CN117688713A - 一种炼厂装置排产的数据处理方法及装置 - Google Patents

一种炼厂装置排产的数据处理方法及装置 Download PDF

Info

Publication number
CN117688713A
CN117688713A CN202211076910.9A CN202211076910A CN117688713A CN 117688713 A CN117688713 A CN 117688713A CN 202211076910 A CN202211076910 A CN 202211076910A CN 117688713 A CN117688713 A CN 117688713A
Authority
CN
China
Prior art keywords
model
refinery
constraint
representing
processing
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.)
Pending
Application number
CN202211076910.9A
Other languages
English (en)
Inventor
魏志伟
董丰莲
孙鑫
张洋
殷基明
杨剑
赵贺松
刘鹏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202211076910.9A priority Critical patent/CN117688713A/zh
Publication of CN117688713A publication Critical patent/CN117688713A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种炼厂装置排产的数据处理方法及装置，属于石油化工技术领域，包括以下步骤：获取炼厂模型的模型参数和炼厂装置排产的约束条件；生成炼厂装置启停模型的目标函数和约束方程组；确定所述炼厂装置启停模型是否存在历史数据；构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型，并对所述第一混合整数规划模型求解，得到0‑1变量值；构建NLP模型，并求解；构造得到第二混合整数规划模型，进行迭代求解，得到炼厂装置启停结果。本发明的技术方案可以直接给出炼厂装置是启用还是停工的结果，减少了比选工作量，该方法相较于经验方法能进行更全面的方案比选，节省人力成本，且可解释性强。

Description

一种炼厂装置排产的数据处理方法及装置
技术领域
本发明属于石油化工领域的生产排产和数据处理技术领域，涉及一种炼厂装置排产的数据处理方法及装置，具体地说，涉及一种炼厂装置排产的数据处理方法、装置、电子设备及介质。
背景技术
石油化工行业是连续性流程行业，原油从常减压装置加工后，需要按照侧线组分类别、物性等依次经过轻烃回收、预加氢、重整、催化、焦化、加裂、加氢精制、油品调和等装置加工处理，整个加工反应过程各侧线前后衔接紧密，对侧线数量和物性有范围约束，对每套加工装置能力有上限和下限范围要求，其中涉及到的大部分都是连续性变量求解问题，它们可以在一定上下限范围内取任意值。
但是在实际的决策过程中，对于变量除了有上下限要求外，还可能要求其只能是某些指定的特殊值或者取值区间，这类计划问题的准确建模已经超出了单纯的线性规划技术范畴。若忽略这样的特殊取值要求而依然完全采用线性模型，则所得的计划必然是超前优解或是次优解。
现有技术中，亟需一种多目标优化的炼厂装置排产的数据处理方法及装置。
发明内容
本发明的目的在于解决上述技术问题，提供了一种炼厂装置排产的数据处理方法，该方法能够进行炼厂装置的启用和停工安排，有效解决实际生产中为了降低加工负荷或者改善产品结构做的生产排产要求。
为达到上述目的，本发明主要提供如下技术方案：
一方面，本发明实施例提供了一种炼厂装置排产的数据处理方法，
所述方法包括以下步骤：
获取炼厂模型的模型参数和炼厂装置排产的约束条件；根据上述模型参数和上述约束条件，生成炼厂装置启停模型的目标函数和约束方程组，上述约束方程组包括：装置加工量约束方程、装置加工能力约束方程和物性调和约束方程；上述装置加工量约束方程为关于连续变量的线性约束，上述装置加工能力约束方程为关于0-1变量的混合整数线性约束，上述物性调和约束方程为关于连续变量的非线性约束；确定上述炼厂装置启停模型是否存在历史数据；在存在历史数据的情况下，根据上述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型(描述为MIP模型)，并对上述第一混合整数规划模型求解，得到0-1变量值；将上述炼厂装置启停模型构建为0-1变量值固定时的非线性规划NLP模型，并对上述NLP模型进行求解；在上述NLP模型有解的情况下，对上述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型(描述为MILP模型，泰勒展开模型)，对上述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果。
根据本公开的实施例，炼厂装置启停模型的目标函数满足以下表达式：
其中，Obj表示该炼厂装置启停模型的求解目标为最大化收益；表示产品及公用工程销售收入，j表示产品及公用工程的集合J中的元素，βj表示任意一类产品或公用工程j对应的产品销售价格，/>表示任意一类产品或公用工程j对应的产品销量；表示原料及公用工程采购成本，i表示原料及公用工程的集合I中的元素，αi表示任意一类原料或公用工程i对应的采购成本，/>表示任意一类原料或公用工程i对应的原料采购量；/>表示库存变动价值，s表示库存料集合S中的元素，ξs表示任意一类库存料s对应的库存价值，/>表示任意一类库存料s对应的库存变动量；/>表示装置加工成本，t表示加工装置集合T的元素，μt表示装置t的单位加工能耗，Capt表示装置t的加工量。
根据本公开的实施例，上述炼厂装置启停模型的装置加工量约束方程满足以下表达式：
其中，t表示加工装置集合T的元素，m为装置t的进料集合Mt的元素，Wm为装置t关于进料m的进料量；
上述炼厂装置启停模型的装置加工能力约束方程满足以下表达式：
其中，Capt为连续变量；Xt为0-1变量，表示装置t是否启用，若Xt为1，则Capt存在上下限约束，否则Capt为0；表示装置t的加工能力下限，/>表示装置t的加工能力上限；
上述炼厂装置启停模型的物性调和约束方程满足以下表达式：
其中，表示炼厂加工产出的产品k的物性值；/>表示炼厂加工产出的产品k的组分量；γn表示炼厂加工采用的进料n的组分系数，n为用于生成产品k的进料集合N中的元素；/>表示进料n对应的组分量；/>表示进料n的物性值。
根据本公开的实施例，根据上述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型，包括：从上述历史数据中获取历史进料物性值、历史产品物性值、和历史加工量的对偶变量；将上述历史加工量的对偶变量值作为目标函数收益权重，构建得到第一混合整数规划MIP模型的目标函数；根据上述历史进料物性值和上述历史产品物性值，构建得到上述MIP模型的装置加工量约束方程、装置加工能力约束方程和物性调和约束方程。
根据本公开的实施例，上述MIP模型的目标函数满足以下表达式：
其中，dt表示装置t的历史加工量的对偶变量，Capt表示装置t的加工量，t表示加工装置集合T的元素；
上述MIP模型的装置加工量约束方程满足以下表达式：
其中，t表示加工装置集合T的元素，m为装置t的进料集合Mt的元素，Wm为装置t关于进料m的进料量；
上述MIP模型的装置加工能力约束方程满足以下表达式：
其中，Capt为连续变量；Xt为0-1变量，表示装置t是否启用，若Xt为1，则Capt存在上下限约束，否则Capt为0；表示装置t的加工能力下限，/>表示装置t的加工能力上限；
上述MIP模型的物性调和约束方程满足以下表达式：
其中，表示炼厂加工产出的产品k的历史产品物性值；/>表示炼厂加工产出的产品k的组分量；γn表示炼厂加工采用的进料n的组分系数，n为用于生成产品k的进料集合N中的元素；/>表示进料n对应的组分量；/>表示进料n的历史进料物性值。
根据本公开的实施例，上述第二混合整数规划模型的目标函数与上述炼厂装置启停模型的目标函数相同；
上述第二混合整数规划模型的约束方程组包括：
其中，η表示一阶展开的展开步长，为历史迭代的解；表示炼厂加工产出的产品k的历史产品组分量，/>表示炼厂加工产出的产品k的历史产品物性值，/>表示炼厂加工的进料n对应的历史进料组分量，/>表示炼厂加工的进料n的历史进料物性值。
根据本公开的实施例，上述数据处理方法还包括：在不存在历史数据的情况下，将装置加工量效益系数归一化，将归一化后的装置加工量效益系数作为目标函数的收益权重，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型；在上述NLP模型有解的情况下，输出得到模型解和对应的目标函数值obj1；在上述NLP模型没有解的情况下，求解由上述NLP模型构建得到的松弛问题，输出结果；其中，上述第二混合整数规划模型进行迭代求解的收敛条件为：上述第二混合整数规划模型的解对应目标函数值obj2≤obj1。
根据本公开的实施例，上述炼厂模型包含常减压装置模型和二次加工装置模型，上述模型参数包括：投入和产出物料物性、投入产出收率、物性设防值以及油品调和指标。
根据本公开的实施例，上述炼厂装置排产的约束条件包括：原料和产品对应关系约束、原油种类和数量约束、公用工程上下限约束、装置加工能力上下限约束，上述加工能力上下限约束为阈值型离散变量。
另一方面，本发明实施例还提供了一种炼厂装置排产的数据处理装置，包括：
数据获取模块、模型构建模块、确定模块、MIP模型构建和求解模块、NLP模型构建和求解模块、MILP模型构建和求解模块。上述数据获取模块用于获取炼厂模型的模型参数和炼厂装置排产的约束条件。上述模型构建模块用于根据上述模型参数和上述约束条件，生成炼厂装置启停模型的目标函数和约束方程组，上述约束方程组包括：装置加工量约束方程、装置加工能力约束方程和物性调和约束方程；上述装置加工量约束方程为关于连续变量的线性约束，上述装置加工能力约束方程为关于0-1变量的混合整数线性约束，上述物性调和约束方程为关于连续变量的非线性约束。上述确定模块用于确定上述炼厂装置启停模型是否存在历史数据。上述MIP模型构建和求解模块用于在存在历史数据的情况下，根据上述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型(MIP模型)，并对上述第一混合整数规划模型求解，得到0-1变量值。上述NLP模型构建和求解模块用于将上述炼厂装置启停模型构建为0-1变量值固定时的非线性规划NLP模型，并对上述NLP模型进行求解。上述MILP模型构建和求解模块用于在上述NLP模型有解的情况下，对上述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型(MILP模型)，对上述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果。
另一方面，本发明实施例还提供了一种炼厂装置排产的数据处理系统，包括：
处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如上所述的炼厂装置排产的数据处理方法。
另一方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现本发明所述的炼厂装置排产的数据处理方法。
本发明实施例提出的一种炼厂装置排产的数据处理方法及装置在存在历史数据的情况下，基于历史数据中的对偶变量构建得到第一混合整数规划模型：MIP模型，通过对该MIP模型进行求解，得到0-1变量值，得到初始解，根据该初始解构建0-1变量值固定时的NLP模型，并对NLP模型进行求解，在NLP模型有解的情况下，对所述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型：MILP模型，通过对所述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果；将大规模整数非线性优化问题进行解耦为混整和非线性模型，并根据历史数据生成较好的初始解，进行迭代回归，求解模型，可以直接给出炼厂装置是启用还是停工的结果，减少了比选工作量，该方法相较于经验方法能进行更全面的方案比选，节省人力成本，且可解释性强。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例的炼厂装置排产的数据处理方法的流程图；
图2为本发明实施例的步骤S140a的详细实施流程图；
图3为本发明实施例的求解炼厂装置启停模型的具体实施流程图；
图4为本发明实施例的炼厂装置排产的数据处理装置的结构框图；
图5为本发明实施例提供的电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
在炼厂实际加工过程中，需要引入离散变量并进行求解，常见的此类问题有装置门槛值约束、原油采购种类数量约束、产品牌号种类数量约束、调和组分种类数量约束等。
在装置门槛值约束问题中，炼厂装置按照规模大小可分为单/双或多个系列运行，常见的有常减压蒸馏装置、重整装置、加氢装置、催化装置、气体和液体回收类装置等，这些装置的部分关停并不会影响全厂加工流程的连续性，在具体生产计划制定过程中，通常可以考虑将一些长期处于下限运行且效益较差的装置进行关闭，优化装置加工流程，提高整体经济效益。
经分析，考虑到单纯的连续变量技术对于这一类问题的建模非常不便，为此需要引入新的建模技术，整型变量或者离散变量，由于生产计划模型一般以非线性规划为基础，因而引入离散变量后的生产计划模型将变为混合整数非线性规划模型，需要研究离散问题对应的混合整数非线性规划算法，进行装置阈值(也称门槛值)约束问题求解。有鉴于此，本公开的实施例提供了一种炼厂装置排产的数据处理方法、装置、电子设备及介质，将大规模整数非线性优化问题进行解耦为混整和非线性模型，并根据历史数据生成较好的初始解，进行迭代回归，求解模型，可以直接给出炼厂装置是启用还是停工的结果，减少了比选工作量，该方法相较于经验方法能进行更全面的方案比选，节省人力成本，且可解释性强。
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开的第一个示例性实施例提供了一种炼厂装置排产的数据处理方法。
图1示意性地示出了根据本公开实施例的炼厂装置排产的数据处理方法的流程图。
参照图1所示，本公开实施例提供的炼厂装置排产的数据处理方法包括以下步骤：S110、S120、S130、S140a、S150和S160。该步骤S110～S160可以由电子设备来执行，例如由安装有调度安排处理软件的终端设备来执行，或者，由用于给调度安排处理软件提供服务支持的服务器来执行。
在步骤S110，获取炼厂模型的模型参数和炼厂装置排产的约束条件。
炼厂模型是指根据炼厂中各个装置构建的对应模型。例如，建立炼厂中常减压装置、二次加工装置、油品调和、库存等模型结构，获取投入和产出物料物性、投入产出收率、物性设防值、油品调和指标等基础数据，这些基础数据可以是由人员输入得到的，或者由电子设备根据已有评估数据生成的数据。
例如，建立炼厂中原料采购、产品销售、公用工程采购与销售、装置加工能力、期初期末库存等结构，在调度安排处理软件中输入对应的原料与产品名称、上下限约束、原油采购种类数量约束，公用工程名称、数量，上下限约束，装置加工能力上下限约束等数据。
由此，在电子设备中可以获取到炼厂模型的模型参数和炼厂装置排产的约束条件。
根据本公开的实施例，上述炼厂模型包含常减压装置模型和二次加工装置模型，上述模型参数包括：投入和产出物料物性、投入产出收率、物性设防值以及油品调和指标。其中，物性设防值是保证装置不发生腐蚀的承受范围。
根据本公开的实施例，上述炼厂装置排产的约束条件包括：原料和产品对应关系约束、原油种类和数量约束、公用工程上下限约束、装置加工能力上下限约束，上述加工能力上下限约束为阈值型离散变量。
在步骤S120，根据上述模型参数和上述约束条件，生成炼厂装置启停模型的目标函数和约束方程组，上述约束方程组包括：装置加工量约束方程、装置加工能力约束方程和物性调和约束方程。上述装置加工量约束方程为关于连续变量的线性约束，上述装置加工能力约束方程为关于0-1变量的混合整数线性约束，上述物性调和约束方程为关于连续变量的非线性约束。
根据上述炼厂模型的模型参数和上述炼厂装置排产的约束条件，基于建模模块，能够生成炼厂装置启停模型的目标函数和约束方程组，目标函数和约束方程组中的参数(例如为装置t的加工能力下限:装置t的加工能力上限:/>))、变量(例如为装置t的加工量变量Capt，装置t的开关变量Xt)等是依照上述模型参数和上述约束条件生成的。
根据本公开的实施例，炼厂装置启停模型的目标函数满足以下表达式：
其中，Obj表示该炼厂装置启停模型的求解目标为最大化收益；表示产品及公用工程销售收入，j表示产品及公用工程的集合J中的元素，βj表示任意一类产品或公用工程j对应的产品销售价格，/>表示任意一类产品或公用工程j对应的产品销量；表示原料及公用工程采购成本，i表示原料及公用工程的集合I中的元素，αi表示任意一类原料或公用工程i对应的采购成本，/>表示任意一类原料或公用工程i对应的原料采购量；/>表示库存变动价值，s表示库存料集合S中的元素，ξs表示任意一类库存料s对应的库存价值，/>表示任意一类库存料s对应的库存变动量；/>表示装置加工成本，t表示加工装置集合T的元素，μt表示装置t的单位加工能耗，Capt表示装置t的加工量。
根据本公开的实施例，上述炼厂装置启停模型的装置加工量约束方程满足以下表达式：
其中，t表示加工装置集合T的元素，m为装置t的进料集合Mt的元素，Wm为装置t关于进料m的进料量；
上述MIP模型的装置加工能力约束方程满足以下表达式：
其中，Capt为连续变量；Xt为0-1变量，表示装置t是否启用，若Xt为1，则Capt存在上下限约束，否则Capt为0；表示装置t的加工能力下限，/>表示装置t的加工能力上限；
上述炼厂装置启停模型的物性调和约束方程满足以下表达式：
其中，表示炼厂加工产出的产品k的物性值；/>表示炼厂加工产出的产品k的组分量；γn表示炼厂加工采用的进料n的组分系数，n为用于生成产品k的进料集合N中的元素；/>表示进料n对应的组分量；/>表示进料n的物性值。
即，炼厂装置启停模型为离散值对应的混合整数非线性规划算法，表述为MINLP模型，该MINLP模型具有上述方程(I)示意的目标函数和方程(I-1)～(I-3)示意的约束方程。在约束方程进行编号时，为了区分不同模型所对应的约束条件，采用目标函数对应的编号-约束方程序号的方式来描述各个模型中的约束方程。
该MINLP模型可表示为：
综合分析该炼厂装置启停模型(MINLP)，其目标函数为线性，包含三类约束：
(a)装置加工量约束方程(I-1)为关于连续变量的线性约束；
(b)装置加工能力约束方程(I-2)为关于连续变量和0-1变量的混合整数线性约束；
(c)物性调和约束方程(I-3)为关于连续变量的非线性约束。
其中(c)类约束为包含有双线性项的非线性约束，(b)类约束中包含有装置能力的半连续约束，以上两方面使该炼厂装置启停模型成为混合整数非线性模型，模型的求解具有挑战性。
后续的步骤S130、S140a、S150和S160作为求解炼厂装置启停模型的一种实施例。
在步骤S130，确定上述炼厂装置启停模型是否存在历史数据。
上述历史数据是指该炼厂装置启停模型上一次迭代测算的结果，用于提供搜索的初始点。
在步骤S140a，在存在历史数据的情况下，根据上述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型，并对上述第一混合整数规划模型求解，得到0-1变量值。
图2示意性地示出了根据本公开实施例的步骤S140a的详细实施流程图。
根据本公开的实施例，参照图2所示，上述步骤S140a中，根据上述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型，包括以下子步骤：S1401a、S1402a和S1403a。
在子步骤S1401a，从上述历史数据中获取历史进料物性值、历史产品物性值、和历史加工量的对偶变量。
在子步骤S1402a，将上述历史加工量的对偶变量值作为目标函数收益权重，构建得到第一混合整数规划MIP模型的目标函数。
根据本公开的实施例，上述MIP模型的目标函数满足以下表达式：
其中，dt表示装置t的历史加工量的对偶变量，Capt表示装置t的加工量，t表示加工装置集合T的元素。
在子步骤S1403a，根据上述历史进料物性值和上述历史产品物性值，构建得到上述MIP模型的装置加工量约束方程、装置加工能力约束方程和物性调和约束方程。
上述MIP模型的装置加工量约束方程满足以下表达式：
其中，t表示加工装置集合T的元素，m为装置t的进料集合Mt的元素，Wm为装置t关于进料m的进料量；
上述MIP模型的装置加工能力约束方程满足以下表达式：
其中，Capt为连续变量；Xt为0-1变量，表示装置t是否启用，若Xt为1，则Capt存在上下限约束，否则Capt为0；表示装置t的加工能力下限，/>表示装置t的加工能力上限；
上述MIP模型的物性调和约束方程满足以下表达式：
其中，表示炼厂加工产出的产品k的历史产品物性值(例如为模型的初始解，可以是历史数据中的迭代结果)；/>表示炼厂加工产出的产品k的组分量；γn表示炼厂加工采用的进料n的组分系数，n为用于生成产品k的进料集合N中的元素；/>表示进料n对应的组分量；/>表示进料n的历史进料物性值。
基于上述，将MIP模型表示为：
其中，R+表示正实数。
在步骤S150，将上述炼厂装置启停模型构建为0-1变量值固定时的非线性规划NLP模型，并对上述NLP模型进行求解。
将上述NLP模型表示为：
Capt,Wm,/>Xt为参数(固定值，并非变量)。
在步骤S160，在上述NLP模型有解的情况下，对上述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型，对上述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果。
第二混合整数规划模型为泰勒展开模型，将其描述为MILP模型，该MILP模型的目标函数与上述炼厂装置启停模型的目标函数相同，将MILP模型的目标函数表示为：
上述第二混合整数规划模型MILP模型的约束方程组包括：
其中，η表示一阶展开的展开步长，为历史迭代的解；表示炼厂加工产出的产品k的历史产品组分量，/>表示炼厂加工产出的产品k的历史产品物性值，/>表示炼厂加工的进料n对应的历史进料组分量，/>表示炼厂加工的进料n的历史进料物性值。
基于上述步骤S110～S160，在存在历史数据的情况下，基于历史数据中的对偶变量构建得到第一混合整数规划模型：MIP模型，通过对该MIP模型进行求解，得到0-1变量值，得到初始解，根据该初始解构建0-1变量值固定时的NLP模型，并对NLP模型进行求解，在NLP模型有解的情况下，对所述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型：MILP模型，通过对所述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果；将大规模整数非线性优化问题进行解耦为混整和非线性模型，并根据历史数据生成较好的初始解，进行迭代回归，求解模型，可以直接给出炼厂装置是启用还是停工的结果，减少了比选工作量，该方法相较于经验方法能进行更全面的方案比选，节省人力成本，且可解释性强。
图3示意性地示出了根据本公开一实施例的求解炼厂装置启停模型的具体实施流程图。
参照图3所示，本公开实施例提供的数据处理方法在对炼厂装置启停模型进行求解时，包括以下步骤：
步骤S130，针对炼厂装置启停模型进行求解时，确定上述炼厂装置启停模型是否存在历史数据；
在存在历史数据的情况下，执行步骤S1401a～S1403a，得到第一混合整数规划模型MIP模型；
在不存在历史数据的情况下，执行步骤S1401b～S1403b，得到第一混合整数规划模型MIP模型；
步骤S1401b，将装置加工量效益系数归一化；
步骤S1402b，将归一化后的装置加工量效益系数作为目标函数的收益权重；
步骤S1403b，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型；
接着，在得到MIP模型的情况下，执行步骤1404，对上述第一混合整数规划模型求解，得到0-1变量值；
步骤S150，将上述炼厂装置启停模型构建为0-1变量值固定时的非线性规划NLP模型，并对上述NLP模型进行求解；
步骤S1601a，在上述NLP模型有解的情况下，输出得到模型解和对应的目标函数值obj1；
步骤S1602a，对上述NLP模型的非线性约束进行一阶展开，构建得到第二混合整数规划模型：
步骤S1603a，对上述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果；其中，上述第二混合整数规划模型进行迭代求解的收敛条件为：上述第二混合整数规划模型的解对应目标函数值obj2≤obj1；
步骤S1601b，在上述NLP模型没有解的情况下，求解由上述NLP模型构建得到的松弛问题，输出结果。
例如，给出对炼厂装置启停模型进行求解时的伪代码如下：
例如，在一示例性实例中，以某炼厂中II号柴油加氢装置为例，在某个月份生产计划编制中，可以选择性安排两套柴油加氢装置中的II号装置关停，II号柴油加氢装置加工能力上限为12万吨/月，下限为8万吨/月。首先，建立炼厂常减压与二次加工装置模型；设置原油采购种类和数量约束、产品销售种类和数量约束、装置加工能力约束等数据，其中在装置加工能力定义中设置II号柴油加氢装置加工能力WCAPDH2为门槛型离散变量，上限为12万吨，下限为8万吨；生成II号柴油加氢装置启停模型的参数变量(装置能力变量Capt,装置开关变量Xt)、约束方程(装置能力定义约束/>装置能力上下限约束/> 物性调和方程/>)和目标函数Obj，并进行求解；然后，生成II号柴油加氢装置启停的优化结果，优化结果为II号柴油加氢装置关闭，即加工能力WCAPDH2＝0。
本公开的第二个示例性实施例还提供了一种炼厂装置排产的数据处理装置。
图4示意性地示出了根据本公开实施例的炼厂装置排产的数据处理装置的结构框图。
参照图4所示，本公开实施例提供的炼厂装置排产的数据处理装置400包括：数据获取模块401、模型构建模块402、确定模块403、MIP模型构建和求解模块404、NLP模型构建和求解模块405、MILP模型构建和求解模块406。
上述数据获取模块401用于获取炼厂模型的模型参数和炼厂装置排产的约束条件。
上述模型构建模块402用于根据上述模型参数和上述约束条件，生成炼厂装置启停模型的目标函数和约束方程组，上述约束方程组包括：装置加工量约束方程、装置加工能力约束方程和物性调和约束方程；上述装置加工量约束方程为关于连续变量的线性约束，上述装置加工能力约束方程为关于0-1变量的混合整数线性约束，上述物性调和约束方程为关于连续变量的非线性约束。
上述确定模块403用于确定上述炼厂装置启停模型是否存在历史数据。
上述MIP模型构建和求解模块404用于：在存在历史数据的情况下，根据上述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型(例如描述为MIP模型)，并对上述第一混合整数规划模型求解，得到0-1变量值。
上述NLP模型构建和求解模块405用于：将上述炼厂装置启停模型构建为0-1变量值固定时的非线性规划NLP模型，并对上述NLP模型进行求解。
上述MILP模型构建和求解模块406用于：在上述NLP模型有解的情况下，对上述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型(例如描述为MILP模型)，对上述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果。
上述MIP模型构建和求解模块404还用于：在不存在历史数据的情况下，将装置加工量效益系数归一化，将归一化后的装置加工量效益系数作为目标函数的收益权重；构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型。
上述NLP模型构建和求解模块405还用于：在上述NLP模型有解的情况下，输出得到模型解和对应的目标函数值obj1；在上述NLP模型没有解的情况下，求解由上述NLP模型构建得到的松弛问题，输出结果；其中，上述第二混合整数规划模型进行迭代求解的收敛条件为：上述第二混合整数规划模型的解对应目标函数值obj2≤obj1。
上述数据处理装置400所包含的功能模块中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。数据处理装置400所包含的功能模块中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据处理装置400所包含的功能模块中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
本公开的第五个示例性实施例提供了一种电子设备。
图5示意性示出了本公开实施例提供的电子设备的结构框图。
参照图5所示，本公开实施例提供的电子设备500包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501、通信接口502和存储器503通过通信总线504完成相互间的通信；存储器503，用于存放计算机程序；处理器501，用于执行存储器上所存放的程序时，实现如上所述的炼厂装置排产的数据处理方法。
本公开的第六个示例性实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的炼厂装置排产的数据处理方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的；也可以是单独存在，而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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系统。
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系统的制造品，该指令系统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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。此外，尽管本说明书中使用了一些特定的术语，但这些术语仅仅是为了方便说明，并不对本发明构成任何限制。

Claims (12)

1.一种炼厂装置排产的数据处理方法，其特征在于，所述方法包括以下步骤：
步骤1、获取炼厂模型的模型参数和炼厂装置排产的约束条件；
步骤2、根据所述模型参数和所述约束条件，生成炼厂装置启停模型的目标函数和约束方程组，所述约束方程组包括：装置加工量约束方程、装置加工能力约束方程和物性调和约束方程；所述装置加工量约束方程为关于连续变量的线性约束，所述装置加工能力约束方程为关于0-1变量的混合整数线性约束，所述物性调和约束方程为关于连续变量的非线性约束；
步骤3、确定所述炼厂装置启停模型是否存在历史数据；
步骤4、在存在历史数据的情况下，根据所述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型，并对所述第一混合整数规划模型求解，得到0-1变量值；
步骤5、将所述炼厂装置启停模型构建为0-1变量值固定时的非线性规划NLP模型，并对所述NLP模型进行求解；
步骤6、在所述NLP模型有解的情况下，对所述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型，对所述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果。
2.根据权利要求1所述的方法，其特征在于，步骤2中，所述的炼厂装置启停模型的目标函数满足以下表达式：
其中，Obj表示该炼厂装置启停模型的求解目标为最大化收益；表示产品及公用工程销售收入，j表示产品及公用工程的集合J中的元素，βj表示任意一类产品或公用工程j对应的产品销售价格，/>表示任意一类产品或公用工程j对应的产品销量；表示原料及公用工程采购成本，i表示原料及公用工程的集合I中的元素，αi表示任意一类原料或公用工程i对应的采购成本，/>表示任意一类原料或公用工程i对应的原料采购量；/>表示库存变动价值，s表示库存料集合S中的元素，ξs表示任意一类库存料s对应的库存价值，/>表示任意一类库存料s对应的库存变动量；/>表示装置加工成本，t表示加工装置集合T的元素，μt表示装置的单位加工能耗，Capt表示装置t的加工量。
3.根据权利要求1所述的方法，其特征在于，步骤2中，炼厂装置启停模型的装置加工量约束方程满足以下表达式：
其中，t表示加工装置集合T的元素，m为装置t的进料集合Mt的元素，Wm为装置t关于进料m的进料量；
所述炼厂装置启停模型的装置加工能力约束方程满足以下表达式：
其中，Capt为连续变量；Xt为0-1变量，表示装置t是否启用，若Xt为1，则Capt存在上下限约束，否则Capt为0；表示装置t的加工能力下限，/>表示装置t的加工能力上限；
所述炼厂装置启停模型的物性调和约束方程满足以下表达式：
其中，表示炼厂加工产出的产品k的物性值；/>表示炼厂加工产出的产品k的组分量；γn表示炼厂加工采用的进料n的组分系数，n为用于生成产品k的进料集合N中的元素；/>表示进料n对应的组分量；/>表示进料n的物性值。
4.根据权利要求1所述的方法，其特征在于，步骤4中，历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型，包括：
从所述历史数据中获取历史进料物性值、历史产品物性值、和历史加工量的对偶变量；
将所述历史加工量的对偶变量值作为目标函数收益权重，构建得到第一混合整数规划MIP模型的目标函数；
根据所述历史进料物性值和所述历史产品物性值，构建得到所述MIP模型的装置加工量约束方程、装置加工能力约束方程和物性调和约束方程。
5.根据权利要求4所述的方法，其特征在于，所述MIP模型的目标函数满足以下表达式：
其中，dt表示装置t的历史加工量的对偶变量，Capt表示装置t的加工量，t表示加工装置集合T的元素；
所述MIP模型的装置加工量约束方程满足以下表达式：
其中，t表示加工装置集合T的元素，m为装置t的进料集合Mt的元素，Wm为装置t关于进料m的进料量；
所述MIP模型的装置加工能力约束方程满足以下表达式：
其中，Capt为连续变量；Xt为0-1变量，表示装置t是否启用，若Xt为1，则Capt存在上下限约束，否则Capt为0；表示装置t的加工能力下限，/>表示装置t的加工能力上限；
所述MIP模型的物性调和约束方程满足以下表达式：
其中，表示炼厂加工产出的产品k的历史产品物性值；/>表示炼厂加工产出的产品k的组分量；γn表示炼厂加工采用的进料n的组分系数，n为用于生成产品k的进料集合N中的元素；/>表示进料n对应的组分量；/>表示进料n的历史进料物性值。
6.根据权利要求1所述的方法，其特征在于，步骤6中，所述第二混合整数规划模型的目标函数与所述炼厂装置启停模型的目标函数相同；
所述第二混合整数规划模型的约束方程组包括：
其中，η表示一阶展开的展开步长，为历史迭代的解；/>表示炼厂加工产出的产品k的历史产品组分量，/>表示炼厂加工产出的产品k的历史产品物性值，/>表示炼厂加工的进料n对应的历史进料组分量，/>表示炼厂加工的进料n的历史进料物性值。
7.根据权利要求6所述的方法，其特征在于，还包括：
在不存在历史数据的情况下，将装置加工量效益系数归一化，将归一化后的装置加工量效益系数作为目标函数的收益权重，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型；
在所述NLP模型有解的情况下，输出得到模型解和对应的目标函数值obj1；
在所述NLP模型没有解的情况下，求解由所述NLP模型构建得到的松弛问题，输出结果；
其中，所述第二混合整数规划模型进行迭代求解的收敛条件为：所述第二混合整数规划模型的解对应目标函数值obj2≤obj1。
8.根据权利要求1所述的方法，其特征在于，步骤1中，所述的所述炼厂模型包含常减压装置模型和二次加工装置模型，所述模型参数包括：投入和产出物料物性、投入产出收率、物性设防值以及油品调和指标。
9.根据权利要求1所述的方法，其特征在于，步骤1中，所述炼厂装置排产的约束条件包括：原料和产品对应关系约束、原油种类和数量约束、公用工程上下限约束、装置加工能力上下限约束，所述加工能力上下限约束为阈值型离散变量。
10.一种炼厂装置排产的数据处理装置，其特征在于，包括：
数据获取模块，用于获取炼厂模型的模型参数和炼厂装置排产的约束条件；
模型构建模块，用于根据所述模型参数和所述约束条件，生成炼厂装置启停模型的目标函数和约束方程组，所述约束方程组包括：装置加工量约束方程、装置加工能力约束方程和物性调和约束方程；所述装置加工量约束方程为关于连续变量的线性约束，所述装置加工能力约束方程为关于0-1变量的混合整数线性约束，所述物性调和约束方程为关于连续变量的非线性约束；
确定模块，用于确定所述炼厂装置启停模型是否存在历史数据；
MIP模型构建和求解模块，用于在存在历史数据的情况下，根据所述历史数据中的对偶变量，构建在物性值固定的情况下求加工收益最大化的第一混合整数规划模型，并对所述第一混合整数规划模型求解，得到0-1变量值；
NLP模型构建和求解模块，用于将所述炼厂装置启停模型构建为0-1变量值固定时的非线性规划NLP模型，并对所述NLP模型进行求解；
MILP模型构建和求解模块，用于在所述NLP模型有解的情况下，对所述NLP模型的非线性约束进行一阶展开，构造得到第二混合整数规划模型，对所述第二混合整数规划模型进行迭代求解，得到炼厂装置启停结果。
11.一种炼厂装置排产的电子设备，其特征在于，包括：
包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1至9任一项所述的炼厂装置排产的数据处理方法。
12.一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上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现权利要求1至9任一项所述的炼厂装置排产的数据处理方法。
CN202211076910.9A 2022-09-05 2022-09-05 一种炼厂装置排产的数据处理方法及装置 Pending CN117688713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211076910.9A CN117688713A (zh) 2022-09-05 2022-09-05 一种炼厂装置排产的数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211076910.9A CN117688713A (zh) 2022-09-05 2022-09-05 一种炼厂装置排产的数据处理方法及装置

Publications (1)

Publication Number Publication Date
CN117688713A true CN117688713A (zh) 2024-03-12

Family

ID=90137796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211076910.9A Pending CN117688713A (zh) 2022-09-05 2022-09-05 一种炼厂装置排产的数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN117688713A (zh)

Similar Documents

Publication Publication Date Title
Kotzur et al. A modeler's guide to handle complexity in energy systems optimization
Mariz et al. A review of dynamic data envelopment analysis: state of the art and applications
Min et al. Machine learning based digital twin framework for production optimization in petrochemical industry
WO2020203520A1 (ja) 装置、方法、およびプログラム
Sammons Jr et al. Optimal biorefinery product allocation by combining process and economic modeling
Janak et al. A new robust optimization approach for scheduling under uncertainty: II. Uncertainty with known probability distribution
Lenzen et al. The path exchange method for hybrid LCA
Ranis et al. A theory of economic development
Yang et al. Optimization on emission permit trading and green technology implementation under cap-and-trade scheme
Chu et al. Integrated planning, scheduling, and dynamic optimization for batch processes: MINLP model formulation and efficient solution methods via surrogate modeling
US20120095808A1 (en) System and Method for Process Predictive Simulation
Tan et al. Estimating the lifetime of solar photovoltaic modules in Australia
Demirhan et al. An integrated data-driven modeling & global optimization approach for multi-period nonlinear production planning problems
JPWO2020075771A1 (ja) 計画装置、計画方法、および計画プログラム
US20180082002A1 (en) Systems and methods for online model validation
Raoofpanah et al. Solving a new robust green cellular manufacturing problem with environmental issues under uncertainty using Benders decomposition
Tey et al. Synthesis of a sustainable integrated biorefinery to produce value-added chemicals from palm-based biomass via mathematical optimisation
Solarte-Toro et al. A comprehensive review on the economic assessment of biorefineries: the first step towards sustainable biomass conversion
Hadera et al. A mean value cross decomposition strategy for demand-side management of a pulping process
CN112785057A (zh) 基于指数平滑的件量预测方法、装置、设备及存储介质
CN106600029A (zh) 一种基于电力数据的宏观经济预测量化修正方法
Liu et al. Profit-oriented distributionally robust chance constrained flowshop scheduling considering credit risk
Egorov et al. The current state of analysis, synthesis, and optimal functioning of multiproduct digital chemical plants: Analytical review
Lucko et al. Quantitative research: Preparation of incongruous economic data sets for archival data analysis
Boukouvala et al. Data-driven modeling and global optimization of industrial-scale petrochemical planning operations

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