论文部分内容阅读
动液面数据是油田生产中重要指导数据之一,通过动液面可以推算出相应的井底流压大小,指导抽油机调整其抽油频率,使其达到合理抽油状态。然而,动液面的测量比较困难,相应技术发展至今,较为常用的有浮筒法、示功图法、压力测量法和回声探测法。上述方法均属于机理方法,都无法改变人工操作时随之而来的巨大工作量及安全性等问题。因此,本文采用软测量方法,来逐步代替人工测量,从而避免上述问题的发生。本文针对动液面测量问题进行了研究与讨论:通过对软测量技术整体的研究及对比分析,选取了最小二乘支持向量机(LSSVM)作为对动液面数据建立预测模型的核心算法。系统搭建前本文对动液面时间序列进行了较为深入的研究分析,并发现其具有混沌特性。依据目前相关理论表明,软测量技术还无法实现对混沌时间序列的长期较精准预测量工作,且对于具有混沌特性的时间序列需要在相空间中进行分析与建模。因此本文将动液面时间序列进行了相空间重构,充分挖掘动液面时间序列的潜在的数据信息,为后续系统搭建提供了可靠的基础性保证。本文采用黑洞算法来解决对LSSVM参数赋值的问题,替代了原有方法,进一步完善了本套动液面预测量系统,提升了整套系统的自动化水平,避免了参数选择和后期调试所带来的麻烦。本文将LSSVM、PSO-LSSVM和BH-LSSVM三种方法进行了对比实验,实验结果表明BH-LSSVM方法寻优效果更佳,预测效果更好,误差在油田允许范围之内。而其他两种方法预测效果均不是很好。本文针对传统一步预测模型进行了修改,添加了三项辅助变量,并通过仿真实验验证了新模型的有效性,提高了对重构后动液面时间序列预测的准确性,更进一步地提升了系统整体性能。针对软测量模型更新时所遇到的“数据饱和”问题,本文分别采用了滑动窗法和遗忘因子法来加以解决。这两种方法各具优势,均可以在一定程度上解决“数据饱和”问题,具体选取可依照实际情况而定。本文所设计的动液面预测量系统实现了对动液面的短期连续测量,有效降低了油田工作人员工作量,避免了部分安全隐患,使得油田整体自动化水平得到了显著提升。