神經網絡預測算法在抽油機節能電機系統中的應用*

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.景德鎮市景德電機有限公司,江西 景德鎮 333000；3.景德鎮陶瓷大學 機械電子與工程學院,江西 景德鎮 333001)

0 引 言

電機作為抽油機的動力來源，機采系統的耗電量會體現在電機的耗電量上，因此提高電機的節能效果非常重要。節能指標是電機工作效率的重要指標，一直以來都受到廣泛關注。抽油機在工作時，每臺電機的實際負載都是不相同的，如何根據工作過程中抽油機的實際負載來調整電機的實際輸入電壓對提高抽油機的效率有著明顯的提升[1]。通過搭建抽油機節能電機系統，可以較好地減少電能的消耗和提高電機的工作效率，同時可以大大提高整個工業生產的經濟效益[2-3]。在電機節能方面，有許多學者提出了不同的方案。Gaukhar等[4]提出了游梁式抽油機電機的最優控制策略，采用星角自動轉換方法以保證系統自動切換最佳工作狀態。馮德傳等[5]通過研究變頻調速轉子異步電機效能的提升，發現相比傳統變頻電機，變頻調速轉子異步電機的電能損耗更低。竇滿鋒等[6]通過研究高效節能稀土永磁同步電機設計技術，結合抽油機實際工作狀態，提出了一種抽油機電機專用的新穎、實用的磁路結構形式，通過該結構使電機效率提高了6.5%，且節能效果明顯。王愛元[7]研究了變頻器供電的感應電機節能控制的若干技術，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的優良動態性能、寬調速范圍和節能運行。上述這些方法對電機節能都有著明顯的效果，但這些方法的實現需要一定的技術要求。文獻[8-10]研究了電機節能控制器、節能控制系統對電機實施節能的控制。

神經網絡通過大量的樣本數據訓練，其網絡的權重會不斷變化使得誤差函數沿負梯度方向下降，最后讓輸出的結果逼近于期望值。隨著神經網絡算法的不斷發展，神經網絡算法以其高度的非線性和較強的泛化能力被廣泛地應用于各個領域，如函數逼近、分類識別、時間序列預測等[11]。反向傳播(BP)神經網絡具有良好的泛化能力[12]，故本文利用BP神經網絡作為預測模型。

通過利用試驗獲取的電機負載及輸入電壓的關系數據作為神經網絡的訓練集，提出一種利用神經網絡預測算法來實現電機在不同負載時電機輸入電壓的智能調節方法。目的是進行電機最優電壓值預測以提升電機的節能效率。

1 抽油機電機控制系統

抽油機的工作結構圖如圖1所示，其運動過程可以簡述為抽油機由電機供給動力，經減速箱將電機的高速旋轉變為抽油機曲柄的低速運動，然后通過一個四連桿機構帶動抽油桿實現上下往復運動。在抽油機的整個工作過程中，電機的實際負載往往是變化的，當電機的額定功率遠大于負載所需的功率時，會出現大馬拉小車的情況，使電機效率下降，造成能源的浪費；當負載所需的功率遠大于額定功率時，不但會增加能源的消耗，也會損害電機的性能。

圖1 抽油機工作結構圖

改變電機電壓能夠實現電機輸出功率控制，從而實現電機輸出功率與負載功率匹配，從而提升電機效率。為實現電機能跟蹤負載大小設置高效率電機電壓參數，在電機控制變頻器之前設置節能電機控制系統，該控制系統可與變頻器信息交互讀取電機實時電流，如圖2所示。

圖2 神經網絡結構圖

由圖2可見，在電機與變頻之前設置STM32控制的節能電機控制系統，通過系統算法預測出變頻器應該具有的電壓值，再由485通信設置變頻器輸出預測的電壓值，使得電機運行在最佳效率區間，并根據抽油機調參(調沖次)需要，實現電機功率的自動調控。

2 神經網絡預測算法對電機最優輸入電壓的預測

當電機輸出功率與負載功率匹配時，電機工作效率會提升。電機啟動時節能系統需要根據電機工作的電流、電壓值判斷后，給出最佳電機電壓，以保證電機輸出功率與負載功率匹配。故將神經網絡預測算法引入用來預測電機的電壓值。

2.1 神經網絡預測算法模型

首先搭建一個三層的神經網絡結構，如圖3所示。其中x1、x2、…、xi為神經網絡的輸入。該神經網絡包含了兩層隱藏層，第一層隱藏層有40個神經元，第二層有20個神經元，其中w1、w2分別為權重，y為神經網絡的輸出。

圖3 神經網絡結構圖

2.2 抽油機電機試驗平臺與數據采集

試驗電機型號為景德電機YEJ-2型，功率為30 kW的三相異步電機，電機試驗平臺工作現場如圖4所示。電機輸出軸通過扭矩傳感器與磁粉加載器連接，電機受變頻器控制，調節磁粉加載器的負載功率即調整了電機負載功率，使得電機在負載情況下運行。

圖4 電機試驗工作現場圖

在試驗中獲取給定載荷下電機最佳效率工作電壓是神經網絡訓練的輸入值。其試驗過程是電機空載380 V啟動，此時由于電機處于空載情況，電機工作效率較低，其效率值可在電機效率測試系統中電機效率一欄中讀出。STM32控制模塊采用變步長搜索算法降低電機工作電壓使得電機效率值最佳，并保存最佳工作效率電壓值。調整磁粉加載器功率試驗依次完成載荷情況下電機輸入電壓和負載變化關系，其試驗過程為依次設置負載功率為2、4、6、3、9 kW，通過節能電機控制系統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。此時電機工作頻率為50 Hz，記錄試驗中磁粉加載器的功率以及電機效率最佳的電壓與電流值，見表1。

圖5 不同負載下電機電壓變化圖

圖6 不同負載下電機電流變化圖

表1 不同負載下對應的最優電壓與電流

表1表明在負載變化時，電機的最佳效率電壓值會發生相應的變化，為了使節能電機控制系統能夠獲得載荷情況下的電機最優電壓值，本文采用神經網絡預測算法對最優電壓值進行了預測。

3 神經網絡預測算法設置不同參數的預測值對比

3.1 神經網絡預測算法可調參數與計算結果

該網絡結構隱藏層激活函數均采用雙曲正切函數tansig，訓練方法分別選擇L-M優化算法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算法對中等規模的網絡來說是速度最快的訓練方法，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；traincgf是共軛梯度法中存儲量要求最小的算法；而traingdx是具有自適應學習率的訓練方法。同時設置訓練的最大迭代次數為300次，學習率設置為0.01，設置當均方根誤差小于1×104時停止訓練。

在神經網絡搭建完成后，將已經采集好的負載數據和最優電壓數據按8…2的比例劃分為訓練集和測試集，將訓練集中的負載與輸入電壓作為神經網絡的輸入和輸出喂入神經網絡進行訓練。

分別進行4次訓練，訓練方法分別采用了trainlm、traingdm、traincgf和traingdx。在模型訓練完成后，隨機選取測試集的前10組數據輸入訓練好的模型進行預測，對應的預測結果如圖7～圖10所示。

圖7 trainlm訓練方法預測結果

圖8 traingdm訓練方法預測結果

圖9 traincgf訓練方法預測結果

圖10 traingdx訓練方法預測結果

為比較這4種模型各自的優劣性，分別計算出這4種模型的準確率。由于試驗的預測結果不是多分類問題，為了計算準確率，可以在實際工況允許的范圍內規定預測值與真實值的差值在某個范圍內即可認定為預測正確。這里規定兩者差值為20 V以內即可認為預測正確。通過計算，trainlm訓練方法訓練的模型準確率可達到91.886%，traingdm訓練方法訓練的模型準確率為87.508%，traincgf訓練方法訓練的模型準確率可達到88.248%，而traingdx訓練方法的準確率只有85.859%。通過對比，選擇trainlm方法所訓練的模型用于電機的最優電壓預測。

3.2 神經網絡預測算法對載荷及電壓值的預測

通過改變神經網絡預測算法參數篩選得到一個最優的神經網絡模型，將其傳入上位機。對電機施加變化的載荷，同時上位機利用神經網絡模型進行電機最優電壓值預測，得到最優的電壓與相應的載荷預測結果。

獲取神經網絡預測值后，仍采用2.2節中變步長搜索算法獲取電機最優電壓實測值。將最優電壓實測值、實際載荷值與神經網絡電壓預測值、載荷預測值進行對比，如圖11和圖12所示。

圖11 電壓值預測

圖12 載荷預測

圖11中，實線為神經網絡模型預測電壓值，虛線為試驗實際測量值。通過7組試驗對比驗證可知，神經網絡模型預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，實線為神經網絡模型預測載荷值，虛線為試驗實際加載值。通過7組試驗對比驗證可知，神經網絡模型預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。

通過對電機施加變化載荷的試驗數據分析發現，電機可以實現根據不同負載對輸入電壓的智能調節，神經網絡預測算法能夠預測出最佳電壓值，并且神經網絡預測值與實測值基本一致。

4 結 語

利用神經網絡預測算法訓練獲得一個泛化能力強的模型之后，可以有效地減少對電機工作中不同負載下最優輸入電壓的搜尋時間，進而實現對最優電壓值的預測。通過與試驗數值相對比，表明神經網絡算法能夠對電機最佳工作電壓進行預測，證明了該神經網絡預測算法的可行性。