基于功图主元分析的抽油机参数优化方法
【技术领域】
[0001] 本发明属于采油领域，具体涉及一种基于功图主元分析的抽油机参数优化方法。
【背景技术】
[0002] 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系统的能量消耗影响很 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】
[0003] 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 基于功图主元分析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，提尚系统效率的目的。
[0004] 为了实现上述目的，本发明提供一种基于功图主元分析的抽油机参数优化方法， 该方法包括的步骤如下：
[0005] 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 _成，:知…％)，其中a i，α2为决策变量，α 3~α 146载荷数据环境变量，私广⑥为其他环 境变量，选取抽油机系统的性能变量构成性能观测变量集合：{y:，y2, y3, 一y];
[0006] 2)获得所述生产效率影响因素和系统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 :
[0009] 其中M为效率影响因素个数，N为样本个数，a lk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 ;
[0010] 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：
[0012] 4)由影响因素观测变量集合丨《^?^，《^…〃,，丨中非载荷变量与载荷新主元观测变量 集合卜^^^ + ^一构建网络输入变量集合：丨~化~^^~乂^^~卜并令输入变
里集合为：{叉1，叉2，叉3，...，叉"}，艮口，{%,{^，以147,~:,获痒乂化'!.，:'..':: ,获缉}._['1"'；；，'<'3"."'''.1，1;
[0013] 5)构建输入变量集合Ix1, x2, x3, ···，xM}观测样本值：
[0016] 其中，Xl~X2为决策变量，x3~x M为新的环境变量；
[0017] 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# ;
[0022] 7)构建三层前馈神经网络，其输入变量集为Ι = [?ν·.Aif，输出变量集为 ? = …Jif，隐含层神经元个数为S1，输入层、隐含层、输出层通过权值、阈值进行连 接，并且该神经网络的输入输出函数表达式为：
[0023]
[0024] 式中函数F(X)为S型函数；
[0025] 8)利用无迹卡尔曼滤波对所述前馈神经网络进行训练，得到该神经网络的结构参 数值，该训练过程包括：
[0026] ①将所述神经网络中的所有权值和阈值组成状态变量I :
[0028] 其中，M为输入层神经元数，S1为隐层神经元数，1为输出层神经元数，输入层至隐 层神经元的连接权值为 <(丨=〇，1，.'.，紙& = 1,2，...，幻，阈值为4(/^1，2,..4)，:隐层至输出层的 连接权值为4# = 0，1，1^1;/ = 1，2，1-/)，阈值为&〗(_/ = 1，2工，/)，1中的元素个数为11;设定非线
性方程：
[0029]
[0030] 其中，p函数表达式参考步骤7)，Jf为K时刻的神经网络归一化输入样本，令cok =0, Vk= 0，擎为神经网络归一化输出样本；
[0031] ②设定无迹卡尔曼计算过程中控制采样点的分布状态参数a、待选参数κ，以及 非负权系数β ;
[0032] ③计算2η+1个采样点σ点以及σ点的相应权重，其中η为状态矩阵的I维度， λ = a2(n+i〇-n，2n+l个采样点计算如下：
[0038] ⑤计算输出的一步提前预测以及协方差
[0040] ⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：
[0042] ⑦对获取的新样本数据(ILt)重新进行②~⑥步骤，直至所有样本对状态矩 阵、协方差矩阵、增益矩阵进行了更新，从而得到适应于所有样本状态矩阵；
[0043] ⑧对最后一组样本得到状态矩阵I，作为网络训练得到的权值和阈值；
[0044] ⑨在得到网络参数各层权值、阈值后，确定所述前馈神经网络的函数模型为：
[0045] 7(X) = g-1(f(l)) = g-1(f(/(X)))
[0046] 9)利用决策变量（Xl，x2)构建多目标优化过程父代种群P D，
[0047]
[0048] 其中，父代种群Pd中的个体^ (UotS句的数量为K，并从X1的取值范围 Χ?,ηπ# Xl彡X L内随机取值赋予-YS ，从X2的取值范围X2lHllnS X 2彡X2lHlax内随 机取值赋予、（^ 〃），从而对父代种群Pd进行初始化；
[0049] 10)从父代种群Pd中选出任意对个体，对于每对个体（4，唸）、 (Λ'Κ:) (I S S /a S ? S /〇进行遗传交叉计算或变异计算，并将计算结果赋予子代种群Qd 中相应的一对个体(沧，邊）、（亡，沧）；
[0050] 11)将父代种群Pd与子代种群Qd进行合并得到种群R = PdU QD，即有 Λ = ) 11U 2尤卜 ) 115 m )11。 (?4,.'^与环境变量平均值..系，3 = 3,*"，]/[合成输入样本夂=[4.\么；^~1'1/]_，并计 算相应的适应度函数.0???::(爲)_= [*(九(尤)).
[0051 ] 12)将种群R的所有个体所对应的适应度函数相互进行比较，将种群R的所有个体 划分到具有不同层级的非支配集中，其中，对于层级较低的非支配集中的任一个体 所对应的适应度函数〇b jFun (Xs)和层级较高的非支配集中的任一个体(χΚ,)所对应的适 应度函数 ob jFun (Xt)来说，均不存在 A(.i\ (X,)) < /!(j\ (Xi))且.?'2 (X,) < _i'2 (Xs) 7 而对于同一层 级的非支配集中的任两个个体来说，该两个不等式中至少有一个不成立；
[0052] 13)按照层级从低到高的顺序从所述非支配集中选择K个个体，将选择出的K 个个体的值赋予父代种群P d中的个体，并执行步骤10)-步骤13)的过程GEN次，GEN为
预先确定的循环次数，最终得到优化后的L组决策变量 将优化后的决策变量以及所述环境变量的平均值构成优化后的输入样本
，这K个样本保证了在产液量最大，耗电量最小。
[0053] 本发明的有益效果是，利用功图主元分析方法进行降维，以简化计算过程，利用无 迹卡尔曼滤波神经网络（UKFNN)建立油田机采过程实施动态演化高精度模型，并利用带精 英策略的快速非支配排序遗传算法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，从而达到节能降耗目的。 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】
[0054] 图1示出了抽油机的工作模型；
[0055] 图2示出了本发明一个实施例所述的基于功图主元分析的抽油机参