基于支持向量机沉没度预测的潜油泵冲次优化研究.doc

《基于支持向量机沉没度预测的潜油泵冲次优化研究.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于支持向量机沉没度预测的潜油泵冲次优化研究基于支持向量机沉没度预测的潜油泵冲次优化研究基于支持向量机沉没度预测的潜油泵冲次优化研究基于支持向量机沉没度预测的潜油泵冲次优化研究基于支持向量机沉没度预测的潜油泵冲次优化研究　　潜油往复式电泵抽油系统又称潜油柱塞泵抽油系统，它是一种新型的采油举升方式，由直线电机驱动，具有冲次在线可调的特点。在实际应用中，采油自动监控系统可利用此特点控制直线电机，使往复泵的工作状态与井下动态沉没度相匹配，达到高效、节能运行的目的。尤其应用于开采后期，产量中低或产量波动的油井时，可以更好地体现控制系统的优势。　　与传统游梁式抽油机的节能优化控制

2、策略不同，对于潜油往复泵的自动监控系统，实时动态沉没度是一个重要参量，可用作衡量井下油量的指标，并依据其进行抽汲参数的合理调整，实现以产量或节能为目标的优化控制。在沉没度研究方面，型；设计沉没度的控制方法，应用于变频装置中；研究了抽油机电机矢量空间最小励磁电流节能方法。预测方法方面，有Kalman滤波法、人工神经网络、Box-enkms法、模糊逻辑法及专家系统方法等。这些预测方法则较多地应用于电力系统的负荷预报中，抽油机动态沉没度的预测及优化控制少见报道。　　目前，采油厂在实际生产中使用人工测量动液面，再依靠经验调整直线电机驱动，但这种方式存在周期长、工作量大、依靠人工

3、经验、仪器设备复杂等诸多问题，很难做到及时、准确、合理调整电机状态。本文在研究基于支持向量机的沉没度预测的基础上，提出了一种以产量为目标的潜油式往复泵冲次的优化方法，为控制系统的整体优化提供了1样本的预处理1.1样本数据的选取及归一化本文对大庆油田十余口潜油往复泵抽油机的运行状态进行了长期跟踪记录，最后选取采油九厂一口潜油往复泵试验油井为研究对象，该井位于大庆油田外围，由游梁式抽油机改造而成，处于开采中后期，周围有若干注水井工作，其具有潜油往复泵油井的典型性特征，为潜油往复式抽油机的结构示意图。　　文中的原始数据样本为该井自2008年6月1日至2010年5月31日每天实

4、测的动液面高度和其直线电机的工作冲次等数据。该井泵深1181.70m，所在作业区每日对该油井动液面测量一次，并记录潜油往复泵工作冲次，测量时做多次测量取平均值处理，并根据经验剔除明显异常数据，由相邻数据取均值代替。如所示，由泵深和测得动液面高度二者之差，得到油井每日动态沉没度数据。经处理后的时间序列样本如表1，其中冲次数据为采油工作人员设定值。　　样本类别2008年6月至2010年6月数据动液面高度/m沉没度/m冲次/（次/分）由于文中所用沉没度数据的变化区间为，而冲次数据的变化区间为，二者数量级相差较多。采用非线性算法处理数据时容易造成冲次信息的淹没。因此在对网络进行

5、训练之前必须将沉没度数据和冲次数据归一化到同一数量级。　　本文将表1中原始数据归一化到。归一化过程在此不做赘述。　　1.2SVM训练样本的构造第/天的时间序列样本值；m为输入空间嵌入维数。　　令第/天的沉没度数据为以，由第/天的前m天的沉没度历史数据预测第/天沉没度。另外，本文引用了前一天即第；-1天的冲次信息尤（/-1）作为SVM模型的输入，即以归一化后的时间序列为基础，重构输入样本空间，构造SVM训练样本。其输入、输出矩阵为：得到预测模型的训练样本如表2所示。　　表2沉没度预测样本样本沉没度输入冲次输入输出2沉没度的预测2.1SVM的沉没度预测作为潜油往复式电泵控制

6、系统优化的基础，沉没度的预测必须具有较高的预测精度才能保证控制系统合理匹配往复泵冲次，以达到经济性最优的目标。　　SVM预测是通过非线性映射把输入空间的样本映射到高维特征空间做线性回归，说R%―R%（撕。2.）。其中，选择SVM核函数为构造模型的关键，即定义高维空间和非线性映射。由于目前尚无完备的选择核函数的理论支撑，作者分别试用多项式核、径向基核及Sigmoid核，在相同训练样本条件下确定模型，并使用相同的测试样本分别评价它们的误差指标，综合比较误差测试结果和仿真运算速度，选择径向基函数为核函数。文章篇幅所限，具体过程及比较结果将在另文中给出。　　SVM对应的函数回归

7、估计如式（4）所示，即求解式（5）可得到a，核函数为径向基函数尤（xt，b，得到回归函数。　　由C-C法确定预测样本维数rn=3，延时时间t=1，径向基函数为核函数，由网格搜索法选择优化参数，惩罚系数C=960、核函数参数ct=2.7.选取时间序列前620组归一化数据构成训练样本，对该SVM模型进行训练，得到潜油往复泵沉没度的SVM沉没度预测模型。　　2.2改进的SVM沉没度预测为提高SVM方法在冲次变化剧烈处的预测精度，引入往复泵冲次信息作为SVM沉没度预测模型的输入，在上一节基础上构成多输入的SVM沉没度预测模型，确定样本维数m=3、