CN114718514B - 基于功率加权预测的抽油机直流母线群控算法 - Google Patents
基于功率加权预测的抽油机直流母线群控算法 Download PDFInfo
- Publication number
- CN114718514B CN114718514B CN202110011742.4A CN202110011742A CN114718514B CN 114718514 B CN114718514 B CN 114718514B CN 202110011742 A CN202110011742 A CN 202110011742A CN 114718514 B CN114718514 B CN 114718514B
- Authority
- CN
- China
- Prior art keywords
- power
- value
- pumping unit
- time
- real
- 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.)
- Active
Links
- 238000005086 pumping Methods 0.000 title claims abstract description 81
- 238000001228 spectrum Methods 0.000 claims abstract description 46
- 230000001133 acceleration Effects 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 17
- 230000009467 reduction Effects 0.000 description 12
- 238000000034 method Methods 0.000 description 8
- 238000011217 control strategy Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011010 flushing procedure Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- -1 IGBT and the like Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/12—Methods or apparatus for controlling the flow of the obtained fluid to or in wells
- E21B43/121—Lifting well fluids
- E21B43/126—Adaptations of down-hole pump systems powered by drives outside the borehole, e.g. by a rotary or oscillating drive
- E21B43/127—Adaptations of walking-beam pump systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Geochemistry & Mineralogy (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于功率加权预测的抽油机直流母线群控算法，该基于功率加权预测的抽油机直流母线群控算法包括：步骤1，对抽油机点击控制逆变器的运行数据进行提取、分析和存储；步骤2，确定各抽油机实时功谱，并赋予功率权值，计算功率加权；步骤3，调取各抽油机冲次表；步骤4，建立井群预测功谱表；步骤5，根据预测功谱表，按比例调低变频器频率；步骤6，通过自学习后到达设定冲次，按照设定冲次持续运行。该基于功率加权预测的抽油机直流母线群控算法可有效协调各抽油机之间的运行状态，达到系统平稳安全运行目的。
Description
技术领域
本发明涉及直流母线抽油机群控控制策略技术领域，特别是涉及到一种基于功率加权预测的抽油机直流母线群控算法。
背景技术
目前全国抽油机保有量超过10万台，传统生产模式为“一变一机一井”，管理难度大，系统效率低下，多年来，围绕拖动系统及配电的持续攻关，在电机改进及控制柜等方面的研究取得了一定成效。但是油田生产是一个综合系统耗能过程，仅仅依靠常规技术和局部改造难以突破，进一步深入挖潜是有限度的。尤其是近年来，风能太阳能为代表新能源得到普及推广应用，与风能太阳能相结合直流母线应用得到进一步增强。直流母线系统将多井从供电意义上连成了一个群组，这个群组共用同一个直流供电系统，相互之间存在共性和相互影响。由于抽油机的交变负载特性，抽油机直流母线群组运行存在着叠加峰谷现象，使得母线系统的功率峰谷值被放大，形成系统过载欠压或回馈超压现象，严重时还会引起系统故障停机甚至是电容、IGBT等电力电子器件击穿爆炸，造成油井减产等恶性事故。
在申请号：CN201710857589.0的中国专利申请中，涉及到一种多抽油机的联合调控策略的确定方法及装置，属于油气田开采技术领域。该方法包括：获取公共直流母线的第一电压曲线，以及N台抽油机中每台抽油机的加速度曲线、电流曲线和第一电功率曲线；基于所述N台抽油机的加速度曲线和电流曲线，分别确定所述N台抽油机中每台抽油机的平衡度；从所述N台抽油机中选择平衡度大于预设平衡度的M台抽油机；基于所述第一电压曲线和所述M台抽油机的第一电功率曲线确定所述M台抽油机的联合调控策略。
在申请号：CN201510111157.6的中国专利申请中，涉及到一种基于功图主元分析的抽油机参数优化方法，包括：1)确定抽油机的效率影响因素和性能变量、2)获得其样本数据、3)对载荷数据进行降维、4)由非载荷变量与载荷新主元构建网络输入变量、5)构建输入变量的样本值、6)归一化处理、7)构建前馈神经网络、8)利用无迹卡尔曼滤波对网络进行训练、9)构造父代和子代种群；10)对父代个体作遗传变异计算，以产生子代个体；11)对父代和子代个体求适应度函数；12)将父代和子代个体划分到层级不同的非支配集中；13)从这些非支配集中选择个体构成新的父代种群，循环10)-13)多次，得到优化后的效率影响因素值。
在申请号：CN201510111654.6的中国专利申请中，涉及到一种基于无迹卡尔曼滤波的抽油机参数优化方法，包括：1)确定抽油机的生产效率影响因素和性能变量、2)获得其样本数据、3)对载荷数据进行降维、4)由非载荷变量与载荷新主元构建网络输入变量集、5)构建输入变量的样本值、6)归一化处理、7)构建前馈神经网络、8)用无迹卡尔曼滤波对网络作训练、9)构造产液量偏好函数、10)构建评价决策变量个体支配关系的适应度函数、11)计算环境变量平均值、12)利用决策变量构建初始种群并生成精英解种群、13)进行遗传迭代计算，得到第二代的精英种群和父代种群、14)迭代循环，最终得到优化后的生产效率影响因素值。
以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题。因此，油井直流母线群组运行亟需统一控制管理，协调各抽油机之间的运行状态，平抑母线总峰谷值，达到系统平稳安全运行目的，为此我们发明了一种新的合采油井分层可采储量计算新方法。
发明内容
本发明是针对采用直流母线的区块采油机群的算法，是一种有效平抑母线系统的功率峰谷值的基于功率加权预测的抽油机直流母线群控算法。
本发明的目的可通过如下技术措施来实现：基于功率加权预测的抽油机直流母线群控算法，该基于功率加权预测的抽油机直流母线群控算法包括：
步骤1，对抽油机点击控制逆变器的运行数据进行提取、分析和存储；
步骤2，确定各抽油机实时功谱，并赋予功率权值，计算功率加权；
步骤3，调取各抽油机冲次表；
步骤4，建立井群预测功谱表；
步骤5，根据预测功谱表，按比例调低变频器频率；
步骤6，通过自学习后到达设定冲次，按照设定冲次持续运行。
本发明的目的还可通过如下技术措施来实现：
在步骤1，在井群通过单井控制器RTU与逆变器连接，提取逆变器内的运行数据，包括实时功率、电压、电流、冲次，以及区号、井号这些信息。
在步骤2，确定各抽油机实时功谱，并赋予功率权值，计算功率加权，用于不同单井模型功率对母线贡献值大小评判；并间隔一定时间重新读取RTU数据，重新计算各抽油机实时功谱。
在步骤2，实时功率值加权计算公式为：
其中：数据集Dji∈D；
式中：
Value是单井功率采样瞬时值；
Si是经验阈值设定；将功率值区间细分为i个小区间，经验取值；
ni，井号序列；
N，组井数量；
σi，第i井功率贡献权值；
Di，第i台抽油机功率测量值；
Q，加权后单井实际上报实时功率值。
在步骤2，在重新计算各抽油机实时功谱时，采用系统校时每10分钟进行一次，单井运行基准时间误差＜300us，通信延迟小于5ms，单节点有功功率基准采样时间间隔100ms。
在步骤4，建立井群预测功谱表，采用基于扩展卡尔曼滤波的功率预测模型，并预测形成实时族群功谱表。
在步骤4，采用基于扩展卡尔曼滤波的功率预测模型，各时间序列功率预测模型表示如下：
信号的状态空间：x＝[v i]′，Q＝v(t)*i(t)；
x是电压v和和电流i的变量空间，Q是功率，v(t)，i(t)是电压基于时间的函数；
功率信号的泰勒级数展开：
X是上述变量空间，f(x)是函数，梯度算子，H海森矩阵，T转置，onn阶无穷小；
更新公式，
<θk>＝θ′k+K′k(zk-h(θ′k))
∑k＝(I-K′kHk)-∑′k
θk为第k步状态向量值，f()为非线性关系函数，Σk′为第k步预测值，Σk-1为当前值，Fk-1为状态转移阵，Q为噪声，Kk为增益权重，Sk为总方差即系统方差+传感器方差，zk-h()为新息，I为单位阵。
在步骤5，根据预测表，从族群功谱表中根据权值，按比例调低变频器频率，实现功率峰值前减速到达，即减速到达。
在步骤5，在减速到达后，更新相关数据，包括扭矩和转速，形成位置扭矩表；转动惯量，角加速度，预测，动作后预案。
在步骤5，在更新相关数据，越过功率峰值后，按照同样方式提升频率加速补偿，实现功率谷值前加速到达，即加速补偿；按比例调高变频器频率，确定变频器的加速时间。
在步骤5，在确定变频器的加速时间后，再次更新整相关数据，包括扭矩和转速，形成位置扭矩表；转动惯量，角加速度，预测，动作后预案。
本发明中的基于功率加权预测的抽油机直流母线群控算法，建立井群内各单井节点之间的信息交互，形成组表文件，采用功率加权计算确定井群功率权值，并使用基于扩展卡尔曼滤波的功率预测模型构建实时族群功谱表，根据族群功谱表中权值，调整变频器，功率峰值前减速到达，越过功率峰值后加速补偿，最终实现平抑母线系统的功率峰谷值，并进一步学习后到达设定冲次，形成稳定冲次，有效协调各抽油机之间的运行状态，达到系统平稳安全运行目的。
目前在抽油机直流母线集控中还没有有效算法来实现直流母线总功率的协调控制，本发明为在该领域首先实现应用；优点在于对直流母线总功率值的预测计算精度高，控制响应速度快，系统鲁棒性强。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的具体实施例中群控策略控制总体流程图；
图2为本发明的具体实施例中群控策略控制具体运行流程图；
图3为本发明的具体实施例中群控策略连接功能流程图；
图4为本发明的具体实施例中群控策略提取数据功能流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
本发明的基于功率加权预测的抽油机直流母线群控算法，包括以下步骤：
A.在井群通过单井控制器RTU(远程终端单元，Remote Terminal Unit，RTU)与逆变器连接，提取逆变器内的数据，包括实时功率、电压、电流、冲次等，以及区号、井号等信息，以数据库文件形式存储；
井群各单井通过控制器RTU实现对抽油机点击控制逆变器运行数据的提取、分析和存储的功能，提取逆变器内的数据，包括实时功率、电压、电流、冲次等，以及区号、井号等信息，以数据库文件形式存储；
B.确定各抽油机实时功谱，并赋予功率权值，计算功率加权，用于不同单井模型功率对母线贡献值大小评判；并间隔一定时间重新读取RTU数据，重新计算各抽油机实时功谱；
确定本机实时功谱power.dt，并赋予功率权值，计算功率加权公式，用于不同单井模型功率对母线贡献值大小评判，实时功率值加权计算公式：
其中：数据集Dji∈D；
式中：
ni，井号序列；
N，组井数量；
σi，第i井功率贡献权值；
Di，第i台抽油机功率测量值；
Q，加权后单井实际上报实时功率值；
确定各抽油机实时功谱，并赋予功率权值，计算功率加权，并间隔一定时间重新读取RTU数据，重新计算各抽油机实时功谱；优选的采用系统校时每10分钟进行一次，单井运行基准时间误差＜300us，通信延迟小于5ms，单节点有功功率基准采样时间间隔100ms；该推荐值可调整；
C.调取各抽油机冲次表，依据管理部门设定值，由RTU读出数值确定，具体在数据库文件中读出；
各抽油机冲次在一定时间内总体保持不变，是控制目标之一，第E步会有所改变冲次表，通过自学习后到达设定冲次，形成稳定冲次表，持续运行；
D.建立井群预测功谱表，采用基于扩展卡尔曼滤波的功率预测模型，并预测形成实时族群功谱表；
采用基于扩展卡尔曼滤波的功率预测模型，各时间序列功率预测模型表示如下：
信号的状态空间：x＝[v i]′，Q＝v(t)*i(t)；
x是电压v和和电流i的变量空间，Q是功率，v(t)，i(t)是电压基于时间的函数。
功率信号的泰勒级数展开：
X是上述变量空间，f(x)是函数，梯度算子，H海森矩阵，T转置，onn阶无穷小。
扩展卡尔曼滤波模型，预测公式
θ′k＝f(<θk-1>)
更新公式，
<θk>＝θk+Kk(zk-h(θk)
∑k＝(I-K′kHk)-∑′k
θk第k步状态向量值，f()非线性关系函数，Σk′第k步预测值，Σk-1当前值，Fk-1状态转移阵，Q噪声，Kk增益权重，Sk总方差(系统方差+传感器方差)zk-h()新息，I单位阵。
E.根据预测表，从族群功谱表中根据权值，按比例调低变频器频率，实现功率峰值前减速到达，即减速到达；更新整相关数据；越过功率峰值后，按照同样方式提升频率加速补偿，实现功率谷值前加速到达，即加速补偿；按比例调高变频器频率，确定变频器的加速时间；再次更新整相关数据，包括扭矩和转速，形成位置扭矩表；转动惯量，角加速度，预测，动作后预案；
根据预测表，根据族群功谱表中权值，调整变频器，实现平抑母线系统的功率峰谷值；按比例调低变频器频率，实现功率峰值前减速到达，即减速到达；越过功率峰值后，按照同样方式提升频率加速补偿，实现功率谷值前加速到达，即加速补偿。
F.通过自学习后到达设定冲次，形成稳定冲次表，持续运行。
在应用本发明的具体实施例1中，如图1所述，图1为本发明的具体实施例中群控策略控制总体流程图，包括了以下步骤：
101通过井群内各抽油机单井控制器的RTU实现对抽油机井群控制，建立与RTU连接；
102通过RTU(远程终端单元，Remote Terminal Unit，RTU)提取存储数据的区号，首先获得区号之后，再提取每个区号内的数据，在井群通过单井控制器RTU与逆变器连接，提取逆变器内的数据，包括实时功率、电压、电流、冲次等，以及区号、井号等信息，优先选用JSON格式文件存储；
103确定各抽油机实时功谱power.dt，并赋予功率权值，采用功率加权计算公式，用于不同单井模型功率对母线贡献值大小评判，实时功率值加权计算公式：
其中：数据集Dji∈D；
式中：
ni，井号序列；
N，组井数量；
σi，第i井功率贡献权值；
Di，第i台抽油机功率测量值；
Q，加权后单井实际上报实时功率值；
104调取各抽油机冲次表，依据管理部门设定值，由RTU读出数值确定，具体在数据库文件中读出；
105建立井群预测功谱表，采用基于扩展卡尔曼滤波的功率预测模型，并预测形成实时族群功谱表；
采用基于扩展卡尔曼滤波的功率预测模型，各时间序列功率预测模型表示如下：
信号的状态空间：x＝[v i]′，Q＝v(t)*i(t)；
x是电压v和和电流i的变量空间，Q是功率，v(t)，i(t)是电压基于时间的函数。
功率信号的泰勒级数展开：
X是上述变量空间，f(x)是函数，梯度算子，H海森矩阵，T转置，onn阶无穷小。
扩展卡尔曼滤波模型，预测公式
θ′k＝f(<θk-1>)
更新公式，
<θk>＝θ′k+K′k(zk-h(θ′k))
∑k＝(I-K′kHk)Σ′k
θk第k步状态向量值，f()非线性关系函数，Σk′第k步预测值，Σk-1当前值，Fk-1状态转移阵，Q噪声，Kk增益权重，Sk总方差(系统方差+传感器方差)zk-h()新息，I单位阵。
106根据预测表，从族群功谱表中根据权值，按比例调低变频器频率，实现功率峰值前减速到达，即减速到达；
107更新相关数据，包括扭矩和转速，形成位置扭矩表；转动惯量，角加速度，预测，动作后预案；
108越过功率峰值后，按照同样方式提升频率加速补偿，实现功率谷值前加速到达，即加速补偿；
109再次更新相关数据，包括扭矩和转速，形成位置扭矩表，转动惯量，角加速度，预测，动作后预案，变频器的加速时间；
110通过自学习后到达设定冲次，持续运行。
系统硬件要求包括：
要求利用ARM硬件商提供的SDK开发出对应的LINUX嵌入式系统；系统要实现RS485、ZIGBEE、ETHERNET通信链路，实现MODBUSRTU、TCP/UDP/IP协议；要提供设备地址、通信参数、井组数据的在线修改；系统控制参数的维护更新要方便。
在应用本发明的具体实施例2中，图4为本算法针对典型案例——多源直流微电网抽油机群控架构方案图，该架构通过风光等新能源利用、储能单元配合，接于抽油机直流母线系统，主干网为直流，同时可以利用网电，到抽油机后，通过逆变器转为交流，RTU位于逆变器终端控制柜内。
本发明涉及基于功率加权预测的抽油机直流母线群控算法，在井群各单井控制器RTU起到重要作用，为数据提取和执行总监环节；
图2和图3为本发明的具体实施例中与RTU连接并读取RTU中数据流程图，RTU与逆变器之间用RS485-MODBUSRTU建立连接，通过RTU提取存储数据的区号，首先获得区号之后，再提取每个区号内的数据，包括电流、电压、频率等，此数据经过分析，提取出的数据可以保存在数据库中。
在应用本发明的具体实施例3中，具体包括了以下步骤：
通过井群内各抽油机单井控制器的RTU实现对抽油机井群控制，建立与RTU连接，具体RTU与逆变器之间采用用RS485-MODBUSRTU建立连接；如果连接成果，首先获取井号，再提取每个区号内的数据，包括实时功率、电压、电流、冲次等，以及区号、井号等信息，以JSON格式文件存储；入围连接成功，则继续尝试连接；确实连接不成功，确定该井处于异常，剔除该井号；
确定各抽油机实时功谱power.dt，并赋予功率权值，采用功率加权计算公式，用于不同单井模型功率对母线贡献值大小评判，实时功率值加权计算公式：
其中：数据集Dji∈D；
式中：
Value是单井功率采样瞬时值；
Si是经验阈值设定；将功率值区间细分为i个小区间，经验取值；
ni，井号序列；
N，组井数量；
σi，第i井功率贡献权值；
Di，第i台抽油机功率测量值；
Q，加权后单井实际上报实时功率值；
间隔一定时间重新读取RTU数据，重新计算各抽油机实时功谱，优选的采用系统校时每10分钟进行一次，单井运行基准时间误差＜300us，通信延迟小于5ms，单节点有功功率基准采样时间间隔100ms；该推荐值可调整；
调取各抽油机冲次表，依据管理部门设定值，由RTU读出数值确定，具体在数据库文件中读出；
建立井群预测功谱表，采用基于扩展卡尔曼滤波的功率预测模型，并预测形成实时族群功谱表；
建立井群预测功谱表，采用基于扩展卡尔曼滤波的功率预测模型，并预测形成实时族群功谱表；
采用基于扩展卡尔曼滤波的功率预测模型，各时间序列功率预测模型表示如下：
信号的状态空间：x＝[v i]′，Q＝v(t)*i(t)；
x是电压v和和电流i的变量空间，Q是功率，v(t)，i(t)是电压基于时间的函数。
功率信号的泰勒级数展开：
X是上述变量空间，f(x)是函数，梯度算子，H海森矩阵，T转置，onn阶无穷小。
扩展卡尔曼滤波模型，预测公式
θ′k＝f(<θk-1>)
更新公式，
<θk>＝θ′k+K′k(zk-h(θ′k))
∑k＝(I-K′kHk)Σ′k
θk第k步状态向量值，f()非线性关系函数，Σk′第k步预测值，Σk-1当前值，Fk-1状态转移阵，Q噪声，Kk增益权重，Sk总方差(系统方差+传感器方差)zk-h()新息，I单位阵。
根据预测表，从族群功谱表中根据权值，按比例调低变频器频率，实现功率峰值前减速到达，即减速到达；
更新相关数据，包括扭矩和转速，形成位置扭矩表；转动惯量，角加速度，预测，动作后预案；
越过功率峰值后，按照同样方式提升频率加速补偿，实现功率谷值前加速到达，即加速补偿；
再次更新相关数据，包括扭矩和转速，形成位置扭矩表，转动惯量，角加速度，预测，动作后预案，变频器的加速时间；
由于各抽油机实时功谱隔一定时间重新读取RTU数据，重新计算各抽油机实时功谱；
井群预测功谱表需要实时更新，采用基于扩展卡尔曼滤波的功率预测模型进行计算更新；重复上述过程减速到和加速补偿；
通过自学习后到达设定冲次，持续运行。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域技术人员来说，其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
除说明书所述的技术特征外，均为本专业技术人员的已知技术。
Claims (7)
1.基于功率加权预测的抽油机直流母线群控算法，其特征在于，该基于功率加权预测的抽油机直流母线群控算法包括：
步骤1，对抽油机点击控制逆变器的运行数据进行提取、分析和存储；
步骤2，确定各抽油机实时功谱，并赋予功率权值，计算功率加权；
步骤3，调取各抽油机冲次表；
步骤4，建立井群预测功谱表；
步骤5，根据预测功谱表，按比例调低变频器频率；
步骤6，通过自学习后到达设定冲次，按照设定冲次持续运行；
在步骤2，确定各抽油机实时功谱，并赋予功率权值，计算功率加权，用于不同单井模型功率对母线贡献值大小评判；并间隔一定时间重新读取RTU数据，重新计算各抽油机实时功谱；
在步骤2，实时功率值加权计算公式为：
其中：数据集Dji∈D；
D1＝{D：min≤Value＜s1}，实时功率值；
D2＝{D：s1≤Value＜s2}，实时功率值；
D3＝{D：s2≤Value＜s3}，实时功率值；
Dj＝{D：s(j-1)≤Value＜max}，实时功率值；
式中：
Value是单井功率采样瞬时值；
Si是经验阈值设定；将功率值区间细分为i个小区间，经验取值；
ni，井号序列；
N，组井数量；
σi，第i井功率贡献权值；
Di，第i台抽油机功率测量值；
Q，加权后单井实际上报实时功率值；
在步骤4，建立井群预测功谱表，采用基于扩展卡尔曼滤波的功率预测模型，并预测形成实时族群功谱表；
在步骤4，采用基于扩展卡尔曼滤波的功率预测模型，各时间序列功率预测模型表示如下：
信号的状态空间：x＝[v i]′，Q＝v(t)*i(t)；
式中，x是电压v和和电流i的变量空间，Q是功率，v(t)，i(t)是电压基于时间的函数；
功率信号的泰勒级数展开：
式中，X是上述变量空间，f(x)是函数，梯度算子，H海森矩阵，T转置，onn阶无穷小；
扩展卡尔曼滤波模型，预测公式
θ′k＝f(<θk-1>)
更新公式，
<θk>＝θ′k+K′k(zk-h(θ′k)
∑k＝(I-K′kHk)Σ′k
θk为第k步状态向量值，f()为非线性关系函数，∑k′为第k步预测值，∑k-1为当前值，Fk-1为状态转移阵，Q为噪声，Kk为增益权重，sk为总方差即系统方差+传感器方差，zk-h()为新息，I为单位阵。
2.根据权利要求1所述的基于功率加权预测的抽油机直流母线群控算法，其特征在于，在步骤1，在井群通过单井控制器RTU与逆变器连接，提取逆变器内的运行数据，包括实时功率、电压、电流、冲次，以及区号、井号这些信息。
3.根据权利要求1所述的基于功率加权预测的抽油机直流母线群控算法，其特征在于，在步骤2，在重新计算各抽油机实时功谱时，采用系统校时每10分钟进行一次，单井运行基准时间误差＜300us，通信延迟小于5ms，单节点有功功率基准采样时间间隔100ms。
4.根据权利要求1所述的基于功率加权预测的抽油机直流母线群控算法，其特征在于，在步骤5，根据预测表，从族群功谱表中根据权值，按比例调低变频器频率，实现功率峰值前减速到达，即减速到达。
5.根据权利要求4所述的基于功率加权预测的抽油机直流母线群控算法，其特征在于，在步骤5，在减速到达后，更新相关数据，包括扭矩和转速，形成位置扭矩表；转动惯量，角加速度，预测，动作后预案。
6.根据权利要求5所述的基于功率加权预测的抽油机直流母线群控算法，其特征在于，在步骤5，在更新相关数据，越过功率峰值后，按照同样方式提升频率加速补偿，实现功率谷值前加速到达，即加速补偿；按比例调高变频器频率，确定变频器的加速时间。
7.根据权利要求6所述的基于功率加权预测的抽油机直流母线群控算法，其特征在于，在步骤5，在确定变频器的加速时间后，再次更新整相关数据，包括扭矩和转速，形成位置扭矩表；转动惯量，角加速度，预测，动作后预案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110011742.4A CN114718514B (zh) | 2021-01-06 | 2021-01-06 | 基于功率加权预测的抽油机直流母线群控算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110011742.4A CN114718514B (zh) | 2021-01-06 | 2021-01-06 | 基于功率加权预测的抽油机直流母线群控算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114718514A CN114718514A (zh) | 2022-07-08 |
| CN114718514B true CN114718514B (zh) | 2024-05-17 |
Family
ID=82234186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110011742.4A Active CN114718514B (zh) | 2021-01-06 | 2021-01-06 | 基于功率加权预测的抽油机直流母线群控算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114718514B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756513B (zh) * | 2023-07-05 | 2024-02-13 | 大庆石油管理局有限公司 | 一种塔架式抽油机数据滤波算法 |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2526345A1 (en) * | 2005-10-13 | 2007-04-13 | Pumpwell Solutions Ltd. | Method and system for optimizing downhole fluid production |
| CN101356537A (zh) * | 2005-11-21 | 2009-01-28 | 切夫里昂美国公司 | 使用集合卡尔曼滤波进行实时油藏模型更新的方法、系统和装置 |
| CN202391390U (zh) * | 2011-12-14 | 2012-08-22 | 中国石油天然气股份有限公司 | 用于抽油机冲次、平衡实时调整的装置 |
| CN103161430A (zh) * | 2011-12-14 | 2013-06-19 | 中国石油天然气股份有限公司 | 抽油机冲次、平衡实时智能调整方法及其装置 |
| CN103427729A (zh) * | 2012-05-17 | 2013-12-04 | 中国石油化工股份有限公司 | 基于直流母线的抽油机井群控系统 |
| CN103885367A (zh) * | 2014-04-01 | 2014-06-25 | 东营东日电气有限公司 | 一种基于最佳冲次辨识的抽油机智能控制系统及方法 |
| CN104213904A (zh) * | 2013-06-05 | 2014-12-17 | 中国石油天然气股份有限公司 | 一种有杆抽油系统效率实时监测方法 |
| CN104533382A (zh) * | 2014-12-16 | 2015-04-22 | 哈尔滨斯特凯峰电子有限公司 | 一种抽油机井电参数“示功图”的确定方法 |
| CN105572503A (zh) * | 2015-12-21 | 2016-05-11 | 东营东齐石油科技有限公司 | 一种基于多尺度采样的抽油机电参数数据预处理方法 |
| WO2016107591A1 (zh) * | 2014-12-31 | 2016-07-07 | 新疆维吾尔自治区第三机床厂 | 功率平衡数字化自动控制抽油方法和采油机器人 |
| CN106094615A (zh) * | 2016-06-14 | 2016-11-09 | 北京中油瑞飞信息技术有限责任公司 | 对井场数据进行处理的方法和井口控制器 |
| CN106292569A (zh) * | 2015-06-09 | 2017-01-04 | 中国石油化工股份有限公司 | 抽油机井群柔性驱动控制系统 |
| CN206158695U (zh) * | 2016-10-19 | 2017-05-10 | 中国石油化工股份有限公司 | 一种抽油机井群控系统 |
| CN106917611A (zh) * | 2015-12-24 | 2017-07-04 | 中国石油天然气股份有限公司 | 抽油机恒功率控制方法及装置 |
| CN107060695A (zh) * | 2016-12-16 | 2017-08-18 | 中国石油天然气股份有限公司 | 一种游梁式抽油机节能控制系统及方法 |
| CN206431202U (zh) * | 2017-01-11 | 2017-08-22 | 中国石油化工股份有限公司 | 一种抽油机井群远程同步效率测试系统 |
| CN108374782A (zh) * | 2018-03-26 | 2018-08-07 | 中国石油化工股份有限公司 | 一种抽油机平衡率调整方法 |
| CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
| CN109376911A (zh) * | 2018-09-28 | 2019-02-22 | 上海电力学院 | 一种基于EMD-KELMs-SDPSO的微电网短期负荷预测方法 |
| CN109611077A (zh) * | 2018-11-14 | 2019-04-12 | 渤海大学 | 一种基于多模型的抽油井油液气油比在线软测量方法 |
| CN109630092A (zh) * | 2018-11-14 | 2019-04-16 | 渤海大学 | 一种基于数据的抽油井泵效多模型软测量方法 |
| CN209011802U (zh) * | 2018-09-27 | 2019-06-21 | 中国石油化工股份有限公司 | 一种抽油机集群系统 |
| CN110778302A (zh) * | 2019-11-04 | 2020-02-11 | 东北石油大学 | 油田区块内抽油机井群的整体化性能评价和技术整改方法 |
| CN111884557A (zh) * | 2020-06-23 | 2020-11-03 | 中国石油天然气股份有限公司 | 一种基于电机功率转矩的抽油机控制方法 |
| CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
-
2021
- 2021-01-06 CN CN202110011742.4A patent/CN114718514B/zh active Active
Patent Citations (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007041823A1 (en) * | 2005-10-13 | 2007-04-19 | Pumpwell Solutions Ltd. | Method and system for optimizing downhole fluid production |
| CA2526345A1 (en) * | 2005-10-13 | 2007-04-13 | Pumpwell Solutions Ltd. | Method and system for optimizing downhole fluid production |
| CN101356537A (zh) * | 2005-11-21 | 2009-01-28 | 切夫里昂美国公司 | 使用集合卡尔曼滤波进行实时油藏模型更新的方法、系统和装置 |
| CN202391390U (zh) * | 2011-12-14 | 2012-08-22 | 中国石油天然气股份有限公司 | 用于抽油机冲次、平衡实时调整的装置 |
| CN103161430A (zh) * | 2011-12-14 | 2013-06-19 | 中国石油天然气股份有限公司 | 抽油机冲次、平衡实时智能调整方法及其装置 |
| CN103427729A (zh) * | 2012-05-17 | 2013-12-04 | 中国石油化工股份有限公司 | 基于直流母线的抽油机井群控系统 |
| CN104213904A (zh) * | 2013-06-05 | 2014-12-17 | 中国石油天然气股份有限公司 | 一种有杆抽油系统效率实时监测方法 |
| CN103885367A (zh) * | 2014-04-01 | 2014-06-25 | 东营东日电气有限公司 | 一种基于最佳冲次辨识的抽油机智能控制系统及方法 |
| CN104533382A (zh) * | 2014-12-16 | 2015-04-22 | 哈尔滨斯特凯峰电子有限公司 | 一种抽油机井电参数“示功图”的确定方法 |
| WO2016107591A1 (zh) * | 2014-12-31 | 2016-07-07 | 新疆维吾尔自治区第三机床厂 | 功率平衡数字化自动控制抽油方法和采油机器人 |
| CN106292569A (zh) * | 2015-06-09 | 2017-01-04 | 中国石油化工股份有限公司 | 抽油机井群柔性驱动控制系统 |
| CN105572503A (zh) * | 2015-12-21 | 2016-05-11 | 东营东齐石油科技有限公司 | 一种基于多尺度采样的抽油机电参数数据预处理方法 |
| CN106917611A (zh) * | 2015-12-24 | 2017-07-04 | 中国石油天然气股份有限公司 | 抽油机恒功率控制方法及装置 |
| CN106094615A (zh) * | 2016-06-14 | 2016-11-09 | 北京中油瑞飞信息技术有限责任公司 | 对井场数据进行处理的方法和井口控制器 |
| CN206158695U (zh) * | 2016-10-19 | 2017-05-10 | 中国石油化工股份有限公司 | 一种抽油机井群控系统 |
| CN107060695A (zh) * | 2016-12-16 | 2017-08-18 | 中国石油天然气股份有限公司 | 一种游梁式抽油机节能控制系统及方法 |
| CN206431202U (zh) * | 2017-01-11 | 2017-08-22 | 中国石油化工股份有限公司 | 一种抽油机井群远程同步效率测试系统 |
| CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
| CN108374782A (zh) * | 2018-03-26 | 2018-08-07 | 中国石油化工股份有限公司 | 一种抽油机平衡率调整方法 |
| CN209011802U (zh) * | 2018-09-27 | 2019-06-21 | 中国石油化工股份有限公司 | 一种抽油机集群系统 |
| CN109376911A (zh) * | 2018-09-28 | 2019-02-22 | 上海电力学院 | 一种基于EMD-KELMs-SDPSO的微电网短期负荷预测方法 |
| CN109611077A (zh) * | 2018-11-14 | 2019-04-12 | 渤海大学 | 一种基于多模型的抽油井油液气油比在线软测量方法 |
| CN109630092A (zh) * | 2018-11-14 | 2019-04-16 | 渤海大学 | 一种基于数据的抽油井泵效多模型软测量方法 |
| CN110778302A (zh) * | 2019-11-04 | 2020-02-11 | 东北石油大学 | 油田区块内抽油机井群的整体化性能评价和技术整改方法 |
| CN111884557A (zh) * | 2020-06-23 | 2020-11-03 | 中国石油天然气股份有限公司 | 一种基于电机功率转矩的抽油机控制方法 |
| CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于公共直流母线技术的智能抽油系统;焦裕玺;郑炜博;刘向东;肖志勇;黄鹤松;;石油机械;20150910;第43卷(第09期);第113-116页 * |
| 基于共直流母线的丛式井群监控系统设计;任旭虎;苏建楠;李德文;艾洁;孙晓;;仪表技术与传感器;20180531(第05期);第74-77+114页 * |
| 基于共直流母线的多油井集中优化控制技术研究;苏建楠;中国优秀硕士学位论文全文数据库工程科技Ⅰ辑;20200715;第1页-第85页 * |
| 基于多传感器融合的抽油机运动周期的研究;仲志丹;马利丹;;现代电子技术;20170815;第40卷(第16期);第22-25+28页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114718514A (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103092074B (zh) | 半导体先进过程控制的参数优化控制方法 | |
| CN113344192B (zh) | 企业级电机系统节能优化自动控制方法及系统 | |
| CN105170333B (zh) | 静电除尘用电源的模糊预测控制系统及方法 | |
| CN113471982B (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
| CN114718514B (zh) | 基于功率加权预测的抽油机直流母线群控算法 | |
| CN113675863B (zh) | 一种基于数字孪生的微电网频率二次协同控制方法 | |
| CN116799780A (zh) | 一种配电网分布式光伏承载力评估方法、系统及评估终端 | |
| CN115576203B (zh) | 基于神经网络的嵌入式电除尘智能控制方法和系统 | |
| CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
| CN113488980B (zh) | 拒绝服务攻击下直流微电网的攻击容忍控制方法 | |
| CN118276499B (zh) | 一种基于数据识别的电气自动化控制系统及方法 | |
| CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
| CN115632487B (zh) | 一种智慧园区电力协调控制方法及系统 | |
| CN114904655B (zh) | 一种单电场节能控制方法及装置 | |
| CN112052985A (zh) | 一种基于lightgbm的中短期低电压预测方法 | |
| CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
| CN118101697A (zh) | 一种具有边缘算力的智能网关数据处理方法 | |
| CN117649251A (zh) | 基于决算数据的输变电工程造价评估方法、系统及设备 | |
| CN113824161B (zh) | 一种DoS攻击下的交直流微电网集群系统控制方法 | |
| CN110004465B (zh) | 一种多室电解槽生产金属铝的智能控制方法及系统 | |
| Maghfiroh et al. | Adaptive Linear Quadratic Gaussian Speed Control of Induction Motor Using Fuzzy Logic. | |
| CN113919583A (zh) | 一种基于线性预估方法的光伏发电短期功率预测方法 | |
| CN111327045A (zh) | 基于实时潮流智能方式安排及风险分析方法 | |
| Yang et al. | Electric Load Forecasting Based on SSA-GRU | |
| CN118694786A (zh) | 一种嵌入式数据采集处理通信系统及其控制方法 |
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 |