一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法

摘要

一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法，其特征在于：步骤一：确定决策变量X；步骤二：采集耗电量、产油量Y，得到样本矩阵；步骤三：以决策变量X作为输入，以耗电量、产油量Y作为输出，建立抽油机采油的过程模型；步骤四：运用NSGA2多目标进化算法，对决策变量进行优化；步骤五：将优化后决策变量X优化值带入BPNN模型，对实际生产进行指导。本发明的有益效果是：能搜索增产节能最好的理想点，确定工艺参数的最优值；根据优化后的工艺参数最优值进行实际生产指导。

说明书

技术领域

本发明属于抽油机抽油过程的控制技术，特别涉及一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法。 

背景技术

抽油机采油作为一种机械采油方式，主要由电动机、地面传动设备和井下抽油设备三部分组成。 

抽油机采油的整个过程主要为上下两个冲程：上冲程时驴头悬点需提起抽油杆柱和液柱，在抽油机未进行平衡的条件下，电动机需付出很大的能量，这时电动机处于电动状态；下冲程时抽油机杆柱转拉动对电动机做功，使电动机处于发电机的运行状态。抽油机在采油过程各个环节中的能量损失很大，如电动机大马拉小车的情况，这使得抽油机存在载荷率低、系统效率低和能耗大等缺点。 

目前，抽油机在我国油田的占有量很高，但系统效率低，能耗大，其增产节能是当前急需解决的一个重要问题。抽油机采油的工艺参数是否工作在最优化状态是实现增产节能的一中简单、有效的方法，而抽油机模型的建立又是优化最理想工艺参数的关键。 

抽油机工作过程是一个复杂非线性系统，其输入参数集包括：冲次；最大载荷；最小载荷；有效冲程；计算泵效；动液面；电动机电枢采样电流值；电动机电枢采样电流积分值；冲程；有功功率；功率因素；回压；套压；油压；电压；电流；转速；频率；含水率；井口温度等。而输出结果主要看两个指标：耗电量和产油量。如此复杂的系统，很难用一个准确的数学模型去描述它， 

发明内容

本发明表述一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法，能确定工艺参数的最优值；根据优化后的工艺参数最优值进行实际生产指导。其关键在于按如下步骤进行： 

步骤一：统计所有对耗电量、产油量有影响的原始变量S，并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X； 

步骤二：采集时间T内决策变量和对应着的耗电量、产油量Y的样本，得到一个样本矩阵； 

步骤三：以决策变量X作为输入，以耗电量、产油量Y作为输出，运用BP神经网络算法，对样本进行训练、检验，建立抽油机采油的过程模型； 

步骤四：以BPNN模型为基础，以BPNN的两个输出值作为适应度函数F(i)i=1,2，运用NSGA2多目标进化算法，对决策变量在各自的上下限范围内，进行优化； 

步骤五：将优化后的S1个决策变量X优化值带入BPNN模型，计算此时的模型两个输出值耗电量、产油量Y，与样本值平均值进行比较，如果耗电量降低、产量提高，则带入油田，对实际生产进行指导，否则，返回步骤一，人为更换S1个决策变量X，重新筛选决策变量X；步骤六：如果所有设定的S1个决策变量X组合都没有使耗电量降低、产量提高，则S1=S1+1，再返回步骤一。 

所述步骤三抽油机采油的过程模型建立步骤为： 

第一步：设置变量和参量： 

X_k=[x_k1,x_k2,...,x_kM](k=1,2,...,N)为输入矢量，或称训练样本，N为训练样本个数， 

$W_{\mathrm{MI}}\left(g\right)=\left(\begin{array}{cccc}{w}_{11}\left(g\right)& w_{12}\left(g\right)& ...& w_{1I}\left(g\right)\\ w_{21}\left(g\right)& w_{22}\left(g\right)& ...& w_{2I}\left(g\right)\\ .& .& & .\\ .& .& & .\\ .& .& ...& .\\ w_{M1}\left(g\right)& w_{M2}\left(g\right)& ...& w_{\mathrm{MI}}\left(g\right)\end{array}\right)$

为第g（g一般设定为500）次迭代时输入层与隐层I之间的权值矢量； 

W_JP(g)为第g次迭代时隐层J与输出层之间的权值矢量； 

Y_k(g)=[y_k1(g),y_k2(g),...,y_kP(g)](k=1,2,...,N)为第g次迭代时网络的实际输出； 

d_k=[d_k1,d_k2,...,d_kP](k=1,2,...,N)为期望输出； 

第二步：初始化，赋给W_MI(0),W_JP(0)各一个0到1之间的随机值； 

第三步：随机输入样本X_k，g=0； 

第四步：对输入样本X_k，前向计算BP网络每层神经元的输入信号和输出信号； 

第五步：由期望输出d_k和上一步求得的实际输出Y_k(g)，计算误差E(g)，判断其是否满足要求，若满足转至第八步；若不满足转至第六步； 

第六步：判断g+1是否大于最大迭代次数，若大于转至第八步，若不大于，对输入样本X_k，反向计算每层神经元的局部梯度δ； 

第七步：按下式计算权值修正量△W，并修正权值；g=g+1，转至第四步；例如， 

${\mathrm{\Delta W}}_{\mathrm{ij}}^5=\eta ·{\delta }_{\mathrm{ij}}·a_j^4$

$W_{\mathrm{ij}}^5(g+1)=W_{\mathrm{ij}}^5\left(g\right)+{\mathrm{\Delta W}}_{\mathrm{ij}}\left(g\right)$

其中η为学习速率，g为迭代次数； 

第八步：判断是否学完所有的训练样本，是则结束训练，完成建模，否则转至第三步。 

所述步骤四的优化过程为： 

第一步：初始化种群P，种群大小为O； 

第二步：计算每个个体的非劣级别值、拥挤距离和改进排序适应度值；第三步：进入循环迭代i=2； 

第四步：对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值，运用轮盘赌方法进行设定阈值选择操作； 

第五步：使用算术交叉算子进行变异操作，得到O个后代； 

第六步：对变异操作之后的每个个体计算适应度值； 

第七步：收集第i代和第i+1代所有个体，得到规模为2O的种群Q； 

第八步：计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值，使用按需分层策略选择较好的O个个体作为最优种群P； 

第九步：如果满足停机条件则停机；否则，i=i+1，转第四步； 

第十步：输出结果。 

本发明的有益效果是：BP神经网络（BP neural network，BPNN）的非线性映射能力强，适用于解决非线性系统建模问题。为此，采用BPNN来确定工艺参数与增产节能指标的映射关系，建立抽油机采油过程的映射模型； 

然后运用具有智能特性的NSGA2（non-dominated sorting gentic algorithm Ⅱ,NSGA2，非支配排序遗传算法)对映射模型进行搜索，搜索增产节能最好的理想点，据此确定工艺参数的最优值；根据优化后的工艺参数最优值进行实际生产指导。 

附图说明：

图1为本发明的流程框图。 

具体实施方式

一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法，按如下步骤进行： 

步骤一：统计所有对耗电量、产油量有影响的原始变量S，并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X； 

从参数集：冲次；最大载荷；最小载荷；有效冲程；计算泵效；动液面；电动机电枢采样电流值；电动机电枢采样电流积分值；冲程；有功功率；功率因素；回压；套压；油压；电压；电流；转速；频率；含水率；井口温度中所有参数中筛选出5个对耗电量、产油量影响非常大决策变量： 

优选的5个决策变量X为：冲次，最大载荷，最小载荷，有效冲程，计算泵效。 

根据对油田抽油机采油过程的了解和分析，冲次的大小与系统的生产状况是否合理是影响抽油机能耗和生产产量的关键因素，因此我们将冲次作为决策变量。考虑到冲次含有的信息量有限，仅用冲次对抽油机系统进行建模的效果很难接近真实模型，不足以反映真实的生产情况，为此，我们找出5个环境变量：最大载荷，最小载荷，有效冲程，计算泵效，结合冲次作为决策变量也即BPNN模型的输入变量，以用电量和产量作为目标变量即输出，建立抽油机采油系统的模型。 

取中石油大港油田官17号井从2011年6月1号到2011年10月18号的生产数据1584组，数据样本如下表所示： 

表1数据样本 

步骤二：采集时间T内决策变量和对应着的耗电量、产油量Y的样本，得到一个样本矩阵； 

步骤三：以决策变量X作为输入，以耗电量、产油量Y作为输出，运用BP神经网络算法，对样本进行训练、检验，建立抽油机采油的过程模型，过程模型建立步骤为： 

第一步：设置变量和参量： 

X_k=[x_k1,x_k2,...,x_kM](k=1,2,...,N)为输入矢量，或称训练样本，N为训练样本个数， 

$W_{\mathrm{MI}}\left(g\right)=\left(\begin{array}{cccc}{w}_{11}\left(g\right)& w_{12}\left(g\right)& ...& w_{1I}\left(g\right)\\ w_{21}\left(g\right)& w_{22}\left(g\right)& ...& w_{2I}\left(g\right)\\ .& .& & .\\ .& .& & .\\ .& .& ...& .\\ w_{M1}\left(g\right)& w_{M2}\left(g\right)& ...& w_{\mathrm{MI}}\left(g\right)\end{array}\right)$

为第g（g一般设定为500）次迭代时输入层与隐层I之间的权值矢量； 

W_JP(g)为第g次迭代时隐层J与输出层之间的权值矢量； 

Y_k(g)=[y_k1(g),y_k2(g),...,y_kP(g)](k=1,2,L,N)为第g次迭代时网络的实际输出； 

d_k=[d_k1,d_k2,...,d_kP](k=1,2,...,N)为期望输出； 

第二步：初始化，赋给W_MI(0),W_JP(0)各一个0到1之间的随机值； 

第三步：随机输入样本X_k，g=0； 

第四步：对输入样本X_k，前向计算BP网络每层神经元的输入信号和输出信号； 

第五步：由期望输出d_k和上一步求得的实际输出Y_k(g)，计算误差E(g)，判断其是否满足要求，若满足转至第八步；否就转至第六步。 

也就是d_k和Y_k(g)相减，并判断其差值绝对值是否小于预先设定的阈值，小于阈值则满足条件； 

第六步：判断g+1是否大于最大迭代次数，若大于转至第八步，若不大于，对输入样本X_k，反向计算每层神经元的局部梯度δ； 

第七步：按下式计算权值修正量ΔW，并修正权值；g=g+1，转至第四步；例如， 

${\mathrm{\Delta W}}_{\mathrm{ij}}^5=\eta ·{\delta }_{\mathrm{ij}}·a_j^4$

$W_{\mathrm{ij}}^5(g+1)=W_{\mathrm{ij}}^5\left(g\right)+{\mathrm{\Delta W}}_{\mathrm{ij}}\left(g\right)$

其中η为学习速率，g为迭代次数； 

第八步：判断是否学完所有的训练样本，是则结束训练，完成建模，否则转至第三步。 

在BP神经网络训练模型时，为了直观的表示测试样本的预测效果，我们用均方差MSE和相对误差RE这两个指标来衡量，公式如下： 

$\mathrm{MSE}=\frac{{\Sigma \left(e_i\right)}^2}{N},\mathrm{RE}=\Sigma \left|\frac{e_i}{s_i}\right|---\left(1\right)$

其中，S_i是期望值，e_i是绝对误差，N是样本个数。 

神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是神经网络设计中的难点，这里采用试凑法来确定隐层的节点数。 

$p=\sqrt{n+M}+k---\left(2\right)$

其中p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1～10之间的常数。 

BP神经网络隐层传递函数采用logsig函数，输出层传递函数采用purelin函数，训练函数采用Levenberg_Marquardt算法，试凑法得到隐层节点数为9。本文取样本数据取前面1500组数据来训练模型，后面84组数据来验证模型的准确性。 

BP神经网络拟合的抽油机模型的检验模型误差都控制在5%以内，模型拟合效果已经达到了要求。为了进一步说明模型的有效性，我们列出均方差MSE和相对误差RE这两个指标的相关值如下所示： 

表2性能指标值 

从表中我们也可以看出，均方差和相对误差已经很低，模型的拟合效果已经符合要求。为此，我们建立了基于BP神经网络的抽油机采油模型。 

步骤四：以BPNN模型为基础，以BPNN的两个输出值作为适应度函数F(i)i=1,2，运用NSGA2多目标进化算法，对决策变量在各自的上下限范围内，进行优化，优化过程为： 

第一步：初始化种群P，种群大小为O； 

第二步：计算每个个体的非劣级别值、拥挤距离和改进排序适应度值； 

第三步：进入循环迭代i=2； 

第四步：对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值，运用轮盘赌方法进行设定阈值选择操作； 

第五步：使用算术交叉算子进行变异操作，得到O个后代； 

第六步：对变异操作之后的每个个体计算适应度值； 

第七步：收集第i代和第i+1代所有个体，得到规模为2O的种群Q； 

第八步：计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值，使用按需分层策略选择较好的O个个体作为最优种群P； 

第九步：如果满足停机条件则停机；否则，i=i+1，转第四步； 

第十步：输出结果。 

这里，变量的上下限设定见表3： 

表3变量上下限 

我们设置NSGA2算法的种群大小为80，迭代次数为50，神经网络的输出用电量和产量分别作为NSGA2是适应度函数，得到井的最优解集。 

步骤五：将优化后的5个决策变量X优化值带入BPNN模型，计算此时的模型两个输出值耗电量、产油量Y，与样本值平均值进行比较，如果耗电量降低、产量提高，则带入油田，对实际生产进行指导，否则，返回步骤一，人为更换5个决策变量X，重新筛选决策变量X； 

最优解集的数据如下表所示： 

表4最优解集 

将这78组数据带入实际检验得到的平均值与真实样本的均值进行比较，用电量降低4.94%产量提高了6.81%，证明了该方法的有效性。 

步骤六：如果所有人为设定的5个决策变量X组合都没有使耗电量降低、产量提高，则设定的6个决策变量X组合，再返回步骤一，如果6个决策变量X组合也没有提高效果，则设定的7个决策变量X组合，如此循环。