基于支持向量機的氣田監(jiān)測預警方法

基于支持向量機的氣田監(jiān)測預警方法

氣田包括井系統(tǒng)、地面收集系統(tǒng)和凈化系統(tǒng)。結(jié)構(gòu)復雜，泄漏點多，容易發(fā)生，屬于高危運行區(qū)域。為保障氣田安全、高效、平穩(wěn)地開發(fā),對關(guān)鍵節(jié)點的生產(chǎn)參數(shù)進行在線監(jiān)測,包括壓力、溫度、流量等對監(jiān)測數(shù)據(jù)進行預測,可實現(xiàn)預警功能,其實質(zhì)是時間序列預測問題。人工神經(jīng)網(wǎng)絡(luò)1svr的算法對氣田實測信號分析發(fā)現(xiàn),監(jiān)測信號具有混沌特性。通過相空間重構(gòu)恢復監(jiān)測信號的混沌吸引子,并從中獲取訓練SVR模型的自變量和因變量。設(shè)訓練集為{x式中:τ為時間延遲,n為嵌入維數(shù),通常設(shè)τ=1。因變量為支持向量回歸機由支持向量分類算法演化而來,給定訓練樣本{(X限制條件為式中:C為懲罰因子,ε為不敏感損失函數(shù)參數(shù)。k式中:σ為核函數(shù)參數(shù)。通過求出的Lagrange乘子和預測值對應的自變量,可建立預測方程常量ue2e6的計算方法為:若第j個輸入變量對應的α若第k個輸入變量對應的α對所有樣本進行遍歷,ue2e6為b的均值。SVR的核心問題是Lagrange乘子α通常采用序列最小優(yōu)化算法(SMO,SequentialMinimalOptimization)求解上述方程第1步:歸一化。運算前,將信號歸一化到[-1,1]范圍內(nèi),公式為式中:x第2步:建立目標函數(shù)。將已知樣本的前9/10部分作為訓練集,后1/10部分作為確定集。用訓練集預測確定集,計算預測值和實測值間的均方差,以該均方差最小化為目標函數(shù)。均方差計算公式為式中:y第3步:編碼。將自變量編碼為二進制字符串,模擬生物染色體,根據(jù)取值范圍和計算精度確定字符串長度。嵌入維數(shù)n的取值范圍是1~15,精度為1,染色體長度為5。懲罰因子C的取值范圍為1~500,精度為1,染色體長度為9。不敏感損失函數(shù)參數(shù)ε的取值范圍為0~0.1,精度為0.01,染色體長度為4。核函數(shù)參數(shù)σ的取值范圍為0.2~10,精度為0.1,染色體長度為7。第4步:計算適應度值。式中:f第5步:選擇操作。采用輪賭盤算法,摒棄適應度值小的個體,將適應度值大的個體作為交叉運算的母體,以期獲得適應度更高的個體。第6步:交叉運算。模擬生物的有性繁殖行為,群體中每個個體間以概率p第7步:變異運算。模擬生物進化過程中的基因突變行為,群體中每個個體的每位以概率p對選擇、交叉和變異這3個步驟循環(huán)迭代運算,直至達到預定運算步驟或計算精度,然后停止運算其中x取前195個數(shù)訓練SVR參數(shù),構(gòu)造預測函數(shù),對后5個數(shù)進行預測。通過遺傳算法求得嵌入維數(shù)n為4,懲罰因子C為120,不敏感損失函數(shù)參數(shù)為0.02,核函數(shù)參數(shù)σ為1.1。預測值和實測值間的均方差為0.003,獲得了較高的預測精度,說明所述方法適用于混沌信號預測。2免管道反應過程中氣體溫度監(jiān)測以某氣田集輸系統(tǒng)某管段為例,輸送氣體組分如表1所示。管道規(guī)格為508mm×22.2mm,管材為L360,總長度3093m,管道外防腐涂層采用3PE涂層。氣體輸送量為1.797×10為避免管道內(nèi)產(chǎn)生水合物,天然氣溫度不得低于30℃。根據(jù)管道高程分布特點,該管段中點處溫度最低,對該處天然氣溫度進行監(jiān)測。某次停產(chǎn)檢修時,采用保壓關(guān)斷,管道兩端閥門關(guān)閉。圖1為停輸過程中溫度監(jiān)測值,每3min記錄一次。停輸13.35h后,氣體溫度降到30.35℃。用已獲取的溫度監(jiān)測值建立SVR預測模型,對后10個數(shù)(即后30min)的溫度進行預測。預測值和實測值如圖2所示,可見兩者擬合度較好。再停輸30min,天然氣溫度接近水合物形成溫度,30min內(nèi)必須恢復生產(chǎn),否則會引發(fā)安全事故。所述方法可對天然氣水合物的形成實現(xiàn)準確預警,提前給出充足的時間調(diào)整生產(chǎn),具有工程實用價值。3smo算法驗證結(jié)合SVR和相空間重構(gòu),建立了氣田監(jiān)測預警方法。采用遺傳算法獲取最佳SVR參數(shù),在混沌信號預測方面具有較高精度。一旦得到最佳SVR參數(shù),便可通過SMO算法求出Lagrange乘子,進而構(gòu)造在線預測模型,具有計算速度快、所需計算機內(nèi)存少