【技术实现步骤摘要】
本专利技术涉及抽油机智能控制领域，具体涉及一种抽油机井智能间开方法及系统。
技术介绍
1、传统抽油机井在运行时往往采用连续作业的方式，这种方式虽然能够持续产出原油，但也可能导致能源浪费和设备磨损加剧。为了克服这些问题，抽油机井智能间开方法及系统应运而生。该方法通过集成先进的传感器、控制器和通信技术，实现了对抽油机井运行状态的实时监测和智能调控。根据油井的实际生产情况和地质条件，智能间开系统能够自动调整抽油机的运行参数和工作时间，以达到最优的开采效果和能源利用效率。
2、而现有的抽油井智能间开方法通过在下冲程时设置一个阈值，利用控制器关闭抽油机，即当发生干抽时，实际电流将降至此值以下，控制器就关闭抽油机。此外，现有方法还通过电机的平均电流进行检测，从实际平均电流的下降鉴别出干抽的发生，进而利用控制器关闭抽油机。然而，实际电机电流受到抽油机配重的影响绝不是那么简单的一个判据就能实现的，这将导致抽油机井的开关时机不够准确。并且抽油机在工作状态下，其工作频率如果一直处于一个固定频率，则会出现抽油机的抽取能力大于油井实际供液能力，导致出现泵效差、无效工作时间长的现象，既浪费了大量电能，又增加了抽油设备的损坏几率和维护费用。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供了一种抽油机井智能间开方法及系统。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、一种抽油机井智能间开方法，包括以下步骤：
4、s1、收集历史的抽油
5、s2、采集油井的多指标生产数据，并根据油井的多指标生产数据获取抽油机工作频率的影响因素；
6、s3、构建抽油机工作频率预测模型，基于步骤s2中抽油机工作频率的影响因素构建数据集，利用数据集对抽油机工作频率预测模型进行训练，并利用训练后的抽油机工作频率预测模型获取抽油机的工作频率预测值；
7、s4、基于步骤s1中抽油机关闭的工作频率、抽油机开启的油井油压和步骤s3中取抽油机的工作频率预测值，控制抽油机进行智能间开。
8、进一步地，在步骤s1中，基于历史的抽油机用电数据和抽油机工况数据，利用冲程采样法和相对偏差法计算抽油机关闭的工作频率，包括以下步骤：
9、a1、基于历史的抽油机用电数据和抽油机工况数据，并利用冲程采样法确定抽油机干抽周期的工作频率标准值；
10、a2、基于历史的抽油机用电数据和抽油机工况数据，并根据步骤a1中抽油机干抽周期的工作频率标准值，利用相对偏差法计算抽油机干抽周期的冲程差值和差值变化率；
11、a3、基于历史的抽油机用电数据和抽油机工况数据，构造冲程差值的隶属度矩阵和差值变化率的隶属度矩阵；
12、a4、根据步骤a2中抽油机干抽周期的冲程差值和差值变化率以及步骤a3中冲程差值的隶属度矩阵和差值变化率的隶属度矩阵，计算抽油机关闭的工作频率。
13、进一步地，在步骤a4中，根据步骤a2中抽油机干抽周期的冲程差值和差值变化率以及步骤a3中冲程差值的隶属度矩阵和差值变化率的隶属度矩阵，计算抽油机关闭的工作频率，表示为：
14、
15、其中：为抽油机关闭的工作频率，为抽油机关闭的工作频率的修正因子，为抽油机干抽周期的冲程差值，为冲程差值的隶属度矩阵，为抽油机干抽周期的差值变化率，为差值变化率的隶属度矩阵。
16、进一步地，在步骤s2中抽油机工作频率的影响因素包括油井的页面高度、套压、泵效和流量。
17、进一步地，在步骤s3中，抽油机工作频率预测模型包括预测子模型和评价子模型。
18、进一步地，在步骤s3中，利用数据集对抽油机工作频率预测模型进行训练，包括以下步骤：
19、b1、将数据集的历史数据输入至预测子模型，获取抽油机工作频率训练预测值；
20、b2、判断步骤b1中的抽油机工作频率训练预测值与抽油机工作频率历史真实值的误差是否大于误差最大值；若是则进入步骤b3，否则回到步骤b2；
21、b3、利用评价子模型对预测子模型进行更新，直至达到设定的训练迭代次数。
22、进一步地，步骤b1包括以下步骤：
23、b11、将数据集的历史数据输入至输入层，并利用输入层和隐含层得到隐含层输出值，表示为：
24、
25、其中：为隐含层输出值，为隐含层神经元的激活函数，为输入层中神经元序号，为输入层中神经元的总数，为输入层与隐含层之间的权值，为第个神经元的输入数值，为输入层与隐含层的阈值，为隐含层中神经元序号，为隐含层中神经元的总数；
26、b12、根据步骤b11中的隐含层输出值，利用隐含层和输出层得到抽油机工作频率训练预测值，表示为：
27、
28、其中：为抽油机工作频率训练预测值，为隐含层和输出层之间的权值，为隐含层和输出层之间的阈值，为输出层中神经元序号，为输出层中神经元的总数。
29、进一步地，步骤b3包括以下步骤：
30、b31、利用评价子模型对隐含层和输出层之间的权值和阈值进行更新，表示为：
31、
32、
33、其中：为更新后的隐含层和输出层之间的权值，为评价子模型的学习率，为隐含层输出值，为抽油机工作频率训练预测值和抽油机工作频率历史真实值之间的误差，为更新后的隐含层和输出层之间的阈值，为隐含层和输出层之间的阈值
34、b32、利用评价子模型对输入层和隐含层之间的权值和阈值进行更新，表示为：
35、
36、
37、其中：为更新后的输入层与隐含层之间的权值，为输入层与隐含层之间的权值，为第个神经元的输入数值，为输出层中神经元序号，为输出层中神经元的总数，为隐含层和输出层之间的权值，为更新后的输入层与隐含层的阈值，为输入层与隐含层的阈值。
38、进一步地，利用评价子模型在隐含层和输出层之间增设改进的权重训练模块，改进的权重训练模块的数据处理公式表示为：
39、
40、其中：为隐含层输出值经改进的权重训练模块后的输出值，为第一偏置项系数，为哈达玛积符号，为双曲正切函数，为第二偏置项系数。
41、一种应用上述方法的抽油机井智能间开系统，抽油机启停计算单元、抽油机工作频率分析单元、抽油机工作频率预测单元和抽油机智能间开控制单元。
42、抽油机启停计算单元用于收集历史的抽油机用电数据和抽油机工况数据，基于历史的抽油机用电数据和抽油机工况数据计算抽油机关闭的工作频率，并设置抽油机开启的油井油压；
43、抽油机工作频率分析单元用于采集油井的多指标生产数据，并根据油井的多指标生产数据获取抽油机工作频率的影响因素；
44、抽油机工作本文档来自技高网...
【技术保护点】
1.一种抽油机井智能间开方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的抽油机井智能间开方法，其特征在于，在步骤S1中，基于历史的抽油机用电数据和抽油机工况数据，利用冲程采样法和相对偏差法计算抽油机关闭的工作频率，包括以下步骤：
3.根据权利要求2所述的抽油机井智能间开方法，其特征在于，在步骤A4中，根据步骤A2中抽油机干抽周期的冲程差值和差值变化率以及步骤A3中冲程差值的隶属度矩阵和差值变化率的隶属度矩阵，计算抽油机关闭的工作频率，表示为：
4.根据权利要求1所述的抽油机井智能间开方法，其特征在于，在步骤S2中抽油机工作频率的影响因素包括油井的页面高度、套压、泵效和流量。
5.根据权利要求1所述的抽油机井智能间开方法，其特征在于，在步骤S3中，抽油机工作频率预测模型包括预测子模型和评价子模型。
6.根据权利要求5所述的抽油机井智能间开方法，其特征在于，在步骤S3中，利用数据集对抽油机工作频率预测模型进行训练，包括以下步骤：
7.根据权利要求6所述的抽油机井智能间开方法，其特征在于，步骤B1包括以下
8.根据权利要求6所述的抽油机井智能间开方法，其特征在于，步骤B3包括以下步骤：
9.根据权利要求8所述的抽油机井智能间开方法，其特征在于，利用评价子模型在隐含层和输出层之间增设改进的权重训练模块，改进的权重训练模块的数据处理公式表示为：
10.一种应用权利要求1-9任一所述方法的抽油机井智能间开系统，其特征在于，抽油机启停计算单元、抽油机工作频率分析单元、抽油机工作频率预测单元和抽油机智能间开控制单元；
...【技术特征摘要】
1.一种抽油机井智能间开方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的抽油机井智能间开方法，其特征在于，在步骤s1中，基于历史的抽油机用电数据和抽油机工况数据，利用冲程采样法和相对偏差法计算抽油机关闭的工作频率，包括以下步骤：
3.根据权利要求2所述的抽油机井智能间开方法，其特征在于，在步骤a4中，根据步骤a2中抽油机干抽周期的冲程差值和差值变化率以及步骤a3中冲程差值的隶属度矩阵和差值变化率的隶属度矩阵，计算抽油机关闭的工作频率，表示为：
4.根据权利要求1所述的抽油机井智能间开方法，其特征在于，在步骤s2中抽油机工作频率的影响因素包括油井的页面高度、套压、泵效和流量。
5.根据权利要求1所述的抽油机井智能间开方法，其特征在于，在步骤s3中，抽油机工作频...
【专利技术属性】
技术研发人员：芮宇光，高龙，刘瀚逊，田春杰，
申请(专利权)人：西安商鼎能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。