Spelling suggestions: "subject:"plantwide optimization"" "subject:"lantwide optimization""
1 |
Real-time optimiztion with persistent parameter adaptation using online parameter estimation. / Otimização em tempo real com atualização persistente de parâmetros usando estimadores de parâmetro em tempo real.Matias, José Otávio Assumpção 18 September 2018 (has links)
In standard Real-time Optimization (RTO) implementations, the plant needs to be suciently steady in order to update the RTO model parameters reliably. However, this condition is seldom found in practice. Moreover, because the RTO model is only updated when the plant enters a stationary condition, the optimizer is likely to be out of phase with highly perturbed plants. The main contribution of the thesis is the proposal of an alternative RTO approach, called Real-time Optimization with Persistent Adaptation (ROPA), which integrates on-line parameter estimation in the optimization cycle, avoiding the steady-state (SS) detection step. Instead of predicting the SS, the online estimator keeps the model up-to-date with the plant and allows running the economic optimization at any time, even instants after implementing the current RTO decisions. ROPA provides an intermediary solution between static and dynamic optimization schemes. While it approximates the optimal trajectory, ROPA enables the use of well-established static RTO commercial solutions. Furthermore, the new approach is the key for decoupling the model estimation problem in order to achieve plant-wide optimization. Another contribution of the thesis is to provide several case studies in which ROPA is tested and compared with the standard RTO implementation: a Williams-Otto reactor, a Fluid Catalyst Cracking unit and a separation-reaction system. The idea is to illustrate ROPA convergence properties and how the plant-wide optimum is achieved by asynchronously updating the global plant model. The results show that ROPA is able to track the stationary (plant-wide) optimum. In addition, they conrm that the renement of the prediction capacity, by decreasing the time between two sequential optimization, enhances the disturbance detection of the optimization cycle and leads to a better economic performance. / Na implementação padrão de otimização em tempo real (RTO, do inglês real-time optimization), a planta deve estar suficientemente estável para que os parâmetros do modelo usado no RTO sejam estimados com precisão. Contudo, esta condição é raramente encontrada na prática. Alám disso, devido ao fato de o modelo usado no RTO ser atualizado somente quando a planta entra em estado estacionário, é provável que o otimizador esteja fora de fase quando implementado em plantas com alta frequência de distúrbios. A principal contribuição desta tese e o desenvolvimento de uma metodologia alternativa de RTO chamada otimização em tempo real com atualização persistente de parâmetros (ROPA, do inglês real-time optimization with persistent adaptation). A nova metodologia integra estimadores em tempo real ao ciclo de otimização, evitando assim a necessidade da etapa de detecção de estado estacionário. Ao invés de identificá-lo, o estimador em tempo real mantém o modelo atualizado com a planta e permite que se execute a otimização econômica em tempos arbitrários, mesmo instantes depois da implementação da decisão ótima calculada anteriormente pelo RTO. ROPA provê uma solução intermediária entre a otimização estática e dinâmica. Ao mesmo tempo que aproxima a trajetória ótima, ela permite o uso de soluções comerciais já estabelecidas de RTO estacionário. Também, a nova metodologia é a chave para o desacoplamento do problema de estimação a fim de se atingir o ótimo global da planta. Uma contribuição adicional da tese é a apresentação de três casos de estudo que testam a ROPA e comparam sua performance à implementação padrão de RTO: um reator Williams-Otto, uma unidade de craqueamento catalítico e um sistema de separação-reação. A ideia principal e ilustrar as propriedades de convergência da nova metodologia e como a atualização assíncrona do modelo global da planta pode ser usada para atingir o ótimo da planta como um todo. Os resultados mostram que a ROPA é capaz de alcançar o ótimo estacionário da planta. Adicionalmente, o refinamento da capacidade de predição através da diminuição do tempo entre duas execuções sequenciais do otimizador melhora a capacidade de detecção de distúrbios do ciclo de otimização assim como a performance econômica.
|
Page generated in 0.0908 seconds