CN104865827A - 一种基于多工况模型的抽油机采油优化方法 - Google Patents

Abstract

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。

Description

一种基于多工况模型的抽油机采油优化方法

技术领域

本发明涉及石油开采技术领域，尤其涉及一种基于多工况模型的抽油机采油优化方法。

背景技术

工艺建模与优化综合了应用过程建模技术、优化技术、先进控制技术以及计算机技术。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，这一直是工艺建模与优化领域研究的热点。

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。

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以准确地决策参数、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

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。

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：

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。

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：

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。

优选的，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。

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。

优选的，所述神经网络模型为GRNN神经网络模型。

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。

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：

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。

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：

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；

又，将冲次作为决策参数，将泵效、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；

又，利用GRNN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；

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

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，还可以根据提供的附图获得其他的附图。

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；

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；

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

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。

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。

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：

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。

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＝[a₁,a₂,…,a_n]，对于抽油机的历史示功图数据可以由多个示功图数据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＝[p₁,p₂,…,p_L]^T。在一种优选的实施方式中，步骤101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。

首先，利用PCA(Principal Component Analysisi，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阈值时，确定对应所累积的主元数为m。m个主元记为B_j，j＝1,2,…,m，m个主元对应于m个示功图数据。其中，累积贡献率阈值可以选定为0.95，当m个主元B_j的累积贡献率达到或超过预设的累积贡献率阈值，则可以认为这m个主元B_j反映了整个样本的特征。然后，以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{w₁,w₂,…,w_q}，q个类别则对应q种典型工况类型。

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。

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，可以得到：

$P=[p_1^1,p_1^2,...,p_1^{l_1},p_2,p_2^2...,p_2^{l_2},...,p_q^1,p_q^2,...,p_q^{l_q}]$

其中，为第s类典型工况的第t个示功图数据，

进一步，L个示功图数据对应的输入样本X和输出样本Y可以分别表示为：X＝[x₁,x₂,…,x_L]^T和Y＝[y₁,y₂,…,y_L]^T。而，根据划分出的q种典型工况类型，将输入样本X和输出样本Y与各典型工况类型进行对应，可以分别得到：

$X={[x_1^1,x_1^2,...,x_1^{l_1},x_2^1,x_2^2,...,x_2^{l_2},x_q^1,x_q^2,...,x_q^{l_q}]}^T;$

$Y={[y_1^1,y_1^2,...,y_1^{l_1},y_2^1,y_2^2,...,y_2^{l_2},y_q^1,y_q^2,...,y_q^{l_q}]}^T$

其中，第i种典型工况类型对应的输入样本为：第i中典型工况类型对应的输出样本为：

在完成步骤102之后，执行步骤103：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。

具体的，分析抽油机采油工艺，将抽油机的系统性能指标作为输出参数，且，将抽油机的影响系统性能指标的决策参数和环境参数作为输入参数，分别构建生成每种典型工况类型的神经网络模型。其中，系统性能指标为日产液量和日耗电量，由于综合分析采油工艺发现，冲次的大小与系统的生产状况是否合理有重要的关系，冲次是影响抽油机采油能耗和产量的关键因素，因此，将冲次作为决策参数。另外，从增产的角度考虑，抽油机的系统生产参数，即，泵效、有效冲程和油压，抽油机的环境变量，即，载荷主分量和含水率，均为影响生产的重要因素，从节能的角度考虑，电机的平均功率因素、平均有功功率及平均无功功率是重要的过程变量，因此，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。

另外，现有技术通常使用的建模方法是BP(Back Propagation)神经网络，但是，由于表征抽油机工艺的特征众多且彼此相关性强，参与建模的数据量大，计算较为复杂，因此，采用BP神经网络难以建立精确的工艺模型。优选的，本申请分别建立各典型工况类型的GRNN(General Regression Neural Network，广义回归线性网络)神经网络模型，GRNN神经网络具有结构简单、训练时间短、全局收敛性及精确度高等优点。最终得到q个GRNN神经网络模型，即，M_i，i＝1,2,…,q。

在完成步骤103之后，执行步骤104：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。

对于抽油机所处的实时工况x_test＝[x₁,x₂,…,x_t]，首先根据其示功图数据p_test＝[p₁,p₂,…,p_n]，基于最近邻分类器，在q种典型工况类型中，确定该实时工况属于的类型，例如，确定该实时工况属于q种典型工况类型中的第r种，即w_r。

在完成步骤104之后，执行步骤105：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。

基于w_r对应的神经网络模型M_r，以M_r的输出值作为适应度函数F(i)，运用NSGA2(NSGA-II多目标进化算法)，在给定范围内优化决策变量，其中，环境变量取值为相应历史环境变量的均值，优化得到的结果即为最佳工艺参数。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性，特别是对于低维优化问题，其具有良好的表现。

本申请能够不实施抽油机采油工艺硬件改造的前提下，通过数字化油田积累的大量生产数据进行数据挖掘，实现高效、低耗的节能改造，针对不同工况建立工艺模型，克服了采用统一模型受工况波动大导致无法准确表达决策参数、环境参数与系统性能之间的关系的缺陷，同时利用具有精英选择策略的非支配排序遗传算法进行决策参数优化，大大提高了抽油机采油工艺的在线优化的性能。

下面将以某油田9个月中的样本数据为例，对本申请的抽油机采油优化方法进一步说明。

该样本数据的部分样本信息如下表1所示：

表1

采用主元分析法分别获得表1中253个训练样本的主元，如下表2所示：

表2

同时，能够得到主元对应的特征值如下表3所示：

表3

在对主元的贡献率进行累计得到下表4：

表4

如上表4所示，通过主元分析法提取出的前两个主元的累计贡献率达到97.49％，超过95％，可见B₁和B₂可以代表原始特征，接着，以所有历史示功图数据的主元作为输入进行Kmeans聚类，获得两种典型工况类型，因此，可将样本数据对应分成两部分。

另外，用于建模的输入和输出参数如下表5所示：

表5

其中，由于确定出B₁和B₂可以代表原始特征，因此，能够进一步确定出两个载荷主分量代表载荷。

针对两部分样本数据中的每部分样本数据，分别在每部分样本数据中随机选择80％的数据用于训练产生GRNN模型，剩下20％的数据用于验证模型的精度和泛华能力，从而，得到训练样本集1、验证样本集1、训练样本集2和验证样本集2。

进一步，为发现两种模型的统计差异，分别给出两种模型验证过程的统计指标，具体包括均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)和平均相对误差(MAPE)，统计结果如下表6所示：

表6

通过表6可以看出，对于产液量和耗电量两个输出，对应的4个统计误差指标控制在较低范围内，说明两个GRNN模型具有有效性，高精度模型是优化的前提。由于抽油机的系统效率正比于日产液量与电机输入功率的比值，且，抽油机的电机输入功率与日耗电量成正比，因此，本申请利用日产液量和日耗电量的比值，即产耗比，作为判断系统效率提升的标准。

对于抽油机所处的实时工况，本申请在确定出实时工况属于典型工况类型中的哪一种后，根据该典型工况类型所对应的模型对实时工况进行优化。优化算法采用NSGA2。具体的，优化过程中，设定初始种群规模POP为50，最大遗传迭代次数GEN为100，选取冲次为决策变量计算目标函数的最值，选取冲次的优化范围为1.5次/min～4.0次/min。在此范围内选取最佳的冲次提高系统的日产液量，降低系统的能耗。

需要说明的是，NSGA2得到的不是一个确定的解，而是一组最优解集，即Pareto(帕雷托)前沿，如图2和图3所示，其中，图2为在该油田的具体实施例中基于第一种典型工况类型模型的NSGA2优化得到的Pareto前沿，图3为在该油田的具体实施例中基于第二种典型工况类型模型的NSGA2优化得到的Pareto前沿。在将优化后得到的参数对应的目标函数值与实际生产的两个输出目标进行比较后得到如下表7的统计分析结果，可见优化后的效果有明显提升。

表7

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：

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；

又，将冲次作为决策参数，将泵效、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；

又，利用GRNN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；

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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

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。

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。