برنامه‌ریزی ارسال فرآورده‌های نفتی چندگانه در شبکه خطوط انتقال براساس راه‌کار کنترل‌پیش‌بین: مدل‌سازی دینامیکی شبکه و برنامه‌ریزی بلندمدت

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشکده مهندسی برق، دانشگاه یزد، ایران

10.22078/pr.2020.3802.2735

چکیده

به منظور تأمین نیازهای اساسی سوختی مناطق مختلف، فرآورده‌های نفتی تولید شده توسط پالایشگاه‌ها به‌سمت مراکز مصرف انتقال می‌یابند. شبکه خطوط لوله انتقال یکی از مهم‌ترین راه‌های حمل فرآورده‌های نفتی و مشتقات پتروشیمی در دنیا و از جمله در ایران است. از مهم‌ترین مسائل در انتقال فرآورده‌های نفتی درون شبکه انتقال، برنامه‌ریزی ارسال مواد نفتی درون خطوط لوله‌های انتقال است. مسأله مورد نظر شامل انواع مختلف محدود‌یت‌ها‌ در حوزه‌های تولید، انتقال و ذخیره‌سازی است. در این مقاله ابتدا برای یک شبکه خطوط انتقال نمونه، یک مدل دینامیکی فضای حالت با خاصیت پیش‌بینی پیشنهاد شده و سپس با استفاده از استراتژی کنترل پیش‌بین مبتنی بر مدل دینامیکی، روشی جدید برای برنامه‌ریزی بلندمدت ماهانه در قالب یک مسأله بهینه‌سازی مقید افق محدود ارائه شده است. برای جلوگیری از افزایش زمان حل، مسأله مورد نظر به سه مسأله متوالی ده روزه تقسیم شده و با ایده افق لغزان کنترل پیش‌بین، بهینه‌سازی فرآیند زمان‌بندی به‌طور متوالی برای مدت ده روز اجرا گردید و با حل بهینه‌سازی برون‌خط بازه‌های ده روزه، نتایج برنامه‌ریزی بلندمدت برای طول مدت یک ماه به‌دست آمد. نتایج بهینه‌سازی نشان می‌دهد مقادیر برنامه‌ریزی شده در انتهای ماه با مقادیر مطلوب برابر بوده و راه‌کار کنترلی ارائه شده می‌تواند ابزار مناسب برای برنامه‌ریزی بلند‌مدت شبکه‌های خطوط انتقال فرآورده‌های نفتی باشد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Planning the Transportation of Multiple Petroleum Products in Pipeline Network Based on Model Predictive Control: Modeling and Long-term Planning

نویسندگان [English]

  • Seyyed Hossein Ghenaati
  • Shahram Aghaei
Electrical Engineering Department, Yazd University, Iran
چکیده [English]

To yield essential petroleum product demands of consumers in various regions, they must be transported from refineries to depots. Multi-product pipeline networks have a significant role in transporting various petroleum products in Iran and all over the world. The management of transportation represents a critical mission in the operation of multiple pipeline networks. This problem consists of several kinds of constraints in production capacity as well as distribution and storage activities. In this paper, first, a dynamic predictive model in the form of state space is presented, and then by applying model predictive control strategy, a new approach for finite horizon planning as a constrained optimization problem is presented. Moreover, the presented approach divides monthly problem into three consecutive 10-day horizons, then based on predictive control strategy, planning procedure for every 10-days would be on process serially and then hierarchical offline optimization results in monthly planning. Finally, the obtained results showed that the optimized plan satisfied monthly desired product constraints, so the proposed control strategy can be an applicable meta-heuristic method for planning the multiple pipeline networks.
 

کلیدواژه‌ها [English]

  • planning
  • multiple pipeline network
  • Receding Horizon Control
  • Model Predictive Control
  • constrained optimization
[1]. میرحسنی س. ع.، قربانعلی‌‌زاده م. و فانی ح.، ” بهینه‌سازی برنامه‌ریزی حمل فرآورده‌های نفتی با خطوط لوله”، اولین همایش ملی راهکارهای نوین تامین، نگهداشت، انتقال و توزیع فراورده‌های نفتی، تهران. 1388.##

[2]. حیرانی ش.، حسین‌زاده کاشان ع. و اکبری ع.، ”مدل بهینه‌سازی شبکه انتقال گاز طبیعی- مطالعه موردی شبکه سراسری انتقال گاز ایران”، پژوهش نفت، دوره 27، شماره 96-4، صفحات 59-46، 1396. ##

[3]. MirHassani S. and Ghorbanalizadeh M., “The multi-product pipeline scheduling system,” Computers & Mathematics with Applications, Vol. 56, No. 4, pp. 891-897, 2008. ##

[4]. Herrán A., de la Cruz J. M. and De Andrés B., “A mathematical model for planning transportation of multiple petroleum products in a multi-pipeline system,” Computers & Chemical Engineering, Vol. 34, No. 3, pp. 401-413, 2010. ##

[5]. Zaghian A. and Mostafaei H., “An MILP model for scheduling the operation of a refined petroleum products distribution system,” Operational Research, Vol. 16, No. 3, pp. 513-542, 2016. ##

[6]. Cafaro V. G., Cafaro D. C., Méndez C. A. and Cerdá J., “MINLP model for the detailed scheduling of refined products pipelines with flow rate dependent pumping costs,” Computers & Chemical Engineering, Vol. 72, pp. 210-221, 2015. ##

[7]. Kirschstein T., “Planning of multi-product pipelines by economic lot scheduling models,” European Journal of Operational Research, Vol. 264, No. 1, pp. 327-339, 2018. ##

[8]. Cafaro D. C., and Cerdá J., “Optimal scheduling of refined products pipelines with multiple sources,” Industrial & Engineering Chemistry Research, Vol. 48, No. 14, pp. 6675-6689, 2009. ##

[9]. Cafaro V. G., Cafaro D. C., Méndez C. A. and Cerdá J., “Detailed scheduling of operations in single-source refined products pipelines,” Industrial & Engineering Chemistry Research, Vol. 50, No. 10, pp. 6240-6259, 2011. ##

[10]. Cafaro V. G., Cafaro D. C., Méndez C. A. and Cerdá J., “Detailed scheduling of single-source pipelines with simultaneous deliveries to multiple offtake stations,” Industrial & Engineering Chemistry Research, Vol. 51, No. 17, pp. 6145-6165, 2012. ##

[11]. Gupta D., Maravelias C. T. and Wassick J. M., “From rescheduling to online scheduling,” Chemical Engineering Research and Design, Vol. 116, pp. 83-97, 2016. ##

[12]. Mayne D. Q., “Model predictive control: Recent developments and future promise,” Automatica, Vol. 50, No. 12, pp. 2967-2986, 2014. ##

[13] .Aghaee S., Zakeri Y. and Sheikholeslam F., “Offset-free control of constrained linear systems using modelpredictive control,” in IEEE International Symposium on Industrial Electronics, pp. 973-979, 2008. ##

[14]. Subramanian K., Maravelias C. T. and Rawlings J. B., “A state-space model for chemical production scheduling,” Computers & Chemical Engineering, Vol. 47, pp. 97-110, 2012. ##

[15]. Yüzgeç U., Palazoglu A. and Romagnoli J. A., “Refinery scheduling of crude oil unloading, storage and processing using a model predictive control strategy,” Computers & Chemical Engineering, Vol. 34, No. 10, pp. 1671-1686, 2010. ##

[16]. Wu S. J. and Chow P. T., “Genetic algorithms for solving mixed-discrete optimization problems,” Journal of the Franklin Institute, Vol. 331, No. 4, pp. 381-401, 1994. ##