Управление УЭЦН на основе нейросетей. Автореферат. Общая характеристика работы
 Скачать 199 Kb.
|
|
qj= [q(j,1), q(j,2), ..., q(j,12)]. За начальную точку отсчета времени можно выбрать месяц с наиболее стабильным дебитом в масштабах всего года. Для каждого дебита скважины по месяцам, представленного в базе данных, формируется профильный вектор в соответствии с формулой (1.1). Для уменьшения влияния случайных нагрузок база данных должна охватывать несколько последних лет. Множество профильных векторов подается на вход сети Кохонена, состоящей из п нейронов. Процесс самоорганизации сети приводит к автоматической кластеризации данных и к сопоставлению каждому кластеру одного из нейронов сети. Этот нейрон считается победителем, а его веса наилучшим образом адаптируются к усредненным весам профильных векторов, составляющих кластер. Характерная особенность состоит в том, что соседние векторы имеют сходные профильные характеристики. Для примера в табл. 1 представлены результаты прогноза (моделирования): какой дебит будет давать скважина №1335 Повховского месторождения в августе 2006 года. Таблица 1 – Распределение побед нейронов при прогнозе дебита скважины №1335 в августе 2006 года
Из таблицы видно, что средний дебит составит 300 м3/сут. По этой информации можно спланировать закупку необходимого типа установки, а также ремкомплектов для нее на прогнозируемый период времени. Качество прогнозирования оценивается показателем процентной погрешности MAPE (англ.: Mean Absolute Percentage Error), определяемой в виде  %, (2.4)где  - прямое спрогнозированное значение, Q – фактический дебит, n – число скважин на которые составляется прогноз.Благодаря использованию для прогнозирования дебитов скважин нейронной технологии, реализованной в корректно спроектированной и обученной сети с самоорганизацией, стало возможным обеспечить в процессе добычи нефти точность прогнозирования дебитов скважин, характеризующуюся погрешностью МАРЕ порядка 2.5%. Информационное обеспечение любого современного технологического процесса включает в себя ряд подсистем, которые предоставляют конечным пользователям удобные инструменты работы с большим объемом информации. Пользователям системы на различных уровнях управления необходимы различные представления (информационные модели) тех процессов, которыми они управляют, и за которыми они наблюдают. В третьей главе предлагается структурная схема автоматизированной системы управления процессом добычи (рис. 2) нефти на основе нейросетевых технологий.  Рис. 2 Подсистема принятия решении (ППР) постоянно анализирует какие режимы необходимы для работающих установок, чтобы обеспечить добычу планового дебита. Подсистема принимает решение трех видов. Первый вид решений относится к решениям об изменении структуры нейрорегулятора: добавить нейроны, соответствующие новому режиму, или удалить нейроны не используемого на данный момент времени режима. Второй вид – это решения корректировки планового дебита, как правило, это решение по его снижению. Такое решение возникает в том случае, когда ППР определяет, что невозможно выполнить план при помощи того количества установок, которые на данный момент времени работоспособны. И, наконец, третий вид решений – это решения, относящиеся к управлению непосредственно УЭЦН. Например, «Поменять тип УЭЦН» или «Нагрузить одну установку, остальные в номинальный режим» и т.д. ППР в своей работе использует базу знаний, в которой хранятся правила логического вывода и прецеденты. Для создания правил логического вывода в логической модели, основанной на логике предикатов первого порядка, вводятся следующие предикаты: - двухместный предикат Parameter (параметр). Значение предиката Par( |