文档介绍：摘要
油田既是产能大户，也是耗能大户，抽油机是油田生产的主要耗能设备，其耗电量
占油田用电量的 45%左右，与此同时抽油机的系统效率也不高，目前只有 25%左右。
如何实现油田抽油机的增产节能是目前油田研究的一个重要内容。随着数字化油田的发
展，井上、井下都布置了监测装置，对许多工况参数进行了离线或在线监测，并通过无
线通信把这些监测数据传送到监测站。油田企业在长期的采油过程中，涉及了各种类型
抽油机、及许多井上和井下工况，因此，积累了丰富详实的工况参数和能耗数据。为此，
本文拟从数据挖掘的角度出发，以抽油机采油过程为研究对象，对抽油机采油系统的增
产节能进行研究。
首先，在深入学****抽油机采油过程的基础上，研究抽油机负载不断变化时，工艺变
量的变化情况，选出所有可能影响增产节能的工艺变量，并选取一定时间段的样本数据，
通过人工去噪等数据处理方法，最终得到有效的研究样本。
其次，利用 BP 神经网络的非线性逼近能力，获得抽油机采油系统的初始模型，接
着利用扩展卡尔曼滤波的思想，建立基于扩展卡尔曼滤波（EKF）的神经网络权值和阈
值的迭代学****方法，从而使抽油机采油时变系统的模型具有自适应性，实现抽油机采油
系统的自适应递归建模，构建基于 EKF 的自适应神经网络模型，并对此模型进行检验。
再次，以 EKF 神经网络建立的抽油机模型为基础，以模型的两个输出——产量和
用电量为指标，运用多目标进化算法非支配排序遗传算法（NSGA-II）对工艺参数进行
优化，得到一个帕累托（Pareto）最优解集。
最后，考虑到 NSGA-II 优化的结果不是一个最优解，而是 Pareto 前沿上的一组解，
不便于油田工程师选择，本文进一步研究 Pareto 解集的决策模型，先用有序加权平均算
法（OWA），再用神经网络融合专家经验，进而选出 Pareto 解集中综合性能最好的解。
通过实验验证，与样本平均值比较，用电量与平均值比较降低 %， 产量提高
了 %，证实了该方法的可行性和有效性。
关键词：抽油机采油系统 建模优化 EKF 神经网络 NSGA-II 有序加权平均算法
论文类型：应用研究
II
Abstract
Oilfield is the mainstay of energy production, and also is the major object of energy
consumption. Oil pumping unit is the uppermost energy-consuming equipment in oilfield.
The power consumption accounts for almost 45% of the oil field power consumption and the
system efficiency of pumping unit is only about 25%. How to increase productivity and save
energy of pumping unit is the urgently research in oil field. Along with the development of
the digital oilfield, many monitoring devices were placed in inoue and downhole to monitor
working parameters in offline or online and passed the monitored wireless data transmission
to the monitoring station. Oilfield enterprises cover all types of oil pumping unit and gather
lots of inoue and downhole operating mode in long-term product