CN105045941A - 基于无迹卡尔曼滤波的抽油机参数优化方法 - Google Patents

Abstract

本发明提供一种基于无迹卡尔曼滤波的抽油机参数优化方法，包括：1)确定抽油机的生产效率影响因素和性能变量、2)获得其样本数据、3)对载荷数据进行降维、4)由非载荷变量与载荷新主元构建网络输入变量集、5)构建输入变量的样本值、6)归一化处理、7)构建前馈神经网络、8)用无迹卡尔曼滤波对网络作训练、9)构造产液量偏好函数、10)构建评价决策变量个体支配关系的适应度函数、11)计算环境变量平均值、12)利用决策变量构建初始种群并生成精英解种群、13)进行遗传迭代计算，得到第二代的精英种群和父代种群、14)迭代循环，最终得到优化后的生产效率影响因素值。优化后，可保证在产液量基本固定的情况下耗电量最小。

Description

基于无迹卡尔曼滤波的抽油机参数优化方法

技术领域

本发明属于采油领域，具体涉及一种基于无迹卡尔曼滤波的抽油机参数优化方法。

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基于无迹卡尔曼滤波的抽油机参数优化方法，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，本发明提供一种基于无迹卡尔曼滤波的抽油机参数优化方法，该方法包括的步骤如下：

1)确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α₁，α₂为决策变量，α₃～α₁₄₆载荷数据环境变量，为其他环境变量，选取抽油机系统的性能变量构成性能观测变量集合：{y₁,y₂,y₃,…y_l}；

2)获得所述生产效率影响因素和系统性能变量的样本数据，得到效率影响因素样本矩阵α和性能样本矩阵Y：

$\mathrm{\α}=\left[\begin{array}{cccc}{\mathrm{\α}}_{11}& {\mathrm{\α}}_{12}& ...& {\mathrm{\α}}_{1N}\\ {\mathrm{\α}}_{21}& {\mathrm{\α}}_{22}& ...& {\mathrm{\α}}_{2N}\\ ...& ...& ...& ...\\ {\mathrm{\α}}_{\stackrel{\‾}{M}1}& {\mathrm{\α}}_{\stackrel{\‾}{M}2}& ...& {\mathrm{\α}}_{\stackrel{\‾}{M}N}\end{array}\right]\≡\left[\begin{array}{c}{L}_1\\ L_2\\ ...\\ L_{\stackrel{\‾}{M}}\end{array}\right]$

$Y=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right]$

其中为效率影响因素个数，N为样本个数，α_ik表示第i个效率影响因素变量的第k个观测值，i＝1,2,...,M；k＝1,2,...,N；

3)利用主元分析算法对载荷数据进行降维处理，从而构建新的载荷主元变量矩阵：

$\left[\begin{array}{c}{L}_{z1}\\ L_{z2}\\ L_{z3}\\ L_{\mathrm{zd}}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\α}}_{z11}& {\mathrm{\α}}_{z12}& ...& {\mathrm{\α}}_{z1N}\\ {\mathrm{\α}}_{z21}& {\mathrm{\α}}_{z22}& ...& {\mathrm{\α}}_{z2N}\\ ...& ...& ...& ...\\ {\mathrm{\α}}_{\mathrm{zd}1}& {\mathrm{\α}}_{\mathrm{zd}2}& ...& {\mathrm{\α}}_{\mathrm{zdN}}\end{array}\right]$

4)由影响因素观测变量集合中非载荷变量与载荷新主元观测变量集合{α_z1,α_z2,...,α_zd}构建网络输入变量集合：并令输入变量集合为：{x₁,x₂,x₃,...,x_M}，即， $\{{\mathrm{\α}}_1,{\mathrm{\α}}_2,{\mathrm{\α}}_{147},...,{\mathrm{\α}}_{\stackrel{\‾}{M}},{\mathrm{\α}}_{z1},...,{\mathrm{\α}}_{\mathrm{zd}}\}=\{x_1,x_2,x_3,...,x_M\};$

5)构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：

$X=\left[\begin{array}{cccc}{X}_1& X_2& ...& X_N\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\α}}_{11}& {\mathrm{\α}}_{12}& ...& {\mathrm{\α}}_{1N}\\ {\mathrm{\α}}_{21}& {\mathrm{\α}}_{22}& ...& {\mathrm{\α}}_{2N}\\ {\mathrm{\α}}_{\mathrm{147,1}}& {\mathrm{\α}}_{\mathrm{147,2}}& ...& {\mathrm{\α}}_{147,N}\\ ...& ...& ...& ...\\ {\mathrm{\α}}_{\stackrel{\‾}{M}1}& {\mathrm{\α}}_{\stackrel{\‾}{M}2}& ...& {\mathrm{\α}}_{\stackrel{\‾}{M}N}\\ {\mathrm{\α}}_{z11}& {\mathrm{\α}}_{z12}& ...& {\mathrm{\α}}_{z1N}\\ ...& ...& ...& ...\\ {\mathrm{\α}}_{\mathrm{zd}1}& {\mathrm{\α}}_{\mathrm{zd}2}& ...& {\mathrm{\α}}_{\mathrm{zdN}}\end{array}\right]=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ x_{31}& x_{32}& ...& x_{3N}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{\mathrm{MN}}\end{array}\right]$

$Y=\left[\begin{array}{cccc}{Y}_1& Y_2& ...& Y_N\end{array}\right]=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right]$

其中，x₁～x₂为决策变量，x₃～x_M为新的环境变量；

6)对得到的训练输入样本X、输出样本Y进行归一化处理，得到新的训练输入矩阵输出矩阵

$\begin{array}{c}{\tilde{X}}_k={\left[\begin{array}{ccccc}{\tilde{x}}_{1k}& {\tilde{x}}_{2k}& {\tilde{x}}_{3k}& ...& {\tilde{x}}_{\mathrm{Mk}}\end{array}\right]}^T={\left[\begin{array}{ccccc}f\left(x_{1k}\right)& f\left(x_{2k}\right)& f\left(x_{3k}\right)& ...& f\left(x_{\mathrm{Mk}}\right)\end{array}\right]}^T\≡f\left(X_k\right)\\ {\tilde{Y}}_k={\left[\begin{array}{cccc}{\tilde{y}}_{1k}& {\tilde{y}}_{2k}& ...& {\tilde{y}}_{\mathrm{lk}}\end{array}\right]}^T={\left[\begin{array}{cccc}g\left(y_{1k}\right)& g\left(y_{2k}\right)& ...& g\left(y_{\mathrm{lk}}\right)\end{array}\right]}^T\≡g\left(Y_k\right)\end{array}$

$\tilde{X}=[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_N]=\left[\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{\mathrm{MN}}\end{array}\right]$

$\tilde{Y}=\left[\begin{array}{cccc}{\tilde{Y}}_1& {\tilde{Y}}_2& ...& {\tilde{Y}}_N\end{array}\right]=\left[\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1N}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l1}& {\tilde{y}}_{l2}& ...& {\tilde{y}}_{\mathrm{lN}}\end{array}\right]$

7)构建三层前馈神经网络，其输入变量集为输出变量集为隐含层神经元个数为s₁，输入层、隐含层、输出层通过权值、阈值进行连接，并且该神经网络的输入输出函数表达式为：

式中函数F(X)为S型函数；

8)利用无迹卡尔曼滤波对所述前馈神经网络进行训练，得到该神经网络的结构参数值，该训练过程包括：

①将所述神经网络中的所有权值和阈值组成状态变量I：

$I={\left[\begin{array}{ccccc}{w}_{11}^{1}L& w_{{\mathrm{Ms}}_1}^1,b_1^{1}L& b_{s1}^1,w_{11}^{2}L& w_{s_{1}l}^2,b_1^{2}L& b_l^2\end{array}\right]}^T$

其中，M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数，输入层至隐层神经元的连接权值为阈值为隐层至输出层的连接权值为阈值为I中的元素个数为n；设定非线性方程：

其中，函数表达式参考步骤S7，为K时刻的神经网络输入样本，令ω_k＝0，v_k＝0，为神经网络输出样本；

②设定无迹卡尔曼计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β；

③计算2n+1个σ点(即采样点，一个采样点即为一组I值)以及σ点(采样点)的相应权重，其中n为状态矩阵的的I维度，λ＝a²(n+κ)-n，2n+1个采样点计算如下：

$\left\{\begin{array}{cc}{I}^{\left(0\right)}=\stackrel{\‾}{I}& \\ I^{\left(i\right)}=\stackrel{\‾}{I}+\sqrt{(n+\mathrm{\λ})P}& i=1:n\\ I^{\left(i\right)}=\stackrel{\‾}{I}-\sqrt{(n+\mathrm{\λ})P}& i=n+1:2n\end{array}\right.$

每个采样点的权值计算如下：

$\left\{\begin{array}{c}{W}_m^{\left(0\right)}=\frac{\mathrm{\λ}}{n+\mathrm{\λ}}\\ W_c^{\left(0\right)}=\frac{\mathrm{\λ}}{n+\mathrm{\λ}}+(1-a+\mathrm{\β})\\ W_m^{\left(i\right)}=W_c^{\left(i\right)}=\frac{\mathrm{\λ}}{2(n+\mathrm{\λ})}i=1:2n\end{array}\right.$

④计算σ点的一步状态预测及状态变量协方差P_k+1|k；

$I_{k+1|k}^{\left(i\right)}=I_{k|k}^{\left(i\right)}$

⑤计算输出的一步提前预测以及协方差

$Y_{k+1|k}^{\left(i\right)}=h(I_{k+1|k}^{\left(i\right)},X_k)$

$\begin{array}{c}{\hat{Y}}_{k+1|k}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{W}_m^{\left(i\right)}\·h(I_{k+1|k}^{\left(i\right)},X_k)\\ P_{Y_{k+1}}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{w}_c^{\left(i\right)}(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T\end{array}$

$P_{X_{k+1}{Y}_{k+1}}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{W}_c^{\left(i\right)}(I_{k+1|k}^{\left(i\right)}-{\hat{I}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T$

⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：

$\begin{array}{c}{R}_{k+1}=P_{X_{k+1}{Y}_{k+1}}/P_{Y_{k+1}}\\ {\hat{I}}_{k+1|k+1}={\hat{I}}_{k+1|k}+R_{k+1}(Y_{k+1}-{\hat{Y}}_{k+1|k})\\ P_{k+1|k+1}=P_{k+1|k}-R_{k+1}{\left(P_{X_{k+1}{Z}_{k+1}}\right)}^T\end{array}$

⑦对获取的新样本数据重新进行②～⑥步骤，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新，从而得到适应于所有样本状态矩阵；

⑧对最后一组样本得到状态矩阵X，作为网络训练得到的权值和阈值；

⑨在得到网络参数各层权值、阈值后，确定所述前馈神经网络的函数模型为：

$\hat{Y}\left(X\right)=g^{-1}\left(\tilde{Y}\left(\tilde{X}\right)\right)=g^{-1}\left(\tilde{Y}\left(f\left(X\right)\right)\right)$

9)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；

10)构建评价决策变量个体支配关系的适应度函数，系统的性能变量选取产液量(y₁)、耗电量(y₂)，结合步骤S9构建的产液量偏好函数，得到适应度函数如下：

$\mathrm{objFun}\left(X\right)={\left[\begin{array}{cc}h\left({\hat{y}}_1\right)& {\hat{y}}_2\end{array}\right]}^T={\left[\begin{array}{cc}h\left(g^{-1}\left({\hat{\tilde{y}}}_1\left(f\left(X\right)\right)\right)\right)& g^{-1}\left({\hat{\tilde{y}}}_2\left(f\left(X\right)\right)\right)\end{array}\right]}^T$

11)计算抽油机工艺系统环境变量的平均值，以作为优化决策参数时的环境状态；

12)利用决策变量x₁,x₂构建初始种群P_D的个体，设置决策变量的上下限x_min、x_max,即x_1min≤x₁≤x_1max，x_2min≤x₂≤x_2max，利用决策变量(x₁,x₂)的K对数据构建多目标优化的初始种群P_D，即初始化种群P_D,令其为第一代父代种群；生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN＝100；

13)进行第一次遗传迭代计算，并得到第二代精英种群A²、第二代父代种群具体步骤如下：

①个体强度求取，将第一代父代种群与精英解种群组合成种群R_t，即求取种群R_t中每个个体的原始适应度函数值，并比较个体之间的相互支配关系；定义变量R(c)为种群R_t中第c个个体强度，即第c个个体可以被种群R_t其他个体支配的数量；其中个体R_t(c)原始适应度函数值求取过程如下：通过种群个体R_t(c)与环境状态变量平均值组建输入样本计算样本X_c原始适应度函数值并作为个体R_t(c)的原始适应度函数值；

②个体密度求取，利用个体R_t(i)与种群R_t中第b个邻近个体的距离值则个体R_t(c)密度函数 $D\left(c\right)=\frac{1}{{\mathrm{\σ}}_c^b+2},b=\sqrt{K+\stackrel{\‾}{K}};$

③求个体的适应值，将上述所求个体R_t(c)的强度R(c)和所求个体R_t(c)的密度值D(c)的相加作为个体R_t(c)的适应值；

④在种群R_t将所有的非支配个体全部放入精英种群A²，但要保持精英种群个体数为此时存在三种情况：A²中个体数为则不需要在操作，如果A²中个体数小于则需要在种群R_t剩余个体中选取适应值较小的个体放入A²中，保持A²个体数为如果A²中个体数大于则需要在A²个体中比较个体的密度值D(c)，将密度值较大的个体剔除，以保持A²个体数为

⑤将A²中个体放入交配池中进行遗传操作得到第二代父代种群

⑥将第二代父代种群与第二代精英种群A²组合，并重复①～⑤过程，直至gen＝GEN，输出精英种群A^GEN,将A^GEN的个体作为优化结果；

14)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，该优化后的决策变量取值可保证在固定产液量的情形下，耗电量降低。

本发明的有益效果是，利用无迹卡尔曼滤波神经网络(UKFNN)建立油田机采过程实施动态演化高精度模型，并利用具有智能特性的进化算法改进强度Pareto进化算法(StrengthParetoevolutionaryalgorithm2,SPEA2)进行搜索，探寻抽油机生产过程中最佳工艺决策参数，给出面向节能降耗的抽油机生产最佳参数指导生产，从而达到节能降耗目的。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基于无迹卡尔曼滤波的抽油机参数优化方法的流程图；

图3示出了本发明一个实施例中的前馈神经网络的结构；

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示出了测试样本产液量预测效果图；

图6示出了测试样本耗电量预测效果图；

图7示出了偏好函数的图形；

图8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基于无迹卡尔曼滤波的抽油机参数优化方法。如图2所示，本发明所述的基于无迹卡尔曼滤波的抽油机参数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影响因素构成效率观测变量集合其中α₁，α₂为决策变量，α₃～α₁₄₆载荷数据环境变量，为其他环境变量，选取抽油机系统的性能变量构成性能观测变量集合：{y₁,y₂,y₃,…y_l}。

在本发明的一个实施例中，选取决策变量α₁为冲次、决策变量α₂为有效冲程、α₃～α₁₄₆为载荷1至载荷144，其余环境变量包括：理论排量、功率因数、有功功率、无功功率、含水率中的一个或多个变量；选取抽油机生产过程性能变量y₁为产液量、y₂为耗电量。

步骤S2：获得所述生产效率影响因素和系统性能变量的样本数据，得到效率影响因素样本矩阵α和性能样本矩阵Y：

$\mathrm{\α}=\left[\begin{array}{cccc}{\mathrm{\α}}_{11}& {\mathrm{\α}}_{12}& ...& {\mathrm{\α}}_{1N}\\ {\mathrm{\α}}_{21}& {\mathrm{\α}}_{22}& ...& {\mathrm{\α}}_{2N}\\ ...& ...& ...& ...\\ {\mathrm{\α}}_{\stackrel{\‾}{M}1}& {\mathrm{\α}}_{\stackrel{\‾}{M}2}& ...& {\mathrm{\α}}_{\stackrel{\‾}{M}N}\end{array}\right]\≡\left[\begin{array}{c}{L}_1\\ L_2\\ ...\\ L_{\stackrel{\‾}{M}}\end{array}\right]$

$Y=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right]$

其中为效率影响因素个数，N为样本个数，α_ik表示第i个效率影响因素变量的第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：利用主元分析算法对载荷数据进行降维处理，从而构建新的载荷主元变量。本发明中采用示功图描绘数据的144个载荷点做为部分环境变量进行建模。然而利用144维数据建模为参数维度灾难。故而利用主元分析算法对载荷数据进行降维处理。

在一个实施例中，利用主元分析算法对载荷数据进行降维处理的步骤可以包括：

①设置样本累计贡献率precent＝0.95；

②获取载荷数据每个L_k具有第k观测变量的N个观测数据,3≤k≤146；

③求出数据平均值并利用原始数据减去均值得到

④计算协方差矩阵 $\mathrm{Cov}=\frac{1}{144}\underset{i=1}{\overset{144}{\mathrm{\Σ}}}(L_k^{\′T}\·L_k^{\′});$

⑤计算协方差矩阵的特征值E_1,E₂,...,E₁₄₄与特征向量EV₁,EV₂,...,EV₁₄₄；

⑥由大到小依次排列特征值E₁′,E₂′,...,E_M′,对应特征向量为EV₁′,EV₂′,...,EV₁₄₄′，按特征值大小顺序取前d个特征值的特征向量构成矩阵[EV₁′,EV₂′,...,EV_d′]，此时其中d<144；特征向量代表原数据的分布方向，其对应的特征值越大，则该向量越重要(即为主元)；其对应的特征值越小，则该向量越次要。

⑦由[EV₁′,EV₂′,...,EV_d′]与原始样本求取载荷新的主元，其新载荷主元观测变量构成集合:{α_z1,α_z2,...,α_zd}，其为d个新变量，且每个变量为N个观测值构成的新主元矩阵：

$\left[\begin{array}{c}{L}_{z1}\\ L_{z2}\\ L_{z3}\\ L_{\mathrm{zd}}\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\&alpha;}}_{z11}& {\mathrm{\&alpha;}}_{z12}& ...& {\mathrm{\&alpha;}}_{z1N}\\ {\mathrm{\&alpha;}}_{z21}& {\mathrm{\&alpha;}}_{z22}& ...& {\mathrm{\&alpha;}}_{z2N}\\ ...& ...& ...& ...\\ {\mathrm{\&alpha;}}_{\mathrm{zd}1}& {\mathrm{\&alpha;}}_{\mathrm{zd}2}& ...& {\mathrm{\&alpha;}}_{\mathrm{zdN}}\end{array}\right]$

步骤S4：由影响因素观测变量集合中非载荷变量与载荷新主元观测变量集合{α_z1,α_z2,...,α_zd}构建网络输入变量集合：并令输入变量集合为：{x₁,x₂,x₃,...,x_M}，即， $\{{\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,{\mathrm{\&alpha;}}_{147},...,{\mathrm{\&alpha;}}_{\stackrel{\&OverBar;}{M}},{\mathrm{\&alpha;}}_{z1},...,{\mathrm{\&alpha;}}_{\mathrm{zd}}\}=\{x_1,x_2,x_3,...,x_M\}.$

步骤S5：构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：

$X=\left[\begin{array}{cccc}{X}_1& X_2& ...& X_N\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\&alpha;}}_{11}& {\mathrm{\&alpha;}}_{12}& ...& {\mathrm{\&alpha;}}_{1N}\\ {\mathrm{\&alpha;}}_{21}& {\mathrm{\&alpha;}}_{22}& ...& {\mathrm{\&alpha;}}_{2N}\\ {\mathrm{\&alpha;}}_{\mathrm{147,1}}& {\mathrm{\&alpha;}}_{\mathrm{147,2}}& ...& {\mathrm{\&alpha;}}_{147,N}\\ ...& ...& ...& ...\\ {\mathrm{\&alpha;}}_{\stackrel{\&OverBar;}{M}1}& {\mathrm{\&alpha;}}_{\stackrel{\&OverBar;}{M}2}& ...& {\mathrm{\&alpha;}}_{\stackrel{\&OverBar;}{M}N}\\ {\mathrm{\&alpha;}}_{z11}& {\mathrm{\&alpha;}}_{z12}& ...& {\mathrm{\&alpha;}}_{z1N}\\ ...& ...& ...& ...\\ {\mathrm{\&alpha;}}_{\mathrm{zd}1}& {\mathrm{\&alpha;}}_{\mathrm{zd}2}& ...& {\mathrm{\&alpha;}}_{\mathrm{zdN}}\end{array}\right]=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1N}\\ x_{21}& x_{22}& ...& x_{2N}\\ x_{31}& x_{32}& ...& x_{3N}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{\mathrm{MN}}\end{array}\right]$

$Y=\left[\begin{array}{cccc}{Y}_1& Y_2& ...& Y_N\end{array}\right]=\left[\begin{array}{cccc}{y}_{11}& y_{12}& ...& y_{1N}\\ y_{21}& y_{22}& ...& y_{2N}\\ ...& ...& ...& ...\\ y_{l1}& y_{l2}& ...& y_{\mathrm{lN}}\end{array}\right]$

其中，x₁～x₂为决策变量，x₃～x_M为新的环境变量。

步骤S6：对得到的训练输入样本X、输出样本Y进行归一化处理，得到新的训练输入矩阵输出矩阵

在一个实施例中，所述归一化处理的算法如下：

${\tilde{x}}_{\mathrm{ik}}=f\left(x_{\mathrm{ik}}\right)=({\tilde{x}}_{\max }-{\tilde{x}}_{\min })\&CenterDot;\frac{x_{\mathrm{ik}}-x_{i,\min }}{x_{i,\max }-x_{i,\min }}+{\tilde{x}}_{\min }$

i＝1,2,...,M；k＝1,2,...,N

${\tilde{y}}_{\mathrm{jk}}=g\left(y_{\mathrm{jk}}\right)=({\tilde{y}}_{\max }-{\tilde{y}}_{\min })\&CenterDot;\frac{y_{\mathrm{jk}}-y_{j,\min }}{y_{j,\max }-y_{j,\min }}+{\tilde{y}}_{\min }$

j＝1,2,....,l；k＝1,2,...,N

其中:为设定输入变量归一化后数据范围的最大值、最小值；

x_ik为归一化前的第i个输入变量第k个样本值；

为归一化后第i个输入变量第k个样本值；

x_i,min＝min{x_ik|1≤k≤N}

x_i,max＝max{x_ik|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；

y_jk为归一化前第j个输出变量的第k个采集样本值；

为归一化后第j个输出变量的第k个值；

y_j,max＝max{y_jk|1≤k≤N}

y_j,min＝min{y_jk|1≤k≤N}

于是得到：

$\begin{array}{c}{\tilde{X}}_k={\left[\begin{array}{ccccc}{\tilde{x}}_{1k}& {\tilde{x}}_{2k}& {\tilde{x}}_{3k}& ...& {\tilde{x}}_{\mathrm{Mk}}\end{array}\right]}^T={\left[\begin{array}{ccccc}f\left(x_{1k}\right)& f\left(x_{2k}\right)& f\left(x_{3k}\right)& ...& f\left(x_{\mathrm{Mk}}\right)\end{array}\right]}^T\&equiv;f\left(X_k\right)\\ {\tilde{Y}}_k={\left[\begin{array}{cccc}{\tilde{y}}_{1k}& {\tilde{y}}_{2k}& ...& {\tilde{y}}_{\mathrm{lk}}\end{array}\right]}^T={\left[\begin{array}{cccc}g\left(y_{1k}\right)& g\left(y_{2k}\right)& ...& g\left(y_{\mathrm{lk}}\right)\end{array}\right]}^T\&equiv;g\left(Y_k\right)\end{array}$

$\tilde{X}=[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_N]=\left[\begin{array}{cccc}{\tilde{x}}_{11}& {\tilde{x}}_{12}& ...& {\tilde{x}}_{1N}\\ {\tilde{x}}_{21}& {\tilde{x}}_{22}& ...& {\tilde{x}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{x}}_{M1}& {\tilde{x}}_{M2}& ...& {\tilde{x}}_{\mathrm{MN}}\end{array}\right]$

$\tilde{Y}=\left[\begin{array}{cccc}{\tilde{Y}}_1& {\tilde{Y}}_2& ...& {\tilde{Y}}_N\end{array}\right]=\left[\begin{array}{cccc}{\tilde{y}}_{11}& {\tilde{y}}_{12}& ...& {\tilde{y}}_{1N}\\ {\tilde{y}}_{21}& {\tilde{y}}_{22}& ...& {\tilde{y}}_{2N}\\ ...& ...& ...& ...\\ {\tilde{y}}_{l1}& {\tilde{y}}_{l2}& ...& {\tilde{y}}_{\mathrm{lN}}\end{array}\right]$

步骤S7：构建三层前馈神经网络，其输入变量集为输出变量集为隐含层神经元个数为s₁，输入层、隐含层、输出层通过权值、阈值进行连接，并且该神经网络的输入输出函数表达式为：

式中函数F(X)为S型函数。图3示出了本发明的一个实施例所使用的前馈神经网络的结构。

步骤S8：利用无迹卡尔曼滤波对所述前馈神经网络进行训练，得到该神经网络的结构参数值，该训练过程包括：

①将所述神经网络中的所有权值和阈值组成状态变量I：

$I={\left[\begin{array}{ccccc}{w}_{11}^{1}L& w_{{\mathrm{Ms}}_1}^1,b_1^{1}L& b_{s1}^1,w_{11}^{2}L& w_{s_{1}l}^2,b_1^{2}L& b_l^2\end{array}\right]}^T$

其中，M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数，输入层至隐层神经元的连接权值为阈值为隐层至输出层的连接权值为阈值为I中的元素个数为n；设定非线性方程：

其中，函数表达式参考步骤S7，为K时刻的神经网络输入样本，令ω_k＝0，v_k＝0，为神经网络输出样本。

②设定无迹卡尔曼计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β。

③计算2n+1个σ点(即采样点，一个采样点即为一组I值)以及σ点(采样点)的相应权重，其中n为状态矩阵的的I维度，λ＝a²(n+κ)-n，2n+1个采样点计算如下：

$\left\{\begin{array}{cc}{I}^{\left(0\right)}=\stackrel{\&OverBar;}{I}& \\ I^{\left(i\right)}=\stackrel{\&OverBar;}{I}+\sqrt{(n+\mathrm{\&lambda;})P}& i=1:n\\ I^{\left(i\right)}=\stackrel{\&OverBar;}{I}-\sqrt{(n+\mathrm{\&lambda;})P}& i=n+1:2n\end{array}\right.$

每个采样点的权值计算如下：

$\left\{\begin{array}{c}{W}_m^{\left(0\right)}=\frac{\mathrm{\&lambda;}}{n+\mathrm{\&lambda;}}\\ W_c^{\left(0\right)}=\frac{\mathrm{\&lambda;}}{n+\mathrm{\&lambda;}}+(1-a+\mathrm{\&beta;})\\ W_m^{\left(i\right)}=W_c^{\left(i\right)}=\frac{\mathrm{\&lambda;}}{2(n+\mathrm{\&lambda;})},i=1:2n\end{array}\right.$

④计算σ点的一步状态预测及状态变量协方差P_k+1|k；

$I_{k+1|k}^{\left(i\right)}=I_{k|k}^{\left(i\right)}$

$\left[\begin{array}{c}{\hat{I}}_{k+1|k}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_m^{\left(i\right)}\&CenterDot;I_{k+1|k}^{\left(i\right)}\\ P_{k+2|k}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_c^{\left(i\right)}\&CenterDot;[I_{k+1|k}^{\left(i\right)}-{\hat{I}}_{k+1|k}^{\left(i\right)}]{[I_{k+1|k}^{\left(i\right)}-{\hat{I}}_{k+1|k}^{\left(i\right)}]}^T\end{array}\right]$

⑤计算输出的一步提前预测以及协方差

$Y_{k+1|k}^{\left(i\right)}=h(I_{k+1|k}^{\left(i\right)},X_k)$

⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：

$\begin{array}{c}{R}_{k+1}=P_{X_{k+1}{Y}_{k+1}}/P_{Y_{k+1}}\\ {\hat{I}}_{k+1|k+1}={\hat{I}}_{k+1|k}+R_{k+1}(Y_{k+1}-{\hat{Y}}_{k+1|k})\\ P_{k+1|k+1}=P_{k+1|k}-R_{k+1}{\left(P_{X_{k+1}{Z}_{k+1}}\right)}^T\end{array}$

⑦对获取的新样本数据重新进行②～⑥步骤，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新，从而得到适应于所有样本状态矩阵。

⑧对最后一组样本得到状态矩阵I，作为网络训练得到的权值和阈值。

⑨在得到网络参数各层权值、阈值后，确定所述前馈神经网络的函数模型为：

$\hat{Y}\left(X\right)=g^{-1}\left(\tilde{Y}\left(\tilde{X}\right)\right)=g^{-1}\left(\tilde{Y}\left(f\left(X\right)\right)\right)$

步骤S9：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S10：构建评价决策变量个体支配关系的适应度函数，系统的性能变量选取产液量(y₁)、耗电量(y₂)，结合步骤S9构建的产液量偏好函数，得到适应度函数如下：

$\mathrm{objFun}\left(X\right)={\left[\begin{array}{cc}h\left({\hat{y}}_1\right)& {\hat{y}}_2\end{array}\right]}^T={\left[\begin{array}{cc}h\left(g^{-1}\left({\hat{\tilde{y}}}_1\left(f\left(X\right)\right)\right)\right)& g^{-1}\left({\hat{\tilde{y}}}_2\left(f\left(X\right)\right)\right)\end{array}\right]}^T$

步骤S11：计算抽油机工艺系统环境变量的平均值，以作为优化决策参数时的环境状态。

计算环境参数平均值具体算法如下：

${\stackrel{\&OverBar;}{x}}_i=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ik}},i=3,...,M$

其中N为该环境变量训练样本数量。

步骤S12：利用决策变量x₁,x₂构建初始种群P_D的个体，设置决策变量的上下限x_min、x_max,即x_1min≤x₁≤x_1max，x_2min≤x₂≤x_2max，利用决策变量(x₁,x₂)的K对数据构建初始种群P_D，即初始化种群P_D,令其为第一代父代种群；生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN＝100。

步骤S13：进行第一次遗传迭代计算，并得到第二代精英种群A²、第二代父代种群具体步骤如下：

①个体强度求取，将第一代父代种群与精英解种群组合成种群R_t，即求取种群R_t中每个个体的原始适应度函数值，并比较个体之间的相互支配关系；定义变量R(c)为种群R_t中第c个个体强度，即第c个个体可以被种群R_t其他个体支配的数量；其中个体R_t(c)原始适应度函数值求取过程如下：通过种群个体R_t(c)与环境状态变量平均值组建输入样本计算样本X_c原始适应度函数值并作为个体R_t(c)的原始适应度函数值；

②个体密度求取，利用个体R_t(i)与种群R_t中第b个邻近个体的距离值则个体R_t(c)密度函数 $D\left(c\right)=\frac{1}{{\mathrm{\&sigma;}}_c^b+2},b=\sqrt{K+\stackrel{\&OverBar;}{K}}.$

③求个体的适应值，将上述所求个体R_t(c)的强度R(c)和所求个体R_t(c)的密度值D(c)的相加作为个体R_t(c)的适应值；

④在种群R_t将所有的非支配个体全部放入精英种群A²，但要保持精英种群个体数为此时存在三种情况：A²中个体数为则不需要在操作，如果A²中个体数小于则需要在种群R_t剩余个体中选取适应值较小的个体放入A²中，保持A²个体数为如果A²中个体数大于则需要在A²个体中比较个体的密度值D(c)，将密度值较大的个体剔除，以保持A²个体数为

⑤将A²中个体放入交配池中进行遗传操作得到第二代父代种群

⑥将第二代父代种群P²与第二代精英种群A²组合，并重复①～⑤过程，直至gen＝GEN，输出精英种群A^GEN,将A^GEN的个体作为优化结果。

步骤S14：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，该优化后的决策变量取值可保证在固定产液量的情形下，耗电量降低。

下面以大港油田港510-3抽油机为实验对象采用本发明的方法进行优化。

确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α₁，α₂为决策变量冲次、有效冲程，α₃～α₁₄₆功图载荷数据，α₁₄₇为环境变量平均功率因数，α₁₄₈为环境变量平均有功功率，α₁₄₉为环境变量平均无功功率，α₁₅₀为环境变量理论排量、α₁₅₁为环境变量计算泵效、α₁₅₂为环境变量含水率。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{y₁,y₂}。

采集油井2013年12月26日至2014年12月23日数据。对所有变量按照24小时为采集时间间隔求取24小时数据的平均值，并作为该变量样本。采集数据部分地示于表1和表2。

表1

表2

利用PCA输入变量降维处理，得到新主元数据示于表3。

表3

构建新的采集建模样本数据[X,Y]。共获得可建模数据256组，示于表4中。

表4

将匹配后的数据与载荷新主元数据进行匹配，并进行归一化处理。可建模样本归一化后部分数据示于表5中。

表5

通过无迹卡尔曼滤波对前馈神经网络的权值、阈值进行估计，将神经网络权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到抽油机工艺系统的精确模型。设置网络隐含层节点数为s₁＝5。设置隐层神经元输出函数为F(x)＝1/(exp(-x)+1)，得到：

输入层到隐层的权值w1：

$w1={\left[\begin{array}{ccccc}110.7717& -199.056& 20.95446& -300363& -47389.5\\ 58.1012& -53.4158& 11.35771& -94834.5& -17495.6\\ 50.60542& -42.3788& 2.027481& -215749& -32139\\ 104.5038& -84.0086& 33.51972& -110822& -19312.9\\ -70.2498& 90.35373& -5.15677& 215379.2& 50189.49\\ 90.4108& -148.601& 15.23917& -188964& -31993\\ -72.727& 100.1093& -5.96039& -190040& -31293.2\\ -95.8122& 103.793& -13.775& 206328.1& 28616.68\\ 26.40261& 12.69371& -7.30595& -173993& -16516.4\\ 98.10831& -72.4617& 5.587048& -44474.1& -15335.2\end{array}\right]}^T$

隐层神经元阈值b1：

$b1=\left[\begin{array}{c}112.442\\ -132.338\\ 34.751\\ -1.88*{10}^5\\ -3.16*{10}^4\end{array}\right]$

隐层到输出层权值w2：

$w2=\left[\begin{array}{ccccc}0.516& -0.005& 0.598& 0.772& -0.376\\ 0.640& 0.029& 0.597& 1.472& -1.426\end{array}\right]$

输出层阈值b2：

$b2=\left[\begin{array}{c}-0.365\\ -0.484\end{array}\right]$

利用上述权值和阈值，构建数学模型，选择可建模样本中最后60组数据作为测试样本进行验证。图5示出了测试样本产液量预测效果图；图6示出了测试样本耗电量预测效果图。

由模型的相对误差可知，建模效果较好，随着样本的不断训练，模型精度越来越高，符合动态建模的特性。

油田生产采用定量是采用方式。故而设计以达到定量产液量下条件的节能降耗目的。故而对网络模型输出的产液量进行物理规划(偏好设计)，并与网络模型输出的耗电量函数，作为多目标优化的适应度函数。油田生产采用定量式采油，故而在规定的产液量的情况下，寻找最佳工作操作条件，实现节能增产。

产液量偏好函数设计，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：47.3,并利用训练集中产液量最小值37.3、最大值57.3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]等，且设计的偏好程度区间所对应的实际产液量区间为：

[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]。故而设计产液量偏好函数为h(y₁)＝0.1×(y₁-47.3)²。图7示出了偏好函数的图形；

利用决策变量(x₁,x₂)的K对数据构建初始种群P_D，设置种群大小50，即初始化的种群样本数量为K＝50；决策变量冲次(x₁)的优化范围2.0≤x₁≤4.5；决策变量有效冲程(x₂)的范围3.0≤x₂≤3.6。设置最大遗传代数GEN＝100。

计算环境参数平均值具体算法如下：

${\stackrel{\&OverBar;}{x}}_i=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ik}},i=3,...,M$

具体的环境参数平均值示于表6中。

表6

计算得到的产液量偏好值与耗电量的pareto解集关系示于图8中。

Pareto前沿所对应的数值解集示于表7中。

表7

在表7中，产液量偏好值在3以内，为较好的程度，偏好值均值为1.05，计算所得产液量平均值在极好的范围内，偏好平均值值所对应产液量为44.05t/d或者50.54t/d，符合抽油机采油定量式工作制度。

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。去产液量偏好值解集的平均值求取实际对应的产液量大小。其对比结果示于表8。

表8

由表8可知，在保持定量式采油工作状态下，耗电量下降37.39％。系统效率比(产液量/耗电量)提高23％。达到了节能设计目的。说明该方法有效。

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基于无迹卡尔曼滤波的抽油机参数优化方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (6)

1.一种基于无迹卡尔曼滤波的抽油机参数优化方法，包括如下步骤：

1)确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α₁，α₂为决策变量，α₃～α₁₄₆载荷数据环境变量，为其他环境变量，选取抽油机系统的性能变量构成性能观测变量集合：{y₁,y₂,y₃,…y_l}；

2)获得所述生产效率影响因素和系统性能变量的样本数据，得到效率影响因素样本矩阵α和性能样本矩阵Y：

其中为效率影响因素个数，N为样本个数，α_ik表示第i个效率影响因素变量的第k个观测值，i＝1,2,...,M；k＝1,2,...,N；

3)利用主元分析算法对载荷数据进行降维处理，从而构建新的载荷主元变量矩阵：

4)由影响因素观测变量集合中非载荷变量与载荷新主元观测变量集合{α_z1,α_z2,...,α_zd}构建网络输入变量集合：并令输入变量集合为：{x₁,x₂,x₃,...,x_M}，即，

5)构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：

其中，x₁～x₂为决策变量，x₃～x_M为新的环境变量；

6)对得到的训练输入样本X、输出样本Y进行归一化处理，得到新的训练输入矩阵输出矩阵

7)构建三层前馈神经网络，其输入变量集为输出变量集为隐含层神经元个数为s₁，输入层、隐含层、输出层通过权值、阈值进行连接，并且该神经网络的输入输出函数表达式为：

式中函数F(X)为S型函数；

8)利用无迹卡尔曼滤波对所述前馈神经网络进行训练，得到该神经网络的结构参数值，该训练过程包括：

①将所述神经网络中的所有权值和阈值组成状态变量I：

其中，M为输入层神经元数，s₁为隐层神经元数，l为输出层神经元数，输入层至隐层神经元的连接权值为阈值为b隐层至输出层的连接权值为阈值为I中的元素个数为n；设定非线性方程：

其中，函数表达式参考步骤S7，为k时刻的神经网络输入样本，令ω_k＝0，v_k＝0，为神经网络输出样本；

②设定无迹卡尔曼计算过程中控制采样点的分布状态参数a、待选参数κ，以及非负权系数β；

③计算2n+1个采样点σ点以及σ点的相应权重，其中n为状态矩阵的I维度，λ＝a²(n+κ)-n，2n+1个采样点计算如下：

每个采样点的权值计算如下：

④计算σ点的一步状态预测及状态变量协方差

⑤计算输出的一步提前预测以及协方差

⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：

⑦对获取的新样本数据重新进行②～⑥步骤，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新，从而得到适应于所有样本状态矩阵；

⑧对最后一组样本得到状态矩阵I，作为网络训练得到的权值和阈值；

⑨在得到网络参数各层权值、阈值后，确定所述前馈神经网络的函数模型为：

9)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；

10)构建评价决策变量个体支配关系的适应度函数，系统的性能变量选取产液量(y₁)、耗电量(y₂)，结合步骤S9构建的产液量偏好函数，得到适应度函数如下：

11)计算抽油机工艺系统环境变量的平均值，以作为优化决策参数时的环境状态；

12)利用决策变量x₁,x₂构建多目标优化初始种群P_D的个体，设置决策变量的上下限x_min、x_max,即x_1min≤x₁≤x_1max，x_2min≤x₂≤x_2max，利用决策变量(x₁,x₂)的K对数据构建初始种群P_D，即初始化种群P_D,令其为第一代父代种群；生成一个空的精英解种群设置精英个体个数为。设置最大遗传代数GEN＝100；

13)进行第一次遗传迭代计算，并得到第二代精英种群A²、第二代父代种群具体步骤如下：

①个体强度求取，将第一代父代种群与精英解种群组合成种群R_t，即求取种群R_t中每个个体的原始适应度函数值，并比较个体之间的相互支配关系；定义变量R(c)为种群R_t中第c个个体强度，即第c个个体可以被种群R_t其他个体支配的数量；其中个体R_t(c)原始适应度函数值求取过程如下：通过种群个体R_t(c)与环境状态变量平均值组建输入样本计算样本X_c原始适应度函数值并作为个体R_t(c)的原始适应度函数值；

②个体密度求取，利用个体R_t(i)与种群R_t中第b个邻近个体的距离值则个体R_t(c)密度函数

③求个体的适应值，将上述所求个体R_t(c)的强度R(c)和所求个体R_t(c)的密度值D(c)的相加作为个体R_t(c)的适应值；

④在种群R_t将所有的非支配个体全部放入精英种群A²，但要保持精英种群个体数为此时存在三种情况：A²中个体数为则不需要在操作，如果A²中个体数小于则需要在种群R_t剩余个体中选取适应值较小的个体放入A²中，保持A²个体数为K；如果A²中个体数大于K，则需要在A²个体中比较个体的密度值D(c)，将密度值较大的个体剔除，以保持A²个体数为

⑤将A²中个体放入交配池中进行遗传操作得到第二代父代种群

⑥将第二代父代种群与第二代精英种群A²组合，并重复①～⑤过程，直至gen＝GEN，输出精英种群A^GEN,将A^GEN的个体作为优化结果；

14)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，该优化后的决策变量取值可保证在固定产液量的情形下，耗电量降低。

2.如权利要求1所述的基于无迹卡尔曼滤波的抽油机参数优化方法，其中，

所述决策变量α₁为冲次、决策变量α₂为有效冲程、α₃～α₁₄₆为载荷1至载荷144，其余环境变量包括：理论排量、功率因数、有功功率、无功功率、含水率中的一个或多个变量；所述抽油机生产过程性能变量y₁为产液量、y₂为耗电量。

3.如权利要求1所述的基于无迹卡尔曼滤波的抽油机参数优化方法，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所述的基于无迹卡尔曼滤波的抽油机参数优化方法，其中，

利用主元分析算法对载荷数据进行降维处理的步骤包括：

①设置样本累计贡献率precent＝0.95；

②获取载荷数据每个L_k具有第k观测变量的N个观测数据,3≤k≤146；

③求出数据平均值并利用原始数据减去均值得到

④计算协方差矩阵

⑤计算协方差矩阵的特征值E₁,E₂,...,E₁₄₄与特征向量EV₁,EV₂,...,EV₁₄₄；

⑥由大到小依次排列特征值E′₁,E′₂,...,E′_M,对应特征向量为EV′₁,EV′₂,...,EV′₁₄₄，按特征值大小顺序取前d个特征值的特征向量构成矩阵[EV′₁,EV′₂,...,EV′_d]，此时其中d<144；

⑦由[EV′₁,EV′₂,...,EV′_d]与原始样本求取载荷新的主元，其新载荷主元观测变量构成集合:{α_z1,α_z2,...,α_zd}，其为d个新变量，且每个变量为N个观测值构成的新主元矩阵：

。

5.如权利要求1所述的基于无迹卡尔曼滤波的抽油机参数优化方法，其中，

所述归一化处理的算法如下：

i＝1,2,...,M；k＝1,2,...,N

j＝1,2,....,l；k＝1,2,...,N

其中:为设定输入变量归一化后数据范围的最大值、最小值；

x_ik为归一化前的第i个输入变量第k个样本值；

为归一化后第i个输入变量第k个样本值；

x_i,min＝min{x_ik|1≤k≤N}

x_i,max＝max{x_ik|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；

y_jk为归一化前第j个输出变量的第k个采集样本值；

为归一化后第j个输出变量的第k个值；

y_j,max＝max{y_jk|1≤k≤N}

y_j,min＝min{y_jk|1≤k≤N}

于是得到：

。

6.如权利要求1所述的基于无迹卡尔曼滤波的抽油机参数优化方法，其中，

计算环境参数平均值具体算法如下：

其中N为该环境变量训练样本数量。