考虑多类型不确定性的蒸汽动力系统运行优化

针对蒸汽动力系统中包含的多类型不确定性,根据基于时间表达、基于发生概率表达和基于集合表达划分不确定变量.多周期离散化操作解决基于时间表达的不确定变量;在各个周期内,耦合机会约束规划和鲁棒优化解决基于发生概率表达和基于集合表达的不确定变量,建立了机会约束鲁棒优化模型.以某石化企业蒸汽动力系统实例为背景,将该模型和传统模型...     

基于带补偿随机规划的蒸汽动力系统优化设计

在蒸汽动力系统优化设计中,考虑不确定因素的优化策略能避免基于确定性设计策略的保守设计,并能针对不确定因素的实现提出相应的调度调节策略.本研究分析了蒸汽动力系统设计包含的不确定因素的特性及其对蒸汽动力系统优化目标和约束条件的影响.不确定因素的表达分成两类:基于时间变化表达和基于发生概率表达.对基于时间变化表达的因素,转化为多周期问题进行处理;对外部工艺过程变化引起的汽电需求不确定波动等基于发生概率表达的因素,应用随机规划策略,补偿不确定参数的实现可能引起的约束背离.基于本研究建立的多周期带补偿的二阶段随机规划MILP模型,求解蒸汽动力系统结构,同时优化调度调节策略,用调节决策和惩罚不足应对汽电需求等不确定因素的实现,实现系统安全稳定运行和经济效益最优.     

装置蒸汽动力系统与热电厂运行同步优化

石化企业装置蒸汽动力系统通常独立设计和操作,忽视了与热电厂蒸汽动力系统的联系。热电厂蒸汽动力系统通常在固定的蒸汽和电力需求下进行优化,忽视了与装置蒸汽动力系统的联系。为实现石化企业蒸汽动力系统的全局优化,本文提出了用于装置蒸汽动力系统与热电厂运行同步优化的方法。首先使用热电厂透平和锅炉的设计及运行数据回归得到设备模型系数,依照现有结构建立热电厂蒸汽动力系统约束。然后以装置蒸汽动力系统设计和操作灵活性为区分,将装置分为三类：第一类装置蒸汽和电力需求无法调节;第二类装置可以通过减温减压调节蒸汽需求;第三类装置既可以通过减温减压调节蒸汽需求,也可以通过驱动选择调节热电需求。装置透平模型参数采用文献值,通过采集各类装置蒸汽和电力需求等数据建立装置蒸汽动力系统约束,最后通过热电厂与装置蒸汽和电力的连接关系建立耦合模型。耦合模型以年度费用为目标函数,其中包括热电厂运行费用以及装置透平和电机的年度投资费用,通过优化求解得到热电厂设备负荷分配方案以及装置蒸汽动力系统设计方案。通过算例论证了同步优化方法的可行性,与独立优化相比,同步优化降低年度费用451万美元。     

考虑不确定汽电需求的蒸汽动力系统优化设计

蒸汽动力系统优化设计不仅要保证系统全周期总费用最小,还要保证系统具有一定可操作性应对各种不确定变工况影响。本文提出了同时考虑汽电需求确定性多周期变化以及燃料、电力价格,汽电需求不确定性变化的蒸汽动力系统优化设计策略,专门提出不确定变化参数对优化目标及约束的影响以及数学表达,建立混合整数线性规划(MILP)优化模型进行求解,并应用于某石化企业蒸汽动力系统优化设计。实例设计结果表明,与按照传统策略设计结果相比,应用本文提出的考虑不确定参数的设计策略获得的优化方案,具体设计了针对不确定因素实现而对应的运行调度安排,降低年总费用,保证系统安全稳定运行,实现经济性和可操作性综合最优。     

基于数学规划法的蒸汽动力系统优化运行研究

为满足石油化工行业实际生产中各单元、各工艺过程对不同等级蒸汽的需求,将不同蒸汽动力循环过程归纳综合为一种通用的过程,并利用数学规划的方法建立了数学模型。采用数学规划法对实际操作系统进行优化,得到最佳操作参数,并与人工调度方案进行了比较。结果表明:对于复杂蒸汽动力系统的优化,借助优化模型和求解软件可以方便地确定系统最优运行状态,使整个蒸汽动力系统的运行费用最低。该方法可为过程动力、热能、工艺蒸汽等的分配提供参考数据,对实际蒸汽动力系统的优化改造有着重要的指导意义。     

多因素不确定条件下的间歇生产调度优化

不确定条件下的间歇生产调度优化是生产调度问题研究中具有挑战性的课题。提出了一种基于混合整数线性规划(MILP)的鲁棒优化模型,来优化不确定条件下的生产调度决策。考虑到生产过程中的操作成本和原料成本,建立了以净利润最大为调度目标的确定性数学模型。然后考虑需求、处理时间、市场价格三种不确定因素,建立可调整保守程度的鲁棒优化模型并转换成鲁棒对应模型。实例结果表明,鲁棒优化的间歇生产调度模型较确定性模型利润减少,但生产任务数量增加,设备空闲时间缩短,从而增强了调度方案的可靠性,实现了不确定条件下生产操作性和经济性的综合优化。     

基于鲁棒模型优化的工艺设计与控制系统集成

采用一种基于鲁棒模型优化方法求解工艺设计与控制集成问题,其核心思想是采用参数不确定状态空间模型描述闭环系统的非线性行为,基于该模型以及二次李雅普诺夫函数可估计系统在外部扰动作用下过程变量变化的最大边界,同时也可测试系统的鲁棒稳定性。该方法避免了求解集成优化问题常用的动态优化方法,可将其转化成一个非线性规划问题。该方法应用于CSTR反应过程的集成优化设计中,结果表明在存在外部扰动时,不仅可以保证过程的经济性能和动态性能,也可保证系统的鲁棒稳定性。     

石化企业蒸汽动力系统柔性设计

蒸汽动力系统的设计工作是一项复杂的、系统的工程,除了力求实现全周期内总费用最小的经济性目标外,还要保证实际运行过程中的各种工况下的操作柔性。针对石化企业蒸汽动力系统变工况的特点,提出了蒸汽动力系统柔性优化设计策略;将确定性变化需求转化成多周期问题,将不确定性变化需求转化成虚拟的多工况问题,并对连续不确定性和离散不确定性变化分别处理;以经济性和可操作性的最优综合为目标,建立蒸汽动力系统柔性优化设计的大型混合整数线性（MILP）模型,并采用广义Benders分解算法进行求解。采用本文提出的柔性优化设计模型和求解方法,对某炼油厂蒸汽动力系统进行了柔性优化设计,并与传统设计方案和经济性最优的设计方案进行对比。与经济性最优的方案对比结果表明,该优化设计方案总费用增加不多,但实现了在各种变化工况下的安全、稳定、柔性操作;而与传统设计方案对比结果表明,不但提高了各种工况下的操作柔性,而且节省了大量的投资和运行费用,即柔性设计方案具备可操作性和经济性的综合最优性。从而证明了本文提出的柔性设计建模和求解方法的合理性和实用性。     

石化企业蒸汽使用系统分步操作优化

大型的石化企业中,蒸汽使用系统将来自锅炉的新鲜蒸汽转化为工艺系统需要的电力和一定压力的蒸汽,蒸汽使用系统蒸汽分配效率的高低直接关系着整个石化企业的能源利用率。蒸汽使用系统中汽轮机的热效率不同,背压汽轮机的热效率最高,并且在满足用户对热量需求的同时能副产电力。文章依据背压汽轮机的的特点,提出了蒸汽动力系统的分步优化方法:用户对蒸汽的需求优先使用背压汽轮机排气提供,同时最大限度副产电力;对电力的需求不足部分由凝气轮机满足,建立分步优化的模型。使用分步优化模型对某石化企业蒸汽动力系统进行优化,结果比使用一步优化方法的优化结果节能效果更显著。     

蒸汽动力系统设计与综合优化研究综述

蒸汽动力系统是过程工业企业的重要组成部分,其设计水平、运行和控制性能对过程工业的能量利用效率和经济性具有重要影响,在过去的30多年里,蒸汽动力系统的优化研究一直是国内外学者研究的热点。本文归纳了过程工业蒸汽动力系统设计与综合优化方面的研究内容;从优化内容、优化方法、优化准则目标等方面详细介绍了过程工业蒸汽动力系统研究工作进展;针对当前研究工作的局限展开了评论,对蒸汽动力系统设计与综合的深入研究重点和方向提出了展望。     

基于不确定蒸汽需求和设备故障的锅炉系统随机规划设计

公用工程系统中锅炉系统设计不仅要考虑锅炉应对发生的故障的可靠性,还要保证系统具有一定应对蒸汽需求的波动的可操作性。本研究针对满足不确定蒸汽需求和考虑设备故障的锅炉系统设计,提出基于数学规划法的设计模型：对生产过程波动引起的不确定蒸汽需求以概率表达,采用Markov模型分析锅炉故障,表达为以一定概率发生的不确定参数。优化模型采用二阶段随机规划策略对蒸汽需求不确定波动和锅炉故障实现引起的约束违背进行补偿,以降低不确定变量对目标函数和约束条件的影响。以年总费用最小为目标,建立混合整数线性模型（MILP）,实现锅炉系统配置,设备模式确定以及应对蒸汽需求波动和设备故障发生的补偿操作的优化设计。     

基于等效电法的钢铁企业蒸汽系统多目标运行优化策略

针对钢铁企业蒸汽系统汽源设备多、能源品种多的特点,以某大型钢铁企业实际运行的蒸汽系统为背景,运用等效电方法对蒸汽系统的能量转换作出科学分析,采用数学规划方法,建立多目标的混合整数非线性规划模型（MINLP）。采用分步优化方法,先以蒸汽系统小时能源总成本最低为目标,将得到的结果乘以松弛系数建立成本约束并以(火用)效率最高为目标,利用LINGO软件求得多目标-约束优化模型的全局最优解,再通过改变松弛系数得到一组Pareto前沿。最后与单目标优化和多目标遗传算法结果相比较,证明分步优化方法所得的结果是可行的综合最优结果,能够实现低成本和高(火用)效率的双目标,并为生产调度提供依据。     

Operational optimization of industrial steam systems under uncertainty using data-Driven adaptive robust optimization

This article addresses the operational optimization of industrial steam systems under device efficiency uncertainty using a data-driven adaptive robust optimization approach. A semiempirical model of steam turbine is first developed based on process mechanism and operational data. Uncertain parameters of the proposed steam turbine model are further derived from the historical process data. A robust kernel density estimation method is then used to construct the uncertainty sets for modeling these uncertain parameters. The data-driven uncertainty sets are incorporated into a two-stage adaptive robust mixed-integer linear programming (MILP) framework for operational optimization of steam systems to minimize the total operating cost. Integer variables are introduced to model the on/off decisions of the steam turbines and electrical motors, which are the major energy consumers of the steam system. By applying the affine decision rule, the proposed multilevel optimization model is transformed into its robust counterpart, which is a single-level MILP problem. The proposed framework is applied to the steam system of a real-world ethylene plant to demonstrate its applicability. © 2018 American Institute of Chemical Engineers AIChE J, 65: e16500 2019     

工艺蒸汽加热网络与蒸汽系统的集成优化

蒸汽动力系统作为过程工业的重要组成部分,由蒸汽系统、分配系统和蒸汽加热网络组成。文中提出对蒸汽系统、分配系统和蒸汽加热网络进行集成优化。首先通过夹点分析对工艺蒸汽加热网络进行优化匹配,得到各等级蒸汽需求量及凝结水回收参数;然后根据建立的蒸汽系统和分配系统的运行优化模型得到产汽及分配方案。通过对某化工厂的能量利用系统进行集成优化,得到的优化方案与传统设计方案相比,锅炉燃料消耗量减少16.38%,同时系统所需要的外界补给水量减少16.27%。提出的集成优化方法对蒸汽动力系统的设计优化具有一定的指导意义。     

Robust optimization and stochastic programming approaches for medium-term production scheduling of a large-scale steelmaking continuous casting process under demand uncertainty

Scheduling of steelmaking-continuous casting (SCC) processes is of major importance in iron and steel operations since it is often a bottleneck in iron and steel production. In practice, uncertainties are unavoidable and include demand fluctuations, processing time uncertainty, and equipment malfunction. In the presence of these uncertainties, an optimal schedule generated using nominal parameter values may often be suboptimal or even become infeasible. In this paper, we introduce robust optimization and stochastic programming approaches for addressing demand uncertainty in steelmaking continuous casting operations. In the robust optimization framework, a deterministic robust counterpart optimization model is introduced to guarantee that the production schedule remains feasible for the varying demands. Also, a two-stage scenario based stochastic programming framework is investigated for the scheduling of steelmaking and continuous operations under demand uncertainty. To make the resulting stochastic programming problem computationally tractable, a scenario reduction method has been applied to reduce the number of scenarios to a small set of representative realizations. Results from both the robust optimization and stochastic programming methods demonstrate robustness under demand uncertainty and that the robust optimization-based solution is of comparable quality to the two-stage stochastic programming based solution.     

Distributionally robust chance constrained programming with generative adversarial networks (GANs)

This paper presents a novel deep learning based data-driven optimization method. A novel generative adversarial network (GAN) based data-driven distributionally robust chance constrained programming framework is proposed. GAN is applied to fully extract distributional information from historical data in a nonparametric and unsupervised way without a priori approximation or assumption. Since GAN utilizes deep neural networks, complicated data distributions and modes can be learned, and it can model uncertainty efficiently and accurately. Distributionally robust chance constrained programming takes into consideration ambiguous probability distributions of uncertain parameters. To tackle the computational challenges, sample average approximation method is adopted, and the required data samples are generated by GAN in an end-to-end way through the differentiable networks. The proposed framework is then applied to supply chain optimization under demand uncertainty. The applicability of the proposed approach is illustrated through a county-level case study of a spatially explicit biofuel supply chain in Illinois.     

Robust Optimal Operation of Two‐Chamber Microbial Fuel Cell System Under Uncertainty: A Stochastic Simulation Based Multi‐Objective Genetic Algorithm Approach

This investigation is performed to study the optimal operation decision of two‐chamber microbial fuel cell (MFC) system under uncertainty. To gain insight into the mechanism of uncertainty propagation, a Quasi‐Monte Carlo method‐based stochastic analysis is conducted not only to elucidate the effect of each uncertain parameter on the variability of power density output, but also to illustrate the interactive effects of the all uncertain parameters on the performance of MFC. Moreover, a systematic stochastic simulation‐based multi‐objective genetic algorithm framework is proposed to identify a set of Pareto‐optimal robust operation strategies, which is helpful to provide an imperative insight into the relationship between the mean and standard deviation of output power density. The results indicate that (1) the coefficient of variance (COV) value of output power density has a linear relationship with the COV value of each uncertainty parameter as well as all interactive parameters; and (2) a significant performance improvement with respect to both mean and standard deviation of power density is observed by implementing the multi‐objective robust optimization. These results thus validate that the proposed uncertainty analysis and robust optimization framework provide a promising tool for robust optimal design and operation of fuel cell systems under uncertainty.