数优化方法 的流程图；
[0056] 图3示出了本发明一个实施例中的前馈神经网络的结构；
[0057] 图4示出了测试样本产液量预测效果图；
[0058] 图5示出了测试样本耗电量预测效果图；
[0059] 图6不出了产液量偏好值与耗电量的pareto解集关系。
【具体实施方式】
[0060] 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。
[0061] 图2是流程图，示出了本发明的一个实施例所述的基于功图主元分析的抽油机参 数优化方法。如图2所示，本发明所述的基于功图主元分析的抽油机参数优化方法包括如 下步骤：
[0062] 步骤Sl :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h，α2为决策变量，α 3~α 146载荷数据环境变量，〇^7~%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，…yj。
[0063] 在本发明的一个实施例中，选取决策变量a i为冲次、决策变量α 2为有效冲程、 α 3~α 146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 yi为产液量、y 2为耗电量。
[0064] 步骤S2 :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
[0067] 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。
[0068] 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。
[0069] 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维数据建模易产生维度灾难。故而利用主元分析算法对载荷数据进行降维处理。
[0070] 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：
[0071] ①设置样本累计贡献率precent = 0· 95 ;
因素样本矩阵α和性能样本矩阵Y :
[0072] ②获取载荷数据4,，每个Lk具有第k观测变量的N个观测数 据，3 < k < 146 ;
[0073] ③求出数据平均值 ，并利用原始数据减去均值得到g
[0074] ④计算协方差矩阵'
[0075] ⑤计算协方差矩阵的特征值E1, E2,…，E144与特征向量EV η EV2,…，EV144;
[0076] ⑥由大到小依次排列特征值P u E' 2, ...，E' M，对应特征向量为 Ef i，EV 2，...，EV I44，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/，EV2'，. . .，EVd' ]，此日T
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。
[0077] ⑦由[EV ^ EV 2, . . .，EV J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：{ α zl，a z2, . . .，a J，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：
[0079] 步骤S4 :由影响因素观测变量集合柄為為广"成^中非载荷变量与载荷新主元观 测变量集合{ α zl，a z2, . . .，a zd}构建网络输入变量集合：，并令 输入变直集合为：{Xl，X2, X3，· · ·，xM)，即，柄在2.，αι47，···，°^7?為丨，…， 0^1*"- 。
[0080] 步骤S5 :构建输入变量集合U1, χ2, χ3, · · ·，χΜ}观测样本值：
[0083] 其中，Xl~X2为决策变量，χ3~χ Μ为新的环境变量。
[0084] 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1、输出矩阵f。
[0085] 在一个实施例中，所述归一化处理的算法如下：
[0087] 其中：为设定输入变量归一化后数据范围的最大值、最小值；
[0088] Xlk为归一化前的第i个输入变量第k个样本值；
[0089] &为归一化后第i个输入变量第k个样本值；
[0090] Xijmin= min {x ik 11 ^ k ^ N}
[0091] Xi nax= max{x lk| 1 彡 k 彡 N}
[0092] 1_、为设定输出变量归一化后数据范围的最大值、最小值；
[0093] yjk为归一化前第j个输出变量的第k个采集样本值；
[0094] ·%为归一化后第j个输出变量的第k个值；
[0095] Yjilliax= max{y jk | I ^ k ^ N}
[0096] Yjilllin= min{y jk 11 ^ k ^ N}
[0097] 于是得到：
[0102] 步骤S7 :构建三层前馈神经网络，其输入变量集为f = [WV..心f，输出变量集 为？ = [J1A,J3,…乃]7·，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：
[0103]
[0104] 式中函数F⑴为S型函数。图3示出了本发明的一个实施例所使用的前馈神经 网络的结构。
[0105] 步骤S8 :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，具体说，该训练过程包括：
[0106] ①将所述神经网络中的所有权值和阈值组成状态变量I :
[0108] 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4(〖=〇，1，…，，…,气)，阈值为/^=1，又一，气)，隐层至输出层的 连接权值为>'|^ =賦1^10=:1，社，/)，阈值为咕/=1，紅:，/)>1中的元素个数为 11;设定非线 性方程：
[0109]
[0110] 其中，P函数表达式参考步骤S7, 为K时刻的神经网络输入样本，令CO k= 〇, Vk =〇,攀为神经网络输出样本。
[0111] 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K，以及 非负权系数β。
[0112] ③计算211+1个〇点（即采样点，一个采样点即为一组I值）以及〇点（采样点） 的相应权重，其中η为状态矩阵的的I维度，λ = a2 (η+κ)-η，2η+1个采样点计算如下：
[0116] ④计算〇点的一步状态预测及状态变量协方差Pk+1 |k;
[0118] ⑤计算输出的一步提前预测以及协方差P ; j.：=V
[0120] ⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：
[0124] ⑦对获取的新样本数据重新进行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。
[0125] 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。
[0126] 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：
[0128] 步骤S9 :利用决策变量（Xl，X2)构建父