CN106529042B - 基于计算智能的油田机采参数动态演化建模与优化方法 - Google Patents
基于计算智能的油田机采参数动态演化建模与优化方法 Download PDFInfo
- Publication number
- CN106529042B CN106529042B CN201611001269.7A CN201611001269A CN106529042B CN 106529042 B CN106529042 B CN 106529042B CN 201611001269 A CN201611001269 A CN 201611001269A CN 106529042 B CN106529042 B CN 106529042B
- Authority
- CN
- China
- Prior art keywords
- variable
- population
- state
- variables
- value
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法,包括:确定油田机采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过程模型;利用SPEA‑II算法对决策参量进行优化;将优化后的决策变量,带入油田机采过程模型,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的生产效率,降低能耗。
Description
技术领域
本发明涉及油田机采技术领域,更为具体地,涉及一种基于计算智能的油田机采参数动态演化建模与优化方法。
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计算智能的油田机采参数动态演化建模与优化方法,以解决上述背景技术所提出的问题。
本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法,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,…xn};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~xn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,…xn}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,x2…xn,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{Lz1,Lz2,...,Lzd};
其中,构建新的载荷主元变量{Lz1,Lz2,...,Lzd}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,Io为训练样本的矢量样本值,并作为所述神经网络模型的输入,为网络输入层到网络隐含层的神经元的连接权值,为所述网络输入层到所述网络隐含层的神经元的阈值,为所述网络隐含层到网络输出层的神经元的连接权值,为所述网络隐含层到所述网络输出层的神经元的阈值,其中,f=1,2…S0;g=1,2…S1;o=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;
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perfc(y);
步骤S9:利用SPEA-Ⅱ算法对日产液量y1的偏好函数perfc(y1)和日耗电量y2进行多目标极值寻优优化,得到符合生产实际的决策变量;
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。
本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法,通过ST-UPFNN算法挖掘油田机的生产规律,并利用SPEA-Ⅱ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为日产液量实际值与日耗电量的Pareto解集图。
具体实施方式
名称解释
ST-UKFNN:Strong Track Unscented Kalman Filter Neural Network,强追踪无迹卡尔曼滤波神经网络。
ST-UPFNN:Strong Track Unscented Particle Filter Neural 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。
SPEA-II:Strength pareto evolutionary algorithm-II,改进的强度pareto进化算法。
本发明提供的基于计算智能的油田机采参数动态演化建模与优化方法,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,…xn};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~xn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,…xn}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,x2…xn,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,x2…xn,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<sup>-1</sup>) | 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 |
日产液量/(t/d) | 40.95 | 41.02 | 41.25 | …… | 54.91 |
日耗电量/(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{Lz1,Lz2,...,Lzd}。
其中,构建新的载荷主元变量{Lz1,Lz2,...,Lzd}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 Component Analysis,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:{Lz1,Lz2,...,Lzd},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,Io为训练样本的矢量样本值,并作为所述神经网络模型的输入,为网络输入层到网络隐含层的神经元的连接权值,为所述网络输入层到所述网络隐含层的神经元的阈值,为所述网络隐含层到网络输出层的神经元的连接权值,为所述网络隐含层到所述网络输出层的神经元的阈值,其中,f=1,2…S1;g=1,2…S2;o=1,2…S2;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;
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k=0的粒子进行状态估计,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,Wc为计算状态变量的协方差的权重,Wm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Pk+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,wk为过程噪声,其协方差矩阵Qk为cov(wk,wj)=Qkδkj,
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Pk+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,νk为观测噪声,其协方差矩阵Rk为cov(vk,vj)=Rkδkj,
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λk+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,Kk+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Pk+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Pk+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1一一对应;
对于x,μ,σ分别与1一一对应。
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:
(1)日产液量模型结构参数
w2(1×15)=[1.51 ... 12.84]b2=[12.56]
(2)日耗电量模型结构参数
w2(1×15)=[-8.11 ... -4.2]b2=[1.77]
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perfc(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。设定日产液量最优值为y1best,设定值为ybest,在设定值ybest周围某一邻域范围[ybest-△y,ybest+△y]内波动为非常满意(HD),且在[ybest-△y-△y1,ybest-△y],[ybest+△y,ybest+△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[1,2],[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:[1,2],[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日产液量区间的边界值如表4所示。
表4偏好函数的边界值对应表
偏好区间 | 日产液量左边界值 | 日产液量右边界值 |
[1,2] | [44.99,47.38] | [47.38,50.56] |
[2,4] | [43.25,44.99] | [50.56,52.89] |
[4,6] | [42.02,43.25] | [52.89,54.49] |
[6,8] | [41.07,42.02] | [54.49,55.79] |
[8,10] | [40.22,41.07] | [55.79,56.92] |
拟合得到日产液量的偏好函数为:
步骤S9:利用SPEA-II算法对日产液量y1的偏好函数perfc(y1)和日耗电量y2进行多目标极值寻优优化,得到符合生产实际的决策变量。
优化的过程,包括:
步骤S91:通过决策变量个体P=[x1x2…xn]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。
其中,由ST-UPFNN算法构建的油田机采油过程模型:
对式(26)进行反归一化获得的多目标优化适应度函数为:
适应度函数值是评价决策变量个体优劣的重要指标,通过决策变量个体P=[x1x2…xn]的适应度函数值的大小比较寻找最佳个体。
步骤S92:计算油田机工艺系统的环境变量的平均值,以作为优化决策参数时的环境状态;
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,其中,
其中,K为父代种群P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:利用决策参量x1,x2构建父代种群P的个体Pk:
Pk=[x1k,x2k] (30)
其中,初始化父代种群P,令初始化父代种群P为第一代父代种群P1,设置初始化的种群样本数量为50,设置第一代精英种群第一代精英种群中个体的数量为设定1.5≤x1k≤4.0,1.5≤x2k≤3.5。
步骤S95:进行第一次遗传迭代GEN=1,得到第二代精英种群A2和第二代父代种群P2。
获得第二代精英种群A2和第二代父代种群P2的具体过程为:
步骤S951:将第一代父代种群P1与第一代精英种群A1组合成种群Rt:Rt=P1∪A1;
定义变量R(i)为种群Rt中个体Rt(i)的强度;其中,Rt(i)为种群Rt中的第i个个体;
将种群Rt中的个体Rt(i)与环境状态变量平均值组建输入样本利用式(27)计算样本Xi的原始适应度函数值objfun(Xi)=[h(y1),y2],并作为个体Rt(i)的原始适应度函数值,以求取受个体支配的解的个数S(i),根据受个体支配的解的个数S(i)通过式(32)获得个体Rt(i)的强度值R(i);
S(i)=|{j|xj∈Pk+A1,xi>xj}| (31)
步骤S952:利用种群Rt中个体Rt(i)与种群Rt中第b个邻近个体Rt(i)的距离值通过式(33)计算个体Rt(i)的密度函数D(c);
步骤S953:根据种群Rt中个体Rt(i)的强度R(i)与种群Rt中个体Rt(i)的密度值D(c)通过式(35)获得种群Rt中个体Rt(i)的适应值F(i);
F(i)=R(i)+D(i) (35)
步骤S954:在保持精英种群A2中个体的数量为的情况下,将种群Rt中所有的非支配个体全部放入精英种群A2中;其中,如果精英种群A2中个体的数量小于比较种群Rt中剩余个体的适应值,选取适应值小的个体放入精英种群A2中,直到精英种群A2中个体的数量为为止;如果精英种群A2中个体的数量大于则在精英种群A2中比较个体的密度值D(c),将密度值大的个体剔除,直到精英种群A2中个体的数量为为止;
将种群Rt中所有的非支配个体全部放入精英种群A2中,即为将种群Rt中所有的非支配个体取出形成精英种群A2。
步骤S955:将精英种群A2中的个体放入交配池中进行遗传操作获得第二代父代种群P2。
步骤S96:将第二代父代种群P2与第二代精英种群A2组合,且GEN=GEN+1。
步骤S97:循环100次步骤S95~步骤S96,得到精英种群AGEN,将AGEN的个体作为优化结果输出。
得到Pareto解集,日产液量的实际值与日耗电量的Pareto解集如图2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
优化后的日耗电量减少,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-步骤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。
日产液量越接近最优值、日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 (4)
1.一种基于计算智能的油田机采参数动态演化建模与优化方法,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,…xn};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~xn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,…xn}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,x2…xn,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{Lz1,Lz2,...,Lzd};
其中,构建新的载荷主元变量{Lz1,Lz2,...,Lzd}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:
其中,Io为训练样本的矢量样本值,并作为所述神经网络模型的输入,为网络输入层到网络隐含层的神经元的连接权值,为所述网络输入层到所述网络隐含层的神经元的阈值,为所述网络隐含层到网络输出层的神经元的连接权值,为所述网络隐含层到所述网络输出层的神经元的阈值,其中,f=1,2…S1;g=1,2…S2;o=1,2…S2;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:
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;其中,
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k=0的粒子进行状态估计,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:
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)
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;
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perfc(y1);其中,在构建日产液量y1的偏好函数perfc(y1)的过程中,先设定目标变量的偏好区间,针对区间得到对应的上下区间限值,再用这两部分数据进行拟合得到偏好函数;
步骤S9:利用SPEA-Ⅱ算法对对日产液量y1的偏好函数perfc(y1)和日耗电量y2进行多目标极值寻优优化,得到符合生产实际的决策变量;
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所述的基于计算智能的油田机采参数动态演化建模与优化方法,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:
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,Wc为计算状态变量的协方差的权重,Wm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Pk+1|k;其中,
所述状态估计为:
其中,为k时刻的最优状态估计,wk为过程噪声,其协方差矩阵Qk为cov(wk,wj)=Qkδkj,
所述状态先验估计为:
所述状态变量的协方差Pk+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,νk为观测噪声,其协方差矩阵Rk为cov(vk,vj)=Rkδkj,
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:
其中,
其中,为所述神经网络模型的隐含层输出,为k+1时刻先验状态预测值,Ik为k时刻输入样本值,Rk+1为增益矩阵,tr(Vk+1-βRk+1)为加入了强跟踪算法的值;
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:
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其中,建立的协方差和协方差的关系为:
其中,Rk+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Pk+1为:
Yk+1为k+1时刻真实的观测变量值;
将更新后的k+1时刻的状态变量的状态估计和协方差Pk+1分别作为k+1时刻的最优状态估计值和协方差
3.如权利要求1所述的基于计算智能的油田机采参数动态演化建模与优化方法,其中,步骤S9包括:
步骤S91:通过决策变量个体P=[x1 x2…xn]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:
步骤S92:通过式(29)计算油田机工艺系统的环境变量的平均值:
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,其中,
其中,K为父代种群P中的个体的数量,1≤m≤L;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:利用决策参量x1,x2构建父代种群P的个体Pk:Pk=[x1k,x2k];其中,初始化父代种群P,令初始化父代种群P为第一代父代种群P1,设置初始化的种群样本数量为50,设置第一代精英种群设置第一代精英种群中个体的数量为
步骤S95:进行第一次遗传迭代GEN=1,得到第二代精英种群A2和第二代父代种群P2;
步骤S96:将第二代父代种群P2与第二代精英种群A2组合,且GEN=GEN+1;
步骤S97:循环100次步骤S95~步骤S96,得到精英种群AGEN,将AGEN的个体作为优化结果输出。
4.如权利要求3所述的基于计算智能的油田机采参数动态演化建模与优化方法,其中,步骤S95包括:
步骤S951:将第一代父代种群P1与第一代精英种群A1组合成种群Rt:Rt=P1∪A1;
定义变量R(i)为种群Rt中个体Rt(i)的强度;其中,Rt(i)为种群Rt中的第i个个体;
将种群Rt中的个体Rt(i)与环境状态变量平均值组建输入样本利用式(27)计算样本Xi的原始适应度函数值objfun(Xi)=[h(y1),y2],并作为个体Rt(i)的原始适应度函数值,以求取受个体支配的解的个数S(i),根据受个体支配的解的个数S(i)通过式(32)获得个体Rt(i)的强度值R(i);
步骤S952:利用种群Rt中个体Rt(i)与种群Rt中第b个邻近个体Rt(i)的距离值通过式(33)计算个体Rt(i)的密度函数D(c);
步骤S953:根据种群Rt中个体Rt(i)的强度R(i)与种群Rt中个体Rt(i)的密度值D(c)通过式(35)获得种群Rt中个体Rt(i)的适应值F(i);
F(i)=R(i)+D(i) (35)
步骤S954:在保持精英种群A2中个体的数量为的情况下,将种群Rt中所有的非支配个体全部放入精英种群A2中;其中,如果精英种群A2中个体的数量小于比较种群Rt中剩余个体的适应值,选取适应值小的个体放入精英种群A2中,直到精英种群A2中个体的数量为为止;如果精英种群A2中个体的数量大于则在精英种群A2中比较个体的密度值D(c),将密度值大的个体剔除,直到精英种群A2中个体的数量为为止;
步骤S955:将精英种群A2中的个体放入交配池中进行遗传操作获得第二代父代种群P2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001269.7A CN106529042B (zh) | 2016-11-14 | 2016-11-14 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001269.7A CN106529042B (zh) | 2016-11-14 | 2016-11-14 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529042A CN106529042A (zh) | 2017-03-22 |
CN106529042B true CN106529042B (zh) | 2019-12-31 |
Family
ID=58351669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611001269.7A Active CN106529042B (zh) | 2016-11-14 | 2016-11-14 | 基于计算智能的油田机采参数动态演化建模与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529042B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273633B (zh) * | 2017-06-29 | 2018-03-27 | 中南大学 | 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 |
CN108764530B (zh) * | 2018-04-27 | 2021-01-01 | 中国石油天然气股份有限公司 | 油井抽油机的工作参数配置方法及装置 |
CN108875180A (zh) * | 2018-06-07 | 2018-11-23 | 中国石油天然气股份有限公司 | 一种抽油机井泵效敏感因素的确定方法及装置 |
CN109086966A (zh) * | 2018-07-03 | 2018-12-25 | 中国石油天然气股份有限公司 | 对单位耗电量的影响较大的变量的确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354111A (zh) * | 2011-07-14 | 2012-02-15 | 哈尔滨工业大学 | 基于动液面预测的潜油往复式抽油机冲次优化方法 |
CN104680025A (zh) * | 2015-03-12 | 2015-06-03 | 重庆科技学院 | 基于遗传算法极限学习机的抽油机参数优化方法 |
CN104680259A (zh) * | 2015-03-12 | 2015-06-03 | 天津市万众科技发展有限公司 | 抽油机运行参数的节能优化方法 |
CN105046326A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于功图主元分析的抽油机参数优化方法 |
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374974B2 (en) * | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
CN102082560A (zh) * | 2011-02-28 | 2011-06-01 | 哈尔滨工程大学 | 一种基于集合卡尔曼滤波的粒子滤波方法 |
-
2016
- 2016-11-14 CN CN201611001269.7A patent/CN106529042B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354111A (zh) * | 2011-07-14 | 2012-02-15 | 哈尔滨工业大学 | 基于动液面预测的潜油往复式抽油机冲次优化方法 |
CN104680025A (zh) * | 2015-03-12 | 2015-06-03 | 重庆科技学院 | 基于遗传算法极限学习机的抽油机参数优化方法 |
CN104680259A (zh) * | 2015-03-12 | 2015-06-03 | 天津市万众科技发展有限公司 | 抽油机运行参数的节能优化方法 |
CN105046326A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于功图主元分析的抽油机参数优化方法 |
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
Non-Patent Citations (3)
Title |
---|
Evolution Modeling on Beam Pumping Process by Unscented Kalman Filter Nerual Networks;Gu xiaohua;《ICRSM 00324》;20140812;第1-7页 * |
基于改进UKFNN和NSGA-II的工业过程决策参数稳健优化;李太福 等;<计算机应用研究>;20150930;第32卷(第9期);第2716-2719页 * |
支持向量机建模及游梁式抽油机抽汲参数优化;徐向前 等;《石油矿场机械》;20160930;第45卷(第9期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106529042A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zha et al. | Forecasting monthly gas field production based on the CNN-LSTM model | |
CN106529042B (zh) | 基于计算智能的油田机采参数动态演化建模与优化方法 | |
CN105045941B (zh) | 基于无迹卡尔曼滤波的抽油机参数优化方法 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
Naderi et al. | Well placement optimization using metaheuristic bat algorithm | |
CN106777465B (zh) | 高含硫天然气净化工艺动态演化建模与节能优化方法 | |
CN105046326B (zh) | 基于功图主元分析的抽油机参数优化方法 | |
CN106126607B (zh) | 一种面向社交网络的用户关系分析方法 | |
CN104462015B (zh) | 处理非高斯Lévy噪声的分数阶线性离散系统状态更新方法 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
CN111079856B (zh) | 一种基于csjitl-rvm的多时段间歇过程软测量建模方法 | |
CN106502096B (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 | |
CN106773667B (zh) | 基于无迹粒子滤波神经网络的油田机采参数建模方法 | |
Zhou et al. | A self-organizing fuzzy neural network modeling approach using an adaptive quantum particle swarm optimization | |
CN114862015A (zh) | 一种基于FEN-ConvLSTM模型的台风风速智能预测方法 | |
Borges et al. | Model selection in genetic programming | |
Couckuyt et al. | Towards efficient multiobjective optimization: multiobjective statistical criterions | |
CN104680023A (zh) | 基于多目标决策的抽油机参数优化方法 | |
CN110059871B (zh) | 光伏发电功率预测方法 | |
CN113947005A (zh) | 一种基于机器学习的试井解释方法及系统 | |
Irwandi et al. | Performance Analysis of Subtractive Clustering Algorithm in Determining the Number and Position of Cluster Centers | |
D’Ambrosio et al. | Meta-model assisted evolutionary optimization of cellular automata: An application to the SCIARA model | |
CN106530130A (zh) | 油田机采过程动态演化建模与节能优化方法 | |
Davarynejad et al. | Mass-dispersed gravitational search algorithm for gene regulatory network model parameter identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230522 Address after: 830000 Office Room 2, 22nd Floor, Dacheng International Center, No. 358 Beijing South Road, High tech Zone (New City District), Urumqi, Xinjiang Uygur Autonomous Region Patentee after: XINJIANG CENTRAL ASIA PETROLEUM TECHNIQUE LTD. Address before: No. 20, East Road, University City, Chongqing, Shapingba District, Chongqing Patentee before: Chongqing University of Science & Technology |
|
TR01 | Transfer of patent right |