针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题,提出一种基于多时间尺度协同的进化算法(MTCEA)。首先,根据炼油企业的规模结构和实际需求,建立了一种大规模多时间尺度原油调度优化模型,该模型由面...针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题,提出一种基于多时间尺度协同的进化算法(MTCEA)。首先,根据炼油企业的规模结构和实际需求,建立了一种大规模多时间尺度原油调度优化模型,该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成,通过引入原油资源动态分组策略,实现原油资源的合理配置,以满足不同的调度规模、多时间尺度的特征和精细化生产的要求;其次,为促进不同时间尺度调度决策的融合衔接,设计基于多时间尺度协同的进化算法,并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解,以实现不同时间尺度调度决策之间的协同优化;最后,在3个实际工业案例进行了算法性能验证。结果表明,与3种具有代表性的大规模进化优化算法(即竞争性粒子群优化算法(CSO)、基于多轨迹搜索的自适应差分进化算法(SaDE-MMTS)和基于混合模型的进化策略(MMES))以及3种高性能混合整数非线性规划(MINLP)数学求解器(即ANTIGONE(Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations)、SCIP(Solving Constraint Integer Programs)和SHOT(Supporting Hyperplane Optimization Toolkit))相比,MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。展开更多
近红外光谱分析技术作为一种非侵入性的分析手段在工业上得到了广泛应用。然而,大多数近红外模型的波长选择方法是离线建立的,无法有效跟踪过程特性的变化。提出了一种新的在线自适应波长选择方法——在线自适应区间高斯过程回归波长选...近红外光谱分析技术作为一种非侵入性的分析手段在工业上得到了广泛应用。然而,大多数近红外模型的波长选择方法是离线建立的,无法有效跟踪过程特性的变化。提出了一种新的在线自适应波长选择方法——在线自适应区间高斯过程回归波长选择方法(adaptive interval Gaussian process regression,AIGPR),并用于汽油调和过程中的近红外模型的建立。该方法可以根据待测样本的特性对波长结构进行调整。为了降低在线应用的计算成本,该方法分为离线和在线两个部分,离线部分将光谱分割成若干个波长区间,并在每个波长区间上建立局部模型,为在线应用做准备;在线部分中根据划分规则将采样得到待测样本光谱进行分割并代入相应的局部模型中计算波长区间重要性指标,获得最优波长区间。在汽油辛烷值的光谱数据上证明了该方法的有效性。与重要变量投影法和改进的相关系数法相比,该方法具有更好的性能。展开更多
文摘针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题,提出一种基于多时间尺度协同的进化算法(MTCEA)。首先,根据炼油企业的规模结构和实际需求,建立了一种大规模多时间尺度原油调度优化模型,该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成,通过引入原油资源动态分组策略,实现原油资源的合理配置,以满足不同的调度规模、多时间尺度的特征和精细化生产的要求;其次,为促进不同时间尺度调度决策的融合衔接,设计基于多时间尺度协同的进化算法,并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解,以实现不同时间尺度调度决策之间的协同优化;最后,在3个实际工业案例进行了算法性能验证。结果表明,与3种具有代表性的大规模进化优化算法(即竞争性粒子群优化算法(CSO)、基于多轨迹搜索的自适应差分进化算法(SaDE-MMTS)和基于混合模型的进化策略(MMES))以及3种高性能混合整数非线性规划(MINLP)数学求解器(即ANTIGONE(Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations)、SCIP(Solving Constraint Integer Programs)和SHOT(Supporting Hyperplane Optimization Toolkit))相比,MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。
文摘近红外光谱分析技术作为一种非侵入性的分析手段在工业上得到了广泛应用。然而,大多数近红外模型的波长选择方法是离线建立的,无法有效跟踪过程特性的变化。提出了一种新的在线自适应波长选择方法——在线自适应区间高斯过程回归波长选择方法(adaptive interval Gaussian process regression,AIGPR),并用于汽油调和过程中的近红外模型的建立。该方法可以根据待测样本的特性对波长结构进行调整。为了降低在线应用的计算成本,该方法分为离线和在线两个部分,离线部分将光谱分割成若干个波长区间,并在每个波长区间上建立局部模型,为在线应用做准备;在线部分中根据划分规则将采样得到待测样本光谱进行分割并代入相应的局部模型中计算波长区间重要性指标,获得最优波长区间。在汽油辛烷值的光谱数据上证明了该方法的有效性。与重要变量投影法和改进的相关系数法相比,该方法具有更好的性能。