【技术实现步骤摘要】
本专利技术属于石油，涉及一种炼厂调度方法及装置，具体地说，涉及一种炼厂调度方法、装置、设备及存储介质。
技术介绍
1、沿海原油炼厂调度问题主要考虑原油从油轮到码头罐区，码头罐区和商业罐区的交互，码头罐区通过长输管道到厂内罐区，以及厂内罐区到常减压装置等拓扑结构下的大规模网络调度问题，在实际业务场景中，还需要考虑油种、物性、和长输管道等一系列复杂的非线性约束关系。因此一般将上述问题建模成大规模非线性混合整数规划问题，而一般而言，大规模的混合整数规划问题是np-hard问题，现有的求解软件无法有效、快速的求解上述大规模混合整数规划问题。通常为了降低求解规模，提高计算效率，会对原油调度模型进行简化，但这会造成模型无法完整有效的描述原油调度的实际业务场景。因此如何根据炼厂原油调度的实际业务逻辑，快速有效的求解大规模混合整数问题，对原油调度问题的有效性和最优性具有重要意义。
2、然而，现有的原油调度模型如果追求建模的有效性，可能会造成问题规模大，无法有效求解的问题；如果简化模型，又可能会造成模型无法有效描述业务场景，造成求解结果的无效性。另外，现有模型常基于具体业务场景构建，泛化性较差，当原油调度场景发生细微变化，模型求解效率将大幅降低。基于业务场景，结合现有算法中的启发式算法求解原油调度模型，通常只能得到局部最优解，无法确保稳定的求解效率，解的质量难以保证。
3、现有技术中，亟需一种炼厂调度方法及装置。
技术实现思路
1、本专利技术的目的在于解决上述技术问题，提供了
2、为达到上述目的，本专利技术主要提供如下技术方案：
3、第一方面，本申请实施例提供了一种炼厂调度方法，所述方法包括：
4、基于炼厂调度的业务场景构建混合整数规划模型；
5、生成所述业务场景下的作业任务信息，并选取所述业务场景的关键业务操作指标；
6、基于预先训练的作业任务信息与关键业务操作指标之间的映射关系，根据所述业务场景下的作业任务信息预测所述业务场景的关键业务操作指标的数值；
7、将预测得到的关键业务操作指标的数值作为约束条件，对所述混合整数规划模型进行求解，生成炼厂调度方案。
8、在一种可能的实施方式中，所述作业任务信息与关键业务操作指标之间的映射关系通过以下步骤训练得到：
9、以第一预设时长为炼厂调度计划周期，以第二预设时长为调度颗粒度，基于历史数据，将作业任务信息作为输入数据，产生n个数据集zn，并将根据n个数据集zn求解所述混合整数规划模型，对应生成的n个关键业务操作指标，作为输出数据，其中，第一预设时长大于或等于第二预设时长，所述关键业务操作指标包含码头罐区与场内罐区的每一个油罐总切换次数yn；
10、基于输入数据集合和输出数据集合{zn,yn}n∈n，训练adaboost meta有监督机器学习模型，以通过训练后的adaboost meta有监督机器学习模型得到作业任务信息与关键业务操作指标之间的映射关系。
11、在一种可能的实施方式中，所述基于输入数据集合和输出数据集合{zn,yn}n∈n，训练adaboost meta有监督机器学习模型，包括：
12、第一步，初始化：输入参数为训练集{z1,y1,…,zn,yn}和最大循环次数kmax，其中，zn和yn表示原始样本集的样本点及其类标；
13、第二步，迭代计数器k：k＝0，采样权重wk(n)＝1/n，n＝1，…，n，其中，wk(n) 为第k次迭代时全体样本的权重分布；
14、第三步，计数器k＝1,…,kmax
15、使用wk(n)表采样权重对adaboost meta有监督机器学习模型的弱学习器ck进行训练；
16、对弱学习器ck的训练结果进行评估并记录进误差矩阵ek中：
17、
18、其中，i为码头罐区与场内罐区所有罐的集合；
19、计算ck在强分类器中所占的权重：
20、
21、更新训练数据集的权重分布：
22、
23、
24、其中，qk是归一化因子，用于使样本的概率分布和为1
25、第四步，得到以下分类器作为adaboost meta有监督机器学习模型
26、
27、在一种可能的实施方式中，所述约束条件除了预测得到的关键业务操作指标的数值，还包括以下表达式：
28、
29、xi,t,yi∈{0,1}
30、其中，xi,t表示码头罐区或厂内罐区的第i个罐是否在t时刻发生切换，yi表示第i个罐在整个时间周期内是否发生切换，i表示码头罐区或厂内罐区所有罐的集合，以 y＝{y1,…,yi}作为训练标签。
31、在一种可能的实施方式中，所述在所述基于输入数据集合和输出数据集合 {zn,yn}n∈n，训练adaboost meta有监督机器学习模型之后，所述方法还包括：
32、从历史数据中选取测试集数据，对所述adaboost meta有监督机器学习模型进行验证；
33、判断所述adaboost meta有监督机器学习模型预测的与测试集中的关键业务操作指标的数值之间的误差是否小于预设阈值：
34、当所述adaboost meta有监督机器学习模型预测的与测试集中的关键业务操作指标的数值之间的误差小于或等于预设阈值时，判定所述adaboost meta有监督机器学习模型训练完成。
35、在一种可能的实施方式中，通过以下表达式，判断所述adaboost meta有监督机器学习模型预测的与测试集中的关键业务操作指标的数值之间的误差是否小于预设阈值：
36、
37、其中，为测试集中的关键业务操作指标的数值，为adaboost meta有监督机器学习模型预测的关键业务操作指标的数值，p为预设阈值。
38、在一种可能的实施方式中，所述将预测得到的关键业务操作指标的数值作为约束条件，对所述混合整数规划模型进行求解通过启发式算法实现。
39、第二方面，本公开的实施例提供了一种炼厂调度装置，包括：
40、构建模块，其用于基于炼厂调度的业务场景构建混合整数规划模型；
41、选取模块，其用于生成所述业务场景下的作业任务信息，并选取所述业务场景的关键业务操作指标；
42、预测模块，其用于基于预先训练的作业任务信息与关键业务操作指标之间的映射关系，根据所述业务场景下的作业任务信息预测所述业务场景的关键业务操作指标的数值；
43、求解模块，其用于将预测得到的关键业务操作指标的数值作为约束条件，对所述混合整数规划模型进行求解，生成炼厂调本文档来自技高网...
【技术保护点】
1.一种炼厂调度方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤3中，所述作业任务信息与关键业务操作指标之间的映射关系通过以下步骤训练得到：
3.根据权利要求2所述的方法，其特征在于，所述基于输入数据集合和输出数据集合{Zn，Yn}n∈N，训练Adaboost meta有监督机器学习模型，包括：
4.根据权利要求2所述的方法，其特征在于，所述约束条件除了预测得到的关键业务操作指标的数值，还包括以下表达式：
5.根据权利要求2所述的方法，其特征在于，在所述基于输入数据集合和输出数据集合{Zn，Yn}n∈N，训练Adaboost meta有监督机器学习模型之后，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，通过以下表达式，判断所述Adaboost meta有监督机器学习模型预测的与测试集中的关键业务操作指标的数值之间的误差是否小于预设阈值：
7.根据权利要求1所述的方法，其特征在于，将预测得到的关键业务操作指标的数值作为约束条件，对所述混合整数规划模型进行求解
8.一种炼厂调度装置，其特征在于，包括：
9.一种炼厂调度电子设备，其特征在于，包括：
10.一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7任一项所述的炼厂调度方法。
...【技术特征摘要】
1.一种炼厂调度方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤3中，所述作业任务信息与关键业务操作指标之间的映射关系通过以下步骤训练得到：
3.根据权利要求2所述的方法，其特征在于，所述基于输入数据集合和输出数据集合{zn，yn}n∈n，训练adaboost meta有监督机器学习模型，包括：
4.根据权利要求2所述的方法，其特征在于，所述约束条件除了预测得到的关键业务操作指标的数值，还包括以下表达式：
5.根据权利要求2所述的方法，其特征在于，在所述基于输入数据集合和输出数据集合{zn，yn}n∈n，训练adaboost meta有监督机器学习模型之后，所述...
【专利技术属性】
技术研发人员：秦巧珍，刘强，刘华林，马楠，许军，高朋，杨心怡，徐泽进，张萌，李勍，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。