CN106773667B - 基于无迹粒子滤波神经网络的油田机采参数建模方法 - Google Patents

基于无迹粒子滤波神经网络的油田机采参数建模方法 Download PDF

Info

Publication number
CN106773667B
CN106773667B CN201610999737.8A CN201610999737A CN106773667B CN 106773667 B CN106773667 B CN 106773667B CN 201610999737 A CN201610999737 A CN 201610999737A CN 106773667 B CN106773667 B CN 106773667B
Authority
CN
China
Prior art keywords
variable
state
time
neural network
covariance
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
Application number
CN201610999737.8A
Other languages
English (en)
Other versions
CN106773667A (zh
Inventor
辜小花
杨利平
熊兴中
王坎
李太福
唐海红
聂玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Sichuan University of Science and Engineering
Original Assignee
Chongqing University of Science and Technology
Sichuan University of Science and Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology, Sichuan University of Science and Engineering filed Critical Chongqing University of Science and Technology
Priority to CN201610999737.8A priority Critical patent/CN106773667B/zh
Publication of CN106773667A publication Critical patent/CN106773667A/zh
Application granted granted Critical
Publication of CN106773667B publication Critical patent/CN106773667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明提供的基于无迹粒子滤波神经网络的油田机采参数建模方法，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重新构建新样本，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UPFNN算法估计神经网络模型的最优状态变量，并利用最优状态变量构建油田机采过程模型；将归一化后的新样本中的
Figure DDA0001152122550000011
输入到油田机采过程模型，得到预测结果，将预测结果与归一化后的新样本中的
Figure DDA0001152122550000012
进行比较，如果比较结果小于预设误差值，油田机采过程模型有效；否则重复上述所有步骤，直至比较结果小于预设误差值为止。本发明通过挖掘油田机的生产规律，以预测油田机的工况，并为挖掘油田机的最佳生产操作提供基础模型。

Description

基于无迹粒子滤波神经网络的油田机采参数建模方法
技术领域
本发明涉及油田机采技术领域，更为具体地，涉及一种基于无迹粒子滤波神经网络的油田机采参数建模方法。
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，难以分析油田机工艺过程规律。
发明内容
鉴于上述问题，本发明的目的是提供一种基于无迹粒子滤波神经网络的油田机采参数建模方法，以解决上述背景技术所提出的问题。
本发明提供的基于无迹粒子滤波神经网络的油田机采参数建模方法，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 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,L 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 L 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
Figure GDA0002094984050000021
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
Figure GDA0002094984050000022
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
Figure GDA0002094984050000023
中的
Figure GDA0002094984050000024
作为所述神经网络模型的输入，将所述归一化后的样本
Figure GDA0002094984050000025
中的
Figure GDA0002094984050000026
作为所述神经网络模型的输出；
其中，所述神经网络模型为：
Figure GDA0002094984050000027
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，
Figure GDA0002094984050000028
为网络输入层到网络隐含层的神经元的连接权值，
Figure GDA0002094984050000029
为所述网络输入层到所述网络隐含层的神经元的阈值，
Figure GDA00020949840500000210
为所述网络隐含层到网络输出层的神经元的连接权值，
Figure GDA00020949840500000211
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；
所述初始状态变量X为：
Figure GDA00020949840500000212
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
Figure GDA0002094984050000031
和
Figure GDA0002094984050000032
重构神经网络表达式，获得油田机采油过程模型；
步骤S8：将所述归一化后的样本
Figure GDA0002094984050000033
中的
Figure GDA0002094984050000034
输入到所述油田机采过程模型，得到预测结果，将所述预测结果与所述归一化后的样本
Figure GDA0002094984050000035
中的实际输出
Figure GDA0002094984050000036
进行比较，如果比较结果小于预设误差值，所构建的油田机采过程模型有效；否则重复上述步骤S1-S7，直至所述比较结果小于所述预设误差值为止。
本发明提供的基于无迹粒子滤波神经网络的油田机采参数建模方法，通过UPFNN算法挖掘油田机的生产规律，以预测油田机的工况，并挖掘油田机最佳生产操作提供基础模型。
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2a为产液量的预测结果拟合精度图
图2b为耗电量的预测结果拟合精度图；
图3a为产液量的实际输出拟合精度图；
图3b为耗电量的实际输出拟合精度图；
图4为产液量和耗电量的相对误差图。
具体实施方式
名称解释
UKFNN：Unscented Kalman Filter Neural Network，无迹卡尔曼滤波神经网络；
UPFNN：Unscented Particle Filter Neural Network，无迹粒子滤波神经网络，其将UKFNN、粒子滤波(Particle Filter)、BP神经网络相结合。
本发明提供的基于无迹粒子滤波神经网络的油田机采参数建模方法，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 xn}；以及，选取油田机系统的性能变量，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分均载荷环境变量；性能观测变量个数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 xn}和性能观测变量集合{y1,y2,y3,Lyl}，采集通过UPFNN算法构建神经网络模型的观测变量的样本值矩阵[x1 x2 L xn,y1 y2 Lyl]。
在实际油田油水井生产系统中，由于数据采集设备的不同，其各个样本的采样周期不尽相同。为此在本发明中，构建统一周期的采样样本，设定统一样本的采样周期为T为24小时，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]；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[X,Y]如表2所示：
表2
Figure GDA0002094984050000041
Figure GDA0002094984050000051
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}。
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[I,Y]的数量相同。令功图数据为：
Figure GDA0002094984050000052
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
Figure GDA0002094984050000053
Figure GDA0002094984050000061
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
Figure GDA0002094984050000062
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
Figure GDA0002094984050000063
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
Figure GDA0002094984050000064
中的
Figure GDA0002094984050000065
作为神经网络模型的输入，将归一化后的样本
Figure GDA0002094984050000066
中的
Figure GDA0002094984050000067
作为神经网络模型的输出。
其中，构建的神经网络模型为：
Figure GDA0002094984050000068
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，
Figure GDA0002094984050000069
为网络输入层到网络隐含层的神经元的连接权值，
Figure GDA00020949840500000610
为所述网络输入层到所述网络隐含层的神经元的阈值，
Figure GDA00020949840500000611
为所述网络隐含层到网络输出层的神经元的连接权值，
Figure GDA00020949840500000613
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；
构建的初始状态变量X为：
Figure GDA00020949840500000612
步骤S6：利用UPFNN算法估计神经网络模型的最优状态变量X；
利用UKFNN算法对每个粒子
Figure GDA0002094984050000071
进行k+1时刻的状态估计的过程，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
Figure GDA0002094984050000072
并将所述初始粒子集中的每个粒子
Figure GDA0002094984050000073
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
Figure GDA0002094984050000074
后，
Figure GDA0002094984050000075
为归一化样本
Figure GDA0002094984050000076
中第(1)组样本性能观测变量，利用UKFNN算法对每个粒子
Figure GDA0002094984050000077
的进行状态估计，得到最优状态估计值
Figure GDA0002094984050000078
和协方差
Figure GDA0002094984050000079
利用UKFNN算法对每个粒子
Figure GDA00020949840500000710
进行状态估计的过程，包括：
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，对初始状态变量X的Sigma采样如下：
Figure GDA00020949840500000711
其中，P为X的协方差；
步骤S622：计算每个采样点的权重，每个采样点的权重如下：
Figure GDA00020949840500000712
其中，
Figure GDA00020949840500000713
为第q个采样点处的状态变量的协方差的权重，Wc (q)第q个采样点处的状态估计和观测预测时的权重，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，
Figure GDA00020949840500000714
是
Figure GDA00020949840500000715
的第一列，Wc (0)是Wc (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
Figure GDA00020949840500000716
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
Figure GDA0002094984050000081
和协方差Pk+1|k；其中，
k+1时刻的状态变量的状态估计
Figure GDA0002094984050000082
为：
Figure GDA0002094984050000083
其中，
Figure GDA0002094984050000084
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，
Figure GDA0002094984050000085
k+1时刻的状态变量的状态先验估计
Figure GDA0002094984050000086
为：
Figure GDA0002094984050000087
k+1时刻的状态变量的协方差Pk+1|k为：
Figure GDA0002094984050000088
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
Figure GDA0002094984050000089
和k+1时刻的观测预测
Figure GDA00020949840500000810
的联系：
Figure GDA00020949840500000811
其中，νk为观测噪声，其协方差矩阵Rk为cov(vk，vj)＝Rkδkj，
Figure GDA00020949840500000812
步骤S625：通过并估计k+1时刻的观测预测
Figure GDA00020949840500000813
的向量，获得k+1时刻的先验观测预测
Figure GDA00020949840500000814
并根据先验观测预测
Figure GDA00020949840500000815
估计k+1时刻观测预测的协方差
Figure GDA00020949840500000816
k+1时刻的先验观测预测
Figure GDA00020949840500000817
为：
Figure GDA00020949840500000818
k+1时刻的观测预测的协方差
Figure GDA00020949840500000819
Figure GDA00020949840500000820
其中，
Figure GDA00020949840500000821
为所述神经网络模型的隐含层输出，
Figure GDA00020949840500000822
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
Figure GDA0002094984050000091
与k+1时刻的先验观测预测
Figure GDA0002094984050000092
之间的协方差
Figure GDA0002094984050000093
所述协方差
Figure GDA0002094984050000094
为：
Figure GDA0002094984050000095
步骤S627：通过建立协方差
Figure GDA0002094984050000096
和协方差
Figure GDA0002094984050000097
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
Figure GDA0002094984050000098
和协方差
Figure GDA00020949840500000930
其中，建立的协方差
Figure GDA0002094984050000099
和协方差
Figure GDA00020949840500000910
的关系为：
Figure GDA00020949840500000911
其中，Kk+1为增益矩阵；
更新后的k+1时刻的状态变量的状态估计
Figure GDA00020949840500000912
为：
Figure GDA00020949840500000913
更新后的k+1时刻的状态变量的协方差Pk+1为：
Figure GDA00020949840500000914
将更新后的k+1时刻的状态变量的状态估计
Figure GDA00020949840500000915
和协方差Pk+1分别作为k+1时刻的最优状态估计值
Figure GDA00020949840500000916
和协方差
Figure GDA00020949840500000917
步骤S63：将最优状态估计值
Figure GDA00020949840500000918
和协方差
Figure GDA00020949840500000919
作为粒子的重要性密度函数进行抽样，得到新粒子
Figure GDA00020949840500000920
由所有新粒子
Figure GDA00020949840500000921
组成的粒子集
Figure GDA00020949840500000922
中的每个新粒子
Figure GDA00020949840500000923
的正态分布概率密度值如下：
Figure GDA00020949840500000924
Figure GDA00020949840500000925
Figure GDA00020949840500000926
Figure GDA00020949840500000927
其中，
Figure GDA00020949840500000928
为第j个粒子在k+1时刻的状态估计值，
Figure GDA00020949840500000929
为第j个粒子在k+1时刻的方差，Yk+1为k+1时刻真实的观测变量值，
Figure GDA0002094984050000101
为强跟踪算法的第j个粒子在k+1时刻的真实观测变量，
Figure GDA0002094984050000102
为新粒子输入隐含层得到的输出，
Figure GDA0002094984050000103
为第j个粒子在k+1时刻用最优估计抽样得到新粒子，Ik+1为k+1时刻的状态变量，p为每个新粒子
Figure GDA0002094984050000104
的条件概率，randnorm为正态分布随机误差，正态分布密度函数：
Figure GDA0002094984050000105
x、μ、σ分别为正态分布函数的三个变量。
步骤S64：对新粒子
Figure GDA0002094984050000106
的权值进行更新，并进行归一化处理；其中，
权值更新公式为：
Figure GDA0002094984050000107
权值归一化公式为：
Figure GDA0002094984050000108
其中，
Figure GDA0002094984050000109
为第j个粒子在k时刻的权值，
Figure GDA00020949840500001010
为第j个粒子更新后的k+1时刻的权值；
步骤S65：根据粒子权值和重采样策略对粒子集
Figure GDA00020949840500001011
进行重采样，从而获取新粒子集
Figure GDA00020949840500001012
并求取新粒子集
Figure GDA00020949840500001013
中每个新粒子
Figure GDA00020949840500001014
的状态估计值
Figure GDA00020949840500001015
设变量u，令
Figure GDA00020949840500001016
取u1∈(0,1)
Figure GDA00020949840500001017
Figure GDA00020949840500001018
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UPFNN算法估计得到的神经网络模型的最优状态变量；其中，将新粒子
Figure GDA00020949840500001019
的状态估计值
Figure GDA00020949840500001020
作为本时刻的最优估计付给
Figure GDA00020949840500001021
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：
Figure GDA0002094984050000111
Figure GDA0002094984050000112
步骤S7：将所述最优状态变量作为所述神经网络模型的
Figure GDA0002094984050000113
和
Figure GDA0002094984050000114
重构神经网络表达式，获得油田机采油过程模型；
步骤S8：将归一化后的样本
Figure GDA0002094984050000115
中的
Figure GDA0002094984050000116
输入到更新后的神经网络模型，得到预测结果，将预测结果与归一化后的样本
Figure GDA0002094984050000117
中的实际输出
Figure GDA0002094984050000118
进行比较，如果比较结果小于预设误差值，所构建的神经网络模型有效；否则重复上述步骤S1-S7，直至比较结果小于所述预设误差值为止。
本发明通过几组测试得到如下的技术效果：
图2a和图2b分别示出了产液量和耗电量的预测结果拟合精度。
图3a和图3b分别示出了产液量和耗电量的实际输出拟合精度。
图4示出了预测产液量与实际输出产液量的相对误差和预测耗电量与实际输出耗电量的相对误差。
本发明中，预设误差值为5％，由于预测产液量与实际输出产液量的相对误差和预测耗电量与实际输出耗电量的相对误差均在5％以内，因此建模有效。
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 (3)

1.一种基于无迹粒子滤波神经网络的油田机采参数建模方法，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,Lxn}；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,L 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，x2L 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
Figure FDA0002094984040000011
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
Figure FDA0002094984040000012
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
Figure FDA0002094984040000013
中的
Figure FDA0002094984040000014
作为所述神经网络模型的输入，将所述归一化后的样本
Figure FDA0002094984040000015
中的
Figure FDA0002094984040000016
作为所述神经网络模型的输出；
其中，所述神经网络模型为：
Figure FDA0002094984040000021
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，
Figure FDA0002094984040000022
为网络输入层到网络隐含层的神经元的连接权值，
Figure FDA0002094984040000023
为所述网络输入层到所述网络隐含层的神经元的阈值，
Figure FDA0002094984040000024
为所述网络隐含层到网络输出层的神经元的连接权值，
Figure FDA0002094984040000025
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；
所述初始状态变量X为：
Figure FDA0002094984040000026
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
Figure FDA0002094984040000027
和
Figure FDA0002094984040000028
重构神经网络表达式，获得油田机采油过程模型；
步骤S8：将所述归一化后的样本
Figure FDA0002094984040000029
中的
Figure FDA00020949840400000210
输入到所述油田机采过程模型，得到预测结果，将所述预测结果与所述归一化后的样本
Figure FDA00020949840400000211
中的实际输出
Figure FDA00020949840400000212
进行比较，如果比较结果小于预设误差值，所构建的油田机采过程模型有效；否则重复上述步骤S1-S7，直至所述比较结果小于所述预设误差值为止。
2.如权利要求1所述的基于无迹粒子滤波神经网络的油田机采参数建模方法，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
Figure FDA00020949840400000213
并将所述初始粒子集中的每个粒子
Figure FDA00020949840400000214
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
Figure FDA00020949840400000215
后，
Figure FDA00020949840400000216
为归一化样本
Figure FDA00020949840400000217
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
Figure FDA00020949840400000218
进行状态估计，得到最优状态估计值
Figure FDA00020949840400000219
和协方差
Figure FDA00020949840400000220
步骤S63：将所述最优状态估计值
Figure FDA00020949840400000221
和协方差
Figure FDA00020949840400000222
作为粒子的重要性密度函数进行抽样，得到新粒子
Figure FDA00020949840400000223
由所有新粒子
Figure FDA00020949840400000224
组成的粒子集
Figure FDA00020949840400000225
中的每个新粒子
Figure FDA00020949840400000226
的正态分布概率密度值如下：
Figure FDA00020949840400000227
Figure FDA0002094984040000031
Figure FDA0002094984040000032
Figure FDA0002094984040000033
其中，
Figure FDA0002094984040000034
为第j个粒子在k+1时刻的状态估计值，
Figure FDA0002094984040000035
为第j个粒子在k+1时刻的方差，Yk+1为k+1时刻真实的观测变量值，
Figure FDA0002094984040000036
为强跟踪算法的第j个粒子在k+1时刻的真实观测变量，
Figure FDA0002094984040000037
为新粒子输入隐含层得到的输出，
Figure FDA0002094984040000038
为第j个粒子在k+1时刻用最优估计抽样得到新粒子，Ik+1为k+1时刻的状态变量，p为每个新粒子
Figure FDA0002094984040000039
的条件概率，randnorm为正态分布随机误差，正态分布密度函数：
Figure FDA00020949840400000310
x、μ、σ分别为正态分布的三个变量；
步骤S64：对新粒子
Figure FDA00020949840400000311
的权值进行更新，并进行归一化处理；其中，
权值更新公式为：
Figure FDA00020949840400000312
权值归一化公式为：
Figure FDA00020949840400000313
其中，
Figure FDA00020949840400000314
为第j个粒子在k时刻的权值，
Figure FDA00020949840400000315
为第j个粒子更新后的k+1时刻的权值；
步骤S65：根据粒子权值和重采样策略对粒子集
Figure FDA00020949840400000316
进行重采样，从而获取新粒子集
Figure FDA00020949840400000317
并求取新粒子集
Figure FDA00020949840400000318
中每个新粒子
Figure FDA00020949840400000319
的状态估计值
Figure FDA00020949840400000320
设变量u，令
Figure FDA00020949840400000321
取u1∈(0,1)
Figure FDA00020949840400000322
Figure FDA00020949840400000323
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
Figure FDA0002094984040000041
的状态估计值
Figure FDA0002094984040000042
作为本时刻的最优估计赋给
Figure FDA0002094984040000043
进行下一时刻的状态估计。
3.如权利要求2所述的基于无迹粒子滤波神经网络的油田机采参数建模方法，利用ST-UKFNN算法对每个粒子
Figure FDA0002094984040000044
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：
Figure FDA0002094984040000045
其中，P为X的协方差；
步骤S622：计算每个采样点的权重，每个采样点的权重如下：
Figure FDA0002094984040000046
其中，
Figure FDA0002094984040000047
为第q个采样点处的状态变量的协方差的权重，Wc (q)第q个采样点处的状态估计和观测预测时的权重，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，
Figure FDA0002094984040000048
是
Figure FDA0002094984040000049
的第一列，Wc (0)是Wc (q)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
Figure FDA00020949840400000410
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
Figure FDA0002094984040000051
和协方差Pk+1|k；其中，
所述状态估计
Figure FDA0002094984040000052
为：
Figure FDA0002094984040000053
其中，
Figure FDA0002094984040000054
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，
Figure FDA0002094984040000055
所述状态先验估计
Figure FDA0002094984040000056
为：
Figure FDA0002094984040000057
所述状态变量的协方差Pk+1|k为：
Figure FDA0002094984040000058
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
Figure FDA0002094984040000059
和k+1时刻的观测预测
Figure FDA00020949840400000510
的联系：
Figure FDA00020949840400000511
其中，νk为观测噪声，其协方差矩阵Rk为cov(vk,vj)＝Rkδkj，
Figure FDA00020949840400000512
步骤S625：通过估计k+1时刻的观测预测
Figure FDA00020949840400000513
的向量，获得k+1时刻的先验观测预测
Figure FDA00020949840400000514
并根据先验观测预测
Figure FDA00020949840400000515
估计k+1时刻的观测预测的协方差
Figure FDA00020949840400000516
k+1时刻的先验观测预测
Figure FDA00020949840400000517
为：
Figure FDA00020949840400000518
k+1时刻的观测预测的协方差
Figure FDA00020949840400000519
Figure FDA00020949840400000520
其中，
Figure FDA00020949840400000521
为所述神经网络模型的隐含层输出，
Figure FDA00020949840400000522
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
Figure FDA0002094984040000061
与k+1时刻的先验观测预测
Figure FDA0002094984040000062
之间的协方差
Figure FDA0002094984040000063
所述协方差
Figure FDA0002094984040000064
为：
Figure FDA0002094984040000065
步骤S627：通过建立协方差
Figure FDA0002094984040000066
和协方差
Figure FDA0002094984040000067
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
Figure FDA0002094984040000068
和协方差
Figure FDA0002094984040000069
其中，建立的协方差
Figure FDA00020949840400000610
和协方差
Figure FDA00020949840400000611
的关系为：
Figure FDA00020949840400000612
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
Figure FDA00020949840400000613
协方差Pk+1为：
Figure FDA00020949840400000614
Figure FDA00020949840400000615
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
Figure FDA00020949840400000616
和协方差Pk+1分别作为k+1时刻的最优状态估计值
Figure FDA00020949840400000617
和协方差
Figure FDA00020949840400000618
CN201610999737.8A 2016-11-14 2016-11-14 基于无迹粒子滤波神经网络的油田机采参数建模方法 Active CN106773667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610999737.8A CN106773667B (zh) 2016-11-14 2016-11-14 基于无迹粒子滤波神经网络的油田机采参数建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610999737.8A CN106773667B (zh) 2016-11-14 2016-11-14 基于无迹粒子滤波神经网络的油田机采参数建模方法

Publications (2)

Publication Number Publication Date
CN106773667A CN106773667A (zh) 2017-05-31
CN106773667B true CN106773667B (zh) 2020-07-10

Family

ID=58973532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610999737.8A Active CN106773667B (zh) 2016-11-14 2016-11-14 基于无迹粒子滤波神经网络的油田机采参数建模方法

Country Status (1)

Country Link
CN (1) CN106773667B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229970B (zh) * 2017-06-27 2018-08-17 重庆科技学院 共享直饮水水质自适应动态自学习在线监测系统
CN107725037A (zh) * 2017-09-27 2018-02-23 中国石油大学(北京) 基于双测点测量的井下气侵工况确定方法及系统
CN112329324B (zh) * 2020-10-29 2023-01-24 重庆科技学院 基于mcmc-upfnn的铝电解工耗演化模型构建方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US8983940B2 (en) * 2011-09-02 2015-03-17 Adobe Systems Incorporated K-nearest neighbor re-ranking
CN103116272B (zh) * 2013-01-28 2016-02-03 重庆科技学院 一种氢氰酸生产过程的在线自适应建模方法
CN104680023B (zh) * 2015-03-12 2017-08-29 重庆科技学院 基于多目标决策的抽油机参数优化方法
CN105046326B (zh) * 2015-03-13 2019-04-19 重庆科技学院 基于功图主元分析的抽油机参数优化方法
CN105045941B (zh) * 2015-03-13 2018-11-02 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

Also Published As

Publication number Publication date
CN106773667A (zh) 2017-05-31

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
CN105045941B (zh) 基于无迹卡尔曼滤波的抽油机参数优化方法
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
ElNozahy et al. A probabilistic load modelling approach using clustering algorithms
CN108155648A (zh) 基于自适应h无穷扩展卡尔曼滤波的状态估计方法
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
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN108074015B (zh) 一种风电功率超短期预测方法及系统
CN112699572A (zh) 一种基于时滞相关性分析预测滑坡变形的方法
CN108804720B (zh) 基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法
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
CN105931130A (zh) 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法
CN115130495A (zh) 一种滚动轴承故障预测方法及系统
CN110070202A (zh) 一种通过用电量数据预测经济产出的方法
CN108808657B (zh) 一种电力负荷短期预测方法
CN104680023A (zh) 基于多目标决策的抽油机参数优化方法
Liu et al. A hybrid LSSVR-HMM based prognostics approach
Zhang et al. BP-PSO-based intelligent case retrieval method for high-rise structural form selection
CN104680259A (zh) 抽油机运行参数的节能优化方法
CN109902266B (zh) 一种基于Copula函数的河道流量演算方法
Kose et al. Prediction of the vertical displacement on the crest of Keban Dam
CN110991723A (zh) 一种人工智能在季节性负荷预测中的应用方法
CN106530130A (zh) 油田机采过程动态演化建模与节能优化方法
Zhou et al. General regression neural network forecasting model based on PSO algorithm in water demand
CN108363679B (zh) 一种自动追踪结构模态参数的方法

Legal Events

Date Code Title Description
PB01 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