论文部分内容阅读
近年来我国的经济发展迅猛,石油生产的地位变得越来越重要。及时掌握抽油机井的生产变化和运行状态对整个油田的综合效益与安全生产都有十分重要的意义。然而,目前在石油生产工程中,在油井产量预测方面,由于油井动态数据应用单一,无法提前掌握油井产量的生产变化,不能有效地制定生产计划,影响综合效益;在油井开采方面,有杆采油仍然占主导地位,但因其井下工况复杂并且环境恶劣,所以故障发生率较高,影响安全生产和产油质量。虽然目前在理论上已有一些抽油机井产量预测与故障诊断方法,如LM算法优化的BP神经网络(LMBP)、遗传算法优化的BP神经网络(GABP)、RBF神经网络、支持向量机(SVM)等,尚不能很好地完成产量预测与故障诊断,预测误差和诊断正确率有待大幅改善。为此本文在对极限学习机算法改进基础上,提出了基于灰色关联分析法与改进极限学习机结合的油井产量预测方法和基于小波包与改进极限学习机相结合的有杆抽油机井故障诊断方法,实现了对单井的产量和有杆抽油机井故障进行快速、准确的预测与诊断。本文主要围绕以下五个方面的内容开展研究:(1)对油井产量预测主要影响因素开展研究,分析油井产量预测的影响因素,提出利用灰色关联分析法提取主要影响因素,并给出详细的算法步骤。(2)研究有杆抽油机井的故障诊断原理,分析示功图的形成理论和有杆抽油机井的工作原理,对故障示功图的图形特征与相应故障原因做了详细分析。并在此基础上提出利用小波包提取示功图特征能量的方法,给出了三层小波包对示功图信号分解与重构的详细算法。(3)分析极限学习机的优缺点,向极限学习机中引入结构风险最小化理论,并用小波函数替代常用的隐层激励函数,提出改进的极限学习机(RWELM)与具体实施方法。(4)建立单井产量的预测模型与抽油机井故障诊断模型,并研究隐层神经元的个数N与微调参数的选取方法。(5)采用MATLAB R2010b软件进行仿真验证,将改进的极限学习机用于抽油机井的产量预测与故障诊断。以油井实际生产数据为例,对单井产量进行预测验证,并与传统极限学习机(ELM)、GABP神经网络、LMBP神经网络预测的结果进行对比分析;以现场采集的实测示功图数据为例,对抽油机井进行故障诊断验证,并与传统极限学习机(ELM)、RBF神经网络、支持向量机(SVM)的诊断结果进行对比分析。实验结果表明,单井产量预测的相对误差仅有1.1204%,抽油机井的故障诊断准确率为96.667%,在实际应用中是可行的。