I detta examensarbete presenteras en ny metod för att göra schemaläggningsbeslut inom processindustrin och samtidigt ta hänsyn till det dynamiska beteendet hos processen. En modell av en luftsepareringsanläggning som producerar kvävgas och utnyttjar ett rörligt elpris användes för att exemplifiera denna metod. Modellen omfattade en kryogenisk destillationskolonn med en integrerad återloppskokare /kondensator, en multiströms värmeväxlare, en kompressor, två turbiner och en kondensator. Den innehöll 5079 ekvationer och 437 differentiella variabler. Dynamisk optimering användes för att approximera det dynamiska beteendet hos processen vid skiftningar mellan olika driftpunkter. Den registrerade data utnyttjades sedan för att identifiera en reducerad modell som fångade det transienta beteendet hos relevanta processvariabler. Den reducerade modellen bestod av 525 ekvationer och 67 differentiella variabler. Den identifierade modellen visade på god matchning mellan relevanta processvariabler i de simulerade övergångarna och den reducerade modellen. Den reducerade modellen användes för att optimera schemaläggningen av luftsepareringsprocessen så att elkostnaden över en tredagars period minimerades. De optimala resultaten visade på en minskning av kostnaden på 2.6 % jämfört med en konstant produktionstakt. Schemat implementerades och simulerades i den fullt dynamiska modellen över de första 24 timmarna för att jämföra relevanta processvariabler med den reducerade modellen. Resultaten visade på god matchning mellan de båda modellerna. Detta examensarbete visar att en exakt reducerade modell kan användas för att snabbt hitta ett optimalt schema över ett större processystem. Detta genom att kraftigt minska systemets storlek utan att offra noggrannhet av det dynamiska beteendet. / A novel framework for making plant scheduling decisions while considering the plant process dynamics is presented in this thesis. A model of an air separation unit built to supply nitrogen gas and subject to time-varying electricity prices was used to illustrate this framework. The model includes a cryogenic distillation column with an integrated reboiler/condenser, a multi-stream heat exchanger, a compressor, two turbines, and a liquefier. It consisted of 5079 equations and 437 differential variables. The dynamic behavior of the process during operating point transitions was determined using dynamic optimization. This data were used to establish a reduced order dynamic model of the system which captures the transient behavior of relevant process variables. The reduced order model consisted of 525 equations and 67 differential variables. The identified model showed a good fit between the relevant process variables in the simulated transitions and the reduced order model. The air separation unit process schedule was optimized using the reduced order model to minimize electricity cost over a three day time horizon. The optimal result showed a 2.6 % reduction in electricity cost compared to a flat production rate. The optimal schedule was implemented and simulated in the full dynamic model for the first 24 hours to compare the relevant process variables to the reduced model predictions. The result displayed good match between the reduced model and the full dynamic model. This thesis shows that an accurate reduced order dynamic model can be used for quickly finding the optimal schedule of large process systems. This by greatly reducing the size and complexity of the system without sacrificing accuracy of the dynamic behavior. Furthermore, it also shows the economic benefits of the integrating scheduling and control to count for the dynamic behavior of the system.