Decision making under the uncertainty of electricity market for scheduling and planning

Abstract

La planificació dels processos intensius en la utilització de l'energia és intrínsecament incerta a causa de la seva dependència del mercat energètic volàtil, i la programació té un gran impacte en el cost final de producció d'aquestes plantes. Els mètodes estocàstics tradicionals són matemàticament molt complexos, la qual cosa es tradueix en un esforç computacional important que podria impedir una resposta oportuna als preus de l'electricitat variables. Per trobar aquesta incertesa, desenvolupem un enfocament híbrid de simulació-optimització fiable per optimitzar la programació de la planta de producció, combinant l'anàlisi d'escenaris amb l'anàlisi de riscos. La metodologia proposada es demostra amb dades reals d'una planta criogènica de separació d'aire a Tarragona (Espanya). Aquest enfocament també informa els responsables de la presa de decisions sobre el risc o el dèficit esperat associat a l'escenari implícit. La metodologia genèrica utilitzada aquí es pot adaptar fàcilment per programar instal·lacions en altres sectors energètics intensius com el ciment, la metal·lúrgia o la pasta i paper. Per desenvolupar aquest enfocament, hem utilitzat una formulació MILP, incloent previsió de sèries temporals amb ARIMA i un generador d'escenaris Monte-Carlo. El MILP fa front als canvis de preus de l'electricitat alhora que maximitza el rendiment de la planta. Per a això, s'optimitzen les decisions sobre cabals, posades en marxa i aturades de les operacions d'unitats i ordres de compra segons les necessitats del mercat de la instal·lació industrial (és a dir, demanda de N2, O2 i líquids i Ar i N2 i O2 gasosos).

La planificación de procesos intensivos en energía es intrínsecamente incierta debido a su dependencia de un mercado energético volátil, y a que la planificación tiene un elevado impacto en los costes de producción. Los métodos estocásticos tradicionales son matemáticamente muy complejos, lo que se traduce en un esfuerzo computacional significativo que podría impedir una respuesta adecuada a los precios variables de la electricidad. Para hacer frente a esta incertidumbre, se ha desarrollado un enfoque híbrido de simulación y optimización para optimizar la planificación de la planta, combinando el análisis de escenarios con el análisis de riesgos. La metodología propuesta se aplica a datos reales de una planta de separación criogénica de aire en Tarragona (España). Este enfoque también informa a los tomadores de decisiones sobre el riesgo o la incertidumbre asociada con cada escenario. La metodología genérica utilizada se puede adaptar fácilmente para aplicarse a otras instalaciones de sectores energéticamente intensivos, como el cemento, la metalurgia o el papel. Para desarrollar este enfoque, hemos utilizado una formulación MILP, con pronósticos de series temporales con ARIMA y un generador de escenarios Monte-Carlo. El modelo MILP resuelve con eficacia los precios cambiantes de la electricidad al tiempo que maximiza el rendimiento de la planta. Para ello, se optimizan las decisiones sobre caudales, arranques y paradas de operaciones unitarias y órdenes de compra en función de las necesidades de mercado de la planta (es decir, demanda de N2 líquido, O2 y Ar y N2 y O2 gaseosos).

The planning of energy-intensive processes is intrinsically uncertain due to their dependence on the volatile energy market, with scheduling having a vast impact on the final production cost of these plants. Traditional stochastic methods are mathematically very complex, which translates into a significant computational effort that might prevent a timely response to varying electricity prices. To encounter this uncertainty, we develop a reliable hybrid simulation-optimization approach for optimizing the production plant scheduling, combining scenario analysis with risk analysis. The proposed methodology is demonstrated with real data from a cryogenic air separation plant in Tarragona (Spain). This approach also informs decision-makers about risk or expected shortfall associated with the implied scenario. The generic methodology used here can be easily adapted to schedule facilities in other energy-intensive sectors such as cement, metallurgy or pulp and paper. To develop this approach, we have used a MILP formulation, time series forecasting with ARIMA, and Monte-Carlo scenario generator. The MILP effectively copes with changing electricity prices while maximizing the plant performance. To this end, decisions on flow rates, starts-up and shutdowns of unit operations, and purchase orders are optimized according to the market needs of the existing industrial facility (i.e., demand of liquid N2, O2 and Ar and gaseous N2 and O2).