基于PSO-ELM的油田機采系統(tǒng)精細化建模

杜會堯 祿佳景 辜小花 楊利平 唐海紅

(1. 中國石油大港油田公司第一采油廠， 天津 300280； 2. 重慶科技學院電氣工程學院， 重慶 401331；3. 四川輕化工大學人工智能四川省重點實驗室， 四川 自貢 643000；4. 重慶大學光電技術及系統(tǒng)教育部重點實驗室， 重慶 400030)

有桿抽油機是油田機采中的主要采油設備，目前存在效率低下、能源浪費嚴重的問題[1-2]。提高抽油機生產效率、降低能耗的方式主要有2種：一是從硬件方面著手進行改變，研發(fā)新型抽油機或其配套裝置[2-4]；二是從軟件方面著手進行改變，提升采油系統(tǒng)的智能化水平，應用先進的信息技術改造現(xiàn)有抽油機生產技術，提升生產水平[5]。因為前一種方式改造周期長、投資成本高，所以，后一種方式更受關注。采用后一種方式的關鍵是，建立精準可靠的機采過程工藝模型。油田機采系統(tǒng)模型的建立分為機理建模和數(shù)據(jù)統(tǒng)計建模。機理模型能夠描述機采系統(tǒng)重要變量的變化趨勢，反映機采過程的基本機理[6-7]，但因其基于簡化和假設條件而使建立準確可靠的抽油機工藝機理模型變得十分困難。數(shù)據(jù)統(tǒng)計建模不僅克服了機理模型的上述缺點，且可利用廣義回歸神經(jīng)網(wǎng)絡(generalized regression neural network, 縮寫為GRNN)、BP神經(jīng)網(wǎng)絡(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)點與系統(tǒng)性能之間的潛在規(guī)律，以替代抽油機的復雜變化機理過程，實現(xiàn)油田機采系統(tǒng)建模。

然而，抽油機采油過程中的工況十分復雜，難以通過統(tǒng)一的工藝模型來準確反映操作參數(shù)、環(huán)境變量與系統(tǒng)性能的潛在關系，模型精度不高。對此，可借鑒多模型建模思想[10]，將復雜非線性問題分解為若干簡單的線性系統(tǒng)問題，繼而針對各線性系統(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算模型，該方法具有較高的預測精度，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用于長興電廠300 MW單元機組，應用效果良好[13]。 可以推測，基于多模型建模思想，研究抽油機生產過程的工況細分模型，將為獲取穩(wěn)定可靠的工藝模型提供切實可行的理論指導。

為此，本次研究提出基于多工況PSO-ELM的油田機采工藝高精度建模方法，以提高機采系統(tǒng)在不同運行狀態(tài)下的預測精度，從而獲取最佳工藝調控參數(shù)和工藝模型，為進一步實現(xiàn)油田機采系統(tǒng)節(jié)能降耗奠定基礎。

1 機采工藝的多工況PSO-ELM模型

1.1 基于多工況模型的油田機采工藝參數(shù)優(yōu)化

利用模型發(fā)現(xiàn)抽油機系統(tǒng)潛在的規(guī)律，再通過優(yōu)化算法獲取最佳工藝參數(shù)，可以有效提升自身的技術水平和生產效益，降低能源消耗。在油田機采過程中，受到地層壓力、環(huán)境溫濕度、地質結構以及出砂、結蠟、設備老化故障等多種因素的影響，工況會發(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，將難以準確地反映系統(tǒng)運行中不斷變化的潛在關系。為此，提出基于多工況模型的油田機采工藝參數(shù)優(yōu)化方法。在示功圖聚類分析的基礎上，對示功圖的工藝參數(shù)進行分類，以建立各工況的最佳模型；同時，通過參數(shù)優(yōu)化方法來獲取各工況的最優(yōu)工藝參數(shù)，以保證各類工況在最佳狀態(tài)下運行。圖1所示為基于多工況模型的油田機采工藝建模與參數(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)分為工況細分、多工況建模和參數(shù)優(yōu)化等3個階段。在工況細分階段，首先將針對生產中積累的大量歷史示功圖，通過PCA降維以去除數(shù)據(jù)冗余；然后針對降維后獲得的主分量特征，通過k均值聚類找出其中蘊含的典型工況。在多工況建模階段，針對歷史示功圖利用每種工況所有樣本的PCA主分量，并通過相應的建模算法建立各工況的機采系統(tǒng)模型。在參數(shù)優(yōu)化階段，首先判斷當前屬于哪一種典型工況，然后以該工況對應的模型為基礎，采取優(yōu)化策略獲得該工況對應的實時最優(yōu)工藝參數(shù)。受篇幅限制，在此僅討論工況細分。

1.2 基于示功圖主元聚類分析的工況細分

示功圖能夠較為突出地反映機采系統(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，應用k-means算法[16-17]提取無標簽示功圖樣本中的潛在規(guī)律，完成示功圖聚類，從而實現(xiàn)工況細分，并針對每種工況分別建模以提高模型精度。

若采用示功圖對應的144個點直接進行聚類分析和建模，可能會由于數(shù)據(jù)點之間的相關性和數(shù)據(jù)的高維特性而影響聚類和建模的精度，增加算法的復雜度。因此，首先采用PCA算法(principal component analysis)[18]對144個載荷數(shù)據(jù)進行降維，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分算法流程。

通過上述計算后，完成基于示功圖的抽油機工況細分工作，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

建立高精度的適應性模型是獲取最佳決策參數(shù)的前提，但機理建模是建立在一定簡化條件或理想條件假設的基礎上，故而建立準確可靠的工藝機理能耗模型不僅困難且難以滿足實際生產需求。近年來，基于人工智能的建模方法被廣泛應用于復雜系統(tǒng)建模，例如人工神經(jīng)網(wǎng)絡(artificial neural network, 縮寫為ANN)[19]、支持向量機(support vector machine, SVM)[20]以及極限學習機(extreme learning machine,縮寫為ELM)[21]等。其中，ELM[22]作為前饋神經(jīng)網(wǎng)絡的新型學習算法，其結構較簡單，參數(shù)調整較少，計算復雜度較低，能夠有效地克服局部最小問題。為此，采用ELM挖掘油田機采數(shù)據(jù)間的潛在規(guī)律，建立工藝過程模型?？紤]到ELM算法的權值閾值隨機性問題，進一步引入粒子群優(yōu)化算法，以提高模型的自適應能力和自組織能力。

表1 基于示功圖主元聚類的工況細分算法流程

1.3.1 極限學習機原理簡介

極限學習機是針對單隱層前饋神經(jīng)網(wǎng)絡(single-hidden layer feedforward neural networks，縮寫為SLFNs)的監(jiān)督型學習算法[23]。標準的SLFNs模型為：

(1)

式中：βj為隱含層與輸出層連接權值向量；wj為輸入層與隱含層連接權值向量；bj為第j個隱含層節(jié)點的偏置；g(·)為激勵函數(shù)；l為隱含層節(jié)點數(shù)；xi為輸入向量；oi為輸出向量。

(2)

式(2)可簡化為矩陣形式：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算法存在權值、閾值隨機性和網(wǎng)絡參數(shù)不確定等問題，在處理大數(shù)據(jù)時效率低下，且存在過擬合現(xiàn)象，嚴重影響模型的自適應能力。為此，引入粒子群優(yōu)化算法(particle swarm optimization, 縮寫為PSO)，對ELM的權重、閾值進行優(yōu)化，進而優(yōu)化整個網(wǎng)絡結構，增強模型的自適應能力和自組織能力。表2所示為油田機采工藝PSO-ELM建模算法流程。

2 實驗結果分析

2.1 數(shù)據(jù)預處理

為驗證本次提出的基于工況細分多工況PSO-ELM建模方法的有效性，對某油田機采系統(tǒng)應用情況進行了實例研究。研究數(shù)據(jù)取自該油田G526K2有桿抽油機井2014年12月至2015年9月的生產數(shù)據(jù)。在實際油水井信息采集平臺中，沖次、有效沖程、平均功率因數(shù)、計算泵效以及示功圖數(shù)據(jù)為每20 min采集1次，而含水率、日產液量和日耗電量為每天采集1次。為保證實驗數(shù)據(jù)的一致性，對同一天的多組沖次、有效沖程、平均功率因數(shù)、計算泵效以及示功圖數(shù)據(jù)取平均值，作為對應參數(shù)當天的樣本。經(jīng)過數(shù)據(jù)預處理后，最終獲得253組樣本，部分樣本示例見表3。

表2 油田機采工藝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個周期內的144個載荷-位移數(shù)據(jù)構成，這些數(shù)據(jù)之間具有明顯的相關性和冗余性，若全部用于聚類分析和建模將會降低算法的精度，或增加算法的復雜度。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，可以計算提取出的主分量、與主分量對應的各特征值及其累計貢獻率(見表4、表5)。

表4 PCA提取的主分量部分數(shù)據(jù)

表5 主成分特征值及其貢獻率

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個主分量的累計貢獻率，如圖2所示。其中，PCA算法提取的前3個主分量的累計貢獻率可達到94.87%，基本代表了數(shù)據(jù)的原始特征。為此，選擇3個主分量B1、B2、B3，用于后續(xù)的聚類分析和建模。

2.3 工況細分

基于上述PCA算法所得特征，對歷史示功圖進行k均值聚類分析。經(jīng)過大量研究發(fā)現(xiàn)：當k≥3時，總會有至少2類工況樣本出現(xiàn)重疊，導致聚類類別冗余。由此認為，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2類工況的載荷點分別求取平均值，并重構平均示功圖。根據(jù)圖3所示G526K2井工況聚類結果，并結合現(xiàn)場經(jīng)驗，判斷出G526K2抽油井有供液不足及正常工況這2種生產運行情況。

圖2 特征值貢獻率帕累托圖

圖3 G526K2井工況聚類結果

2.4 PSO-ELM多工況建模及評價

針對上述2種典型工況，分別建立PSO-ELM模型。整個樣本被劃分成2部分，其中80%作為訓練樣本，其余20%作為測試樣本。為驗證工況細分對模型精度的影響，與統(tǒng)一工況模型進行比較，以產液量和耗電量預測結果為例(見圖4、圖5)。此外，為了驗證PSO算法對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°趨勢線表示預測樣本與真實樣本的擬合程度，預測散點越接近45°趨勢線表明預測效果越好；其次，統(tǒng)一工況模型中存在大量嚴重偏離45°趨勢線的數(shù)據(jù)，擬合效果不理想。統(tǒng)一工況模型精度相對較低，這是因為油田機采系統(tǒng)是一個受較多因素綜合影響的多工況生產過程，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模型產液量預測效果

圖5 不同工況PSO-ELM模型耗電量預測效果

圖6 工況1的產液量建模效果

根據(jù)圖6所示，PSO-ELM模型的預測精度優(yōu)于ELM模型，其訓練值、測試值基本落在45°趨勢線上；而ELM模型無論是訓練過程還是測試過程，其預測結果都偏離45°趨勢線一定距離。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，同時通過PSO算法優(yōu)化ELM的輸入權值和隱含層閾值，可有效地解決ELM的輸入權值和隱含層閾值隨機給定問題，保證已確定輸入權值和隱層閾值所對應網(wǎng)絡的泛化性能最優(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多工況建模擾動分析

為了進一步驗證基于工況細分的PSO-ELM模型中油田機采部分面對突發(fā)狀況的抗干擾能力，對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′是擾動因子。在此令K′=±15%，進行干擾試驗，以驗證其抗干擾能力。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。

圖10 工況1的產液量干擾試驗

圖11 工況1的耗電量干擾試驗

圖12 工況2的產液量干擾試驗

在圖11中，樣本數(shù)22和27對應的數(shù)據(jù)變化明顯，PSO-ELM模型相較于ELM模型有較好的預測追蹤能力；在圖10、圖11中，針對工況1模型增加K′=±15%的人為干擾時，PSO-ELM表現(xiàn)出較好的預測能力和抗干擾能力；在圖12、圖13中，工況2模型PSO-ELM的抗干擾能力遠遠優(yōu)于ELM模型。產生上述結果的原因是：將數(shù)據(jù)按實際工況分類，分類后的數(shù)據(jù)能準確反映變化系統(tǒng)運行的潛在關系；PSO-ELM通過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

相對于傳統(tǒng)的ELM模型，PSO-ELM模型在精度上有了明顯的提升。與此同時，針對多變工況的復雜工藝系統(tǒng)，利用多工況建模方法可有效地提高模型的訓練精度及泛化能力?；诩毞止rPSO-ELM建模方法對油田機采系統(tǒng)實際工況的描述更加準確，可滿足現(xiàn)場生產的實際需求。該建模方法應用于中國某油田采油一廠G526K2有桿抽油機井，其建模效果不僅有良好的運行穩(wěn)定性，且模型的精度符合實際生產數(shù)據(jù)的計算要求。最重要的是，該模型可以滿足多變工況的復雜油田機采工藝系統(tǒng)應用。

3 結 語

本次研究主要討論了油田機采系統(tǒng)建立高精度模型的問題。根據(jù)生產示功圖聚類分析，將機采系統(tǒng)分解為若干典型工況，并通過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，實現(xiàn)精細化建模；PSO算法能夠在一定程度上克服ELM模型的隨機性問題，提高模型精度。建立的多工況PSO-ELM模型具有較高的預測精度和良好的泛化能力，可用于油田機采系統(tǒng)。針對多工況的復雜油田機采系統(tǒng)，該模型表現(xiàn)出了較好的魯棒性，能夠有效地預測油田機采系統(tǒng)的產液量和耗電量，精度較高。