CN104680023A - 基于多目标决策的抽油机参数优化方法 - Google Patents
基于多目标决策的抽油机参数优化方法 Download PDFInfo
- Publication number
- CN104680023A CN104680023A CN201510108748.8A CN201510108748A CN104680023A CN 104680023 A CN104680023 A CN 104680023A CN 201510108748 A CN201510108748 A CN 201510108748A CN 104680023 A CN104680023 A CN 104680023A
- Authority
- CN
- China
- Prior art keywords
- alpha
- variable
- value
- population
- sample
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- External Artificial Organs (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于多目标决策的抽油机参数优化方法,包括:1)确定抽油机的生产效率影响因素和性能变量、2)获得其样本数据、3)对载荷数据降维、4)由非载荷变量与载荷新主元构建网络输入变量集、5)构建输入变量的样本值、6)归一化处理、7)选取训练和测试样本、8)构建广义回归神经网络并训练、9)构造产液量偏好函数、10)构建评价决策变量个体支配关系的适应度函数、11)计算***环境变量的平均值、12)利用决策变量构建初始种群并生成精英解种群、13)进行遗传迭代计算,得到第二代精英种群和父代种群、14)迭代循环,最终得到优化后的生产效率影响因素值。优化后,可保证在产液量基本固定的情况下耗电量最小。
Description
技术领域
本发明属于采油领域,具体涉及一种基于多目标决策的抽油机参数优化方法。
背景技术
抽油机采油作为一种机械采油方式,主要由电动机、地面传动设备和井下抽油设备三部分组成,如图1所示。抽油机的整个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,提起抽油杆柱和井下抽油设备,此过程中电动机需消耗大量的能量;下冲程,即驴头悬点向下运动,抽油机的抽油杆柱电动机做功。在抽油杆柱上下运动过程中,电动机的负载发生周期变化。抽油机的运行参数的选择对整个抽油机***的能量消耗影响很大。为了使抽油机采油生产过程既能完成预定的产液量,又能使抽油机生产过程的耗电量最低,需要对抽油机运行参数进行节能优化。
发明内容
本发明是为了解决现有技术中存在的上述技术问题而做出,其目的在于提供一种基于多目标决策的抽油机参数优化方法,以保证抽油机的生产状态最佳,从而达到减少能耗,提高***效率的目的。
为了实现上述目的,本发明提供一种基于多目标决策的抽油机参数优化方法,该方法包括的步骤如下:
1、一种基于多目标决策的抽油机参数优化方法,包括如下步骤:
1)确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α1,α2为决策变量,α3~α146载荷数据环境变量,为其他环境变量,选取抽油机***的性能变量构成性能观测变量集合:{y1,y2,y3,…yl};
2)获得所述生产效率影响因素和***性能变量的样本数据,得到效率影响因素样本矩阵α和性能样本矩阵Y:
其中为效率影响因素个数,N为样本个数,αik表示第i个效率影响因素变量的第k个观测值,i=1,2,...,M;k=1,2,...,N;
3)利用主元分析算法对载荷数据进行降维处理,从而构建新的载荷主元变量矩阵:
4)由影响因素观测变量集合中非载荷变量与载荷新主元观测变量集合{αz1,αz2,...,αzd}构建网络输入变量集合:并令输入变量集合为:{x1,x2,x3,...,xM},即,
5)构建输入变量集合{x1,x2,x3,...,xM}观测样本值:
其中,x1~x2为决策变量,x3~xM为新的环境变量;
6)对得到的训练输入样本X、输出样本Y进行归一化处理,得到新的训练输入矩阵输出矩阵
7)在归一化后样本集中,选取样本集前组样本作为网络训练样本集则样本集剩余组作为测试样本集其中 其中:训练样本集和测试样本集分别为:
8)构建广义回归神经网络网络,以***效率影响因素作为网络的输入,作为网络输出,采用所述训练输入样本对该网络进行训练,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
其中,g-1为函数g的反函数;
9)针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线,在其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值;
10)构建评价决策变量个体支配关系的适应度函数,***的性能变量选取产液量(y1)、耗电量(y2),结合步骤S9构建的产液量偏好函数,得到适应度函数如下:
11)计算抽油机工艺***环境变量的平均值,以作为优化决策参数时的环境状态;
12)利用决策变量x1,x2构建初始种群P的个体,即Pk=[x1k,x2k],设置决策变量的上下限xmin、xmax,即x1min≤x1≤x1max,x2min≤x2≤x2max,利用决策变量(x1,x2)的K对数据构建初始种群P,即初始化种群P,令其为第一代父代种群;生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN=100;
13)进行第一次遗传迭代计算,并得到第二代精英种群A2、第二代父代种群P2。具体步骤如下:
①个体强度求取,将第一代父代种群与精英解种群组合成种群Rt,即Rt=P1UA1,求取种群Rt中每个个体的原始适应度函数值,并比较个体之间的相互支配关系;定义变量R(c)为种群Rt中第c个个体强度,即第c个个体可以被种群Rt其他个体支配的数量;其中个体Rt(c)原始适应度函数值求取过程如下:通过种群个体Rt(c)与环境状态变量平均值组建输入样本计算样本Xc原始适应度函数值并作为个体Rt(c)的原始适应度函数值;
②个体密度求取,利用个体Rt(i)与种群Rt中第b个邻近个体的距离值则个体Rt(c)密度函数
③求个体的适应值,将上述所求个体Rt(c)的强度R(c)和所求个体Rt(c)的密度值D(c)的相加作为个体Rt(c)的适应值;
④在种群Rt将所有的非支配个体全部放入精英种群A2,但要保持精英种群个体数为此时存在三种情况:A2中个体数为则不需要在操作,如果A2中个体数小于则需要在种群Rt剩余个体中选取适应值较小的个体放入A2中,保持A2个体数为如果A2中个体数大于则需要在A2个体中比较个体的密度值D(c),将密度值较大的个体剔除,以保持A2个体数为
⑤将A2中个体放入交配池中进行遗传操作得到第二代父代种群P2;
⑥将第二代父代种群P2与第二代精英种群A2组合,并重复①~⑤过程,直至gen=GEN,输出精英种群AGEN,将AGEN的个体作为优化结果;
14)将优化后的决策变量,以及环境变量的平均值带入建立工艺过程模型,计算优化后的决策变量的***性能,该优化后的决策变量取值可保证在固定产液量的情形下,耗电量降低。
本发明的有益效果是,利用广义回归神经网络(GRNN)建立油田机采过程的高精度模型,并运用具有智能特性的进化算法改进强度Pareto进化算法(Strength Pareto evolutionary algorithm 2,SPEA2)对建立的模型进行搜索,探寻抽油机生产过程中最佳工艺决策参数,给出面向节能降耗的抽油机生产最佳参数,指导生产。通过选择优化后的运行参数,可以使抽油机在运行过程中保证在产液量基本固定且具有最小偏好值的情况下,耗电量最小,从而可以降低油田生产成本并提高油田生产效率。
附图说明
图1示出了抽油机的工作模型;
图2示出了本发明一个实施例所述的基于多目标决策的抽油机参数优化方法的流程图;
图3示出了本发明一个实施例中的广义回归神经网络的结构;
图4示出了本发明一个实施例中的产液量偏好函数的图形;
图5示出了利用本发明的方法训练神经网络所产生的产液量训练效果图;
图6示出了利用本发明的方法训练神经网络所产生的耗电量训练效果图;
图7示出了测试样本产液量预测效果图;
图8示出了测试样本耗电量预测效果图;
图9示出了偏好函数的图形;
图10示出了产液量偏好值与耗电量的pareto解集关系。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中,为了便于描述一个或多个实施例,公知的结构和设备以方框图的形式示出。
图2是流程图,示出了本发明的一个实施例所述的基于多目标决策的抽油机参数优化方法。如图2所示,本发明所述的基于多目标决策的抽油机参数优化方法包括如下步骤:
步骤S1:确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α1,α2为决策变量,α3~α146载荷数据环境变量,为其他环境变量,选取抽油机***的性能变量构成性能观测变量集合:{y1,y2,y3,…yl}。
在本发明的一个实施例中,选取决策变量α1为冲次、决策变量α2为有效冲程、α3~α146为载荷1至载荷144,其余环境变量包括:理论排量、功率因数、有功功率、无功功率、含水率中的一个或多个变量;选取抽油机生产过程性能变量y1为产液量、y2为耗电量。
步骤S2:获得所述生产效率影响因素和***性能变量的样本数据,得到效率影响因素样本矩阵α和性能样本矩阵Y:
其中为效率影响因素个数,N为样本个数,αik表示第i个效率影响因素变量的第k个观测值,i=1,2,...,M;k=1,2,...,N。
设所述决策变量、环境变量和性能变量的观测值采集周期的最大值为tmax,则这些变量中的任一变量的样本取为tmax时间内该变量的观测值的平均值。
步骤S3:利用主元分析算法对载荷数据进行降维处理,从而构建新的载荷主元变量。本发明中采用示功图描绘数据的144个载荷点做为部分环境变量进行建模。然而利用144维数据建模为参数维度灾难。故而利用主元分析算法对载荷数据进行降维处理。
在一个实施例中,利用主元分析算法对载荷数据进行降维处理的步骤可以包括:
①设置样本累计贡献率precent=0.95;
②获取载荷数据每个Lk具有第k观测变量的N个观测数据,3≤k≤146;
③求出数据平均值并利用原始数据减去均值得到
④计算协方差矩阵
⑤计算协方差矩阵的特征值E1,E2,...,E144与特征向量EV1,EV2,...,EV144;
⑥由大到小依次排列特征值E′1,E′2,...,E′M,对应特征向量为EV′1,EV′2,...,EV′144,按特征值大小顺序取前d个特征值的特征向量构成矩阵[EV′1,EV′2,...,EV′d],此时其中d<144;特征向量代表原数据的分布方向,其对应的特征值越大,则该向量越重要(即为主元);其对应的特征值越小,则该向量越次要。
⑦由[EV′1,EV′2,...,EV′d]与原始样本求取载荷新的主元,其新载荷主元观测变量构成集合:{αz1,αz2,...,αzd},其为d个新变量,且每个变量为N个观测值构成的新主元矩阵:
步骤S4:由影响因素观测变量集合中非载荷变量与载荷新主元观测变量集合{αz1,αz2,...,αzd}构建网络输入变量集合:并令输入变量集合为:{x1,x2,x3,...,xM},即,
步骤S5:构建输入变量集合{x1,x2,x3,...,xM}观测样本值:
其中,x1~x2为决策变量,x3~xM为新的环境变量。
步骤S6:对得到的训练输入样本X、输出样本Y进行归一化处理,得到新的训练输入矩阵输出矩阵
在一个实施例中,所述归一化处理的算法如下:
其中:为设定输入变量归一化后数据范围的最大值、最小值;
xik为归一化前的第i个输入变量第k个样本值;
为归一化后第i个输入变量第k个样本值;
xi,min=min{xik|1≤k≤N}
xi,max=max{xik|1≤k≤N}
为设定输出变量归一化后数据范围的最大值、最小值;
yjk为归一化前第j个输出变量的第k个采集样本值;
为归一化后第j个输出变量的第k个值;
yj,max=max{yjk|1≤k≤N}
yj,min=min{yjk|1≤k≤N}
于是得到:
步骤S7:在归一化后样本集中,选取样本集前组样本作为网络训练样本集则样本集剩余组作为测试样本集其中其中:训练样本集和测试样本集分别为:
步骤S8:构建广义回归神经网络网络,以***效率影响因素作为网络的输入,作为网络输出,采用所述训练输入样本对该网络进行训练,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
其中,g-1为函数g的反函数;
图3示出了本发明的一个实施例所使用的广义回归神经网络的结构。具体地说,如图3所示,本发明所用的广义回归神经网络包括输入层、模式层、求和层和输出层;所述输入层包括M个节点,分别输入
所述模式层包括个节点,第k个节点的激活函数为:
其中,定义中所有样本与样本的距离的平方的指数平方的指数形式,而为训练样本集中第k组训练输入样本,δ为光滑因子;
所述求和层包括一个求和节点和l个加权求和节点,所述求和节点的输出为: 所述第j个加权求和节点的输出为 其中,wjk为模式层第k个节点与求和层第j个加权求和节点之间的连接权值,由训练输出样本第j个输出变量yj中的第k个观测值确定,即
所述输出层包括l个节点,第j个节点的输出为归一化后的性能变量的估计值 即,
为了确定本发明所述的广义回归神经网络的结构参数δ,取采集的训练输入样本输入所述广义回归神经网络,选取δ∈[0,2],通过步进递增光滑因子δ,求出归一化后的性能变量的估计值与其所对应的归一化后的性能变量的采样值之间的误差在最小时的光滑因子δ,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
步骤S9:针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线,在其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值。图4示出了本发明的一个实施例所使用的产液量偏好函数的图形。
步骤S10:构建评价决策变量个体支配关系的适应度函数,***的性能变量选取产液量(y1)、耗电量(y2),结合步骤S9构建的产液量偏好函数,得到适应度函数如下:
步骤S11:计算抽油机工艺***环境变量的平均值,以作为优化决策参数时的环境状态。
计算环境参数平均值具体算法如下:
其中N为该环境变量训练样本数量。
步骤S12:利用决策变量x1,x2构建初始种群P的个体,即Pk=[x1k,x2k],设置决策变量的上下限xmin、xmax,即x1min≤x1≤x1max,x2min≤x2≤x2max,利用决策变量(x1,x2)的K对数据构建初始种群P,即初始化种群P,令其为第一代父代种群;生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN=100。
步骤S13:进行第一次遗传迭代计算,并得到第二代精英种群A2、第二代父代种群P2。具体步骤如下:
①个体强度求取,将第一代父代种群与精英解种群组合成种群Rt,即Rt=P1UA1,求取种群Rt中每个个体的原始适应度函数值,并比较个体之间的相互支配关系;定义变量R(c)为种群Rt中第c个个体强度,即第c个个体可以被种群Rt其他个体支配的数量;其中个体Rt(c)原始适应度函数值求取过程如下:通过种群个体Rt(c)与环境状态变量平均值组建输入样本计算样本Xc原始适应度函数值并作为个体Rt(c)的原始适应度函数值;
②个体密度求取,利用个体Rt(i)与种群Rt中第b个邻近个体的距离值则个体Rt(c)密度函数
③求个体的适应值,将上述所求个体Rt(c)的强度R(c)和所求个体Rt(c)的密度值D(c)的相加作为个体Rt(c)的适应值;
④在种群Rt将所有的非支配个体全部放入精英种群A2,但要保持精英种群个体数为此时存在三种情况:A2中个体数为则不需要在操作,如果A2中个体数小于则需要在种群Rt剩余个体中选取适应值较小的个体放入A2中,保持A2个体数为如果A2中个体数大于则需要在A2个体中比较个体的密度值D(c),将密度值较大的个体剔除,以保持A2个体数为
⑤将A2中个体放入交配池中进行遗传操作得到第二代父代种群P2。
⑥将第二代父代种群P2与第二代精英种群A2组合,并重复①~⑤过程,直至gen=GEN,输出精英种群AGEN,将AGEN的个体作为优化结果。
步骤S14:将优化后的决策变量,以及环境变量的平均值带入建立工艺过程模型,计算优化后的决策变量的***性能,该优化后的决策变量取值可保证在固定产液量的情形下,耗电量降低。
下面以大港油田港510-3抽油机为实验对象采用本发明的方法进行优化。
确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α1,α2为决策变量冲次、有效冲程,α3~α146功图载荷数据,α147为环境变量平均功率因数,α148为环境变量平均有功功率,α149为环境变量平均无功功率,α150为环境变量理论排量、α151为环境变量计算泵效、α152为环境变量含水率。选择抽油机生产过程的产液量y1、耗电量y2作为建立抽油机***模型的性能变量{y1,y2}。
采集油井2013年12月26日至2014年12月23日数据。对所有变量按照24小时为采集时间间隔求取24小时数据的平均值,并作为该变量样本。采集数据部分地示于表1和表2。
表1
表2
利用PCA输入变量降维处理,得到新主元数据示于表3。
表3
构建新的采集建模样本数据[X,Y]。共获得可建模数据256组,示于表4中。
表4
将所有可建模数据进行线性归一化处理,取出200组数据作为训练样本。剩余样本作为测试样本。利用训练样本数据训练网络参数δ,设置δ在[0.1,2]的范围内,按照步长ξ=0.1进行取值不断对训练样本进行估算,网络训练结束显示输出变量所有训练样本预测值与实际值的均方根误差值为15.7466,最佳δ=0.1。
图5示出了利用本发明的方法训练神经网络所产生的产液量训练效果图;图6示出了利用本发明的方法训练神经网络所产生的耗电量训练效果图。图7示出了测试样本产液量预测效果图;图8示出了测试样本耗电量预测效果图。
***建模误差性能指标结果示于表5中。
表5
由测试样本产液量、耗电量预测结果与实际结果的误差百分比可以看出:建模效果较好,误差控制在10%内,达到了高精度建模的目的。
油田生产采用定量是采用方式。故而设计以达到定量产液量下条件的节能降耗目的。故而对网络模型输出的产液量进行物理规划(偏好设计),并与网络模型输出的耗电量函数,作为多目标优化的适应度函数。油田生产采用定量式采油,故而在规定的产液量的情况下,寻找最佳工作操作条件,实现节能增产。
产液量偏好函数设计,根据偏好函数设计准则,采用3-S类软偏好设计,根据生产者对产液量的多少的喜爱程度用:极好、好、一般、较差、差等五个个等级描述。极好程度利用建模训练集中产液量所有值的平均值作为极好程度的偏好值为:47.3,并利用训练集中产液量最小值37.3、最大值57.3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,且设计的偏好程度区间所对应的实际产液量区间为:
[37.3,38.4],[38.4,39.6],[39.6,40.9],[40.9,42.8],[42.8,47.3]以及
[47.3,51.8],[51.8,53.6],[53.6,55.5],[55.5,56.2],[56.2.57.3]。故而设计产液量偏好函数为h(y1)=0.1×(y1-47.3)2。图9示出了偏好函数的图形;
利用决策变量(x1,x2)的L对数据构建初始种群P,设置种群大小50,即初始化的种群样本数量为L=50;决策变量冲次(x1)的优化范围2.0≤x1≤4.5;决策变量有效冲程(x2)的范围3.0≤x2≤3.6。设置最大遗传代数GEN=100。
算环境参数平均值具体算法如下:
具体的环境参数平均值示于表6中。
表6
计算得到的产液量偏好值与耗电量的pareto解集关系示于图10中。
根据设定的偏好程度关系可知,[0,2]属于极好程度,优化所得产液量结果属于[42.8,47.3]区间或者[47.3,51.8]区间。
Pareto前沿所对应的数值解集示于表7中。
表7
在表7中,产液量偏好程度属于[0,2]区间,产液量在极好的范围内优化,符合抽油机定量采油的工作制度。
将优化后的决策变量,以及环境变量的平均值带入建立工艺过程模型,计算优化后的决策变量的***性能,与实际样本的***性能平均值进行比较,在保证固定的产液量的前提下,耗电量降低,则上述方法有效。去产液量偏好值解集的平均值求取实际对应的产液量大小。其对比结果示于表8。
表8
由表8可知,计算得到偏好程度平均值为0.75,此时产液量可能为50.03t/d或者44.56t/d。此时计算得到在保持定量式采油工作状态下,耗电量下降8.9%。***效率比(产液量/耗电量)可提高5%。达到了节能设计目的。说明该方法有效。
尽管已经结合详细示出并描述的优选实施例公开了本发明,但是本领域技术人员应当理解,对于上述本发明所提出的基于多目标决策的抽油机参数优化方法,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (7)
1.一种基于多目标决策的抽油机参数优化方法,包括如下步骤:
1)确定抽油机采油过程生产效率影响因素构成效率观测变量集合其中α1,α2为决策变量,α3~α146载荷数据环境变量,为其他环境变量,选取抽油机***的性能变量构成性能观测变量集合:{y1,y2,y3,…yl};
2)获得所述生产效率影响因素和***性能变量的样本数据,得到效率影响因素样本矩阵α和性能样本矩阵Y:
其中为效率影响因素个数,N为样本个数,αik表示第i个效率影响因素变量的第k个观测值,i=1,2,...,M;k=1,2,...,N;
3)利用主元分析算法对载荷数据进行降维处理,从而构建新的载荷主元变量矩阵:
4)由影响因素观测变量集合中非载荷变量与载荷新主元观测变量集合{αz1,αz2,...,αzd}构建网络输入变量集合:并令输入变量集合为:{x1,x2,x3,...,xM},即,
5)构建输入变量集合{x1,x2,x3,...,xM}观测样本值:
其中,x1~x2为决策变量,x3~xM为新的环境变量;
6)对得到的训练输入样本X、输出样本Y进行归一化处理,得到新的训练输入矩阵输出矩阵
7)在归一化后样本集中,选取样本集前组样本作为网络训练样本集则样本集剩余组作为测试样本集其中 其中:训练样本集和测试样本集分别为:
8)构建广义回归神经网络网络,以***效率影响因素作为网络的输入,作为网络输出,采用所述训练输入样本对该网络进行训练,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
其中,g-1为函数g的反函数;
9)针对产液量y1构造其偏好函数h=h(y1),该偏好函数为U形曲线,在其整个定义域上二阶可导且二阶导数恒大于零,将产液量y1的值划分为好、较好、一般、较差和极差5个区域,并通过所述偏好函数将该五个区域量化为数值h=h(y1);其中,产液量y1处于好区域对应偏好函数最小值;
10)构建评价决策变量个体支配关系的适应度函数,***的性能变量选取产液量(y1)、耗电量(y2),结合步骤S9构建的产液量偏好函数,得到适应度函数如下:
11)计算抽油机工艺***环境变量的平均值,以作为优化决策参数时的环境状态;
12)利用决策变量x1,x2构建初始种群P的个体,即Pk=[x1k,x2k],设置决策变量的上下限xmin、xmax,即x1min≤x1≤x1max,x2min≤x2≤x2max,利用决策变量(x1,x2)的K对数据构建初始种群P,即初始化种群P,令其为第一代父代种群;生成一个空的精英解种群设置精英个体个数为设置最大遗传代数GEN=100;
13)进行第一次遗传迭代计算,并得到第二代精英种群A2、第二代父代种群P2。具体步骤如下:
①个体强度求取,将第一代父代种群与精英解种群组合成种群Rt,即Rt=P1UA1,求取种群Rt中每个个体的原始适应度函数值,并比较个体之间的相互支配关系;定义变量R(c)为种群Rt中第c个个体强度,即第c个个体可以被种群Rt其他个体支配的数量;其中个体Rt(c)原始适应度函数值求取过程如下:通过种群个体Rt(c)与环境状态变量平均值组建输入样本计算样本Xc原始适应度函数值并作为个体Rt(c)的原始适应度函数值;
②个体密度求取,利用个体Rt(i)与种群Rt中第b个邻近个体的距离值则个体Rt(c)密度函数
③求个体的适应值,将上述所求个体Rt(c)的强度R(c)和所求个体Rt(c)的密度值D(c)的相加作为个体Rt(c)的适应值;
④在种群Rt将所有的非支配个体全部放入精英种群A2,但要保持精英种群个体数为此时存在三种情况:A2中个体数为则不需要在操作,如果A2中个体数小于K,则需要在种群Rt剩余个体中选取适应值较小的个体放入A2中,保持A2个体数为K;如果A2中个体数大于K,则需要在A2个体中比较个体的密度值D(c),将密度值较大的个体剔除,以保持A2个体数为K;
⑤将A2中个体放入交配池中进行遗传操作得到第二代父代种群P2;
⑥将第二代父代种群P2与第二代精英种群A2组合,并重复①~⑤过程,直至gen=GEN,输出精英种群AGEN,将AGEN的个体作为优化结果;
14)将优化后的决策变量,以及环境变量的平均值带入建立工艺过程模型,计算优化后的决策变量的***性能,该优化后的决策变量取值可保证在固定产液量的情形下,耗电量降低。
2.如权利要求1所述的基于多目标决策的抽油机参数优化方法,其中,
所述决策变量α1为冲次、决策变量α2为有效冲程、α3~α146为载荷1至载荷144,其余环境变量包括:理论排量、功率因数、有功功率、无功功率、含水率中的一个或多个变量;所述抽油机生产过程性能变量y1为产液量、y2为耗电量。
3.如权利要求1所述的基于多目标决策的抽油机参数优化方法,其中,
设所述决策变量、环境变量和性能变量的观测值采集周期的最大值为tmax,则这些变量中的任一变量的样本取为tmax时间内该变量的观测值的平均值。
4.如权利要求1所述的基于多目标决策的抽油机参数优化方法,其中,
利用主元分析算法对载荷数据进行降维处理的步骤包括:
①设置样本累计贡献率precent=0.95;
②获取载荷数据每个Lk具有第k观测变量的N个观测数据,3≤k≤146;
③求出数据平均值并利用原始数据减去均值得到
④计算协方差矩阵
⑤计算协方差矩阵的特征值E1,E2,...,E144与特征向量EV1,EV2,...,EV144;
⑥由大到小依次排列特征值E′1,E′2,...,E'M,对应特征向量为EV′1,EV′2,...,EV′144,按特征值大小顺序取前d个特征值的特征向量构成矩阵[EV′1,EV′2,...,EV′d],此时 其中d<144;
⑦由[EV′1,EV′2,...,EV′d]与原始样本求取载荷新的主元,其新载荷主元观测变量构成集合:{αz1,αz2,...,αzd},其为d个新变量,且每个变量为N个观测值构成的新主元矩阵:
5.如权利要求1所述的基于多目标决策的抽油机参数优化方法,其中,
所述归一化处理的算法如下:
i=1,2,...,M;k=1,2,...,N
j=1,2,....,l;k=1,2,...,N
其中:为设定输入变量归一化后数据范围的最大值、最小值;
xik为归一化前的第i个输入变量第k个样本值;
为归一化后第i个输入变量第k个样本值;
xi,min=min{xik|1≤k≤N}
xi,max=max{xik|1≤k≤N}
为设定输出变量归一化后数据范围的最大值、最小值;
yjk为归一化前第j个输出变量的第k个采集样本值;
为归一化后第j个输出变量的第k个值;
yj,max=max{yjk|1≤k≤N}
yj,min=min{yjk|1≤k≤N}
于是得到:
6.如权利要求1所述的基于多目标决策的抽油机参数优化方法,其中,
所述广义回归神经网络包括输入层、模式层、求和层和输出层;
所述输入层包括M个节点,分别输入
所述模式层包括个节点,第k个节点的激活函数为:
其中,定义中所有样本与样本的距离的平方的指数平方的指数形式,而为训练样本集中第k组训练输入样本,δ为光滑因子;
所述求和层包括一个求和节点和l个加权求和节点,所述求和节点的输出为:所述第j个加权求和节点的输出为j=1,2,...,l,其中,wjk为模式层第k个节点与求和层第j个加权求和节点之间的连接权值,由训练输出样本第j个输出变量yj中的第k个观测值确定,即
所述输出层包括l个节点,第j个节点的输出为归一化后的性能变量的估计值j=1,2,...,l;即,
取采集的训练输入样本输入所述广义回归神经网络,选取δ∈[0,2],通过步进递增光滑因子δ,求出归一化后的性能变量的估计值 与其所对应的归一化后的性能变量的采样值 之间的误差在最小时的光滑因子δ,最终得到可计算出任一组输入观测值x1,x2,...,xM所对应的输出预测值的广义回归神经网络:
7.如权利要求1所述的基于多目标决策的抽油机参数优化方法,其中,
计算环境参数平均值具体算法如下:
其中N为该环境变量训练样本数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108748.8A CN104680023B (zh) | 2015-03-12 | 2015-03-12 | 基于多目标决策的抽油机参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108748.8A CN104680023B (zh) | 2015-03-12 | 2015-03-12 | 基于多目标决策的抽油机参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680023A true CN104680023A (zh) | 2015-06-03 |
CN104680023B CN104680023B (zh) | 2017-08-29 |
Family
ID=53315056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510108748.8A Active CN104680023B (zh) | 2015-03-12 | 2015-03-12 | 基于多目标决策的抽油机参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680023B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106502096A (zh) * | 2016-11-14 | 2017-03-15 | 重庆科技学院 | 基于偏好多目标优化的油田机采过程决策参数优化方法 |
CN106773667A (zh) * | 2016-11-14 | 2017-05-31 | 重庆科技学院 | 基于无迹粒子滤波神经网络的油田机采参数建模方法 |
CN107014451A (zh) * | 2017-05-03 | 2017-08-04 | 东南大学 | 基于广义回归神经网络推测超声波流量传感器系数的方法 |
CN113486599A (zh) * | 2021-08-10 | 2021-10-08 | 南京富岛油气智控科技有限公司 | 一种抽油机有效冲程的计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040240717A1 (en) * | 2003-05-27 | 2004-12-02 | Osamu Tsujii | Image processing method and apparatus |
CN102982373A (zh) * | 2012-12-31 | 2013-03-20 | 山东大学 | 一种混合svm回归算法的oin神经网络训练方法 |
CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
-
2015
- 2015-03-12 CN CN201510108748.8A patent/CN104680023B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040240717A1 (en) * | 2003-05-27 | 2004-12-02 | Osamu Tsujii | Image processing method and apparatus |
CN102982373A (zh) * | 2012-12-31 | 2013-03-20 | 山东大学 | 一种混合svm回归算法的oin神经网络训练方法 |
CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
Non-Patent Citations (2)
Title |
---|
HAIDAR A M A, ET AL: "Transient stability evaluation of electrical power system using generalized regression neural networks", 《APPLIED SOFT COMPUTING》 * |
辜小花: "《面向抽油机节能的GRNN过程建模及工艺参数优化》", 《重庆大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106502096A (zh) * | 2016-11-14 | 2017-03-15 | 重庆科技学院 | 基于偏好多目标优化的油田机采过程决策参数优化方法 |
CN106773667A (zh) * | 2016-11-14 | 2017-05-31 | 重庆科技学院 | 基于无迹粒子滤波神经网络的油田机采参数建模方法 |
CN106502096B (zh) * | 2016-11-14 | 2019-06-14 | 重庆科技学院 | 基于偏好多目标优化的油田机采过程决策参数优化方法 |
CN107014451A (zh) * | 2017-05-03 | 2017-08-04 | 东南大学 | 基于广义回归神经网络推测超声波流量传感器系数的方法 |
CN113486599A (zh) * | 2021-08-10 | 2021-10-08 | 南京富岛油气智控科技有限公司 | 一种抽油机有效冲程的计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104680023B (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105045941A (zh) | 基于无迹卡尔曼滤波的抽油机参数优化方法 | |
Zha et al. | Forecasting monthly gas field production based on the CNN-LSTM model | |
Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及*** | |
CN105046326B (zh) | 基于功图主元分析的抽油机参数优化方法 | |
Nguyen et al. | A review on simulation-based optimization methods applied to building performance analysis | |
CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
CN104680025A (zh) | 基于遗传算法极限学习机的抽油机参数优化方法 | |
CN103198354B (zh) | 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法 | |
CN110807544B (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
CN103177155B (zh) | 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法 | |
CN105787557A (zh) | 一种计算机智能识别的深层神经网络结构设计方法 | |
CN104680023A (zh) | 基于多目标决策的抽油机参数优化方法 | |
Wang et al. | A critical review on intelligent optimization algorithms and surrogate models for conventional and unconventional reservoir production optimization | |
CN103605909A (zh) | 一种基于灰色理论及支持向量机的水质预测方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
CN112539054A (zh) | 地面管网与地下油藏复杂***生产优化方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
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 | |
Xue et al. | Comparative data-driven enhanced geothermal systems forecasting models: A case study of Qiabuqia field in China | |
CN106529042A (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 | |
Redoloza et al. | A comparison of extremal optimization, differential evolution and particle swarm optimization methods for well placement design in groundwater management | |
CN104680257A (zh) | 面向抽油机工作过程的智能优化方法 | |
CN104680259B (zh) | 抽油机运行参数的节能优化方法 | |
Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201209 Address after: 151400 Hadaqi Industrial Corridor, Anda City, Suihua City, Heilongjiang Province Patentee after: BAIHENG PETROLEUM EQUIPMENT Co.,Ltd. Address before: 401331 Chongqing city Shapingba District hogye University City, Chongqing University of Science and Technology Patentee before: Chongqing University of Science & Technology |