游梁式抽油机驱动电机状态分析与控制.docx

PAGE\*MERGEFORMAT5
游梁式抽油机驱动电机状态分析与控制

理论推导
谐波治理
电网G

电机单元M

储放元件C

电网功率函数PGt,电机功率函数PMt,储放元件功率PCt;
则PGt+PMt+PCt=01.1
0TPGtdt=-0TPMtdt1.2
0TPCtdt=01.3
在无储放元件时的情形，电网简化为交变电源SV，电机简化为可变电感Lt:

交变电源SV
可变电感Lt

则USV=-LtdI（t）dt1.4
若电机转子角速度ωt→励磁电流It→绕阻电动势Et;
Et可经傅立叶分解，得出各次谐波。
3.谐波向量空间
引：容感代数
容感动力分析
电容电感人工神经网络
抽油机力学分析
四杆链动机构

驴头极坐标方程
RLω1.5
弧线积分0ωRLωdω1.6
由变速箱、驴头，抽油杆可导出等效力臂TE，电机的力矩为转速的函数TMωM，
抽油杆和油液等效质量ME，其加速度可由驴头角速度得出ωL→aP；转矩方程：
TMωM=TE*（aPωL*ME+ME*G）1.7
三、渗流方程
为了简化起见，先不考虑含水量；油层渗压Po，油层油泵间隙油量Qd，油泵油量Qp；
油层渗速Vo→d∝μ1Po，1Qd，t1.8
间隙油量Qd∝tt+∆tμ1Po，1Qd，tdt1.9
间隙油泵渗速Vd→p∝μ2Qd，1Qp，t1.10
油泵油量Qp∝tt+∆tμ2Qd，1Qp，tdt1.11
油泵向油管渗速Vp→t∝μ3Qp，t1.12
油泵油管渗量Qt∝tt+∆tμ3Qp，tdt1.13
四、可变积分域动态规划
在Ω空间中存在一组函数fi，相应的积分域为Ωi，通过调整Ωi使
i=0∞fidΩi1.14
最大化。约束为一组包含fi，及其偏微分和随机变量R的方程组。
Ffn，fn+1，⋯，fn+L→fn+L+11.15
ΩΩn,Ωn+1,⋯,Ωn+L→Ωn+L+11.16
五、抽油机工作循环时间区间划分
t0：抽油杆开始下降；
t1：上活舌打开，油泵向油管进油；
t2：井筒活舌关闭，油层向层泵间隙渗油；
t3：
t4：抽油杆到达下止点，油层继续向层泵间隙渗油；
t5：抽油杆上提，井筒舌头打开，层泵间隙向油泵渗油，直至回到上止点。
t6：回到上止点。
将时间变量代入积分式：
油泵油管渗量Qt∝t1t4μ3Qp，tdt1.17
油泵油量Qp∝t5t6μ2Qd，1Qp，tdt1.18
间隙油量Qd∝t2t6μ1Po，1Qd，tdt1.19
将1.19，1.18代入1.17
油泵油管渗量Qt∝t1t4μ3t5t6μ2t2t6μ1Po，1Qd，tdt，1Qp，tdt，tdt1.20
有一能效函数：
Et，当t趋向无穷大时，通过调整积分区间使其最大。
经过推导tn，tn+1→ωMtn，tn+11.21
利用数值模拟可以得出最优电机转子角速度函数ωMOt。

六、抽油机工作循环关键点校准
经过一段时间后，实际工作状态会与理论数值发生错位，所以应利用人工神经网对抽油机进行工况分析，专门设立一个委员会机进行关键点校准。
校准委员会机
电参数校准信号

七、利用人工神经网对最优角速度进行学习
将ωMOt离散化ωMOti，并反推电机Ui，Ii，变成对电参量序列的学习，取U0，⋯，UL;I0，⋯，IL加入神经网，调整权值使神经网输出UL+1；IL+1.
八、神经网对环境变量的学习
神经网还要对油井参数，环境变量，电网状态进行学习，需要有多个委员会机：

电机
控制电路
最优电机角速估计
校准信号

地方

油井参数
电压电流序列

九、（引伸）抽油机传动皮带的拓扑动力学
旨在解决皮带老化和环境温度变化，引起的动力学特性改变。
十、工作循环闭链最小有限群方案（略）
十一、面向算法的电路设计（引伸）

二零一一年一月十五日