东北大学学报:自然科学版  2017, Vol. 38 Issue (1): 11-15  
0

引用本文 [复制中英文]

李翔宇 , 高宪文 , 李琨 , 侯延彬 . 鱼群算法优化组合核函数GPR的油井动液面预测[J]. 东北大学学报:自然科学版, 2017, 38(1): 11-15.
[复制中文]
LI Xiang-yu , GAO Xian-wen , LI Kun , HOU Yan-bin . Prediction for Dynamic Fluid Level of Oil Well Based on GPR with AFSA Optimized Combined Kernel Function[J]. Journal Of Northeastern University Nature Science, 2017, 38(1): 11-15. DOI: 10.3969/j.issn.1005-3026.2017.01.003.
[复制英文]

基金项目

国家自然科学基金资助项目(61573088, 61433004, 61403040)

作者简介

李翔宇(1982-), 男, 辽宁沈阳人, 东北大学博士研究生; 高宪文(1954-), 男, 辽宁盘锦人, 东北大学教授, 博士生导师。

文章历史

收稿日期: 2015-12-22
鱼群算法优化组合核函数GPR的油井动液面预测
李翔宇1, 高宪文1, 李琨2, 侯延彬1    
1.东北大学 信息科学与工程学院, 辽宁 沈阳 110819;
2.渤海大学 工学院, 辽宁 锦州 121013
摘要: 针对抽油井动液面(DFL)检测主要依靠人工操作回声仪测试, 无法实时在线检测, 而单一核函数的高斯过程回归(GPR)无法明显提高预测精度和泛化能力, 提出了一种人工鱼群算法(AFSA)优化组合核函数的动态高斯过程回归动液面预测模型.采用多项式函数、线性函数与径向基函数组合构建核函数, 利用人工鱼群算法对核函数模型参数进行寻优, 采用快速傅里叶变换(FFT)和核主元分析(KPCA)融合提取时频数据非线性特征作为模型输入, 提高模型的预测精度和泛化能力.油田现场应用验证了该方法的有效性.
关键词油井    动液面    人工鱼群算法    组合核函数    高斯过程回归    
Prediction for Dynamic Fluid Level of Oil Well Based on GPR with AFSA Optimized Combined Kernel Function
LI Xiang-yu1, GAO Xian-wen1, LI Kun2, HOU Yan-bin1    
1.School of Information Science & Engineering, Northeastern University, Shenyang 110819, China;
2.College of Engineering, Bohai University, Jinzhou 121013, China.
Corresponding author: GAO Xian-wen, professor, E-mail: gaoxianwen@ise.neu.edu.cn
Abstract: The dynamic fluid level (DFL) of an oil well is usually measured onsite by using the acoustic method. This method, however, has its limitation in determining the real-time DFL. Considering that Gaussian process regression (GPR) with single kernel function cannot significantly improve the prediction accuracy and generalization ability, a dynamic GPR for DFL with the combined kernel function optimized by artificial fish-swarm algorithm (AFSA) was proposed. The polynomial function, liner function and radial basis function were used to construct the combined kernel function of GPR in order to improve the generalization ability. The AFSA was used to optimize parameters of the combined kernel function in order to improve the prediction accuracy. The fast Fourier transform (FFT) and kernel principal analysis (KPCA) were used to extract nonlinear features of data in the time and frequency domain as the input variables of the model. The oil field application shows the validity of the proposed method.
Key Words: oil well    dynamic fluid level    AFSA (artificial fish-swarm algorithm)    combined kernel function    GPR (Gaussian process regression)    

游梁式抽油机井有杆泵采油是国内外油田普遍使用的机械采油方式[1-5].抽油井动液面(dynamic fluid level,DFL)是指油井正常生产时,油、套管环型空间内的液面,它受油层压力和采油速率的约束,是反映油层供液能力和井下供排关系的重要工况参数.

文献[6-8]采用高斯过程回归(Gaussian process regression,GPR)方法建立抽油井动液面预测模型,取得了较好的应用效果; 但模型采用单一核函数,而如何选择影响GPR预测精度和泛化能力的核函数及其参数,目前并没有明确的理论方法.

受文献[9]启发,本文通过采用全局性核函数、局部性核函数和非平稳核函数构建组合核函数,拟合出样本中的全局和局部相关性以及非平稳特性,从而提高模型的泛化性.针对遗传算法(genetic algorithm,GA)缺乏完备的收敛性证明,存在早熟、欺骗、寻优效率低和时间复杂性高等问题,而粒子群算法(particle swarm optimization,PSO)易陷入局部最优解,存在收敛速度较慢、易出现早熟收敛或停滞等现象[8],本文利用人工鱼群算法(artificial fish-swarm algorithm,AFSA)[10]优化核函数参数,提高预测精度.某油田工程应用验证了所提方法的有效性.

1 高斯过程回归

给定训练集D={(xi,yi)},i=1,…,N,其中,xi∈Rd为输入变量,yi∈R是输出变量.对于测试数据(x*,y*),GPR的预测均值和方差分别为

(1)
(2)

式中: y=[y1,…,yn]T为训练数据输出构成的矢量; k(x*)=[ C(x i,x*)] N×1 为测试与训练数据间的协方差矢量; K=[ C(x i,x j)]N×N 是训练数据的 N×N 协方差矩阵; C(x*,x*)是测试数据的自协方差.

确定核函数是GPR建模的关键环节,对函数特性的期望由此决定.径向基函数(RBF)是典型局部相关性核函数:

(3)

而多项式函数是常用的全局相关性核函数:

(4)

线性核函数是常用描述样本的非平稳特性的核函数:

(5)

在众多实际应用中RBF都表现出了优异的性质,但是RBF是典型的局部性核函数,因此,以 C RBF为基础并选择多项式函数 C poly和线性核函数 C lin进行线性组合来构建GPR中的组合核函数 C com,是提高模型泛化性的一个途径[9],即

(6)

核函数类型确定后,本文采用极大化对数似然函数的方法对其参数进行Θ调整:

(7)

优化过程中,要计算对数似然函数对各参数的导数:

(8)

采用AFSA优化模型参数,提高模型精度.

GPR不仅适用于静态非线性建模,采用具有外部输入的自回归模型,GPR还适用于动态非线性建模,模型输出( k )同过去 n 个输入和输出之间的非线性映射为

(9)

式中: f(·)为非线性映射,本文采用GPR对其实现回归; ε(k)是白噪声.

2 人工鱼群算法

AFSA是一种基于鱼群行为特点的动物自治体寻优策略,主要具备以下优点: 仅与优化过程中的目标函数值进行比较,无需特别限定其性质和类型; 对初始值具有较强的鲁棒性,随机产生或为固定值均可; 采取并行处理方式,搜索速度快[10]; 属于随机性搜索算法,具备全局寻优能力.

假定目标寻优空间为n维,一个人工鱼群由z条人工鱼组成,用n维矢量表征每个人工鱼群的状态,即是一个寻优变量; 用Y=f()代表当前人工鱼所处位置的食物浓度; 人工鱼感知范围用visual表示; 实际应用中一般用随机步长rand·step代替人工鱼移动步长step, 表示人工鱼个体间的距离;δ为拥挤度因子; 觅食行为的最大试探次数 nt; 邻域内伙伴数目 nf.人工鱼群行为如下[10]:

1) 觅食行为.设人工鱼当前状态为,其感知范围内任意状态为,如果Yi<Yj,则向移动随机步长.否则,重新选取,以判断是否符合移动条件; 若反复尝试nt次,仍未能找到满意的,则进行随机行为,数学表达式为

(10)

2) 聚群行为.设人工鱼当前状态为,寻优空间( di,j <visual)内伙伴数量 nf,其中心处状态

(11)

Yc/nf>δYi代表中心位置食物更多且不拥挤,则朝中心处前进随机步长; 否则,返回觅食行为,其数学表达式为

(12)

3) 追尾行为.探索邻域内伙伴数目,及Y最大伙伴状态max,max周围伙伴数目nf. Ymax/nf>δYi,表示伙伴max位置处有更多食物且不拥挤,则向max方向前进随机步长; 否则执行觅食行为.

(13)

4) 随机行为.在$\hat{x}$i感知范围内,选择另外任意状态$\hat{x}$j,然后朝$\hat{x}$j方向前进随机步长.

5) 公告板.用于记录最优人工鱼个体状态.若目前状态更为优秀,则用目前状态替代公告板中状态,否则,状态不变.寻优过程结束时,公告板即显示要求的最优解.

结合有杆泵采油工艺,提出由FFT时频转换、KPCA非线性特征提取、AFSA优化算法、动态GPR模型4个部分组成的动液面预测策略,如图 1所示.

图 1 有杆泵采油动液面预测策略 Fig.1 Prediction strategy for DFL of sucker-rod pumping
3 现场应用

图 2所示某油井生产过程为例,稳定工况采集的生产参数如图 3~图 7所示.根据油田专家经验,以油井前一天生产参数作为辅助变量.采用FFT-KPCA方法选择性融合提取时/频数据特征主元作为动态GPR输入变量.图 8为悬点载荷与振动频谱,表 1为主元分析结果,前10个主元就可以表示初始85%以上的数据变化.

图 2 智能油井系统 Fig.2 Smart well system

为了衡量本文方法预测精度和泛化能力,与分别采用GA和PSO优化超参数的单一核函数GPR进行了对比. PSO算法种群数为60,进化代数为100,惯性权重为1,学习因子为1.4和1.6,以均方误差为适应度函数; GA采用十进制编码, 编码位数都为10,种群数量为30,进化迭代次数为200,交叉概率为0.85,变异概率为0.2. AFSA基本参数: 最大迭代次数为200,人工鱼群的规模为100,人工鱼群的感知范围为2.5,迭代步长为0.9,最大试探次数为50,拥挤度因子为0.01,设置人工鱼群的活动范围为[-6,6],参数搜索区间σ∈[0.01,30],δc∈[0.01,2 000],δw∈[0.01,2 000],q∈[0,1],β∈[0,1],ρ∈[0,1]; 经AFSA优化后得到的组合核函数参数: σ=2.568 9,q=0.925 1,δc=228.86,δc=265.16,β=0.131 6,ρ=0.621 8.

图 3 悬点载荷、位移与振动信号波形 Fig.3 Load,position and vibration signals of polished rod (a)—多周期时域信号; (b)—单周期时域信号.
图 4 示功图 Fig.4 Dynamometer cards
图 5 井口压力曲线 Fig.5 Pressure curves of well head
图 6 电动机电压、电流与功率曲线 Fig.6 Voltage,current and power curves of motor
图 7 有杆抽油系统载荷与扭矩曲线 Fig.7 Load and torque curves of rod pumping system

对比图 9a图 9b可以看到,随时间推移,油层供液情况的变化导致了井下动液面位置总体情况发生了变化,本文方法在前后动液面预测拟合度上均优于其他两种方法,能够更好地拟合动液面变化趋势,表 2为3种方法预测性能指标.

表 1 主元分析结果 Table 1 Principal analysis result
图 8 悬点载荷与振动频谱 Fig.8 Frequency spectrum of load and vibration signals
表 2 误差分析 Table 2 Prediction error analysis
图 9 动液面预测结果 Fig.9 Prediction results for dynamic fluid level (a)—刚投入现场运行; (b)—运行一段时间后.
4 结论

本文针对有杆泵采油过程井下动液面难以实时在线检测的问题,提出了鱼群算法优化组合核函数动态GPR油井动液面预测新方法.鉴于核函数选择直接影响数据建模的学习能力和泛化能力,采用一种组合核函数,并使用人工鱼群算法优化核函数参数,采用FFT-KPCA方法提取辅助变量特征参数作为预测模型输入.油田现场应用表明了本文提出的预测模型是有效的.

参考文献
[1] Li K, Gao X W, Tian Z D, et al. Using the curve moment and the PSO-SVM method to diagnose downhole conditions of a sucker rod pumping unit[J]. Petroleum Science , 2013, 10 (1) : 73–80. DOI:10.1007/s12182-013-0252-y
[2] Xing M M, Dong S M, Tong Z X, et al. Dynamic simulation and efficiency analysis of beam pumping system[J]. Journal of Central South University , 2015, 22 (9) : 3367–3379. DOI:10.1007/s11771-015-2877-z
[3] Luan G H, He S L, Yang Z, et al. A prediction model for a new deep-rod pumping system[J]. Journal of Petroleum Science and Engineering , 2012, 80 (1) : 75–80.
[4] Liu Z,Wang H,Yang D.Determination of real-time dynamic fluid levels by analysis of the dynamometer card[C]// Canadian International Petroleum Conference.Calgary:Petroleum Society of Canada,2007:1-8.
[5] Yang H T,Mu L J,Zeng Y Q,et al.Real time calculation of fluid level using dynamometer card of sucker rod pump well[C]// International Petroleum Technology Conference.Kuala Lumpur:International Petroleum Technology Conference,2014:1-7.
[6] Li X Y,Gao X W,Cui Y B,et al.Dynamic liquid level modeling of sucker-rod pumping systems based on Gaussian process regression[C]// 2013 Ninth International Conference on Natural Computation (ICNC).Shenyang,2013:917-922.
[7] 李翔宇, 高宪文, 侯延彬. 基于在线动态高斯过程回归抽油井动液面软测量建模[J]. 化工学报 , 2015, 66 (6) : 2150–2158.
( Li Xiang-yu, Gao Xian-wen, Hou Yan-bin. Online dynamic Gaussian process regression for dynamic liquid level soft sensing of sucker-rod pumping well[J]. Journal of Chemical Industry and Engineering , 2015, 66 (6) : 2150–2158. )
[8] 王通, 高宪文, 蒋子健. 基于黑洞算法的LSSVM的参数优化[J]. 东北大学学报(自然科学版) , 2014, 35 (2) : 170–174.
( Wang Tong, Gao Xian-wen, Jiang Zi-jian, et al. Parameters optimizing of LSSVM based on black hole algorithm[J]. Journal of Northeastern University(Natural Science) , 2014, 35 (2) : 170–174. )
[9] 田中大, 高宪文, 石彤. 用于混沌时间序列预测的组合核函数最小二乘支持向量机[J]. 物理学报 , 2014, 63 (16) : 160508–1.
( Tian Zhong-da, Gao Xia-wen, Shi Tong. Combination kernel function least squares support vector machine for chaotic time series prediction[J]. Acta Physica Sinica , 2014, 63 (16) : 160508–1. )
[10] 魏立新, 张峻林, 刘青松. 基于改进人工鱼群算法的神经网络优化[J]. 控制工程 , 2014, 21 (1) : 84–87.
( Wei Li-xin, Zhang Jun-lin, Liu Qing-song. Optimization of neural network based on improved fish algorithm[J]. Control Engineering of China , 2014, 21 (1) : 84–87. )