CN114897069A - 抽油机智能调控节能保护装置 - Google Patents

抽油机智能调控节能保护装置 Download PDF

Info

Publication number
CN114897069A
CN114897069A CN202210497151.7A CN202210497151A CN114897069A CN 114897069 A CN114897069 A CN 114897069A CN 202210497151 A CN202210497151 A CN 202210497151A CN 114897069 A CN114897069 A CN 114897069A
Authority
CN
China
Prior art keywords
analysis unit
intelligent analysis
model
learning rate
delta
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
CN202210497151.7A
Other languages
English (en)
Other versions
CN114897069B (zh
Inventor
王建钢
李世军
闫璐
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.)
Daqing Lineng Electric Power Machinery Equipment Co ltd
Original Assignee
Daqing Lineng Electric Power Machinery Equipment 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 Daqing Lineng Electric Power Machinery Equipment Co ltd filed Critical Daqing Lineng Electric Power Machinery Equipment Co ltd
Priority to CN202210497151.7A priority Critical patent/CN114897069B/zh
Publication of CN114897069A publication Critical patent/CN114897069A/zh
Application granted granted Critical
Publication of CN114897069B publication Critical patent/CN114897069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种抽油机智能调控节能保护装置，通过建模单元建立基于机器学习模型并使用抽油机历史运行数据对模型进行训练和验证，智能分析单元根据模型的验证结果对模型进行调参以生成可用的预测模型，所述建模单元使用预测模型、根据电参数采集单元采集的抽油机运行过程中的电参数变化数据生成优化处理结果，同时由智能分析单元将优化处理结果输出给矢量变频器，调整电机的输入频率，对抽油机工作冲次进行调整，实现抽油机闭环控制，使抽油泵始终保持合理沉没度运行，实现优化运行控制，达到油井供采平衡。

Description

抽油机智能调控节能保护装置
技术领域
本发明涉及抽油机智能调控技术领域，尤其涉及一种抽油机智能调控节能保护装置。
背景技术
随着油田开采，中低产井越来越多，在抽油机中游梁式抽油机占比80％以上，普遍采用变频器配合电机进行驱动，由于对油井工况诊断不准确、不及时等，油井供采不平衡问题突出，导致机采井效率低、耗能大，甚至影响产量。
中国专利公开号：CN201910556679.5公开了一种基于抽油机电参数的井况变化识别方法，其通过对比正常井况下某种抽油机的电参数与实时井况下该种抽油机的电参数以判定井况是否有明显变化，然而，并不能有效解决抽油机供采平衡得问题。
抽油机在生产过程中，会定期进行参数测试和调整，但由于工作量较大，测试与调整周期间隔较长，这种调整的不及时性会产生哪些影响：
1.浪费冲次数，就是浪费电能，增加抽油机损耗。比如抽油机一直在六个冲次下运行，实际上处于供液不足的生产状况，达到供采平衡的生产需要四个冲次就可以，这样造成了生产浪费。
2.部分产量特别低的油井采取间抽制度，虽然节能效果明显，但不合理的间抽制度会影响产量、增加能耗，目前各油田间抽制度主要依靠操作人员的经验确定，因此无法做到供采平衡，这样就会造成降低油井的产液量和运行效率，增加生产成本。
3.部分地区入冬后为防止低温结蜡、冻井，基本不采取间抽方式。如果产油井出现供液不足时，除了会造成能量的浪费，还会因为液击的产生，造成杆管的震动和磨损，严重影响地面设备的使用寿命。
因此，如何能够在稳定并提高单井日产量基础上，实现供采平衡，提高机采井效率，节约能源，减少维护工作量，实现抽油机井高水平的智能化、信息化管理，对油田生产很重要。各油田都亟需智能化控制技术，解决上述生产难题，达到供采平衡。
为了便于生产管理，油田大量应用变频技术，配合功图、液面测试等，实现单井调参。但这种方式存在两个问题，一是功图、液面测试设备在野外恶劣环境长期使用，设备性能不稳定，如果不定期维护、标定无法长期使用；二是利用示功图分析进行调参，需要配合精确的数学分析模型，技术尚不成熟，误差大无法准确指导现场应用。
针对以上问题，开发了基于电参数的抽油机智能调控节能保护器系统+大数据分析技术，实现了无传感器，仅利用电参数变化进行实时分析，智能调参，提高了系统的准确性和可靠性。
发明内容
为此，本发明提供一种抽油机智能调控节能保护装置，用以克服现有技术中如何能够在稳定并提高单井日产量基础上，实现供采平衡，提高机采井效率，节约能源，减少维护工作量，实现抽油机井高水平的智能化、信息化管理的问题。
为实现上述目的，本发明提供一种抽油机智能调控节能保护装置，包括：
数据获取单元，用以获取抽油机历史运行数据；
数据处理单元，其与所述数据获取单元相连，用以将数据获取单元获取的若干所述抽油机历史运行数据进行预处理；
建模单元，其与所述数据处理单元相连，用以建立基于机器学习模型并将数据处理单元预处理完成的若干所述抽油机历史运行数据输入至机器学习模型中进行训练生成预测模型；
电参数采集单元，其与所述建模单元相连，用以采集抽油机运行过程中的电参数变化数据并将采集的数据输送至建模单元；
智能分析单元，其与所述建模单元相连，用以在对所述预测模型进行验证时，通过验证结果判定是否需要对模型进行调参；所述智能分析单元通过预设结果数据与验证结果数据计算误差率并根据误差率判定是否需要对所述预测模型的学习率进行调节，所述智能分析单元在完成对学习率的调节后计算所述预测模型的数据输出合格率并根据合格率判定是否需要对预测模型的迭代次数进行调节；当所述智能分析单元判定模型可用后，所述建模单元根据所述电参数采集单元采集的抽油机运行过程中的电参数变化数据生成优化处理结果，并由智能分析单元将优化处理结果输出给矢量变频器，实现优化运行控制；
矢量变频器，其为一执行器件，与所述智能分析单元相连，用以接收智能分析单元指令对抽油机的电机进行调速。
进一步地，所述数据获取单元获取抽油机历史运行数据作为数据挖掘的原始数据集，对上述原始数据集按照时间标签进行裁剪以得到先验状态数据；
所述数据处理单元结合仿真模型与异常状态特征数据，采用自组织特征映射聚类方法对异常状态特征数据进行分类，结合专家知识对征兆分类结果进行合理性分析和规范化，形成状态样本集，将状态样本集的预设比例作为训练集，将剩余的样本作为验证集；
所述建模单元建立基于机器学习模型，通过训练集样本对模型进行训练，通过验证集样本对模型性能进行定量评价。
进一步地，在对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。
进一步地，所述智能分析单元设有预设误差率临界值τ0，在使用验证集对模型进行验证时，通过验证结果判定是否需要对模型进行调参，选取验证集中的样本数据A1、A2...An对模型进行验证时，其对应的预设结果数据为a1、a2...an，模型的验证结果数据为b1、b2...bn，所述智能分析单元将预设结果数据与验证结果数据中的数值对应并计算误差率τ，设定τ＝[(a1-b1)^2+(a2-b2)^2+……+(an-bn)^2]/n，智能分析单元将τ与τ0进行比对，
若τ≤τ0，所述智能分析单元判定所述模型验证结果符合标准并进一步计算验证结果数据的相似度；
若τ＞τ0，所述智能分析单元判定所述模型验证结果不符合标准、计算τ与τ0的差值Δτ并根据Δτ对模型的学习率A进行减小。
进一步地，所述智能分析单元设有预设相似度临界值σ0，当所述智能分析单元判定模型验证的误差率τ≤τ0时，智能分析单元首先计算验证结果数据b1、b2...bn的平均值b，设定b＝(b1+b2+...+bn)/n，智能分析单元在完成对平均值b的计算时进一步计算验证结果数据b1、b2...bn的相似度σ，设定σ＝[(b1-b)^2+(b2-b)^2+……+(bn-b)^2]/n，智能分析单元将σ与σ0进行比对，
若σ≤σ0，所述智能分析单元判定所述模型验证结果数据的相似度符合标准，初步判断模型预测结果合格；
若σ＞σ0，所述智能分析单元判定所述模型验证结果数据的相似度过高、计算σ与σ0的差值Δσ并根据Δσ对模型的学习率A进行补偿。
进一步地，所述智能分析单元设有第一预设相似度差值Δσ1、第二预设相似度差值Δσ2、第三预设相似度差值Δσ3、第一学习率补偿系数e1、第二学习率补偿系数e2以及第三学习率补偿系数e3，其中Δσ1＜Δσ2＜Δσ3，设定1＜e1＜e2＜e3＜1.5，当智能分析单元判定所述模型验证结果数据的相似度σ＞σ0并根据σ与σ0的差值Δσ对模型的学习率A进行补偿时，
若Δσ≤Δσ1，所述智能分析单元选取第一学习率补偿系数e1对所述学习率进行补偿；
若Δσ1＜Δσ≤Δσ2，所述智能分析单元选取第二学习率补偿系数e2对所述学习率进行补偿；
若Δσ2＜Δσ≤Δσ3，所述智能分析单元选取第三学习率补偿系数e3对所述学习率进行补偿；
当所述智能分析单元选取第r学习率补偿系数er对所述学习率进行补偿时，设定r＝1，2，3，智能分析单元将补偿后的学习率记为A1，设定A1＝A×er，所述建模单元以调节后的学习率进行模型训练。
进一步地，所述智能分析单元设有第一预设误差率差值Δτ1、第二预设误差率差值Δτ2、第三预设误差率差值Δτ3、第一学习率调节系数α1、第二学习率调节系数α2以及第三学习率调节系数α3，其中Δτ1＜Δτ2＜Δτ3，设定0.7＜α3＜α2＜α1＜1，当智能分析单元判定所述模型验证结果的误差率τ＞τ0并根据τ与τ0的差值Δτ对模型的学习率A进行减小时，
若Δτ≤Δτ1，所述智能分析单元选取第一学习率调节系数α1对所述学习率进行调节；
若Δτ1＜Δτ≤Δτ2，所述智能分析单元选取第二学习率调节系数α2对所述学习率进行调节；
若Δτ2＜Δτ≤Δτ3，所述智能分析单元选取第三学习率调节系数α3对所述学习率进行调节；
当所述智能分析单元选取第s学习率调节系数αs对所述学习率进行调节时，设定s＝1，2，3，所述智能分析单元将调节后的学习率记为A2，设定A2＝A×αs，所述建模单元以调节后的学习率进行模型训练。
进一步地，所述智能分析单元设有预设合格率E0，当所述智能分析单元完成对所述学习率的调节并使用调节后的学习率进行模型训练时，智能分析单元根据所述预测模型输出的合格数据量U与输入的总数据量U0计算所述预测模型的输出合格率E，设定E＝U/U0，并根据该输出合格率E与预设合格率E0的比对结果确定所述预测模型是否可用，
若E≥E0，所述智能分析单元判定所述预测模型可用；
若E＜E0，所述智能分析单元判定所述预测模型不可用。
进一步地，所述智能分析单元设有第一预设合格率差值ΔE1、第二预设合格率差值ΔE2、第三预设合格率差值ΔE3、第一迭代次数调节系数β1、第二迭代次数调节系数β1以及第三迭代次数调节系数β3，其中ΔE1＜ΔE2＜ΔE3，设定1＜β1＜β2＜β3＜2，当所述智能分析单元判定所述模型不可用时，计算所述合格率E和预设合格率E的合格率差值ΔE，设定ΔE＝E0-E，所述智能分析单元根据该合格率差值与预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节后再次训练所述预测模型，
若ΔE≤ΔE1，所述智能分析单元选取第一迭代次数调节系数β1对所述迭代次数进行调节；
若ΔE1＜ΔE≤ΔE2，所述智能分析单元选取第二迭代次数调节系数β2对所述迭代次数进行调节；
若ΔE2＜ΔE≤ΔE3，所述智能分析单元选取第三迭代次数调节系数β3对所述迭代次数进行调节；
当所述智能分析单元选取第j迭代次数调节系数βj对所述迭代次数进行调节时，设定j＝1，2，3，所述智能分析单元将调节后的迭代次数设置为N＇，设定N＇＝N×βj。
进一步地，所述建模单元在已有运行电参数数据库的基础上，实现状态样本的切片存档，建立状态模式信息与运行数据库的关联映射，实现状态模式信息库知识与运行参数据库的信息融合。
与现有技术相比，本发明的有益效果在于，本发明通过所述建模单元建立基于机器学习模型并使用抽油机历史运行数据对模型进行训练和验证，所述智能分析单元根据模型的验证结果对模型进行调参以生成可用的预测模型，所述建模单元使用预测模型、根据电参数采集单元采集的抽油机运行过程中的电参数变化数据生成优化处理结果，同时由智能分析单元将优化处理结果输出给矢量变频器，调整电机的输入频率，对抽油机工作冲次进行调整，实现抽油机闭环控制，使抽油泵始终保持合理沉没度运行，实现优化运行控制，达到油井供采平衡。
进一步地，本发明所述系统通过所述电参数采集单元直接采集电参数，由机器学习模型生成优化处理结果，无需向地面功图转换，操作更简单、对抽油机的实时调控更准确。
进一步地，本发明所述系统能够实现油井自动化生产，始终保持油井合理沉没度运行，发挥油井最大产能。
进一步地，本发明所述系统通过预测模型自动生成优化处理结果，通过上述方案能够实现精确控制抽油机冲次，降低杆管磨损次数，节约电能，延长检泵周期。
进一步地，本发明所述系统能够实现油井液面预测并能够计算油井产液量，增加了本发明所述系统的实用性和可操作性。
进一步地，本发明所述数据处理单元结合仿真模型与异常状态特征数据，采用自组织特征映射聚类方法对异常状态特征数据进行分类，结合专家知识对征兆分类结果进行合理性分析和规范化，形成状态样本集，能够实现利用大数据分析的结果进行油井的故障分析和诊断，增加了本发明所述系统的实用性，实现了抽油机井高水平的智能化、信息化管理。
进一步地，本发明所述智能分析单元通过预设结果数据与验证结果数据计算误差率并根据误差率判定是否需要对所述预测模型的学习率进行调节，所述智能分析单元在完成对学习率的调节后计算所述预测模型的数据输出合格率并根据合格率判定是否需要对预测模型的迭代次数进行调节，以保证预测模型的预测精准性，同时仅利用电参数变化进行实时分析，智能调参，提高了系统的准确性和可靠性。
进一步地，本发明所述建模单元在已有运行电参数数据库的基础上，实现状态样本的切片存档，建立状态模式信息与运行数据库的关联映射，实现状态模式信息库知识与运行参数据库的信息融合，提高了本发明所述系统的运行速度和准确性。
附图说明
图1为本发明抽油机智能调控节能保护装置的结构框图；
图2为本实施例B00井应用本发明所述系统前抽油机功图示意图；
图3为本实施例B00井应用本发明所述系统后抽油机功图示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示，其为本发明抽油机智能调控节能保护装置的结构框图，包括：
数据获取单元，用以获取抽油机历史运行数据；
数据处理单元，其与所述数据获取单元相连，用以将数据获取单元获取的若干所述抽油机历史运行数据进行预处理；
建模单元，其与所述数据处理单元相连，用以建立基于机器学习模型并将数据处理单元预处理完成的若干所述抽油机历史运行数据输入至机器学习模型中进行训练生成预测模型；
电参数采集单元，其与所述建模单元相连，用以采集抽油机运行过程中的电参数变化数据并将采集的数据输送至建模单元；
智能分析单元，其与所述建模单元相连，用以在对所述预测模型进行验证时，通过验证结果判定是否需要对模型进行调参；所述智能分析单元通过预设结果数据与验证结果数据计算误差率并根据误差率判定是否需要对所述预测模型的学习率进行调节，所述智能分析单元在完成对学习率的调节后计算所述预测模型的数据输出合格率并根据合格率判定是否需要对预测模型的迭代次数进行调节；当所述智能分析单元判定模型可用后，所述建模单元根据所述电参数采集单元采集的抽油机运行过程中的电参数变化数据生成优化处理结果，并由智能分析单元将优化处理结果输出给矢量变频器，实现优化运行控制；
矢量变频器，其为一执行器件，与所述智能分析单元相连，用以接收智能分析单元指令对抽油机的电机进行调速。
优选地，所述矢量变频器的调速范围20～50Hz。
在本实施例中，触摸屏及所述系统构成人机交互界面，用于手动调参、查询历史数据等作用。
本发明通过所述建模单元建立基于机器学习模型并使用抽油机历史运行数据对模型进行训练和验证，所述智能分析单元根据模型的验证结果对模型进行调参以生成可用的预测模型，所述建模单元使用预测模型、根据电参数采集单元采集的抽油机运行过程中的电参数变化数据生成优化处理结果，同时由智能分析单元将优化处理结果输出给矢量变频器，调整电机的输入频率，对抽油机工作冲次进行调整，实现抽油机闭环控制，使抽油泵始终保持合理沉没度运行，实现优化运行控制，达到油井供采平衡。
具体地，所述数据获取单元获取抽油机历史运行数据作为数据挖掘的原始数据集，对上述原始数据集按照时间标签进行裁剪以得到先验状态数据；
所述数据处理单元结合仿真模型与异常状态特征数据，采用自组织特征映射聚类方法对异常状态特征数据进行分类，结合专家知识对征兆分类结果进行合理性分析和规范化，形成状态样本集，将状态样本集的预设比例作为训练集，将剩余的样本作为验证集；
优选地，本发明将状态样本集的70％-80％作为训练集，将剩余的20％-30％样本作为验证集，本实施例将状态样本集的70％作为训练集，将剩余的30％样本作为验证集；本实施例将状态样本集的75％作为训练集，将剩余的25％样本作为验证集；本实施例将状态样本集的80％作为训练集，将剩余的20％样本作为验证集；
所述建模单元建立基于机器学习模型，通过训练集样本对模型进行训练，通过验证集样本对模型性能进行定量评价。
具体地，在对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。
本发明所述智能分析单元通过预设结果数据与验证结果数据计算误差率并根据误差率判定是否需要对所述预测模型的学习率进行调节，提高了预测模型的预测精准性。
具体地，所述智能分析单元设有预设误差率临界值τ0，在使用验证集对模型进行验证时，通过验证结果判定是否需要对模型进行调参，选取验证集中的样本数据A1、A2...An对模型进行验证时，其对应的预设结果数据为a1、a2...an，模型的验证结果数据为b1、b2...bn，所述智能分析单元将预设结果数据与验证结果数据中的数值对应并计算误差率τ，设定τ＝[(a1-b1)^2+(a2-b2)^2+……+(an-bn)^2]/n，智能分析单元将τ与τ0进行比对，
若τ≤τ0，所述智能分析单元判定所述模型验证结果符合标准并进一步计算验证结果数据的相似度；
若τ＞τ0，所述智能分析单元判定所述模型验证结果不符合标准、计算τ与τ0的差值Δτ并根据Δτ对模型的学习率A进行减小。
本发明所述智能分析单元通过所述模型验证结果数据的相似度判定模型预测结果是否合格并在判定验证结果数据的相似度过高时对模型的学习率进行补偿，进一步提高了预测模型的预测精准性。
具体地，所述智能分析单元设有预设相似度临界值σ0，当所述智能分析单元判定模型验证的误差率τ≤τ0时，智能分析单元首先计算验证结果数据b1、b2...bn的平均值b，设定b＝(b1+b2+...+bn)/n，智能分析单元在完成对平均值b的计算时进一步计算验证结果数据b1、b2...bn的相似度σ，设定σ＝[(b1-b)^2+(b2-b)^2+……+(bn-b)^2]/n，智能分析单元将σ与σ0进行比对，
若σ≤σ0，所述智能分析单元判定所述模型验证结果数据的相似度符合标准，初步判断模型预测结果合格；
若σ＞σ0，所述智能分析单元判定所述模型验证结果数据的相似度过高、计算σ与σ0的差值Δσ并根据Δσ对模型的学习率A进行补偿。
具体地，所述智能分析单元设有第一预设相似度差值Δσ1、第二预设相似度差值Δσ2、第三预设相似度差值Δσ3、第一学习率补偿系数e1、第二学习率补偿系数e2以及第三学习率补偿系数e3，其中Δσ1＜Δσ2＜Δσ3，设定1＜e1＜e2＜e3＜1.5，当智能分析单元判定所述模型验证结果数据的相似度σ＞σ0并根据σ与σ0的差值Δσ对模型的学习率A进行补偿时，
若Δσ≤Δσ1，所述智能分析单元选取第一学习率补偿系数e1对所述学习率进行补偿；
若Δσ1＜Δσ≤Δσ2，所述智能分析单元选取第二学习率补偿系数e2对所述学习率进行补偿；
若Δσ2＜Δσ≤Δσ3，所述智能分析单元选取第三学习率补偿系数e3对所述学习率进行补偿；
当所述智能分析单元选取第r学习率补偿系数er对所述学习率进行补偿时，设定r＝1，2，3，智能分析单元将补偿后的学习率记为A1，设定A1＝A×er，所述建模单元以调节后的学习率进行模型训练。
本发明所述智能分析单元通过预设结果数据与验证结果数据计算误差率并在判定误差率不符合标准时对所述预测模型的学习率进行减小调节，进一步提高了预测模型的预测精准性。
具体地，所述智能分析单元设有第一预设误差率差值Δτ1、第二预设误差率差值Δτ2、第三预设误差率差值Δτ3、第一学习率调节系数α1、第二学习率调节系数α2以及第三学习率调节系数α3，其中Δτ1＜Δτ2＜Δτ3，设定0.7＜α3＜α2＜α1＜1，当智能分析单元判定所述模型验证结果的误差率τ＞τ0并根据τ与τ0的差值Δτ对模型的学习率A进行减小时，
若Δτ≤Δτ1，所述智能分析单元选取第一学习率调节系数α1对所述学习率进行调节；
若Δτ1＜Δτ≤Δτ2，所述智能分析单元选取第二学习率调节系数α2对所述学习率进行调节；
若Δτ2＜Δτ≤Δτ3，所述智能分析单元选取第三学习率调节系数α3对所述学习率进行调节；
当所述智能分析单元选取第s学习率调节系数αs对所述学习率进行调节时，设定s＝1，2，3，所述智能分析单元将调节后的学习率记为A2，设定A2＝A×αs，所述建模单元以调节后的学习率进行模型训练。
本发明所述智能分析单元在完成对学习率的调节后计算所述预测模型的数据输出合格率并根据合格率判定是否需要对预测模型的迭代次数进行调节，进一步提高了预测模型的预测精准性。
具体地，所述智能分析单元设有预设合格率E0，当所述智能分析单元完成对所述学习率的调节并使用调节后的学习率进行模型训练时，智能分析单元根据所述预测模型输出的合格数据量U与输入的总数据量U0计算所述预测模型的输出合格率E，设定E＝U/U0，并根据该输出合格率E与预设合格率E0的比对结果确定所述预测模型是否可用，
若E≥E0，所述智能分析单元判定所述预测模型可用；
若E＜E0，所述智能分析单元判定所述预测模型不可用。
具体地，所述智能分析单元设有第一预设合格率差值ΔE1、第二预设合格率差值ΔE2、第三预设合格率差值ΔE3、第一迭代次数调节系数β1、第二迭代次数调节系数β1以及第三迭代次数调节系数β3，其中ΔE1＜ΔE2＜ΔE3，设定1＜β1＜β2＜β3＜2，当所述智能分析单元判定所述模型不可用时，计算所述合格率E和预设合格率E的合格率差值ΔE，设定ΔE＝E0-E，所述智能分析单元根据该合格率差值与预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节后再次训练所述预测模型，
若ΔE≤ΔE1，所述智能分析单元选取第一迭代次数调节系数β1对所述迭代次数进行调节；
若ΔE1＜ΔE≤ΔE2，所述智能分析单元选取第二迭代次数调节系数β2对所述迭代次数进行调节；
若ΔE2＜ΔE≤ΔE3，所述智能分析单元选取第三迭代次数调节系数β3对所述迭代次数进行调节；
当所述智能分析单元选取第j迭代次数调节系数βj对所述迭代次数进行调节时，设定j＝1，2，3，所述智能分析单元将调节后的迭代次数设置为N＇，设定N＇＝N×βj。
具体地，所述建模单元在已有运行电参数数据库的基础上，实现状态样本的切片存档，建立状态模式信息与运行数据库的关联映射，实现状态模式信息库知识与运行参数据库的信息融合，提高了本发明所述系统的运行速度和准确性。
本实施例所述系统能够根据油井供液能力智能调节运行冲次，速度调节可达到最低1次/分，调参范围大；通过预测模型可自动识别电参数曲线特征值，跟踪油井动液面变化，保证合理沉没度运行；支持实时数据在线显示，历史数据(电参数、沉没度、产液量等)曲线查询，数据存储时间可达6个月。
截止目前，在大庆油田已经应用超过270口井，应用前后单井产液量基本保持不变。对其中116口井数据进行了统计，应用前平均冲次3.74min-1，应用后平均冲次2.19min-1，单井平均泵效提高17.1个百分点，由22.12％提高到39.22％，沉没度基本稳定在100-150米范围内，平均节电率28.53％，系统效率提高4.06个百分点。
请参阅图2和图3所示，其分别为本实施例B00井应用本发明所述系统前抽油机功图示意图和本实施例B00井应用本发明所述系统后抽油机功图示意图，本实施例B00井泵挂深度1186.2m、冲程2.5m、泵径38mm，试验前冲次3.82min-1，功率4.81kW，系统效率12.9％，应用该技术后，平均冲次2.46min-1，油井沉没度稳定在100m左右，功率4.03kW，节电率16.2％，B00井在应用本发明所述系统前后的参数对比见表1，
表1
Figure BDA0003633908120000131
B00井在应用本发明所述系统后，参数下调，在产量没有下降的前提下，降低了冲次，节能显著；沉没度趋向合理，整个抽油机系统的运行更加平稳，降低故障率，可以进一步延长检泵周期，降低运行与维护成本。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。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。

Claims (10)

1.一种抽油机智能调控节能保护装置，其特征在于，包括：
数据获取单元，用以获取抽油机历史运行数据；
数据处理单元，其与所述数据获取单元相连，用以将数据获取单元获取的若干所述抽油机历史运行数据进行预处理；
建模单元，其与所述数据处理单元相连，用以建立基于机器学习模型并将数据处理单元预处理完成的若干所述抽油机历史运行数据输入至机器学习模型中进行训练生成预测模型；
电参数采集单元，其与所述建模单元相连，用以采集抽油机运行过程中的电参数变化数据并将采集的数据输送至建模单元；
智能分析单元，其与所述建模单元相连，用以在对所述预测模型进行验证时，通过验证结果判定是否需要对模型进行调参；所述智能分析单元通过预设结果数据与验证结果数据计算误差率并根据误差率判定是否需要对所述预测模型的学习率进行调节，所述智能分析单元在完成对学习率的调节后计算所述预测模型的数据输出合格率并根据合格率判定是否需要对预测模型的迭代次数进行调节；当所述智能分析单元判定模型可用后，所述建模单元根据所述电参数采集单元采集的抽油机运行过程中的电参数变化数据生成优化处理结果，并由智能分析单元将优化处理结果输出给矢量变频器；
矢量变频器，其为一执行器件，与所述智能分析单元相连，用以接收智能分析单元指令对抽油机的电机进行调速。
2.根据权利要求1所述的抽油机智能调控节能保护装置，其特征在于，所述数据获取单元获取抽油机历史运行数据作为数据挖掘的原始数据集，对上述原始数据集按照时间标签进行裁剪以得到先验状态数据；
所述数据处理单元结合仿真模型与异常状态特征数据，采用自组织特征映射聚类方法对异常状态特征数据进行分类，结合专家知识对征兆分类结果进行合理性分析和规范化，形成状态样本集，将状态样本集的预设比例作为训练集，将剩余的样本作为验证集；
所述建模单元建立基于机器学习模型，通过训练集样本对预测模型进行训练，通过验证集样本对模型性能进行定量评价。
3.根据权利要求2所述的抽油机智能调控节能保护装置，其特征在于，在对所述预测模型进行训练时，输入数据并通过多元线性回归算法进行预测模型训练，并在训练时将所述预测模型的学习率设置为A，迭代次数设置为N。
4.根据权利要求3所述的抽油机智能调控节能保护装置，其特征在于，所述智能分析单元设有预设误差率临界值τ0，在使用验证集对模型进行验证时，通过验证结果判定是否需要对模型进行调参，选取验证集中的样本数据A1、A2...An对模型进行验证时，其对应的预设结果数据为a1、a2...an，模型的验证结果数据为b1、b2...bn，所述智能分析单元将预设结果数据与验证结果数据中的数值对应并计算误差率τ，设定τ＝[(a1-b1)^2+(a2-b2)^2+……+(an-bn)^2]/n，智能分析单元将τ与τ0进行比对，
若τ≤τ0，所述智能分析单元判定所述模型验证结果符合标准并进一步计算验证结果数据的相似度；
若τ＞τ0，所述智能分析单元判定所述模型验证结果不符合标准、计算τ与τ0的差值Δτ并根据Δτ对模型的学习率A进行减小。
5.根据权利要求4所述的抽油机智能调控节能保护装置，其特征在于，所述智能分析单元设有预设相似度临界值σ0，当所述智能分析单元判定模型验证的误差率τ≤τ0时，智能分析单元首先计算验证结果数据b1、b2...bn的平均值b，设定b＝(b1+b2+...+bn)/n，智能分析单元在完成对平均值b的计算时进一步计算验证结果数据b1、b2...bn的相似度σ，设定σ＝[(b1-b)^2+(b2-b)^2+……+(bn-b)^2]/n，智能分析单元将σ与σ0进行比对，
若σ≤σ0，所述智能分析单元判定所述模型验证结果数据的相似度符合标准，初步判断模型预测结果合格；
若σ＞σ0，所述智能分析单元判定所述模型验证结果数据的相似度过高、计算σ与σ0的差值Δσ并根据Δσ对模型的学习率A进行补偿。
6.根据权利要求5所述的抽油机智能调控节能保护装置，其特征在于，所述智能分析单元设有第一预设相似度差值Δσ1、第二预设相似度差值Δσ2、第三预设相似度差值Δσ3、第一学习率补偿系数e1、第二学习率补偿系数e2以及第三学习率补偿系数e3，其中Δσ1＜Δσ2＜Δσ3，设定1＜e1＜e2＜e3＜1.5，当智能分析单元判定所述模型验证结果数据的相似度σ＞σ0并根据σ与σ0的差值Δσ对模型的学习率A进行补偿时，
若Δσ≤Δσ1，所述智能分析单元选取第一学习率补偿系数e1对所述学习率进行补偿；
若Δσ1＜Δσ≤Δσ2，所述智能分析单元选取第二学习率补偿系数e2对所述学习率进行补偿；
若Δσ2＜Δσ≤Δσ3，所述智能分析单元选取第三学习率补偿系数e3对所述学习率进行补偿；
当所述智能分析单元选取第r学习率补偿系数er对所述学习率进行补偿时，设定r＝1，2，3，智能分析单元将补偿后的学习率记为A1，设定A1＝A×er，所述建模单元以调节后的学习率进行模型训练。
7.根据权利要求4所述的抽油机智能调控节能保护装置，其特征在于，所述智能分析单元设有第一预设误差率差值Δτ1、第二预设误差率差值Δτ2、第三预设误差率差值Δτ3、第一学习率调节系数α1、第二学习率调节系数α2以及第三学习率调节系数α3，其中Δτ1＜Δτ2＜Δτ3，设定0.7＜α3＜α2＜α1＜1，当智能分析单元判定所述模型验证结果的误差率τ＞τ0并根据τ与τ0的差值Δτ对模型的学习率A进行减小时，
若Δτ≤Δτ1，所述智能分析单元选取第一学习率调节系数α1对所述学习率进行调节；
若Δτ1＜Δτ≤Δτ2，所述智能分析单元选取第二学习率调节系数α2对所述学习率进行调节；
若Δτ2＜Δτ≤Δτ3，所述智能分析单元选取第三学习率调节系数α3对所述学习率进行调节；
当所述智能分析单元选取第s学习率调节系数αs对所述学习率进行调节时，设定s＝1，2，3，所述智能分析单元将调节后的学习率记为A2，设定A2＝A×αs，所述建模单元以调节后的学习率进行模型训练。
8.根据权利要求7所述的抽油机智能调控节能保护装置，其特征在于，所述智能分析单元设有预设合格率E0，当所述智能分析单元完成对所述学习率的调节并使用调节后的学习率进行模型训练时，智能分析单元根据所述预测模型输出的合格数据量U与输入的总数据量U0计算所述预测模型的输出合格率E，设定E＝U/U0，并根据该输出合格率E与预设合格率E0的比对结果确定所述预测模型是否可用，
若E≥E0，所述智能分析单元判定所述预测模型可用；
若E＜E0，所述智能分析单元判定所述预测模型不可用。
9.根据权利要求8所述的抽油机智能调控节能保护装置，其特征在于，所述智能分析单元设有第一预设合格率差值ΔE1、第二预设合格率差值ΔE2、第三预设合格率差值ΔE3、第一迭代次数调节系数β1、第二迭代次数调节系数β1以及第三迭代次数调节系数β3，其中ΔE1＜ΔE2＜ΔE3，设定1＜β1＜β2＜β3＜2，当所述智能分析单元判定所述模型不可用时，计算所述合格率E和预设合格率E的合格率差值ΔE，设定ΔE＝E0-E，所述智能分析单元根据该合格率差值与预设合格率差值的比对结果选取对应的迭代次数调节系数对迭代次数进行调节，并在调节后再次训练所述预测模型，
若ΔE≤ΔE1，所述智能分析单元选取第一迭代次数调节系数β1对所述迭代次数进行调节；
若ΔE1＜ΔE≤ΔE2，所述智能分析单元选取第二迭代次数调节系数β2对所述迭代次数进行调节；
若ΔE2＜ΔE≤ΔE3，所述智能分析单元选取第三迭代次数调节系数β3对所述迭代次数进行调节；
当所述智能分析单元选取第j迭代次数调节系数βj对所述迭代次数进行调节时，设定j＝1，2，3，所述智能分析单元将调节后的迭代次数设置为N＇，设定N＇＝N×βj。
10.根据权利要求2所述的抽油机智能调控节能保护装置，其特征在于，所述建模单元在已有运行电参数数据库的基础上，实现状态样本的切片存档，建立状态模式信息与运行数据库的关联映射，实现状态模式信息库知识与运行参数据库的信息融合。
CN202210497151.7A 2022-05-09 2022-05-09 抽油机智能调控节能保护装置 Active CN114897069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210497151.7A CN114897069B (zh) 2022-05-09 2022-05-09 抽油机智能调控节能保护装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210497151.7A CN114897069B (zh) 2022-05-09 2022-05-09 抽油机智能调控节能保护装置

Publications (2)

Publication Number Publication Date
CN114897069A true CN114897069A (zh) 2022-08-12
CN114897069B CN114897069B (zh) 2023-04-07

Family

ID=82722251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210497151.7A Active CN114897069B (zh) 2022-05-09 2022-05-09 抽油机智能调控节能保护装置

Country Status (1)

Country Link
CN (1) CN114897069B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0109643D0 (en) * 2001-04-19 2001-06-13 Isis Innovation System and method for monitoring and control
CN107687332A (zh) * 2017-09-08 2018-02-13 张雅芝 利用电参数实现螺杆泵和抽油机工况在线分析诊断和控制调整方法及装置
CN109983480A (zh) * 2016-11-15 2019-07-05 谷歌有限责任公司 使用聚类损失训练神经网络
CN110363337A (zh) * 2019-06-27 2019-10-22 中国石油大学(北京) 一种基于数据驱动的抽油机量油方法及系统
CN111611953A (zh) * 2020-05-28 2020-09-01 北京富吉瑞光电科技有限公司 一种基于目标特征训练的抽油机识别方法与系统
CN212114506U (zh) * 2020-06-24 2020-12-08 大庆立能电力机械设备有限公司 集成优化配电装置
CN112085242A (zh) * 2019-06-13 2020-12-15 中国石油大学(华东) 一种基于大数据深度学习方法的低阻层精准预测方法与装置
CN112836613A (zh) * 2021-01-27 2021-05-25 中国科学院沈阳自动化研究所 基于物理模型去噪的获取游梁抽油机冲程和冲次的方法
CN112861912A (zh) * 2021-01-08 2021-05-28 中国石油大学(北京) 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统
US11030526B1 (en) * 2020-01-21 2021-06-08 Capital One Services, Llc Hierarchical system and method for generating intercorrelated datasets
US20220012539A1 (en) * 2020-07-08 2022-01-13 Mitsubishi Heavy Industries, Ltd. Evaluating device, plant control assist system, evaluation method, and program
WO2022021029A1 (zh) * 2020-07-27 2022-02-03 深圳市大疆创新科技有限公司 检测模型训练方法、装置、检测模型使用方法及存储介质
CN114216248A (zh) * 2022-02-22 2022-03-22 深圳雪芽创新科技有限公司 一种应用于数据中心机房的智能降温方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0109643D0 (en) * 2001-04-19 2001-06-13 Isis Innovation System and method for monitoring and control
CN109983480A (zh) * 2016-11-15 2019-07-05 谷歌有限责任公司 使用聚类损失训练神经网络
CN107687332A (zh) * 2017-09-08 2018-02-13 张雅芝 利用电参数实现螺杆泵和抽油机工况在线分析诊断和控制调整方法及装置
CN112085242A (zh) * 2019-06-13 2020-12-15 中国石油大学(华东) 一种基于大数据深度学习方法的低阻层精准预测方法与装置
CN110363337A (zh) * 2019-06-27 2019-10-22 中国石油大学(北京) 一种基于数据驱动的抽油机量油方法及系统
US11030526B1 (en) * 2020-01-21 2021-06-08 Capital One Services, Llc Hierarchical system and method for generating intercorrelated datasets
CN111611953A (zh) * 2020-05-28 2020-09-01 北京富吉瑞光电科技有限公司 一种基于目标特征训练的抽油机识别方法与系统
CN212114506U (zh) * 2020-06-24 2020-12-08 大庆立能电力机械设备有限公司 集成优化配电装置
US20220012539A1 (en) * 2020-07-08 2022-01-13 Mitsubishi Heavy Industries, Ltd. Evaluating device, plant control assist system, evaluation method, and program
WO2022021029A1 (zh) * 2020-07-27 2022-02-03 深圳市大疆创新科技有限公司 检测模型训练方法、装置、检测模型使用方法及存储介质
CN112861912A (zh) * 2021-01-08 2021-05-28 中国石油大学(北京) 一种基于深度学习的抽油机井复杂工况示功图识别方法及系统
CN112836613A (zh) * 2021-01-27 2021-05-25 中国科学院沈阳自动化研究所 基于物理模型去噪的获取游梁抽油机冲程和冲次的方法
CN114216248A (zh) * 2022-02-22 2022-03-22 深圳雪芽创新科技有限公司 一种应用于数据中心机房的智能降温方法

Also Published As

Publication number Publication date
CN114897069B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110320892A (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
CN114992106B (zh) 一种基于数字孪生的泵站机组运行状态分析系统
CN109185917B (zh) 一种基于火焰强度信号的锅炉燃烧状态在线诊断方法及系统
US20230229124A1 (en) Operation control system and a control method for a gas-steam combined cycle generator unit
CN116658492B (zh) 智能动力猫道及其方法
CN113177646B (zh) 一种基于自适应边缘代理的配电设备在线监测方法及系统
CN113780375B (zh) 一种基于数字孪生的虚实交互风电场风力监测系统及应用
CN110332605A (zh) 基于bp神经网络的热网能耗指标分析预警方法及系统
CN115689353A (zh) 基于gs-svm算法的水电站调速系统健康评估方法
CN110766320A (zh) 一种机场智能电网运行安全评价方法及装置
CN116335925A (zh) 基于数据增强的煤矿井下乳化泵站智能调控系统
CN109002026A (zh) 一种水电机组全工况综合参数退化趋势分析方法
CN117032120A (zh) 集成一体式空压站智能云控制系统及控制方法
CN106567964B (zh) 一种基于dcs数据的流量控制阀监控方法
CN114897069B (zh) 抽油机智能调控节能保护装置
CN112418662A (zh) 一种利用人工神经网络的配电网运行可靠性分析方法
CN111126825B (zh) 一种可视化电池智能充放电节能管理系统及其控制方法
CN107634544A (zh) 火电机组的动态功率控制方法和系统
CN115828744A (zh) 一种白光发光二极管故障在线诊断与寿命预测方法
CN101464224B (zh) 气压沉箱设备性能检测系统
CN115877793A (zh) 油田用能源管控系统及油田用能耗管控方法
CN116540627B (zh) 基于深度迁移学习的机床热误差预测补偿群控方法及系统
CN115750304B (zh) 绿能抽油机智慧管控系统
CN110043228A (zh) 一种抽油机井场智能管理工作站
CN117764422B (zh) 智慧节能运维管理云平台

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