基于无迹卡尔曼滤波的抽油机参数优化方法
【技术领域】
[0001] 本发明属于采油领域，具体涉及一种基于无迹卡尔曼滤波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 基于无迹卡尔曼滤波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无迹卡尔曼滤波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 _，叫，内，其中h，α 2为决策变量，α 3~α 146载荷数据环境变量，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:，y 2, 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《1，《2，》3，"_?^中非载荷变量与载荷新主元观测变量 集合{ αζι，αΖ2, · · ·，αZ(J构建网络输入变莖集合：丨0…，0:'并令输入变 量集合为：{xi, X2, Χ3, · · ·，Χμ}，即，辑，％，众
[0013] 5)构建输入变量集合{Xl，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 i、输出矩阵fi:
[0021] 7)构建三层前馈神经网络，其输入变量集为1 = ?,?，馬，…知]7·，输出变量集为 ，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：
[0022]
[0023] 式中函数F(X)为S型函数；
[0024] 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：
[0025] ①将所述神经网络中的所有权值和阈值组成状态变量I :
[0027] 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 <卜〇，1，-，4 = 1，2，_^1)，阈值为以^1，2，~4)，隐层至输出层的 连接权值为 u'U/( = ai，L = 1Al 阈值为6力 线性方程：
[0028]
[0029] 其中，免函数表达式参考步骤S7, if为K时刻的神经网络输入样本，令Qk= 〇, Vk =〇, _为神经网络输出样本；
[0030] 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 ;
[0031] 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：
[0035] ④计算〇点的一步状态预测及状态变量协方差Pk+1|k;
[0038] ⑤计算输出的一步提前预测以及协方差
[0042] ⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：
[0044] ⑦对获取的新样本数据(J1，惠）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；
[0045] ⑧对最后一组样本得到状态矩阵X，作为网络训练得到的权值和阈值；
[0046] 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：
[0047] 7(^) = ^(7(1)) = ^1 (7(/(X)))
[0048] 9)针对产液量71构造其偏好函数h = h (y D，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 (yi);其中，产液量yi处于好 区域对应偏好函数最小值；
[0049] 10)构建评价决策变量个体支配关系的适应度函数，系统的性能变量选取产液量 (Y1)、耗电量（y 2)，结合步骤S9构建的产液量偏好函数，得到适应度函数如下：
[0051] 11)计算抽油机工艺系统环境变量的平均值，以作为优化决策参数时的环境状 态；
[0052] 12)利用决策变量Xl，X2构建初始种群Pd的个体，设置决策变量的上下限x_、x_， 即XlmiA X X lmax，XaniA X A X 2max，利用决策变量（Xl，X》的K对数据构建多目标优化的 初始种群pD，即足…i?)l·初始化种群pD，令其为第一代父代种群；生成 一个空的精英解种群J1 =0;设置精英个体个数为尤a设置最大遗传代数GEN = 100 ;
[0053] 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€。具 体步骤如下：
[0054] 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A =^UJ1i 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R ,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λ 组建输入样本A 计算样本X。原始适应度函数值咖W小并 作为个体Rt (C)的原始适应度函数值；
[0055] 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^
[0056] 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R t(C)的密度 值D (c)的相加作为个体Rt (c)的适应值；
[0057] 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f ;此时存在三种情况：A2中个体数为f，则不需要在操作，如果A2中个体数小于疋，则需 要在种群R t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f:;如果A 2中个 体数大于无，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E:;
[0058] 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硿；
[0059] ⑥将第二代父代种群if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Asen，将个体作为优化结果；
[0060] 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 化后的决策变量的系统性能，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。
[0061] 本发明的有益效果是，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)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 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】
[0062] 图1示出了抽油机的工作模型；