陳 棟，胡 玲，李奎霖

(延長油田股份有限公司 杏子川采油廠，陜西 延安 717400)

在采油過程中，井液水平逐漸降低。抽油機(jī)的一般開采能力大于油井的實(shí)際負(fù)荷，因此抽油機(jī)可能會(huì)出現(xiàn)“長輕載”和“空抽”現(xiàn)象[1]。這不僅降低了電動(dòng)機(jī)的功率因數(shù)，增加了無效行程的抽油，大量地浪費(fèi)電能，而且使得抽油設(shè)備的損失和維修費(fèi)用增加。

由于地下采油極為復(fù)雜，采油系統(tǒng)是一個(gè)非線性系統(tǒng)，具有很強(qiáng)的負(fù)荷擾動(dòng)。建立精確的數(shù)學(xué)模式是困難的，使用經(jīng)典控制理論很難滿足控制要求[2]。因此，傳統(tǒng)方法不能解決抽油機(jī)動(dòng)態(tài)工作能力隨油井負(fù)荷變化而變化的問題，不能更好地達(dá)到節(jié)能的目的，而且會(huì)影響采油量。目前，還沒有建立智能控制的理論體系[3]，但是神經(jīng)網(wǎng)絡(luò)控制、模糊控制、專家系統(tǒng)與遺傳算法等已成為公認(rèn)的智能控制方法，并取得了許多成功的應(yīng)用。因此，神經(jīng)網(wǎng)絡(luò)在自動(dòng)控制中的應(yīng)用是自動(dòng)控制發(fā)展的需求。神經(jīng)網(wǎng)絡(luò)控制是神經(jīng)網(wǎng)絡(luò)和控制理論的結(jié)合，成為智能控制領(lǐng)域的前沿課題之一[4]。因此，有效的抽油節(jié)能方法是動(dòng)態(tài)控制抽油停止時(shí)間，以達(dá)到節(jié)能的目的。

1 抽油機(jī)采油系統(tǒng)能耗分析

抽油機(jī)能耗大已經(jīng)成為采油過程中的主要問題。造成抽油機(jī)能耗大的主要原因是抽油機(jī)電動(dòng)機(jī)機(jī)械特性與油井供液能力不匹配。抽油機(jī)電機(jī)機(jī)械特性運(yùn)行時(shí)不能隨著油井工況變化而變化，一般在選擇抽油機(jī)電機(jī)時(shí)都按照最大負(fù)荷選取，所以造成了“大馬拉小車的現(xiàn)象”，導(dǎo)致抽油機(jī)電機(jī)浪費(fèi)很多能量[5]。

1.1 抽油機(jī)節(jié)能影響因素

抽油機(jī)由地面部分和地下2部分組成，地面裝置包括抽油機(jī)的動(dòng)力和平衡，由抽油桿的應(yīng)變、井液量、抽油機(jī)電流組成，抽油泵的單位電壓和有功功率。地下部分包括油泵和相應(yīng)的閥，如圖1所示。

圖1 具有影響因素的抽油機(jī)Fig.1 Beam-pumping unit with affect factors

抽油機(jī)的節(jié)能問題是將工作效率提高到最高水平，工作效率表示為輸出油(質(zhì)量)/消耗的電能。工作效率取決于光束泵的工作狀態(tài)。現(xiàn)在很難控制束泵的行程，因此暫時(shí)使行程恒定。束泵的可控工作狀態(tài)包括2部分：①束泵的停止時(shí)間；②束泵的停止時(shí)間、光束泵單元的工作頻率。抽油機(jī)的停機(jī)時(shí)間和抽油機(jī)的工作頻率受油井出油速度、油井液位和地下油泵注滿水量的影響。

通過測量抽油桿應(yīng)變、井輸出液體量、束泵單位電流、束泵單位電壓和有功功率來間接估計(jì)泵的滿度。直接測量井內(nèi)產(chǎn)油量也很困難，根據(jù)產(chǎn)油現(xiàn)狀，發(fā)現(xiàn)了影響產(chǎn)油量的8個(gè)主要參數(shù)[6]：儲(chǔ)油層孔隙度、儲(chǔ)油層硬度、儲(chǔ)層原油殘余含量、儲(chǔ)油層壓力、原油黏度、原油張力、注水壓力、注水速率。因此，根據(jù)油井的出油率、油井中的液位和地下油泵的注滿水量來控制抽油機(jī)的工作狀態(tài)，可以提高抽油機(jī)的工作效率，節(jié)省泵的電能[7]。

1.2 油泵電機(jī)能耗分析

油泵中的電動(dòng)機(jī)運(yùn)行過程是負(fù)載變化的過程?？勺冝D(zhuǎn)矩負(fù)載的性能特征如圖2所示。當(dāng)油泵的質(zhì)量流量為的額定值fA，并且油泵電動(dòng)機(jī)的轉(zhuǎn)速為n1，阻力為R1曲線，油泵電動(dòng)機(jī)的輸出功率可以用APAOfA的平行四邊形的面積來表示。在工作點(diǎn)B滿電壓下運(yùn)行時(shí)，油泵的流量減小到fB，油泵電機(jī)的輸出功率可表示為BPBofB的平行四邊形面積。圖中的平行四邊形APAofA和BPBofB可以看出油泵中電動(dòng)機(jī)的輸出功率P2略有下降。

圖2 油泵電機(jī)的負(fù)載特性Fig.2 Load characteristic of motor in oil pump

如果減小負(fù)載比，則可以降低電動(dòng)機(jī)的電壓，然后將電動(dòng)機(jī)的轉(zhuǎn)速降低到n2，工作點(diǎn)為C。因此，電動(dòng)機(jī)的輸出功率表示為平行四邊形CPCOfB的面積。平行四邊形APAOfA、BPBOfB和CPCOfB表示，當(dāng)電動(dòng)機(jī)的轉(zhuǎn)速降低到n2時(shí)，油泵中電動(dòng)機(jī)的輸出功率P2顯著降低，其中油泵的流量增大[9]。

2 節(jié)能理論

實(shí)際狀態(tài)下是存在最大效率滑差Sη，max的，或者說最優(yōu)滑差Sη，max是在異步電動(dòng)機(jī)的任何運(yùn)行狀態(tài)下都存在的[10]。根據(jù)等效電路，可以得到電動(dòng)機(jī)的效率：

(1)

其中，r1為定子電阻；r2為轉(zhuǎn)子電阻；x=x1+x2，為定子和轉(zhuǎn)子的泄漏電抗；s為滑差；gm為勵(lì)磁電導(dǎo)。

式(1)中dη/ds=0，可得出最佳滑移Sη，max：

Sη，max=

(2)

由式(1)和(2)，可以得到

(3)

在式(3)中，ηmax與電動(dòng)機(jī)參數(shù)gm、r1、r2、x=x1+x2、Sη，max有關(guān)，gm與電力頻率w有關(guān)。因此，如果電源頻率w是不變的，并且將Sη，max保持不變，則電動(dòng)機(jī)將以最大效率運(yùn)行。如果負(fù)載發(fā)生變化，可以將轉(zhuǎn)差s調(diào)整為Sη，max，以確保電動(dòng)機(jī)以最大效率運(yùn)行。

根據(jù)異步電動(dòng)機(jī)的特性，可以得到滑差方程，即s=(n0-n)/n0。因此，如果頻率w不變，則當(dāng)電動(dòng)機(jī)負(fù)載變化時(shí)，電動(dòng)機(jī)的轉(zhuǎn)速可以保持在η=ηmax，從而保持s=Sη，max時(shí)，電動(dòng)機(jī)將以最大效率運(yùn)行。不同電壓系數(shù)下隨負(fù)載系數(shù)變化的效率曲線如圖3所示。其中，η=U1/UN是電壓系數(shù)，β=ML/MN是負(fù)載系數(shù)。

圖3 不同負(fù)載率下的效率曲線Fig.3 Efficiency curve with different load rate

3 抽油機(jī)節(jié)能降耗技術(shù)

由于油井工況變化導(dǎo)致抽油機(jī)的載荷特性變化，從而導(dǎo)致抽油機(jī)的載荷特性與電動(dòng)機(jī)的機(jī)械特性不匹配，抽油機(jī)電動(dòng)機(jī)能耗與其他部分能耗相比，在整個(gè)抽油機(jī)系統(tǒng)中能耗最大。因此，電動(dòng)機(jī)是提升系統(tǒng)效率潛力最大的部分[11]。

在電動(dòng)機(jī)節(jié)能方面，主要圍繞在抽油機(jī)結(jié)構(gòu)改進(jìn)、電動(dòng)機(jī)及其控制技術(shù)、增設(shè)節(jié)能裝置等方面。開發(fā)新型抽油機(jī)并替換大量現(xiàn)有型號(hào)的可能性很小。難以靈活調(diào)節(jié)泵單元的結(jié)構(gòu)，也難以普及，并且適用性較弱。節(jié)能駕駛設(shè)備的使用可以起到一定的節(jié)能效果，但負(fù)載平衡的效果有限，不能抑制反向發(fā)電，節(jié)能潛力還沒有得到充分挖掘。在不對(duì)原抽油機(jī)進(jìn)行結(jié)構(gòu)改動(dòng)的前提下，增加節(jié)能裝置可以大大提高電動(dòng)機(jī)的負(fù)載率和平衡率，解決了逆向發(fā)電的問題，提高了電動(dòng)機(jī)的效率[12]。因此，在傳統(tǒng)的抽油機(jī)上增加節(jié)能裝置以提高傳統(tǒng)的抽油機(jī)的能效，將是未來提高效率的主要手段。

目前有關(guān)抽油機(jī)節(jié)能技術(shù)大多數(shù)基于神經(jīng)網(wǎng)絡(luò)技術(shù)，通過獲取大量的樣本數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到預(yù)測的抽油機(jī)狀態(tài)，根據(jù)預(yù)測結(jié)果確定抽油機(jī)合理間抽時(shí)間，從而達(dá)到節(jié)能降耗的目的。

3.1 小波神經(jīng)網(wǎng)絡(luò)(Wavelet neural network)

小波神經(jīng)網(wǎng)絡(luò)是一種基于小波分析的神經(jīng)網(wǎng)絡(luò)模型。用非線性小波基本函數(shù)代替了常用的非線性Sigmoid函數(shù)，分別用輸入比例尺的比例參數(shù)和平移參數(shù)替換了從輸入層到隱藏層的權(quán)重和隱藏層的閾值。小波網(wǎng)絡(luò)的輸出是所選小波基的線性疊加，即輸出層的輸出是線性神經(jīng)元輸出。

(4)

將ψ(t)命名為基本小波或小波生成函數(shù)，可以通過縮放和平移ψ(t)來構(gòu)建一個(gè)函數(shù)族：

(5)

其中，ψa，b(t)稱為小波；a為比例參數(shù)，b為平移參數(shù)。

信號(hào)f(t)∈L2(R)的小波變換定義如下：

(6)

根據(jù)小波變換原理，在希爾伯特空間中，選擇一個(gè)小波生成函數(shù)ψ(xt-1，xt-2，…，xt-p)，使其滿足可接納條件：

dωxt-1…ωxt-p<+∞

(7)

對(duì)ψ(xt-1，xt-2，…，xt-p)進(jìn)行縮放、平移和旋轉(zhuǎn)變換，可以得到小波基本函數(shù)：

(8)

r-θ(xt-1，…，xt-i，xt-j，…，xt-p)=xt-icosθ-

xt-jsinθ，1≤i≤j≤p

(9)

(10)

圖4 小波神經(jīng)的結(jié)構(gòu)網(wǎng)絡(luò)Fig.4 Structure of wavelet neural network

小波基本函數(shù)的個(gè)數(shù)是關(guān)鍵參數(shù)，它會(huì)影響網(wǎng)絡(luò)的能力和運(yùn)行速度。通過分析樣本數(shù)據(jù)的稀疏性，采用減少小波基函數(shù)個(gè)數(shù)的方法。當(dāng)定義了小波基本函數(shù)的數(shù)目時(shí)，使用基于梯度下降的學(xué)習(xí)算法來訓(xùn)練網(wǎng)絡(luò)。采用Morlet小波作為小波神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)的激勵(lì)函數(shù)，

由于小波神經(jīng)網(wǎng)絡(luò)同時(shí)具有小波分析和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，因此相對(duì)于BP網(wǎng)絡(luò)，它具有更快的收斂速度和更強(qiáng)的逼近能力?；谛〔ㄉ窠?jīng)網(wǎng)絡(luò)的抽油機(jī)智能節(jié)能控制系統(tǒng)可以在很大程度上提高控制精度和控制速度。Jingwen Tian等[13]人通過實(shí)驗(yàn)數(shù)據(jù)對(duì)控制系統(tǒng)進(jìn)行測試，并通過圓形樣品的驗(yàn)證方法來驗(yàn)證系統(tǒng)的測試精度。結(jié)果表明，該系統(tǒng)可以實(shí)時(shí)、有效、方便地控制抽油機(jī)的節(jié)能過程。

3.2 反向傳播神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)(BP-NN)

(1)BP (Back Propagation)算法是一種通過誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[14]。BP網(wǎng)絡(luò)可以學(xué)習(xí)和存儲(chǔ)大量的輸入輸出模型映射關(guān)系，分為兩個(gè)子過程：前向信號(hào)傳輸子過程和錯(cuò)誤信號(hào)傳輸子過程，包括輸入層、隱藏層和輸出層。當(dāng)將學(xué)習(xí)樣本提供給網(wǎng)絡(luò)時(shí)，神經(jīng)元的激活值從輸入層傳輸?shù)捷敵鰧樱⑶覐妮敵鰧又械纳窠?jīng)元獲得輸入響應(yīng)。然后，根據(jù)減小期望輸出和實(shí)際輸出之間的誤差的方向，從輸出層到中間隱藏層修改連接權(quán)重[15]。最后，回到輸入層，網(wǎng)絡(luò)對(duì)輸入輸出模式的響應(yīng)的精度隨著誤差逆的傳播校正而增加。重復(fù)訓(xùn)練數(shù)據(jù)集中的每個(gè)輸入輸出樣本對(duì)，直到數(shù)據(jù)集的誤差減小到所需水平為止。BP神經(jīng)網(wǎng)絡(luò)具有良好的自組織自學(xué)習(xí)能力及非線性映射能力，而且具有一定的容錯(cuò)能力，若將其融入抽油節(jié)能算法中可以提高系統(tǒng)的效率。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示[16]。

(2)基于BP神經(jīng)網(wǎng)絡(luò)的PID控制算法。用神經(jīng)網(wǎng)絡(luò)PID控制器代替普通的PID控制器可使系統(tǒng)輸出和期望值之間的誤差最小?；贐P神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)如圖6所示。

圖6 PID控制系統(tǒng)結(jié)構(gòu)Fig.6 PID control system structure

從圖6可以看出，控制器由兩部分組成，即常規(guī)PID控制和神經(jīng)網(wǎng)絡(luò)，其中常規(guī)PID通過閉環(huán)直接控制受控對(duì)象，其控制參數(shù)Kp、Ki和Kd處于在線調(diào)整模式。神經(jīng)網(wǎng)絡(luò)是根據(jù)系統(tǒng)的運(yùn)行狀態(tài)來調(diào)整PID控制器的參數(shù)，以實(shí)現(xiàn)性能優(yōu)化，使輸出神經(jīng)元的輸出與PID控制器的3個(gè)可調(diào)參數(shù)相對(duì)應(yīng)[17]。通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和加權(quán)系數(shù)調(diào)整，在一定的最優(yōu)控制參數(shù)下，神經(jīng)網(wǎng)絡(luò)的輸出將與PID控制器參數(shù)相對(duì)應(yīng)?；贐P神經(jīng)網(wǎng)絡(luò)的PID控制算法的具體實(shí)現(xiàn)如圖7所示。

圖7 PID控制算法的實(shí)現(xiàn)過程Fig.7 PID control algorithm implementation process

BP神經(jīng)網(wǎng)絡(luò)是常用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它可以以任意精度逼近任何非線性函數(shù)，具有良好的逼近性能和簡單的結(jié)構(gòu)，是一個(gè)出色的神經(jīng)網(wǎng)絡(luò)。因此，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于PID控制具有其獨(dú)特的優(yōu)勢。

文獻(xiàn)[18]介紹了由BP神經(jīng)網(wǎng)絡(luò)控制參數(shù)的PID控制器用于電機(jī)的節(jié)能控制，設(shè)計(jì)了帶有BP-NN參數(shù)整定的PID控制器來控制油泵中的異步電動(dòng)機(jī)。并通過實(shí)驗(yàn)結(jié)果表明，當(dāng)油泵的負(fù)荷系數(shù)從0.1變?yōu)?.6時(shí)，平均節(jié)能率為21.4%，因此采用調(diào)節(jié)電壓來調(diào)節(jié)電動(dòng)機(jī)轉(zhuǎn)速的方法是有效的。

3.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF-NN)

(1)徑向基函數(shù)。由于其簡單的拓?fù)浣Y(jié)構(gòu)和通用的逼近能力，徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)已廣泛用于非線性系統(tǒng)建模中。對(duì)于RBF網(wǎng)絡(luò)，可調(diào)整的參數(shù)是中心、寬度和輸出權(quán)重。在使用RBF神經(jīng)網(wǎng)絡(luò)對(duì)動(dòng)態(tài)系統(tǒng)建模時(shí)，參數(shù)優(yōu)化是重要的問題[19]。為了擁有合適的參數(shù)，有許多用于訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的在線算法和離線算法。對(duì)于離線算法，一些研究人員采用了兩階段的參數(shù)優(yōu)化程序，即對(duì)隱藏神經(jīng)元的中心和寬度進(jìn)行無監(jiān)督學(xué)習(xí)，然后對(duì)線性輸出權(quán)重進(jìn)行單獨(dú)的監(jiān)督學(xué)習(xí)[20]。RBF過程的原理如圖8所示。

圖8 RBF過程的原理Fig.8 Principle of RBF process

通過以下微分方程(多輸入和單輸出)描述了本摘要中考慮的非線性動(dòng)力學(xué)系統(tǒng)：

(11)

其中，y(t)和x(t)分別為時(shí)間t處動(dòng)力系統(tǒng)的輸出和輸入。假定函數(shù)f(·，·)未知。為了清晰討論收斂，按以下形式表示(1)：

(12)

得：

(13)

可以描述具有K個(gè)隱藏層神經(jīng)元的單輸出擴(kuò)展RBF神經(jīng)網(wǎng)絡(luò)。

(14)

式中，y(x)表示擴(kuò)展RBF神經(jīng)網(wǎng)絡(luò)的輸出，而g為：

(15)

其中，u=(y(t)，x(t))T是網(wǎng)絡(luò)的輸入，W=[w1，w2，…，wk]是接隱藏神經(jīng)元和輸出層之間的權(quán)重。θk(u)是第k個(gè)隱藏神經(jīng)元的輸出值，并且：

(16)

式中，μk為第k個(gè)隱藏神經(jīng)元中心向量；‖u-μk‖為u與μk之間的歐式距離；σk為第k個(gè)隱藏神經(jīng)元的半徑或?qū)挾龋沪?y(t)，x(t))=[θ1，θ2，...，θk]T，為隱藏神經(jīng)元的輸出矩陣；K為隱藏神經(jīng)元的數(shù)量。

然后需要進(jìn)行網(wǎng)絡(luò)訓(xùn)練以優(yōu)化μ、σ和w，使平方和誤差(SSE)最小化。

(17)

并減少RBF神經(jīng)的建模誤差e(t)網(wǎng)絡(luò)為零。

(18)

(2)基于RBF神經(jīng)網(wǎng)絡(luò)的PID控制器。利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力構(gòu)成神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制器，它具有結(jié)構(gòu)簡單、可以適應(yīng)環(huán)境的優(yōu)點(diǎn)，具有很強(qiáng)的魯棒性[21]。基于RBF神經(jīng)網(wǎng)絡(luò)設(shè)置的PID控制系統(tǒng)結(jié)構(gòu)如圖9所示。該方法通過調(diào)整網(wǎng)絡(luò)權(quán)重，使控制器參數(shù)達(dá)到最優(yōu)，并采用可變學(xué)習(xí)率來加快網(wǎng)絡(luò)收斂速度。RBF在線識(shí)別網(wǎng)絡(luò)識(shí)別受控對(duì)象的在線參數(shù)，并根據(jù)扭力的變化及時(shí)調(diào)整控制器的參數(shù)[22]。

圖9 RBF神經(jīng)網(wǎng)絡(luò)設(shè)置的PID控制系統(tǒng)Fig.9 PID control system of RBF neural network setting

周以琳等人基于RBF神經(jīng)網(wǎng)絡(luò)的在線識(shí)別和可變學(xué)習(xí)率，提出了RBF神經(jīng)網(wǎng)絡(luò)PID的自適應(yīng)控制新方法。實(shí)驗(yàn)結(jié)果表明，實(shí)現(xiàn)了較高的控制性能。該控制方法具有響應(yīng)速度快、超調(diào)量小、魯棒性強(qiáng)以及適應(yīng)性強(qiáng)的特點(diǎn)，并且系統(tǒng)具有較好的節(jié)能效果。

3.4 模糊神經(jīng)網(wǎng)絡(luò)(FNN)

模糊推理系統(tǒng)(Fuzzy inference systems)是由大量簡單元件廣泛連接而成的、用以模擬人腦行為的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。該系統(tǒng)已經(jīng)成功應(yīng)用于各個(gè)領(lǐng)域，基于這種多學(xué)科的方法，已經(jīng)發(fā)展出了一系列不同的方法和術(shù)語[23]。將模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)進(jìn)行有機(jī)結(jié)合，是模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)深入研究和發(fā)展的一種必然趨勢。隨著模糊信息處理技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)研究的不斷深入，將模糊技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行有機(jī)結(jié)合，從而構(gòu)造出一種可“自動(dòng)”處理模糊信息的模糊神經(jīng)網(wǎng)絡(luò)或自適應(yīng)模糊系統(tǒng)，已引起越來越多的科技工作者的研究興趣和關(guān)注，成為當(dāng)前一個(gè)重要的研究熱點(diǎn)。

模糊神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)如圖10所示。第1層為輸入層，緩存輸入信號(hào)；第2層為模糊化層，對(duì)輸入信號(hào)進(jìn)行模糊化；第3層為模糊規(guī)則層；第4層為模糊決策層，主要針對(duì)滿足一定條件的量進(jìn)行分類并將模糊量去模糊化；第5層為輸出層，輸出運(yùn)算結(jié)果[24]。

圖10 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.10 Fuzzy neural network structure

不斷對(duì)FNN進(jìn)行改進(jìn)與優(yōu)化，并不斷地進(jìn)行訓(xùn)練學(xué)習(xí)，分析所得結(jié)果，修改模型的結(jié)構(gòu)和規(guī)則，剔除不合理的參數(shù)或成分，確保FNN預(yù)報(bào)模型和學(xué)習(xí)算法的有效性。基于FNN預(yù)報(bào)理論研究的節(jié)能控制軟件，現(xiàn)已在“智能抽油機(jī)節(jié)能控制器”中應(yīng)用[25]。這種節(jié)能控制器在幾個(gè)油田采油廠運(yùn)行可靠，抽油機(jī)自動(dòng)啟停時(shí)間合理，在保證采油量穩(wěn)產(chǎn)的前提下，節(jié)電率在30%以上。

另外，國內(nèi)丁寶等基于油田多數(shù)抽油機(jī)輕載運(yùn)行的現(xiàn)狀，提出抽油機(jī)“間歇啟?！边\(yùn)行的節(jié)能控制方案，考慮采油為一復(fù)雜過程，選擇FNN預(yù)報(bào)方法給予實(shí)現(xiàn)。為了實(shí)現(xiàn)這一方案，首先，介紹了T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，結(jié)合抽油過程的特點(diǎn)和研究的需要，對(duì)其進(jìn)行了簡化和改進(jìn)；然后，運(yùn)用采油現(xiàn)場的樣本信息和專家知識(shí)對(duì)FNN進(jìn)行訓(xùn)練；最后，給出了實(shí)用的抽油機(jī)節(jié)能FNN預(yù)報(bào)算法，將該算法應(yīng)用在智能抽油機(jī)控制器中，取得了滿意的節(jié)能效果。

4 結(jié)語

目前陸上油田存在大量的抽油機(jī)，且能源利用效率非常低。通過對(duì)抽油機(jī)系統(tǒng)能耗的主要來源進(jìn)行分析，可以發(fā)現(xiàn)抽油機(jī)系統(tǒng)的節(jié)能潛力巨大。目前電機(jī)效率低、能耗低以及電機(jī)設(shè)計(jì)效率的巨大差異，使電機(jī)節(jié)能成為抽油機(jī)節(jié)能最有效、最核心的部分。

在文中分析了小波神經(jīng)網(wǎng)絡(luò)、反向傳播神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)以及模糊神經(jīng)網(wǎng)絡(luò)在抽油機(jī)節(jié)能技術(shù)上的應(yīng)用。利用RBF神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力構(gòu)成神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制器，它具有結(jié)構(gòu)簡單、可以適應(yīng)環(huán)境的優(yōu)點(diǎn)，具有很強(qiáng)的魯棒性。通過調(diào)整網(wǎng)絡(luò)權(quán)重，使控制器參數(shù)達(dá)到最優(yōu)，并采用可變學(xué)習(xí)率來加快網(wǎng)絡(luò)收斂速度。模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法相比具有較高的預(yù)測精度，從而提高了預(yù)測準(zhǔn)確性。誤差反向傳播BP網(wǎng)絡(luò)是近年來的一項(xiàng)新技術(shù)，其抗非線性功能的能力已在理論上得到了證明，并在實(shí)際應(yīng)用中得到驗(yàn)證。但是，BP網(wǎng)絡(luò)存在收斂到局部極小和網(wǎng)絡(luò)學(xué)習(xí)速度緩慢等問題。小波神經(jīng)網(wǎng)絡(luò)是一種基于小波變換理論和人工神經(jīng)網(wǎng)絡(luò)的新型網(wǎng)絡(luò)，它具有強(qiáng)大的自適應(yīng)學(xué)習(xí)能力，并且全局最小解是唯一的。同時(shí)，小波神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)過程簡單、收斂速度快，被廣泛應(yīng)用于控制、預(yù)測等方面。

目前我國石油來源仍是陸上抽油機(jī)，且規(guī)模非常巨大，在現(xiàn)階段研究開發(fā)具有高可靠性、節(jié)能效果優(yōu)異的抽油機(jī)節(jié)能裝置與技術(shù)，具有非常廣闊的市場空間和可觀的經(jīng)濟(jì)效益。