專利名稱：一種基于bp神經網絡與spea2算法的油田抽油機采油節能增產優化方法
技術領域：
本發明屬于抽油機抽油過程的控制技術，特別涉及一種基于BP神經網絡與SPEA2算法的油田抽油機采油節能增產優化方法。
背景技術：
抽油機采油作為一種機械采油方式，主要由電動機、地面傳動設備和井下抽油設備三部分組成。抽油機采油的整個過程主要為上下兩個沖程:上沖程時驢頭懸點需提起抽油桿柱和液柱，在抽油機未進行平衡的條件下，電動機需付出很大的能量，這時電動機處于電動狀態；下沖程時抽油機桿柱轉拉動對電動機做功，使電動機處于發電機的運行狀態。抽油機在采油過程各個環節中的能量損失很大，如電動機大馬拉小車的情況，這使得抽油機存在載荷率低、系統效率低和能耗大等缺點。目前，抽油機在我國油田的占有量很高，但系統效率低，能耗大，其增產節能是當前急需解決的一個重要問題。抽油機采油的工藝參數是否工作在最優化狀態是實現增產節能的一中簡單、有效的方法，而抽油機模型的建立又是優化最理想工藝參數的關鍵。抽油機工作過程是一個復雜非線性系統，其輸入參數集包括:沖次；最大載荷；最小載荷；有效沖程；計算泵效；動液面；電動機電樞采樣電流值；電動機電樞采樣電流積分值；沖程；有功功率；功率因素；回壓；套壓；油壓；電壓；電流；轉速；頻率；含水率；井口溫度等。而輸出結果主要看兩個指標:耗電量和產油量。如此復雜的系統，很難用一個準確的數學模型去描述它，
發明內容
本發明表述一種基于BP神經網絡(簡稱BPNN)與SPEA2算法(強度Pareto進化算法)的油田抽油機采油節能增產優化方法，能確定工藝參數的最優值；根據優化后的工藝參數最優值進行實際生產指導。其關鍵在于按如下步驟進行:步驟一:統計所有對耗電量、產油量有影響的原始變量S，并從中確定在油田抽油機采油過程中對耗電量、產油量影響非常大的SI個決策變量X ；步驟二:采集時間T內決策變量和對應著的耗電量、產油量Y的樣本，得到一個樣本矩陣；步驟三:以決策變量X作為輸入，以耗電量、產油量Y作為輸出，運用BP神經網絡算法，對樣本進行訓練、檢驗，建立抽油機采油的過程模型；步驟四:以BPNN模型為基礎，以BPNN的兩個輸出值作為適應度函數F(i)i=l，2，運用SPEA2多目標進化算法，對決策變量在各自的上下限范圍內，進行優化；步驟五:將優化后的SI個決策變量X優化值帶入BPNN模型，計算此時的模型兩個輸出值耗電量、產油量Y，與樣本值平均值進行比較，如果耗電量降低、產量提高，則帶入油田，對實際生產進行指導，否則，返回步驟一，人為更換SI個決策變量X，重新篩選決策變量X;步驟六:如果所有設定的Si個決策變量X組合都沒有使耗電量降低、產量提高，則S1=S1+1，再返回步驟一。所述步驟三抽油機采油的過程模型建立步驟為:第一步:設置變量和參量:Xk= [xkl, xk2,...，XkJ (k=l, 2,..., N)為輸入矢量,或稱訓練樣本，N為訓練樣本個數，
權利要求
1.一種基于BP神經網絡與SPEA2算法的油田抽油機采油節能增產優化方法，其特征在于按如下步驟進行: 步驟一:統計所有對耗電量、產油量有影響的原始變量S，并從中確定在油田抽油機采油過程中對耗電量、產油量影響非常大的SI個決策變量X ； 步驟二:采集時間T內決策變量和對應著的耗電量、產油量Y的樣本，得到一個樣本矩陣； 步驟三:以決策變量X作為輸入，以耗電量、產油量Y作為輸出，運用BP神經網絡算法，對樣本進行訓練、檢驗，建立抽油機采油的過程模型； 步驟四:以BPNN模型為基礎，以BPNN的兩個輸出值作為適應度函數F (i) i=l, 2，運用SPEA2多目標進化算法，對決策變量在各自的上下限范圍內，進行優化； 步驟五:將優化后的SI個決策變量X優化值帶入BPNN模型，計算此時的模型兩個輸出值耗電量、產油量Y，與樣本值平均值進行比較，如果耗電量降低、產量提高，則帶入油田，對實際生產進行指導，否則，返回步驟一，人為更換SI個決策變量X，重新篩選決策變量X ;步驟六:如果所有設定的SI個決策變量X組合都沒有使耗電量降低、產量提高，則S1=S1+1，再返回步驟一。
2.根據權利要求1所述一種基于BP神經網絡與SPEA2算法的油田抽油機采油節能增產優化方法，其特征在于:所述步驟三抽油機 采油的過程模型建立步驟為: 第一步:設置變量和參量: Xk= [xkl, xk2,...，xkM] (k=l, 2,..., N)為輸入矢量,或稱訓練樣本，N為訓練樣本個數，
3.根據權利要求1所述一種基于BP神經網絡與SPEA2算法的油田抽油機采油節能增產優化方法，其特征在于:所述步驟四的優化過程為: 第一步:初始化，設進化代數t=0，隨機產生決策變量的初始規則群體Ptl ;構造一個空的外部群體Fci = 0，其中，I Ptl I =D, V0=Q,設T為最大進化代數； 第二步:適應度賦值，計算Pt和Vt中個體的適應度F⑴； 第三步:環境選擇，利用所提供的環境選擇方式進行環境選擇； 第四步:終止條件，如果t〈T或者最大適應度值與平均適應度值之差和平均適應度值比值小于5%，繼續第五步；否則，中止迭代，Vt+1中的非支配個體即為Pareto最優解集；第五步:交配選擇，使用二進制競標賽選擇Vt+1中的個體進入交配池； 第六步:遺傳操作，對交配池中個體使用重組和變異操作，產生的新個體進入Pt+1，t=t+l,返回第二步。
全文摘要
本發明公開一種基于BP神經網絡與SPEA2算法的油田抽油機采油節能增產優化方法，其特征在于按如下步驟進行一統計決策變量X；二采集耗電量、產油量Y的樣本，得到一個樣本矩陣；三建立抽油機采油的過程模型；四以BPNN模型為基礎，運用SPEA2多目標進化算法，對決策變量在各自的上下限范圍內，進行優化；五如果耗電量降低、產量提高，對實際生產進行指導，否則，返回一，人為更換S1個決策變量X，重新篩選決策變量X；六如果所有設定的S1個決策變量X組合都沒有使耗電量降低、產量提高，則S1=S1+1，再返回一。本發明的有益效果是能確定工藝參數的最優值；根據優化后的工藝參數最優值進行實際生產指導。
文檔編號G06F17/50GK103177155SQ201310062180
公開日2013年6月26日 申請日期2013年2月28日 優先權日2013年2月28日
發明者辜小花, 易軍, 廖志強, 李太福 申請人:重慶科技學院