一种采油井控制方法及系统技术方案

本发明专利技术公开一种采油井控制方法及系统，方法包括：获取采油井的注采系统的实时状态信息并传输至比例积分微分控制器，比例积分微分控制器通过控制电机的频率对注采系统的进行闭环控制；计算采油井效率初始值；获取注采系统的实时状态信息；将采油井效率初始值输入神经网络控制器，作为神经网络控制器的控制目标值，神经网络控制器执行神经网络算法，根据注采系统的实时状态信息计算出当前最佳的流量设定值；将流量设定值发送至比例积分微分控制器，比例积分微分控制器以流量设定值作为控制目标值进行对注采系统的闭环控制。本发明专利技术提供的采油井控制方法及系统，可以满足采油井在最佳工况点的控制要求，实现了系统的优化控制，提高了系统效率。

【技术实现步骤摘要】

本专利技术涉及采油井相关
，特别是一种采油井控制方法及系统。
技术介绍
目前海上的采油井不定产值控制系统通常采用传统的比例积分微分（proportion-integral-derivative，PID）控制器，但是由于积分饱和作用，PID控制器无法达到作业效率最高的最佳工况点，采油效率受到极大制约。
技术实现思路
基于此，有必要针对现有技术由于积分饱和作用，PID控制器无法达到作业效率最高的最佳工况点，采油效率受到极大制约的技术问题，提供一种采油井控制方法及系统。本专利技术提供一种采油井控制方法，包括：闭环控制步骤，包括：获取所述采油井的注采系统的实时状态信息并传输至比例积分微分控制器，所述比例积分微分控制器通过控制电机的频率对所述注采系统的进行闭环控制；采油井效率初始值计算步骤，包括：计算采油井效率初始值；实时状态信息获取步骤，包括：获取所述注采系统的实时状态信息；神经网络计算步骤，包括：将所述采油井效率初始值输入神经网络控制器，作为所述神经网络控制器的控制目标值，所述神经网络控制器执行神经网络算法，根据所述注采系统的实时状态信息计算出当前最佳的流量设定值；闭环目标设定步骤，包括：将所述流量设定值发送至所述比例积分微分控制器，所述比例积分微分控制器以所述流量设定值作为控制目标值执行所述闭环控制步骤。本专利技术提供一种采油井控制系统，包括：闭环控制模块，用于：获取所述采油井的注采系统的实时状态信息并传输至比例积分微分控制器，所述比例积分微分控制器通过控制电机的频率对所述注采系统的进行闭环控制；采油井效率初始值计算模块，用于：计算采油井效率初始值；实时状态信息获取模块，用于：获取所述注采系统的实时状态信息；神经网络计算模块，用于：将所述采油井效率初始值输入神经网络控制器，作为所述神经网络控制器的控制目标值，所述神经网络控制器执行神经网络算法，根据所述注采系统的实时状态信息计算出当前最佳的流量设定值；闭环目标设定模块，用于：将所述流量设定值发送至所述比例积分微分控制器，所述比例积分微分控制器以所述流量设定值作为控制目标值执行所述闭环控制模块。本专利技术提供的采油井控制方法及系统，可以满足采油井在最佳工况点的控制要求，实现了系统的优化控制，提高了系统效率。附图说明图1为本专利技术一种采油井控制方法的工作流程图；图2为本专利技术最佳实施例的结构示意图；图3为本专利技术一种采油井控制系统的结构模块图；图4为改进激励函数的曲线。具体实施方式下面结合附图和具体实施例对本专利技术做进一步详细的说明。如图1所示为本专利技术一种采油井控制方法，包括：步骤S101，包括：获取所述采油井的注采系统的实时状态信息并传输至比例积分微分控制器，所述比例积分微分控制器通过控制电机的频率对所述注采系统的进行闭环控制；步骤S102，包括：计算采油井效率初始值；步骤S103，包括：获取所述注采系统的实时状态信息；步骤S104，包括：将所述采油井效率初始值输入神经网络控制器，作为所述神经网络控制器的控制目标值，所述神经网络控制器执行神经网络算法，根据所述注采系统的实时状态信息计算出当前最佳的流量设定值；步骤S105，包括：将所述流量设定值发送至所述比例积分微分控制器，所述比例积分微分控制器以所述流量设定值作为控制目标值执行所述步骤S101。作为本专利技术最佳实施例，如图2所示，本专利技术具体采用系统效率初始值计算模块21、神经网络控制器22、实际效率模块23、PID控制器24、电机25、注采系统26、变送器27实现。其中，系统效率初始值计算模块21、神经网络控制器22、PID控制器24、电机25和注采系统26依次连接；实际效率模块23连接于神经网络控制器22和注采系统26之间；变送器27连接于PID控制器24和注采系统26之间；神经网络控制器22从系统效率初始值计算模块21获取效率初始值，并根据实际效率模块23获取注采系统26的实时状态信息，如流量、压力数据，计算出当前最佳的流量设定值，PID控制器24以此流量设定值作为控制值目标值，并根据变送器27传输的数据对电机25的频率进行调整，从而实现闭环控制。采油井的效率初始值计算方式通过对系统效率进行预估，系统效率计算方式采用现有方式，不同工况下计算公式有所差别：单口采油井不定产值其中，为第i个系统效率，，为介质密度，为重力加速度，为第台电潜泵流量，为第口井的出口压力，为第口井的入口压力，且各口井入口压力相同。为每台电潜泵输入电流，为输入电压。每个参数均在量程变化范围内。多口采油井不定产值其中，为第i个系统效率，，为介质密度，为重力加速度，为第台电潜泵流量，为第口井的出口压力，为第口井的入口压力，各口井入口压力相同。为每台电潜泵输入电流，为输入电压。各参数均在量程变化范围内。两口采油井定产值其中，，为系统总效率，，为介质密度，为重力加速度，为每台电潜泵流量，为每台电潜泵出口压力，为每台泵入口压力且每台泵的入口压力相同。为输入电压，为每台电潜泵输入电流。为系统总产量定产值常数。各参数均在量程变化范围内。多口采油井定产值其中，，为系统总效率，为介质密度，为重力加速度，为每台电潜泵流量，为每台电潜泵出口压力，为每台泵入口压力且每台泵的入口压力相同。为输入电压，为每台电潜泵输入电流。为系统总产量定产值常数。各参数均在量程变化范围内。得到系统总效率后乘以一个预设大于1的系数，使得神经网络能根据该系统总效率寻优。一般来说，效率初始值为系统总效率×150%。本专利技术提供的采油井控制方法及系统，可以满足采油井在最佳工况点的控制要求，实现了系统的优化控制，提高了系统效率。在其中一个实施例中，所述神经网络控制器采用多层前馈网络；所述神经网络控制器的输入层信息分别设置为，，，和，其中，为本周期误差，为上一周期误差，为系统效率设定值，为当前时刻效率值，当的绝对值小于预设阈值时，，否则，，其中t为当前周期时刻。为本周期误差，为上周期误差，采用相邻两次误差的差值作为输入起到类似微分的作用，快速调节。为当前时刻效率值，对本次输出产生约束作用。输入变量是选择性的，当时，为误差的叠加，即；否则，，相邻两次误差的叠加作为输入起到类似积分作用，有益于提高控制精度。在其中一个实施例中，，所述神经网络控制器的激励函数设置为（），和为调整系数。本实施例采用的激励函数中和是自己调节的，越大，越小，则曲线越陡峭，相应的网络学习速率越快。通过调节和的参数大小本文档来自技高网...

【技术保护点】
一种采油井控制方法，包括：闭环控制步骤，包括：获取所述采油井的注采系统的实时状态信息并传输至比例积分微分控制器，所述比例积分微分控制器通过控制电机的频率对所述注采系统的进行闭环控制；其特征在于：还包括：采油井效率初始值计算步骤，包括：计算采油井效率初始值；实时状态信息获取步骤，包括：获取所述注采系统的实时状态信息；神经网络计算步骤，包括：将所述采油井效率初始值输入神经网络控制器，作为所述神经网络控制器的控制目标值，所述神经网络控制器执行神经网络算法，根据所述注采系统的实时状态信息计算出当前最佳的流量设定值；闭环目标设定步骤，包括：将所述流量设定值发送至所述比例积分微分控制器，所述比例积分微分控制器以所述流量设定值作为控制目标值执行所述闭环控制步骤。

【技术特征摘要】
1.一种采油井控制方法，包括：
闭环控制步骤，包括：获取所述采油井的注采系统的实时状态信息并传输至比例积分
微分控制器，所述比例积分微分控制器通过控制电机的频率对所述注采系统的进行闭环控
制；
其特征在于：还包括：
采油井效率初始值计算步骤，包括：计算采油井效率初始值；
实时状态信息获取步骤，包括：获取所述注采系统的实时状态信息；
神经网络计算步骤，包括：将所述采油井效率初始值输入神经网络控制器，作为所述神
经网络控制器的控制目标值，所述神经网络控制器执行神经网络算法，根据所述注采系统
的实时状态信息计算出当前最佳的流量设定值；
闭环目标设定步骤，包括：将所述流量设定值发送至所述比例积分微分控制器，所述比
例积分微分控制器以所述流量设定值作为控制目标值执行所述闭环控制步骤。
2.根据权利要求1所述的采油井控制方法，其特征在于，所述神经网络控制器采用多层
前馈网络；所述神经网络控制器的输入层信息分别设置为，，，和，
其中，为本周期误差，为上一周期误差，为系统效率设定值，为当前时刻效
率值，当的绝对值小于预设阈值时，，否则，，其中t为当前
周期时刻。
3.根据权利要求2所述的采油井控制方法，其特征在于，所述神经网络控制器的激励函
数设置为（），和为调整系数。
4.根据权利要求2所述的采油井控制方法，其特征在于，所述神经网络控制器的输出层权值调
整式和隐含层权值调整式均设置为：，其中为动量因子，且，为学习效率，为第i个神经元本周期权值调
整量，为第i个神经元上一周期权值调整量,n为输出层节点数目，xi为输入层神经
单元信息，;，为当前周期误差，即期望输出与
实际输出的差值，为激励函数，为激励函数的导函数。
5.根据权利要求2～4任一项所述的采油井控制方法，其特征在于，所述神经网络控制
器的学习速率调整式设置为，其中，为当前周期误差，
为上一周期误差，为初始学习效率，k为调整常量，a和b为学习速率调整系数，且a小
于1，且b大于1。
6....

【专利技术属性】
技术研发人员：樊灵，刘宝，高娜，隋义勇，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37