百人三公

Rss | Tags設為首頁 | 收藏本站
您所在的位置:首頁 > 新聞中心 > 正文
新聞中心
新聞中心

基于支持向量機沉沒度預測的潛油泵沖次優化研究

作者:xn1285 來源: 日期:2017-12-21 10:21:01 人氣:81 評論:0

 潛油往復式電泵抽油系統又稱潛油柱塞泵抽油系統,它是一種新型的采油舉升方式,由直線電機驅動,具有沖次在線可調的特點。在實際應用中,采油自動監控系統可利用此特點控制直線電機,使往復泵的工作狀態與井下動態沉沒度相匹配,達到高效、節能運行的目的。尤其應用于開采后期,產量中低或產量波動的油井時,可以更好地體現控制系統的優勢。

  與傳統游梁式抽油機的節能優化控制策略不同,對于潛油往復泵的自動監控系統,實時動態沉沒度是一個重要參量,可用作衡量井下油量的指標,并依據其進行抽汲參數的合理調整,實現以產量或節能為目標的優化控制。在沉沒度研究方面,型;設計沉沒度的控制方法,應用于變頻裝置中;研究了抽油機電機矢量空間最小勵磁電流節能方法。預測方法方面,有Kalman濾波法、人工神經網絡、Box-enkms法、模糊邏輯法及專家系統方法等。這些預測方法則較多地應用于電力系統的負荷預報中,抽油機動態沉沒度的預測及優化控制少見報道。

  目前,采油廠在實際生產中使用人工測量動液面,再依靠經驗調整直線電機驅動,但這種方式存在周期長、工作量大、依靠人工經驗、儀器設備復雜等諸多問題,很難做到及時、準確、合理調整電機狀態。本文在研究基于支持向量機的沉沒度預測的基礎上,提出了一種以產量為目標的潛油式往復泵沖次的優化方法,為控制系統的整體優化提供了1樣本的預處理1。1樣本數據的選取及歸一化本文對大慶油田十余口潛油往復泵抽油機的運行狀態進行了長期跟蹤記錄,最后選取采油九廠一口潛油往復泵試驗油井為研究對象,該井位于大慶油田外圍,由游梁式抽油機改造而成,處于開采中后期,周圍有若干注水井工作,其具有潛油往復泵油井的典型性特征,為潛油往復式抽油機的結構示意圖。

  文中的原始數據樣本為該井自2008年6月1日至2010年5月31日每天實測的動液面高度和其直線電機的工作沖次等數據。該井泵深1181.70m,所在作業區每日對該油井動液面測量一次,并記錄潛油往復泵工作沖次,測量時做多次測量取平均值處理,并根據經驗剔除明顯異常數據,由相鄰數據取均值代替。如所示,由泵深和測得動液面高度二者之差,得到油井每日動態沉沒度數據。經處理后的時間序列樣本如表1,其中沖次數據為采油工作人員設定值。

  樣本類別2008年6月至2010年6月數據動液面高度/m沉沒度/m沖次/(次/分)由于文中所用沉沒度數據的變化區間為,而沖次數據的變化區間為,二者數量級相差較多。采用非線性算法處理數據時容易造成沖次信息的淹沒。因此在對網絡進行訓練之前必須將沉沒度數據和沖次數據歸一化到同一數量級。

  本文將表1中原始數據歸一化到。歸一化過程在此不做贅述。

  1.2SVM訓練樣本的構造第/天的時間序列樣本值;m為輸入空間嵌入維數。

  令第/天的沉沒度數據為以,由第/天的前m天的沉沒度歷史數據預測第/天沉沒度。另外,本文引用了前一天即第;-1天的沖次信息尤(/-1)作為SVM模型的輸入,即以歸一化后的時間序列為基礎,重構輸入樣本空間,構造SVM訓練樣本。其輸入、輸出矩陣為:得到預測模型的訓練樣本如表2所示。

  表2沉沒度預測樣本樣本沉沒度輸入沖次輸入輸出2沉沒度的預測2.1SVM的沉沒度預測作為潛油往復式電泵控制系統優化的基礎,沉沒度的預測必須具有較高的預測精度才能保證控制系統合理匹配往復泵沖次,以達到經濟性最優的目標。

  SVM預測是通過非線性映射把輸入空間的樣本映射到高維特征空間做線性回歸,說R%―R%(撕。2。)。其中,選擇SVM核函數為構造模型的關鍵,即定義高維空間和非線性映射。由于目前尚無完備的選擇核函數的理論支撐,作者分別試用多項式核、徑向基核及Sigmoid核,在相同訓練樣本條件下確定模型,并使用相同的測試樣本分別評價它們的誤差指標,綜合比較誤差測試結果和仿真運算速度,選擇徑向基函數為核函數。文章篇幅所限,具體過程及比較結果將在另文中給出。

  SVM對應的函數回歸估計如式(4)所示,即求解式(5)可得到a,核函數為徑向基函數尤(xt,b,得到回歸函數。

  由C-C法確定預測樣本維數rn=3,延時時間t=1,徑向基函數為核函數,由網格搜索法選擇優化參數,懲罰系數C=960、核函數參數ct=2。7。選取時間序列前620組歸一化數據構成訓練樣本,對該SVM模型進行訓練,得到潛油往復泵沉沒度的SVM沉沒度預測模型。

  2.2改進的SVM沉沒度預測為提高SVM方法在沖次變化劇烈處的預測精度,引入往復泵沖次信息作為SVM沉沒度預測模型的輸入,在上一節基礎上構成多輸入的SVM沉沒度預測模型,確定樣本維數m=3、延遲時間=1.核函數為徑向基函數,重新進行參數尋優C=1 000、ct=9.1.仍選時間序列前620組歸一化數據構成訓練樣本對模型進行訓練,得到改進的SVM沉沒度預測模型。

  SVM和改進SVM沉沒度預測方法的誤差和仿真對比分析結果將在第4節中給出。

  3潛油往復泵沖次優化3。1往復泵沖次優化采油過程中,尤其是處于開采中后期的油井,其井下油量及動態沉沒度的變化是十分復雜的過程,受到油井自身狀態、鄰井狀態、注水井狀態等諸多因素的影響,因此無法給出準確的數學模型。在往復泵工作沖次控制中,泵的沉沒度是一個較好的控制參量,它與沖次的匹配直接決定了油井在一段時期內的產量。由于沉沒度變化相對緩慢,且受套管容積和油層向套管內的汲液能力的制約,與某段時間內的日產液量之間具有較強的相關性。并且考慮直線電機及油井的故障率,往復泵不宜長時間工作在過高或過低沖次的狀態。因此,作者提出一種在沉沒度預測基礎上,以某段時間內油井生產的經濟效益為目標的往復泵沖次優化方法。

  3.2沖次優化經濟性目標函數采油過程中,控制系統改變抽油泵工作狀態以達到增加產量、節約能源、增強可靠性等目的統稱為優化目標。本文只討論以沖次々為控制量條件下,產量與耗電量綜合的經濟性最優化。

  沖次耗電量與沉沒度關系的函數。

  為使研究簡化,本文認為e、v、d等參量為常數。潛油泵的充滿度是吸入壓力的函數,而吸入壓力又與沉沒度密切相關。

百人三公  忽略套壓、油壓的條件下,fl(l)可以看作是以沉沒度為自變量的函數,但是其精確數學模型很難確定。同理,不同的沉沒度下,直線電機出力不同,其耗電量也不同。因此c(l)也可以看作沉沒度的函數。在優化過程中,沉沒度的預測模型中沉沒度又是沖次々的函數。由此可見,況幻是沖次々的非線性函數,且其數學模型十分復雜。

百人三公  本文為了盡可能簡化計算,使模型簡單化,認為除6、e、v、d等常參量外fl(l)、c(l)也均為常值函數,這樣可將經濟性函數況幻近似為沖次々的線性函數。一般情況下,單位時間出油量的經濟價值大于抽油機電能損耗,并且不考慮二者權重的人為選擇時,可將某段時間內的經濟性優化目標函數簡化為3.3沖次約束條件及優化模型在潛油往復泵實際應用中,直線電機如果長時間工作在較高沖次狀態,會導致潛油泵工作環境、直線電機動子機械疲勞程度嚴重惡化;當直線電機長時間工作在過低沖次甚至停機狀態時,油管內容易發生結蠟等故障,當潛油泵再次工作時,導致直線電機負荷增加,使直線電機的故障率上升。這兩種極端情況的存在,使得在優化過程中直線電機連續工作沖次不應超過某個上限,且需要保持在某個下限以上。

  采用動態規劃方法進行尋優時,計算中需要用以往若干天沉沒度來預測未來的沉沒度,每日預測結果間并不具有獨立性,而是具有較強的遺傳性,無法逐步尋優。本文將一段時間內每日預測結果在沖次的全取值區間上分別進行匹配,并將其作為下一日預測的輸入,建立數據表。最后以式(11)為目標,并逆向查表,得到日內整體的最優k值。其簡化后的動態優化模型如式(12)、(13)所示。

  尤u、知分別為直線電機連續工作的沖次上限和沖次下限,U、7D分別為潛油泵高沖次及低沖次連續工作天數的上和下限。

  這種優化方法較少地引入人工經驗,同時在沖次的全值區間上進行匹配,因此能夠可靠得到設定時間內的全局最優解,但是其缺陷是計算量、數據量巨大,在采油現場設備的基礎上難以實現。其數據量7如式(14)所示,即3.4改進的沖次優化方法為了改善3.2節中優化方法數據量、計算量過大的問題,本文提出了一種沖次分區間、分時段的優化方法。

  如果想得到較好的優化結果,需要在較長時間內,為沉沒度預測結果匹配合理的直線電機沖次,但這同時造成了優化算法的計算量和數據量以幾何級數增長,為了抑制這種增長趨勢,本文以10天為一個子目標時段,將目標時間分段,在各子時間段內分別優化,只取前個最優結果的數據進行儲存。

  由式(14)可以看出,另一個影響數據量的因素是沖次的可調級數,因此本文提出了一種子區間的優化方法。將沉沒度和沖次分為若干對應的子區間。得到預測結果后,首先判斷沉沒度所在子區間,然后用該沉沒度對應的沖次子區間代替沖次全值區間進行匹配,從而大大降低了計算量、數據量。

  改進的優化方法數據量T如式(15)所示,即時間子區間天數;m為時間子區間個數;/為沖次區間數。

  本質上,改進的優化方法引入了人工經驗,這使得其得到的優化結果并不一定是3.2中得到的絕對最優解,但也正是人工經驗的引入,避免了往復泵的工作狀態發生劇烈變化,這也是直線電機穩定工作所需要的條件。對比(14)、(15)兩式,可見改進方法計算量和數據量大為減少。由此可見本文的改進方法是一種尋求最優化程度和減少運算量二者之間平衡的方法,其權重可由、w、0;。、'等參數共同決定。

  4仿真分析4.1沉沒度預測誤差仿真及分析沉沒度預測的關鍵在于,沖次發生劇烈變化引起沉沒度變化時,預測結果仍可以很好地跟蹤沉沒度的變化。對ARMA、SVM和改進SVM沉沒度預測方法進行仿真,分別對比3種方法的預測誤差,可以看出預測精度方面改進的SVM方法優于SVM方法和ARMA方法。

  為直觀地考察不同預測方法的優劣,本文采用以下3個預測精度指標進行評價,結果在表2中列出。

  沉沒度值。

  測試樣本中,預測相對誤差k,<10%的樣本點占總樣本數的百分比。

  表3沉沒度預測誤差分析誤差分析平均相對誤差/%均方根誤差改進的SVM由以上的分析結果比較,改進的SVM預測方法能夠更好地預測潛油泵的沉沒度變化,這也是本文在改進的SVM預測方法的基礎上進行沖次優化4.2往復泵沖次優化方法仿真在2.2節SVM改進預測方法和3.2節沖次優化方法的基礎上,對測試樣本進行仿真。

  50日內,往復泵連續不間斷工作條件下,現場經驗調整沖次的7=288,優化方法調整的沖次為7=315.仿真曲線如所示,可以看出優化方法表4沖次子區間表Tab.沖次子區間對應動態沉沒度沖次子區間動態沉沒度沖次子區間的沖次調整較經驗調整更為平緩,且集中于沖次區間中段,因此保證了電機工作的平穩性。總沖次較原來提高了8.7%,證明優化沖次后,產量得到了明顯提高。

  5結論提出了基于SVM的動態沉沒度時間序列預測方法。對比ARMA預測模型,證明改進SVM動態沉沒度預測方法有較高的預測精度,可以為往復泵沖次控制提供依據。

  一種簡化模型,并給出相應的優化算法。

  針對往復泵沖次優化方法計算量大、數據量大、難于實現的特點,提出一種改進的沖次優化方法,并給出其數據量計算公式,及其相應參數。

  證明其可以有效地降低沖次優化方法的計算量和數據量。

  基于動態沉沒度預測方法和沖次優化方法,對測試樣本進行實驗分析。結果表明,這種方法可以有效地提高一段時間內的往復泵總沖次,從而提高產量,并能夠有效平穩沖次波動,避免直線電機長時間工作于超載或欠載狀態,提高其可靠性。

    標簽:
    評論信息
    我要評論
    網站首頁 | 在線留言 | 網站地圖
    五龙捕鱼 棋乐游棋牌app下载 疯狂pk10 跑得快 澳门网上葡京真人