Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

SensPATH Sensitivity-based path-following for robust economic model predictive control

Alternativ tittel: SensPATH SensitivitetsbasertE metoder for robust økonomisk modellprediktiv regulering

Tildelt: kr 8,1 mill.

Dette prosjektet utvikler nye metoder for å optimalisere driften av komplekse storskala prosesser, for eksempel kjemiske anlegg, bioraffinaderier, energimanagement i bygninger og industrielle klynger med varmeintegrasjon. Moderne metoder for å realisere optimal og bærekraftig drift av slike prosesser er basert på å bruke en digital tvilling (dvs. en matematisk representasjon av prosessen) i en numerisk optimaliseringsalgoritme som gjentatte ganger kjøres for å finne de beste prosessinnstillingene, for eksempel ventilåpninger, kompressorkraft eller oppvarming som gir den mest effektive og økonomiske driften. En utfordring ved å anvende disse metodene er at det resulterende optimaliseringsproblemet må løses i sanntid slik at de optimale prosessinnstillingene kan implementeres i anlegget. Når usikre driftsforhold som energipriser eller råvarekvalitet, tas inn optimaliseringen, kan det resulterende optimaliseringsproblemet være for komplisert til å løse i sanntid, og beregningstiden blir for lang. For å redusere beregningstiden utvikler vi nye algoritmer som er basert på å dele det store og komplekse optimaliseringsproblemet i mindre delproblemer som er enklere å løse, og vi modifiserer gjentatte ganger delproblemene, slik at løsningene av delproblemene gir løsningen av det originale problemet. Måten de mindre delproblemene er satt opp på, gjør det mulig å løse bare noen få av disse delproblemene, og deretter få løsningen til det komplette settet ved å bruke effektive path-followings metoder som er basert på sensitiviteten av den optimale løsningen. Vi skal videreutvikle sensitivititetsbaserte metodene for en ny klasse av optimaliseringsproblemer som det ikke finnes sensitivitetsbaserte path-followingmetoder ennå.

-

The research in this project is focused on finding innovative strategies and developing new computational tools for fast optimization of large and complex dynamic systems with uncertain models and parameters. The project is embedded in a larger activity on optimization-based methods for achieving optimal operation in chemical plants in the Jäschke research group, and in the process systems engineering group at NTNU. Optimization-based control of large systems requires solving large nonlinear programs (NLP) in real-time. When robust approaches are used to handle uncertainty, the problem can size increase dramatically (e.g Lucia et al, 2013). This large computational effort is an important reason for why many industry sectors are currently unwilling to use these methods. To address this issue, our first objective is to develop new and efficient algorithms for solving large-scale NLP using a decomposition approach (Marti et al. 2015). In decomposition a large NLP is broken down into several smaller NLPs that are solved separately. The innovative idea in this project is to avoid solving the NLP for the subproblems, and instead apply a recently developed path-following algorithm (Jäschke et al 2014, Kungurtsev & Jäschke 2017), to obtain efficient approximate solutions of the subproblems. This can lead to dramatic increases in efficiency for decomposition methods. The second objective is to develop an efficient sensitivity-based path-following algorithm to track optimal solutions of mathematical programs with complementarity constraints (MPCC). MPCC can be used to describe many interesting discrete and nonsmooth phenomena, such as phase appearance and disappearance or flow reversals in pipeline networks (Baumrucker et al. 2008). While efficient sensitivity-based fast NMPC approaches are available for standard NLP, there are none for MPCC. This project will bridge the gap by combining sensitivity concepts with special MPCC sequential quadratic programming approaches.

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek