神經(jīng)網(wǎng)絡(luò)預(yù)測算法在抽油機節(jié)能電機系統(tǒng)中的應(yīng)用*

王亞洲, 曹旺國, 向 明, 曹利鋼, 朱永紅

(1.中石化勝利油田分公司純梁采油廠,山東 東營 256504；2.景德鎮(zhèn)市景德電機有限公司,江西 景德鎮(zhèn) 333000；3.景德鎮(zhèn)陶瓷大學(xué) 機械電子與工程學(xué)院,江西 景德鎮(zhèn) 333001)

0 引 言

電機作為抽油機的動力來源，機采系統(tǒng)的耗電量會體現(xiàn)在電機的耗電量上，因此提高電機的節(jié)能效果非常重要。節(jié)能指標是電機工作效率的重要指標，一直以來都受到廣泛關(guān)注。抽油機在工作時，每臺電機的實際負載都是不相同的，如何根據(jù)工作過程中抽油機的實際負載來調(diào)整電機的實際輸入電壓對提高抽油機的效率有著明顯的提升[1]。通過搭建抽油機節(jié)能電機系統(tǒng)，可以較好地減少電能的消耗和提高電機的工作效率，同時可以大大提高整個工業(yè)生產(chǎn)的經(jīng)濟效益[2-3]。在電機節(jié)能方面，有許多學(xué)者提出了不同的方案。Gaukhar等[4]提出了游梁式抽油機電機的最優(yōu)控制策略，采用星角自動轉(zhuǎn)換方法以保證系統(tǒng)自動切換最佳工作狀態(tài)。馮德傳等[5]通過研究變頻調(diào)速轉(zhuǎn)子異步電機效能的提升，發(fā)現(xiàn)相比傳統(tǒng)變頻電機，變頻調(diào)速轉(zhuǎn)子異步電機的電能損耗更低。竇滿鋒等[6]通過研究高效節(jié)能稀土永磁同步電機設(shè)計技術(shù)，結(jié)合抽油機實際工作狀態(tài)，提出了一種抽油機電機專用的新穎、實用的磁路結(jié)構(gòu)形式，通過該結(jié)構(gòu)使電機效率提高了6.5%，且節(jié)能效果明顯。王愛元[7]研究了變頻器供電的感應(yīng)電機節(jié)能控制的若干技術(shù)，提出了基于損耗模型的矢量控制方案,該控制方案兼顧了系統(tǒng)的優(yōu)良動態(tài)性能、寬調(diào)速范圍和節(jié)能運行。上述這些方法對電機節(jié)能都有著明顯的效果，但這些方法的實現(xiàn)需要一定的技術(shù)要求。文獻[8-10]研究了電機節(jié)能控制器、節(jié)能控制系統(tǒng)對電機實施節(jié)能的控制。

神經(jīng)網(wǎng)絡(luò)通過大量的樣本數(shù)據(jù)訓(xùn)練，其網(wǎng)絡(luò)的權(quán)重會不斷變化使得誤差函數(shù)沿負梯度方向下降，最后讓輸出的結(jié)果逼近于期望值。隨著神經(jīng)網(wǎng)絡(luò)算法的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)算法以其高度的非線性和較強的泛化能力被廣泛地應(yīng)用于各個領(lǐng)域，如函數(shù)逼近、分類識別、時間序列預(yù)測等[11]。反向傳播(BP)神經(jīng)網(wǎng)絡(luò)具有良好的泛化能力[12]，故本文利用BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型。

通過利用試驗獲取的電機負載及輸入電壓的關(guān)系數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，提出一種利用神經(jīng)網(wǎng)絡(luò)預(yù)測算法來實現(xiàn)電機在不同負載時電機輸入電壓的智能調(diào)節(jié)方法。目的是進行電機最優(yōu)電壓值預(yù)測以提升電機的節(jié)能效率。

1 抽油機電機控制系統(tǒng)

抽油機的工作結(jié)構(gòu)圖如圖1所示，其運動過程可以簡述為抽油機由電機供給動力，經(jīng)減速箱將電機的高速旋轉(zhuǎn)變?yōu)槌橛蜋C曲柄的低速運動，然后通過一個四連桿機構(gòu)帶動抽油桿實現(xiàn)上下往復(fù)運動。在抽油機的整個工作過程中，電機的實際負載往往是變化的，當(dāng)電機的額定功率遠大于負載所需的功率時，會出現(xiàn)大馬拉小車的情況，使電機效率下降，造成能源的浪費；當(dāng)負載所需的功率遠大于額定功率時，不但會增加能源的消耗，也會損害電機的性能。

圖1 抽油機工作結(jié)構(gòu)圖

改變電機電壓能夠?qū)崿F(xiàn)電機輸出功率控制，從而實現(xiàn)電機輸出功率與負載功率匹配，從而提升電機效率。為實現(xiàn)電機能跟蹤負載大小設(shè)置高效率電機電壓參數(shù)，在電機控制變頻器之前設(shè)置節(jié)能電機控制系統(tǒng)，該控制系統(tǒng)可與變頻器信息交互讀取電機實時電流，如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖2可見，在電機與變頻之前設(shè)置STM32控制的節(jié)能電機控制系統(tǒng)，通過系統(tǒng)算法預(yù)測出變頻器應(yīng)該具有的電壓值，再由485通信設(shè)置變頻器輸出預(yù)測的電壓值，使得電機運行在最佳效率區(qū)間，并根據(jù)抽油機調(diào)參(調(diào)沖次)需要，實現(xiàn)電機功率的自動調(diào)控。

2 神經(jīng)網(wǎng)絡(luò)預(yù)測算法對電機最優(yōu)輸入電壓的預(yù)測

當(dāng)電機輸出功率與負載功率匹配時，電機工作效率會提升。電機啟動時節(jié)能系統(tǒng)需要根據(jù)電機工作的電流、電壓值判斷后，給出最佳電機電壓，以保證電機輸出功率與負載功率匹配。故將神經(jīng)網(wǎng)絡(luò)預(yù)測算法引入用來預(yù)測電機的電壓值。

2.1 神經(jīng)網(wǎng)絡(luò)預(yù)測算法模型

首先搭建一個三層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。其中x1、x2、…、xi為神經(jīng)網(wǎng)絡(luò)的輸入。該神經(jīng)網(wǎng)絡(luò)包含了兩層隱藏層，第一層隱藏層有40個神經(jīng)元，第二層有20個神經(jīng)元，其中w1、w2分別為權(quán)重，y為神經(jīng)網(wǎng)絡(luò)的輸出。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 抽油機電機試驗平臺與數(shù)據(jù)采集

試驗電機型號為景德電機YEJ-2型，功率為30 kW的三相異步電機，電機試驗平臺工作現(xiàn)場如圖4所示。電機輸出軸通過扭矩傳感器與磁粉加載器連接，電機受變頻器控制，調(diào)節(jié)磁粉加載器的負載功率即調(diào)整了電機負載功率，使得電機在負載情況下運行。

圖4 電機試驗工作現(xiàn)場圖

在試驗中獲取給定載荷下電機最佳效率工作電壓是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入值。其試驗過程是電機空載380 V啟動，此時由于電機處于空載情況，電機工作效率較低，其效率值可在電機效率測試系統(tǒng)中電機效率一欄中讀出。STM32控制模塊采用變步長搜索算法降低電機工作電壓使得電機效率值最佳，并保存最佳工作效率電壓值。調(diào)整磁粉加載器功率試驗依次完成載荷情況下電機輸入電壓和負載變化關(guān)系，其試驗過程為依次設(shè)置負載功率為2、4、6、3、9 kW，通過節(jié)能電機控制系統(tǒng)讀出效率最佳電壓和電流值，其試驗過程采集電壓、電流如圖5和圖6所示。此時電機工作頻率為50 Hz，記錄試驗中磁粉加載器的功率以及電機效率最佳的電壓與電流值，見表1。

圖5 不同負載下電機電壓變化圖

圖6 不同負載下電機電流變化圖

表1 不同負載下對應(yīng)的最優(yōu)電壓與電流

表1表明在負載變化時，電機的最佳效率電壓值會發(fā)生相應(yīng)的變化，為了使節(jié)能電機控制系統(tǒng)能夠獲得載荷情況下的電機最優(yōu)電壓值，本文采用神經(jīng)網(wǎng)絡(luò)預(yù)測算法對最優(yōu)電壓值進行了預(yù)測。

3 神經(jīng)網(wǎng)絡(luò)預(yù)測算法設(shè)置不同參數(shù)的預(yù)測值對比

3.1 神經(jīng)網(wǎng)絡(luò)預(yù)測算法可調(diào)參數(shù)與計算結(jié)果

該網(wǎng)絡(luò)結(jié)構(gòu)隱藏層激活函數(shù)均采用雙曲正切函數(shù)tansig，訓(xùn)練方法分別選擇L-M優(yōu)化算法trainlm，帶動量的梯度下降方法traingdm，共軛梯度法traincgf和traingdx這4種。其中trainlm算法對中等規(guī)模的網(wǎng)絡(luò)來說是速度最快的訓(xùn)練方法，因為其不需要計算黑塞矩陣，大大減少了計算量；traingdm是一種批處理的訓(xùn)練方法，因為引入了一個動量，有效避免了局部最小問題的出現(xiàn)；traincgf是共軛梯度法中存儲量要求最小的算法；而traingdx是具有自適應(yīng)學(xué)習(xí)率的訓(xùn)練方法。同時設(shè)置訓(xùn)練的最大迭代次數(shù)為300次，學(xué)習(xí)率設(shè)置為0.01，設(shè)置當(dāng)均方根誤差小于1×104時停止訓(xùn)練。

在神經(jīng)網(wǎng)絡(luò)搭建完成后，將已經(jīng)采集好的負載數(shù)據(jù)和最優(yōu)電壓數(shù)據(jù)按8…2的比例劃分為訓(xùn)練集和測試集，將訓(xùn)練集中的負載與輸入電壓作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出喂入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

分別進行4次訓(xùn)練，訓(xùn)練方法分別采用了trainlm、traingdm、traincgf和traingdx。在模型訓(xùn)練完成后，隨機選取測試集的前10組數(shù)據(jù)輸入訓(xùn)練好的模型進行預(yù)測，對應(yīng)的預(yù)測結(jié)果如圖7～圖10所示。

圖7 trainlm訓(xùn)練方法預(yù)測結(jié)果

圖8 traingdm訓(xùn)練方法預(yù)測結(jié)果

圖9 traincgf訓(xùn)練方法預(yù)測結(jié)果

圖10 traingdx訓(xùn)練方法預(yù)測結(jié)果

為比較這4種模型各自的優(yōu)劣性，分別計算出這4種模型的準確率。由于試驗的預(yù)測結(jié)果不是多分類問題，為了計算準確率，可以在實際工況允許的范圍內(nèi)規(guī)定預(yù)測值與真實值的差值在某個范圍內(nèi)即可認定為預(yù)測正確。這里規(guī)定兩者差值為20 V以內(nèi)即可認為預(yù)測正確。通過計算，trainlm訓(xùn)練方法訓(xùn)練的模型準確率可達到91.886%，traingdm訓(xùn)練方法訓(xùn)練的模型準確率為87.508%，traincgf訓(xùn)練方法訓(xùn)練的模型準確率可達到88.248%，而traingdx訓(xùn)練方法的準確率只有85.859%。通過對比，選擇trainlm方法所訓(xùn)練的模型用于電機的最優(yōu)電壓預(yù)測。

3.2 神經(jīng)網(wǎng)絡(luò)預(yù)測算法對載荷及電壓值的預(yù)測

通過改變神經(jīng)網(wǎng)絡(luò)預(yù)測算法參數(shù)篩選得到一個最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型，將其傳入上位機。對電機施加變化的載荷，同時上位機利用神經(jīng)網(wǎng)絡(luò)模型進行電機最優(yōu)電壓值預(yù)測，得到最優(yōu)的電壓與相應(yīng)的載荷預(yù)測結(jié)果。

獲取神經(jīng)網(wǎng)絡(luò)預(yù)測值后，仍采用2.2節(jié)中變步長搜索算法獲取電機最優(yōu)電壓實測值。將最優(yōu)電壓實測值、實際載荷值與神經(jīng)網(wǎng)絡(luò)電壓預(yù)測值、載荷預(yù)測值進行對比，如圖11和圖12所示。

圖11 電壓值預(yù)測

圖12 載荷預(yù)測

圖11中，實線為神經(jīng)網(wǎng)絡(luò)模型預(yù)測電壓值，虛線為試驗實際測量值。通過7組試驗對比驗證可知，神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與試驗實際測量值最小差值為1 V，最大差值為12 V。

圖12中，實線為神經(jīng)網(wǎng)絡(luò)模型預(yù)測載荷值，虛線為試驗實際加載值。通過7組試驗對比驗證可知，神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與實際加載值最大差值為1 866 W(試驗頻率為50 Hz)，最小差值為0。

通過對電機施加變化載荷的試驗數(shù)據(jù)分析發(fā)現(xiàn)，電機可以實現(xiàn)根據(jù)不同負載對輸入電壓的智能調(diào)節(jié)，神經(jīng)網(wǎng)絡(luò)預(yù)測算法能夠預(yù)測出最佳電壓值，并且神經(jīng)網(wǎng)絡(luò)預(yù)測值與實測值基本一致。

4 結(jié) 語

利用神經(jīng)網(wǎng)絡(luò)預(yù)測算法訓(xùn)練獲得一個泛化能力強的模型之后，可以有效地減少對電機工作中不同負載下最優(yōu)輸入電壓的搜尋時間，進而實現(xiàn)對最優(yōu)電壓值的預(yù)測。通過與試驗數(shù)值相對比，表明神經(jīng)網(wǎng)絡(luò)算法能夠?qū)﹄姍C最佳工作電壓進行預(yù)測，證明了該神經(jīng)網(wǎng)絡(luò)預(yù)測算法的可行性。