一种基于深度学习不确定集的排产方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习不确定集的排产方法及装置，以及一种计算机可读存储介质。所述排产方法包括以下步骤：获取至少一种原油的第一数据；获取至少一种操作装置的第二数据；获取至少一种目标产品的第三数据；根据所述第一数据、所述第二数据以及所述第三数据，确定优化目标的表达式以及至少一个约束条件；确定所述第一数据、所述第二数据以及所述第三数据中的不确定数据，并根据所述不确定数据构建不确定集；根据所述不确定集涉及的至少一个约束条件，构建对抗性问题；以及求解所述对抗问题，以确定所述至少一种目标产品的排产计划。计划。计划。

【技术实现步骤摘要】
一种基于深度学习不确定集的排产方法及装置


[0001]本专利技术涉及石油化工领域，尤其涉及一种基于深度学习不确定集的排产方法、一种基于深度学习不确定集的排产装置，以及一种计算机可读存储介质。

技术介绍

[0002]原油是一种重要的能源，而炼厂是原油生产过程中的关键一环，用于将原油转化为汽油、柴油和燃料油等有价值的产品。然而，近些年来原油价格波动严重，使得原油资源严重短缺。因此，炼厂的计划排产优化方案正逐渐成为石油化工领域的研究重点及热点。
[0003]在模拟炼厂计划排产的优化过程中，构建处理模型是一项主要的挑战。如今较为常用的方法是采用混合整数非线性生产计划(MINLP)模型，或者混合整数线性生产计划(MILP)模型来进行炼厂的计划排产优化。然而，此二者均未考虑到产品需求、原油供应和设备效率等系统层面的不确定性因素。这些不确定性因素的存在会严重影响MINLP模型、MILP模型等确定性模型的预测准确率，甚至导致模型的不可行。
[0004]为了克服上述缺陷，本领域进一步提出了一种基于鲁棒优化来构建炼厂排产计划的不确定性模型的改进方案，可以利用不确定集对参数的可能值进行建模。然而，现有的椭球体不确定集、预算不确定集、组合不确定集等传统的不确定集普遍过于保守，使得其解决方案的优化度普遍较低。因此，本领域亟需一种计划排产技术，用于合理降低鲁棒计划优化方案的保守性，以提升解决方案的优化度。

技术实现思路

[0005]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
[0006]为了克服现有技术存在的上述缺陷，本专利技术提供了一种基于深度学习不确定集的排产方法、一种基于深度学习不确定集的排产装置，以及一种计算机可读存储介质，能够在排产计划的最优性和鲁棒性之间做出合理的权衡，从而在确保模型鲁棒性的前提下提升排产计划的优化度。
[0007]具体来说，本专利技术的第一方面提供的上述基于深度学习不确定集的排产方法包括以下步骤：获取至少一种原油的第一数据，其中，所述第一数据包括所述原油的供应量及成本价格；获取至少一种操作装置的第二数据，其中，所述第二数据包括所述操作装置的额定处理量及操作成本；获取至少一种目标产品的第三数据，其中，所述第三数据包括所述目标产品的需求量、销售价格及化验数据；根据所述第一数据、所述第二数据以及所述第三数据，确定优化目标的表达式以及至少一个约束条件；确定所述第一数据、所述第二数据以及所述第三数据中的不确定数据，并根据所述不确定数据构建不确定集；根据所述不确定集涉及的至少一个约束条件，构建对抗性问题；以及求解所述对抗问题，以确定所述至少一种
目标产品的排产计划。
[0008]进一步地，在本专利技术一些实施例中，所述优化目标包括利润最大化。此外，在本专利技术的一些实施例中，所述至少一个约束条件包括供应限制约束、产品产量约束、装置产能约束、质量平衡约束及产品属性约束中的至少一者。
[0009]进一步地，在本专利技术一些实施例中，所述优化目标的表达式包括：
[0010]max(profit)＝Sale
‑
RCost
‑
UCost
[0011]其中，max(profit)表示利润最大化；Sale＝∑
S∈SF
price
S
·
Flow
S
表示产品销售收入，其中是每种目标产品的销售价格；RCost＝∑
S∈SC
price
S
·
Flow
S
表示原材料成本，其中是每种原油的成本价格；UCost＝∑
u∈U
cost
u
·
Flow
u
表示操作成本，其中cost
u
是每个操作装置的操作成本。
[0012]进一步地，在本专利技术一些实施例中，所述供应限制约束用于确保每种原油的供应量满足其供应量的上下限，其表达式包括：
[0013][0014]其中，Flow
s
表示每种原油的流量，为原油供应量的下限，为原油供应量的上限。
[0015]进一步地，在本专利技术一些实施例中，所述产品产量约束用于确保每种目标产品的产量满足其市场需求的上下限，其表达式包括：
[0016][0017]其中，Flow
s
表示每种目标产品的流量，是最小市场需求，是最大市场需求。
[0018]进一步地，在本专利技术一些实施例中，所述装置产能约束用于确保每个操作装置的总入口流量满足其额定处理量的上下限，其表达式包括：
[0019][0020]其中，Flow
u
表示每个操作装置的入口总流量，是处理装置的最小容量，是处理装置的最大容量。
[0021]进一步地，在本专利技术一些实施例中，所述质量平衡约束从流量角度确保各操作装置之间的质量平衡，其表达式包括：
[0022][0023]其中，Flow
s,u
表示每个操作装置u的入口流量，表示前级装置的出口总流量，和/或
[0024][0025]其中，Flow
s,u
表示每个操作装置u的入口流量，Flow
u
表示各所述操作装置u的入口
总流量，和/或
[0026][0027]其中，Yield
s,u
是每个操作装置u的产率，Flow
s,u
表示每个操作装置u的出口流量，和/或
[0028][0029]其中，Flow
s,u
表示后级调合单元的入口总流量，表示各所述操作装置流入所述调合单元的流量。
[0030]进一步地，在本专利技术一些实施例中，所述操作装置包括多种操作模式。所述第二数据还包括操作模式数据。所述质量平衡约束的表达式还包括：
[0031][0032]其中，x
m,u
表示多模式操作装置的操作模式，以及
[0033][0034]其中，Yield
s,u,m
和分别表示模式m和其余模式下操作装置的收益率参数。
[0035]进一步地，在本专利技术一些实施例中，所述产品属性约束用于确保所述至少一种目标产品的化验数据符合规定的属性标准。所述属性标准包括硫含量、密度、辛烷值、十六烷值、烯烃含量、芳烃含量、闪点、冰点中的至少一者。所述产品属性约束的表达式包括：
[0036][0037][0038]其中，表示各所述目标产品的调合特性，为所述调合特性的下界，为所述调合特性的上界，表示每个所述目标产品的特性。
[0039]进一步地，在本专利技术一些实施例中，所述确定所述第一数据、所述第二数据以及所述第三数据中的不确定数据，并根据所述不确定数据构建不确定集的步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习不确定集的排产方法，其特征在于，包括以下步骤：获取至少一种原油的第一数据，其中，所述第一数据包括所述原油的供应量及成本价格；获取至少一种操作装置的第二数据，其中，所述第二数据包括所述操作装置的额定处理量及操作成本；获取至少一种目标产品的第三数据，其中，所述第三数据包括所述目标产品的需求量、销售价格及化验数据；根据所述第一数据、所述第二数据以及所述第三数据，确定优化目标的表达式以及至少一个约束条件；确定所述第一数据、所述第二数据以及所述第三数据中的不确定数据，并根据所述不确定数据构建不确定集；根据所述不确定集涉及的至少一个约束条件，构建对抗性问题；以及求解所述对抗问题，以确定所述至少一种目标产品的排产计划。2.如权利要求1所述的排产方法，其特征在于，所述优化目标包括利润最大化，和/或所述至少一个约束条件包括供应限制约束、产品产量约束、装置产能约束、质量平衡约束及产品属性约束中的至少一者。3.如权利要求2所述的排产方法，其特征在于，所述优化目标的表达式包括：max(profit)＝Sale
‑
RCost
‑
UCost其中，max(profit)表示利润最大化；Sale＝∑
S∈SF price
S
·
Flow
S
表示产品销售收入，其中是每种目标产品的销售价格；RCost＝∑
S∈SC price
S
·
Flow
S
表示原材料成本，其中是每种原油的成本价格；UCost＝∑
u∈U
cost
u
·
Flow
u
表示操作成本，其中cost
u
是每个操作装置的操作成本。4.如权利要求2所述的排产方法，其特征在于，所述供应限制约束用于确保每种原油的供应量满足其供应量的上下限，其表达式包括：其中，Flow
s
表示每种原油的流量，为原油供应量的下限，为原油供应量的上限。5.如权利要求2所述的排产方法，其特征在于，所述产品产量约束用于确保每种目标产品的产量满足其市场需求的上下限，其表达式包括：其中，Flow
s
表示每种目标产品的流量，是最小市场需求，是最大市场需求。6.如权利要求2所述的排产方法，其特征在于，所述装置产能约束用于确保每个操作装置的总入口流量满足其额定处理量的上下限，其表达式包括：其中，Flow
u
表示每个操作装置的入口总流量，是处理装置的最小容量，
是处理装置的最大容量。7.如权利要求2所述的排产方法，其特征在于，所述质量平衡约束从流量角度确保各操作装置之间的质量平衡，其表达式包括：其中，Flow
s，u
表示每个操作装置u的入口流量，表示前级装置的出口总流量，和/或其中，Flow
s，u
表示每个操作装置u的入口流量，Flow
u
表示各所述操作装置u的入口总流量，和/或其中，Yield
s，u
是每个操作装置u的产率，Flow
s，u
表示每个操作装置u的出口流量，和/或其中，Flow
s，u
表示后级调合单元的入口总流量，表示各所述操作装置流入所述调合单元的流量。8.如权利要求7所述的排产方法，其特征在于，所述操作装置包括多种操作模式，所述第二数据还包括操作模式数据，所述质量平衡约束的表达式还包括：其中，x<...

【专利技术属性】
技术研发人员：钟伟民，彭鑫，杜文莉，钱锋，何仁初，李智，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：