鬼佬大哥大
  • / 28
  • 下載費用:30 金幣  

基于無跡卡爾曼濾波的抽油機參數優化方法.pdf

摘要
申請專利號:

CN201510111654.6

申請日:

2015.03.13

公開號:

CN105045941A

公開日:

2015.11.11

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 17/50申請日:20150313|||公開
IPC分類號: G06F17/50; G06N3/02 主分類號: G06F17/50
申請人: 重慶科技學院
發明人: 李太福; 辜小花; 梅青平; 王坎; 周偉; 楊永龍; 胥毅; 賁福才
地址: 401331重慶市沙坪壩區虎溪大學城重慶科技學院
優先權:
專利代理機構: 北京鴻元知識產權代理有限公司11327 代理人: 王玉芝; 姜螢
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510111654.6

授權公告號:

||||||

法律狀態公告日:

2018.11.02|||2015.12.09|||2015.11.11

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明提供一種基于無跡卡爾曼濾波的抽油機參數優化方法,包括:1)確定抽油機的生產效率影響因素和性能變量、2)獲得其樣本數據、3)對載荷數據進行降維、4)由非載荷變量與載荷新主元構建網絡輸入變量集、5)構建輸入變量的樣本值、6)歸一化處理、7)構建前饋神經網絡、8)用無跡卡爾曼濾波對網絡作訓練、9)構造產液量偏好函數、10)構建評價決策變量個體支配關系的適應度函數、11)計算環境變量平均值、12)利用決策變量構建初始種群并生成精英解種群、13)進行遺傳迭代計算,得到第二代的精英種群和父代種群、14)迭代循環,最終得到優化后的生產效率影響因素值。優化后,可保證在產液量基本固定的情況下耗電量最小。

權利要求書

1.一種基于無跡卡爾曼濾波的抽油機參數優化方法,包括如下步驟:1)確定抽油機采油過程生產效率影響因素構成效率觀測變量集合其中α1,α2為決策變量,α3~α146載荷數據環境變量,為其他環境變量,選取抽油機系統的性能變量構成性能觀測變量集合:{y1,y2,y3,…yl};2)獲得所述生產效率影響因素和系統性能變量的樣本數據,得到效率影響因素樣本矩陣α和性能樣本矩陣Y:其中為效率影響因素個數,N為樣本個數,αik表示第i個效率影響因素變量的第k個觀測值,i=1,2,...,M;k=1,2,...,N;3)利用主元分析算法對載荷數據進行降維處理,從而構建新的載荷主元變量矩陣:4)由影響因素觀測變量集合中非載荷變量與載荷新主元觀測變量集合{αz1,αz2,...,αzd}構建網絡輸入變量集合:并令輸入變量集合為:{x1,x2,x3,...,xM},即,5)構建輸入變量集合{x1,x2,x3,...,xM}觀測樣本值:其中,x1~x2為決策變量,x3~xM為新的環境變量;6)對得到的訓練輸入樣本X、輸出樣本Y進行歸一化處理,得到新的訓練輸入矩陣輸出矩陣7)構建三層前饋神經網絡,其輸入變量集為輸出變量集為隱含層神經元個數為s1,輸入層、隱含層、輸出層通過權值、閾值進行連接,并且該神經網絡的輸入輸出函數表達式為:式中函數F(X)為S型函數;8)利用無跡卡爾曼濾波對所述前饋神經網絡進行訓練,得到該神經網絡的結構參數值,該訓練過程包括:①將所述神經網絡中的所有權值和閾值組成狀態變量I:其中,M為輸入層神經元數,s1為隱層神經元數,l為輸出層神經元數,輸入層至隱層神經元的連接權值為閾值為b隱層至輸出層的連接權值為閾值為I中的元素個數為n;設定非線性方程:其中,函數表達式參考步驟S7,為k時刻的神經網絡輸入樣本,令ωk=0,vk=0,為神經網絡輸出樣本;②設定無跡卡爾曼計算過程中控制采樣點的分布狀態參數a、待選參數κ,以及非負權系數β;③計算2n+1個采樣點σ點以及σ點的相應權重,其中n為狀態矩陣的I維度,λ=a2(n+κ)-n,2n+1個采樣點計算如下:每個采樣點的權值計算如下:④計算σ點的一步狀態預測及狀態變量協方差⑤計算輸出的一步提前預測以及協方差⑥進行濾波更新獲取新的狀態矩陣、協方差矩陣、增益矩陣:⑦對獲取的新樣本數據重新進行②~⑥步驟,直至所有樣本對狀態矩陣、協方差矩陣、增益矩陣進行了更新,從而得到適應于所有樣本狀態矩陣;⑧對最后一組樣本得到狀態矩陣I,作為網絡訓練得到的權值和閾值;⑨在得到網絡參數各層權值、閾值后,確定所述前饋神經網絡的函數模型為:9)針對產液量y1構造其偏好函數h=h(y1),該偏好函數為U形曲線,在其整個定義域上二階可導且二階導數恒大于零,將產液量y1的值劃分為好、較好、一般、較差和極差5個區域,并通過所述偏好函數將該五個區域量化為數值h=h(y1);其中,產液量y1處于好區域對應偏好函數最小值;10)構建評價決策變量個體支配關系的適應度函數,系統的性能變量選取產液量(y1)、耗電量(y2),結合步驟S9構建的產液量偏好函數,得到適應度函數如下:11)計算抽油機工藝系統環境變量的平均值,以作為優化決策參數時的環境狀態;12)利用決策變量x1,x2構建多目標優化初始種群PD的個體,設置決策變量的上下限xmin、xmax,即x1min≤x1≤x1max,x2min≤x2≤x2max,利用決策變量(x1,x2)的K對數據構建初始種群PD,即初始化種群PD,令其為第一代父代種群;生成一個空的精英解種群設置精英個體個數為。設置最大遺傳代數GEN=100;13)進行第一次遺傳迭代計算,并得到第二代精英種群A2、第二代父代種群具體步驟如下:①個體強度求取,將第一代父代種群與精英解種群組合成種群Rt,即求取種群Rt中每個個體的原始適應度函數值,并比較個體之間的相互支配關系;定義變量R(c)為種群Rt中第c個個體強度,即第c個個體可以被種群Rt其他個體支配的數量;其中個體Rt(c)原始適應度函數值求取過程如下:通過種群個體Rt(c)與環境狀態變量平均值組建輸入樣本計算樣本Xc原始適應度函數值并作為個體Rt(c)的原始適應度函數值;②個體密度求取,利用個體Rt(i)與種群Rt中第b個鄰近個體的距離值則個體Rt(c)密度函數③求個體的適應值,將上述所求個體Rt(c)的強度R(c)和所求個體Rt(c)的密度值D(c)的相加作為個體Rt(c)的適應值;④在種群Rt將所有的非支配個體全部放入精英種群A2,但要保持精英種群個體數為此時存在三種情況:A2中個體數為則不需要在操作,如果A2中個體數小于則需要在種群Rt剩余個體中選取適應值較小的個體放入A2中,保持A2個體數為K;如果A2中個體數大于K,則需要在A2個體中比較個體的密度值D(c),將密度值較大的個體剔除,以保持A2個體數為⑤將A2中個體放入交配池中進行遺傳操作得到第二代父代種群⑥將第二代父代種群與第二代精英種群A2組合,并重復①~⑤過程,直至gen=GEN,輸出精英種群AGEN,將AGEN的個體作為優化結果;14)將優化后的決策變量,以及環境變量的平均值帶入建立工藝過程模型,計算優化后的決策變量的系統性能,該優化后的決策變量取值可保證在固定產液量的情形下,耗電量降低。2.如權利要求1所述的基于無跡卡爾曼濾波的抽油機參數優化方法,其中,所述決策變量α1為沖次、決策變量α2為有效沖程、α3~α146為載荷1至載荷144,其余環境變量包括:理論排量、功率因數、有功功率、無功功率、含水率中的一個或多個變量;所述抽油機生產過程性能變量y1為產液量、y2為耗電量。3.如權利要求1所述的基于無跡卡爾曼濾波的抽油機參數優化方法,其中,設所述決策變量、環境變量和性能變量的觀測值采集周期的最大值為tmax,則這些變量中的任一變量的樣本取為tmax時間內該變量的觀測值的平均值。4.如權利要求1所述的基于無跡卡爾曼濾波的抽油機參數優化方法,其中,利用主元分析算法對載荷數據進行降維處理的步驟包括:①設置樣本累計貢獻率precent=0.95;②獲取載荷數據每個Lk具有第k觀測變量的N個觀測數據,3≤k≤146;③求出數據平均值并利用原始數據減去均值得到④計算協方差矩陣⑤計算協方差矩陣的特征值E1,E2,...,E144與特征向量EV1,EV2,...,EV144;⑥由大到小依次排列特征值E′1,E′2,...,E′M,對應特征向量為EV′1,EV′2,...,EV′144,按特征值大小順序取前d個特征值的特征向量構成矩陣[EV′1,EV′2,...,EV′d],此時其中d<144;⑦由[EV′1,EV′2,...,EV′d]與原始樣本求取載荷新的主元,其新載荷主元觀測變量構成集合:{αz1,αz2,...,αzd},其為d個新變量,且每個變量為N個觀測值構成的新主元矩陣:5.如權利要求1所述的基于無跡卡爾曼濾波的抽油機參數優化方法,其中,所述歸一化處理的算法如下:i=1,2,...,M;k=1,2,...,Nj=1,2,....,l;k=1,2,...,N其中:為設定輸入變量歸一化后數據范圍的最大值、最小值;xik為歸一化前的第i個輸入變量第k個樣本值;為歸一化后第i個輸入變量第k個樣本值;xi,min=min{xik|1≤k≤N}xi,max=max{xik|1≤k≤N}為設定輸出變量歸一化后數據范圍的最大值、最小值;yjk為歸一化前第j個輸出變量的第k個采集樣本值;為歸一化后第j個輸出變量的第k個值;yj,max=max{yjk|1≤k≤N}yj,min=min{yjk|1≤k≤N}于是得到:6.如權利要求1所述的基于無跡卡爾曼濾波的抽油機參數優化方法,其中,計算環境參數平均值具體算法如下:其中N為該環境變量訓練樣本數量。

說明書

基于無跡卡爾曼濾波的抽油機參數優化方法

技術領域

本發明屬于采油領域,具體涉及一種基于無跡卡爾曼濾波的抽油機參數
優化方法。

背景技術

抽油機采油作為一種機械采油方式,主要由電動機、地面傳動設備和井
下抽油設備三部分組成,如圖1所示。抽油機的整個采油過程主要分為上下
兩個沖程:上沖程,即驢頭懸點向上運動,提起抽油桿柱和井下抽油設備,
此過程中電動機需消耗大量的能量;下沖程,即驢頭懸點向下運動,抽油機
的抽油桿柱電動機做功。在抽油桿柱上下運動過程中,電動機的負載發生周
期變化。抽油機的運行參數的選擇對整個抽油機系統的能量消耗影響很大。
為了使抽油機采油生產過程既能完成預定的產液量,又能使抽油機生產過程
的耗電量最低,需要對抽油機運行參數進行節能優化。

發明內容

本發明是為了解決現有技術中存在的上述技術問題而做出,其目的在于
提供一種基于無跡卡爾曼濾波的抽油機參數優化方法,以保證抽油機的生產
狀態最佳,從而達到減少能耗,提高系統效率的目的。

為了實現上述目的,本發明提供一種基于無跡卡爾曼濾波的抽油機參數
優化方法,該方法包括的步驟如下:

1)確定抽油機采油過程生產效率影響因素構成效率觀測變量集合
其中α1,α2為決策變量,α3~α146載荷數據環境變量,為其
他環境變量,選取抽油機系統的性能變量構成性能觀測變量集合:
{y1,y2,y3,…yl};

2)獲得所述生產效率影響因素和系統性能變量的樣本數據,得到效率影
響因素樣本矩陣α和性能樣本矩陣Y:

α = α 11 α 12 . . . α 1 N α 21 α 22 . . . α 2 N . . . . . . . . . . . . α M 1 α M 2 . . . α M N L 1 L 2 . . . L M ]]>

Y = y 11 y 12 . . . y 1 N y 21 y 22 . . . y 2 N . . . . . . . . . . . . y l 1 y l 2 . . . y lN ]]>

其中為效率影響因素個數,N為樣本個數,αik表示第i個效率影響因素變量
的第k個觀測值,i=1,2,...,M;k=1,2,...,N;

3)利用主元分析算法對載荷數據進行降維處理,從而構建新的載荷主元
變量矩陣:

L z 1 L z 2 L z 3 L zd = α z 11 α z 12 . . . α z 1 N α z 21 α z 22 . . . α z 2 N . . . . . . . . . . . . α zd 1 α zd 2 . . . α zdN ]]>

4)由影響因素觀測變量集合中非載荷變量與載荷新主元觀
測變量集合{αz1,αz2,...,αzd}構建網絡輸入變量集合:并令
輸入變量集合為:{x1,x2,x3,...,xM},即, { α 1 , α 2 , α 147 , . . . , α M , α z 1 , . . . , α zd } = { x 1 , x 2 , x 3 , . . . , x M } ; ]]>

5)構建輸入變量集合{x1,x2,x3,...,xM}觀測樣本值:

X = X 1 X 2 . . . X N = α 11 α 12 . . . α 1 N α 21 α 22 . . . α 2 N α 147,1 α 147,2 . . . α 147 , N . . . . . . . . . . . . α M 1 α M 2 . . . α M N α z 11 α z 12 . . . α z 1 N . . . . . . . . . . . . α zd 1 α zd 2 . . . α zdN = x 11 x 12 . . . x 1 N x 21 x 22 . . . x 2 N x 31 x 32 . . . x 3 N . . . . . . . . . . . . x M 1 x M 2 . . . x MN ]]>

Y = Y 1 Y 2 . . . Y N = y 11 y 12 . . . y 1 N y 21 y 22 . . . y 2 N . . . . . . . . . . . . y l 1 y l 2 . . . y lN ]]>

其中,x1~x2為決策變量,x3~xM為新的環境變量;

6)對得到的訓練輸入樣本X、輸出樣本Y進行歸一化處理,得到新的訓
練輸入矩陣輸出矩陣

X ~ k = x ~ 1 k x ~ 2 k x ~ 3 k . . . x ~ Mk T = f ( x 1 k ) f ( x 2 k ) f ( x 3 k ) . . . f ( x Mk ) T f ( X k ) Y ~ k = y ~ 1 k y ~ 2 k . . . y ~ lk T = g ( y 1 k ) g ( y 2 k ) . . . g ( y lk ) T g ( Y k ) ]]>

X ~ = [ X ~ 1 , X ~ 2 , . . . , X ~ N ] = x ~ 11 x ~ 12 . . . x ~ 1 N x ~ 21 x ~ 22 . . . x ~ 2 N . . . . . . . . . . . . x ~ M 1 x ~ M 2 . . . x ~ MN ]]>

Y ~ = Y ~ 1 Y ~ 2 . . . Y ~ N = y ~ 11 y ~ 12 . . . y ~ 1 N y ~ 21 y ~ 22 . . . y ~ 2 N . . . . . . . . . . . . y ~ l 1 y ~ l 2 . . . y ~ lN ]]>

7)構建三層前饋神經網絡,其輸入變量集為輸出變量
集為隱含層神經元個數為s1,輸入層、隱含層、輸出層通過
權值、閾值進行連接,并且該神經網絡的輸入輸出函數表達式為:


式中函數F(X)為S型函數;

8)利用無跡卡爾曼濾波對所述前饋神經網絡進行訓練,得到該神經網絡
的結構參數值,該訓練過程包括:

①將所述神經網絡中的所有權值和閾值組成狀態變量I:

I = w 11 1 L w Ms 1 1 , b 1 1 L b s 1 1 , w 11 2 L w s 1 l 2 , b 1 2 L b l 2 T ]]>

其中,M為輸入層神經元數,s1為隱層神經元數,l為輸出層神經元數,輸入
層至隱層神經元的連接權值為閾值為
隱層至輸出層的連接權值為閾值為I中
的元素個數為n;設定非線性方程:


其中,函數表達式參考步驟S7,為K時刻的神經網絡輸入樣本,令ωk=0,
vk=0,為神經網絡輸出樣本;

②設定無跡卡爾曼計算過程中控制采樣點的分布狀態參數a、待選參數κ,
以及非負權系數β;

③計算2n+1個σ點(即采樣點,一個采樣點即為一組I值)以及σ點(采
樣點)的相應權重,其中n為狀態矩陣的的I維度,λ=a2(n+κ)-n,2n+1個采
樣點計算如下:

I ( 0 ) = I I ( i ) = I + ( n + λ ) P i = 1 : n I ( i ) = I - ( n + λ ) P i = n + 1 : 2 n ]]>

每個采樣點的權值計算如下:

W m ( 0 ) = λ n + λ W c ( 0 ) = λ n + λ + ( 1 - a + β ) W m ( i ) = W c ( i ) = λ 2 ( n + λ ) i = 1 : 2 n ]]>

④計算σ點的一步狀態預測及狀態變量協方差Pk+1|k;

I k + 1 | k ( i ) = I k | k ( i ) ]]>


⑤計算輸出的一步提前預測以及協方差

Y k + 1 | k ( i ) = h ( I k + 1 | k ( i ) , X k ) ]]>

Y ^ k + 1 | k = Σ i = 0 2 n W m ( i ) · h ( I k + 1 | k ( i ) , X k ) P Y k + 1 = Σ i = 0 2 n w c ( i ) ( Y k + 1 | k ( i ) - Y ^ k + 1 | k ) ( Y k + 1 | k ( i ) - Y ^ k + 1 | k ) T ]]>

P X k + 1 Y k + 1 = Σ i = 0 2 n W c ( i ) ( I k + 1 | k ( i ) - I ^ k + 1 | k ) ( Y k + 1 | k ( i ) - Y ^ k + 1 | k ) T ]]>

⑥進行濾波更新獲取新的狀態矩陣、協方差矩陣、增益矩陣:

R k + 1 = P X k + 1 Y k + 1 / P Y k + 1 I ^ k + 1 | k + 1 = I ^ k + 1 | k + R k + 1 ( Y k + 1 - Y ^ k + 1 | k ) P k + 1 | k + 1 = P k + 1 | k - R k + 1 ( P X k + 1 Z k + 1 ) T ]]>

⑦對獲取的新樣本數據重新進行②~⑥步驟,直至所有樣本對狀
態矩陣、協方差矩陣、增益矩陣進行了更新,從而得到適應于所有樣本狀態
矩陣;

⑧對最后一組樣本得到狀態矩陣X,作為網絡訓練得到的權值和閾值;

⑨在得到網絡參數各層權值、閾值后,確定所述前饋神經網絡的函數模
型為:

Y ^ ( X ) = g - 1 ( Y ~ ( X ~ ) ) = g - 1 ( Y ~ ( f ( X ) ) ) ]]>

9)針對產液量y1構造其偏好函數h=h(y1),該偏好函數為U形曲線,在
其整個定義域上二階可導且二階導數恒大于零,將產液量y1的值劃分為好、
較好、一般、較差和極差5個區域,并通過所述偏好函數將該五個區域量化
為數值h=h(y1);其中,產液量y1處于好區域對應偏好函數最小值;

10)構建評價決策變量個體支配關系的適應度函數,系統的性能變量選
取產液量(y1)、耗電量(y2),結合步驟S9構建的產液量偏好函數,得到適應度
函數如下:

objFun ( X ) = h ( y ^ 1 ) y ^ 2 T = h ( g - 1 ( y ~ ^ 1 ( f ( X ) ) ) ) g - 1 ( y ~ ^ 2 ( f ( X ) ) ) T ]]>

11)計算抽油機工藝系統環境變量的平均值,以作為優化決策參數時的
環境狀態;

12)利用決策變量x1,x2構建初始種群PD的個體,設置決策變量的上下限
xmin、xmax,即x1min≤x1≤x1max,x2min≤x2≤x2max,利用決策變量(x1,x2)的K對數據構
建多目標優化的初始種群PD,即初始化種群PD,令
其為第一代父代種群;生成一個空的精英解種群設置精英個體個數為
設置最大遺傳代數GEN=100;

13)進行第一次遺傳迭代計算,并得到第二代精英種群A2、第二代父代
種群具體步驟如下:

①個體強度求取,將第一代父代種群與精英解種群組合成種群Rt,即
求取種群Rt中每個個體的原始適應度函數值,并比較個體之間的相
互支配關系;定義變量R(c)為種群Rt中第c個個體強度,即第c個個體可以被
種群Rt其他個體支配的數量;其中個體Rt(c)原始適應度函數值求取過程如下:
通過種群個體Rt(c)與環境狀態變量平均值組建輸入樣本
計算樣本Xc原始適應度函數值并作為個體Rt(c)的原始適應
度函數值;

②個體密度求取,利用個體Rt(i)與種群Rt中第b個鄰近個體的距離值
則個體Rt(c)密度函數 D ( c ) = 1 σ c b + 2 , b = K + K ; ]]>

③求個體的適應值,將上述所求個體Rt(c)的強度R(c)和所求個體Rt(c)的密
度值D(c)的相加作為個體Rt(c)的適應值;

④在種群Rt將所有的非支配個體全部放入精英種群A2,但要保持精英種群
個體數為此時存在三種情況:A2中個體數為則不需要在操作,如果A2
中個體數小于則需要在種群Rt剩余個體中選取適應值較小的個體放入A2
中,保持A2個體數為如果A2中個體數大于則需要在A2個體中比較個體
的密度值D(c),將密度值較大的個體剔除,以保持A2個體數為

⑤將A2中個體放入交配池中進行遺傳操作得到第二代父代種群

⑥將第二代父代種群與第二代精英種群A2組合,并重復①~⑤過程,直
至gen=GEN,輸出精英種群AGEN,將AGEN的個體作為優化結果;

14)將優化后的決策變量,以及環境變量的平均值帶入建立工藝過程模
型,計算優化后的決策變量的系統性能,該優化后的決策變量取值可保證在
固定產液量的情形下,耗電量降低。

本發明的有益效果是,利用無跡卡爾曼濾波神經網絡(UKFNN)建立油田機
采過程實施動態演化高精度模型,并利用具有智能特性的進化算法改進強度
Pareto進化算法(StrengthParetoevolutionaryalgorithm2,SPEA2)進
行搜索,探尋抽油機生產過程中最佳工藝決策參數,給出面向節能降耗的抽
油機生產最佳參數指導生產,從而達到節能降耗目的。通過選擇優化后的運
行參數,可以使抽油機在運行過程中保證在產液量基本固定且具有最小偏好
值的情況下,耗電量最小,從而可以降低油田生產成本并提高油田生產效率。

附圖說明

圖1示出了抽油機的工作模型;

圖2示出了本發明一個實施例所述的基于無跡卡爾曼濾波的抽油機參數
優化方法的流程圖;

圖3示出了本發明一個實施例中的前饋神經網絡的結構;

圖4示出了本發明一個實施例中的產液量偏好函數的圖形;

圖5示出了測試樣本產液量預測效果圖;

圖6示出了測試樣本耗電量預測效果圖;

圖7示出了偏好函數的圖形;

圖8示出了產液量偏好值與耗電量的pareto解集關系。

具體實施方式

在下面的描述中,出于說明的目的,為了提供對一個或多個實施例的全
面理解,闡述了許多具體細節。然而,很明顯,也可以在沒有這些具體細節
的情況下實現這些實施例。在其它例子中,為了便于描述一個或多個實施例,
公知的結構和設備以方框圖的形式示出。

圖2是流程圖,示出了本發明的一個實施例所述的基于無跡卡爾曼濾波
的抽油機參數優化方法。如圖2所示,本發明所述的基于無跡卡爾曼濾波的
抽油機參數優化方法包括如下步驟:

步驟S1:確定抽油機采油過程生產效率影響因素構成效率觀測變量集合
其中α1,α2為決策變量,α3~α146載荷數據環境變量,為其
他環境變量,選取抽油機系統的性能變量構成性能觀測變量集合:
{y1,y2,y3,…yl}。

在本發明的一個實施例中,選取決策變量α1為沖次、決策變量α2為有效沖
程、α3~α146為載荷1至載荷144,其余環境變量包括:理論排量、功率因數、
有功功率、無功功率、含水率中的一個或多個變量;選取抽油機生產過程性
能變量y1為產液量、y2為耗電量。

步驟S2:獲得所述生產效率影響因素和系統性能變量的樣本數據,得到
效率影響因素樣本矩陣α和性能樣本矩陣Y:

α = α 11 α 12 . . . α 1 N α 21 α 22 . . . α 2 N . . . . . . . . . . . . α M 1 α M 2 . . . α M N L 1 L 2 . . . L M ]]>

Y = y 11 y 12 . . . y 1 N y 21 y 22 . . . y 2 N . . . . . . . . . . . . y l 1 y l 2 . . . y lN ]]>

其中為效率影響因素個數,N為樣本個數,αik表示第i個效率影響因素變量
的第k個觀測值,i=1,2,...,M;k=1,2,...,N。

設所述決策變量、環境變量和性能變量的觀測值采集周期的最大值為
tmax,則這些變量中的任一變量的樣本取為tmax時間內該變量的觀測值的平
均值。

步驟S3:利用主元分析算法對載荷數據進行降維處理,從而構建新的載
荷主元變量。本發明中采用示功圖描繪數據的144個載荷點做為部分環境變
量進行建模。然而利用144維數據建模為參數維度災難。故而利用主元分析
算法對載荷數據進行降維處理。

在一個實施例中,利用主元分析算法對載荷數據進行降維處理的步驟可
以包括:

①設置樣本累計貢獻率precent=0.95;

②獲取載荷數據每個Lk具有第k觀測變量的N個觀測數
據,3≤k≤146;

③求出數據平均值并利用原始數據減去均值得到

④計算協方差矩陣 Cov = 1 144 Σ i = 1 144 ( L k T · L k ) ; ]]>

⑤計算協方差矩陣的特征值E1,E2,...,E144與特征向量EV1,EV2,...,EV144;

⑥由大到小依次排列特征值E1′,E2′,...,EM′,對應特征向量為EV1′,EV2′,...,EV144′,按特
征值大小順序取前d個特征值的特征向量構成矩陣[EV1′,EV2′,...,EVd′],此時
其中d<144;特征向量代表原數據的分布方向,其對應的特征
值越大,則該向量越重要(即為主元);其對應的特征值越小,則該向量越次
要。

⑦由[EV1′,EV2′,...,EVd′]與原始樣本求取載荷新的主元,其新載荷
主元觀測變量構成集合:{αz1,αz2,...,αzd},其為d個新變量,且每個變量為N個觀
測值構成的新主元矩陣:

L z 1 L z 2 L z 3 L zd = α z 11 α z 12 . . . α z 1 N α z 21 α z 22 . . . α z 2 N . . . . . . . . . . . . α zd 1 α zd 2 . . . α zdN ]]>

步驟S4:由影響因素觀測變量集合中非載荷變量與載荷新主
元觀測變量集合{αz1,αz2,...,αzd}構建網絡輸入變量集合:
并令輸入變量集合為:{x1,x2,x3,...,xM},即, { α 1 , α 2 , α 147 , . . . , α M , α z 1 , . . . , α zd } = { x 1 , x 2 , x 3 , . . . , x M } . ]]>

步驟S5:構建輸入變量集合{x1,x2,x3,...,xM}觀測樣本值:

X = X 1 X 2 . . . X N = α 11 α 12 . . . α 1 N α 21 α 22 . . . α 2 N α 147,1 α 147,2 . . . α 147 , N . . . . . . . . . . . . α M 1 α M 2 . . . α M N α z 11 α z 12 . . . α z 1 N . . . . . . . . . . . . α zd 1 α zd 2 . . . α zdN = x 11 x 12 . . . x 1 N x 21 x 22 . . . x 2 N x 31 x 32 . . . x 3 N . . . . . . . . . . . . x M 1 x M 2 . . . x MN ]]>

Y = Y 1 Y 2 . . . Y N = y 11 y 12 . . . y 1 N y 21 y 22 . . . y 2 N . . . . . . . . . . . . y l 1 y l 2 . . . y lN ]]>

其中,x1~x2為決策變量,x3~xM為新的環境變量。

步驟S6:對得到的訓練輸入樣本X、輸出樣本Y進行歸一化處理,得到
新的訓練輸入矩陣輸出矩陣

在一個實施例中,所述歸一化處理的算法如下:

x ~ ik = f ( x ik ) = ( x ~ max - x ~ min ) · x ik - x i , min x i , max - x i , min + x ~ min ]]>

i=1,2,...,M;k=1,2,...,N

y ~ jk = g ( y jk ) = ( y ~ max - y ~ min ) · y jk - y j , min y j , max - y j , min + y ~ min ]]>

j=1,2,....,l;k=1,2,...,N

其中:為設定輸入變量歸一化后數據范圍的最大值、最小值;

xik為歸一化前的第i個輸入變量第k個樣本值;

為歸一化后第i個輸入變量第k個樣本值;

xi,min=min{xik|1≤k≤N}

xi,max=max{xik|1≤k≤N}

為設定輸出變量歸一化后數據范圍的最大值、最小值;

yjk為歸一化前第j個輸出變量的第k個采集樣本值;

為歸一化后第j個輸出變量的第k個值;

yj,max=max{yjk|1≤k≤N}

yj,min=min{yjk|1≤k≤N}

于是得到:

X ~ k = x ~ 1 k x ~ 2 k x ~ 3 k . . . x ~ Mk T = f ( x 1 k ) f ( x 2 k ) f ( x 3 k ) . . . f ( x Mk ) T f ( X k ) Y ~ k = y ~ 1 k y ~ 2 k . . . y ~ lk T = g ( y 1 k ) g ( y 2 k ) . . . g ( y lk ) T g ( Y k ) ]]>

X ~ = [ X ~ 1 , X ~ 2 , . . . , X ~ N ] = x ~ 11 x ~ 12 . . . x ~ 1 N x ~ 21 x ~ 22 . . . x ~ 2 N . . . . . . . . . . . . x ~ M 1 x ~ M 2 . . . x ~ MN ]]>

Y ~ = Y ~ 1 Y ~ 2 . . . Y ~ N = y ~ 11 y ~ 12 . . . y ~ 1 N y ~ 21 y ~ 22 . . . y ~ 2 N . . . . . . . . . . . . y ~ l 1 y ~ l 2 . . . y ~ lN ]]>

步驟S7:構建三層前饋神經網絡,其輸入變量集為輸
出變量集為隱含層神經元個數為s1,輸入層、隱含層、輸出
層通過權值、閾值進行連接,并且該神經網絡的輸入輸出函數表達式為:


式中函數F(X)為S型函數。圖3示出了本發明的一個實施例所使用的前饋
神經網絡的結構。

步驟S8:利用無跡卡爾曼濾波對所述前饋神經網絡進行訓練,得到該神
經網絡的結構參數值,該訓練過程包括:

①將所述神經網絡中的所有權值和閾值組成狀態變量I:

I = w 11 1 L w Ms 1 1 , b 1 1 L b s 1 1 , w 11 2 L w s 1 l 2 , b 1 2 L b l 2 T ]]>

其中,M為輸入層神經元數,s1為隱層神經元數,l為輸出層神經元數,輸入
層至隱層神經元的連接權值為閾值為
隱層至輸出層的連接權值為閾值為I中
的元素個數為n;設定非線性方程:


其中,函數表達式參考步驟S7,為K時刻的神經網絡輸入樣本,令ωk=0,
vk=0,為神經網絡輸出樣本。

②設定無跡卡爾曼計算過程中控制采樣點的分布狀態參數a、待選參數κ,
以及非負權系數β。

③計算2n+1個σ點(即采樣點,一個采樣點即為一組I值)以及σ點(采
樣點)的相應權重,其中n為狀態矩陣的的I維度,λ=a2(n+κ)-n,2n+1個采
樣點計算如下:

I ( 0 ) = I I ( i ) = I + ( n + λ ) P i = 1 : n I ( i ) = I - ( n + λ ) P i = n + 1 : 2 n ]]>

每個采樣點的權值計算如下:

W m ( 0 ) = λ n + λ W c ( 0 ) = λ n + λ + ( 1 - a + β ) W m ( i ) = W c ( i ) = λ 2 ( n + λ ) , i = 1 : 2 n ]]>

④計算σ點的一步狀態預測及狀態變量協方差Pk+1|k;

I k + 1 | k ( i ) = I k | k ( i ) ]]>

I ^ k + 1 | k = Σ i = 0 2 n W m ( i ) · I k + 1 | k ( i ) P k + 2 | k = Σ i = 0 2 n W c ( i ) · [ I k + 1 | k ( i ) - I ^ k + 1 | k ( i ) ] [ I k + 1 | k ( i ) - I ^ k + 1 | k ( i ) ] T ]]>

⑤計算輸出的一步提前預測以及協方差

Y k + 1 | k ( i ) = h ( I k + 1 | k ( i ) , X k ) ]]>


⑥進行濾波更新獲取新的狀態矩陣、協方差矩陣、增益矩陣:

R k + 1 = P X k + 1 Y k + 1 / P Y k + 1 I ^ k + 1 | k + 1 = I ^ k + 1 | k + R k + 1 ( Y k + 1 - Y ^ k + 1 | k ) P k + 1 | k + 1 = P k + 1 | k - R k + 1 ( P X k + 1 Z k + 1 ) T ]]>

⑦對獲取的新樣本數據重新進行②~⑥步驟,直至所有樣本對狀
態矩陣、協方差矩陣、增益矩陣進行了更新,從而得到適應于所有樣本狀態
矩陣。

⑧對最后一組樣本得到狀態矩陣I,作為網絡訓練得到的權值和閾值。

⑨在得到網絡參數各層權值、閾值后,確定所述前饋神經網絡的函數模
型為:

Y ^ ( X ) = g - 1 ( Y ~ ( X ~ ) ) = g - 1 ( Y ~ ( f ( X ) ) ) ]]>

步驟S9:針對產液量y1構造其偏好函數h=h(y1),該偏好函數為U形曲線,
在其整個定義域上二階可導且二階導數恒大于零,將產液量y1的值劃分為好、
較好、一般、較差和極差5個區域,并通過所述偏好函數將該五個區域量化
為數值h=h(y1);其中,產液量y1處于好區域對應偏好函數最小值。圖4示出
了本發明的一個實施例所使用的產液量偏好函數的圖形。

步驟S10:構建評價決策變量個體支配關系的適應度函數,系統的性能變
量選取產液量(y1)、耗電量(y2),結合步驟S9構建的產液量偏好函數,得到適
應度函數如下:

objFun ( X ) = h ( y ^ 1 ) y ^ 2 T = h ( g - 1 ( y ~ ^ 1 ( f ( X ) ) ) ) g - 1 ( y ~ ^ 2 ( f ( X ) ) ) T ]]>

步驟S11:計算抽油機工藝系統環境變量的平均值,以作為優化決策參數
時的環境狀態。

計算環境參數平均值具體算法如下:

x i = 1 N Σ k = 1 N x ik , i = 3 , . . . , M ]]>

其中N為該環境變量訓練樣本數量。

步驟S12:利用決策變量x1,x2構建初始種群PD的個體,設置決策變量的上
下限xmin、xmax,即x1min≤x1≤x1max,x2min≤x2≤x2max,利用決策變量(x1,x2)的K對數
據構建初始種群PD,即初始化種群PD,令其為第一
代父代種群;生成一個空的精英解種群設置精英個體個數為設置
最大遺傳代數GEN=100。

步驟S13:進行第一次遺傳迭代計算,并得到第二代精英種群A2、第二代
父代種群具體步驟如下:

①個體強度求取,將第一代父代種群與精英解種群組合成種群Rt,即
求取種群Rt中每個個體的原始適應度函數值,并比較個體之間的相
互支配關系;定義變量R(c)為種群Rt中第c個個體強度,即第c個個體可以被
種群Rt其他個體支配的數量;其中個體Rt(c)原始適應度函數值求取過程如下:
通過種群個體Rt(c)與環境狀態變量平均值組建輸入樣本
計算樣本Xc原始適應度函數值并作為個體Rt(c)的原始適應
度函數值;

②個體密度求取,利用個體Rt(i)與種群Rt中第b個鄰近個體的距離值
則個體Rt(c)密度函數 D ( c ) = 1 σ c b + 2 , b = K + K . ]]>

③求個體的適應值,將上述所求個體Rt(c)的強度R(c)和所求個體Rt(c)的密
度值D(c)的相加作為個體Rt(c)的適應值;

④在種群Rt將所有的非支配個體全部放入精英種群A2,但要保持精英種
群個體數為此時存在三種情況:A2中個體數為則不需要在操作,如果
A2中個體數小于則需要在種群Rt剩余個體中選取適應值較小的個體放入A2
中,保持A2個體數為如果A2中個體數大于則需要在A2個體中比較個體
的密度值D(c),將密度值較大的個體剔除,以保持A2個體數為

⑤將A2中個體放入交配池中進行遺傳操作得到第二代父代種群

⑥將第二代父代種群P2與第二代精英種群A2組合,并重復①~⑤過程,
直至gen=GEN,輸出精英種群AGEN,將AGEN的個體作為優化結果。

步驟S14:將優化后的決策變量,以及環境變量的平均值帶入建立工藝
過程模型,計算優化后的決策變量的系統性能,該優化后的決策變量取值可
保證在固定產液量的情形下,耗電量降低。

下面以大港油田港510-3抽油機為實驗對象采用本發明的方法進行優化。

確定抽油機采油過程生產效率影響因素構成效率觀測變量集合
其中α1,α2為決策變量沖次、有效沖程,α3~α146功圖載荷數據,
α147為環境變量平均功率因數,α148為環境變量平均有功功率,α149為環境變量
平均無功功率,α150為環境變量理論排量、α151為環境變量計算泵效、α152為環
境變量含水率。選擇抽油機生產過程的產液量y1、耗電量y2作為建立抽油機系
統模型的性能變量{y1,y2}。

采集油井2013年12月26日至2014年12月23日數據。對所有變量按
照24小時為采集時間間隔求取24小時數據的平均值,并作為該變量樣本。
采集數據部分地示于表1和表2。

表1



表2


利用PCA輸入變量降維處理,得到新主元數據示于表3。

表3


構建新的采集建模樣本數據[X,Y]。共獲得可建模數據256組,示于表4
中。

表4


將匹配后的數據與載荷新主元數據進行匹配,并進行歸一化處理。可建
模樣本歸一化后部分數據示于表5中。

表5


通過無跡卡爾曼濾波對前饋神經網絡的權值、閾值進行估計,將神經網
絡權值、閾值作為無跡卡爾曼濾波的狀態變量,神經網絡的輸出作為無跡卡
爾曼濾波的測量變量,從而得到抽油機工藝系統的精確模型。設置網絡隱含
層節點數為s1=5。設置隱層神經元輸出函數為F(x)=1/(exp(-x)+1),得到:

輸入層到隱層的權值w1:

w 1 = 110.7717 - 199.056 20.95446 - 300363 - 47389.5 58.1012 - 53.4158 11.35771 - 94834.5 - 17495.6 50.60542 - 42.3788 2.027481 - 215749 - 32139 104.5038 - 84.0086 33.51972 - 110822 - 19312.9 - 70.2498 90.35373 - 5.15677 215379.2 50189.49 90.4108 - 148.601 15.23917 - 188964 - 31993 - 72.727 100.1093 - 5.96039 - 190040 - 31293.2 - 95.8122 103.793 - 13.775 206328.1 28616.68 26.40261 12.69371 - 7.30595 - 173993 - 16516.4 98.10831 - 72.4617 5.587048 - 44474.1 - 15335.2 T ]]>

隱層神經元閾值b1:

b 1 = 112.442 - 132.338 34.751 - 1.88 * 10 5 - 3.16 * 10 4 ]]>

隱層到輸出層權值w2:

w 2 = 0.516 - 0.005 0.598 0.772 - 0.376 0.640 0.029 0.597 1.472 - 1.426 ]]>

輸出層閾值b2:

b 2 = - 0.365 - 0.484 ]]>

利用上述權值和閾值,構建數學模型,選擇可建模樣本中最后60組數據
作為測試樣本進行驗證。圖5示出了測試樣本產液量預測效果圖;圖6示出
了測試樣本耗電量預測效果圖。

由模型的相對誤差可知,建模效果較好,隨著樣本的不斷訓練,模型精
度越來越高,符合動態建模的特性。

油田生產采用定量是采用方式。故而設計以達到定量產液量下條件的節
能降耗目的。故而對網絡模型輸出的產液量進行物理規劃(偏好設計),并與
網絡模型輸出的耗電量函數,作為多目標優化的適應度函數。油田生產采用
定量式采油,故而在規定的產液量的情況下,尋找最佳工作操作條件,實現
節能增產。

產液量偏好函數設計,根據偏好函數設計準則,采用3-S類軟偏好設計,
根據生產者對產液量的多少的喜愛程度用:極好、好、一般、較差、差等五
個個等級描述。極好程度利用建模訓練集中產液量所有值的平均值作為極好
程度的偏好值為:47.3,并利用訓練集中產液量最小值37.3、最大值57.3作
為不可接受域的臨界值。故而設計偏好程度區間為:
[0,2],[2,4],[4,6],[6,8],[8,10]等,且設計的偏好程度區間所對應的實際
產液量區間為:

[37.3,38.4],[38.4,39.6],[39.6,40.9],[40.9,42.8],[42.8,47.3]以及

[47.3,51.8],[51.8,53.6],[53.6,55.5],[55.5,56.2],[56.2.57.3]。故
而設計產液量偏好函數為h(y1)=0.1×(y1-47.3)2。圖7示出了偏好函數的圖形;

利用決策變量(x1,x2)的K對數據構建初始種群PD,設置種群大小50,即
初始化的種群樣本數量為K=50;決策變量沖次(x1)的優化范圍2.0≤x1≤4.5;決
策變量有效沖程(x2)的范圍3.0≤x2≤3.6。設置最大遺傳代數GEN=100。

計算環境參數平均值具體算法如下:

x i = 1 N Σ k = 1 N x ik , i = 3 , . . . , M ]]>

具體的環境參數平均值示于表6中。

表6


計算得到的產液量偏好值與耗電量的pareto解集關系示于圖8中。

Pareto前沿所對應的數值解集示于表7中。

表7



在表7中,產液量偏好值在3以內,為較好的程度,偏好值均值為1.05,
計算所得產液量平均值在極好的范圍內,偏好平均值值所對應產液量為
44.05t/d或者50.54t/d,符合抽油機采油定量式工作制度。

將優化后的決策變量,以及環境變量的平均值帶入建立工藝過程模型,
計算優化后的決策變量的系統性能,與實際樣本的系統性能平均值進行比較,
在保證固定的產液量的前提下,耗電量降低,則上述方法有效。去產液量偏
好值解集的平均值求取實際對應的產液量大小。其對比結果示于表8。

表8


由表8可知,在保持定量式采油工作狀態下,耗電量下降37.39%。系統
效率比(產液量/耗電量)提高23%。達到了節能設計目的。說明該方法有效。

盡管已經結合詳細示出并描述的優選實施例公開了本發明,但是本領域
技術人員應當理解,對于上述本發明所提出的基于無跡卡爾曼濾波的抽油機
參數優化方法,還可以在不脫離本發明內容的基礎上做出各種改進。因此,
本發明的保護范圍應當由所附的權利要求書的內容確定。

關 鍵 詞:
基于 卡爾 濾波 抽油機 參數 優化 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:基于無跡卡爾曼濾波的抽油機參數優化方法.pdf
鏈接地址:http://www.wwszu.club/p-6401461.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大