[发明专利]一种基于深度学习不确定集的排产方法及装置

说明书

本发明涉及一种基于深度学习不确定集的排产方法及装置，以及一种计算机可读存储介质。所述排产方法包括以下步骤：获取至少一种原油的第一数据；获取至少一种操作装置的第二数据；获取至少一种目标产品的第三数据；根据所述第一数据、所述第二数据以及所述第三数据，确定优化目标的表达式以及至少一个约束条件；确定所述第一数据、所述第二数据以及所述第三数据中的不确定数据，并根据所述不确定数据构建不确定集；根据所述不确定集涉及的至少一个约束条件，构建对抗性问题；以及求解所述对抗问题，以确定所述至少一种目标产品的排产计划。

技术领域

本发明涉及石油化工领域，尤其涉及一种基于深度学习不确定集的排产方法、一种基于深度学习不确定集的排产装置，以及一种计算机可读存储介质。

背景技术

原油是一种重要的能源，而炼厂是原油生产过程中的关键一环，用于将原油转化为汽油、柴油和燃料油等有价值的产品。然而，近些年来原油价格波动严重，使得原油资源严重短缺。因此，炼厂的计划排产优化方案正逐渐成为石油化工领域的研究重点及热点。

在模拟炼厂计划排产的优化过程中，构建处理模型是一项主要的挑战。如今较为常用的方法是采用混合整数非线性生产计划(MINLP)模型，或者混合整数线性生产计划(MILP)模型来进行炼厂的计划排产优化。然而，此二者均未考虑到产品需求、原油供应和设备效率等系统层面的不确定性因素。这些不确定性因素的存在会严重影响MINLP模型、MILP模型等确定性模型的预测准确率，甚至导致模型的不可行。

为了克服上述缺陷，本领域进一步提出了一种基于鲁棒优化来构建炼厂排产计划的不确定性模型的改进方案，可以利用不确定集对参数的可能值进行建模。然而，现有的椭球体不确定集、预算不确定集、组合不确定集等传统的不确定集普遍过于保守，使得其解决方案的优化度普遍较低。因此，本领域亟需一种计划排产技术，用于合理降低鲁棒计划优化方案的保守性，以提升解决方案的优化度。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。

为了克服现有技术存在的上述缺陷，本发明提供了一种基于深度学习不确定集的排产方法、一种基于深度学习不确定集的排产装置，以及一种计算机可读存储介质，能够在排产计划的最优性和鲁棒性之间做出合理的权衡，从而在确保模型鲁棒性的前提下提升排产计划的优化度。

具体来说，本发明的第一方面提供的上述基于深度学习不确定集的排产方法包括以下步骤：获取至少一种原油的第一数据，其中，所述第一数据包括所述原油的供应量及成本价格；获取至少一种操作装置的第二数据，其中，所述第二数据包括所述操作装置的额定处理量及操作成本；获取至少一种目标产品的第三数据，其中，所述第三数据包括所述目标产品的需求量、销售价格及化验数据；根据所述第一数据、所述第二数据以及所述第三数据，确定优化目标的表达式以及至少一个约束条件；确定所述第一数据、所述第二数据以及所述第三数据中的不确定数据，并根据所述不确定数据构建不确定集；根据所述不确定集涉及的至少一个约束条件，构建对抗性问题；以及求解所述对抗问题，以确定所述至少一种目标产品的排产计划。

进一步地，在本发明一些实施例中，所述优化目标包括利润最大化。此外，在本发明的一些实施例中，所述至少一个约束条件包括供应限制约束、产品产量约束、装置产能约束、质量平衡约束及产品属性约束中的至少一者。

进一步地，在本发明一些实施例中，所述优化目标的表达式包括：

max(profit)＝Sale-RCost-UCost