据，得到效率影响因素样本矩 阵a和性能样本矩阵Y:其中分为效率影响因素个数，N为样本个数，aik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丨<^，》2，《3，-_〇^)中非载荷变量与载荷新主元观测变量集合 {azl,az2, . ..，azd}构建网络输入变量集合：柄,ar2，a147，…，…，，并令输入变量集 口 为：{Xi，Xg,X3，? ? ?，Xm}，艮P，，以[47，.. ，…，_ 5) 构建输入变量集合{Xl，x2,x3, . . .，xM}观测样本值：其中，Xl~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f、 输出矩阵7) 构建三层前馈神经网络，其输入变量集为！ = [t.U3,…，输出变量集为 P= ??乃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：式中函数F(X)为S型函数； 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： ①将所述神经网络中的所有权值和阈值组成状态变量I: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，输入层至隐层神经兀的连接权值为甘"丨:=〇山-，妨;太_=._1,:2.，~4」，._阐值为13￡^.(^.^.1,，2，.",《 1),隐层至输出层的连 接权值为<(/( = 0，1丄，y= 1，2，L，/)，阈值为€C/ = 1，H/)，I中的元素个数为n ;设定非线 性方程：其中，@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cok= 0,Vk = 〇,柃:为神经网络输出样本； 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P; ③ 计算2n+l个采样点〇点以及〇点的相应权重，其中n为状态矩阵的I维度，A= a2(n+i〇-n，2n+l个采样点计算如下：⑦ 对获取的新样本数据01,,?,):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； 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； 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：9) 针对产液量71构造其偏好函数h=h(yD，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71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，系统的性能变量选取产液量（yi)、 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； 12) 利用决策变量Xl，X2构建多目标优化初始种群Pd的个体，设置决策变量的上下限 X_、Xnax，即XlnlnSXAXlnax，x2_彡X2彡X2_，利用决策变量（X1,X2)的K对数据构建初 始种群匕，即辱=_44)#4)，.?,4)丨，初始化种群？：)，令其为第一代父代种群；生成一 个空的精英解种群J1 =魏;设置精英个体个数为f。。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、第二代父代种群莓Q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〃,=6U^，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满他个体支配的数量；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i组建 输入样本义，计算样本Xji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4 ,则个体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中个体数为宏，则不需要在操作，如果A2中个体数小于无,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t;: 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if;: ⑥ 将第二代父代种群校与第二代精英种群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； 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。2. 如权利要求1所述的基于无迹卡尔曼滤波的抽油机参数优化方法，其中， 所述决策变量ai为冲次、决策变量a2为有效冲程、a3~a146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所述的基于无迹卡尔曼滤波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所述的基于无迹卡尔曼滤波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4，?，.，每个Lk具有第k观测变量的N个观测数 据，3 <k< 146 ;⑤ 计算协方差矩阵的特征值E1,E2, ...，E144与特征向量EVi，EV2, ...，EV144; ⑥ 由大到小依次排列特征值E'i，E' 2,. ..，E' M，对应特征向量为 EV'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⑦ 由[EVEV' 2, ...，EV'd]与原始样本[44A-A74J求取载荷新的主元，其新载 荷主元观测变量构成集合：{azl，az2,...，aJ，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：j= 1，2, ? ? ??，I;k= 1，2, ? ??，N 其中：i_、4^为设定输入变量归一化后数据范围的最大值、最小值；XlkS归一化前的第i个输入变量第k个样本值； 4为归一化后第i个输入变量第k个样本值； Xlinin= min{x lk 11 ^ k ^ N} Xi,max= maX {X ik I I k N} 、iW,为设定输出变量归一化后数据范围的最大值、最小值；y]k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 {y jk U k N} Yj.mm= min{y Jk| I ^ k ^ N} 于是得到：6.如权利要求I所述的基于无迹卡尔曼滤波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。
【专利摘要】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，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)对载荷数据进行降维、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)构建前馈神经网络、8)用无迹卡尔曼滤波对网络作训练、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，得到第二代的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。
【IPC分类】G06F17/50, G06N3/02
【公开号】CN105045941
【申请号】CN201510111654
【发明人】李太福, 辜小花, 梅青平, 王坎, 周伟, 杨永龙, 胥毅, 贲福才
【申请人】重庆科技学院
【公开日】2015年11月11日
【申请日】2015年3月13日