连续时间调度模型在储运系统中的应用

连续时间调度模型在储运系统中的应用

石油工业是中国经济的主要支柱之一。在炼油厂中,尤其是在大型的现代化炼油厂中,生产调度建模是一个在生产和管理方面的有效工具。通过调度系统,企业可以获得更好的经济效益。由于生产过程的复杂性,炼油厂短期调度是一个极具挑战性的问题。在过去的20a里,研究人员提出了很多相关模型和算法来解决此问题。Pinto等对于炼油厂调度问题来说,调度方案能否顺利执行非常重要。调度方案能否执行与调度模型是否准确描述生产过程相关。对于炼油厂调度模型来说,需要考虑的就是生产装置的生产模式如何描述。Shi等但是随着调度问题的规模进一步增大,相应的调度周期增长、订单数量增多,连续时间模型中所需要的事件点个数也会相应增多。同时由于连续时间模型中的事件点对应的时间是通过模型求解优化得到的,当调度周期增长之后,事件点发生时间的可行域变大。这两方面原因都会导致连续时间调度模型的求解时间变长。Lagrange分解方法是一种能求解大规模数学规划问题的算法为了提高连续时间调度模型的求解效率,本文提出一种针对连续时间调度模型的Lagrange分解算法,根据连续时间模型的特点,利用供需关系,通过计算中间组分油的等价价格来设置Lagrange乘子初始值;结合次梯度算法、割平面方法、box-step方法和指数加权次梯度设计乘子迭代方法来加快算法的收敛性;在成品油调合交货子问题中增加辅助约束提高解的质量。1原油调合产品模型本文研究的某炼油厂生产流程示意图如图1所示。整个炼油厂生产可以分成3个阶段:原油供应、生产加工和成品油调合交货。原油从原油罐中向常压蒸馏装置输送,并假设原油储量足够生产需要。生产加工装置包括了常压蒸馏装置、减压蒸馏装置、催化裂化装置、加氢脱硫装置、醚化装置、甲基叔丁基醚(MTBE)生产装置、柴油加氢精制装置1号和装置2号以及催化重整装置。在成品油调合交货阶段,一共涉及8种调合组分油和8种成品油。调合组分油和成品油储存在油罐中。所建立的模型是混合整数线性规划模型(MILP)。在本节中,主要介绍模型中的两大类约束和目标函数。第一类约束是和装置生产模式相关的约束,第二类约束是装置生产相关约束,1.1操作模式的限制操作模式相关约束包括时间顺序约束、过渡过程变量和稳态变量约束、过渡持续时间约束。1.2设备生产的相关限制装置生产相关约束包括质量平衡约束、装置容量约束、成品油调合及交货约束。1.3单位质量原油价格最小化成本总和是所建立的连续时间调度模型的目标函数。成本包括4个部分:原油成本、生产装置操作成本、库存成本和延迟交货惩罚,即有其中:OPC是常数,表示单位质量原油价格;OpCost完整的连续时间表达炼油厂调度模型为:2lagranga分解算法2.1lagrange对偶问题的松弛约束本文采用空间分解的Lagrange分解算法。在本文中,假设原油从原油储罐中供应,并且量足够多。因此,将后面的2个生产阶段划分成若干个部分来得到对偶子问题。装置生产部分,分解的依据是按照生产装置分解,除了常压蒸馏装置和减压蒸馏装置之外,其余每个装置作为单独的子问题。常压蒸馏装置和减压蒸馏装置共同构成一个子问题。成品油调合交货阶段作为一个单独的子问题。这样的划分能够使得子问题的规模尽可能小,有利于在后续分解算法求解时提高求解子问题的计算效率。划分方案如图2所示。图2中,整个炼油厂全厂生产流程被分成了9个部分:常压-减压蒸馏、催化裂化、加氢脱硫、醚化、MTBE生产、柴油加氢精制装置1号和装置2号、催化重整以及成品油调合交货等。其中前8个部分是生产装置相关,第1个部分包含了2个生产装置,其余每个部分包含了1个生产装置;第9个部分是成品油相关。为了将完整的调度问题分解成子问题,需要松弛与多个子问题有关联的约束。在本文中,这些约束包括中间组分油质量平衡约束、生产装置模式相关约束和事件点时间约束。中间组分油包括了生产装置(除了常压蒸馏装置)原料油和调合组分油。在连续时间完整调度模型中,生产装置组分油质量平衡约束是式(18)。将不同装置的进料油按照对应的装置命名,如减压装置进料油为iVDU、催化裂化装置进料油为iFCCU。式(18)可以拆分成如式(50)—式(57)形式,即调合组分油质量平衡约束是式(19)。在生产过程中,催化裂化装置、加氢脱硫装置和醚化装置的生产模式保持一致。对应的是式(13)和式(14)。连续时间调度模型中采用的是全局事件点描述,所有的装置相同的事件点均对应同一时刻。当分解成子问题时,不同的子问题之间需要相互独立,因此在每个子问题中需要有单独的表示事件点对应时间的变量。在连续时间调度模型中和时间相关的约束有:式(1)—式(3)、式(15)、式(29)—式(30)、式(35)、式(45)—式(46)。用T同时需要式(67)来确保所有子问题中相同事件点对应的时刻相同,即这样式(58)—式(67)就等价于式(1)—式(3)、式(15)、式(29)—式(30)、式(35)、式(45)—式(46)。根据图2所示的子问题划分方案,松弛式(13)—式(14)、式(19)、式(51)—式(57)、式(67),可以将完整调度问题分解成9个子问题。经过松弛约束的问题定义成PLagrange对偶问题定义成P整个Lagrange分解算法的框架如图3所示。算法中的难点是初始化和更新Lagrange乘子,求解子问题和对偶解可行化。2.2中间组分油lagrange乘子法在此分解方案中,中间组分油质量平衡约束被松弛。中间组分油既是上游生产装置的产品又是下游进料对应装置的原料。这部分松弛约束对应的Lagrange乘子可以看做是中间组分油的价格,可以通过计算等价价格来初始化。初始化相应约束形式如式(68)所示,即其中:inCost2.3拉格兰的更新在已有的Lagrange分解算法的研究中,有很多经典的乘子更新方法,例如次梯度方法其中:2.4产品调合模型当通过分解得到子问题之后,子问题的求解效率关系到整个Lagrange分解算法的效率。在完整调度模型中,对于调合组分油是没有上下限的限制,仅仅有相应质量平衡约束。将完整模型分解成子问题时,这部分约束被松弛。所得到的成品油调合交货子问题是线性规划问题,如果直接求解,这些调合组分油的解很可能取0或者是最大值。这样的解和最优解相比有很大差距。从生产流程分析,由于原油进料有上下限限制,每个生产装置的产品收率都是已知的。这样每种调合组分油的流量上下限可以确定如式(72)所示,即增加式(72)并不会改变模型的解,同时可以能够提高成品油调合交货子问题的解的质量。2.5启发式算法设计通常情况下,分解得到的子问题解不是完整问题的解,被松弛的约束不能满足。对于好的Lagrange乘子而言,可以认为子问题解中的0-1变量的取值接近于最优解。在此基础上,本节设计一种启发式算法来获得原问题的可行解,使得能够满足原问题的所有约束,包括所松弛的中间组分油的质量平衡约束在内。在启发式算法中,一部分0-1变量根据对偶子问题的解固定下来,装置分为若干组,每次迭代都会固定其中一组装置的操作状态,经过几次迭代完成所有装置的遍历。具体由式(73)—式(75)表示,即其中:U这样可行化问题的形式为s.t.式(1)—式(48),式(73)—式(75).求解P2.6算法停止基准Lagrange分解算法的停止准则是基于对偶间隙。对偶间隙必须小于给定值,即用完整问题P的下界值f2.7求解子问题的求解算法综合上述内容,完整的针对炼油厂全场调度离散时间模型的多阶段Lagrange分解算法步骤如下:Step1将完整模型P分解成9个子问题:PStep2定义可行化问题PStep3根据式(68)初始化Lagrange乘子;Step4求解子问题:将子问题的目标函数值求和更新完整问题P的下界值fStep5求解可行化问题PStep6根据式(77)计算对偶间隙:如果停止准则满足,则算法终止。否则,求解问题P3仿真实验结果及分析为了测试本章中所提出的多阶段Lagrange分解算法效果,在本节中用3个具有不同调度周期长度和不同订单数量的案例进行仿真。3个案例分别用直接求解、普通Lagrange分解方法和本文提出的Lagrange分解方法求解。在普通Lagrange分解方法中:乘子初始化取值全为0;乘子迭代采用的是次梯度方法;成品油调合交货子问题中不加入辅助约束;对偶可行化方法采用本文提出的启发式算法。这3个案例是基于图1所表示的炼油厂生产流程。3个案例中的调度周期时长被均分成长度为8h的时间间隔。在乘子迭代中,μ取值为1,δ取值为100,γ取值为0.6。算法停止准则中对偶间隙定为8%。求解模型所用软件是GAMS版本24.2.2,求解器是CPLEX12.6.0.0。电脑配置信息是CPU:Intel(R)Xeon(R)CPUE5-2609v2@2.5GHz,内存:32.0GB。3个仿真案例的规模如表1所示。从表1中可以看出3个案例中调度时间长度依次增长;案例2和案例3具有相同的订单数量。模型中所需的事件点个数、模型中的约束数和变量数如表2所示。3.1算法迭代结果案例1的成品油订单信息见表3,案例求解结果见表4。Lagrange分解算法每次迭代结果如图4所示。通过表4的仿真结果可知,本文提出的Lagrange分解算法能够在9次迭代之后得到最优解,求解时间是完整模型求解时间的51.9%。3.2模型2:约束和变量个数案例2的成品油订单信息见表5。案例求解结果见表6。Lagrange分解算法每次迭代结果如图5所示。与案例1相比,案例2的订单个数增长了66.7%,所需事件点个数增加了28.6%。相应的模型中约束数增加了45.8%,变量数增加了34.6%,离散变量数增加了48.8%。由于约束和变量个数的增加,案例2求解完整模型耗时是案例1的6.5倍。而采用Lagrange分解算法能够在15次迭代之后得到最优解,采用Lagrange分解算法求解时间是完整模型求解时间的20.2%。案例2采用Lagrange分解算法求解时间是案例1所需时间的2.5倍。3.3求解时间的比较案例3的成品油订单信息见表7。案例求解结果见表8。Lagrange分解算法每次迭代结果如图6所示。与案例2相比,案例3的订单个数和所需事件点个数都不变。相应的模型中约束数、变量数和离散变量数也都相同。由于调度时间长度的增加,案例3求解完整模型耗时是案例2的2.0倍。而采用Lagrange分解算法能够在12次迭代之后得到解,该解和用完整模型得到的最优解相比有0.28%的差距,可以认为是近似最优解。采用Lagrange分解算法求解时间是完整模型求解时间的9.0%。由于迭代次数较少,案例3采用Lagrange分解算法求解时间是案例2所需时间的90.0%。4lagrange乘子的确定本文针对炼油厂连续时间调度模型的求解时间随着问题规模的增大显著增长的问题,设计了一种Lagrange分解算法。通过松弛中间组分油质量平衡约束、生产装置模式相关约束和事件点时间约束将原完整问题分解成9个子问题。为了加快算法收敛效率,通过经济价格等价计算设定Lagrange乘子初始值;采用一种混合方法更新乘子。为了得到原问题的可行解,设计了一个启发式算法。炼油厂连续时间调度模型的求解时间受到调度问题中订单数、事件点个数和调度时间长度的影响。随着问题规模的增大,调度模型的求解时间显著增长。采用本文所提出的Lagrange分解算法,能够有效地得到调度问题的最优解或近似最优解。Lagrange分解算法的求解时间比完整模型求解所需时间短,并且随着问题规模的增大优势会更明