CN110439537A - 抽油机电功图反演地面功图的方法 - Google Patents

抽油机电功图反演地面功图的方法 Download PDF

Info

Publication number
CN110439537A
CN110439537A CN201910745802.8A CN201910745802A CN110439537A CN 110439537 A CN110439537 A CN 110439537A CN 201910745802 A CN201910745802 A CN 201910745802A CN 110439537 A CN110439537 A CN 110439537A
Authority
CN
China
Prior art keywords
output
pumping unit
neuron
parameter
inverting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910745802.8A
Other languages
English (en)
Other versions
CN110439537B (zh
Inventor
徐杨
李卓宣
赵勇
李明迪
宁秀文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING ZHUCHUANG TECHNOLOGY Co Ltd
Original Assignee
BEIJING ZHUCHUANG TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BEIJING ZHUCHUANG TECHNOLOGY Co Ltd filed Critical BEIJING ZHUCHUANG TECHNOLOGY Co Ltd
Priority to CN201910745802.8A priority Critical patent/CN110439537B/zh
Publication of CN110439537A publication Critical patent/CN110439537A/zh
Application granted granted Critical
Publication of CN110439537B publication Critical patent/CN110439537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种抽油机电功图反演地面功图的方法,包括:构建BP神经网络模型,并输入训练样本,训练样本中输入参数包括电功图周期曲线数据、各种类型电机的参数、各种类型抽油机的参数,训练样本中输出参数为地面功图载荷,按抽油机和电机的敏感参数对抽油机和电机进行分类,并根据分类的结果将输入参数按照不同的组合模式形成训练样本;对BP神经网络模型中的训练样本进行训练,使抽油机电功图能够反演地面功图;使用训练后的BP神经网络模型对采集的电功图周期曲线数据进行反演,得到地面功图。本方法在原有电参数据的基础上,增加了不同类型的电机参数和抽油机参数,实现了多参数学习功能,使反演的地面功图的准确性更高。

Description

抽油机电功图反演地面功图的方法
技术领域
本发明涉及抽油机井工况诊断方法。更具体地说,本发明涉及一种抽油机电功图反演地面功图的方法。
背景技术
近些年国际油价大幅下跌,同时油田新发现的区块多为低渗透率、稠油或高凝油,开采难度大,开发成本高。在油田整体利润下降的背景下,油田企业普遍实行“退五进一”人事管理制度,在采油生产中迫切需要低成本物联网技术取代传统劳动密集型工作,减轻劳动强度。单井物联网设备主要包括地面功图仪、电参模块等。应急型分析工作主要依靠电参模块采集的参数并进行分析完成,技术型分析工作主要由地面功图仪测试功图并进行分析完成。
地面功图仪安装在井口光杆位置,伴随光杆上下往复运动,设备直接暴露在野外,风吹、日晒、雨淋、严寒,工作环境较为恶劣。当单井出现故障,修井作业时需卸下设备,作业完成再次进行安装,人为或机器损坏几率较大。鉴于上述原因,地面功图仪设备运维成本较高,制约油井物联网的推广应用。
电参模块安装在电箱内,主要采集三相电压、三相电流、有功功率、无功功率、视在功率、功率因数、有功功耗、无功功耗、累计有功功耗等参数,可以进行电参诊断、电量分析等工作。电参设备工作环境较好,设备使用寿命较长,能满足油井物联网运行和维护需求。
由电参模块采集的电参数据形成的电功图(电的有功功率图)是油井运行动力的来源,地面功图代表的是电的有功功率经过电机、皮带、减速箱、四连杆机构损耗后的光杆功率,二者之间有着内在的联系。传统的电功图反演地面功图,通常采用大数据的方法,直接应用不同工况下的电参数据,建立电参数据和地面功图样本直接的相关性,通过电参数据的波动反映地面功图的波动。在油井基本参数一致的情况下,一定程度也可以动态反映地面功图变化。但该种方法忽略了反演过程中的一些实际物理模型,精度及适用范围受到极大的限制。如果使用统一的训练模型及训练结果进行电功图反演地面功图,虽然增强了模型适用范围,但也降低了模型的针对性,从而降低了反演结果的精确性。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
本发明还有一个目的是提供了一种抽油机电功图反演地面功图的方法,本方法在原有电参数据的基础上,增加了不同类型的电机参数和抽油机参数,实现了多参数学习功能,使反演的地面功图的准确性更高。
为了实现本发明的这些目的和其它优点,提供了一种抽油机电功图反演地面功图的方法,包括:
构建BP神经网络模型,并输入训练样本,训练样本中输入参数包括电功图周期曲线数据、各种类型电机的参数、各种类型抽油机的参数,训练样本中输出参数为地面功图载荷,按抽油机和电机的敏感参数对抽油机和电机进行分类,并根据分类的结果将输入参数按照不同的组合模式形成训练样本;
对BP神经网络模型中的训练样本进行训练,使抽油机电功图能够反演地面功图;以及
使用训练后的BP神经网络模型对采集的电功图周期曲线数据进行反演,得到地面功图,并上传至服务器。
优选的是,其中,所述的抽油机电功图反演地面功图的方法,所述BP神经网络模型的具体构建过程为:
BP神经网络模型包括一个输入层,一个隐含层和一个输出层;
输入层输入参数中的电机参数具体包括:输入功率pi、输出功率po、输出扭矩qo、皮带轮直径de,抽油机参数具体包括减速箱传动比rto、平衡块位置lb、平衡块重量qb、冲程s、旋转方向dir、曲柄偏置角a、曲柄重心半径r、单块曲柄重量qc、结构不平衡重qu、减速箱皮带轮直径db、曲柄转角ca、光杆位置因数pr、扭矩因数tf;输入层输入向量X为:
X=[p pi po qo de rto lb qb s dir a r qc qu db ca pr tf]T,其中,p为电功图周期曲线数据;
隐含层节点数为15,隐含层输出向量Y为:Y=[y1y2…y15]T,其中,y1为隐含层第一个神经元输出,y2为隐含层第二个神经元输出,y15为隐含层第15个神经元输出;
输出层输出电功图周期曲线各个采集点对应的地面功图载荷Q,输出层输出向量Z为:
Z=[q1q2…qn]T
其中,n为输出层神经元个数,qn为输出层第n个神经元阈值。
优选的是,其中,所述的抽油机电功图反演地面功图的方法,对BP神经网络的训练样本进行训练的具体过程为:
1)计算隐含层节点输出:
yj=f(∑wijxi-bj)=f(nj)
其中,yj为隐含层第j个神经元输出,nj为隐含层第j个神经元输入,wij为输入层第i个神经元和隐含层第j个神经元之间的连接权值,bj为隐含层第j个神经元的阈值;xi为输入层第i个神经元的输入值;
2)计算输出层节点输出:
zl=f(∑vjlyj-bl)=f(nl)
其中,zl为输出层第l个神经元输出;nl-输出层第l个神经元输入,vjl为隐含层第j个神经元和输出层第l个神经元之间的连接权值;bl-输出层第l个神经元的阈值;yj-隐含层第j个神经元的输入值;
3)计算输出节点误差E:
其中,tl为第l个神经元输出的期望值;
4)计算BP神经网络的权值调整量:
Δvjl=η(tl-zl)zl(1-zl)yj
其中,η是比例系数,δl为输出层第l个神经元输出的误差信号;
5)计算输出节点阈值修正值Δbl
bl(k+1)=bl(k)+ηδl
其中,k是第k个神经元,k+1是第k+1个神经元;
6)计算隐含层节点阈值修正值Δbj
bj(k+1)=bj(k)+ηδj
其中,δj为隐含层第j个神经元输出的误差信号。
优选的是,其中,所述的抽油机电功图反演地面功图的方法,所述按抽油机和电机的敏感参数对抽油机和电机进行分类,具体为:抽油机类型包括:前置型和后置型,所述后置型包括常规型和异相型;按输入功率最大值对电机进行分类,包括:大于40kw,20~40kw,10~20kw和小于等于10kw;按输出平均转速值对电机进行分类,包括:大于1000rpm,800~1000rpm,600~800rpm和小于等于600rpm。
优选的是,其中,所述的抽油机电功图反演地面功图的方法,对电功图周期曲线数据采集的具体过程为:利用霍尔开关对运动周期内电参模块的有功功率进行同步采集,采集间隔为60ms。
优选的是,其中,所述的抽油机电功图反演地面功图的方法,若训练样本输入参数增加时,需对增加的训练样本进行训练,以提高BP神经网络模型的反演能力。
优选的是,其中,所述的抽油机电功图反演地面功图的方法,采集的电功图周期曲线数据和反演得到的地面功图通过NB-Iot模块上传至服务器。
优选的是,其中,所述的抽油机电功图反演地面功图的方法,BP神经网络模型的权重中包括不同类型的电机和不同类型的抽油机的权重,并进行分类存储。
本发明至少包括以下有益效果:本方法应用BP神经网络建立了电功图和地面功图之间的内在关联关系。由于训练样本的输入参数既包括了电功图周期曲线数据也包括了各种类型电机的参数和各种类型抽油机的参数,实现了多参数学习功能,能够提高反演的地面功图的精度,克服了现有技术中由于忽略电机、抽油机等实际中间过程的物理模型,导致精度和适用范围受到极大限制的问题。本方法按抽油机和电机的敏感参数对抽油机和电机进行分类,并根据分类的结果将输入参数按照不同的组合模式形成训练样本,BP神经网络权重中包含了不同电机模型和抽油机模型的权重,并进行分类存储,当需要反演时根据抽油机类型和电机参数进行系统匹配,调用匹配相关性较高的模型,进行电功图反演地面功图,使输出的地面功图的准确性更高。此外,本方法利用霍尔开关对运动周期内电参模块的有功功率进行同步采集,能够精确得获取电功图数据,为反演地面功图提供了数据支撑。因此,本方法应用电参反演地面功图,不需要按照地面功图仪,特别适用于对低成本要求较为迫切的煤层气、页岩气、特低产油田区块,降低了一次购买和后期运维成本。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的一个实施例中抽油机电功图反演地面功图的方法的流程示意图;
图2为本发明的一个实施例中抽油机电功图反演地面功图的方法中BP神经网络模型图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
图1示出了根据本发明的一种实现形式,示出了提供了一种抽油机电功图反演地面功图的方法,包括下列步骤:
步骤1、构建BP神经网络模型,并输入训练样本,训练样本中输入参数包括电功图周期曲线数据、各种类型电机的参数、各种类型抽油机的参数,训练样本中输出参数为地面功图载荷,按抽油机和电机的敏感参数对抽油机和电机进行分类,并根据分类的结果将输入参数按照不同的组合模式形成训练样本;
其中,所述按抽油机和电机的敏感参数对抽油机和电机进行分类,具体为:抽油机类型包括:前置型和后置型,所述后置型包括常规型和异相型;按输入功率最大值对电机进行分类,包括:大于40kw,20~40kw,10~20kw和小于等于10kw;按输出平均转速值对电机进行分类,包括:大于1000rpm,800~1000rpm,600~800rpm和小于等于600rpm。
步骤2、对BP神经网络模型中的训练样本进行训练,使抽油机电功图能够反演地面功图;以及
步骤3、使用训练后的BP神经网络模型对采集的电功图周期曲线数据进行反演,得到地面功图,并上传至服务器。
由于训练样本的输入参数既包括了电功图周期曲线数据也包括了各种类型电机的参数和各种类型抽油机的参数,能够提高反演的地面功图的精度,克服了现有技术中由于忽略电机、抽油机等实际中间过程的物理模型,导致精度和适用范围受到极大限制的问题。本方法按抽油机和电机的敏感参数对抽油机和电机进行分类,并根据分类的结果将输入参数按照不同的组合模式形成训练样本,BP神经网络权重中包含了不同电机模型和抽油机模型的权重,并进行分类存储,当需要反演时根据抽油机类型和电机参数进行系统匹配,调用匹配相关性较高的模型,进行电功图反演地面功图,使输出的地面功图的准确性更高。
需要说明的是,在反演过程中,当发现反演结果和实际结果差异较大时,需要确认输入参数的可靠性或训练样本的可靠性。现场实际应用中发现个别厂家的电机输入功率具有一定的偏移量,如果采用该数据作为样本或应用该数据进行反演将影响模型的可靠性。实际应用中对于该类数据采用标准电参设备进行数据采集,然后应用标准电参设备采集的数据建立样本库或进行反演工作,可以解决由于数据质量不可靠导致的应用模型及反演结果的不可靠性问题。
在其中一具体实施方式中,所述的抽油机电功图反演地面功图的方法,对电功图周期曲线数据采集的具体过程为:利用霍尔开关对运动周期内电参模块的有功功率进行同步采集,采集间隔为60ms,采集点数视抽油机的运动速度而定。本方法利用霍尔开关对运动周期内电参模块的有功功率进行同步采集,能够精确得获取电功图数据,为反演地面功图提供了数据支撑。
在具体实施过程中,抽油机工况诊断装置,外接宽范围的直流电压9-36伏输入,外接声光报警器,外接角位移传感器,外接NB频段天线,外接启停井组合继电器组输出,外接抽油机电机三相四线电压、电流输入引线,构成整体测量、计算、分析、执行、通信系统。工作方式:按照组态配置的采集时间,定时采集抽油机电机全电量参数,累计抽油机电机所消耗的电能,判断是否有相序错误、缺相;判断三相电流和电压是否在正常工作范围内,以确定抽油机电机是否正常工作,计算抽油机电机每日的正常工作时间和停机时间。按照组态配置的上传数据时间,定时发送抽油机电机的全电量参数到云平台,实现与管理者数据共享。如果发生采集参数异常,根据组态配置决定是否本地启动声光报警器报警,同时把这个报警上传到云平台,并且启动组态配置的有警上传数据间隔进行数据上报,等待系统恢复正常以后再按照正常的上传数据时间间隔上传。按照组态配置的每日上报时间,在规定的时间,上传每日的耗电量以及抽油机的工作时间和停机时间(运行时率)。远程启停井控制,可以根据云平台的指令,通过启停井组合继电器组进行启停井控制。预设数据模型,抽油机工况诊断装置在出厂时,内部预置了学习库,供电功图反演地面功图使用。
在其中一具体实施方式中,所述的抽油机电功图反演地面功图的方法,如图2所示,所述BP神经网络模型的具体构建过程为:BP神经网络模型包括一个输入层,一个隐含层和一个输出层;输入层输入参数中的电机参数具体包括:输入功率pi、输出功率po、输出扭矩qo、皮带轮直径de,抽油机参数具体包括减速箱传动比rto、平衡块位置lb、平衡块重量qb、冲程s、旋转方向dir、曲柄偏置角a、曲柄重心半径r、单块曲柄重量qc、结构不平衡重qu、减速箱皮带轮直径db、曲柄转角ca、光杆位置因数pr、扭矩因数tf;输入层输入向量X为:
X=[p pi po qo de rto lb qb s dir ar qc qu db ca pr tf]T,其中,p为电功图周期曲线数据;隐含层节点数为15,隐含层输出向量Y为:Y=[y1y2…y15]T,其中,y1为隐含层第一个神经元输出,y2为隐含层第二个神经元输出,y15为隐含层第15个神经元输出;输出层输出电功图周期曲线各个采集点对应的地面功图载荷Q,输出层输出向量Z为:
Z=[q1q2…qn]T
其中,n为输出层神经元个数,qn为输出层第n个神经元阈值。
在其中一具体实施方式中,所述的抽油机电功图反演地面功图的方法,对BP神经网络的训练样本进行训练的具体过程为:
1)计算隐含层节点输出:
yj=f(∑wijxi-bj)=f(nj)
其中,yj为隐含层第j个神经元输出,nj为隐含层第j个神经元输入,wij为输入层第i个神经元和隐含层第j个神经元之间的连接权值,bj为隐含层第j个神经元的阈值;xi为输入层第i个神经元的输入值;
2)计算输出层节点输出:
zl=f(∑vjlyj-bl)=f(nl)
其中,zl为输出层第l个神经元输出;nl-输出层第l个神经元输入,vjl为隐含层第j个神经元和输出层第l个神经元之间的连接权值;bl-输出层第l个神经元的阈值;yj-隐含层第j个神经元的输入值;
3)计算输出节点误差E:
其中,tl为第l个神经元输出的期望值;
4)计算BP神经网络的权值调整量:
Δvjl=η(tl-zl)zl(1-zl)yj
其中,η是比例系数,δl为输出层第l个神经元输出的误差信号;
5)计算输出节点阈值修正值Δbl
bl(k+1)=bl(k)+ηδl
其中,k是第k个神经元,k+1是第k+1个神经元;
6)计算隐含层节点阈值修正值Δbj
bj(k+1)=bj(k)+ηδj
其中,δj为隐含层第j个神经元输出的误差信号。
在其中一具体实施方式中,所述的抽油机电功图反演地面功图的方法,当训练样本输入参数增加时,需对增加的训练样本进行训练,以提高BP神经网络模型的反演能力。
在其中一具体实施方式中,所述的抽油机电功图反演地面功图的方法,采集的电功图周期曲线数据和反演得到的地面功图通过NB-Iot模块上传至服务器。
如上所述,本方法在原有电参数据的基础上,增加了不同类型的电机参数和抽油机参数,实现了多参数学习功能,使反演的地面功图的准确性更高。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种抽油机电功图反演地面功图的方法,其特征在于,包括:
构建BP神经网络模型,并输入训练样本,训练样本中输入参数包括电功图周期曲线数据、各种类型电机的参数、各种类型抽油机的参数,训练样本中输出参数为地面功图载荷,按抽油机和电机的敏感参数对抽油机和电机进行分类,并根据分类的结果将输入参数按照不同的组合模式形成训练样本;
对BP神经网络模型中的训练样本进行训练,使抽油机电功图能够反演地面功图;以及
使用训练后的BP神经网络模型对采集的电功图周期曲线数据进行反演,得到地面功图,并上传至服务器。
2.如权利要求1所述的抽油机电功图反演地面功图的方法,其特征在于,对电功图周期曲线数据采集的具体过程为:利用霍尔开关对运动周期内电参模块的有功功率进行同步采集,采集间隔为60ms。
3.如权利要求2所述的抽油机电功图反演地面功图的方法,其特征在于,所述BP神经网络模型的具体构建过程为:
BP神经网络模型包括一个输入层,一个隐含层和一个输出层;
输入层输入参数中的电机参数具体包括:输入功率pj、输出功率po、输出扭矩qo、皮带轮直径de,抽油机参数具体包括减速箱传动比rto、平衡块位置lb、平衡块重量qb、冲程s、旋转方向dir、曲柄偏置角a、曲柄重心半径r、单块曲柄重量qc、结构不平衡重qu、减速箱皮带轮直径db、曲柄转角ca、光杆位置因数pr、扭矩因数tf;输入层输入向量X为:
X=[p pipoqode rto lbqb s dir a r qcqudb ca pr tf]T,其中,p为电功图周期曲线数据;
隐含层节点数为15,隐含层输出向量Y为:
Y=[y1y2…y15]T,其中,y1为隐含层第一个神经元输出,y2为隐含层第二个神经元输出,y15为隐含层第15个神经元输出;
输出层输出电功图周期曲线各个采集点对应的地面功图载荷Q,输出层输出向量Z为:
Z=[q1q2…qn]T
其中,n为输出层神经元个数,qn为输出层第n个神经元阈值。
4.如权利要求3所述的抽油机电功图反演地面功图的方法,其特征在于,对BP神经网络的训练样本进行训练的具体过程为:
1)计算隐含层节点输出:
yj=f(∑wijxi-bj)=f(nj)
其中,yj为隐含层第j个神经元输出,nj为隐含层第j个神经元输入,wij为输入层第i个神经元和隐含层第j个神经元之间的连接权值,bj为隐含层第j个神经元的阈值;xi为输入层第i个神经元的输入值;
2)计算输出层节点输出:
zl=f(∑vjlyj-bl)=f(nl)
其中,zl为输出层第l个神经元输出;nl-输出层第l个神经元输入,vjl为隐含层第j个神经元和输出层第l个神经元之间的连接权值;bl-输出层第l个神经元的阈值;yj-隐含层第j个神经元的输入值;
3)计算输出节点误差E:
其中,tl为第l个神经元输出的期望值;
4)计算BP神经网络的权值调整量:
Δvjl=η(tl-zl)zl(1-zl)yj
其中,η是比例系数,δl为输出层第l个神经元输出的误差信号;
5)计算输出节点阈值修正值Δbl
bl(k+1)=bl(k)+ηδl
其中,k是第k个神经元,k+1是第k+1个神经元;
6)计算隐含层节点阈值修正值Δbj
bj(k+1)=bj(k)+ηδj
其中,δj为隐含层第j个神经元输出的误差信号。
5.如权利要求4所述的抽油机电功图反演地面功图的方法,其特征在于,所述按抽油机和电机的敏感参数对抽油机和电机进行分类,具体为:抽油机类型包括:前置型和后置型,所述后置型包括常规型和异相型;按输入功率最大值对电机进行分类,包括:大于40kw,20~40kw,10~20kw和小于等于10kw;按输出平均转速值对电机进行分类,包括:大于1000rpm,800~1000rpm,600~800rpm和小于等于600rpm。
6.如权利要求1所述的抽油机电功图反演地面功图的方法,其特征在于,若训练样本输入参数增加时,需对增加的训练样本进行训练,以提高BP神经网络模型的反演能力。
7.如权利要求2所述的抽油机电功图反演地面功图的方法,其特征在于,采集的电功图周期曲线数据和反演得到的地面功图通过NB-Iot模块上传至服务器。
8.如权利要求5所述的抽油机电功图反演地面功图的方法,其特征在于,BP神经网络模型的权重中包括不同类型的电机和不同类型的抽油机的权重,并进行分类存储。
CN201910745802.8A 2019-08-13 2019-08-13 抽油机电功图反演地面功图的方法 Active CN110439537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910745802.8A CN110439537B (zh) 2019-08-13 2019-08-13 抽油机电功图反演地面功图的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910745802.8A CN110439537B (zh) 2019-08-13 2019-08-13 抽油机电功图反演地面功图的方法

Publications (2)

Publication Number Publication Date
CN110439537A true CN110439537A (zh) 2019-11-12
CN110439537B CN110439537B (zh) 2020-04-28

Family

ID=68435150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910745802.8A Active CN110439537B (zh) 2019-08-13 2019-08-13 抽油机电功图反演地面功图的方法

Country Status (1)

Country Link
CN (1) CN110439537B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114517673A (zh) * 2022-02-28 2022-05-20 沈阳中科奥维科技股份有限公司 一种基于电参的示功图预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886339A (zh) * 2013-06-14 2014-06-25 洛阳乾禾仪器有限公司 基于bp神经网络的抽油设备示功图动态识别方法和装置
CN104110251A (zh) * 2014-06-24 2014-10-22 安徽多杰电气有限公司 一种基于art2的抽油机示功图识别方法
CN104234695A (zh) * 2014-08-27 2014-12-24 陕西延长石油(集团)有限责任公司研究院 一种基于神经网络的油井故障诊断方法
CN108804720A (zh) * 2017-04-26 2018-11-13 重庆科技学院 一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886339A (zh) * 2013-06-14 2014-06-25 洛阳乾禾仪器有限公司 基于bp神经网络的抽油设备示功图动态识别方法和装置
CN104110251A (zh) * 2014-06-24 2014-10-22 安徽多杰电气有限公司 一种基于art2的抽油机示功图识别方法
CN104234695A (zh) * 2014-08-27 2014-12-24 陕西延长石油(集团)有限责任公司研究院 一种基于神经网络的油井故障诊断方法
CN108804720A (zh) * 2017-04-26 2018-11-13 重庆科技学院 一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
李虎君等: "利用抽油机井实测功率曲线预测示功图", 《大庆石油地质与开发》 *
潘国营著: "《基于水质判别矿井突水来源的方法以及应用》", 31 August 2017, 中国海洋大学出版社 *
王志伟等: "应用人工神经网络识别示功图", 《石油钻探技术》 *
陈见成等: "基于BP神经网络的抽油机电功率曲线计算地面示功图", 《中国石油与化工》 *
高永亮等: "神经网络法识别抽油机井示功图的研究及应用", 《中国石油与化工》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114517673A (zh) * 2022-02-28 2022-05-20 沈阳中科奥维科技股份有限公司 一种基于电参的示功图预测方法

Also Published As

Publication number Publication date
CN110439537B (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN108898251B (zh) 考虑气象相似性和功率波动的海上风电场功率预测方法
CN111963116B (zh) 一种自适应和智能分析决策的智能气田系统和方法
CN105427138A (zh) 基于神经网络模型的产品市场占有率分析方法及系统
CN104636800A (zh) 基于最小二乘加权的冷冻站系统神经网络优化单元及其方法
CN107293118B (zh) 一种交通速度动态区间短时预测方法
CN110243595B (zh) 一种基于LabVIEW的远程齿轮箱故障监测系统
CN109583645A (zh) 一种公共楼宇短期负荷预测方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN118296569B (zh) 一种基于人工智能算法的城市街区能耗预测方法
CN110439537A (zh) 抽油机电功图反演地面功图的方法
CN117273402A (zh) 基于物联网技术的玻璃深加工生产线节能管理系统及方法
CN115603446A (zh) 基于卷积神经网络和云边协同作用的配电台区运行监测系统
CN117708574B (zh) 一种嵌入物理信息的cnn变转速滚动轴承故障诊断方法
CN109934396A (zh) 一种基于两阶段还原的地区网供负荷精细化预测方法
CN116256589B (zh) 电泵井的智能诊断方法、装置、存储介质及服务器
CN117423238A (zh) 基于卷积交换网络的交通流量一体式预测装置及预测方法
CN113111419A (zh) 办公建筑内空调负荷预测模型建立、预测方法及系统
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
CN116862043A (zh) 一种基于多层前馈网络的负荷预测方法及系统
CN115659778A (zh) 风力发电机轴承故障诊断模型在线构建方法及在线更新设备
CN106779241B (zh) 一种轨道交通短期客流预测方法
CN114004405B (zh) 基于Elman神经网络和卫星云图的光伏功率预测方法及系统
CN109190301A (zh) 一种变工况下回转支承高精度寿命预测方法
CN109447843A (zh) 一种光伏出力预测方法及装置
CN115630320A (zh) 一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant