CN102414636A - 用于煤层气体生产的多变量模型预测控制 - Google Patents

用于煤层气体生产的多变量模型预测控制 Download PDF

Info

Publication number
CN102414636A
CN102414636A CN201080018419XA CN201080018419A CN102414636A CN 102414636 A CN102414636 A CN 102414636A CN 201080018419X A CN201080018419X A CN 201080018419XA CN 201080018419 A CN201080018419 A CN 201080018419A CN 102414636 A CN102414636 A CN 102414636A
Authority
CN
China
Prior art keywords
cbm
control
mpc
wells
little
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201080018419XA
Other languages
English (en)
Other versions
CN102414636B (zh
Inventor
N.A.卡斯特利恩斯
G.L.科尔波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honeywell International Inc
Original Assignee
Honeywell International Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Honeywell International Inc filed Critical Honeywell International Inc
Publication of CN102414636A publication Critical patent/CN102414636A/zh
Application granted granted Critical
Publication of CN102414636B publication Critical patent/CN102414636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/006Production of coal-bed methane
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/12Methods or apparatus for controlling the flow of the obtained fluid to or in wells

Landscapes

  • Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Feedback Control In General (AREA)

Abstract

一种用于控制煤层甲烷(CBM)生产过程的多变量模型预测控制器(MPC)(110)。MPC包括用于接收多个测量信号的输入端口(280),所述多个测量信号包括来自井区中的CBM井(196-199)的测量过程参数。控制回路(136)包括控制CBM气体生产的数学模型(139)。该模型包括每个CBM井的单独的生产特性,用来相对于操纵变量(MV)和扰动变量(DV)的变化来预测控制变量(CV)的其行为。控制回路基于针对CBM生产的测量过程参数和该模型计算MV的将来设置点以便达到井区的至少一个控制目标。多个输出端口(260)提供了用于实施所述将来设置点的控制信号,其当被耦合到在多个CBM井处的物理过程设备(150,160,170,180)时控制该物理设备到达所述将来设置点。

Description

用于煤层气体生产的多变量模型预测控制
相关申请的交叉引用
本申请要求于2009年2月27日提交的临时申请序列号61/156,257的题目为“MULTIVARIABLE PREDICTIVE CONTROL FOR COALBED GAS PRODUCTION”的权益,在此通过引用将其全部并入。
技术领域
公开的实施例总体涉及用于控制来自包括多个井的井区(well field)的煤层气体收集的预测控制器和方法。
背景技术
显著量的煤层气体在物理上被束缚(或吸附)在煤层内。此煤层气体被认为是在植物性材料转换为煤期间形成并且主要包括甲烷(CH4)。因为它主要是甲烷,所以如这里所提及,煤气通常被称为煤层甲烷(coalbed methane, CBM),不过有时它也被称为煤地层甲烷( Coal Seam Methane, CSM)。典型情况下,95%以上的CBM在物理上被束缚(吸附)在煤层基质的表面上。如果处理效率足够高并且生产CBM的成本被最小化,那么通常可以仅出售这样的CBM而获利。
然而,已知从CBM区中生产甲烷在技术和商业这二者上都是挑战。在投资于发现并证明具有商业上可采储量的CBM区之后,企业必须投资然后实施并操作以比常规气井显著低的量进行生产的大量井。在井区中井的数目可能低到50个,但是也可能高达数千个。企业必须进一步实施并操作车间、管道和设备以及操作支持资源以便能够提取、采集、压缩、水净化、脱水和气体的净化,并且运输和传送(或其它处置)气体以便售卖。车间设备和天然储库的此装配必须作为互连和相互依赖部分的内聚系统而操作。至少一些系统部分以有点不确定的方式动作,例如提取井,由此使调节来自CBM区的甲烷变得困难。
用于操作CBM区的常规控制系统软件使用低级(例如单变量)管理控制方案。单变量控制把一个控制变量(例如温度或压力)绑到一个操纵变量(例如阀位或设置点)。这样的控制方案没有从单个应用处理多个约束条件或者写入到多个操纵变量设置点的能力。单变量控制也不能协调分开的管理控制的操作以便实现全局优化目的。
发明内容
提供了此概要以便遵从37 C.F.R.§1.73,其呈现了本公开内容的概要以便简要地表明这里所公开的本质和实质。在该概要将不被用来解释或限制权利要求书的范围或意义的情况下提交了该概要。
公开的实施例描述了用于增加与地下地层相关联的煤层气体(诸如CBM)的生产量、生产质量和生产率的多变量模型预测控制器(model predictive controller, MPC)。应用本文所描述的多变量MPC来控制包括多个CBM井的井区被认为是独特的,这是因为在很大程度上由于整个系统的操作复杂度的缘故多变量MPC先前尚未被应用于CBM气体采集。
更具体地说,发明人已经认识到CBM生成系统的操作复杂度很大程度上是由于系统的大量自由度以及显著的不确定性的缘故。依照所公开实施例的多变量MPC同时操纵CBM系统的一组自变量(操纵变量或MV,即输入)以便使用动态多变量预测过程模型来在(通常可以由CBM操作者输入并改变的)约束条件和/或目标内维持一组应变量(受控变量或CV,即输出)。
动态多变量预测模型使得能够控制CBM过程,其表示改变多个MV对CV的作用。动态模型通常利用程序来协调MV的改变以便满足用户输入控制和优化目标,其中该目标可以针对MV和CV二者来指定。使用本发明的实施例,动态多变量模型被用来通过定期(例如每分钟)测量、监视和计算最优响应并且迅速地调整大量MV来提高生产煤层气体(诸如CBM)的操作和商业性能水平。
一个公开的实施例包括用于控制涉及CBM气体生产系统的CBM生产过程的多变量MPC,所述CBM气体生产系统包括井区,所述井区包括多个CBM井。多变量MPC包括用于接收多个测量信号的多个输入端口,所述多个测量信号用来指示包括来自多个CBM井的测量过程参数在内的测量过程参数。包括优化器和动态数学模型的控制回路控制CBM气体生产系统,其中动态模型包括针对井区中的多个CBM井中的每一个所获得的单独的生产特性,用来相对于多个CBM井的多个MV和扰动变量(disturbance variable, DV)的变化来预测多个CV的行为。
控制回路基于动态数学模型和测量的过程参数来计算多个MV的将来设置点以便导致CBM生产过程实现对于井区的至少一个控制目标。MPC包括用于提供由MPC生成的多个控制信号以便实施将来设置点的多个输出端口,其中所述控制信号当被耦合到在多个CBM井处的物理过程设备(例如现场设备)时控制物理设备达到所述将来设置点。
在一些实施例中,把公开的多变量MPC应用于CBM气体生产网络,所述CBM气体生产网络包括用于把多个CBM井耦合到至少一个中间压缩器以及从所述中间压缩器到至少一个气体净化车间的多个管道段。应用于CBM网络,多个控制信号包括用于控制该网络中的压缩器的压缩器设置点的至少一个控制信号。在此实施例中,控制目标可以包括在针对CBM气体生产网络的压缩过程中的能量最小化。
附图说明
图1示出了对依照所公开实施例的示例性的受控CBM生产系统的描绘,包括通信地连接到数据历史库和一个或多个主机工作站或计算机的多变量MPC。
图2示出了对依照所公开实施例的示例性CBM气体生产网络的描绘,包括控制井区中的井的多变量MPC以及聚集的中间压缩器和多个CBM气体车间。
具体实施方式
参考附图描述公开的实施例,其中遍及附图使用同样的附图标记来指代类似的或等效的元件。附图并未按比例绘制并且提供它们只是用来图示一定的公开方面。下面参考用于举例说明的示例应用来描述若干公开方面。应当理解,阐述了许多具体细节、关系和方法来提供对所公开实施例的完整理解。然而相关领域中的一个普通技术人员应当容易地认识到,可以在没有一个或多个具体细节的情况下或者利用其它方法来实践本文所公开的主题。在其它实例中,并未详细示出公知的结构或操作以免模糊一定方面。本公开内容不受动作或事件的所图示次序限制,这是因为一些动作可能以不同的次序出现和/或与其它动作或事件并发地出现。此外,并不要求所有图示的动作或事件都用来实施依照本文所公开的实施例的方法。
公开的实施例描述了对如本文所描述的多个CBM过程变量进行建模和调整的多变量MPC。本文所描述的多变量MPC控制可以为包括多个CBM井的CBM井区提供基本上实时的、基于模型的控制,其可以同时评定大量约束条件,预测将来对约束条件的违背并且操纵大量过程设置点。
多变量控制与以往被应用于CBM系统的传统单输入、单输出(single-input, single-output, SISO)控制不同。SISO系统在一个受控变量和一个操纵变量之间提供了固定配对。如上所述,不管通常自从20世纪70年代以来已知的多变量控制而依赖SISO控制的原因包括CBM工业的成长初期以及由于系统的大量自由度和显著的不确定性而引起的整个CBM系统的操作复杂度。例如,典型的CBM区可以包括分布在大区域上的数百个井。尽管一些单独的井可能产生高纯度甲烷,但是它们也产生相当可观量的水。井口压力通常近似为只有3巴并且在井区内从井到井的单独的井气体流率通常很大地改变。一般需要依照某方式从产生的井流体中去除水。这可以通过在每个井口的预备分水桶和/或进一步的下游除水步骤来实现。
本文所公开的多变量MPC使用来自井区中单独的井的测量数据并且基于把系统作为一个整体来看的一个或多个控制目标优化系统操作。从而,提供了多输入和多输出(multiple inputs and multiple outputs, MIMO)控制,其中输入和输出之间的交互的特征明确地在于CBM过程模型并且在控制结构中的输入和输出之间不存在离散的或固定的配对。结果,所公开的多变量MPC可以响应于改变过程条件而动态地选择输出的组合。
公开的MPC可以通过自动地检查CV或DV的变化并且在MV中进行抢先的协调措施(moves)来辅助(一个或多个)操作者控制CBM气体生产网络以便操纵网络应用中的井和压缩器。示例性CV可以包括中间压缩器容量、在井头的水处理、在网络中其它点处的水处理、在网络中各个点的温度或压力以及在任何供应商或网络一部分的气体流量变化率。其它CV可以包括网络中的气体存货或管道存量(linepack)、在网络任何部分的气体组成、与井的近期操作历史相关的操作规则和指南(例如在井处已经出现的脱水量)以及与任何井的近期气体流量性能相关的操作规则和指南。
也称为MV的过程处理可以包括单独的井流率(或阻风门位置),并且在包括管道和一个或多个压缩器的CBM系统的情况下,包括压缩器站设置点(流量,压力或直接速度控制)。DV可以包括车间要求的改变、任何井的意外关闭、本地条件的改变或在网络情况下任何子部分的性能以及诸如环境温度之类的环境条件。
在另一公开的实施例中,描述了优化策略。可以结合井控制来执行优化,诸如以逐分钟为基础。此常规的更新确保操作不断地被推向其最优的操作位置。对于计算集中的优化目标,其实际上可能并未以一分钟频率运行,可以集成更高级的优化器。例如,这可以把最大可恢复储量的长期目标转换为井的较短期的相对优先化。所公开的MPC可以实时地追求这些短期目标,但是让步于任何要求的约束条件控制。
图1示出了对依照所公开实施例的示例性受控CBM生产系统100的描绘,该CBM生产系统100包括通信地连接到数据历史库120的多变量MPC 110。多变量MPC 110通常是驻留在计算机上的软件应用,其是受控系统100的一部分。多变量MPC 110还通信地连接到一个或多个主机工作站或计算机130(其可以是任何类型的个人计算机、工作站等),每一个都具有显示屏幕140。
多变量MPC 110还经由输入/输出(I/O)卡260和280连接到位于CBM操作195附近的现场设备150 - 220,所述CBM操作195包括多个CBM井196 - 199。在一个示例性实施例中,现场设备150 - 180包括阻风门,所述阻风门基于由多变量MPC 110经由I/O卡260提供的控制信号通过改变阻风门位置来控制相应井的CBM流率,而现场设备190 - 220可以测量来自相应井的CBM流率并且经由I/O卡280把此信息提供给多变量MPC 110。数据历史库120通常可以是任何期望类型的数据收集单元,其具有用于存储数据的任何期望类型的存储器和任何期望或已知的软件、硬件或固件,并且其可以与工作站/计算机130之一相分开(如图1中所图示)或者作为其一部分。
多变量MPC 110例如经由以太网连接或任何其它期望的通信网络290通信地连接到工作站/计算机130和数据历史库120。通信网络290可以采用局域网(LAN)、广域网(WAN)、电信网络等的形式并且可以使用硬连线或无线技术来实施。
如上所述,使用与例如标准4 - 20 ma设备和/或任何智能通信协议相关联的任何期望的硬件和软件,把多变量MPC 110通信地连接到现场设备150 - 220。现场设备150 - 220通常可以包括多种类型的设备,诸如传感器、阀、发射机、定位器等,而I/O卡260和280可以是符合任何期望的通信或控制器协议的任何类型的I/O设备。可以作为在其中具有至少一个处理器的CBM系统100内的许多分布式控制器之一的多变量MPC 110实施或监督在其中存储或以其它方式与其相关联的一个或多个过程控制例程,其可以包括控制回路。
多变量MPC还与现场设备150 - 220、主机工作站/计算机130和数据历史库120通信以便依照期望的方式控制CBM过程。应当注意,本文所描述的任何控制例程或元件可以使其一部分由不同的控制器或其它设备来实施或执行,如果这样期望的话。同样,要在CBM系统100内实施的本文所描述的控制例程或元件可以采用任何形式,包括软件、固件、硬件等。为了此论述目的,过程控制元件可以是过程控制系统的任何部分或部件,其例如包括在任何计算机可读介质上存储的模块、块或例程。
可以是模块或者是控制过程的任何部分(诸如子例程、子例程的各部分(诸如代码行)等)的控制例程可以采用任何期望的软件格式来实施,诸如使用梯形逻辑、时序功能图、功能框图、面向对象编程或任何其它软件程序编程语言或设计范例。同样,控制例程可以被硬编码到例如一个或多个EPROM、EEPROM、专用集成电路(ASIC)或任何其它硬件或固件元件中。更进一步地,可以使用任何设计工具来设计控制例程,所述设计工具包括图形设计工具或任何其它类型的软件/硬件/固件编程或设计工具。从而,多变量MPC 110通常可以被配置为依照任何期望的方式来实施控制策略或控制例程。
在一个实施例中,多变量MPC 110实施使用通常被称为功能块的控制策略,其中每个功能块是整个控制例程的一部分或对象并且(经由通信呼叫链路)结合其它功能块进行操作以便实施CBM系统100内的过程控制回路。功能块典型地实行诸如与发射机、传感器或其它过程参数测量设备相关联的输入功能之类的输入功能、诸如与实行PID、模糊逻辑等控制的控制例程相关联的控制功能之类的控制功能、或者控制某设备(诸如阀)的操作的输出功能中的一个以便实行CBM系统100内的某物理功能。
功能块可以被存储在多变量MPC 110中并由其执行,这典型地是当这些功能块被用于或者与标准4 - 20 ma设备和一些类型的智能现场设备(诸如HART设备)相关联时的情况,或者可以被存储在现场设备本身中并由其实施,这可以是现场总线设备的情况。虽然本文使用功能块控制策略提供了对控制系统的描述,所述功能块控制策略使用面向对象编程范例,但是也可以使用诸如梯形逻辑、时序功能表等其它惯例或使用任何其它期望的编程语言或范例来实施或设计控制策略或控制回路或模块。
如图1的扩展块185所图示的,多变量MPC 110可以包括被图示为例程132和134的多个单回路控制例程,并且可以实施一个或多个高级控制回路,其被图示为控制回路136。每个这样的回路典型地被称为控制模块。单回路控制例程132和134被图示为使用分别连接到适当的模拟输入(AI)和模拟输出(AO)功能块的单输入/单输出模糊逻辑控制块和单输入/单输出PID控制块来实行单回路控制,所述适当的模拟输入(AI)和模拟输出(AO)功能块可以与诸如阀之类的过程控制设备相关联、与诸如温度压力发射机之类的测量设备相关联或者与系统100内的任何其它设备相关联。控制回路136被图示为包括控制块138,所述控制块138本身包括具有通信地连接到众多AI功能块的复数个输入以及通信地连接到众多AO功能块的复数个输出的控制回路,不过控制块138的输入和输出通信地连接到任何其它期望的功能块或控制元件以便接收其它类型的输入并且提供其它类型的控制输出。
如将进一步地描述的,控制块138把包括预测模型139的多变量MPC例程与优化器143集成以便实行对CBM系统100的优化控制。优化器143通常被适配成形成供MPC在过程控制系统的每个操作周期期间使用的一组目标值。
如图1中所图示,工作站130之一包括用于创建、下载和实施控制回路136的高级控制块生成例程148。虽然高级控制块生成例程148可以存储在工作站130内的存储器中并且由在其中的处理器执行,但是此例程(或其任何部分)可以另外或作为选择被存储在CBM系统100内的任何其它设备中并由其执行,如果这样期望的话。
高级控制块生成例程148可以包括控制块创建例程142,其创建如这里进一步描述的控制块并且把此控制块连接到过程控制系统中;过程建模例程144,其基于由高级控制块收集的数据创建针对所述过程或其一部分的过程模型;控制逻辑参数创建例程146,其根据所述过程模型创建用于所述控制块的控制逻辑参数并且把这些控制逻辑参数存储或下载到控制块138中以供控制CBM过程时使用。
所公开的实施例也可以应用于整个CBM生产网络。典型的CBM生产网络包括井区,所述井区包括多个CBM井和多个系统元件,诸如多个管道段、多个中间压缩器和多个气体净化车间,其在最终递送给在管道末端的最终用户之前提供对CBM气体的处理。
图2示出了对依照所公开实施例的示例性概括的CBM气体生产网络200的描绘。CBM气体生产网络200包括控制阻风门221的位置的多变量MPC 110,所述阻风门221用于调节来自一个或多个井区219中的多个井211中每一个的CBM流量,以及还包括在相关联的压缩站的第一中间压缩器231(a)-(e)以及在气体净化车间235和236下游的它们的相应压缩站处的第二中间压缩器245和246。压缩器255处于把从CBM气体车间235和236输出的CBM进行聚集的关联压缩器站。在图2中表明了气体生产网络200中的点,其中多变量MPC应用把控制信号257(a)写入(即应用)到井211以便实施井设置点并且把控制信号257(b)写入(即应用)到压缩器231(a)-(e)、245、246和255以便实施由MPC 110确定的压缩器设置点。
上面相对于在图1中所示出的系统100描述的CBM井变量(例如阻风门位置)是针对气体生产网络的多变量MPC控制的一部分。相比之下,在图2中示出的CBM气体生产网络200中的多变量MPC控制也被应用于网络元件。与图1相比,实际的多变量MPC实现方式可以结合图2中所示出的一些或全部附加元件。由于正使用多种不同的设备配置来开发CBM区,所以本文所描述的MPC方案通常将被配置为对特定的配置作出响应。此外,过程目标从操作到操作可能不同。例如,一些操作可能具有用于排出实际上不受限制的水量的许可,只要结果可以不考虑水管理目标即可,而另一些操作可能在压缩能力上具有限制并且将想要包括把压缩器容量最大化作为目标。
多变量MPC 110可以被看成接收多个CV输入、多个DV输入、多个经济和目标值以及来自多个MV的测量数据。多变量MPC 110可以被看成发送用于控制器MV的多个控制信号,其被示为用来控制井211的井设置点的控制信号257(a)和用于压缩器231(a)-(e)和245、246以及255的压缩器设置点的控制信号257(b)。
如图2中所示,与来自井211的水分开的CBM气体经由管道228输送到第一中间压缩器231(a)-(e)。在每个第一中间压缩器组合多个CBM气体流。然后来自这些第一中间压缩器231(a)-(e)的外出流被示出为在被添加到主要气体管道237以到达下游气体用户之前在更大容量的第二压缩器241 – 243处被进一步组合。压缩器245对来自气体净化车间235的气体进行压缩,而压缩器246对来自气体净化车间246的气体进行压缩。压缩器255对从压缩器245和246接收的气体进行压缩。
关于CBM生产网络200的操作目标和约束条件,一个通常适用的操作目标是满足下游气体用户的气体要求。由于井区219中的大量(例如数百或者数千)井211通常都具有显著不同的气体输出特性,所以给定一个或多个目标可以确定从相应井211的最优排放(off-take)分配,包括从井区219中的井211中的井选择(即在给定时间利用哪些井)。
井选择可以被划分为多个不同的时间范围,诸如下面描述的三个(3)不同的时间范围。
1. 1分钟到1天时间范围——该确定可以基本上是要求井口阻流门的安全闭环控制的控制练习,具有对输送网络中有效约束条件的反馈。当存在过量自由度时可以追求短期优化目标。
2. 1天到3个月——此确定可以是规划演习,综合预报车间要求,井可用性和能力以及潜在的维护信息。
3. 1个月到20年——此确定可以是区开发练习,使用专门的储库管理软件。可以产生使在满足车间要求的同时可恢复储量最大化的计划。可以包括来自实际的井性能的反馈。
不到1天的时间范围可以被认为是实时控制。在实时级通常存在两个关键目标,如下所述它们是控制和优化。
1.控制——主要关注常常是以逐分钟为基础管理气体生产网络的约束条件。在稳定操作状态存在扰动的情况下,气体生产网络可以依照在满足最终的车间气体要求的同时继续考虑约束条件的方式迅速地进行响应。在很大程度上由于要操纵大量潜在设置点(MV)的缘故所以这是复杂的计算。
示例性CV可以包括:
i)结节压缩器容量
ii)区域压缩器容量
iii)在井头的水处理
iv)在网络中其它点(诸如气体净化车间)的水处理
v)在网络中各个点的温度或压力
vi)任何供应商或网络的一部分的变化率。
以供在网络200中使用的示例性MV可以包括单独的井流率(或阻风门位置)和压缩器站设置点(例如流量、压力或直接速度控制)。示例性DV可以包括车间要求上的变化、任何气体源(例如井211)的意外关闭、网络200的任何子部分性能或本地条件的变化,或者环境温度的变化。
关于优化,如果来自气体用户的最终气体要求是稳定的,那么可能存在依照更加最优方式重新平衡来自井211的气体供应的机会。可以实现若干潜在的优化目标,诸如可恢复储量的最大化,充分利用水处理能力或重新平衡供应商以使总压缩器燃气消耗最小化。
在操作中,多变量MPC 110的主要目标可以是辅助(一个或多个)网络操作者控制气体生产网络200。多变量MPC 110检查扰动或约束条件的变化,并且进行抢先的协调措施来操纵CBM井211和压缩器231(a)-(e)、245、246和255这二者的操作参数。这样的抢先的协调措施在动态情形下可能特别有用,所述动态情形诸如启动新的生产网络段或来自气体用户的要求的显著变化。
可以以逐分钟为基础结合井控制来执行优化。这确保操作不断地被推向其最优的操作位置。对于计算集中的优化目标,其实际上可能并未以一分钟频率运行,可以集成更高级的优化器。例如,这可以把最大可恢复储量的长期目标转换为井的较短期的相对优先化。所公开的多变量MPC可以实时地追求这些短期目标,但是让步于任何要求的约束条件控制。
关于针对CBM气体生产网络的示例性控制器变量,
MV可以包括:
1.单独的井流率:
来自单独的井的CBM气体的流率常常是遍及下游系统的约束条件的关键贡因(contributor)。增加来自井的气体流率向该井的设备下游放置了更多负载。这包括中间压缩器站和气体净化车间(例如乙二醇净化容量)。在下游设备片段变得有限的情况下(即压缩器到达容量约束条件),多变量MPC可以减少来自对该压缩器负载作出贡献的井的气体流率。依照这种方式,可以在区的不同部分之间变换气体生产,以使得更充分地利用网络的总生产量。
操纵单独的井流率也影响来自网络的总气体生产量。这允许该应用对来自最终用户的气体要求的动态变化进行响应。调整来自井的气体流率的方法取决于井上本来的管理控制模式。这可以通过MPC应用直接写入到管理流量控制的设置点来达到,或者可以通过MPC写入到阻风门位置或压力控制器来间接地达到,所述阻风门位置或压力控制器然后影响来自井的气体流量。调整井流率也允许优选的生产计划或井优先化被达到。MPC可以存储优选的井优先级列表。当最终用户要求约束总气体生产时,可以关闭最低优先级的井。
2.单独的井的水位:
对于一些类型的CBM井,水从井眼抽出。此抽出率可以是在电平控制下的。在这种情况下,电平控制器设置点或抽水率可以由MPC应用操纵。调整井的水位影响产水率以及潜在的产气率。
3.压缩器站设置点(例如流量、压力或直接速度控制):
可以操纵多个压缩器站以设置气体生产网络200中的流量和压力。MPC应用可以写入到针对压缩器的流量、压力或直接速度控制。请求更多流量或更低吸入压力或更高排出压力或者更高速度都是设置点变化,其将趋向于增加压缩器的负载,推动它更接近于极限容量约束条件。操纵压缩器负载也将影响该机器的效率。
通过网络选择适当的压缩器设置点(它们是流量、压力或速度),可以优化整个压缩器网络的效率。另外,可以通过确保所有压缩器被推向它们单独的能力约束条件来使网络的总生产量最大化。在网络内可能存在其它约束条件,诸如在单独的压缩器到达容量约束条件之前在特定点的最大压力或流量。可以通过调节压缩器站设置点来管理这些约束条件。例如,在特定的网络段中的高流量要求可以促使在管道中一定点处的压力接近最大操作压力。MPC应用将操纵压缩器设置点和/或井流量以减小来自该段的流量,并且利用来自未被约束的不同网络段的流量来代替它。
通常使用基于计算机的软件工具来构建多变量MPC应用。在控制器配置期间通常定义的项是控制器输入和输出的列表以及独立的操作柄(operating handle)(MV和/或扰动变量DV)和约束条件(CV)之间的动态关系。用于实施依照所公开实施例的多变量控制器的示例性步骤包括:
1.汇编和研究了过程流程图(process flow diagram, PFD)、过程和仪表图(Process and Instrumentation Diagram, P&ID)以及描述CBM系统的物理、组成和仪表特性的其它文档。
2.确定系统拥有者对系统操作的经济、管理、安全和可靠性方面的希望的目标。
3.确定要应用的多变量MPC的特性。这样的多变量控制器通常作为计算机程序在市面上可买到,所述计算机程序可以被加载或接口到过程控制系统或与过程控制系统相接口的计算机。
4.选择将作为CV、DV和MV的变量,诸如上面所描述的。
5.按照产品指令来配置多变量MPC。
6.在目标CBM系统或网络中实施控制器。
7.实行确认适当操作的测试。测试通常是实际的现场测试,但是也可以包括模拟。
8.回顾测试结果,校正缺陷和精调多变量MPC的配置。
尽管已经相对于一个或多个实现方式图示和描述了所公开的实施例,但是在阅读和理解此说明书和附图后本领域其它技术人员将想到等效的替换和修改。另外,虽然已经只相对于若干实现方式之一公开了本发明的特定特征,但是可以把这样的特征与其它实现方式的一个或多个其它特征进行组合,这对任何给定或特定应用来说可能是期望的和有益的。
本文所使用的术语只是为了描述特定实施例的目的并且不意图限制本发明。如本文所使用的,单数形式“一”、“一种”和“该”意图也包括复数形式,除非上下文另外清楚地表明。此外,就详细的说明书和/或权利要求中使用术语“包括”、“包括着”、“具有”、“含有”、“带有”、或其变体来说,这样的术语意图依照与术语“包括”类似的方式为包括的。
除非另外定义,否则本文所使用的所有术语(包括技术和科学术语)具有与本发明所属领域的一个普通技术人员通常理解的相同的含义。还可以理解的是,诸如在通常使用的词典中定义的那些术语之类的术语应当被解释为具有与它们在相关领域上下文中的含义一致的含义并且除非本文明确地如此定义否则将不依照理想化或太正式的意义来解释。
提供了符合37 C.F.R.§1.72(b)的本公开内容的摘要,37 C.F.R.§1.72(b)要求将允许读者迅速地弄清本技术公开内容的性质的摘要。提交具有这样的理解的该摘要:其将不用来解释或限制下列权利要求的范围或含义。 

Claims (12)

1.一种用于控制煤层甲烷(CBM)生产过程的多变量模型预测控制器(MPC)(110),所述煤层甲烷(CBM)生产过程涉及包括多个CBM井(196 - 199)的CBM井区,所述多变量MPC包括:
用于接收多个测量信号的多个输入端口(280),所述多个测量信号用于表示包括来自所述多个CBM井的测量过程参数在内的测量过程参数,
控制回路(136),其包括用于控制所述CBM气体生产系统的动态数学模型(139)和优化器(143),所述动态模型包括为所述多个CBM井中的每一个获得的单独的生产特性,用来相对于所述多个CBM井的多个操纵变量(MV)和扰动变量(DV)的变化来预测多个受控变量(CV)的行为,其中所述控制回路基于所述动态数学模型和所述测量过程参数来计算针对所述多个MV的将来设置点以导致所述CBM生产过程达到所述CBM井区的至少一个控制目标,和
多个输出端口(260),用于提供由所述MPC生成的多个控制信号以便实施所述将来设置点,其中所述控制信号当被耦合到在所述多个CBM井处的物理过程设备(150,160,170,180)时控制所述物理设备到达所述将来设置点。
2.如权利要求1所述的多变量MPC,其中所述控制目标包括所述多个CBM井的最大总产水率限制,并且其中所述控制信号为所述CBM生产选择所述多个CBM井中相应的一些CBM井来保持总产水率低于所述最大总产水率限制。
3.如权利要求1所述的多变量MPC,其中所述CBM井区是CBM气体生产网络(200)的一部分,所述CBM气体生产网络(200)包括用于把所述多个CBM井耦合到至少一个中间压缩器(231(a)-(e))并且把所述至少一个中间压缩器耦合到至少一个气体净化车间(235,236)的多个管道段(228),并且其中所述多个控制信号包括用于控制所述中间压缩器的压缩器设置点的至少一个控制信号(257(b))。
4.如权利要求3所述的多变量MPC,其中所述控制目标包括在针对所述CBM气体生产网络的压缩过程中的能量最小化。
5.一种煤层甲烷(CBM)生产系统(100),其包括:
CBM井区,其包括多个CBM井(196 - 199),和 
多变量模型预测控制器(MPC)(210),其用于控制涉及所述多个CBM井的CBM生产过程,所述MPC包括:
用于接收多个测量信号的多个输入端口(280),所述多个测量信号用于表示包括来自所述多个CBM井的测量过程参数在内的测量过程参数,
控制回路(136),包括用于控制所述CBM气体生产系统的动态数学模型(139)和优化器(143),所述动态模型包括为所述多个CBM井中的每一个获得的单独的生产特性,用来相对于所述多个CBM井的多个操纵变量(MV)和扰动变量(DV)的变化来预测多个受控变量(CV)的行为,所述控制回路基于所述动态数学模型和所述测量过程参数来计算所述多个MV的将来设置点以导致所述CBM生产过程达到所述CBM井区的至少一个控制目标,和
多个输出端口(260),其用于提供由所述MPC生成的多个控制信号以便实施所述将来设置点,其中所述控制信号当被耦合到在所述多个CBM井处的物理过程设备(150,160,170,180)时控制所述物理设备到达所述将来设置点。
6.如权利要求5所述的系统,其中所述控制目标包括所述多个CBM井的最大总产水率限制,并且其中所述控制信号为所述CBM生产选择所述多个CBM井中相应的一些CBM井来保持总产水率低于所述最大总产水率限制。
7.如权利要求5所述的系统,其中所述CBM井区是CBM气体生产网络(200)的一部分,所述CBM气体生产网络(200)包括用于把所述多个CBM井耦合到至少一个中间压缩器(231(a)-(e))并且把所述至少一个中间压缩器耦合到至少一个气体净化车间(235,236)的多个管道段(228),并且其中所述多个控制信号包括用于控制所述中间压缩器的压缩器设置点的至少一个控制信号(257(b))。
8.如权利要求7所述的系统,其中所述控制目标包括在针对所述CBM气体生产网络的压缩过程中的能量最小化。
9.一种控制从包括多个CBM井(196 - 199)的CBM井区获得的煤层甲烷(CBM)生产过程的方法,所述方法包括:
接收多个测量信号,所述多个测量信号用于表示包括来自所述多个CBM井的测量过程参数在内的测量过程参数;
使用包括控制回路(136)的多变量模型预测控制器(MPC)(110),其包括用于控制所述CBM生产过程的动态数学模型(139)和优化器(143),所述动态模型包括为所述多个CBM井中的每一个获得的单独的生产特性,用来相对于所述多个CBM井的多个操纵变量(MV)和扰动变量(DV)的变化来预测多个受控变量(CV)的行为,所述控制回路基于所述动态数学模型和所述测量过程参数来计算所述多个MV的将来设置点以导致所述CBM生产过程达到所述CBM井区的至少一个控制目标,和
提供由所述MPC生成的多个控制信号以便实施所述将来设置点,并且
把所述控制信号耦合到在所述多个CBM井处的物理过程设备(150,160,170,180)以控制所述物理设备到达所述将来设置点。
10.如权利要求9所述的方法,其中所述控制目标包括所述多个CBM井的最大总产水率限制,并且其中所述控制信号为所述CBM生产选择所述多个CBM井中相应的一些CBM井来保持总产水率低于所述最大总产水率限制。
11.如权利要求9所述的方法,其中所述CBM井区是CBM气体产生网络(200)的一部分,所述CBM气体生产网络(200)包括用于把所述多个CBM井耦合到至少一个中间压缩器(231(a)-(e))并且把所述至少一个中间压缩器耦合到至少一个气体净化车间(235,236)的多个管道段228),并且其中所述多个控制信号包括用于控制所述中间压缩器的压缩器设置点的至少一个控制信号(257(b))。
12.如权利要求11所述的方法,其中所述控制目标包括在针对所述CBM气体生产网络的压缩过程中的能量最小化。
CN201080018419.XA 2009-02-27 2010-02-12 用于煤层气体生产的多变量模型预测控制 Active CN102414636B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US15625709P 2009-02-27 2009-02-27
US61/156257 2009-02-27
US12/704,025 US8155764B2 (en) 2009-02-27 2010-02-11 Multivariable model predictive control for coalbed gas production
US12/704025 2010-02-11
PCT/US2010/023976 WO2010098986A2 (en) 2009-02-27 2010-02-12 Multivariable model predictive control for coalbed gas production

Publications (2)

Publication Number Publication Date
CN102414636A true CN102414636A (zh) 2012-04-11
CN102414636B CN102414636B (zh) 2014-06-11

Family

ID=42666146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201080018419.XA Active CN102414636B (zh) 2009-02-27 2010-02-12 用于煤层气体生产的多变量模型预测控制

Country Status (5)

Country Link
US (1) US8155764B2 (zh)
EP (1) EP2401690A4 (zh)
CN (1) CN102414636B (zh)
CA (1) CA2753799C (zh)
WO (1) WO2010098986A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107636553A (zh) * 2015-06-05 2018-01-26 国际壳牌研究有限公司 用于控制模型预测控制器中的斜坡失衡的系统和方法

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2530329A1 (en) * 2011-05-30 2012-12-05 Siemens Aktiengesellschaft System for gathering gas from a gas field comprising a high pressure compressor
EP2530323A1 (de) 2011-05-30 2012-12-05 Siemens Aktiengesellschaft System zur Gewinnung und Weiterverarbeitung von Erdgas
US20130294887A1 (en) * 2012-05-01 2013-11-07 General Electric Company Gas turbine air processing system
US20140069509A1 (en) * 2012-09-12 2014-03-13 Chase Prescott Klicka Flow monitoring system, method and software
US9062536B2 (en) 2013-01-02 2015-06-23 Graco Minnesota Inc. Devices and methods for landfill gas well monitoring and control
US10029291B2 (en) 2013-01-02 2018-07-24 Q.E.D. Environmental Systems, Inc. Devices and methods for landfill gas well monitoring and control
US8548758B1 (en) * 2013-01-14 2013-10-01 RCP Inc. Computer readable medium for calculating maximum allowable operating pressure and maximum operating pressure of a pipeline
US8548756B1 (en) * 2013-01-14 2013-10-01 RCP Inc. System for calculating maximum allowable operating pressure and maximum operating pressure of a pipeline
US8548757B1 (en) * 2013-01-14 2013-10-01 RCP Inc. Method for calculating maximum allowable operating pressure and maximum operating pressure of a pipeline
US10240775B2 (en) * 2016-07-29 2019-03-26 Emerson Process Management Power & Water Solutions, Inc. Multi-objective steam temperature control
US9897260B1 (en) * 2017-04-18 2018-02-20 Air Products And Chemicals, Inc. Control system in an industrial gas pipeline network to satisfy energy consumption constraints at production plants
US10415760B2 (en) 2017-04-18 2019-09-17 Air Products And Chemicals, Inc. Control system in an industrial gas pipeline network to satisfy energy consumption constraints at production plants
US9897259B1 (en) 2017-04-18 2018-02-20 Air Products And Chemicals, Inc. Control system in a gas pipeline network to satisfy pressure constraints
US9890908B1 (en) 2017-04-18 2018-02-13 Air Products And Chemicals, Inc. Control system in a gas pipeline network to increase capacity factor
US9915399B1 (en) 2017-04-18 2018-03-13 Air Products And Chemicals, Inc. Control system in a gas pipeline network to satisfy demand constraints
RU2722190C1 (ru) * 2019-11-19 2020-05-28 Александр Иосифович Пономарёв Способ разработки многопластовых месторождений природных газов
JP7409345B2 (ja) * 2021-03-31 2024-01-09 横河電機株式会社 学習処理装置、制御装置、学習処理方法、制御方法、学習プログラムおよび制御プログラム
CN114263457B (zh) * 2021-12-30 2024-04-02 中国地质大学(武汉) 一种煤层气井产气模拟平台及产量分析预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0588594A2 (en) * 1992-09-14 1994-03-23 TEXACO, Inc. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
WO1995028666A1 (en) * 1994-04-13 1995-10-26 The M.W. Kellogg Company Maximizing process production rates using permanent constraints
US20040117766A1 (en) * 2002-09-11 2004-06-17 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US20070265778A1 (en) * 2000-10-26 2007-11-15 Suter James R Method for automated management of hydrocarbon gathering systems
US20080202159A1 (en) * 2007-02-21 2008-08-28 Honeywell International Inc. Apparatus and method for optimizing a liquefied natural gas facility

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5740033A (en) 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
US6122557A (en) * 1997-12-23 2000-09-19 Montell North America Inc. Non-linear model predictive control method for controlling a gas-phase reactor including a rapid noise filter and method therefor
US6317654B1 (en) * 1999-01-29 2001-11-13 James William Gleeson Control of crude refining by a method to predict lubricant base stock's ultimate lubricant preformance
US6654649B2 (en) * 1999-12-22 2003-11-25 Aspen Technology, Inc. Computer method and apparatus for optimized controller in a non-linear process
US6721609B1 (en) * 2000-06-14 2004-04-13 Fisher-Rosemount Systems, Inc. Integrated optimal model predictive control in a process control system
US7092863B2 (en) * 2000-12-26 2006-08-15 Insyst Ltd. Model predictive control (MPC) system using DOE based model
US7627461B2 (en) * 2004-05-25 2009-12-01 Chevron U.S.A. Inc. Method for field scale production optimization by enhancing the allocation of well flow rates
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US8571688B2 (en) * 2006-05-25 2013-10-29 Honeywell International Inc. System and method for optimization of gas lift rates on multiple wells
US7949417B2 (en) * 2006-09-22 2011-05-24 Exxonmobil Research And Engineering Company Model predictive controller solution analysis process
US8783061B2 (en) * 2007-06-12 2014-07-22 Honeywell International Inc. Apparatus and method for optimizing a natural gas liquefaction train having a nitrogen cooling loop
US7900700B2 (en) * 2007-08-02 2011-03-08 Schlumberger Technology Corporation Method and system for cleat characterization in coal bed methane wells for completion optimization
US8046089B2 (en) * 2008-06-20 2011-10-25 Honeywell International Inc. Apparatus and method for model predictive control (MPC) of a nonlinear process

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0588594A2 (en) * 1992-09-14 1994-03-23 TEXACO, Inc. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
WO1995028666A1 (en) * 1994-04-13 1995-10-26 The M.W. Kellogg Company Maximizing process production rates using permanent constraints
US20070265778A1 (en) * 2000-10-26 2007-11-15 Suter James R Method for automated management of hydrocarbon gathering systems
US20040117766A1 (en) * 2002-09-11 2004-06-17 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US20080202159A1 (en) * 2007-02-21 2008-08-28 Honeywell International Inc. Apparatus and method for optimizing a liquefied natural gas facility

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107636553A (zh) * 2015-06-05 2018-01-26 国际壳牌研究有限公司 用于控制模型预测控制器中的斜坡失衡的系统和方法

Also Published As

Publication number Publication date
US20100222911A1 (en) 2010-09-02
WO2010098986A3 (en) 2011-02-17
CA2753799A1 (en) 2010-09-02
EP2401690A4 (en) 2017-03-08
CA2753799C (en) 2017-01-10
US8155764B2 (en) 2012-04-10
EP2401690A2 (en) 2012-01-04
WO2010098986A2 (en) 2010-09-02
CN102414636B (zh) 2014-06-11

Similar Documents

Publication Publication Date Title
CN102414636B (zh) 用于煤层气体生产的多变量模型预测控制
CN1940780B (zh) 过程控制系统中的在线自适应模型预测控制
US20130317629A1 (en) Method of large scale process optimization and optimal planning based on real time dynamic simulation
Agachi et al. Model based control: case studies in process engineering
Foss Process control in conventional oil and gas fields—Challenges and opportunities
CN101371164A (zh) 动态生产系统管理
US20080059002A1 (en) Method for controlling and/or optimizing production of oil and/or gas wells and facilities
WO2007117717A2 (en) System and method for coordination and optimization of liquefied natural gas (lng) processes
Grema et al. Optimal feedback control of oil reservoir waterflooding processes
CN107958301A (zh) 一种lng接收站运行优化方法
US20230313950A1 (en) A method for controlling a compressor room and an apparatus thereof
Adamson et al. Integrated real-time production scheduling of a multiple cryogenic air separation unit and compressor plant
Kelly The unit-operation-stock superstructure (UOSS) and the quantity-logic-quality paradigm (QLQP) for production scheduling in the process industries
Patel et al. Real-time production optimization of steam-assisted-gravity-drainage reservoirs using adaptive and gain-scheduled model-predictive control: An application to a field model
Krishnamoorthy et al. Gas-lift optimization by controlling marginal gas-oil ratio using transient measurements
WO2009026279A1 (en) System and process for optimizing process control
Nikolaou et al. Production optimization—a moving-horizon approach
Barcelli et al. Decentralized hierarchical multi-rate control of constrained linear systems
Bauer et al. Changes to the automation architecture: Impact of technology on control systems algorithms
Grema et al. Optimal feedback control for reservoir waterflooding
Kashnikov et al. Strategy of mine ventilation control in optimal mode using fuzzy logic controllers
Foss Real-time production optimization and reservoir management at the IO center
Aalto Real-time receding horizon optimisation of gas pipeline networks
Bu et al. A two-level MPC method for the operation of a gas pipeline system under demand variation
Perez et al. Recent Advances in Computational Models for the Discrete and Continuous Optimization of Industrial Process Systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant