潜油往复式电泵抽油系统又称潜油柱塞泵抽油系统，它是一种新型的采油举升方式，由直线电机驱动，具有冲次在线可调的特点。在实际应用中，采油自动监控系统可利用此特点控制直线电机，使往复泵的工作状态与井下动态沉没度相匹配，达到高效、节能运行的目的。尤其应用于开采后期，产量中低或产量波动的油井时，可以更好地体现控制系统的优势。
与传统游梁式抽油机的节能优化控制策略不同，对于潜油往复泵的自动监控系统，实时动态沉没度是一个重要参量，可用作衡量井下油量的指标，并依据其进行抽汲参数的合理调整，实现以产量或节能为目标的优化控制。在沉没度研究方面，型；设计沉没度的控制方法，应用于变频装置中；研究了抽油机电机矢量空间小励磁电流节能方法。预测方法方面，有Kalman滤波法、人工神经网络、Box-enkms法、模糊逻辑法及专家系统方法等。这些预测方法则较多地应用于电力系统的负荷预报中，抽油机动态沉没度的预测及优化控制少见报道。
目前，采油厂在实际生产中使用人工测量动液面，再依靠经验调整直线电机驱动，但这种方式存在周期长、工作量大、依靠人工经验、仪器设备复杂等诸多问题，很难做到及时、准确、合理调整电机状态。本文在研究基于支持向量机的沉没度预测的基础上，提出了一种以产量为目标的潜油式往复泵冲次的优化方法，为控制系统的整体优化提供了1样本的预处理1.1样本数据的选取及归一化本文对大庆油田十余口潜油往复泵抽油机的运行状态进行了长期跟踪记录，后选取采油九厂一口潜油往复泵试验油井为研究对象，该井位于大庆油田外围，由游梁式抽油机改造而成，处于开采中后期，周围有若干注水井工作，其具有潜油往复泵油井的典型性特征，为潜油往复式抽油机的结构示意图。
文中的原始数据样本为该井自2008年6月1日至2010年5月31日每天实测的动液面高度和其直线电机的工作冲次等数据。该井泵深1181.70m，所在作业区每日对该油井动液面测量一次，并记录潜油往复泵工作冲次，测量时做多次测量取平均值处理，并根据经验剔除明显异常数据，由相邻数据取均值代替。如所示，由泵深和测得动液面高度二者之差，得到油井每日动态沉没度数据。经处理后的时间序列样本如表1，其中冲次数据为采油工作人员设定值。
样本类别2008年6月至2010年6月数据动液面高度/m沉没度/m冲次/（次/分）由于文中所用沉没度数据的变化区间为，而冲次数据的变化区间为，二者数量级相差较多。采用非线性算法处理数据时容易造成冲次信息的淹没。因此在对网络进行训练之前必须将沉没度数据和冲次数据归一化到同一数量级。
本文将表1中原始数据归一化到。归一化过程在此不做赘述。
1.2SVM训练样本的构造第/天的时间序列样本值；m为输入空间嵌入维数。
令第/天的沉没度数据为以，由第/天的前m天的沉没度历史数据预测第/天沉没度。另外，本文引用了前一天即第；-1天的冲次信息尤（/-1）作为SVM模型的输入，即以归一化后的时间序列为基础，重构输入样本空间，构造SVM训练样本。其输入、输出矩阵为：得到预测模型的训练样本如表2所示。
表2沉没度预测样本样本沉没度输入冲次输入输出2沉没度的预测2.1SVM的沉没度预测作为潜油往复式电泵控制系统优化的基础，沉没度的预测必须具有较高的预测精度才能保证控制系统合理匹配往复泵冲次，以达到经济性优的目标。
SVM预测是通过非线性映射把输入空间的样本映射到高维特征空间做线性回归，说R?R（撕。2.）。其中，选择SVM核函数为构造模型的关键，即定义高维空间和非线性映射。由于目前尚无完备的选择核函数的理论支撑，作者分别试用多项式核、径向基核及Sigmoid核，在相同训练样本条件下确定模型，并使用相同的测试样本分别评价它们的误差指标，综合比较误差测试结果和仿真运算速度，选择径向基函数为核函数。文章篇幅所限，具体过程及比较结果将在另文中给出。
SVM对应的函数回归估计如式（4）所示，即求解式（5）可得到a，核函数为径向基函数尤（xt，b，得到回归函数。
由C-C法确定预测样本维数rn=3，延时时间t=1，径向基函数为核函数，由网格搜索法选择优化参数，惩罚系数C=960、核函数参数ct=2.7.选取时间序列前620组归一化数据构成训练样本，对该SVM模型进行训练，得到潜油往复泵沉没度的SVM沉没度预测模型。
2.2改进的SVM沉没度预测为提高SVM方法在冲次变化剧烈处的预测精度，引入往复泵冲次信息作为SVM沉没度预测模型的输入，在上一节基础上构成多输入的SVM沉没度预测模型，确定样本维数m=3、延迟时间=1.核函数为径向基函数，重新进行参数寻优C=1 000、ct=9.1.仍选时间序列前620组归一化数据构成训练样本对模型进行训练，得到改进的SVM沉没度预测模型。
SVM和改进SVM沉没度预测方法的误差和仿真对比分析结果将在第4节中给出。
3潜油往复泵冲次优化3.1往复泵冲次优化采油过程中，尤其是处于开采中后期的油井，其井下油量及动态沉没度的变化是十分复杂的过程，受到油井自身状态、邻井状态、注水井状态等诸多因素的影响，因此无法给出准确的数学模型。在往复泵工作冲次控制中，泵的沉没度是一个较好的控制参量，它与冲次的匹配直接决定了油井在一段时期内的产量。由于沉没度变化相对缓慢，且受套管容积和油层向套管内的汲液能力的制约，与某段时间内的日产液量之间具有较强的相关性。并且考虑直线电机及油井的故障率，往复泵不宜长时间工作在过高或过低冲次的状态。因此，作者提出一种在沉没度预测基础上，以某段时间内油井生产的经济效益为目标的往复泵冲次优化方法。
3.2冲次优化经济性目标函数采油过程中，控制系统改变抽油泵工作状态以达到增加产量、节约能源、增强可靠性等目的统称为优化目标。本文只讨论以冲次々为控制量条件下，产量与耗电量综合的经济性优化。
冲次耗电量与沉没度关系的函数。
为使研究简化，本文认为e、v、d等参量为常数。潜油泵的充满度是吸入压力的函数，而吸入压力又与沉没度密切相关。
忽略套压、油压的条件下，fl（l）可以看作是以沉没度为自变量的函数，但是其数学模型很难确定。同理，不同的沉没度下，直线电机出力不同，其耗电量也不同。因此c（l）也可以看作沉没度的函数。在优化过程中，沉没度的预测模型中沉没度又是冲次々的函数。由此可见，况幻是冲次々的非线性函数，且其数学模型十分复杂。
本文为了尽可能简化计算，使模型简单化，认为除6、e、v、d等常参量外fl（l）、c（l）也均为常值函数，这样可将经济性函数况幻近似为冲次々的线性函数。一般情况下，单位时间出油量的经济价值大于抽油机电能损耗，并且不考虑二者权重的人为选择时，可将某段时间内的经济性优化目标函数简化为3.3冲次约束条件及优化模型在潜油往复泵实际应用中，直线电机如果长时间工作在较高冲次状态，会导致潜油泵工作环境、直线电机动子机械疲劳程度严重恶化；当直线电机长时间工作在过低冲次甚至停机状态时，油管内容易发生结蜡等故障，当潜油泵再次工作时，导致直线电机负荷增加，使直线电机的故障率上升。这两种极端情况的存在，使得在优化过程中直线电机连续工作冲次不应超过某个上限，且需要保持在某个下限以上。
采用动态规划方法进行寻优时，计算中需要用以往若干天沉没度来预测未来的沉没度，每日预测结果间并不具有独立性，而是具有较强的遗传性，无法逐步寻优。本文将一段时间内每日预测结果在冲次的全取值区间上分别进行匹配，并将其作为下一日预测的输入，建立数据表。后以式（11）为目标，并逆向查表，得到日内整体的优k值。其简化后的动态优化模型如式（12）、（13）所示。
尤u、知分别为直线电机连续工作的冲次上限和冲次下限，U、7D分别为潜油泵高冲次及低冲次连续工作天数的上和下限。
这种优化方法较少地引入人工经验，同时在冲次的全值区间上进行匹配，因此能够可靠得到设定时间内的全局优解，但是其缺陷是计算量、数据量巨大，在采油现场设备的基础上难以实现。其数据量7如式（14）所示，即3.4改进的冲次优化方法为了改善3.2节中优化方法数据量、计算量过大的问题，本文提出了一种冲次分区间、分时段的优化方法。
如果想得到较好的优化结果，需要在较长时间内，为沉没度预测结果匹配合理的直线电机冲次，但这同时造成了优化算法的计算量和数据量以几何级数增长，为了抑制这种增长趋势，本文以10天为一个子目标时段，将目标时间分段，在各子时间段内分别优化，只取前个优结果的数据进行储存。
由式（14）可以看出，另一个影响数据量的因素是冲次的可调级数，因此本文提出了一种子区间的优化方法。将沉没度和冲次分为若干对应的子区间。得到预测结果后，首先判断沉没度所在子区间，然后用该沉没度对应的冲次子区间代替冲次全值区间进行匹配，从而大大降低了计算量、数据量。
改进的优化方法数据量T如式（15）所示，即时间子区间天数；m为时间子区间个数；/为冲次区间数。
本质上，改进的优化方法引入了人工经验，这使得其得到的优化结果并不一定是3.2中得到的优解，但也正是人工经验的引入，避免了往复泵的工作状态发生剧烈变化，这也是直线电机稳定工作所需要的条件。对比（14）、（15）两式，可见改进方法计算量和数据量大为减少。由此可见本文的改进方法是一种寻求优化程度和减少运算量二者之间平衡的方法，其权重可由、w、0；。、'等参数共同决定。
4仿真分析4.1沉没度预测误差仿真及分析沉没度预测的关键在于，冲次发生剧烈变化引起沉没度变化时，预测结果仍可以很好地跟踪沉没度的变化。对ARMA、SVM和改进SVM沉没度预测方法进行仿真，分别对比3种方法的预测误差，可以看出预测精度方面改进的SVM方法优于SVM方法和ARMA方法。
为直观地考察不同预测方法的优劣，本文采用以下3个预测精度指标进行评价，结果在表2中列出。
沉没度值。
测试样本中，预测相对误差k，<10的样本点占总样本数的百分比。
表3沉没度预测误差分析误差分析平均相对误差/均方根误差改进的SVM由以上的分析结果比较，改进的SVM预测方法能够更好地预测潜油泵的沉没度变化，这也是本文在改进的SVM预测方法的基础上进行冲次优化4.2往复泵冲次优化方法仿真在2.2节SVM改进预测方法和3.2节冲次优化方法的基础上，对测试样本进行仿真。
50日内，往复泵连续不间断工作条件下，现场经验调整冲次的7=288，优化方法调整的冲次为7=315.仿真曲线如所示，可以看出优化方法表4冲次子区间表Tab.冲次子区间对应动态沉没度冲次子区间动态沉没度冲次子区间的冲次调整较经验调整更为平缓，且集中于冲次区间中段，因此保证了电机工作的平稳性。总冲次较原来提高了8.7，证明优化冲次后，产量得到了明显提高。
5结论提出了基于SVM的动态沉没度时间序列预测方法。对比ARMA预测模型，证明改进SVM动态沉没度预测方法有较高的预测精度，可以为往复泵冲次控制提供依据。
一种简化模型，并给出相应的优化算法。
针对往复泵冲次优化方法计算量大、数据量大、难于实现的特点，提出一种改进的冲次优化方法，并给出其数据量计算公式，及其相应参数。
证明其可以有效地降低冲次优化方法的计算量和数据量。
基于动态沉没度预测方法和冲次优化方法，对测试样本进行实验分析。结果表明，这种方法可以有效地提高一段时间内的往复泵总冲次，从而提高产量，并能够有效平稳冲次波动，避免直线电机长时间工作于超载或欠载状态，提高其可靠性。
QQ交流群
