Data-driven rolling-horizon robust optimization for petrochemical scheduling using probability density contours

در صنایع فرآیند، عوامل نا مشخص، مانند عملکرد، با تجزیه و تحلیل داده های صنعتی تولید شده از منابع مستمر، می توانند بسادگی اندازه گیری شوند. مدلهای بهینه سازی قوی مبتنی بر داده ها عمدتا بر روی توزیع احتمالی برآورد شده و مجموعه های عدم قطعیت محدب ساخته می شوند. در نتیجه، راه حل برنامه ریزی فقط برای نمونه محدودی از سناریوهای تصادفی قابل استفاده است. ما یک رویکرد بهینه سازی نوری را برای سازگاری مدل قوی با شرایط محیطی و عملیاتی تغییر دادیم. اول، مجموعه ای از عدم اطمینان جدید، توسط خطوط چگالی احتمال تعیین می شود، که شامل سناریوهایی با احتمال وقوع بالا است. سپس، ما پیشنهاد می کنیم با استفاده از فرمول های قوی جدید ناشی از تقریب بیرونی مجموعه عدم قطعیت غیر احتمالی پیشنهاد کنیم. با اجرای مدل مطرح شده در فرآیند تولید اتیلن در دنیای واقعی با استفاده از داده های موجود، نوسانات مصرف سوخت گاز در 2 درصد می تواند کنترل شود. علاوه بر این، با موافقت با اثبات ما، سود کل سیستم و مصرف سوخت سوخت در مراحل پایانی تثبیت می شود.