杜會(huì)堯 祿佳景 辜小花 楊利平 唐海紅

(1. 中國(guó)石油大港油田公司第一采油廠， 天津 300280； 2. 重慶科技學(xué)院電氣工程學(xué)院， 重慶 401331；3. 四川輕化工大學(xué)人工智能四川省重點(diǎn)實(shí)驗(yàn)室， 四川 自貢 643000；4. 重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室， 重慶 400030)

有桿抽油機(jī)是油田機(jī)采中的主要采油設(shè)備，目前存在效率低下、能源浪費(fèi)嚴(yán)重的問(wèn)題[1-2]。提高抽油機(jī)生產(chǎn)效率、降低能耗的方式主要有2種：一是從硬件方面著手進(jìn)行改變，研發(fā)新型抽油機(jī)或其配套裝置[2-4]；二是從軟件方面著手進(jìn)行改變，提升采油系統(tǒng)的智能化水平，應(yīng)用先進(jìn)的信息技術(shù)改造現(xiàn)有抽油機(jī)生產(chǎn)技術(shù)，提升生產(chǎn)水平[5]。因?yàn)榍耙环N方式改造周期長(zhǎng)、投資成本高，所以，后一種方式更受關(guān)注。采用后一種方式的關(guān)鍵是，建立精準(zhǔn)可靠的機(jī)采過(guò)程工藝模型。油田機(jī)采系統(tǒng)模型的建立分為機(jī)理建模和數(shù)據(jù)統(tǒng)計(jì)建模。機(jī)理模型能夠描述機(jī)采系統(tǒng)重要變量的變化趨勢(shì)，反映機(jī)采過(guò)程的基本機(jī)理[6-7]，但因其基于簡(jiǎn)化和假設(shè)條件而使建立準(zhǔn)確可靠的抽油機(jī)工藝機(jī)理模型變得十分困難。數(shù)據(jù)統(tǒng)計(jì)建模不僅克服了機(jī)理模型的上述缺點(diǎn)，且可利用廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network, 縮寫為GRNN)、BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network, 縮寫為BPNN)[8-10]深度挖掘沖次、有效沖程等控制節(jié)點(diǎn)與系統(tǒng)性能之間的潛在規(guī)律，以替代抽油機(jī)的復(fù)雜變化機(jī)理過(guò)程，實(shí)現(xiàn)油田機(jī)采系統(tǒng)建模。

然而，抽油機(jī)采油過(guò)程中的工況十分復(fù)雜，難以通過(guò)統(tǒng)一的工藝模型來(lái)準(zhǔn)確反映操作參數(shù)、環(huán)境變量與系統(tǒng)性能的潛在關(guān)系，模型精度不高。對(duì)此，可借鑒多模型建模思想[10]，將復(fù)雜非線性問(wèn)題分解為若干簡(jiǎn)單的線性系統(tǒng)問(wèn)題，繼而針對(duì)各線性系統(tǒng)獲得良好的建模與控制效果。雙翼帆等人將多模型建模思想應(yīng)用于連續(xù)催化重整裝置，建立了脫氯前氫氣純度的在線計(jì)算模型，該方法具有較高的預(yù)測(cè)精度，優(yōu)于傳統(tǒng)的單一模型[12]。孫建平等人將多模型建模思想成功運(yùn)用于長(zhǎng)興電廠300 MW單元機(jī)組，應(yīng)用效果良好[13]。 可以推測(cè)，基于多模型建模思想，研究抽油機(jī)生產(chǎn)過(guò)程的工況細(xì)分模型，將為獲取穩(wěn)定可靠的工藝模型提供切實(shí)可行的理論指導(dǎo)。

為此，本次研究提出基于多工況PSO-ELM的油田機(jī)采工藝高精度建模方法，以提高機(jī)采系統(tǒng)在不同運(yùn)行狀態(tài)下的預(yù)測(cè)精度，從而獲取最佳工藝調(diào)控參數(shù)和工藝模型，為進(jìn)一步實(shí)現(xiàn)油田機(jī)采系統(tǒng)節(jié)能降耗奠定基礎(chǔ)。

1 機(jī)采工藝的多工況PSO-ELM模型

1.1 基于多工況模型的油田機(jī)采工藝參數(shù)優(yōu)化

利用模型發(fā)現(xiàn)抽油機(jī)系統(tǒng)潛在的規(guī)律，再通過(guò)優(yōu)化算法獲取最佳工藝參數(shù)，可以有效提升自身的技術(shù)水平和生產(chǎn)效益，降低能源消耗。在油田機(jī)采過(guò)程中，受到地層壓力、環(huán)境溫濕度、地質(zhì)結(jié)構(gòu)以及出砂、結(jié)蠟、設(shè)備老化故障等多種因素的影響，工況會(huì)發(fā)生明顯變化，繼而使操作參數(shù)發(fā)生改變；因此，若按照統(tǒng)一的工況條件建模，將難以準(zhǔn)確地反映系統(tǒng)運(yùn)行中不斷變化的潛在關(guān)系。為此，提出基于多工況模型的油田機(jī)采工藝參數(shù)優(yōu)化方法。在示功圖聚類分析的基礎(chǔ)上，對(duì)示功圖的工藝參數(shù)進(jìn)行分類，以建立各工況的最佳模型；同時(shí)，通過(guò)參數(shù)優(yōu)化方法來(lái)獲取各工況的最優(yōu)工藝參數(shù)，以保證各類工況在最佳狀態(tài)下運(yùn)行。圖1所示為基于多工況模型的油田機(jī)采工藝建模與參數(shù)優(yōu)化框圖。

圖1 基于多工況模型的油田機(jī)采工藝建模與參數(shù)優(yōu)化框圖

如圖1所示，系統(tǒng)分為工況細(xì)分、多工況建模和參數(shù)優(yōu)化等3個(gè)階段。在工況細(xì)分階段，首先將針對(duì)生產(chǎn)中積累的大量歷史示功圖，通過(guò)PCA降維以去除數(shù)據(jù)冗余；然后針對(duì)降維后獲得的主分量特征，通過(guò)k均值聚類找出其中蘊(yùn)含的典型工況。在多工況建模階段，針對(duì)歷史示功圖利用每種工況所有樣本的PCA主分量，并通過(guò)相應(yīng)的建模算法建立各工況的機(jī)采系統(tǒng)模型。在參數(shù)優(yōu)化階段，首先判斷當(dāng)前屬于哪一種典型工況，然后以該工況對(duì)應(yīng)的模型為基礎(chǔ)，采取優(yōu)化策略獲得該工況對(duì)應(yīng)的實(shí)時(shí)最優(yōu)工藝參數(shù)。受篇幅限制，在此僅討論工況細(xì)分。

1.2 基于示功圖主元聚類分析的工況細(xì)分

示功圖能夠較為突出地反映機(jī)采系統(tǒng)的工作狀態(tài)，故常作為采油系統(tǒng)各種工況分析的重要依據(jù)[14-15]。在此，應(yīng)用k-means算法[16-17]提取無(wú)標(biāo)簽示功圖樣本中的潛在規(guī)律，完成示功圖聚類，從而實(shí)現(xiàn)工況細(xì)分，并針對(duì)每種工況分別建模以提高模型精度。

若采用示功圖對(duì)應(yīng)的144個(gè)點(diǎn)直接進(jìn)行聚類分析和建模，可能會(huì)由于數(shù)據(jù)點(diǎn)之間的相關(guān)性和數(shù)據(jù)的高維特性而影響聚類和建模的精度，增加算法的復(fù)雜度。因此，首先采用PCA算法(principal component analysis)[18]對(duì)144個(gè)載荷數(shù)據(jù)進(jìn)行降維，以減少數(shù)據(jù)冗余。表1所示為基于示功圖主元聚類的工況細(xì)分算法流程。

通過(guò)上述計(jì)算后，完成基于示功圖的抽油機(jī)工況細(xì)分工作，將歷史數(shù)據(jù)分為若干種典型工況。

1.3 特定工況的PSO-ELM高精度建模

建立高精度的適應(yīng)性模型是獲取最佳決策參數(shù)的前提，但機(jī)理建模是建立在一定簡(jiǎn)化條件或理想條件假設(shè)的基礎(chǔ)上，故而建立準(zhǔn)確可靠的工藝機(jī)理能耗模型不僅困難且難以滿足實(shí)際生產(chǎn)需求。近年來(lái)，基于人工智能的建模方法被廣泛應(yīng)用于復(fù)雜系統(tǒng)建模，例如人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, 縮寫為ANN)[19]、支持向量機(jī)(support vector machine, SVM)[20]以及極限學(xué)習(xí)機(jī)(extreme learning machine,縮寫為ELM)[21]等。其中，ELM[22]作為前饋神經(jīng)網(wǎng)絡(luò)的新型學(xué)習(xí)算法，其結(jié)構(gòu)較簡(jiǎn)單，參數(shù)調(diào)整較少，計(jì)算復(fù)雜度較低，能夠有效地克服局部最小問(wèn)題。為此，采用ELM挖掘油田機(jī)采數(shù)據(jù)間的潛在規(guī)律，建立工藝過(guò)程模型?？紤]到ELM算法的權(quán)值閾值隨機(jī)性問(wèn)題，進(jìn)一步引入粒子群優(yōu)化算法，以提高模型的自適應(yīng)能力和自組織能力。

表1 基于示功圖主元聚類的工況細(xì)分算法流程

1.3.1 極限學(xué)習(xí)機(jī)原理簡(jiǎn)介

極限學(xué)習(xí)機(jī)是針對(duì)單隱層前饋神經(jīng)網(wǎng)絡(luò)(single-hidden layer feedforward neural networks，縮寫為SLFNs)的監(jiān)督型學(xué)習(xí)算法[23]。標(biāo)準(zhǔn)的SLFNs模型為：

(1)

式中：βj為隱含層與輸出層連接權(quán)值向量；wj為輸入層與隱含層連接權(quán)值向量；bj為第j個(gè)隱含層節(jié)點(diǎn)的偏置；g(·)為激勵(lì)函數(shù)；l為隱含層節(jié)點(diǎn)數(shù)；xi為輸入向量；oi為輸出向量。

(2)

式(2)可簡(jiǎn)化為矩陣形式：Hβ=T′,其中隱含層輸出矩陣為：

H[(w1,w2,…,wl),(b1,b2,…,bl),(x1,x2,…,xn)]

(3)

1.3.2 PSO-ELM算法原理

傳統(tǒng)ELM算法存在權(quán)值、閾值隨機(jī)性和網(wǎng)絡(luò)參數(shù)不確定等問(wèn)題，在處理大數(shù)據(jù)時(shí)效率低下，且存在過(guò)擬合現(xiàn)象，嚴(yán)重影響模型的自適應(yīng)能力。為此，引入粒子群優(yōu)化算法(particle swarm optimization, 縮寫為PSO)，對(duì)ELM的權(quán)重、閾值進(jìn)行優(yōu)化，進(jìn)而優(yōu)化整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，增強(qiáng)模型的自適應(yīng)能力和自組織能力。表2所示為油田機(jī)采工藝PSO-ELM建模算法流程。

2 實(shí)驗(yàn)結(jié)果分析

2.1 數(shù)據(jù)預(yù)處理

為驗(yàn)證本次提出的基于工況細(xì)分多工況PSO-ELM建模方法的有效性，對(duì)某油田機(jī)采系統(tǒng)應(yīng)用情況進(jìn)行了實(shí)例研究。研究數(shù)據(jù)取自該油田G526K2有桿抽油機(jī)井2014年12月至2015年9月的生產(chǎn)數(shù)據(jù)。在實(shí)際油水井信息采集平臺(tái)中，沖次、有效沖程、平均功率因數(shù)、計(jì)算泵效以及示功圖數(shù)據(jù)為每20 min采集1次，而含水率、日產(chǎn)液量和日耗電量為每天采集1次。為保證實(shí)驗(yàn)數(shù)據(jù)的一致性，對(duì)同一天的多組沖次、有效沖程、平均功率因數(shù)、計(jì)算泵效以及示功圖數(shù)據(jù)取平均值，作為對(duì)應(yīng)參數(shù)當(dāng)天的樣本。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，最終獲得253組樣本，部分樣本示例見(jiàn)表3。

表2 油田機(jī)采工藝PSO-ELM建模算法流程

表3 部分樣本示例

2.2 示功圖主元分量提取

示功圖由1個(gè)周期內(nèi)的144個(gè)載荷-位移數(shù)據(jù)構(gòu)成，這些數(shù)據(jù)之間具有明顯的相關(guān)性和冗余性，若全部用于聚類分析和建模將會(huì)降低算法的精度，或增加算法的復(fù)雜度。在此，利用主成分分析法(PCA算法)提取出主分量。根據(jù)PCA算法，可以計(jì)算提取出的主分量、與主分量對(duì)應(yīng)的各特征值及其累計(jì)貢獻(xiàn)率(見(jiàn)表4、表5)。

表4 PCA提取的主分量部分?jǐn)?shù)據(jù)

表5 主成分特征值及其貢獻(xiàn)率

為了更直觀地了解各類工況主分量所占比例，用帕累托圖表示前5個(gè)主分量的累計(jì)貢獻(xiàn)率，如圖2所示。其中，PCA算法提取的前3個(gè)主分量的累計(jì)貢獻(xiàn)率可達(dá)到94.87%，基本代表了數(shù)據(jù)的原始特征。為此，選擇3個(gè)主分量B1、B2、B3，用于后續(xù)的聚類分析和建模。

2.3 工況細(xì)分

基于上述PCA算法所得特征，對(duì)歷史示功圖進(jìn)行k均值聚類分析。經(jīng)過(guò)大量研究發(fā)現(xiàn)：當(dāng)k≥3時(shí)，總會(huì)有至少2類工況樣本出現(xiàn)重疊，導(dǎo)致聚類類別冗余。由此認(rèn)為，將本次樣本的示功圖載荷數(shù)據(jù)聚類成2類為最佳。為更加直觀地顯示工況類型，對(duì)2類工況的載荷點(diǎn)分別求取平均值，并重構(gòu)平均示功圖。根據(jù)圖3所示G526K2井工況聚類結(jié)果，并結(jié)合現(xiàn)場(chǎng)經(jīng)驗(yàn)，判斷出G526K2抽油井有供液不足及正常工況這2種生產(chǎn)運(yùn)行情況。

圖2 特征值貢獻(xiàn)率帕累托圖

圖3 G526K2井工況聚類結(jié)果

2.4 PSO-ELM多工況建模及評(píng)價(jià)

針對(duì)上述2種典型工況，分別建立PSO-ELM模型。整個(gè)樣本被劃分成2部分，其中80%作為訓(xùn)練樣本，其余20%作為測(cè)試樣本。為驗(yàn)證工況細(xì)分對(duì)模型精度的影響，與統(tǒng)一工況模型進(jìn)行比較，以產(chǎn)液量和耗電量預(yù)測(cè)結(jié)果為例(見(jiàn)圖4、圖5)。此外，為了驗(yàn)證PSO算法對(duì)ELM性能的提升，如圖6 — 圖9分別給出2種工況下的ELM建模和PSO-ELM的建模效果對(duì)比。

根據(jù)圖4、圖5可知，多工況PSO-ELM模型效果優(yōu)于統(tǒng)一工況模型。首先，45°趨勢(shì)線表示預(yù)測(cè)樣本與真實(shí)樣本的擬合程度，預(yù)測(cè)散點(diǎn)越接近45°趨勢(shì)線表明預(yù)測(cè)效果越好；其次，統(tǒng)一工況模型中存在大量嚴(yán)重偏離45°趨勢(shì)線的數(shù)據(jù)，擬合效果不理想。統(tǒng)一工況模型精度相對(duì)較低，這是因?yàn)橛吞餀C(jī)采系統(tǒng)是一個(gè)受較多因素綜合影響的多工況生產(chǎn)過(guò)程，各工況之間差異較大，不符合統(tǒng)一規(guī)則。

圖4 不同工況PSO-ELM模型產(chǎn)液量預(yù)測(cè)效果

圖5 不同工況PSO-ELM模型耗電量預(yù)測(cè)效果

圖6 工況1的產(chǎn)液量建模效果

根據(jù)圖6所示，PSO-ELM模型的預(yù)測(cè)精度優(yōu)于ELM模型，其訓(xùn)練值、測(cè)試值基本落在45°趨勢(shì)線上；而ELM模型無(wú)論是訓(xùn)練過(guò)程還是測(cè)試過(guò)程，其預(yù)測(cè)結(jié)果都偏離45°趨勢(shì)線一定距離。這些現(xiàn)象表明，PSO-ELM模型的精度和泛化能力均優(yōu)于ELM模型，同時(shí)通過(guò)PSO算法優(yōu)化ELM的輸入權(quán)值和隱含層閾值，可有效地解決ELM的輸入權(quán)值和隱含層閾值隨機(jī)給定問(wèn)題，保證已確定輸入權(quán)值和隱層閾值所對(duì)應(yīng)網(wǎng)絡(luò)的泛化性能最優(yōu)。

圖7 工況1的耗電量建模效果

圖8 工況2的產(chǎn)液量建模效果

圖9 工況2的耗電量建模效果

2.5 PSO-ELM多工況建模擾動(dòng)分析

為了進(jìn)一步驗(yàn)證基于工況細(xì)分的PSO-ELM模型中油田機(jī)采部分面對(duì)突發(fā)狀況的抗干擾能力，對(duì)各工況模型增加了干擾噪聲。干擾噪聲服從正態(tài)分布，X=X+K′×rands(m,n)×X，X是m×n維的矩陣，K′是擾動(dòng)因子。在此令K′=±15%，進(jìn)行干擾試驗(yàn)，以驗(yàn)證其抗干擾能力。如圖10 — 圖13所示，在人為增加干擾的情況下，PSO-ELM模型的追蹤能力最好，模型精度高，泛化能力強(qiáng)。

圖10 工況1的產(chǎn)液量干擾試驗(yàn)

圖11 工況1的耗電量干擾試驗(yàn)

圖12 工況2的產(chǎn)液量干擾試驗(yàn)

在圖11中，樣本數(shù)22和27對(duì)應(yīng)的數(shù)據(jù)變化明顯，PSO-ELM模型相較于ELM模型有較好的預(yù)測(cè)追蹤能力；在圖10、圖11中，針對(duì)工況1模型增加K′=±15%的人為干擾時(shí)，PSO-ELM表現(xiàn)出較好的預(yù)測(cè)能力和抗干擾能力；在圖12、圖13中，工況2模型PSO-ELM的抗干擾能力遠(yuǎn)遠(yuǎn)優(yōu)于ELM模型。產(chǎn)生上述結(jié)果的原因是：將數(shù)據(jù)按實(shí)際工況分類，分類后的數(shù)據(jù)能準(zhǔn)確反映變化系統(tǒng)運(yùn)行的潛在關(guān)系；PSO-ELM通過(guò)PSO算法有效地克服了ELM算法的缺陷，提升了模型精度及泛化能力，特別是模型的抗干擾能力。

圖13 工況2的耗電量干擾試驗(yàn)

相對(duì)于傳統(tǒng)的ELM模型，PSO-ELM模型在精度上有了明顯的提升。與此同時(shí)，針對(duì)多變工況的復(fù)雜工藝系統(tǒng)，利用多工況建模方法可有效地提高模型的訓(xùn)練精度及泛化能力。基于細(xì)分工況PSO-ELM建模方法對(duì)油田機(jī)采系統(tǒng)實(shí)際工況的描述更加準(zhǔn)確，可滿足現(xiàn)場(chǎng)生產(chǎn)的實(shí)際需求。該建模方法應(yīng)用于中國(guó)某油田采油一廠G526K2有桿抽油機(jī)井，其建模效果不僅有良好的運(yùn)行穩(wěn)定性，且模型的精度符合實(shí)際生產(chǎn)數(shù)據(jù)的計(jì)算要求。最重要的是，該模型可以滿足多變工況的復(fù)雜油田機(jī)采工藝系統(tǒng)應(yīng)用。

3 結(jié) 語(yǔ)

本次研究主要討論了油田機(jī)采系統(tǒng)建立高精度模型的問(wèn)題。根據(jù)生產(chǎn)示功圖聚類分析，將機(jī)采系統(tǒng)分解為若干典型工況，并通過(guò)PSO-ELM分別建立各工況模型。研究表明：多工況建模能夠有效地提高模型精度，實(shí)現(xiàn)精細(xì)化建模；PSO算法能夠在一定程度上克服ELM模型的隨機(jī)性問(wèn)題，提高模型精度。建立的多工況PSO-ELM模型具有較高的預(yù)測(cè)精度和良好的泛化能力，可用于油田機(jī)采系統(tǒng)。針對(duì)多工況的復(fù)雜油田機(jī)采系統(tǒng)，該模型表現(xiàn)出了較好的魯棒性，能夠有效地預(yù)測(cè)油田機(jī)采系統(tǒng)的產(chǎn)液量和耗電量，精度較高。