基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于采油領(lǐng)域，具體涉及一種基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法。
【背景技術(shù)】
[0002] 抽油機采油作為一種機械采油方式，主要由電動機、地面?zhèn)鲃釉O(shè)備和井下抽油設(shè) 備三部分組成，如圖1所示。抽油機的整個采油過程主要分為上下兩個沖程：上沖程，即驢 頭懸點向上運動，提起抽油桿柱和井下抽油設(shè)備，此過程中電動機需消耗大量的能量；下沖 程，即驢頭懸點向下運動，抽油機的抽油桿柱電動機做功。在抽油桿柱上下運動過程中，電 動機的負(fù)載發(fā)生周期變化。抽油機的運行參數(shù)的選擇對整個抽油機系統(tǒng)的能量消耗影響很 大。為了使抽油機采油生產(chǎn)過程既能完成預(yù)定的產(chǎn)液量，又能使抽油機生產(chǎn)過程的耗電量 最低，需要對抽油機運行參數(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)問題而做出，其目的在于提供一種 基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，以保證抽油機的生產(chǎn)狀態(tài)最佳，從而達(dá)到減少能 耗，提1?系統(tǒng)效率的目的。
[0004] 為了實現(xiàn)上述目的，本發(fā)明提供一種基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，該 方法包括的步驟如下：
[0005] 1、一種基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，包括如下步驟：
[0006] 1)確定抽油機采油過程生產(chǎn)效率影響因素構(gòu)成效率觀測變量集合 ，…(?}，其中ai，Ct2為決策變量，a3~a146載荷數(shù)據(jù)環(huán)境變量，a147~aff為其他環(huán) 境變量，選取抽油機系統(tǒng)的性能變量構(gòu)成性能觀測變量集合：Iy1,y2,y3,…yj;
[0007] 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a和性能樣本矩陣Y:
【主權(quán)項】
1. 一種基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，包括如下步驟： 1) 確定抽油機采油過程生產(chǎn)效率影響因素構(gòu)成效率觀測變量集合!αι，°^?3，···《?}，其 中CI 1, CI2為決策變量，α 3~α 146載荷數(shù)據(jù)環(huán)境變量，為其他環(huán)境變量，選取抽油 機系統(tǒng)的性能變量構(gòu)成性能觀測變量集合：{yi，y 2, y3,; 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 :
其中汾為效率影響因素個數(shù)，N為樣本個數(shù)，a ik表示第i個效率影響因素變量的第k 個觀測值，i = 1，2, · · ·，M ;k = 1，2, · · ·，N ; 3) 利用主元分析算法對載荷數(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：
4) 由影響因素觀測變量集合々，^^，…《"中非載荷變量與載荷新主元觀測變量集合 {、，^，...，^丨構(gòu)建網(wǎng)絡(luò)輸入變量集合：丨~巧為^…七^^…七卜并令輸入變量集 合為：{x" X2, X3, · · ·，XM},艮P，{α?，《2，》147，···，?Λ-?,?:1，···，《^)=&?，·^，- γ3，···，~；； 5) 構(gòu)建輸入變量集合Ix1, χ2, χ3,...，χΜ}觀測樣本值：
其中，Xi~X 2為決策變量，X 3~X M為新的環(huán)境變量； 6) 對得到的訓(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X、 輸出矩陣F;
7) 在歸一化后樣本集中，選取樣本集前々組樣本作為網(wǎng)絡(luò)訓(xùn)練樣本集，:Pram]，則 樣本集剩余TV-及組作為測試樣本集[尤terfJtei]，其中々=(0.8~0.9)* W，其中：訓(xùn)練樣本集和 測試樣本集分別為：
8) 構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)，以系統(tǒng)效率影響因素七，4，····，4作為網(wǎng)絡(luò)的輸入， V15V25……，JV作為網(wǎng)絡(luò)輸出，采用所述訓(xùn)練輸入樣本[戈_，F(xiàn)m""]對該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最 終得到可計算出任一組輸入觀測值X1, X2, ...，Xm所對應(yīng)的輸出預(yù)測值j = [A,A,···,Α?的廣 義回歸神經(jīng)網(wǎng)絡(luò)：
其中，為函數(shù)g的反函數(shù)； 9) 針對產(chǎn)液量71構(gòu)造其偏好函數(shù)h = h (y J，該偏好函數(shù)為U形曲線，在其整個定義域 上二階可導(dǎo)且二階導(dǎo)數(shù)恒大于零，將產(chǎn)液量Y1的值劃分為好、較好、一般、較差和極差5個 區(qū)域，并通過所述偏好函數(shù)將該五個區(qū)域量化為數(shù)值h = h(yi);其中，產(chǎn)液量71處于好區(qū) 域?qū)?yīng)偏好函數(shù)最小值； 10) 構(gòu)建評價決策變量個體支配關(guān)系的適應(yīng)度函數(shù)，系統(tǒng)的性能變量選取產(chǎn)液量（yi)、 耗電量（y2)，結(jié)合步驟S9構(gòu)建的產(chǎn)液量偏好函數(shù)，得到適應(yīng)度函數(shù)如下： 11) 計算抽油機工藝系統(tǒng)環(huán)境變量的平均值，以作為優(yōu)化決策參數(shù)時的環(huán)境狀態(tài)；
12) 利用決策變量Xl，X2構(gòu)建初始種群P的個體，即Pk= [xlk，x2k]，設(shè)置決策變量的上 下限Xmin、X niax，即XlminS X 1彡X imax，XaninS X 2彡X ，利用決策變量（Xi，X2)的K對數(shù)據(jù)構(gòu) 建初始種群p，即，初始化種群p，令其為第一代父代種群；生 成一個空的精英解種群1 =0 ;設(shè)置精英個體個數(shù)為f。設(shè)置最大遺傳代數(shù)GEN = 100 ; 13) 進(jìn)行第一次遺傳迭代計算，并得到第二代精英種群A2、第二代父代種群P2。具體步 驟如下： ① 個體強度求取，將第一代父代種群與精英解種群組合成種群Rt，即Rt= P 1UA1,求取 種群Rt中每個個體的原始適應(yīng)度函數(shù)值，并比較個體之間的相互支配關(guān)系；定義變量R(c) 為種群R t中第c個個體強度，即第c個個體可以被種群Rt其他個體支配的數(shù)量；其中個體 Rt(C)原始適應(yīng)度函數(shù)值求取過程如下：通過種群個體Rt (c)與環(huán)境狀態(tài)變量平均值S組建 輸入樣本毛=，…，，計算樣本X。原始適應(yīng)度函數(shù)值沖細(xì)(夂)= P(A)J2丨，并作為 個體Rt (c)的原始適應(yīng)度函數(shù)值； ② 個體密度求取，利用個體Rt (i)與種群Rt中第b個鄰近個體的距離值of，則個體 Rt(C)密度函數(shù)
③ 求個體的適應(yīng)值，將上述所求個體Rt (C)的強度R(C)和所求個體Rt (C)的密度值 D(C)的相加作為個體Rt (c)的適應(yīng)值； ④ 在種群Rt將所有的非支配個體全部放入精英種群A 2,但要保持精英種群個體數(shù)為 無；此時存在三種情況：A2中個體數(shù)為無，則不需要在操作，如果A 2中個體數(shù)小于K，則需要 在種群Rt剩余個體中選取適應(yīng)值較小的個體放入A2中，保持A 2個體數(shù)為K ;如果A2中個體 數(shù)大于K，則需要在A2個體中比較個體的密度值D (c)，將密度值較大的個體剔除，以保持A 2 個體數(shù)為K ; ⑤ 將A2中個體放入交配池中進(jìn)行遺傳操作得到第二代父代種群P 2; ⑥ 將第二代父代種群P2與第二代精英種群A 2組合，并重復(fù)①~⑤過程，直至gen = GEN，輸出精英種群AeEN，將八^的個體作為優(yōu)化結(jié)果； 14) 將優(yōu)化后的決策變量，以及環(huán)境變量的平均值帶入建立工藝過程模型，計算優(yōu)化后 的決策變量的系統(tǒng)性能，該優(yōu)化后的決策變量取值可保證在固定產(chǎn)液量的情形下，耗電量 降低。
2. 如權(quán)利要求1所述的基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，其中， 所述決策變量a i為沖次、決策變量α 2為有效沖程、α 3~α 146為載荷1至載荷144， 其余環(huán)境變量包括：理論排量、功率因數(shù)、有功功率、無功功率、含水率中的一個或多個變 量；所述抽油機生產(chǎn)過程性能變量Y1為產(chǎn)液量、y 2為耗電量。
3. 如權(quán)利要求1所述的基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，其中， 設(shè)所述決策變量、環(huán)境變量和性能變量的觀測值采集周期的最大值為tmax，則這些變 量中的任一變量的樣本取為tmax時間內(nèi)該變量的觀測值的平均值。
4. 如權(quán)利要求1所述的基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，其中， 利用主元分析算法對載荷數(shù)據(jù)進(jìn)行降維處理的步驟包括： ① 設(shè)置樣本累計貢獻(xiàn)率precent = 0· 95 ; ② 獲取載荷數(shù)據(jù)4，?，...，每個Lk具有第k觀測變量的N個觀測數(shù) 據(jù)，3彡k彡146 ;
③ 求出數(shù)據(jù)平均{I 并利用原始數(shù)據(jù)減去均值得到. ~~ JLjj λ K K K ~ ④ 計算協(xié)方差矩陣
⑤ 計算協(xié)方差矩陣的特祉值E1, E2, ...，E144與特征向量EV i，EV2, .·.，EV144; ⑥ 由大到小依次排列特征值E ' i，E ' 2,. . .，Ε' Μ，對應(yīng)特征向量為 EV' i，EV' 2，...，EV' I44，按特征值大小順序取前d個特征值的特征向量構(gòu)成矩陣 [EV，i，EV，2，…，EV，J，此時
，其中 d〈144; ⑦ 由[EV' pEV' 2，...，EV' d]與原始樣本求取載荷新的主元，其新載 荷主元觀測變量構(gòu)成集合：{ α zl，a z2, . . .，a J，其為d個新變量，且每個變量為N個觀測 值構(gòu)成的新主元矩陣：
5. 如權(quán)利要求1所述的基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，其中， 所述歸一化處理的算法如下：
其中：^?、心》為設(shè)定輸入變量歸一化后數(shù)據(jù)范圍的最大值、最小值； XikS歸一化前的第i個輸入變量第k個樣本值； 勾為歸一化后第i個輸入變量第k個樣本值； xi,mm= min{x ik| I ^ k ^ N} Xi,max= maX ?Χ ik U ^ k ^ N} $_、Jsmin為設(shè)定輸出變量歸一化后數(shù)據(jù)范圍的最大值、最小值； yjk為歸一化前第j個輸出變量的第k個采集樣本值； h為歸一化后第j個輸出變量的第k個值；
6.如權(quán)利要求1所述的基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，其中， 所述廣義回歸神經(jīng)網(wǎng)絡(luò)包括輸入層、模式層、求和層和輸出層； 所述輸入層包括M個節(jié)點，分別輸入々，々，····，心； 所述模式層包括W個節(jié)點，第k個節(jié)點的激活函數(shù)為：
其中，定義f中所有樣本與樣本尤的距離的平方的指數(shù)平方貧 的指數(shù)形式，而足為訓(xùn)練樣本集中第k組訓(xùn)練輸入樣本，，…δ為光滑因 子； 所述求和層包括一個求和節(jié)點和1個加權(quán)求和節(jié)點，所述求和節(jié)點的輸出為：
所述第j個加權(quán)求和節(jié)點的輸出為
，j = 1，2,. . .，1，其中， Wjk為模式層第k個節(jié)點與求和層第j個加權(quán)求和節(jié)點之間的連接權(quán)值，由訓(xùn)練輸出樣本第 j個輸出變量h中的第k個觀測值確定，即= % ; 所述輸出層包括1個節(jié)點，第j個節(jié)點的輸出為歸一化后的性能變量的估計值
取采集的訓(xùn)練輸入樣本[足，…，乙]輸入所述廣義回歸神經(jīng)網(wǎng)絡(luò)，選 取δ e [〇,2]，通過步進(jìn)遞增光滑因子δ，求出歸一化后的性能變量的估計值 f = p I2…Ι,Τ與其所對應(yīng)的歸一化后的性能變量的采樣值f =丨另j>2…之間 的誤差在最小時的光滑因子S，最終得到可計算出任一組輸入觀測值X1, x2, . . .，％所對應(yīng) 的輸出預(yù)測值f = [.?，··、.?·/?的廣義回歸神經(jīng)網(wǎng)絡(luò)：
7.如權(quán)利要求1所述的基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，其中， 計算環(huán)境參數(shù)平均值具體算法如下：
其中N為該環(huán)境變量訓(xùn)練樣本數(shù)量。
【專利摘要】本發(fā)明提供一種基于多目標(biāo)決策的抽油機參數(shù)優(yōu)化方法，包括：1)確定抽油機的生產(chǎn)效率影響因素和性能變量、2)獲得其樣本數(shù)據(jù)、3)對載荷數(shù)據(jù)降維、4)由非載荷變量與載荷新主元構(gòu)建網(wǎng)絡(luò)輸入變量集、5)構(gòu)建輸入變量的樣本值、6)歸一化處理、7)選取訓(xùn)練和測試樣本、8)構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)并訓(xùn)練、9)構(gòu)造產(chǎn)液量偏好函數(shù)、10)構(gòu)建評價決策變量個體支配關(guān)系的適應(yīng)度函數(shù)、11)計算系統(tǒng)環(huán)境變量的平均值、12)利用決策變量構(gòu)建初始種群并生成精英解種群、13)進(jìn)行遺傳迭代計算，得到第二代精英種群和父代種群、14)迭代循環(huán)，最終得到優(yōu)化后的生產(chǎn)效率影響因素值。優(yōu)化后，可保證在產(chǎn)液量基本固定的情況下耗電量最小。
【IPC分類】G06F19-00
【公開號】CN104680023
【申請?zhí)枴緾N201510108748
【發(fā)明人】辜小花, 李太福, 裴仰軍, 曹旭鵬, 王坎, 高論, 任曉超, 賁福才
【申請人】重慶科技學(xué)院
【公開日】2015年6月3日
【申請日】2015年3月12日