CN117132085B - 一种计划排产方案生成方法和装置 - Google Patents
一种计划排产方案生成方法和装置 Download PDFInfo
- Publication number
- CN117132085B CN117132085B CN202311370999.4A CN202311370999A CN117132085B CN 117132085 B CN117132085 B CN 117132085B CN 202311370999 A CN202311370999 A CN 202311370999A CN 117132085 B CN117132085 B CN 117132085B
- Authority
- CN
- China
- Prior art keywords
- processing
- information
- crude oil
- hydrogen consumption
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 587
- 239000010779 crude oil Substances 0.000 claims abstract description 266
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 227
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 227
- 239000001257 hydrogen Substances 0.000 claims abstract description 227
- 238000004519 manufacturing process Methods 0.000 claims abstract description 135
- 238000004364 calculation method Methods 0.000 claims abstract description 61
- 239000000463 material Substances 0.000 claims description 162
- 230000000704 physical effect Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 42
- 239000002994 raw material Substances 0.000 claims description 20
- 239000003921 oil Substances 0.000 claims description 18
- 239000006227 byproduct Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004821 distillation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 239000011593 sulfur Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 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
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Manufacturing & Machinery (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本申请涉及一种计划排产方案生成方法和装置。主要技术方案包括:获取待加工原油的原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,根据原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,加工配方集合包括至少一个加工配方及其加工时长,根据加工配方集合和预设加工信息,基于耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息,根据单一耗氢信息、原油加工天数和每个加工配方的加工时长,计算总耗氢信息,根据总耗氢信息、原油加工天数和预设加工信息,生成计划排产方案,能够准确地计算用氢需求量,给出合理的计划排产方案。
Description
技术领域
本申请涉及石油炼化技术领域,特别是涉及一种计划排产方案生成方法和装置。
背景技术
炼化行业的计划排产方式从以往的凭经验决策发展到目前的线性规划与实际结合,经历了两个阶段的变化。在凭经验决策阶段,缺乏测算工具和模型,计划人员依据统计数据和经验来为生产计划分配物流走向。在线性规划与实际结合阶段,通过工况标定、建立和校正线性规划模型,再由工艺专家根据专业知识和生产实际设定限制,设置优化策略,利用线性规划模型测算,最后得到生产计划方案用于指导生产。工艺人员利用机理模型和专业知识测算装置加工方案,为生产提供指导,取得了一定的经济效益。
在氢气生产中,当计算当前原料需要多少氢气时,很难考虑到原料性质的变化,更难考虑到原油变化导致的原料性质变化的差异。且现有的机理模型计算速度慢,建模过程复杂,难以适应现代化生产的需求,无法准确地计算用氢需求量,得到合理的计划排产方案。
发明内容
基于此,本申请提供了一种计划排产方案生成方法和装置,以准确地计算用氢需求量,生成合理的计划排产方案。
第一方面,提供一种计划排产方案生成方法,该方法包括:
获取待加工原油的加工需求信息,加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息;
根据原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,其中,加工配方集合包括至少一个加工配方以及至少一个加工配方对应的加工时长;
根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息;
根据单一耗氢信息、原油加工天数和至少一个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息;
根据总耗氢信息、原油加工天数和预设加工信息,生成计划排产方案。
根据本申请实施例中一种可实现的方式,预设加工配方库的搭建方法包括:
根据获取的历史加工原油的历史加工配方,搭建初始加工配方库,其中,历史加工配方包括历史加工原油的加工比例信息;
根据加工比例信息,设置原油加工的混合比例信息;
根据混合比例信息,扩展初始加工配方库中的加工配方,得到升级加工配方库;
基于预先训练好的常减压机理模型生成升级加工配方库中每个加工配方的常减压侧线物料信息,得到预设加工配方库。
根据本申请实施例中一种可实现的方式,根据原油信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,包括:
根据原油信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预先训练好的加工配方优化模型确定最优原油搭配信息;
根据最优原油搭配信息,基于预设加工配方库匹配待加工原油生产所需的加工配方集合;或者,
接收用户基于生产调度方案选择的特定加工配方;
根据特定加工配方,基于预设加工配方库匹配待加工原油生产所需的加工配方集合。
根据本申请实施例中一种可实现的方式,预设加工信息包括原料走向分配信息;根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息,包括:
根据加工配方集合,确定待加工原油的物性信息;
根据物性信息和原料走向分配信息,基于预先训练好的全流程物性传递模型确定加工配方集合中每个加工配方的物料信息;
根据物料信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息。
根据本申请实施例中一种可实现的方式,全流程物性传递模型包括中间物料走向模型和全厂物料平衡模型;根据物性信息和原料走向分配信息,基于预先训练好的全流程物性传递模型确定加工配方集合中每个加工配方的物料信息,包括:
根据物性信息和原料走向分配信息,基于中间物料走向模型确定加工配方集合中每个加工配方的中间物料信息;
基于全厂物料平衡模型校验中间物料信息是否遵守物料平衡;
当中间物料信息遵守物料平衡时,确定中间物料信息为加工配方的物料信息。
根据本申请实施例中一种可实现的方式,根据单一耗氢信息、原油加工天数和每个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息,包括:
根据原油加工天数和每个加工配方的加工时长,确定待加工原油生产所需的至少一个目标加工配方;
根据单一耗氢信息和至少一个目标加工配方,确定待加工原油生产所需加工配方的总耗氢信息。
根据本申请实施例中一种可实现的方式,耗氢计算模型的训练方法包括:
获取样本训练数据;
根据样本训练数据,训练人工神经网络,得到耗氢计算模型;
当物料信息超出耗氢计算模型的计算范围时,对物料信息进行样本增强,得到最新样本数据;
根据样本训练数据和最新样本数据,训练耗氢计算模型,得到最新耗氢计算模型。
根据本申请实施例中一种可实现的方式,获取样本训练数据,包括:
获取加工配方中历史原油的初始物料信息;
根据初始物料信息,通过机理模型生成扩展物料信息,扩展物性信息的数量是初始物性信息的数量的预设倍数;
获取耗氢装置的生产运行数据;
根据生产运行数据,生成耗氢装置所需的真实物料信息;
扩展物料信息和真实物料信息构成样本训练数据。
根据本申请实施例中一种可实现的方式,预设加工信息包括主副产氢装置分配规则;根据总耗氢信息和预设加工信息,生成计划排产方案,包括:
根据总耗氢信息和主副产氢装置分配规则,确定待加工原油生产所需加工配方的产氢分配信息;
根据总耗氢信息和原油加工天数,确定待加工原油生产所需加工配方的单日耗氢信息;
根据单日耗氢信息和产氢分配信息,生成计划排产方案。
第二方面,提供了一种计划排产方案生成装置,该装置包括:
获取模块,用于获取待加工原油的加工需求信息,加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息;
确定模块,用于根据原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,其中,加工配方集合包括至少一个加工配方以及至少一个加工配方对应的加工时长;
确定模块,还用于根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息;
确定模块,还用于根据单一耗氢信息、原油加工天数和至少一个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息;
生成模块,用于根据总耗氢信息、原油加工天数和预设加工信息,生成计划排产方案。
第三方面,提供了一种计算机设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机指令,所述计算机指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面中涉及的方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令用于使计算机执行上述第一方面中涉及的方法。
根据本申请实施例所提供的技术内容,获取待加工原油的加工需求信息,加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,根据原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,其中,加工配方集合包括至少一个加工配方以及至少一个加工配方对应的加工时长,根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息,根据单一耗氢信息、原油加工天数和每个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息,根据总耗氢信息、原油加工天数和预设加工信息,生成计划排产方案,能够准确地计算用氢需求量,给出合理的计划排产方案。
附图说明
图1为一个实施例中计划排产方案生成方法的流程示意图;
图2为一个实施例中计划排产方案生成装置的结构框图;
图3为一个实施例中计算机设备的示意性结构图。
具体实施方式
以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了解决现有技术问题,本申请实施例提供了一种计划排产方案生成方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的计划排产方案生成方法进行介绍。
图1示出了本申请一个实施例提供的计划排产方案生成方法的流程示意图。如图1所示,该方法可以包括以下步骤:
S110,获取待加工原油的加工需求信息。
加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息。其中,原油处理信息为所处理待加工原油的信息,包括原油数量、原油组成、原油种类和原油比例等,原油加工种类是依据炼厂常减压装置的特性提炼出炼厂的加工配方规律而划分的,可以将原油划分为主力油种和辅助油种。原油加工天数为处理待加工原油用户期望耗费的天数。常减压加工约束信息为常减压装置加工待加工原油时对各种原油的约束比例。
加工需求信息为用户通过终端设备输入信息,可以将加工需求信息的部分信息保存在数据库中,比如说,原油处理信息、常减压加工约束信息。在获取加工需求信息时,可以根据用户的输入实时获取,也可以从数据库中获取。
S120,根据原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合。
其中,预设加工配方库是针对炼厂内所有常减压装置的原油生产方案,将加工原油按照“主力油种”和“辅助油种”划分形成上万个加工配方,并利用历史数据和样本扩展技术建立的。预设加工配方库包括多个加工配方以及加工配方对应的加工时长。
加工配方集合为预设加工配方库中与待加工原油的加工需求信息相匹配的加工配方的集合。加工配方集合包括至少一个加工配方以及至少一个加工配方对应的加工时长。
S130,根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息。
预设加工信息为参与待加工原油的加工过程的装置分配信息,可以包括原料走向分配信息和主副产氢装置分配规则。加工路线一般由常减压装置到二次装置到耗氢装置到产氢装置,其中,二次装置可以包括重整装置、催化装置和焦化装置等。原料走向分配信息为原料的加工路线的装置分配信息,主副产氢装置分配规则包括主产氢装置分配规则和副产氢装置分配规则,加工配方不同,其对应加工路线的主副装置分配也不同。
单一耗氢信息包括根据一个加工配方计算得到的耗氢量。根据加工配方集合和原料走向分配信息,确定耗氢装置入口处的原料信息,然后将原料信息输入耗氢计算模型,得到加工配方的单一耗氢信息。
S140,根据单一耗氢信息、原油加工天数和至少一个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息。
首先根据原油加工天数和加工配方的加工时长,筛选出满足原油加工天数的加工配方,基于筛选出的加工配方的单一耗氢信息计算得到总耗氢信息。总耗氢信息包括总耗氢量、单一耗氢量、加工时长等信息。
S150,根据总耗氢信息、原油加工天数和预设加工信息,生成计划排产方案。
根据总耗氢信息和原油加工天数得到单日耗氢信息。然后根据总耗氢信息和主副产氢装置分配规则确定产氢装置分配方案。基于单日耗氢信息和产氢装置分配方案生成计划排产方案,该计划排产方案从原油出发,考虑原油的性质变化和加工流程的影响,提高计划排产方案的准确率,更有利于计划排产方案的执行效率。
可以看出,本申请实施例通过获取待加工原油的加工需求信息,加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,根据原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,其中,加工配方集合包括至少一个加工配方以及至少一个加工配方对应的加工时长,根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息,根据单一耗氢信息、原油加工天数和每个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息,根据总耗氢信息、原油加工天数和预设加工信息,生成计划排产方案,能够准确地计算用氢需求量,给出合理的计划排产方案。
作为一种可实现的方式,预设加工配方库的搭建方法包括:
根据获取的历史加工原油的历史加工配方,搭建初始加工配方库,其中,历史加工配方包括历史加工原油的加工比例信息;
根据加工比例信息,设置原油加工的混合比例信息;
根据混合比例信息,扩展初始加工配方库中的加工配方,得到升级加工配方库;
基于预先训练好的常减压机理模型生成升级加工配方库中每个加工配方的常减压侧线物料信息,得到预设加工配方库。
从数据库中获取历史加工原油的历史加工配方,历史加工配方包括历史加工原油的加工比例信息、原油种类、原油名称等。将历史加工配方整合起来,搭建初始加工配方库。
首先,将根据原油性质进行划分,形成主力油种和辅助油种等类别,然后确定主力油种和辅助油种之间的加工比例信息。加工比例信息包括参与加工的原油及其比例,根据加工比例信息中的原油种类按照一定规则设置其他的加工比例,得到混合比例信息。在实际生产中,混合后的原油要满足常减压装置进料的要求,包括硫含量、酸值、石脑油收率和减渣收率等指标的要求,比如主力油种为A油,辅助油种为B油,扩展其加工比例需要满足:
;
其中,Ki为主力油种A或辅助油种B的比例计算值,K0为主力油种A和辅助油种B的历史加工比例值,Delta为设定的步长,范围为[0.1,1]之间取值,m为整数,n为原油库中的n种原油,Xpropj,CDU是常减压装置对混合原油物性的设防值,j代表硫含量、酸值、石脑油收率和减渣收率等指标,Xi,propj代表原油i对应的物性值。
在上述约束条件基础上计算出满足设防值的扩展比例的边界, 比如原油A和原油B的历史加工比例为7:3,设定步长为0.1,经过计算得到其边界比例为4:6和8:2,那么可得到在边界比例内的步长为0.1的一系列扩展比例。根据混合比例信息中扩展出原油比例生成新的加工配方,添加到初始加工配方库中,得到升级加工配方库。
将升级加工配方库中的每个加工配方输入预先训练好的常减压机理模型,通过大数据生成技术得到每个加工配方的常减压侧线物料信息,得到预设加工配方库。其中,常减压侧线物料信息包括但不限于收率信息和物性信息。
作为一种可实现的方式,根据原油信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,包括:
根据原油信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预先训练好的加工配方优化模型确定最优原油搭配信息;
根据最优原油搭配信息,基于预设加工配方库匹配待加工原油生产所需的加工配方集合;或者,
接收用户基于生产调度方案选择的特定加工配方;
根据特定加工配方,基于预设加工配方库匹配待加工原油生产所需的加工配方集合。
其中,最优原油搭配信息为待加工原油的多个原油之间搭配比例和加工时长。将原油信息、原油加工种类、原油加工天数和常减压加工约束信息输入预先训练好的加工配方优化模型,求解出多个原油之间搭配比例和加工时长,其中,加工配方优化模型可以为数学优化软件求解器。
根据待加工原油的多个原油之间搭配比例和加工时长,从预设加工配方库匹配出待加工原油生产所需的至少一个加工配方,组成加工配方集合。
除此之外,在生成生产调度方案后也可以根据用户选择的特定加工配方确定加工配方集合。特定加工配方为在生产调度时根据运行数据生成的调度方案包含的加工配方,根据特定加工配方,从预设加工配方库匹配出待加工原油生产所需的至少一个加工配方,组成加工配方集合。
根据最优原油搭配信息和特定加工配方从预设加工配方库匹配加工配方时,如果预设加工配方库中,没有完全相同比例的加工配方时,那么将会匹配出比较接近最优原油搭配信息和特定加工配方中加工比例的加工配方。
作为一种可实现的方式,根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息,包括:
根据加工配方集合,确定待加工原油的物性信息;
根据物性信息和原料走向分配信息,基于预先训练好的全流程物性传递模型确定加工配方集合中每个加工配方的物料信息;
根据物料信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息。
物性信息为表征原油性质的信息,可以包括密度,蒸馏曲线,硫含量,氮含量,残炭以及金属含量等。从预设加工配方库中获取加工配方集合中每个加工配方的物性信息,模拟出待加工原油的物性信息。在模拟出待加工原油的物性信息的过程中,对于能够采取线性加和来计算的性质直接采用线性加和的方式,对于非线性的性质如蒸馏曲线,采取将各组分原油切割成不同沸点下的虚拟组分的方式来进行蒸馏曲线的重构。
原油从常减压装置到耗氢装置之间的流程主要依据中间产品的物料走向来实现串通的,需搭建全流程物性传递框架,因此,预先训练得到全流程物性传递模型。其中,全流程物性传递模型包括中间物料走向模型和全厂物料平衡模型。
中间物料走向模型可以对原油从常减压装置到耗氢装置之间错综复杂的关系进行分析,建立耗氢装置入口物性约束开关、负荷约束开关、以及人工开关等约束条件,将物料走向的实际关系转化为中间物料走向数学关系模型,既满足实际流程,也满足中间物料走向的数学计算。
全厂物料平衡模型,对原油到中间库存变化和最终产品进行衡算,判断中间物料是否满足的全厂的物料平衡。
全流程物性传递模型将物料平衡模型和中间物料走向模型,对整个系统进一步地约束检查,保证在满足全厂物料平衡的基础上,将原油的流量和物性通过全流程物性传递至耗氢装置入口,确保了计算耗氢量的精度和准确性。
确定加工配方集合中每个加工配方的物料信息的方法具体包括:
根据物性信息和原料走向分配信息,基于中间物料走向模型确定加工配方集合中每个加工配方的中间物料信息;
基于全厂物料平衡模型校验中间物料信息是否遵守物料平衡;
当中间物料信息遵守物料平衡时,确定中间物料信息为加工配方的物料信息。
物料信息包括待加工原油的物性信息、氢气流量和收率信息等,将物性信息和原料走向分配信息输入中间物料走向模型,中间物料走向模型可以根据物性信息和原料走向分配信息中的加工路线计算出从常减压侧线到耗氢装置入口的物料信息,即,中间物料信息。通过全厂物料平衡模型校验中间物料信息是否遵守物料平衡,当中间物料信息遵守物料平衡时,表明该中间物料信息对应的加工配方可行,确定中间物料信息为加工配方的物料信息,将其输出至耗氢装置入口。当中间物料信息未遵守物料平衡时,表明该中间物料信息对应的加工配方不可行,将该加工配方放弃。
在确定物料信息之后,将每个加工配方的物料信息输入预先训练好的耗氢计算模型待加工原油生产所需每个加工配方的单一耗氢信息。
其中,耗氢计算模型的训练方法包括:
获取样本训练数据;
根据样本训练数据,训练人工神经网络,得到耗氢计算模型;
当物料信息超出耗氢计算模型的计算范围时,对物料信息进行样本增强,得到最新样本数据;
根据样本训练数据和最新样本数据,训练耗氢计算模型,得到最新耗氢计算模型。
样本训练数据划分为输入数据和输出数据,其中,输入数据根据计划排产计算需求可以包括耗氢装置的物料信息、产品信息和操作信息等。输出数据根据计划排产计算需求包括但不限于耗氢装置的耗氢信息。
获取样本训练数据的方法包括:获取加工配方中历史原油的初始物料信息;
根据初始物料信息,通过机理模型生成扩展物料信息,扩展物性信息的数量是初始物性信息的数量的预设倍数;
获取耗氢装置的生产运行数据;
根据生产运行数据,生成耗氢装置所需的真实物料信息;
扩展物料信息和真实物料信息构成样本训练数据。
初始物料信息为历史原油的物料信息,通过合理地扩展初始物料信息在不同工况下,其中,包括不常见的工况下的变化范围,得到大量的样本训练数据,可利用python脚本来执行机理模型生成大量样本,得到扩展物料信息。扩展物性信息的数量是初始物性信息的数量的预设倍数,预设倍数越大越好,能够生成百万级别的样本数据。在生成扩展物料信息之后可以对其进行分布分析,对样本稀疏区域或未覆盖区域进行样本补充,对样本密集区域进行相似样本筛选并删除部分样本,从而使样本在所需覆盖区域均匀分布。
除此之外,还可以根据耗氢装置的生产运行数据生成样本训练数据,生产运行数据可以包括气体流量数据、气体压力数据、体积流量数据、质量流量数据、负荷流量数据、物料数据等。首先,对生产运行数据进行预处理,包括剔除异常值、缺失值处理、数据降噪、数据对齐等,校验生产运行数据中物料数据是否物料平衡,若校验失败,则对物料数据进行校正,将校正后的物料数据确定为真实物料信息。
扩展物料信息是由历史物料数据得到的,真实物料信息是由当前实际生产运行数据得到的,由扩展物料信息和真实物料信息构成样本训练数据,丰富了样本训练数据的来源,使得样本训练数据涵盖更多工况下的数据,可提高耗氢计算模型的训练精度。
基于输入数据和输出数据训练人工神经网络,通过不同隐藏层数、节点数和激活函数等调试手段,训练得到耗氢计算模型。对耗氢计算模型进行验证,用大量的现场数据输入耗氢计算模型中,对比输出变量的计算值和现场值的相对误差,当相对误差大于1%时,调试人工神经网络的相关参数重复训练,直到计算值和现场值相对误差低于1%时,结束训练过程。
当物料信息超出耗氢计算模型的计算范围时,耗氢计算模型会自动对物料信息进行样本增强,得到最新样本数据,并将样本训练数据和最新样本数据进行合并,训练耗氢计算模型,得到最新耗氢计算模型,保持耗氢计算模型的持续更新,提高计划排产的准确度和适应性。
作为一种可实现的方式,根据单一耗氢信息、原油加工天数和每个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息,包括:
根据原油加工天数和每个加工配方的加工时长,确定待加工原油生产所需的至少一个目标加工配方;
根据单一耗氢信息和至少一个目标加工配方,确定待加工原油生产所需加工配方的总耗氢信息。
选择加工时长相加等于原油加工天数的至少一个加工配方作为目标加工配方,根据单一耗氢信息获取目标加工配方的单一耗氢量,由于耗氢计算模型输出的单一耗氢量是每小时的耗氢量,总耗氢量为每个加工配方的加工时长内的耗氢量之和,因此,总耗氢量=单一耗氢量1×24×加工时长1+单一耗氢量2×24×加工时长2+•••••••+单一耗氢量n×24×加工时长n,其中,n为目标加工配方的数量。比如说,原油加工天数为7,加工配方A的加工时长1为3天,单一耗氢量1为aNM3/h,加工配方B的加工时长2为2天,单一耗氢量2为bNM3/h,加工配方C的加工时长3为2天,单一耗氢量3为cNM3/h,总耗氢量=a×24×3+b×24×2+c×24×c。
作为一种可实现的方式,根据总耗氢信息和预设加工信息,生成计划排产方案,包括:
根据总耗氢信息和主副产氢装置分配规则,确定待加工原油生产所需加工配方的产氢分配信息;
根据总耗氢信息和原油加工天数,确定待加工原油生产所需加工配方的单日耗氢信息;
根据单日耗氢信息和产氢分配信息,生成计划排产方案。
预设加工信息包括主副产氢装置分配规则,产氢分配信息包括产氢需求量、目标产氢装置、单装置产氢量、主产氢装置分配数量和副产氢装置分配数量等。单日耗氢信息包括单日耗氢量。
基于主副产氢装置分配规则确定加工路线中的主副产氢装置,然后根据主副产氢装置的产氢量和总耗氢量,确定参与加工的产氢装置,得到产氢分配信息。
求取总耗氢量和原油加工天数的比例,得到单日耗氢量。将单日耗氢量和产氢分配信息整合,得到技术排产方案。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本申请中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图2为本申请实施例提供的一种计划排产方案生成装置的结构示意图,用以执行如图1中所示的方法流程。如图2所示,该装置可以包括:获取模块210、确定模块220和生成模块230,还可以进一步包括:搭建模块、训练模块。其中各组成模块的主要功能如下:
获取模块210,用于获取待加工原油的加工需求信息,加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息;
确定模块220,用于根据原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预设加工配方库确定待加工原油生产所需的加工配方集合,其中,加工配方集合包括至少一个加工配方以及至少一个加工配方对应的加工时长;
确定模块220,还用于根据加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息;
确定模块220,还用于根据单一耗氢信息、原油加工天数和至少一个加工配方的加工时长,确定待加工原油生产所需加工配方的总耗氢信息;
生成模块230,用于根据总耗氢信息、原油加工天数和预设加工信息,生成计划排产方案。
作为一种可实现的方式,该装置还包括搭建模块,用于根据获取的历史加工原油的历史加工配方,搭建初始加工配方库,其中,历史加工配方包括历史加工原油的加工比例信息;
根据加工比例信息,设置原油加工的混合比例信息;
根据混合比例信息,扩展初始加工配方库中的加工配方,得到升级加工配方库;
基于预先训练好的常减压机理模型生成升级加工配方库中每个加工配方的常减压侧线物料信息,得到预设加工配方库。
作为一种可实现的方式,确定模块220,具体用于根据原油信息、原油加工种类、原油加工天数和常减压加工约束信息,基于预先训练好的加工配方优化模型确定最优原油搭配信息;
根据最优原油搭配信息,基于预设加工配方库匹配待加工原油生产所需的加工配方集合;或者,
接收用户基于生产调度方案选择的特定加工配方;
根据特定加工配方,基于预设加工配方库匹配待加工原油生产所需的加工配方集合。
作为一种可实现的方式,预设加工信息包括原料走向分配信息;确定模块220,具体用于根据加工配方集合,确定待加工原油的物性信息;
根据物性信息和原料走向分配信息,基于预先训练好的全流程物性传递模型确定加工配方集合中每个加工配方的物料信息;
根据物料信息,基于预先训练好的耗氢计算模型确定待加工原油生产所需加工配方的单一耗氢信息。
作为一种可实现的方式,全流程物性传递模型包括中间物料走向模型和全厂物料平衡模型;确定模块220,具体用于根据物性信息和原料走向分配信息,基于中间物料走向模型确定加工配方集合中每个加工配方的中间物料信息;
基于全厂物料平衡模型校验中间物料信息是否遵守物料平衡;
当中间物料信息遵守物料平衡时,确定中间物料信息为加工配方的物料信息。
作为一种可实现的方式,确定模块220,具体用于根据原油加工天数和每个加工配方的加工时长,确定待加工原油生产所需的至少一个目标加工配方;
根据单一耗氢信息和至少一个目标加工配方,确定待加工原油生产所需加工配方的总耗氢信息。
作为一种可实现的方式,该装置还包括训练模块,用于获取样本训练数据;
根据样本训练数据,训练人工神经网络,得到耗氢计算模型;
当物料信息超出耗氢计算模型的计算范围时,对物料信息进行样本增强,得到最新样本数据;
根据样本训练数据和最新样本数据,训练耗氢计算模型,得到最新耗氢计算模型。
作为一种可实现的方式,训练模块,具体用于获取加工配方中历史原油的初始物料信息;
根据初始物料信息,通过机理模型生成扩展物料信息,扩展物性信息的数量是初始物性信息的数量的预设倍数;
获取耗氢装置的生产运行数据;
根据生产运行数据,生成耗氢装置所需的真实物料信息;
扩展物料信息和真实物料信息构成样本训练数据。
作为一种可实现的方式,预设加工信息包括主副产氢装置分配规则;生成模块230,用于根据总耗氢信息和主副产氢装置分配规则,确定待加工原油生产所需加工配方的产氢分配信息;
根据总耗氢信息和原油加工天数,确定待加工原油生产所需加工配方的单日耗氢信息;
根据单日耗氢信息和产氢分配信息,生成计划排产方案。
可以理解的是,实施本申请的任一方法或产品并不一定需要同时达到以上所述的所有优点
上述各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
根据本申请的实施例,本申请还提供了一种计算机设备、一种计算机可读存储介质。
如图3所示,是根据本申请实施例的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机或移动装置。其中数字计算机可以包括台式计算机、便携式计算机、工作台、个人数字助理、服务器、大型计算机和其它适合的计算机。移动装置可以包括平板电脑、智能电话、可穿戴式设备等。
如图3所示,设备300包括计算单元301、ROM 302、 RAM 303 、总线304以及输入/输出(I/O)接口305 ,计算单元 301、ROM 302 以及 RAM 303 通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
计算单元301可以根据存储在只读存储器(ROM)302 中的计算机指令或者从存储单元308加载到随机访问存储器(RAM)303 中的计算机指令,来执行本申请方法实施例中的各种处理。计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301可以包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。在一些实施例中,本申请实施例提供的方法可被实现为计算机软件程序,其被有形地包含于计算机可读存储介质,例如存储单元308。
RAM 303还可存储设备300操作所需的各种程序和数据。计算机程序的部分或者全部可以经由ROM 802和/或通信单元309而被载入和/或安装到设备300上。
设备300中的输入单元306、输出单元307、存储单元308和通信单元309可以连接至I/O接口305。其中,输入单元306可以是诸如键盘、鼠标、触摸屏、麦克风等;输出单元307可以是诸如显示器、扬声器、指示灯等。设备300能够通过通信单元309与其他设备进行信息、数据等的交换。
需要说明的是,该设备还可以包括实现正常运行所必需的其他组件。也可以仅包含实现本申请方案所必需的组件,而不必包含图中所示的全部组件。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。
用于实施本申请的方法的计算机指令可以采用一个或多个编程语言的任何组合来编写。这些计算机指令可以提供给计算单元301,使得计算机指令当由诸如处理器等计算单元301执行时使执行本申请方法实施例中涉及的各步骤。
本申请提供的计算机可读存储介质可以是有形的介质,其可以包含或存储计算机指令,用以执行本申请方法实施例中涉及的各步骤。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的等形式的存储介质。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种计划排产方案生成方法,其特征在于,所述方法包括:
获取待加工原油的加工需求信息,所述加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息;
根据所述原油处理信息、所述原油加工种类、所述原油加工天数和所述常减压加工约束信息,基于预设加工配方库确定所述待加工原油生产所需的加工配方集合,其中,所述加工配方集合包括至少一个加工配方以及所述至少一个加工配方对应的加工时长;
根据所述加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定所述待加工原油生产所需加工配方的单一耗氢信息,具体包括:从所述预设加工配方库中获取所述加工配方集合中每个加工配方的物性信息,模拟出所述待加工原油的物性信息,将所述物性信息和所述预设加工信息输入预先训练好的中间物料走向模型得到中间物料信息,将所述中间物料信息输入预先训练好的全厂物料平衡模型校验所述中间物料信息是否遵守物料平衡,当所述中间物料信息遵守物料平衡时,将所述中间物料信息输入所述耗氢计算模型,所述耗氢计算模型输出所述待加工原油生产所需加工配方的单一耗氢信息;
根据所述单一耗氢信息、所述原油加工天数和所述至少一个加工配方的加工时长,确定所述待加工原油生产所需加工配方的总耗氢信息;
根据所述总耗氢信息、所述原油加工天数和所述预设加工信息,生成计划排产方案;
其中,所述预设加工配方库是基于历史加工配方搭建的,具体包括:获取所述历史加工配方中主力油种和辅助油种的加工比例信息,所述加工比例信息包括历史加工比例,根据约束条件计算出所述历史加工比例的扩展比例的边界比例,从边界比例中选取多个扩展比例,基于所述多个扩展比例生成新的加工配方,由所述历史加工配方和所述新的加工配方组成所述预设加工配方库。
2.根据权利要求1所述的方法,其特征在于,所述预设加工配方库的搭建方法包括:
根据获取的历史加工原油的历史加工配方,搭建初始加工配方库,其中,所述历史加工配方包括所述历史加工原油的加工比例信息;
根据所述加工比例信息,设置原油加工的混合比例信息;
根据所述混合比例信息,扩展所述初始加工配方库中的加工配方,得到升级加工配方库;
基于预先训练好的常减压机理模型生成所述升级加工配方库中每个加工配方的常减压侧线物料信息,得到预设加工配方库。
3.根据权利要求1所述的方法,其特征在于,所述根据所述原油处理信息、所述原油加工种类、所述原油加工天数和所述常减压加工约束信息,基于预设加工配方库确定所述待加工原油生产所需的加工配方集合,包括:
所述根据所述原油处理信息、所述原油加工种类、所述原油加工天数和所述常减压加工约束信息,基于预先训练好的加工配方优化模型确定最优原油搭配信息;
根据最优原油搭配信息,基于预设加工配方库匹配所述待加工原油生产所需的加工配方集合;或者,
接收用户基于生产调度方案选择的特定加工配方;
根据特定加工配方,基于预设加工配方库匹配所述待加工原油生产所需的加工配方集合。
4.根据权利要求1所述的方法,其特征在于,所述预设加工信息包括原料走向分配信息;所述根据所述加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定所述待加工原油生产所需加工配方的单一耗氢信息,包括:
根据所述加工配方集合,确定所述待加工原油的物性信息;
根据所述物性信息和所述原料走向分配信息,基于预先训练好的全流程物性传递模型确定所述加工配方集合中每个加工配方的物料信息;
根据所述物料信息,基于预先训练好的耗氢计算模型确定所述待加工原油生产所需加工配方的单一耗氢信息。
5.根据权利要求4所述的方法,其特征在于,所述全流程物性传递模型包括中间物料走向模型和全厂物料平衡模型;所述根据所述物性信息和所述原料走向分配信息,基于预先训练好的全流程物性传递模型确定所述加工配方集合中每个加工配方的物料信息,包括:
根据所述物性信息和所述原料走向分配信息,基于所述中间物料走向模型确定所述加工配方集合中每个加工配方的中间物料信息;
基于所述全厂物料平衡模型校验所述中间物料信息是否遵守物料平衡;
当所述中间物料信息遵守物料平衡时,确定所述中间物料信息为加工配方的物料信息。
6.根据权利要求4所述的方法,其特征在于,所述根据所述单一耗氢信息、所述原油加工天数和所述每个加工配方的加工时长,确定所述待加工原油生产所需加工配方的总耗氢信息,包括:
根据所述原油加工天数和所述每个加工配方的加工时长,确定所述待加工原油生产所需的至少一个目标加工配方;
根据所述单一耗氢信息和所述至少一个目标加工配方,确定所述待加工原油生产所需加工配方的总耗氢信息。
7.根据权利要求4所述的方法,其特征在于,所述耗氢计算模型的训练方法包括:
获取样本训练数据;
根据所述样本训练数据,训练人工神经网络,得到所述耗氢计算模型;
当所述物料信息超出所述耗氢计算模型的计算范围时,对所述物料信息进行样本增强,得到最新样本数据;
根据所述样本训练数据和所述最新样本数据,训练所述耗氢计算模型,得到最新耗氢计算模型。
8.根据权利要求7所述的方法,其特征在于,所述获取样本训练数据,包括:
获取所述加工配方中历史原油的初始物料信息;
根据所述初始物料信息,通过机理模型生成扩展物料信息,所述扩展物料信息的数量是所述初始物料信息的数量的预设倍数;
获取耗氢装置的生产运行数据;
根据所述生产运行数据,生成耗氢装置所需的真实物料信息;
所述扩展物料信息和所述真实物料信息构成所述样本训练数据。
9.根据权利要求1所述的方法,其特征在于,所述预设加工信息包括主副产氢装置分配规则;所述根据所述总耗氢信息和所述预设加工信息,生成计划排产方案,包括:
根据所述总耗氢信息和所述主副产氢装置分配规则,确定所述待加工原油生产所需加工配方的产氢分配信息;
根据总耗氢信息和所述原油加工天数,确定所述待加工原油生产所需加工配方的单日耗氢信息;
根据所述单日耗氢信息和所述产氢分配信息,生成计划排产方案。
10.一种计划排产方案生成装置,其特征在于,所述装置包括:
获取模块,用于获取待加工原油的加工需求信息,所述加工需求信息包括原油处理信息、原油加工种类、原油加工天数和常减压加工约束信息;
确定模块,用于根据所述原油处理信息、所述原油加工种类、所述原油加工天数和所述常减压加工约束信息,基于预设加工配方库确定所述待加工原油生产所需的加工配方集合,其中,所述加工配方集合包括至少一个加工配方以及所述至少一个加工配方对应的加工时长;
所述确定模块,还用于根据所述加工配方集合和预设加工信息,基于预先训练好的耗氢计算模型确定所述待加工原油生产所需加工配方的单一耗氢信息,具体包括:从所述预设加工配方库中获取所述加工配方集合中每个加工配方的物性信息,模拟出所述待加工原油的物性信息,将所述物性信息和所述预设加工信息输入预先训练好的中间物料走向模型得到中间物料信息,将所述中间物料信息输入预先训练好的全厂物料平衡模型校验所述中间物料信息是否遵守物料平衡,当所述中间物料信息遵守物料平衡时,将所述中间物料信息输入所述耗氢计算模型,所述耗氢计算模型输出所述待加工原油生产所需加工配方的单一耗氢信息;
所述确定模块,还用于根据所述单一耗氢信息、所述原油加工天数和所述至少一个加工配方的加工时长,确定所述待加工原油生产所需加工配方的总耗氢信息;
生成模块,用于根据所述总耗氢信息、所述原油加工天数和所述预设加工信息,生成计划排产方案;
其中,所述预设加工配方库是基于历史加工配方搭建的,所述装置还包括搭建模块,用于获取所述历史加工配方中主力油种和辅助油种的加工比例信息,所述加工比例信息包括历史加工比例,根据约束条件计算出所述历史加工比例的扩展比例的边界比例,从边界比例中选取多个扩展比例,基于所述多个扩展比例生成新的加工配方,由所述历史加工配方和所述新的加工配方组成所述预设加工配方库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370999.4A CN117132085B (zh) | 2023-10-23 | 2023-10-23 | 一种计划排产方案生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370999.4A CN117132085B (zh) | 2023-10-23 | 2023-10-23 | 一种计划排产方案生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132085A CN117132085A (zh) | 2023-11-28 |
CN117132085B true CN117132085B (zh) | 2024-02-06 |
Family
ID=88858436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311370999.4A Active CN117132085B (zh) | 2023-10-23 | 2023-10-23 | 一种计划排产方案生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132085B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183811A (zh) * | 2020-08-20 | 2021-01-05 | 浙江中控技术股份有限公司 | 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 |
CN113420500A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 智能常减压系统 |
-
2023
- 2023-10-23 CN CN202311370999.4A patent/CN117132085B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183811A (zh) * | 2020-08-20 | 2021-01-05 | 浙江中控技术股份有限公司 | 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 |
CN113420500A (zh) * | 2021-06-10 | 2021-09-21 | 北京宜能高科科技有限公司 | 智能常减压系统 |
Non-Patent Citations (2)
Title |
---|
炼化计划排产与效益测算协同应用系统的设计与开发;杨磊;汪洪涛;刘华林;黄洁;刘照辉;王兵;;石油规划设计(第02期);全文 * |
炼油厂氢气系统全局优化技术及应用;王宽心;吴玉成;韩晓春;娄海川;许彤;侯卫锋;;自动化仪表(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132085A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Astakhova et al. | Forecasting of time series' groups with application of fuzzy c-mean algorithm | |
CN102601881A (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
CN107885967A (zh) | 一种回归模型超参数优化方法 | |
CN111566574A (zh) | 用于动态模型生成的设备、方法和程序 | |
CN116187650A (zh) | 针对产品零部件的自主机器学习需求预测方法及系统 | |
CN117132085B (zh) | 一种计划排产方案生成方法和装置 | |
Nazemi et al. | A high performance neural network model for solving chance constrained optimization problems | |
Petrushevskaya | Control model of technological operations of mounting automatic printed circuit boards based on a multiparameter fuzzy classifier | |
Alexander | Discrete event simulation for batch processing | |
Schroeder et al. | Predicting and evaluating software model growth in the automotive industry | |
CN110322297A (zh) | 基于bp神经网络的中大型冲压模具报价预测方法 | |
Cheng et al. | A GA mechanism for optimizing the design of attribute double sampling plan | |
Salahi et al. | Additive slack-based measure for a two-stage structure with shared inputs and undesirable feedback | |
Zhukov et al. | A stochastic dynamics model for shaping stock indexes using self-organization processes, memory and oscillations | |
CN102292706B (zh) | 软件改造评估方法和软件改造评估系统 | |
CN113988429A (zh) | 一种风电场开发定制优化方法及系统 | |
CN106682840A (zh) | 基于日累计发行电量的短期售电量预测方法及系统 | |
Tsai | Assessment of IC clustering evolution by using a novel diffusion model and a genetic algorithm | |
Robles et al. | Methods and tools for hydrogen supply chain design | |
CN117113858B (zh) | 一种氢气系统的预警方法及装置 | |
Smith et al. | The use of reduced models in the optimisation of energy integrated processes | |
CN117113886B (zh) | 一种压力预测方法及装置 | |
US20220198583A1 (en) | System, method, and recording medium having recorded thereon program | |
Punnathanam et al. | Optimization of a large-scale biorefinery problem by decomposition | |
CN102272762B (zh) | 相互作用力变化预测装置和相互作用力变化预测方法 |
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 |