Resumen
Los continuos sistemas de optimización multivariables en grandes procesos de plantas (químicas, de energía, metalúrgicas, etc) son parte de los sistemas de administración automatizados en el diseño de procesos para operar plantas al rededor del óptimo económico, con objeto de responder rápidamente a las fluctuaciones del mercado y las perturbaciones externas. Las competencia creciente y la evolución de las tecnologías de la información han servido como estimulante para su desarrollo.
El uso de este sistema está justificado cuando un exceso de grados de libertad existen en las variables manipuladas y las perturbaciones desplazan el punto óptimo de las operaciones de la planta. En el presente, las aplicaciones de WPO (Optimización de Grandes Plantas) se concentran principalmente en químicas y petroquímicas, donde las reacciones químicas y operaciones unitarias, reciclajes e integración de energía están presentes. Sin embargo, actividades económicas importantes, como las plantas de energía termoeléctricas, plantas de procesamiento mineral y de alimentos son, también, potenciales usuarios.
Las WPO son diseñadas e integradas de una forma descentralizada basada en un modelo predictivo de los procesos. La regla de operación óptima es determinada en el optimizador, basado en el modelo actualizado y a una función económica objetivo. El modelo de la planta incluye el balance del material y la energía; información termodinámica y kinésica; y ecuaciones constituyentes para el equipamiento de la planta. La función objetivo es la ganancia operativa, lo que incluye factores como: los puntos controladores, compras de insumos, ventas de productos, consumo de energía, calidad de los productos y uso de catalizadores. El óptimo de la planta es estimado al resolver problemas de optimización económicos, generalmente un problema de restricciones no lineales, usando un modelo actualizado y un algoritmo robusto de optimización.
El rendimiento de un sistema WPO es medido por la ganancia esperada alcanzada, lo cual depende de dos factores principales: La fidelidad del modelo predictivo y la robustez del algoritmo de optimización. Actualmente, se utilizan los modelo fundamentales de estado fijo y técnicas de Heurística/NLP. Este enfoque presenta serias limitaciones cuando se deben optimizar procesos complejos, debido al pobre conocimiento del fenómeno en cuestión y/o al tamaño del modelo predictivo. Los profesionales de la industria han reportado que después de 4 décadas ha habido una mejora progresiva en la metodología de las WPO, pero la misma debilidad inicial o, hablando de forma generalizada, algunas causas comunes con respecto a los bajos rendimientos, aún permanecen vigentes. Estos problemas están relacionados directamente con el uso de modelos de estado fijo y a la optimización en sí.
Para resolver estos problemas, el objetivo del presente proyecto es investigar el uso de modelos neuronales de caja negra para ser usados como modelos predictivos en las WPO. Estos modelos están basados en las reglas de conservación de la energía y redes neuronales, los cuales son utilizados de al menos dos formas: para complementar el conocimiento fenomenofísico disponible con información empírica, o para reducir las dimensiones de modelo físicos de complejidad rigurosa.
Además, los algoritmos de optimización global, como los algoritmos genéticos y por Intervalo, serán utilizados en la solución de problemas de la WPO al mejorar la robustez y calidad de la solución.
El enfoque propuesto será aplicado en dos procesos: el problema The tennessee Eastman Challenge, que será usado para comparar el enfoque del proyecto con técnicas clásicas, así como un problema de relevancia usado para demostrar la factibilidad de la implementación de la solución con un enfoque de WPO/GNM. Para esta esta etapa se ha seleccionado la optimización operacional de un polo de energía integrado, el cual está compuesto por dos cañerías de gas natural y dos plantas termoeléctricas de energía y la de un proceso largo hidrometalúrgico (LX/SX/EW).
Abstract
The continuous multivariable optimization systems in wide process plants (Chemical, power, metallurgical,etc) are part of the automated management systems of processes designed to operate the plant around the economic optimum responding quickly to the market fluctuations and the external disturbances. The growing competitiveness and evolution of information technologies have served as stimulus for their development.
The use of this system is justified when an excess of freedom degrees exists in the manipulated variables and disturbances displace the optimum operation point of the plant. At the present time WPO (Wide-Plant Optimization) applications concentrate mainly on chemical and petrochemicals, where many chemical reactions and units operations, recycles, and energy integration are presents. However, important economic activities such as thermoelectric power-plants, foods and mineral processing plants are still potential users. WPOs are designed and integrated in a decentralized way based on a predictive model of the process The optimum operating policy is determined in the optimizer based on an updated model and an economic objective function. The plant model includes the material and energy balances, thermodynamic and kinetic information, and constitutive equations for plant equipment. The objective function is the operating profit, which includes factors such as controller setpoints, feed purchases, product sales, energy consumption, product qualities and catalyst use. The plant optimum is estimated by solving the economic optimization problem, generally a constraints non linear problem, using the updated model and a robust optimization algorithm.
The performance of a WPO system is measured by the expected profit achieved, which depends on two principal factors: The fidelity of the prediction model and the robustness of the optimization algorithm. Currently, first principles steady- states models and Heuristic/NLP techniques are used. This approach presents serious limitations when complex processes must be optimized due to the poor knowledge of the involved phenomena and/or the size of the prediction model. Industry practitioners have reported that after four decades there has been a progressive improvement in the WPO methodology, but the same initial weakness or more generally speaking some common causes for poor performance still remain. These issues are directly related to the use of steady state models and the optimization itself.
To solve these problems, the goal of the present project is to investigate the use of the grey-box neural models to be used as predictive model in the WPO. These models are based on a suitable combination of fundamental conservation laws and neural networks, being used in at least two different ways: to complement available phenomenological knowledge with empirical information, or to reduce dimensionality of complex rigorous physical models.
Also, global optimization algorithms such as Genetics Algorithms and by Interval will be used in the solution of the WPO problem to improve the aspect of robustness and quality of the solution.
The proposed approach will be applied in two processes: The Tennessee Eastman Challenge problem, that will be used to compare the project approach with the classical techniques, and a relevant problem used to demonstrate the feasibility of implementation and solution of the WPO/GNM approach. For this stage, the operational optimization of an integrated energy-pole composed of two Natural Gas-pipeline and two Thermo-electric power plants, and a large hydrometallurgical process (LX/SX/EW) have been selected.
