基于无迹卡尔曼滤波的抽油机参数优化方法

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。

主权项

一种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：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其中α₁，α₂为决策变量，α₃～α₁₄₆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：{y₁,y₂,y₃,…y_l}；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：其中为效率影响因素个数，N为样本个数，α_ik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中非载荷变量与载荷新主元观测变量集合{α_z1,α_z2,...,α_zd}构建网络输入变量集合：并令输入变量集合为：{x₁,x₂,x₃,...,x_M}，即，5)构建输入变量集合{x₁,x₂,x₃,...,x_M}观测样本值：其中，x₁～x₂为决策变量，x₃～x_M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输出矩阵7)构建三层前馈神经网络，其输入变量集为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：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，l为输出层神经元数，输入层至隐层神经元的连接权值为阈值为b隐层至输出层的连接权值为阈值为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，为k时刻的神经网络输入样本，令ω_k＝0，v_k＝0，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κ，以及非负权系数β；③计算2n+1个采样点σ点以及σ点的相应权重，其中n为状态矩阵的I维度，λ＝a²(n+κ)‑n，2n+1个采样点计算如下：每个采样点的权值计算如下：④计算σ点的一步状态预测及状态变量协方差⑤计算输出的一步提前预测以及协方差⑥进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵：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；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y₁构造其偏好函数h＝h(y₁)，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(y₁)；其中，产液量y₁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(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：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x₁,x₂构建多目标优化初始种群P_D的个体，设置决策变 量的上下限x_min、x_max,即x_1min≤x₁≤x_1max，x_2min≤x₂≤x_2max，利用决策变量(x₁,x₂)的K对数据构建初始种群P_D，即初始化种群P_D,令其为第一代父代种群；生成一个空的精英解种群设置精英个体个数为。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R_t，即求取种群R_t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R_t中第c个个体强度，即第c个个体可以被种群R_t其他个体支配的数量；其中个体R_t(c)原始适应度函数值求取过程如下：通过种群个体R_t(c)与环境状态变量平均值组建输入样本计算样本X_c原始适应度函数值并作为个体R_t(c)的原始适应度函数值；②个体密度求取，利用个体R_t(i)与种群R_t中第b个邻近个体的距离值则个体R_t(c)密度函数③求个体的适应值，将上述所求个体R_t(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R_t(c)的适应值；④在种群R_t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中个体数为则不需要在操作，如果A²中个体数小于则需要在种群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⑥将第二代父代种群与第二代精英种群A²组合，并重复①～⑤过程，直至gen＝GEN，输出精英种群A^GEN,将A^GEN的个体作为优化结果；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。