早期的文献主要关注的是调和问题. Dewitt 等
[12]
详细地探究了汽油的非线性属性模型.近年来,许多
研究都针对汽油调和调度问题建立了不同的混合整数线性规划(mixed integer linear programming,MILP)
模型或 MINLP 模型.
Pinto 等
[13]
提出了 MILP 模型进行调和调度,但是他们没有保证最小调和时间,也没有处理产品油的
非线性属性. Jia 等
[14]
提出了一个连续时间的 MILP 模型,但他们假设不同批次的调和配方是恒定的.
Mendez 等
[15]
建立了 MILP 模型.他们提出了一种迭代算法,将非线性属性线性化.但是这种线性化会给模
型带来误差. Li 等
[16]
提出了连续的 MILP 模型,这个模型考虑了配方的优化、产品罐的分配、库存约束、
订单输送等,但没有对组分油库存进行限制. Li 等
[7, 16]
在原有研究的基础上增加了组分油库存限制,但是
仍然没有考虑调和过程的连续性. Castillo 等
[2, 17]
提出了一个三步策略,利用库存夹点(总的生产量与总需
求量相交的时间点)将调度时域分解成几个调和周期,再将问题分成 NLP,MINLP 模型求解调和调度计划.
然而他们的模型中所谓的调和周期不是一个调和批次,并且订单数和提货日期也是已知的. Castillo 等
[18]
提出了一种连续时间 MINLP 模型,这个模型考虑了一些新的约束,如减少从不同的产品罐中提货同一种
产品的提货次数.但他们的模型中不同批次之间可以有空闲时间. He 等
[4]
提出了一种改进的汽油调和调度和
实时配方优化方法.他们求解一个三层模型,进行汽油调和调度和实时配方优化.但是,他们所考虑的调和
过程并不是连续的,也没有考虑多个产品罐.
以上所述文献中所使用的建模和优化的方法存在以下方面的局限性.首先,文[14]没有考虑组分油属
性的波动,并采取恒定的调和配方,这可能导致汽油产品质量不合格
[19]
.其次,文[2, 15-16]假设订单交付
日期和订单量是已知的,这个假设与实际情况不符.此外,文[2, 16]假设产品罐的种类是未知的.实际上,
产品罐已被预先分类.另一方面,本文所研究的是连续管道汽油调和过程,这与文[13-14]中的调和过程不
同.在这些文献中,调和周期的边界往往由订单日期划分,这种划分的特殊性允许调和头在批次切换之间
存在空闲时间.然而,订单日期通常是未知的,并且调和是连续的.此外,文[18]中建立了多周期的 MINLP
模型,同时进行所有周期的配方和调度的优化,但当调度时域比较大时,模型会很庞大,而且计算很麻
烦.
针对以上问题,本文所提出的连续汽油调和调度问题的模型作出了以下方面的改进.首先,本文在模
型中考虑了组分油的属性波动.其次,提货日期和提货量需要在模型中通过优化求解得到.此外,产品罐的
类别和数量是已知的.另一方面,每个调和周期的开始和结束时刻都是变量,一个调和周期的时长就是一
个调和批次的调和时间,调和头没有空闲时间.最后,由于多周期的 MINLP 模型求解难度很大,本文提出
采用批次滚动优化的求解策略,依次对每个周期进行调和调度计划的求解.
因此,针对连续汽油调和过程,本文提出了一种三层模型和批次滚动优化求解策略.首先,建立产量
核算 NLP 模型,目的是核算调度时域内的生产计划能否完成;然后,建立配方优化 NLP 模型进行配方优
化;最后,建立生产调度 MINLP 模型,进行生产调度计划的求解.此外,本文还提出了一种批次滚动优化
求解策略用于求解建立的三层模型,避免了大规模多周期 MINLP 模型的求解.
1 问题陈述 1.1 过程描述
本文所研究的连续管道汽油调和过程如图 3 所示.参与调和的共有 5 种组分油,其中 2 种组分油为
直调油,另外 3 种组分油有专门的储罐,然后根据一定的配方,泵入调和头中进行混合.直调油的流速是
由上游装置决定的,无法通过阀门调整.调和完成的汽油送入对应的产品罐中储存.产品罐中的汽油产品通
评论0
最新资源