Управление УЭЦН на основе нейросетей. Автореферат. Общая характеристика работы
 Скачать 199 Kb.
|
|
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы Современное состояние сырьевой базы нефтяной промышленности на территории Западной Сибири характеризуется изменением структуры и качества запасов как на разрабатываемых, так и на вновь открываемых месторождениях. Все большее число месторождений вступает в позднюю и завершающую стадию разработки, характеризующуюся значительным снижением добычи нефти при резком росте обводненности продукции. По мере истощения нефтяной залежи особую актуальность приобретают проблемы повышения эффективности разработки месторождений, увеличения добычи нефти, снижение отбора попутных воды и газа, повышения нефтеотдачи пластов, обоснование и выбора оптимальных управляющих воздействий, оценки технологической эффективности проводимых геолого-технологических мероприятий, продления жизненного цикла разработки месторождений, достижения экономической эффективности и другие. Достижение наиболее эффективного, экономически обоснованного и полного извлечения углеводородного сырья возможно при научно обоснованных технологиях его добычи и адекватных регулирующих воздействиях с рациональным использованием энергии пласта. Для решения этих проблем необходима как полнота и достоверность, так и комплексная обработка всей накопленной геолого-геофизической и промысловой информации о строении и свойствах продуктивных пластов. Значительные объемы такой информации концентрируются у технологов, геологов геофизиков в процессе разведки, разбуривания месторождения, исследования и эксплуатации скважин. Эта информация, как правило, точно характеризует строение, свойства и процессы в нефтяных пластах. В интеграции этих данных, в их комплексной обработке с помощью адекватных моделей и высокопроизводительных ЭВМ кроются значительные резервы повышения эффективности эксплуатации месторождений. Поэтому в решении названных проблем повышения эффективности нефтедобывающего производства немаловажную роль играет его информатизация, создание информационных систем для решения задач мониторинга, геолого-промыслового анализа, математического моделирования и прогноза систем разработки месторождений не только на этапе их проектирования, но и на этапе разработки месторождений в условиях нефтедобывающих предприятий. Создать автоматизируемую систему управления таким технологическим процессом как процесс добычи нефти невозможно в пределах одной суперсистемы, которая бы учла все нюансы и тонкости данного процесса. Поэтому необходимо применять системный принцип декомпозиции, для того чтобы очертить контуры именно АСУ ТП добычи нефти из всей деятельности нефтяной компании. На сегодняшний день существует тенденция взваливать на АСУ ТП функции ей не присущие: бухгалтерию, финансовую отчетность, маркетинг и т.д. Другими словами АСУ ТП раздувают до пределов MES систем. Это в корне не правильно, так как в этом случае программное обеспечение получается громоздким, его трудно внедрять и поддерживать, а также обучать персонал. Другим аспектом актуальности является то, что большое количество созданных на основе классической теории систем управления, уже не удовлетворяют вновь возникшие потребности заказчиков. В сложной системе производственных отношений должен появиться новый, независящий от нас элемент. Именно этим элементом и является интеллектуальные системы. Стремительное развитие интеллектуальных систем, являясь объективной реальностью, обуславливает необходимость их внедрения в производственные предприятия. Это следующий, имеющий более высокую структуру организации, независящий от нас этап развития производственных отношений. Итак, большое количество классических систем управления (СУ) переходит (при помощи: внедрения, системной интеграции, модернизации, инжиниринга) на качественно новый уровень СУ, построенных по сложным законам. Актуальность разработки таких систем обусловлена фундаментальными законами развития общества. Необходимость внедрения таких СУ есть объективная реальность и предприятия, которые не понимают этого, оказываются слабее своих конкурентов. Вопросами разработки сложных СУ, посвящены работы С. Робертса, У. Рея, Л. Пуйджанера, В.П. Мешалкина, В.Н. Захарова, Д.А. Поспелова, В.Е. Хазацкого, Г.Г. Куликова, Б.Г. Ильясова, В.И. Васильева, Д.Х. Имаева, А.А. Вавилова, А.П. Веревкина, С.А. Юдицкого, А.С. Клюева и др. [4 - 12]. Поэтому актуальным является разработка концепции построения таких интеллектуальных информационных систем управления на основе интеграции наиболее прогрессивных технологических решении. Цель работы Разработать автоматизированную систему управления режимами работы нефтедобывающих установок на основе нейросетевых технологий, а также оценить эффективность предложенной системы путем ее апробации в промысловых условиях. Задачи исследования Для достижения поставленных целей требуется решить следующие задачи: 1. Разработать структуру автоматизированной системы управления производительностью добывающих установок. 2. Разработать алгоритмы управления на основе нейрорегулятора системы управления производительностью добывающих установок. 3. Разработать алгоритмы адаптации нейрорегулятора переменной структуры. 4. Разработать подсистему принятия решений о выборе режима на основе сформированной базы знаний о технологическом процессе добычи нефти. Методы решения Для решения поставленных в работе задач использовались методы системного анализа, теории управления, теории имитационного моделирования, теории нейронных сетей. Использовались программные средства GENESIS32, UltraLogik32, Matlab 6.5 и Simulink 5.0. Научная новизна результатов Впервые для управления группой нефтедобывающих установок электроцентробежных насосов разработан многоуровневый нейросетевой регулятор переменной структуры. Новизна предложенной системы принятия решений на основе логического вывода заключается в том, что по результатам принятых решений изменяется структура нейрорегулятора в виде добавления или удаления нейронов, отвечающих за конкретный режим . Впервые для технологического процесса добычи нефти составлена база знаний предметной области. Новизна предложенной структуры АСУ определяется новизной применения самоорганизующихся нейросетей на каждом уровне управления процессом добычи нефти. Практическая ценность полученных результатов Практическая ценность разработанной АСУ заключается в том, за счет генерации необходимых режимов работы для каждой добывающей установки (адаптации регулятора) в данный момент времени, все установки работают в номинальном режиме. Это увеличивает наработку установок на отказ и уменьшает процент не отработавших гарантийный срок (НОГС) установок. Результаты работы системы прогнозирования позволяют оптимально подобрать тип установки к скважине, а также позволяют спланировать, какое количество каждого типа установки необходимо в конкретный момент времени. Формализованные знания о предметной области процесса добычи нефти, собранные в БЗ, могут использоваться в других интеллектуальных системах. Апробация работы и публикации Молодежной научно-технической конференции «Управление в технических системах» Уфа, 2003. VII международной научно-практической конференции «Системный анализ в проектировании и управлении» Санкт-Петербург 2003. Международной научно-технической конференции «Computer Science and Information Technologies», Уфа 2005. Второй всероссийской международной научно-технической конференции с международным участием «Мехатроника автоматизация управление», Уфа 2005. Оценка эффективности работы системы в промысловых условиях на базе сервисного предприятия ЗАО «ЛУКОЙЛ ЭПУ Сервис», Когалым 2005. Основные результаты диссертационной работы отражены в 8 публикациях, в том числе в виде 5 научных статей и 3 тезисах докладов конференций. Структура работы Диссертационная работа изложена на 180 страницах машинописного текста, и включает в себя введение, четыре главы основного материала, заключение; рисунки на 55 страницах, библиографический список из 160 наименований на 14 страницах и приложение на 10 страницах. СОДЕРЖАНИЕ РАБОТЫ Во введении обосновывается актуальность темы исследований, формулируется цель работы и задачи исследования, обсуждается новизна и практическая значимость выносимых на защиту результатов работы. В первой главе выявлены основные проблемы отрасли, которые необходимо решить для создания качественной системы управления процессом добычи нефти. В результате анализа существующих систем автоматизации показано, что существующие автоматизированные системы управления (АСУ) технологическим процессом добычи нефти, не располагают возможностью воздействовать на многомерный объект управления (группу добывающих установок), с целью достижения желаемых технологических параметров и поэтому их нельзя причислить к системам автоматического управления. Проведенный системный анализ позволил классифицировать типы информаций необходимых для каждого уровня управления, а также классифицировать существующие способы сбора и обработки информации в процессе добычи нефти. Показано, что объект управления находится под действием неопределенностей, которые необходимо учитывать при управлении. Основной причиной невыполнения функций управления группой добывающих установок является отсутствие единого стандарта на системы сбора промысловой информации, который заставлял бы всех производителей станций управления локальной установкой использовать открытые протоколы обмена. Выполнение функций регулирования технологических режимов работы группы добывающих установок, в соответствии с текущими параметрами скважины, возможны при условии применения адекватных по сложности объекту управления АСУ – интеллектуальных систем управления (ИСУ).Это позволяет рационально управлять технологическим процессом добычи нефти. Например, если система диагностики определила, что установка не пригодна для дальнейшей эксплуатации, то не стоит включать ее в контур управления. Или, если система прогнозирования определила, что невозможно добыть плановый дебит при помощи данного фонда скважин и заданного количества типов установок, то нет смысла запускать процесс. Распределение функциональных задач по уровням является целесообразным еще и по той причине, что аппаратные средства каждого уровня несут примерно одинаковую нагрузку. Таким образом, система является распределенной, так как алгоритм управления выполняется на разных аппаратных средствах системы. Вследствие этого отпадает необходимость оснащать каждый уровень дорогостоящей аппаратурой: промышленными контроллерами, станциями, серверами и т.д. Во второй главе производится системный анализ потребностей нефтедобывающей промышленности и обосновывается необходимость выделения подсистемы (определения контуров) процесса добычи нефти из всей деятельности нефтяной компании, используя системный принцип декомпозиции. На основе проведенной декомпозиции определяются базовые системообразующие элементы процесса добычи нефти: продуктивный (нефтеносный) пласт; подсистема поддержания пластового давления (ППД); методы повышения нефтеотдачи пласта (гидроразрыв пласта, проводка горизонтальных стволов, дополнительная перфорация и т.д.); капитальный ремонт скважин (КРС); подземный ремонт скважин (ПРС); установка элктроцентробежного насоса (УЭЦН); подготовка и перекачка нефти (ППН); узел коммерческого учета нефти (УКУН). Приводятся доказательства того, что объект управления (группа добывающих установок) является многомерным сложным динамическим объектом, функционирующим в условиях неопределенностей. Структурная схема объекта управления показана на рисунке 1.  Рисунок 1 Заглавными латинскими буквами Qi обозначена производительность электроцентробежных насосов (ЭЦН). Буквы Ui обозначают управляющее переменное напряжение определенной частоты и формы (выходное напряжение повышающего трансформатора). ПЭД – погружной электродвигатель, ГЗ – гидрозащита. Разработана структура информационной системы цеха добычи нефти и газа (ЦДНГ), а также иерархия баз данных. При построении информационной системы целесообразно группировать реализуемые ею функции в отдельные подсистемы – модули. Из множества вариантов группировок предпочтение следует отдать варианту, при котором имеет место максимальное соответствие подсистем элементам организационной структуры ЦДНГ. Иными словами, необходимо выделять подсистемы для уровней скважин и кустов, операторов по добычи, диспетчеров и руководства ЦДНГ. Каждая из подсистем реализована на локальных сетях, объединяющих рабочие станции пользователей и промышленные контроллеры, которые непосредственно управляют технологическим оборудованием. Такой подход обеспечивает как высокую степень автономности подсистем, так и возможность поэтапного наращивания аппаратных и программных средств системы. При этом обеспечивается эффективное освоение новых технологий. Разработаны нейросетевые алгоритмы обработки информации в системах прогнозирования дебита и диагностики УЭЦН. Существующие станции управления установками в основном выполняют функции защиты ПЭД по электрическим параметрам: недогрузка/перегрузка по току, повышенное/пониженное напряжение ПЭД, дисбаланс токов/напряжений, сопротивление изоляции системы «трансформатор-кабель-ПЭД» [1]. Более «продвинутые» современные станции управления помимо электрических параметров, с помощью погружного блока телеметрии контролируют механические параметры: вибрация ПЭД по трем осям, температура и давление ПЭД, температура и давление в скважине, обороты ПЭД. Принцип управления в таких станциях очень прост: если какой-либо параметр выходит за допустимый диапазон, то станция отключает установку, запоминает значение параметра, и ожидает. Если этот параметр войдет в норму (например, произошел скачек напряжения в сети, и станция сработала по перенапряжению, после чего напряжение вернулось в норму), то станция перезапустит установку. Если нет (например, сопротивление изоляции снизилось), то станция встает на блокировку и повторного пуска не будет. Таким образом, в памяти сохраняется история отключений, которая используется при расследовании остановки скважины для определения виновника. Недостатком таких систем является то, что во время работы установки (в реальном времени) не проводится анализ поступающих данных, т.е. не прогнозируется выход из строя установки. Анализ данных из истории отключений производится уже при расследовании, после того как установка вышла из строя. Такие системы не в силах отследить комплексное изменение параметров и сделать соответствующий вывод. Более того, они не регистрируют появление (предпосылку) «опасного» признака, не диагностируют систему. Приведем простой пример из практики. Допустим, повысилось напряжение фазы UA, но не вышло за максимальную уставку, т.е. установка продолжает работать. Система проверяет дисбаланс по напряжению и обнаруживает, что он вышел за верхний предел. Идет сигнал отключения установки и в журнал отключений записывается «остановка по причине дисбаланса напряжений». Однако причину повышения напряжения, а, следовательно, и дисбаланса, система не в силах распознать. Это происходит потому, что в каждый момент времени система обрабатывает один параметр и не учитывает изменения других. Другими словами, если при повышении напряжения фазы А снизилось сопротивление изоляции R, то причина – это увеличение тока утечки между жилами кабеля. Если сопротивление изоляции не изменилось, то причина повышения напряжения – межвитковое замыкание обмотки статора ПЭД. При этом, кстати, повысится и температура двигателя. Отсюда важный вывод: система диагностики должна параллельно обрабатывать данные и анализировать совокупное изменение параметров. Система прогнозирования дебита скважин цеха по месяцам, также использует нейросетевые алгоритмы обработки исторической информации. Сеть обучается распознавать параметры месячных дебитов, характерные для различных лет. Согласно проведенному статистическому анализу определенной группы скважин её общий среднемесячный дебит года имеет свою специфику распределения этого дебита по скважинам. Дебит некоторых месяцев, относящихся к разным годам, различаются минимально. В многомерном пространстве они образуют компактные группы данных, каждая из которых может отображаться весами единственного нейрона победителя. Чтобы отстроиться от определенного общего тренда, обусловленного ежегодным снижением запасов по месторождению, принимаются во внимание только переменные части характеристик, остающиеся после вычитания среднего значения. Если обозначить среднее значение дебита скважины в j-й год Qm(j), а его вариацию – σ(j), то можно определить месячный профиль j-гo года в виде:  , (1.1)для h = 1, 2,…,12 (месяцы), где Q(j,h) – обозначает фактический отбор жидкости (дебит) в h-й месяц j-го года. Значения q(j,h) составляют вектор профильных отборов года, |