王亞洲, 曹旺國, 向 明, 曹利鋼, 朱永紅

(1.中石化勝利油田分公司純梁采油廠,山東 東營 256504；2.景德鎮(zhèn)市景德電機(jī)有限公司,江西 景德鎮(zhèn) 333000；3.景德鎮(zhèn)陶瓷大學(xué) 機(jī)械電子與工程學(xué)院,江西 景德鎮(zhèn) 333001)

0 引 言

電機(jī)作為抽油機(jī)的動力來源，機(jī)采系統(tǒng)的耗電量會體現(xiàn)在電機(jī)的耗電量上，因此提高電機(jī)的節(jié)能效果非常重要。節(jié)能指標(biāo)是電機(jī)工作效率的重要指標(biāo)，一直以來都受到廣泛關(guān)注。抽油機(jī)在工作時，每臺電機(jī)的實際負(fù)載都是不相同的，如何根據(jù)工作過程中抽油機(jī)的實際負(fù)載來調(diào)整電機(jī)的實際輸入電壓對提高抽油機(jī)的效率有著明顯的提升[1]。通過搭建抽油機(jī)節(jié)能電機(jī)系統(tǒng)，可以較好地減少電能的消耗和提高電機(jī)的工作效率，同時可以大大提高整個工業(yè)生產(chǎn)的經(jīng)濟(jì)效益[2-3]。在電機(jī)節(jié)能方面，有許多學(xué)者提出了不同的方案。Gaukhar等[4]提出了游梁式抽油機(jī)電機(jī)的最優(yōu)控制策略，采用星角自動轉(zhuǎn)換方法以保證系統(tǒng)自動切換最佳工作狀態(tài)。馮德傳等[5]通過研究變頻調(diào)速轉(zhuǎn)子異步電機(jī)效能的提升，發(fā)現(xiàn)相比傳統(tǒng)變頻電機(jī)，變頻調(diào)速轉(zhuǎn)子異步電機(jī)的電能損耗更低。竇滿鋒等[6]通過研究高效節(jié)能稀土永磁同步電機(jī)設(shè)計技術(shù)，結(jié)合抽油機(jī)實際工作狀態(tài)，提出了一種抽油機(jī)電機(jī)專用的新穎、實用的磁路結(jié)構(gòu)形式，通過該結(jié)構(gòu)使電機(jī)效率提高了6.5%，且節(jié)能效果明顯。王愛元[7]研究了變頻器供電的感應(yīng)電機(jī)節(jié)能控制的若干技術(shù)，提出了基于損耗模型的矢量控制方案,該控制方案兼顧了系統(tǒng)的優(yōu)良動態(tài)性能、寬調(diào)速范圍和節(jié)能運(yùn)行。上述這些方法對電機(jī)節(jié)能都有著明顯的效果，但這些方法的實現(xiàn)需要一定的技術(shù)要求。文獻(xiàn)[8-10]研究了電機(jī)節(jié)能控制器、節(jié)能控制系統(tǒng)對電機(jī)實施節(jié)能的控制。

神經(jīng)網(wǎng)絡(luò)通過大量的樣本數(shù)據(jù)訓(xùn)練，其網(wǎng)絡(luò)的權(quán)重會不斷變化使得誤差函數(shù)沿負(fù)梯度方向下降，最后讓輸出的結(jié)果逼近于期望值。隨著神經(jīng)網(wǎng)絡(luò)算法的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)算法以其高度的非線性和較強(qiáng)的泛化能力被廣泛地應(yīng)用于各個領(lǐng)域，如函數(shù)逼近、分類識別、時間序列預(yù)測等[11]。反向傳播(BP)神經(jīng)網(wǎng)絡(luò)具有良好的泛化能力[12]，故本文利用BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型。

通過利用試驗獲取的電機(jī)負(fù)載及輸入電壓的關(guān)系數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，提出一種利用神經(jīng)網(wǎng)絡(luò)預(yù)測算法來實現(xiàn)電機(jī)在不同負(fù)載時電機(jī)輸入電壓的智能調(diào)節(jié)方法。目的是進(jìn)行電機(jī)最優(yōu)電壓值預(yù)測以提升電機(jī)的節(jié)能效率。

1 抽油機(jī)電機(jī)控制系統(tǒng)

抽油機(jī)的工作結(jié)構(gòu)圖如圖1所示，其運(yùn)動過程可以簡述為抽油機(jī)由電機(jī)供給動力，經(jīng)減速箱將電機(jī)的高速旋轉(zhuǎn)變?yōu)槌橛蜋C(jī)曲柄的低速運(yùn)動，然后通過一個四連桿機(jī)構(gòu)帶動抽油桿實現(xiàn)上下往復(fù)運(yùn)動。在抽油機(jī)的整個工作過程中，電機(jī)的實際負(fù)載往往是變化的，當(dāng)電機(jī)的額定功率遠(yuǎn)大于負(fù)載所需的功率時，會出現(xiàn)大馬拉小車的情況，使電機(jī)效率下降，造成能源的浪費(fèi)；當(dāng)負(fù)載所需的功率遠(yuǎn)大于額定功率時，不但會增加能源的消耗，也會損害電機(jī)的性能。

圖1 抽油機(jī)工作結(jié)構(gòu)圖

改變電機(jī)電壓能夠?qū)崿F(xiàn)電機(jī)輸出功率控制，從而實現(xiàn)電機(jī)輸出功率與負(fù)載功率匹配，從而提升電機(jī)效率。為實現(xiàn)電機(jī)能跟蹤負(fù)載大小設(shè)置高效率電機(jī)電壓參數(shù)，在電機(jī)控制變頻器之前設(shè)置節(jié)能電機(jī)控制系統(tǒng)，該控制系統(tǒng)可與變頻器信息交互讀取電機(jī)實時電流，如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖2可見，在電機(jī)與變頻之前設(shè)置STM32控制的節(jié)能電機(jī)控制系統(tǒng)，通過系統(tǒng)算法預(yù)測出變頻器應(yīng)該具有的電壓值，再由485通信設(shè)置變頻器輸出預(yù)測的電壓值，使得電機(jī)運(yùn)行在最佳效率區(qū)間，并根據(jù)抽油機(jī)調(diào)參(調(diào)沖次)需要，實現(xiàn)電機(jī)功率的自動調(diào)控。

2 神經(jīng)網(wǎng)絡(luò)預(yù)測算法對電機(jī)最優(yōu)輸入電壓的預(yù)測

當(dāng)電機(jī)輸出功率與負(fù)載功率匹配時，電機(jī)工作效率會提升。電機(jī)啟動時節(jié)能系統(tǒng)需要根據(jù)電機(jī)工作的電流、電壓值判斷后，給出最佳電機(jī)電壓，以保證電機(jī)輸出功率與負(fù)載功率匹配。故將神經(jīng)網(wǎng)絡(luò)預(yù)測算法引入用來預(yù)測電機(jī)的電壓值。

2.1 神經(jīng)網(wǎng)絡(luò)預(yù)測算法模型

首先搭建一個三層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。其中x1、x2、…、xi為神經(jīng)網(wǎng)絡(luò)的輸入。該神經(jīng)網(wǎng)絡(luò)包含了兩層隱藏層，第一層隱藏層有40個神經(jīng)元，第二層有20個神經(jīng)元，其中w1、w2分別為權(quán)重，y為神經(jīng)網(wǎng)絡(luò)的輸出。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 抽油機(jī)電機(jī)試驗平臺與數(shù)據(jù)采集

試驗電機(jī)型號為景德電機(jī)YEJ-2型，功率為30 kW的三相異步電機(jī)，電機(jī)試驗平臺工作現(xiàn)場如圖4所示。電機(jī)輸出軸通過扭矩傳感器與磁粉加載器連接，電機(jī)受變頻器控制，調(diào)節(jié)磁粉加載器的負(fù)載功率即調(diào)整了電機(jī)負(fù)載功率，使得電機(jī)在負(fù)載情況下運(yùn)行。

圖4 電機(jī)試驗工作現(xiàn)場圖

在試驗中獲取給定載荷下電機(jī)最佳效率工作電壓是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入值。其試驗過程是電機(jī)空載380 V啟動，此時由于電機(jī)處于空載情況，電機(jī)工作效率較低，其效率值可在電機(jī)效率測試系統(tǒng)中電機(jī)效率一欄中讀出。STM32控制模塊采用變步長搜索算法降低電機(jī)工作電壓使得電機(jī)效率值最佳，并保存最佳工作效率電壓值。調(diào)整磁粉加載器功率試驗依次完成載荷情況下電機(jī)輸入電壓和負(fù)載變化關(guān)系，其試驗過程為依次設(shè)置負(fù)載功率為2、4、6、3、9 kW，通過節(jié)能電機(jī)控制系統(tǒng)讀出效率最佳電壓和電流值，其試驗過程采集電壓、電流如圖5和圖6所示。此時電機(jī)工作頻率為50 Hz，記錄試驗中磁粉加載器的功率以及電機(jī)效率最佳的電壓與電流值，見表1。

圖5 不同負(fù)載下電機(jī)電壓變化圖

圖6 不同負(fù)載下電機(jī)電流變化圖

表1 不同負(fù)載下對應(yīng)的最優(yōu)電壓與電流

表1表明在負(fù)載變化時，電機(jī)的最佳效率電壓值會發(fā)生相應(yīng)的變化，為了使節(jié)能電機(jī)控制系統(tǒng)能夠獲得載荷情況下的電機(jī)最優(yōu)電壓值，本文采用神經(jīng)網(wǎng)絡(luò)預(yù)測算法對最優(yōu)電壓值進(jìn)行了預(yù)測。

3 神經(jīng)網(wǎng)絡(luò)預(yù)測算法設(shè)置不同參數(shù)的預(yù)測值對比

3.1 神經(jīng)網(wǎng)絡(luò)預(yù)測算法可調(diào)參數(shù)與計算結(jié)果

該網(wǎng)絡(luò)結(jié)構(gòu)隱藏層激活函數(shù)均采用雙曲正切函數(shù)tansig，訓(xùn)練方法分別選擇L-M優(yōu)化算法trainlm，帶動量的梯度下降方法traingdm，共軛梯度法traincgf和traingdx這4種。其中trainlm算法對中等規(guī)模的網(wǎng)絡(luò)來說是速度最快的訓(xùn)練方法，因為其不需要計算黑塞矩陣，大大減少了計算量；traingdm是一種批處理的訓(xùn)練方法，因為引入了一個動量，有效避免了局部最小問題的出現(xiàn)；traincgf是共軛梯度法中存儲量要求最小的算法；而traingdx是具有自適應(yīng)學(xué)習(xí)率的訓(xùn)練方法。同時設(shè)置訓(xùn)練的最大迭代次數(shù)為300次，學(xué)習(xí)率設(shè)置為0.01，設(shè)置當(dāng)均方根誤差小于1×104時停止訓(xùn)練。

在神經(jīng)網(wǎng)絡(luò)搭建完成后，將已經(jīng)采集好的負(fù)載數(shù)據(jù)和最優(yōu)電壓數(shù)據(jù)按8…2的比例劃分為訓(xùn)練集和測試集，將訓(xùn)練集中的負(fù)載與輸入電壓作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出喂入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

分別進(jìn)行4次訓(xùn)練，訓(xùn)練方法分別采用了trainlm、traingdm、traincgf和traingdx。在模型訓(xùn)練完成后，隨機(jī)選取測試集的前10組數(shù)據(jù)輸入訓(xùn)練好的模型進(jìn)行預(yù)測，對應(yīng)的預(yù)測結(jié)果如圖7～圖10所示。

圖7 trainlm訓(xùn)練方法預(yù)測結(jié)果

圖8 traingdm訓(xùn)練方法預(yù)測結(jié)果

圖9 traincgf訓(xùn)練方法預(yù)測結(jié)果

圖10 traingdx訓(xùn)練方法預(yù)測結(jié)果

為比較這4種模型各自的優(yōu)劣性，分別計算出這4種模型的準(zhǔn)確率。由于試驗的預(yù)測結(jié)果不是多分類問題，為了計算準(zhǔn)確率，可以在實際工況允許的范圍內(nèi)規(guī)定預(yù)測值與真實值的差值在某個范圍內(nèi)即可認(rèn)定為預(yù)測正確。這里規(guī)定兩者差值為20 V以內(nèi)即可認(rèn)為預(yù)測正確。通過計算，trainlm訓(xùn)練方法訓(xùn)練的模型準(zhǔn)確率可達(dá)到91.886%，traingdm訓(xùn)練方法訓(xùn)練的模型準(zhǔn)確率為87.508%，traincgf訓(xùn)練方法訓(xùn)練的模型準(zhǔn)確率可達(dá)到88.248%，而traingdx訓(xùn)練方法的準(zhǔn)確率只有85.859%。通過對比，選擇trainlm方法所訓(xùn)練的模型用于電機(jī)的最優(yōu)電壓預(yù)測。

3.2 神經(jīng)網(wǎng)絡(luò)預(yù)測算法對載荷及電壓值的預(yù)測

通過改變神經(jīng)網(wǎng)絡(luò)預(yù)測算法參數(shù)篩選得到一個最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型，將其傳入上位機(jī)。對電機(jī)施加變化的載荷，同時上位機(jī)利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電機(jī)最優(yōu)電壓值預(yù)測，得到最優(yōu)的電壓與相應(yīng)的載荷預(yù)測結(jié)果。

獲取神經(jīng)網(wǎng)絡(luò)預(yù)測值后，仍采用2.2節(jié)中變步長搜索算法獲取電機(jī)最優(yōu)電壓實測值。將最優(yōu)電壓實測值、實際載荷值與神經(jīng)網(wǎng)絡(luò)電壓預(yù)測值、載荷預(yù)測值進(jìn)行對比，如圖11和圖12所示。

圖11 電壓值預(yù)測

圖12 載荷預(yù)測

圖11中，實線為神經(jīng)網(wǎng)絡(luò)模型預(yù)測電壓值，虛線為試驗實際測量值。通過7組試驗對比驗證可知，神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與試驗實際測量值最小差值為1 V，最大差值為12 V。

圖12中，實線為神經(jīng)網(wǎng)絡(luò)模型預(yù)測載荷值，虛線為試驗實際加載值。通過7組試驗對比驗證可知，神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與實際加載值最大差值為1 866 W(試驗頻率為50 Hz)，最小差值為0。

通過對電機(jī)施加變化載荷的試驗數(shù)據(jù)分析發(fā)現(xiàn)，電機(jī)可以實現(xiàn)根據(jù)不同負(fù)載對輸入電壓的智能調(diào)節(jié)，神經(jīng)網(wǎng)絡(luò)預(yù)測算法能夠預(yù)測出最佳電壓值，并且神經(jīng)網(wǎng)絡(luò)預(yù)測值與實測值基本一致。

4 結(jié) 語

利用神經(jīng)網(wǎng)絡(luò)預(yù)測算法訓(xùn)練獲得一個泛化能力強(qiáng)的模型之后，可以有效地減少對電機(jī)工作中不同負(fù)載下最優(yōu)輸入電壓的搜尋時間，進(jìn)而實現(xiàn)對最優(yōu)電壓值的預(yù)測。通過與試驗數(shù)值相對比，表明神經(jīng)網(wǎng)絡(luò)算法能夠?qū)﹄姍C(jī)最佳工作電壓進(jìn)行預(yù)測，證明了該神經(jīng)網(wǎng)絡(luò)預(yù)測算法的可行性。