[发明专利]面向抽油机工作过程的智能优化方法

说明书

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{α₁,α₂,α₃,…α_M}，其中α₁，α₂为决策变量，α₃～α₁₄₆载荷数据环境变量，α₁₄₇～α_M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,…y_l}；

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M为效率影响因素个数，N为样本个数，α_ik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)由影响因素效率观测变量集合{α₁,α₂,α₃,…α_M}中非载荷变量与载荷新主元观测变量集合{α_z1,α_z2,...,α_zd}构建网络输入变量集合：{α₁,α₂,α₁₄₇,…,α_M,α_z1,…,α_zd}，并令输入变量集合为：{x₁,x₂,x₃,...,x_M}，即，{α₁,α₂,α₁₄₇,…,α_M,α_z1,…,α_zd}＝{x₁,x₂,x₃,...,x_M}；

5)构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：

其中，x₁～x₂为决策变量，x₃～x_M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,...,x_M所对应的输出预测值的前馈神经网络：