抽油機節能降耗技術應用分析

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。抽油機的一般開采能力大于油井的實際負荷，因此抽油機可能會出現“長輕載”和“空抽”現象[1]。這不僅降低了電動機的功率因數，增加了無效行程的抽油，大量地浪費電能，而且使得抽油設備的損失和維修費用增加。

由于地下采油極為復雜，采油系統是一個非線性系統，具有很強的負荷擾動。建立精確的數學模式是困難的，使用經典控制理論很難滿足控制要求[2]。因此，傳統方法不能解決抽油機動態工作能力隨油井負荷變化而變化的問題，不能更好地達到節能的目的，而且會影響采油量。目前，還沒有建立智能控制的理論體系[3]，但是神經網絡控制、模糊控制、專家系統與遺傳算法等已成為公認的智能控制方法，并取得了許多成功的應用。因此，神經網絡在自動控制中的應用是自動控制發展的需求。神經網絡控制是神經網絡和控制理論的結合，成為智能控制領域的前沿課題之一[4]。因此，有效的抽油節能方法是動態控制抽油停止時間，以達到節能的目的。

1 抽油機采油系統能耗分析

抽油機能耗大已經成為采油過程中的主要問題。造成抽油機能耗大的主要原因是抽油機電動機機械特性與油井供液能力不匹配。抽油機電機機械特性運行時不能隨著油井工況變化而變化，一般在選擇抽油機電機時都按照最大負荷選取，所以造成了“大馬拉小車的現象”，導致抽油機電機浪費很多能量[5]。

1.1 抽油機節能影響因素

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

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

抽油機的節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(質量)/消耗的電能。工作效率取決于光束泵的工作狀態。現在很難控制束泵的行程，因此暫時使行程恒定。束泵的可控工作狀態包括2部分：①束泵的停止時間；②束泵的停止時間、光束泵單元的工作頻率。抽油機的停機時間和抽油機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泵的滿度。直接測量井內產油量也很困難，根據產油現狀，發現了影響產油量的8個主要參數[6]：儲油層孔隙度、儲油層硬度、儲層原油殘余含量、儲油層壓力、原油黏度、原油張力、注水壓力、注水速率。因此，根據油井的出油率、油井中的液位和地下油泵的注滿水量來控制抽油機的工作狀態，可以提高抽油機的工作效率，節省泵的電能[7]。

1.2 油泵電機能耗分析

油泵中的電動機運行過程是負載變化的過程。可變轉矩負載的性能特征如圖2所示。當油泵的質量流量為的額定值fA，并且油泵電動機的轉速為n1，阻力為R1曲線，油泵電動機的輸出功率可以用APAOfA的平行四邊形的面積來表示。在工作點B滿電壓下運行時，油泵的流量減小到fB，油泵電機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機的輸出功率P2略有下降。

圖2 油泵電機的負載特性Fig.2 Load characteristic of motor in oil pump

如果減小負載比，則可以降低電動機的電壓，然后將電動機的轉速降低到n2，工作點為C。因此，電動機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，當電動機的轉速降低到n2時，油泵中電動機的輸出功率P2顯著降低，其中油泵的流量增大[9]。

2 節能理論

實際狀態下是存在最大效率滑差Sη，max的，或者說最優滑差Sη，max是在異步電動機的任何運行狀態下都存在的[10]。根據等效電路，可以得到電動機的效率：

(1)

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

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與電動機參數gm、r1、r2、x=x1+x2、Sη，max有關，gm與電力頻率w有關。因此，如果電源頻率w是不變的，并且將Sη，max保持不變，則電動機將以最大效率運行。如果負載發生變化，可以將轉差s調整為Sη，max，以確保電動機以最大效率運行。

根據異步電動機的特性，可以得到滑差方程，即s=(n0-n)/n0。因此，如果頻率w不變，則當電動機負載變化時，電動機的轉速可以保持在η=ηmax，從而保持s=Sη，max時，電動機將以最大效率運行。不同電壓系數下隨負載系數變化的效率曲線如圖3所示。其中，η=U1/UN是電壓系數，β=ML/MN是負載系數。

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

3 抽油機節能降耗技術

由于油井工況變化導致抽油機的載荷特性變化，從而導致抽油機的載荷特性與電動機的機械特性不匹配，抽油機電動機能耗與其他部分能耗相比，在整個抽油機系統中能耗最大。因此，電動機是提升系統效率潛力最大的部分[11]。

在電動機節能方面，主要圍繞在抽油機結構改進、電動機及其控制技術、增設節能裝置等方面。開發新型抽油機并替換大量現有型號的可能性很小。難以靈活調節泵單元的結構，也難以普及，并且適用性較弱。節能駕駛設備的使用可以起到一定的節能效果，但負載平衡的效果有限，不能抑制反向發電，節能潛力還沒有得到充分挖掘。在不對原抽油機進行結構改動的前提下，增加節能裝置可以大大提高電動機的負載率和平衡率，解決了逆向發電的問題，提高了電動機的效率[12]。因此，在傳統的抽油機上增加節能裝置以提高傳統的抽油機的能效，將是未來提高效率的主要手段。

目前有關抽油機節能技術大多數基于神經網絡技術，通過獲取大量的樣本數據，對網絡進行訓練，得到預測的抽油機狀態，根據預測結果確定抽油機合理間抽時間，從而達到節能降耗的目的。

3.1 小波神經網絡(Wavelet neural network)

小波神經網絡是一種基于小波分析的神經網絡模型。用非線性小波基本函數代替了常用的非線性Sigmoid函數，分別用輸入比例尺的比例參數和平移參數替換了從輸入層到隱藏層的權重和隱藏層的閾值。小波網絡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元輸出。

(4)

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

(5)

其中，ψa，b(t)稱為小波；a為比例參數，b為平移參數。

信號f(t)∈L2(R)的小波變換定義如下：

(6)

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

dωxt-1…ωxt-p<+∞

(7)

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

(8)

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

xt-jsinθ，1≤i≤j≤p

(9)

(10)

圖4 小波神經的結構網絡Fig.4 Structure of wavelet neural network

小波基本函數的個數是關鍵參數，它會影響網絡的能力和運行速度。通過分析樣本數據的稀疏性，采用減少小波基函數個數的方法。當定義了小波基本函數的數目時，使用基于梯度下降的學習算法來訓練網絡。采用Morlet小波作為小波神經網絡隱層節點的激勵函數，

由于小波神經網絡同時具有小波分析和神經網絡的優點，因此相對于BP網絡，它具有更快的收斂速度和更強的逼近能力。基于小波神經網絡的抽油機智能節能控制系統可以在很大程度上提高控制精度和控制速度。Jingwen Tian等[13]人通過實驗數據對控制系統進行測試，并通過圓形樣品的驗證方法來驗證系統的測試精度。結果表明，該系統可以實時、有效、方便地控制抽油機的節能過程。

3.2 反向傳播神經網絡神經網絡(BP-NN)

(1)BP (Back Propagation)算法是一種通過誤差反向傳播算法訓練的多層前饋網絡，是使用最廣泛的神經網絡模型之一[14]。BP網絡可以學習和存儲大量的輸入輸出模型映射關系，分為兩個子過程：前向信號傳輸子過程和錯誤信號傳輸子過程，包括輸入層、隱藏層和輸出層。當將學習樣本提供給網絡時，神經元的激活值從輸入層傳輸到輸出層，并且從輸出層中的神經元獲得輸入響應。然后，根據減小期望輸出和實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重[15]。最后，回到輸入層，網絡對輸入輸出模式的響應的精度隨著誤差逆的傳播校正而增加。重復訓練數據集中的每個輸入輸出樣本對，直到數據集的誤差減小到所需水平為止。BP神經網絡具有良好的自組織自學習能力及非線性映射能力，而且具有一定的容錯能力，若將其融入抽油節能算法中可以提高系統的效率。BP神經網絡的結構如圖5所示[16]。

(2)基于BP神經網絡的PID控制算法。用神經網絡PID控制器代替普通的PID控制器可使系統輸出和期望值之間的誤差最小。基于BP神經網絡的PID控制系統結構如圖6所示。

圖6 PID控制系統結構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PID控制和神經網絡，其中常規PID通過閉環直接控制受控對象，其控制參數Kp、Ki和Kd處于在線調整模式。神經網絡是根據系統的運行狀態來調整PID控制器的參數，以實現性能優化，使輸出神經元的輸出與PID控制器的3個可調參數相對應[17]。通過神經網絡的自學習和加權系數調整，在一定的最優控制參數下，神經網絡的輸出將與PID控制器參數相對應。基于BP神經網絡的PID控制算法的具體實現如圖7所示。

圖7 PID控制算法的實現過程Fig.7 PID control algorithm implementation process

BP神經網絡是常用的神經網絡結構，它可以以任意精度逼近任何非線性函數，具有良好的逼近性能和簡單的結構，是一個出色的神經網絡。因此，將BP神經網絡應用于PID控制具有其獨特的優勢。

文獻[18]介紹了由BP神經網絡控制參數的PID控制器用于電機的節能控制，設計了帶有BP-NN參數整定的PID控制器來控制油泵中的異步電動機。并通過實驗結果表明，當油泵的負荷系數從0.1變為0.6時，平均節能率為21.4%，因此采用調節電壓來調節電動機轉速的方法是有效的。

3.3 徑向基函數神經網絡(RBF-NN)

(1)徑向基函數。由于其簡單的拓撲結構和通用的逼近能力，徑向基函數(Radial Basis Function，RBF)神經網絡已廣泛用于非線性系統建模中。對于RBF網絡，可調整的參數是中心、寬度和輸出權重。在使用RBF神經網絡對動態系統建模時，參數優化是重要的問題[19]。為了擁有合適的參數，有許多用于訓練RBF神經網絡的在線算法和離線算法。對于離線算法，一些研究人員采用了兩階段的參數優化程序，即對隱藏神經元的中心和寬度進行無監督學習，然后對線性輸出權重進行單獨的監督學習[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力學系統：

(11)

其中，y(t)和x(t)分別為時間t處動力系統的輸出和輸入。假定函數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個隱藏層神經元的單輸出擴展RBF神經網絡。

(14)

式中，y(x)表示擴展RBF神經網絡的輸出，而g為：

(15)

其中，u=(y(t)，x(t))T是網絡的輸入，W=[w1，w2，…，wk]是接隱藏神經元和輸出層之間的權重。θk(u)是第k個隱藏神經元的輸出值，并且：

(16)

式中，μk為第k個隱藏神經元中心向量；‖u-μk‖為u與μk之間的歐式距離；σk為第k個隱藏神經元的半徑或寬度；θ(y(t)，x(t))=[θ1，θ2，...，θk]T，為隱藏神經元的輸出矩陣；K為隱藏神經元的數量。

然后需要進行網絡訓練以優化μ、σ和w，使平方和誤差(SSE)最小化。

(17)

并減少RBF神經的建模誤差e(t)網絡為零。

(18)

(2)基于RBF神經網絡的PID控制器。利用神經網絡的自學習和自適應能力構成神經網絡自適應控制器，它具有結構簡單、可以適應環境的優點，具有很強的魯棒性[21]。基于RBF神經網絡設置的PID控制系統結構如圖9所示。該方法通過調整網絡權重，使控制器參數達到最優，并采用可變學習率來加快網絡收斂速度。RBF在線識別網絡識別受控對象的在線參數，并根據扭力的變化及時調整控制器的參數[22]。

圖9 RBF神經網絡設置的PID控制系統Fig.9 PID control system of RBF neural network setting

周以琳等人基于RBF神經網絡的在線識別和可變學習率，提出了RBF神經網絡PID的自適應控制新方法。實驗結果表明，實現了較高的控制性能。該控制方法具有響應速度快、超調量小、魯棒性強以及適應性強的特點，并且系統具有較好的節能效果。

3.4 模糊神經網絡(FNN)

模糊推理系統(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雜網絡系統。該系統已經成功應用于各個領域，基于這種多學科的方法，已經發展出了一系列不同的方法和術語[23]。將模糊技術與神經網絡進行有機結合，是模糊技術與神經網絡深入研究和發展的一種必然趨勢。隨著模糊信息處理技術和神經網絡技術研究的不斷深入，將模糊技術與神經網絡技術進行有機結合，從而構造出一種可“自動”處理模糊信息的模糊神經網絡或自適應模糊系統，已引起越來越多的科技工作者的研究興趣和關注，成為當前一個重要的研究熱點。

模糊神經網絡一般結構如圖10所示。第1層為輸入層，緩存輸入信號；第2層為模糊化層，對輸入信號進行模糊化；第3層為模糊規則層；第4層為模糊決策層，主要針對滿足一定條件的量進行分類并將模糊量去模糊化；第5層為輸出層，輸出運算結果[24]。

圖10 模糊神經網絡結構Fig.10 Fuzzy neural network structure

不斷對FNN進行改進與優化，并不斷地進行訓練學習，分析所得結果，修改模型的結構和規則，剔除不合理的參數或成分，確保FNN預報模型和學習算法的有效性。基于FNN預報理論研究的節能控制軟件，現已在“智能抽油機節能控制器”中應用[25]。這種節能控制器在幾個油田采油廠運行可靠，抽油機自動啟停時間合理，在保證采油量穩產的前提下，節電率在30%以上。

另外，國內丁寶等基于油田多數抽油機輕載運行的現狀，提出抽油機“間歇啟停”運行的節能控制方案，考慮采油為一復雜過程，選擇FNN預報方法給予實現。為了實現這一方案，首先，介紹了T-S模糊神經網絡的結構，結合抽油過程的特點和研究的需要，對其進行了簡化和改進；然后，運用采油現場的樣本信息和專家知識對FNN進行訓練；最后，給出了實用的抽油機節能FNN預報算法，將該算法應用在智能抽油機控制器中，取得了滿意的節能效果。

4 結語

目前陸上油田存在大量的抽油機，且能源利用效率非常低。通過對抽油機系統能耗的主要來源進行分析，可以發現抽油機系統的節能潛力巨大。目前電機效率低、能耗低以及電機設計效率的巨大差異，使電機節能成為抽油機節能最有效、最核心的部分。

在文中分析了小波神經網絡、反向傳播神經網絡、徑向基函數神經網絡以及模糊神經網絡在抽油機節能技術上的應用。利用RBF神經網絡的自學習和自適應能力構成神經網絡自適應控制器，它具有結構簡單、可以適應環境的優點，具有很強的魯棒性。通過調整網絡權重，使控制器參數達到最優，并采用可變學習率來加快網絡收斂速度。模糊神經網絡的預測結果與傳統神經網絡方法相比具有較高的預測精度，從而提高了預測準確性。誤差反向傳播BP網絡是近年來的一項新技術，其抗非線性功能的能力已在理論上得到了證明，并在實際應用中得到驗證。但是，BP網絡存在收斂到局部極小和網絡學習速度緩慢等問題。小波神經網絡是一種基于小波變換理論和人工神經網絡的新型網絡，它具有強大的自適應學習能力，并且全局最小解是唯一的。同時，小波神經網絡實現過程簡單、收斂速度快，被廣泛應用于控制、預測等方面。

目前我國石油來源仍是陸上抽油機，且規模非常巨大，在現階段研究開發具有高可靠性、節能效果優異的抽油機節能裝置與技術，具有非常廣闊的市場空間和可觀的經濟效益。