基于PSO-ELM的油田机采系统精细化建模

杜会尧 禄佳景 辜小花 杨利平 唐海红

(1. 中国石油大港油田公司第一采油厂， 天津 300280； 2. 重庆科技学院电气工程学院， 重庆 401331；3. 四川轻化工大学人工智能四川省重点实验室， 四川 自贡 643000；4. 重庆大学光电技术及系统教育部重点实验室， 重庆 400030)

有杆抽油机是油田机采中的主要采油设备，目前存在效率低下、能源浪费严重的问题[1-2]。提高抽油机生产效率、降低能耗的方式主要有2种：一是从硬件方面着手进行改变，研发新型抽油机或其配套装置[2-4]；二是从软件方面着手进行改变，提升采油系统的智能化水平，应用先进的信息技术改造现有抽油机生产技术，提升生产水平[5]。因为前一种方式改造周期长、投资成本高，所以，后一种方式更受关注。采用后一种方式的关键是，建立精准可靠的机采过程工艺模型。油田机采系统模型的建立分为机理建模和数据统计建模。机理模型能够描述机采系统重要变量的变化趋势，反映机采过程的基本机理[6-7]，但因其基于简化和假设条件而使建立准确可靠的抽油机工艺机理模型变得十分困难。数据统计建模不仅克服了机理模型的上述缺点，且可利用广义回归神经网络(generalized regression neural network, 缩写为GRNN)、BP神经网络(back propagation neural network, 缩写为BPNN)[8-10]深度挖掘冲次、有效冲程等控制节点与系统性能之间的潜在规律，以替代抽油机的复杂变化机理过程，实现油田机采系统建模。

然而，抽油机采油过程中的工况十分复杂，难以通过统一的工艺模型来准确反映操作参数、环境变量与系统性能的潜在关系，模型精度不高。对此，可借鉴多模型建模思想[10]，将复杂非线性问题分解为若干简单的线性系统问题，继而针对各线性系统获得良好的建模与控制效果。双翼帆等人将多模型建模思想应用于连续催化重整装置，建立了脱氯前氢气纯度的在线计算模型，该方法具有较高的预测精度，优于传统的单一模型[12]。孙建平等人将多模型建模思想成功运用于长兴电厂300 MW单元机组，应用效果良好[13]。 可以推测，基于多模型建模思想，研究抽油机生产过程的工况细分模型，将为获取稳定可靠的工艺模型提供切实可行的理论指导。

为此，本次研究提出基于多工况PSO-ELM的油田机采工艺高精度建模方法，以提高机采系统在不同运行状态下的预测精度，从而获取最佳工艺调控参数和工艺模型，为进一步实现油田机采系统节能降耗奠定基础。

1 机采工艺的多工况PSO-ELM模型

1.1 基于多工况模型的油田机采工艺参数优化

利用模型发现抽油机系统潜在的规律，再通过优化算法获取最佳工艺参数，可以有效提升自身的技术水平和生产效益，降低能源消耗。在油田机采过程中，受到地层压力、环境温湿度、地质结构以及出砂、结蜡、设备老化故障等多种因素的影响，工况会发生明显变化，继而使操作参数发生改变；因此，若按照统一的工况条件建模，将难以准确地反映系统运行中不断变化的潜在关系。为此，提出基于多工况模型的油田机采工艺参数优化方法。在示功图聚类分析的基础上，对示功图的工艺参数进行分类，以建立各工况的最佳模型；同时，通过参数优化方法来获取各工况的最优工艺参数，以保证各类工况在最佳状态下运行。图1所示为基于多工况模型的油田机采工艺建模与参数优化框图。

图1 基于多工况模型的油田机采工艺建模与参数优化框图

如图1所示，系统分为工况细分、多工况建模和参数优化等3个阶段。在工况细分阶段，首先将针对生产中积累的大量历史示功图，通过PCA降维以去除数据冗余；然后针对降维后获得的主分量特征，通过k均值聚类找出其中蕴含的典型工况。在多工况建模阶段，针对历史示功图利用每种工况所有样本的PCA主分量，并通过相应的建模算法建立各工况的机采系统模型。在参数优化阶段，首先判断当前属于哪一种典型工况，然后以该工况对应的模型为基础，采取优化策略获得该工况对应的实时最优工艺参数。受篇幅限制，在此仅讨论工况细分。

1.2 基于示功图主元聚类分析的工况细分

示功图能够较为突出地反映机采系统的工作状态，故常作为采油系统各种工况分析的重要依据[14-15]。在此，应用k-means算法[16-17]提取无标签示功图样本中的潜在规律，完成示功图聚类，从而实现工况细分，并针对每种工况分别建模以提高模型精度。

若采用示功图对应的144个点直接进行聚类分析和建模，可能会由于数据点之间的相关性和数据的高维特性而影响聚类和建模的精度，增加算法的复杂度。因此，首先采用PCA算法(principal component analysis)[18]对144个载荷数据进行降维，以减少数据冗余。表1所示为基于示功图主元聚类的工况细分算法流程。

通过上述计算后，完成基于示功图的抽油机工况细分工作，将历史数据分为若干种典型工况。

1.3 特定工况的PSO-ELM高精度建模

建立高精度的适应性模型是获取最佳决策参数的前提，但机理建模是建立在一定简化条件或理想条件假设的基础上，故而建立准确可靠的工艺机理能耗模型不仅困难且难以满足实际生产需求。近年来，基于人工智能的建模方法被广泛应用于复杂系统建模，例如人工神经网络(artificial neural network, 缩写为ANN)[19]、支持向量机(support vector machine, SVM)[20]以及极限学习机(extreme learning machine,缩写为ELM)[21]等。其中，ELM[22]作为前馈神经网络的新型学习算法，其结构较简单，参数调整较少，计算复杂度较低，能够有效地克服局部最小问题。为此，采用ELM挖掘油田机采数据间的潜在规律，建立工艺过程模型。考虑到ELM算法的权值阈值随机性问题，进一步引入粒子群优化算法，以提高模型的自适应能力和自组织能力。

表1 基于示功图主元聚类的工况细分算法流程

1.3.1 极限学习机原理简介

极限学习机是针对单隐层前馈神经网络(single-hidden layer feedforward neural networks，缩写为SLFNs)的监督型学习算法[23]。标准的SLFNs模型为：

(1)

式中：βj为隐含层与输出层连接权值向量；wj为输入层与隐含层连接权值向量；bj为第j个隐含层节点的偏置；g(·)为激励函数；l为隐含层节点数；xi为输入向量；oi为输出向量。

(2)

式(2)可简化为矩阵形式：Hβ=T′,其中隐含层输出矩阵为：

H[(w1,w2,…,wl),(b1,b2,…,bl),(x1,x2,…,xn)]

(3)

1.3.2 PSO-ELM算法原理

传统ELM算法存在权值、阈值随机性和网络参数不确定等问题，在处理大数据时效率低下，且存在过拟合现象，严重影响模型的自适应能力。为此，引入粒子群优化算法(particle swarm optimization, 缩写为PSO)，对ELM的权重、阈值进行优化，进而优化整个网络结构，增强模型的自适应能力和自组织能力。表2所示为油田机采工艺PSO-ELM建模算法流程。

2 实验结果分析

2.1 数据预处理

为验证本次提出的基于工况细分多工况PSO-ELM建模方法的有效性，对某油田机采系统应用情况进行了实例研究。研究数据取自该油田G526K2有杆抽油机井2014年12月至2015年9月的生产数据。在实际油水井信息采集平台中，冲次、有效冲程、平均功率因数、计算泵效以及示功图数据为每20 min采集1次，而含水率、日产液量和日耗电量为每天采集1次。为保证实验数据的一致性，对同一天的多组冲次、有效冲程、平均功率因数、计算泵效以及示功图数据取平均值，作为对应参数当天的样本。经过数据预处理后，最终获得253组样本，部分样本示例见表3。

表2 油田机采工艺PSO-ELM建模算法流程

表3 部分样本示例

2.2 示功图主元分量提取

示功图由1个周期内的144个载荷-位移数据构成，这些数据之间具有明显的相关性和冗余性，若全部用于聚类分析和建模将会降低算法的精度，或增加算法的复杂度。在此，利用主成分分析法(PCA算法)提取出主分量。根据PCA算法，可以计算提取出的主分量、与主分量对应的各特征值及其累计贡献率(见表4、表5)。

表4 PCA提取的主分量部分数据

表5 主成分特征值及其贡献率

为了更直观地了解各类工况主分量所占比例，用帕累托图表示前5个主分量的累计贡献率，如图2所示。其中，PCA算法提取的前3个主分量的累计贡献率可达到94.87%，基本代表了数据的原始特征。为此，选择3个主分量B1、B2、B3，用于后续的聚类分析和建模。

2.3 工况细分

基于上述PCA算法所得特征，对历史示功图进行k均值聚类分析。经过大量研究发现：当k≥3时，总会有至少2类工况样本出现重叠，导致聚类类别冗余。由此认为，将本次样本的示功图载荷数据聚类成2类为最佳。为更加直观地显示工况类型，对2类工况的载荷点分别求取平均值，并重构平均示功图。根据图3所示G526K2井工况聚类结果，并结合现场经验，判断出G526K2抽油井有供液不足及正常工况这2种生产运行情况。

图2 特征值贡献率帕累托图

图3 G526K2井工况聚类结果

2.4 PSO-ELM多工况建模及评价

针对上述2种典型工况，分别建立PSO-ELM模型。整个样本被划分成2部分，其中80%作为训练样本，其余20%作为测试样本。为验证工况细分对模型精度的影响，与统一工况模型进行比较，以产液量和耗电量预测结果为例(见图4、图5)。此外，为了验证PSO算法对ELM性能的提升，如图6 — 图9分别给出2种工况下的ELM建模和PSO-ELM的建模效果对比。

根据图4、图5可知，多工况PSO-ELM模型效果优于统一工况模型。首先，45°趋势线表示预测样本与真实样本的拟合程度，预测散点越接近45°趋势线表明预测效果越好；其次，统一工况模型中存在大量严重偏离45°趋势线的数据，拟合效果不理想。统一工况模型精度相对较低，这是因为油田机采系统是一个受较多因素综合影响的多工况生产过程，各工况之间差异较大，不符合统一规则。

图4 不同工况PSO-ELM模型产液量预测效果

图5 不同工况PSO-ELM模型耗电量预测效果

图6 工况1的产液量建模效果

根据图6所示，PSO-ELM模型的预测精度优于ELM模型，其训练值、测试值基本落在45°趋势线上；而ELM模型无论是训练过程还是测试过程，其预测结果都偏离45°趋势线一定距离。这些现象表明，PSO-ELM模型的精度和泛化能力均优于ELM模型，同时通过PSO算法优化ELM的输入权值和隐含层阈值，可有效地解决ELM的输入权值和隐含层阈值随机给定问题，保证已确定输入权值和隐层阈值所对应网络的泛化性能最优。

图7 工况1的耗电量建模效果

图8 工况2的产液量建模效果

图9 工况2的耗电量建模效果

2.5 PSO-ELM多工况建模扰动分析

为了进一步验证基于工况细分的PSO-ELM模型中油田机采部分面对突发状况的抗干扰能力，对各工况模型增加了干扰噪声。干扰噪声服从正态分布，X=X+K′×rands(m,n)×X，X是m×n维的矩阵，K′是扰动因子。在此令K′=±15%，进行干扰试验，以验证其抗干扰能力。如图10 — 图13所示，在人为增加干扰的情况下，PSO-ELM模型的追踪能力最好，模型精度高，泛化能力强。

图10 工况1的产液量干扰试验

图11 工况1的耗电量干扰试验

图12 工况2的产液量干扰试验

在图11中，样本数22和27对应的数据变化明显，PSO-ELM模型相较于ELM模型有较好的预测追踪能力；在图10、图11中，针对工况1模型增加K′=±15%的人为干扰时，PSO-ELM表现出较好的预测能力和抗干扰能力；在图12、图13中，工况2模型PSO-ELM的抗干扰能力远远优于ELM模型。产生上述结果的原因是：将数据按实际工况分类，分类后的数据能准确反映变化系统运行的潜在关系；PSO-ELM通过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，特别是模型的抗干扰能力。

图13 工况2的耗电量干扰试验

相对于传统的ELM模型，PSO-ELM模型在精度上有了明显的提升。与此同时，针对多变工况的复杂工艺系统，利用多工况建模方法可有效地提高模型的训练精度及泛化能力。基于细分工况PSO-ELM建模方法对油田机采系统实际工况的描述更加准确，可满足现场生产的实际需求。该建模方法应用于中国某油田采油一厂G526K2有杆抽油机井，其建模效果不仅有良好的运行稳定性，且模型的精度符合实际生产数据的计算要求。最重要的是，该模型可以满足多变工况的复杂油田机采工艺系统应用。

3 结 语

本次研究主要讨论了油田机采系统建立高精度模型的问题。根据生产示功图聚类分析，将机采系统分解为若干典型工况，并通过PSO-ELM分别建立各工况模型。研究表明：多工况建模能够有效地提高模型精度，实现精细化建模；PSO算法能够在一定程度上克服ELM模型的随机性问题，提高模型精度。建立的多工况PSO-ELM模型具有较高的预测精度和良好的泛化能力，可用于油田机采系统。针对多工况的复杂油田机采系统，该模型表现出了较好的鲁棒性，能够有效地预测油田机采系统的产液量和耗电量，精度较高。