基于功圖主元分析的抽油機(jī)參數(shù)優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于采油領(lǐng)域，具體涉及一種基于功圖主元分析的抽油機(jī)參數(shù)優(yōu)化方法。
【背景技術(shù)】
[0002] 抽油機(jī)采油作為一種機(jī)械采油方式，主要由電動(dòng)機(jī)、地面?zhèn)鲃?dòng)設(shè)備和井下抽油設(shè) 備三部分組成，如圖1所示。抽油機(jī)的整個(gè)采油過(guò)程主要分為上下兩個(gè)沖程：上沖程，即驢 頭懸點(diǎn)向上運(yùn)動(dòng)，提起抽油桿柱和井下抽油設(shè)備，此過(guò)程中電動(dòng)機(jī)需消耗大量的能量；下沖 程，即驢頭懸點(diǎn)向下運(yùn)動(dòng)，抽油機(jī)的抽油桿柱電動(dòng)機(jī)做功。在抽油桿柱上下運(yùn)動(dòng)過(guò)程中，電 動(dòng)機(jī)的負(fù)載發(fā)生周期變化。抽油機(jī)的運(yùn)行參數(shù)的選擇對(duì)整個(gè)抽油機(jī)系統(tǒng)的能量消耗影響很 大。為了使抽油機(jī)采油生產(chǎn)過(guò)程既能完成預(yù)定的產(chǎn)液量，又能使抽油機(jī)生產(chǎn)過(guò)程的耗電量 最低，需要對(duì)抽油機(jī)運(yùn)行參數(shù)進(jìn)行節(jié)能優(yōu)化。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明是為了解決現(xiàn)有技術(shù)中存在的上述技術(shù)問(wèn)題而做出，其目的在于提供一種 基于功圖主元分析的抽油機(jī)參數(shù)優(yōu)化方法，以保證抽油機(jī)的生產(chǎn)狀態(tài)最佳，從而達(dá)到減少 能耗，提尚系統(tǒng)效率的目的。
[0004] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于功圖主元分析的抽油機(jī)參數(shù)優(yōu)化方法， 該方法包括的步驟如下：
[0005] 1)確定抽油機(jī)采油過(guò)程生產(chǎn)效率影響因素構(gòu)成效率觀測(cè)變量集合 _成，:知…％)，其中a i，α2為決策變量，α 3~α 146載荷數(shù)據(jù)環(huán)境變量，私廣⑥為其他環(huán) 境變量，選取抽油機(jī)系統(tǒng)的性能變量構(gòu)成性能觀測(cè)變量集合：{y:，y2, y3, 一y];
[0006] 2)獲得所述生產(chǎn)效率影響因素和系統(tǒng)性能變量的樣本數(shù)據(jù)，得到效率影響因素樣 本矩陣α和性能樣本矩陣Y :
[0009] 其中M為效率影響因素個(gè)數(shù)，N為樣本個(gè)數(shù)，a lk表示第i個(gè)效率影響因素變量的 第 k 個(gè)觀測(cè)值，i = 1，2, · · ·，M ;k = 1，2, · · ·，N ;
[0010] 3)利用主元分析算法對(duì)載荷數(shù)據(jù)進(jìn)行降維處理，從而構(gòu)建新的載荷主元變量矩 陣：
[0012] 4)由影響因素觀測(cè)變量集合丨《^?^，《^…〃,，丨中非載荷變量與載荷新主元觀測(cè)變量 集合卜^^^ + ^一構(gòu)建網(wǎng)絡(luò)輸入變量集合：丨~化~^^~乂^^~卜并令輸入變
里集合為：{叉1，叉2，叉3，...，叉"}，艮口，{%,{^，以147,~:,獲癢乂化'!.，:'..':: ,獲緝}._['1"'；；，'<'3"."'''.1，1;
[0013] 5)構(gòu)建輸入變量集合Ix1, x2, x3, ···，xM}觀測(cè)樣本值：
[0016] 其中，Xl~X2為決策變量，x3~x M為新的環(huán)境變量；
[0017] 6)對(duì)得到的訓(xùn)練輸入樣本X、輸出樣本Y進(jìn)行歸一化處理，得到新的訓(xùn)練輸入矩陣 #、輸出矩陣# ;
[0022] 7)構(gòu)建三層前饋神經(jīng)網(wǎng)絡(luò)，其輸入變量集為Ι = [?ν·.Aif，輸出變量集為 ? = …Jif，隱含層神經(jīng)元個(gè)數(shù)為S1，輸入層、隱含層、輸出層通過(guò)權(quán)值、閾值進(jìn)行連 接，并且該神經(jīng)網(wǎng)絡(luò)的輸入輸出函數(shù)表達(dá)式為：
[0023]
[0024] 式中函數(shù)F(X)為S型函數(shù)；
[0025] 8)利用無(wú)跡卡爾曼濾波對(duì)所述前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到該神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參 數(shù)值，該訓(xùn)練過(guò)程包括：
[0026] ①將所述神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值和閾值組成狀態(tài)變量I :
[0028] 其中，M為輸入層神經(jīng)元數(shù)，S1為隱層神經(jīng)元數(shù)，1為輸出層神經(jīng)元數(shù)，輸入層至隱 層神經(jīng)元的連接權(quán)值為 <(丨=〇，1，.'.，紙& = 1,2，...，幻，閾值為4(/^1，2,..4)，:隱層至輸出層的 連接權(quán)值為4# = 0，1，1^1;/ = 1，2，1-/)，閾值為&〗(_/ = 1，2工，/)，1中的元素個(gè)數(shù)為11;設(shè)定非線
性方程：
[0029]
[0030] 其中，p函數(shù)表達(dá)式參考步驟7)，Jf為K時(shí)刻的神經(jīng)網(wǎng)絡(luò)歸一化輸入樣本，令cok =0, Vk= 0，擎為神經(jīng)網(wǎng)絡(luò)歸一化輸出樣本；
[0031] ②設(shè)定無(wú)跡卡爾曼計(jì)算過(guò)程中控制采樣點(diǎn)的分布狀態(tài)參數(shù)a、待選參數(shù)κ，以及 非負(fù)權(quán)系數(shù)β ;
[0032] ③計(jì)算2η+1個(gè)采樣點(diǎn)σ點(diǎn)以及σ點(diǎn)的相應(yīng)權(quán)重，其中η為狀態(tài)矩陣的I維度， λ = a2(n+i〇-n，2n+l個(gè)采樣點(diǎn)計(jì)算如下：
[0038] ⑤計(jì)算輸出的一步提前預(yù)測(cè)以及協(xié)方差
[0040] ⑥進(jìn)行濾波更新獲取新的狀態(tài)矩陣、協(xié)方差矩陣、增益矩陣：
[0042] ⑦對(duì)獲取的新樣本數(shù)據(jù)(ILt)重新進(jìn)行②~⑥步驟，直至所有樣本對(duì)狀態(tài)矩 陣、協(xié)方差矩陣、增益矩陣進(jìn)行了更新，從而得到適應(yīng)于所有樣本狀態(tài)矩陣；
[0043] ⑧對(duì)最后一組樣本得到狀態(tài)矩陣I，作為網(wǎng)絡(luò)訓(xùn)練得到的權(quán)值和閾值；
[0044] ⑨在得到網(wǎng)絡(luò)參數(shù)各層權(quán)值、閾值后，確定所述前饋神經(jīng)網(wǎng)絡(luò)的函數(shù)模型為：
[0045] 7(X) = g-1(f(l)) = g-1(f(/(X)))
[0046] 9)利用決策變量（Xl，x2)構(gòu)建多目標(biāo)優(yōu)化過(guò)程父代種群P D，
[0047]
[0048] 其中，父代種群Pd中的個(gè)體^ (UotS句的數(shù)量為K，并從X1的取值范圍 Χ?,ηπ# Xl彡X L內(nèi)隨機(jī)取值賦予-YS ，從X2的取值范圍X2lHllnS X 2彡X2lHlax內(nèi)隨 機(jī)取值賦予、（^ 〃），從而對(duì)父代種群Pd進(jìn)行初始化；
[0049] 10)從父代種群Pd中選出任意對(duì)個(gè)體，對(duì)于每對(duì)個(gè)體（4，唸）、 (Λ'Κ:) (I S S /a S ? S /〇進(jìn)行遺傳交叉計(jì)算或變異計(jì)算，并將計(jì)算結(jié)果賦予子代種群Qd 中相應(yīng)的一對(duì)個(gè)體(滄，邊）、（亡，滄）；
[0050] 11)將父代種群Pd與子代種群Qd進(jìn)行合并得到種群R = PdU QD，即有 Λ = ) 11U 2尤卜 ) 115 m )11。 (?4,.'^與環(huán)境變量平均值..系，3 = 3,*"，]/[合成輸入樣本夂=[4.\么；^~1'1/]_，并計(jì) 算相應(yīng)的適應(yīng)度函數(shù).0???::(爲(wèi))_= [*(九(尤)).
[0051 ] 12)將種群R的所有個(gè)體所對(duì)應(yīng)的適應(yīng)度函數(shù)相互進(jìn)行比較，將種群R的所有個(gè)體 劃分到具有不同層級(jí)的非支配集中，其中，對(duì)于層級(jí)較低的非支配集中的任一個(gè)體 所對(duì)應(yīng)的適應(yīng)度函數(shù)〇b jFun (Xs)和層級(jí)較高的非支配集中的任一個(gè)體(χΚ,)所對(duì)應(yīng)的適 應(yīng)度函數(shù) ob jFun (Xt)來(lái)說(shuō)，均不存在 A(.i\ (X,)) < /!(j\ (Xi))且.?'2 (X,) < _i'2 (Xs) 7 而對(duì)于同一層 級(jí)的非支配集中的任兩個(gè)個(gè)體來(lái)說(shuō)，該兩個(gè)不等式中至少有一個(gè)不成立；
[0052] 13)按照層級(jí)從低到高的順序從所述非支配集中選擇K個(gè)個(gè)體，將選擇出的K 個(gè)個(gè)體的值賦予父代種群P d中的個(gè)體，并執(zhí)行步驟10)-步驟13)的過(guò)程GEN次，GEN為
預(yù)先確定的循環(huán)次數(shù)，最終得到優(yōu)化后的L組決策變量 將優(yōu)化后的決策變量以及所述環(huán)境變量的平均值構(gòu)成優(yōu)化后的輸入樣本
，這K個(gè)樣本保證了在產(chǎn)液量最大，耗電量最小。
[0053] 本發(fā)明的有益效果是，利用功圖主元分析方法進(jìn)行降維，以簡(jiǎn)化計(jì)算過(guò)程，利用無(wú) 跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)（UKFNN)建立油田機(jī)采過(guò)程實(shí)施動(dòng)態(tài)演化高精度模型，并利用帶精 英策略的快速非支配排序遺傳算法對(duì)建立的模型進(jìn)行搜索，探尋抽油機(jī)生產(chǎn)過(guò)程中最佳工 藝決策參數(shù)，給出面向節(jié)能降耗的抽油機(jī)生產(chǎn)最佳參數(shù)指導(dǎo)生產(chǎn)，從而達(dá)到節(jié)能降耗目的。 通過(guò)選擇優(yōu)化后的運(yùn)行參數(shù)，可以使抽油機(jī)在運(yùn)行過(guò)程中保證在產(chǎn)液量基本固定的情況 下，耗電量最小，從而可以降低油田生產(chǎn)成本并提高油田生產(chǎn)效率。
【附圖說(shuō)明】
[0054] 圖1示出了抽油機(jī)的工作模型；
[0055] 圖2示出了本發(fā)明一個(gè)實(shí)施例所述的基于功圖主元分析的抽油機(jī)參