中文题目：大规模原油调度与生产计划集成的知识辅助混合优化策略

论文题目：Knowledge-Assisted Hybrid Optimization Strategy of Large-Scale Crude Oil Scheduling Integrated Production Planning

录用期刊：Computers & Chemical Engineering (中科院大类2区，CAA A类)

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

原文链接：https://www.sciencedirect.com/science/article/pii/S0098135424003223

录用/见刊时间：2024/10/22

作者列表：

1） 何仁初 中国石油大学（北京）人工智能学院 自动化系教师

2） 谢云昊 中国石油大学（北京）人工智能学院 控制科学与工程专业 硕23

3） 张师伟 华东理工大学信息科学与工程学院 控制工程专业 硕21

4） 许   锋 中国石油大学（北京）人工智能学院 自动化系教师

5） 隆   建 华东理工大学能源化工过程智能制造教育部重点实验室 教师

摘要：

本研究提出了一种基于知识辅助的大规模原油调度与计划集成优化模型，该模型采用了一种结合数学规划（MP）和粒子群优化（PSO）的混合优化算法（MP/PSO）进行求解。长期计划旨在最小化运营和运输成本，同时最大化炼油厂利润；而短期调度则基于初步的长期计划，旨在最小化装置切换次数。在短期调度阶段，基于经验操作知识的启发式规则生成一个高性能的初始种群，以加速收敛。这一策略对于提升炼油厂的应急响应能力、确保稳定运行以及提高经济效益至关重要。实验结果表明，MP/PSO在本文大规模原油调度场景中的表现优于PSO和人工调度。

背景与动机:

在现代炼油工业中，原油调度作为生产流程的核心前端，至关重要。它涉及原油的接卸、输转、库存管理、调合及加工，对维持生产连续稳定、优化资源配置及最大化利润具有重大意义。然而，随着炼油规模扩大，传统依赖人工经验的调度方式已难以应对复杂性与动态性挑战，常致决策缺乏全局前瞻，难以平衡长期计划与短期调度灵活性。

为解决此问题，提升原油调度的智能化水平，引入了知识辅助的优化算法。该算法融合数学规划与粒子群优化方法，结合专家知识与经验，生成优质初始种群，加速求解并提升解的质量，高效应对大规模原油调度问题，实现调度与生产计划的集成优化，推动炼油工业智能化发展。

设计与实现:

针对大规模原油调度问题，本研究提出了一种知识辅助的计划与调度集成优化模型。该模型采用了数学规划与粒子群优化（MP/PSO）相结合的混合优化算法进行求解。长期计划的目标是最小化运营和运输成本，同时最大化炼油厂的利润；短期调度则基于初步的长期规划，旨在最小化切换次数。在短期调度阶段，基于经验操作知识的启发式规则用于生成高性能的初始种群，以加速收敛。总体技术路线如图1所示。

图2 总体技术路线图

将原油调度问题分为两个层次：长周期计划和短周期调度。长周期计划通常考虑的是数周到数月的时间尺度，目标是确定各个加工单元的投入产出量和产品配比，以满足市场需求和生产成本要求；而短周期调度则通常考虑的是数天到数周的时间尺度，目标是在长周期计划的基础上进一步优化各个罐的收付油情况，以确保生产运营的稳定性和效率。因此，在长周期计划优化完成后，可以将优化结果作为短周期调度的初始条件。这样可以提高短周期调度的效率和稳定性，也能够更好地满足生产需求。具体而言，长周期计划模型可以表示为：

式（1）L表示长周期计划的优化目标函数，T表示批次启止方案，F表示原油配方方案，P表示各常减压装置的收付油方案。这个优化问题可以通过数学规划或者优化算法进行求解。然后，将长周期计划模型的优化结果作为短周期调度模型的初始条件输入，短周期调度模型可以表示为：

式（2）中f表示短周期调度的求解函数，长周期的优化结果作为输入，输出短调度方案Q，包括各个储罐的收付油情况、邮轮卸油方案和储罐库存情况。算法流程如图2所示.

图2 算法流程图

实验结果及分析:

为了验证本方法的有效性以及稳定性，本文针对长周期计划结果设计了多组对比实验。分别用PSO（长周期结果为随机生成）和Manual/PSO（长周期结果为人工排产）与本文所提方法MP/PSO进行对比。图3和图4为求解的长周期计划结果。

图3 长周期计划甘特图（MP/PSO）

图4 长周期计划油种配方（MP/PSO）

表1显示，在20次实验中，Manual/PSO方案切换次数最少，其次为MP/PSO，而PSO方案表现最差，这是由于长期计划目标的差异所致。Manual/PSO方案优先最大化经济效益，因此表现较优；MP/PSO兼顾经济效益和解的可行性，导致效益稍低；PSO因缺乏合理的长期规划，容易陷入局部最优。在约束违反率方面，MP/PSO最低，其次为Manual/PSO，PSO最高。这是由于Manual/PSO方案虽初期符合约束，但因缺乏全周期优化，约束违约率随时间增高；PSO初始条件随机，违约率相对高；MP/PSO则通过全周期约束优化，使原油资源配置更合理。

表1 各方法重复实验20次的指标

通过对比图 5、图 6和图 7，在切换频率和调度连续性方面，MP/PSO 和 Manual/PSO 表现较好，显示出更强的连续性和较少的切换次数。相比之下，单独 PSO 方案则表现出较高的离散性，切换频繁且连续性较低。

图5 短周期调度甘特图（MP/PSO）

图6 短周期调度甘特图（Manual/PSO）

图7 短周期调度甘特图（PSO）

结论:

针对大规模原油调度与生产计划集成问题，本研究提出了一种知识辅助的混合优化策略。通过结合数学规划和粒子群优化算法，该策略不仅能够有效处理原油调度的复杂性和动态性，还能在合理的时间范围内实现更优的调度方案。实验结果表明，与单独使用粒子群优化算法和人工调度相比，所提出的混合优化策略在大型原油调度场景中表现更佳。此外，该策略还充分考虑了长期经济目标和短期生产灵活性，实现了更全面的优化。为解决原油调度与生产计划的集成问题提供了一种新的思路和方法。

作者简介:

何仁初，男，中国石油大学（北京）人工智能学院自动化系教授、博士生导师。上海自动化学会理事，主要研究领域为面向能源化工过程的智能感知、智能建模、智能决策、机器学习和优化控制方面的理论、方法与应用。近年来主持/参与国家自然科学基金面上项目2项；企业委托重大合作项目10余项；发表SCI/EI学术论文30多篇；申请国家/国际PCT专利20余项，已授权国家发明专利11项，授权国际发明专利1项；登记计算机软件著作权20多件；获得省部级一等奖2项，省部级三等奖1项。