基于支持向量机的气田监测预警方法.docxVIP

基于支持向量机的气田监测预警方法 气田包括井系统、地面收集系统和净化系统。结构复杂，泄漏点多，容易发生，属于高危运行区域。为保障气田安全、高效、平稳地开发,对关键节点的生产参数进行在线监测,包括压力、温度、流量等 对监测数据进行预测,可实现预警功能,其实质是时间序列预测问题。人工神经网络 1 svr的算法 对气田实测信号分析发现,监测信号具有混沌特性。通过相空间重构恢复监测信号的混沌吸引子, 并从中获取训练SVR模型的自变量和因变量。设训练集为{x 式中: τ 为时间延迟, n为嵌入维数,通常设 τ =1。 因变量为 支持向量回归机由支持向量分类算法演化而来,给定训练样本{(X 限制条件为 式中: C为惩罚因子, ε 为不敏感损失函数参数。k 式中: σ 为核函数参数。 通过求出的Lagrange乘子和预测值对应的自变量,可建立预测方程 常量ue2e6的计算方法为:若第j个输入变量对应的α 若第k个输入变量对应的 α 对所有样本进行遍历, ue2e6为b的均值。 SVR的核心问题是Lagrange乘子 α 通常采用序列最小优化算法(SMO,Sequential Minimal Optimization) 求解上述方程 第1 步: 归一化。 运算前, 将信号归一化到[-1, 1]范围内,公式为 式中: x 第2 步:建立目标函数。将已知样本的前9/10部分作为训练集,后1/10 部分作为确定集。用训练集预测确定集,计算预测值和实测值间的均方差,以该均方差最小化为目标函数。均方差计算公式为 式中: y 第3 步: 编码。 将自变量编码为二进制字符串,模拟生物染色体,根据取值范围和计算精度确定字符串长度。 嵌入维数n的取值范围是1~15,精度为1,染色体长度为5。惩罚因子C的取值范围为1~500,精度为1,染色体长度为9。不敏感损失函数参数 ε 的取值范围为0~0.1, 精度为0.01,染色体长度为4。核函数参数 σ 的取值范围为0.2~10,精度为0.1,染色体长度为7。 第4 步:计算适应度值。 式中: f 第5 步:选择操作。采用轮赌盘算法,摒弃适应度值小的个体,将适应度值大的个体作为交叉运算的母体,以期获得适应度更高的个体。 第6 步: 交叉运算。 模拟生物的有性繁殖行为,群体中每个个体间以概率p 第7 步:变异运算。模拟生物进化过程中的基因突变行为,群体中每个个体的每位以概率p 对选择、 交叉和变异这3 个步骤循环迭代运算,直至达到预定运算步骤或计算精度,然后停止运算 其中x 取前195 个数训练SVR参数,构造预测函数,对后5 个数进行预测。通过遗传算法求得嵌入维数n为4,惩罚因子C为120,不敏感损失函数参数为0.02,核函数参数 σ 为1.1。预测值和实测值间的均方差为0.003,获得了较高的预测精度,说明所述方法适用于混沌信号预测。 2 免管道反应过程中气体温度监测 以某气田集输系统某管段为例,输送气体组分如表1 所示。管道规格为508 mm×22.2 mm,管材为L360, 总长度3 093 m, 管道外防腐涂层采用3PE涂层。气体输送量为1.797×10 为避免管道内产生水合物,天然气温度不得低于30 ℃。根据管道高程分布特点,该管段中点处温度最低,对该处天然气温度进行监测。某次停产检修时,采用保压关断,管道两端阀门关闭。图1为停输过程中温度监测值,每3 min记录一次。停输13.35 h后,气体温度降到30.35 ℃。 用已获取的温度监测值建立SVR预测模型,对后10 个数(即后30 min) 的温度进行预测。预测值和实测值如图2 所示,可见两者拟合度较好。再停输30 min,天然气温度接近水合物形成温度,30 min内必须恢复生产,否则会引发安全事故。所述方法可对天然气水合物的形成实现准确预警,提前给出充足的时间调整生产,具有工程实用价值。 3 smo算法验证 结合SVR和相空间重构,建立了气田监测预警方法。采用遗传算法获取最佳SVR参数,在混沌信号预测方面具有较高精度。一旦得到最佳SVR参数,便可通过SMO算法求出Lagrange乘子,进而构造在线预测模型,具有计算速度快、所需计算机内存少、预测精度高等优点,在气田监测预警中可实现现场应用。本文只论述了温度监测预警方法,可将本方法推广到压力、流量及气体泄漏监测预警中,对保障气田安全开发具有重要意义。 限制条件为 式中: