一种基于多工况模型的抽油机采油优化方法
一种基于多工况模型的抽油机采油优化方法
【技术领域】
[0001] 本发明设及石油开采技术领域，尤其设及一种基于多工况模型的抽油机采油优化 方法。
【背景技术】
[0002] 工艺建模与优化综合了应用过程建模技术、优化技术、先进控制技术W及计算机 技术。具体的，工艺建模与优化是在满足工艺生产要求及产品质量约束条件的情况下，不断 计算并改变过程的操作条件，使得生产过程始终处于最经济状态。其中，最关键的是准确的 工艺模型、合理的目标函数和高效的优化算法，而，由于系统的时变、强干扰等特性，建立精 确的工艺模型较为困难，因此，该一直是工艺建模与优化领域研究的热点。
[0003] 目前，抽油机采油是最主要的采油方式，其具有结构简单、制造容易、可靠性高、耐 久性好、维修方便、适应现场工况等优点，但受到地层压力、环境温湿度、地质结构、出砂结 蜡、气体影响、设备老化故障等因素的影响，抽油机采油也是一个十分复杂的工业过程。
[0004] 在现有的抽油机工艺建模中，通常采用的是统一的工艺模型，而，多变的工况使得 统一的工艺模型难W准确地决策参数、环境参数与系统性能的潜在关系，基于统一模型的 操作参数优化效果欠佳。
【发明内容】
[0005] 本发明通过提供一种基于多工况模型的抽油机采油优化方法，解决了现有技术中 基于统一模型对采油过程优化的效果较差的技术问题。
[0006] 本发明实施例提供了一种基于多工况模型的抽油机采油优化方法，包括：
[0007] 根据所述抽油机的历史示功图数据获得多种典型工况类型；
[000引根据所述多种典型工况类型，对所述历史示功图数据进行归类，将所述历史示功 图数据中包含的每个示功图数据与各典型工况类型对应；
[0009] 基于每种典型工况类型所对应的所述示功图数据，分别生成各典型工况类型的神 经网络模型；
[0010] 在所述多种典型工况类型中，确定抽油机所处的实时工况的类型；
[0011] 基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优 化。
[0012] 优选的，根据所述抽油机的历史示功图数据获得多种典型工况类型，具体包括：
[0013] 利用主元分析法，分别获得所述历史示功图数据中的每个示功图数据的主元；
[0014] 对所述主元进行Kmeans聚类，划分出多种典型工况类型。
[0015] 优选的，生成各典型工况类型的神经网络模型，具体为：
[0016] 将所述抽油机的系统性能指标作为输出参数，且，将所述抽油机的影响所述系统 性能指标的决策参数和环境参数作为输入参数，建立各典型工况类型的神经网络模型。
[0017] 优选的，所述系统性能指标为日产液量和日耗电量，所述决策参数为冲次，所述环 境参数为累效、有效冲程、油压、载荷、含水率、平均功率因数、平均有功功率及平均无功功 率。
[001引优选的，所述神经网络模型为GR順神经网络模型。
[0019] 优选的，基于最近邻分类器，在所述多种典型工况类型中，确定抽油机所处的实时 工况的类型。
[0020] 优选的，基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程 进行优化，具体为：
[0021] 将所述实时工况的类型所对应的神经网络模型的输出值作为适应度函数，利用 NSGA2对抽油机的采油过程进行优化。
[0022] 本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
[0023] 通过划分出多种典型工况类型，在多种典型工况类型中确定出实时工况的类型， 根据实时工况类型所对应的神经网络模型对抽油机的采油过程进行优化，本申请克服了 采用统一模型受工况波动大而导致的无法准确反映决策参数、环境参数与系统性能之间关 系，且优化效果差的缺陷，本申请针对不同的实时工况类型，采用不同的神经网络模型进行 优化，不仅能够准确地反映出决策参数、环境参数和系统性能之间的关系，而且优化效果也 得到了大幅度提高；
[0024] 又，将冲次作为决策参数，将累效、有效冲程、油压、载荷、含水率、平均功率因数、 平均有功功率及平均无功功率作为环境参数，将日产液量和日耗电量作为系统性能指标， 能够进一步提高抽油机在增产和节能方面的优化效果；
[0025] 又，利用G脚W神经网络模型进行优化，训练时间短、结构简单、精确度高且具有全 局收敛性；
[0026] 又，利用NSGA2进行优化，不仅能够使运行效率提高，而且解集具有良好的分布 性，特别是对于低维优化问题，其具有良好的表现。
【附图说明】
[0027] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据 提供的附图获得其他的附图。
[002引图1为本发明实施例中基于多工况模型的抽油机采油优化方法的流程图；
[0029] 图2为本发明实施例中基于第一种典型工况类型模型优化得到的帕雷托前沿图；
[0030] 图3为本发明实施例中基于第二种典型工况类型模型优化得到的帕雷托前沿图。
【具体实施方式】
[0031] 为解决现有技术中基于统一模型对采油过程优化的效果较差的技术问题，本发明 提供一种基于多工况模型的抽油机采油优化方法，通过划分出多种典型工况类型，在多种 典型工况类型中确定出实时工况的类型，根据实时工况类型所对应的神经网络模型对抽油 机的采油过程进行优化，提高了优化效果。
[0032] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033] 本申请提供一种基于多工况模型的抽油机采油优化方法，如图1所示，所述方法 包括：
[0034] 步骤101 ;根据所述抽油机的历史示功图数据获得多种典型工况类型。
[0035] 具体的，对所述抽油机的历史示功图数据进行约简，划分出多种典型工况类型。其 中，利用n个点的序列表征一个示功图数据P，即，P= [a。32,…，a。]，对于抽油机的历史示 功图数据可W由多个示功图数据P进行表征，例如，采集L个示功图数据作为历史示功图数 据P，即，P= [p^P2,…，化]T。在一种优选的实施方式中，步骤101具体包括；
[0036] 利用主元分析法，分别获得所述历史示功图数据中的每个示功图数据的主元；
[0037] 对所述主元进行Kmeans聚类，划分出多种典型工况类型。
[003引首先，利用PCA(PrincipalComponentAnalysisi，主元分析法）计算历史示功图 数据P中每个示功图数据P的主元，接着，将获得的所有主元按照贡献率由大到小排列，并 计算主元的累积贡献率，当累积贡献率达到或超过预设的累积贡献率阔值时，确定对应所 累积的主元数为m。m个主元记为Bj，j= 1,2,…，m，m个主元对应于m个示功图数据。其 中，累积贡献率阔值可W选定为0. 95,当m个主元Bj.的累积贡献率达到或超过预设的累积 贡献率阔值，则可W认为该m个主元Bj.反映了整个样本的特征。然后，W所有历史示功图 数据的主元作为输入，进行Kmeans聚类，获得q个类别{wi，W,，…，W。}，q个类别则对应q种 典型工况类型。
[0039] 在完成步骤101之后，执行步骤102 ;根据所述多种典型工况类型，对所述历史示 功图数据进行归类，将所述历史示功图数据中包含的每个示功图数据与各典型工况类型对 应。
[0040] 在划分出q种典型工况类型之后，将历史示功图数据中的每个示功图数据与各典 型工况类型进行对应，可W得到：
[0041]
【主权项】
1. 一种基于多工况模型的抽油机采油优化方法，其特征在于，包括： 根据所述抽油机的历史示功图数据获得多种典型工况类型； 根据所述多种典型工况类型，对所述历史示功图数据进行归类，将所述历史示功图数 据中包含的每个示功图数据与各典型工况类型对应； 基于每种典型工况类型所对应的所述示功图数据，分别生成各典型工况类型的神经网 络丰吴型； 在所述多种典型工况类型中，确定抽油机所处的实时工况的类型； 基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优化。
2. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，根据所 述抽油机的历史示功图数据获得多种典型工况类型，具体包括： 利用主元分析法，分别获得所述历史示功图数据中的每个示功图数据的主元； 对所述主元进行Kmeans聚类，划分出多种典型工况类型。
3. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，生成各 典型工况类型的神经网络模型，具体为： 将所述抽油机的系统性能指标作为输出参数，且，将所述抽油机的影响所述系统性能 指标的决策参数和环境参数作为输入参数，建立各典型工况类型的神经网络模型。
4. 如权利要求3所述的基于多工况模型的抽油机采油优化方法，其特征在于，所述系 统性能指标为日产液量和日耗电量，所述决策参数为冲次，所述环境参数为泵效、有效冲 程、油压、载荷、含水率、平均功率因数、平均有功功率及平均无功功率。
5. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，所述神 经网络模型为GRNN神经网络模型。
6. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，基于最 近邻分类器，在所述多种典型工况类型中，确定抽油机所处的实时工况的类型。
7. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，基于所 述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优化，具体为： 将所述实时工况的类型所对应的神经网络模型的输出值作为适应度函数，利用NSGA2 对抽油机的采油过程进行优化。
【专利摘要】本发明涉及石油开采技术领域，为解决现有技术中基于统一模型对采油过程优化的效果较差的技术问题，本发明提供一种基于多工况模型的抽油机采油优化方法，包括：根据所述抽油机的历史示功图数据获得多种典型工况类型；根据所述多种典型工况类型，对所述历史示功图数据进行归类，将所述历史示功图数据中包含的每个示功图数据与各典型工况类型对应；基于每种典型工况类型所对应的所述示功图数据，分别生成各典型工况类型的神经网络模型；在所述多种典型工况类型中，确定抽油机所处的实时工况的类型；基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优化。
【IPC分类】G05B13-04
【公开号】CN104865827
【申请号】CN201510127783
【发明人】杜会尧, 李彦普, 梅杰, 贾博, 刘津华, 宋丽, 辜小花, 裴仰军, 王坎, 周伟, 李太福
【申请人】中国石油天然气股份有限公司
【公开日】2015年8月26日
【申请日】2015年3月23日
【技术领域】
[0001] 本发明设及石油开采技术领域，尤其设及一种基于多工况模型的抽油机采油优化 方法。
【背景技术】
[0002] 工艺建模与优化综合了应用过程建模技术、优化技术、先进控制技术W及计算机 技术。具体的，工艺建模与优化是在满足工艺生产要求及产品质量约束条件的情况下，不断 计算并改变过程的操作条件，使得生产过程始终处于最经济状态。其中，最关键的是准确的 工艺模型、合理的目标函数和高效的优化算法，而，由于系统的时变、强干扰等特性，建立精 确的工艺模型较为困难，因此，该一直是工艺建模与优化领域研究的热点。
[0003] 目前，抽油机采油是最主要的采油方式，其具有结构简单、制造容易、可靠性高、耐 久性好、维修方便、适应现场工况等优点，但受到地层压力、环境温湿度、地质结构、出砂结 蜡、气体影响、设备老化故障等因素的影响，抽油机采油也是一个十分复杂的工业过程。
[0004] 在现有的抽油机工艺建模中，通常采用的是统一的工艺模型，而，多变的工况使得 统一的工艺模型难W准确地决策参数、环境参数与系统性能的潜在关系，基于统一模型的 操作参数优化效果欠佳。
【发明内容】
[0005] 本发明通过提供一种基于多工况模型的抽油机采油优化方法，解决了现有技术中 基于统一模型对采油过程优化的效果较差的技术问题。
[0006] 本发明实施例提供了一种基于多工况模型的抽油机采油优化方法，包括：
[0007] 根据所述抽油机的历史示功图数据获得多种典型工况类型；
[000引根据所述多种典型工况类型，对所述历史示功图数据进行归类，将所述历史示功 图数据中包含的每个示功图数据与各典型工况类型对应；
[0009] 基于每种典型工况类型所对应的所述示功图数据，分别生成各典型工况类型的神 经网络模型；
[0010] 在所述多种典型工况类型中，确定抽油机所处的实时工况的类型；
[0011] 基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优 化。
[0012] 优选的，根据所述抽油机的历史示功图数据获得多种典型工况类型，具体包括：
[0013] 利用主元分析法，分别获得所述历史示功图数据中的每个示功图数据的主元；
[0014] 对所述主元进行Kmeans聚类，划分出多种典型工况类型。
[0015] 优选的，生成各典型工况类型的神经网络模型，具体为：
[0016] 将所述抽油机的系统性能指标作为输出参数，且，将所述抽油机的影响所述系统 性能指标的决策参数和环境参数作为输入参数，建立各典型工况类型的神经网络模型。
[0017] 优选的，所述系统性能指标为日产液量和日耗电量，所述决策参数为冲次，所述环 境参数为累效、有效冲程、油压、载荷、含水率、平均功率因数、平均有功功率及平均无功功 率。
[001引优选的，所述神经网络模型为GR順神经网络模型。
[0019] 优选的，基于最近邻分类器，在所述多种典型工况类型中，确定抽油机所处的实时 工况的类型。
[0020] 优选的，基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程 进行优化，具体为：
[0021] 将所述实时工况的类型所对应的神经网络模型的输出值作为适应度函数，利用 NSGA2对抽油机的采油过程进行优化。
[0022] 本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
[0023] 通过划分出多种典型工况类型，在多种典型工况类型中确定出实时工况的类型， 根据实时工况类型所对应的神经网络模型对抽油机的采油过程进行优化，本申请克服了 采用统一模型受工况波动大而导致的无法准确反映决策参数、环境参数与系统性能之间关 系，且优化效果差的缺陷，本申请针对不同的实时工况类型，采用不同的神经网络模型进行 优化，不仅能够准确地反映出决策参数、环境参数和系统性能之间的关系，而且优化效果也 得到了大幅度提高；
[0024] 又，将冲次作为决策参数，将累效、有效冲程、油压、载荷、含水率、平均功率因数、 平均有功功率及平均无功功率作为环境参数，将日产液量和日耗电量作为系统性能指标， 能够进一步提高抽油机在增产和节能方面的优化效果；
[0025] 又，利用G脚W神经网络模型进行优化，训练时间短、结构简单、精确度高且具有全 局收敛性；
[0026] 又，利用NSGA2进行优化，不仅能够使运行效率提高，而且解集具有良好的分布 性，特别是对于低维优化问题，其具有良好的表现。
【附图说明】
[0027] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据 提供的附图获得其他的附图。
[002引图1为本发明实施例中基于多工况模型的抽油机采油优化方法的流程图；
[0029] 图2为本发明实施例中基于第一种典型工况类型模型优化得到的帕雷托前沿图；
[0030] 图3为本发明实施例中基于第二种典型工况类型模型优化得到的帕雷托前沿图。
【具体实施方式】
[0031] 为解决现有技术中基于统一模型对采油过程优化的效果较差的技术问题，本发明 提供一种基于多工况模型的抽油机采油优化方法，通过划分出多种典型工况类型，在多种 典型工况类型中确定出实时工况的类型，根据实时工况类型所对应的神经网络模型对抽油 机的采油过程进行优化，提高了优化效果。
[0032] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033] 本申请提供一种基于多工况模型的抽油机采油优化方法，如图1所示，所述方法 包括：
[0034] 步骤101 ;根据所述抽油机的历史示功图数据获得多种典型工况类型。
[0035] 具体的，对所述抽油机的历史示功图数据进行约简，划分出多种典型工况类型。其 中，利用n个点的序列表征一个示功图数据P，即，P= [a。32,…，a。]，对于抽油机的历史示 功图数据可W由多个示功图数据P进行表征，例如，采集L个示功图数据作为历史示功图数 据P，即，P= [p^P2,…，化]T。在一种优选的实施方式中，步骤101具体包括；
[0036] 利用主元分析法，分别获得所述历史示功图数据中的每个示功图数据的主元；
[0037] 对所述主元进行Kmeans聚类，划分出多种典型工况类型。
[003引首先，利用PCA(PrincipalComponentAnalysisi，主元分析法）计算历史示功图 数据P中每个示功图数据P的主元，接着，将获得的所有主元按照贡献率由大到小排列，并 计算主元的累积贡献率，当累积贡献率达到或超过预设的累积贡献率阔值时，确定对应所 累积的主元数为m。m个主元记为Bj，j= 1,2,…，m，m个主元对应于m个示功图数据。其 中，累积贡献率阔值可W选定为0. 95,当m个主元Bj.的累积贡献率达到或超过预设的累积 贡献率阔值，则可W认为该m个主元Bj.反映了整个样本的特征。然后，W所有历史示功图 数据的主元作为输入，进行Kmeans聚类，获得q个类别{wi，W,，…，W。}，q个类别则对应q种 典型工况类型。
[0039] 在完成步骤101之后，执行步骤102 ;根据所述多种典型工况类型，对所述历史示 功图数据进行归类，将所述历史示功图数据中包含的每个示功图数据与各典型工况类型对 应。
[0040] 在划分出q种典型工况类型之后，将历史示功图数据中的每个示功图数据与各典 型工况类型进行对应，可W得到：
[0041]
【主权项】
1. 一种基于多工况模型的抽油机采油优化方法，其特征在于，包括： 根据所述抽油机的历史示功图数据获得多种典型工况类型； 根据所述多种典型工况类型，对所述历史示功图数据进行归类，将所述历史示功图数 据中包含的每个示功图数据与各典型工况类型对应； 基于每种典型工况类型所对应的所述示功图数据，分别生成各典型工况类型的神经网 络丰吴型； 在所述多种典型工况类型中，确定抽油机所处的实时工况的类型； 基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优化。
2. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，根据所 述抽油机的历史示功图数据获得多种典型工况类型，具体包括： 利用主元分析法，分别获得所述历史示功图数据中的每个示功图数据的主元； 对所述主元进行Kmeans聚类，划分出多种典型工况类型。
3. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，生成各 典型工况类型的神经网络模型，具体为： 将所述抽油机的系统性能指标作为输出参数，且，将所述抽油机的影响所述系统性能 指标的决策参数和环境参数作为输入参数，建立各典型工况类型的神经网络模型。
4. 如权利要求3所述的基于多工况模型的抽油机采油优化方法，其特征在于，所述系 统性能指标为日产液量和日耗电量，所述决策参数为冲次，所述环境参数为泵效、有效冲 程、油压、载荷、含水率、平均功率因数、平均有功功率及平均无功功率。
5. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，所述神 经网络模型为GRNN神经网络模型。
6. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，基于最 近邻分类器，在所述多种典型工况类型中，确定抽油机所处的实时工况的类型。
7. 如权利要求1所述的基于多工况模型的抽油机采油优化方法，其特征在于，基于所 述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优化，具体为： 将所述实时工况的类型所对应的神经网络模型的输出值作为适应度函数，利用NSGA2 对抽油机的采油过程进行优化。
【专利摘要】本发明涉及石油开采技术领域，为解决现有技术中基于统一模型对采油过程优化的效果较差的技术问题，本发明提供一种基于多工况模型的抽油机采油优化方法，包括：根据所述抽油机的历史示功图数据获得多种典型工况类型；根据所述多种典型工况类型，对所述历史示功图数据进行归类，将所述历史示功图数据中包含的每个示功图数据与各典型工况类型对应；基于每种典型工况类型所对应的所述示功图数据，分别生成各典型工况类型的神经网络模型；在所述多种典型工况类型中，确定抽油机所处的实时工况的类型；基于所述实时工况的类型所对应的神经网络模型，对抽油机的采油过程进行优化。
【IPC分类】G05B13-04
【公开号】CN104865827
【申请号】CN201510127783
【发明人】杜会尧, 李彦普, 梅杰, 贾博, 刘津华, 宋丽, 辜小花, 裴仰军, 王坎, 周伟, 李太福
【申请人】中国石油天然气股份有限公司
【公开日】2015年8月26日
【申请日】2015年3月23日
最新回复(0)