论文部分内容阅读
在石油开采过程中,有杆泵抽油机被各大油田广泛应用。在有杆泵抽油井生产过程中,油井环空液面的测试是一项非常重要的工作,动液位是在油井正常工作时,实际液面的动态变化数据。动液位一方面直接反映了油井的供液能力的大小,可以用来确定油井的生产能力；另一方面,可以用来调整抽油泵的深度,以提高泵效。传统测试法在检测精度、实时性、安全性等方面有缺陷,因此对新的测量技术的探索是一个新的研究方向。应用软测量技术在线检测不但经济可靠,而且动态响应迅速,克服了传统测试法的各种缺陷。为了较好地反映实际生产过程特性,在建立软测量模型时通常要收集较多的样本数据,然而对于不同区域和时间的样本,其扰动幅度和对象特性均不同,采用单模型建模会导致系统特性匹配不好、精度和泛化能力弱等缺陷。因此本文采用多模型融合的软测量建模方法,首先针对样本数据分别应用RBF神经网络、LS-SVM和ELM进行建模,得到子模型；其次在预测过程中,对三个子模型的预测值应用Gauss-Markov融合算法进行融合得到最终的预测结果。由于样本数量大,样本之间存在较大差异,导致测量不精确,因此本文采用基于仿射聚类的多模型融合建模方法。首先将样本数据应用仿射聚类算法进行分类,进而分别对各个聚类进行建模,针对每个聚类得到三个子模型,再应用Gauss-Markov融合算法将子模型预测结果进行融合,最终的预测结果采用的是测试样本所属聚类的模型预测值。在实际应用中,系统存在工作状态与离工作点较近的数据相关性较大,与工作点较远的数据相关性较小,系统运行中的动态变化考虑不足等问题,针对这些问题采用了一种在线的多模型融合软测量方法。这种方法可以适应工况的变化,实现模型的动态更新,进一步提高模型的精度和鲁棒性。最后将该方法应用于抽油井动液位的预测中,结果也验证了本文提出的算法具有良好的预测精度和鲁棒性。