数据驱动的条件柔性指数

随着过程柔性化程度的日益提高，确定鲁棒的调度决策已成为一个重要目标。传统上，柔性指数被用于通过使用简单的可容许不确定性集（如超立方体）来近似可容许不确定性区域，从而识别安全的操作调度。目前，在确定柔性指数时，尚未考虑可用的上下文信息（如预测）来定义可容许不确定性集。我们提出了条件柔性指数（CFI），它通过两种方式扩展了传统的柔性指数：从历史数据中学习参数化的可容许不确定性集，以及利用上下文信息使可容许不确定性集具有条件性。这是通过一个归一化流实现的，该流学习从高斯基分布到数据分布的双射映射。可容许的潜在不确定性集被构建为潜在空间中的超球面，并映射到数据空间。通过结合上下文信息，CFI 通过在给定条件下更可能相关的区域定义可容许不确定性集，提供了更丰富的柔性估计。通过一个说明性示例，我们表明，无法得出数据驱动的可容许不确定性集优于简单集合，或条件集合优于无条件集合的一般性结论。然而，数据驱动和条件可容许不确定性集都确保只考虑包含实际实现的不确定参数空间区域。我们将 CFI 应用于一个安全约束机组组合示例，并证明 CFI 可以通过结合时间信息来提高调度质量。