Distributed optimization of a gas-lifted wells network using transient measurements

The scope of this thesis is to develop and analyze a distributed optimizer based on Hybrid Real Time Optimization (HRTO). The traditional Static RTO (SRTO) and dynamic RTO (DRTO) are widespread in modern industry, however both the approaches have limiting factors concerning respectively the necessity of waiting for stationary conditions and the high computational effort required. HRTO consists in a static optimization coupled with a dynamic estimator, in order to use transient measurements to perform the model adaptation step. This framework is able to achieve performances similar to DRTO in terms of convergence rate to the optimal point, at computational times similar to SRTO. HRTO’s advantages have already been outlined, however it has never been applied to a distributed optimizer. In large and complex plants, system decomposition allows to reduce the effort in modelling, control and to decrease the computational time required to solve the optimization problem. Moreover, in particular system in which the sharing of informations between subsystems must be limited due to privacy issues, a distributed optimizer can be the only feasible option. In this work, system decomposition have been performed on a six gas-lifted oil wells network. The main feature of this network is the presence of two wells clusters, connected to the same processing facility but managed by two different operators. In such a scenario, sensitive data must not be shared between the clusters. However, the presence of global constraints requires a distributed RTO to optimize and coordinate the production. Two decomposition techniques have been applied and tested: primal decomposition, which is based on an iterative reallocation of the available resources, and dual decomposition, which formulates the subproblems by means of Lagrangian Relaxation. At first, a Nonlinear Model Predictive Controller (NMPC) has been implemented and its advantages respect to traditional controllers have been outlined. Then, a distributed optimizer has been compared to a centralized optimizer used as reference. Despite both the optimizers converge to the same optimal solution, the distributed framework needs to introduce local constraints that can lead to suboptimal choices whenever significant disturbances occur. Lastly, the two decomposition techniques have been compared. Primal decomposition is able to find the global optimum with a lower average computational time, even though dual decomposition requires a lower number of iterations. Primal decomposition can also assure a higher level of privacy, requiring the sharing of only non-sensitive informations, as the gradients of subproblems’ solutions.

Lo scopo di questa tesi è lo sviluppo e analisi di un ottimizzatore distribuito basato su Ottimizzazione Real-Time ibrida (HRTO). Le tradizionali RTO statica (SRTO) e RTO dinamica (DRTO) sono diffuse nell’industria moderna, tuttavia entrambi gli approcci presentano dei fattori limitanti relativi rispettivamente alla necessità di attendere condizioni stazionarie e all’elevato tempo di calcolo necessario. HRTO consiste in un’ottimizzazione statica accoppiata ad un estimatore dinamico, in modo da poter effettuare lo step di adattazione del modello anche durante il transitorio. Questo approccio è in grado di ottenere performances simili a DRTO per quanto riguarda i profitti, con tempi di calcolo paragonabili a SRTO. I vantaggi di HRTO sono già stati evidenziati, tuttavia non è stata mai applicata ad un ottimizzatore distribuito. In impianti complessi e di grandi dimensioni, decomporre il sistema può ridurre le difficoltà legate alla modellazione e controllo, oltre a diminuire il tempo di calcolo richiesto per risolvere il problema di ottimizzazione. Inoltre, in sistemi dove la condivisione di informazioni deve essere limitata per questioni di riservatezza, un ottimizzatore distribuito può essere l’unica opzione disponibile. In questo lavoro, la decomposizione è stata applicata ad una rete di sei pozzi petroliferi gas lift. La principale caratteristica di questo network è la presenza di due raggruppamenti di pozzi, collegati allo stesso stabilimento a valle, ma controllati da due diversi operatori. In questo scenario le informazioni sensibili relative alla produttività non devono essere condivise. Tuttavia, la presenza di vincoli globali richiede di introdurre un ottimizzatore distribuito per massimizzare e coordinare la produzione. Due tecniche di decomposizione sono state testate: decomposizione primaria, basata sulla ripartizione delle risorse disponibili, e decomposizione duale, che formula i sottoproblemi attraverso rilassamento Lagrangiano. Inizialmente un NMPC è stato sviluppato e i suoi vantaggi rispetto a controllori tradizionali sono stati evidenziati. In seguito l’ottimizzatore distribuito è stato confrontato con uno centralizzato, usato come riferimento. Benchè entrambi gli ottimizzatori convergano alla stessa soluzione, la necessità, da parte dell’ottimizzatore distribuito, di introdurre vincoli locali nel sistema può condurre a scelte sub-ottimali. In seguito, le due tecniche di decomposizione sono state confrontate. La decomposizione primaria è in grado di trovare un ottimo globale con un tempo di calcolo inferiore, benchè la decomposizione duale richieda un minor numero di iterazioni. Inoltre, la decomposizione primaria può garantire un maggior livello di privacy, richiedendo la condivisione solamente di informazioni non sensibili, quali i gradienti delle soluzioni dei rispettivi sottoproblemi.