CN117114742B - 炼油厂生产运营数据处理方法及装置 - Google Patents
炼油厂生产运营数据处理方法及装置 Download PDFInfo
- Publication number
- CN117114742B CN117114742B CN202311376823.XA CN202311376823A CN117114742B CN 117114742 B CN117114742 B CN 117114742B CN 202311376823 A CN202311376823 A CN 202311376823A CN 117114742 B CN117114742 B CN 117114742B
- Authority
- CN
- China
- Prior art keywords
- solution
- integer
- branch
- boundary
- parameters
- 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 103
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 115
- 238000005457 optimization Methods 0.000 claims abstract description 106
- 239000003921 oil Substances 0.000 claims description 59
- 239000010779 crude oil Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000003672 processing method Methods 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000011112 process operation Methods 0.000 claims 1
- 239000000463 material Substances 0.000 description 48
- 238000010586 diagram Methods 0.000 description 12
- 238000005496 tempering Methods 0.000 description 10
- 230000000704 physical effect Effects 0.000 description 8
- 238000002156 mixing Methods 0.000 description 5
- 239000003208 petroleum Substances 0.000 description 5
- 239000002994 raw material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- -1 density Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Feedback Control In General (AREA)
Abstract
本发明为一种炼油厂生产运营数据处理方法及装置,该方法包括:确定炼油厂生产运营参数;参数包括整数参数;根据整数参数建立整数参数约束函数;根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;确定多个分支链在预先建立的利润优化模型的边界解;遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值,本发明能够提升在炼油厂利润最大化的目标下,确定炼油厂生产运营参数取值的效率,降低运算量。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及炼油厂生产运营数据处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
石油炼油厂简称为炼厂或炼油厂,以石油为主要原料,经过多种物理和化学反应得到各种石油产品。在炼油厂面临的众多约束条件下,优选出可行且能提高炼油厂盈利能力的方案,对炼油厂生产运营过程进行优化,能够使炼油厂更好的适应生产经营形势的快速变化,在保证炼油厂装置顺畅运行的同时提高企业的竞争力。
在炼油厂运营优化中,原油的种类、加工的工序和生产的产品繁多,导致优化方案的变量数目庞大,使得优化问题难以求解。此外,在石油的炼化过程中,涉及许多物理化学反应,其相对应的数学约束为了符合物理化学规律,多为非凸非线性约束,并且在加工装置的建模过程中涉及装置启停和采购批次等整数相关约束,使得炼油厂优化问题变成混合非线性整数规划问题(MINLP,Mixed Integer Nonlinear Programming),极大地增加了求解难度。并且,在实际问题中,对于炼油厂的优化一般要求为实时优化,需要相应优化算法有比较快的响应速度。结合 MINLP 的求解复杂度,算法求解效率是炼油厂优化问题的核心瓶颈。常规的炼油厂生产运营数据处理方法存在步骤冗杂,炼油厂生产运营参数取值的确定效率较低等问题。
发明内容
本发明实施例提供一种炼油厂生产运营数据处理方法,用以提升在炼油厂利润最大化的目标下,确定炼油厂生产运营参数取值的效率,降低运算量,该方法包括:
确定炼油厂生产运营参数;炼油厂生产运营参数包括整数参数;整数参数包括:装置启停整数参数、原油采购批次整数参数;
根据整数参数建立多个整数参数约束函数;整数参数约束函数包括:整数参数在炼油厂生产运营流程中应用的时间先后顺序;
根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;
根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及预先设置的整数参数的取值顺序建立;每个分支链划分为多个分支,其中每个分支包括在所述分支链对应的整数参数约束函数约束下的一种整数参数的取值集合,各分支之间取值集合不同;
利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;利润优化模型是以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立;
遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;
根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值;
利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解,包括:从多个分支链中确定一待求解分支链;确定待求解分支链中每一分支在利润优化模型的可行解;对于已经求解的当前分支,若当前分支的可行解中的最优解为整数解但小于或等于存储的下边界解的情形,或,若当前分支的可行解中的最优解为非整数解但小于或等于存储的下边界解的情形,从待求解分支链中,将该当前分支进行剪枝;
遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化,包括:对所有分支链进行遍历,如果求解得到的当前分支链的边界解优于求解得到的前一分支链的边界解,则用当前分支链的边界解替换前一分支链的边界解,继续进行遍历;如果求解得到的当前分支链的边界解不优于求解得到的前一分支链的边界解,则继续进行遍历;直至求解完所有分支链的边界解。
本发明实施例还提供一种炼油厂生产运营数据处理装置,用以提升在炼油厂利润最大化的目标下,确定炼油厂生产运营参数取值的效率,降低运算量,该装置包括:
参数确定模块,用于确定炼油厂生产运营参数;炼油厂生产运营参数包括整数参数;整数参数包括:装置启停整数参数、原油采购批次整数参数;
约束函数建立模块,用于根据整数参数建立多个整数参数约束函数;整数参数约束函数包括:整数参数在炼油厂生产运营流程中应用的时间先后顺序;
序列表建立模块,用于根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;
分支链确定模块,用于根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及预先设置的整数参数的取值顺序建立;每个分支链划分为多个分支,其中每个分支包括在所述分支链对应的整数参数约束函数约束下的一种整数参数的取值集合,各分支之间取值集合不同;
边界解确定模块,用于利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;利润优化模型是以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立;
优化模块,用于遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;
参数取值确定模块,用于根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值;
边界解确定模块,具体用于从多个分支链中确定一待求解分支链;确定待求解分支链中每一分支在利润优化模型的可行解;对于已经求解的当前分支,若当前分支的可行解中的最优解为整数解但小于或等于存储的下边界解的情形,或,若当前分支的可行解中的最优解为非整数解但小于或等于存储的下边界解的情形,从待求解分支链中,将该当前分支进行剪枝;
优化模块,具体用于对所有分支链进行遍历,如果求解得到的当前分支链的边界解优于求解得到的前一分支链的边界解,则用当前分支链的边界解替换前一分支链的边界解,继续进行遍历;如果求解得到的当前分支链的边界解不优于求解得到的前一分支链的边界解,则继续进行遍历;直至求解完所有分支链的边界解。
本发明实施例中,通过确定炼油厂生产运营参数;炼油厂生产运营参数包括整数参数;
根据整数参数建立多个整数参数约束函数;整数参数约束函数包括:整数参数在炼油厂生产运营流程中应用的时间先后顺序;根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及取值在炼油厂生产运营流程中应用的时间先后顺序建立;利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;利润优化模型是以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立;遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值,与现有技术相比,能够提升在炼油厂利润最大化的目标下,确定炼油厂生产运营参数取值的效率,降低运算量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例提供的炼油厂生产运营数据处理方法的流程图;
图2为本发明实施例提供的分支链的示意图;
图3为本发明实施例提供的炼油厂生产运营数据处理方法的具体实例的流程图;
图4为本发明实施例提供的炼油厂生产运营数据处理方法的具体实例的流程图;
图5为本发明实施例提供的炼油厂生产运营数据处理装置的示意图;
图6为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1为本发明实施例提供的炼油厂生产运营数据处理方法的流程图,如图1所示,该方法可以包括如下步骤:
步骤101,确定炼油厂生产运营参数;炼油厂生产运营参数包括整数参数;
步骤102,根据整数参数建立多个整数参数约束函数;整数参数约束函数包括:整数参数在炼油厂生产运营流程中应用的时间先后顺序;
步骤103,根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;
步骤104,根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及取值在炼油厂生产运营流程中应用的时间先后顺序建立;
步骤105,利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;利润优化模型是以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立;
步骤106,遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;
步骤107,根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值。
在一个实施例中,可以获取炼油厂生产运营参数,基于参数构建约束函数,以及,基于参数、约束函数以及预设的目标函数,构建炼油厂的利润优化模型,其中,参数可以包括整数参数,目标函数为利润最大化函数。
本实施例中,作为一可选实施例,炼油厂生产运营参数包括但不限于:原油采购参数、原油加工参数、产品销售参数。其中,原油采购参数对应的原油采购开销、原油加工参数对应的原油加工开销为炼油厂的生产成本,产品销售参数对应的产品销售收入为炼油厂的销售收入。
炼油厂的利润为销售收入与生产成本的差值,目标函数为使销售收入与生产成本的差值最大化。
表1为炼油厂生产运营参数示意表。
表1
表1中,物料集合m={mc,mi,mb,mq,mr,ms}中的六个元素依次表示:原油、原油切割馏分、需要调和的物料、需要物性传递的物料、需要购买的物料和需要销售的物料。其中,原油切割馏分包括:常压馏分(ma)、常渣馏分(mrc)和减压馏分(mv)。装置集合e={bu,c,v,u,b,sa}中,六个元素依次表示:采购、常压装置、减压装置、二次装置、调和池和销售。
本实施例中,物性为物料的性质,如密度、硫含量、辛烷值等等。
本实施例中,对于同一产品,二次装置可以有多种生产方案,不同的生产方案具有不同的生产工艺以及不同的物料,生产方案的原料消耗(成本)和产品产出率(收入)与生产工艺和物料性质相关,因而,通过建立二次装置的多方案结构和delta-base结构进行表征。
本实施例中,参数的取值可以包括常量参数和变量参数,其中,对于变量参数,又可以分为整数变量参数,即整数参数,以及非整数变量参数,即连续变量参数。表2为本实施例的参数示意表。
表2
本实施例中,整数参数约束函数可以包括线性约束函数以及非线性约束函数。
在一些实施例中,线性约束函数包括但不限于:
常压装置的线性约束函数:
减压装置的线性约束函数:
调和过程的消耗量和产出量的线性约束函数:
二次装置中的加工方案的线性约束函数:
其中,WMe,m为装置e中物料m的量,WULe,ul为装置e中公用工程ul的量,WMb,mb为调和池b中调和的物料mb的量,为常压装置e中原油mc的组分m的切割收率,WMe,mc为常压装置e中待加工原油mc的量,/>为常压装置e中公用工程ul的单耗,/>为减压装置e中常渣mrc的减压馏分m的收率,XBb,mb,m为调和池b中调和物料mb使用的物料m的用量,为二次装置e中方案p的公用工程ul的单耗。
在一些实施例中,非线性约束函数包括但不限于:二次装置分方案物料量计算方程、物性上下限约束函数以及整数参数约束函数,其中
二次装置分方案物料量计算方程如下:
其中, WPMe,p,m为二次装置e中方案p的物料m的量, 为二次装置e中方案p的加工量,/>为二次装置e的方案p的物料m的收率,/>为二次装置e的方案p的delta-base结构d对应的原料mm的物性q的值,/>为二次装置e的方案p中受原料mm的性质q影响的delta-base结构的基准物性,/>为二次装置e的方案p的delta-base结构d中物料m的收率。
物性上下限约束函数具体包括:
其中,MatQuam,q为物料m的物性q的值, XBe,mb,m为调和池b中调和物料mb使用的物料m的量,WMb,mb为调和池b中调和物料mb的量,Ob,m为产出物料m的调和池b的集合。
在一些实施例中,整数参数约束函数具体包括:
装置启停整数参数约束函数:
对于炼油厂,并非所有装置都必须开工,对于需要启用的装置有相应的最低加工量要求,以防止运营方案中出现某装置的加工量小于最小阈值,装置启停整数参数约束函数如下:
其中,WMe,m为装置e中物料m的量,CapBie为装置e的启停,为0或1的整数变量,WCAPe为装置e的加工能力。
原油采购整数参数约束函数:
在炼油厂的原油采购中,选择的原油需满足批次量整数倍要求,且原油选择种类有上限,原油采购整数参数约束函数如下:
其中,WMe,m为装置e中物料m的量,WemBatche,m为装置e中物料m的批次数目,为装置e中物料m的单位批次量,WemBim为是否购买或销售物料m,WemBNDm为采购和销售时物料量上下限,WemBatchBndm为采购和销售时物料m的批次量数目上下限。
产品调和整数参数约束函数:
在炼油厂生产运营中,调和组分的量需满足批次量整数倍要求,且调和某一产品使用的物料的种类有上限,产品调和整数参数约束函数如下:
其中,BldWgtBib,mb,m为调和池b中物料m是否参与调和了mb,为调和池b中调和mb使用物料m的批次数目,BlendNummb为允许调和mb的物料数目的上限,XBb,mb,m为调和池b中调和物料mb使用的物料m的用量,M为预设的足够大的数,/>为调和池b中调和mb使用物料m的数量上下限,/>为调和池b中调和mb使用物料m的批次量的上下限,/>为调和池b中调和mb使用物料m的单位批次量。
本实施例中,作为一可选实施例,炼油厂的销售收入可表示为如下函数:
炼油厂的生产成本可表示为如下函数:
其中,为物料m的成本单价,/>公用工程ul的成本单价,Income为炼油厂的销售收入,/>为物料m的销售单价,/>为销售的物料m的量,/>为采购的物料m的量,WULe,ul为装置e中消耗的公用工程ul的量。
以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立利润优化模型,目标函数可表示为如下函数:
Max(Income-Pcost)
本实施例中,基于参数、约束函数以及目标函数,构建炼油厂的利润优化模型,在构建的利润优化模型中,包含有大量的物性平衡约束函数,以及,与加工装置启停和采购批次等整数相关的整数参数约束函数,求解难度大。下面通过对利润优化模型中的整数参数,依据生产运营顺序,进行赋值,以将利润优化模型转换为多个分支链,从而将利润优化模型中的整数参数约束函数转换为线性约束函数,有效降低求解利润优化模型所需的资源,能够大幅度提升利润优化模型的求解效率,进而提升了炼油厂生产运营的优化方案生成效率。
在步骤103的一实施例中,依据整数参数约束函数中包含的整数参数,按照该整数参数在炼油厂生产运营中出现的先后顺序,对整数参数进行排序,得到整数参数序列表。例如,假设在整数参数约束函数中,包含有10个整数参数,为X1-X10,假设10个整数参数在炼油厂生产运营中出现的顺序依次为:X1、X3、X5、X2、X4、X6、X8、X7、X9、X10,则构建的整数参数序列表为(X1、X3、X5、X2、X4、X6、X8、X7、X9、X10)。
在步骤104之前,预设整数参数的取值序列,可以依据预先设置的整数参数的取值顺序,对整数参数序列表中的整数参数分别进行赋值,基于每一整数参数序列表的赋值,确定利润优化模型对应的分支链,其中,每一分支链可以包含参数、约束函数以及目标函数,参数中的整数参数的值为整数参数序列表的赋值;
本实施例中,对于不同的整数参数,整数取值的范围会有不同,例如,对于装置启停整数参数,取值为1或0,其中,1表示启动装置,0表示停用装置,取值顺序为优先选用取值1;对于原油采购整数参数以及产品调和整数参数,取值为大于或等于1的整数,取值顺序可依据生产运营中确定,例如,优先选用取值3,并依据优先取值进行递增或递减。
步骤104,根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及取值在炼油厂生产运营流程中应用的时间先后顺序建立。
图2为本发明实施例提供的分支链的示意图。如图2所示,本实施例中,以整数参数序列表为(X1、X3、X5)为例,假设整数参数X1的取值顺序为3、2、4、1、5,整数参数X3的取值顺序为1、0,整数参数X5的取值顺序为0、1。由于整数参数X1的取值为5个,形成5个分支链,对于每个分支链,又包含有多个层级的分支,其中,层级数等于整数参数个数。例如,对于整数参数X1的取值为3的分支链,包含有两个层级的分支,分别为整数参数X3对应的层级分支以及整数参数X5对应的层级分支,因而,整数参数X1的取值为3的分支链包括的分支为:(3-1-0、3-1-1、3-0-0、3-0-1)。
在步骤105中,利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;本实施例中,以整数参数X1的取值为3的分支链为例,通过对整数参数赋值3,对利润优化模型进行松弛,从而将整数参数约束函数转化为线性约束函数,对利润优化模型进行求解,降低利润优化模型的求解难度以及求解运算量,从而提升利润优化模型的求解效率。
在步骤106中遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化。可以基于多个分支链中的其它分支链,对边界解进行优化,得到炼油厂生产运营的优化方案。
本实施例中,对所有分支链进行遍历,如果求解得到的当前分支链的边界解优于求解得到的前一分支链的边界解,则用当前分支链的边界解替换前一分支链的边界解,继续进行遍历;如果求解得到的当前分支链的边界解不优于求解得到的前一分支链的边界解,则继续进行遍历;直至求解完所有分支链的边界解。
本实施例中,对边界解进行优化得到的优化边界解为炼油厂生产运营中各参数的具体取值,依据具体取值的参数购买物料以及安排生产运营,能够使得利润最大化。
在一个实施例中,每个分支链划分为多个分支,其中每个分支包括在所述分支链对应的整数参数约束函数约束下的一种整数参数的取值集合,各分支之间取值集合不同。
在一个实施例中,利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解,包括:执行以下步骤,直至所有分支链在利润优化模型的边界解确定完毕:根据广度优先搜索原则,从多个分支链中确定一待求解分支链;将待求解分支链中每一分支在利润优化模型的上边界解设置为正无穷,下边界解设置为负无穷;确定待求解分支链中每一分支在利润优化模型的可行解;若可行解中的最优解为整数解,该整数解大于下边界解,将下边界解替换为该整数解; 若可行解中的最优解为非整数解,该非整数解大于下边界解,将上边界解替换为该非整数解。
在一个实施例中,还包括:按如下方式对待求解分支链中每一分支的边界解进行优化:若可行解中的最优解为非整数解,或,可行解中的最优解为整数解且该整数解不大于存储的下边界解,遍历所有分支,利用后一分支的边界解对前一分支的边界解进行优化。
图3为本发明实施例提供的炼油厂生产运营数据处理方法的具体实例的流程图,为S104的流程示意图。如图3所示,该流程包括:
S301、根据广度优先搜索原则,从所述多个分支链中选取待求解分支链,设置存储的边界解的初始上边界解为正无穷大,初始下边界解为负无穷大;
本实施例中,以上述的整数参数序列表为(X1、X3、X5)为例,根据广度优先搜索原则,选取的待求解分支链可以是(3-1-0、3-1-1、3-0-0、3-0-1),也可以是(2-1-0、2-1-1、2-0-0、2-0-1)等。存储的边界解的初始值为:下边界解为负无穷大,上边界解为正无穷大。
S302、利用分布递归算法,获取所述待求解分支链中当前分支的可行解;
本实施例中,对于待求解分支链未进行过求解的情形,当前分支为待求解分支链中的首个分支,即第一个分支,例如,以待求解分支链为(3-1-0、3-1-1、3-0-0、3-0-1)为例,首个分支为3。对于待求解分支链进行过求解的情形,当前分支为待求解分支链中进行求解的最后一个分支的下一个分支,例如,以待求解分支链为(3-1-0、3-1-1、3-0-0、3-0-1)为例,进行求解的最后一个分支为3,则当前分支为第二层次分支,为3-1或3-0。基于该分支链,利用利润优化模型进行求解,得到可行解。
S303、判断所述可行解是否为空:若为空,执行步骤S105;若不为空,执行步骤S304;
本实施例中,对于已经求解的当前分支且当前分支的可行解为空的情形,对该待求解分支链进行剪枝,不再对该待求解分支链的下层级分支进行求解。例如,当前分支为首个分支,若首个分支的可行解为空,则对该待求解分支链进行剪枝,即从获取的利润优化模型对应的多个分支链中,删除该待求解分支链,然后,从删除该待求解分支链的多个分支链中,根据广度优先搜索原则选取其它分支链,可以有效提升获取边界解的效率。
S304、判断所述可行解中的最优解是否为整数解,若是,执行步骤S305;若否,执行步骤S307;
S305、判断所述整数解是否大于存储的下边界解,若是,执行步骤S306;若否,执行步骤S105;
本实施例中,对于已经求解的当前分支,若当前分支的可行解中的最优解为整数解但小于或等于存储的下边界解的情形,从待求解分支链中,将该当前分支进行剪枝,即在待求解分支链中,删除该当前分支,不再对该当前分支的下层级分支进行求解,可以进一步有效提升获取边界解的效率。
S306、利用所述最优解替换存储的下边界解,执行步骤S309;
本实施例中,存储的待求解分支链的边界解的初始值为:下边界解为负无穷大,上边界解为正无穷大。在获取作为整数解的最优解后,将存储的负无穷大的下边界解替换为该整数解。
S307、判断所述非整数解是否大于存储的下边界解,若是,执行步骤S308;若否,执行步骤SS105;
本实施例中,对于已经求解的当前分支,若当前分支的可行解中的最优解为非整数解但小于或等于存储的下边界解的情形,从待求解分支链中,将该当前分支进行剪枝。
S308、利用所述非整数解替换存储的上边界解,执行步骤S309;
本实施例中,在最优解为非整数解且非整数解大于存储的下边界解,将存储的正无穷大的上边界解替换为该非整数解,从而对边界解的上边界解进行优化。
S309、根据分支规则,将该分支拆解为子分支,对于每一个子分支,执行步骤S105。
本实施例中,以整数参数X1的取值为3的分支链为例,若首个分支为3对应的最优解为非整数解且大于存储的下边界解,在利用非整数解替换存储的上边界解后,将该分支依据分支规则拆解为两个子分支,为3-1或3-0。在对每一子分支处理完毕后,选取下一分支链,直至所有分支链被执行完毕。
在一个实施例中,利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解,包括:若待求解分支链中任一分支未获取到在利润优化模型的可行解,将该待求解分支链从多个分支链中删除,根据广度优先搜索原则,从多个分支链中重新确定待求解分支链。
在一个实施例中,确定待求解分支链中每一分支在预先建立的利润优化模型的可行解,包括:确定待求解分支链对应的整数参数约束函数中的非线性约束函数;确定非线性约束函数中的变量参数;根据预设的分类算法,将变量参数分为第一变量参数集及第二变量参数集;对第一变量参数集进行赋值;根据赋值后的第一变量参数集,对预先建立的利润优化模型进行求解,确定第二变量参数集的值序列;根据第二变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第一变量参数集的值序列;若第一变量参数集的值序列与赋值的第一变量参数集的误差不大于预设误差阈值,求解次数等于预设求解次数阈值,根据第一变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第二变量参数集的优解值序列;对第一变量参数集的值序列及第二变量参数集的优解值序列进行拼接,生成该分支的可行解。
在一个实施例中,确定每一分支在预先建立的利润优化模型的可行解,包括:若第一变量参数集的值序列与赋值的第一变量参数集的误差大于预设误差阈值,或,求解次数不等于预设求解次数阈值,执行以下步骤:根据第一变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第二变量参数集的二次求解值序列;根据第二变量参数集的二次求解值序列,对预先建立的利润优化模型进行求解,确定第一变量参数集的二次求解值序列;根据第一变量参数集的值序列更新赋值的第一变量参数集;根据第一变量参数集的二次求解值序列更新第一变量参数集的值序列。
图4为本发明实施例提供的炼油厂生产运营数据处理方法的具体实例的流程图,为S302的流程示意图。如图4所示,该流程包括:
S401、依据所述当前分支中约束函数中的非线性约束函数,提取所述非线性约束函数中包含的变量参数;
S402、按照预先设置的分类算法,将所述变量参数分类为第一变量参数集和第二变量参数集;
本实施例中,作为一可选实施例,变量参数分为两类,这样,通过固定一类变量参数的值,从而将包含变量参数的非线性约束函数转换为线性约束函数,从而可以利用求解器,求出另一类变量参数的值,能够有效降低求解非线性约束函数所需的运算资源,缩短运算所需的时间,从而提升利润优化模型的运算效率。
S403、对第一变量参数集进行第一变量参数赋值;
本实施例中,作为一可选实施例,分类的变量参数包括物料变量参数以及物性变量参数。以第一变量参数集为物料变量参数,第二变量参数集为物性变量参数为例,可以按照等比例的方式对物料变量参数进行赋值,使得非线性约束函数中,只包含有物性变量参数,从而将非线性约束函数转化为线性约束函数,降低求解非线性约束函数的运算资源以及运算时间,可以利用通用的求解器对利润优化模型进行求解,以实现对物性变量参数的求解,得到利润最大化的第二变量参数集中各变量参数的求解值,基于各变量参数的求解值构建第二变量参数值序列。
S404、基于赋值的第一变量参数集,利用预先设置的求解器,求解当前分支中第二变量参数集对应的第二变量参数值序列(第二变量参数集的值序列);
S405、基于第二变量参数值序列,利用求解器,求解当前分支中第一变量参数集对应的第一变量参数值序列(第一变量参数集的值序列);
本实施例中,在得到第二变量参数值序列后,再将第一变量参数集对应的物料变量参数作为变量,对物料变量参数进行求解,从而以迭代求解的方式获取当前分支的可行解。
S406、计算第一变量参数值序列与赋值的第一变量参数集的误差;
S407、判断误差是否不大于预先设置的误差阈值,若是,执行步骤S408,若否,执行步骤S410;
本实施例中,若第一变量参数值序列与赋值的第一变量参数集的误差小于或等于误差阈值,表明利润优化模型已收敛,求解得到的值能够满足精度要求,从而能够保证利润优化模型的求解准确性,进而保证优化方案的数据准确性。
S408、基于第一变量参数值序列,利用求解器,求解当前分支中所述第二变量参数集对应的第二变量参数值优解序列(第二变量参数集的优解值序列);
S409、对所述第一变量参数值序列和所述第二变量参数值优解序列进行拼接,得到所述当前分支的可行解;
S410、利用所述第一变量参数值序列更新所述赋值的第一变量参数集,执行步骤S404。
本实施例中,若所述第一变量参数值序列与所述赋值的第一变量参数集的误差大于预先设置的误差阈值,基于第一变量参数值序列,利用所述求解器,求解所述当前分支中所述第二变量参数集对应的第二变量参数值二次求解序列(第二变量参数集的二次求解值序列);基于第二变量参数值二次求解序列,利用所述求解器,求解所述当前分支中所述第一变量参数集对应的第一变量参数值二次求解序列(第一变量参数集的二次求解值序列);利用所述第一变量参数值序列更新所述赋值的第一变量参数集,利用所述第一变量参数值二次求解序列更新所述第一变量参数值序列;判断所述第一变量参数值序列与所述赋值的第一变量参数集的误差是否不大于预先设置的误差阈值;若是,执行所述基于所述第一变量参数值序列,利用所述求解器,求解所述当前分支中所述第二变量参数集对应的第二变量参数值优解序列的步骤;若否,执行所述基于第一变量参数值序列,利用所述求解器,求解所述当前分支中所述第二变量参数集对应的第二变量参数值二次求解序列的步骤。
本实施例中,利用误差阈值确定利润优化模型是否收敛,实际应用中,作为另一可选实施例,也可以是基于预先设置的迭代次数确定利润优化模型是否收敛,还可以是结合误差阈值和迭代次数确定利润优化模型是否收敛。以基于预先设置的迭代次数确定利润优化模型是否收敛为例,可以包括:
依据所述当前分支中约束函数中的非线性约束函数,提取所述非线性约束函数中包含的变量参数;
按照预先设置的分类算法,将所述变量参数分类为第一变量参数集和第二变量参数集;
对所述第一变量参数集进行第一变量参数赋值;
基于赋值的第一变量参数集,利用预先设置的求解器,求解所述当前分支中所述第二变量参数集对应的第二变量参数值序列;
基于第二变量参数值序列,利用所述求解器,求解所述当前分支中所述第一变量参数集对应的第一变量参数值序列;
判断当前的求解次数是否等于预先设置的迭代次数,如果是,基于所述第一变量参数值序列,利用所述求解器,求解所述当前分支中所述第二变量参数集对应的第二变量参数值优解序列,对所述第一变量参数值序列和所述第二变量参数值优解序列进行拼接,得到所述当前分支的可行解;如果不是,利用所述第一变量参数值序列更新所述赋值的第一变量参数集,执行基于赋值的第一变量参数集,利用预先设置的求解器,求解所述当前分支中所述第二变量参数集对应的第二变量参数值序列的步骤。
本实施例中,作为另一可选实施例,在判断所述误差大于预设误差阈值之后,该方法还可以包括:
判断求解次数是否等于预先设置的迭代次数,如果是,执行基于第一变量参数值序列,利用求解器,求解当前分支中第二变量参数集的优解值序列的步骤;如果不是,执行利用第一变量参数值序列更新赋值的第一变量参数集的步骤。
在本实施例中,通过结合预设误差阈值和求解次数确定利润优化模型是否收敛,可以避免基于预设误差阈值判断,误差一直大于预设误差阈值导致的重复循环计算。
本发明实施例中还提供了一种炼油厂生产运营数据处理装置,如下面的实施例所述。由于该装置解决问题的原理与炼油厂生产运营数据处理方法相似,因此该装置的实施可以参见炼油厂生产运营数据处理方法的实施,重复之处不再赘述。
如图5所示,为本发明实施例提供的一种炼油厂生产运营数据处理装置的示意图,包括:
参数确定模块501,用于确定炼油厂生产运营参数;炼油厂生产运营参数包括整数参数;
约束函数建立模块502,用于根据整数参数建立多个整数参数约束函数;整数参数约束函数包括:整数参数在炼油厂生产运营流程中应用的时间先后顺序;
序列表建立模块503,用于根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;
分支链确定模块504,用于根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及取值在炼油厂生产运营流程中应用的时间先后顺序建立;
边界解确定模块505,用于利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;利润优化模型是以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立;
优化模块506,用于遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;
参数取值确定模块507,用于根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值。
在一个实施例中,每个分支链划分为多个分支,其中每个分支包括在所述分支链对应的整数参数约束函数约束下的一种整数参数的取值集合,各分支之间取值集合不同。
在一个实施例中,边界解确定模块505具体用于:
执行以下步骤,直至所有分支链在利润优化模型的边界解确定完毕:
根据广度优先搜索原则,从多个分支链中确定一待求解分支链;
将待求解分支链中每一分支在利润优化模型的上边界解设置为正无穷,下边界解设置为负无穷;
确定待求解分支链中每一分支在利润优化模型的可行解;
若可行解中的最优解为整数解,该整数解大于下边界解,将下边界解替换为该整数解;
若可行解中的最优解为非整数解,该非整数解大于下边界解,将上边界解替换为该非整数解。
在一个实施例中,炼油厂生产运营数据处理装置还包括:
分支边界解优化模块,用于按如下方式对待求解分支链中每一分支的边界解进行优化:若可行解中的最优解为非整数解,或,可行解中的最优解为整数解且该整数解不大于存储的下边界解,遍历所有分支,利用后一分支的边界解对前一分支的边界解进行优化。
在一个实施例中,边界解确定模块505具体用于:
若待求解分支链中任一分支未获取到在利润优化模型的可行解,将该待求解分支链从多个分支链中删除,根据广度优先搜索原则,从多个分支链中重新确定待求解分支链。
在一个实施例中,边界解确定模块505具体用于:
确定待求解分支链对应的整数参数约束函数中的非线性约束函数;
确定非线性约束函数中的变量参数;
根据预设的分类算法,将变量参数分为第一变量参数集及第二变量参数集;
对第一变量参数集进行赋值;
根据赋值后的第一变量参数集,对预先建立的利润优化模型进行求解,确定第二变量参数集的值序列;
根据第二变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第一变量参数集的值序列;
若第一变量参数集的值序列与赋值的第一变量参数集的误差不大于预设误差阈值,求解次数等于预设求解次数阈值,根据第一变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第二变量参数集的优解值序列;
对第一变量参数集的值序列及第二变量参数集的优解值序列进行拼接,生成该分支的可行解。
在一个实施例中,边界解确定模块505具体用于:
若第一变量参数集的值序列与赋值的第一变量参数集的误差大于预设误差阈值,求解次数不等于预设求解次数阈值,根据第一变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第二变量参数集的二次求解值序列;
根据第二变量参数集的二次求解值序列,对预先建立的利润优化模型进行求解,确定第一变量参数集的二次求解值序列;
根据第一变量参数集的值序列更新赋值的第一变量参数集;根据第一变量参数集的二次求解值序列更新第一变量参数集的值序列。
本发明实施例还提供一种计算机设备,图6为本发明实施例中计算机设备的示意图,所述计算机设备600包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630,所述处理器620执行所述计算机程序630时炼油厂生产运营数据处理方法。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述炼油厂生产运营数据处理方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述炼油厂生产运营数据处理方法的计算机程序。
综上所述,本实施例中的炼油厂生产运营的优化方法,通过获取炼油厂生产运营的参数,基于所述参数构建约束函数,以及,基于所述参数、所述约束函数以及预先设置的目标函数,构建所述炼油厂的利润优化模型,其中,所述参数包括整数参数,所述目标函数为利润最大化函数;基于所述整数参数在所述炼油厂生产运营的顺序,构建整数参数序列表;依据预先设置的所述整数参数的取值顺序,对所述整数参数序列表中的整数参数分别进行赋值,基于每一所述整数参数序列表的赋值,获取所述利润优化模型对应的分支链,其中,每一分支链包含所述参数、所述约束函数以及所述目标函数,所述参数中的整数参数的值为所述整数参数序列表的赋值;利用迭代算法,求解获取的多个分支链中的一分支链的边界解;基于所述多个分支链中的其它分支链,对所述边界解进行优化,得到所述炼油厂生产运营的优化方案。这样,通过构建利润最大化的利润优化模型,对利润优化模型中的整数参数,依据生产运营顺序,进行赋值,以将利润优化模型转换为多个分支链,从而将利润优化模型中的整数参数约束函数转换为线性约束函数,有效降低求解利润优化模型所需的资源,能够大幅度提升利润优化模型的求解效率,进而提升了炼油厂生产运营的优化方案生成效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种炼油厂生产运营数据处理方法,其特征在于,包括:
确定炼油厂生产运营参数;炼油厂生产运营参数包括整数参数;整数参数包括:装置启停整数参数、原油采购批次整数参数;
根据整数参数建立多个整数参数约束函数;整数参数约束函数包括:整数参数在炼油厂生产运营流程中应用的时间先后顺序;
根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;
根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及预先设置的整数参数的取值顺序建立;每个分支链划分为多个分支,其中每个分支包括在所述分支链对应的整数参数约束函数约束下的一种整数参数的取值集合,各分支之间取值集合不同;
利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;利润优化模型是以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立;
遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值;
利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解,包括:从多个分支链中确定一待求解分支链;确定待求解分支链中每一分支在利润优化模型的可行解;对于已经求解的当前分支,若当前分支的可行解中的最优解为整数解但小于或等于存储的下边界解的情形,或,若当前分支的可行解中的最优解为非整数解但小于或等于存储的下边界解的情形,从待求解分支链中,将该当前分支进行剪枝;
遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化,包括:对所有分支链进行遍历,如果求解得到的当前分支链的边界解优于求解得到的前一分支链的边界解,则用当前分支链的边界解替换前一分支链的边界解,继续进行遍历;如果求解得到的当前分支链的边界解不优于求解得到的前一分支链的边界解,则继续进行遍历;直至求解完所有分支链的边界解。
2.根据权利要求1所述的炼油厂生产运营数据处理方法,其特征在于,利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解,包括:
执行以下步骤,直至所有分支链在利润优化模型的边界解确定完毕:
根据广度优先搜索原则,从多个分支链中确定一待求解分支链;
将待求解分支链中每一分支在利润优化模型的上边界解设置为正无穷,下边界解设置为负无穷;
确定待求解分支链中每一分支在利润优化模型的可行解;
若可行解中的最优解为整数解,该整数解大于下边界解,将下边界解替换为该整数解;
若可行解中的最优解为非整数解,该非整数解大于下边界解,将上边界解替换为该非整数解。
3.根据权利要求2所述的炼油厂生产运营数据处理方法,其特征在于,还包括:按如下方式对待求解分支链中每一分支的边界解进行优化:
若可行解中的最优解为非整数解,或,可行解中的最优解为整数解且该整数解不大于存储的下边界解,遍历所有分支,利用后一分支的边界解对前一分支的边界解进行优化。
4.根据权利要求2所述的炼油厂生产运营数据处理方法,其特征在于,利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解,包括:
若待求解分支链中任一分支未获取到在利润优化模型的可行解,将该待求解分支链从多个分支链中删除,根据广度优先搜索原则,从多个分支链中重新确定待求解分支链。
5.根据权利要求2所述的炼油厂生产运营数据处理方法,其特征在于,确定待求解分支链中每一分支在利润优化模型的可行解,包括:
确定待求解分支链对应的整数参数约束函数中的非线性约束函数;
确定非线性约束函数中的变量参数;
根据预设的分类算法,将变量参数分为第一变量参数集及第二变量参数集;
对第一变量参数集进行赋值;
根据赋值后的第一变量参数集,对预先建立的利润优化模型进行求解,确定第二变量参数集的值序列;
根据第二变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第一变量参数集的值序列;
若第一变量参数集的值序列与赋值的第一变量参数集的误差不大于预设误差阈值,求解次数等于预设求解次数阈值,根据第一变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第二变量参数集的优解值序列;
对第一变量参数集的值序列及第二变量参数集的优解值序列进行拼接,生成该分支的可行解。
6.根据权利要求5所述的炼油厂生产运营数据处理方法,其特征在于,确定待求解分支链中每一分支在利润优化模型的可行解,包括:
若第一变量参数集的值序列与赋值的第一变量参数集的误差大于预设误差阈值,或,求解次数不等于预设求解次数阈值,执行以下步骤:
根据第一变量参数集的值序列,对预先建立的利润优化模型进行求解,确定第二变量参数集的二次求解值序列;
根据第二变量参数集的二次求解值序列,对预先建立的利润优化模型进行求解,确定第一变量参数集的二次求解值序列;
根据第一变量参数集的值序列更新赋值的第一变量参数集;根据第一变量参数集的二次求解值序列更新第一变量参数集的值序列。
7.一种炼油厂生产运营数据处理装置,其特征在于,包括:
参数确定模块,用于确定炼油厂生产运营参数;炼油厂生产运营参数包括整数参数;整数参数包括:装置启停整数参数、原油采购批次整数参数;
约束函数建立模块,用于根据整数参数建立多个整数参数约束函数;整数参数约束函数包括:整数参数在炼油厂生产运营流程中应用的时间先后顺序;
序列表建立模块,用于根据整数参数在炼油厂生产运营流程中应用的时间先后顺序,建立整数参数序列表;
分支链确定模块,用于根据整数参数序列表及预设的整数参数的取值序列,确定与多个整数参数约束函数一一对应的多个分支链;分支链包括在对应的整数参数约束函数约束下的整数参数的取值集合;整数参数的取值序列根据整数参数的取值范围及预先设置的整数参数的取值顺序建立;每个分支链划分为多个分支,其中每个分支包括在所述分支链对应的整数参数约束函数约束下的一种整数参数的取值集合,各分支之间取值集合不同;
边界解确定模块,用于利用迭代算法,确定多个分支链在预先建立的利润优化模型的边界解;利润优化模型是以炼油厂的利润数据最大化为目标,根据炼油厂生产运营参数建立;
优化模块,用于遍历所有分支链,利用后一分支链的边界解对前一分支链的边界解进行优化;
参数取值确定模块,用于根据优化后的多个分支链的边界解,确定炼油厂生产运营参数的取值;
边界解确定模块,具体用于从多个分支链中确定一待求解分支链;确定待求解分支链中每一分支在利润优化模型的可行解;对于已经求解的当前分支,若当前分支的可行解中的最优解为整数解但小于或等于存储的下边界解的情形,或,若当前分支的可行解中的最优解为非整数解但小于或等于存储的下边界解的情形,从待求解分支链中,将该当前分支进行剪枝;
优化模块,具体用于对所有分支链进行遍历,如果求解得到的当前分支链的边界解优于求解得到的前一分支链的边界解,则用当前分支链的边界解替换前一分支链的边界解,继续进行遍历;如果求解得到的当前分支链的边界解不优于求解得到的前一分支链的边界解,则继续进行遍历;直至求解完所有分支链的边界解。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376823.XA CN117114742B (zh) | 2023-10-23 | 2023-10-23 | 炼油厂生产运营数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376823.XA CN117114742B (zh) | 2023-10-23 | 2023-10-23 | 炼油厂生产运营数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117114742A CN117114742A (zh) | 2023-11-24 |
CN117114742B true CN117114742B (zh) | 2024-02-02 |
Family
ID=88809537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376823.XA Active CN117114742B (zh) | 2023-10-23 | 2023-10-23 | 炼油厂生产运营数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114742B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990010914A1 (en) * | 1989-03-09 | 1990-09-20 | Fujitsu Limited | Method of representing logic circuit |
US7434216B1 (en) * | 2002-11-25 | 2008-10-07 | Hewlett-Packard Development Company, L.P. | Update package generator that employs genetic evolution to determine bank order |
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 |
CN111815068A (zh) * | 2020-07-22 | 2020-10-23 | 谢仕炜 | 二阶段约束边界紧缩算法求解城市综合能源网络优化方法 |
CN116865318A (zh) * | 2023-06-30 | 2023-10-10 | 西安交通大学 | 基于两阶段随机优化的输电网和储能联合规划方法及系统 |
-
2023
- 2023-10-23 CN CN202311376823.XA patent/CN117114742B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1990010914A1 (en) * | 1989-03-09 | 1990-09-20 | Fujitsu Limited | Method of representing logic circuit |
US7434216B1 (en) * | 2002-11-25 | 2008-10-07 | Hewlett-Packard Development Company, L.P. | Update package generator that employs genetic evolution to determine bank order |
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 |
CN111815068A (zh) * | 2020-07-22 | 2020-10-23 | 谢仕炜 | 二阶段约束边界紧缩算法求解城市综合能源网络优化方法 |
CN116865318A (zh) * | 2023-06-30 | 2023-10-10 | 西安交通大学 | 基于两阶段随机优化的输电网和储能联合规划方法及系统 |
Non-Patent Citations (1)
Title |
---|
利用约束规划优化原油调合方案;周智菊等;计算机与应用化学;第36卷(第5期);34-37 * |
Also Published As
Publication number | Publication date |
---|---|
CN117114742A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102592031B (zh) | 绝缘纸板的自动排样方法 | |
Marcos Alvarez et al. | A supervised machine learning approach to variable branching in branch-and-bound | |
CN111625918A (zh) | 一种工艺参数推荐方法、装置及电子设备 | |
CN111832101A (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
CN106384197A (zh) | 一种基于大数据的业务质量评估方法和装置 | |
CN105988930A (zh) | 测试用例生成方法和装置 | |
CN115471133A (zh) | 一种基于订单管理和滚动优化排产的车间综合调度系统 | |
CN113867295A (zh) | 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质 | |
CN111815432A (zh) | 金融服务风险预测方法及装置 | |
CN110019298A (zh) | 数据处理方法和装置 | |
Sonmez et al. | Activity uncrashing heuristic with noncritical activity rescheduling method for the discrete time-cost trade-off problem | |
CN115952894A (zh) | 一种电力物资需求及采购的预测方法 | |
Keshavarz et al. | Efficient upper and lower bounding methods for flowshop sequence-dependent group scheduling problems | |
CN117114742B (zh) | 炼油厂生产运营数据处理方法及装置 | |
CN113886092A (zh) | 一种计算图执行方法、装置及相关设备 | |
Kim et al. | Scheduling 3D printers with multiple printing alternatives | |
CN117196462A (zh) | 一种基于需求订单的供应商筛选方法、设备及介质 | |
CN105643944A (zh) | 一种3d打印机稳定控制方法及控制系统 | |
CN115345540A (zh) | 一维下料处理方法、系统、设备及存储介质 | |
Yavuz | Selection of plant location in the natural stone industry using the fuzzy multiple attribute decision making method | |
CN115688853A (zh) | 一种流程挖掘方法及系统 | |
CN113259158B (zh) | 网络流量预测方法和设备、模型构建及训练方法和装置 | |
CN110705839B (zh) | 建筑材料信息处理和优化方法、系统及计算机可读存储介质 | |
CN111428148B (zh) | 一种适于制造过程规划的智能优化算法推荐方法 | |
Ma et al. | A new parallel framework algorithm for solving large-scale DEA models |
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 |