面向石化企业的计划调度建模及优化算法研究

随着物联网,人工智能,数字孪生等技术的快速发展,智能制造以智能工厂为载体,以关键制造环节智能化为核心,以端到端数据流为基础,构建了以"数据+模型+算法+算力"为核心的技术体系,赋能传统制造业提质降耗.智能制造已成为我国制造业数字化智能化转型升级的核心驱动力之一.其中,智能决策是智能制造的核心,决策质量以及其可靠性,时效性,鲁棒性是制造企业智能化水平的重要指标之一.在智能决策中,多层级多系统协同决策,不确定环境下的鲁棒决策以及大规模决策问题的快速寻优是研究热点. 本文以石化行业供应链上游页岩气开采设计计划问题及中下游炼油化工生产计划调度问题为工业应用背景,分别研究了在典型不确定性条件下,石化企业设计与计划集成建模,生产计划与调度集成建模以及相应的大规模混合整数线性规划(Mixed-Integer Linear Programming,MILP)模型的分解算法.此外,针对石化企业原油操作调度,过程设计等问题中应用广泛的混合整数非线性规划(Mixed-Integer Nonlinear Programming,MINLP),本文对其通用分解算法及求解器技术进行了深入研究.从而依次从复杂系统集成建模,不确定性建模以及高效求解算法三个方面提升企业决策智能化水平. 本文的主要内容和创新点如下: 1.针对石化供应链上游页岩气田开发设计和计划问题,提出了一种基于页岩气田超结构的大规模混合整数线性规划模型,对页岩气田开发过程中钻井平台和页岩气井位置的选择,开采操作调度,输气管道的安装,管道尺寸的选择进行集成决策.考虑到传统求解方法和求解器的限制,通过对模型结构的分析,提出了一种基于解池的双层分解算法对模型进行高效求解,通过五个不同规模页岩气田工业案例验证了模型和双层分解算法的有效性.该模型通过对页岩气田开发问题中页岩气网络设计和开发计划协同决策,提升了页岩气开发项目的经济效益. 2.针对产量不确定性下的页岩气田开采计划问题,提出了一种多阶段随机规划模型,其中页岩气井产量不确定性的观测时间由开发决策确定,属于2型内生不确定性.模型采用广义析取规划(Generalized Disjunctive Programming,GDP)对决策变量与不确定性参数之间的逻辑关系进行建模,并考虑了实际开发中产量不确定性参数的观测延迟.针对内生不确定性下多阶段随机规划模型的结构特点,采用拉格朗日分解算法和启发式策略对模型进行求解.案例分析表明该模型提供的最优决策可以通过对页岩气井开发顺序的调整来减少开发低产量井的风险. 3.针对需求不确定性下的石化供应链中下游化工企业生产计划和调度问题,提出了一种基于多阶段随机规划的计划调度集成建模框架,通过耦合约束构建计划层和调度层在决策粒度和时间尺度上逻辑连接,并采用场景树对需求不确定性进行刻画.为了对通用模型进行有效求解,提出了一种包含多种加速策略的逐步对冲算法.状态任务网络(State-Task Network,STN)案例和实际乙烯工厂案例都验证了该建模框架及算法的优越性,有效解决了传统的生产计划和调度中分步决策导致的生产效益下降和无法处理不确定性干扰的问题. 4.针对石化行业企业级优化问题中常见的混合整数非线性规划问题,以外逼近法为基础对其通用求解算法进行了深入研究.为了解决外逼近法在非凸MINLP模型中的收敛性问题,提出了基于McCormick松弛的全局外逼近法和全局LP/NLP分支定界算法,通过非凸约束的McCormick凸松弛和凹松弛生成其有效割平面,构建非凸MINLP问题可行域的多面体近似,并通过添加整数割平面或禁忌表保证算法的收敛性.两种算法均已部署在开源求解器MindtPy(Mixed-Integer Nonlinear Decomposition Toolbox in Pyomo)中.通过原油操作调度问题以及上百个数值案例和工程案例的测试,验证了该算法对非凸MINLP问题的求解性能. 5.针对经典外逼近法在相邻迭代间主问题最优解大幅跳变的问题,提出了正则化外逼近法.通过加入正则化问题的求解,对主问题最优解进行信赖域投影,限制相邻迭代间暂行解的移动范围.其中正则化问题通过对目标函数的边界限制构建等价的信赖域约束,并提出了基于l1范数,l2范数,l∞范数,拉格朗日函数一阶和二阶近似等多种信赖域范围计算方法.上百个开源数值案例和工程案例测试表明正则化的加入可以大幅降低不可行整数组合的发生次数,有效减少算法收敛所需的迭代次数,验证了正则化外逼近法相比于经典外逼近法在求解性能上的优越性. 最后在总结全文的基础上,提出了内生和外生不确定性下企业级优化集成建模框架和混合整数规划分解算法的未来研究方向.