CN108805215B - 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 - Google Patents
基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 Download PDFInfo
- Publication number
- CN108805215B CN108805215B CN201810628648.1A CN201810628648A CN108805215B CN 108805215 B CN108805215 B CN 108805215B CN 201810628648 A CN201810628648 A CN 201810628648A CN 108805215 B CN108805215 B CN 108805215B
- Authority
- CN
- China
- Prior art keywords
- liquid level
- data
- dynamic liquid
- prediction
- sucker
- 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.)
- Active
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 103
- 238000005086 pumping Methods 0.000 title claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 238000000691 measurement method Methods 0.000 title claims abstract description 9
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 title claims description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 37
- 239000003129 oil well Substances 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 26
- 241000255588 Tephritidae Species 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000255601 Drosophila melanogaster Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/04—Measuring depth or liquid level
- E21B47/047—Liquid level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进果蝇算法的有杆泵抽油井动态液位软测量,步骤为:采集有杆泵抽油井生产数据;根据生产数据计算上冲程过程平均载荷和下冲程过程平均载荷和抽油机泵效;归一化处理,将数据归一化到[0,1]区间内,生成训练集和测试集;采用混合核函数作为最小二乘支持向量机模型的核函数,实测动态液位为输出数据,确定参数组合;采用IFOA对参数优化,得到最优值;代入优化参数,构造动态液位预测模型;输入数据集,生成动态液位预测结果;根据动态液位预测结果和实测动态液位数据进行预测误差评价分析。本发明提高了模型的预测的精度和推广泛化能力,随着预测时间延长,预测模型具有较高的预测精度和较强的稳定性。
Description
技术领域
本发明涉及一种本发明属于软测量检测技术领域,具体为一种基于改进果蝇算法的有杆泵抽油井动态液位软测量方法。
背景技术
在石油开采中,动态液位是油田开采的重要数据,实现井下动态液位的实时监测,掌握油井生产状态,可以减少事故发生,保证生产安全,同时可以及时调整参数,提高生产效率。
现有的动态液位测量方法一般是在有井口安装声波测量装置,通过手动方式向井下发射声波,利用声波沿着抽油杆向下传播,然后采集回声信号,再人工分析,实现井下动态液位的测量。回声法存在一些缺点,一是将测量仪器安装于井口,影响正常生产,二是需要人工手动测量,劳动强度大,成本高且具有一定的危险性。
发明内容
针对现有技术中有杆泵抽油井井下动态液位需人工测量且测量精度不高等不足,本发明要解决的问题是提供一种基于改进果蝇算法的有杆泵抽油井动态液位软测量。
为解决上述技术问题,本发明采用的技术方案是:
本发明基于改进果蝇算法的有杆泵抽油井动态液位软测量,包括以下步骤:
1)采集有杆泵抽油井动态液位数据,包括抽油机示功图数据、有杆泵抽油井井口套压、有杆泵抽油井日产液量、有杆泵抽油井实测动态液位数据;
2)根据采集到的抽油井示功图数据,计算上冲程过程平均载荷和下冲程过程平均载荷;根据采集到的有杆泵抽油井日产液量和理论计算的有杆泵抽油井日产液量计算抽油机泵效;
3)去除采集到的有杆泵抽油井数据的异常数据,对上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效以及实测动态液位数据进行归一化处理,将数据归一化到[0,1]区间内,生成数据集并且进行分组,即训练集和测试集;
4)采用多项式核函数和径向基核函数构建的混合核函数作为最小二乘支持向量机模型的核函数,以上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效为输入数据,实测动态液位为输出数据,确定参数组合(γ,σ,λ),其中γ为正则化参数,σ为径向基函数的宽度参数,λ为混合权重系数;
5)采用改进后的果蝇优化算法(IFOA)对最小二乘支持向量机的参数组合(γ,σ,λ)进行优化,在全局范围内得到最优值;
6)代入经过优化的参数,构造基于改进果蝇优化最小二乘支持向量机的动态液位预测模型;
7)输入数据集,通过预测模型生成动态液位预测结果;
8)根据动态液位预测结果和实测动态液位数据,进行预测误差评价分析。
步骤4)中,采用多项式核函数和径向基核函数构建的混合核函数作为最小二乘支持向量机模型的核函数的具体过程为:
采用的多项式核函数为:
KPoly(x,xi)=(x·xi+1)2 (5)
采用的径向基核函数为:
构建的混合核函数为:
K(x,xi)=λ·KPoly+(1-λ)·KRBF,0<λ<1 (7)
其中,x为输入样本中的某一固定样本,xi为输入样本中的第i个样本,i取为正整数,σ为径向基核函数的宽度参数,λ为混合权重系数。
步骤5)中,采用改进后的果蝇优化算法(IFOA)对最小二乘支持向量机的参数组合(γ,σ,λ)进行优化,具体为:
501)读入抽油井生产数据;
其中,X_axis为初始化时果蝇的X轴坐标,Y axis为初始化时果蝇的Y轴坐标;
503)设定果蝇个体随机方向和距离:
其中,h0为初始步长,n为当前迭代次数,Nt为最大迭代次数,a根据实际情况取的正整数值;
504)估计果蝇位置与原点之间的距离,计算味道浓度值:
505)以训练集数据预测的均方根误差为味道浓度函数,其表达式为:
将参数组合(γ,σ,λ)代入最小二乘支持向量机的预测模型中,求出该果蝇味道浓度Smelli;
506)找到果蝇群体中味道浓度最优的个体,这里取最小值:
[bestSmell,bestIndex]=min(Smell)
507)记录最优个***置及味道浓度值,此时所有果蝇个体利用视觉将
向这个位置飞去:
508)迭代寻优,重复执行以上步骤3)至6),并判断训练集数据的预测均方根误差是否优于前一迭代预测均方根误差,如是执行步骤7);其中执行步骤3)时,判断是否产生变异,变异率为:
P(n)=Pmax-(Pmax-Pmin)·n2/Nt 2,
其中Pmax为最大变异率,Pmin为最小变异率,Pmax=0.9,Pmin=0.65,n为当前迭代次数,Nt为最大迭代次数,若发生变异则变异后的坐标为:
其中,X_axis为初始化时果蝇的X轴坐标,Y axis为初始化时果蝇的Y轴坐标,为柯西变异,rand(1,1)为产生一行一列的伪随机矩阵,π为圆周率,randn(1,1)为高斯变异,产生一行一列的标准正态分布的矩阵。
步骤6)中,代入经过优化的参数,构造基于改进果蝇优化最小二乘支持向量机的动态液位预测模型,具体过程为:
601)以油田生产数据作为模型输入即x,且对应的动态液位作为模型输出即y;
602)建立训练集{(x1,y1),(x2,y2),...,(xl,yl)}∈(X×Y)l,l为训练集中输入输出数据的个数,以作为最小二乘支持向量机的训练数据;
603)通过对已知数据的分析,选择混合核函数作为核函数以及采用改进果蝇算法优化的参数,根据最小二乘支持向量机的算法,构造并求解下列问题:
构造拉格朗日函数:
式中,αi∈R为拉格朗日乘子,分别求式对ei,αi,w,b的偏导,再消去w,ei,可得如下方程:
式中,y=[y1;...;yl],Iv=[1;...;1],α=[α1;...;αl],i,j=1,2,...l;根据Mercer理论,可以选择核函K(xi,xj),使得
由式可解出αi,b;
604)构造预测函数
其中,f(x)为预测输出,i取为正整数,小于等于l,l为输入样本集的个数,αi∈R为拉格朗日乘子,b为偏差量,K(x,xi)为混合核函数,x为输入样本中的某一固定样本,xi为输入样本中的第i个样本,i取为正整数;
605)将测试数据构造成上述预测函数中输入变量的形式,代入预测函数得到动态液位的预测结果。
步骤8)中,根据动态液位预测结果和实测动态液位数据,进行预测误差评价分析,具体过程为:
801)计算均方根误差:
802)计算平均绝对误差:
803)计算平均百分误差率:
本发明具有以下有益效果及优点:
1.本发明利用改进后的果蝇优化算法(IFOA)设置简单,参数易调整和很强的全局搜索能力的优点,建立了基于改进果蝇优化算法的一种有杆泵抽油井动态液位预测模型,通过对最小二乘支持向量模型目标函数中的γ和混合核函数中的σ,λ进行参数寻优,提高了模型的预测的精度和推广泛化能力,随着预测时间延长,预测模型具有较高的预测精度和较强的稳定性。
2.本发明方法取代了人工手动测量,降低了生产成本,有效避免了生产中的危险性,通过实证分析,获得了良好效果,证明了所提出的发明在有杆泵抽油井动态液位中的有效性。
附图说明
图1为改进的果蝇算法流程图;
图2为本发明有杆泵抽油井动态液位软测量方法的流程图;
图3为本发明中改进果蝇优化算法(IFOA)优化最小二乘支持向量机参数的流程图;
图4为本发明中使用遗传算法优化(GA)最小二乘支持向量机的有杆泵抽油井动态液位预测值与实际值的对比图;
图5为本发明中使用粒子群算法优化(PSO)最小二乘支持向量机的有杆泵抽油井动态液位预测值与实际值的对比图;
图6为本发明中使用果蝇算法(FOA)优化算法最小二乘支持向量机的有杆泵抽油井动态液位预测值与实际值的对比图;
图7为本发明中使用改进果蝇算法算法(IFOA)优化算法最小二乘支持向量机的有杆泵抽油井动态液位预测值与实际值的对比图;
图8为本发明有杆泵抽油井动态液位预测值与实际值的误差曲线图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图2所示,本发明一种基于改进果蝇优化算法的有杆泵抽油井动态液位软测量方法,其特征在于包括以下步骤:
1)采集有杆泵抽油井动态液位数据,包括抽油机示功图数据、有杆泵抽油井井口套压、有杆泵抽油井日产液量、有杆泵抽油井实测动态液位数据;
2)根据采集到的抽油井示功图数据,计算上冲程过程平均载荷和下冲程过程平均载荷;根据采集到的有杆泵抽油井日产液量和理论计算的有杆泵抽油井日产液量计算抽油机泵效;
3)去除采集到的有杆泵抽油井数据的异常数据,对上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效以及实测动态液位数据进行归一化处理,将数据归一化到[0,1]区间内,生成数据集并且进行分组,即训练集和测试集;
4)采用多项式核函数和径向基核函数构建的混合核函数作为最小二乘支持向量机模型的核函数,以上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效为输入数据,实测动态液位为输出数据,确定参数组合(γ,σ,λ),其中γ为正则化参数,σ为径向基函数的宽度参数,λ为混合权重系数;
5)采用改进后的果蝇优化算法(IFOA)对最小二乘支持向量机的参数组合(γ,σ,λ)进行优化,在全局范围内得到最优值;
6)代入经过优化的参数,构造基于改进果蝇优化最小二乘支持向量机的动态液位预测模型;
7)输入数据集,通过预测模型生成动态液位预测结果(预测效果如图7所示);
8)根据动态液位预测结果和实测动态液位数据,进行预测误差评价分析(预测误差的效果图如图8所示)。
本实施例中,步骤1)采集有杆泵抽油井动态液位数据,油井生产数据通过以下方式测量:压力表用于测量有杆泵抽油井井口套压,示功图采集仪用于采集抽油井示功图数据,翻斗测量器用于测量有杆泵抽油井产液量。
步骤2)根据采集到的抽油井示功图数据计算上冲程过程平均载荷和下冲程过程平均载荷,根据采集到的有杆泵抽油井日产液量和理论计算的有杆泵抽油井日产液量计算抽油机泵效;
通过分析示功图数据,分解成上冲程过程平均载荷F上冲程和下冲程过程平均载荷F下冲程,利用几何平均值的计算方法进行计算:
其中,n为上冲程过程中的数据采样个数,fi为上冲程第i个采样点的瞬时载荷,li为上冲程过程中第i个采样点的位移,m为下冲程过程中数据采样个数,fj为下冲程过程中第j个采样点的载荷,lj为下冲程过程中第j个采样点的位移,L冲程为有杆泵冲程;
抽油机泵效计算公式η泵效如下:
其中,Q日产液量为有杆泵抽油井日产液量,Q理论日产液量为理论计算的有杆泵抽油井日产液量,C冲次为抽油杆的冲次,即在抽油机中,抽油杆每分钟上下往复运动的次数,V泵筒为泵筒充满的体积,ρ油为抽油井内油的密度;
步骤3)去除采集到的有杆泵抽油井数据的异常数据,对上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效以及实测动态液位数据进行归一化处理,将数据归一化到[0,1]区间内,生成数据集并且进行分组,即训练集和测试集;
计算样本偏差υi,i=12,...n;
计算样本标准差
若|υi|>3σ,则该数据为异常数据应删除。
步骤302)通过一定的线性变化将输入和输出数据统一限制在[0,1]或[-1,1]区间内,对数据进行归一化处理:
式(4)中,xmax为抽油井生产数据的最大值,xmin为抽油井生产数据的最小值,xt为t时刻的抽油井原始生产数据,xt'为t时刻相对应的归一化处理后的抽油井生产数据。
步骤4)采用多项式核函数和径向基核函数构建的混合核函数作为最小二乘支持向量机模型的核函数,以上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效为输入数据,实测动态液位为输出数据,确定参数组合(γ,σ,λ),其中γ为正则化参数,σ为径向基函数的宽度参数,λ为混合权重系数;
采用的多项式核函数:
KPoly(x,xi)=(x·xi+1)2 (5)
采用的径向基核函数:
其中,x为输入样本中的某一固定样本,xi为输入样本中的第i个样本,i取为正整数,σ为径向基核函数的宽度参数,λ为混合权重系数。
构建的混合核函数:
K(x,xi)=λ·KPoly+(1-λ)·KRBF,0<λ<1 (7)
其中,λ为混合权重系数。采用混合核函数作为最小二乘支持向量机的核函数。
步骤5)采用改进后的果蝇优化算法(IFOA)对最小二乘支持向量机的参数组合(γ,σ,λ)进行优化,在全局范围内得到最优值;
果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是一种基于果蝇觅食行为推出的寻求全局最优化的新方法。通过模拟果蝇种群的觅食行为,采用基于果蝇群体协作的机制进行寻优。该算法具有参数较少,代码容易实现,运行时间短等优点,同时缺点也非常明显,采用固定步长,易错过最优值,易陷入局部最优,收敛精度低,针对该缺点,本文引入自适应步长,同时引入变异操作,其流程如下:
501)读入抽油井生产数据;
502)确定种群个体数量sizepop=30和最大迭代次数maxgen=50,并随机初始化果蝇的位置:
503)设定果蝇个体随机方向和距离:
其中,h0为初始步长,设为20,n为当前迭代次数,Nt为最大迭代次数,a=5。
504)估计果蝇位置与原点之间的距离,计算味道浓度值:
505)以训练集数据预测的均方根误差为味道浓度函数,其表达式为:
将参数组合(γ,σ,λ)代入最小二乘支持向量机的预测模型中,求出该果蝇味道浓度Smelli;
506)找到果蝇群体中味道浓度最优的个体,这里去最小值:
[bestSmell,bestIndex]=min(Smell)
507)记录最优个***置及味道浓度值,此时所有果蝇个体利用视觉将向这个位置飞去:
508)迭代寻优,重复执行以上步骤3)至6),并判断训练集数据的预测均方根误差是否优于前一迭代预测均方根误差,如是执行步骤7)。其中执行步骤3)时,判断是否产生变异,变异率为:
P(n)=Pmax-(Pmax-Pmin)·n2/Nt 2,
其中Pmax为最大变异率,Pmin为最小变异率,Pmax=0.9,Pmin=0.65,n为当前迭代次数,Nt为最大迭代次数,若发生变异则变异后的坐标为:
其中,X_axis为初始化时果蝇的X轴坐标,Y axis为初始化时果蝇的Y轴坐标,为柯西变异,rand(1,1)为产生一行一列的伪随机矩阵,π为圆周率,randn(1,1)为高斯变异,产生一行一列的标准正态分布的矩阵。
步骤6)代入经过优化的参数,构造基于改进果蝇优化最小二乘支持向量机的动态液位预测模型;
601)抽油井的动态液位数据与油田的生产数据即上冲程过程平均载荷、下冲程过程平均载荷、抽油机泵效、抽油机井口套压之间有着必然的联系,利用以上的油田生产数据作为模型输入即x,且对应的动态液位作为模型输出即y;
602)建立训练集{(x1,y1),(x2,y2),...,(xl,yl)}∈(X×Y)l,l为训练集中输入输出数据的个数,以作为最小二乘支持向量机的训练数据;
603)通过对已知数据的分析,选择混合核函数作为核函数以及采用改进果蝇算法(流程图如图1所示)优化的参数,根据最小二乘支持向量机的算法,构造并求解下列问题:
构造拉格朗日函数:
式中,αi∈R为拉格朗日乘子,分别求式对ei,αi,w,b的偏导,再消去w,ei,可得如下方程:
式中,y=[y1;...;yl],Iv=[1;...;1],α=[α1;...;αl],i,j=1,2,...l;根据Mercer理论,可以选择核函K(xi,xj),使得
604)由式可解出αi,b。
构造预测函数
式即为最后的预测函数,其中,f(x)为预测输出,i取为正整数,小于等于l,l为输入样本集的个数,αi∈R为拉格朗日乘子,b为偏差量,K(x,xi)为混合核函数,x为输入样本中的某一固定样本,xi为输入样本中的第i个样本,i取为正整数。
605)将测试数据构造成上述预测函数中输入变量的形式,代入预测函数得到动态液位的预测结果。
步骤7):输入数据集,通过预测模型生成动态液位预测结果;
步骤8)根据动态液位预测结果和实测动态液位数据,进行预测误差评价分析。
收集某口井的597组抽油井生产数据,采用484组数据用于训练果蝇优化的最小二乘支持向量机,最后用113组数据验证模型的准确性。
为验证本发明预测方法的有效性,选择未经过参数优化和用遗传算法(预测效果如图4所示)、粒子群算法((预测效果如图5所示)以及未改进的果蝇算法优化((预测效果如图6所示)最小二乘支持向量机(流程图如图3所示)的动态液位软测量模型作为对比模型。
模型的评价标准为:
801)计算均方根误差:
802)计算平均绝对误差:
计算平均百分误差率:
为了对改进果蝇优化算法优化最小二乘支持向量机的有杆泵动态液位软测量方法的预测精度有更清晰的了解,将各种方法进行对比,通过仿真分析,模型预测比较如表1所示。
表1四种方法预测的评价指标值:
从表1及图4可以看出,基于改进果蝇优化算法优化最小二乘支持向量机的软测量方法优于遗传算法、粒子群算法以及基本果蝇算法,可以明显看出改进后的算法更具有以下优点:测量成本低,不需要人工测量,安全性高;改进后的算法在均方根误差、平均绝对误差、平均百分误差率方面都小于其他算法,体现出很好的拟合能力,测试能满足实际实际需求,预测的精度高。
Claims (5)
1.一种基于改进果蝇算法的有杆泵抽油井动态液位软测量方法,其特征在于包括以下步骤:
1)采集有杆泵抽油井动态液位数据,包括抽油机示功图数据、有杆泵抽油井井口套压、有杆泵抽油井日产液量、有杆泵抽油井实测动态液位数据;
2)根据采集到的抽油井示功图数据,计算上冲程过程平均载荷和下冲程过程平均载荷;根据采集到的有杆泵抽油井日产液量和理论计算的有杆泵抽油井日产液量计算抽油机泵效;
3)去除采集到的有杆泵抽油井数据的异常数据,对上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效以及实测动态液位数据进行归一化处理,将数据归一化到[0,1]区间内,生成数据集并且进行分组,即训练集和测试集;
4)采用多项式核函数和径向基核函数构建的混合核函数作为最小二乘支持向量机模型的核函数,以上冲程平均载荷、下冲程平均载荷、有杆泵抽油井井口套压、有杆泵抽油井日产液量、抽油机泵效为输入数据,实测动态液位为输出数据,确定参数组合(γ,σ,λ),其中γ为正则化参数,σ为径向基函数的宽度参数,λ为混合权重系数;
5)采用改进后的果蝇优化算法(IFOA)对最小二乘支持向量机的参数组合(γ,σ,λ)进行优化,在全局范围内得到最优值;
6)代入经过优化的参数,构造基于改进果蝇优化最小二乘支持向量机的动态液位预测模型;
7)输入数据集,通过预测模型生成动态液位预测结果;
8)根据动态液位预测结果和实测动态液位数据,进行预测误差评价分析。
3.根据权利要求1所述的基于改进果蝇算法的有杆泵抽油井动态液位软测量方法,其特征在于步骤5)中,采用改进后的果蝇优化算法(IFOA)对最小二乘支持向量机的参数组合(γ,σ,λ)进行优化,具体为:
501)读入抽油井生产数据;
其中,X_axis为初始化时果蝇的X轴坐标,Y_axis为初始化时果蝇的Y轴坐标;
503)设定果蝇个体随机方向和距离:
其中,h0为初始步长,n为当前迭代次数,Nt为最大迭代次数,a根据实际情况取的正整数值;
504)估计果蝇位置与原点之间的距离,计算味道浓度值:
505)以训练集数据预测的均方根误差为味道浓度函数,其表达式为:
将参数组合(γ,σ,λ)代入最小二乘支持向量机的预测模型中,求出该果蝇味道浓度Smelli;
506)找到果蝇群体中味道浓度最优的个体,这里取最小值:
[bestSmell,bestIndex]=min(Smell)
507)记录最优个***置及味道浓度值,此时所有果蝇个体利用视觉将向这个位置飞去:
508)迭代寻优,重复执行以上步骤3)至6),并判断训练集数据的预测均方根误差是否优于前一迭代预测均方根误差,如是执行步骤7);其中执行步骤3)时,判断是否产生变异,变异率为:
P(n)=Pmax-(Pmax-Pmin)·n2/Nt 2,
其中Pmax为最大变异率,Pmin为最小变异率,Pmax=0.9,Pmin=0.65,n为当前迭代次数,Nt为最大迭代次数,若发生变异则变异后的坐标为:
4.根据权利要求1所述的基于改进果蝇算法的有杆泵抽油井动态液位软测量方法,其特征在于:步骤6)中,代入经过优化的参数,构造基于改进果蝇优化最小二乘支持向量机的动态液位预测模型,具体过程为:
601)以油田生产数据作为模型输入即x,且对应的动态液位作为模型输出即y;
602)建立训练集{(x1,y1),(x2,y2),...,(xl,yl)}∈(X×Y)l,l为训练集中输入输出数据的个数,以作为最小二乘支持向量机的训练数据;
603)通过对已知数据的分析,选择混合核函数作为核函数以及采用改进果蝇算法优化的参数,根据最小二乘支持向量机的算法,构造并求解下列问题:
构造拉格朗日函数:
式中,αi∈R为拉格朗日乘子,分别求式对ei,αi,w,b的偏导,再消去w,ei,可得如下方程:
式中,y=[y1;...;yl],Iv=[1;...;1],α=[α1;...;αl],i,j=1,2,...l;根据Mercer理论,可以选择核函K(xi,xj),使得
由式可解出αi,b;
604)构造预测函数
其中,f(x)为预测输出,i取为正整数,小于等于l,l为输入样本集的个数,αi∈R为拉格朗日乘子,b为偏差量,K(x,xi)为混合核函数,x为输入样本中的某一固定样本,xi为输入样本中的第i个样本,i取为正整数;
605)将测试数据构造成上述预测函数中输入变量的形式,代入预测函数得到动态液位的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628648.1A CN108805215B (zh) | 2018-06-19 | 2018-06-19 | 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810628648.1A CN108805215B (zh) | 2018-06-19 | 2018-06-19 | 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805215A CN108805215A (zh) | 2018-11-13 |
CN108805215B true CN108805215B (zh) | 2021-06-11 |
Family
ID=64083508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810628648.1A Active CN108805215B (zh) | 2018-06-19 | 2018-06-19 | 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805215B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109630092B (zh) * | 2018-11-14 | 2023-02-10 | 渤海大学 | 一种基于数据的抽油井泵效多模型软测量方法 |
CN109871980A (zh) * | 2018-12-26 | 2019-06-11 | 河北工程大学 | 一种水泵水轮机机组振动趋势预测方法 |
CN110029986B (zh) * | 2019-04-16 | 2021-08-17 | 东北大学 | 基于粒子群极限学习机的游梁式抽油机的动液面预测方法 |
CN110349675A (zh) * | 2019-07-16 | 2019-10-18 | 广东工业大学 | 一种心血管疾病预测设备及装置 |
CN110472689B (zh) * | 2019-08-19 | 2022-11-15 | 东北大学 | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 |
CN110489921B (zh) * | 2019-08-30 | 2023-02-10 | 东北大学 | 一种基于电参数的有杆泵抽油井产液量软测量方法 |
CN112943224B (zh) * | 2019-12-11 | 2023-02-07 | 中国石油化工股份有限公司 | 稠油井动液面的计算方法 |
CN112989686B (zh) * | 2019-12-13 | 2023-12-26 | 北京国双科技有限公司 | 泵径确定模型的构建方法、泵径确定方法和装置 |
CN111666536B (zh) * | 2020-05-27 | 2023-06-20 | 傲拓科技股份有限公司 | 基于多项式拟合的抽油机示功图采集方法 |
CN112799154B (zh) * | 2020-12-28 | 2023-05-16 | 恒瑞通(福建)信息技术有限公司 | 一种生态环境大数据预测与预警的方法及终端 |
CN113266318B (zh) * | 2021-05-28 | 2022-08-09 | 陕西埃菲克能源科技有限公司 | 一种基于自学习的有杆抽油机井冲次调节方法 |
US11898552B2 (en) | 2021-08-16 | 2024-02-13 | Sk Innovation Co., Ltd. | Method and system for predicting failures of sucker rod pumps using scaled load ratios |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364501A (zh) * | 2011-09-14 | 2012-02-29 | 哈尔滨工程大学 | 一种石油管道pso-bp神经网络二维缺陷重现方法 |
CN103544548A (zh) * | 2013-10-31 | 2014-01-29 | 辽宁工程技术大学 | 一种矿井导水裂隙带高度预测方法 |
CN107909202A (zh) * | 2017-11-03 | 2018-04-13 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN107944607A (zh) * | 2017-11-03 | 2018-04-20 | 渤海大学 | 一种基于时间序列的抽油井停井时间集成预测方法 |
-
2018
- 2018-06-19 CN CN201810628648.1A patent/CN108805215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364501A (zh) * | 2011-09-14 | 2012-02-29 | 哈尔滨工程大学 | 一种石油管道pso-bp神经网络二维缺陷重现方法 |
CN103544548A (zh) * | 2013-10-31 | 2014-01-29 | 辽宁工程技术大学 | 一种矿井导水裂隙带高度预测方法 |
CN107909202A (zh) * | 2017-11-03 | 2018-04-13 | 渤海大学 | 一种基于时间序列的油井产液量集成预测方法 |
CN107944607A (zh) * | 2017-11-03 | 2018-04-20 | 渤海大学 | 一种基于时间序列的抽油井停井时间集成预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108805215A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805215B (zh) | 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 | |
CN110029986B (zh) | 基于粒子群极限学习机的游梁式抽油机的动液面预测方法 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN104481496B (zh) | 一种有杆泵抽油井故障诊断方法 | |
CN105569639A (zh) | 一种基于地面示功图计算油井动液面的方法 | |
CA2812709C (en) | Calculation of downhole pump fillage and control of pump based on said fillage | |
CN108240215B (zh) | 一种基于有限差分法的抽油井柱塞有效冲程确定方法 | |
CN111159904A (zh) | 一种用于地热资源量估算评价的方法 | |
CN116881665A (zh) | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 | |
CN108154173A (zh) | 一种原油储罐油水界面测量装置及方法 | |
CN114154360B (zh) | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 | |
CN109582923B (zh) | 一种基于双参数计算水合物饱和度的方法及处理终端 | |
CN117272055B (zh) | 一种基于滤波增强自编码器的电能表异常检测方法及装置 | |
CN107944607B (zh) | 一种基于时间序列的抽油井停井时间集成预测方法 | |
CN109670408A (zh) | 一种基于对象的遥感图像水体提取方法 | |
CN117030944A (zh) | 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 | |
CN116878432A (zh) | 一种公路采空区充填后的覆岩移动变形监测*** | |
CN111723491A (zh) | 一种基于任意分层土壤格林函数的接地参数获取方法 | |
CN116258275A (zh) | 一种基于集成学习的基坑变形多元时间序列预测方法 | |
CN112302629A (zh) | 一种抽油机井动液面的测量方法与装置 | |
CN115630571A (zh) | 一种基于集成学习的油井示功图自动诊断方法 | |
CN115901281A (zh) | 一种lng发动机燃气喷射阀故障诊断方法及*** | |
CN113445992B (zh) | 抽油机运动位移的处理方法和装置 | |
CN115270623A (zh) | 路堤沉降的预测方法 | |
CA2717720C (en) | Calculation of downhole pump fillage and control of pump based on said fillage |
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 |