CN104680259A - 抽油机运行参数的节能优化方法 - Google Patents
抽油机运行参数的节能优化方法 Download PDFInfo
- Publication number
- CN104680259A CN104680259A CN201510110149.XA CN201510110149A CN104680259A CN 104680259 A CN104680259 A CN 104680259A CN 201510110149 A CN201510110149 A CN 201510110149A CN 104680259 A CN104680259 A CN 104680259A
- Authority
- CN
- China
- Prior art keywords
- value
- sample
- output
- variable
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- External Artificial Organs (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种抽油机运行参数的节能优化方法,其包括:1)确定抽油机的生产效率因素和性能变量;2)获取其样本数据;3)样本数据归一化处理;4)选取训练样本集和测试样本集;5)构造广义回归神经网络并进行训练;6)针对产液量构造偏好函数;7)构造父代种群和子代种群并初始化;8)对父代种群个体进行遗传交叉计算或变异计算,以产生子代种群个体;9)对父代和子代种群个体求适应度函数;10)根据适应度函数将父代和子代种群中的个体划分到层级不同的非支配集中;11)从各个非支配集中选择个体构成新的父代种群,循环执行8)-11)多次,得到优化后的生产效率因素值。优化后,可保证在产液量基本固定的情况下,耗电量最小。
Description
技术领域
本发明属于采油领域,具体涉及一种抽油机运行参数的节能优化方法。
背景技术
抽油机采油作为一种机械采油方式,主要由电动机、地面传动设备和井下抽油设备三部分组成,如图1所示。抽油机的整个采油过程主要分为上下两个冲程:上冲程,即驴头悬点向上运动,提起抽油杆柱和井下抽油设备,此过程中电动机需消耗大量的能量;下冲程,即驴头悬点向下运动,抽油机的抽油杆柱电动机做功。在抽油杆柱上下运动过程中,电动机的负载发生周期变化。抽油机的运行参数的选择对整个抽油机系统的能量消耗影响很大。为了使抽油机采油生产过程既能完成预定的产液量,又能使抽油机生产过程的耗电量最低,需要对抽油机运行参数进行节能优化。
发明内容
本发明是为了解决现有技术中存在的上述技术问题而做出,其目的在于提供一种抽油机运行参数的节能优化方法,以保证抽油机的生产状态最佳,从而达到减少能耗,提高系统效率的目的。
为了实现上述目的,本发明提供一种抽油机运行参数的节能优化方法,该方法包括的步骤如下:
1)确定抽油机采油过程生产效率因素,作为建模过程输入观测值集合:{x1,x2,x3,…,xM},其中x1~x2为决策变量、x3~xM为环境变量,M≥3,选择抽油机生产过程的抽油机系统的性能变量,作为建模过程输出观测值集合:{y1,y2,…,yl};
2)获得所述生产效率影响因数和系统性能变量的样本数据,得到训练矩阵的输入样本矩阵X和输出样本矩阵Y如下:
其中Xk=[x1k,x2k,x3k,…,xMk]T,为第k组输入样本;N为样本的数量;xik表示第i个变量的第k个观测值,i=1,2,...,M;k=1,2,...,N。
3)对得到的输入样本X、输出样本Y进行归一化处理,得到新的训练输入、输出矩阵
即得到归一化后样本集:
4)在归一化后样本集中,选取样本集前组样本作为网络训练样本集则样本集剩余组作为测试样本集其中
5)构建广义回归神经网络网络,以系统效率影响因素作为网络的输入,作为网络输出,采用所述训练输入样本对该网络进行训练,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
其中,g-1为函数g的反函数;
6)针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线,在其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值;
7)利用决策变量(x1,x2)构建父代种群P和子代种群Q,
其中,父代种群P中的个体(1≤m≤L)的数量为L,子代种群Q中的个体(1≤m≤L)的数量为L,并从x1的取值范围x1,min≤x1≤x1,max内随机取值赋予(1≤m≤L),从x2的取值范围x2,min≤x2≤x2,max内随机取值赋予 (1≤m≤L),从而对父代种群P和子代种群Q进行初始化;
8)从父代种群P中选出任意对个体,对于每对个体 (1≤m≤L,1≤n≤L)进行遗传交叉计算或变异计算,并将计算结果赋予子代种群Q中相应的一对个体
9)将父代种群P与子代种群Q进行合并得到种群R=P∪Q,即有 将种群R的每个个体与环境变量平均值i=3,…,M合成输入样本 并计算相应的适应度函数
10)将种群R的所有个体所对应的适应度函数相互进行比较,将种群R的所有个体划分到具有不同层级的非支配集中,其中,对于层级较低的非支配集中的任一个体所对应的适应度函数objFun(Xs)和层级较高的非支配集中的任一个体所对应的适应度函数objFun(Xt)来说,均不存在且而对于同一层级的非支配集中的任两个个体来说,该两个不等式中至少有一个不成立;
11)按照层级从低到高的顺序从所述非支配集中选择L个个体,将选择出的L个个体的值赋予父代种群P中的个体,并执行步骤8)-步骤11)的过程GEN次,GEN为预先确定的循环次数,最终得到优化后的L组决策变量将优化后的决策变量以及所述环境变量的平均值构成优化后的输入样本 这L个样本保证了在产液量基本固定且具有最小偏好值的情况下,耗电量最小。
优选地,所述决策变量x1为冲次,x2为有效冲程;所述环境变量x3~xM包括载荷点、理论排量、平均功率因数、有功功率、无功功率、含水率中的一个或多个变量,所述性能变量y1为产液量,y2为耗电量。
优选地,所述广义回归神经网络可以包括输入层、模式层、求和层和输出层;所述输入层包括M个节点,分别输入所述模式层包括个节点,第k个节点的激活函数为:
其中,定义中所有样本与样本的距离的平方的指数平方的指数形式,而为训练样本集中第k组训练输入样本, δ为光滑因子;
所述求和层包括一个求和节点和l个加权求和节点,所述求和节点的输出为:所述第j个加权求和节点的输出为j=1,2,...,l,其中,wjk为模式层第k个节点与求和层第j个加权求和节点之间的连接权值,由训练输出样本第j个输出变量yj中的第k个观测值确定,即
所述输出层包括l个节点,第j个节点的输出为归一化后的性能变量的估计值j=1,2,...,l;即,
取采集的训练输入样本输入所述广义回归神经网络,选取δ∈[0,2],通过步进递增光滑因子δ,求出归一化后的性能变量的估计值 与其所对应的归一化后的性能变量的采样值 之间的误差在最小时的光滑因子δ,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
优选地,每对个体(1≤m≤L,1≤n≤L)之间的遗传交叉计算公式可以为:
随机数α∈[0,1];
每个个体(1≤m≤L)的变异计算公式可以为:
随机数β∈[0,1]。
优选地,在按照层级从低到高的顺序从所述非支配集中选择L个个体时,对于同一层级非支配集中的个体,可以选择个体拥挤度ds较大的个体,所述个体拥挤度ds的计算方法为:
对当前种群R中所有个体所对应的适应度函数值objFun(Xs)中的按从小到大的顺序排序,另外,对所有objFun(Xs)中的按从小到大的顺序排序,令每次排序的第一个和最后一个个体的拥挤距离为无穷大,种群个体的拥挤度ds为
分别为在所述所排的序列中值的后一个值和前一个值;
分别为在所述所排的序列中值的后一个值和前一个值;
本发明的有益效果是,通过选择优化后的运行参数,可以使抽油机在运行过程中保证在产液量基本固定且具有最小偏好值的情况下,耗电量最小,从而可以降低油田生产成本并提高油田的生产效率。
附图说明
图1示出了抽油机的工作模型;
图2示出了本发明一个实施例所述的抽油机运行参数的节能优化方法的流程图;
图3示出了本发明一个实施例中的广义回归神经网络的结构;
图4示出了本发明一个实施例中的产液量偏好函数的图形;
图5示出了利用本发明的方法训练神经网络所产生的产液量训练效果图;
图6示出了利用本发明的方法训练神经网络所产生的耗电量训练效果图;
图7示出了测试样本产液量预测效果图;
图8示出了测试样本耗电量预测效果图;
图9示出了偏好函数的图形;
图10示出了产液量偏好值与耗电量的pareto解集关系。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中,为了便于描述一个或多个实施例,公知的结构和设备以方框图的形式示出。
图2是流程图,示出了本发明的一个实施例所述的抽油机运行参数的节能优化方法。如图2所示,本发明所述的抽油机运行参数的节能优化方法包括如下步骤:
步骤S1:确定抽油机采油过程生产效率因素,作为建模过程输入观测值集合:{x1,x2,x3,…,xM},其中x1~x2为决策变量、x3~xM为环境变量,M≥3,选择抽油机生产过程的抽油机系统的性能变量,作为建模过程输出观测值集合:{y1,y2,…,yl}。
所述决策变量x1为冲次,x2为有效冲程;所述环境变量x3~xM可以包括载荷点、理论排量、平均功率因数、有功功率、无功功率、含水率中的一个或多个变量,所述性能变量y1为产液量,y2为耗电量。
步骤S2:获得所述生产效率影响因数和系统性能变量的样本数据,得到训练矩阵的输入样本矩阵X和输出样本矩阵Y如下:
其中Xk=[x1k,x2k,x3k,…,xMk]T,为第k个输入样本;N为样本的数量;xik表示第i个变量的第k个观测值,i=1,2,...,M;k=1,2,...,N。
设所述决策变量、环境变量和性能变量的观测值采集周期的最大值为tmax,则这些变量中的任一变量的样本取为tmax时间内该变量的观测值的平均值。
步骤S3:对得到的输入样本X、输出样本Y进行归一化处理,得到新的训练输入、输出矩阵
即得到归一化后样本集:
所述输入样本X、输出样本Y的归一化处理可以根据下述公式计算:
其中:为设定输入变量归一化后数据范围的最大值、最小值;
xik为归一化前的第i个输入变量的第k个样本值;
为归一化后的第i个输入变量的第k个样本值;
xi,min=min{xik|1≤k≤N}
xi,max=max{xik|1≤k≤N}
为设定输出变量归一化后数据范围的最大值、最小值;
yjk为归一化前的第j个输出变量的第k个样本值;
为归一化后的第j个输出变量的第k个样本值;
yj,max=max{yjk|1≤k≤N}
yj,min=min{yjk|1≤k≤N}
步骤S4:在归一化后样本集中,选取样本集前组样本作为网络训练样本集则样本集剩余组作为测试样本集其中
步骤S5:构建广义回归神经网络网络,以系统效率影响因素作为网络的输入,作为网络输出,采用所述训练输入样本对该网络进行训练,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
其中,g-1为函数g的反函数;
图3示出了本发明的一个实施例所使用的广义回归神经网络的结构。具体地说,如图3所示,本发明所用的广义回归神经网络包括输入层、模式层、求和层和输出层;所述输入层包括M个节点,分别输入
所述模式层包括个节点,第k个节点的激活函数为:
其中,定义中所有样本与样本的距离的平方的指数平方的指数形式,而为训练样本集中第k组训练输入样本, δ为光滑因子;
所述求和层包括一个求和节点和l个加权求和节点,所述求和节点的输出为:所述第j个加权求和节点的输出为j=1,2,...,l,其中,wjk为模式层第k个节点与求和层第j个加权求和节点之间的连接权值,由训练输出样本第j个输出变量yj中的第k个观测值确定,即
所述输出层包括l个节点,第j个节点的输出为归一化后的性能变量的估计值j=1,2,...,l;即,
为了确定本发明所述的广义回归神经网络的结构参数δ,取采集的训练输入样本输入所述广义回归神经网络,选取δ∈[0,2],通过步进递增光滑因子δ,求出归一化后的性能变量的估计值 与其所对应的归一化后的性能变量的采样值 之间的误差在最小时的光滑因子δ,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
步骤S6:针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线,在其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值。图4示出了本发明的一个实施例所使用的产液量偏好函数的图形。
步骤S7:利用决策变量(x1,x2)构建父代种群P和子代种群Q,
其中,父代种群P中的个体(1≤m≤L)的数量为L,子代种群Q中的个体(1≤m≤L)的数量为L,并从x1的取值范围x1,min≤x1≤x1,max内随机取值赋予(1≤m≤L),从x2的取值范围x2,min≤x2≤x2,max内随机取值赋予 (1≤m≤L),从而对父代种群P和子代种群Q进行初始化。
步骤S8:从父代种群P中选出任意对个体,对于每对个体 (1≤m≤L,1≤n≤L)进行遗传交叉计算或变异计算,并将计算结果赋予子代种群Q中相应的一对个体
在一个实施例中,每对个体(1≤m≤L,1≤n≤L)之间的遗传交叉计算公式为:
随机数α∈[0,1];
每个个体(1≤m≤L)的变异计算公式为:
随机数β∈[0,1]。
步骤S9:将父代种群P与子代种群Q进行合并得到种群R=P∪Q,即有 将种群R的每个个体与环境变量平均值i=3,…,M合成输入样本 并计算相应的适应度函数
所述环境参数的平均值的计算公式为:
步骤S10:将种群R的所有个体所对应的适应度函数相互进行比较,将种群R的所有个体划分到具有不同层级的非支配集中,其中,对于层级较低的非支配集中的任一个体所对应的适应度函数objFun(Xs)和层级较高的非支配集中的任一个体所对应的适应度函数objFun(Xt)来说,均不存在且而对于同一层级的非支配集中的任两个个体来说,该两个不等式中至少有一个不成立;
步骤S11:按照层级从低到高的顺序从所述非支配集中选择L个个体,将选择出的L个个体的值赋予父代种群P中的个体,返回步骤S8。
在按照层级从低到高的顺序从所述非支配集中选择L个个体时,对于同一层级非支配集中的个体,选择个体拥挤度ds较大的个体,所述个体拥挤度ds的计算方法为:
对当前种群R中所有个体所对应的适应度函数值objFun(Xs)中的按从小到大的顺序排序,另外,对所有objFun(Xs)中的按从小到大的顺序排序,令每次排序的第一个和最后一个个体的拥挤距离为无穷大,种群个体的拥挤度ds为
分别为在所述所排的序列中值的后一个值和前一个值;
分别为在所述所排的序列中值的后一个值和前一个值;
步骤S12:循环执行步骤8)-步骤11)的过程GEN次,GEN为预先确定的循环次数,最终得到优化后的L组决策变量将优化后的决策变量以及所述环境变量的平均值构成优化后的输入样本 这L个样本保证了在产液量基本固定且具有最小偏好值的情况下,耗电量最小。
下面以大港油田抽油机井中3-60为实验对象采用本发明的方法进行节能优化。
抽油机采油过程生产效率因素选取如下:x1为决策变量冲次、x2为决策变量有效冲程。环境变量包括:平均功率因数(x3)、平均有功功率(x4)、平均无功功率(x5)、理论排量(x6)、计算泵效(x7)、含水率(x8)、示功图的载荷144点(x9~x152)作为效率因素,即输入变量集合{x1,x2,x3,...,x152}。选择抽油机生产过程的产液量y1、耗电量y2作为建立抽油机系统模型的性能变量,即输出变量集合{y1,y2}。
采集该油井2013年12月26日至2014年12月23日数据。对所有变量按照24小时的采集时间间隔求取24小时数据的平均值,并作为该变量样本。采集到的所有样本部分地示于表1和表2中
表1
表2
对所有的输入、输出变量进行线性归一化处理,输入变量归一化后数据范围的最大值x′max=1、最小值x′min=-1;输出变量归一化后数据范围的最大值y′max=1、最小值y′min=-1。归一化后的样本输入、输出变量部分地示于表3和表4中。
表3
表4
对上述344组归一化的数据选取300组训练网络参数δ,剩余44组样本作为验证训练得到模型的泛化能力。
设置δ在[0.1,2]的范围内,按照步长ξ=0.1进行取值不断对训练样本进行估算,网络训练结束显示输出变量所有训练样本预测值与实际值的均方根误差值为:151.5,此时网络得到的最佳δ=0.7。
训练样本中输入变量的预测输出与实际输出Y直接对比效果以及预测输出与实际输出之间的相对误差示于图5和图6中。
利用所得到的神经网络训练得到函数模型,对44组测试样本进行预测计算,将得到的预测产液量、耗电量与测试样本对应的实际产液量、耗电量进行对,以验证训练得到的神经网络是否能够达到预测效果。其得到预测输出与输入样本对应的实际输出对比效果、预测值与实际值之间的相对误差示于图7和图8中。
在测试样本预测计算过程,建模效果指标参量结果示于表5中:
表5
上述利用测试样本验证模型泛化能力,可知建立的GRNN模型达到高精度建模的效果。
产液量的偏好函数设计,根据偏好函数设计准则,采用3-S类软偏好设计,根据生产者对产液量的多少的喜爱程度用:极好、好、一般、较差、差等五个个等级描述。极好程度利用建模训练集中产液量所有值的平均值作为极好程度的偏好值为:3.4,并利用训练集中产液量最小值1.4、最大值5.4作为不可接受域的临界值。故而设计偏好程度区间为:
[0,2],[2,4],[4,6],[6,8],[8,10]
其分别代表极好、好、一般、较差、差五个区间。且设计的偏好程度区间所对应的实际产液量区间为:
产液量最佳值左侧:
[3.4,3.0],[3.0,2.6],[2.6,2.2],[2.2,1.8],[1.8,1.4];
产液量最佳值右侧:
[3.4,4.3],[3.8,4.2],[4.2,4.6],[4.6,5.0],[5.0.5.4]。
利用偏好程度各个区间的边界值与实际产液量划分的各个区间的边界值求出其中一个产液量偏好函数为h(y1)=2.5×(y1-3.4)2。该函数二阶可导,满足设计的需要。该偏好函数的图形示于图9中。
利用决策变量(x1,x2)的L对数据构建初始种群P,设置种群大小50,即初始化的种群样本数量为L=50;设置决策变量冲次(x1)的取值范围为1.5≤x1≤4.0,有效冲程(x2)的取值范围为1≤x2≤30。设置最大遗传代数GEN=100。
计算得到的产液量偏好值与耗电量的pareto解集关系示于图10中。Pareto解集中对应个体以及个体对应的产液量偏好值、耗电量示于表6中。
表6
计算产液量偏好值约为0,为极好程度,符合定量采油的生产方式。
将优化后的决策变量,以及环境变量的平均值带入建立工艺过程模型,计算优化后的决策变量的系统性能,与实际样本的系统性能平均值进行比较,在保证固定的产液量的前提下,耗电量降低,则上述方法有效。该算法优化前后系统性能对比示于表7。
表7
由系统系能对比表7可知:系统耗电量下降5%。系统效率得到了提高,达到了相应的效果,证明该方法有效。
尽管已经结合详细示出并描述的优选实施例公开了本发明,但是本领域技术人员应当理解,对于上述本发明所提出的抽油机运行参数的节能优化方法,还可以在不脱离本发明内容的基础上做出各种改进。
Claims (8)
1.一种抽油机运行参数的节能优化方法,包括如下步骤:
1)确定抽油机采油过程生产效率因素,作为建模过程输入观测值集合:{x1,x2,x3,…,xM},其中x1~x2为决策变量、x3~xM为环境变量,M≥3,选择抽油机生产过程的抽油机系统的性能变量,作为建模过程输出观测值集合:{y1,y2,…,yl};
2)获得所述生产效率影响因数和系统性能变量的样本数据,得到训练矩阵的输入样本矩阵X和输出样本矩阵Y如下:
其中Xk=[x1k,x2k,x3k,…,xMk]T,为第k个输入样本;N为样本的数量;xik表示第i个变量的第k个观测值,i=1,2,...,M;k=1,2,...,N。
3)对得到的输入样本X、输出样本Y进行归一化处理,得到新的训练输入、输出矩阵
即得到归一化后样本集:
4)在归一化后样本集中,选取样本集前组样本作为网络训练样本集 则样本集剩余组作为测试样本集其中
5)构建广义回归神经网络网络,以系统效率影响因素作为网络的输入,作为网络输出,采用所述训练输入样本对该网络进行训练,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
其中,g-1为函数g的反函数;
6)针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线,在其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值;
7)利用决策变量(x1,x2)构建父代种群P和子代种群Q,
其中,父代种群P中的个体(1≤m≤L)的数量为L,子代种群Q中的个体 (1≤m≤L)的数量为L,并从x1的取值范围x1,min≤x1≤x1,max内随机取值赋予 (1≤m≤L),从x2的取值范围x2,min≤x2≤x2,max内随机取值赋予 (1≤m≤L),从而对父代种群P和子代种群Q进行初始化;
8)从父代种群P中选出任意对个体,对于每对个体 (1≤m≤L,1≤n≤L)进行遗传交叉计算或变异计算,并将计算结果赋予子 代种群Q中相应的一对个体
9)将父代种群P与子代种群Q进行合并得到种群R=P∪Q,即有 将种群R的每个个体 与环境变量平均值i=3,…,M合成输入样本并计算相应的适应度函数
10)将种群R的所有个体所对应的适应度函数相互进行比较,将种群R的所有个体划分到具有不同层级的非支配集中,其中,对于层级较低的非支配集中的任一个体所对应的适应度函数objFun(Xs)和层级较高的非支配集中的任一个体所对应的适应度函数objFun(Xt)来说,均不存在 且而对于同一层级的非支配集中的任两个个体来说,该两个不等式中至少有一个不成立;
11)按照层级从低到高的顺序从所述非支配集中选择L个个体,将选择出的L个个体的值赋予父代种群P中的个体,并执行步骤8)-步骤11)的过程GEN次,GEN为预先确定的循环次数,最终得到优化后的L组决策变量 将优化后的决策变量以及所述环境变量的平均值构成优化后的输入样本(1≤m≤L),这L个样本保证了在产液量基本固定且具有最小偏好值的情况下,耗电量最小。
2.如权利要求1所述的抽油机运行参数的节能优化方法,其中,
所述决策变量x1为冲次,x2为有效冲程;所述环境变量x3~xM包括载荷点、理论排量、平均功率因数、有功功率、无功功率、含水率中的一个或多个变量,所述性能变量y1为产液量,y2为耗电量。
3.如权利要求1所述的抽油机运行参数的节能优化方法,其中,
设所述决策变量、环境变量和性能变量的观测值采集周期的最大值为tmax,则这些变量中的任一变量的样本取为tmax时间内该变量的观测值的平均值。
4.如权利要求1所述的抽油机运行参数的节能优化方法,其中,
所述输入样本X、输出样本Y的归一化处理根据下述公式计算:
其中:为设定输入变量归一化后数据范围的最大值、最小值;
xik为归一化前的第i个输入变量的第k个样本值;
为归一化后的第i个输入变量的第k个样本值;
xi,min=min{xik|1≤k≤N}
xi,max=max{xik|1≤k≤N}
为设定输出变量归一化后数据范围的最大值、最小值;
yjk为归一化前的第j个输出变量的第k个样本值;
为归一化后的第j个输出变量的第k个样本值;
yj,max=max{yjk|1≤k≤N}
yj,min=min{yjk|1≤k≤N}。
5.如权利要求1所述的抽油机运行参数的节能优化方法,其中,
所述广义回归神经网络包括输入层、模式层、求和层和输出层;
所述输入层包括M个节点,分别输入
所述模式层包括个节点,第k个节点的激活函数为:
其中,定义中所有样本与样本的距离的平方的指数平方 的指数形式,而为训练样本集中第k组训练输入样本, δ为光滑因子;
所述求和层包括一个求和节点和l个加权求和节点,所述求和节点的输出为:所述第j个加权求和节点的输出为j=1,2,...,l,其中,wjk为模式层第k个节点与求和层第j个加权求和节点之间的连接权值, 由训练输出样本第j个输出变量yj中的第k个观测值确定,即
所述输出层包括l个节点,第j个节点的输出为归一化后的性能变量的估计值j=1,2,...,l;即,
取采集的训练输入样本输入所述广义回归神经网络,选取δ∈[0,2],通过步进递增光滑因子δ,求出归一化后的性能变量的估计值 与其所对应的归一化后的性能变量的采样值之间的误差在最小时的光滑因子δ,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
。
6.如权利要求1所述的抽油机运行参数的节能优化方法,其中,
每对个体(1≤m≤L,1≤n≤L)之间的遗传交叉计算公式为:
随机数α∈[0,1];
每个个体(1≤m≤L)的变异计算公式为:
随机数β∈[0,1]。
7.如权利要求1所述的抽油机运行参数的节能优化方法,其中,
所述环境参数的平均值的计算公式为:
。
8.如权利要求1所述的抽油机运行参数的节能优化方法,其中,
在按照层级从低到高的顺序从所述非支配集中选择L个个体时,对于同一层级非支配集中的个体,选择个体拥挤度ds较大的个体,所述个体拥挤度ds 的计算方法为:
对当前种群R中所有个体所对应的适应度函数值objFun(Xs)中的按从小到大的顺序排序,另外,对所有objFun(Xs)中的按从小到大的顺序排序,令每次排序的第一个和最后一个个体的拥挤距离为无穷大,种群个体 的拥挤度ds为
分别为在所述所排的序列中值的后一个值和前一个值;
分别为在所述所排的序列中值的后一个值和前一个值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510110149.XA CN104680259B (zh) | 2015-03-12 | 2015-03-12 | 抽油机运行参数的节能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510110149.XA CN104680259B (zh) | 2015-03-12 | 2015-03-12 | 抽油机运行参数的节能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680259A true CN104680259A (zh) | 2015-06-03 |
CN104680259B CN104680259B (zh) | 2018-01-09 |
Family
ID=53315268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510110149.XA Active CN104680259B (zh) | 2015-03-12 | 2015-03-12 | 抽油机运行参数的节能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680259B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106502096A (zh) * | 2016-11-14 | 2017-03-15 | 重庆科技学院 | 基于偏好多目标优化的油田机采过程决策参数优化方法 |
CN106529042A (zh) * | 2016-11-14 | 2017-03-22 | 重庆科技学院 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN109298695A (zh) * | 2018-10-23 | 2019-02-01 | 长安大学 | 一种选择性激光熔化工艺过程能耗预测及节能控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060010089A1 (en) * | 2001-04-06 | 2006-01-12 | Goodnight James H | Hybrid neural network generation system and method |
CN103177155A (zh) * | 2013-02-28 | 2013-06-26 | 重庆科技学院 | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 |
CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
-
2015
- 2015-03-12 CN CN201510110149.XA patent/CN104680259B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060010089A1 (en) * | 2001-04-06 | 2006-01-12 | Goodnight James H | Hybrid neural network generation system and method |
CN103177155A (zh) * | 2013-02-28 | 2013-06-26 | 重庆科技学院 | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 |
CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
Non-Patent Citations (1)
Title |
---|
辜小花 等: "面向抽油机节能的GRNN过程建模及工艺参数优化", 《重庆大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106502096A (zh) * | 2016-11-14 | 2017-03-15 | 重庆科技学院 | 基于偏好多目标优化的油田机采过程决策参数优化方法 |
CN106529042A (zh) * | 2016-11-14 | 2017-03-22 | 重庆科技学院 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
CN106502096B (zh) * | 2016-11-14 | 2019-06-14 | 重庆科技学院 | 基于偏好多目标优化的油田机采过程决策参数优化方法 |
CN106529042B (zh) * | 2016-11-14 | 2019-12-31 | 重庆科技学院 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN108804721B (zh) * | 2017-04-26 | 2021-09-14 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN109298695A (zh) * | 2018-10-23 | 2019-02-01 | 长安大学 | 一种选择性激光熔化工艺过程能耗预测及节能控制方法 |
CN109298695B (zh) * | 2018-10-23 | 2020-11-24 | 长安大学 | 一种选择性激光熔化工艺过程能耗预测及节能控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104680259B (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046326B (zh) | 基于功图主元分析的抽油机参数优化方法 | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN105045941B (zh) | 基于无迹卡尔曼滤波的抽油机参数优化方法 | |
CN104794361B (zh) | 一种水驱油藏开发效果综合评价方法 | |
CN104680259A (zh) | 抽油机运行参数的节能优化方法 | |
CN103198354B (zh) | 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法 | |
CN104680025A (zh) | 基于遗传算法极限学习机的抽油机参数优化方法 | |
CN106897826A (zh) | 一种交通事故风险评估方法及系统 | |
CN103177155B (zh) | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 | |
CN109492345A (zh) | 一种基于SENet的透平叶片高周疲劳寿命预测方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
CN104680023A (zh) | 基于多目标决策的抽油机参数优化方法 | |
CN111222271A (zh) | 基于基质-裂缝非稳态窜流油藏裂缝数值模拟方法及系统 | |
CN104712328B (zh) | 快速评价复杂油藏中单个流动单元动用状况的方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN104216341A (zh) | 一种基于改进随机扰动近似算法的油藏生产实时优化方法 | |
Liu et al. | A systems dynamic model of a coal-based city with multiple adaptive scenarios: A case study of Ordos, China | |
Xue et al. | Comparative data-driven enhanced geothermal systems forecasting models: A case study of Qiabuqia field in China | |
Li et al. | A hybrid modeling method for interval time prediction of the intermittent pumping well based on IBSO-KELM | |
CN104680257B (zh) | 面向抽油机工作过程的智能优化方法 | |
Baarimah et al. | Modeling yemeni crude oil reservoir fluid properties using different fuzzy methods | |
CN106502096A (zh) | 基于偏好多目标优化的油田机采过程决策参数优化方法 | |
CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 | |
CN107423811B (zh) | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 | |
Zhou et al. | Application of BP neural network in efficiency prediction of oilfield mechanized mining system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 300280 building 7, South Ring Road, Jinnan, Tianjin, 7 Co-patentee after: Chongqing University of Science & Technology Patentee after: Tianjin people's Polytron Technologies Inc Address before: 300280 Tianjin Grand Port Dagang Oilfield port West Transport Shuangfeng District Co-patentee before: Chongqing University of Science & Technology Patentee before: Tianjin Wanzhong Technology Development Co., Ltd. |
|
CP03 | Change of name, title or address |