中，该主问题模型为混合整数线性规划问题(Mixed Integer Programming,MILP)，利用MILP求解器求解，设置MILP解池，得到N个新的生产模式方案；
步骤5.5：给定N个生产模式方案下得到N个子问题模型；利用NLP求解器同时求解N个子问题模型，得到N个炼厂生产计划方案和期望净利润值，从而得到期望目标净利润值最大的生产计划方案及原油购买计划；
步骤5.6：如果最大目标净利润值比当前最优优化方案的期望净利润值大，则用最大目标净利润值对应的计划方案和生产模式选择方案替换当前的最优计划方案，否则不替换；迭代次数加1，判断迭代次数是否达到最大迭代次数NT，如果达到，则设计的外部近似算法终止，当前最优期望计划方案即为考虑随机需求的炼厂全流程生产计划方案和对应的期望净利润值NPV；否则重新执行步骤5.4；
步骤6：针对步骤5得到的炼厂全流程多周期的生产计划方案进行分析，判断生产计划方案的可执行性；
基于全流程多周期生产计划优化模型获得生产计划方案，同时得到各种资源约束的期望影子价格；针对影子价格最高的几类资源，进行灵敏度分析，给出当前优化方案对应的关键参数的允许变化范围，保证期望计划方案的可执行性；当全流程多周期生产计划优化模型的影响数据变化超出允许区间时，返回到步骤4，重新生成全流程多周期生产计划优化模型，计算获得新的生成计划方案；
步骤7：将得到的炼厂全流程多周期的生产计划方案传输给生产管理部门，实现对炼油多周期生产计划的有效管理。
采用上述技术方案所产生的有益效果在于：本发明提供的考虑成品油随机需求的多周期生产计划方案的制定方法，1)该方法的实施将系统协调与优化以炼厂的生产为核心的原油选择和成品油供应，目标是最大化炼厂的生产期望净利润；(2)通过场景树来刻画炼厂的成品油随机需求量和概率，尽可能精确刻画炼厂产品的需求量；(3)炼厂生产装置物料和物性平衡方程精确描述生产过程，保证生产计划可行性实施；(4)考虑不同需求场景下，针对炼厂全流程生产与能耗过程进行数学建模，综合考虑各部分的利润空间，为整体期望目标提供优化方案；(5)通过控制成品油的物性参数确保成品油的质量标准，同时为提高成品油物性标准后炼厂的净利润分析提供参考。
附图说明
图1为本发明实施例提供的考虑成品油随机需求的多周期生产计划方案的制定方法的流程图；
图2为本发明实施例提供的炼厂生产流程的超结构网络示意图；
图3为本发明实施例提供的改进的外部近似算法流程图。
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。
本实施例以某炼厂的生产流程为例，采用本发明的考虑成品油随机需求的多周期生产计划方案的制定方法制定该炼厂的多周期生产计算方案。
本实施例中，考虑成品油随机需求的多周期生产计划方案的制定方法，如图1所示，包括以下步骤：
步骤1：获取炼厂生产流程，构建炼厂生产的超结构网络，获取炼厂全流程生产、物料与能耗数据，获取炼厂成品油市场需求的历史数据；
将炼厂的生产流程，包括生产任务、装置及连接关系，用超结构网络来表示，即用圆圈表示侧线产品、组分油产品以及成品油产品，用矩形表示生产装置，用有向弧表示物料流加工流程；
所述炼厂全流程生产、物料与能耗数据包括：
1)物料数据；各原油供应时间段和供应能力，原油的收率、含硫率和辛烷值，计划期开始时的库存量；中间产品的初始库存量、含硫率和辛烷值；产品的初始库存量、需求量、含硫率和辛烷值要求限制；
2)生产设备数据；炼厂生产流程网络(生产设备与存储罐连接关系)，各生产设备(包括一次加工、二次加工、调和装置)的加工能力、工况信息和操作条件，物料平衡方程，装置的综合能耗数据；各种存储罐(原料，中间，最终产品)能力限制；
3)公用工程数据；电、蒸汽和燃料各项的能力限制，综合能耗限制；
4)经济数据；原油、成品油、添加剂价格，公用工程外购价格；
5)计划周期数据：计划展望期，每个计划周期的长度，计划周期个数；
本实施例中，炼厂加工装置的加工能力如表1所示。可供选择的加工原油数据如表2所示，包括CDU装置的收率。生产计划展望期为5周。炼厂主要生产六种产品：90#清洁汽油，93#清洁汽油，航煤，-10#普通柴油，00#普通柴油和20#重柴油，价格如表3所示。
表1某炼厂装置加工能力
表2原油供应能力、价格、含硫量及CDU侧线产品收率数据
| 原油 | 原油I | 原油II | 原油III | 原油IV | 原油V |
| 价格(元/吨) | 3700 | 2938.58 | 3164.15 | 3052.79 | 2984.95 |
表3炼厂六种成品油的价格
炼油设备包括常减压装置，二次加工装置分别为重整加氢装置、加氢裂化装置、催化裂化装置、延迟焦化装置、催化重整装置、汽油精制装置、柴油精制装置。本实施例中，炼厂生产流程的超结构网络如图2所示。
步骤2：基于炼厂成品油市场需求的历史数据，构建成品油产品需求的场景树，即利用场景树的场景节点值和发生概率来表示成品油的需求不确定性；
整理炼厂成品油的需求数据集合D，利用K均值聚类算法，预先设定聚类个数K，从数据集合D中随机选取K个数据为聚类中心，计算其他点到当前K个聚类中心的距离，选取距离最近的聚类中心进行聚类，直至所有数据都聚合到K个聚类中心，重新计算新的聚类中心，即一个类中所有点的均值作为新的聚类中心，重复迭代，直至聚类集合无变化；各聚类中心和该聚类中包含的数据个数占数据总数的百分比作为表示成品油需求数据的场景树节点值，即需求量和对应的需求概率；
本实施例中，基于成品油市场需求近5年数据，考虑90#清洁汽油的需求随机性大，利用K均值聚类方法，随机选取5个值作为聚类中心，计算其他值到当前聚类中心得距离，将最近距离的点聚为一类，重新计算聚类中心，即计算当前一类中数据的均值，重复迭代，直至分类情况不变。由此获得90#清洁汽油需求量和概率的5节点场景树，如表4。
表4 90#清洁汽油需求量场景节点
| 90#清洁汽油需求场景 | 场景1 | 场景2 | 场景3 | 场景4 | 场景5 |
| 节点值(百吨) | 25.30 | 27.60 | 30.40 | 33.10 | 35.60 |
| 需求概率 | 0.23 | 0.11 | 0.34 | 0.19 | 0.13 |
步骤3：基于最终成品油产品需求的场景树和炼厂实际生产数据，回归拟合出炼油生产和调和装置的产品收率参数，建立常减压蒸馏装置、二次炼油装置和调和装置的物料平衡方程，用于表示炼油生产和调和装置的输入与输出物料数量和物性组分关系；
步骤3.1、通过对炼厂的实际生产数据的回归拟合，建立炼油生产和调和装置的物料与物性平衡方程；基于原油的侧线产品收率，常减压蒸馏装置不同工况下侧线产品的收率，装置当前的状态对侧线产品收率的影响，通过线性回归模型获得不同种类原油在不同工况下的侧线产品收率参数；
步骤3.2：建立常减压蒸馏装置的物料与物性平衡方程；
常减压蒸馏装置生产的侧线产品包括固定的侧线产品和可调控的悬摆侧线产品，固定侧线产品的生产物料平衡方程为固定侧线产品产量等于加工原油量与该侧线产品的收率乘积再对加工原油种类求和，即
其中，p表示加工的原油，p’表示侧线产品，l表示常减压蒸馏装置生产的侧线产品，m表示常减压蒸馏装置工况，s表示需求场景，t表示生产周期，LO表示固定侧线产品集合，αl,m,p表示原油p在常减压蒸馏装置工况m时侧线产品l的平均收率，Vm,p’,s,t表示生产周期t需求场景s工况m下侧线产品p’的生产量，Wm,p,s,t表示周期t场景s工况m下原油p加工量；
可调控的悬摆侧线产品是指侧线产品按照调控比例分别向相邻上或下侧线悬摆，因此悬摆侧线产品的相邻侧线产品量等于自身侧线产量加上悬摆过来的侧线产品量，如下公式所示：
其中，Rl,m,p,s表示场景s下原油p在常减压蒸馏装置工况m时悬摆侧线产品l的向上悬摆比例，LS表示可调控的悬摆侧线集合，ULl+1表示悬摆侧线产品l的上邻侧线产品；ULl-1表示悬摆侧线产品l的下邻侧线产品，悬摆比例Rl,m,p,s在生产工艺限制范围内进行调控决策；Rm,l和分别表示工况m下侧线产品l∈LS悬摆比例的上界和下界；
常减压蒸馏生产装置混流方程，即不同工况生产出的同种类产品进行混合，作为下游生产装置的输入流，如下公式所示：
其中，表示侧线产品p’周期t内需求场景s下的总生产量；
常减压蒸馏装置的物性平衡方程为加工量乘以物性比例再乘以侧线收率等于侧线产品的产量乘以该物性的比例，如下公式所示：
其中，CR表示原油种类集合，表示原油p物性c的参数比例，表示侧线产品p’的物性参数比例；
常减压蒸馏装置生产出的侧线产品通过分流，分别供应给下游工序进行加工，或者作为组分油进行调和，物料平衡关系如下公式所示：
其中，Fj,m,p’,s,t表示二次炼油装置j工况m周期t需求场景s下侧线产品p’的加工量，表示生产方案m周期t需求场景s下侧线产品p’直接作为组分产品的量；
步骤3.3：建立二次炼油装置的物料与物性平衡方程；
二次炼油装置，包括催化重整，催化裂化，加氢裂化等炼油装置，输入与输出物料间的平衡方程如下公式所示：
其中，j表示二次炼油装置，βj,m,p',p”表示二次炼油装置j在工况m时加工侧线产品p’产出p”的收率，p”表示组分油产品，CP表示组分油产品集合，Qj,m,p”,s,t表示二次炼油装置j工况m周期t需求场景s下产出组分油产品p”的量；
二次炼油装置的物性平衡方程如下公式所示：
其中，c表示产品的物性，如硫含量、芳潜含量，表示周期t需求场景s下组分油产品p”中物性c的比例；
步骤3.4：建立调和装置的物料平衡方程；
调和装置物料平衡方程表示侧线产品，二级炼油装置产品和添加剂调和出最终成品油产品，如下公式所示：
其中，p*表示最终产品，FP表示最终产品集合，a表示油品调和添加剂，AV表示油品调和的添加剂集合，表示工况m周期t需求场景s下最终成品油产品p*的产量，表示组分油p”用于调和的量，表示添加剂a在工况m周期t需求场景s下的加入量；
步骤3.5：建立成品油调和的组分平衡方程；
成品油调和的组分平衡方程如下公式所示：
其中，表示最终成品油产品p*物性c周期t需求场景s下所占比例。
步骤4：建立考虑需求随机的炼厂全流程多周期生产计划优化模型，目标是最大化炼厂全流程生产期望净利润，即产品期望总收入减去原料费用、生产和库存费用和加工能耗费用；满足生产与库存物料平衡和物性平衡，工艺操作约束，能耗限制，安全生产、炼厂最终产品需求和物性限制条件；
建立的考虑需求随机的炼厂全流程多周期生产计划优化模型如下：
考虑需求随机的炼厂生产计划控制目标为整个计划期上期望净利润最大化，如下公式所示：
其中，NPV表示多周期生产计划的期望净利润值，即产品期望总收益减去物料(原料、添加剂和公用工程)费用和装置操作费用(其中包括公用工程费用)，PBs表示场景s的发生概率，表示最终成品油产品p*的价值，Cotp和Cota分别表示原油p和添加剂a的单位费用，Bp,s,t表示在周期t场景s下原油p的采购量，表示常减压蒸馏装置工况m的单位加工费用，CoIp,t,表示原油和成品油产品的单位库存费用，Cotj,m表示装置j在工况m时单位生产费用系数，Ip,s,t和分别表示原油和最终成品油产品周期t需求场景s的库存量；
(2)考虑需求随机的炼厂生产计划方案需考虑的约束条件包括原油供应约束、库存约束、装置加工能力、公用工程能力约束；
原油采购量需要考虑原油供应量的上、下界约束，则场景s下原油p的采购量需要满足如下上、下界约束：
其中，表示原油p周期t供应量下界和上界；
炼厂需要考虑原油的安全库存储备，避免原油供应不足影响炼厂的连续性生产，每个生产周期场景s下总的原油采购量不低于设定的最低原油购买总量，如下公式所示：
其中，Btotal表示原油购买的最低下界量；
原油物料平衡方程为周期t场景s下原油p的库存量等于前一个周期的库存量加上原油购买量减去各工况加工原油p量之和，添加剂的物料平衡方程与原油的物料平衡方程类似，分别如下公式所示：
其中，Ip,s,t表示周期t场景s下原油p的库存量，IAa,s,t表示添加剂a生产周期t场景s下的库存量，BAa,s,t表示添加剂的购买量，表示生产周期t场景s下工况m的添加剂a使用量；
炼厂组分油产品的库存平衡方程，即周期t场景s下组分产品p"库存量等于初始库存量加上各工况生产量减去用于调和的组分油量，如下公式所示：
其中，表示周期t场景s下组分油产品p"的库存量；
炼厂成品油产品库存平衡方程中库存量等于周期t需求场景s下各方案的生产量之和减去成品油产品的需求量，如下公式所示：
其中，表示最终成品油产品p*的库存量，Dp*，s，t表示最终成品油产品p*周期t场景s下的需求量；
炼厂原油库存量需满足周期需求场景下原油的安全库存和库存能力约束，同样，炼厂的成品油库存量需满足同样的约束，如下公式所示：
其中，分别表示原油p的安全库存量和库存能力量，表示成品油产品p*的安全库存量和库存能力量；
原油的加工量需要满足如下约束条件：
其中，Xm,p,s,t表示生产控制变量，用于决策在加工周期t需求场景s下是否采用工况m加工原油p，如果采用，则变量Xm,p,s,t取值1，否则取值0；只有Xm,p,s,t变量取1时，Wm,p,s,t才有实际有意义的取值，否则Wm,p,s,t等于零；
常减压蒸馏装置加工物料能力约束，通过增加最低加工能力来保证装置的生产负荷不低于一定的阀值，常减压蒸馏装置和二次炼油装置的加工物料能力和最低加工量的限制条件如下公式所示：
其中，和分别表示常减压蒸馏装置加工物料能力的上下限，分别表示二次炼油装置j加工物料能力的上下限；
炼厂最终成品油产品需要满足物性参数标准，如硫和芳潜含量，如下公式所示：
其中，表示成品油产品p*的物性参数c的上界；
炼厂生产全流程需要公用工程的保障，需要考虑公用工程的能力限制以及炼厂生产能耗的控制，如下公式所示：
其中，u表示公用工程，UDm,s,t,u表示周期t需求场景s下常减压蒸馏装置工况m时公用工程u的单位消耗，URj,s,t,u表示二次炼油装置j工况m时公用工程u的单位消耗，表示公用工程u在周期t的能力上界；
考虑随机需求的炼厂生产计划决策需要满足的范围约束如下公式所示：
本实施例中，基于步骤1、2给定的参数数据，建立考虑90#清洁汽油需求随机的炼厂多周期生产计划优化数学模型，即将参数带入到模型方程(1)-(24)。
步骤5：采用改进的外部近似算法求解步骤4建立的炼厂全流程多周期生产计划优化模型，获得炼厂全流程多周期的生产计划方案；所述炼厂全流程多周期的生产计划方案包括各需求场景下各生产周期原油的购买、加工量，全流程网络中的流量，设备的生产负荷，综合能耗，各组分油的产量和物性，成品油的调和方案和调和量，成品油的产量和物性；
考虑需求随机的炼厂生产计划优化的数学模型是混合整数非线性规划(MixedInteger Nonlinear Programming,MINLP)模型，既包含整数计划决策变量(原油种类和生产工况的选择)，连续决策变量(各种原油各生产工况下的加工量，侧线产品悬摆比例，库存量，调合比例，成品油产量和关键物性)，又有非线性的约束方程(悬摆产品物料平衡和产品物性平衡方程)。同时需求场景带来问题规模的增大。利用现有的MINLP求解方法求解存在算法收敛慢，或者找不到一个原问题的较好可行方案等情况。针对该问题模型特点，设计了如图3所示的改进的外部近似(OuterApproximation)算法用于求解具有实际问题规模的这类复杂问题。具体步骤如下：
步骤5.1：将炼厂全流程多周期生产计划优化模型分解成两个问题模型：1个主问题模型和1个子问题模型；主问题模型的目标函数同原优化模型的目标函数方程(12)，即最大化生产期望净利润，针对非线性约束(2),(3),(9),(11)进行线性近似：即在给定 这些决策变量值上进行一阶近似展开，如下公式所示：
其中，k表示迭代次数；
为了去除前k-1次迭代中已求解获得的生产控制方案，减少总求解迭代次数，增加如下约束条件：
其中，表示已获得的原料p在周期t场景s的加工方案；
进而，主问题模型包括约束方程(1)，(4)-(8)，(10)，(12)-(32)；
子问题模型为给定情况下的优化模型，即为确定参数的整体问题模型，包含约束方程(1)-(26)；
步骤5.2：设定外部近似算法求解的最大迭代次数为NT，按照上一个生产周期的计划，初始化原油p的加工模式，即确定初始生产控制变量
步骤5.3：给定下得到子问题的数学模型，其只包含连续决策变量，为非线性规划问题(Nonlinear Programming，NLP)；利用NLP求解器求解子问题模型，得到一个炼厂的期望生产计划方案，确定炼油装置各生产方案下的加工量，各成品油产品和质量，公用工程消耗总量，并将当前的生产计划方案和期望净利润值存储到最优计划方案；
步骤5.4：根据给定的生成整数解去除约束(32)，并将其添加到主问题模型中，该主问题模型为混合整数线性规划问题(Mixed Integer Programming,MILP)，利用MILP求解器求解，设置MILP解池，得到N个新的生产模式方案；
步骤5.5：给定N个生产模式方案下得到N个子问题模型；利用NLP求解器同时求解N个子问题模型，得到N个炼厂生产计划方案和期望净利润值，从而得到期望目标净利润值最大的生产计划方案及原油购买计划；
步骤5.6：如果最大目标净利润值比当前最优优化方案的期望净利润值大，则用最大目标净利润值对应的计划方案和生产模式选择方案替换当前的最优计划方案，否则不替换；迭代次数加1，判断迭代次数是否达到最大迭代次数NT，如果达到，则设计的外部近似算法终止，当前最优期望计划方案即为考虑随机需求的炼厂全流程生产计划方案和对应的期望净利润值NPV；否则重新执行步骤5.4；
本实施例中，采用改进的外部近似算法求解步骤4获得的模型(1)-(24)，初始加工方案设为各个周期每种原油平均加工50吨，均分到炼油一次装置的各个生产模式加工量，计算获得最优的生产净利润，作为生产计划优化方案的一个上界；初始生产方案的解作为给定点，代入公式(27)-(31)，获得(2)、(3)、(9)和(11)的线性形式，从而构造出混合整数线性规划的主问题，包含方程(1)、(4)-(8)、(10)、(12)-(31)。通过求解主问题获得各个场景和周期下加工原油种类的方案以及期望目标函数的下界，前者用来生成新的子问题，外部近似算法迭代直至满足收敛条件，即期望目标函数的上下界相对偏差满足偏差要求。当前期望净利润最高的上界对应的解即为最优期望生产计划方案。
本实施例通过改进的外部近似算法求解获得各个需求场景下炼厂生产计划优化方案。各个周期优化选择的期望原油加工种类和加工量见表5，成品油产品期望生产量见表6。
表5原油计划加工量(百吨)
| 原油种类 | 周期1 | 周期2 | 周期3 | 周期4 | 周期5 | 合计 |
| 原油I | 0 | 0 | 0 | 0 | 0 | 0 |
| 原油II | 100.00 | 80.00 | 100.00 | 90.00 | 70.00 | 440.00 |
| 原油III | 0 | 71.29 | 0 | 46.20 | 101.01 | 218.50 |
| 原油IV | 100.00 | 80.00 | 100.00 | 90.00 | 70.00 | 440.00 |
| 原油V | 180.00 | 144.00 | 180.00 | 162.00 | 126.00 | 792.00 |
| 合计 | 380.00 | 375.29 | 380.00 | 388.20 | 367.01 | 1890.50 |
表6炼厂产品期望计划产量(百吨)
| 成品油种类 | 周期1 | 周期2 | 周期3 | 周期4 | 周期5 | 合计 |
| 90#清洁汽油 | 25.30 | 27.60 | 30.40 | 33.10 | 35.60 | 152.00 |
| 93#清洁汽油 | 89.30 | 92.12 | 89.30 | 95.67 | 90.24 | 456.63 |
| 航煤 | 30.00 | 30.00 | 30.00 | 30.00 | 30.51 | 150.51 |
| -10#普通柴油 | 15.00 | 15.00 | 15.00 | 15.00 | 15.00 | 75.00 |
| 00#普通柴油 | 15.00 | 15.00 | 15.00 | 15.00 | 15.00 | 75.00 |
| 20#重柴油 | 93.50 | 92.47 | 93.50 | 96.50 | 90.00 | 465.97 |
| 化工轻油 | 5.00 | 5.00 | 5.00 | 5.00 | 5.00 | 25.00 |
| 250#燃料油 | 12.52 | 11.65 | 12.52 | 12.33 | 11.10 | 60.12 |
| 合计 | 285.62 | 288.84 | 290.72 | 302.60 | 292.45 | 1460.23 |
步骤6：针对步骤5得到的炼厂全流程多周期的生产计划方案进行分析，判断生产计划方案的可执行性；
基于全流程多周期生产计划优化模型获得生产计划方案，同时得到各种资源约束的期望影子价格；针对影子价格最高的几类资源，进行灵敏度分析，给出当前优化方案对应的关键参数的允许变化范围，保证期望计划方案的可执行性；当全流程多周期生产计划优化模型的影响数据变化超出允许区间时，返回到步骤4，重新生成全流程多周期生产计划优化模型，计算获得新的生成计划方案；
本实施例中，分析获得的炼厂生产计划优化方案为，性价比高的原油II、原油VI和原油V被优先选择加工，当这三种原油不足时，原油III被选择加工，原油I由于性价比过低而没有被选择。从产品产量来看，93#汽油和20#重柴油的产量高于产品需求量，与他们的市场价格和生产成本密切相关。本实施例针对本发明提出的考虑随机需求的炼厂生产计划模型的优化结果进行边际效益分析，生产设备中减压塔的边际效益值较高，即扩大减压塔的生产能力会帮助提高炼厂的生产效益。原油的供应在前4个生产周期都是充足的，第5个生产周期原油II、原油IV和原油V的供应存在较高的边际效益，特别是原油II，增加这三种原油的购买量会提高炼厂的生产净利润。
步骤7：将得到的炼厂全流程多周期的生产计划方案传输给生产管理部门，实现对炼油多周期生产计划的有效管理。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (5)
1.一种考虑成品油随机需求的多周期生产计划方案的制定方法，其特征在于：
获取炼厂全流程生产、物料与能耗数据以及成品油市场需求的历史数据；
构建成品油产品需求的场景树；
建立常减压蒸馏装置、二次炼油装置和调和装置的物料平衡方程；
建立考虑需求随机的炼厂全流程多周期生产计划优化模型，最大化炼厂全流程生产期望净利润；
求解建立的炼厂全流程多周期生产计划优化模型，获得炼厂全流程多周期的生产计划方案；
所述方法具体包括以下步骤：
步骤1：获取炼厂生产流程，构建炼厂生产的超结构网络，获取炼厂全流程生产、物料与能耗数据，获取炼厂成品油市场需求的历史数据；
步骤2：基于炼厂成品油市场需求的历史数据，构建成品油产品需求的场景树，即利用场景树的场景节点值和发生概率来表示成品油的需求不确定性；
整理炼厂成品油的需求数据集合D，利用K均值聚类算法，预先设定聚类个数K，从数据集合D中随机选取K个数据为聚类中心，计算其他点到当前K个聚类中心的距离，选取距离最近的聚类中心进行聚类，直至所有数据都聚合到K个聚类中心，重新计算新的聚类中心，即一个类中所有点的均值作为新的聚类中心，重复迭代，直至聚类集合无变化；各聚类中心和该聚类中包含的数据个数占数据总数的百分比作为表示成品油需求数据的场景树节点值，即需求量和对应的需求概率；
步骤3：基于最终成品油产品需求的场景树和炼厂实际生产数据，回归拟合出炼油生产和调和装置的产品收率参数，建立常减压蒸馏装置、二次炼油装置和调和装置的物料平衡方程，用于表示炼油生产和调和装置的输入与输出物料数量和物性组分关系；
步骤3.1、通过对炼厂的实际生产数据的回归拟合，建立炼油生产和调和装置的物料与物性平衡方程；基于原油的侧线产品收率，常减压蒸馏装置不同工况下侧线产品的收率，装置当前的状态对侧线产品收率的影响，通过线性回归模型获得不同种类原油在不同工况下的侧线产品收率参数；
步骤3.2：建立常减压蒸馏装置的物料与物性平衡方程；
常减压蒸馏装置生产的侧线产品包括固定的侧线产品和可调控的悬摆侧线产品，固定侧线产品的生产物料平衡方程为固定侧线产品产量等于加工原油量与该侧线产品的收率乘积再对加工原油种类求和，即
其中，p表示加工的原油，p’表示侧线产品，l表示常减压蒸馏装置生产的侧线产品，m表示常减压蒸馏装置工况，s表示需求场景，t表示生产周期，LO表示固定侧线产品集合，αl,m,p表示原油p在常减压蒸馏装置工况m时侧线产品l的平均收率，Vm,p’,s,t表示生产周期t需求场景s工况m下侧线产品p’的生产量，Wm,p,s,t表示周期t场景s工况m下原油p的加工量；
可调控的悬摆侧线产品是指侧线产品按照调控比例分别向相邻上或下侧线悬摆，因此悬摆侧线产品的相邻侧线产品量等于自身侧线产量加上悬摆过来的侧线产品量，如下公式所示：
其中，Rl,m,p,s表示场景s下原油p在常减压蒸馏装置工况m时悬摆侧线产品l的向上悬摆比例，LS表示可调控的悬摆侧线集合，ULl+1表示悬摆侧线产品l的上邻侧线产品；ULl-1表示悬摆侧线产品l的下邻侧线产品，悬摆比例Rl,m,p,s在生产工艺限制范围内进行调控决策；Rm,l和分别表示工况m下侧线产品l∈LS悬摆比例的上界和下界；
常减压蒸馏生产装置混流方程，即不同工况生产出的同种类产品进行混合，作为下游生产装置的输入流，如下公式所示：
其中，表示侧线产品p’周期t内需求场景s下的总生产量；
常减压蒸馏装置的物性平衡方程为加工量乘以物性比例再乘以侧线收率等于侧线产品的产量乘以该物性的比例，如下公式所示：
其中，CR表示原油种类集合，表示原油p物性c的参数比例，表示侧线产品p’的物性参数比例；
常减压蒸馏装置生产出的侧线产品通过分流，分别供应给下游工序进行加工，或者作为组分油进行调和，物料平衡关系如下公式所示：
其中，Fj,m,p’,s,t表示二次炼油装置j工况m周期t需求场景s下侧线产品p’的加工量，表示生产方案m周期t需求场景s下侧线产品p’直接作为组分产品的量；
步骤3.3：建立二次炼油装置的物料与物性平衡方程；
二次炼油装置输入与输出物料间的平衡方程如下公式所示：
其中，j表示二次炼油装置，βj,m,p',p”表示二次炼油装置j在工况m时加工侧线产品p’产出p”的收率，p”表示组分油产品，CP表示组分油产品集合，Qj,m,p”,s,t表示二次炼油装置j工况m周期t需求场景s下产出组分油产品p”的量；
二次炼油装置的物性平衡方程如下公式所示：
其中，c表示产品的物性，表示周期t需求场景s下组分油产品p”中物性c的比例；
步骤3.4：建立调和装置的物料平衡方程；
调和装置物料平衡方程表示侧线产品，二级炼油装置产品和添加剂调和出最终成品油产品，如下公式所示：
其中，p*表示最终产品，FP表示最终产品集合，a表示油品调和添加剂，AV表示油品调和的添加剂集合，表示工况m周期t需求场景s下最终成品油产品p*的产量，表示组分油p”用于调和的量，表示添加剂a在工况m周期t需求场景s下的加入量；
步骤3.5：建立成品油调和的组分平衡方程；
成品油调和的组分平衡方程如下公式所示：
其中，表示最终成品油产品p*物性c周期t需求场景s下所占比例。
步骤4：建立考虑需求随机的炼厂全流程多周期生产计划优化模型，目标是最大化炼厂全流程生产期望净利润，即产品期望总收入减去原料费用、生产和库存费用和加工能耗费用；满足生产与库存物料平衡和物性平衡，工艺操作约束，能耗限制，安全生产、炼厂最终产品需求和物性限制条件；
建立的考虑需求随机的炼厂全流程多周期生产计划优化模型如下：
考虑需求随机的炼厂生产计划控制目标为整个计划期上期望净利润最大化，如下公式所示：
其中，NPV表示多周期生产计划的期望净利润值，即产品期望总收益减去物料费用和装置操作费用，PBs表示场景s的发生概率，Valp*表示最终成品油产品p*的价值，Cotp和Cota分别表示原油p和添加剂a的单位费用，Bp,s,t表示在周期t场景s下原油p的采购量，表示常减压蒸馏装置工况m的单位加工费用，CoIp,t,CoIp*,t表示原油和成品油产品的单位库存费用，Cotj,m表示装置j在工况m时单位生产费用系数，Ip,s,t和分别表示原油和最终成品油产品周期t需求场景s的库存量；
考虑需求随机的炼厂生产计划方案需考虑的约束条件包括原油供应约束、库存约束、装置加工能力、公用工程能力约束；
原油采购量需要考虑原油供应量的上、下界约束，则场景s下原油p的采购量需要满足如下上、下界约束：
其中，表示原油p周期t供应量下界和上界；
炼厂需要考虑原油的安全库存储备，避免原油供应不足影响炼厂的连续性生产，每个生产周期场景s下总的原油采购量不低于设定的最低原油购买总量，如下公式所示：
其中，Btotal表示原油购买的最低下界量；
原油物料平衡方程为周期t场景s下原油p的库存量等于前一个周期的库存量加上原油购买量减去各工况加工原油p量之和，添加剂的物料平衡方程与原油的物料平衡方程类似，分别如下公式所示：
其中，Ip,s,t表示周期t场景s下原油p的库存量，IAa,s,t表示添加剂a生产周期t场景s下的库存量，BAa,s,t表示添加剂的购买量，表示生产周期t场景s下工况m的添加剂a使用量；
炼厂组分油产品的库存平衡方程，即周期t场景s下组分产品p"库存量等于初始库存量加上各工况生产量减去用于调和的组分油量，如下公式所示：
其中，表示周期t场景s下组分油产品p"的库存量；
炼厂成品油产品库存平衡方程中库存量等于周期t需求场景s下各方案的生产量之和减去成品油产品的需求量，如下公式所示：
其中，表示最终成品油产品p*的库存量，Dp*,s,t表示最终成品油产品p*周期t场景s下的需求量；
炼厂原油库存量需满足周期需求场景下原油的安全库存和库存能力约束，同样，炼厂的成品油库存量需满足同样的约束，如下公式所示：
其中，分别表示原油p的安全库存量和库存能力量，表示成品油产品p*的安全库存量和库存能力量；
原油的加工量需要满足如下约束条件：
其中，Xm,p,s,t表示生产控制变量，用于决策在加工周期t需求场景s下是否采用工况m加工原油p，如果采用，则变量Xm,p,s,t取值1，否则取值0；只有Xm,p,s,t变量取1时，Wm,p,s,t才有实际有意义的取值，否则Wm,p,s,t等于零；
常减压蒸馏装置加工物料能力约束，通过增加最低加工能力来保证装置的生产负荷不低于一定的阀值，常减压蒸馏装置和二次炼油装置的加工物料能力和最低加工量的限制条件如下公式所示：
其中，和分别表示常减压蒸馏装置加工物料能力的上下限，分别表示二次炼油装置j加工物料能力的上下限；
炼厂最终成品油产品需要满足物性参数标准，如下公式所示：
其中，表示成品油产品p*的物性参数c的上界；
炼厂生产全流程需要公用工程的保障，需要考虑公用工程的能力限制以及炼厂生产能耗的控制，如下公式所示：
其中，u表示公用工程，UDm,s,t,u表示周期t需求场景s下常减压蒸馏装置工况m时公用工程u的单位消耗，URj,s,t,u表示二次炼油装置j工况m时公用工程u的单位消耗，表示公用工程u在周期t的能力上界；
考虑随机需求的炼厂生产计划决策需要满足的范围约束如下公式所示：
步骤5：采用改进的外部近似算法求解步骤4建立的炼厂全流程多周期生产计划优化模型，获得炼厂全流程多周期的生产计划方案；所述炼厂全流程多周期的生产计划方案包括各需求场景下各生产周期原油的购买、加工量，全流程网络中的流量，设备的生产负荷，综合能耗，各组分油的产量和物性，成品油的调和方案和调和量，成品油的产量和物性；
步骤6：针对步骤5得到的炼厂全流程多周期的生产计划方案进行分析，判断生产计划方案的可执行性；
步骤7：将得到的炼厂全流程多周期的生产计划方案传输给生产管理部门，实现对炼油多周期生产计划的有效管理。
2.根据权利要求1所述的考虑成品油随机需求的多周期生产计划方案的制定方法，其特征在于：所述构建炼厂生产的超结构网络的具体方法为：将炼厂的生产流程，包括生产任务、装置及连接关系，用超结构网络来表示，即用圆圈表示侧线产品、组分油产品以及成品油产品，用矩形表示生产装置，用有向弧表示物料流加工流程。
3.根据权利要求2所述的考虑成品油随机需求的多周期生产计划方案的制定方法，其特征在于：步骤1所述炼厂全流程生产、物料与能耗数据包括：
1)物料数据；各原油供应时间段和供应能力，原油的收率、含硫率和辛烷值，计划期开始时的库存量；中间产品的初始库存量、含硫率和辛烷值；产品的初始库存量、需求量、含硫率和辛烷值要求限制；
2)生产设备数据；炼厂生产流程网络，各生产设备的加工能力、工况信息和操作条件，物料平衡方程，装置的综合能耗数据；各种存储罐能力限制；
3)公用工程数据；电、蒸汽和燃料各项的能力限制，综合能耗限制；
4)经济数据；原油、成品油、添加剂价格，公用工程外购价格；
5)计划周期数据：计划展望期，每个计划周期的长度，计划周期个数。
4.根据权利要求3所述的考虑成品油随机需求的多周期生产计划方案的制定方法，其特征在于：所述步骤5的具体方法为：
步骤5.1：将炼厂全流程多周期生产计划优化模型分解成两个问题模型：1个主问题模型和1个子问题模型；主问题模型的目标函数同原优化模型的目标函数方程(12)，即最大化生产期望净利润，针对非线性约束(2),(3),(9),(11)进行线性近似：即在给定 这些决策变量值上进行一阶近似展开，如下公式所示：
其中，k表示迭代次数；
为了去除前k-1次迭代中已求解获得的生产控制方案，减少总求解迭代次数，增加如下约束条件：
其中，表示已获得的原料p在周期t场景s的加工方案；
进而，主问题模型包括约束方程(1)，(4)-(8)，(10)，(12)-(32)；
子问题模型为给定情况下的优化模型，即为确定参数的整体问题模型，包含约束方程(1)-(26)；
步骤5.2：设定外部近似算法求解的最大迭代次数为NT，按照上一个生产周期的计划，初始化原油p的加工模式，即确定初始生产控制变量
步骤5.3：给定下得到子问题的数学模型，其只包含连续决策变量，为非线性规划问题NLP；利用NLP求解器求解子问题模型，得到一个炼厂的期望生产计划方案，确定炼油装置各生产方案下的加工量，各成品油产品和质量，公用工程消耗总量，并将当前的生产计划方案和期望净利润值存储到最优计划方案；
步骤5.4：根据给定的生成整数解去除约束(32)，并将其添加到主问题模型中，该主问题模型为混合整数线性规划问题MILP，利用MILP求解器求解，设置MILP解池，得到N个新的生产模式方案；
步骤5.5：给定N个生产模式方案下得到N个子问题模型；利用NLP求解器同时求解N个子问题模型，得到N个炼厂生产计划方案和期望净利润值，从而得到期望目标净利润值最大的生产计划方案及原油购买计划；
步骤5.6：如果最大目标净利润值比当前最优优化方案的期望净利润值大，则用最大目标净利润值对应的计划方案和生产模式选择方案替换当前的最优计划方案，否则不替换；迭代次数加1，判断迭代次数是否达到最大迭代次数NT，如果达到，则设计的外部近似算法终止，当前最优期望计划方案即为考虑随机需求的炼厂全流程生产计划方案和对应的期望净利润值NPV；否则重新执行步骤5.4。
5.根据权利要求4所述的考虑成品油随机需求的多周期生产计划方案的制定方法，其特征在于：所述步骤6的具体方法为：
基于全流程多周期生产计划优化模型获得生产计划方案，同时得到各种资源约束的期望影子价格；针对影子价格最高的几类资源，进行灵敏度分析，给出当前优化方案对应的关键参数的允许变化范围，保证期望计划方案的可执行性；当全流程多周期生产计划优化模型的影响数据变化超出允许区间时，返回到步骤4，重新生成全流程多周期生产计划优化模型，计算获得新的生成计划方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111559421.4A CN114237183B (zh) | 2021-12-20 | 2021-12-20 | 考虑成品油随机需求的多周期生产计划方案的制定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111559421.4A CN114237183B (zh) | 2021-12-20 | 2021-12-20 | 考虑成品油随机需求的多周期生产计划方案的制定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114237183A CN114237183A (zh) | 2022-03-25 |
| CN114237183B true CN114237183B (zh) | 2024-04-30 |
Family
ID=80758844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111559421.4A Active CN114237183B (zh) | 2021-12-20 | 2021-12-20 | 考虑成品油随机需求的多周期生产计划方案的制定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114237183B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819577A (zh) * | 2022-04-18 | 2022-07-29 | 杭州昌邦科技有限公司 | 面向市场需求不确定性的生产计划与调度集成优化方法 |
| CN115829426A (zh) * | 2023-02-16 | 2023-03-21 | 浙江中控技术股份有限公司 | 生产计划方案制定方法及装置 |
| CN117114781B (zh) * | 2023-10-23 | 2024-07-16 | 中国石油天然气股份有限公司 | 原油加工方案的确定方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN101344781A (zh) * | 2008-06-30 | 2009-01-14 | 东北大学 | 一种冷轧热镀锌机组板卷自动调度方法及系统 |
| CN103676855A (zh) * | 2013-11-27 | 2014-03-26 | 北京中润零碳节能技术有限公司 | 生产控制方法及系统 |
| 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 |
| WO2018151955A1 (en) * | 2017-02-20 | 2018-08-23 | Conocophillips Company | Rock mechanical properties from drill cuttings |
| WO2019041857A1 (zh) * | 2017-09-04 | 2019-03-07 | 东南大学 | 一种基于场景分析的含分布式电源配电网运行状态预测方法 |
| CN111598306A (zh) * | 2020-04-22 | 2020-08-28 | 汉谷云智(武汉)科技有限公司 | 一种炼油厂生产计划优化方法及装置 |
| CN112487608A (zh) * | 2020-11-04 | 2021-03-12 | 杭州电子科技大学 | 一种应用于炼油厂原油处理短期生产优化调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170148111A1 (en) * | 2015-11-23 | 2017-05-25 | Exxonmobil Research And Engineering Company | Analytic framework for raw material valuation process under market uncertainties |
-
2021
- 2021-12-20 CN CN202111559421.4A patent/CN114237183B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN101344781A (zh) * | 2008-06-30 | 2009-01-14 | 东北大学 | 一种冷轧热镀锌机组板卷自动调度方法及系统 |
| CN103676855A (zh) * | 2013-11-27 | 2014-03-26 | 北京中润零碳节能技术有限公司 | 生产控制方法及系统 |
| 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 |
| WO2018151955A1 (en) * | 2017-02-20 | 2018-08-23 | Conocophillips Company | Rock mechanical properties from drill cuttings |
| WO2019041857A1 (zh) * | 2017-09-04 | 2019-03-07 | 东南大学 | 一种基于场景分析的含分布式电源配电网运行状态预测方法 |
| CN111598306A (zh) * | 2020-04-22 | 2020-08-28 | 汉谷云智(武汉)科技有限公司 | 一种炼油厂生产计划优化方法及装置 |
| CN112487608A (zh) * | 2020-11-04 | 2021-03-12 | 杭州电子科技大学 | 一种应用于炼油厂原油处理短期生产优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114237183A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Yang et al. | Optimization on emission permit trading and green technology implementation under cap-and-trade scheme | |
| Su et al. | Analyzing a closed-loop supply chain considering environmental pollution using the NSGA-II | |
| Yang et al. | Integration of crude-oil scheduling and refinery planning by Lagrangean Decomposition | |
| CN102768513B (zh) | 基于智能决策的炼油生产过程调度优化方法 | |
| CN106991539A (zh) | 一种能源系统优化调度方法及装置 | |
| Finon | Optimisation model for the French energy sector | |
| Xia et al. | Optimal selective maintenance scheduling for series–parallel systems based on energy efficiency optimization | |
| CN106503814B (zh) | 一种计及可靠性的配电变压器组年度检修计划生成方法 | |
| Li et al. | Optimization model for a thermochemical biofuels supply network design | |
| Jin et al. | Multidivisional planning model for energy, water and environment considering synergies, trade-offs and uncertainty | |
| CN109272148A (zh) | 煤化工园区集成水资源和排污权分配的二层决策优化方法 | |
| Bayu et al. | Scheduling of gasoline blending and distribution using graphical genetic algorithm | |
| Li et al. | Development and challenges of planning and scheduling for petroleum and petrochemical production | |
| Behera et al. | Solution of multi-objective mathematical programming problems in fuzzy approach | |
| CN104611000A (zh) | 一种提高大型乙烯裂解炉作业效率的生产批调度控制方法 | |
| CN104077231A (zh) | 基于符号动力学和ls-svm的变压器维护优化方法 | |
| CN116843052A (zh) | 一种炼厂生产计划的多目标优化方法 | |
| Albahri et al. | A mixed integer nonlinear programming approach for petroleum refinery topology optimisation | |
| Oliveira et al. | An input-output model for decision support in energy-economy planning-A multiobjective interactive approach | |
| Rabbani et al. | An economic analysis for integrated bi-objective biofuel supply chain design using support vector machine | |
| Arjomandi et al. | Selecting maintenance strategy in a combined cycle power plant: An AHP model utilizing BOCR technique | |
| Elsaghier | Planning and optimising of petroleum industry supply chain and logistics under uncertainty | |
| Su et al. | Modeling and Optimization of Stochastic Scheduling for Refinery Processes | |
| Castillo et al. | Inventory pinch based multi-scale model for refinery production planning |
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 |