Echo State Network Based Inverse Models for Feedforward Assisted Optimal Control of Electric Submersible Pumps

Abstract

Håndtering av forstyrrelser er antakelig en av de viktigste, men også mest utfordrende, områdene innen reguleringsteknikk. Til tross for at det finnes uttalelige metoder, samt store mengder teori på hvordan forstyrrelser kan håndteres, vil alle fysiske prosesser påvirkes av dette i praksis. Generelt representerer forstyrrelser usikkerheten i en modell, og det kan være vanskelig å avgjøre hvor disse stammer fra. Dette påvirker både lønnsomheten og effektiviteten til prosessen, da det er avgjørende for hvilke begrensninger som kan benyttes for å optimalisere kontrollbruken. Moderne industri kjennetegnes i stor grad av økonomisk lønnsomhet og effektivitet. Dette er en av mange grunner til at forstyrrelser fremdeles er, og vil forbli, et viktig forskningsområde innen reguleringsteknikk.

I denne masteroppgaven ble en metode for å forbedre ytelsen til en ulineær-modell-prediktiv-kontroller (NMPC) undersøkt. Kontrolleren ble brukt til å regulere en elektrisk nedsenkbar pumpe (ESP) som var utsatt for forstyrrelser som ikke inngikk i modellen. Videre ble den inverse modellen for dette forstyrrelsesutsatte systemet identifisert ved hjelp av et ekko-tilstands-nettverk (ESN). Ut fra denne ble det laget en foroverkopling som genererte korrigeringer til kontrollsignalene fra NMPCen basert på det nåværende NMPC-kontrollsignalet, kontrollreferansen, samt den nåværende systemtilstanden.

Resultatene fra eksperimentene viser at ESN-basert foroverkopling kan forbedre ytelsen til NMPCen. Det ble også observert at ESNens evne til å lære den inverse modellen avhenger av den spesifikke støyen som ble brukt for å eksitere ESN-utgangen under treningsfasen. Dette kom svært tydelig frem ved sammenligning av to modeller som var trent med henholdsvis uniformfordelt og normalfordelt støy. I dette eksperimentet ga modellen trent med uniformfordelt støy langt bedre ytelse totalt sett.

Videre ble det vist at en ESN kan identifisere en invers modell for foroverkopling også uten forkunnskap om de faktiske systemforstyrrelsene. I et av eksperimentene der kontrolleren manipulerte begge kontrollinngangene til ESPen, ble den gjennomsnittlige absolutte feilen (MAE) forbedret med 63.03% i snitt. Dette resultatet var verken påvirket av karakteristikken til forstyrrelsene eller enhetsstegene i reguleringsreferansen.

Handling disturbances is arguably one of the most important, yet challenging, aspects of control theory. Despite the existence of numerous methods and extensive theories on how to deal with disturbances, they are always present in any real-world process. Disturbances generally represent uncertainties in models, and it can be difficult to determine their origin. This demands looser constraints when optimizing the process control, affecting both profitability and efficiency. Many modern industries can be characterized by their insatiable demand for economic profitability and efficiency. This is one of many reasons why disturbance remains an important area of research within control theory.

In this dissertation, a method to enhance the performance of a nonlinear model predictive controller (NMPC) was investigated. The NMPC was utilized to control an electric submersible pump (ESP) subject to disturbances that were not accounted for in the model. To address this, an echo state network (ESN) was used to identify the inverse model of the disturbance-inflicted dynamical system. Ultimately, the obtained inverse model was used to synthesize a feedforward controller. This controller generated corrections to the current NMPC control input based on this input along with the control reference and the current system state.

The results obtained from the experiments demonstrate that introducing ESN-based feedforward control can indeed improve the performance of the NMPC. It was also observed that the ESN's ability to learn the inverse model depends on the particular noise used to excite the ESN output during the training phase. This became particularly evident after comparing two models trained with uniformly and normally distributed noise, with the uniform noise model yielding better overall performance.

Furthermore, it was demonstrated that the ESN can successfully identify a satisfactory inverse model for feedforward control even without prior knowledge of the actual system disturbances. In an experiment where the controller manipulated both ESP control inputs, the mean absolute error (MAE) was improved by 63.03% on average. This improvement was achieved regardless of the disturbance characteristics and steps in the control reference.