Optimisation de l'ordonnancement appliquée à l'industrie du pétrole

Otimização de agendamento aplicada às indústrias de eletricidade, petróleo e gás

Scheduling optimization applied to the electricity, oil and gas industries

• Auteur / Autrice : Mario Costa levorato junior
• Direction : Serigne Abdoulaye Gueye, Maria Rosa Figueiredo
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 13/05/2022
• Etablissement(s) : Avignon en cotutelle avec Universidade federal fluminense (Niteroi, Brésil)
• Ecole(s) doctorale(s) : École doctorale 536 « Sciences et agrosciences » (Avignon)
• Partenaire(s) de recherche : Laboratoire : Laboratoire informatique d'Avignon
• Jury : Président / Présidente : Yuri Abitbol De menezes Frota
• Jury : Examinateurs / Examinatrices : Sophie Demassey, Simone L. Martins, Igor Machado Coelho, Ayse Nur Arslan, David Sotelo Pinheiro da Silva
• Jury : Rapporteurs / Rapporteuses : Agostinho Agra, Sophie Demassey

Mots clés

Mots clés contrôlés

Comptabilité -- Informatique

Analyse de réseau (planification)

Commande robuste

Incertitudes bornées

Recherche opérationnelle

Programmation (mathématiques)

Ordonnancement (gestion)

Réponse à la demande (énergie)

Micro-réseaux électriques

Optimisation globale

Mots clés libres

Optimisation robuste

Micro-réseaux

Engagements flexibles

Planification énergétique

Ordonnancement

Permutation flow shop

Otimização Robusta

Smart grid

Energia

Agendamento

Programação

Permutation Flow Shop

Robust Optimization

Smart grid

Energy

Scheduling

Permutation Flow Shop

Résumé

Ce travail de recherche propose de nouvelles approches de solutions pour deux problèmes importants dans les domaines de l'énergie et du pétrole, avec des paramètres d'entrée incertains. Dans le contexte des réseaux d'énergie intelligents, le premier problème concerne les micro-réseaux qui échangent de l'énergie avec le réseau principal pour vendre leur surplus de production (provenant de sources renouvelables) ou acheter un montant supplémentaire pour soutenir la demande des consommateurs locaux. La première partie de la thèse étudie la souscription des contrats flexibles et bilatéraux, établis entre des fournisseurs d'électricité et un client. Une stratégie de commande en temps réel a été adaptée à la planification énergétique des micro-réseaux avec des incertitudes dans la production et la consommation d'électricité. Les principaux produits développés sont un modèle d'optimisation robuste multipériode embarqué, capable de fournir des solutions pour l'échange d'énergie, minimisant le coût par le client dans le pire des cas, ainsi qu'un ensemble de stratégies de contrôle pour la planification énergétique en temps réel. Au cours de la recherche, le modèle initial a été amélioré pour représenter l'incertitude budgétisée, avec des solutions moins conservatrices, plus flexibles et moins chères, tout en assurant une protection contre les pires scénarios. La solution proposée a été testée à l'aide de données collectées auprès d'un micro-réseau énergétique réel au Japon. Le deuxième front de recherche est lié au problème d'ordonnancement connu sous le nom de Robust Permutation Flow Shop Scheduling. Nous utilisons l'approche de l'incertitude budgétaire, où les temps des opérations varient dans un intervalle donné. Le scénario le plus défavorable est borné par un paramètre de budget Γ, qui limite le nombre maximum d'opérations dont les temps de traitement peuvent osciller. Le grand avantage consiste à ajuster le niveau de conservatisme de la solution, obtenant ainsi un équilibre entre le coût de la solution et la robustesse dans le pire des cas. Nous avons développé des méthodes de résolution pour deux fonctions objectifs différentes : le makespan et la somme pondérée des temps d'exécution des tâches. A notre connaissance, il s'agit du premier travail permettant d'obtenir des solutions robustes optimales aux deux objectifs. Concernant la fonction objectif makespan, nous avons étendu deux formulations MILP classiques pour le cas déterministe et les avons combinées avec un cadre de génération de colonnes et de contraintes (C&CG). A cet effet, un algorithme de programmation dynamique a été développé pour l'identification des pires scénarios en temps polynomial. La méthode de résolution a obtenu des solutions robustes optimaux pour des problèmes de petite et moyenne taille (50 x 2, 100 x 2 et 10 x 5, 15 x 5). De plus, sur la base d'une étude de cas, nous avons évalué le compromis entre la qualité et le coût, en comparant des solutions robustes à des solutions déterministes et stochastiques. Nous avons également développé une métaheuristique GRASP pour obtenir des solutions pour les instances de problèmes jusqu'à 100 x 50. Enfin, nous avons exploré le flow shop robuste avec l'objectif somme pondérée des temps de réalisation des tâches. Dans le contexte de l'industrie pétrolière et gazière, cette variante du flow shop est associée au planning de maintenance des plates-formes pétrolières. L'objectif est de trouver un calendrier qui minimise la perte de production de pétrole causée par le temps pendant lequel chaque puits de pétrole est resté fermé pour maintenance. Sur la base du cadre de C&CG, nous avons pu obtenir des solutions exactes pour des instances jusqu'à 15 x 5. En plus, nous avons proposé une étude de cas, en utilisant des données réelles, obtenues à partir de l'historique des plates-formes pétrolières brésiliennes.

Esta tese propõe novas abordagens de solução para dois problemas importantes nas áreas de energia, petróleo e gás, que envolvem parâmetros de entrada incertos. No contexto das redes elétricas inteligentes (smart grids), o primeiro problema aborda a realidade das micro-redes (microgrids) que comercializam energia com a rede principal para vender seu excedente de produção (oriundo de energia renovável) ou comprar um volume adicional para atender à demanda dos consumidores locais. A primeira parte do trabalho estuda uma estrutura flexível de assinatura de contratos bilaterais de energia, estabelecida entre fornecedores de energia elétrica e um cliente. A estrutura de contratação é acoplada a uma estratégia de comando em tempo real (RTCS), adaptada à programação de energia de micro-redes com incerteza tanto na produção quanto no consumo de eletricidade. Os principais produtos são um modelo de Otimização Robusta multi-período embarcado, capaz de fornecer soluções para comercialização de energia, minimizando o custo pago pelo cliente no pior caso, bem como um conjunto de estratégias de controle para programação de energia em tempo real. Durante a pesquisa, o modelo inicial foi aprimorado para representar a incerteza orçamentária (budgeted uncertainty), permitindo soluções menos conservadoras, mais flexíveis e menos dispendiosas, sem abrir mão da proteção contra os piores cenários. A solução proposta foi testada usando dados coletados de uma micro-rede instalada em um laboratório de pesquisa no Japão. O segundo estudo envolve o problema de programação conhecido como Robust Permutation Flow Shop Scheduling. Adotamos a abordagem de Otimização Robusta conhecida como budgeted uncertainty, onde os tempos de processamento das operações variam dentro de um determinado intervalo. Além disso, o cenário de pior caso é limitado por um parâmetro de orçamento Γ, que limita o número máximo de operações cujos tempos de processamento podem oscilar. A grande vantagem consiste em ajustar o nível de conservadorismo da solução, equilibrando custo e robustez no pior caso. Métodos de solução foram então desenvolvidos para duas funções objetivo diferentes: makespan e soma ponderada dos tempos de término dos jobs. Até onde sabemos, este é o primeiro trabalho que conseguiu obter soluções ótimas robustas para ambas as funções objetivo. Em relação à função objetivo makespan, estendemos duas formulações clássicas de MILP para o caso determinístico e as combinamos com uma estrutura de geração de colunas e restrições (C&CG). Para tanto, também foi desenvolvido um algoritmo de programação dinâmica, que permite a identificação dos cenários de pior caso em tempo polinomial. Extensos resultados experimentais demonstraram que o algoritmo proposto foi eficaz na obtenção de soluções robustas ótimas para instâncias de pequeno e médio porte (incluindo 50 × 2, 100 × 2 e 10 × 5, 15 × 5). Adicionalmente, com base em um estudo de caso, avaliamos o trade-off entre qualidade e custo da solução, comparando soluções robustas com determinísticas e estocásticas. Também foi desenvolvida uma metaheurística GRASP para obter soluções eficientes para instâncias grandes do problema (até 100×50). Por fim, exploramos o flow shop robusto com o objetivo soma ponderada dos tempos de término dos jobs. No contexto da indústria de óleo e gás, esta variante do flow shop está associada ao cronograma de manutenção das plataformas de petróleo. O objetivo, neste caso, é encontrar um cronograma que minimize a perda de produção de petróleo causada pelo tempo (incerto) que cada poço de petróleo permaneceu fechado para manutenção. Com base no framework de C&CG, conseguimos obter soluções exatas para instâncias de tamanho até 15×5. Além disso, propusemos um estudo de caso, utilizando dados reais, obtidos a partir do histórico das plataformas de petróleo brasileiras.

This thesis proposes new solution approaches for two important problems in the areas of energy, oil and gas, which involve uncertain input parameters. In the context of smart grids, the first problem addresses the reality of microgrids which trade energy with the main grid to either sell its production surplus (from renewable energy sources) or buy an additional amount to support local consumers' demand. The first part of the work studies a flexible bilateral energy contract subscription framework, established between electricity suppliers and a client. The framework is coupled with a real-time command strategy (RTCS), suited for energy scheduling of microgrids with uncertainty in both production and consumption. The main products are an embedded Robust Optimization model, capable of providing solutions for energy trading, while minimizing the microgrid's worst-case cost, as well as a set of control strategies for real-time energy scheduling. During the research, the initial model was improved to represent budgeted uncertainty, allowing for less conservative solutions that are, at the same time, more flexible and less expensive, while providing protection against worst-case scenarios. The proposed solution was tested using consumption and production data collected from a real microgrid in a research lab in Japan. The second research is related to production planning under uncertainty, in particular the scheduling problem known as Robust Permutation Flow Shop Scheduling. We adopt the budgeted uncertainty approach, where operation processing times are expected to vary within a given interval. The worst-case scenario is bounded by a budget parameter Γ, which limits the maximum number of operations whose processing times may oscillate. The great advantage consists in adjusting the level of conservatism of the solution, thus balancing solution cost and robustness in the worst case. We developed solution methods for two different objective functions: makespan and weighted sum of job completion times. To our knowledge, this is the first work to obtain optimal robust solutions to both objectives. Regarding the makespan objective function, we extended two classical MILP formulations for the deterministic case and combined them with a Column-and-Constraint Generation (C&CG) framework. For this purpose, a dynamic programming algorithm was also developed, allowing the identification of worst-case scenarios in polynomial time. The solution method was effective in obtaining optimal robust schedules for small and medium-sized problems (including 50 x 2, 100 x 2 and 10 x 5, 15 x 5 instances). Additionally, based on a case study with two representative instances, we have assessed the trade-off between solution quality and cost, comparing robust solutions to deterministic and stochastic ones. We also developed a Greedy Randomized Adaptive Search Procedure (GRASP) metaheuristic to obtain efficient solutions for large problem instances (up to 100 x 50). Finally, we explored the robust flow shop with the weighted sum of job completion times objective. In the context of the oil and gas industry, this variant of the flow shop is associated with the maintenance schedule for oil rigs. The objective, in this case, is to find a schedule that minimizes the loss of oil production caused by the (uncertain) time that each oil well has remained closed for maintenance. Based on the C&CG framework, we were able to obtain exact solutions to instances of size up to 15 x 5. We also proposed a case study, using real data, obtained from the history of Brazilian oil platforms.