黃海礁

摘 要：針對采油現(xiàn)場復(fù)雜多變的靜態(tài)模型不能根據(jù)工況的變化更新動液面預(yù)測模型這一現(xiàn)狀，引入了聯(lián)合互信息（Joint Mutual Information，JMI）作為更新模型的評價基準。該方法首先建立最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）模型，采用改進黑洞算法（Black Hole，BH）優(yōu)化模型參數(shù)，預(yù)測出動液面，然后計算輔助變量與動液面的聯(lián)合互信息，判斷聯(lián)合互信息的波動是否在合理范圍內(nèi)，以此作為模型更新的標準，提高動液面預(yù)測精度，最后將上述方法應(yīng)用到遼河油田某采油平臺實際生產(chǎn)數(shù)據(jù)中，仿真實驗結(jié)果驗證了該方法的有效性。

關(guān)鍵詞：動液面；最小二乘支持向量機；聯(lián)合互信息；動態(tài)模型

中圖分類號：TE938 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.18.084

油井動液面參數(shù)直接反映了油層供液情況及井下供排關(guān)系，是進行采油工藝適應(yīng)性評價和優(yōu)化的關(guān)鍵數(shù)據(jù)之一。目前，采用軟測量建模的方法預(yù)測油井動液面的方法一般假設(shè)在工況穩(wěn)定的情況下，而在油田實際開采過程中，隨著時間的推移，油井工況可能會發(fā)生很多變化，使用原始數(shù)據(jù)建立的靜態(tài)軟測量模型將不再適應(yīng)新的工況，而出現(xiàn)模型老化的現(xiàn)象。因此，為了確保軟測量模型的長期適應(yīng)性，有必要將過程動態(tài)信息引入模型，建立動態(tài)軟測量模型。

本文針對動液面預(yù)測模型失效問題，提出了一種模型更新的標準，以防止模型老化，通過動態(tài)更新預(yù)測模型，提高模型的預(yù)測精度。首先選取日產(chǎn)液量、井口套壓、泵效作為模型的輔助變量，然后建立LSSVM預(yù)測模型，并采用改進BH算法對模型中的參數(shù)進行優(yōu)化，最后通過計算輔助變量與動液面的聯(lián)合互信息判斷是否更新靜態(tài)模型，提高預(yù)測動液面輸出精度。

1 動液面預(yù)測模型的建立

將日產(chǎn)液量、井口套壓、泵效作為輔助變量，用LSSVM方法建立動液面預(yù)測模型。在LSSVM模型中，懲罰因子γ和核函數(shù)參數(shù)σ值選擇的好壞會直接影響預(yù)測性能的優(yōu)劣，對此，本文采用改進的BH算法對這兩個參數(shù)進行優(yōu)化選擇。

2 基于JMI的動液面預(yù)測模型更新

互信息由信息論中的熵演化而來，是信息量在兩個變量間的相同部分。相對于主導(dǎo)變量，輔助變量的歷史數(shù)據(jù)之間具有很高的相關(guān)性，且都對主導(dǎo)變量有貢獻?；バ畔⒎椒ú恢豢紤]各輔助變量對主導(dǎo)變量的貢獻，同時還考慮它們之間的相互影響。另外，可利用聯(lián)合互信息的值來更新模型。

在改進BH-LSSVM建立靜態(tài)模型的基礎(chǔ)上，采用JMI模型更新方法實現(xiàn)模型的動態(tài)預(yù)測，具體步驟如下：①計算訓(xùn)練數(shù)據(jù)輔助變量與動液面的聯(lián)合互信息；②建立LSSVM模型，用改進的BH算法優(yōu)化模型參數(shù)；③判斷聯(lián)合互信息是否在允許范圍，如果不在范圍內(nèi)，則更新模型參數(shù)，否則輸出預(yù)測值；④重復(fù)上述步驟，直至輸出預(yù)測值。

3 實驗分析

本文從遼河油田某采油平臺得到抽油機部分監(jiān)測數(shù)據(jù)，將歷史數(shù)據(jù)一次建模，生產(chǎn)過程中不更新模型，建立改進BH-LSSVM靜態(tài)模型。采集了686組樣本數(shù)據(jù)，其中350組樣本數(shù)據(jù)用于訓(xùn)練預(yù)模型，336組樣本數(shù)據(jù)用于測試預(yù)測模型。實驗過程中的參數(shù)設(shè)置為：種群數(shù)50，進化代數(shù)100，懲罰因子搜索區(qū)間為[2 000，1]，核函數(shù)參數(shù)搜索區(qū)間為[50，0.01]，以均方誤差作為評價模型預(yù)測精度的標準。改進BH算法搜索到最優(yōu)懲罰系數(shù)γ為100.401 4，核函數(shù)參數(shù)σ為0.01，預(yù)測結(jié)果與實際值相比較的仿真圖如圖1所示。

從圖1中可以看出，樣本點140之后動液面的預(yù)測值與真實值之間的誤差明顯增大，靜態(tài)模型失效。基于聯(lián)合互信息對動態(tài)更新模型與靜態(tài)模型進行對比，如圖2所示。

分別計算靜態(tài)模型和動態(tài)模型預(yù)測值與實際值的均方根值誤差見，如表1所示，可知動態(tài)模型均方根誤差更小，預(yù)測結(jié)果更加接近真實值。

4 結(jié)論

本文針對工況不斷發(fā)生變化會使模型的預(yù)測精度逐漸降低甚至出現(xiàn)較大偏差這一問題，引入了聯(lián)合互信息理論，計算出了建模的輔助變量與動液面的聯(lián)合互信息值，判斷了聯(lián)合互信息的波動范圍是否在合理的范圍內(nèi)，并對模型進行了更新。實驗結(jié)果表明，上述方法是有效的，可以提高油田的自動化生產(chǎn)水平。

參考文獻

[1]李璦輝.難測井動液面測試方法研究[J].中國石油和化工標準與質(zhì)量，2012（05）.

[2]李翔宇，高憲文，侯彥彬.基于在線動態(tài)高斯過程回歸抽油井動液面軟測量建模[J].化工學(xué)報，2015（06）.

[3]Shang C，Gao X Q，Yang F，et al.Novel Bayesian framework for dynamic soft sensor based on support vector machine with finite impulse response.IEEE Transaction on Control Systems Technology，2013（4）.

[4]Fu Y F.A dynamic soft-sensor modeling method based on FC-GP for 4-CBA Content[C]//IEEE Instrumentation and Measurement Technology Conference，2011.

[5]王通，高憲文，蔣子健.基于黑洞算法的LSSVM的參數(shù)優(yōu)化[J].東北大學(xué)學(xué)報（自然科版），2014（2）.

[6]何海洋，羅志增.基于k-近鄰互信息估計的EEG偽跡消除方法[J].計算機工程，2013（06）.

〔編輯：王霞〕