CN106502096A - 基于偏好多目标优化的油田机采过程决策参数优化方法 - Google Patents

Abstract

本发明提供的基于偏好多目标优化的油田机采过程决策参数优化方法，包括：确定油田机采油过程中的效率影响因素和性能变量；对样本中的载荷变量进行降维处理构建新样本，并归一化新样本；基于归一化后的新样本构建神经网络模型；利用ST‑UPFNN算法估计神经网络模型中由权值阈值所组成的状态变量的最优状态；并利用最优状态变量重构更新后的神经网络模型获得油田机采油过程模型；构建实际产液量的偏好函数；利用多目标进化算法对决策参量各自的上下限进行优化；将优化后的决策变量，带入油田机采油过程模型，计算优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较。利用本发明可以提高油田机采油的生产效率，降低能耗。

Description

基于偏好多目标优化的油田机采过程决策参数优化方法

技术领域

本发明涉及油田机采技术领域，更为具体地，涉及一种基于偏好多目标优化的油田机采过程决策参数优化方法。

背景技术

油田机采油是一种机械采油方式，主要由电动机、地面传动设备和井下抽油设备三部分组成。油田机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，需提起抽油杆柱和液柱，电动机需消耗大量的能量；下冲程，即驴头悬点向下运动，油田机杆柱转拉动对电动机做功。在杆柱上下运动过程中，液柱负载发生周期性变化，使得油田机系统在电机做功、传动装置等方面能耗较大，以致系统工作效率低下。

发明内容

鉴于上述问题，本发明的目的是提供一种基于偏好多目标优化的油田机采过程决策参数优化方法，以解决上述背景技术所提出的问题。

本发明提供的基于偏好多目标优化的油田机采过程决策参数优化方法，包括：

步骤S1：确定油田机采油过程中的效率影响因素,构成效率观测变量集合{x₁,x₂,x₃,L x_n}；以及，选取油田机工艺系统的性能变量，构成性能观测变量集合{y₁,y₂}；

其中，x₁为冲次决策变量，x₂为有效冲程决策变量，x₃～x₅分别为计算泵效环境变量、含水率环境变量，平均功率因数环境变量，x₆～x_n均为载荷环境变量；性能观测变量的个数l＝2，y₁为日产液量，y₂为日耗电量；

步骤S2：根据效率观测变量集合{x₁,x₂,x₃,L x_n}和性能观测变量集合{y₁,y₂}，采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x₁，x₂L x_n，y₁，y₂]；其中，

设定采样周期为T，在采集观测变量的过程中，如果采样周期小于T，对T周期内的样本求取平均值以作为该T周期的样本[I,Y]；如果采样周期大于T，剔除采集到的观测变量，将样本中的I作为输入样本，将样本中的Y作为输出样本；

步骤S3：利用主元分析算法对载荷环境变量进行降维，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}；

其中，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}为d个载荷主元分量，每个载荷主元分量的维度与所述样本[I,Y]的数量相同；

步骤S4：重新组合非载荷变量与d个载荷主元分量，构建新的输入样本I₁，并对新的输入样本I₁和输出样本Y进行归一化，获得归一化后的样本其属于[-1,1]；其中，非载荷变量包括冲次决策变量x₁、有效冲程决策变量x₂、计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅；

步骤S5：基于归一化后的样本构建神经网络模型和神经网络模型的初始状态变量X，以及，将归一化后的样本中的作为神经网络模型的输入，将归一化后的样本中的作为神经网络模型的输出；

其中，神经网络模型为：

其中，I_k为训练样本的矢量样本值，并作为神经网络模型的输入，为网络输入层到隐含层的神经元的连接权值，为网络输入层到隐含层的神经元的阈值，为隐含层到网络输出层的神经元的连接权值，为隐含层到网络输出层的神经元的阈值，其中，i＝1，2…S₀；j＝1，2…S₁；k＝1，2…S₂；S₀为网络输入层的神经元的数量，S₁为网络隐含层的神经元的数量，S₂为网络输出层的神经元的数量；

初始状态变量X为：

步骤S6：利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；

步骤S7：将最优状态变量作为所述神经网络模型的和重构神经网络表达式，获得油田机采油过程模型；

步骤S8：构建日产液量y₁的偏好函数perf_c(y)；

步骤S9：利用NSGA-Ⅱ算法对日耗电量y₂的决策参量各自的上下限进行优化；

步骤S10：将优化后的决策变量结合环境变量，带入由ST-UPFNN算法所建立的油田机采油过程模型，在油田机采油过程模型的基础之上进行优化，得到优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S9，直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。

本发明提供的基于偏好多目标优化的油田机采过程决策参数优化方法，通过ST-UPFNN算法挖掘油田机的生产规律，并利用多目标进化算法优化油田机生产过程决策参量，提高油田机的生产效率。

附图说明

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为主原分量的贡献率柱状图；

图2为产液量的偏好函数图；

图3为产液量偏好值与耗电量的Pareto解集图；

图4为产液量实际值与耗电量的Pareto解集图。

具体实施方式

名称解释

ST-UKFNN：Strong TrackUnscented Kalman FilterNeural Network，强追踪无迹卡尔曼滤波神经网络；

ST-UPFNN：Strong TrackUnscented Particle FilterNeural Network，强追踪无迹粒子滤波神经网络，其将ST-UKFNN、粒子滤波(Particle Filter)、BP神经网络相结合。

本发明提供的基于偏好多目标优化的油田机采过程决策参数优化方法，包括：

步骤S1：确定油田机采油过程中的效率影响因素，构成效率观测变量集合{x₁,x₂,x₃,L x_n}；以及，选取油田机工艺系统的性能变量，构成性能观测变量集合{y₁,y₂}。

其中，x₁为冲次决策变量，x₂为有效冲程决策变量，x₃～x₅分别为计算泵效环境变量、含水率环境变量，平均功率因数环境变量，x₆～x_n均为载荷环境变量；性能观测变量的个数l＝2，y₁为日产液量，y₂为日耗电量。

本发明中，选取性能影响因素与性能指标如表1所示：

表1

变量类型	变量名称
		决策变量	冲次
决策变量	有效冲程
		环境变量	计算泵效
环境变量	含水率
		环境变量	平均功率因数
环境变量	载荷
		输出变量	日产液量
输出变量	日耗电量

步骤S2：根据效率观测变量集合{x₁,x₂,x₃,L x_n}和性能观测变量集合{y₁,y₂}，采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x₁，x₂L x_n，y₁，y₂]。

设定采样周期为T，在采集观测变量的过程中，如果采样周期小于T，对T周期内的样本求取平均值以作为该T周期的样本[I,Y]，即[I,Y]通过神经网络模型的观测变量的样本值矩阵[x₁，x₂L x_n，y₁，y₂]经平均值后得到；如果采样周期大于T，说明存在样本不足的现象，直接剔除采集到的观测变量，将样本中的I作为输入样本，将样本中的Y作为输出样本。

样本[I,Y]如表2所示：

表2

参量	1	2	3	……	256
						冲次/(min-1)	3.12	3.12	3.1	……	4.19
有效冲程/(m)	3.49	3.51	3.5	……	3.43
						平均功率因数	0.26	0.25	0.25	……	0.67
计算泵效/％	92.08	95.82	94.51	……	94.05
						含水率/％	93.7	93.7	93.5	……	93.4
载荷1/(KN)	29.47	29.72	29.59	……	33.99
						载荷2/(KN)	30.75	30.74	30.66	……	34.23
……	……	……	……	……	……
						载荷144/(KN)	29.88	30.13	30.03	……	33.59
产液量/(t/d)	40.95	41.02	41.25	……	54.91
						耗电量/(kw·h)	129	130.1	129	……	154.1

步骤S3：利用主元分析算法对载荷环境变量进行降维，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}。

其中，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}为d个载荷主元分量，每个载荷主元分量的维度与所述样本[I,Y]的数量相同；

本发明采用示功图描绘数据的144个载荷点作为部分环境变量进行建立神经网络模型，利用144维数据建立神经网络模型为参数维度灾难。故而利用主元分析算法(Principal ComponentAnalysis，PCA)对载荷环境变量进行降维处理，构建新的载荷主元变量，新的载荷主元变量构成的集合:{L_z1,L_z2,...,L_zd}，其为d个载荷主元分量，每个主元分量维度与样本[X,Y]的数量相同。令功图数据为：设置样本累计贡献率precent＝0.90；如图1所示，得到前5个主元分量的贡献率以及累计贡献率。

故此，取前2个主元分量B1、B2作为载荷环境变量的特征变量，其部分值如下表所示：

表3部分主元分量数据

B1	B2
		399.31	23.85
399.28	25.86
		399.11	24.69
401.31	25.52
		……	……
454.67	42.03
		448.12	37.89

步骤S4：重新组合非载荷变量与d个载荷主元分量，构建新的输入样本I₁，并对新的输入样本I₁和输出样本Y进行归一化，获得归一化后的样本其属于[-1,1]；其中，非载荷变量包括冲次决策变量x₁、有效冲程决策变量x₂、计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅。

步骤S5：基于归一化后的样本构建神经网络模型和神经网络模型的初始状态变量X，以及，将归一化后的样本中的作为神经网络模型的输入，将归一化后的样本中的作为神经网络模型的输出；

其中，构建的神经网络模型为：

其中，I_k为训练样本的矢量样本值，并作为神经网络模型的输入，为网络输入层到隐含层的神经元的连接权值，为网络输入层到所述隐含层的神经元的阈值，为隐含层到网络输出层的神经元的连接权值，为隐含层到网络输出层的神经元的阈值，其中，i＝1，2…S₀；j＝1，2…S₁；k＝1，2…S₂；S₀为网络输入层的神经元的数量，S₁为网络隐含层的神经元的数量，S₂为网络输出层的神经元的数量；

构建的初始状态变量为：

步骤S6：利用ST-UPFNN算法估计神经网络模型的状态变量X，以得到最优状态变量，完成所建模型的权值阈值更新，使得所得到的模型更符合实际生产过程。

利用ST-UPFNN算法估计神经网络模型的最优状态变量的过程，包括：

步骤S61：针对粒子滤波器设置粒子的数目N，并以x₀为均值,P₀为方差进行正态分布采样，得到初始粒子集并将初始粒子集中的每个粒子的权值均设为1/N；记粒子x₀为k＝0时刻状态；

步骤S62：在获取(k+1)时刻的观测变量值后，为归一化样本中第(1)组样本性能观测变量，利用ST-UKFNN算法对每个粒子进行状态估计，得到最优状态估计值和协方差

利用ST-UKFNN算法对每个粒子进行状态估计的过程如下：

步骤S621：对初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对所述初始状态变量X的Sigma采样如下：

步骤S622：计算每个采样点的权重，每个采样点的权重如下：

其中，W_c为计算状态变量的协方差的权重，W_m为计算状态估计和观测预测时的权重，是的第一列，是的第一列；

步骤S623：通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为(k+1)时刻的状态变量的状态估计以及，通过合并(k+1)时刻的状态估计的向量，获得(k+1)时刻的状态变量的状态先验估计和协方差P_k+1|k；其中，

(k+1)时刻的状态变量的状态估计为：

其中，为k时刻的最优状态估计，w_k为过程噪声，其协方差矩阵Q_k为cov(w_k,w_j)＝Q_kδ_kj，

(k+1)时刻的状态变量的状态先验估计为：

(k+1)时刻的状态变量的协方差P_k+1|k为：

步骤S624：通过离散时间非线性系统的观测方程建立(k+1)时刻的状态变量的状态估计和(k+1)时刻的观测预测的联系：

其中，ν_k为观测噪声，其协方差矩阵R_k为cov(v_k,v_j)＝R_kδ_kj，

步骤S625：通过估计(k+1)时刻的观测预测的向量，获得(k+1)时刻的先验观测预测并根据先验观测预测估计(k+1)时刻的观测预测的协方差

(k+1)时刻的先验观测预测为：

(k+1)时刻的观测预测的协方差为：

其中，在此处引入强追踪算法，即渐消因子λ_k+1增强模型的追踪能力以提高模型精度；

其中，β为弱化因子，β≥1；

步骤S626：计算(k+1)时刻的状态变量的状态先验估计与(k+1)时刻的先验观测预测之间的协方差

协方差为：

步骤S627：通过建立协方差和预测协方差的关系，以更新(k+1)时刻的状态变量的状态估计和协方差，分别获得(k+1)时刻的最优状态估计值和协方差

建立的协方差和协方差的关系为：

其中，K_k+1为增益矩阵，以及更新后的(k+1)时刻的状态变量的状态估计协方差P_k+1为：

将更新后的(k+1)时刻的状态变量的状态估计和协方差P_k+1分别作为(k+1)时刻的最优状态估计值和协方差

步骤S63：将最优状态估计值和协方差作为粒子的重要性密度函数进行抽样，得到新粒子由所有新粒子组成的粒子集中的每个新粒子的正态分布概率密度值如下：

其中，p为每个新粒子的条件概率，randnorm为正态分布随机误差，正态分布密度函数：x、μ、σ分别为正态分布函数的三个变量；

对于x,μ,σ分别与一一对应；

对于x,μ,σ分别与一一对应；

对于x,μ,σ分别与一一对应。

步骤S64：对新粒子的权值进行更新，并进行归一化处理。

权值更新公式为：

权值归一化公式为：

步骤S65：根据粒子权值和重采样策略对粒子集进行重采样，从而获取新粒子集并求取新粒子集中每个新粒子的状态估计值

设变量u，令取u₁∈(0,1)

步骤S66：以粒子的数目N作为循环次数循环步骤S61-步骤S65的计算过程，将最后一次估计得到系统状态变量作为利用ST-UPFNN算法估计得到的所述神经网络模型的最优状态变量；其中，将新粒子的状态估计值作为本时刻的最优估计赋给进行下一时刻的状态估计。

神经网络模型的最优状态变量的结构参数如下：

步骤S7：将最优状态变量作为神经网络模型的和重构神经网络表达式，获得油田机采油过程模型。

步骤S8：构建日产液量y₁的偏好函数perf_c(y)。

在系统工艺参数优化计算中，考虑对不同参数具有不同的喜好程度，利用物理规划构建系统偏好函数。设定产液量最优值为y_1best，设定值为y_best，在设定值y_best周围某一邻域范围[y_best-△y,y_best+△y]内波动为非常满意(HD)，且在[y_best-△y-△y₁,y_best-△y],[y_best+△y,y_best+△y+△y₁]内为满意(D)，依次得到可接受(T)，不满意(U)和非常不满意(HU)，对应的偏好值区间用[0,2]，[2,4]，[4,6]，[6,8]，[8,10]表示。

假定将所有样本的平均日产液量作为给定产液量及极好程度的偏好值(47.38)。同时设定所有日产液量数据的最小值(40.22)和最大值(56.92)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，且设计的偏好区间边界值所对应的实际产液量区间的边界值如表4所示，偏好函数如图2所示。

表4偏好函数的边界值对应表

拟合得到日产液量的偏好函数为：

步骤S9：利用NSGA-Ⅱ算法(Non-dominated Sorting Genetic Algorithm-Ⅱ，多目标优化算法)对日耗电量y₂的决策参量各自的上下限进行优化。

优化的过程，包括：

步骤S91：通过决策变量个体P＝[x₁x₂L x_n]的非支配性比较寻找最佳个体；其中，个体非支配性由适应度函数值以及个体拥挤度共同决定。

多目标优化适应度函数为：

其中，是由ST-UPFNN算法构建的油田机采油过程模型：

结合向最小值方向搜索最值的特点，将部分求最大值的性能变量函数取反，从而得到多目标优化适应度函数。

本发明中，由于优化计算的过程中，得到的产液量越接近最佳值越好；耗电量越低越好，故而将净化气产量的预测函数取反函数作为该性能变量的多目标优化适应度函数。

步骤S92：计算油田机工艺系统的环境变量的平均值：

其中，环境变量包括计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅，N为环境变量的输入样本的数量。

表5环境变量平均值表

步骤S93：利用决策参量(x₁,x₂)构建父代种群P和子代种群Q，其中，

其中，K₁为父代种群P中的个体(1≤m≤L)的数量；K₂为子代种群Q中的个体(1≤m≤K)的数量；L为初始化的种群样本数量，L＝50；GEN为最大遗传代数，GEN＝100。

步骤S94：根据决策参量的上下限x_i,min≤x_i≤x_i,max(i＝1,2,L,n)初始化父种群P。

其中，初始化父种群P的过程为：从x₁的取值范围内随机取值赋予 从x₂的取值范围内，随机取值赋予

步骤S95：进行第一次遗传迭代GEN＝1，从父代种群P中选出任意对个体，对每对个体(1≤m≤K,1≤n≤K)进行遗传交叉、变异计算，并将计算结果赋予子代种群Q中相应的一对个体将父代种群P与子代种群Q进行合并得到种群R。

步骤S96：从种群R中选择精英个体作为下一代种群；其中，将种群R中所有个体按照支配性层级进行排序，并计算所有个体的拥挤度，按照种群R中的个体按照层级从低到高的顺序从非支配集中选择个体作为精英个体，而对于同一层级的非支配集，按照拥挤度从大到小的顺序选择个体作为精英个体，保持种群个体为L。

步骤S97：循环GEN次步骤S94～步骤S96，得到第GEN代种群作为优化结果输出；其中，

得到Pareto解集，产液量偏好函数与耗电量Pareto解集如图3所示，产液量实际值与耗电量的Pareto解集如图4所示。

由优化所得Pareto解集分析可知优化前后效果对比如表6所示：

表6优化参数对应目标函数与生产实际输出对比表

优化平均产耗比提升约为3％，达到了节能增效的优化效果，说明本次结果有效。

步骤S10：将优化后的决策变量结合环境变量，带入ST-UPFNN算法建立的油田机采油过程模型，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的平均值进行比较，如果优化后的决策变量的系统性能大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S9，直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。

产液量越接近最优值、耗电量越低则效果越优越好。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种基于偏好多目标优化的油田机采过程决策参数优化方法，包括：

步骤S1：确定油田机采油过程中的效率影响因素,构成效率观测变量集合{x₁,x₂,x₃,Lx_n}；以及，选取油田机工艺系统的性能变量，构成性能观测变量集合{y₁,y₂}；

其中，x₁为冲次决策变量，x₂为有效冲程决策变量，x₃～x₅分别为计算泵效环境变量、含水率环境变量，平均功率因数环境变量，x₆～x_n均为载荷环境变量；性能观测变量的个数l＝2，y₁为日产液量，y₂为日耗电量；

步骤S2：根据效率观测变量集合{x₁,x₂,x₃,L x_n}和性能观测变量集合{y₁,y₂}，采集通过ST-UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x₁，x₂L x_n，y₁，y₂]；其中，

设定采样周期为T，在采集观测变量的过程中，如果采样周期小于T，对T周期内的样本求取平均值以作为该T周期的样本[I,Y]；如果采样周期大于T，剔除采集到的观测变量；其中，将样本中的I作为输入样本，将样本中的Y作为输出样本；

步骤S3：利用主元分析算法对载荷环境变量进行降维，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}；

其中，构建新的载荷主元变量{L_z1,L_z2,...,L_zd}为d个载荷主元分量，每个载荷主元分量的维度与所述样本[I,Y]的数量相同；

步骤S4：重新组合非载荷变量与d个载荷主元分量，构建新的输入样本I₁，并对新的输入样本I₁和输出样本Y进行归一化，获得归一化后的样本其属于[-1,1]；其中，非载荷变量包括冲次决策变量x₁、有效冲程决策变量x₂、计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅；

步骤S5：基于所述归一化后的样本构建神经网络模型和所述神经网络模型的初始状态变量X，以及，将所述归一化后的样本中的作为所述神经网络模型的输入，将所述归一化后的样本中的作为所述神经网络模型的输出；

其中，所述神经网络模型为：

$Y=\underset{j=1}{\overset{s_2}{\mathrm{\Σ}}}\left(f\right(\underset{i=1}{\overset{S_1}{\mathrm{\Σ}}}{w}_{ik}^1{I}_k+b_i^1\left)\right)\·w_{kj}^2+b_j^2---\left(1\right)$

其中，I_k为所述训练样本的矢量样本值，并作为所述神经网络模型的输入，为网络输入层到隐含层的神经元的连接权值，为网络输入层到所述隐含层的神经元的阈值，为所述隐含层到网络输出层的神经元的连接权值，为所述隐含层到所述网络输出层的神经元的阈值，其中，i＝1，2…S₀；j＝1，2…S₁；k＝1，2…S₂；S₀为所述网络输入层的神经元的数量，S₁为所述网络隐含层的神经元的数量，S₂为所述网络输出层的神经元的数量；

所述初始状态变量X为：

$X={\left[\begin{array}{cccccccc}{w}_{11}^{1}L& w_{s_0{s}_1}^1& b_1^{1}L& b_{s_1}^1& w_{11}^{2}L& w_{s_1{s}_2}^2& b_1^{2}L& b_{s_2}^2\end{array}\right]}^T---\left(2\right)$

步骤S6：利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；

步骤S7：将所述最优状态变量作为所述神经网络模型的和重构神经网络表达式，获得油田机采油过程模型；

步骤S8：构建日产液量y₁的偏好函数perf_c(y)；

步骤S9：利用NSGA-Ⅱ算法对日耗电量y₂的决策参量各自的上下限进行优化；

步骤S10：将优化后的决策变量结合环境变量，带入由ST-UPFNN算法所建立的油田机采油过程模型，在所述油田机采油过程模型的基础之上进行优化，计算优化后的决策变量的系统性能的平均值，与实际样本的系统性能的平均值进行比较，如果优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值，利用优化后的决策变量对实际生产进行指导；否则重复上述步骤S1-S9，直至优化后的决策变量的系统性能的平均值大于实际样本的系统性能的平均值为止。

2.如权利要求1所述的基于偏好多目标优化的油田机采过程决策参数优化方法，所述步骤S6包括：

步骤S61：针对粒子滤波器设置粒子的数目N，并以x₀为均值,P₀为方差进行正态分布采样，得到初始粒子集并将所述初始粒子集中的每个粒子的权值均设为1/N；记粒子x₀为k＝0时刻状态；

步骤S62：在获取(k+1)时刻的观测变量值后，为归一化样本中第(1)组样本性能观测变量，利用ST-UKFNN算法对每个粒子进行状态估计，得到最优状态估计值和协方差

步骤S63：将所述最优状态估计值和协方差作为粒子的重要性密度函数进行抽样，得到新粒子由所有新粒子组成的粒子集中的每个新粒子的正态分布概率密度值如下：

$X_{k+1}^{\′j}={\hat{X}}_{k+1}^j+randnorm---\left(3\right)$

$p\left(X_{k+1}^{\′j}\right|{\hat{X}}_{k+1}^j,Y_{k+1})=N(X_{k+1}^{\′j},{\hat{X}}_{k+1}^j,P_{k+1}^j)---\left(4\right)$

$p\left(Y_{k+1}\right|X_{k+1}^{\′j})=N(Y_{ek,k+1}^j,h(X_{k+1}^{\′j},I_{k+1}),1)---\left(5\right)$

$p\left(X_{k+1}^{\′j}\right|{\hat{X}}_{k+1}^j)=N(X_{k+1}^{\′j},{\hat{X}}_{k+1}^j,1)---\left(6\right)$

其中，p为每个新粒子的条件概率，randnorm为正态分布随机误差，正态分布密度函数：x、μ、σ分别为正态分布的三个变量；

步骤S64：对新粒子的权值进行更新，并进行归一化处理；其中，

权值更新公式为：

权值归一化公式为：

步骤S65：根据粒子权值和重采样策略对粒子集进行重采样，从而获取新粒子集并求取新粒子集中每个新粒子的状态估计值

设变量u，令取u₁∈(0,1)

$X_{k+1}^j=\left\{\begin{array}{cc}{X}_{k+1}^{\&prime;c}u\left(j\right)<\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{k+1}^i,& c=1,2...,N\\ X_{k+1}^{\&prime;j},& else\end{array}\right.,j=1,2...,N---\left(9\right)$

$X_{k+1}=\left(\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{X}_{k+1}^j\right)/N---\left(10\right)$

步骤S66：以粒子的数目N作为循环次数循环步骤S61-步骤S65的计算过程，将最后一次估计得到系统状态变量作为利用ST-UPFNN算法估计得到的所述神经网络模型的最优状态变量；其中，将新粒子的状态估计值作为本时刻的最优估计赋给进行下一时刻的状态估计。

3.如权利要求2所述的基于偏好多目标优化的油田机采过程决策参数优化方法，利用ST-UKFNN算法对每个粒子进行状态估计的过程，包括：

步骤S621：对所述初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数β，对所述初始状态变量X的Sigma采样如下：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{X}=X_0^j;X^{\left(0\right)}=\stackrel{\&OverBar;}{X}\\ \begin{array}{cc}{X}^{\left(i\right)}=\stackrel{\&OverBar;}{X}+\sqrt{(n+\mathrm{\&lambda;})P}& i=1:n\end{array}\\ \begin{array}{cc}{X}^{\left(i\right)}=\stackrel{\&OverBar;}{X}-\sqrt{(n+\mathrm{\&lambda;})P}& i=n+1:2n\end{array}\\ \mathrm{\&lambda;}=a^2(n+\mathrm{\&kappa;})-n\end{array}\right.---\left(11\right)$

步骤S622：计算每个采样点的权重，每个采样点的权重如下：

$\left\{\begin{array}{c}{W}_m^{\left(0\right)}=\mathrm{\&lambda;}/(n+\mathrm{\&lambda;})\\ W_c^{\left(0\right)}=\mathrm{\&lambda;}/(n+\mathrm{\&lambda;})+(1-{\mathrm{\&alpha;}}^2+\mathrm{\&beta;})\\ \begin{array}{cc}{W}_m^{\left(i\right)}=W_c^{\left(i\right)}=\mathrm{\&lambda;}/(2\&times;(n+\mathrm{\&lambda;}\left)\right)& i=1:2n\end{array}\end{array}\right.---\left(12\right)$

其中，W_c为计算状态变量的协方差的权重，W_m为计算状态估计和观测预测时的权重，是的第一列，W_c ⁽⁰⁾是W_c ⁽ⁱ⁾的第一列；

步骤S623：通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为(k+1)时刻的状态变量的状态估计以及，通过合并(k+1)时刻的状态估计的向量，获得(k+1)时刻的状态变量的状态先验估计和协方差P_k+1|k；其中，

所述状态估计为：

$X_{k+1|k}^{\left(i\right)}=F\left(X_{k|k}^{\left(i\right)}\right)+w_k---\left(13\right)$

其中，为k时刻的最优状态估计，w_k为过程噪声，其协方差矩阵Q_k为cov(w_k,w_j)＝Q_kδ_kj，

所述状态先验估计为：

${\hat{X}}_{k+1|k}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_m^{\left(i\right)}\&CenterDot;X_{k+1|k}^{\left(i\right)}---\left(14\right)$

所述状态变量的协方差P_k+1|k为：

$P_{k+1|k}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_c^{\left(i\right)}\&CenterDot;\&lsqb;X_{k+1|k}^{\left(i\right)}-{\hat{X}}_{k+1|k}^{\left(i\right)}\&rsqb;{\&lsqb;X_{k+1|k}^{\left(i\right)}-{\hat{X}}_{k+1|k}^{\left(i\right)}\&rsqb;}^T+Q_k---\left(15\right)$

步骤S624：通过离散时间非线性系统的观测方程建立(k+1)时刻的状态变量的状态估计和(k+1)时刻的观测预测的联系：

$Y_{k+1|k}^{\left(i\right)}=g\left(\underset{k=1}{\overset{s_2}{\mathrm{\&Sigma;}}}\right(f\left(\underset{j=1}{\overset{S_1}{\mathrm{\&Sigma;}}}{w}_{ji}^1{X}_{k+1|k}^{\left(i\right)}+b_j^1\right))\&CenterDot;w_{kj}^2+b_k^2)+v_k---\left(16\right)$

其中，ν_k为观测噪声，其协方差矩阵R_k为cov(v_k,v_j)＝R_kδ_kj，

步骤S625：通过估计(k+1)时刻的观测预测的向量，获得(k+1)时刻的先验观测预测并根据先验观测预测估计(k+1)时刻的观测预测的协方差

(k+1)时刻的先验观测预测以及观测预测的协方差分别为：

${\hat{Y}}_{k+1|k}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_m^{\left(i\right)}\&CenterDot;h({\hat{X}}_{k+1|k}^{\left(i\right)},I_k)---\left(17\right)$

$P_{y_{k+1}}={\mathrm{\&lambda;}}_{k+1}\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_c^{\left(i\right)}\&CenterDot;(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T+R_{k+1}---\left(18\right)$

${\mathrm{\&lambda;}}_{k+1}=\left\{\begin{array}{c}{\mathrm{\&lambda;}}_0,{\mathrm{\&lambda;}}_0>1\\ 1,{\mathrm{\&lambda;}}_0\&le;1\end{array}\right.---\left(19\right)$

${\mathrm{\&lambda;}}_0=\frac{tr(V_{k+1}-{\mathrm{\&beta;R}}_{k+1})}{tr\left(\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_c^{\left(i\right)}\right(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k}\left){\left(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k}\right)}^T\right)},\mathrm{\&beta;}\&GreaterEqual;1---\left(20\right)$

$e_k=Y_{k|k-1}^{\left(i\right)}-\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_m^{\left(i\right)}\&CenterDot;g\left(\underset{k=1}{\overset{s_2}{\mathrm{\&Sigma;}}}\right(f\left(\underset{j=1}{\overset{S_1}{\mathrm{\&Sigma;}}}{w}_{ji}^1{X}_{k|k-1}^{\left(i\right)}+b_j^1\right))\&CenterDot;w_{kj}^2+b_k^2)---\left(21\right)$

$V_{k+1}=\left\{\begin{array}{cc}{e}_k{e}_k^T& k=0\\ \frac{{\mathrm{\&rho;V}}_k+e_k{e}_k^T}{1+\mathrm{\&rho;}}& k\&GreaterEqual;1\end{array}\right.,\mathrm{\&rho;}\&Element;(0,1)---\left(22\right)$

步骤S626：计算(k+1)时刻的状态变量的状态先验估计与(k+1)时刻的先验观测预测之间的协方差所述协方差为：

$P_{x_{k+1}{y}_{k+1}}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{W}_c^{\left(i\right)}\&CenterDot;(X_{k+1|k}^{\left(i\right)}-{\hat{X}}_{k+1|k}){(Y_{k+1|k}^{\left(i\right)}-{\hat{Y}}_{k+1|k})}^T---\left(23\right)$

步骤S627：通过建立协方差和协方差的关系，更新(k+1)时刻的状态变量的状态估计和协方差，分别获得(k+1)时刻的最优状态估计值和协方差

4.如权利要求3所述的基于偏好多目标优化的油田机采过程决策参数优化方法，其中，建立的协方差和协方差的关系为：

$R_{k+1}=\frac{P_{x_{k+1}{y}_{k+1}}}{P_{y_{k+1}}}---\left(24\right)$

其中，K_k+1为增益矩阵，以及更新后的(k+1)时刻的状态变量的状态估计协方差P_k+1为：

${\hat{X}}_{k+1}={\hat{X}}_{k+1|k}+R_{k+1}(Y_{k+1}-{\hat{Y}}_{k+1|k})---\left(25\right)$

$P_{k+1}=P_{k+1|k}-R_{k+1}{\left(P_{x_{k+1}{y}_{k+1}}\right)}^T---\left(26\right)$

将更新后的(k+1)时刻的状态变量的状态估计和协方差P_k+1分别作为(k+1)时刻的最优状态估计值和协方差

5.如权利要求1所述的基于偏好多目标优化的油田机采过程决策参数优化方法，其中，步骤S9包括：

步骤S91：通过决策变量个体P＝[x₁x₂L x_n]的非支配性比较寻找最佳个体；其中个体非支配性由多目标适应度函数值以及个体拥挤度共同决定，多目标优化适应度函数为：

$objFun\left(X\right)=\&lsqb;\begin{array}{cc}{\mathrm{perf}}_c\left(\right({\hat{y}}_1\left(f\left(X\right)\right)\left)\right)& {\hat{y}}_2\left(f\right(X\left)\right)\end{array}\&rsqb;---\left(27\right)$

其中，是由ST-UPFNN算法构建的油田机采油过程模型：

$\hat{Y}\left(X\right)={\left[\begin{array}{cc}{\hat{y}}_1\left(X\right)& {\hat{y}}_2\left(X\right)\end{array}\right]}^T---\left(28\right)$

步骤S92：计算油田机工艺系统的环境变量的平均值：

${\stackrel{\&OverBar;}{x}}_i=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_{ik},i=3,L,M---\left(29\right)$

其中，所述环境变量包括计算泵效环境变量x₃、含水率环境变量x₄、平均功率因数环境变量x₅，N为所述环境变量的输入样本的数量；

步骤S93：利用决策参量(x₁,x₂)构建父代种群P和子代种群Q，其中，

$P=\left\{(x_{1m}^P,x_{2m}^P)\right|1\&le;m\&le;K_1\}---\left(30\right)$

$Q=\left\{(x_{1m}^Q,x_{2m}^Q)\right|1\&le;m\&le;K_2\}---\left(31\right)$

其中，K₁为父代种群P中的个体的数量；K₂为子代种群Q中的个体的数量；L为初始化的种群样本数量，L＝50；GEN为最大遗传代数，GEN＝100；

步骤S94：根据决策参量的上下限x_i,min≤x_i≤x_i,max(i＝1,2,L,n)初始化父种群P；其中，初始化父种群P的过程为：从x₁的取值范围内随机取值赋予从x₂的取值范围内，随机取值赋予

步骤S95：进行第一次遗传迭代GEN＝1，从父代种群P中选出任意对个体，对每对个体进行遗传交叉、变异计算，并将计算结果赋予子代种群Q中相应的一对个体将父代种群P与子代种群Q进行合并得到种群R：

$R=P\&cup;Q=\left\{(x_{1m}^P,x_{2m}^P)\right|1\&le;m\&le;K\}\&cup;\{(x_{1n}^Q,x_{2n}^Q)|1\&le;n\&le;K\}$

步骤S96：从种群R中选择精英个体作为下一代种群；其中，将种群R中所有个体按照支配性层级进行排序，并计算所有个体的拥挤度，按照种群R中的个体按照层级从低到高的顺序从非支配集中选择个体作为精英个体，而对于同一层级的非支配集，按照拥挤度从大到小的顺序选择个体作为精英个体，保持种群个体为L；

步骤S97：GEN＝GEN+1，循环100次步骤S94～步骤S96，得到第GEN代种群作为优化结果输出；其中，