[0063] 图2示出了本发明一个实施例所述的基于无迹卡尔曼滤波的抽油机参数优化方 法的流程图；
[0064] 图3示出了本发明一个实施例中的前馈神经网络的结构；
[0065] 图4不出了本发明一个实施例中的产液量偏好函数的图形；
[0066] 图5示出了测试样本产液量预测效果图；
[0067] 图6示出了测试样本耗电量预测效果图；
[0068] 图7示出了偏好函数的图形；
[0069] 图8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】
[0070] 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。
[0071] 图2是流程图，示出了本发明的一个实施例所述的基于无迹卡尔曼滤波的抽油机 参数优化方法。如图2所示，本发明所述的基于无迹卡尔曼滤波的抽油机参数优化方法包 括如下步骤：
[0072] 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 叫，％々，…％，卜其中a p α2为决策变量，α 3~α 146载荷数据环境变量，（/147~￡/,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。
[0073] 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。
[0074] 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 因素样本矩阵α和性能样本矩阵Y :
[0077] 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。
[0078] 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。
[0079] 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。
[0080] 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：
[0081] ①设置样本累计贡献率precent = 0· 95 ;
[0082] ②获取载荷数据4，?，.…C，每个Lk具有第k观测变量的N个观测数 据，3 < k < 146 ;
[0083] ③求出数据平均倡 ，并利用原始数据减去均值得到& =? $
[0084] ④计算协方差矩阵
[0085] ⑤计算协方差矩阵的特征值EliE2,…，E144与特征向量EV η EV2,…，EV144;
[0086] ⑥由大到小依次排列特征值E/，E/，...，E/，对应特征向量为 EV/，EV^，...，EV14/，按特征值大小顺序取前d个特征值的特征向量构成矩阵
[EV1'，EV2'，...，EV/ ]，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。
[0087] ⑦由[EV/，EV^，…，EV/ ]与原始样本[4，d..J4]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：
[0089] 步骤S4 :由影响因素观测变量集合丨《1，°^°^-'％).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 输入变量集合为：{叉1，叉2，叉3，...，^?}，即，冰， <^;:'<2!'147'"，<^ 0''〇!':1，'"，〇^】=丨' 1卜；'：2，'13'".，；^ /!1。
[0090] 步骤S5 :构建输入变量集合U1, χ2, χ3, · · ·，χΜ}观测样本值：
[0093] 其中，Xl~X2为决策变量，χ3~χ Μ为新的环境变量。
[0094] 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。
[0095] 在一个实施例中，所述归一化处理的算法如下：
[0100] 其中：4ax、I*为设定输入变量归一化后数据范围的最大值、最小值；
[0101] Xlk为归一化前的第i个输入变量第k个样本值；
[0102] 4为归一化后第i个输入变量第k个样本值；
[0103] Xiimin= min{x ik| 1 彡 k 彡 N}
[0104] X1, nax = max {x lk I 1 彡 k 彡 N}
[0105] 、兔?为设定输出变量归一化后数据范围的最大值、最小值；
[0106] yjk为归一化前第j个输出变量的第k个采集样本值；
[0107] ##为归一化后第j个输出变量的第k个值；
[0114] 步骤S7 :构建三层前馈神经网络，其输入变量集为f =[冬心元，…，输出变量 集为f = DKV2,3V'v,f，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：
[0115]
[0116] 式中函数F(X)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。
[0117] 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，该训练过程包括：
[0118] ①将所述神经网络中的所有权值和阈值组成状态变量I :
[0120] 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 = 〇*1，…，M;* = I，2,…4)，阈值为= 1，2，···，^)，隐层至输出层的 连接权值为= = :2，L ,/)，阈值为，?)，T中的元素个数为n ;设定非 线性方程：
[0121]
[0122] 其中，铲函数表达式参考步骤S7, Jf为K时刻的神经网络输入样本，令Qk= 〇, Vk =〇,艺。为神经网络输出样本。
[0123] 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。
[0124] 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：
[0128] ④计算〇点的一步状态预测Iw及状态变量协方差Pk+1|k;
[0131] ⑤计算输出的一步提前预测以及协方差& ?
[0134] ⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：
[0136] ⑦对获取的新样本数据(1^，秒,）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。
[0137] 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。
[0138] 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：
[0139] /(Z) = g-1 (f (又))=贫-1 (f (/(X)))
[0140] 步骤S9 :针对产液量71构造其偏好函数h = h(y 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。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。
[0141] 步骤SlO :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（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：
[01