面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于采油領(lǐng)域，具體涉及一種面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法。
【背景技術(shù)】
[0002] 抽油機(jī)采油作為一種機(jī)械采油方式，主要由電動(dòng)機(jī)、地面?zhèn)鲃?dòng)設(shè)備和井下抽油設(shè) 備三部分組成，如圖1所示。抽油機(jī)的整個(gè)采油過(guò)程主要分為上下兩個(gè)沖程：上沖程，即驢 頭懸點(diǎn)向上運(yùn)動(dòng)，提起抽油桿柱和井下抽油設(shè)備，此過(guò)程中電動(dòng)機(jī)需消耗大量的能量；下沖 程，即驢頭懸點(diǎn)向下運(yùn)動(dòng)，抽油機(jī)的抽油桿柱電動(dòng)機(jī)做功。在抽油桿柱上下運(yùn)動(dòng)過(guò)程中，電 動(dòng)機(jī)的負(fù)載發(fā)生周期變化。抽油機(jī)的運(yùn)行參數(shù)的選擇對(duì)整個(gè)抽油機(jī)系統(tǒng)的能量消耗影響很 大。為了使抽油機(jī)采油生產(chǎn)過(guò)程既能完成預(yù)定的產(chǎn)液量，又能使抽油機(jī)生產(chǎn)過(guò)程的耗電量 最低，需要對(duì)抽油機(jī)運(yùn)行參數(shù)進(jìn)行節(jié)能優(yōu)化。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明是為了解決現(xiàn)有技術(shù)中存在的上述技術(shù)問(wèn)題而做出，其目的在于提供一種 面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法，以保證抽油機(jī)的生產(chǎn)狀態(tài)最佳，從而達(dá)到減少能耗， 提1?系統(tǒng)效率的目的。
[0004] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法，該方 法包括的步驟如下：
[0005] 1)確定抽油機(jī)采油過(guò)程生產(chǎn)效率影響因素構(gòu)成效率觀測(cè)變量集合 {αρα 2，α3，…％!，其中Ct1, α2為決策變量，α 3~α 146載荷數(shù)據(jù)環(huán)境變量，a147~a<g為其他環(huán) 境變量，選取抽油機(jī)系統(tǒng)的性能變量構(gòu)成性能觀測(cè)變量集合：Iy1, y2, y3,…yj ;
[0006] 2)獲得所述生產(chǎn)效率影響因素和系統(tǒng)性能變量的樣本數(shù)據(jù)，得到效率影響因素樣 本矩陣α和性能樣本矩陣Y :
【主權(quán)項(xiàng)】
1. 一種面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法，包括如下步驟： 1) 確定抽油機(jī)采油過(guò)程生產(chǎn)效率影響因素構(gòu)成效率觀測(cè)變量集合!αι，°^?3，···《?}，其 中CI 1, CI2為決策變量，α 3~α 146載荷數(shù)據(jù)環(huán)境變量，α 147~a M為其他環(huán)境變量，選取 抽油機(jī)系統(tǒng)的性能變量構(gòu)成性能觀測(cè)變量集合：{yi，y2, y3, 一y]; 2) 獲得所述生產(chǎn)效率影響因素和系統(tǒng)性能變量的樣本數(shù)據(jù)，得到效率影響因素樣本矩 陣α和性能樣本矩陣Y :
其中Λ?為效率影響因素個(gè)數(shù),N為樣本個(gè)數(shù)，a ik表示第i個(gè)效率影響因素變量的第k 個(gè)觀測(cè)值，i = 1，2, · · ·，M ;k = 1，2, · · ·，N ; 3) 利用主元分析算法對(duì)載荷數(shù)據(jù)進(jìn)行降維處理，從而構(gòu)建新的載荷主元變量矩陣：
4) 由影響因素觀測(cè)變量集合中非載荷變量與載荷新主元觀測(cè)變量集合 { α zl, a z2, . . .，a zd}構(gòu)建網(wǎng)絡(luò)輸入變量集合：^a25Of147，…,?,%，…，a zd}，并令輸入變量 集合為：{χ?，Χ2，X3，· · ·，xIlJ，艮P，{ α 1，α 2，α 147，...，α Μ，α zl，...，α ZtJ - {Χ1，Χ2，Χ3，· · ·，X|J ; 5) 構(gòu)建輸入變量集合Ix1, χ2, χ3,...，χΜ}觀測(cè)樣本值：
其中，Xi~X 2為決策變量，X 3~X Μ為新的環(huán)境變量； 6) 對(duì)得到的訓(xùn)練輸入樣本X、輸出樣本Y進(jìn)行歸一化處理，得到新的訓(xùn)練輸入矩陣X、 輸出矩陣F;
7) 在歸一化后樣本集中，選取樣本集前#組樣本作為網(wǎng)絡(luò)訓(xùn)練樣本集，則 樣本集剩余ΛΓ-及組作為測(cè)試樣本集[戈μ,，其中刃=(〇.8~〇.9)*W，
8) 構(gòu)建3層前饋神經(jīng)網(wǎng)絡(luò)，采用所述訓(xùn)練輸入樣本對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用 遺傳算法訓(xùn)練網(wǎng)絡(luò)權(quán)值W、權(quán)值β、隱含層閾值b，從而確定網(wǎng)絡(luò)的參數(shù)，最終得到可計(jì)算出 任一組輸入觀測(cè)值X1, x2, ...，xM所對(duì)應(yīng)的輸出預(yù)測(cè)值P = Li1JvJvf的前饋神經(jīng)網(wǎng)絡(luò)：
9) 針對(duì)產(chǎn)液量71構(gòu)造其偏好函數(shù)h = h (y J，該偏好函數(shù)為U形曲線，在其整個(gè)定義域 上二階可導(dǎo)且二階導(dǎo)數(shù)恒大于零，將產(chǎn)液量Y1的值劃分為好、較好、一般、較差和極差5個(gè) 區(qū)域，并通過(guò)所述偏好函數(shù)將該五個(gè)區(qū)域量化為數(shù)值h = h(yi);其中，產(chǎn)液量71處于好區(qū) 域?qū)?yīng)偏好函數(shù)最小值； 10) 利用決策變量（XuX2)構(gòu)建多目標(biāo)優(yōu)化父代種群PD，
其中，父代種群Pd中的個(gè)體（4,唸的數(shù)量為K，并從X1的取值范圍 隨機(jī)取值賦予.<" (?? S K)，從而對(duì)父代種群Pd初始化； 11) 從父代種群Pd中選出任意對(duì)個(gè)體，對(duì)于每對(duì)個(gè)體、 .
, )(I ^m^K, 1 < η < K)進(jìn)行遺傳交叉計(jì)算或變異計(jì)算，并將計(jì)算結(jié)果賦予子代種群Qd中相應(yīng)的一對(duì)個(gè)
12) 將父代種群Pd與子代種群Q D進(jìn)行合并得到種群R = P DU Q D，即有 及={(4，4) 11U 0尤} = ) IM m S [} u {(冶，啫）I K ? U}，將種群 R 每個(gè)個(gè)體 (xK)與環(huán)境變量平均值瓦，i = 3，···，M合成輸入樣本Jfi =[4 4 J3…：^w]，并計(jì) 算相應(yīng)的多目標(biāo)適應(yīng)度函數(shù)= (毛)）j)2(尤)]Τ ; 13) 將種群R的所有個(gè)體所對(duì)應(yīng)的適應(yīng)度函數(shù)相互進(jìn)行比較，將種群R的所有個(gè)體劃分 到具有不同層級(jí)的非支配集中，其中，對(duì)于層級(jí)較低的非支配集中的任一個(gè)體所對(duì) 應(yīng)的適應(yīng)度函數(shù)〇b jFunl (Xs)和層級(jí)較高的非支配集中的任一個(gè)體(xg,χ21所對(duì)應(yīng)的適應(yīng) 度函數(shù)〇1^下11111久）來(lái)說(shuō)，均不存在七'1(孓))</辦1(4))且. 1>2(木）<丸(尤），而對(duì)于同一層 級(jí)的非支配集中的任兩個(gè)個(gè)體來(lái)說(shuō)，該兩個(gè)不等式中至少有一個(gè)不成立； 14) 按照層級(jí)從低到高的順序從所述非支配集中選擇K個(gè)個(gè)體，將選擇出的K個(gè) 個(gè)體的值賦予父代種群Pd中的個(gè)體，并執(zhí)行步驟11)-步驟14)的過(guò)程GEN次，GEN為 預(yù)先確定的循環(huán)次數(shù)，最終得到優(yōu)化后的L組決策變量
將優(yōu)化后的決策變量以及所述環(huán)境變量的平均值構(gòu)成優(yōu)化后的輸入樣本
(I 5； A')，這K個(gè)樣本保證了在產(chǎn)液量基本固定且具有最 小偏好值的情況下，耗電量最小。
2. 如權(quán)利要求1所述的面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法，其中， 所述決策變量a i為沖次、決策變量α 2為有效沖程、α 3~α 146為載荷1至載荷144， 其余環(huán)境變量包括：理論排量、功率因數(shù)、有功功率、無(wú)功功率、含水率中的一個(gè)或多個(gè)變 量；所述抽油機(jī)生產(chǎn)過(guò)程性能變量Y1為產(chǎn)液量、y 2為耗電量。
3. 如權(quán)利要求1所述的面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法，其中， 設(shè)所述決策變量、環(huán)境變量和性能變量的觀測(cè)值采集周期的最大值為tmax，則這些變 量中的任一變量的樣本取為tmax時(shí)間內(nèi)該變量的觀測(cè)值的平均值。
4. 如權(quán)利要求1所述的面向抽油機(jī)工作過(guò)程的智能優(yōu)化方法，其中， 利用主元分析算法對(duì)載荷數(shù)據(jù)進(jìn)行降維處理的步驟包括： ① 設(shè)置樣本累計(jì)貢獻(xiàn)率precent = 0· 95 ; ② 獲取載荷數(shù)據(jù)4