Practical NMPC of Electrical Submersible Pumps based on Echo State Networks

Abstract

Dette prosjektet går ut på å kontrollere en ESP (electric submersible pump) ved bruk av ESN-PNMPC (Echo state network- practical nonlinear model predictive control) . Å kontrollere en ikke lineær dynamisk prosess kan være utfordrende siden den dynamiske prosessen ikke nødvendigvis er kjent. Et annet aspekt er at det kan oppstå modelleringsfeil i slike komplekse systemer, ved bruken av en kontroller som blir kalt NMPC (nonlinear model predictive control). I denne oppgaven benyttes en effektiv datadreven løsning som fjerner noen av problemene som kommer med PNMPC (Practical nonlinear model predicive control). I PNMPC løsningen er systemet delt inn i to responser, en fri respons som holdes ikke lineært og en tvungen respons som er delvis linearisert. Denne oppgaven bruker et ESN (Echo State Network), som er et tilbakevendende nevralt nettverk som brukes til systemidentifikasjon. Det er flere fordeler for å bruke denne tilnærmingen. Det gir en rask systemidentifisering, og gjør analytiske beregninger av derivater fra den datadrevene-modellen (ESN). Dette brukes til å beregne den tvungne responsen og vil gjøre beregningskompleksiteten for å beregne derivatene utvilsomt lavere. Et korreksjonsfilter er også implementert for å øke kontrollerens robusthet. Denne ESN-PNMPC-tilnærmingen vil bli implementert på en ESP, som er en av de mest benyttede metodene for olje pumping i oljeindustrien.

I denne oppgaven er det utviklet en modell for pumpen ESP med bruk av CasADi, et echo state network som predikerer pumpens dynamikk med god nøyaktighet, og en kontroller (ESN-PNMPC) for å følge en refereanse på den dynamiske tilstanden (pbh), samtidig som den maksiemere flyten (q). Resultatet endte med en kontroller som viste gode resultater med å kunne følge en referanse samtidig som den maksimerte flyten, uten noen feil som svingninger og overskriding.

This dissertation aims to control an Electric Submersible Pump (ESP) using the Practical Nonlinear Model Predictive (PNMPC) based on an Echo State Network (ESN). The control of a nonlinear dynamic process can be a challenging task since the dynamic process might not be fully known. Another aspect is that such complex systems may suffer from modeling errors when applying nonlinear model predictive control. This dissertation uses an efficient data driven scheme that overcomes some of the drawbacks of the baseline PNMPC. In the PNMPC approach the system is divided in two responses, a free response that is kept nonlinear and a forced response that is partially linearized. This dissertation will use an echo state network, which is a recurrent neural network used for system identification. There are several advantages for using this approach: one is fast system identification, the other is the analytical computation of derivatives from the data driven model (ESN) for the forced response. This will make the computational complexity for calculating the derivatives unquestionably low. Also a correction filter is implemented to improve the robustness of the controller. The resulting ESN-PNMPC approach will be implemented to control an ESP, which is one of the most widely used methods for artificial lifting in the oil industry.

In this dissertation, an ESP pump model was developed using CasADi, an echo state network that predicts the pump's dynamics with good accuracy, and an ESN-PNMPC controller to follow a reference on the state (pbh) while maximizing the flow (q). The result concluded with a controller demonstrating good results in being able to follow a reference with a smooth trajectory while optimizing the flow, without any errors like oscillations or overshooting.