法律状态公告日
法律状态信息
法律状态
2018-11-02
专利权人的姓名或者名称、地址的变更 IPC(主分类):G06Q10/04 变更前: 变更后: 变更前: 变更后: 申请日:20150312
专利权人的姓名或者名称、地址的变更
2018-03-02
授权
授权
2015-07-01
实质审查的生效 IPC(主分类):G06Q10/04 申请日:20150312
实质审查的生效
2015-06-03
公开
公开
技术领域
本发明属于采油领域,具体涉及一种面向抽油机工作过程的智能优化方 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,如图1所示。抽油机的整个采油过程主要分为上下 两个冲程:上冲程,即驴头悬点向上运动,提起抽油杆柱和井下抽油设备, 此过程中电动机需消耗大量的能量;下冲程,即驴头悬点向下运动,抽油机 的抽油杆柱电动机做功。在抽油杆柱上下运动过程中,电动机的负载发生周 期变化。抽油机的运行参数的选择对整个抽油机系统的能量消耗影响很大。 为了使抽油机采油生产过程既能完成预定的产液量,又能使抽油机生产过程 的耗电量最低,需要对抽油机运行参数进行节能优化。
发明内容
本发明是为了解决现有技术中存在的上述技术问题而做出,其目的在于 提供一种面向抽油机工作过程的智能优化方法,以保证抽油机的生产状态最 佳,从而达到减少能耗,提高系统效率的目的。
为了实现上述目的,本发明提供一种面向抽油机工作过程的智能优化方 法,该方法包括的步骤如下:
1)确定抽油机采油过程生产效率影响因素构成效率观测变量集合 其中α1,α2为决策变量,α3~α146载荷数据环境变量,为其 他环境变量,选取抽油机系统的性能变量构成性能观测变量集合: {y1,y2,y3,…yl};
2)获得所述生产效率影响因素和系统性能变量的样本数据,得到效率影 响因素样本矩阵α和性能样本矩阵Y:
其中为效率影响因素个数,N为样本个数,αik表示第i个效率影响因素变量 的第k个观测值,i=1,2,...,M;k=1,2,...,N;
3)利用主元分析算法对载荷数据进行降维处理,从而构建新的载荷主元 变量矩阵:
4)由影响因素观测变量集合中非载荷变量与载荷新主元观 测变量集合{αz1,αz2,...,αzd}构建网络输入变量集合:并令 输入变量集合为:{x1,x2,x3,...,xM},即,
5)构建输入变量集合{x1,x2,x3,...,xM}观测样本值:
其中,x1~x2为决策变量,x3~xM为新的环境变量;
6)对得到的训练输入样本X、输出样本Y进行归一化处理,得到新的训 练输入矩阵输出矩阵
7)在归一化后样本集中,选取样本集前组样本作为网络训练样本集 则样本集剩余组作为测试样本集其中其中:训练样本集和测试样本集分别为:
8)构建3层前馈神经网络,采用所述训练输入样本对该网络进 行训练,利用遗传算法训练网络权值W、权值β、隐含层阈值b,从而确定网 络的参数,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值 的前馈神经网络:
9)针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线,在 其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、 较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化 为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值;
10)利用决策变量(x1,x2)构建多目标优化父代种群PD,
其中,父代种群PD中的个体(1≤m≤K)的数量为K,并从x1的取值范围 x1,min≤x1≤x1,max内随机取值赋予(1≤m≤L),从x2的取值范围x2,min≤x2≤x2,max内 随机取值赋予(1≤m≤L),从而对父代种群PD进行初始化;
11)从父代种群PD中选出任意对个体,对于每对个体(1≤m≤K,1≤n≤K)进行遗传交叉计算或变异计算,并将计算结果赋予子代 种群QD中相应的一对个体
12)将父代种群PD与子代种群QD进行合并得到种群R=PD∪QD,即有
13)将种群R的所有个体所对应的适应度函数相互进行比较,将种群R 的所有个体划分到具有不同层级的非支配集中,其中,对于层级较低的非支 配集中的任一个体所对应的适应度函数objFun1(Xs)和层级较高的非支配 集中的任一个体所对应的适应度函数objFun1(Xt)来说,均不存在 且而对于同一层级的非支配集中的任两个个 体来说,该两个不等式中至少有一个不成立;
14)按照层级从低到高的顺序从所述非支配集中选择K个个体,将选择 出的K个个体的值赋予父代种群PD中的个体,并执行步骤11)-步骤14)的 过程GEN次,GEN为预先确定的循环次数,最终得到优化后的K组决策变量 将优化后的决策变量以及所述环境变量的平均值构 成优化后的输入样本
本发明的有益效果是,利用遗传算法优化的极限学习机算法(GAELM)建立 油田机采过程的高精度模型,并利用带精英策略的快速非支配排序遗传算法 (NSGA2)对建立的模型进行搜索,探寻抽油机生产过程中最佳工艺决策参数, 给出面向节能降耗的抽油机生产最佳参数,指导生产。通过选择优化后的运 行参数,可以使抽油机在运行过程中保证在产液量基本固定且具有最小偏好 值的情况下,耗电量最小,从而可以降低油田生产成本并提高油田生产效率。
附图说明
图1示出了抽油机的工作模型;
图2示出了本发明一个实施例所述的面向抽油机工作过程的的智能优化 方法的流程图;
图3示出了本发明一个实施例中的前馈神经网络的结构;
图4示出了本发明一个实施例中的产液量偏好函数的图形;
图5示出了利用本发明的方法训练神经网络所产生的产液量训练效果图;
图6示出了利用本发明的方法训练神经网络所产生的耗电量训练效果图;
图7示出了测试样本产液量预测效果图;
图8示出了测试样本耗电量预测效果图;
图9示出了偏好函数的图形;
图10示出了产液量偏好值与耗电量的pareto解集关系。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全 面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节 的情况下实现这些实施例。在其它例子中,为了便于描述一个或多个实施例, 公知的结构和设备以方框图的形式示出。
图2是流程图,示出了本发明的一个实施例所述的面向抽油机工作过程 的智能优化方法。如图2所示,本发明所述的面向抽油机工作过程的智能优 化方法包括如下步骤:
步骤S1:确定抽油机采油过程生产效率影响因素构成效率观测变量集合 其中α1,α2为决策变量,α3~α146载荷数据环境变量,为其 他环境变量,选取抽油机系统的性能变量构成性能观测变量集合: {y1,y2,y3,…yl}。
在本发明的一个实施例中,选取决策变量α1为冲次、决策变量α2为有效冲 程、α3~α146为载荷1至载荷144,其余环境变量包括:理论排量、功率因数、 有功功率、无功功率、含水率中的一个或多个变量;选取抽油机生产过程性 能变量y1为产液量、y2为耗电量。
步骤S2:获得所述生产效率影响因素和系统性能变量的样本数据,得到 效率影响因素样本矩阵α和性能样本矩阵Y:
其中为效率影响因素个数,N为样本个数,αik表示第i个效率影响因素变量 的第k个观测值,i=1,2,...,M;k=1,2,...,N。
步骤S3:利用主元分析算法对载荷数据进行降维处理,从而构建新的载 荷主元变量。本发明中采用示功图描绘数据的144个载荷点做为部分环境变 量进行建模。然而利用144维数据建模参数易产生维度灾难。故而利用主元 分析算法对载荷数据进行降维处理。
在一个实施例中,利用主元分析算法对载荷数据进行降维处理的步骤可 以包括:
①设置样本累计贡献率precent=0.95;
②获取载荷数据每个Lk具有第k观测变量的N个观测数 据,3≤k≤146;
③求出数据平均值并利用原始数据减去均值得到
④计算协方差矩阵
⑤计算协方差矩阵的特征值E1,E2,...,E144与特征向量EV1,EV2,...,EV144;
⑥由大到小依次排列特征值E1',E'2,...,E'M,对应特征向量为EV1',EV2',...,EV'144,按特 征值大小顺序取前d个特征值的特征向量构成矩阵[EV1',EV2',...,EVd'],此时 其中d<144;特征向量代表原数据的分布方向,其对应的特征 值越大,则该向量越重要(即为主元);其对应的特征值越小,则该向量越次 要。
⑦由[EV1',EV2',...,EVd']与原始样本求取载荷新的主元,其新载荷 主元观测变量构成集合:{αz1,αz2,...,αzd},其为d个新变量,且每个变量为N个观 测值构成的新主元矩阵:
步骤S4:由影响因素观测变量集合中非载荷变量与载荷新主 元观测变量集合{αz1,αz2,...,αzd}构建网络输入变量集合:并令输入变量集合为:{x1,x2,x3,...,xM},即,
步骤S5:构建输入变量集合{x1,x2,x3,...,xM}观测样本值:
其中,x1~x2为决策变量,x3~xM为新的环境变量。
步骤S6:对得到的训练输入样本X、输出样本Y进行归一化处理,得到 新的训练输入矩阵输出矩阵
在一个实施例中,所述归一化处理的算法如下:
i=1,2,...,M;k=1,2,...,N
j=1,2,....,l;k=1,2,...,N
其中:为设定输入变量归一化后数据范围的最大值、最小值;
xik为归一化前的第i个输入变量第k个样本值;
为归一化后第i个输入变量第k个样本值;
xi,min=min{xik|1≤k≤N}
xi,max=max{xik|1≤k≤N}
为设定输出变量归一化后数据范围的最大值、最小值;
yjk为归一化前第j个输出变量的第k个采集样本值;
为归一化后第j个输出变量的第k个值;
yj,max=max{yjk|1≤k≤N}
yj,min=min{yjk|1≤k≤N}
于是得到:
步骤S7:在归一化后样本集中,选取样本集前组样本作为网络训练样 本集则样本集剩余组作为测试样本集其中 其中:训练样本集和测试样本集分别为:
步骤S8:构建3层前馈神经网络,采用所述训练输入样本对该 网络进行训练,利用遗传算法训练网络权值W、权值β、隐含层阈值b,从而 确定网络的参数,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出 预测值的前馈神经网络:
具体地,在一个实施例中,如图3所示,所述3层前馈神经网络可以由 输入层、隐含层和输出层组成,输入层与隐含层由权值W连接,其Wki表示第i 个输入神经元与隐含层第k个神经元的间的连接权值;隐含层与输出层由权 值β连接,其βkj表示第k个隐层神经元与输出层第j个神经元的间的连接权值; 隐含层的神经元个数为s1,隐含层神经元的阈值为b,bk为第k个隐层神经元 阈值;
各权值、阈值具体为:
设隐含层神经元的激活函数为网络的第m组输入样本的输 出为:
其中,Wk=[Wk1,Wk2,…,WkM],最终得到可计算出任一组输入观测值x1,x2,...,xM所对 应的输出预测值的前馈神经网络:
在步骤S8中,利用遗传算法训练网络权值W、权值β、隐含层阈值b的步 骤可以包括:
①利用输入层到隐含层的权值W,隐含层阈值b构建初始种群P,该种群 中第i个个体为设置初始种群P个体K=50, 设置最大遗传代数GEN=100。
②构建遗传算法优化权值阈值计算的适应值函数objfun2(Pi):
③计算第i个个体的适应度函数值,利用个体和训 练样本输入样本计算隐含层神经元的输出矩阵H(i):
由训练样本输入样本对应的输出样本与隐含层的输出矩阵H(i)共同求 出隐含层到输出层的权值β(i),(H(i))-1为矩阵H(i)的逆矩阵;在 求出个体对应的β(i)后,构建网络预测函数F(i)(Pi,β(i),X); 并将测试样本集Xtest中的输入矩阵带入F(i)(Pi,β(i),X)得到预测测试集预测输出 故而计算个体Pi适应度函数值:
④对种群P进行选择、交叉、变异操作,得到子群Q。
⑤种群Q进行③、④操作得到种群Q的子群。循环进行以上步骤,得到第 GEN代子群,并在第GEN代子群中选择一个最佳个体Pbest,个体Pbest第GEN代子 群中计算得到测试样本预测输出值与实际输出值的均方差最小。
⑥由Pbest确定的输入到隐层的权值W,隐层阈值b,计算隐层输出矩阵Hbest。 计算计算隐层到输出的权值矩阵输出权值βbest:从而得到最佳 模型。
上述选择操作可以包括:在P中K个体中,按每个个体的概率φ(Pi)大小决 定选中的机会,分K次从P中选择K个个体,其中概率
上述交叉操作包括:将选择操作得出的K个个体进行二进制编码,个体 中每个变量占据4字节,这样编码后一个个体的字节数为:4*(s1*M+s1);将个 体Pi和Pj二进制编码后,将两个个体二进制编码第4·c位以后的编码进行调换, 从而得到两个新的个体和
所述变异操作包括:将交叉操作得到的K个体进行二进制编码,其中某 个二进制编码后的个体若第c位为1,则将1变成0;若第c位为0,则将0 变成1,,从而得到一个新的个体Qi。
步骤S9:针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线, 在其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、 较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化 为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值。图4示出 了本发明的一个实施例所使用的产液量偏好函数的图形。
步骤S10:利用决策变量(x1,x2)构建多目标优化的父代种群PD:
其中,父代种群PD中的个体(1≤m≤K)的数量为K,并从x1的取值范围 x1,min≤x1≤x1,max内随机取值赋予(1≤m≤K),从x2的取值范围x2,min≤x2≤x2,max内 随机取值赋予(1≤m≤K),从而对父代种群PD进行初始化。
步骤S11:从父代种群PD中选出任意对个体,对于每对个体(1≤m≤K,1≤n≤K)进行遗传交叉计算或变异计算,并将计算结果赋予多目 标优化的子代种群QD中相应的一对个体
在一个实施例中,每对个体(1≤m≤K,1≤n≤K)之间的遗传 交叉计算公式为:
随机数α∈[0,1];
每个个体(1≤m≤K)的变异计算公式为:
随机数β∈[0,1]。
步骤S12:将父代种群PD与子代种群QD进行合并得到种群R=PD∪QD,即 有
所述环境参数的平均值的计算公式为:
步骤S13:将种群R的所有个体所对应的适应度函数相互进行比较,将 种群R的所有个体划分到具有不同层级的非支配集中,其中,对于层级较低 的非支配集中的任一个体所对应的适应度函数objFun1(Xs)和层级较高的 非支配集中的任一个体所对应的适应度函数objFun1(Xt)来说,均不存在 且而对于同一层级的非支配集中的任两个个 体来说,该两个不等式中至少有一个不成立;
步骤S14:按照层级从低到高的顺序从所述非支配集中选择K个个体,将 选择出的K个个体的值赋予父代种群PD中的个体,返回步骤S11。
在按照层级从低到高的顺序从所述非支配集中选择K个个体时,对于同 一层级非支配集中的个体,选择个体拥挤度ds较大的个体,所述个体拥挤度ds的计算方法为:
对当前种群R中所有个体所对应的适应度函数值objFun1(Xs)中的按从小到大的顺序排序,另外,对所有objFun1(Xs)中的按从小到大的顺序 排序,令每次排序的第一个和最后一个个体的拥挤距离为无穷大,种群个体 的拥挤度ds为
分别为在所述所排的序列中值的后一个值和 前一个值;
分别为在所述所排的序列中值的后一个值和前一个值;
步骤S15:循环执行步骤S11-步骤S14的过程GEN次,GEN为预先确定的 循环次数,最终得到优化后的K组决策变量将优化 后的决策变量以及所述环境变量的平均值构成优化后的输入样本
下面以大港油田港510-3抽油机为实验对象采用本发明的方法进行智能 优化。
确定抽油机采油过程生产效率影响因素构成效率观测变量集合 其中α1,α2为决策变量冲次、有效冲程,α3~α146功图载荷数据, α147为环境变量平均功率因数,α148为环境变量平均有功功率,α149为环境变量 平均无功功率,α150为环境变量理论排量、α151为环境变量计算泵效、α152为环 境变量含水率。选择抽油机生产过程的产液量y1、耗电量y2作为建立抽油机系 统模型的性能变量{y1,y2}。
采集油井2013年12月26日至2014年12月23日数据。对所有变量按 照24小时为采集时间间隔求取24小时数据的平均值,并作为该变量样本。 采集数据部分地示于表1和表2。
表1
表2
利用PCA输入变量降维处理,得到新主元数据示于表3。
表3
构建新的采集建模样本数据[X,Y]。共获得可建模数据256组,示于表4。
表4
将匹配后的数据与载荷新主元数据进行匹配,并进行归一化处理。归一 化后的数据部分地示于表5。
表5
基于遗传算法优化极限学习机建模。设定隐含层神经元个数为s1=20,选 择可建模样本中的200组作为训练样本。基于遗传算法得到最佳输入层到隐 含层权值W和阈值b如下:
图5示出了利用本发明的方法训练神经网络所产生的产液量训练效果图; 图6示出了利用本发明的方法训练神经网络所产生的耗电量训练效果图。图7 示出了测试样本产液量预测效果图;图8示出了测试样本耗电量预测效果图。
由建模效果可知,训练效果较优,产液量、耗电量训练误差均控制在较 小的范围,训练效果较好。由所得的建模与测试样本进行预测,得到测试样 本误差百分比也控制较小的范围内,故知模型泛化能力较好。
产液量偏好函数设计,根据偏好函数设计准则,采用3-S类软偏好设计, 根据生产者对产液量的多少的喜爱程度用:极好、好、一般、较差、差等五 个个等级描述。极好程度利用建模训练集中产液量所有值的平均值作为极好 程度的偏好值为:47.3,并利用训练集中产液量最小值37.3、最大值57.3作 为不可接受域的临界值。故而设计偏好程度区间为: [0,2],[2,4],[4,6],[6,8],[8,10]等,且设计的偏好程度区间所对应的实际 产液量区间为:
[37.3,38.4],[38.4,39.6],[39.6,40.9],[40.9,42.8],[42.8,47.3]以及
[47.3,51.8],[51.8,53.6],[53.6,55.5],[55.5,56.2],[56.2.57.3]。故 而设计产液量偏好函数为h(y1)=0.1×(y1-47.3)2。图9示出了偏好函数的图形;
利用决策变量(x1,x2)的K对数据构建初始种群PD,设置种群大小50,即 初始化的种群样本数量为K=50;决策变量冲次(x1)的优化范围2.0≤x1≤4.5;决 策变量有效冲程(x2)的范围3.0≤x2≤3.6。设置最大遗传代数GEN=100。
算环境参数平均值具体算法如下:
具体的环境参数平均值示于表6中。
表6
计算得到的产液量偏好值与耗电量的pareto解集关系示于图10中。 Pareto前沿所对应的数值解集示于表7中。
表7
在表7中,产液量偏好程度属于[0,1.3]区间,产液量在极好的范围内优化, 符合抽油机定量采油的工作制度。
将优化后的决策变量,以及环境变量的平均值带入建立工艺过程模型, 计算优化后的决策变量的系统性能,与实际样本的系统性能平均值进行比较, 在保证固定的产液量的前提下,耗电量降低,则上述方法有效。去产液量偏 好值解集的平均值求取实际对应的产液量大小。其对比结果示于表8。
表8
由表8可知,计算得到偏好程度平均值为0.52,此时产液量可能为49.58t/d 或者45.02t/d。此时计算得到在保持定量式采油工作状态下,耗电量下降 16.75%。系统效率比(产液量/耗电量)可提高8%。达到了节能设计目的。 说明该方法有效。
尽管已经结合详细示出并描述的优选实施例公开了本发明,但是本领域 技术人员应当理解,对于上述本发明所提出的面向抽油机工作过程的智能优 化方法,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明 的保护范围应当由所附的权利要求书的内容确定。
机译: 关于使用机器学习算法的智能终端和工作过程自动记录服务器中的工作过程的智能终端和错误部件的检测方法,以及通过使用机器学习算法和数据通信的服务器来工作的自动记录方法的工作过程自动记录方法
机译: 智能抽油机的控制方法和智能抽油机
机译: 面向多个用户的程序传输优化方法,面向多个用户的程序传输优化系统,用于优化程序传输的系统传输程序的接收器以及用于优化程序传输的系统规划设备