IKTPLUSS-IKT og digital innovasjon

Dette prosjektet studerer strategier for optimalisering av dynamiske systemer der driftsparameterne varierer med tiden. Et eksempel på et slikt system kan være en kjemisk prosess som drives på en agil måte for å tilpasse seg energikostnadene. Et annet eksempel kan være bygninger som er koblet til et «smart-grid», der energiprisene varierer, og optimaliseringsproblemet består av å finne den mest økonomiske tiden å skru av eller på fleksible energibrukere som vaskemaskiner eller panelovner. I dette prosjektet vil vi minske driftskostnader ved å justere pådrag som f.eks. oppvarming eller kjøling. For å finne den optimale løsningen må man, i tillegg til å evaluere det nåværende tidspunktet, også ta fremtiden i betraktning. Dette gjør vi ved hjelp av en modell (digital tvilling), som blir brukt i en optimaliseringsalgoritme som blir kjørt fortløpende for å finne de optimale verdier til prosessvariablene til enhver tid. Disse variablene blir sendt til et reguleringslag under, som justerer pådragene slik at prosessvariablene holdes på sine optimale verdiene. For å oppnå optimal drift, er det viktig at optimaliseringsproblemet blir løst rask nok, ellers blir driftsstrategien basert på utdatert informasjon. Dette prosjektet har resultert i nye raske og effektive algoritmer for å løse det storskala dynamiske optimaliseringsproblemet i sann-tid. De nye algoritmene er basert på en sensitivitetsbasert «path-following» metode som ble utviklet som del av dette prosjektet, og som gir raske approksimasjoner av den optimale løsningen. Algoritmene våre ble videreutviklet til å kunne håndtere også modellusikkerhet. Dette ble gjort innen et multi-stage modellprediktiv regulerings rammeverk, som tar hensyn til alle mulige framtidige realisasjoner av usikkerheten.

Dette prosjektet bidro vesentlig til å forstå hvordan rask modell prediktiv regulering kan gjennomføres ved hjelp av en sensitivitetsbasert numerisk «path-followingmetode». Det ble opparbeidet en ny kompetanse, i vår forskningsgruppe, som førte til at slike metoder også ble anvendt i andre prosjekter (e.g. SFI Subpro, der metoden blir tatt i bruk, og videreutviklet). Det forventes at metoden som ble utviklet i dette prosjektet kommer til å anvendes innen relaterte områder, som å beregne optimal drift under usikre parametere. Som langfristige effekter forventer vi at optimaliseringsbaserte reguleringsstrategier blir brukt oftere, fordi den optimale løsningen kan beregnes og implementeres i sanntid. Prosjektet bidro også til å styrke samarbeidet med Carnegie Mellon University, USA, og har lagt et godt fundament for videre samarbeid.

The research in this project is focused on finding strategies and developing tools for optimizing dynamic behavior and transients in complex systems. It is part of a larger activity on optimal operation methods in the process systems group at the Department of Chemical Engineering at NTNU. In practice, most implementations of optimal operation are realized in a hierarchical control structure, where an upper layer does the online economic optimization on a slow time-scale, and passes the optimal setpoint trajectories to a fast lower layer which adapts the plant inputs to follow the trajectories. The problem of designing a hierarchical control structure for economic optimization with intended transients is considered an industrially very important problem (Scattolini, 2009). In control structure design, decisions are made on what variables to control in which layer (e.g. Skogestad, 2000). While for steady state optimization there exist approaches for designing hierarchical control structures (Skogestad 2000), there are no systematic methods and guidelines for the more difficult case of dynamic optimization, and there are very few theoretical results in this area. The first objective of this project is to combine the offline optimization paradigm of self-optimizing control with the paradigm of online optimization, to find a systematic method for designing a hierarchical control structure for optimizing dynamic performance of a chemical plant. The second objective is to study a fast sensitivity-based path-following algorithm that is used in the optimization layer, and to establish a robust stability proof for a system which is optimized by this algorithm. In particular, we will add a corrector element to our previously developed predictor algorithm, study its convergence, and develop a stability proof based on input to state stability arguments. This project is meant to fund 1 postdoc; if no suitable candidate is found, a PhD student will be employed instead.