Dynamic optimization strategies for scheduling of chemical processes under time-varying electricity prices

Papadimitriou, Chrysanthi; Baldea, Michael; Mitsos, Alexander

doi:44843

Dynamic optimization strategies for scheduling of chemical processes under time-varying electricity prices = Dynamische Optimierungsstrategien für die Steuerung von chemischen Prozessen bei zeitlich variierenden Strompreisen

Papadimitriou, Chrysanthi^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Chrysanthi Papadimitriou

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

ReiheAachener Verfahrenstechnik series - AVT.SVT - Process systems engineering ; 43

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Mitsos, Alexander (Thesis advisor)^RWTH* ; Baldea, Michael (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2025-11-18

Online
DOI: 10.18154/RWTH-2025-10005
URL: https://publications.rwth-aachen.de/record/1022412/files/1022412.pdf

Einrichtungen

Lehrstuhl für Systemverfahrenstechnik (416710)

Projekte

GRK 2379 - GRK 2379: Hierarchische und hybride Ansätze für moderne inverse Probleme (333849990) (333849990)

Inhaltliche Beschreibung (Schlagwörter)
dynamic optimization (frei) ; electricity prices (frei) ; flexible process operation (frei) ; model-based optimization (frei) ; optimal scheduling (frei) ; scheduling and control (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Demand-Side-Management verbessert die Netzstabilität durch den Abgleich des Stromverbrauchs mit der Stromverfügbarkeit in Märkten mit hohem Anteil an erneuerbarer Energien. Durch die Produktionssteuerung können stromintensive Prozesse ihre Effizienz unter Einhaltung von Produktionsvorgaben steigern, während die Produktionsanpassung an Preisschwankungen vom Spotmarkt zusätzlichen Gewinn generiert. Diese Flexibilität erfordert die Einbindung der Prozessdynamik in Planungsentscheidungen, insbesondere wenn die Zeitskalen von System und Preis überschneiden. Während die Volatilität des Energiemarktes eine Online- Prozessentscheidung nahelegt, führt die eingebettete Dynamik zu rechnerisch anspruchsvollen dynamischen Optimierungsproblemen. Diese Dissertation entwickelt Lösungsansätze für dynamische Produktionssteuerung sowie Methoden zur Stromspotmarktausnutzung, um wirtschaftliche und rechnerische Hürden in industriellen Anwendungen zu adressieren.Zuerst erweitern wir einen globalen dynamischen Optimierungsansatz auf nichtkonvexe Steuerungsprobleme mit eingebetteter Dynamik mit Hilfe von Hammerstein–Wiener- Modellen, welche auf Prozessdaten trainiert wurden. Die Methode zeigt ein hohes wirtschaftliches Potenzial bei der Steuerung der Bernsteinsäurerückgewinnung, ist aber für den Echtzeiteinsatz ungeeignet. Zur Verbesserung der Rechenzeit führen wir eine Gitterverfeinerung der Steuerung ein, um Berechnungen zu beschleunigen und Lösungen hoher Qualität zu erreichen, jedoch bleibt die rechnerische Unlösbarkeit des Problems bestehen.Anschließend heben wir die Auswirkungen der Auswahl des Preisszenarios in Demand- Response-Studien hervor. Um eine willkürliche Auswahl und Szenarienexplosion zu vermeiden, schlagen wir ein Rahmenwerk zur Generierung Day-Ahead- und Intraday-Preisprofile aus historischen Daten vor. Die Methode erfasst zentrale Datenmerkmale, ist rechenleicht liefert über ein Betriebsjahr hinweg Ergebnisse vergleichbar mit dem Stand der Technik.Die systematische Berücksichtigung von Day-Ahead- und Intraday-Preisen ermöglicht die Marktteilnahme auf unterschiedlichen Zeitskalen im Einklang mit der Prozessdynamik auf Steuerungs- und Regelungsebene. Wir schlagen ein Zwei-Ebenen-Steuerungs- und Regelungsschema für an beiden Märkten teilnehmenden Prozessen vor. Aufbauend auf integrierter dynamischer Steuerung und ökonomischer modellprädiktiver Regelung erfolgt die Prozesssteuerung unter Day-Ahead-Preisen, gefolgt von Intraday-Anpassungen und Markttransaktionen. Angewendet auf eine Luftzerlegunganlage erzielt das Schema konsistent hohe wirtschaftliche Leistungen gegenüber etablierten Methoden.Aufbauend auf den vorgeschlagenen Methoden untersuchen wir den Kompromiss zwischen Modelltreue und Optimierungskomplexität in der dynamischen Steuerung innerhalb integrierter Steuerung und Regelung. Wir vergleichen mechanistische und reduzierte Modelle unter lokaler Optimierung mit Scale-Bridging-Modellen unter globaler Optimierung für verschiedenen Formulierungen. Die Anwendung auf die Luftzerlegung zeigt, dass lokale Optimierung mit mechanistischen Modellen eine verbesserte wirtschaftliche und regelungstechnische Leistung gegenüber den reduzierten Modellen bietet, während reduzierte Modelle geeigneter sind, wenn Prozessdaten zur Verfügung stehen.

Demand-side management enhances grid stability by aligning electricity consumption with power availability in markets with a high share of renewables. In this context, process scheduling enables electricity-intensive processes to enhance efficiency and meet production constraints while profiting from spot markets by adjusting production to price fluctuations. Achieving such flexibility requires incorporating process dynamics into scheduling decisions, particularly when system and price time scales align. While energy market volatility suggests online process decision-making, embedded dynamics induce computationally challenging dynamic optimization problems. This dissertation develops solution approaches for dynamic scheduling and methods to exploit electricity spot markets, addressing economic and computational barriers in industrial applications.We first extend a global dynamic optimization approach to nonconvex scheduling with dynamics embedded, using Hammerstein–Wiener models trained on experimental data from an electrochemical process. The method demonstrates strong economic potential in scheduling succinic acid recovery but is unsuitable for real-time use. To address this, we introduce control grid refinement to accelerate computations and reach high-quality solutions, though computational intractability remains.Next, we highlight the impact of electricity price scenario selection in demand-response studies. To avoid arbitrary choices and scenario explosion, we propose a framework for generating day-ahead and intraday price profiles from historical data. The method captures key data features, requires minimal computational effort and yields results comparable to state-of-the-art techniques over a full year of operation.Systematic consideration of day-ahead and intraday prices enables market participation across different time scales, aligning with process dynamics in scheduling and control. We propose a two-economic-layer scheme for scheduling and control of processes participating in both markets. Building on integrated dynamic scheduling and economic model predictive control, we perform scheduling under day-ahead prices followed by intraday adjustments and market trading. Applied to an air separation process, the scheme, unlike common methods, achieves consistently high economic performance.Building on the proposed methodologies, we investigate the trade-off between model fidelity and optimization complexity in dynamic scheduling within integrated scheduling and control. We compare full-order and reduced-order models under local optimization with scale-bridging models versus global optimization under varying formulations. Application to air separation shows local optimization with full-order models offering an improved economic and control performance, while local optimization with nonlinear reduced-order models is suitable when process data are available.

OpenAccess:
PDF
(additional files)