[发明专利]一种采油井控制方法及系统

权利要求书

1.一种采油井控制方法，包括：

闭环控制步骤，包括：获取所述采油井的注采系统的实时状态信息并传输至比例积分 微分控制器，所述比例积分微分控制器通过控制电机的频率对所述注采系统的进行闭环控 制；

其特征在于：还包括：

采油井效率初始值计算步骤，包括：计算采油井效率初始值；

实时状态信息获取步骤，包括：获取所述注采系统的实时状态信息；

神经网络计算步骤，包括：将所述采油井效率初始值输入神经网络控制器，作为所述神 经网络控制器的控制目标值，所述神经网络控制器执行神经网络算法，根据所述注采系统 的实时状态信息计算出当前最佳的流量设定值；

闭环目标设定步骤，包括：将所述流量设定值发送至所述比例积分微分控制器，所述比 例积分微分控制器以所述流量设定值作为控制目标值执行所述闭环控制步骤。

2.根据权利要求1所述的采油井控制方法，其特征在于，所述神经网络控制器采用多层 前馈网络；所述神经网络控制器的输入层信息分别设置为，，，和， 其中，为本周期误差，为上一周期误差，为系统效率设定值，为当前时刻效 率值，当的绝对值小于预设阈值时，，否则，，其中t为当前 周期时刻。

3.根据权利要求2所述的采油井控制方法，其特征在于，所述神经网络控制器的激励函 数设置为（），和为调整系数。

4.根据权利要求2所述的采油井控制方法，其特征在于，所述神经网络控制器的输出层权值调 整式和隐含层权值调整式均设置为：，其中为动量因子，且，为学习效率，为第i个神经元本周期权值调 整量，为第i个神经元上一周期权值调整量,n为输出层节点数目，xi为输入层神经 单元信息，;，为当前周期误差，即期望输出与 实际输出的差值，为激励函数，为激励函数的导函数。

5.根据权利要求2～4任一项所述的采油井控制方法，其特征在于，所述神经网络控制 器的学习速率调整式设置为，其中，为当前周期误差， 为上一周期误差，为初始学习效率，k为调整常量，a和b为学习速率调整系数，且a小 于1，且b大于1。

6.一种采油井控制系统，包括：

闭环控制模块，用于：获取所述采油井的注采系统的实时状态信息并传输至比例积分 微分控制器，所述比例积分微分控制器通过控制电机的频率对所述注采系统的进行闭环控 制；

其特征在于：还包括：

采油井效率初始值计算模块，用于：计算采油井效率初始值；

实时状态信息获取模块，用于：获取所述注采系统的实时状态信息；

神经网络计算模块，用于：将所述采油井效率初始值输入神经网络控制器，作为所述神 经网络控制器的控制目标值，所述神经网络控制器执行神经网络算法，根据所述注采系统 的实时状态信息计算出当前最佳的流量设定值；

闭环目标设定模块，用于：将所述流量设定值发送至所述比例积分微分控制器，所述比 例积分微分控制器以所述流量设定值作为控制目标值执行所述闭环控制模块。

7.根据权利要求6所述的采油井控制系统，其特征在于，所述神经网络控制器采用多层 前馈网络；所述神经网络控制器的输入层信息分别设置为，，，和， 其中，为本周期误差，为上一周期误差，为系统效率设定值，为当前时刻效 率值，当的绝对值小于预设阈值时，，否则，，其中t为当前 周期时刻。

8.根据权利要求7所述的采油井控制系统，其特征在于，所述神经网络控制器的激励函 数设置为（），和为调整系数。

9.根据权利要求7所述的采油井控制系统，其特征在于，所述神经网络控制器的输出层权值 调整式和隐含层权值调整式均设置为：， 其中为动量因子，且，为学习效率，为第i个神经元本周期权值调 整量，为第i个神经元上一周期权值调整量,n为输出层节点数目，xi为输入层神经 单元信息，;，为当前周期误差，即期望输出与 实际输出的差值，为激励函数，为激励函数的导函数。

10.根据权利要求7～9任一项所述的采油井控制系统，其特征在于，所述神经网络控制 器的学习速率调整式设置为，其中，为当前周期误差， 为上一周期误差，为初始学习效率，k为调整常量，a和b为学习速率调整系数，且a小 于1，且b大于1。