基于BP神经网络的抽油机节能调节算法研究

姚兴宏（大庆油田有限责任公司储运销售分公司）

1 现状

随着社会的不断发展和生产力水平的逐渐提高，国内企业应摆脱过去粗犷式的经营发展模式，向节能减排，减员增效的方向发展。在国有大型企业中，这种发展趋势越发明显。某油田有着数以万计的油井和抽油机进行24 h不间断的生产作业，每座抽油机的日耗电量在20～180 kWh，如果能够降低抽油机的耗电量将节省大量的电力资源。研究发现，造成耗电量差别巨大的原因主要有，抽油机的型号、磨损度、所处区块的地质环境等，都会造成抽油机耗电量的差别。为了有效可行的实现抽油机的减耗节能，考虑通过调节抽油机平衡块来降低抽油机能耗[1]。抽油机平衡块的调节，主要是利用机械设备的杠杆原理，调节抽油机曲柄上的曲柄平衡块，使抽油机运行时，减小机械系统的多余的运行损耗，以达到抽油机节能的目的[2]。抽油机平衡块的调节，都是凭借前线工人的经验进行调节。

2 BP神经网络

从大数据的角度出发，利用BP神经网络算法的快速收敛和重复训练等特性，针对抽油机平衡块调节，研发一个可以定量分析快速收敛的算法是可行的。

BP神经网络作为最常用的神经网络模型之一，在多层前馈神经网络上计算的一种算法[3]（图1）。该算法是一种计算偏导数的有效方法，算法由一个输入层、一个输出层及若干个隐藏层构成[4]。每一个输入对应于训练元素的一个属性，输入模式从输入层经隐藏层单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态[5]。

图1 多层前馈神经网络

3 基于BP神经网络的油井节能调节算法

3.1 问题提出

抽油机的平衡，就是指抽油机运转时，抽油机整体耗能最小时即为平衡。对于平衡的检验，以往采用的是电流法，即采取抽油机在上、下冲程中的电流峰值的比(Ni)是否平衡来判断。显然，它不能全面反映抽油机的能耗情况，对抽油机平衡的判断也是相对片面的，这在生产实践中已得到了证实。现在，利用大数据分析和BP神经网络算法设计一种多参数输入，整体考量的平衡块调节方法。

抽油机运行时，有大量参数参与配合，通过对传统历史数据总结和抽油机运行原理进行分析，总结平衡块调节相关参数见表1。

表1 平衡块调节参数

要解决的问题是：

1）若NI=I下/I上，通过调整Z上和Z下，让NI=1。

2）若NP=P下/P上，通过调整Z上和Z下，让NP=1。

3）根据以上分析，设N=NP，最终让Q值达到最小。

3.2 算法目标

基于BP神经网络的平衡块调节算法的最基本目标是在保证抽油机日常工作量的基础上，实现抽油机耗能降低。在理想情况下，抽油机平衡块只有恒处于最佳工作位置时，抽油机机械系统会处于平衡状态，抽油机整体耗能会降到最低[6]。而在平衡块的实际调节过程中，很难将平衡块一直处于最佳平衡位置，同时，影响平衡块最佳位置的因素有很多，比如，不同的运行环境，相同的抽油机最佳平衡位置可能不同。

相同的抽油机，在大致相似的环境中，其最佳平衡位置可能也存在较大差异[7]。想要更加好地发挥平衡块的调节作用，需要在抽油机耗能增大时，准确调整抽油机平衡块位置，使平衡块长时间保持在最佳工作位置，即平衡位置，以实现抽油机节能[8]。需要注意的是，平衡块的调节都是冷调节，不是热调节，也就是说，平衡块的调节都是需要抽油机停机后，利用专用工具进行平衡块移动，所以，算法中强调的准确定量就非常必要，如果能在1～2次调节就将抽油机调节平衡，那节省大量时间和人力，并且由于减少停机次数，也会增加生产效率。

经以上分析，可将问题分解为两部分：

1）当N＞1时，平 衡 块 移 动 距 离Δt=t平-t0＜0，推动方向为内推。

2）当N＞1时，平 衡 块 移 动 距 离Δt=t平-t0＞0，推动方向为外推。

若要使抽油机的耗电量达到最小，就需要根据不同情形求解出不同的t平，初始位置t0作为已知参数进行计算，而不同情况下NI和NP常常不会同时为1，这样需要一个指标来衡量不同计算结果的优劣，以确保算法最终收敛。

3.3 算法设计

3.3.1 衡量优劣的指标

由于抽油机工作时的负荷是交变的，所以，抽油机上冲和下冲时抽油机的整体状态是不同的。在上冲程中，驴头悬点需要提起抽油杆杆柱和液柱，电动机必须消耗大量电能才能使驴头上行；而下冲程中，由于抽油杆可以靠其自身重量下落，这时如果调整好抽油机的平衡，电动机可以耗费很少电能，或者几乎不耗费电能[9]。所以，调整平衡块使抽油机整体达到平衡状态，从定性分析上是可以达到节能的目的。

设t0为平衡块当前初始位置，t平为平衡块移动到平衡位置时的位置。我们的目标是找到t平的位置，并使：E平=Min(E0，E1…)，式中E平为平衡位置时的耗电量，kWh；E0位初始位置耗电量，kWh。

记T1为抽油机上行时间，T2为抽油机下行时间，对于抽油机总体耗能有：

式中：E为总体耗电量，kWh；a和b是单位时间内抽油机的耗能系数函数，规定单位时间为s；γ是抽油机每次行程开始和结束时的瞬时额定损耗。由于在实际运行中T1≈T2，所以式（1）简化为：

根据抽油机机械原理，综合上述分析，我们可以将平衡比N作为衡量平衡块平衡的标准，平衡比越趋近于1，抽油机整体越平衡，反之则抽油机越不平衡。为了简化模型，可以定义效益函数：

3.3.2 计算方法

由于涉及到一系列调节策略，最佳平衡位置一直是动态变化的，无法通过数学推导得到一个确定的解，所以，只能依靠计算机程序的方式得出数值解的近似解。进一步研究发现，虽然最佳平衡位置在变化，但是，在抽油机正常运行和磨损状态下，平衡位置变化非常缓慢，在短时间内可以认为平衡位置不动。这就为进一步研究算法提供理论基础和研究方向。神经网络是有监督、非线性的大数据分析技术，它可以直接从要进行测试的数据样本中进行学习，也可以使用已经训练好的神经网络进行测试数据学习，且所需时间相对较短。这种方式非常符合抽油机平衡块调节的训练要求，大大提高了平衡块调节的效率，算法学习的精度和收敛的速度。常用的神经网络模型有ART网络、hofield网络、kohonen网络及BP神经网络模型[10]。采用3层BP神经网络模型来实现该调节算法，算法结构见表2。

将抽油机平衡块调节的历史数据运行作为数据集，并将数据集分成2个部分，并对这2部分数据分别进行如下处理：

1）对数据集1进行处理。随机抽取1 000个位置点，作为平衡块调节的位置点；运用网格搜索的方法在初始位置与曲柄端点之间找到最合适的平衡位置t‘，使得t‘耗能比最小。

2）对数据集2进行处理。求解出抽油机在结束位置ts下的耗电量Qs；在t0和ts之间，找到比这个耗电量更小的位置点，随机选取1 000个位置点；通过网格搜索的方式，在结束位置与曲柄端点间找到合适的平衡位置t‘’，使得该位置的抽油机耗能最小。

3）当平衡块平衡位置大于t’，就用数据集1所对应的神经网络去训练。

4）当平衡块平衡位置小于t‘’，就用数据集2所对应的神经网络去训练。

5）将第3步和第4步预测的值作为神经网络在应用得到数据集1、数据集2的标签。

4 测试评估

对大约近十年的200口油井抽油机的平衡块调节数据进行训练，并将得到的数学模型应用到9口实际运行的油井中，平衡比曲线调整前后变化见图2、日耗电量曲线调整前后变化见图3。

图2 平衡比曲线调整前后变化

图3 日耗电量曲线调整前后变化

1）调整后平衡比总体趋于平衡（趋近于1），但每口井趋近幅度不一致。

2）调整后耗电量总体趋于下降，但每口井下降幅度不同。

抽油机日耗电量见表3，定量分析如下：

1）耗电量：单井减少2～13 kWh，平均减少5.8 kWh，减少中位数5.22 kWh。

2）省电比：省电比从1.92%～14.26%，平均省电比为6.47%。

表3 抽油机日耗电量

表2 BP神经网络算法结构

从实际操作的调节井数据来看，已经达到节能的目的。需要说明的是，由于上井调节属于验证性实践，主要查看调节算法的准确性，快速性，并定性和定量分析节能效率。受限于调节样本的数量，种类以及规模，后续研究可能需要进一步验证。

5 结语

通过对抽油机平衡块调节方面的研究，利用原有历史调节数据，使用大数据分析和BP神经网络算法，计算出一个调节平衡块的算法模型。该调节算法在不降低抽油机工作量的前提下，实现了对抽油机平衡块的定量调节，相比传统凭经验调节，该调节方法调节快速准确。经过实际上井调节检验，验证了该算法的准确性，可行性和实用性。通过调节前后抽油机的日耗电量对比，该调节算法具有一定的节能性能，后续可以进行深入研究，进一步优化算法，提高节能效率。