Beruflich Dokumente
Kultur Dokumente
Industria de procesos
Optimización de procesos
Conclusión:
Optimización dinámica
Como resolver estos problemas Aunque hay muchos
Como aplicar las soluciones problemas abiertos, los
Ejemplo: Papelera últimos avances hacen de
la optimización una
Problemas abiertos
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
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
Automotive Gasoils
GasOil and Marine
Blend
Bunkers
Imported Residues
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
-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
Problema Punto
estacionario u2 óptimo de
RTO operación
económico
SP
Problema
MPC
dinámico
Control Básico u1
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
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
RTO Estático
MPC con un objetivo Dinámico
SP
económico directo
MPC Dinámico
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
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
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
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
hi (x) = 0
g j (x) ≤ 0
x1
x2
34
Métodos NLP
35
Métodos NLP
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
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
Métodos
Diferencias finitas
dJ T ∂L ∂x ∂L ∂u
= ∫ + dt
dp i 0
∂x ∂p i ∂u ∂p i
T
min J (u ) = ∫ L( x , u )dt En muchos casos el interés directo no
∂x
u 0
es el cálculo de las sensibilidades s=
F( x , x , u ) = 0 ∂u
g( x, u ) ≤ 0 sino el gradiente de una variable J(u)
dJ T ∂L ∂x ∂L No depende
=∫ + dt
El cálculo de las du 0 ∂x ∂u ∂u de t
sensibilidades usando la
integración del sistema
extendido (Forward method) En el caso de cálculo de la
no es eficiente cuando la sensibilidad de una variable
dimensión de u, nu, es alta. (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
∂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
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
F( , x ( t + ∆t ), u (p)) = 0
∆t j= 0
Colocación
ortogonal por
elementos finitos
tiempo
¿nº de elementos?
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
x xk2
xk1 xkj
xkP
Element k
time
τ=0 τ1 … τj τ=1
tk-1 tk tk+1 …
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
x xk2
xk1 xkP
τ=0 τ1 … τ2 τ=1
tk-1 tk
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
P1 (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
P3 (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
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 = x 2 − 2 x + 1 x (0) = −3
Software: GAMS
𝑓 = 𝑥1 𝑥2 + sin 𝑥1
𝜕𝜕
¿ ?
𝜕𝑥1
78
Evaporación, papelera
Cooling
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
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
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
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 Enfoques:
proceso
Actualizar el modelo
¿Qué ocurre si el modelo no es
correcto? Modificar la formulación
de la optimización
¿Cómo se toman en cuenta las
perturbaciones, incertidumbres, Optimización estocástica /
etc.? robusta 90
Actualización del modelo
Decisiones basadas
Control / Optimización
en modelos
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
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 − log1 +
2
x c c
j∈M
Fair
x j − x mj function
εj =
σ ε
fi (x) = 0
93
Modifier adaptation
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
Sulphur
DePr RG
Syngas and Reformates
Plat
Naphtha
HDT Split RG H2
RG Regular Mogas
Condensates and Low
Mogas
Sulphur Crudes Kero Blend
Imported Residues
CDU1 LGO
HGO
RG
H2
HDS2
Premium Mogas
Kero / Avtur
CO2
Long Residue
HDS1
Low Sulphur Crudes Kero H2
H2
HCU Light Fuel Oil
Distribuidos
Ajuste de las
Intercambio de Opt.2 Ji(precio)
Opt.2 información
Opt.1 Opt.n Opt. 1 Opt.n
99