CN103177155A - 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 - Google Patents

Abstract

本发明公开一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，其特征在于按如下步骤进行：一：统计决策变量X；二：采集耗电量、产油量Y的样本，得到一个样本矩阵；三：建立抽油机采油的过程模型；四：以BPNN模型为基础，运用SPEA2多目标进化算法，对决策变量在各自的上下限范围内，进行优化；五：如果耗电量降低、产量提高，对实际生产进行指导，否则，返回一，人为更换S1个决策变量X，重新筛选决策变量X；六：如果所有设定的S1个决策变量X组合都没有使耗电量降低、产量提高，则S1=S1+1，再返回一。本发明的有益效果是：能确定工艺参数的最优值；根据优化后的工艺参数最优值进行实际生产指导。

Description

一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法

技术领域

本发明属于抽油机抽油过程的控制技术，特别涉及一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法。 

背景技术

抽油机采油作为一种机械采油方式，主要由电动机、地面传动设备和井下抽油设备三部分组成。 

抽油机采油的整个过程主要为上下两个冲程：上冲程时驴头悬点需提起抽油杆柱和液柱，在抽油机未进行平衡的条件下，电动机需付出很大的能量，这时电动机处于电动状态；下冲程时抽油机杆柱转拉动对电动机做功，使电动机处于发电机的运行状态。抽油机在采油过程各个环节中的能量损失很大，如电动机大马拉小车的情况，这使得抽油机存在载荷率低、***效率低和能耗大等缺点。 

目前，抽油机在我国油田的占有量很高，但***效率低，能耗大，其增产节能是当前急需解决的一个重要问题。抽油机采油的工艺参数是否工作在最优化状态是实现增产节能的一中简单、有效的方法，而抽油机模型的建立又是优化最理想工艺参数的关键。 

抽油机工作过程是一个复杂非线性***，其输入参数集包括：冲次；最大载荷；最小载荷；有效冲程；计算泵效；动液面；电动机电枢采样电流值；电动机电枢采样电流积分值；冲程；有功功率；功率因素；回压；套压；油压；电压；电流；转速；频率；含水率；井口温度等。而输出结果主要看两个指标：耗电量和产油量。如此复杂的***，很难用一个准确的数学模型去描述它， 

发明内容

本发明表述一种基于BP神经网络（简称BPNN）与SPEA2算法（强度Pareto进化算法）的油田抽油机采油节能增产优化方法，能确定工艺参数的最优值；根据优化后的工艺参数最优值进行实际生产指导。其关键在于按如下步骤进行： 

步骤一：统计所有对耗电量、产油量有影响的原始变量S，并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X； 

步骤二：采集时间T内决策变量和对应着的耗电量、产油量Y的样本，得到一个样本矩阵； 

步骤三：以决策变量X作为输入，以耗电量、产油量Y作为输出，运用BP神经网络算法，对样本进行训练、检验，建立抽油机采油的过程模型； 

步骤四：以BPNN模型为基础，以BPNN的两个输出值作为适应度函数F(i)i=1,2，运用SPEA2多目标进化算法，对决策变量在各自的上下限范围内，进行优化； 

步骤五：将优化后的S1个决策变量X优化值带入BPNN模型，计算此时的模型两个输出值耗电量、产油量Y，与样本值平均值进行比较，如果耗电量降低、产量提高，则带入油田，对实际生产进行指导，否则，返回步骤一，人为更换S1个决策变量X，重新筛选决策变量X；步骤六：如果所有设定的S1个决策变量X组合都没有使耗电量降低、产量提高，则S1=S1+1，再返回步骤一。 

所述步骤三抽油机采油的过程模型建立步骤为： 

第一步：设置变量和参量： 

X_k=[x_k1,x_k2,...,x_kM](k=1,2,...,N)为输入矢量，或称训练样本，N为训练样本个数， 

$W_{\mathrm{MI}}\left(g\right)=\left[\begin{array}{cccc}{w}_{11}\left(g\right)& w_{12}\left(g\right)& \·\·\·& w_{1I}\left(g\right)\\ w_{21}\left(g\right)& w_{22}\left(g\right)& \·\·\·& w_{2I}\left(g\right)\\ \·& \·& & \·\\ \·& \·& \·\·\·& \·\\ \·& \·& & \·\\ w_{M1}\left(g\right)& w_{M2}\left(g\right)& \·\·\·& w_{\mathrm{MI}}\left(g\right)\end{array}\right]$

为第g（g一般设定为500）次迭代时输入层与隐层I之间的权值矢量； 

W_JP(g)为第g次迭代时隐层J与输出层之间的权值矢量； 

Y_k(g)=[y_k1(g),y_k2(g),...,y_kP(g)](k=1,2,...,N)为第g次迭代时网络的实际输出； 

d_k=[d_k1,d_k2,...,d_kP](k=1,2,...,N)为期望输出； 

第二步：初始化，赋给W_MI(0),W_JP(0)各一个0到1之间的随机值； 

第三步：随机输入样本X_k，g=0； 

第四步：对输入样本X_k，前向计算BP网络每层神经元的输入信号和输出信号； 

第五步：由期望输出d_k和上一步求得的实际输出Y_k(g)，计算误差E(g)，判断其是否满足要求，若满足转至第八步；若不满足转至第六步； 

第六步：判断g+1是否大于最大迭代次数，若大于转至第八步，若不大于，对输入样本X_k，反向计算每层神经元的局部梯度δ； 

第七步：按下式计算权值修正量ΔW，并修正权值；g=g+1，转至第四步；例如， 

${\mathrm{\ΔW}}_{\mathrm{ij}}^5=\mathrm{\η}\·{\mathrm{\δ}}_{\mathrm{ij}}\·a_j^4$

$W_{\mathrm{ij}}^5(g+1)=W_{\mathrm{ij}}^5\left(g\right)+{\mathrm{\ΔW}}_{\mathrm{ij}}\left(g\right)$

其中η为学习速率，g为迭代次数； 

第八步：判断是否学完所有的训练样本，是则结束训练，完成建模，否则转至第三步。 

所述步骤四的优化过程为： 

第一步：初始化，设进化代数t=0，随机产生决策变量的初始规则群体p₀；构造一个空的外部群体

其中，|p₀|=D，V₀=Q，设T为最大进化代数； 

第二步：适应度赋值，计算p_t和V_t中个体的适应度F(i)； 

第三步：环境选择，利用所提供的环境选择方式进行环境选择； 

第四步：终止条件，如果t<T或者最大适应度值与平均适应度值之差和平均适应度值比值小于5%，继续第五步； 

否则，中止迭代，V_t+1中的非支配个体即为Pareto最优解集； 

第五步：交配选择，使用二进制竞标赛选择V_t+1中的个体进入交配池； 

第六步：遗传操作，对交配池中个体使用重组和变异操作，产生的新个体进入p_t+1，t=t+1，返回第二步。 

本发明的有益效果是：BP神经网络（BP neural network，BPNN）的非线性映射能力强，适用于解决非线性***建模问题。为此，采用BPNN来确定工艺参数与增产节能指标的映射关系，建立抽油机采油过程的映射模型； 

然后运用具有智能特性的进化算法强度Pareto进化算法2(Strength Pareto evolutionary algorithm2,SPEA2)对映射模型进行搜索，搜索增产节能最好的理想点，据此确定工艺参数的最优值；根据优化后的工艺参数最优值进行实际生产指导。 

附图说明：

图1为本发明的流程框图。 

具体实施方式

一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，按如下步骤进行： 

步骤一：统计所有对耗电量、产油量有影响的原始变量S，并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X； 

从参数集：冲次；最大载荷；最小载荷；有效冲程；计算泵效；动液面；电动机电枢采样电流值；电动机电枢采样电流积分值；冲程；有功功率；功率因素；回压；套压；油压；电压；电流；转速；频率；含水率；井口温度中所有参数中筛选出5个对耗电量、产油量影响非常大决策变量： 

优选的5个决策变量X为：冲次，最大载荷，最小载荷，有效冲程，计算泵效。 

步骤二：采集时间T内决策变量和对应着的耗电量、产油量Y的样本，得到一个样本矩阵； 

步骤三：以决策变量X作为输入，以耗电量、产油量Y作为输出，运用BP神经网络算法，对样本进行训练、检验，建立抽油机采油的过程模型，过程模型建立步骤为： 

第一步：设置变量和参量： 

X_k=[x_k1,x_k2,...,x_kM](k=1,2,...,N)为输入矢量，或称训练样本，N为训练样本个数， 

$W_{\mathrm{MI}}\left(g\right)=\left[\begin{array}{cccc}{w}_{11}\left(g\right)& w_{12}\left(g\right)& \&CenterDot;\&CenterDot;\&CenterDot;& w_{1I}\left(g\right)\\ w_{21}\left(g\right)& w_{22}\left(g\right)& \&CenterDot;\&CenterDot;\&CenterDot;& w_{2I}\left(g\right)\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ w_{M1}\left(g\right)& w_{M2}\left(g\right)& \&CenterDot;\&CenterDot;\&CenterDot;& w_{\mathrm{MI}}\left(g\right)\end{array}\right]$

为第g（g一般设定为500）次迭代时输入层与隐层I之间的权值矢量； 

W_JP(g)为第g次迭代时隐层J与输出层之间的权值矢量； 

Y_k(g)=[y_k1(g),y_k2(g),...,y_kP(g)](k=1,2,...,N)为第g次迭代时网络的实际输出； 

d_k=[d_k1,d_k2,...,d_kP](k=1,2,...,N)为期望输出； 

第二步：初始化，赋给W_MI(0),W_JP(0)各一个0到1之间的随机值； 

第三步：随机输入样本X_k，g=0； 

第四步：对输入样本X_k，前向计算BP网络每层神经元的输入信号和输出信号； 

第五步：由期望输出d_k和上一步求得的实际输出Y_k(g)，计算误差E(g)，判断其是否满足要求，若满足转至第八步；否就转至第六步。 

也就是d_k和Y_k(g)相减，并判断其差值绝对值是否小于预先设定的阈值，小于阈值则满足条件； 

第六步：判断g+1是否大于最大迭代次数，若大于转至第八步，若不大于，对输入样本X_k，反向计算每层神经元的局部梯度δ； 

第七步：按下式计算权值修正量ΔW，并修正权值；g=g+1，转至第四步；例如， $\begin{array}{c}{\mathrm{\&Delta;W}}_{\mathrm{ij}}^5=\mathrm{\&eta;}\&CenterDot;{\mathrm{\&delta;}}_{\mathrm{ij}}\&CenterDot;a_j^4\\ W_{\mathrm{ij}}^5(g+1)=W_{\mathrm{ij}}^5\left(g\right)+{\mathrm{\&Delta;W}}_{\mathrm{ij}}\left(g\right)\end{array}$

其中η为学习速率，g为迭代次数； 

第八步：判断是否学完所有的训练样本，是则结束训练，完成建模，否则转至第三步。 

步骤四：以BPNN模型为基础，以BPNN的两个输出值作为适应度函数F(i)i=1,2，运用SPEA2多目标进化算法，对决策变量在各自的上下限范围内，进行优化，优化过程为： 

第一步：初始化，设进化代数t=0，随机产生决策变量的初始规则群体p₀；构造一个空的外部群体

其中，|p₀|=D，V₀=Q，设T为最大进化代数； 

第二步：适应度赋值，计算p_t和V_t中个体的适应度F(i)； 

第三步：环境选择，利用所提供的环境选择方式进行环境选择； 

第四步：终止条件，如果t<T或者最大适应度值与平均适应度值之差和平均适应度值比值小于5%，继续第五步；否则，中止迭代，V_t+1中的非支配个体即为Pareto最优解集； 

第五步：交配选择，使用二进制竞标赛选择V_t+1中的个体进入交配池； 

第六步：遗传操作，对交配池中个体使用重组和变异操作，产生的新个体进入p_t+1，t=t+1，返回第二步。 

步骤五：将优化后的5个决策变量X优化值带入BPNN模型，计算此时的模型两个输出值耗电量、产油量Y，与样本值平均值进行比较，如果耗电量降低、产量提高，则带入油田，对实际生产进行指导，否则，返回步骤一，人为更换5个决策变量X，重新筛选决策变量X； 

步骤六：如果所有人为设定的5个决策变量X组合都没有使耗电量降低、产量提高，则设定的6个决策变量X组合，再返回步骤一，如果6个决策变量X组合也没有提高效果，则设定的7个决策变量X组合，如此循环。 

Claims (3)

1.一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，其特征在于按如下步骤进行：

步骤一：统计所有对耗电量、产油量有影响的原始变量S，并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X；

步骤二：采集时间T内决策变量和对应着的耗电量、产油量Y的样本，得到一个样本矩阵；

步骤三：以决策变量X作为输入，以耗电量、产油量Y作为输出，运用BP神经网络算法，对样本进行训练、检验，建立抽油机采油的过程模型；

步骤四：以BPNN模型为基础，以BPNN的两个输出值作为适应度函数F(i)i=1,2，运用SPEA2多目标进化算法，对决策变量在各自的上下限范围内，进行优化；

步骤五：将优化后的S1个决策变量X优化值带入BPNN模型，计算此时的模型两个输出值耗电量、产油量Y，与样本值平均值进行比较，如果耗电量降低、产量提高，则带入油田，对实际生产进行指导，否则，返回步骤一，人为更换S1个决策变量X，重新筛选决策变量X；步骤六：如果所有设定的S1个决策变量X组合都没有使耗电量降低、产量提高，则S1=S1+1，再返回步骤一。

2.根据权利要求1所述一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，其特征在于：所述步骤三抽油机采油的过程模型建立步骤为：

第一步：设置变量和参量：

X_k=[x_k1,x_k2,...,x_kM](k=1,2,...,N)为输入矢量，或称训练样本，N为训练样本个数，

$W_{\mathrm{MI}}\left(g\right)=\left[\begin{array}{cccc}{w}_{11}\left(g\right)& w_{12}\left(g\right)& \&CenterDot;\&CenterDot;\&CenterDot;& w_{1I}\left(g\right)\\ w_{21}\left(g\right)& w_{22}\left(g\right)& \&CenterDot;\&CenterDot;\&CenterDot;& w_{2I}\left(g\right)\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ w_{M1}\left(g\right)& w_{M2}\left(g\right)& \&CenterDot;\&CenterDot;\&CenterDot;& w_{\mathrm{MI}}\left(g\right)\end{array}\right]$

为第g（g一般设定为500）次迭代时输入层与隐层I之间的权值矢量；W_JP(g)为第g次迭代时隐层J与输出层之间的权值矢量；

Y_k(g)=[y_k1(g),y_k2(g),.. ,y_kP(g)](k=1,2,...,N)为第g次迭代时网络的实际输出；

d_k=[d_k1,d_k2,...,d_kP](k=1,2,...,N)为期望输出；

第二步：初始化，赋给W_MI(0),W_JP(0)各一个0到1之间的随机值；

第三步：随机输入样本X_k，g=0；

第四步：对输入样本X_k，前向计算BP网络每层神经元的输入信号和输出信号；

第五步：由期望输出d_k和上一步求得的实际输出Y_k(g)，计算误差E(g)，判断其是否满足要求，若满足转至第八步；若不满足转至第六步；

第六步：判断g+1是否大于最大迭代次数，若大于转至第八步，若不大于，对输入样本X_k，反向计算每层神经元的局部梯度δ；

第七步：按下式计算权值修正量ΔW，并修正权值；g=g+1，转至第四步；例如，

${\mathrm{\&Delta;W}}_{\mathrm{ij}}^5=\mathrm{\&eta;}\&CenterDot;{\mathrm{\&delta;}}_{\mathrm{ij}}\&CenterDot;a_j^4$

$W_{\mathrm{ij}}^5(g+1)=W_{\mathrm{ij}}^5\left(g\right)+{\mathrm{\&Delta;W}}_{\mathrm{ij}}\left(g\right)$

其中η为学习速率，g为迭代次数；

第八步：判断是否学完所有的训练样本，是则结束训练，完成建模，否则转至第三步。

3.根据权利要求1所述一种基于BP神经网络与SPEA2算法的油田抽油机采油节能增产优化方法，其特征在于：所述步骤四的优化过程为：

第一步：初始化，设进化代数t=0，随机产生决策变量的初始规则群体p₀；构造一个空的外部群体

其中，|p₀|=D，V₀=Q，设T为最大进化代数；

第二步：适应度赋值，计算p_t和V_t中个体的适应度F(i)；

第三步：环境选择，利用所提供的环境选择方式进行环境选择；

第四步：终止条件，如果t<T或者最大适应度值与平均适应度值之差和平均适应度值比值小于5%，继续第五步；否则，中止迭代，V_t+1中的非支配个体即为Pareto最优解集；

第五步：交配选择，使用二进制竞标赛选择V_t+1中的个体进入交配池；

第六步：遗传操作，对交配池中个体使用重组和变异操作，产生的新个体进入p_t+1，t=t+1，返回第二步。

Images