中文題目：大規模原油調度與生產計劃集成的知識輔助混合優化策略

論文題目：Knowledge-Assisted Hybrid Optimization Strategy of Large-Scale Crude Oil Scheduling Integrated Production Planning

錄用期刊：Computers & Chemical Engineering (中科院大類2區，CAA A類)

原文DOI：https://doi.org/10.1016/j.compchemeng.2024.108904

原文鏈接：https://www.sciencedirect.com/science/article/pii/S0098135424003223

錄用/見刊時間：2024/10/22

作者列表：

1） 何仁初 中國石油大學（北京）人工智能學院 自動化系教師

2） 謝云昊 中國石油大學（北京）人工智能學院 控制科學與工程專業 碩23

3） 張師偉 華東理工大學信息科學與工程學院 控制工程專業 碩21

4） 許   鋒 中國石油大學（北京）人工智能學院 自動化系教師

5） 隆   建 華東理工大學能源化工過程智能制造教育部重點實驗室 教師

摘要：

本研究提出了一種基于知識輔助的大規模原油調度與計劃集成優化模型，該模型采用了一種結合數學規劃（MP）和粒子群優化（PSO）的混合優化算法（MP/PSO）進行求解。長期計劃旨在最小化運營和運輸成本，同時最大化煉油廠利潤；而短期調度則基于初步的長期計劃，旨在最小化裝置切換次數。在短期調度階段，基于經驗操作知識的啟發式規則生成一個高性能的初始種群，以加速收斂。這一策略對于提升煉油廠的應急響應能力、確保穩定運行以及提高經濟效益至關重要。實驗結果表明，MP/PSO在本文大規模原油調度場景中的表現優于PSO和人工調度。

背景與動機:

在現代煉油工業中，原油調度作為生產流程的核心前端，至關重要。它涉及原油的接卸、輸轉、庫存管理、調合及加工，對維持生產連續穩定、優化資源配置及最大化利潤具有重大意義。然而，隨著煉油規模擴大，傳統依賴人工經驗的調度方式已難以應對復雜性與動態性挑戰，常致決策缺乏全局前瞻，難以平衡長期計劃與短期調度靈活性。

為解決此問題，提升原油調度的智能化水平，引入了知識輔助的優化算法。該算法融合數學規劃與粒子群優化方法，結合專家知識與經驗，生成優質初始種群，加速求解并提升解的質量，高效應對大規模原油調度問題，實現調度與生產計劃的集成優化，推動煉油工業智能化發展。

設計與實現:

針對大規模原油調度問題，本研究提出了一種知識輔助的計劃與調度集成優化模型。該模型采用了數學規劃與粒子群優化（MP/PSO）相結合的混合優化算法進行求解。長期計劃的目標是最小化運營和運輸成本，同時最大化煉油廠的利潤；短期調度則基于初步的長期規劃，旨在最小化切換次數。在短期調度階段，基于經驗操作知識的啟發式規則用于生成高性能的初始種群，以加速收斂?？傮w技術路線如圖1所示。

圖2 總體技術路線圖

將原油調度問題分為兩個層次：長周期計劃和短周期調度。長周期計劃通?？紤]的是數周到數月的時間尺度，目標是確定各個加工單元的投入產出量和產品配比，以滿足市場需求和生產成本要求；而短周期調度則通?？紤]的是數天到數周的時間尺度，目標是在長周期計劃的基礎上進一步優化各個罐的收付油情況，以確保生產運營的穩定性和效率。因此，在長周期計劃優化完成后，可以將優化結果作為短周期調度的初始條件。這樣可以提高短周期調度的效率和穩定性，也能夠更好地滿足生產需求。具體而言，長周期計劃模型可以表示為：

式（1）L表示長周期計劃的優化目標函數，T表示批次啟止方案，F表示原油配方方案，P表示各常減壓裝置的收付油方案。這個優化問題可以通過數學規劃或者優化算法進行求解。然后，將長周期計劃模型的優化結果作為短周期調度模型的初始條件輸入，短周期調度模型可以表示為：

式（2）中f表示短周期調度的求解函數，長周期的優化結果作為輸入，輸出短調度方案Q，包括各個儲罐的收付油情況、郵輪卸油方案和儲罐庫存情況。算法流程如圖2所示.

圖2 算法流程圖

實驗結果及分析:

為了驗證本方法的有效性以及穩定性，本文針對長周期計劃結果設計了多組對比實驗。分別用PSO（長周期結果為隨機生成）和Manual/PSO（長周期結果為人工排產）與本文所提方法MP/PSO進行對比。圖3和圖4為求解的長周期計劃結果。

圖3 長周期計劃甘特圖（MP/PSO）

圖4 長周期計劃油種配方（MP/PSO）

表1顯示，在20次實驗中，Manual/PSO方案切換次數最少，其次為MP/PSO，而PSO方案表現最差，這是由于長期計劃目標的差異所致。Manual/PSO方案優先最大化經濟效益，因此表現較優；MP/PSO兼顧經濟效益和解的可行性，導致效益稍低；PSO因缺乏合理的長期規劃，容易陷入局部最優。在約束違反率方面，MP/PSO最低，其次為Manual/PSO，PSO最高。這是由于Manual/PSO方案雖初期符合約束，但因缺乏全周期優化，約束違約率隨時間增高；PSO初始條件隨機，違約率相對高；MP/PSO則通過全周期約束優化，使原油資源配置更合理。

表1 各方法重復實驗20次的指標

通過對比圖 5、圖 6和圖 7，在切換頻率和調度連續性方面，MP/PSO 和 Manual/PSO 表現較好，顯示出更強的連續性和較少的切換次數。相比之下，單獨 PSO 方案則表現出較高的離散性，切換頻繁且連續性較低。

圖5 短周期調度甘特圖（MP/PSO）

圖6 短周期調度甘特圖（Manual/PSO）

圖7 短周期調度甘特圖（PSO）

結論:

針對大規模原油調度與生產計劃集成問題，本研究提出了一種知識輔助的混合優化策略。通過結合數學規劃和粒子群優化算法，該策略不僅能夠有效處理原油調度的復雜性和動態性，還能在合理的時間范圍內實現更優的調度方案。實驗結果表明，與單獨使用粒子群優化算法和人工調度相比，所提出的混合優化策略在大型原油調度場景中表現更佳。此外，該策略還充分考慮了長期經濟目標和短期生產靈活性，實現了更全面的優化。為解決原油調度與生產計劃的集成問題提供了一種新的思路和方法。

作者簡介:

何仁初，男，中國石油大學（北京）人工智能學院自動化系教授、博士生導師。上海自動化學會理事，主要研究領域為面向能源化工過程的智能感知、智能建模、智能決策、機器學習和優化控制方面的理論、方法與應用。近年來主持/參與國家自然科學基金面上項目2項；企業委托重大合作項目10余項；發表SCI/EI學術論文30多篇；申請國家/國際PCT專利20余項，已授權國家發明專利11項，授權國際發明專利1項；登記計算機軟件著作權20多件；獲得省部級一等獎2項，省部級三等獎1項。