一种油港资源优化调度方法

摘要

本发明公开了一种油港资源优化调度方法，包括：步骤S11:建立下层调度模型；步骤S12:建立上层调度模型；步骤S13:采用多目标进化算法求解下层调度模型和上层调度模型；步骤S14：根据求解结果确定油轮的目标泊位和靠泊顺序。本发明一方面可以确保在多储罐、多输油管道的因素条件下，整个油港的运行相对平衡且相对稳定，另一方面可以达到油港码头利润最大且油轮总在港时间最小的控制目标，是最为优化的调度方案，相较于传统的人工编制方法，智能性和合理性均明显提高。

说明书

技术领域

本发明属于港口设备技术领域，尤其涉及一种油港资源优化调度方法。

背景技术

油港，是指专门装卸原油或成品油的港口。油港资源调度对于智慧港口建设具有重要意义。合理的调度可以均衡泊位占用时长，提高油港利润，优化油港作业效率。

当前油港资源调度通常还是采用人工编制卸载计划的形式：在油轮入港前由岸方向船方提供船岸连接泊位、输油管道的数量等信息；船方向岸方提供航次所装运的油品品种、油品吨数等信息；并由船岸双方确认原油种类和数量、卸载顺序、卸载速率等信息后制定卸载计划并执行。但是，由于卸载作业中可能存在多个输油管道同时输送，多个油罐同时存储的情况，传统的人工编制卸载计划技术很难最优化油港资源分配，无法充分利用油港资源，存在智能化和合理化有待提高的问题。

发明内容

本发明针对油港现有的人工编制卸载作业计划技术，很难最优化油港资源分配，无法充分利用油港资源，存在智能化和合理化有待提高的问题，设计并提供一种油港资源优化调度方法。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种油港资源优化调度方法，包括以下步骤：

步骤S11：建立下层调度模型，所述下层调度模型为：

min G

其中：

k代表泊位，k＝1，2…，m，m代表油港泊位的数量；

T

TR

TZ

TR

max{TR

min{TR

步骤S12：建立上层调度模型，所述上层调度模型为：

maxF

minF

其中，u

E

L

PC

E

DC

TL

TD

TA

步骤S13：采用多目标进化算法求解下层调度模型和上层调度模型；

步骤S14：根据求解结果确定油轮的目标泊位和靠泊顺序。

与现有技术相比，本发明的优点和积极效果是：

本发明一方面可以确保在多储罐、多输油管道的因素条件下，整个油港的运行相对平衡且相对稳定，另一方面可以达到油港码头利润最大且油轮总在港时间最小的控制目标，是最为优化的调度方案，相较于传统的人工编制方法，智能性和合理性均明显提高。

结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为适用于本发明所提供的资源优化调度方法的油港的结构示意图；

图2为本发明所提供的油港资源优化调度方法的流程图；

图3为采用多目标进化算法求解下层调度模型和上层调度模型时的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

参见图1所示为适用于本发明所提供的资源优化调度方法的油港的结构示意图。如图1所示，执行卸载作业时，油港资源可分为油轮层、泊位层和油罐层；图1中油轮层示例性地包括油轮1、油轮2、…、油轮n，泊位层示例性地包括泊位1、泊位2、…、泊位m，油罐层示例性地包括油罐1、油罐2、…、油罐r。泊位层和油罐层之间通过若干输油管道连通，在卸载同一种油品时，多条输油管道可以并行同时输送。卸载的油品可以存储在目标油罐中，油罐按照油品种类设置，每一种油罐用于存储一种油品，每一种油罐根据需求可选地设置若干个。

本发明所提供的油港资源优化调度方法，旨在对泊位进行分配，针对进港油轮按照高效的原则选择一个泊位并按照最优顺序将泊位分配给油轮以供油轮泊入并执行卸载作业，控制油轮总在港时间，提高油港利润。泊位分配至油港资源调度的基础，是整个优化调度方法的核心。

泊位分配具有以下特点：

(1)油轮到港后，判断是否有可用空闲泊位；若有，可以进行下一步泊位分配，若没有，油轮需要在锚地等待。

(2)任意时刻，一个泊位只能停靠一艘油轮，而一艘油轮也只能占用一个泊位。

(3)油轮完成卸载作业之后准许离港，单次卸载作业结束。若油轮离港后再进港靠泊作业，则认定为执行下一次卸载作业。

(4)如果油轮中存储有多种油品，只能依次卸载，不能同时卸载多种。

(5)不考虑油轮因天气、设备故障等不可抗力因素延迟到达的因素。

从图1的油港结构示意图和泊位分配的特点可以得出，在卸载原油时，多条输油管道可以同时输送油品，多个油罐可以同时存储油品，不同种油罐可以存储不同种油品。所以，一方面，管道输油量会影响油品输送时长：管道输油量越大，油品输送时长越短；反之，如果管道输油量越小，油品输送时长越长；另一方面，油轮停靠的泊位和靠泊顺序也会影响泊位占用时长和油品输送时长：如果油轮停靠的泊位和靠泊顺序合理，泊位占用时长和油品输送时长较短；反之，如果油轮停靠的泊位和靠泊顺序不合理，泊位占用时长和油品输送时长较长。通常来说，油轮总在港时长为油轮待泊时长、原油输送准备时长和原油输送时长的总和，合理的泊位分配可以将油轮待泊时长、原油输送准备时长和原油输送时长最小化，缩短油轮总在港时长，提高泊位的有效卸载作业时长，提升油港利润。

为达到上述目的，本发明所提供的油港资源优化调度方法包括如以下详细描述的多个步骤。本发明所提供的的油港资源优化调度方法可以在油港资源管理系统中运行，油港资源管理系统可以由具有处理器的控制器实现，控制器还包括与控制器连接的存储单元以及必要的外围电路。

步骤S11：建立下层调度模型；下层调度模型的控制目标包括：泊位利用均衡率最高(标准差最小)以及输油管路的输送时长均衡率最高。

下层调度模型可以通过下式表示：

min G

在以上两式中，k代表泊位，k＝1，2…，m，m代表油港泊位的数量；T

当通过输油管道p输油时，设定计划期内泊位k的使用时长T

设定计划期内所有泊位的平均使用时长由下式计算：

通过输油管道p输送油轮i的第j种油品的准备时长TR

TR

其中，TR

通过输油管道p输送油轮i的第j种油品的输送时长由下式计算：

其中，E

在以上两式中：

w

通过下层调度模型得到的可行解，即理想的油轮泊位，可以实现泊位占用时长和输油管道的输送时长均保持在均衡状态，即在多储罐、多输油管道的多因素条件下，油轮、泊位、输油管道以及油罐之间在相互关联执行卸载作业，并处于相对平衡和相对稳定的状态。

考虑到油港卸载作业的特点，下层调度模型还包括以下约束条件：

(1)油轮靠泊约束条件：油轮在进入油港时才能执行卸油作业，且油轮只能靠泊在一个泊位。油轮靠泊约束条件可以由以下公式表示：

其中i代表油轮，i＝1，2…，n，n代表油轮的数量。

(2)油轮载重量约束条件：当且仅当油轮载重量小于目标泊位的靠泊能力时，油轮才允许进入目标泊位。油轮载重量约束条件可以由以下公式表示：

y

W

在油轮靠泊约束条件和油轮载重量约束条件中，y

(3)输油管道约束条件：为实现卸油作业，目标泊位和油罐之间设置有至少一条输油管道。输油管道约束条件可以表示为：

其中，q为输油管道的数量，j代表油品种类，j＝1，2…，u，u代表油品种类的数量；s代表油罐，s＝1，2…，r，r为油罐的数量；

(4)卸载能力约束条件：在设定计划期内，所卸载的油品的种类需要与目标油罐可容纳的油品种类匹配，且油轮中油品的目标卸载量小于目标油罐的剩余容量。卸载能力约束条件可以表示为：

其中F

(5)卸载目标约束条件：油轮中的油品需要全部卸载完。卸载目标约束条件可以表示为：

其中，E

下层调度模型在满足油轮卸载作业要求的前提下得到的可行解，即油轮停靠泊位，以及确定的油品存储油罐、油品输送管道、管道输油量，可以确保卸载作业有效实施，同时可以确保泊位占用时长和输油管道的输送时长均保持在均衡状态，整个油港的作业有效且稳定，处于相对平衡和相对稳定的状态，在下层调度模型的基础上，进一步构建上层调度模型。

本发明所提供的油港资源优化调度方法进一步包括以下步骤：

步骤S12：建立上层调度模型；上层调度模型的控制目标包括：油港码头利润最大以及油轮总在港时间最小。

上层调度模型可以通过下式表示：

maxF

minF

其中：

u

E

L

PC

E

DC

TL

TD

TA

上层调度模型得到的可行解，即油轮靠泊顺序，可以确保油港码头利润最大以及油轮总在港时间最小。

考虑到油港卸载作业的特点，上层调度模型还包括以下约束条件：

(1)输油管道约束条件：为实现卸油作业，目标泊位和油罐之间设置有至少一条输油管道。输油管道约束条件可以表示为：

其中：

k代表泊位，k＝1，2…，m，m代表油港泊位的数量；

p代表输油管道，p＝1，2…，q，q代表输油管道的数量；

j代表油品种类，j＝1，2…，u，u代表油品种类的数量；

(2)泊位准入允许约束条件：一个泊位只能停靠一艘油轮。泊位准入允许条件可以表示为：

其中，TB

(3)卸载完毕离港约束条件：油轮完成卸载作业之后准许离港，单次卸载作业结束。卸载完毕离港约束条件可以表示为：

TLi，k表示油轮i在泊位k上作业完毕后的离港时间，TB

其中，通过输油管道p输送油轮i的第j种油品的准备时长TR

TR

其中，TR

通过输油管道p输送油轮i的第j种油品的输送时长由下式计算：

其中，E

在以上两式中：

w

步骤S13：采用多目标进化算法求解下层调度模型和上层调度模型。上述上层调度模型和下层调度模型可以由软件求解，例如Matlab等。

步骤S14：根据求解结果确定油轮的目标泊位和靠泊顺序。

在优选的实施方式中，采用多目标进化算法求解下层调度模型。

可选的，采用多目标进化算法求解下层调度模型包括以下步骤：

步骤S21：个体编码，即将下层调度模型可行解对应的泊位编号采用二进制表示。

在本实施方式中，下层调度模型可行解(也称个体)所对应的油轮停靠泊位具有唯一的泊位编号，将泊位编号用二进制来表示。用二进制表示的泊位编号构成个体的基因型(即可行解的基因型)。基因型和表现型(泊位编号)可以通过编码和解码程序相互转换。

步骤S22：产生初始种群

设定初始种群群体规模并在下层调度模型可行解中随机选择初始种群中的个体，随机选择可以由随机算法实现，初始种群定义为pop1。

步骤S23：适应度计算：计算样本个体的适应度。

由于下层调度模型中各目标不满足线性独立，优选采用逼近于理想解的排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)建立适应度函数。

适应度函数表示为：

其中，g

步骤S24：选择运算；根据样本个体适应度进行选择运算，选择个体样本。

计算出初始种群中所有个体的适应度总和；计算出初始种群中每个个体的相对适应度，相对适应度为个体适应度与适应度总和的比值；每个相对适应度可以由概率表示，由于所有概率表示之和为1，可以看作全部相对适应度对应的概率值所对应的区域可以组成一个完整区域(例如一个圆盘)。将选择标识随机地置于这个完整区域内，所选中的一个独立区域即代表所选中的个体。即类似转动圆盘，从种群中选出一个个体。从初始种群中选出目标数量的个体即旋转目标次圆盘，即标准的轮盘赌(Roulette wheel)方式。

当在步骤中个体的适应度已经被归一化，也可以直接作为轮盘赌的概率。

步骤S25：交叉运算；将选择运算后的个体样本进行交叉运算。

从选择后的个体样本中随机选择两个个体，以一定的交叉概率进行交叉：将随机位置的对应基因按系数进行线性插值，其余位置保持不变，从而得到两个新的个体。

根据参与交叉操作的两个个体的适应度调整交叉概率。首先设定交叉概率区间[pc

其中，f'为参与交叉操作的两个个体中适应度较大者。

步骤S26：变异运算；将交叉运算后的个体样本进行变异运算。

按照变异概率对交叉后的个体样本中的一个或多个变异点的数值取反。

首先设定变异概率区间[pm

其中，pm表示自适应变异概率；pm

步骤S27：判断是否满足迭代条件：如果满足迭代条件，则退出计算，得到所下层调度模型的最优种群pop1-opt；如果不满足迭代条件，则将变异运算后的个体样本作为下一代种群，循环执行步骤S23至步骤S26，直至满足迭代条件。

具体来说，经过选择计算、交叉运算和变异运算后，即得到下一代的种群。进一步循环执行选择计算、交叉运算和变异运算的过程，直至迭代次数达到上限(满足迭代条件)，退出计算，得到下层调度模型适应度最大时对应的最优种群pop1-opt。对最优种群pop1-opt中的个体基因型进行解码，即得到油港停靠泊位，进而确定油品存储油罐、油品输送管道、管道输油量。

步骤S28：对应计算与最优种群pop1-out中每一个个体所对应的E

步骤S29:将计算出的E

采用多目标进化算法对代入E

可选的，采用多目标进化算法求解代入E

步骤S30:个体编码,即将上层调度模型可行解对应的泊位编号采用二进制表示。

在本实施方式中，上层调度模型可行解(也称个体)所对应的油轮靠泊顺序具有唯一的顺序编号，将靠泊顺序用二进制来表示。用二进制表示的靠泊顺序编号构成个体的基因型(即可行解的基因型)。基因型和表现型(靠泊顺序编号)可以通过编码和解码程序相互转换。

步骤S31：产生初始种群。

设定初始种群规模并在上层调度模型可行解中随机选择初始种群中的个体，随机选择可以由随机算法实现，初始种群定义为pop2。

步骤S32：适应度计算:计算样本个体的适应度。

由于上层调度模型中各目标不满足线性独立，优选采用逼近于理想解的排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)建立适应度函数。

适应度函数表示为：

其中，g

步骤S33：选择运算；根据样本个体适应度进行选择运算，选择个体样本。

选择运算优选采用标准的轮盘赌(Roulette wheel)方式。

当在步骤中个体的适应度已经被归一化，也可以直接作为轮盘赌的概率。

步骤S34：交叉运算；将选择运算后的个体样本进行交叉运算。

从选择后的个体样本中随机选择两个个体，以一定的交叉概率进行交叉：将随机位置的对应基因按系数进行线性插值，其余位置保持不变，从而得到两个新的个体。

根据参与交叉操作的两个个体的适应度调整交叉概率。首先设定交叉概率区间[pc

其中，f'为参与交叉操作的两个个体中适应度较大者。

步骤S35：变异运算；将交叉运算后的个体样本进行变异运算。

按照变异概率对交叉后的个体样本中的一个或多个变异点的数值取反。

首先设定变异概率区间[pm

其中，pm表示自适应变异概率；pm

步骤S36：判断是否满足迭代条件：如果满足迭代条件，则退出计算，得到上层调度模型的最优种群pop1-opt；如果不满足迭代条件，则将变异运算后的个体样本作为下一代种群，循环执行步骤S32至步骤S35，直至满足迭代条件。

对最优种群pop2-opt中的个体基因型进行解码，即得到油港靠泊顺序。

通过两次遗传算法的求解，且上层调度模型的最优解基于下层调度模型的最优解获得，最终得到的油港停靠泊位、油品存储油罐、油品输送管道、管道输油量、油港靠泊顺序，一方面可以确保在多储罐、多输油管道的因素条件下，整个油港的运行相对平衡且相对稳定，另一方面可以达到油港码头利润最大且油轮总在港时间最小的控制目标，是最为优化的调度方案，相较于传统的人工编制方法，智能性和合理性均明显提高。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。