Optimización dinámica de procesos

Prof. Cesar de Prada

Dpt. Ingeniería de Sistemas y
Automática
Universidad de Valladolid
1
 Indice
 Industria de procesos
 Optimización de procesos
 Optimización dinámica
 Como resolver estos problemas
 Como aplicar las soluciones
 Ejemplo: Papelera
 Problemas abiertos
Conclusión:
Aunque hay muchos
problemas abiertos, los
últimos avances hacen de
la optimización una
tecnología que puede
usarse para la operación
óptima de procesos
2
 Industria de procesos

Procesos mas
Mas tecnología
complejos

Mas normas y
Menos personal especificaciones

Situaciones Mas competencia

cambiantes Mas datos que
nunca
3
 Pirámide del control
Manufacturing
Enterprise
Operation
Planificación Resource
económica Management ERP
Planing
Supervisión y Manufacturing
optimización Execution Systems MES /
de la MOM
producción

Control Avanzado LP/ MPC

Control básico e Instrumentación, SCADA

Instrumentación / DCS / PLC

Capas funcionales Decisiones Software / Hardware

Punto de vista academico complejas Punto de vista industrial
organizadas en
diferentes niveles 4
 Los sistemas ERP manjan
la planificación de la
producción, logística, ERP
suministros de materiales y
recursos, contabilidad,, etc.
Planificación de
laempresa

Planficación de la
factoría

Refinamiento a
corto plazo

Refinery Gas
Natural Gas
Fuel
Gas Sulphur
DePr RG
Syngas and Reformates
Plat
Naphtha
HDT Split RG H2
RG Regular Mogas
Condensates and Low
Mogas
Sulphur Crudes Kero Blend Premium Mogas
High Sulphur Crudes
CDU1 RG
LGO
Imported Residues
HDS2 Kero / Avtur
HGO H2

Objetivos de producción a cortoplazo

CO2
Long Residue

Automotive Gasoils
GasOil and Marine
Blend

para las plantas calculados con

Naphtha
RG
HDS1 HMU
Low Sulphur Crudes Kero H2
H2
HCU Light Fuel Oil

modelos sencillos (LP) High Sulphur Crudes CDU2

LGO
HGO RG FuelOil
Blend
Heavy Fuel Oil

Bunkers
Imported Residues

El matenimiento de los modelos es Long Residue

HVU1
BBU
HVU2
BDU
Refinery Fuel
Bitumen 80/100
Bitumen 180/200

difícil y requiere información

Bitumen 45/55

adecuada y herramientas 5
 Transporte óptimo

ao
Distintos puntos de inyección de gas
Gijón
lb
Coruña
Bi

a
on
a

pl
nd

m
Varios consumidores que deben
ira

Pa
M

León

Pa
Vigo Gerona
San Adrián

lle
recibir cantidades determinadas en
já
os

Palencia Lérida
Zaragoza
Burg

Barcelona
Valladolid

Salamanca
Tarragona ciertos plazos
Castellón
Madrid Mahón
cete
ar

Valencia
Alcáz

Mora
Decidir sobre donde y cuanto gas inyectar
Alba

Mérida
Ibiza Palma

Almodó
var
Puertollano
Alicante y el funcionamiento de los compresores
Huelva
Sevilla Córdoba
Cartagena
para minimizar el costo de transporte
Coria El Arahal
Motril
satisfaciendo la demanda de los
Rota Málaga
Algeciras consumidores y las restricciones técnicas
de transporte
Problema de gran dimensión
Modelado adaptado al problema La base de la
Compromiso sencillez / representación de optimización es el
la realidad modelado 6
 Funcionalidades

… Production scheduling

SPC ERP
Data reconciliation

MES /
Detección de fallos MOM
inferencias
MPC/ LP LP/ MPC
Supervisión
de controladores
….. Instrumentation, SCADA
/ DCS / PLC

7
 MES
Gestión estadística de alarmas

El elemento clave son los sistemas Sistemas de gestión de activos

integrados de información 8
 Secuenciamiento
Lógica asociada
x
Tanks j
Recetas: r (Dispositivo semi-
j=1,2,3,...M
automatizado)
Jobs z
Almacen
i=1...N Zona inicial e=0
…

Zonal final e=L

ZW/NIS ZW/NIS Robot
r =1...R Dispositivo
Zona Zona
inicial j1 j2 j3 … M final
semi-automatizado para
transferencias
NIS “Non-intermediate Storage”
e=0 ZW/NIS ZW/NIS e=L ZW “Zero Wait ”

Distintos tratamientos de distintas piezas que deben efectuarse

siguiendo una secuencia determinada con ciertos tiempos de
operación en cada nodo.

¿Como organizar el secuenciamiento de modo que se minimice

el tiempo total de proceso y todas las piezas reciban el
tratamiento adecuado, compatible con la operación del robot? 9
 Ejemplo: Operación óptima
¿Que punto de operación
−E maximiza el beneficio?
0 = q (c Ai − c A ) − Vβ e RT
cA J = q cBp1 - qcAip2 – Frp3

0 = qρc p (Ti − T ) + Vkc A H − UA(T − Tr )

0 = Fr ρ r c pr (Tri − Tr ) + UA(T − Tr ) Materia
Ti, q, cAi
prima: A
c B = c Ai − c A
TT AT
x = c B / c Ai x conversion
T x
Tmin ≤ T ≤ Tmax Refrig. Tri
Reactor
x min ≤ x ≤ 1
q min ≤ q ≤ q max Productos: A, B
A→ B
Fr min ≤ Fr ≤ Fr max 10 10
 Operación óptima (económica)
Optimizador
Función de costo económica: Económico (RTO)
(Flujo producto*concentración*precio- SP Temp SPComp.
– materia prima*precio – u
2 u 1

-Flujo refrigerante*precio)*
MPC
FC
tiempo Temp Comp. TT
FT

TT AT
FC
Alimentación
FT

Reactor
Refrigerante

11
 Control Predictivo (MPC)

Nu −1
= ∑ [ŷ( t + j) − w ( t + j)] + ∑ [β∆u ( t + j)]
N2
2 2
min J
u ( t ), u ( t +1),.. j= N1 j= 0
Modelo
lineal: Sujeto al modelo dinámico del proceso
QP Cumpliendo unas restricciones sobre las MV y CV (OP/PV)
12
 Optimización económica y
control
Límite superior
Consigna
SP
Consigna
SP

 Mejor control implica menor variabilidad en torno al valor de consigna

mejor calidad
 La reducción de varianza permite mover la consigna a otro punto de
operación respetando las restricciones y creando espacio para la
optimización
13
Real Time Optimization (RTO)

Problema Punto
estacionario u2 óptimo de
RTO operación
económico
SP
Problema
MPC
dinámico

Control Básico u1

Proceso RTO: Modelos del proceso y

especificaciones + software de
optimización + implementación
14
 Transitorio óptimo
¿Como llegar al punto
de operación óptimo en
mínimo tiempo
respetando las
restricciones?

Materia
Ti, q, cAi
prima: A

TT AT
dT
Vρc p = qρc p ( Ti − T) + Vkc A H − UA ( T − Tr )
dt
T x
Vr ρ r c pr
dTr
= Fr ρ r c pr ( Tri − Tr ) + UA ( T − Tr )
Tri
dt Reactor
dc −E Refrig.
V A = q (c Ai − c A ) − Vβ e RT c A
dt Productos: A, B
A→ B 15 15
 Operación y Control de procesos

 Del seguimiento de consignas y

el rechazo de perturbaciones a
operar una planta
dinámicamente con un objetivo
económico

 Operación óptima de procesos

 El desarrollo de este tipo de

sistemas es complejo y a veces
específico, pero hay
herramientas y desarrollos que
lo empiezan a hacer posible
16
 Optimización de planta
completa
Recursos compartidos /
Gestión de vapor, agua,..
Cuellos de botella
Ahorro energético
Transiciones suaves / rápidas
Scheduling de la producción
 Hay un gran potencial en la operación
óptima (económica) de los procesos.
 Requiere una integración entre el análisis
de la operación de los procesos, la toma
de decisiones y su implementación.
 Los modelos (e incertidumbres) juegan
un papel fundamental
 Control avanzado (MPC) y RTO son las
herramientas clave
 Campo abierto para la cooperación
industria-academia
 La aceptación industrial suele estar ligada
a la existencia de referencias previas y a
las expectativas de beneficio.
17
 Performance
KPI
Precios, objetivos
Data
RTO
reconciliation
Modelado
Re-diseño
Tratamiento de datos
MPC MPC MPC
Errores gruesos
Supervisión, FDD
Control Básico Detector de
• Diferentes tareas y
estados estacionarios
herramientas
• Problemas abiertos
• Entornos de diseño
integrado
• Mantenimiento:
Integración con el
nivel MES
• Educación y
entrenamiento 18
 Implementación
RTO
 Una implementación exitosa puede
no ser sencilla y requiere
conocimiento y experiencia
 El mantenimiento es el factor mas Tratamiento
importante: Organización interna, de datos
integración con MES/ERP,
tratamiento de datos, herramientas
para supervisión y diagnóstico de Detección de estado
MPC y RTO. estacionario
 Pocas herramientas para estimar
ganancias y mejoras, KPI, así como
entornos de diseño y generación de
aplicaciones
 Falta de personal con buena
formación (teoría + proceso), tanto
en usuarios finales, como en
suministradores, ingenierías y el
mundo académico
19
 Implementación de RTO
Planficación

RTO RTO RTO

Objetivos, rangos
Diseño de una
DSS Optimizador local /LP estructura SO de
SP SP control

MPC MPC Self-Optimizing

Control
Producción

Control básico Control básico Control básico

Proceso Proceso Proceso

20
 Self-Optimizing Control SOC
g(T,x) = r
u2
La estructura de control p=s
Optimo
implementa la solución de la
optimización

r g(T,x) u1
gC

TT AT PT PC s

Proceso
Problema con los
cambios de
restricciones activas 21
 Inconsistencias entre capas
Falta de
herramientas Actualización del
modelo
Objetivos
u2
RTO /Planning óptimos
Gestionado por
distintos Dpt. SP
MPC MPC MPC

Control básico u1

Diferentes modelos y restricciones en

Proceso diferentes capas pueden generar objetivos a
seguir equivocados o infactibles para la
capa MPC
22
 Operación dinámica de procesos
óptima (económica) NMPC
económico

RTO Estático
MPC con un objetivo Dinámico
SP
económico directo
MPC Dinámico

Control básico Control basico

Proceso Proceso
T
min J = ∫ L( x , u )dt
T Función
min J ( x , u )
u
min J = ∫ ( x − SP ) dt 2
u 0 de costo
u 0
económica
f ( x, u ) = 0 F( x , x , u ) = 0 F( x , x , u ) = 0
g( x, u ) ≤ 0 g( x, u ) ≤ 0 g( x, u ) ≤ 0 23
 Dinámicas difíciles
q = u(t)
¿Como alimentar el reactor q, Sin
respetando restricciones y
maximizando P en tf ?
 = µX − σX
X X(0) = X 0
µX σX
S = − + + qSin S(0) = S0
Yx Ys V, X
S, P
P = νP P(0) = P0
 =q
V V(0) = V0
µ mS ν mS
µ= ν=
S2 K0 + S
Km + S + Restricción
Ki de camino
24
 Maximizar la producción de P
en un tiempo dado

Solución no-trivial u, Sin

u

V, X
XUP
P
S, P
X
S

25
 Optimización dinámica (DO)
 Muchos tipos:
tf
min J (u) = ∫ L(x, u)dt  Problemas de valor inicial
u ( t ), x 0 , t f t0
 Problemas TPBV
dx  Problemas de tiempo mínimo
= f (x, u, z ), x( t 0 ) = x 0 DAE  DAE u ODE
dt
 Híbridos
h ( x, u , z ) = 0  Coste algebraico o integral
g ( x, u , z ) ≤ 0  ….
Dynamic Optimization (DO)
Son problemas mas Algunas de las restricciones son
intensivos en cálculo que ecuaciones diferenciales
los NLP
Las decisiones se toman a lo largo
del tiempo
26
 Optimización dinámica
T
min J (u ) = ∫ L( x , u )dt Función de coste J x estados
u 0

F( x , x , u ) = 0 Modelo DAE u variables

g( x, u ) ≤ 0 Restricciones de decisión

u puede ser un conjunto de parámetros o un conjunto de variables que

evolucionan a lo largo del tiempo

Dos problemas: Número infinito de variables de decisión y de restricciones

u x límite

time time
27
 Métodos de solución
T
min J (u ) = ∫ L( x , u )dt Función de coste J x estados
u 0

F( x , x , u ) = 0 Modelo DAE u variables

g( x, u ) ≤ 0 Restricciones de decisión

Métodos indirectos Métodos Directos

Se calculan las condiciones Se aproxima la solución

necesarias de optimalidad mediante discretización de las
mediante cálculo de variaciones variables dependientes del tiempo

Problema de contorno Programación no-lineal

en dos puntos NLP 28
 MPC / Control óptimo
MPC NO es control óptimo

u y MPC: Se resuelve un
Model problema de optimización
u(t+j) en lazo abierto cada periodo
MV u(t)
de muestreo partiendo del
OP
time estado actual
past future
Set point
SP
u(t), u(t+1), u(t+2) se
^
y(t+j|t)
consideran variables
CV Output prediction
independientes en el
PV problema de optimización
... time
t t+1 t+2

w u y
Controller Proceso En control óptimo, las u(t+j)
SP no son independientes y el
objetivo es el cálculo de la
u(t)=kx(t) ley de control (k) 29
 Parametrización del vector de
control (CVP)
u2 u2
u u u1
u1 u3 u4 u3 u4
tiempo tiempo

∆t ∆t

u i = pi ui = pi t + bi

u4
u T
u2 min J (p) = ∫ L( x , u (p))dt
p 0
u1 u3
tiempo
F( x , x , u (p)) = 0
t1 t2 t3 g ( x , u (p)) ≤ 0

pi = ui , ti
30
 Parametrización
1. Comenzar con una
parametrización
u1 u2 u6
sencilla
u u7 u8 u9 u10
u3 u4
u5
2. Refinarla
time incrementando los
parámetros hasta
∆t
identificar patrones
u1 u3 3. Redefinir la
u u2 parametrización en
base a los patrones
time
para reducir el
u4 u5 número de
parámetros

31
 Métodos de solución
T
min J (p) = ∫ L( x , u (p))dt
p 0
Se aplica una
parametrización F( x , x , u (p)) = 0 NLP
u(p)
g ( x , u (p)) ≤ 0

Enfoque secuencial Enfoque simultaneo

CVP mas resolver las Convertir el problema en

ecuaciones DAE uno NLP de gran tamaño
externamente mediante su
mediante simulación discretización total 32
 Enfoque secuencial
Optimizador NLP de J(u(p))
con respecto a p
Valores de Valores de
p J(u), g(u)
Simulador dinámico que
calcula los valores de x, z
solución del DAE, así como
de J(x,u), g(x,u,z)
Múltiples llamadas al simulador desde el código NLP
El optimizador solo considera a p
como variables de decisión del problema
El modelo DAE se resuelve
rigorosamente
Dificultades con las restricciones de
camino, el cálculo de gradientes y
sistemas inestables
T
min J (p) = ∫ L( x , u (p))dt
p 0
F( x , x , u (p)) = 0
g ( x , u (p)) ≤ 0 Solución con
software NLP
33
 Programación No Lineal NLP
Las restricciones
definen el espacio
de búsqueda o
min J ( x ) J(x) conjunto factible F
x

hi (x) = 0
g j (x) ≤ 0
x1

x2

34
 Métodos NLP

SQP Sequential Quadratic Programming, resuelve

numéricamente las condiciones KKT como una secuencia de
problemas QP aproximados
1
min ∇ x L(x k , λ k , µ k )∆x + ∆x' ∇ 2x L(x k , λ k , µ k )∆x
∆x 2
h(x k ) + ∇ x h(x k )∆x = 0, m ≤ x k + Δx ≤ M
x k +1 = x k + σ k ∆x k
λ k +1 = λ k + ∆λ k
μ k +1 = μ k + ∆μ k

Códigos: NPSOL, SNOPT, MUSCOD-II, fmincon, NAG, …

35
 Métodos NLP

IP Interior Point incorporan las restricciones de

desigualdad como funciones de barrera y resuelve una
secuencia de problemas KKT relajados, por Newton- Raphson
nε

min J (x)
min J (x)
x ,ε min J (x) − η∑ ln(ε i )
x ,ε
x i =1
h(x) = 0 h(x) = 0
h(x) = 0
g(x) ≤ 0 g(x) + ε = 0
g ( x) + ε = 0
ε≥0
Secuencia de problemas con η→0 ∇ x J ( x ) + λ ' ∇ x c( z ) − ν ' = 0
en cada uno de los cuales se
c(z) = 0
resuelven por Newton las  h ( x) 
condiciones KKT relajadas: Xν = ηe c(z) =  
Códigos: IPOPT, KNITRO,… g ( x ) + ε 
36
 Sensibilidad del óptimo

min J (x)
x
Los multiplicadores de Lagrange λ, µ
h(x) = b proporcionan la sensibilidad de la
solución óptima J* respecto a cambios
g(x) ≤ c
en las restricciones:
∂J (x* ) ∂J ( x *
)
= −λ * ' = −μ * '
∂b ∂c

Estos valores nos permiten calcular como se modifica el valor del óptimo
cuando se relajan en una unidad las restricciones, lo cual puede ser
importante en la toma de decisiones

37
 Software

Librerías con solvers

que pueden integrarse
con otras
aplicaciones:
NAG, CPLEX, IMSL,
TOMLAB, Optimization
Toolbox, WORHP,…

Entornos de modelado y optimización Requieren los gradientes o

los calculan por diferencias
GAMS, AIMMS, XPRESS, Gurobi,… finitas
Fáciles de usar, muchos solvers disponibles,
calculo de derivadas automático, pero
pocas facilidades de comunicación externa
38
Restricciones de camino
Path Constraints

Diversas estrategias

T
∫0 max(0, x − M)dt ≤ 0
39
 Gradientes (Sistemas continuos)
T
min J (p) = ∫ L( x , u (p))dt u(p) p parámetros libres
p 0

F( x , x , u (p)) = 0 En general, problemas

g ( x , u (p)) ≤ 0 densos para los que los
métodos SQP son adecuados

SQP y otros algoritmos NLP necesitan calcular los gradientes de la

función de costo y las restricciones respecto a las variables de decisión

Métodos

 Diferencias finitas

 Ecuaciones de sensibilidad / Sistema adjunto

 Diferenciación automática, Simbólica, Notación polaca inversa

 Ecuaciones de sensibilidad
T
min J (p) = ∫ L( x , u (p))dt u(p) p parámetros libres:
p 0
variables de decisión
F( x , x , u (p)) = 0
g ( x , u (p)) ≤ 0
∂x
Cálculo de sensibilidades s= sensitivity
∂p

dJ T  ∂L ∂x ∂L ∂u 
= ∫  + dt
dp i 0
 ∂x ∂p i ∂u ∂p i 

∂F ∂x ∂F d ∂x ∂F ∂x ∂F ∂u Conjunto de ecuaciones

= = + diferenciales lineales de
∂x ∂p i ∂x dt ∂p i ∂x ∂p i ∂u ∂p i
 
primer orden en s
 Sistema extendido
∂x
s=
∂p ODEs de primer orden en s.
Las sensibilidades pueden obtenerse
∂F ds i ∂F ∂F ∂u integrando el sistema extendido
+ si + =0
∂x dt ∂x ∂u ∂p i Muchas ecuaciones (nx np + nF) pero las
ecuaciones de sensibilidad tienen el mismo
F( x , x , u ) = 0 Jacobiano que el sistema original F

Se puede hacer un cálculo eficiente de las sensibilidades reusando el

Jacobiano ∂F/ ∂x que se usa en la integración del sistema original
Diferenciación Automática para el cálculo del Jacobiano
Pueden usarse DASPK 3.0, IDAS,… como algoritmos de integración
para obtener las sensibilidades en línea.
 Integración del sistema
extendido
Simultaneous corrector:
∂F ds i ∂F ∂F ∂u
+ si + =0
∂x dt ∂x ∂u ∂p i Las ecuaciones del modelo y
sensibilidad se integran conjunta y
F( x , x , u ) = 0 s ( 0) = 0
simultáneamente.

Tras un paso de integración del Staggered methods:

DAE, todos los parámetros (tamaño
del paso,…) se congelan y se
calculan las sensibilidades para ese
paso.
Los métodos por etapas permiten
usar distintos criterios de error en el
DAE y en las ecuaciones de
sensibilidad.
Primero se integran las ecuaciones del
modelo y luego las de sensibilidad
Staggered direct: La factorización del
Jacobiano se hace cada paso.
Staggered corrector: La factorización
del Jacobiano se hace cuando se
necesita
 Sensibilidades Adjoint method
T
min J (u ) = ∫ L( x , u )dt
u 0
F( x , x , u ) = 0
g( x, u ) ≤ 0
El cálculo de las
sensibilidades usando la
integración del sistema
extendido (Forward method)
no es eficiente cuando la
dimensión de u, nu, es alta.
En muchos casos el interés directo no
∂x
es el cálculo de las sensibilidades s=
∂u
sino el gradiente de una variable J(u)
dJ T  ∂L ∂x ∂L  No depende
=∫  + dt
du 0  ∂x ∂u ∂u  de t
En el caso de cálculo de la
sensibilidad de una variable
(independiente de t) respecto a un
número de parámetros alto, es
mejor usar el método del sistema
adjunto (Adjoint method)
 Método del sistema adjunto
Dadas las ecuaciones Se puede definir la función:
T *
L ( x , u ) = J (u ) − ∫ λ F( x , x , u )dt
T
J ( u ) = ∫ L( x , u )dt 0
0

F( x , x , u ) = 0 como F( x , x , u ) = 0

dL dJ T  ∂L ∂x ∂L  T *  ∂F ∂F ∂x ∂F ∂x 
= =∫  + dt − ∫ λ  + + dt
du du 0  ∂x ∂u ∂u  0  ∂u ∂x ∂u ∂x ∂u 
Integrando por partes el término

*  ∂F ∂x  * ∂F ∂x * ∂F  ∂x
T
T  T d 
∫0  ∂x ∂u 
λ dt = λ − ∫  λ
∂x ∂u 0 0 dt  ∂x  ∂u
 dt

* ∂F ∂x
Con u = λ dv = dt Resulta:
∂x ∂u
 Método del sistema adjunto

dJ T  ∂L * ∂F  T  ∂L * ∂F d  * ∂F   ∂x
= ∫  −λ  dt − ∫  − + λ −  λ   dt −
du 0  ∂u ∂u  0
 ∂x ∂x dt  ∂x   ∂u
 * ∂F ∂x   * ∂F ∂x 
− λ  + λ 
 ∂x ∂u  T  ∂x ∂u  0
 

Selecting λ ∂F ∂L * ∂F d  * ∂F  Sistema
λ* =0 − +λ − λ  = 0 adjunto
such that ∂x t =T ∂x ∂x dt  ∂x 

Integrando el modelo pueden obtenerse valores para

integrar el sistema adjunto y con los valores de λ dJ T  ∂L ∂F 
calcular el gradiente deseado. Nótese que ∂x/∂u =0 en = ∫  − λ* dt
du 0  ∂u ∂u 
t =0. El problema se resuelve integrando el sistema
adjunto hacia atrás en el tiempo con condición inicial
dada en t = T (para DAEs de orden 0 y 1)
 Aumented adjoint system

∂L * ∂F d  * ∂F  ∂F
− +λ − λ =0 λ* =0
∂x ∂x dt  ∂x  ∂x t =T
∂F
*
El sistema adjunto aumentado se define a partir de ϕ=λ como:
∂x
dϕ ∂F ∂L
* *
− λ=− Y tiene la ventaja de que si el DAE
dt ∂x ∂x original de orden 0 o 1, es estable, el
∂F
* sistema adjunto aumentado para ϕ
ϕ− λ=0 también lo es al integrar hacia atrás en el
∂x tiempo a partir de t = T. Se resuelve
igualmente a partir de la condición
inicial ϕ(T) = 0
 Jacobiano

 ∂F ∂F 
F( x , x , u ) = 0
 ∂x ∂x 
Jacobiano =

∂F ds i ∂F ∂F ∂u
Se necesita el Jacobiano del sistema dinámico + si + =0
para el cálculo de las sensibilidades ∂x dt ∂x ∂u ∂p i

∂F d∆x ∂F ∂F
O para linealizar el sistema + ∆x + ∆u = 0
∂x dt ∂x
 ∂u
 Example: Chemical Reactor

dc A − E RT Max J = q cB
V = q (c Ai − c A ) − Vβ e cA
dt
dT
Vρc p = qρc p (Ti − T ) − Vkc A H − UA(T − Tr )
dt
dT
Vr ρ r c pr r = Fr ρ r c pr ( Tri − Tr ) + UA ( T − Tr ) Row material:
Ti, q, cAi
dt Product A
c B = c Ai − c A
TT AT
x = c B / c Ai x conversion
T x
Tmin ≤ T ≤ Tmax Coolant Tri
Reactor
x min ≤ x ≤ 1
q min ≤ q ≤ q max
Products: A, B
Fr min ≤ Fr ≤ Fr max A→ B 49
 Jacobiano
dc A −E
V = q (c Ai − c A ) − Vkc A k = β e R(T + 273.14 )
dt
dT
Vρc p = qρc p (Ti − T ) − Vkc A H − UA(T − Tr )
dt
dT
Vr ρ r c pr r = Fr ρ r c pr (Tri − Tr ) + UA(T − Tr )
dt

q c A kE 
 +k 0 
V R (T + 273.14) 2 
−1
 ∂F  ∂F  kH q UA c A HkE UA 
 ∂x  ∂x =  ρc + +
V Vρc p ρc p R (T + 273.14) 2
−
Vρc p 
 p 
 0 − UA Fr UA 
+
 Vr ρ r c pr Vr Vr ρ r c pr 
 Jacobiano

dc A −E
V = q (c Ai − c A ) − Vkc A k = β e R(T + 273.14 )
dt
dT
Vρc p = qρc p (Ti − T ) − Vkc A H − UA(T − Tr )
dt
dT
Vr ρ r c pr r = Fr ρ r c pr (Tri − Tr ) + UA(T − Tr )
dt

 c A − c Ai 
 0 V 
 ∂F  ∂F  T − Ti 
−1

 ∂x  ∂u =  0 
V 
 Tr − Tri 0 
 Vr 
 Software

Entornos de
simulación unidos a
solvers NLP

Asistentes para la
definición del
problema y
generación
automática de código
de optimización

EcosimPro, gProms,
Dymola,..
Muy importante el cálculo de sensibilidades para
la calidad de la solución.
Errores relativos Simulación / Optimización 52
 Ejemplo: Reactor químico
dc A − E RT Max J = q cB
V = q (c Ai − c A ) − Vβ e cA
dt
dT
Vρc p = qρc p (Ti − T ) − Vkc A H − UA(T − Tr )
dt
dT
Vr ρ r c pr r = Fr ρ r c pr ( Tri − Tr ) + UA ( T − Tr ) Row material:
Ti, q, cAi
dt Product A
c B = c Ai − c A
TT AT
x = c B / c Ai x conversion
T x
Tmin ≤ T ≤ Tmax Coolant Tri
Reactor
x min ≤ x ≤ 1
q min ≤ q ≤ q max
Products: A, B
Fr min ≤ Fr ≤ Fr max A→ B 53 53
Con / sin sensibilidades

54
 Multiple shooting
Dividir el horizonte en n intervalos [ti , ti+1] y resolver
el problema DO incorporando los valores iniciales en
x cada intervalo zi como nuevas variables de decisión

z3
z2

z1
u0 u3
u1
u2
tiempo

t1 t2 t3

J = ∑i =0 ∫ L( x i ( t ), u i , z i ))dt
n −1 t i+1

ti
xi x en el intervalo i
 Multiple shooting
…Imponiendo además la condición de que el estado
final en un intervalo sea igual al valor inicialen el
x siguiente para asegurar su continuidad
x i ( t i +1 ) − z i +1 = 0
z2

z1 z3

u0 u3
u1
u2
tiempo

t1 t2 t3
 Multiple shooting
J = ∑i =0 ∫ L( x i ( t ), u i , z i ))dt
n −1 t i+1
 Ventajas: ti

– La inicialización de x puede estar

v = {u 0 , z1 , u1 ,..., z i , u i ,..., z n −1 , u n −1}
mas cerca de la trayectoria deseada,
lo que facilita l convergencia min J
v
– Se pueden imponer restricciones de
Fi ( x i , x i , u i , t ) = 0
camino sobre zi
– La evolución de la etapa i es x i (t i ) = zi
independiente de la i+1 g i (z i , u i , t i ) ≤ 0
– Facilita la paralelización x i ( t i +1 ) − z i +1 = 0
– Permite usar métodos secuenciales
i = 0,...., n
con sistemas inestables x

 Desventajas: z2
z3

– Mayor complejidad u0
z1
u1 u3
u2
time
t1 t2 t3
 Enfoque simultaneo

T
min J (p) = ∫ L( x , u (p))dt Discretizar
p 0
totalmente las
F( x , x , u (p)) = 0
ecuaciones
g ( x , u (p)) ≤ 0

F( x , x , u (p)) = 0
T
∫0
L( x , u (p))dt

x ( t + ∆t ) − x ( t ) ∑ [L( x ( j), u ( j, p)]∆t

N

F( , x ( t + ∆t ), u (p)) = 0
∆t j= 0

t = 0, ∆t, 2∆t,…… Sistema de ecuaciones algebraicas

58
 Enfoque simultaneo
T
min J (p) = ∫ L( x , u (p))dt El número de variables de decisión y
p 0 ecuaciones se incrementa de acuerdo a la
F( x , x , u (p)) = 0 discretización.
g ( x , u (p)) ≤ 0 Facilita la imposición de restricciones
de camino, el cálculo de gradientes y se
puede usar en sistemas inestables
N
Puede haber problemas con la
min J = ∑ [L( x ( j), u ( j, p)]∆t
p, x
j= 0
discretización de las DAE
F( x (1), x (0), u (0, p)) = 0 g(x(0), u(0, p)) ≤ 0 x(i) y p son
variables de
F( x (2), x (1), u (1, p)) = 0 g(x(1), u(1, p)) ≤ 0
decisión
F( x (3), x (2), u (2, p)) = 0 g(x(2), u(2, p)) ≤ 0
Solución con
.....
software NLP
F( x ( N), x ( N − 1), u ( N − 1, p)) = 0 g(x(N - 1), u(N - 1, p)) ≤ 0
59
 Discretización

Colocación
ortogonal por
elementos finitos
tiempo
¿nº de elementos?

La integración de sistemas stiff usa métodos de paso y estructura variable

para mantener el error de integración bajo cotas.

El uso de métodos de paso fijo obliga a usar un gran número de intervalos,

resultando en un alto número de ecuaciones y variables y no garantiza la
calidad 60
 Colocación en elementos finitos
El horizonte temporal se divide en K
intervalos o elementos (tk-1 , tk] de longitud
x ∆k = tk – tk-1 Aproximación
Polinomial

Elemento k Elemento k+1

tiempo

tk-1 tk tk+1 …

En cada intervalo (tk-1 , tk] la solución Pueden usarse muchos tipos de

x se aproxima por una fórmula
polinómica. Esto proporciona una
aproximación suave en elemento, al
tiempo que permite discontinuidades
en la señal de control.
aproximaciones polinómicas
El número de elementos r K
no tiene por que ser grande
 Colocación en elementos finitos

Elemento k Elemento k+1

x El horizonte temporal se
divide en K intervalos o
elementos (tk-1 , tk] de
longitud ∆k = tk – tk-1 tiempo
τ=0 ∆k τ=1 xkj
tk-1 tk tk+1 … parámetros
P
a calcular
Una posibilidad es aproximar la x( t ) ≈ ∑ Pj (τ)x kj
j=0
evolución temporal de las variables k = 1,…,K
por una combinación lineal de t = t k −1 + τ∆ k τ ∈ (0,1]
polinomios conocidos Pj(τ) de orden P P (τ)x
P. Típicamente se usan polinomios x ( t ) ≈ ∑ j kj τ Tiempo
de interpolación de Lagrange. j=0 ∆k normalizado
 Polinomios de interpolación de
Lagrange
x xk2
xk1 xkj Elemento k+1
xkP
Elemento k
time
τ=0 τ1 … τj τ=1
tk-1 tk tk+1 …

Se seleccionan P+1
P P
τ − τi
x( t ) ≈ ∑ Pj (τ)x kj Pj (τ) = ∏ puntos de interpolación
j=0 i =0 ,i ≠ j τ j − τi τ0 = 0, τ1,.., τP
t = t k −1 + τ∆ k τ ∈ (0,1] x ( t kj ) = x ( t k −1 + τ j∆ k ) = x kj τi < τi+1
P P (τ)x
x ( t ) ≈ ∑ j kj Los parámetros xkj tienen un
j=0 ∆k significado claro cuando se usan los
polinomios de Lagrange
 Polinomios de Lagrange
P
τ − τi xk2
Pj (τ) = ∏
x xk1 xk3
i = 0 ,i ≠ j τ j − τ i

τ − τ1 τ − τ 2 τ − τ 3 Elemento k
P0 =
τ 0 − τ1 τ 0 − τ 2 τ 0 − τ 3
τ0 = 0 τ1 τ2 τ3 τ = 1
τ − τ 0 τ − τ 2 τ − τ3 tk-1 tk
P1 =
τ1 − τ 0 τ1 − τ 2 τ1 − τ 3 P

Ejemplo con P= 3 x( t ) ≈ ∑ Pj (τ)x kj

τ − τ 0 τ − τ1 τ − τ3 j= 0
P2 =
τ 2 − τ 0 τ 2 − τ1 τ 2 − τ3 Para τ = τ1 P0 = P2 = P3 = 0 P1 = 1
τ − τ 0 τ − τ1 τ − τ 2 x(tk-1 + τ1∆k) =
P3 = = P0 xk0 + P1 xk1 + P2 xk2 + P3 xk3 = xk1
τ3 − τ 0 τ3 − τ1 τ3 − τ 2
x ( t k −1 + τ j ∆ k ) = x kj 64
 Colocación en elementos finitos

x xk2
xk1 xkj
xkP
Element k
time
τ=0 τ1 … τj τ=1
tk-1 tk tk+1 …

Se impone que se satisfagan F( x , x , u (p)) = 0

las ecuaciones DAE en los
puntos de colocación.
Esta condición proporciona
un conjunto de ecuaciones
que permiten calcular los
coeficientes xki desconocidos
P P  (τ )x
F(∑ j i kj , x ki , u (p)) = 0 k = 1,..K
j=0 ∆k
Los P+1 puntos de colocación se sitúan en
posiciones fijas τi en cada elemento k. Existen
diferentes métodos para situarlos
 Colocación Ortogonal
xk2 ¿Donde deben situarse
x xk1 xkj los puntos de colocación
xkP τi para tener la mejor
estimación de x(t)?
time
τ=0 τ1 … τj τ=1
tk-1 tk tk+1 …

P P j (τi )x kj k = 1,..K Para reducir P se escogen

F(∑ , x ki , u (p)) = 0 i = 1, …P polinomios ortogonales
j=0 ∆k
1
∫ P (τ)P (τ)dτ = 0
0
j i i≠ j
 Colocación Ortogonal
P τ0 es siempre = 0
Los puntos de colocación τi, i =
1,…,P se seleccionan como las
raíces de polinomios de tipo
Gauss-Jacobi, típicamente:

P P
PLegendre
P (τ) = ∑ (−1) P− j
τ γj
j
PRadau
P (τ) = ∑ (−1) P − j τ j γ j
j= 0 j=0

γ0 = 1 γ0 = 1
(P − j + 1)(P + j) (P − j + 1)(P + j + 1)
γj = γj =
j2 j2
Dan mas exactitud Dan mas robustez
 Colocación Ortogonal
La continuidad de las trayectorias a lo largo
de los elementos finitos (tk-1 , tk] se impone
x
mediante:

tiempo

tk-1 tk tk+1 …
P P j (τi )x kj k = 1,..K
F(∑ , x ki , u (p)) = 0 i = 1, …P
j=0 ∆k
En lugar de estas ecuaciones, en los puntos τ0 = 0
se usa la continuidad de los estados, y en t = 0 las x( t k ) = x k +1, 0 = x k ,P
condiciones iniciales para generar ecuaciones que x( t 0 ) = x10 = x 0
las sustituyan y que garanticen soluciones acorde a
lo deseado
 Colocación Ortogonal
Si se desea, las variables de control pueden representarse
también mediante polinomios de interpolación de Lagrange en
u los elementos finitos (tk-1 , tk]

time

tk-1 tk tk+1 …
P
u( t ) ≈ ∑ Pj (τ)u kj
No se impone la continuidad de las
j=1
trayectorias de control en los elementos
finitos (tk-1 , tk]
P
τ − τi
Pj (τ) = ∏
i =1,i ≠ j τ j − τi Pueden usarse métodos simultáneos de
t = t k −1 + τ∆ k τ ∈ (0,1] optimización con sistemas inestables
 Ejemplo

Integrar entre t = 0 y 1 Se seleccionan K = 2 elementos

x = x 2 − 2 x + 1 x (0) = −3 finitos de igual tamaño
∆k = (1 – 0)/2 = 0.5
P = 3 puntos de colocación

x xk2
xk1 xkP

τ=0 τ1 … τ2 τ=1
tk-1 tk

Los puntos de colocación de Radau para P =3 son:

τ0 = 0 τ1 = 0.155051 τ2 = 0.644949 τ3 = 1
 Ejemplo
P
τ − τi Los puntos de colocación de Radau para P =3 son:
Pj (τ) = ∏ τ0 = 0 τ1 = 0.155051 τ2 = 0.644949 τ3 = 1
i =0 ,i ≠ j τ j − τi

τ − τ1 τ − τ 2 τ − τ3
P0 = = −10τ3 + 18τ 2 − 9τ + 1
τ0 − τ1 τ0 − τ 2 τ0 − τ3
τ − τ 0 τ − τ 2 τ − τ3
P1 = = 15.5808 τ3 - 25.6296τ 2 + 10.0488τ
τ1 − τ0 τ1 − τ 2 τ1 − τ3
τ − τ0 τ − τ1 τ − τ3
P2 = = -8.9141τ3 + 10.2963τ 2 - 1.3821τ
τ 2 − τ0 τ 2 − τ1 τ 2 − τ3
τ − τ0 τ − τ1 τ − τ 2
P3 = = 3.3333τ3 - 2.6667 τ 2 + 0.3333τ
τ3 − τ0 τ3 − τ1 τ3 − τ 2 P
x ( t k −1 + τ j∆ k ) = x kj x( t ) ≈ ∑ Pj (τ)x kj t = t k −1 + τ∆ k τ ∈ (0,1]
j=0
 Ejemplo
P P j (τ)x kj Los puntos de colocación de Radau para P =3 son:
x ( t ) ≈ ∑ τ0 = 0 τ1 = 0.155051 τ2 = 0.644949 τ3 = 1
j=0 ∆k
P (τ) = −30τ 2 + 36τ − 9
0 x = x 2 − 2 x + 1 x (0) = −3
P1 (τ) = 46.7423τ 2 - 51.2592τ + 10.0488
P (τ) = -26.7423τ 2 + 20.5925τ - 1.3821 3 P j (τ)x kj
∑
2
= x 2 − 2x + 1
P3 (τ) = 10τ 2 - 5.3333τ + 0.3333 j=0 0.5

x( t k −1 + τ j∆ k ) = x kj k = 1,2
t = t k −1 + τ∆ k τ ∈ (0,1]
 Ejemplo
3 P j (τ)x kj
x = x − 2 x + 1
2
x (0) = −3 ∑
j=0 0.5
= x 2
− 2x + 1 k = 1,2

P j (τi )x kj
3
En los puntos de colocación τi : ∑ = x 2ki − 2x ki + 1 k = 1,2
j=0 0.5 i = 1, …3

(−30τi2 + 36τi − 9) x10 + (46.7423τi2 - 51.2592τi + 10.0488)x11 +

+ (-26.7423τi2 + 20.5925τi - 1.3821)x12 + (10τi2 - 5.3333τi + 0.3333)x13 =
= 0.5( x12i − 2 x1i + 1) i = 1,2,3
(−30τi2 + 36τi − 9) x 20 + (46.7423τi2 - 51.2592τi + 10.0488)x 21 +
+ (-26.7423τi2 + 20.5925τi - 1.3821)x 22 + (10τi2 - 5.3333τi + 0.3333)x 23 =
= 0.5( x 22i − 2 x 2i + 1) i = 1,2,3
8 incógnitas, 6 ecuaciones
 Ejemplo
x11 x12
x x13
x10
Elemento 1 Elemento 2

τ = 0 τ1 … τ2 τ=1
t0 =0 t1 t2 =1

P 3
x( t k ) = x k +1, 0 = x k ,P = ∑ Pj (1)x k , j x(0.5) = x 20 = x13 = ∑ Pj (1)x1 j
j=0 j=0

x( t 0 ) = x10 = x 0 x(0) = x10 = −3

8 incógnitas, 8 ecuaciones Las condiciones iniciales y de

continuidad proporcionan las otras dos
ecuaciones
 Ejemplo

x = x 2 − 2 x + 1 x (0) = −3
 Software: GAMS

Entornos de modelado y optimización como GAMS, AIMMS,

XPRESS, Gurobi,… pueden usarse tras la discretización
 Software
CasADi es un entorno
simbólico para optimización
numérica que facilita la
discretización e implementa
diferenciación automática
(gradientes y Hesianos).

Genera código C e implementa

interfaces a códigos DAE y de
optimización como
SUNDIALS, IPOPT etc.
Solución eficiente de Computational
problemas de gran escala Infrastructure for
Operations Research Se gestiona desde una interfaz
Pero no soporta: (COIN-OR) Open con Python
• Discontinuidades source codes
• Optimización mixta-entera
Problemas de memoria Sensibilidades
paramétricas 77
Entorno pobre de modelado
 Diferenciación Automática
Ejemplo::

𝑓 = 𝑥1 𝑥2 + sin 𝑥1
𝜕𝜕
¿ ?
𝜕𝑥1

78
 Evaporación, papelera
Cooling

 Energy and mass balances.

tower
SC

TI FC
• Detailed process
Model based in acomponents.
simplified plant
 C-P-T equilibrium relationship.
Barometric
Condenser
scheme due to lack of measurements.
TI

Evaporator V40 V1

FC TI
V2

Spinbath TI

V11 V10 V9 V8 V7 V6 V5 V4 V3

Cascade

Ratio
TI PI PI FC TI

Superheated
Steam
TI FC TI TI TC
Steam
Saturation
W1 W2 W3 W4 W5 W6 W7 W8 W9 W10
Circulation
Flow
TC
!!
FI Fresh Steam
Condensates

Product
Condensates
LC
Cristallization

Objetivo: Operar la planta cono consumo específico de vapor mínimo 79

 Data reconciliation

min 𝐽 = � 𝐹𝐹𝐹𝐹 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓(𝑒𝑒𝑒𝑒𝑒𝑒)

80
 Data reconciliation
210 108
200 106

190 104
102
180
100
170
98
160
96
150
94
140 92
130 Circulating_flow_F (m3/h) 90 W9W10_prod_out_T W9W10_prod_out_T_m
Circulating_flow_m (m3/h)
120 88
1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

42 24

22
41
20
40
18
39
16
38
14
37 12
V9V11_prod_in_T V9V11_prod_in_T_m W1W8_steam_F (m3/h)
36 10
1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031 1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031

Measurement fitness 81
 RTO
min 𝐽 = 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑠𝑠𝑠𝑠𝑠 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
s.t. 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑟𝑟𝑟𝑟 ≥ 𝑡𝑡𝑡𝑡𝑡𝑡
𝐹𝑖𝑖𝑖𝑖 𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑖𝑖 𝑡𝑡𝑡 𝑡𝑡𝑡𝑡𝑡

82
RTO

83
 Power consumption Reconciled Power

6.5 Optimized Power

6 (kW)
5.5
5
4.5
kW
4
3.5
3
2.5
2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Sample nº
20%

Power Saving
15%

10%

5%

0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
84
Implementación como sistema
de control
SP
Max Evaporation
Max cooling Temp rate
power
95 VPC LS SR FC
% 1st
branch Evaporation
rate

2nd branch

Min
temp 2,5% savings in
To TC evaporator steam
consumption
300k€/y

To FC
85
Ensuciamiento / Limpiezas

OPTIMO

W9-W10 U
250
Data reconciliation
Model prediction

200

150

100
500 1000 1500 2000 2500
Time (h)
3000 3500 4000 4500 5000
86
Distribución óptima de cargas

87
 Problemas abiertos: Sistemas
híbridos /Estructura variable

Discontinuidades en las
derivadas

En algún caso se pueden

transformar en NLP

Formulación como problemas

Scheduling + control óptimo local de los
cristalizadores + recursos compartidos +
MINLP
optimización energética / producción
Descomposición jerárquica en
varios tipos de problemas:
Scheduling, optimización local,
etc
88
 Explotar la estructura para
descomponer el problema
Scheduling

Local OPT … Local OPT

89
 Incertidumbre modelo / proceso
T
min J (u ) = ∫ L( x , u )dt
u 0

F( x , x , u ) = 0
g( x, u ) ≤ 0

La optimización calcula el
óptimo del modelo, no del
proceso
¿Qué ocurre si el modelo no es
correcto?
¿Cómo se toman en cuenta las
perturbaciones, incertidumbres,
etc.?
Enfoques:
 Actualizar el modelo
 Modificar la formulación
de la optimización
 Optimización estocástica /
robusta 90
Actualización del modelo

Decisiones basadas
Control / Optimización
en modelos

Actualizar el modelo para

Modelo
ajustarlo a datos de planta

Medidas

91
 Reconciliación de datos y
parámetros
N measured
α i (y i − y m ,i ) + βi (u i − u m ,i )
 Algunas medidas no son
consistentes o fiables min
u , y ,θ
∑
i =1
2 2

 Hay variables no medidas y

dx
parámetros desconocidos = f ( x , u , θ) y = h ( x , u , θ)
dt
 Se necesita un cierto grado de
redundancia g ( x , y, u , θ) ≤ 0
Valores
reconciliados
Inputs u Outputs y, u Medidas
MODELO ym, um

Errors
θ
Problema de
optimización 92
 Errores gruesos

La reconciliación de
datos se suele plantear
en estado estacionario
junto al RTO

Estimadores
robustos

 εj  ε j 
min ∑ c  − log1 + 
2
x  c  c 
j∈M
  Fair
x j − x mj function
εj =
σ ε
fi (x) = 0
93
 Modifier adaptation

Control / Optimization Modelo fijo

Incorporar los errores en un problema

de optimización modificado

Estimar los errores en las restricciones

y en los gradientes de J y g respecto al proceso

Se requieren medidas del proceso (y

dependiendo del método una cierta excitación)

Dimensionalidad

94
 Transformarlo en un problema
de control equivalente

Variables
de decisión
óptimas
SP
Controlador

0
Si son cero se
obtiene el óptimo
de la planta
Medidas o funciones
Ecuaciones NCO adecuadas
NCO tracking
con datos de planta
Estimación de las restricciones Self optimizing
activas o de los gradientes del costo Extremum
Dimensionalidad y las restricciones de la planta seeking,…
95
 Optimización estocástica

Optimización estocástica
min J (x, u, ξ )
u
Algunas de las variables son de
dx
= f(x, u, ξ) naturaleza estocástica
dt
h(x, u, ξ) = 0  Chance constraints
g(x, u, ξ) ≤ 0  Escenarios
ξ Variable estocástica  Optimización de dos etapas
con una distribución
de probabilidad ….

Optimización robusta
Solución del
Min Max J(u,ξ) peor caso
u ξ 96
 Optimizatión estocástica
multietapa
Se consideran una
serie de escenarios
ξ
u
Enfoques centralizados /
Lagrangiano aumentado

u1(t,ξi,u0)

u0(t, ξ)
t

Tras un tiempo, la nueva información disponible

permite determinar la incertidumbre ξ y, por tanto,
aplicar un control específico u1 para esa
incertidumbre en la segunda etapa, dando lugar a
soluciones menos conservadoras. u0 97
 ¿Calculo distribuido?
Paralelización Natural Gas
Fuel
Gas
Refinery Gas

Sulphur
DePr RG
Syngas and Reformates
Plat
Naphtha
HDT Split RG H2
RG Regular Mogas
Condensates and Low
Mogas
Sulphur Crudes Kero Blend

Jerárquicos High Sulphur Crudes

Imported Residues
CDU1 LGO
HGO
RG

H2
HDS2
Premium Mogas

Kero / Avtur

CO2
Long Residue

Coordinador División funcional Naphtha

RG
HMU
GasOil
Blend
Automotive Gasoils
and Marine

HDS1
Low Sulphur Crudes Kero H2
H2
HCU Light Fuel Oil

Ajuste de consignas, tareas

LGO
High Sulphur Crudes CDU2 HGO RG FuelOil Heavy Fuel Oil
Blend
Bunkers
Imported Residues
HVU2 Refinery Fuel
HVU1
Opt.1 Opt.2 Opt.n Long Residue
BBU
BDU Bitumen 80/100
Bitumen 180/200
Bitumen 45/55

Proceso 1 Proceso 2 Proceso n

Coordinación
de precios Mercado

Distribuidos
Ajuste de las
Intercambio de Opt.2 Ji(precio)
Opt.2 información
Opt.1 Opt.n Opt. 1 Opt.n

Proceso 1 Proceso 2 Proceso n Proceso 1 Proceso 2 Proceso n

98
Gracias por vuestra atención

99